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,

  1. semi-regularな強異方性メッシュ,
  2. 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.

今回の問い
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
22290°
44290°
88290°
1616290°

4.2 Mesh B

\(n\)max \(\kappa_2(J_T)\)max \(H_T/h_T\)max angle
212.00090.00°
422.500126.87°
844.250151.93°
1688.125165.75°

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
20.0
41.3323e-15
81.5321e-14
161.0125e-13

5.2 Mesh B

\(n\)max nodal error
21.1102e-16
48.8818e-16
88.8818e-16
167.5495e-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,

patch testが教えること
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
2153.4953e-1—5.6894e-1—
4858.4058e-22.0562.8146e-11.015
85852.0378e-22.0441.3939e-11.014
1643695.0459e-32.0146.9492e-21.004

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
2131.9572e-1—4.1141e-1—
4416.3564e-21.6232.3788e-10.790
81452.1329e-21.5751.3913e-10.774
165456.3577e-31.7467.6408e-20.865

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.

ここで過剰な結論を出さない
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\(\kappa_2(A_{II})\)
233.605
44555.636
8441847.502
1638251.3353e4

9.2 Mesh B

\(n\)interior DOFs\(\kappa_2(A_{II})\)
253.000
42514.868
811384.783
16481545.313

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

quantityMesh AMesh B
aspect ratiolargebad triangles become flat
\(\kappa(J_T)\)largelarge
\(H_T/h_T\)2unbounded
maximum angle90°\(\to180^\circ\)
patch testpasspass
observed smooth-solution rates\(L^2\approx2,\ H^1\approx1\)reduced in tested range
global conditioningcan be very pooralso deteriorates

14.ChatGPTに「細長いから悪い」と言わせない

Audit prompt
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.

異方性FEMの監査では,一つの数値だけを見てはいけない
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

  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.
  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.
  3. 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

ページの先頭へ