Spektrale Methoden für die PDE-Simulation: Theorie, Implementierung und wann sie verwendet werden sollen

Spektralverfahren sind numerische Techniken höherer Ordnung zur Lösung von partiellen Differentialgleichungen. Im Gegensatz zu Finite-Differenz-Methoden, die Derivate durch lokale Schablonen approximieren, stellen Spektralmethoden die Lösung mit Basisfunktionen dar, die sich über den gesamten Rechenbereich erstrecken.

Zu den gängigen Optionen gehören Fourier-Modi für periodische Probleme und Chebyshev- oder Legendre-Polynome für begrenzte, nicht-periodische Domänen. Wenn die Lösung ausreichend glatt ist, können diese globalen Approximationen mit relativ wenigen Freiheitsgraden eine sehr hohe Genauigkeit erreichen.

Dieser Vorteil ist mit wichtigen Einschränkungen verbunden. Spektralverfahren funktionieren am besten auf einfachen Domänen mit reibungslosen Lösungen und genau definierten Randbedingungen. Diskontinuitäten verursachen Schwingungen, komplexe Geometrie schwächt die Bequemlichkeit globaler Basen und die explizite Zeitintegration kann mit zunehmender Auflösung stark eingeschränkt werden.

Was sind Spektralmethoden?

Eine spektrale Methode nähert sich einer Funktion als gewichtete Summe von glatten Basisfunktionen:

u(x) ≈ Σ cₙ φₙ(x)

Die Funktionen φₙ bilden die spektrale Basis, während die Koeffizienten cₙ den Beitrag jedes Modus beschreiben. Anstatt nur lokale Informationen zu speichern, kann jeder Koeffizient die Näherung über die gesamte Domäne beeinflussen.

Die Grundlage sollte die Struktur des Problems widerspiegeln. Fourier-Funktionen sind für periodische Bereiche natürlich, da sie die Periodizität bereits erfüllen. Chebyshev- und Legendre-Polynome werden häufig in endlichen Intervallen wie [-1, 1] verwendet.

Spektralmethoden sind nicht einfach nur Schemata mit endlichen Differenzen hoher Ordnung. Sie folgen einer anderen Approximationsstrategie. Lokale Methoden konstruieren die Lösung aus Informationen in nahe gelegenen Zellen oder Elementen. Spektrale Methoden verwenden globale Modi, die eine reibungslose Funktion mit bemerkenswerter Effizienz beschreiben können.

Drei Haupt-Spektralformulierungen

Spektrale Methoden können die maßgebliche PDE auf verschiedene Weise durchsetzen.

Kollokationsmethoden

Eine Kollokationsmethode erfordert, dass die Differentialgleichung an ausgewählten Gitterpunkten gehalten wird. Diese Punkte sind oft mit der Basis- und Quadraturregel verbunden, wie Fourier-Gitterpunkte oder Tschebyshev-Gauss-Lobatto-Knoten.

Kollokation ist beliebt, weil sie Derivate in Matrixoperationen oder Spektraltransformationen umwandelt. Es ist auch relativ einfach, mit nichtlinearen Begriffen zu kombinieren, die im physischen Raum bewertet werden.

Galerkin-Methoden

Eine Galerkin-Methode projiziert den Rest der PDE auf die ausgewählten Basisfunktionen. Der Rest muss nicht an jedem Punkt verschwinden, sondern muss orthogonal zum Approximationsraum sein.

Diese Formulierung bietet eine natürliche schwache Form und kann bei sorgfältiger Auslegung wichtige Energie- oder Symmetrieeigenschaften bewahren.

Tau-Methoden

Eine Tau-Methode modifiziert ausgewählte Gleichungen, die den Moden höchster Ordnung zugeordnet sind, so dass Randbedingungen auferlegt werden können. Es ist eng mit dem Galerkin-Ansatz verbunden, behandelt jedoch Einschränkungen unterschiedlich.

Moderne Spektralsoftware kann einen Großteil dieser Implementierungsdetails verbergen. Benutzer müssen jedoch noch verstehen, wie die gewählte Formulierung Randbedingungen und differentielle Operatoren darstellt.

