Übersicht zur Numerik II für Ingenieure
|
|
- Karl Glöckner
- vor 6 Jahren
- Abrufe
Transkript
1 Übersicht zur Numerik II für Ingenieure Petr Tichý und Jörg Liesen Technische Universität Berlin 19. Februar 2004
2 Modellierung Real world Problem Mathematisches Modell (Differentialgleichung) Diskretisierung Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 2/60
3 Modellierung Real world Problem Mathematisches Modell (Differentialgleichung) Diskretisierung Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 2/60
4 Typeinteilung Elliptische Randwertprobleme gewöhnliche partielle lineare nichtlineare homogene inhomogene Verschiedene DGLen erfordern verschiedene Lösungsmethoden. Übersicht zur Numerik II. 3/60
5 Typeinteilung Elliptische Randwertprobleme gewöhnliche partielle lineare nichtlineare homogene inhomogene Verschiedene DGLen erfordern verschiedene Lösungsmethoden. Wir konzentrieren uns auf lineare partielle (PDGL) zweiter Ordnung: n a ik (x)u xi x j + i,k=1 n b i (x)u xi + c(x)u = f(x) i=1 Koeffizienten a ik (x) definieren symmetrische Matrix A(x). Übersicht zur Numerik II. 3/60
6 Typeinteilung... nach Eigenwerten von A(x) und Rang von [A(x) b(x)] Typeinteilung Elliptische Randwertprobleme elliptische, z.b. u = f hyperbolische, z.b. (Poisson-Gleichung), 2 u t 2 2 u x 2 = 0 (Wellen-Gleichung), parabolische, z.b. u t 2 u x 2 = 0 (Wärmeleitung). Übersicht zur Numerik II. 4/60
7 Elliptische Randwertprobleme Typeinteilung Elliptische Randwertprobleme Modellproblem u = f in Ω + Randbedingungen auf Γ = Ω Übersicht zur Numerik II. 5/60
8 Elliptische Randwertprobleme Typeinteilung Elliptische Randwertprobleme Modellproblem u = f in Ω + Randbedingungen auf Γ = Ω Klassifikation von Randbedingungen (RB): Dirichlet RB u = g auf Γ i Γ, Neumann RB u ν = g auf Γ i Γ, Cauchy RB u ν + σ u = g auf Γ i Γ. Übersicht zur Numerik II. 5/60
9 Typeinteilung Elliptische Randwertprobleme Modellierung Diskretisierung Real world Problem Mathematisches Modell (Differentialgleichung) Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 6/60
10 Typeinteilung Elliptische Randwertprobleme Modellierung Diskretisierung Real world Problem Mathematisches Modell (Differentialgleichung) Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 6/60
11 Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Methode Übersicht zur Numerik II. 7/60
12 Idee: Taylor Entwicklung Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Taylor Entwicklung von u in Gitterpunkten v(x h) = v(x) h 1! v (x) + h2 2! v (x)... v(x + h) = v(x) + h 1! v (x) + h2 2! v (x) +... Übersicht zur Numerik II. 8/60
13 Idee: Taylor Entwicklung Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Taylor Entwicklung von u in Gitterpunkten v(x h) = v(x) h 1! v (x) + h2 2! v (x)... v(x + h) = v(x) + h 1! v (x) + h2 2! v (x) +... Elimination ungewollter niedriger Ableitungen ergibt v (x) = Approximation (schematisch): v(x h) + 2v(x) v(x + h) h 2 + O(h 2 ) v (x) h u Übersicht zur Numerik II. 8/60
14 Differenzen Sterne 2D Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung 5-Punkte-Stern: -1 u = h u + O(h 2 ) -1 Übersicht zur Numerik II. 9/60
15 Differenzen Sterne 2D Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung 5-Punkte-Stern: -1 u = h u + O(h 2 ) -1 kompakter 9-Punkte-Stern: u f = h u f + O(h 4 ) Übersicht zur Numerik II. 9/60
16 Differenzen Sterne 2D Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung 5-Punkte-Stern: -1 u = h u + O(h 2 ) -1 kompakter 9-Punkte-Stern: u f = Konsistenzordnung h u f + O(h 4 ) 1 Übersicht zur Numerik II. 9/60
17 Dirichlet Randbedingungen u/γ = g Idee: Taylor Entwicklung Differenzen Sterne 2D -1 Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen u = h 2 f Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung -1 Darstellung Übersicht zur Numerik II. 10/60
18 Dirichlet Randbedingungen Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u/γ = g u = h 2 f -1 Für u am Rand setzen wir g in den Differenzenstern ein. g überführen wir auf die rechte Seite. Übersicht zur Numerik II. 10/60
19 Dirichlet Randbedingungen Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u/γ = g u = h 2 f + g(γ) -1 Für u am Rand setzen wir g in den Differenzenstern ein. g überführen wir auf die rechte Seite. Übersicht zur Numerik II. 10/60
20 Neuman Randbedingungen Idee: Taylor Entwicklung Differenzen Sterne 2D u ν Γ = ϕ -1 Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen u = h 2 f Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung -1 Darstellung Übersicht zur Numerik II. 11/60
21 Neuman Randbedingungen Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u ν Γ = ϕ Einseitige Differenz: Auf linkem Rand gilt u = h 2 f ϕ = u ν Wir approximieren RB durch = u(x) u(x h) h + O(h). u(x) = u(x + h) + h ϕ. Übersicht zur Numerik II. 11/60
22 Neuman Randbedingungen Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u ν Γ = ϕ Einseitige Differenz: Auf linkem Rand gilt u = h 2 f + h ϕ(γ) ϕ = u ν Wir approximieren RB durch = u(x) u(x h) h + O(h). u(x) = u(x + h) + h ϕ. Übersicht zur Numerik II. 11/60
23 Idee von Finiten Differenzen Gegeben: Differentialgleichung, Randbedingungen, Gitter. Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Ersetze Differentialoperator in Gitterpunkten durch Differenzensterne (aus Taylor Entwicklung). 1 Stern in innerem Gitterpunkt = 1 Gleichung. In Differenzensternen betrachte auch Randbedingungen. Erzetze die Differentialgleichung durch Differenzengleichungen. Wir erhalten lineares Gleichungssystem. A h u h = b h. Übersicht zur Numerik II. 12/60
