第2回:1次元Poisson方程式を有限要素法で解く — 弱形式からassemblyまで

ChatGPTで作る有限要素プログラム入門 第2回

はじめに――Pythonを書く前に,離散問題を最後まで作る

第1回では,ChatGPTに有限要素コードを書かせたとき, 「コードが実行できる」ことと「有限要素法として正しい」ことは同じではないと確認しました. 今回は1次元Poisson方程式について,強形式から弱形式,有限要素空間,要素行列,荷重ベクトル,assembly,境界条件までを一つの流れで作ります.

今回の目標
Pythonの各行を「それらしい実装」として読むのではなく, どの数式を実装しているか説明できる状態にする.

特にassemblyでは,局所的な \(2\times2\) 行列が,どのように大域的な疎行列へ加算されるかを明示します. ここを理解すると,2次元三角形要素,CR要素,RT要素へ進んでも基本構造は変わりません.

1.モデル問題

区間 \(\Omega=(0,1)\) で \[ -u''(x)=f(x),\qquad 0<x<1, \tag{1} \] \[ u(0)=u(1)=0 \tag{2} \] を考えます.検証用の厳密解として \[ u(x)=\sin(\pi x) \tag{3} \] を選ぶと, \[ f(x)=\pi^2\sin(\pi x) \tag{4} \] です.

ここで重要なのは,厳密解を知っていることです. 後で有限要素解の相対誤差と収束次数を測れるので,実装の監査が可能になります.

2.強形式から弱形式へ

試験関数 \(v\in H_0^1(0,1)\) を掛けると \[ -\int_0^1 u''v\,dx=\int_0^1 fv\,dx. \] 左辺を部分積分すると \[ \int_0^1 u'v'\,dx-\left[u'v\right]_0^1 = \int_0^1 fv\,dx. \] \(v(0)=v(1)=0\) なので境界項は消え, \[ \int_0^1 u'(x)v'(x)\,dx = \int_0^1 f(x)v(x)\,dx. \tag{5} \]

従って \[ V:=H_0^1(0,1), \] \[ a(u,v):=\int_0^1u'v'\,dx, \qquad \ell(v):=\int_0^1fv\,dx \tag{6} \] とおけば, \[ \text{Find }u\in V \text{ such that } a(u,v)=\ell(v) \quad\forall v\in V \tag{7} \] が弱形式です.

監査ポイント
Poisson方程式だからといって,最初から行列を書いてはいけません. stiffness matrixの正体は,式 (6) の双線形形式 \(a(\cdot,\cdot)\) です.

3.一様メッシュとP1有限要素空間

節点を \[ x_i=ih,\qquad i=0,\ldots,N,\qquad h=\frac1N \tag{8} \] とし,要素を \[ T_e=[x_e,x_{e+1}],\qquad e=0,\ldots,N-1 \tag{9} \] とします.P1有限要素空間は \[ V_h = \{v_h\in C([0,1]):v_h|_{T_e}\in\mathbb P_1(T_e),\ v_h(0)=v_h(1)=0\} \subset V. \tag{10} \]

内部節点 \(x_i\),\(i=1,\ldots,N-1\) に対応するhat functionを \(\varphi_i\) とします. 有限要素解を \[ u_h(x)=\sum_{j=1}^{N-1}U_j\varphi_j(x) \tag{11} \] と書けば,未知量は関数 \(u_h\) そのものではなく係数ベクトル \[ U=(U_1,\ldots,U_{N-1})^{\top} \tag{12} \] になります.

4.Galerkin方程式から連立一次方程式へ

離散問題は \[ a(u_h,v_h)=\ell(v_h) \qquad\forall v_h\in V_h. \tag{13} \] 試験関数として \(v_h=\varphi_i\) を選び,式 (11) を代入すると \[ \sum_{j=1}^{N-1} U_j\,a(\varphi_j,\varphi_i) = \ell(\varphi_i), \qquad i=1,\ldots,N-1. \] 従って \[ AU=b \tag{14} \] であり, \[ A_{ij} = \int_0^1\varphi_j'(x)\varphi_i'(x)\,dx, \qquad b_i = \int_0^1f(x)\varphi_i(x)\,dx. \tag{15} \]

つまり,有限要素法の行列と右辺は「後から発明する」のではなく,弱形式へ基底関数を代入すれば自動的に決まります.

