第11回:CR・RTなど,P1の次に何を見るか — 自由度・Piola変換・可換性
ChatGPTで作る有限要素プログラム入門 第11回
はじめに――P1の次は「多項式次数を上げる」だけではない
第1–10回では,主に連続P1 Lagrange要素を使って, 弱形式,reference element,Jacobian,assembly,異方性mesh,debuggingを見てきました.
P1の次へ進むとき,P2へ高次化する道もあります. しかし有限要素法にはもう一つ重要な方向があります. 自由度そのものを変えることです.
P1 Lagrange:頂点値をつなぐ.
CR:辺・面の平均値をつなぐ.
RT:法線fluxをつなぐ.
Nédélec:接線方向のline momentをつなぐ.
つまり,finite elementは 「要素内で何次多項式を使うか」 だけでなく, どの量をglobalに連続にするか で分類されます.
1.まず四つの要素を一枚の表で見る
| element | 主な自由度 | global structure | 代表的用途 |
|---|---|---|---|
| P1 Lagrange | vertex value | \(H^1\)-conforming | Poisson, diffusion |
| Crouzeix–Raviart | edge / face mean | nonconforming \(H^1\) | elliptic, Stokes, Navier–Stokes |
| Raviart–Thomas | normal flux moment | \(H(\mathrm{div})\)-conforming | mixed FEM, flux, conservation |
| Nédélec | tangential edge moment | \(H(\mathrm{curl})\)-conforming | Maxwell, de Rham |
この表を見ると,P1からCR・RTへ進む意味は, 単なるelement libraryの追加ではないことが分かります.
2.CR要素:頂点値を捨てて,辺平均を自由度にする
三角形 \(T\) の辺を \(E_0,E_1,E_2\) とし, \(E_i\) は頂点 \(p_i\) の反対側の辺とします. local CR spaceは \[ P_1(T) \] ですが,自由度は頂点値ではなく \[ \boxed{ m_i(v) = \frac{1}{|E_i|} \int_{E_i}v\,ds } \tag{1} \] です.
隣接する二要素 \(T^+,T^-\) が内部辺 \(E\) を共有するとき, CR global spaceでは \[ \int_E \left( v_h|_{T^+} - v_h|_{T^-} \right)\,ds = 0. \tag{2} \]
従って関数値そのものはedge上で一致しなくても, jumpのedge meanが0になります. これがnonconforming \(H^1\) elementという意味です.
3.reference triangle上のCR基底は非常に簡単
reference triangle \[ \widehat T = \operatorname{conv} \{(0,0)^{\top},(1,0)^{\top},(0,1)^{\top}\} \] のbarycentric coordinatesを \[ \widehat\lambda_0=1-\xi-\eta, \qquad \widehat\lambda_1=\xi, \qquad \widehat\lambda_2=\eta \] とします.
edge \(E_i\) に対応するCR basisは \[ \boxed{ \widehat\psi_i = 1-2\widehat\lambda_i. } \tag{3} \] 従って \[ \widehat\psi_0 = -1+2\xi+2\eta, \qquad \widehat\psi_1 = 1-2\xi, \qquad \widehat\psi_2 = 1-2\eta. \tag{4} \]
これらは \[ m_j(\widehat\psi_i)=\delta_{ij} \tag{5} \] を満たします. 2次元でlinear functionのedge averageはedge midpointでの値と一致するので, CR自由度を「辺中点値」として実装することもできます. ただし本質的な定義はedge meanです.
4.CR mappingはscalar pullbackのまま
affine map \[ F_T(\widehat x)=p_0+J_T\widehat x \] に対してCR basisもscalar functionなので, \[ \psi_i = \widehat\psi_i\circ F_T^{-1} \tag{6} \] と写せます. 従ってgradientはP1 Lagrangeと同じく \[ \boxed{ \nabla\psi_i = J_T^{-\top} \widehat\nabla\widehat\psi_i. } \tag{7} \]
ただしglobal assemblyで共有するDoFはvertexではなくedgeです. したがってCR実装では \[ \text{element-to-edge connectivity} \] が中心になります.
5.CR interpolationにはgradientの可換性がある
CR interpolation \(I_T^{\mathrm{CR}}\) を \[ \int_E I_T^{\mathrm{CR}}u\,ds = \int_Eu\,ds \qquad \text{for every face }E\subset\partial T \tag{8} \] で定めます.