24 Konvergenz Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Definition: Konsistenz von Ordnung p: b h A h u h = O(h p ). Stabilität: Es gibt C unabhängig von h, so daß: Konvergenz von Ordnung p: A 1 h C <. u h u h = O(h p ). Übersicht zur Numerik II. 13/60
25 Konvergenz Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Definition: Konsistenz von Ordnung p: b h A h u h = O(h p ). Stabilität: Es gibt C unabhängig von h, so daß: Konvergenz von Ordnung p: A 1 h C <. u h u h = O(h p ). Konsistenz + Stabilität = Konvergenz Übersicht zur Numerik II. 13/60
26 Konvergenz Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Definition: Konsistenz von Ordnung p: b h A h u h = O(h p ). Stabilität: Es gibt C unabhängig von h, so daß: Konvergenz von Ordnung p: A 1 h C <. u h u h = O(h p ). Satz: Ein konsistentes und stabiles Verfahren ist konvergent und die Konvergenzordnung ist mindestens gleich der Konsistenzordnung. Übersicht zur Numerik II. 13/60
27 Beispiel: u = f, Ω = [0, 1] 2, Dirichlet RB Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Konsistez- Ordnung Konvergenz- Ordnung Glattheitt von u 5-P-S 2 2 u C 4 (Ω) komp. 9-P-S 4 4 u C 6 (Ω) komp. 9-P-S 4 6 u C 8 (Ω), f = 0 Übersicht zur Numerik II. 14/60
28 Vorteile und Nachteile - Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Vorteile: Einfaches mathematisches Konzept (Taylorentwicklung). Für regelmässige Gebiete einfache Implementation. Für regelmässige Gebiete gute Resultate. Übersicht zur Numerik II. 15/60
29 Vorteile und Nachteile - Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Vorteile: Einfaches mathematisches Konzept (Taylorentwicklung). Für regelmässige Gebiete einfache Implementation. Für regelmässige Gebiete gute Resultate. Nachteile: Hohe Voraussetzungen an die Glattheit von u. Probleme mit Geometrie bei allgemeinen Gebieten. Probleme mit Verfeinerung (große Anzahl neuer Gitterpunkte). Übersicht zur Numerik II. 15/60
30 Testproblem: u(x, y) = sin(πx) cos(πy) Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u = f in Ω = [0, 1] [0, 1], u = g auf Ω, Lösung, sin(πx)cos(πy) Übersicht zur Numerik II. 16/
31 Darstellung Fehler, 5 P. Stern, N=39 x Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Fehler, 9 P. Stern, N= x Übersicht zur Numerik II /60 0
32 - Staudamm Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung u... Strömungspotential, k h, k v... Durchlässigkeit, Γ N Γ D (k h u x ) x (k v u y ) y = 0. Γ D Γ D Ω Γ N k h = 0.1, k v = 1 k h = 1, k v = 10 Übersicht zur Numerik II. 18/60 Γ D Γ N
33 Darstellung Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Übersicht zur Numerik II. 19/60
34 Real world Problem Idee: Taylor Entwicklung Differenzen Sterne 2D Dirichlet Randbedingungen Neuman Randbedingungen Idee von Finiten Differenzen Konvergenz Konvergenz-Beispiel Vorteile und Nachteile Testproblem Darstellung Darstellung Modellierung Diskretisierung Mathematisches Modell (Differential Gleichung) Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 20/60
35 Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Finite-Element-Methode Übersicht zur Numerik II. 21/60
36 Gesucht: Methode zur Diskretisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel auf beliebigen Gebieten, mit einfachen Möglichkeiten zur Gitterverfeinerung, die Konvergenz auch bei weniger glatten Lösungen garantiert, Neumann/Cauchy RB leicht berücksichtigen läßt und leicht algorithmisierbar ist. Übersicht zur Numerik II. 22/60
37 Gesucht: Methode zur Diskretisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel auf beliebigen Gebieten, mit einfachen Möglichkeiten zur Gitterverfeinerung, die Konvergenz auch bei weniger glatten Lösungen garantiert, Neumann/Cauchy RB leicht berücksichtigen läßt und leicht algorithmisierbar ist. Um eine solche Methode zu entwickeln, muss man viel Mathematik benutzen (insbes. Funktionalanalysis). Übersicht zur Numerik II. 22/60
38 Matematische Grunglagen Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel (bi-)lineare Formen, Integralsätze im R n, Sobolev Räume, Sätze der Funktionalanalysis, Variationsmethoden (Galerkin, Ritz), u.v.m. Übersicht zur Numerik II. 23/60
39 Formen Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel f(v) ist Linearform wenn f(αu + βv) = α f(u) + β f(v), a(u, v) ist Bilinearform = linear in jeder Variable. Übersicht zur Numerik II. 24/60
40 Formen Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel f(v) ist Linearform wenn f(αu + βv) = α f(u) + β f(v), a(u, v) ist Bilinearform = linear in jeder Variable. Mögliche Eigenschaften einer Bilinearform a(u, v) sind (jeweils für alle u V, v V ): Symmetrie: a(u, v) = a(v, u) Definitheit: a(u, u) = 0 u = 0, Positivität: a(u, u) 0, V-Elliptizität: a(u, u) β u 2 für eine Konst. β > 0, Stetigkeit: a(u, v) α u v für eine Konst. α > 0. Übersicht zur Numerik II. 24/60
41 Integralsätze im R n Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Voraussetzungen: Ω R n kompakt, Γ = Ω glatter Rand, w : Ω R n partiell differenzierbares Vektorfeld, ν : Γ R n das äußeres Einheits-Normalenfeld, Übersicht zur Numerik II. 25/60
