LoginSignup
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@ShotaDeguchi(Shota DEGUCHI)

最小二乗法とGalerkin法

Last updated at Posted at 2024-02-01

初めに

重み付き残差法（特に，最小二乗法），およびGalerkin法について，自分なりに纏めてみる．

以下を参考にしている:

モデル問題

問題設定

厚さ$h$の均一な地盤（単位体積重量$\gamma$，ヤング率$E$）を考える．

地盤は下端境界で固定支持されており，上端境界で分布荷重$q$が作用しているものとする．

このとき，地盤の深さ方向の変位$u(z)$を求める問題を考える．

微小要素における釣り合いを考えると，

\begin{align}
    (- \sigma_{zz}(z) + \sigma_{zz}(z+\Delta z)) \Delta x \Delta y - \gamma \Delta x \Delta y \Delta z &= 0 \\
    \frac{d \sigma_{zz}}{d z} \Delta z - \gamma \Delta z &= 0 \\
    \therefore \frac{d \sigma_{zz}}{d z} &= \gamma
\end{align}

を得る．応力$\sigma_{zz}$と変位$u$の関係

\begin{equation}
    \sigma_{zz} = E \varepsilon_{zz} = E \frac{du}{dz}
\end{equation}

より，以下の境界値問題を得る．

\begin{alignat}{2}
    E \frac{d^2 u}{d z^2}
    &= \gamma
    \quad &&(0 < z < h) \\
    u &= 0
    \quad &&(z = 0) \\
    E \frac{d u}{d z} &= - q
    \quad &&(z = h) \\
\end{alignat}

厳密解

まずは，厳密解を求めておく．

元の微分方程式を積分すると，

\begin{align}
    \frac{d^2 u}{d z^2} &= \frac{\gamma}{E} \\
    \frac{du}{dz} &= c_1 + \frac{\gamma}{E} z \\
    u &= c_0 + c_1 z + \frac{\gamma}{2E} z^2
\end{align}

として，一般解を得る．境界条件を考慮すると，

\begin{align}
    0 &= u(z=0) = c_0 \\
    - \frac{q}{E} &= \frac{du}{dz}(z=h) = c_1 + \frac{\gamma}{E} h \\
\end{align}

より，

\begin{align}
    c_0 &= 0 \\
    c_1 &= - \frac{q + \gamma h}{E}
\end{align}

であるから，厳密解は

\begin{equation}
    u = - \frac{q + \gamma h}{E} z + \frac{\gamma}{2E} z^2 
\end{equation}

である．

例えば，$z=h$における変位は

\begin{align}
    u(h)
    &= \frac{\gamma}{2E} h^2 - \frac{q + \gamma h}{E} h \\
    &= - \frac{2 q h + \gamma h^2}{2E}
\end{align}

であり，負の値であることは，沈下していることを示している．

重み付き残差法（最小二乗法）

近似解の用意

厳密解$u$の代わりに，近似解$\hat{u}$を用意する．

\begin{align}
    \hat{u}(z; \boldsymbol{\beta})
    &= \sum_{i=0}^{N} \beta_i \psi_i(z) \\
    &= \sum_{i=0}^{N} \beta_i z^i \\
\end{align}

ここで，$\boldsymbol{\beta} = \lbrace \beta_i \rbrace_{i=0}^{N}$はパラメータ（未知数）である1．$\psi_i(z)$は既知の基底関数であり，今回は$\psi_i(z) = z^i$としてみる．近似関数$\hat{u}$を決定することは，$N+1$個の未知数$\lbrace \beta_i \rbrace_{i=0}^{N}$を決定することである．

まずは，境界条件を満たすために，$\hat{u}$の動ける範囲を絞る．$N \ge 1$とし，$\hat{u}$は少なくとも1次以上の多項式とする．

Dirichlet境界条件$u(z=0) = 0$を$\hat{u}$に課す．

\begin{align}
    0 = \hat{u} 
    &= \sum_{i=0}^{N} \beta_i z^i \\
    &= \beta_0 + \beta_1 \cdot 0 + \beta_2 \cdot 0^2 + \cdots + \beta_N \cdot 0^N \\
    &= \beta_0
\end{align}

