Phương pháp không lưới RBF-FD trong Giải toán Dirichlet - Ngô Mạnh Tưởng (2023)

Bài toán Dirichlet tìm hàm số thỏa mãn phương trình vi phân riêng phần trong miền Ω. Hàm số đó nhận giá trị cho trước trên biên ∂Ω. Bài toán này xuất hiện trong nhiều lĩnh vực vật lý. Nhiệt độ trên bề mặt vật thể là ví dụ điển hình. Điện thế trên biên vật dẫn cũng là một dạng Dirichlet problem.

Phương trình elliptic là lớp phương trình phổ biến nhất cho bài toán Dirichlet. Phương trình Laplace và Poisson thuộc lớp này. Nghiệm của bài toán có tính chất điều chỉnh (harmonic). Tính chất này đảm bảo nghiệm tồn tại và duy nhất dưới điều kiện biên đủ mịn.

Tính toán số bài toán Dirichlet đòi hỏi phương pháp hiệu quả. Độ chính xác và tốc độ hội tụ là hai yếu tố then chốt. Phương pháp lưới truyền thống gặp khó khăn với miền hình học phức tạp. Bài toán thực tế thường có biên không đều hoặc có điểm kỳ dị.

Phương pháp sai phân hữu hạn (FDM) sử dụng lưới đều để xấp xỉ đạo hàm. FDM đơn giản nhưng hạn chế với miền không đều. Phương pháp phần tử hữu hạn (FEM) linh hoạt hơn nhờ lưới tam giác hoặc tứ diện. Tuy nhiên, FEM yêu cầu quy trình tạo lưới phức tạp.

Tạo lưới chất lượng cao mất thời gian tính toán lớn. Với không gian ba chiều, chi phí này tăng lên đáng kể. Lưới kém chất lượng dẫn đến nghiệm không chính xác. Biên phức tạp làm tăng độ khó của bài toán tạo lưới.

Phương pháp không lưới giải quyết tận gốc vấn đề này. Không cần tạo lưới, chỉ cần phân bố điểm (tâm) trong miền và trên biên. Phương pháp RBF-FD thuộc nhóm phương pháp không lưới hiệu quả.

RBF-FD kế thừa ưu điểm của hàm cơ sở xuyên tâm. Hàm RBF hoạt động tốt trong không gian nhiều chiều. Không bị giới hạn bởi cấu trúc lưới. Độ chính xác có thể tăng lên bằng cách tăng số điểm cục bộ.

RBF-FD dễ dàng áp dụng cho miền hình học phức tạp. Chỉ cần thay đổi tập điểm phân tán. Không cần thay đổi thuật toán gốc. Điều này rất hữu ích cho các bài toán thực tế.

Phương pháp có tính cục bộ cao. Mỗi điểm chỉ liên quan đến một tập láng giềng nhỏ. Ma trận hệ số thường là ma trận nhỏ. Điều này giúp giảm chi phí tính toán so với phương pháp toàn cục RBF.

Hàm Multiquadric (MQ) có dạng φ(r) = √(r² + c²). Hàm này tăng vô hạn khi r tiến đến vô cùng. MQ cho tốc độ hội tụ tốt với bài toán nội suy.

Hàm Inverse Multiquadric (IMQ) có dạng φ(r) = 1/√(r² + c²). Hàm này giảm về 0 khi r tiến đến vô cùng. IMQ tạo ra ma trận có số điều kiện nhỏ hơn MQ.

Hàm Gaussian có dạng φ(r) = exp(-c²r²). Hàm này giảm nhanh về 0 khi r tăng. Gaussian có tính cục bộ cao nhất trong các hàm RBF.

Mỗi loại hàm phù hợp với từng loại bài toán khác nhau. Shape parameter c ảnh hưởng lớn đến kết quả tính toán. Việc chọn hàm RBF phù hợp là bước quan trọng.

Bài toán nội suy RBF tìm hàm s(x) sao cho s(xⱼ) = fⱼ. Hàm s(x) có dạng s(x) = Σ αⱼφ(‖x - xⱼ‖). Điều kiện này tạo ra hệ phương trình tuyến tính Φα = f.

Ma trận Φ là ma trận RBF. Ma trận này có phần tử Φᵢⱼ = φ(‖xᵢ - xⱼ‖). Tồn tại nghiệm duy nhất khi ma trận Φ khả nghịch.

Hàm xác định dương đảm bảo ma trận Φ xác định dương. Định lý Micchelli cho điều kiện để hàm là xác định dương. Gaussian và Multiquadric là các hàm xác định dương.

Ma trận xác định dương có định thức dương. Mọi ma trận con chính cũng có định thức dương. Tính chất này đảm bảo tính ổn định số tốt.

Số điều kiện của ma trận RBF có thể rất lớn. Hiện tượng ma trận gần suy biến xảy ra khi số điểm tăng. Điều này gây mất ổn định trong tính toán số.

Shape parameter c ảnh hưởng trực tiếp đến số điều kiện. Giá trị c nhỏ tạo ra hàm RBF cục bộ. Ma trận trở nên gần suy biến. Giá trị c lớn tạo ra hàm RBF toàn cục.