42 Integralsätze im R n Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Voraussetzungen: Ω R n kompakt, Γ = Ω glatter Rand, w : Ω R n partiell differenzierbares Vektorfeld, ν : Γ R n das äußeres Einheits-Normalenfeld, Gaußscher Integralsatz: Ω Greensche Formel: u v dω = Ω div w dω = Γ Γ u ν v dγ ν w dγ. Ω u v dω. Übersicht zur Numerik II. 25/60
43 Integralsätze im R n Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Voraussetzungen: Ω R n kompakt, Γ = Ω glatter Rand, w : Ω R n partiell differenzierbares Vektorfeld, ν : Γ R n das äußeres Einheits-Normalenfeld, Gaußscher Integralsatz: Ω Greensche Formel: u v dω = Ω div w dω = Γ Γ u ν v dγ ν w dγ. Ω u v dω. Verallgemeinerungen auf Lipschitz-Gebiete Ω und H 1 bzw. H 2 Funktionen existieren. Übersicht zur Numerik II. 25/60
44 Variationsproblem Beispiel: (1) u = q in Ω, u ν = ϕ auf Γ. Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Übersicht zur Numerik II. 26/60
45 Variationsproblem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Beispiel: (1) u = q in Ω, u ν = ϕ auf Γ. Multipliziere (1) mit v V, V ist Grundraum. Integriere über Ω. Benutze Intergalsätze. Berücksichtige Randbedingungen. Übersicht zur Numerik II. 26/60
46 Variationsproblem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Beispiel: (1) u = q in Ω, u ν = ϕ auf Γ. Multipliziere (1) mit v V, V ist Grundraum. Integriere über Ω. Benutze Intergalsätze. Berücksichtige Randbedingungen. Variationsproblem Suche u V mit a(u, v) = f(v) f.a. v V, a(u, v) = u v dω, f(v) = q v dω + ϕ v dγ. Ω Ω Γ Übersicht zur Numerik II. 26/60
47 Sobolev Räume Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel g ist schwache Ableitung von f nach x, wenn f ψ x dω = g ψ dω f.a. ψ C 0,. Ω Ω Übersicht zur Numerik II. 27/60
48 Sobolev Räume Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel g ist schwache Ableitung von f nach x, wenn f ψ x dω = g ψ dω f.a. ψ C 0,. Ω Ω Sobolev Raum H k (Ω) = Funktionen, deren schwache Ableitungen bis Ordnung k existieren und im L 2 (Ω) liegen (d.h. quadratisch integrierbar sind), Ω ist Lipschitz-Gebiet. Sobolev Raum H k (Ω) ist Hilbertraum. Übersicht zur Numerik II. 27/60
49 Sobolev Räume Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel g ist schwache Ableitung von f nach x, wenn f ψ x dω = g ψ dω f.a. ψ C 0,. Ω Ω Sobolev Raum H k (Ω) = Funktionen, deren schwache Ableitungen bis Ordnung k existieren und im L 2 (Ω) liegen (d.h. quadratisch integrierbar sind), Ω ist Lipschitz-Gebiet. Sobolev Raum H k (Ω) ist Hilbertraum. Variationsproblem Suche u V mit a(u, v) = f(v) f.a. v V. Wir lösen dies in schwachem Sinne, d.h. in Sobolevräumen. Übersicht zur Numerik II. 27/60
50 Lax-Milgram Satz Sei V ein Hilbertraum mit Skalarprodukt (u, v) und davon erzeugter Norm v = (v, v) 1/2. Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Sei a : V V R eine stetige, V-elliptische Bilinearform und f : V R eine stetige Linearform. Dann besitzt das Variationsproblem Suche u V mit a(u, v) = f(v) f.a. v V, eine eindeutig bestimmte Lösung. Übersicht zur Numerik II. 28/60
51 Diskretisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Ansatzraum V h V, dim V h = N <, Basis v 1,..., v N, Betrachte N u h = α i v i. i=1 Idee: Löse Variationsproblem im V h. Übersicht zur Numerik II. 29/60
52 Diskretisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Ansatzraum V h V, dim V h = N <, Basis v 1,..., v N, Betrachte N u h = α i v i. i=1 Idee: Löse Variationsproblem im V h. Galerkin-Ansatz Suche u h V h mit a(u h, v) = f(v) f.a. v V h, Ritz-Ansatz Suche u h V h mit F (u h ) F (v) f.a. v V h, wobei F (v) = 1 2a(v, v) f(v). Übersicht zur Numerik II. 29/60
53 Lineares Gleichungssystem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Falls a(u, v) positiv und symmetrisch ist, sind beide Ansätze sind äquivalent und führen auf das lineares Gleichungssystem a(v 1, v 1 )... a(v 1, v N ).. a(v N, v 1 )... a(v N, v N ) α 1.. α N = f(v 1 ). f(v N ). Übersicht zur Numerik II. 30/60
54 Lineares Gleichungssystem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Falls a(u, v) positiv und symmetrisch ist, sind beide Ansätze sind äquivalent und führen auf das lineares Gleichungssystem a(v 1, v 1 )... a(v 1, v N ).. a(v N, v 1 )... a(v N, v N ) α 1.. α N = f(v 1 ). f(v N ) FEM - basiert auf dem Galerkin-Ansatz, wählt geschickt: Ansatzraum V h (mit guten Approximationseigenchaften),. Basisfunktionen v j (so daß Matrix A h dünn besetzt ist). Übersicht zur Numerik II. 30/60
55 Idee der Finite-Element-Methode Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Zerlegung des Gebietes in viele Teilgebiete Ω i Ω = M i=1 Ω i. Man wählt Ansatzräume V h so daß sie stückweise polynomiale Funktionen v enthalten: v Ωi ist Polynom. Man wählt Basisfunktionen mit kleinem Träger. Übersicht zur Numerik II. 31/60
56 Idee der Finite-Element-Methode Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Zerlegung des Gebietes in viele Teilgebiete Ω i Ω = M i=1 Ω i. Man wählt Ansatzräume V h so daß sie stückweise polynomiale Funktionen v enthalten: v Ωi ist Polynom. Man wählt Basisfunktionen mit kleinem Träger. Anforderungen: Zerlegung ist zulässig. Eine Funktion aus V h ist auf einem Element Ω i eindeutig bestimmt durch die Werte oder Ableitungen in den Element-Knoten. Übersicht zur Numerik II. 31/60