Fourier-Spektralmethoden

Fourier-Methoden stellen eine periodische Lösung als Summe trigonometrischer Moden dar:

u(x) ≈ Σ ûₖ exp(ikx)

Differenzierung wird im Spektralraum besonders einfach:

dûₖ/dx = ik ûₖ

Ein numerischer Solver kann daher die Lösung in Fourier-Koeffizienten umwandeln, jeden Koeffizienten mit der entsprechenden Wellenzahl multiplizieren und das Ergebnis wieder in einen physikalischen Raum umwandeln.

Die schnelle Fourier-Transformation reduziert die Kosten dieser Vorgänge auf ungefähr O(N log N). Dies macht Fourier-Methoden hocheffizient für periodische Simulationen, die Wellen, Turbulenzen, Flüssigkeitsdynamik und Musterbildung umfassen.

Ein Fourier-Derivat in Python

Die folgende Funktion berechnet die erste Ableitung einer periodischen Funktion, die auf einem einheitlichen Gitter abgetastet wird:

import numpy as np
from scipy.fft import fft, ifft, fftfreq

def fourier_derivative(values, domain_length):
    """Return the first derivative of periodic grid data."""

    number_of_points = len(values)
    spacing = domain_length / number_of_points

    wave_numbers = (
        2.0
        * np.pi
        * fftfreq(number_of_points, d=spacing)
    )

    spectral_values = fft(values)
    spectral_derivative = (
        1j
        * wave_numbers
        * spectral_values
    )

    return ifft(spectral_derivative).real


# Example
length = 2.0 * np.pi
points = 128

x = np.linspace(
    0.0,
    length,
    points,
    endpoint=False
)

values = np.sin(3.0 * x)
derivative = fourier_derivative(values, length)

exact_derivative = 3.0 * np.cos(3.0 * x)
error = np.max(np.abs(derivative - exact_derivative))

print("Maximum error:", error)

Für eine glatte periodische Funktion, die durch das Gitter gut aufgelöst wird, kann die Ableitung extrem genau sein. Das Verfahren vermeidet auch den Kürzungsfehler, der mit einer kurzen Schablone mit endlicher Differenz verbunden ist.

Chebyshev Spektralmethoden

Fourier-Modi sind ungeeignet, wenn die Lösung nicht periodisch ist. Chebyshev-Methoden bieten eine gemeinsame Alternative in einem endlichen Intervall.

Chebyshev-Gauß-Lobatto-Knoten sind definiert durch:

xⱼ = cos(πj / N),  j = 0, ..., N

Diese Punkte gruppieren sich in der Nähe der Endpunkte. Das Clustering verbessert die Polynominterpolation und hilft dabei, die großen Schwingungen zu kontrollieren, die bei gleicher Beabstandung hoher Ordnung auftreten können.

Das gleiche Clustering schafft auch eine zeitkritische Herausforderung. Der kleinste Abstand in der Nähe der Grenzen wird viel kleiner als der durchschnittliche Gitterabstand, was expliziten Methoden einschränkende Stabilitätsgrenzen auferlegen kann.

Aufbau einer Chebysschew-Differenzierungsmatrix

Die folgende Implementierung erstellt die Standard-Chebyshev-Differenzierungsmatrix erster Ordnung:

import numpy as np

def chebyshev_differentiation_matrix(order):
    """Return Chebyshev nodes and first derivative matrix."""

    if order == 0:
        return (
            np.array([1.0]),
            np.array([[0.0]])
        )

    indices = np.arange(order + 1)
    nodes = np.cos(np.pi * indices / order)

    coefficients = np.ones(order + 1)
    coefficients[0] = 2.0
    coefficients[-1] = 2.0

    coefficients *= (-1.0) ** indices

    node_matrix = np.tile(
        nodes,
        (order + 1, 1)
    )

    differences = (
        node_matrix.T
        - node_matrix
    )

    ratio_matrix = np.outer(
        coefficients,
        1.0 / coefficients
    )

    derivative_matrix = (
        ratio_matrix
        / (
            differences
            + np.eye(order + 1)
        )
    )

    derivative_matrix -= np.diag(
        np.sum(
            derivative_matrix,
            axis=1
        )
    )

    return nodes, derivative_matrix


# Example
order = 32
x, derivative_matrix = (
    chebyshev_differentiation_matrix(order)
)

values = np.exp(x)
numerical_derivative = derivative_matrix @ values
exact_derivative = np.exp(x)

error = np.max(
    np.abs(
        numerical_derivative
        - exact_derivative
    )
)

print("Maximum error:", error)

Die Differenzierungsmatrix ist dicht, da jede globale Basisfunktion das gesamte Intervall beeinflusst. Eine direkte Matrix-Vektor-Multiplikation hat Kosten von ungefähr O(N²).

