MétaCan
Menu
Retour à la cohorte
Enregistrement W2738566553 · doi:10.48550/arxiv.1707.04787

Anisotropic space-time adaptation for reaction-diffusion problems

2017· preprint· en· W2738566553 sur OpenAlexfundno aff
Edward Boey, Yves Bourgault, Thierry Giordano

Notice bibliographique

RevuearXiv (Cornell University) · 2017
Typepreprint
Langueen
DomaineEngineering
ThématiqueAdvanced Numerical Methods in Computational Mathematics
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversité Laval
Mots-clésAdaptation (eye)AnisotropyAnisotropic diffusionReaction–diffusion systemDiffusionSpace (punctuation)SpacetimeStatistical physicsComputer sciencePhysicsMathematical analysisMathematicsOpticsThermodynamicsQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

A residual error estimator is proposed for the energy norm of the error for a scalar reaction-diffusion problem and for the monodomain model used in cardiac electrophysiology. The problem is discretized using $P_1$ finite elements in space, and the backward difference formula of second order (BDF2) in time. The estimator for space makes use of anisotropic interpolation estimates, assuming only minimal regularity. Reliability of the estimator is proven under certain mild assumptions on the convergence of the approximate solution. The monodomain model couples a nonlinear parabolic partial differential equation (PDE) with an ordinary differential equation (ODE) and this setting presents challenges theoretically as well as numerically. A space-time adaptation algorithm is proposed to control the global error, using a non-Euclidean metric for mesh adaptation and a simple method to adjust the time step. Numerical examples are used to verify the reliability and efficiency of the estimator, and to test the adaptive algorithm. The potential gains in efficiency of the proposed algorithm compared to methods using uniform meshes is discussed.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,719
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,110
Tête enseignante GPT0,232
Écart entre enseignants0,122 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetAdvanced Numerical Methods in Computational MathematicsTravaux en français237 207