Cần cân nhắc giữa độ chính xác và ổn định. Có nhiều phương pháp chọn shape parameter tối ưu. Phương pháp cross-validation là một kỹ thuật phổ biến. Phương pháp Leave-One-Out cũng được sử dụng rộng rãi.

Tại mỗi điểm xᵢ, chọn k điểm láng giềng gần nhất. Tập láng ghiên tạo thành stencil cục bộ. Nội suy RBF trên stencil này cho véc tơ trọng số.

Véc tơ trọng số thỏa mãn: đạo hàm tại xᵢ bằng tổ hợp tuyến tính giá trị hàm tại các điểm láng giềng. Điều kiện nội suy RBF tạo hệ phương trình. Giải hệ này để tìm véc tơ trọng số.

Có hai dạng véc tơ trọng số cơ bản. Dạng thứ nhất chỉ dùng hàm RBF. Dạng thứ hai thêm thành phần hằng số. Dạng thứ ba thêm thành phần đa thức.

Thêm thành phần đa thức cải thiện độ chính xác. Đa thức tái tạo giúp đạt được bậc hội tụ cao hơn. Điều này đặc biệt quan trọng cho bài toán có nghiệm phức tạp.

Toàn tử Laplace Δu được xấp xỉ bằng véc tơ trọng số RBF-FD. Giá trị Δu tại xᵢ xấp xỉ bằng tổng có trọng số của u tại các điểm láng giềng.

Phương trình elliptic tổng quát có dạng -Δu + cu = f. Áp dụng xấp xỉ RBF-FD cho từng toán tử. Toán tử Laplace dùng véc tơ trọng số đạo hàm cấp hai. Nhân tử c chỉ cần giá trị tại điểm đó.

Điều kiện biên Dirichlet được áp dụng trực tiếp. Giá trị u tại các điểm biên được gán bằng giá trị biên cho trước. Phương trình chỉ cần giải cho các điểm nội.

Hệ phương trình tuyến tính thu được có dạng Au = b. Ma trận A thường thưa do tính cục bộ của RBF-FD. Phương pháp giải trực tiếp hoặc lặp đều phù hợp.

Véc tơ trọng số RBF-FD cơ bản có thể không đủ chính xác. Thêm thành phần đa thức cải thiện tốc độ hội tụ. Đa thức bổ sung đảm bảo tính nhất quán của toán tử vi phân.

Véc tơ trọng số với đa thức có dạng mở rộng. Hệ phương trình nội suy có thêm ràng buộc đa thức. Điều kiện Lagrange đảm bảo đa thức được tái tạo chính xác.

Phương pháp này gọi là RBF-FD với đa thức. Bậc đa thức p ảnh hưởng đến độ chính xác. Kết hợp RBF với đa thức bậc p đạt hội tụ O(hᵖ⁺¹).

Thành phần đa thức không làm tăng đáng kể chi phí tính toán. Số ràng buộc đa thức nhỏ so với số điểm trong stencil. Hiệu quả tính toán vẫn được đảm bảo.

Thuật toán k-near đơn giản và hiệu quả. Chọn k điểm gần nhất cho mỗi tâm. Số k thường từ 20 đến 50 tùy bài toán.

Thuật toán dựa trên tam giác Delaunay tạo cấu trúc láng giềng tự nhiên. Mỗi đỉnh có tập láng giềng từ các tam giác chung cạnh. Phân bố đều với miền hình học đơn giản.

Thuật toán bán kính tìm tất cả điểm trong vùng lân cận. Bán kính tìm kiếm có thể thay đổi theo vị trí. Linh hoạt với phân bố tâm không đều.

Cần đảm bảo stencil đủ lớn cho tính toán đạo hàm. Stencil quá nhỏ dẫn đến mất ổn định. Stencil quá lớn làm tăng chi phí tính toán.

Thuật toán k-near mở rộng tự nhiên sang 3D. Chọn k điểm gần nhất trong không gian ba chiều. Tuy nhiên, phân bố 3D phức tạp hơn 2D nhiều.

Thuật toán tứ diện tet dựa trên Delaunay 3D. Mỗi đỉnh có láng giềng từ các tứ diện chung mặt. Cấu trúc này cho láng giềng đều và ổn định.

Thuật toán octant chia miền thành 8 phần. Mỗi octant chứa tập điểm con. Láng giềng được tìm trong octant lân cận.

Thuật toán oct-dist kết hợp octant với khoảng cách. Đầu tiên xác định octant chứa điểm. Sau đó tìm k điểm gần nhất trong các octant lân cận. Kết quả tốt với phân bố điểm phức tạp.

Thuật toán pQR sử dụng phân tích QR với pivot. Chọn tâm dựa trên đóng góp thông tin độc lập. Loại bỏ tâm dư thừa không cần thiết.

pQR đảm bảo tập tâm có chất lượng tốt. Ma trận nội suy có số điều kiện kiểm soát được. Độ chính xác của véc tơ trọng số được đảm bảo.

