第5回:3次元四面体P1要素 — reference tetrahedronとJacobian

ChatGPTで作る有限要素プログラム入門 第5回

はじめに――2次元の構造は3次元でも変わらない

第3回では三角形P1要素,第4回ではそのコード監査を扱いました. 3次元へ進むと図形は三角形から四面体へ変わりますが,有限要素法の核心は同じです.

reference element上の基底関数をphysical elementへ写し, \[ \nabla\phi_i = J_T^{-\top}\widehat\nabla\widehat\phi_i \] で勾配を変換し, \[ dx=|\det J_T|\,d\widehat x \] で積分measureを変換します.

2次元から3次元への変更点
三角形では \(|\widehat T|=1/2\) だったが,標準四面体では \[ |\widehat T|=\frac16. \] したがって \[ |T|=\frac{|\det J_T|}{6}. \] それ以外のJacobianと勾配変換の構造は同じである.

1.3次元Poisson問題

単位立方体 \[ \Omega=(0,1)^3 \] で \[ -\Delta u=f \qquad\text{in }\Omega, \tag{1} \] \[ u=0 \qquad\text{on }\partial\Omega \tag{2} \] を考えます.

検証用の厳密解として \[ u(x,y,z) = \sin(\pi x)\sin(\pi y)\sin(\pi z) \tag{3} \] を選ぶと, \[ f(x,y,z) = 3\pi^2 \sin(\pi x)\sin(\pi y)\sin(\pi z). \tag{4} \]

弱形式は \[ \text{Find }u\in H_0^1(\Omega) \text{ such that } \int_\Omega \nabla u\cdot\nabla v\,dx = \int_\Omega fv\,dx \quad \forall v\in H_0^1(\Omega). \tag{5} \] です.

2.reference tetrahedron

標準参照四面体を \[ \widehat T = \operatorname{conv} \left\{ (0,0,0)^{\top}, (1,0,0)^{\top}, (0,1,0)^{\top}, (0,0,1)^{\top} \right\} \tag{6} \] とします. reference coordinatesを \[ \widehat x=(\xi,\eta,\zeta)^{\top} \] と書きます.

P1 Lagrange基底は \[ \widehat\phi_0 = 1-\xi-\eta-\zeta, \qquad \widehat\phi_1=\xi, \qquad \widehat\phi_2=\eta, \qquad \widehat\phi_3=\zeta. \tag{7} \] 従ってreference gradientは \[ \widehat\nabla\widehat\phi_0 = \begin{pmatrix}-1\\-1\\-1\end{pmatrix}, \quad \widehat\nabla\widehat\phi_1 = \begin{pmatrix}1\\0\\0\end{pmatrix}, \quad \widehat\nabla\widehat\phi_2 = \begin{pmatrix}0\\1\\0\end{pmatrix}, \quad \widehat\nabla\widehat\phi_3 = \begin{pmatrix}0\\0\\1\end{pmatrix}. \tag{8} \]

ここでも \[ \sum_{i=0}^{3} \widehat\nabla\widehat\phi_i=0 \tag{9} \] です.

3.physical tetrahedronへのアフィン写像

実四面体を \[ T = \operatorname{conv} \{p_0,p_1,p_2,p_3\}, \qquad p_i\in\mathbb R^3 \tag{10} \] とします. reference tetrahedronからphysical tetrahedronへの写像を \[ F_T(\widehat x) = p_0+J_T\widehat x \tag{11} \] とし, \[ \boxed{ J_T = [p_1-p_0,\ p_2-p_0,\ p_3-p_0] } \tag{12} \] とします.

Pythonでは

J = np.column_stack((
    P[1] - P[0],
    P[2] - P[0],
    P[3] - P[0]
))

となります.

4.determinantと四面体の体積

標準四面体の体積は \[ |\widehat T|=\frac16. \tag{13} \] 従ってphysical tetrahedronの体積は \[ \boxed{ |T| = \frac{|\det J_T|}{6} } \tag{14} \] です.

\(\det J_T\) の符号は頂点順序のorientationを表します. 積分には \[ |\det J_T| \] を使いますが,mesh connectivityを統一するなら \[ \det J_T>0 \] を検査しておくと便利です.

