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.
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 |
|---|---|
| 2 | 1.1102e-16 |
| 4 | 1.9984e-15 |
| 8 | 3.5527e-15 |
| 16 | 3.1308e-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 |
|---|---|---|---|---|---|---|
| 2 | 27 | 48 | 6.5675e-1 | — | 7.9406e-1 | — |
| 4 | 125 | 384 | 2.4535e-1 | 1.420 | 4.7390e-1 | 0.745 |
| 8 | 729 | 3072 | 6.9318e-2 | 1.824 | 2.4909e-1 | 0.928 |
| 16 | 4913 | 24576 | 1.7919e-2 | 1.952 | 1.2618e-1 | 0.981 |
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: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
- 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.
- 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