すなわち，$\beta_0 = 0$である．

続いて，$\hat{u}$の1階の導関数を求めておく．

\begin{align}
    \frac{d \hat{u}}{d z}(z; \boldsymbol{\beta})
    &= \beta_1 + 2 \beta_2 z + 3 \beta_3 z^2 + \cdots + N \beta_N z^{N-1} \\
    &= \sum_{i=1}^{N} i \beta_i z^{i-1}
\end{align}

これを以て，Neumann境界条件$d u/d z = -q/E$を$\hat{u}$に課す．

\begin{align}
    - \frac{q}{E} = \frac{d \hat{u}}{d z}
    &= \sum_{i=1}^{N} i \beta_i h^{i-1} \\
    &= \beta_1 + \sum_{i=2}^{N} i \beta_i h^{i-1}
\end{align}

すなわち，$\beta_1 = -q/E - \sum_{i=2}^{N} i \beta_i h^{i-1}$である．

以上より，近似解$\hat{u}$は，

\begin{align}
    \hat{u}(z; \boldsymbol{\beta})
    &= \sum_{i=0}^{N} \beta_i z^i \\
    &= \beta_0 + \beta_1 z + \sum_{i=2}^{N} \beta_i z^i \\
    &= \beta_1 z + \sum_{i=2}^{N} \beta_i z^i
\end{align}

に改められる．

$N+1$個の未知係数$\lbrace \beta_i \rbrace_{i=0}^{N}$を定める問題から，$N-1$個の未知係数$\lbrace \beta_i \rbrace_{i=2}^{N}$を定める問題に置き換わった．

残差

近似解$\hat{u}$を元の微分方程式に代入し，以下の残差$r$を定義する．

\begin{align}
    r := E \frac{d^2 \hat{u}}{d z^2} - \gamma
\end{align}

ここで，$\hat{u} = \hat{u}(z; \boldsymbol{\beta})$より，$r = r(z; \boldsymbol{\beta})$である．

また，$\hat{u}$は，真なる解$u$とは異なると考えられるため，残差$r$は非ゼロであろうと予想する．ただし，真なる解$u$が残差ゼロを達成するのだから，近似解$\hat{u}$に対する要求は，残差$r$をなるべく小さくせよ，ということである．

すなわち，残差$r$を最小化するような$\boldsymbol{\beta}$を求めよ，という問題に置き換わった．

最小二乗法（2次多項式）

ところで，残差$r$を最小化せよ，という問題は少し都合が悪い．

なぜなら，$r$は$z$に依存する関数であるため，例えば，

  • $r(z=0.2; \boldsymbol{\beta}_1) = 0.1$，かつ $r(z=0.8; \boldsymbol{\beta}_1) = 0.2$，
  • $r(z=0.2; \boldsymbol{\beta}_2) = 0.2$，かつ $r(z=0.8; \boldsymbol{\beta}_2) = 0.1$，

という，2つの解の候補があるとき，$\boldsymbol{\beta}_1$と$\boldsymbol{\beta}_2$のどちらがを採用すべきか難しい．

そこで，$r$の大きさを測る尺度を用意する．具体的には，以下の二乗和を考える．

\begin{align}
    R(\boldsymbol{\beta}) 
    &:= \int_{\Omega} r(z; \boldsymbol{\beta})^2 dz
\end{align}

ここで，$\Omega = (0, h)$である．$z$について積分することで，$z$の次元を押し潰している．得られた$R(\boldsymbol{\beta})$のことを，飽くまでも本稿では「積分残差」と呼ぶことにする2．

