Core Concepts
Die Methode der Proper Orthogonal Decomposition (POD) ermöglicht eine effiziente Approximation von Evolutionsproblemen durch niedrigdimensionale Modelle, die in Optimierungs- und Kontrollproblemen eingesetzt werden können.
Abstract
Der Beitrag führt in die Methode der Proper Orthogonal Decomposition (POD) ein, die zur Modellreduktion von Evolutionsproblemen verwendet wird.
Zunächst wird die diskrete Variante der POD-Methode betrachtet. Für eine endliche Menge von Vektoren in einem Hilbertraum wird ein optimales niedrigdimensionales Teilraummodell bestimmt, das diese Vektoren bestmöglich approximiert. Dazu wird ein spezieller linearer Operator eingeführt, dessen Eigenvektoren die optimale Basis bilden.
Anschließend wird die kontinuierliche Variante der POD-Methode behandelt, bei der unendlich viele Vektoren, die von einem Parameter abhängen, approximiert werden sollen. Auch hier lässt sich die optimale Basis durch einen linearen Operator charakterisieren.
Es folgt eine Stabilitätsanalyse, die zeigt, dass die diskrete POD-Basis gegen die kontinuierliche konvergiert, wenn die diskreten Vektoren den kontinuierlichen Verlauf approximieren.
Schließlich wird der Fall betrachtet, dass der Hilbertraum Teil eines Gelfand-Tripels ist, was häufig bei Evolutionsgleichungen auftritt. Hier lassen sich Konvergenzraten für die POD-Approximation angeben.
Stats
Die Methode der Proper Orthogonal Decomposition (POD) ermöglicht eine effiziente Approximation von Evolutionsproblemen durch niedrigdimensionale Modelle.
Quotes
"Die POD-Methode bietet einen Weg, die {ψi}ℓ
i=1 auf optimale Weise zu berechnen. Es stellt sich heraus, dass dieser Ansatz sehr eng mit der Eigenwertzerlegung eines bestimmten linearen Operators zusammenhängt."
"Eine optimale Lösung {ˆψn
i }ℓ
i=1 zum Problem 2.1.2 wird als POD-Basis bezeichnet."