5.3次元でも勾配は \(J^{-\top}\) で変換する

physical basis functionを \[ \phi_i(x) = \widehat\phi_i(F_T^{-1}(x)) \tag{15} \] とすると,chain ruleから \[ \widehat\nabla\widehat\phi_i = J_T^{\top}\nabla\phi_i. \] 従って \[ \boxed{ \nabla\phi_i = J_T^{-\top} \widehat\nabla\widehat\phi_i } \tag{16} \] です.

invJT = np.linalg.inv(J).T
grads = (invJT @ grad_hat.T).T

2次元と全く同じコード構造です.

6.局所剛性行列

Poisson問題の局所剛性行列は \[ K^{(T)}_{ij} = \int_T \nabla\phi_j\cdot\nabla\phi_i\,dx. \tag{17} \] P1要素では勾配が要素内で一定なので, \[ K^{(T)}_{ij} = \frac{|\det J_T|}{6} \left( J_T^{-\top} \widehat\nabla\widehat\phi_j \right) \cdot \left( J_T^{-\top} \widehat\nabla\widehat\phi_i \right). \tag{18} \]

physical gradientsを行に並べた \[ G_T = \begin{pmatrix} (\nabla\phi_0)^{\top}\\ (\nabla\phi_1)^{\top}\\ (\nabla\phi_2)^{\top}\\ (\nabla\phi_3)^{\top} \end{pmatrix} \in\mathbb R^{4\times3} \tag{19} \] を使えば, \[ \boxed{ K^{(T)} = \frac{|\det J_T|}{6} G_TG_T^{\top} } \tag{20} \] です.

従って \[ (K^{(T)})^{\top}=K^{(T)}, \qquad K^{(T)} \begin{pmatrix}1\\1\\1\\1\end{pmatrix} =0. \tag{21} \] これらは3次元でも重要なlocal auditです.

7.具体例

例えば \[ p_0=(0,0,0)^{\top}, \quad p_1=(2,0,0)^{\top}, \quad p_2=(0,1,0)^{\top}, \quad p_3=(0,0,1/2)^{\top} \] とします.このとき \[ J_T = \begin{pmatrix} 2&0&0\\ 0&1&0\\ 0&0&1/2 \end{pmatrix}, \qquad |\det J_T|=1. \] 従って \[ |T|=\frac16. \]

physical gradientsは \[ \nabla\phi_0 = \begin{pmatrix}-1/2\\-1\\-2\end{pmatrix}, \quad \nabla\phi_1 = \begin{pmatrix}1/2\\0\\0\end{pmatrix}, \quad \nabla\phi_2 = \begin{pmatrix}0\\1\\0\end{pmatrix}, \quad \nabla\phi_3 = \begin{pmatrix}0\\0\\2\end{pmatrix}. \]

局所剛性行列は \[ K^{(T)} = \begin{pmatrix} 7/8&-1/24&-1/6&-2/3\\ -1/24&1/24&0&0\\ -1/6&0&1/6&0\\ -2/3&0&0&2/3 \end{pmatrix}. \tag{22} \] 行和が0であることも確認できます.

8.3次元メッシュ:立方体を6個の四面体へ分ける

単位立方体を \(n\times n\times n\) の小立方体へ分割し,各小立方体をbody diagonalを共有する6個の四面体へ分割します.

def make_unit_cube_mesh(n):
    grid = np.linspace(0.0, 1.0, n + 1)

    nodes = np.array([
        [x, y, z]
        for z in grid
        for y in grid
        for x in grid
    ])

    def idx(i, j, k):
        return (
            k * (n + 1) * (n + 1)
            + j * (n + 1)
            + i
        )

    tetrahedra = []

    for k in range(n):
        for j in range(n):
            for i in range(n):
                v000 = idx(i,     j,     k)
                v100 = idx(i + 1, j,     k)
                v010 = idx(i,     j + 1, k)
                v110 = idx(i + 1, j + 1, k)

                v001 = idx(i,     j,     k + 1)
                v101 = idx(i + 1, j,     k + 1)
                v011 = idx(i,     j + 1, k + 1)
                v111 = idx(i + 1, j + 1, k + 1)

                tetrahedra += [
                    [v000, v100, v110, v111],
                    [v000, v110, v010, v111],
                    [v000, v010, v011, v111],
                    [v000, v011, v001, v111],
                    [v000, v001, v101, v111],
                    [v000, v101, v100, v111],
                ]

    return nodes, np.array(
        tetrahedra,
        dtype=int
    )

この分割では,各四面体についてJacobian determinantが正になるように頂点順序を統一してあり, \[ \det J_T>0 \] となります.