先ほどは，残差$r$を最小化するような$\boldsymbol{\beta}$を探そう，と記したが，上述の不都合などを解消するために，積分残差$R$を最小化するような$\boldsymbol{\beta}$を探せ，という問題に置き換えた．

さて，近似解の形を

\begin{equation}
    \hat{u}(z; \boldsymbol{\beta})
    = \sum_{i=0}^{N} \beta_i z^i
    = \beta_1 z + \sum_{i=2}^{N} \beta_i z^i
\end{equation}

などとぼかしていたが，そろそろ具体的な形（次数）を定めて話を進めることにしよう．

まずは，$N=2$としてみる．すなわち，

\begin{equation}
    \hat{u}(z; \boldsymbol{\beta}) = \beta_1 z + \beta_2 z^2
\end{equation}

である（既に$\beta_1$は既知であるため，$\beta_2$のみ定めれば良い）．このとき，残差$r$は

\begin{align}
    r(z; \boldsymbol{\beta})
    &= E \frac{d^2 \hat{u}}{d z^2} - \gamma \\
    &= E \frac{d^2}{d z^2} (\beta_1 z + \beta_2 z^2) - \gamma \\
    &= 2 E \beta_2 - \gamma
\end{align}

である．よって，積分残差$R$は

\begin{align}
    R(\boldsymbol{\beta})
    &= \int_{\Omega} r(z; \boldsymbol{\beta})^2 dz \\
    &= \int_{\Omega} (2 E \beta_2 - \gamma)^2 dz \\
    &= (2 E \beta_2 - \gamma)^2 h
\end{align}

である．

強調すべきは，$R$は$\beta_2$の2次式となっている点である．すなわち，$R$はパラメータ空間で（$\beta_2$について）綺麗なお椀型の（単峰の）下に凸な関数となっており，$R$を最小化する$\beta_2$は唯一に定まる（「$R$を最小化する$\beta_2$を探す」と「$\partial_{\beta_2} R = 0$なる$\beta_2$を探す」は同値である）．

ヤング率$E$や厚さ$h$は明らかに非ゼロなので，

\begin{align}
    \frac{d R}{d \beta_2} = 0
    \Rightarrow 2 E (2 E \beta_2 - \gamma) h &= 0 \\
    \therefore \beta_2 &= \frac{\gamma}{2E}
\end{align}

より，$\beta_1$の具体的な形（$\beta_1 = -q/E - \sum_{i=2}^{N} i \beta_i h^{i-1}$）を思い出し，以下の近似解を得る．

\begin{align}
    \hat{u}(z; \boldsymbol{\beta})
    &= \beta_1 z + \beta_2 z^2 \\
    &= \left( - \frac{q}{E} - 2 \beta_2 h \right) z + \beta_2 z^2 \\
    &= - \frac{q + \gamma h}{E} z + \frac{\gamma}{2E} z^2
\end{align}

これは，厳密解$u$と一致する（何ということだろう！）．

最小二乗法（3次多項式）

続いて，$N=3$としてみる．すなわち，近似解を以下の3次多項式とする3．

\begin{equation}
    \hat{u}(z; \boldsymbol{\beta}) = \beta_1 z + \beta_2 z^2 + \beta_3 z^3
\end{equation}

このとき，残差$r$は

\begin{align}
    r(z; \boldsymbol{\beta})
    &= E \frac{d^2 \hat{u}}{d z^2} - \gamma \\
    &= E \frac{d^2}{d z^2} (\beta_1 z + \beta_2 z^2 + \beta_3 z^3) - \gamma \\
    &= 2 E \beta_2 - \gamma + 6 E \beta_3 z
\end{align}

である．積分残差$R$は

\begin{align}
    R(\boldsymbol{\beta})
    &= \int_{\Omega} r(z; \boldsymbol{\beta})^2 dz \\
    &= \int_{\Omega} (2 E \beta_2 - \gamma + 6 E \beta_3 z)^2 dz \\
    &= (2 E \beta_2 - \gamma)^2 h
        + 2 (2 E \beta_2 - \gamma) 6 E \beta_3 \frac{h^2}{2}
        + (6 E \beta_3)^2 \frac{h^3}{3} \\
    &= (2 E \beta_2 - \gamma)^2 h
        + 6 (2 E \beta_2 - \gamma) E \beta_3 h^2
        + 12 E^2 \beta_3^2 h^3
\end{align}

