有限元算法求解微分方程误差的收敛阶分析

有限元算法求解方程，最后得到的误差的收敛阶怎么判断是不是正确的？

最优误差估计

最优误差估计：如果在某种范数下，有限元的误差 $u-u_h$ 与相应的插值逼近误差 $u-I_{h}u$ 的收敛阶一致，则称对 $u-u_h$ 的估计是最优的（optimal）；若 $u-u_h$ 的阶高于 $u-I_{h}u$ ，则称 $u-u_h$ 具有超收敛性质；若低于插值的阶，则应该改进方法，使之提高。

换句话来说，The conforming finite elements, the finite element interpolation error can be used to bound the finite element solution error。 这里还有其他理论分析。

也就是说，有限元算法求解的误差，可以说应该与插值逼近的误差做比较。

有限元其实本身就是用分片式多项式去逼近方程的解。

符号定义

方程：$$\begin{gathered} -\nabla \cdot (c\nabla u)=f\text{in }\Omega \\ u=g\text{on }\partial \Omega \end{gathered}$$
求解$u$.

有限元插值函数：
$$I_{h}u=\sum _{j=1}^{N_b}u(X_j){\varphi }_j\in U_h$$
$X_j(j=1,...,N_b)$ 是有限元节点。 U h = s p a n { ϕ j } U_h = \mathrm{span} \{ \phi_j \} Uh​=span{ϕj​}是有限元空间， { ϕ j } j = 1 N b \{ \phi_j \}_{j=1}^{N_b} {ϕj​}j=1Nb​​是全局基函数

$$I_{h}u=\sum _{j=1}^{N_b}{u}_j{\varphi }_j\in U_h$$
这里$u_j=u(X_j)$,因为全局基函数的定义。
ϕ j ( X k ) = { 0 if  j ≠ k 1 if  j = k \phi_j(X_k) = \{ \begin{aligned} & 0 & \quad \text{if } j \neq k \\ & 1 & \quad \text{if } j = k \end{aligned} ϕj​(Xk​)={​01​if j=kif j=k​

误差定义

$u_h\in U_h$ 是有限元的解
$${\text{L}}^{\infty }\text{ norm error:}\Vert u-u_h{\Vert }_{\infty }=\underset{(x,y)\in \Omega }{\sup }|u(x,y)-u_h(x,y)|$$

$${\text{L}}^2\text{ norm error:}\Vert u-u_h{\Vert }_0=\sqrt{{\int }_{\Omega }(u-u_h{)}^{2}dxdy}$$

$${\text{H}}^1\text{ semi-norm error:}|u-u_h{|}_1=\sqrt{{\int }_{\Omega }{\left(\frac{\partial (u-u_h)}{\partial x}\right)}^{2}dxdy+{\int }_{\Omega }{\left(\frac{\partial (u-u_h)}{\partial y}\right)}^{2}dxdy}$$

给定 $u\in H$,和 $U_h$

因为 The conforming finite elements, the finite element interpolation error can be used to bound the finite element solution error

我们可以知道
$$||u-u_h||\le C||u-I_{h}u||$$

收敛阶

如果 ${\varphi }_j$ 是线性函数:
有限元线性插值函数误差收敛阶 for $L^{\infty }$ is $O(h^2)$
有限元线性插值函数误差收敛阶 for $L^2$ is $O(h^2)$
有限元线性插值函数误差收敛阶for $H^1$ is $O(h)$

如果 ${\varphi }_j$ 是 二次函数
有限元二次插值函数误差收敛阶 for $L^{\infty }$ is $O(h^3)$
有限元二次插值函数误差收敛阶 for $L^2$ is $O(h^3)$
有限元二次插值函数误差收敛阶 for $H^1$ is $O(h^2)$

详细的推导在这里，这应该是属于数值分析的内容，

分片式线性插值函数误差阶分析 最大误差（无穷范数）

分片式线性插值函数误差阶分析 L2范数误差

分片式线性插值函数误差阶分析 H1半范误差

分片式二次插值函数误差阶分析

例子

我们可以通过代码计算有限元的解，并得到收敛阶。

比如我用的是线性元求解方程。得到的误差是：
$$\begin{array}{cccccccc}\text{h1}& \text{h2}& \text{L\_inf\_error}& \text{Convergence\_L\_inf}& \text{L2\_norm\_error}& \text{Convergence\_L2}& \text{H1\_semi\_error}& \text{Convergence\_H1\_semi}\\ 0.2500& 0.1250& 2.2172\times 10^{-2}& 0.0000& 1.0435\times 10^{-2}& 0.0000& 2.4302\times 10^{-1}& 0.0000\\ 0.2500& 0.0625& 5.9584\times 10^{-3}& 1.8958& 2.6500\times 10^{-3}& 1.9774& 1.2205\times 10^{-1}& 0.9936\\ 0.2500& 0.0312& 1.5442\times 10^{-3}& 1.9481& 6.6521\times 10^{-4}& 1.9941& 6.1096\times 10^{-2}& 0.9984\\ 0.2500& 0.0156& 3.9305\times 10^{-4}& 1.9741& 1.6648\times 10^{-4}& 1.9985& 3.0557\times 10^{-2}& 0.9996\\ 0.2500& 0.0078& 9.9148\times 10^{-5}& 1.9870& 4.1631\times 10^{-5}& 1.9996& 1.5279\times 10^{-2}& 0.9999\end{array}$$

我们可以看到 对于$L^2/L^{\infty }$ 误差来说，收敛阶是$O(h^2)$ ，二阶的。对于$H^1$半范误差是$O(h)$ ，一阶的。

这和有限元插值误差阶是一致的，因此我们可以说使用线性有限元算法求解该方程是最优收敛的。

也就是说用线性有限元求解该方程是对的。