第7回:異方性P1要素は本当に正しく動くか — patch test・誤差・condition number
ChatGPTで作る有限要素プログラム入門 第7回
はじめに――「細長い要素」を一括りにしない
第6回では,異方性三角形のJacobianを \[ J_T=A_T\widetilde A\widehat A \] と分け, \[ \widehat A \] に方向別scale, \[ \widetilde A \] に角度・flatness, \[ A_T \] にrotation/reflectionを持たせました.
今回はその考え方を実際のP1有限要素計算へ入れます. 比較するのは,
- semi-regularな強異方性メッシュ,
- maximum angleが \(\pi\) に近づく扁平メッシュ
です. どちらもJacobianのcondition numberは大きくなりますが, 有限要素近似の幾何として同じ意味ではありません.
大きなaspect ratio,large \(\kappa(J_T)\),large \(\kappa(A)\), maximum-angle deteriorationは同じ現象なのか?
答えはnoです.
1.モデル問題
単位正方形 \[ \Omega=(0,1)^2 \] で \[ -\Delta u=f \qquad\text{in }\Omega, \tag{1} \] \[ u=0 \qquad\text{on }\partial\Omega \tag{2} \] を考えます. 厳密解は \[ u(x,y)=\sin(\pi x)\sin(\pi y), \tag{3} \] 従って \[ f(x,y)=2\pi^2\sin(\pi x)\sin(\pi y). \tag{4} \]
有限要素法は第3・4回と同じ連続P1 Galerkin法です. つまり,今回変更するのはmesh geometryだけです.
2.Mesh A:semi-regularな強異方性メッシュ
\(x\) 方向を \(n\) 分割,\(y\) 方向を \(n^2\) 分割します. 従って \[ h_x=\frac1n, \qquad h_y=\frac1{n^2}, \tag{5} \] なのでaspect ratioは \[ \frac{h_x}{h_y}=n \longrightarrow\infty. \tag{6} \]
各長方形を対角線で二分して三角形にします. 各三角形は直角三角形なので最大角は常に \[ \theta_{\max}=\frac{\pi}{2}. \] 第6回のstandard positionを使うと \[ \frac{H_T}{h_T}=2 \tag{7} \] であり,\(n\) に依存しません.
一方,標準化したJacobianはscaleの違いを直接持つため \[ \kappa_2(J_T)=n. \tag{8} \] つまり,
\[ \boxed{ \kappa_2(J_T)\to\infty \quad\text{でも}\quad H_T/h_T=2 } \]です.
3.Mesh B:最大角が \(\pi\) に近づくメッシュ
今度は単位正方形を \(n\times n\) の正方形に分けます. 各cellの幅を \[ h=\frac1n \] とします.
各cell \[ [ih,(i+1)h]\times[jh,(j+1)h] \] の内部に \[ c_{ij} = \left( \left(i+\frac12\right)h,\, jh+h^2 \right) \tag{9} \] を置き,cellの四隅と \(c_{ij}\) を結んで4個の三角形にします.
bottom edgeを底辺とする三角形は,高さが \[ h^2 \] しかありません. その最大角は細分化とともに \(\pi\) へ近づきます.
このbad triangleでは \[ h_1=h_2 = h\sqrt{\frac14+h^2}, \] \[ |T| = \frac{h^3}{2}, \] したがって \[ \boxed{ \frac{H_T}{h_T} = \frac{1}{2h}+2h = \frac n2+\frac2n } \tag{10} \] です.従って \[ \frac{H_T}{h_T}\to\infty. \]
さらに \[ H_T = \frac12+\frac{2}{n^2} \longrightarrow\frac12, \tag{11} \] なので,このmesh familyでは \[ \max_T H_T\to0 \] というより弱いanisotropic convergence conditionさえ満たしません.
4.まず幾何だけを診断する
第6回のstandard positionに直して,各mesh familyで \[ \max_T\kappa_2(J_T), \qquad \max_T\frac{H_T}{h_T}, \qquad \max_T\theta_{\max}(T) \] を計算します.
4.1 Mesh A
| \(n\) | max \(\kappa_2(J_T)\) | max \(H_T/h_T\) | max angle |
|---|---|---|---|
| 2 | 2 | 2 | 90° |
| 4 | 4 | 2 | 90° |
| 8 | 8 | 2 | 90° |
| 16 | 16 | 2 | 90° |
4.2 Mesh B
| \(n\) | max \(\kappa_2(J_T)\) | max \(H_T/h_T\) | max angle |
|---|---|---|---|
| 2 | 1 | 2.000 | 90.00° |
| 4 | 2 | 2.500 | 126.87° |
| 8 | 4 | 4.250 | 151.93° |
| 16 | 8 | 8.125 | 165.75° |
両方ともJacobian condition numberは増えます. しかしMesh Aでは \(H_T/h_T\) が一定,Mesh Bでは発散します.