\(I_T^{\mathrm{CR}}u\) のgradientは要素内で定数です. Gaussの公式を使うと \[ |T|\nabla I_T^{\mathrm{CR}}u = \sum_{E\subset\partial T} \left( \int_Eu\,ds \right)n_E = \int_T\nabla u\,dx. \] 従って \[ \boxed{ \nabla I_T^{\mathrm{CR}}u = \Pi_T^0(\nabla u), } \tag{9} \] ここで \(\Pi_T^0\) はelementwise \(L^2\)-projection onto constantsです.
これはCR要素が単なる「連続P1を少し壊した要素」ではなく, 微分作用素と相性のよい構造を持っていることを示します.
6.RT要素:自由度は法線fluxになる
lowest-order Raviart–Thomas spaceは \(d\) 次元simplex上で \[ \boxed{ RT_0(T) = P_0(T)^d + xP_0(T) } \tag{10} \] です. つまり \[ q(x)=a+bx, \qquad a\in\mathbb R^d,\quad b\in\mathbb R. \]
自由度は各face \(F\) 上のnormal flux \[ \boxed{ \ell_F(q) = \int_F q\cdot n_F\,ds. } \tag{11} \]
隣接要素でこのnormal fluxを一貫して共有することにより, global RT spaceは \[ H(\mathrm{div};\Omega) \] に入ります.
7.reference simplexのRT0 basis
reference simplexの頂点を \[ \widehat p_0,\ldots,\widehat p_d \] とし,\(\widehat F_i\) を \(\widehat p_i\) の反対faceとします. すると \[ \boxed{ \widehat q_i(\widehat x) = \frac{1}{d|\widehat T|} \left( \widehat x-\widehat p_i \right) } \tag{12} \] は \[ \int_{\widehat F_j} \widehat q_i\cdot\widehat n_j\,d\widehat s = \delta_{ij} \tag{13} \] を満たします.
2次元reference triangleでは \[ 2|\widehat T|=1 \] なので, \[ \widehat q_0=(\xi,\eta)^{\top}, \quad \widehat q_1=(\xi-1,\eta)^{\top}, \quad \widehat q_2=(\xi,\eta-1)^{\top}. \tag{14} \]
8.RTではscalar P1と同じmappingを使ってはいけない
ここがP1からRTへ進む最初の大きな違いです. orientation-preserving affine map \[ x=F_T(\widehat x) = p_0+J_T\widehat x, \qquad \det J_T>0 \] に対してRT vector fieldは \[ \boxed{ q(x) = \frac{1}{\det J_T} J_T \widehat q(\widehat x) } \tag{15} \] で写します. これがcontravariant Piola transformです.
この変換はnormal fluxを保存します. 対応するfaceについて \[ \boxed{ \int_F q\cdot n\,ds = \int_{\widehat F} \widehat q\cdot\widehat n\,d\widehat s. } \tag{16} \]
scalar \(H^1\):composition \( \widehat v\circ F^{-1}\).
gradient:\(J^{-\top}\).
\(H(\mathrm{div})\) vector:\((\det J)^{-1}J\).
\(H(\mathrm{curl})\) vector:\(J^{-\top}\)(covariant Piola).
「前の要素で使ったJacobian formulaをそのまま流用する」 ことが危険な理由です.
9.Piola transformはdivergenceも正しく運ぶ
contravariant Piola transform (15) に対して \[ \boxed{ \nabla\cdot q = \frac{1}{\det J_T} \widehat\nabla\cdot\widehat q. } \tag{17} \]
そのためRT interpolation \(I_T^{\mathrm{RT}}\) は \[ \boxed{ \nabla\cdot I_T^{\mathrm{RT}}q = \Pi_T^0(\nabla\cdot q) } \tag{18} \] というcommuting propertyを持ちます.
CRではgradient, RTではdivergenceがelementwise constant projectionと可換になります.
10.CRとRTは離散部分積分でつながる
\(v_h\) をhomogeneous boundary conditionを持つCR function, \(q_h\) をlowest-order RT functionとします. 要素ごとの部分積分を足し合わせると, CRのjumpはface meanが0, RTのnormal componentはface上で連続かつ定数なので, interior-face termが打ち消し合います.
従って \[ \boxed{ \sum_{T\in\mathcal T_h} \int_T \nabla v_h\cdot q_h\,dx + \sum_{T\in\mathcal T_h} \int_T v_h\,\nabla\cdot q_h\,dx = 0. } \tag{19} \]
これはCRとRTの相性がよい理由の一つです. CR側はnonconforming scalar variable, RT側はnormal-flux-conforming vector variableとして, 離散gradientとfluxが自然に組み合わさります.