57 Rechentechnische Realisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel z.b. Dreieckelemente. Assemblierung des linearen Gleichungssystems mit Hilfe von Elementmatrizen und Elementvektoren: M a(v i, v j ) dω = a(v i, v j ) dω k Ω k=1 Ω k Übersicht zur Numerik II. 32/60
58 Rechentechnische Realisierung Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel z.b. Dreieckelemente. Assemblierung des linearen Gleichungssystems mit Hilfe von Elementmatrizen und Elementvektoren: M a(v i, v j ) dω = a(v i, v j ) dω k Ω k=1 Berechnung von Integralen über Ω k mit Hilfe von der Transformation: Ω i Ω k Referenzdreieck Übersicht zur Numerik II. 32/60
59 Konvergenz von FEM Lemma von Céa: Sei u h Galerkin Approximation. Falls a eine V-elliptische und stetige Bilinearform ist, dann gilt Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel u u h β α min v V h u v. Übersicht zur Numerik II. 33/60
60 Konvergenz von FEM Lemma von Céa: Sei u h Galerkin Approximation. Falls a eine V-elliptische und stetige Bilinearform ist, dann gilt Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel u u h β α min v V h u v. Satz: Sind alle Elemente Ω i vom gleichen Typ (Lagrange), sind die Polynome vom Grad k sowie u H k+1 (Ω). Dann gibt es eine Konstante c > 0 mit u u h H 1 (Ω) c h k. (c ist von h unabhängig aber von u abhängig) Übersicht zur Numerik II. 33/60
61 Beispiel: Konvergenz in H 1 (Ω)-Norm Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel u u h H 1 (Ω) Lineares Dreieckelement Quadratisches Dreieckelement u H 2 (Ω) O(h) O(h) u H 3 (Ω) O(h) O(h 2 ) Höherpolynomiale Ansätze bringen oft nur dann einen Vorteil, wenn genügend Glattheit der Lösung vorhanden ist. Übersicht zur Numerik II. 34/60
62 Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel z u = 32(y y 2 + x x 2 ) in Ω = (0, 1) (0, 1), u = 0 auf Ω. FEM Lösung u h absoluter Fehler u u h x z y x y x Übersicht zur Numerik II. 35/60
63 Real world Problem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Modellierung Diskretisierung Mathematisches Model (Differentialgleichung) Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 36/60
64 Real world Problem Matematische Grunglagen Formen Integralsätze im R n Variationsproblem Sobolev Räume Lax-Milgram Satz Diskretisierung Lineares Gleichungssystem Idee der FEM Realisierung Konvergenz von FEM Konvergenz-Beispiel Modellierung Diskretisierung Mathematisches Model (Differentialgleichung) Diskretes Problem LGS Lösung Linear algebraisches Problem Übersicht zur Numerik II. 36/60
65 Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Ax = b Übersicht zur Numerik II. 37/60
66 Übersicht Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Aus Diskretisierung Systeme Ax = b mit Eigenschaften: A ist dünn besetzt. A kann sehr groß sein. Ax = b muß nicht unbedingt exakt gelöst werden ( Diskretisierungsfehler ohnehin vorhanden). Übersicht zur Numerik II. 38/60
67 Übersicht Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Aus Diskretisierung Systeme Ax = b mit Eigenschaften: A ist dünn besetzt. A kann sehr groß sein. Ax = b muß nicht unbedingt exakt gelöst werden ( Diskretisierungsfehler ohnehin vorhanden). Mögliche Verfahren zur Lösung: Direkte Verfahren (Gauss, LU, LL T ) Klassische Iterative Verfahren (Jacobi, Gauss-Seidel, SOR) Projektionsmethoden (Krylov-Raum-Methoden) Multigrid (Mehrgitter) Verfahren Übersicht zur Numerik II. 38/60
68 Übersicht Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Aus Diskretisierung Systeme Ax = b mit Eigenschaften: A ist dünn besetzt. A kann sehr groß sein. Ax = b muß nicht unbedingt exakt gelöst werden ( Diskretisierungsfehler ohnehin vorhanden). Mögliche Verfahren zur Lösung: Direkte Verfahren (Gauss, LU, LL T ) Klassische Iterative Verfahren (Jacobi, Gauss-Seidel, SOR) Projektionsmethoden (Krylov-Raum-Methoden) Multigrid (Mehrgitter) Verfahren In diesem Fall Krylov-Raum-Methoden sehr geeignet. Übersicht zur Numerik II. 38/60
69 Projektionsmethoden Grundidee: Gegeben A, b, x 0 Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid wobei Finde x i x 0 + S i mit r i C i, x i Approximation der Lösung, r i Residuum b Ax i, S i, C i i-dimensionale Räume Übersicht zur Numerik II. 39/60
70 Projektionsmethoden Grundidee: Gegeben A, b, x 0 Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Finde x i x 0 + S i mit r i C i, wobei x i Approximation der Lösung, r i Residuum b Ax i, S i, C i i-dimensionale Räume Ax = b wird projiziert auf kleineres System C T i AS i y i = C T i r 0. Die Spalten von C i bzw. S i sind Basisvektoren von C i bzw. S i. Übersicht zur Numerik II. 39/60
71 Krylov-Raum-Methoden Zur Definition von S i und C i werden Krylov-Räume benutzt, K i (A, r 0 ) := span{r 0, Ar 0,..., A i 1 r 0 } Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Übersicht zur Numerik II. 40/60
72 Krylov-Raum-Methoden Zur Definition von S i und C i werden Krylov-Räume benutzt, K i (A, r 0 ) := span{r 0, Ar 0,..., A i 1 r 0 } Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Beispiele der Wahl von S i und C i : Wenn A SPD, S i = C i := K i (A, r 0 ) CG-Verfahren x x i A = min x y A. y x 0 +K i (A,r 0 ) Für allgemeine (nichtsymmetrische) A, S i := K i (A, r 0 ), C i := AK i (A, r 0 ) GMRES-Verfahren b Ax i = min b Ay. y x 0 +K i (A,r 0 ) Übersicht zur Numerik II. 40/60
73 Implementation Man benötigt eine geeignete (idealerweise orthogonale) Basis der Krylov-Räume. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Beispiel: Arnoldi-Verfahren konstruiert sukzessive eine Orthogonalbasis der Krylov-Räume, AV i = V i+1 H i+1,i. Übersicht zur Numerik II. 41/60
