TL;DR
- چکیده:.
- ما خانوادهای از روشهای گالرکین ناپیوسته محلی (LDG) را پیشنهاد میکنیم که بر اساس یک نمایش پارامتری ساخته.
- شدهاند و با گسستهسازی زمان اویلر نیمه ضمنی معکوس،.
چه اتفاقی افتاد
چکیده:. ما خانوادهای از روشهای گالرکین ناپیوسته محلی (LDG) را پیشنهاد میکنیم که بر اساس یک نمایش پارامتری ساخته.
شدهاند و با گسستهسازی زمان اویلر نیمه ضمنی معکوس،. برای جریانهای کوتاهکننده منحنی همسانگرد و ناهمسانگرد ساخته شدهاند.
فرمول فضایی LDG متغیرهای کمکی و شارهای عددی با دقت طراحی شده را معرفی میکند که ساختار. تغییرات اساسی را به ارث میبرند.
ما اتلاف انرژی بدون قید و شرط را برای طرح نیمه گسسته ثابت میکنیم و با فرضیات خفیف،. موقعیت مناسب را برای طرح کاملاً گسسته ایجاد میکنیم.
برای تقریب $P^k$، روش LDG به همگرایی فضایی مرتبه بالا دست مییابد. آزمایشهای عددی گسترده،.
دقت سفارش بهینه $(k+1)$ را زمانی که انرژی سطح همسانگرد یا ضعیف ناهمسانگرد باشد تأیید میکند. در مقایسه با روشهای المان محدود پارامتری کلاسیک (PFEM)،.
طرحهای LDG پیشنهادی برای موارد انرژی سطحی به شدت ناهمسانگرد باید به توزیع مش خوب یا ماتریس. های انرژی سطحی متقارن کمکی تکیه کرد و روی مشهای به شدت تخریب شده که معمولاً باعث.
خرابی PFEMها میشود،. از نظر عددی پایدار بماند.
این پایداری ذاتی امکان ثبت موثر تکامل هندسی پیچیده و تکینگیهای گوشهای تیز که توسط ناهمسانگردی قوی ایجاد. میشود را ممکن میسازد.
بنابراین،. این رویکرد یک چارچوب انعطافپذیر و قابل اعتماد برای شبیهسازی عددی یک کلاس وسیعتر از جریانهای هندسی فراهم.
میکند. صفحه، 11 شکل تجزیه و تحلیل عددی (math.
NA) کلاسها MSC: 74H15 74S05 74M15 65M60 استناد بهعنوان: (یا v1 [math. NA] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Chunmei Su [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 15:.
29:. 06 UTC (441 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.