MétaCan
Menu
Retour à la cohorte
Enregistrement W2113758534 · doi:10.1080/00207160.2010.548519

Efficient and accurate finite difference schemes for solving one-dimensional Burgers’ equation

2011· article· en· W2113758534 sur OpenAlexaff
Wenyuan Liao, Jianping Zhu

Notice bibliographique

RevueInternational Journal of Computer Mathematics · 2011
Typearticle
Langueen
DomaineMathematics
ThématiqueNumerical methods for differential equations
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMathematicsBurgers' equationRichardson extrapolationCompact finite differenceHeat equationFinite difference methodFinite differenceMathematical analysisExtrapolationPartial differential equationCrank–Nicolson methodBoundary value problemNonlinear systemDirichlet boundary conditionApplied mathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, two efficient fourth-order compact finite difference algorithms have been developed to solve the one-dimensional Burgers’ equation: u t +u u x =ε u xx . The methods are based on the Hopf–Cole transformation, Richardson's extrapolation, and multilevel grids. In both methods, we first transform the original nonlinear Burgers’ equation into a linear heat equation: w t =ε w xx using the Hopf–Cole transformation, which is given as u=−2ε (w x /w). In the first method, the resulted heat equation is solved by the second-order accurate Crank–Nicholson algorithm while w x is approximated by central finite difference, which is also second-order accurate. Richardson's extrapolation technique is then applied in both time and space to obtain fourth-order accuracy. In the second method, to reduce the cancellation error in approximating w x , we derive the heat equation satisfied by w x , which is then solved by the Crank–Nicholson algorithm. The original Dirichlet boundary condition is transformed into the Robin boundary condition, which is also approximated using second-order central finite difference. Finally, Richardson's extrapolation and multilevel grid techniques are applied in both time and space to obtain fourth-order accuracy. To study the efficiency, accuracy and robustness, we solved two numerical examples and the results are compared with those of two other higher-order methods proposed in W. Liao [An implicit fourth-order compact finite difference scheme for one-dimensional Burgers’ equation, Appl. Math. Comput. 206(2) (2008), pp. 755–764] and I.A. Hassanien, A.A. Salama, and H.A. Hosham [Fourth-order finite difference method for solving Burgers’ equation, Appl. Math. Comput. 170 (2005), pp. 781–800].

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,188
Tête enseignante GPT0,362
Écart entre enseignants0,174 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Computer MathematicsMême sujetNumerical methods for differential equationsTravaux en français237 207