第6回:異方性三角形ではJacobianをどう作るか — standard positionとtwo-step affine mapping
ChatGPTで作る有限要素プログラム入門 第6回
はじめに――Jacobianは一つでも,その「読み方」は一つではない
第3回では,三角形 \[ T=\operatorname{conv}\{p_0,p_1,p_2\} \] に対し,標準的なJacobian \[ J_T=[p_1-p_0,\ p_2-p_0] \] を作りました. この行列はreference triangleをphysical triangleへ写すためには十分です. P1有限要素のassemblyも,このJacobianから正しく構成できます.
しかし,異方性解析ではそれだけでは不十分です. 知りたいのは「写像が存在するか」ではなく, どの方向にどれだけ伸び,どの部分が角度の悪化を表しているかです. そのため,三角形の頂点を標準的にラベル付けし, Jacobianを方向別scale,shape deformation,rotation/reflectionへ分けて考えます.
異方性解析では \[ J_T = A_T\,\widetilde A\,\widehat A \] と分解する.ここで \[ \widehat A=\operatorname{diag}(h_1,h_2) \] が方向別scale, \[ \widetilde A= \begin{pmatrix} 1&s\\ 0&t \end{pmatrix} \] が残りのshape deformation, \(A_T\in O(2)\) がrotation/reflectionを表す.
この構成は,筆者らの異方性補間理論で用いているtwo-step affine mappingに基づきます.
1.最初に頂点を標準的にラベル付けする
任意の非退化三角形 \(T\) の頂点を,いったん \(p_1,p_2,p_3\) と付け直します. まず最長辺を \[ p_2p_3 \] とし, \[ h_T:=|p_2-p_3|. \tag{1} \] 残った頂点を \(p_1\) とします. さらに \[ h_1:=|p_1-p_2|, \qquad h_2:=|p_1-p_3|, \qquad h_2\le h_1 \tag{2} \] となるように \(p_2,p_3\) を入れ替えます.
このとき \[ \frac12 h_T<h_1\le h_T \] なので, \[ h_1\approx h_T. \tag{3} \]
\(h_1,h_2\) は単に「長い辺と短い辺」を昇順・降順に並べたものではない. 最長辺の反対側の頂点 \(p_1\) を基準にして選ばれる方向別辺長である.
2.方向ベクトル \(r_1,r_2\)
標準ラベル付けから \[ r_1 := \frac{p_2-p_1}{h_1}, \qquad r_2 := \frac{p_3-p_1}{h_2} \tag{4} \] を定めます. \(r_1,r_2\) は単位ベクトルです.
二つの方向のなす角を \(\theta\) とすると \[ s:=r_1\cdot r_2=\cos\theta. \tag{5} \] さらに \[ t:=\sin\theta>0 \tag{6} \] とします. 頂点順序が反転している場合には,後でrotation/reflectionを表す直交行列側に符号を持たせます. したがってstandard positionでは \(t>0\) としてよいです.
式 (5),(6) から \[ s^2+t^2=1. \tag{7} \]
3.第一段階:reference triangleからstandard positionへ
reference triangleを \[ \widehat T = \operatorname{conv} \left\{ (0,0)^{\top}, (1,0)^{\top}, (0,1)^{\top} \right\} \tag{8} \] とします.
まず方向別scaleだけを \[ \boxed{ \widehat A = \operatorname{diag}(h_1,h_2) } \tag{9} \] に分離します. 次に \[ \boxed{ \widetilde A = \begin{pmatrix} 1&s\\ 0&t \end{pmatrix}, \qquad s^2+t^2=1,\quad t>0 } \tag{10} \] とします.
二つを掛けると \[ A_{\widetilde T} = \widetilde A\,\widehat A = \begin{pmatrix} h_1&s h_2\\ 0&t h_2 \end{pmatrix}. \tag{11} \] 従って中間三角形 \(\widetilde T\) の頂点は \[ \widetilde p_1=(0,0)^{\top}, \qquad \widetilde p_2=(h_1,0)^{\top}, \qquad \widetilde p_3=(s h_2,t h_2)^{\top}. \tag{12} \]
ここで \[ |\widetilde p_1-\widetilde p_2|=h_1, \qquad |\widetilde p_1-\widetilde p_3|=h_2. \] つまり,実三角形の二本の標準辺長をそのまま保持しています.
