Ein projektionsbasiertes Verfahren, das empirische Basisfunktionen zusammen mit einer Menge von Interpolationsknoten (oder Freiheitsgraden) konstruiert, die von einem gierigen Algorithmus ausgewählt werden, um parameterabhängige oder nichtlineare Operatoren effizient in einer reduzierten Ordnung zu approximieren.

Prinzip

Snapshot-Daten der Operatorwirkung benutzen, um Basisvektoren und Interpolationspunkte auszuwählen, sodass der Operator durch Interpolation in der reduzierten Basis angenähert werden kann; die greedy Auswahl minimiert den maximalen Interpolationsfehler auf dem Trainingssatz und ermöglicht schnelle Online-Auswertungen.

Demonstration

Kombiniere POD mit EIM (oder DEIM) für ein reduziertes Navier–Stokes-Modell: berechne POD-Moden, nutze EIM zur Auswahl von Interpolationsknoten und empirischer Basis für den nichtlinearen Konvektionsterm, werte dann den nichtlinearen Term nur an ausgewählten Knoten aus und rekonstruiere seine reduzierte Darstellung für schnelle Online-Simulation.

Fehlanwendung

Zu wenige Interpolationsknoten auswählen, einen nicht repräsentativen Trainingssatz verwenden oder das Versäumnis, Basisfunktionen zu orthogonalisieren, kann zu ungenauen Operatorapproximationen und Instabilität in Online-Reduzierersimulationen führen.

Konsequenz

Richtig trainiert liefert EIM erhebliche Online-Beschleunigungen, indem die Kosten zur Auswertung nichtlinearer oder parameterabhängiger Operatoren reduziert werden, was Echtzeit- oder Multi-Query-Reduziereranalyse ermöglicht und dabei akzeptable Genauigkeit bewahrt.

Umkehrung

Vollständige Auswertung des nichtlinearen Operators an jedem Freiheitsgrad in jedem Zeitschritt; die Umkehr ist genau, aber rechnerisch teuer und widerspricht dem Zweck der Modellreduktion.

Abgrenzung

EIM beruht auf einer Offline-Trainingsphase und setzt voraus, dass das Verhalten des Operators durch die Snapshots gut erfasst wird; bei Operatoren, die sich außerhalb des Trainingsmengenraums strukturell ändern, oder bei extrem hochdimensionalen Parameteräumen kann EIM Probleme haben ohne hierarchische Strategien.

Semantische Spannung

Wettbewerb und Komplementarität mit Kollokations-, Sparse-Sampling- und anderen Hyper-Reduktionsverfahren: EIM betont die greedy Auswahl von Interpolationspunkten gekoppelt an eine empirische Basis, während Alternativen randomisierte Probennahme oder optimierungsbasierte Sensorplatzierung mit anderen Kompromissen verwenden.

Synthese

EIM ist eine gierige, datengetriebene Interpolationsstrategie, die zusammen mit einer reduzierten Basis wie POD Interpolationsknoten und Basisfunktionen auswählt, um nichtlineare Operatoren effizient zu approximieren und schnelle Online-Auswertungen reduzierter Ordnung mit kontrolliertem Fehler zu ermöglichen.