Линейная совместная коллокационная аппроксимация для параметрических и стохастических эллиптических дифференциальных уравнений с частными производными

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрим параметрическую эллиптическую задачу $$- \operatorname{div}(a(y)(x)\nabla u(y)(x))=f(x),\qquad x \in D, \quad y \in {\mathbb I}^\infty, \quad u|_{\partial D}=0, $$ где $D \subset \mathbb R^m$ – ограниченная липшицева область, ${\mathbb I}^\infty:=[-1,1]^\infty$, $f \in L_2(D)$ и коэффициенты диффузии $a$ удовлетворяют условию равномерной эллиптичности и аффинно зависят от $y$. Параметр $y$ может быть детерминированной или случайной величиной. Основная задача, изучением которой мы будем заниматься в настоящей работе, состоит в следующем. Предположим, что имеется последовательность аппроксимаций с некоторой скоростью сходимости погрешности в энергетической норме пространства $V:=H^1_0(D)$ для непараметрической задачи $- \operatorname{div} (a(y_0)(x)\nabla u(y_0)(x))=f(x)$ в каждой точке $y_0 \in {\mathbb I}^\infty$. При каких условиях эта последовательность будет индуцировать последовательность аппроксимаций с той же скоростью сходимости погрешности для параметрической эллиптической задачи в норме пространств Бохнера $L_\infty({\mathbb I}^\infty,V)$? Мы решили эту задачу линейными совместными коллокационными методами на основе интерполяции многочленами Лагранжа в области параметра ${\mathbb I}^\infty$. Мы покажем, что при очень слабых условиях эти методы аппроксимации дают ту же скорость сходимости погрешности, что и для непараметрической эллиптической задачи. В этом смысле линейные методы нивелируют проклятие размерности. Библиография: 22 названия.

Об авторах

Зунг Динь

Vietnam National University

Email: dinhzung@gmail.com
доктор физико-математических наук, профессор

Список литературы

  1. I. Babuška, F. Nobile, R. Tempone, “A stochastic collocation method for elliptic partial differential equations with random input data”, SIAM J. Numer. Anal., 45:3 (2007), 1005–1034
  2. M. Bachmayr, A. Cohen, G. Migliorati, “Sparse polynomial approximation of parametric elliptic PDEs. Part I: affine coefficients”, ESAIM Math. Model. Numer. Anal., 51:1 (2017), 321–339
  3. M. Bachmayr, A. Cohen, Dinh Dũng, Ch. Schwab, “Fully discrete approximation of parametric and stochastic elliptic PDEs”, SIAM J. Numer. Anal., 55:5 (2017), 2151–2186
  4. J. Beck, R. Tempone, F. Nobile, L. Tamellini, “On the optimal polynomial approximation of stochastic PDEs by Galerkin and collocation methods”, Math. Models Methods Appl. Sci., 22:9 (2012), 1250023, 33 pp.
  5. J. Cea, “Approximation variationnelle des problèmes aux limites”, Ann. Inst. Fourier (Grenoble), 14:2 (1964), 345–444
  6. M. A. Chkifa, “On the Lebesgue constant of Leja sequences for the complex unit disk and of their real projection”, J. Approx. Theory, 166 (2013), 176–200
  7. A. Chkifa, A. Cohen, R. DeVore, Ch. Schwab, “Sparse adaptive Taylor approximation algorithms for parametric and stochastic elliptic PDEs”, ESAIM Math. Model. Numer. Anal., 47:1 (2013), 253–280
  8. A. Chkifa, A. Cohen, Ch. Schwab, “High-dimensional adaptive sparse polynomial interpolation and applications to parametric PDEs”, Found. Comput. Math., 14:4 (2014), 601–633
  9. A. Cohen, R. DeVore, “Approximation of high-dimensional parametric PDEs”, Acta Numer., 24 (2015), 1–159
  10. A. Cohen, R. DeVore, Ch. Schwab, “Convergence rates of best $N$-term Galerkin approximations for a class of elliptic sPDEs”, Found. Comput. Math., 10:6 (2010), 615–646
  11. A. Cohen, R. DeVore, Ch. Schwab, “Analytic regularity and polynomial approximation of parametric and stochastic PDE's”, Anal. Appl. (Singap.), 9:1 (2011), 11–47
  12. Dinh Dũng, Linear collective collocation and Galerkin approximations for parametric and stochastic elliptic PDEs
  13. Dinh Dũng, M. Griebel, “Hyperbolic cross approximation in infinite dimensions”, J. Complexity, 33 (2016), 55–88
  14. Dinh Dũng, M. Griebel, Vu Nhat Huy, C. Rieger, “$varepsilon$-dimension in infinite dimensional hyperbolic cross approximation and application to parametric elliptic PDEs”, J. Complexity, 46 (2018), 66–89
  15. H. C. Elman, C. W. Miller, E. T. Phipps, R. S. Tuminaro, “Assessment of collocation and Galerkin approaches to linear diffusion equations with random data”, Int. J. Uncertain. Quantif., 1:1 (2011), 19–33
  16. M. D. Gunzburger, C. G. Webster, Guannan Zang, “Stochastic finite element methods for partial differential equations with random input data”, Acta Numer., 23 (2014), 521–650
  17. P. D. Lax, A. N. Milgram, “Parabolic equations”, Contributions to the theory of partial differential equations, Ann. of Math. Stud., 33, Princeton Univ. Press, Princeton, N.J., 1954, 167–190
  18. G. Migliorati, F. Nobile, E. von Schwerin, R. Tempone, “Analysis of the discrete $L^2$ projection on polynomial spaces with random evaluations”, Found. Comput. Math., 14:3 (2014), 419–456
  19. F. Nobile, R. Tempone, C. G. Webster, “A sparse grid stochastic collocation method for partial differential equations with random input data”, SIAM J. Numer. Anal., 46:5 (2008), 2309–2345
  20. F. Nobile, R. Tempone, C. G. Webster, “An anisotropic sparse grid stochastic collocation method for partial differential equations with random input data”, SIAM J. Numer. Anal., 46:5 (2008), 2411–2442
  21. Ch. Schwab, C. G. Gittelson, “Sparse tensor discretizations of high-dimensional parametric and stochastic PDEs”, Acta Numer., 20 (2011), 291–467
  22. J. Zech, Dinh Dũng, Ch. Schwab, Multilevel approximation of parametric and stochastic PDEs, Res. rep. No. 2018-05, Seminar for Appied Mathematics, ETH, Zürich, 2018, 56 pp.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Динь З., 2019

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».