5.linear patch testは両方とも通る
厳密解を \[ u(x,y)=1+2x-3y \tag{12} \] とし, \[ -\Delta u=0 \] を解きます. P1空間はこの一次式を厳密に含むので,非退化な三角形で正しくassemblyされている限り \[ u_h=u. \tag{13} \]
5.1 Mesh A
| \(n\) | max nodal error |
|---|---|
| 2 | 0.0 |
| 4 | 1.3323e-15 |
| 8 | 1.5321e-14 |
| 16 | 1.0125e-13 |
5.2 Mesh B
| \(n\) | max nodal error |
|---|---|
| 2 | 1.1102e-16 |
| 4 | 8.8818e-16 |
| 8 | 8.8818e-16 |
| 16 | 7.5495e-15 |
Mesh Bの最大角が165°を超えてもpatch testは通っています. したがって,
P1の一次式再現性とassemblyの整合性を確認できる.
しかし,mesh familyがsemi-regularかどうかは判定できない.
6.Mesh AではP1の標準収束次数が保たれる
厳密解 (3) に対する相対誤差 \[ E_{L^2}^{\mathrm{rel}} = \frac{\|u-u_h\|_{L^2(\Omega)}}{\|u\|_{L^2(\Omega)}}, \qquad E_{H^1}^{\mathrm{rel}} = \frac{|u-u_h|_{H^1(\Omega)}}{|u|_{H^1(\Omega)}} \tag{14} \] を測ります.
| \(n\) | nodes | \(L^2\) rel. | rate | \(H^1\) rel. | rate |
|---|---|---|---|---|---|
| 2 | 15 | 3.4953e-1 | — | 5.6894e-1 | — |
| 4 | 85 | 8.4058e-2 | 2.056 | 2.8146e-1 | 1.015 |
| 8 | 585 | 2.0378e-2 | 2.044 | 1.3939e-1 | 1.014 |
| 16 | 4369 | 5.0459e-3 | 2.014 | 6.9492e-2 | 1.004 |
aspect ratioは \(n\) とともに増えていますが, \[ L^2:\ 2\text{次}, \qquad H^1:\ 1\text{次} \] が非常にきれいに出ています.
7.Mesh Bでは観測収束次数が悪化する
同じ問題をMesh Bで解きます.
| \(n\) | nodes | \(L^2\) rel. | rate | \(H^1\) rel. | rate |
|---|---|---|---|---|---|
| 2 | 13 | 1.9572e-1 | — | 4.1141e-1 | — |
| 4 | 41 | 6.3564e-2 | 1.623 | 2.3788e-1 | 0.790 |
| 8 | 145 | 2.1329e-2 | 1.575 | 1.3913e-1 | 0.774 |
| 16 | 545 | 6.3577e-3 | 1.746 | 7.6408e-2 | 0.865 |
この範囲では誤差自体は減っていますが, Mesh Aのような明確な2次・1次は得られていません.
semi-regularityや \(H(h)\to0\) は,所定の誤差評価を一様に得るための十分条件です. それを破ったからといって,あらゆる右辺・あらゆる解で有限要素解が必ず発散するわけではありません. 今回のMesh Bとsmooth solutionでは,少なくとも計算した範囲で誤差は減っています.
8.Jacobianのcondition numberは両方で大きくなる
standard positionで見ると, Mesh Aでは \[ \kappa_2(J_T)=n, \tag{15} \] Mesh Bの最も扁平な三角形では \[ \kappa_2(J_T) = \frac{n}{2} \qquad(n\ge4). \tag{16} \]
つまり両方とも \[ \kappa_2(J_T)=O(n) \] です. ところが \[ \frac{H_T}{h_T} = 2 \] と \[ \frac{H_T}{h_T} \sim\frac n2 \] で幾何学的意味は全く違います.
この事実だけでも,
\[ \boxed{ \text{large }\kappa(J_T) \not\Longleftrightarrow \text{bad maximum angle} } \]であることが分かります.
9.大域剛性行列のcondition numberはさらに別の量
Dirichlet自由度を除いたstiffness matrixを \(A_{II}\) とし, \[ \kappa_2(A_{II}) = \frac{\lambda_{\max}(A_{II})} {\lambda_{\min}(A_{II})} \tag{17} \] を計算します.
9.1 Mesh A
| \(n\) | interior DOFs | \(\kappa_2(A_{II})\) |
|---|---|---|
| 2 | 3 | 3.605 |
| 4 | 45 | 55.636 |
| 8 | 441 | 847.502 |
| 16 | 3825 | 1.3353e4 |
9.2 Mesh B
| \(n\) | interior DOFs | \(\kappa_2(A_{II})\) |
|---|---|---|
| 2 | 5 | 3.000 |
| 4 | 25 | 14.868 |
| 8 | 113 | 84.783 |
| 16 | 481 | 545.313 |
semi-regularなMesh Aの方が,この比較ではむしろ大きなglobal condition numberを持っています. これはMesh Aが \(y\) 方向を \(n^2\) 分割し,非常に短いmesh scale \(1/n^2\) を持つためです.
ただし両familyは自由度数が違うので,この表を同一costでの優劣比較として読むべきではありません. ここでの目的は,
\[ \boxed{ \text{approximation geometry} \neq \text{algebraic conditioning} } \]を確認することです.