Bei moderaten eindimensionalen Problemen kann dies noch praktisch sein. Größere Simulationen können transformationsbasierte Methoden, spärliche Reformulierungen, Domänenzerlegung oder spezialisierte Bibliotheken verwenden.

Warum die spektrale Konvergenz so schnell sein kann

Der Hauptvorteil von Spektralmethoden ist ihre Konvergenzrate für reibungslose Lösungen. Eine Finite-Differenz oder eine Finite-Elemente-Methode niedriger Ordnung konvergiert normalerweise algebraisch:

Error ≈ C N⁻ᵖ

Der Wert von p hängt von der Reihenfolge der Methode ab. Beispielsweise kann die Verdoppelung der Punktzahl in einem Verfahren zweiter Ordnung den Fehler um etwa den Faktor vier reduzieren, wenn sich die Lösung im asymptotischen Konvergenzbereich befindet.

Bei einer analytischen Lösung kann eine spektrale Approximation geometrisch oder exponentiell konvergieren:

Error ≈ C exp(-αN)

Dies bedeutet, dass die Erhöhung der Anzahl von Modi den Fehler viel schneller reduzieren kann als die Auflösung eines lokalen Verfahrens niedriger Ordnung.

Eine praktische Einführung mit numerischen Beispielen finden Sie in Lloyd N. Trefethens Spektralmethoden in MATLAB .

Die Glättungsanforderung

Exponentielle Konvergenz tritt nicht für jede Funktion auf. Es hängt von der Regelmäßigkeit der genauen Lösung ab.

• Eine analytische Lösung kann eine geometrische oder exponentielle Konvergenz erzeugen.
• Eine unendlich differenzierbare, aber nicht-analytische Lösung kann eine schnellere als algebraische Konvergenz ohne feste Exponentialrate erzeugen.
• Eine Lösung mit nur einer endlichen Anzahl von Derivaten erzeugt normalerweise algebraische Konvergenz.
• Eine diskontinuierliche Lösung schafft Gibbs-Oszillationen und beseitigt den Hauptvorteil einer globalen, reibungslosen Basis.

Glatte Koeffizienten garantieren keine glatte Lösung. Ecken, inkompatible Randbedingungen, diskontinuierliches Forcen, Materialschnittstellen und singuläre Anfangsdaten können die Regelmäßigkeit verringern.

Vor der Auswahl einer Spektralmethode sollten die Forscher die erwartete Glätte der Lösung untersuchen und nicht nur das Erscheinungsbild der maßgeblichen Gleichung.

Das Gibbs-Phänomen

Eine globale Fourier- oder Polynom-Erweiterung kann keinen Sprung darstellen, ohne in der Nähe zu oszillieren. Dieses Verhalten wird als Gibbs-Phänomen bezeichnet.

Wenn die Anzahl der Modi zunimmt, wird der Oszillationsbereich enger, aber das maximale Überschwingen in der Nähe der Diskontinuität verschwindet nicht auf die gleiche Weise wie der gewöhnliche Fehler in der glatten Region.

Diese Schwingungen können negative Konzentrationen, nicht-physikalische Druckwerte oder instabile nichtlineare Berechnungen erzeugen. Die Filterung kann sie reduzieren, aber das Filtern entfernt auch hochfrequente Informationen und führt zu einer Dissipation.

Reine globale Spektralmethoden sind daher selten die erste Wahl für schockdominierte Naturschutzgesetze.

Multidomänen-Spektralmethoden

Eine Möglichkeit, die spektrale Genauigkeit zu erhalten, besteht darin, die Domäne in Subdomains zu unterteilen. Jede Subdomain erhält eine eigene reibungslose spektrale Expansion.

Liegt eine Diskontinuität oder Materialschnittstelle genau auf einer Subdomänengrenze, kann die Näherung innerhalb jedes Bereichs glatt bleiben. Schnittstellenbedingungen Verbinden Sie dann die Subdomain-Lösungen.

Dieser Ansatz ist in der Astrophysik und der numerischen Relativität üblich. Eine detaillierte Übersicht finden Sie in Grandclément und Novaks Spektralmethoden für numerische Relativitätstheorie .

Multidomänenformulierungen bilden auch eine Brücke zwischen globalen Spektralmethoden und Spektralelementtechniken.