4.第二段階:standard positionから実三角形へ
中間三角形 \(\widetilde T\) は,実三角形 \(T\) と同じ長さ・角度を持ちますが, まだ原点付近の標準位置に置かれています. そこで \[ \Phi_T(\widetilde x) = A_T\widetilde x+b_T, \tag{13} \] \[ A_T\in O(2) \tag{14} \] とし,rotationまたはmirror imagingとtranslationだけで \(\widetilde T\) を \(T\) へ移します.
従って全写像は \[ \Phi = \Phi_T\circ\Phi_{\widetilde T}, \tag{15} \] \[ \Phi(\widehat x) = A_T \widetilde A \widehat A\widehat x +b_T. \tag{16} \] そのJacobianは \[ \boxed{ J_T = A_T\widetilde A\widehat A } \tag{17} \] です.
5.直接作ったJacobianと同じになる
標準ラベル付けされた実三角形について,通常のJacobianは \[ J_T^{\mathrm{direct}} = [p_2-p_1,\ p_3-p_1]. \tag{18} \] 一方, \[ p_2-p_1=h_1r_1, \qquad p_3-p_1=h_2r_2. \] \(r_2\) を \[ r_2=sr_1+tq_2 \tag{19} \] と分解し, \[ A_T=[r_1,q_2]\in O(2) \tag{20} \] とすれば \[ A_T\widetilde A\widehat A = [h_1r_1,\ h_2(sr_1+tq_2)] = [p_2-p_1,\ p_3-p_1]. \] 従って \[ \boxed{ J_T^{\mathrm{direct}} = A_T\widetilde A\widehat A. } \tag{21} \]
つまりtwo-step affine mappingは,別の有限要素写像を作っているわけではありません. 同じJacobianを,異方性解析に意味のある三つの因子へ分解しているのです.
6.三つの因子は何を表しているか
| factor | meaning | anisotropic analysis |
|---|---|---|
| \(\widehat A=\operatorname{diag}(h_1,h_2)\) | 方向別の伸縮 | \(h_i\partial/\partial r_i\) を残す |
| \(\widetilde A\) | 角度・flatnessを含むshape deformation | maximum-angle / semi-regularityに関係 |
| \(A_T\in O(2)\) | rotation / reflection | Euclidean normを変えない |
ここが異方性解析の核心です. 単一の \(J_T\) をそのまま見ると,方向別scaleと角度の悪化が混ざっています. 分解すると,どの部分が何を引き起こしているかが見えるようになります.
7.semi-regularityは \(t\) に直接現れる
中間三角形の面積は \[ |T| = \frac12 h_1h_2t. \tag{22} \] 筆者らの幾何パラメータ \[ H_T := \frac{h_1h_2}{|T|}\,h_T \tag{23} \] を使うと, \[ \boxed{ \frac{H_T}{h_T} = \frac{h_1h_2}{|T|} = \frac{2}{t}. } \tag{24} \]
最長辺 \(p_2p_3\) の対角である \(\theta\) は三角形の最大角なので, \[ t=\sin\theta_{\max}. \] 従って \[ \frac{H_T}{h_T} = \frac{2}{\sin\theta_{\max}}. \tag{25} \]
つまり,方向別長さ \(h_1,h_2\) が極端に異なっても, \(t\) が0へ近づかなければsemi-regularityは壊れません.
8.「細長い」と「悪い扁平化」は同じではない
ここで二つの三角形族を比較します.
8.1 良い異方性:細長い直角三角形
\[ T_\varepsilon^{\mathrm{good}} = \operatorname{conv} \{(0,0)^{\top},(1,0)^{\top},(0,\varepsilon)^{\top}\}, \qquad 0<\varepsilon\ll1. \tag{26} \] 標準ラベルでは \[ h_1=1,\qquad h_2=\varepsilon, \qquad s=0,\qquad t=1. \] 従って \[ \frac{H_T}{h_T}=2. \tag{27} \] 一方, \[ J_T= \begin{pmatrix} 1&0\\ 0&\varepsilon \end{pmatrix} \] なので \[ \kappa_2(J_T)=\varepsilon^{-1}. \tag{28} \]
\(\varepsilon\to0\) ではcondition numberは発散しますが, semi-regularity parameterは一定です. これは「強い異方性」ですが,maximum angleは悪化していません.