11.reference triangleでCRとRTをPython監査する
import numpy as np
vertices = np.array([
[0.0, 0.0],
[1.0, 0.0],
[0.0, 1.0]
])
def cr_basis(x):
xi, eta = x
lam = np.array([
1.0 - xi - eta,
xi,
eta
])
return 1.0 - 2.0 * lam
grad_cr_hat = np.array([
[ 2.0, 2.0],
[-2.0, 0.0],
[ 0.0, -2.0]
])
def rt0_basis(x):
x = np.asarray(x, dtype=float)
return np.array([
x - vertices[0],
x - vertices[1],
x - vertices[2]
])
CR edge meanはlinear functionなのでedge midpointで厳密に評価できます. RT0のnormal componentも各edge上で定数なので, midpoint value×edge lengthでflux integralを厳密に評価できます.
12.CR自由度のKronecker propertyをtestする
reference edgesを \[ E_0=[p_1,p_2], \quad E_1=[p_2,p_0], \quad E_2=[p_0,p_1] \] とします.
edges = [
(1, 2),
(2, 0),
(0, 1)
]
M = np.zeros((3, 3))
for j, (a, b) in enumerate(edges):
midpoint = 0.5 * (
vertices[a] + vertices[b]
)
M[j, :] = cr_basis(midpoint)
print(M)
得られるmatrixは \[ M=I_3. \tag{20} \] つまりreference basisとedge DoFの対応が正しいことを, assembly前にunit testできます.
13.RT normal-flux DoFも直接testする
reference triangleのoutward unit normalsは \[ n_0=\frac{1}{\sqrt2}(1,1)^{\top}, \qquad n_1=(-1,0)^{\top}, \qquad n_2=(0,-1)^{\top}. \]
normals = np.array([
[1.0, 1.0]
/ np.sqrt(2.0),
[-1.0, 0.0],
[0.0, -1.0]
])
flux_matrix = np.zeros((3, 3))
for j, (a, b) in enumerate(edges):
pa = vertices[a]
pb = vertices[b]
midpoint = 0.5 * (pa + pb)
length = np.linalg.norm(pb - pa)
q = rt0_basis(midpoint)
flux_matrix[j, :] = (
q @ normals[j]
* length
)
print(flux_matrix)
これも \[ \texttt{flux\_matrix}=I_3 \tag{21} \] になります.
RT実装ではbasis coefficientだけを見るより, 保存されるべきnormal fluxを直接testする方が安全です.
14.physical triangleへ写してPiolaを監査する
skew triangleでも同じtestを行います.
P = np.array([
[0.0, 0.0],
[1.0, 0.0],
[0.3, 0.8]
])
J = np.column_stack((
P[1] - P[0],
P[2] - P[0]
))
detJ = np.linalg.det(J)
if detJ <= 0.0:
raise ValueError(
"Use a positive orientation"
)
def map_rt0(qhat):
return (
J @ qhat.T
).T / detJ
grad_cr = np.linalg.solve(
J.T,
grad_cr_hat.T
).T
CR gradientは \(J^{-\top}\),RT fieldは \(J/\det J\) です. この二つを取り違えないことが,P1の次に進むときの最初のmapping auditになります.
15.orientationがRT・Nédélecで急に重要になる
scalar P1やCRでは,local vertex orderingを一貫して扱えば, orientation signは主としてgeometry bookkeepingの問題でした.
RTではglobal face normalをどちら向きに取るかによってDoFの符号が変わります. Nédélecではedge directionを反転するとtangential DoFの符号が変わります.
したがってvector finite elementでは,
\[ \boxed{ \text{local numbering} + \text{global edge/face orientation} + \text{sign map} } \tag{22} \]を明示的に管理する必要があります.
16.Nédélecはどこに入るか
3次元のconforming de Rham sequenceは概念的に \[ H^1 \xrightarrow{\nabla} H(\mathrm{curl}) \xrightarrow{\nabla\times} H(\mathrm{div}) \xrightarrow{\nabla\cdot} L^2 \tag{23} \] です. 低次有限要素では,
\[ \boxed{ \text{Lagrange} \to \text{Nédélec} \to \text{Raviart–Thomas} \to P_0 } \tag{24} \]という対応が現れます.
Nédélec elementはedge tangential momentを自由度に持ち, covariant Piola \[ v(x) = J_T^{-\top} \widehat v(\widehat x) \tag{25} \] を使います.
CRはこのconforming de Rham sequenceそのものの一員ではありません. 一方,CR–RTには式 (19) の離散部分積分や, gradient / divergenceのcommuting structureを通じた強い関係があります. この二つを混同しないことが重要です.