Schock-Capturing-Ansätze

Es wurden mehrere Techniken entwickelt, um spektrale Approximationen in der Nähe von Schocks zu stabilisieren. Sie umfassen spektrale Filterung, spektrale Fluchtviskosität, Relaxation und periodische Entfernung ungelöster Hochfrequenzmodi.

Jüngste Arbeiten zur spektralen Relaxation und zur spektralen Reinigung untersuchen, wie sorgfältig entworfene Kernel Schwingungen steuern können, während nützliche Informationen in der Feinskala beibehalten werden. Ein Beispiel ist die Studie Novel-Spektralverfahren für Schockerfassung und Entfernung von Tyger in Computational Fluid Dynamics .

Diese Techniken können eine spektrale Simulation verbessern, aber sie machen kein diskontinuierliches Problem, das einem glatten entspricht. Die Methode, Filterstärke, Auflösung und Konservierungseigenschaften erfordern immer noch eine sorgfältige Validierung.

zeitschritte Einschränkungen

Hohe räumliche Genauigkeit beseitigt keine zeitlichen Stabilitätsgrenzen. Tatsächlich können spektrale Diskretisierungen große Eigenwerte erzeugen, die die explizite Zeitintegration restriktiv machen.

Für die Fourier-Diskretisierung der Advektion erster Ordnung wächst die größte Wellenzahl proportional zu N . Eine explizite Stabilitätsgrenze skaliert daher häufig ungefähr wie folgt:

Δt ∝ N⁻¹

Für die Fourier-Diffusionsdiskretisierung wachsen Eigenwerte wie das Quadrat der Wellenzahl:

Δt ∝ N⁻²

Chebyshev-Punkt-Clustering macht explizite Grenzen restriktiver. Bei Problemen der ersten Derivate kann die praktische Grenze ungefähr als N⁻² skalieren. Für Diffusionsoperatoren der zweiten Derivat kann es noch schwerer werden.

Der genaue Zustand hängt vom PDE, der Grenzbehandlung, der Formulierung und dem Zeitintegrator ab. Es sollte nicht auf einen universellen Exponenten reduziert werden.

Implizite und IMEX-Integration

Implizite Methoden können die stärksten Stabilitätsbeschränkungen vermeiden, die mit linearer Diffusion oder anderen steifen Termen verbunden sind. Crank-Nicolson- und Rückwärtsdifferenzierungsformeln sind häufige Entscheidungen.

Eine IMEX-Methode behandelt steife lineare Begriffe implizit und bewertet nichtlineare oder weniger restriktive Ausdrücke explizit:

∂u/∂t = L(u) + N(u)

Der lineare Operator L kann die Diffusion darstellen, während N nichtlineare Advektion oder Reaktion enthält. Diese Struktur ist in Spektral-PDE-Software weit verbreitet.

Einen breiteren Vergleich finden Sie im Leitfaden Zeitintegrationsmethoden für PDE-Solver: Explicit Vs. Implizite Schemata .

Nichtlineare Begriffe und Aliasing

Nichtlineare Produkte erstellen Modi mit höheren Frequenzen als die ursprüngliche Auflösung. Wenn diese Modi auf dem vorhandenen Gitter abgetastet werden, können sie falsch als Komponenten mit niedrigerer Frequenz angezeigt werden. Das nennt man Aliasing.

Pseudospektrale Solver berechnen normalerweise Derivate im Spektralraum und nichtlineare Produkte im physikalischen Raum. Bevor das Produkt zurückgewandelt wird, können sie Dealiasing anwenden.

Die gemeinsame Zwei-Drittel-Regel entfernt die höchsten Fourier-Modi nach nichtlinearer Multiplikation. Ein anderer Ansatz pflegt die spektrale Darstellung auf ein größeres Gitter, führt dort die Multiplikation durch und schneidet das Ergebnis ab.

Ohne Dealiasing kann eine Simulation auch dann ungenau oder instabil werden, wenn das räumliche Gitter ausreichend fein erscheint.

mit Dedalus

Das Erstellen eines vollständigen mehrdimensionalen Spektrallösers erfordert Basismanagement, Transformationen, Grenzgleichungen, parallele Verteilung und Zeitintegration. Die Dedalus-Dokumentation beschreibt ein Python-Framework, das speziell für Spektral-PDE-Simulationen entwickelt wurde.