であり，やはりパラメータについて2次形式となっているから，$\partial_{\boldsymbol{\beta}} R = 0$を解けば良い．

実際に計算すれば，

\begin{align}
    \frac{d R}{d \beta_2} = 0
    &\Rightarrow
    (2 E \beta_2 - \gamma) + 3 E \beta_3 h = 0 \\
    \frac{d R}{d \beta_3} = 0
    &\Rightarrow
    (2 E \beta_2 - \gamma) + 4 E \beta_3 h = 0
\end{align}

より，

\begin{align}
    E
    \begin{bmatrix}
        2 & 3h \\
        2 & 4h
    \end{bmatrix}
    \begin{bmatrix}
        \beta_2 \\
        \beta_3
    \end{bmatrix}
    &=
    \begin{bmatrix}
        \gamma \\
        \gamma
    \end{bmatrix} \\
    \therefore
    \begin{bmatrix}
        \beta_2 \\
        \beta_3
    \end{bmatrix}
    &=
    E^{-1}
    \begin{bmatrix}
        2 & 3h \\
        2 & 4h
    \end{bmatrix}^{-1}
    \begin{bmatrix}
        \gamma \\
        \gamma
    \end{bmatrix} \\
    &=
    \frac{1}{2Eh}
    \begin{bmatrix}
        4h & -3h \\
        -2 & 2
    \end{bmatrix}
    \begin{bmatrix}
        \gamma \\
        \gamma
    \end{bmatrix} \\
    &=
    \frac{1}{2Eh}
    \begin{bmatrix}
        \gamma h \\
        0
    \end{bmatrix} \\
\end{align}

である．これは，先ほどの2次多項式の場合と全く同じである（これは統計学の最小二乗法にも登場するNormal Equationではないか，名前が偶然一致しているわけではないのか，うおお）．

最小二乗法（1次多項式）

先ほどは，特に理由を付けずに$N=2$や$N=3$としてみたが，$N=1$とするとどうなるだろうか（試行関数の定義$\hat{u} = \beta_1 z + \sum_{i=2}^{N} \beta_i z^i$上，こんなことをして良いのか？という疑問はあるがえいやっと進む）．近似解は，

\begin{equation}
    \hat{u}(z; \boldsymbol{\beta}) = \beta_1 z
\end{equation}

である．$\beta_1$は既に定まっており，$\beta_1 = -q/E - \sum_{i=2}^{N} i \beta_i h^{i-1}$であるから，結局，

\begin{equation}
    \hat{u}(z; \boldsymbol{\beta}) = - \frac{q}{E} z
\end{equation}

が近似解となろう．これは，$z=0$で$u=0$，$z=h$で$du/dz = -q/E$であり，境界条件を満たす．

ところで，元の微分方程式は2階の微分方程式であることを思い出そう．$d^2u / dz^2 = \gamma / E$において，例えば，右辺が$z$に依存する滑らかな関数のとき，$u$は2回微分して，まだ滑らかな（かつ$z$に依存する）関数でなければ等式が成り立たない．しかし，いま用意した近似解は1次多項式であり，そのラプラシアンは至るところでゼロである．

こうしたことを考えると，今回の近似解は境界条件を満たすものの，何だか違和感が残る（かつ，関数自体の定義の怪しさがある）．

弱形式

弱形式化

元の境界値問題を再掲する．

\begin{alignat}{2}
    E \frac{d^2 u}{d z^2}
    &= \gamma
    \quad &&(0 < z < h) \\
    u &= 0
    \quad &&(z = 0) \\
    E \frac{d u}{d z} &= - q
    \quad &&(z = h) \\
\end{alignat}

