گره معکوس تقریبی پراکنده (SAI) ( 
) یک ویژگی است که معکوس تقریبی پراکنده را کنترل می کند.(SAI یا SPAI) پیش شرطی، پیش و پس از صاف کردن، و حل کننده درشت. پیش شرط SAI یک پیش شرط صریح است که معکوس ماتریس سیستم را تقریب می زند و نه خود ماتریس سیستم (که برای مثال ILU و SOR انجام می دهند). مزیت روش SAI این است که پیش‌شرطی‌کننده را می‌توان بر حسب ضرب‌های ماتریس-بردار اعمال کرد، که می‌تواند به طور موثر و موازی پردازش شود. ساخت و ساز می تواند پرهزینه باشد، اما می توان آن را به صورت موازی اجرا کرد و مقیاس پذیری موازی خوبی را حتی برای تعداد هسته های بالاتر ارائه کرد. راندمان پیش شرطی SAI گاهی اوقات به خوبی ILU یا SOR نیست (از نظر کاهش تعداد تکرار حل کننده). با این حال، پیش‌تنظیم‌کننده SAI می‌تواند بیشتر از مشکل آگاه باشد و می‌تواند به خوبی برای مشکلات خاص مانند شبکه‌ها و اپراتورهای ناهمسانگرد تطبیق داده شود. پیش شرط SAI برای مثال در زمینه روش های BEM مفید است. دیدنپیش شرط معکوس تقریبی Sparse (SAI) برای اطلاعات بیشتر.
) یک ویژگی است که معکوس تقریبی پراکنده را کنترل می کند.(SAI یا SPAI) پیش شرطی، پیش و پس از صاف کردن، و حل کننده درشت. پیش شرط SAI یک پیش شرط صریح است که معکوس ماتریس سیستم را تقریب می زند و نه خود ماتریس سیستم (که برای مثال ILU و SOR انجام می دهند). مزیت روش SAI این است که پیش‌شرطی‌کننده را می‌توان بر حسب ضرب‌های ماتریس-بردار اعمال کرد، که می‌تواند به طور موثر و موازی پردازش شود. ساخت و ساز می تواند پرهزینه باشد، اما می توان آن را به صورت موازی اجرا کرد و مقیاس پذیری موازی خوبی را حتی برای تعداد هسته های بالاتر ارائه کرد. راندمان پیش شرطی SAI گاهی اوقات به خوبی ILU یا SOR نیست (از نظر کاهش تعداد تکرار حل کننده). با این حال، پیش‌تنظیم‌کننده SAI می‌تواند بیشتر از مشکل آگاه باشد و می‌تواند به خوبی برای مشکلات خاص مانند شبکه‌ها و اپراتورهای ناهمسانگرد تطبیق داده شود. پیش شرط SAI برای مثال در زمینه روش های BEM مفید است. دیدنپیش شرط معکوس تقریبی Sparse (SAI) برای اطلاعات بیشتر.می‌توانید یک گره معکوس تقریبی پراکنده (SAI) را به‌عنوان یک گره فرعی به گره‌های زیر در یک دنباله حل‌کننده اضافه کنید: Iterative ، Iterative> Krylov Preconditioner ، Multigrid>Presmoother و Multigrid>Postsmoother، و Decomposition Domain (Schwarz)>Coarse Solver و (برای تجزیه دامنه Schwarz و Schur) Domain Decomposition>Domain Solver .
پنجره تنظیمات شامل بخش زیر است:
عمومی
از فهرست پیش شرط ، خودکار (پیش‌فرض)، چپ یا راست را انتخاب کنید . برای مثال، می‌توانید یک پیش‌شرطی‌سازی را از سمت چپ یا راست برای یک ماتریس نامتقارن انتخاب کنید، به‌عنوان مثال، پیش‌شرطی‌کننده از سمت راست ممکن است برای پیش‌شرطی‌سازی چپ خوب کار نکند و برعکس.
از الگوی Sparity بر اساس لیست، Matrix (ماتریس سیستم و تنظیمات پیش‌فرض) را انتخاب کنید، یا Power of matrix را انتخاب کنید تا الگوی پراکندگی بر اساس توان ماتریس سیستم، که به عنوان یک عدد صحیح مثبت در ترتیب قدرت مشخص می‌کنید، انتخاب کنید. فیلد (پیش فرض: 2).
 |
هزینه و راندمان پیش شرطی با سفارش قدرت افزایش می یابد.
|
در قسمت حداکثر ضریب اندازه ستون ، می‌توانید حداکثر ضریب اندازه ستون‌ها (پیش‌فرض: 5) را تعیین کنید تا حداکثر تعداد عناصر غیر صفر هر ستون را در ماتریس پیش‌فرض SAI محدود کنید. این محدودیت می تواند برای مدل های BEM با شرایط بی نهایت مهم باشد.
از فهرست تقارن Preconditioner ، Automatic (پیش‌فرض) را انتخاب کنید تا نرم‌افزار COMSOL Multiphysics به‌طور خودکار تقارن‌ها را در پیش‌شرطی‌کننده تعیین کرده و از آنها استفاده کند. از طرف دیگر، می‌توانید ویژگی‌های تقارن پیش‌شرطی‌کننده را با انتخاب نامتقارن ، متقارن یا هرمیتین اعمال کنید .
نسبت پر کردن را بین 1 (پیش‌فرض) تا 100 در قسمت Fill ratio وارد کنید (یا از نوار لغزنده زیر استفاده کنید). نسبت پر تعیین می کند که یک ستون چقدر اجازه دارد خارج از عناصر پر نشده در الگوی ماتریس رشد کند.
تعداد تکرارها را برای پیش شرط SAI در قسمت Number of iterations مشخص کنید (پیش فرض: 2).
یک ضریب آرامش اسکالر را مشخص کنید . مقادیر مجاز این ضریب بین 0 تا 2 است (پیش‌فرض: 1). برای تعیین ضریب آرامش اسکالر ω، یک ضریب آرامش وارد کنید . مقادیر مجاز این ضریب بین 0 و 2 است. پیش فرض 1 است. برای اطلاعات بیشتر درباره ضریب آرامش را ببینید.
چک باکس نسخه مسدود شده به طور پیش فرض انتخاب شده است. سپس پیش‌شرطی‌کننده SAI الگوهای پراکندگی مکرر را با توجه به ستون‌ها در مرحله راه‌اندازی جستجو می‌کند. فقط برای همان الگو، یک سیستم LSQ منفرد به جای چندین LSQ متمایز، برای چندین سمت راست راه‌اندازی و حل می‌شود، در نتیجه هزینه نصب را به طور قابل توجهی کاهش می‌دهد.