74 Implementation Man benötigt eine geeignete (idealerweise orthogonale) Basis der Krylov-Räume. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Beispiel: Arnoldi-Verfahren konstruiert sukzessive eine Orthogonalbasis der Krylov-Räume, AV i = V i+1 H i+1,i. Im Allgemeinen ist H i+1,i eine obere Hessenberg Matrix um neuen Basis-Vektor v i+1 zu berechnen, benötigt man alle vorherige Basis-Vektoren v 1,..., v i Falls A = A T, ist H i+1,i tridiagonal um neuen Basis-Vektor v i+1 zu berechnen, benötigt man nur v i 1 und v i Lanzcos-Verfahren. Mit Hilfe der Basis-Vektoren konstruieren wir x i und r i. Übersicht zur Numerik II. 41/60
75 Beispiel Das CG-Verfahren Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Input: A R N N, b R N, x 0 R N. Initialisierung: r 0 = b Ax 0, p 0 = r 0. Für i = 0, 1, 2,... α i = (r i, r i ) (p i, Ap i ) x i+1 = x i + α i p i r i+1 = r i α i Ap i β i = (r i+1, r i+1 ) (r i, r i ) p i+1 = r i+1 + β i p i. Übersicht zur Numerik II. 42/60
76 Eigenschaften von CG in exakter Arithmetik Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Die A-Norm des Fehlers wird in jedem Schritt i minimiert, x x i A = min x y A. y x 0 +K i (A,r 0 ) {r 0,..., r i } ist eine orthogonale Basis von K i+1 (A, r 0 ), {p 0,..., p i } ist eine A-orthogonale Basis von K i+1 (A, r 0 ). Das CG-Verfahren terminiert nach höchstens N Schritten. Für d > 0, d N, gilt x x i 2 A x x i+d 2 A = i+d 1 j=i α j r j 2 > 0. Die euklidische Fehlernorm ist monoton fallend, d.h. x x i > x x i+1. Übersicht zur Numerik II. 43/60
77 Vorkonditionierung für CG Transformation des Systems Ax = b Ax = b ˆx = ˆb, Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid  = L 1 AL T, ˆb = L 1 b, ˆx = L T x. Übersicht zur Numerik II. 44/60
78 Vorkonditionierung für CG Transformation des Systems Ax = b Ax = b ˆx = ˆb, Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid  = L 1 AL T, ˆb = L 1 b, ˆx = L T x. CG wird formal auf das System ˆx = ˆb angewandt. Rückwärtstransformation x i := L T ˆx i. Formulierung eines neuen Algorithmus, der direkt x i berechnet. In jedem Schritt müssen wir LGS mit LL T lösen. Übersicht zur Numerik II. 44/60
79 Vorkonditionierung für CG Transformation des Systems Ax = b Ax = b ˆx = ˆb, Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid  = L 1 AL T, ˆb = L 1 b, ˆx = L T x. CG wird formal auf das System ˆx = ˆb angewandt. Rückwärtstransformation x i := L T ˆx i. Formulierung eines neuen Algorithmus, der direkt x i berechnet. In jedem Schritt müssen wir LGS mit LL T lösen. Mit Vorkonditionierung wollen wir Konvergenz beschleunigen. Übersicht zur Numerik II. 44/60
80 Vorkonditionierung für CG Transformation des Systems Ax = b Ax = b ˆx = ˆb, Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid  = L 1 AL T, ˆb = L 1 b, ˆx = L T x. CG wird formal auf das System ˆx = ˆb angewandt. Rückwärtstransformation x i := L T ˆx i. Formulierung eines neuen Algorithmus, der direkt x i berechnet. In jedem Schritt müssen wir LGS mit LL T lösen. Mit Vorkonditionierung wollen wir Konvergenz beschleunigen. Vorkonditionierung Kombination von iterativen Verfahren und direkten Verfahren. Übersicht zur Numerik II. 44/60
81 Algorithmus PCG Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Input: A R N N, L R N N, b R N, x 0 R N. Initialisierung: r 0 = b Ax 0, z 0 = (LL T ) 1 r 0, p 0 = z 0. Für i = 0, 1, 2,... α i = (r i, z i ) (p i, Ap i ) x i+1 = x i + α i p i r i+1 = r i α i Ap i z i+1 = (LL T ) 1 r i+1 β i = (r i+1, z i+1 ) (r i, z i ) p i+1 = z i+1 + β i p i. Übersicht zur Numerik II. 45/60
82 Konvergenz von Krylov-Raum-Methoden A = A T : Konvergenz ist im Allgemeinen abhängig von Eigenwertverteilung und vom Startvektor r 0. Worst-case Schranke für CG (unabhängig von r 0 ): Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid x x i A min max x x 0 p(λ j) A p(0)=1 1 j N deg p=i Übersicht zur Numerik II. 46/60
83 Konvergenz von Krylov-Raum-Methoden A = A T : Konvergenz ist im Allgemeinen abhängig von Eigenwertverteilung und vom Startvektor r 0. Worst-case Schranke für CG (unabhängig von r 0 ): Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid x x i A min max x x 0 p(λ j) A p(0)=1 1 j N deg p=i Allgemeines A: Konvergenz abhängig auch von Eigenraumstruktur. Wie? Offene Frage. Worst-case Schranke für GMRES wenn A diagonalisierbar, A = V DV 1, r i r 0 κ(v ) min max p(λ j) p(0)=1 1 j N deg p=i Übersicht zur Numerik II. 46/60
84 Konvergenzkriterien Vorteil von iterativen Verfahren: Prozess kann jederzeit beendet werden mit Approximation x i. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Übersicht zur Numerik II. 47/60
85 Konvergenzkriterien Vorteil von iterativen Verfahren: Prozess kann jederzeit beendet werden mit Approximation x i. Wie können wir Qualität der Approximation messen? Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Übersicht zur Numerik II. 47/60
86 Konvergenzkriterien Vorteil von iterativen Verfahren: Prozess kann jederzeit beendet werden mit Approximation x i. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Wie können wir Qualität der Approximation messen? Normweiser Rückwärtsfehler r i A x i + b < tol Begründung: Störungstheorie In CG: Relative A-Norm des Fehlers (Einschätzung) x x i A x x 0 A < tol Relative Residuennorm Begründung: Physikalische Bedeutung r i r 0 < tol Begründung: Einfach zu berechnen Übersicht zur Numerik II. 47/60