ここで，関数空間$V$を

\begin{align}
    V = \{ 
        v \in H^1 (\Omega) \mid 
        v: \bar{\Omega} \to \mathbb{R}, 
        v = 0 \text{ on } \Gamma_D
    \}
\end{align}

と定めておく（$\Gamma_D$はDirichlet境界であり，今回の例では$z=0$がこれに当たる）．

微分方程式の両辺に任意の$v \in V$を掛けて$\Omega$上で積分すると，

\begin{align}
    \int_{\Omega} E \frac{d^2 u}{d z^2} v dz
    &= \int_{\Omega} \gamma v dz
\end{align}

である．ここで，部分積分法から，

\begin{align}
    \int_{\Omega} E \frac{d^2 u}{d z^2} v dz
    &= E \left. \frac{d u}{d z} v \right|_{\Gamma}
        - \int_{\Omega} E \frac{d u}{d z} \frac{d v}{d z} dz \\
    &= - q v(h)
        - \int_{\Omega} E \frac{d u}{d z} \frac{d v}{d z} dz
\end{align}

より，先の積分の式は

\begin{align}
    - \int_{\Omega} E \frac{d u}{d z} \frac{d v}{d z} dz
    &= \int_{\Omega} \gamma v dz + q v(h)
\end{align}

となる4．

強調すべきは，解$u$の微分の階数が1階減っていることである．すなわち，$u$に課される滑らかさの条件が緩和されている．また，Neumann境界条件は，境界条件として陽に課されるというよりも，方程式の中に取り込まれた形になっている．

このようにして得られた方程式を，元の方程式の弱形式（weak form）と呼ぶ．これに対して，元の方程式は強形式（strong form）と呼ばれる．弱形式の解を，元の方程式の弱解（weak solution）と呼ぶ．

また，この分野では，

  • $\hat{u}$のことを試行関数（trial function），あるいは近似関数（approximate solution）
  • $v$のことを試験関数（test function）5，あるいは隆起関数（bump function），あるいは重み関数（weight function）

と呼ぶ．

Galerkin法（1次多項式）

弱解の有限次元近似を求める方法に，Galerkin法がある6．

Galerkin法では，幾つかの関数の1次結合で試行関数や試験関数の近似関数を用意する（この意味で，先ほどまで使っていた近似解と似ている）．具体的には，関数空間

\begin{align}
    U_h &= \left\{ \hat{g}_D + \sum_{i=1}^{N} \beta_i \psi_i \mid (\beta_1, \ldots, \beta_N) \in \mathbb{R}^N \right\} \\
    V_h &= \left\{ \sum_{i=1}^{N} \alpha_i \psi_i \mid (\alpha_1, \ldots, \alpha_N) \in \mathbb{R}^N \right\}
\end{align}

から，それぞれ試行関数$\hat{u}_h$と試験関数$v_h$を選ぶ．ただし，$\hat{g}_D$はDirichlet境界条件を満たす関数である（今回の例では，$\hat{g}_D = 0$が対応する）．

ここで，$U_h$と$V_h$はどちらも基底関数$\psi_i$で張られている．これがGalerkin法の特徴であり，別々のものを用いても良い（$U_h$に$\psi_i$，$V_h$に$\phi_i$を用いるなど）．実際，別の基底で張る方法が重み付き残差法と呼ばれるものであり，先に記した最小二乗法はその一つである．

さて，いよいよGalerkin法で1次多項式による近似を試みる．基底関数$\psi_i$には，先ほどまでと同様に，$\psi_i = z^i$を用いる．試行関数$\hat{u}_h$と試験関数$v_h$を以下のように選ぶ．

\begin{align}
    \hat{u}_h &= \beta_1 z \\
    v_h &= \alpha_1 z
\end{align}

隠れているが，$\beta_0 = 0$がDirichlet条件を満たす関数$\hat{g}_D$である．また，$v_h$は$v_h = 0$ on $\Gamma_D$を満たす．