17.P1で使ったdebugging protocolはどう変わるか
| P1でのtest | CR / RTで追加するtest |
|---|---|
| vertex Kronecker property | edge mean / normal-flux Kronecker property |
| \(J^{-\top}\) gradient | RT contravariant Piola |
| global nodal continuity | CR mean continuity / RT normal continuity |
| linear patch test | moment reproduction + commuting test |
| orientation mostly geometry-side | edge/face sign consistency is essential |
| energy error | broken gradient, flux, divergence, conservation |
18.異方性meshではPiola transformとgeometryを同時に見る
第6–9回では,Jacobianを方向別scaleとshape deformationに分けました. RTやNédélecでは,そのJacobianがvector fieldそのもののtransformに入ります. 従って異方性が強いと, vector componentのscaleも方向ごとに大きく変わります.
このため \[ \|J_T\|, \qquad \|J_T^{-1}\|, \qquad \det J_T, \qquad H_T/h_T \] をscalar P1以上に注意深く追う必要があります.
実際,このサイトの研究記録には, anisotropic CR–RT error analysis, anisotropic Raviart–Thomas interpolation, semi-regular mesh上のnonconforming analysisが 別々の研究課題として並んでいます. P1のerror estimateをそのままRTへコピーすることはできません.
19.CR・RTの組合せは局所保存とcertificationへつながる
RT fieldはnormal fluxをglobalに整合させるため, local conservationを表現するのに適しています. 一方,CRはelementwise gradientを持ち, RTとの離散部分積分が自然に成立します.
この組合せは,
\[ \text{nonconforming primal variable} \quad+\quad \text{conservative flux} \]という構造を作ります. その先にはStokes / Navier–Stokes, equilibrated-flux reconstruction, verified outputなどがあります.
本サイトでも Publications にはanisotropic CR–RT error analysis, anisotropic RT interpolation, modified CR Navier–Stokes, CR–RT equilibrated-flux certificationが それぞれ別のformal outputとして整理されています.
20.ChatGPTへのCR・RT audit prompt
このCR / Raviart–Thomas有限要素コードを,P1 Lagrange要素と同じ基準で評価しないでください.
CRについては
(1) edge / face mean DoF,
(2) local CR basisのKronecker property,
(3) element-to-edge / face connectivity,
(4) mean continuity,
(5) \(\nabla I_h^{CR}u=\Pi_0\nabla u\)
を確認してください.
RTについては
(6) normal-flux DoF,
(7) global face orientationとsign,
(8) contravariant Piola transform,
(9) normal-flux preservation,
(10) \(\nabla\cdot I_h^{RT}q=\Pi_0\nabla\cdot q\)
を確認してください.
最後にCR–RT discrete integration by partsと異方性mesh上でのgeometry scalingを監査してください.
21.第11回の結論
P1の次に学ぶべきことは, 多項式次数を上げることだけではありません. より重要なのは,
\[ \boxed{ \text{何を自由度にし, 何をglobalに連続にするか} } \]です.
CRではedge / face mean, RTではnormal flux, Nédélecではtangential edge momentを使います. それに伴い,mappingも
\[ J^{-\top}, \qquad \frac{J}{\det J}, \qquad J^{-\top} \]というようにfunction spaceの構造に合わせて変わります.
そしてCRとRTでは \[ \nabla I_h^{CR} = \Pi_0\nabla, \qquad \nabla\cdot I_h^{RT} = \Pi_0\nabla\cdot \] というcommuting propertyと, 離散部分積分が重要な監査基準になります.
DoF,continuity,mapping,commuting property,conservationを 一つのセットとして実装・監査する.
次回はこの連載の前半を総括して, 有限要素法では,なぜ数学的誤差解析が必要なのか を考えます.
参考文献・関連ページ
- D. Boffi, F. Brezzi and M. Fortin, Mixed Finite Element Methods and Applications, Springer, 2013.
- H. Ishizaka, “Anisotropic Raviart–Thomas interpolation error estimates using a new geometric parameter”, Calcolo 59 (2022), 50. DOI.
- H. Ishizaka, “Anisotropic modified Crouzeix–Raviart finite element method for the stationary Navier–Stokes equation”, Numerische Mathematik 157 (2025), 855–895. DOI.
- Vision 20:anisotropic CR–RT, DMP and maximum norm
- Vision 21:3D Nédélec, de Rham, Hodge and Maxwell
- 第10回:ChatGPTが書いたFEMコードをどうデバッグするか