87 Endliche Arithmetik Einfluß von Endlicher Arithmetik kann wichtig sein. Beispiel CG-Verfahren: Orthogonalität geht verloren. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid 10 0 (E) x x j A (FP) x x j A 10 2 (E) I V T j V j F (FP) I V T j V j F Sind alle schönen Eigenschaften von CG verloren? Übersicht zur Numerik II. 48/60
88 Endliche Arithmetik Einfluß von Endlicher Arithmetik kann wichtig sein. Beispiel CG-Verfahren: Orthogonalität geht verloren. Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid 10 0 (E) x x j A (FP) x x j A 10 2 (E) I V T j V j F (FP) I V T j V j F Sind alle schönen Eigenschaften von CG verloren? NEIN. Nur Konverzenzverzögerung. Übersicht zur Numerik II. 48/60
89 Eigenschaften von Krylov-Raum-Methoden Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Konstruieren Approximationen für die Lösung. Ermöglichen inexakte Lösung des Systems. Prozess kann jederzeit gestoppt werden, um Operationen zu sparen. Machen Projektionen auf Krylov Räume. Krylov Räume gute Approximationseigenschaften. Können sehr große Systeme mit dünn besetzter Matrix lösen. Benötigen nur Funktion, die A v berechnet, nicht A. Haben niedrige Speicheranforderungen (besonders CG). Zur Konvergenzbechleunigung Vorkonditionierung. u.v.m. Übersicht zur Numerik II. 49/60
90 Multigrid (Mehrgitter) Verfahren feines Gitter grobes Gitter h 2h = H Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid v h Restriktion Rh H Prolongation PH h v H Wir wollen A h x h = b h lösen. Idee: Reduziere niederfrequente Anteile auf groben Gitter. Übersicht zur Numerik II. 50/60
91 Grundschema von Multigrid Glättungsschritt I: x (j) h = Relax(A h, b h, x (j 1) h, m 1 ) z.b. m 1 Schritte Jacobi-Relaxation Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Übersicht zur Numerik II. 51/60
92 Grundschema von Multigrid Glättungsschritt I: x (j) h = Relax(A h, b h, x (j 1) h, m 1 ) z.b. m 1 Schritte Jacobi-Relaxation Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Korektur: Berechne Defekt: d (j) h Restriktion: d (j) H = RH h d(j) h = b h A h x (j) h Löse Defektgleichung auf grobem Gitter A H x (j) H Prolongation: y (j+1) h Korrektur: x (j+1) h = x (j) h = P h H x(j) H + y(j+1) h = d(j) H Übersicht zur Numerik II. 51/60
93 Grundschema von Multigrid Glättungsschritt I: x (j) h = Relax(A h, b h, x (j 1) h, m 1 ) z.b. m 1 Schritte Jacobi-Relaxation Übersicht Projektionsmethoden Krylov-Raum-Methoden Implementation Beispiel CG Eigenschaften von CG Vorkonditionierung für CG Algorithmus PCG Konvergenz Konvergenzkriterien Endliche Arithmetik Allgemeine Eigenschaften Multigrid Verfahren Grundschema von Multigrid Korektur: Berechne Defekt: d (j) h Restriktion: d (j) H = RH h d(j) h = b h A h x (j) h Löse Defektgleichung auf grobem Gitter A H x (j) H Prolongation: y (j+1) h Korrektur: x (j+1) h = x (j) h = P h H x(j) H + y(j+1) h = d(j) H Glättungsschritt II: x (j+2) h = Relax(A h, b h, x (j+1) h, m 2 ) Übersicht zur Numerik II. 51/60
94 Lösungsprozess und Fehler Darstellung Übersicht zur Numerik II. 52/60
95 Lösungsprozess und Fehler Lösungsprozess und Fehler Darstellung Real world Problem Mathematisches Modell (Differentialgleichung) Auf jedem Niveau gibt es Fehler. Es ist wichtig, diese Fehler einzuschätzen und zu verstehen. Diskretes Problem Linear algebraisches Problem Übersicht zur Numerik II. 53/60
96 Lösungsprozess und Fehler Lösungsprozess und Fehler Darstellung Real world Problem Mathematisches Modell (Differentialgleichung) Auf jedem Niveau gibt es Fehler. Es ist wichtig, diese Fehler einzuschätzen und zu verstehen. Nur dann wissen wir, wie exakt wir auf jedem Niveau lösen müssen. Diskretes Problem Linear algebraisches Problem Übersicht zur Numerik II. 53/60
97 Lösungsprozess und Fehler Lösungsprozess und Fehler Darstellung Real world Problem Mathematisches Modell (Differentialgleichung) Diskretes Problem Linear algebraisches Problem Auf jedem Niveau gibt es Fehler. Es ist wichtig, diese Fehler einzuschätzen und zu verstehen. Nur dann wissen wir, wie exakt wir auf jedem Niveau lösen müssen. Nur dann wissen wir, wie weit die Lösung des LGSs der Realität entspricht Übersicht zur Numerik II. 53/60
98 Wie exakt muss man LGS lösen? Lösungsprozess und Fehler Darstellung exakte Lösung der PDGL u exakte Lösung des Systems A h u h = b h u h Abstand wegen des Diskretisierungsfehlers Übersicht zur Numerik II. 54/60
99 Wie exakt muss man LGS lösen? Lösungsprozess und Fehler Darstellung CG konstruiert Approximationen x i zu u h. Man kann CG stoppen, falls x i u h u u h. u Dann ist u u h u x i. x i u h Übersicht zur Numerik II. 54/60
100 Wie exakt muss man LGS lösen? Lösungsprozess und Fehler Darstellung CG konstruiert Approximationen x i zu u h. Man kann CG stoppen, falls x i u h u u h. u Dann ist u u h u x i. x i u h Testproblem: u = 32(y y 2 + x x 2 ), u = 0 auf Ω. Lineare Dreieckelemente, Diskretisierungsfehler h 2. LGS: CG-Verfahren, Konvergenzkriterium r i A x i + b h3. Übersicht zur Numerik II. 54/60
101 Darstellung x 10 4 absoluter Fehler u u h, u h wurde "exakt" berechnet z Lösungsprozess und Fehler Darstellung absoluter Fehler u u h, u h wurde "unexakt" berechnet mit tol=h y x x z y 0 Übersicht zur Numerik II. x 55/60
