rust的学习笔记

电气化、自动化、数字化、智能化、智慧化

0%

求解偏微分方程开源有限元软件deal.II学习--Step 6

引子

本例主要着眼于处理局部细化的网格。如果临近单元细化多次以后,单元界面上的格点可能在另一边就不平衡,称为“悬点”。为了保证全局解在这些格点上也是连续的,必须对这些节点上的解的值施加一些限制,相应的核心的类是ConstraintMatrix。

程序解析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
#include <deal.II/base/quadrature_lib.h>
#include <deal.II/base/function.h>
#include <deal.II/base/logstream.h>
#include <deal.II/lac/vector.h>
#include <deal.II/lac/full_matrix.h>
#include <deal.II/lac/sparse_matrix.h>
#include <deal.II/lac/dynamic_sparsity_pattern.h>
#include <deal.II/lac/solver_cg.h>
#include <deal.II/lac/precondition.h>
#include <deal.II/grid/tria.h>
#include <deal.II/dofs/dof_handler.h>
#include <deal.II/grid/grid_generator.h>
#include <deal.II/grid/tria_accessor.h>
#include <deal.II/grid/tria_iterator.h>
#include <deal.II/grid/manifold_lib.h>
#include <deal.II/dofs/dof_accessor.h>
#include <deal.II/dofs/dof_tools.h>
#include <deal.II/fe/fe_values.h>
#include <deal.II/numerics/vector_tools.h>
#include <deal.II/numerics/matrix_tools.h>
#include <deal.II/numerics/data_out.h>
#include <fstream>
#include <iostream>
#include <deal.II/fe/fe_q.h>

以上头文件之前用过,不解释。

1
#include <deal.II/grid/grid_out.h>

本例中不从文件中读取网格,而是使用一个库函数来直接生成。但是需要输出网格(仅输出网格,不包括解,就像step1一样),所以需要上述头文件。
1
#include <deal.II/lac/constraint_matrix.h>

当局部细化网格时,就会产生悬点,但是,标准的有限元方法假定离散解空间是连续的,所以我们也得在悬点上的自由度加一些限制,使得全局解是连续的。这些限制条件就由ConstraintMatrix实现。
1
#include <deal.II/grid/grid_refinement.h>

这个头文件提供函数来确定哪个单元来细化或粗化。
1
#include <deal.II/numerics/error_estimator.h>

该头文件提供细化指示子的计算,其根据一些误差估计方法。通常来说自适应是跟所研究的问题密切相关的,不过该文件中的误差指示子对很多问题都具有很好的适用性。
1
using namespace dealii;

最后是使用dealii命名空间。

step6的类模板:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
template <int dim>
class Step6
{
public:
Step6 ();
~Step6 ();
void run ();
private:
void setup_system ();
void assemble_system ();
void solve ();
void refine_grid ();
void output_results (const unsigned int cycle) const;
Triangulation<dim> triangulation;
DoFHandler<dim> dof_handler;
FE_Q<dim> fe;
ConstraintMatrix constraints;
SparsityPattern sparsity_pattern;
SparseMatrix<double> system_matrix;
Vector<double> solution;
Vector<double> system_rhs;
};

基本跟之前的类模板相同,但多了几个新东西:refine_grid函数用来自适应地细化网格,这跟之前的全局细化不同;constraints对象来存储限制条件;还有一个析构函数。
变系数的引入是完全复制step5的:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
template <int dim>
class Coefficient : public Function<dim>
{
public:
Coefficient () : Function<dim>() {}
virtual double value (const Point<dim> &p,
const unsigned int component = 0) const;
virtual void value_list (const std::vector<Point<dim> > &points,
std::vector<double> &values,
const unsigned int component = 0) const;
};
template <int dim>
double Coefficient<dim>::value (const Point<dim> &p,
const unsigned int) const
{
if (p.square() < 0.5*0.5)
return 20;
else
return 1;
}
template <int dim>
void Coefficient<dim>::value_list (const std::vector<Point<dim> > &points,
std::vector<double> &values,
const unsigned int component) const
{
const unsigned int n_points = points.size();
Assert (values.size() == n_points,
ExcDimensionMismatch (values.size(), n_points));
Assert (component == 0,
ExcIndexRange (component, 0, 1));
for (unsigned int i=0; i<n_points; ++i)
{
if (points[i].square() < 0.5*0.5)
values[i] = 20;
else
values[i] = 1;
}
}