5.要素上の局所基底と局所剛性行列

一つの要素 \[ T_e=[x_e,x_{e+1}] \] を取り,局所基底を \[ \phi_0^{(e)}(x)=\frac{x_{e+1}-x}{h}, \qquad \phi_1^{(e)}(x)=\frac{x-x_e}{h} \tag{16} \] とします.すると \[ (\phi_0^{(e)})'=-\frac1h, \qquad (\phi_1^{(e)})'=\frac1h. \tag{17} \] 従って局所剛性行列は \[ K^{(e)}_{ab} = \int_{T_e} (\phi_b^{(e)})' (\phi_a^{(e)})'\,dx, \qquad a,b=0,1, \] すなわち \[ K^{(e)} = \frac1h \begin{pmatrix} 1&-1\\ -1&1 \end{pmatrix}. \tag{18} \]

この \(1/h\) は非常に重要です.微分で \(1/h\) が二つ現れ,積分で \(h\) が一つ戻るので,最終的に \(1/h\) が残ります.

6.局所荷重ベクトル

局所荷重ベクトルは \[ F_a^{(e)} = \int_{T_e} f(x)\phi_a^{(e)}(x)\,dx, \qquad a=0,1. \tag{19} \] です.剛性行列と違って,\(f(x)=\pi^2\sin(\pi x)\) は多項式ではないので,一般には数値積分を使います.

参照区間 \([-1,1]\) から \[ x(\xi) = \frac{x_e+x_{e+1}}2+\frac h2\xi \tag{20} \] と写すと \[ dx=\frac h2\,d\xi \] なので, \[ F_a^{(e)} = \frac h2 \int_{-1}^{1} f(x(\xi))\,\widehat\phi_a(\xi)\,d\xi. \tag{21} \]

監査ポイント
数値積分では \(h/2\) を落とさないこと. 2次元ではこの役割を \(|\det J|\) が担います.

7.assemblyとは何か

要素 \(T_e=[x_e,x_{e+1}]\) の局所自由度 \(a=0,1\) は,大域節点 \[ \operatorname{dof}_e(0)=e, \qquad \operatorname{dof}_e(1)=e+1 \tag{22} \] に対応します.

assemblyは \[ A_{\operatorname{dof}_e(a),\operatorname{dof}_e(b)} \mathrel{+}=K^{(e)}_{ab}, \tag{23} \] \[ b_{\operatorname{dof}_e(a)} \mathrel{+}=F^{(e)}_a \tag{24} \] という加算です.

例えば要素 \(T_2=[x_2,x_3]\) なら,局所行列 \[ K^{(2)} = \frac1h \begin{pmatrix} 1&-1\\ -1&1 \end{pmatrix} \] は大域行列の行・列 \(2,3\) の位置へ加えられます. 隣接要素も同じ節点へ寄与するので,内部節点の対角成分は二つの要素から加算されます.

8.assembly後の大域行列

境界自由度をまだ除去していない \((N+1)\times(N+1)\) の行列は \[ A_{\mathrm{full}} = \frac1h \begin{pmatrix} 1&-1&0&\cdots&0\\ -1&2&-1&\ddots&\vdots\\ 0&-1&2&\ddots&0\\ \vdots&\ddots&\ddots&\ddots&-1\\ 0&\cdots&0&-1&1 \end{pmatrix}. \tag{25} \] 同次Dirichlet条件 \(U_0=U_N=0\) を使って内部自由度だけ残せば, \[ A = \frac1h \begin{pmatrix} 2&-1&0&\cdots&0\\ -1&2&-1&\ddots&\vdots\\ 0&-1&2&\ddots&0\\ \vdots&\ddots&\ddots&\ddots&-1\\ 0&\cdots&0&-1&2 \end{pmatrix} \in\mathbb R^{(N-1)\times(N-1)}. \tag{26} \]

\(N=4\),\(h=1/4\) なら \[ A = 4 \begin{pmatrix} 2&-1&0\\ -1&2&-1\\ 0&-1&2 \end{pmatrix}. \tag{27} \] この具体形がPythonで作られているかをprintして確認するだけでも,assemblyのdebuggingになります.

