A goal-oriented finite element method and its extension to pgd reduced-order modeling

Nous proposons une méthode éléments finis formulée pour des quantités d'intérêt. L'objectif est d'accroître la précision des solutions numériques pour ces quantités, choisies par l'utilisateur, sans pour autant perdre en précision globale. Les approches traditionnelles visant à contrôler l'erreur en quantité d'intérêt utilisent habituellement la solution d'un problème adjoint pour: (i) estimer l'erreur en quantité d'intérêt; et (ii) savoir comment adapter la discrétisation afin d'obtenir un espace éléments finis capable de mieux représenter les quantités d'intérêt de la solution. Ces approches s'inscrivent donc dans un procédé itératif de prédictions-corrections. Nous proposons d'utiliser cette même solution adjointe conjointement avec un probleme primal modifié, tel que sa solution soit ajustée à une valeur plus précise de la quantité d'intérêt. Ainsi, nous résolvons dans un espace qui est déjà adapté à la quantité d'intérêt. L'originalité de la présente approche consiste à utiliser la solution du problème adjoint non pas en tant que substitut de la solution exacte/référence pour l'estimation d'erreur et l'adaptation, mais en extrayant de celle-ci des valeurs des quantités d'intérêt extrêmement précises. Ces valeurs sont ensuite utilisées dans une minimisation sous contrainte de l'énergie (problème primal contraint) afin d'obtenir une solution plus précise en quantité d'intérêt. Ensuite, nous étendons cette approche en quantité d'intérêt à un contexte de réduction de modèles en utilisant la PGD. Ces méthodes reposent généralement sur des représentations spectrales, et sont de plus en plus utilisées pour simuler des problèmes en haute dimension. En ne considérant que les principaux modes propres de la solution, ces méthodes déjouent la malédiction de la dimensionnalité et rendent possibles des simulations auparavant inenvisageables.