9.3次元ではsparse matrixを使う

2次元までは構造を見やすくするためdense matrixを使いました. しかし3次元では自由度数が急速に増えます. \[ N_{\mathrm{node}}=(n+1)^3. \] 例えば \(n=16\) なら \[ N_{\mathrm{node}}=4913 \] です.dense matrixでは約 \[ 4913^2\approx2.4\times10^7 \] 個の成分を持つことになります.

有限要素行列は疎なので,ここからはSciPyのsparse matrixを使います.

10.四面体P1要素の最小Pythonコード

import numpy as np
from scipy.sparse import lil_matrix
from scipy.sparse.linalg import spsolve


grad_hat = np.array([
    [-1.0, -1.0, -1.0],
    [ 1.0,  0.0,  0.0],
    [ 0.0,  1.0,  0.0],
    [ 0.0,  0.0,  1.0]
])


def tetra_quadrature_4():
    a = 0.5854101966249685
    b = 0.1381966011250105

    bary = np.array([
        [a, b, b, b],
        [b, a, b, b],
        [b, b, a, b],
        [b, b, b, a]
    ])

    weights = np.full(4, 1.0 / 24.0)

    return bary, weights


def solve_poisson_3d(n):
    nodes, tetrahedra = make_unit_cube_mesh(n)

    N = len(nodes)

    A = lil_matrix((N, N))
    b = np.zeros(N)

    bary, weights = tetra_quadrature_4()

    for tet in tetrahedra:
        P = nodes[tet]

        J = np.column_stack((
            P[1] - P[0],
            P[2] - P[0],
            P[3] - P[0]
        ))

        detJ = np.linalg.det(J)

        if detJ <= 0.0:
            raise ValueError(
                "Non-positive tetrahedron orientation"
            )

        invJT = np.linalg.inv(J).T

        grads = (
            invJT @ grad_hat.T
        ).T

        Ke = (
            abs(detJ) / 6.0
            * (grads @ grads.T)
        )

        Fe = np.zeros(4)

        for lam, w in zip(bary, weights):
            x = lam @ P

            f = (
                3.0 * np.pi**2
                * np.sin(np.pi * x[0])
                * np.sin(np.pi * x[1])
                * np.sin(np.pi * x[2])
            )

            Fe += (
                w
                * abs(detJ)
                * f
                * lam
            )

        for a in range(4):
            b[tet[a]] += Fe[a]

            for c in range(4):
                A[tet[a], tet[c]] += Ke[a, c]

    A = A.tocsr()

    on_boundary = (
        np.isclose(nodes[:, 0], 0.0)
        | np.isclose(nodes[:, 0], 1.0)
        | np.isclose(nodes[:, 1], 0.0)
        | np.isclose(nodes[:, 1], 1.0)
        | np.isclose(nodes[:, 2], 0.0)
        | np.isclose(nodes[:, 2], 1.0)
    )

    boundary = np.where(on_boundary)[0]
    interior = np.where(~on_boundary)[0]

    uh = np.zeros(N)

    AII = A[interior][:, interior]

    uh[interior] = spsolve(
        AII,
        b[interior]
    )

    return nodes, tetrahedra, uh

4点quadratureのweightはreference tetrahedron上で \[ \sum_qw_q=\frac16 \] になるように正規化されています. physical elementへ移すときに \(|\det J_T|\) を掛けます. この4点公式は2次多項式まで厳密ですが,今回の荷重 \(f\) は三角関数なので荷重積分そのものは厳密ではありません. 収束試験では,このquadrature errorがP1離散化誤差より高次になることを数値的に確認します.

11.local-to-global assemblyは2次元と同じ

三角形では一要素あたり3自由度でしたが,四面体P1では4自由度です. assemblyは \[ A_{\operatorname{dof}_T(a),\operatorname{dof}_T(c)} \mathrel{+}=K^{(T)}_{ac}, \qquad a,c=0,1,2,3 \tag{23} \] です.

つまり次の部分だけ見れば,2次元と本質的に同じです.

for a in range(4):
    b[tet[a]] += Fe[a]

    for c in range(4):
        A[tet[a], tet[c]] += Ke[a, c]

12.3次元linear patch test

3次元でもP1要素は任意の一次式 \[ u(x,y,z) = a+bx+cy+dz \tag{24} \] を厳密に再現します.

例えば \[ u(x,y,z) = 1+2x-3y+\frac12z \tag{25} \] とします. \[ -\Delta u=0 \] であり,境界値を厳密解から与えると \[ u_h=u. \tag{26} \]

実際の浮動小数点計算では次の最大節点誤差が得られます.

