Escolar Documentos
Profissional Documentos
Cultura Documentos
ruidosos
La débil formulación del problema dice: Para casi todos t (0, T], encuentre u con la condición de
límite de Dirichlet dada y datos iniciales u (0) = u0 tal que
Mientras tanto, el problema linealizado tiene un término de convección (el tercer término), como
consecuencia del término no lineal que implica u Estos términos estructurales se relacionan con la
física subyacente del modelo. Se sigue directamente de la definición del derivado de Gâteaux, es
decir, que se denota por v = u ′ (df) d ∈ V y caracteriza la perturbación de u (df) causada por una
pequeña perturbación del coeficiente df en la dirección d en que (en débil formulación) satisface
y la condición inicial es v (0) = 0, ya que los datos iniciales no se ven afectados por una
perturbación del coeficiente de fricción.
3. Algoritmo de inversión
Junto con la condición terminal p (T) = 0. Recuerde la formulación débil del problema de
sensibilidad v = u ′ (df) d, es decir,
Junto con la condición inicial v (0) = 0. Al configurar la función de prueba w = u ′ (df) d andw = p en
las formulaciones débiles para p y u ′ (df) d, respectivamente, llegamos a
donde la última identidad se sigue de la condición inicial para u ′ (df) d y la condición terminal para
p. Esta relación produce el siguiente fórmula de gradiente conciso de la J funcional (df)
Notamos que este gradiente J ′ (df) no es apropiado para actualizar el coeficiente df directamente
debido a su falta de regularidad deseada. El gradiente consistente de la función con respecto a H1
(Ω), denotado por J ′ s (df), se puede calcular como
Con una condición límite homogénea de Neumann. Ahora podemos dar una descripción
completa del método de gradiente conjugado resumido en el algoritmo 1. En el
algoritmo, uno tiene la libertad de elegir el coeficiente conjugado βk y el tamaño de
paso θk. Hay varias opciones viables de la coeficiente conjugado [17]. Fletcher –
Reeves sugiere una opción popular, que lee
En general, la selección del tamaño de paso es de importancia crucial para el rendimiento del
algoritmo. Hemos optado por la siguiendo la regla simple. Mediante una expansión de Taylor de la
función objetivo J (dkf - θdk), con la solución delantera. tu (dkf - θdk) linealizado alrededor de dkf ,
llegamos a la siguiente fórmula aproximada para determinar un paso apropiado tamaño θk
razonablemente bien en la práctica [16]. Reglas de selección de tamaño de paso
avanzadas, como la regla de Barzilai-Borwein con retroceso, También se puede adoptar
para mejorar aún más el rendimiento. El algoritmo termina si el tamaño del paso
seleccionado cae por debajo 1.0 × 10−3. En general, cada paso de la iteración invoca
tres soluciones hacia adelante: la solución hacia adelante (no lineal) para calcular la
map u (df), la resolución adjunta (lineal) para calcular la p adjunta (df) y, por
consiguiente, el gradiente J ′ (df) y la (lineal)
Resolver la sensibilidad para seleccionar el tamaño de paso θ. El esfuerzo
computacional adicional para calcular el gradiente suavizado J ′ s (df) es marginal en
comparación con otros pasos debido a su estructura simple.
La Fig. 1 (a) y la Tabla 1 muestran los resultados numéricos del Ejemplo 1, donde e es
el error relativo de una aproximación df, definido como Las
reconstrucciones concuerdan razonablemente con el coeficiente exacto dĎ F Para hasta
un 2% de ruido en los datos. Por lo tanto, el método propuesto es estable y preciso.
Tomamos nota de que la aproximación cerca de la El límite parece menos preciso en
comparación con otras regiones. El error e disminuye a medida que el nivel de ruido ϵ
disminuye a cero; ver también Tabla 1. En general, la convergencia del algoritmo de
inversión es bastante constante; ver Fig. 1 (b) y (c). Mientras que el valor funcional J
(dkf ) disminuye monótonamente a medida que avanza la iteración, la convergencia del
error e muestra un valle claro, lo que indica que una terminación prematura del
algoritmo podría resultar en reconstrucciones por debajo del óptimo. Entonces
consideramos la recuperación de un coeficiente discontinuo.
5. Observaciones finales.
Hemos presentado una técnica de inversión para estimar el coeficiente de Manning en
la aproximación de onda difusiva de Las ecuaciones de aguas poco profundas. Los
resultados muestran que el enfoque propuesto es capaz de producir una información
precisa y estable. estimación en presencia de ruido. También hemos detallado un
estudio cuidadoso de las propiedades del mapa hacia adelante, en particular,
Discutimos su continuidad y diferenciabilidad basadas en la teoría de la regularidad
máxima para problemas parabólicos. La matemática El análisis, tal como, las tasas de
convergencia y convergencia, de tal técnica de inversión queda por investigar. También
el La evaluación del método en datos reales es de gran interés.