On Dissipation and Dispersion Errors Optimization, A-Stability and SSP Properties
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In a recent paper (Du and Ekaterinaris, 2016) optimization of dissipation and dispersion errors was investigated. A Diagonally Implicit Runge-Kutta (DIRK) scheme was developed by using the relative stability concept, i.e. the ratio of absolute numerical stability function to analytical one. They indicated that their new scheme has many similarities to one of the optimized Strong Stability Preserving (SSP) schemes. They concluded that, for steady state simulations, time integration schemes should have high dissipation and low dispersion. In this note, dissipation and dispersion errors for DIRK schemes are studied further. It is shown that relative stability is not an appropriate criterion for numerical stability analyses. Moreover, within absolute stability analysis, it is shown that there are two important concerns, accuracy and stability limits. It is proved that both A-stability and SSP properties aim at minimizing the dissipation and dispersion errors. While A-stability property attempts to increase the stability limit for large time step sizes and by bounding the error propagations via minimizing the numerical dispersion relation, SSP optimized method aims at increasing the accuracy limits by minimizing the difference between analytical and numerical dispersion relations. Hence, it can be concluded that A-stability property is necessary for calculations under large time-step sizes and, more specifically, for calculation of high diffusion terms. Furthermore, it is shown that the oscillatory behavior, reported by
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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