Thuật toán hoạt động tốt với miền hình học phức tạp. Không yêu cầu cấu trúc điểm đều. Tự động thích ứng với hình dạng miền.

Kết hợp pQR với thuật toán chọn láng giềng ban đầu. Dùng pQR để lọc và cải thiện tập stencil. Cho kết quả ổn định hơn so với chọn tâm thuần túy.

DO2 hoạt động theo nguyên tắc đơn giản. Duyệt qua tất cả cặp tâm liền kề. Nếu khoảng cách lớn hơn ngưỡng τ, thêm trung điểm.

Điểm trung điểm nằm chính giữa hai tâm ban đầu. Tâm mới được thêm vào tập tâm tổng thể. Quá trình lặp lại cho đến khi hội tụ.

DO2 dễ triển khai và hiệu quả. Phù hợp với phân bố điểm ban đầu thưa. Tuy nhiên, tốc hội tụ có thể chậm.

Sau mỗi bước lặp, độ lệch lớn nhất giảm. Quá trình dừng khi độ lệch nhỏ hơn ngưỡng. Số bước lặp phụ thuộc vào phân bố ban đầu.

ODP2 mở rộng DO2 bằng cách thêm nhiều tâm hơn. Với mỗi cạnh dài, thêm 5 tâm thay vì 1. Năm tâm được phân bố dọc theo cạnh.

Phân bố 5 tâm tạo khoảng cách đều hơn. Chất lượng stencil cải thiện rõ rệt. Số bước lặp cần ít hơn DO2.

ODP2 đặc biệt hiệu quả với miền 2D. Phân bố tâm ban đầu có thể rất thưa. Thuật toán tự động làm dày thêm.

Kết quả thử nghiệm cho thấy ODP2 tốt hơn DO2. Sai số giảm đáng kể với cùng số tâm. Thời gian tính toán tăng không nhiều.

OT2 cải tiến vị trí của tâm mới được thêm vào. Không đặt tâm tại vị trí cố định như DO2 hay ODP2. Vị trí được tối ưu hóa dựa trên láng giềng cục bộ.

Vị trí tối ưu đảm bảo độ lệch nhỏ nhất. Sử dụng thông tin hình học của tập láng giềng. Kết quả là phân bố tâm chất lượng cao.

OT2 cần thêm bước tính toán so với DO2 và ODP2. Nhưng chất lượng cải thiện bù lại chi phí này. Sai số giảm đáng kể trong thử nghiệm số.

Ba thuật toán DO2, ODP2, OT2 tạo thành bộ công cụ hoàn chỉnh. Lựa chọn phụ thuộc vào yêu cầu độ chính xác và thời gian tính toán. OT2 phù hợp nhất cho bài toán cần độ chính xác cao.

Bài toán với miền hình tròn đơn giản được thử nghiệm đầu tiên. Kết quả so sánh với nghiệm chính xác. Sai số RMS đạt mức 10⁻⁶ đến 10⁻⁸.

Miền hình chữ L kiểm tra khả năng xử lý góc nhọn. Góc nhọn thường tạo điểm kỳ dị cho nghiệm. RBF-FD thích nghi xử lý tốt bằng cách tăng mật độ tâm.

Miền hình ngôi sao có biên phức tạp hơn. Phân bố tâm trên biên cần đặc biệt chú ý. Thuật toán làm mịn OT2 cho kết quả tốt nhất.

Bài toán có nghiệm có dao động mạnh như u = sin(10πx)sin(10πy). Phương pháp cần đủ điểm để bắt dao động. RBF-FD với stencil đủ lớn xử lý tốt.

Miền hình cầu 3D là thử nghiệm cơ bản nhất. Phân bố tâm trong hình cầu bằng thuật toán oct-dist. Kết quả chính xác với số điểm hợp lý.

Miền hình trụ có biên hỗn hợp mặt phẳng và mặt cong. Thuật toán chọn tâm 3D xử lý tốt. Số điều kiện ma trận được kiểm soát.

Bài toán thực tế với miền hình học phức tạp 3D. Ví dụ: bài toán nhiệt trong vật thể có hình dạng đặc biệt. RBF-FD cho kết quả tốt hơn FEM truyền thống.

Chi phí tính toán 3D tăng đáng kể so với 2D. Nhưng vẫn hợp lý nhờ tính cục bộ của RBF-FD. Ma trận hệ số thưa giúp giải hệ nhanh.

So sánh sai số với cùng số điểm tự do. RBF-FD cho sai số tương đương hoặc tốt hơn FEM. Đặc biệt với nghiệm có tính giải tích phức tạp.

Thời gian tiền xử lý RBF-FD ngắn hơn nhiều. FEM cần tạo lưới chất lượng cao. RBF-FD chỉ cần phân bố điểm, có thể tự động.

Với miền hình học phức tạp, RBF-FD vượt trội hơn. Không cần lo về chất lượng lưới. Thuật toán chọn tâm thích nghi xử lý tự động.

RBF-FD dễ dàng tăng bậc chính xác. Chỉ cần thêm điểm vào stencil. FEM phải thay đổi phần tử và bậc đa thức nội suy.