$\hat{u}_h$と$v_h$を弱形式に代入すると，

\begin{align}
    - \int_{\Omega} E \frac{d \hat{u}_h}{d z} \frac{d v_h}{d z} dz
    &= \int_{\Omega} \gamma v_h dz + q v_h(h) \\
    - \int_{\Omega} E \beta_1 \alpha_1 dz
    &= \int_{\Omega} \gamma \alpha_1 z dz + q \alpha_1 h \\
    - E \beta_1 \alpha_1 h
    &= \frac{1}{2} \gamma \alpha_1 h^2 + q \alpha_1 h \\
    \alpha_1 \left(
        E \beta_1 h + \frac{1}{2} \gamma h^2 + q h
     \right)
    &= 0
\end{align}

ここで，$v_h$は任意の関数であるから，上式は$\alpha_1$に依らずに成り立つ．すなわち，

\begin{align}
    E \beta_1 h + \frac{1}{2} \gamma h^2 + q h
    &= 0 \\
    \therefore \beta_1
    &= - \frac{2 q + \gamma h}{2 E}
\end{align}

を得る．よって，Galerkin法（1次近似）による近似解は，

\begin{align}
    \hat{u}_h
    &= \beta_1 z \\
    &= - \frac{2 q + \gamma h}{2 E} z
\end{align}

である．これは，厳密解とは異なるものの，良く似ている．

実際，$z=h$における変位を計算すると，

\begin{align}
    \hat{u}_h(h)
    &= - \frac{2 q + \gamma h}{2 E} h \\
    &= - \frac{2 q h + \gamma h^2}{2 E}
\end{align}

であり，これは厳密解と一致する．

Galerkin法（2次多項式）

続いて，Galerkin法で2次多項式による近似を考える．
試行関数$\hat{u}_h$と試験関数$v_h$を以下のように定める．

\begin{align}
    \hat{u}_h &= \beta_1 z + \beta_2 z^2 \\
    v_h &= \alpha_1 z + \alpha_2 z^2
\end{align}

Dirichlet条件を満たす関数として，$\beta_0 = 0$を選んでいる．

$\hat{u}_h$と$v_h$を弱形式に代入する.

\begin{align}
    - \int_{\Omega} E \frac{d \hat{u}_h}{d z} \frac{d v_h}{d z} dz
    &= \int_{\Omega} \gamma v_h dz + q v_h(h) \\
    - \int_{\Omega} E (\beta_1 + 2 \beta_2 z) (\alpha_1 + 2 \alpha_2 z) dz
    &= \int_{\Omega} \gamma (\alpha_1 z + \alpha_2 z^2) dz + q (\alpha_1 h + \alpha_2 h^2) \\
\end{align}

分けて計算する．

\begin{align}
    (\mathrm{LHS})
    &= - \int_{\Omega} E (\beta_1 + 2 \beta_2 z) (\alpha_1 + 2 \alpha_2 z) dz \\
    &= - \int_{\Omega} E 
        \left(
            \beta_1 \alpha_1 
            + 2 (\beta_1 \alpha_2 + \beta_2 \alpha_1) z
            + 4 \beta_2 \alpha_2 z^2
        \right) dz \\
    &= - E 
        \left(
            \beta_1 \alpha_1 h
            + (\beta_1 \alpha_2 + \beta_2 \alpha_1) h^2
            + \frac{4}{3} \beta_2 \alpha_2 h^3
        \right) \\
    (\mathrm{RHS})
    &= \int_{\Omega} \gamma (\alpha_1 z + \alpha_2 z^2) dz 
        + q (\alpha_1 h + \alpha_2 h^2) \\
    &= \gamma \left( \frac{1}{2} \alpha_1 h^2 + \frac{1}{3} \alpha_2 h^3 \right)
        + q (\alpha_1 h + \alpha_2 h^2)
\end{align}