8.2 悪い扁平化:最大角が \(\pi\) へ近づく三角形
\[ T_\delta^{\mathrm{bad}} = \operatorname{conv} \{(0,\delta)^{\top},(-1,0)^{\top},(1,0)^{\top}\}, \qquad 0<\delta\ll1. \tag{29} \] このとき \[ h_1=h_2=\sqrt{1+\delta^2}, \] \[ s=\frac{\delta^2-1}{\delta^2+1}, \qquad t=\frac{2\delta}{1+\delta^2}. \tag{30} \] 従って \[ \frac{H_T}{h_T} = \frac{1+\delta^2}{\delta} \longrightarrow\infty. \tag{31} \] また \[ \kappa_2(J_T)=\delta^{-1}. \tag{32} \]
こちらは方向別scaleそのものより, \[ t\to0 \] というshape deformationの退化が本質です.
9.raw condition numberだけでは区別できない
前節の二つの例を並べると重要なことが分かります.
| element | parameter | \(\kappa_2(J_T)\) | \(H_T/h_T\) |
|---|---|---|---|
| good anisotropy | \(\varepsilon=10^{-3}\) | \(10^3\) | 2 |
| bad flattening | \(\delta=10^{-3}\) | \(10^3\) | \(1.000001\times10^3\) |
どちらも \[ \kappa_2(J_T)\approx10^3 \] です. しかし一方はsemi-regularで,もう一方はmaximum-angle conditionを失い始めています.
\(\kappa_2(J_T)\) が大きいという事実だけでは, 「良い異方性」と「悪い扁平化」を区別できない.
two-step affine mappingは,その二つを \[ \widehat A \quad\text{と}\quad \widetilde A \] へ分離して見るための道具である.
10.standard positionをPythonで構成する
実際の三角形から,標準ラベル付けとJacobian分解を自動的に作ります.
import numpy as np
def anisotropic_triangle_decomposition(P):
P = np.asarray(P, dtype=float)
# all three edges
edges = [(0, 1), (1, 2), (2, 0)]
lengths = np.array([
np.linalg.norm(P[i] - P[j])
for i, j in edges
])
# p2-p3 is the longest edge
m = np.argmax(lengths)
i2, i3 = edges[m]
# p1 is the remaining vertex
i1 = list(
{0, 1, 2} - {i2, i3}
)[0]
p1 = P[i1]
q2 = P[i2]
q3 = P[i3]
d12 = np.linalg.norm(q2 - p1)
d13 = np.linalg.norm(q3 - p1)
# enforce h2 <= h1
if d12 >= d13:
p2, p3 = q2, q3
h1, h2 = d12, d13
else:
p2, p3 = q3, q2
h1, h2 = d13, d12
hT = np.linalg.norm(p2 - p3)
r1 = (p2 - p1) / h1
r2 = (p3 - p1) / h2
s = np.dot(r1, r2)
qperp = r2 - s * r1
t = np.linalg.norm(qperp)
if t <= 1.0e-14:
raise ValueError(
"Degenerate or nearly degenerate triangle"
)
qperp /= t
# rotation / reflection
AT = np.column_stack((r1, qperp))
# anisotropic scaling
Ahat = np.diag([h1, h2])
# remaining shape deformation
Atilde = np.array([
[1.0, s],
[0.0, t]
])
J_factorised = AT @ Atilde @ Ahat
J_direct = np.column_stack((
p2 - p1,
p3 - p1
))
area = (
0.5
* abs(np.linalg.det(J_direct))
)
H_over_h = h1 * h2 / area
return {
"p1": p1,
"p2": p2,
"p3": p3,
"h1": h1,
"h2": h2,
"hT": hT,
"r1": r1,
"r2": r2,
"s": s,
"t": t,
"AT": AT,
"Ahat": Ahat,
"Atilde": Atilde,
"J_direct": J_direct,
"J_factorised": J_factorised,
"H_over_h": H_over_h,
"cond_J": np.linalg.cond(J_direct)
}
11.分解そのものを監査する
コードを実行したら, \[ J_T^{\mathrm{direct}} = A_T\widetilde A\widehat A \tag{33} \] が数値的に成立するかを必ず確認します.
data = anisotropic_triangle_decomposition(P)
factorisation_error = np.linalg.norm(
data["J_direct"]
- data["J_factorised"],
ord=np.inf
)
orthogonality_error = np.linalg.norm(
data["AT"].T @ data["AT"]
- np.eye(2),
ord=np.inf
)
print(factorisation_error)
print(orthogonality_error)
print(data["H_over_h"])
浮動小数点誤差を除けば \[ A_T^{\top}A_T=I, \qquad J_T^{\mathrm{direct}} = A_T\widetilde A\widehat A \] となるはずです.
