Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2412.05913

帮助 | 高级搜索

数学 > 数值分析

arXiv:2412.05913 (math)
[提交于 2024年12月8日 ]

标题: 椭圆重构和全离散线性抛物问题的后验误差估计

标题: Elliptic reconstruction and a posteriori error estimates for fully discrete linear parabolic problems

Authors:Omar Lakkis, Charalambos Makridakis
摘要: 我们推导了对线性抛物方程在时空域上解的全离散逼近的后验误差估计。空间离散化使用允许随时间变化的有限元空间。我们的主要工具是对Makridakis和Nochetto(2003)引入的椭圆重构技术的适当适应。我们推导了时间最大范数和空间均方范数以及时间导数的时间-空间均方范数的新最优阶后验误差估计。
摘要: We derive aposteriori error estimates for fully discrete approximations to solutions of linear parabolic equations on the space-time domain. The space discretization uses finite element spaces, that are allowed to change in time. Our main tool is an appropriate adaptation of the elliptic reconstruction technique, introduced by Makridakis and Nochetto (2003). We derive novel optimal order aposteriori error estimates for the maximum-in-time and mean-square-in-space norm and the mean-square in space-time of the time-derivative norm.
评论: 4个图
主题: 数值分析 (math.NA)
MSC 类: 65N30, 35K15, 65N15
ACM 类: G.1.8
引用方式: arXiv:2412.05913 [math.NA]
  (或者 arXiv:2412.05913v1 [math.NA] 对于此版本)
  https://doi.org/10.48550/arXiv.2412.05913
通过 DataCite 发表的 arXiv DOI
期刊参考: Mathematics of Computation 2006, vol. 75 no. 256 pp. 1627--1658
相关 DOI: https://doi.org/10.1090/S0025-5718-06-01858-8
链接到相关资源的 DOI

提交历史

来自: Omar Lakkis [查看电子邮件]
[v1] 星期日, 2024 年 12 月 8 日 12:15:22 UTC (141 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.NA
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-12
切换浏览方式为:
cs
cs.NA
math

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号