Dedalus unterstützt Fourier- und Polynom-Basis, Anfangswertprobleme, Grenzwertprobleme, Eigenwertprobleme und parallele Ausführung. Es bietet auch Tau-basierte Tools zum Auferlegen von Einschränkungen in nicht-periodischen Domänen.

Benutzer sollten die Syntax der installierten Dedalus-Version befolgen, da sich ihre API zwischen den Hauptversionen geändert hat. Konzeptionell bleibt der Workflow konsistent:

1. Wählen Sie Koordinaten und Spektralbasen aus.
2. Erstellen Sie Felder für die abhängigen Variablen.
3. Definieren Sie die Gleichungen und Randbedingungen.
4. Wählen Sie einen Zeitintegrator oder einen linearen Solver aus.
5. Legen Sie Auflösungs-, Dealiasing- und Ausgabeaufgaben fest.
6. Führen Sie Konvergenz- und Stabilitätsprüfungen durch.

Spektrale Methoden und Randbedingungen

Periodische Randbedingungen sind natürlich in eine Fourier-Basis aufgebaut. Nicht-periodische Bedingungen erfordern mehr Arbeit.

Dirichlet- oder Neumann-Bedingungen können durch Ersetzen von Kollokationsgleichungen, Konstruktion von Basisfunktionen, die bereits die Bedingungen erfüllen, oder durch Hinzufügen von Tau-Variablen und Einschränkungen auferlegt werden.

Der ausgewählte Ansatz beeinflusst die Matrixkonditionierung und die Struktur des endgültigen Systems. Randbedingungen sollten daher bei der Auswahl der Basis berücksichtigt werden, die nicht erst hinzugefügt werden, wenn die räumliche Diskretisierung abgeschlossen ist.

Die Erforschung orthogonaler Basen für zeitabhängige PDEs bietet zusätzliche Möglichkeiten zur Klassifizierung von Basissystemen und Grenzverhalten. Eine aktuelle mathematische Diskussion ist in Arieh Iserles ‚ verfügbar Spektrale Methoden für zeitabhängige PDEs .

Spektrale Methoden vs. diskontinuierlicher Galerkin

Spektrale und diskontinuierliche Galerkin-Methoden verwenden beide Polynom-Approximation, verteilen die Basis jedoch unterschiedlich.

Eine traditionelle Spektralmethode verwendet eine globale Basis für die gesamte Domäne. Eine DG-Methode weist jedem Element eine separate Polynombasis zu und ermöglicht Sprünge zwischen benachbarten Elementen.

Spektralelement- und Spektraldifferenzmethoden kombinieren die Zerlegung der lokalen Domäne mit der Annäherung höherer Ordnung in jedem Element. Ein Python-orientiertes Beispiel für die Verbindung zwischen lokaler Approximation höherer Ordnung und DG ist in wachtel beschrieben: einem leichten, diskontinuierlichen Open-Source-Galerkin-Code in Python .

Wenn Spektralmethoden am besten funktionieren

Eine globale Spektralmethode ist eine starke Wahl, wenn:

• Die erwartete Lösung ist glatt oder analytisch.
• Die Domäne ist periodisch, rechteckig oder eindimensional.
• Die Randbedingungen stimmen mit der ausgewählten Basis überein.
• Hohe räumliche Genauigkeit ist wichtiger als geometrische Flexibilität.
• Das Problem kann FFT-basierte Transformationen oder mäßige dichte Matrizen verwenden.
• Diskontinuitäten und scharfe Materialschnittstellen fehlen.

Typische Anwendungen sind die Ausbreitung der glatten Wellen, die Stabilitätsanalyse, inkompressible Strömungen auf einfachen Domänen, Quantenmodelle, die Musterbildung und ausgewählte Probleme in der Geophysik und Astrophysik.

Wenn eine andere Methode besser ist

Finite Volumen- oder DG-Methoden sind normalerweise natürlicher, wenn Schocks, Kontaktdiskontinuitäten oder strikte lokale Erhaltung das Problem dominieren.

Finite-Element- und Spektralelement-Methoden können für komplizierte Geometrie, lokale Verfeinerung und unregelmäßige Grenzen geeigneter sein.

Finite-Differenz-Methoden niedriger Ordnung können bevorzugt bleiben, wenn die Implementierung, spärliche lineare Algebra und das vorhersagbare lokale Verhalten mehr als extreme Genauigkeit wichtig sind.

