Title: Zur Instanzoptimalität adaptiver 2D FEM
Other Titles: On instance optimality of adaptive 2D FEM
Language: Deutsch
Authors: Innerberger, Michael 
Qualification level: Diploma
Advisor: Praetorius, Dirk 
Assisting Advisor: Haberl, Alexander 
Issue Date: 2018
Number of Pages: 90
Qualification level: Diploma
Abstract: 
Ziel dieser Arbeit ist der Beweis der Instanzoptimalität adaptiver Finite Elemente Methoden (AFEM) für verschiedene Modellprobleme. Aufbauend auf dem Begriff der Populationen, der es erlaubt, bestimmte geometrische Eigenschaften von Gittern und deren Knotenmengen zu beweisen, sowie dem Begriff der Energie, die eng mit der Finite Elemente Lösung auf einem Gitter und deren Approximationsfehler verbunden ist, wird ein abstraktes Framework geschaffen, um Instanzoptimalität einer AFEM zu zeigen. Drei Eigenschaften werden sich hier als hinreichend erweisen: eine Lower Diamond Estimate der Energie, diskrete lokale Äquivalenz von Energie und a posteriori Fehlerschätzer, sowie eine Forderung an den Markierungsschritt. Diese Eigenschaften werden für zwei Modellprobleme nachgewiesen. Als Erstes werden elliptische Diffusionsprobleme mit gemischten Neumannund homogenen Dirichlet-Randbedingungen betrachtet, die durch konforme Finite Elemente beliebiger Ordnung diskretisiert werden. Weiter wird das abstrakte Framework auf zielorientierte adaptive Finite Elemente Methoden (GOAFEM) angewendet, bei denen die interessierende Größe der Funktionalwert eines linearen Funktionals der Lösung ist. Um den Fehler dieses Funktionalwerts abzuschätzen, wird eine modifizierte Fehlergröße eingeführt und für diese Instanzoptimalität gezeigt. Abschließend werden die Resultate einiger numerischer Experimente angegeben. Insgesamt verallgemeinert die Diplomarbeit die Arbeit [Diening, Kreuzer, Stevenson; Found. Comput. Math. 16 (2016)], in der Instanzoptimalität für eine adaptive P1-FEM für das Poisson-Problem mit homogenen Dirichlet Randbedingungen gezeigt wird.

This thesis aims to prove instance optimality of adaptive finite element methods (AFEMs) for various model problems. Based on the concept of populations, which allows for the proof of certain geometric properties of meshes and their sets of nodes, as well as the concept of energy, which is closely related to the finite element solution of a mesh and its approximation error, an abstract framework is developed for proving instance optimality of an AFEM for selected problems. Three properties will turn out to be sufficient for instance optimality: a lower diamond estimate of the energy, discrete local equivalence of energy and a posteriori error estimator, as well as an assumption on the marking step. These properties will be shown to be valid for two model problems. First, elliptic diffusion problems with mixed Neumann and homogeneous Dirichlet boundary conditions will be considered, which are discretised by conforming finite elements of arbitrary order. Furthermore, the abstract framework will be applied to goal oriented adaptive finite element methods (GOAFEM), in which the quantity of interest is the value of a linear functional of the solution. To estimate the error of this value, a modified error quantity is introduced, for which instance optimality is shown. Finally, the theoretical findings are underpinned by numerical experiments. Overall, the present diploma thesis generalizes the work [Diening, Kreuzer, Stevenson; Found. Comput. Math. 16 (2016)], which proves instance optimality of an adaptive P1-FEM for the Poisson problem with homogeneous Dirichlet boundary conditions.
Keywords: Finite Element Methode; Adaptiver Algorithmus; Optimale Konvergenz; Instanzoptimalität
finite element method; adaptive algorithm; optimal convergence rate; instance optimality
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-116262
http://hdl.handle.net/20.500.12708/7035
Library ID: AC15187141
Organisation: E101 - Institut für Analysis und Scientific Computing 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

10
checked on Apr 9, 2021

Download(s)

58
checked on Apr 9, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.