Minimization of Nonlinear Energies in Python Using FEM and Automatic Differentiation Tools

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F25%3A00641368" target="_blank" >RIV/67985556:_____/25:00641368 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68145535:_____/25:00641368 RIV/60076658:12310/25:43910782

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-031-85703-4_11" target="_blank" >https://doi.org/10.1007/978-3-031-85703-4_11</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-85703-4_11" target="_blank" >10.1007/978-3-031-85703-4_11</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Minimization of Nonlinear Energies in Python Using FEM and Automatic Differentiation Tools

Popis výsledku v původním jazyce

This contribution examines the capabilities of the Python ecosystem to solve nonlinear energy minimization problems, with a particular focus on transitioning from traditional MATLAB methods to Python's advanced computational tools, such as automatic differentiation. We demonstrate Python's streamlined approach to minimizing nonlinear energies by analyzing three problem benchmarks - the p-Laplacian, the Ginzburg-Landau model, and the Neo-Hookean hyperelasticity. This approach merely requires the provision of the energy functional itself, making it a simple and efficient way to solve this category of problems. The results show that the implementation is about ten times faster than the MATLAB implementation for large-scale problems. Our findings highlight Python's efficiency and ease of use in scientific computing, establishing it as a preferable choice for implementing sophisticated mathematical models and accelerating the development of numerical simulations.

Název v anglickém jazyce

Minimization of Nonlinear Energies in Python Using FEM and Automatic Differentiation Tools

Popis výsledku anglicky

This contribution examines the capabilities of the Python ecosystem to solve nonlinear energy minimization problems, with a particular focus on transitioning from traditional MATLAB methods to Python's advanced computational tools, such as automatic differentiation. We demonstrate Python's streamlined approach to minimizing nonlinear energies by analyzing three problem benchmarks - the p-Laplacian, the Ginzburg-Landau model, and the Neo-Hookean hyperelasticity. This approach merely requires the provision of the energy functional itself, making it a simple and efficient way to solve this category of problems. The results show that the implementation is about ten times faster than the MATLAB implementation for large-scale problems. Our findings highlight Python's efficiency and ease of use in scientific computing, establishing it as a preferable choice for implementing sophisticated mathematical models and accelerating the development of numerical simulations.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GA24-10366S" target="_blank" >GA24-10366S: Spřažené disipační procesy a deformační mechanizmy v metastabilních titanových slitinách</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Lecture Notes in Computer Science

ISBN

978-3-031-85702-7

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

15

Strana od-do

159-173

Název nakladatele

Springer Nature Switzerland AG

Místo vydání

Berlin

Místo konání akce

Ostrava

Datum konání akce

8. 9. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001529693400011