.png){kind=icon}
返回
Hyper-Reduction Methods for Accelerating Nonlinear Finite Element Simulations: Open Source Implementation and Reproducible Benchmarks
.png){kind=icon}
PRE
AI
DOI：10.1007/s11831-026-10749-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超降维方法因其加速非线性系统降阶模型的潜力而日益受到关注，但其比较精度和计算效率尚不明确。为填补这一空白，我们针对不同复杂度的基准问题，评估了一系列非线性有限元模型的超降维技术，并评估了精度与加速比之间的必然权衡。具体而言，我们考虑了基于不完整正交分解的插值方法以及经验求积过程（EQP），并将它们应用于非线性扩散、非线性弹性和拉格朗日流体动力学问题的超降维。我们的数值结果通过开源的libROM、Laghos和MFEM数值库生成。研究发现，超降维方法之间的比较性能取决于具体问题和时间积分方法的选择。EQP方法通常比插值方法具有更低的相对误差，且在求积点使用方面更高效，导致非线性扩散和弹性问题的壁钟时间更低。然而，其在拉格朗日流体动力学问题上的在线计算成本相对较高。相反，插值方法表现出更大的变异性，特别是在拉格朗日流体动力学问题中采用不同的时间积分方法时。本研究结果强调了根据问题具体选择方法以平衡精度和效率的必要性，同时也为未来超降维技术的比较和改进提供了有益指导。
期刊
IF:
12.1
论文数:
1.8K
被引数:
1.2W
机构
引用论文
.png){kind=icon}
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏
查看更多内容