Was ist ein skalierbares Vorkonditionierer für Hochfrequenz Helmholtz?


15

Standard Mehrgitter- und Gebietszerlegungsmethoden nicht funktionieren, aber ich habe große 3D-Probleme und direkte Löser sind keine Option. Welche Methoden sollte ich versuchen?

Wie werden meine Entscheidungen von folgenden Überlegungen betroffen?

  • Koeffizienten variieren über mehrere Größenordnungen oder
  • Finite-Elemente im Vergleich zu finite verschiedenen Methoden werden verwendet,

1
In 3D, führen iterative Solver normalerweise schlecht, empfehle ich unter Bezugnahme auf einige HSS-Matrix direkte Solver von Ming Gu, Xia und Chandrasekaran Nachbestellung.
Shuhao Cao

Antworten:



5

Ich denke, im Allgemeinen es ist daran zu erinnern, dass die effizientesten Methoden, die wir haben (geometrische und algebraische Mehrgitter- sowie zu einem gewissen Grad, Gebietszerlegung) beruhen auf der Tatsache, dass die Lösungen von PDEs sind oft glatt und dass ein gröberes Problem zu lösen konnte eine Ausbeute gute Näherung für das Feinskalenproblem. Das Problem mit der Helmholtz-Gleichung für hohe Frequenzen ist, dass diese Annahme nicht zutrifft: Sie benötigen ein relativ feines Netz, um die Lösung darzustellen, und Grobgitterlöser können nichts produzieren, was von großem Nutzen ist. Folglich funktionieren die typischen Ansätze für gute Vorkonditionierer in diesem Fall nicht, und dies ist der Grund, warum es in Ihrem Fall keine wirklich guten Optionen gibt, wenn Sie nicht einfach viele Prozessoren auf das Problem werfen.


4

Das H-Matrix-Zeug von Jack Poulson und Lexing Ying ist die effizienteste Methode, die ich kenne. Dies sollte im Frühjahr veröffentlicht werden, aber sie haben Präsentationen darüber gegeben.


2
Ich sollte Ihre Aussage wahrscheinlich damit begründen, dass wir große Hochfrequenzprobleme mit einem sich bewegenden PML-Ansatz auf Tausenden von Kernen für sehr hohe Frequenzen effizient gelöst haben , aber die H-Matrix-Strategie in diesem Maßstab noch nicht getestet haben. Die Überlegung ist, dass es in 3d nicht so viele theoretische Gründe gibt, obwohl es aus der Perspektive der parallelen Berechnung skalierbarer sein wird.
Jack Poulson
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.