ФОРМУЛЫ ЧИСЛЕННОГО ДИФФЕРЕНЦИРОВАНИЯ НА РАВНОМЕРНОЙ СЕТКЕ ПРИ НАЛИЧИИ ПОГРАНИЧНОГО СЛОЯ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассматривается вопрос численного дифференцирования функций с большими градиентами. Предполагается, что для исходной функции одной переменной справедлива декомпозиция в виде суммы регулярной составляющей с ограниченными производными до некоторого порядка и погранслойной составляющей, имеющей большие градиенты и известной с точностью до множителя. Такая декомпозиция, в частности, справедлива для решения сингулярно возмущенной краевой задачи. Тема исследования актуальна, так как применение к функциям с большими градиентами классических полиномиальных формул численного дифференцирования может приводить к существенным погрешностям. Оценивается погрешность формул численного дифференцирования, по построению точных на погранслойной составляющей исходной функции. Приведены результаты численных экспериментов, согласующиеся с полученными оценками погрешностей. Библ. 16. Табл. 2.

Об авторах

А. И. Задорин

Ин-т матем. СО РАН

Email: zadorin@ofim.oscsbras.ru
Новосибирск

Список литературы

  1. Бахвалов Н. С., Жидков Н. П., Кобельков Г. М. Численные методы. М.: Наука, 1987.
  2. Задорин А. И. Метод интерполяции для задачи с пограничным слоем // Сиб. ж. вычисл. матем. 2007. Т. 10. N 3. С. 267–275.
  3. Zadorin A. I., Zadorin N. A. Interpolation formula for functions with a boundary layer component and its application to derivatives calculation // Sib. Electron. Math. Rep. 2012. V. 9. P. 445–455.
  4. Kellogg R. B., Tsan A. Analysis of some difference approximations for a singular perturbation problems without turning points // Math. Comput. 1978. V. 32. P. 1025–1039.
  5. Задорин А. И., Задорин Н. А. Неполиномиальная интерполяция функций с большими градиентами и ее применение // Ж. вычисл. матем. и матем. физ. 2021. Т. 61. N 2. С. 179–188.
  6. Il’in V. P., Zadorin A. I. Adaptive formulas of numerical differentiation of functions with large gradients // J. Phys.: Conf. Ser. 2019. V. 1260. 042003.
  7. Zadorin A., Tikhovskaya S. Formulas of numerical differentiation on a uniform mesh for functions with the exponential boundary layer // Internat. J. Numer. Anal. Model. 2019. V. 16. N 4. P. 590–608.
  8. Задорин А. И. Формулы численного дифференцирования функций с большими градиентами // Сиб. ж. вычисл. матем. 2023. Т. 26. N 1. С. 17–26.
  9. Задорин А. И. Анализ формул численного дифференцирования на сетке Шишкина при наличии пограничного слоя // Сиб. ж. вычисл. матем. 2018. Т. 21. N 3. С. 243–254.
  10. Шишкин Г. И. Сеточные аппроксимации сингулярно возмущенных эллиптических и параболических уравнений. Екатеринбург: УрО РАН, 1992.
  11. Задорин А. И. Анализ формул численного дифференцирования на сетке Бахвалова при наличии пограничного слоя // Ж. вычисл. матем. и матем. физ. 2023. Т. 63. N 2. С. 218–226.
  12. Бахвалов Н. С. К оптимизации методов решения краевых задач при наличии пограничного слоя // Ж. вычисл. матем. и матем. физ. 1969. Т. 9. N 4. С. 841–890.
  13. Roos H. G. Layer-adapted meshes: milestones in 50 years of history // Appl. Math. arXiv:1909.08273v1, 2019.
  14. Даутов Р. З., Тимербаев М. Р. Численные методы. Приближение функций: учебное пособие. Казань: Казан. ун-т, 2021.
  15. Kopteva N. V., Stynes M. Approximation of derivatives in a convection-diffusion two-point boundary value problem // Appl. Numer. Math. 2001. V. 39. P. 47–60.
  16. Shishkin G. I. Approximations of solutions and derivatives for a singularly perturbed elliptic convectiondiffusion equations // Math. Proc. Royal Irish Acad. 2003. V. 103A. N 4. P. 169–201.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».