构造函数如下:
1
2
3
4
5
6
template <int dim>
Step6<dim>::Step6 ()
:
dof_handler (triangulation),
fe (2)
{}

注意:这里因为要使用的单元是二次的,所以fe的参数是2。还要注意初始化器列表中的两个的位置顺序,这里是dof_handler在fe的前面,之前都是在fe的后面。这里的顺序变动将会产生一个很坏的副作用:
当我们使用dof_handler.distribute_dofs()分配自由度时,dof_handler也存储了一个指向正在使用的有限单元的指针,因为此指针一直在使用,直到使用另一个fe重新分配自由度或dof_handler被销毁掉。这样如果允许在dof_handler之前删除fe的话就会产生很大隐患。为了防止这个误操作,dof_handler在fe对象内部为一个计数器增值,这个计数器统计有多少对象使用这个有限元。如果该计数器大于0,那么这个fe对象就拒绝被销毁,因为有其他对象依赖于它。如果试图销毁它,一个异常就会被抛出,程序就会停止。
现在构造函数的初始化器列表这样写的话,如果不写析构函数,那么就会发生如上错误,因为销毁顺序是与之前的建立顺序相反的。在析构函数中应当做的就是告诉dof_handler释放它对fe的锁,当然这必须在它确实不再需要fe之后才行,即当所有的有限元相关的数据都被删除。DoFHandler有一个函数clear能够删除所有的自由度,同时释放对fe的锁。clear以后fe内部的计数器就变为0,然后就可以安全地删除fe了。
1
2
3
4
5
template <int dim>
Step6<dim>::~Step6 ()
{
dof_handler.clear ();
}

下一步就是要建立线性有限元系统的有关变量,如:自由度、矩阵、向量等。
1
2
3
4
5
6
template <int dim>
void Step6<dim>::setup_system ()
{
dof_handler.distribute_dofs (fe);
solution.reinit (dof_handler.n_dofs());
system_rhs.reinit (dof_handler.n_dofs());

这一部分代码跟step5相同,下面就不同了:
1
2
3
constraints.clear ();
DoFTools::make_hanging_node_constraints (dof_handler,
constraints);

上述就是对悬点的限制条件。clear就是清除其中可能残留的信息。
1
2
3
4
VectorTools::interpolate_boundary_values (dof_handler,
0,
ZeroFunction<dim>(),
constraints);

这里将0值边界条件施加进去,将结果保存进constraints。注意:之前施加边界条件都是在组装完毕之后,这里却是在其之前。消除系统方程的边界节点,应该发生在消除悬点之后,这个是很重要的(感谢adadobe的指正)。所以在建立悬点限制后就将边界条件放进去。
下一步就是关闭该对象:
1
constraints.close ();

接着就是创建稀疏矩阵:
1
2
3
4
5
DynamicSparsityPattern dsp(dof_handler.n_dofs());
DoFTools::make_sparsity_pattern(dof_handler,
dsp,
constraints,
/ *keep_constrained_dofs = * / false);

注意,这里没有立即把pattern复制到最终的里面,而是又做了一步,至于是啥意思,没看明白。
然后就是真正创建矩阵:
1
2
3
sparsity_pattern.copy_from(dsp);
system_matrix.reinit (sparsity_pattern);
}

