Metodos Finitos Aplicados Al Transporte

M etodos Num ericos en Fen omenos de Transporte.
Norberto Nigro <nnigro@intec.unl.edu.ar> Mario Storti <mstorti@intec.unl.edu.ar> www: http: // www. cimec. org. ar/ cfd Centro Internacional de M etodos Computacionales en Ingenier a http: // www. cimec. org. ar
(Document version: curso-cfd-0.0.2-15-gb72220a clean) (Date: Sun Sep 30 12:31:24 2007 -0300)
Indice general
1. Modelos s cos y matem aticos 1.1. Conceptos introductorios . . . . . . . . . . . . . . . . . . . . . . 1.1.1. Postulado del continuo . . . . . . . . . . . . . . . . . . . 1.1.2. Tipos de ujo . . . . . . . . . . . . . . . . . . . . . . . . 1.1.3. La soluci on a los problemas de mec anica de uidos . . . 1.1.4. Unidades . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.5. Propiedades de los uidos . . . . . . . . . . . . . . . . . . 1.2. Cinem atica de uidos . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1. El vol umen material . . . . . . . . . . . . . . . . . . . . . 1.2.2. El principio de conservaci on de la cantidad de movimiento 1.3. TP.I.- Trabajo Pr actico #1 . . . . . . . . . . . . . . . . . . . . . 2. Niveles din amicos de aproximaci on 2.0.1. Introducci on . . . . . . . . . . . . . . . . . . . 2.1. Las ecuaciones de Navier-Stokes . . . . . . . . . . . . 2.1.1. Modelo de uido incompresible . . . . . . . . . 2.1.2. Las ecuaciones de Navier-Stokes promediadas 2.1.3. Aproximaci on Thin shear layer (TSL) . . . 2.1.4. Aproximaci on Navier-Stokes parabolizada . . . 2.1.5. Aproximaci on de capa l mite . . . . . . . . . . 2.2. Modelo de ujo inv scido . . . . . . . . . . . . . . . . 2.2.1. Propiedades de las soluciones discontinuas . . 2.3. Flujo potencial . . . . . . . . . . . . . . . . . . . . . . 2.3.1. Aproximaci on de peque nas pertubaciones . . 2.3.2. Flujo potencial linealizado . . . . . . . . . . . 3. Naturaleza matem atica de las ecuaciones 3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . 3.2. Supercies caracter sticas. Soluciones del tipo ondas 3.3. Ecuaciones diferenciales parciales de segundo orden 3.4. Denici on general de supercie caracter stica . . . . 3.5. Dominio de dependencia - zona de inuencia . . . . 3.6. Condiciones de contorno e iniciales . . . . . . . . . . 9 9 9 10 11 12 13 15 15 15 36 40 40 41 42 43 44 45 46 46 47 49 51 51 52 52 55 55 58 60 61
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . lineal . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
INDICE GENERAL
INDICE GENERAL
3.6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.2. MatLab como software de aplicaci on . . . . . . . . . . . . . . . . . . . . . . . . 4. M etodo de diferencias nitas 4.1. Diferencias nitas en 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1. Desarrollo en Serie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2. Aproximaciones de mayor orden . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.3. Aproximaci on de derivadas de orden superior . . . . . . . . . . . . . . . . . . 4.1.4. N umero de puntos requeridos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.5. Soluci on de la ecuaci on diferencial por el m etodo de diferencias nitas . . . . 4.1.6. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.7. An alisis de error. Teorema de Lax . . . . . . . . . . . . . . . . . . . . . . . . 4.1.8. Condiciones de contorno tipo Neumann (ujo impuesto) . . . . . . . . . . . 4.2. Problemas no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2. M etodo secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.3. M etodo tangente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Precisi on y n umero de puntos en el esquema de diferencias nitas . . . . . . . . . . . 4.4. M etodo de diferencias nitas en m as de una dimensi on . . . . . . . . . . . . . . . . . 4.5. Aproximaci on en diferencias nitas para derivadas parciales . . . . . . . . . . . . . . 4.5.1. Stencil del operador discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6. Resoluci on del sistema de ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6.1. Estructura banda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6.2. Requerimientos de memoria y tiempo de procesamiento para matrices banda 4.6.3. Ancho de banda y numeraci on de nodos . . . . . . . . . . . . . . . . . . . . . 4.7. Dominios de forma irregular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1. Inmersi on del dominio irregular en una malla homog enea . . . . . . . . . . . 