102 Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Übersicht zur Numerik II. 56/60
103 Eliptische Eigenwertprobleme: Hyperbolische Anfangsrandwertaufgabe, w = w tt w(x, y, t) : Ω [0, T ] R. Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Übersicht zur Numerik II. 57/60
104 Eliptische Eigenwertprobleme: Hyperbolische Anfangsrandwertaufgabe, w = w tt w(x, y, t) : Ω [0, T ] R. Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Ansatz: w(x, y, t) = u(x, y) g(t) führt auf g u g u = 0 u u = g g := λ. Übersicht zur Numerik II. 57/60
105 Eliptische Eigenwertprobleme: Hyperbolische Anfangsrandwertaufgabe, w = w tt w(x, y, t) : Ω [0, T ] R. Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Ansatz: w(x, y, t) = u(x, y) g(t) führt auf g u g u = 0 u u = g g := λ. Gesucht eine Konstante λ mit u = λ u, (+ Randbedingungen). Eliptisches Eigenwertproblem g = λg dann leicht lösbar (gewöhliche DGL). Übersicht zur Numerik II. 57/60
106 Eliptische Eigenwertprobleme: Lösung Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode FD-Diskretisierung führt auf lineares Eigenwertproblem A h u h = λ u h. FEM-Diskretisierung führ auf verallgemeinertes lineares Eigenwertproblem A h u h = λ M h u h. Übersicht zur Numerik II. 58/60
107 Eliptische Eigenwertprobleme: Lösung Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode FD-Diskretisierung führt auf lineares Eigenwertproblem A h u h = λ u h. FEM-Diskretisierung führ auf verallgemeinertes lineares Eigenwertproblem Verfahren zur Lösung: A h u h = λ M h u h. Lanczos-Varfahren (falls A h, M h symmetrisch) Arnoldi-Verfahren (falls A h, M h unsymmetrisch) Typischerweise: A h (und M h ) groß und dünnbesetzt. Übersicht zur Numerik II. 58/60
108 Parabolische Anfangswertprobleme Wärmeleitung: Suche u(x, y, t) : Ω (0, T ) R u t u = f(x, y, t) in Ω (0, T ), u = 0 für (x, y) Ω, t [0, T ], u = u 0 (x, y) für (x, y) Ω, t = 0. Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Übersicht zur Numerik II. 59/60
109 Parabolische Anfangswertprobleme Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Wärmeleitung: Suche u(x, y, t) : Ω (0, T ) R Ansätze: u t u = f(x, y, t) in Ω (0, T ), Volldiskretisierung: u = 0 für (x, y) Ω, t [0, T ], u = u 0 (x, y) für (x, y) Ω, t = 0. u wird als Funktion von 3 gleichberechtigten Variablen betrachtet Anwendung von FD bzw. FEM. Semidiskretisierung Linienmethoden: Vertikale: Diskretisiere bzgl. der Raumvariablen (FD/FEM), dann löse System gewöhnlicher DGLen. Horizontale: Diskretisiere bzgl. der Zeitvariablen, dann löse Folge Eliptischer Randwertprobleme (FD/FEM). Übersicht zur Numerik II. 59/60
110 Vertikale Linienmethode Variationsproblem: Finde u V f.a. t mit u t L 2 (Ω) und (u t, v) + a(u, v) = (f, v) f.a. v V, sowie u = u 0 für t = 0. Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Übersicht zur Numerik II. 60/60
111 Vertikale Linienmethode Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Variationsproblem: Finde u V f.a. t mit u t L 2 (Ω) und (u t, v) + a(u, v) = (f, v) f.a. v V, sowie u = u 0 für t = 0. Semidiskretes Problem: Finde u h V h f.a. t mit ( u h t, v) + a(u h, v) = (f, v) f.a. v V h, (u h (x, y, 0), v) = (u 0, v) f.a. v V h. Übersicht zur Numerik II. 60/60
112 Vertikale Linienmethode Eigenwertprobleme Lösung von EE Parabolische PDGL Vertikale Linienmethode Variationsproblem: Finde u V f.a. t mit u t L 2 (Ω) und (u t, v) + a(u, v) = (f, v) f.a. v V, sowie u = u 0 für t = 0. Semidiskretes Problem: Finde u h V h f.a. t mit ( u h t, v) + a(u h, v) = (f, v) f.a. v V h, (u h (x, y, 0), v) = (u 0, v) f.a. v V h. Ansatz u h (x, y, t) = N α j (t) w j (x, y) j=1 führt auf Systeme gewöhnlicher DGLen der Form y t = By + f(t), y(0) = g. Übersicht zur Numerik II. 60/60
Der CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrKlausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 14/15 Dr. Hanna Peywand Kiani 06.07.2015 Klausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften Die ins Netz gestellten
MehrEinführung in die höhere Mathematik 2
Herbert Dallmann und Karl-Heinz Elster Einführung in die höhere Mathematik 2 Lehrbuch für Naturwissenschaftler und Ingenieure ab 1. Semester Mit 153 Bildern Friedr. Vieweg & Sohn Braunschweig /Wiesbaden
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
MehrNumerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrDiscontinuous-Galerkin-Verfahren
Discontinuous-Galerkin-Verfahren Dr. Gregor Gassner Institut für Aerodynamik und Gasdynamik der Universität Stuttgart. Stuttgart, 2013 Variationsformulierung 1 Ziel dieser Vorlesung ist es, das DG Verfahren
MehrEinführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009
Einführung Vita Rutka Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Was ist FEM? Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur näherungsweisen Lösung,
MehrNumerik partieller Differentialgleichungen I
Numerik partieller Differentialgleichungen I Bernd Simeon Skriptum zur Vorlesung im Sommersemester 2015 TU Kaiserslautern, Fachbereich Mathematik 1. Beispiele und Typeinteilung 2. Finite Differenzen für
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrKlassifikation von partiellen Differentialgleichungen
Kapitel 2 Klassifikation von partiellen Differentialgleichungen Die meisten partiellen Differentialgleichungen sind von 3 Grundtypen: elliptisch, hyperbolisch, parabolisch. Betrachte die allgemeine Dgl.