再然后就是组装系统。跟之前的step5有两点不同:一是因为有限元形函数的多项式次数变大了,相应的积分公式的次数也要提高,这点很好实现,QGauss类接收每个方向上积分点的个数作为参数,之前双线性单元是2个积分点,对双二次单元则是3个。二是在组装总刚时,不再使用手写的循环,而是用ConstraintMatrix::distribute_local_to_global实现,它内置那个循环,并删除所有的限制。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
template <int dim>
void Step6<dim>::assemble_system ()
{
const QGauss<dim> quadrature_formula(3);
FEValues<dim> fe_values (fe, quadrature_formula,
update_values | update_gradients |
update_quadrature_points | update_JxW_values);
const unsigned int dofs_per_cell = fe.dofs_per_cell;
const unsigned int n_q_points = quadrature_formula.size();
FullMatrix<double> cell_matrix (dofs_per_cell, dofs_per_cell);
Vector<double> cell_rhs (dofs_per_cell);
std::vector<types::global_dof_index> local_dof_indices (dofs_per_cell);
const Coefficient<dim> coefficient;
std::vector<double> coefficient_values (n_q_points);
typename DoFHandler<dim>::active_cell_iterator
cell = dof_handler.begin_active(),
endc = dof_handler.end();
for (; cell!=endc; ++cell)
{
cell_matrix = 0;
cell_rhs = 0;
fe_values.reinit (cell);
coefficient.value_list (fe_values.get_quadrature_points(),
coefficient_values);
for (unsigned int q_index=0; q_index<n_q_points; ++q_index)
for (unsigned int i=0; i<dofs_per_cell; ++i)
{
for (unsigned int j=0; j<dofs_per_cell; ++j)
cell_matrix(i,j) += (coefficient_values[q_index] *
fe_values.shape_grad(i,q_index) *
fe_values.shape_grad(j,q_index) *
fe_values.JxW(q_index));
cell_rhs(i) += (fe_values.shape_value(i,q_index) *
1.0 *
fe_values.JxW(q_index));
}
cell->get_dof_indices (local_dof_indices);
constraints.distribute_local_to_global (cell_matrix,
cell_rhs,
local_dof_indices,
system_matrix,
system_rhs);
}
}

总套路跟之前差不多,但实际上隐藏的变化还是挺多的,只不过对用户不可见。
求解步如下:
1
2
3
4
5
6
7
8
9
10
11
template <int dim>
void Step6<dim>::solve ()
{
SolverControl solver_control (1000, 1e-12);
SolverCG<> solver (solver_control);
PreconditionSSOR<> preconditioner;
preconditioner.initialize(system_matrix, 1.2);
solver.solve (system_matrix, solution, system_rhs,
preconditioner);
constraints.distribute (solution);
}

这里在最后也加入了限制。
下面是重头戏:局部细化。这里使用的是KellyErrorEstimator,顾名思义,该方法是由Kelly等人提出的。尽管该方法起初是用于拉普拉斯方程,但证明其对很多问题都能快速地产生局部细化的网格。原理上来讲,它着眼于单元之间的解的梯度阶跃(即是二阶导数的计算),然后与单元尺寸比例一下,物理上来讲,它代表解在该单元的局部光滑度。
1
2
3
4
5
6
7
8
9
template <int dim>
void Step6<dim>::refine_grid ()
{
Vector<float> estimated_error_per_cell (triangulation.n_active_cells());
KellyErrorEstimator<dim>::estimate (dof_handler,
QGauss<dim-1>(3),
typename FunctionMap<dim>::type(),
solution,
estimated_error_per_cell);

接收的参数分别为:一个DofHandler对象,描述自由度和每个自由度上的值,边界上的积分公式QGauss,Neumann边界对应的边界指示子FunctionMap::type(),这里因为没有施加Neumann边界条件,所以为空,解solution,还有返回的每个单元上的误差值estimated_error_per_cell。细化过程则为:对有最大误差值的30%的单元细化,而对有最小误差值的3%的单元粗化:
1
2
3
4
5
GridRefinement::refine_and_coarsen_fixed_number (triangulation,
estimated_error_per_cell,
0.3, 0.03);
triangulation.execute_coarsening_and_refinement ();
}

