Médecine

Paramédical

Autres domaines


S'abonner

Sparse approximate solutions to stochastic Galerkin equations - 03/07/19

Approximations creuses pour la méthode de Galerkin stochastique

Doi : 10.1016/j.crma.2019.05.009 
Christophe Audouze , Prasanth B. Nair
 University of Toronto, Institute for Aerospace Studies, 4925 Dufferin Street, Ontario, M3H 5T6, Canada 

Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le mercredi 03 juillet 2019
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Abstract

In this Note, we formulate a sparse Krylov-based algorithm for solving large-scale linear systems of algebraic equations arising from the discretization of randomly parametrized (or stochastic) elliptic partial differential equations (SPDEs). We analyze the proposed sparse conjugate gradient (CG) algorithm within the framework of inexact Krylov subspace methods, prove its convergence and study its abstract computational cost. Numerical studies conducted on stochastic diffusion models show that the proposed sparse CG algorithm outperforms the classical CG method when the sought solutions admit a sparse representation in a polynomial chaos basis. In such cases, the sparse CG algorithm recovers almost exactly the sparsity pattern of the exact solutions, which enables accelerated convergence. In the case when the SPDE solution does not admit a sparse representation, the convergence of the proposed algorithm is very similar to the classical CG method.

Le texte complet de cet article est disponible en PDF.

Résumé

Dans cette Note, nous formulons une méthode de Krylov creuse pour la résolution de grands systèmes linéaires issus de la discrétisation d'équations aux dérivées partielles elliptiques paramétrées aléatoirement. Nous analysons l'algorithme du gradient conjugué (GC) creux dans le cadre des méthodes de sous-espaces de Krylov inexactes, montrons sa convergence et étudions sa complexité algorithmique. Les études numériques réalisées sur des modèles de diffusion stochastiques montrent que la méthode du GC creux converge plus rapidement que le GC classique lorsque la solution recherchée admet une représentation creuse dans une base de chaos polynomial. Dans ce cas, l'algorithme du GC creux retrouve presque intégralement la structure creuse de la solution exacte, permettant d'accélérer la convergence. Lorsque la solution exacte est dense, l'algorithme du GC creux fournit des résultats de convergence similaires à ceux obtenus avec le GC classique.

Le texte complet de cet article est disponible en PDF.

Plan


© 2019  Académie des sciences. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement ou un achat à l’unité.

Déjà abonné à cette revue ?

;

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.