12.方向別微分が見える
この分解を行う理由は,単にJacobianをfactorisationしたいからではありません. 方向ベクトル \[ r_i \] と方向別長さ \[ h_i \] を誤差評価に残すためです.
例えば,semi-regularityの下でP1 Lagrange interpolationには \[ |u-I_Tu|_{H^1(T)} \le C \sum_{i=1}^{2} h_i \left\| \frac{\partial u}{\partial r_i} \right\|_{H^1(T)} \tag{34} \] という方向別の評価が得られます.
等方的な \[ h_T|u|_{H^2(T)} \] だけでは, 解がどの方向に急激に変化しているかという情報が消えます. 異方性meshでは,この方向情報を保持することが重要です.
13.assembly用Jacobianを書き換える必要はない
ここは実装上,非常に大切な点です. P1有限要素の局所剛性行列を計算するだけなら,第3回で使った
J = np.column_stack((
P[1] - P[0],
P[2] - P[0]
))
で正しいです.
第6回で行っているのは, 有限要素法そのものを別の方法へ変更することではありません. 同じphysical Jacobianを, 異方性を解析・監査できる形に分解しています.
したがって実装は \[ \text{standard FEM assembly} \] と \[ \text{anisotropic geometry audit} \] を分離して持つのが安全です.
14.ChatGPTにJacobianを書かせるときの監査項目
この三角形について,異方性解析用のstandard positionを構成してください.
(1) 最長辺を \(p_2p_3\) とする,
(2) \(h_1=|p_1-p_2|\),\(h_2=|p_1-p_3|\),\(h_2\le h_1\) とする,
(3) \(r_1,r_2\) を構成する,
(4) \(s=r_1\cdot r_2\),\(t>0\),\(s^2+t^2=1\) を確認する,
(5) \(\widehat A=\operatorname{diag}(h_1,h_2)\),\(\widetilde A=\begin{pmatrix}1&s\\0&t\end{pmatrix}\) を作る,
(6) \(A_T\in O(2)\) を作る,
(7) \(J_T=A_T\widetilde A\widehat A\) がdirect Jacobianと一致することを数値的に確認する,
(8) \(H_T/h_T=2/t\) を計算する,
という順に数式とPythonを対応させてください.
15.第6回の結論
異方性三角形でも,standard P1 finite elementのJacobianは \[ [p_2-p_1,\ p_3-p_1] \] で正しく作れます. しかし,異方性を理解するにはその行列を \[ \boxed{ J_T = A_T \widetilde A \widehat A } \] へ分けることが重要です.
\[ \widehat A \] は方向別scale, \[ \widetilde A \] はangle/flatness, \[ A_T \] はrotation/reflectionを表します. この分離によって,
\[ \text{large aspect ratio} \neq \text{bad element} \]であることが数学的に見えるようになります.
次回はこの構成を実際のP1有限要素計算へ入れ, 異方性P1要素は本当に正しく動くかを linear patch test,相対誤差,condition numberを使って調べます.
参考文献
- H. Ishizaka, K. Kobayashi and T. Tsuchiya, “General theory of interpolation error estimates on anisotropic meshes”, Japan Journal of Industrial and Applied Mathematics 38 (2021), 163–191. DOI.
- H. Ishizaka, K. Kobayashi and T. Tsuchiya, “Anisotropic interpolation error estimates using a new geometric parameter”, Japan Journal of Industrial and Applied Mathematics 40 (2023), 475–512. DOI.
- H. Ishizaka, “Anisotropic Raviart–Thomas interpolation error estimates using a new geometric parameter”, Calcolo 59 (2022), 50. DOI.
- H. Ishizaka, “On discrete Sobolev inequalities for nonconforming finite elements under a semiregular mesh condition”, IMA Journal of Numerical Analysis (2026). DOI.
関連ページ: 第3回:2次元三角形P1要素 — reference elementとJacobian, 第5回:3次元四面体P1要素 — reference tetrahedronとJacobian, 正則性と準正則性を角度を使わずに表す, 長方形の三角形分割を \(Q_T\) と \(H_T/h_T\) で調べる, Blog一覧