9.なぜ行列は対称正定値になるのか

内部係数ベクトル \(Z\neq0\) に対応する \[ z_h=\sum_{i=1}^{N-1}Z_i\varphi_i \] を考えると, \[ Z^{\top}AZ = a(z_h,z_h) = \int_0^1|z_h'(x)|^2\,dx. \tag{28} \] 右辺は非負です.さらに0なら \(z_h\) は区間全体で定数ですが, \(z_h(0)=z_h(1)=0\) なので \(z_h\equiv0\),従って \(Z=0\) です. よって \[ Z^{\top}AZ>0 \qquad(Z\neq0). \tag{29} \]

従って \(A\) は対称正定値です. AIが生成したコードについて \[ A=A^{\top} \] が数値的に成立するか,最小固有値が正かを調べることは,弱形式に由来する重要な監査になります.

10.assemblyをそのままPythonに書く

まず,有限要素ライブラリを使わずに,式 (18),(23),(24) をほぼそのままPythonへ写します. 荷重積分には5点Gauss公式を使います.

import numpy as np


def assemble_poisson_1d(N):
    nodes = np.linspace(0.0, 1.0, N + 1)

    A = np.zeros((N + 1, N + 1))
    b = np.zeros(N + 1)

    gauss_x, gauss_w = np.polynomial.legendre.leggauss(5)

    for e in range(N):
        xL = nodes[e]
        xR = nodes[e + 1]
        h = xR - xL

        # local stiffness matrix
        Ke = (1.0 / h) * np.array([
            [ 1.0, -1.0],
            [-1.0,  1.0]
        ])

        # local load vector
        Fe = np.zeros(2)

        for xi, w in zip(gauss_x, gauss_w):
            x = 0.5 * (xL + xR) + 0.5 * h * xi
            jac = h / 2.0

            phi = np.array([
                (1.0 - xi) / 2.0,
                (1.0 + xi) / 2.0
            ])

            f = np.pi**2 * np.sin(np.pi * x)
            Fe += w * f * phi * jac

        # local-to-global map
        dofs = [e, e + 1]

        # assembly
        for a in range(2):
            b[dofs[a]] += Fe[a]
            for c in range(2):
                A[dofs[a], dofs[c]] += Ke[a, c]

    return nodes, A, b

特に重要なのは

A[dofs[a], dofs[c]] += Ke[a, c]
b[dofs[a]] += Fe[a]

の二行です.これがassemblyの本体です.

11.Dirichlet境界条件を入れて解く

今回は \[ u(0)=u(1)=0 \] なので,境界自由度は既知です.内部index \[ I=\{1,\ldots,N-1\} \] だけを取り出せば \[ A_{II}U_I=b_I \tag{30} \] を解けばよいことになります.

def solve_poisson_1d(N):
    nodes, A, b = assemble_poisson_1d(N)

    uh = np.zeros(N + 1)

    interior = np.arange(1, N)

    uh[interior] = np.linalg.solve(
        A[np.ix_(interior, interior)],
        b[interior]
    )

    return nodes, uh

非同次Dirichlet条件の場合には,第1回のlinear patch testで見たように, 既知の境界値による項を右辺へ移す必要があります.

12.1次元ではさらに強いことが起こる

この1次元・定数係数Poisson問題では,荷重積分を厳密に行えば, Galerkin解は厳密解の節点補間と一致します. すなわち \[ u_h=I_hu. \tag{31} \]

実際,内部hat function \(\varphi_i\) について \[ \int_0^1u'\varphi_i'\,dx = \frac{u(x_i)-u(x_{i-1})}{h} - \frac{u(x_{i+1})-u(x_i)}{h}. \tag{32} \] 一方,補間 \(I_hu\) の各要素上の傾きは節点値の差商なので, \[ \int_0^1(I_hu)'\varphi_i'\,dx \] も式 (32) と全く同じ値になります.従って \[ a(I_hu,\varphi_i)=a(u,\varphi_i)=\ell(\varphi_i) \] であり,離散解の一意性から式 (31) が従います.