よって，$\alpha_1$と$\alpha_2$について整理すると，

\begin{align}
    \begin{bmatrix}
        \alpha_1 \\
        \alpha_2
    \end{bmatrix}^{\top}
    \begin{bmatrix}
        E \beta_1 h
        + E \beta_2 h^2
        + \frac{1}{2} \gamma h^2
        + q h
        \\
        E \beta_1 h^2
        + \frac{4}{3} E \beta_2 h^3
        + \frac{1}{3} \gamma h^3
        + q h^2
    \end{bmatrix}
    = 0
\end{align}

である．任意の$\alpha_1$と$\alpha_2$について成り立つから，

\begin{align}
    E h
    \begin{bmatrix}
        1 & h \\
        h & \frac{4}{3} h^2
    \end{bmatrix}
    \begin{bmatrix}
        \beta_1 \\
        \beta_2
    \end{bmatrix}
    &=
    \begin{bmatrix}
        - \frac{1}{2} \gamma h^2 - q h \\
        - \frac{1}{3} \gamma h^3 - q h^2
    \end{bmatrix} \\
\end{align}

を解けば，

\begin{align}
    \begin{bmatrix}
        \beta_1 \\
        \beta_2
    \end{bmatrix}
    &=
    \begin{bmatrix}
        - \frac{q + \gamma h}{E} \\
        \frac{\gamma}{2 E}
    \end{bmatrix}
\end{align}

より，Galerkin法（2次近似）による近似解は，

\begin{align}
    \hat{u}_h
    &= \beta_1 z + \beta_2 z^2 \\
    &= - \frac{q + \gamma h}{E} z + \frac{\gamma}{2 E} z^2
\end{align}

となり，厳密解と一致する．

簡単な比較

乱暴だが，パラメータを全て1としたとき（$h = \gamma = E = q = 1$），各種近似解は以下のようになる．

$\mathrm{Least \ square}$ $\mathrm{Galerkin}$
LeastSquare.png Galerkin.png

興味深いことは，最小二乗法の1次近似は，きちんとNeumann条件を満たしている，ということだ．にも関わらず，近似関数全体としてズレが大きい．一方，Galerkin法における1次近似は，Neumann条件をしっかりと満たしている訳ではないものの，これを弱形式の内側に取り込み，近似関数全体としてのズレは比較的小さい．ここから，Galerkin法における1次近似の強力さを感じる（最小二乗法の1次近似のような，関数の定義自体の怪しさも無い）．

終わりに

昔から気になっていたが，何となく棲み分けがはっきりしなかった事項を，自分なりに整理した．

今回は（所謂）重み付き残差法の例として，最小二乗法のみを取り上げたが，他にも様々な方法があるため，それらについても勉強して纏めてみたい．また，空間次元をもう少し大きくしたり，Galerkin法とRitz法の関係7，有限要素法の勉強などもしたい．

  1. これをパラメータと呼ぶのは嫌われる気がするが，本稿は論文でもないので，少し大らかに考え，私が解釈し易い言葉を使うことにした． ↩

  2. 恐らく，このような名前は存在しないが，区別のためにこう呼ぶことにする． ↩

  3. 我々は既に厳密解が2次式であることを知っているが，これは偶々であって，現実には事前に厳密解を知るどころか，次数を推定することもできない，と考えると，えいやっと3次式を試すのも自然と考える． ↩

  4. 符号がヘンテコな気がするが，鉛直上向きが正の形式で，上端から鉛直下向きの$q$が作用するためである．今の問題設定ではこれが正しい． ↩

  5. 趣味の大学数学: テスト関数とは ↩

  6. Galerkinの読み方は，日本語では，「ガラーキン」とすることが多いが，英語の発音を真似るならば「ガレルキン」，「ガローキン」，「ガロールキン」辺りが近いだろう． ↩

  7. 桂田先生の資料が参考になる，とだけメモしておく． ↩

0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?