10.patch testの丸め誤差にもconditioningが見える
Mesh Aのpatch-test errorは \[ 10^{-15},10^{-14},10^{-13} \] と少しずつ大きくなりました. 離散化誤差は0なので,この増加は主に浮動小数点演算とlinear-system conditioningの影響です.
したがって \[ u_h=u \] という数学的exactnessと, computer arithmeticで得られる誤差の大きさは区別する必要があります.
11.二つのmesh familyをPythonで作る
11.1 semi-regularな強異方性mesh
def make_good_anisotropic_mesh(n):
nx = n
ny = n * n
xs = np.linspace(0.0, 1.0, nx + 1)
ys = np.linspace(0.0, 1.0, ny + 1)
nodes = np.array([
[x, y]
for y in ys
for x in xs
])
def idx(i, j):
return j * (nx + 1) + i
triangles = []
for j in range(ny):
for i in range(nx):
v00 = idx(i, j)
v10 = idx(i + 1, j)
v01 = idx(i, j + 1)
v11 = idx(i + 1, j + 1)
triangles.append(
[v00, v10, v11]
)
triangles.append(
[v00, v11, v01]
)
return nodes, np.array(
triangles,
dtype=int
)
11.2 maximum angleが悪化するmesh
def make_bad_flat_mesh(n):
h = 1.0 / n
nodes = [
[i * h, j * h]
for j in range(n + 1)
for i in range(n + 1)
]
def idx(i, j):
return j * (n + 1) + i
triangles = []
for j in range(n):
for i in range(n):
v00 = idx(i, j)
v10 = idx(i + 1, j)
v11 = idx(i + 1, j + 1)
v01 = idx(i, j + 1)
center = [
(i + 0.5) * h,
j * h + h * h
]
vc = len(nodes)
nodes.append(center)
triangles += [
[v00, v10, vc],
[v10, v11, vc],
[v11, v01, vc],
[v01, v00, vc]
]
return (
np.array(nodes, dtype=float),
np.array(triangles, dtype=int)
)
12.anisotropic geometry auditをsolverと分離する
有限要素solverは第3・4回のstandard Jacobianでそのままassemblyします. 一方,mesh auditでは第6回のstandard-position decompositionを使い,
max_cond_J = 0.0
max_H_over_h = 0.0
max_angle = 0.0
for tri in triangles:
data = anisotropic_triangle_decomposition(
nodes[tri]
)
max_cond_J = max(
max_cond_J,
np.linalg.cond(
data["J_direct"]
)
)
max_H_over_h = max(
max_H_over_h,
data["H_over_h"]
)
theta = np.arcsin(
min(1.0, 2.0 / data["H_over_h"])
)
# for the standard-labelled triangle,
# theta is the maximum angle only after
# selecting the correct branch;
# compute it directly in production code.
といった診断を別に持ちます. angleについては \(\sin\theta\) だけではacute/obtuseのbranchが区別できないため, 実装ではdot productや余弦定理から最大角を直接計算する方が安全です.
13.この実験から何が分かるか
| quantity | Mesh A | Mesh B |
|---|---|---|
| aspect ratio | large | bad triangles become flat |
| \(\kappa(J_T)\) | large | large |
| \(H_T/h_T\) | 2 | unbounded |
| maximum angle | 90° | \(\to180^\circ\) |
| patch test | pass | pass |
| observed smooth-solution rates | \(L^2\approx2,\ H^1\approx1\) | reduced in tested range |
| global conditioning | can be very poor | also deteriorates |
14.ChatGPTに「細長いから悪い」と言わせない
この異方性P1メッシュを評価してください. 単にaspect ratioや \(\kappa(J_T)\) だけで良否を判定せず,
(1) standard-position \(h_1,h_2\),
(2) \(H_T/h_T\),
(3) maximum angle,
(4) linear patch test,
(5) \(L^2\)・\(H^1\)相対誤差とobserved rate,
(6) stiffness matrixのcondition number,
を別々に計算し,approximation geometryとalgebraic conditioningを混同しないでください.
このように指定しないと,AIはしばしば 「aspect ratioが大きい → bad mesh」 と短絡します. 異方性有限要素法では,そこを分ける必要があります.
15.第7回の結論
今回の数値実験から,少なくとも次の四つを区別する必要があります.
\[ \text{anisotropic scale}, \qquad \text{angle degeneration}, \qquad \text{polynomial reproduction}, \qquad \text{linear-system conditioning}. \]特に, \[ \kappa(J_T)\to\infty \] でもsemi-regularなmeshは作れます. また,maximum angleが悪化してもlinear patch testは通ります. 逆に,semi-regularな強異方性meshでも大域剛性行列はかなりill-conditionedになり得ます.
geometry,approximation,exactness,conditioningを分離して診断する.
次回はこの結果を受けて, 「良い異方性要素」と「悪い異方性要素」を幾何条件としてどう分類するか を整理します.
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.
- 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.
- S. C. Brenner and L. R. Scott, The Mathematical Theory of Finite Element Methods, 3rd ed., Springer, 2008.
関連ページ: 第6回:異方性三角形ではJacobianをどう作るか, 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