\(n\)max nodal error
21.1102e-16
41.9984e-15
83.5527e-15
163.1308e-14

離散化誤差は理論上0であり,残っているのは丸め誤差と線形solverの浮動小数点誤差です. 3次元では未知数が増えるので,2次元より丸め誤差が少し見えやすくなります.

13.相対誤差と収束次数

厳密解 (3) に対して \[ E_{L^2}^{\mathrm{rel}} = \frac{\|u-u_h\|_{L^2(\Omega)}}{\|u\|_{L^2(\Omega)}}, \qquad E_{H^1}^{\mathrm{rel}} = \frac{|u-u_h|_{H^1(\Omega)}}{|u|_{H^1(\Omega)}} \tag{27} \] を計算します.

shape-regularな四面体P1メッシュ上では, \[ E_{L^2}^{\mathrm{rel}}=O(h^2), \qquad E_{H^1}^{\mathrm{rel}}=O(h) \tag{28} \] が期待されます. 誤差積分には,reference tetrahedron上で高次のDuffy型Gauss積分を用いています.

\(n\) nodes tetrahedra \(L^2\) relative error rate \(H^1\) seminorm relative error rate
227486.5675e-1—7.9406e-1—
41253842.4535e-11.4204.7390e-10.745
872930726.9318e-21.8242.4909e-10.928
164913245761.7919e-21.9521.2618e-10.981

細分化とともに \(L^2\) は2次,\(H^1\)半ノルムは1次へ近づいています. 3次元でも2次元と同じP1収束構造が確認できます.

14.3次元コードで監査すべき項目

数学的条件コード上の確認
\(\det J_T\neq0\)退化四面体でない
\(|T|=|\det J_T|/6\)abs(detJ) / 6.0
\(\nabla\phi_i=J_T^{-\top}\widehat\nabla\widehat\phi_i\)np.linalg.inv(J).T
\(\sum_i\nabla\phi_i=0\)grads.sum(axis=0)
\(K^{(T)}=(K^{(T)})^{\top}\)local symmetry
\(K^{(T)}\mathbf1=0\)local row sum
一次式再現性3D linear patch test
P1 convergence\(L^2\) 2次,\(H^1\) 1次

15.標準Jacobianと異方性解析のJacobianは区別する

ここまで使った \[ J_T = [p_1-p_0,\ p_2-p_0,\ p_3-p_0] \tag{29} \] は,任意の非退化四面体に対して有限要素写像を作る標準的なJacobianです. 有限要素のassemblyにはこれで十分です.

しかし,異方性解析では事情が変わります. 四面体のどの辺を基準方向として選ぶか,どの長さを \(h_1,h_2,h_3\) とするかを明示し, 異方的なscaleと残りのshape deformationを分離してJacobianを構成する必要があります.

特に3次元では,異方性四面体の標準位置に複数の型が現れます. したがって,

第5回と異方性編の違い
第5回:与えられた四面体へ正しく写すJacobianを作る.
異方性編:四面体の方向別scaleと幾何を解析できるようにJacobianを構成する.

この違いが,第6回以降の中心になります.

16.第5回の結論

三角形P1要素から四面体P1要素へ進んでも,有限要素法の基本構造は変わりません.

\[ \widehat T \longrightarrow T, \qquad J_T, \qquad J_T^{-\top}, \qquad |\det J_T|, \qquad K^{(T)}, \qquad \text{assembly}. \]

変わるのは,reference elementの次元と体積, そして一要素あたりの自由度数です.

3次元で重要なのは,この標準的な構造をまず正確に実装しておくことです. その上で初めて,「異方性四面体では \(J_T\) をどう構成すべきか」という次の問題を切り離して考えることができます.

参考文献

  1. P. G. Ciarlet, The Finite Element Method for Elliptic Problems, North-Holland, 1978.
  2. S. C. Brenner and L. R. Scott, The Mathematical Theory of Finite Element Methods, 3rd ed., Springer, 2008.
  3. A. Ern and J.-L. Guermond, Finite Elements I: Approximation and Interpolation, Springer, 2021.
  4. H. Ishizaka, K. Kobayashi, R. Suzuki and T. Tsuchiya, “A new geometric condition equivalent to the maximum angle condition for tetrahedrons”, Computers & Mathematics with Applications 99 (2021), 323–328.

関連ページ: 第3回:2次元三角形P1要素 — reference elementとJacobian, 第4回:2次元P1有限要素コードを数学的に監査する, 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

ページの先頭へ