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
Mehr8. Übungsblatt Aufgaben mit Lösungen
8 Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Matrix Bestimmen Sie die allgemeine reelle Lösung des Differentialgleichungssystems u x = Aux für die A =, 9 indem Sie das System auf eine einzelne gewöhnliche
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrFEM isoparametrisches Konzept
FEM isoparametrisches Konzept /home/lehre/vl-mhs-/folien/vorlesung/5_fem_isopara/deckblatt.tex Seite von 25. p./25 Inhaltsverzeichnis. Interpolationsfunktion für die finiten Elemente 2. Finite-Element-Typen
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrNUMERISCHE MATHEMATIK I
D-MATH ETH Zürich, 22. August 2011 Prof. Ch. Schwab NUMERISCHE MATHEMATIK I 1. Interpolation und Quadratur (25 P.) a) Sei [a, b] R 1 mit a < b ein beschränktes Intervall, und f C 2 ([a, b]). Zeigen Sie,
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
Mehr10 Die Methode der finiten Elemente für ein parabolisches Problem
1 Die Methode der finiten Elemente für ein parabolisches Problem In diesem Kapitel untersuchen wir die Approximation von Lösungen der Modell-Wärmeleitungsgleichung in zwei räumlichen Dimensionen mithilfe
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
MehrKapitel 3 Finite Element Methode
Kapitel 3 Finite Element Methode. Grundlagen der Methode der Finiten Elemente (FEM) Dir erste Methode bei der Grundzüge der FEM zu finden sind, wurde vor mehr als 5 Jahre von Schellbach beschrieben um
Mehr2.3.1 Explizite Runge-Kutta-Verfahren
Somit ist y(t + h) = y + hf(t, y ) + h (f t (t, y ) + f y (t, y )f(t, y )) + O(h 3 ) Setzen wir Φ(t, y, h) := f(t, y) + h (f t(t, y) + f y (t, y)f(t, y)), so erhalten wir ein Verfahren mit der Konsistenzordnung
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
Mehr16 Vektorfelder und 1-Formen
45 16 Vektorfelder und 1-Formen 16.1 Vektorfelder Ein Vektorfeld v auf D R n ist eine Abbildung v : D R n, x v(x). Beispiele. Elektrisches und Magnetisches Feld E(x), B(x), Geschwindigkeitsfeld einer Strömung
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
MehrDie Finite-Elemente-Methode für Anfänger
Herbert Goering, Hans-Görg Roos und Lutz Tobiska Die Finite-Elemente-Methode für Anfänger Vierte, überarbeitete und erweiterte Auflage WILEY-VCH Verlag GmbH & Co. KGaA Herbert Goering, Hans-Görg Roos
Mehr31 Die Potentialgleichung
3 Die Potentialgleichung Die Potentialgleichung oder auch Poisson-Gleichung ist die lineare Gleichung zweiter Ordnung u = f in einem Gebiet R n. Im homogenen Fall f = 0 spricht man auch von der Laplace-
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrÜbungen zu Partielle Differentialgleichungen, WS 2016
Übungen zu Partielle Differentialgleichungen, WS 2016 Ulisse Stefanelli 16. Januar 2017 1 Beispiele 1. Betrachten Sie die Beispiele von nichtlinearen PDG und Systemen, die wir im Kurs diskutiert haben,
MehrIterative Verfahren zur Lösung von Linearen Gleichungssystemen
Kapitel 4 Iterative Verfahren zur Lösung von Linearen Gleichungssystemen Situation: A C n n schwach besetzt, n groß, b C n. Ziel: Bestimme x C n mit Ax = b. 4.1 Spliting-Methoden Die Grundidee ist hier
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrDas Skalarprodukt zweier Vektoren
Beim Skalarprodukt zweier Vektoren werden die Vektoren so multipliziert, dass sich ein Skalar eine Zahl ergibt. Die Berechnung des Skalarproduktes ist ziemlich einfach, aber die weiteren Eigenschaften
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrDas CG-Verfahren. Sven Wetterauer
Das CG-Verfahren Sven Wetterauer 06.07.2010 1 Inhaltsverzeichnis 1 Einführung 3 2 Die quadratische Form 3 3 Methode des steilsten Abstiegs 4 4 Methode der Konjugierten Richtungen 6 4.1 Gram-Schmidt-Konjugation.........................
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrMATHEMATIK. Numerische Mathematik. Hans-Görg Roos/Hubert Schwetlick. Das Grundwissen für jedermann. B. G. Teubner Stuttgart Leipzig
MATHEMATIK FÜR INGENIEURE UND NATURWISSENSCHAFTLER Hans-Görg Roos/Hubert Schwetlick Numerische Mathematik Das Grundwissen für jedermann B. G. Teubner Stuttgart Leipzig Begründer dieses Lehrwerkes: Prof.
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrÜbungen zu Meteorologische Modellierung Teil 'Grundlagen der Numerik'
Übungen zu Meteorologische Modellierung Teil 'Grundlagen der Numerik' 1. Diskretisierung in der Zeit: Die Evolutionsgleichung Kurzzusammenfassung Zur Erprobung der Verfahren zur zeitlichen Diskretisierung
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrEinführung in die linearen Funktionen. Autor: Benedikt Menne
Einführung in die linearen Funktionen Autor: Benedikt Menne Inhaltsverzeichnis Vorwort... 3 Allgemeine Definition... 3 3 Bestimmung der Steigung einer linearen Funktion... 4 3. Bestimmung der Steigung
Mehr14 Lineare Differenzengleichungen
308 14 Lineare Differenzengleichungen 14.1 Definitionen In Abschnitt 6.3 haben wir bereits eine Differenzengleichung kennengelernt, nämlich die Gleichung K n+1 = K n q m + R, die die Kapitalveränderung
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
Mehr20 Kapitel 2: Eigenwertprobleme
20 Kapitel 2: Eigenwertprobleme 2.3 POTENZMETHODE Die Potenzmethode oder Vektoriteration ist eine sehr einfache, aber dennoch effektive Methode zur Bestimmung des betragsmäßig größten Eigenwertes. Um die
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrMNF-math-phys Semester, Dauer: 1 Semester Prof. Dr. Walter Bergweiler Telefon 0431/ ,
Modulnummer Semesterlage / Dauer Verantwortliche(r) Studiengang / -gänge Lehrveranstaltungen Arbeitsaufwand Leistungspunkte Voraussetzungen Lernziele Lehrinhalte Prüfungsleistungen Mathematik für Physiker
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrMitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester
Mitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester Christian Nawroth, Erstellt mit L A TEX 23. Mai 2002 Inhaltsverzeichnis 1 Vollständige Induktion 2 1.1 Das Prinzip der Vollstandigen Induktion................
Mehr6.8 Newton Verfahren und Varianten
6. Numerische Optimierung 6.8 Newton Verfahren und Varianten In den vorherigen Kapiteln haben wir grundlegende Gradienten-basierte Verfahren kennen gelernt, die man zur numerischen Optimierung von (unbeschränkten)
MehrName: Gruppe: Matrikel-Nummer:
Theoretische Physik 1 (Theoretische Mechanik) SS08, Studienziel Bachelor (170 1/13/14) Dozent: J. von Delft Übungen: B. Kubala Klausur zur Vorlesung T1: Theoretische Mechanik, SoSe 008 (3. Juli 007) Bearbeitungszeit:
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
Mehrl p h (x) δw(x) dx für alle δw(x).
1.3 Potentielle Energie 5 In der modernen Statik benutzen wir statt dessen einen schwächeren Gleichheitsbegriff. Wir verlangen nur, dass die beiden Streckenlasten bei jeder virtuellen Verrückung dieselbe
Mehr