Die Entscheidung sollte auf der Regelmäßigkeit der Lösung, der Domänengeometrie, der Randbedingungen, der Zeitskalenbeschränkungen und der Ausgabe basieren, die vorhergesagt werden muss.

Eine praktische Auswahltabelle

Häufige Implementierungsfehler

Ein häufiger Fehler ist die Auswahl einer Spektralmethode, nur weil eine hohe Genauigkeit erwartet wird. Die Lösung muss zunächst auf Glätte überprüft werden.

Andere häufige Probleme sind:

• Verwenden von Fourier-Modi für nicht-periodische Daten ohne entsprechende Erweiterung
• Ignorieren von Aliasing in nichtlinearen Gleichungen
• Verwenden eines expliziten Zeitschritts, der die Grenze der Spektralstabilität verletzt
• Randbedingungen inkonsistent anwenden
• Angenommen, alle reibungslosen Funktionen erzeugen die gleiche Exponentialrate
• Zu viele Modi ohne Überwachung der Konditionierung verwenden
• Gibbs-Oszillationen als physisches Verhalten interpretieren
• Vergleichen mit Methoden niedrigerer oder lokaler Methode überspringen

So validieren Sie einen Spektrallöser

Beginnen Sie mit einer glatten Funktion, deren Derivat- oder PDE-Lösung analytisch bekannt ist. Erhöhen Sie die Anzahl der Modi und messen Sie den Fehler.

Bei einem analytischen Problem sollte der Fehler schnell abnehmen, bis er Grenzen erreicht, die durch Gleitkommagenauigkeit, Konditionierung, Zeitintegrationsfehler oder eine unzureichend genaue Referenzlösung verursacht werden.

Wiederholen Sie bei nichtlinearen Problemen das Experiment mit und ohne Dealiasing. Überprüfen Sie konservierte Größen, Grenzresiduen und den Zerfall der Spektralkoeffizienten.

Eine nützliche Spektrallösung zeigt normalerweise Koeffizienten, die in Richtung der höchsten aufgelösten Modi abnehmen. Wenn die Endkoeffizienten groß bleiben, kann die Simulation untergelöst werden.

Verwandte Anleitungen

• Was ist wissenschaftliche Simulation und warum ist es wichtig?
• Zeitintegrationsmethoden für PDE-Solver: Explizite vs. implizite Schemata

weiterlesen

• Trefethen, L. N. — Spektralmethoden in MATLAB
• Zusätzliches SIAM-Material zu spektralen Approximationen
• Iserles, A. — Mathematische Grundlagen spektraler Methoden für zeitabhängige PDE
• Forschung zur spektralen Entspannung, Spülung und Schockerfassung
• Grandclément und Novak — Spektralmethoden für die numerische Relativität
• Dedalus-Projektdokumentation
• Wachtel: Ein leichter, diskontinuierlicher Open-Source-Galerkin-Code in Python

Schlussfolgerung

Spektralmethoden approximieren PDE-Lösungen mit globalen Fourier- oder Polynombasen. Für analytische Lösungen auf geeigneten Domänen können sie mit weitaus weniger Freiheitsgraden eine sehr hohe Genauigkeit erreichen als lokale Methoden mit niedriger Ordnung.

Ihre Leistung hängt stark von der Laufruhe ab. Diskontinuitäten verursachen Gibbs-Oszillationen, unregelmäßige Geometrie schwächt die Bequemlichkeit globaler Basen, und hochauflösende Tschebyshev-Diskretisierungen können schwerwiegende explizite Zeitschrittbeschränkungen auferlegen.

Fourier-Methoden sind besonders effektiv bei periodischen Problemen, während Chebyshev- und Legendre-Techniken begrenzte nicht-periodische Domänen unterstützen. Implizite oder IMEX-Zeitintegration, Dealiasing und sorgfältige Grenzbehandlung sind in praktischen Simulationen häufig erforderlich.

Wenn die Domäne komplex ist oder die Lösung scharfe Grenzflächen enthält, können spektrale Elemente, diskontinuierliche Galerkin- oder Finite-Volumen-Methoden eine bessere Balance bieten. Die richtige Methode wird nicht nur durch die gewünschte Genauigkeit bestimmt, sondern auch durch Regelmäßigkeit, Geometrie, Konservierungsanforderungen und Rechenkosten.