1次元での重要な観察
この問題では,有限要素誤差はそのままP1補間誤差になる.
したがって節点値,assembly,誤差評価を相互に監査できる.

ただし,これは1次元の定数拡散係数を持つこのPoisson問題に特有の強い性質です. 反応項,変数係数,高次元,要素積分の誤差などが入れば,同じ主張をそのまま使うことはできません.

13.節点値を使ったassembly監査

厳密解 \(u(x)=\sin(\pi x)\) に対し \[ U_i^{\mathrm{exact}}=\sin(\pi x_i) \tag{33} \] とします.式 (31) から,厳密積分なら有限要素係数は \[ U_i=U_i^{\mathrm{exact}} \] となるはずです.

従ってコードでは

nodes, uh = solve_poisson_1d(16)
nodal_error = np.max(
    np.abs(uh - np.sin(np.pi * nodes))
)
print(nodal_error)

を確認できます.ここで式 (31) は荷重積分を厳密に評価した離散問題についての恒等式です. 今回の (f(x)=\pi^2\sin(\pi x)) は多項式ではないため,5点Gauss公式は数学的には厳密積分ではありません. ただし,この滑らかな被積分関数とここで用いるメッシュ幅ではquadrature errorが十分小さく,節点差は実際には機械精度に近い値になります. したがって,この節点値テストを使うときは「有限要素離散化」と「数値積分」を区別して解釈する必要があります. 差が大きい場合には,assembly,Jacobian factor,荷重積分,境界条件を順に疑います.

14.相対誤差と収束次数

相対誤差を \[ E_{L^2}^{\mathrm{rel}} = \frac{\|u-u_h\|_{L^2(0,1)}}{\|u\|_{L^2(0,1)}}, \qquad E_{H^1}^{\mathrm{rel}} = \frac{|u-u_h|_{H^1(0,1)}}{|u|_{H^1(0,1)}} \tag{34} \] とします.P1要素では \[ E_{L^2}^{\mathrm{rel}}=O(h^2), \qquad E_{H^1}^{\mathrm{rel}}=O(h) \tag{35} \] が期待されます.

相対誤差の計算には,第1回で用いた compute_relative_errors と同じ5点Gauss積分を使います.

\(N\)\(L^2\) relative errorrate\(H^1\) seminorm relative errorrate
81.4030e-2—1.1307e-1—
163.5164e-31.9965.6645e-20.997
328.7967e-41.9992.8336e-20.999
642.1995e-42.0001.4170e-21.000

第1回で見た収束と同じですが,今回はその数値がどの数式から生まれているかをassemblyまで遡って確認しました.

15.ChatGPTへ何を確認させるか

コード生成後に,単に「正しいですか」と尋ねるよりも,次のように数学的な検査項目を指定する方が有効です.

Audit prompt
この1次元P1有限要素コードについて,
(1) 弱形式,
(2) 局所剛性行列の \(1/h\) scaling,
(3) 荷重積分のJacobian factor,
(4) local-to-global assembly,
(5) Dirichlet境界条件,
(6) 大域行列の対称正定値性,
(7) \(L^2\)相対誤差2次・\(H^1\)半ノルム相対誤差1次,
の順にコードと数式を照合してください.

このように,ChatGPTへ「答え」だけでなく「監査項目」まで与えることが,本連載の使い方です.

まとめ

1次元Poisson方程式のP1有限要素法は,

  1. 強形式から弱形式を作る,
  2. P1有限要素空間を定める,
  3. 要素ごとに局所剛性行列と局所荷重ベクトルを作る,
  4. local-to-global mapで大域行列と右辺へ加算する,
  5. Dirichlet境界条件を処理して連立一次方程式を解く,
  6. 相対誤差,収束次数,節点値で実装を監査する,

という流れです.

有限要素プログラムの中心は線形ソルバーではなく, 弱形式から局所量を作り,それを正しくassemblyする過程にあります. 次回はこの構造を2次元三角形P1要素へ移し,reference triangle,Jacobian,\(J^{-\top}\),\(|\det J|\) がコードのどこに現れるかを確認します.

参考文献

ページの先頭へ