仅输出网格:
1
2
3
4
5
6
7
8
9
10
11
template <int dim>
void Step6<dim>::output_results (const unsigned int cycle) const
{
Assert (cycle < 10, ExcNotImplemented());
std::string filename = "grid-";
filename += ('0' + cycle);
filename += ".eps";
std::ofstream output (filename.c_str());
GridOut grid_out;
grid_out.write_eps (triangulation, output);
}

run函数如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
template <int dim>
void Step6<dim>::run ()
{
for (unsigned int cycle=0; cycle<8; ++cycle)
{
std::cout << "Cycle " << cycle << ':' << std::endl;
if (cycle == 0)
{
GridGenerator::hyper_ball (triangulation);
static const SphericalManifold<dim> boundary;
triangulation.set_all_manifold_ids_on_boundary(0);
triangulation.set_manifold (0, boundary);
triangulation.refine_global (1);
}
else
refine_grid ();
std::cout << " Number of active cells: "
<< triangulation.n_active_cells()
<< std::endl;
setup_system ();
std::cout << " Number of degrees of freedom: "
<< dof_handler.n_dofs()
<< std::endl;
assemble_system ();
solve ();
output_results (cycle);
}
DataOutBase::EpsFlags eps_flags;
eps_flags.z_scaling = 4;
DataOut<dim> data_out;
data_out.set_flags (eps_flags);
data_out.attach_dof_handler (dof_handler);
data_out.add_data_vector (solution, "solution");
data_out.build_patches ();
std::ofstream output ("final-solution.eps");
data_out.write_eps (output);
}

注意,每次循环都输出一下细化后的网格,同时在最后也输出一下解。
最后是main函数,它比之前的都高级,因为加入了异常捕获机制。有时候,程序只有在运行时才会出问题,比如没有足够的硬盘空间用于输出文件,没有足够的内存来分配矢量或矩阵,或者没有权限读写文件等。这里的代码具有一定的通用性,可以用于其他大型程序中:
1
2
3
4
5
6
7
int main ()
{
try
{
Step6<2> laplace_problem_2d;
laplace_problem_2d.run ();
}

首先try运行一下我们的程序,如果失败了,就要尽可能多地收集信息。
1
2
3
4
5
6
7
8
9
10
11
12
catch (std::exception &exc)
{
std::cerr << std::endl << std::endl
<< "----------------------------------------------------"
<< std::endl;
std::cerr << "Exception on processing: " << std::endl
<< exc.what() << std::endl
<< "Aborting!" << std::endl
<< "----------------------------------------------------"
<< std::endl;
return 1;
}

如果抛出的异常属于C++标准类exception,那么就可以调用what这一成员函数来显示具体出错信息。
1
2
3
4
5
6
7
8
9
10
11
catch (...)
{
std::cerr << std::endl << std::endl
<< "----------------------------------------------------"
<< std::endl;
std::cerr << "Unknown exception!" << std::endl
<< "Aborting!" << std::endl
<< "----------------------------------------------------"
<< std::endl;
return 1;
}

如果不是一个来自标准exception类的异常,那么就无力作什么事情,只能打印一些提示字符。
1
2
return 0;
}

如果没有异常,就顺序退出。

计算结果:

最终输出的解为:

每步循环得到的网格为:







可扩展性

求解器和预条件子

deal.II中提供多种求解器和预条件子来求解问题。
该例中的线性系统是对称且正定的,所以CG算法挺适合。这里可以更改预条件子来看看,如使用Jacobi(需要包含lac/sparse_ilu.h头文件):

1
2
PreconditionJacobi<> preconditioner;
preconditioner.initialize(system_matrix);

或LU分解:
1
2
SparseILU<double> preconditioner;
preconditioner.initialize(system_matrix);

预条件子的选择需要根据具体问题来,不同类型的问题以及不同的有限单元可能有不一样的结论。

更好的网格

之前生成的网格可以看出来不是很能显示出圆形这一特征,Triangulation类仅能着眼于粗网格的集合,但是不知道它们组合起来应该怎么样。这可以通过更复杂的程序来调节,使之better represent the desired geometry。具体不说了,看帮助文档。