MétaCan
Menu
Retour à la cohorte
Enregistrement W4404261009 · doi:10.48550/arxiv.2410.16596

Galerkin Scheme Using Biorthogonal Wavelets on Intervals for Elliptic Interface Problems

2024· preprint· en· W4404261009 sur OpenAlexfundno aff
Bin Han, Michelle Michelle

Notice bibliographique

RevuearXiv (Cornell University) · 2024
Typepreprint
Langueen
DomaineComputer Science
ThématiqueAdvanced Mathematical Modeling in Engineering
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlliance de recherche numérique du Canada
Mots-clésBiorthogonal systemWaveletScheme (mathematics)Galerkin methodInterface (matter)MathematicsApplied mathematicsMathematical analysisComputer scienceWavelet transformFinite element methodEngineeringStructural engineeringParallel computingArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper presents a wavelet Galerkin method for solving elliptic interface problems of the form $-\nabla\cdot(a\nabla u)=f$ in $Ω\backslash Γ$, where $Γ$ is a smooth interface within $Ω$. Since the scalar variable coefficient $a>0$ and source term $f$ are often discontinuous across $Γ$, the solution $u$ typically has discontinuous gradient $\nabla u$ across $Γ$ and hence $u\not\in H^{1.5}(Ω)$, posing significant challenges for traditional numerical methods. By utilizing a compactly supported biorthogonal wavelet for $H^1_0(Ω)$, we develop a strategy that incorporates additional wavelet elements (or basis functions) along the interface to resolve the complex geometry of the interface $Γ$ and the resulting gradient discontinuities. For the two-dimensional (2D) elliptic interface problem, the proposed method achieves near-optimal convergence rates: $\mathcal{O}(h |\log(h)|)$ in the $H^1(Ω)$-norm and $\mathcal(h^2 |\log(h)|^2)$ in the $L^{2}$-norm with respect to the approximation order. A key theoretical contribution is the use of the dual biorthogonal wavelet basis to establish the $H^1(Ω)$ convergence results. This is supported by the development of weighted Bessel properties for wavelets and several inequalities in fractional Sobolev spaces. To maintain high accuracy and robustness against high-contrast coefficients, our method leverages an augmented set of wavelet elements, similar to meshfree approaches, thereby eliminating the need for the complex re-meshing required by finite element methods. Unlike existing techniques, this wavelet Riesz basis framework captures the geometry of $Γ$ seamlessly while ensuring that the condition numbers of the coefficient matrices remain small and uniformly bounded, independent of the problem size.

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)0,001
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
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 Opus0,138
Tête enseignante GPT0,239
Écart entre enseignants0,101 · 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
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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetAdvanced Mathematical Modeling in EngineeringTravaux en français237 207