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.

今回の核心
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, \[ h_1\approx h_T. \tag{3} \]

重要
\(h_1,h_2\) 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

factormeaninganisotropic 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 deformationmaximum-angle / semi-regularityに関係
\(A_T\in O(2)\)rotation / reflectionEuclidean 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.

重要な結論
\(\kappa_2(J_T)\) 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

Audit prompt
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

  1. 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.
  2. 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.
  3. H. Ishizaka, “Anisotropic Raviart–Thomas interpolation error estimates using a new geometric parameter”, Calcolo 59 (2022), 50. DOI.
  4. 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

ページの先頭へ