2020 | OriginalPaper | Buchkapitel
Machine Learning in Adaptive FETI-DP – A Comparison of Smart and Random Training Data
verfasst von : Alexander Heinlein, Axel Klawonn, Martin Lanser, Janine Weber
Erschienen in: Domain Decomposition Methods in Science and Engineering XXV
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
The convergence rate of classical domain decomposition methods for diffusion or elasticity problems usually deteriorates when large coefficient jumps occur along or across the interface between subdomains. In fact, the constant in the classical condition number bounds [11, 12] will depend on the coefficient jump.