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.
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.
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, \[ F_a^{(e)} = \frac h2 \int_{-1}^{1} f(x(\xi))\,\widehat\phi_a(\xi)\,d\xi. \tag{21} \]
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.
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 error | rate | \(H^1\) seminorm relative error | rate |
|---|---|---|---|---|
| 8 | 1.4030e-2 | — | 1.1307e-1 | — |
| 16 | 3.5164e-3 | 1.996 | 5.6645e-2 | 0.997 |
| 32 | 8.7967e-4 | 1.999 | 2.8336e-2 | 0.999 |
| 64 | 2.1995e-4 | 2.000 | 1.4170e-2 | 1.000 |
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.
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,
- 強形式から弱形式を作る,
- P1有限要素空間を定める,
- 要素ごとに局所剛性行列と局所荷重ベクトルを作る,
- local-to-global mapで大域行列と右辺へ加算する,
- Dirichlet境界条件を処理して連立一次方程式を解く,
- 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
- P. G. Ciarlet, The Finite Element Method for Elliptic Problems, North-Holland, 1978.
- S. C. Brenner and L. R. Scott, The Mathematical Theory of Finite Element Methods, 3rd ed., Springer, 2008.
- A. Ern and J.-L. Guermond, Finite Elements I: Approximation and Interpolation, Springer, 2021.
関連ページ: 第1回:ChatGPTだけで有限要素プログラムは作れるか, 有限要素法ではなぜメッシュの幾何条件が必要なのか, Blog一覧