4.7.2. Mapeo del dominio de integraci on . . . . . . . . . . . . . . . . . . . . . . . . 4.7.3. Coordenadas curvil neas ortogonales . . . . . . . . . . . . . . . . . . . . . . . 4.7.4. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.5. Mallas generadas por transformaci on conforme . . . . . . . . . . . . . . . . . 4.8. La ecuaci on de convecci on-reacci on-difusi on . . . . . . . . . . . . . . . . . . . . . . . 4.8.1. Interpretaci on de los diferentes t erminos . . . . . . . . . . . . . . . . . . . . . 4.8.2. Discretizaci on de la ecuaci on de advecci on-difusi on . . . . . . . . . . . . . . . 4.8.3. Desacoplamiento de las ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . 4.8.4. Esquemas de diferencias contracorriente (upwinded) . . . . . . . . . . . . . . 4.8.5. El caso 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8.6. Resoluci on de las ecuaciones temporales . . . . . . . . . . . . . . . . . . . . . 4.9. Conducci on del calor con generaci on en un cuadrado . . . . . . . . . . . . . . . . . .
62 63 73 73 73 75 75 76 76 78 79 80 84 86 87 89 90 92 92 95 96 96 97 99 100 101 103 104 104 106 111 112 117 118 118 120 122 123
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. T ecnicas de discretizaci on 125 5.1. M etodo de los residuos ponderados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 5.1.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 5.1.2. Aproximaci on por residuos ponderados . . . . . . . . . . . . . . . . . . . . . . 128 2
((docver curso-cfd-0.0.2-15-gb72220a clean) (docdate Sun Sep 30 12:31:24 2007 -0300) (proc-date Sun Sep 30 12:33:23 2007 -0300))
INDICE GENERAL
INDICE GENERAL
5.1.3. Residuos ponderados para la resoluci on de ecuaciones diferenciales 5.1.4. Condiciones de contorno naturales . . . . . . . . . . . . . . . . . . 5.1.5. M etodos de soluci on del contorno . . . . . . . . . . . . . . . . . . 5.1.6. Sistema de ecuaciones diferenciales . . . . . . . . . . . . . . . . . 5.1.7. Problemas no lineales . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.8. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.9. TP.chapV Trabajo Pr actico #2 . . . . . . . . . . . . . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
130 137 138 139 140 144 145 149 149 151 156 157 157 158 162 163 164 165 166 167 170 170 170 172 179 181 182 182 183 187 189 194 194 197 198 199 199 204 206 206 207 3
6. M etodo de los elementos nitos 6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Funciones de forma locales de soporte compacto . . . . . . . . . . . . . . . . . . . . . 6.3. Aproximaci on a soluciones de ecuaciones diferenciales. Requisitos sobre la continuidad de las funciones de forma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4. Formulaci on d ebil y el m etodo de Galerkin . . . . . . . . . . . . . . . . . . . . . . . . 6.5. Aspectos computacionales del m etodo de los elementos nitos . . . . . . . . . . . . . 6.5.1. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.2. Ejemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.3. Ejemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.6. Interpolaci on de mayor orden en 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.6.1. Grado de las funciones de prueba y velocidad de convergencia . . . . . . . . . 6.6.2. Funciones de forma de alto orden standard de la clase C 0 . . . . . . . . . . . 6.7. Problemas con advecci on dominante - M etodo de Petrov-Galerkin . . . . . . . . . . . 6.8. El caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8.2. Elemento triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8.3. Elemento cuadrangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8.4. Transformaci on de coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8.5. Integraci on num erica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.9. Problemas dependientes del tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.9.1. Discretizaci on parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.9.2. Discretizaci on espacio-temporal por elementos nitos . . . . . . . . . . . . . . 6.10. El m etodo de los elementos nitos aplicado a las leyes de conservaci on . . . . . . . . . 6.11. TP.VI- Trabajo Pr actico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. M etodo de los vol umenes nitos 7.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . 7.2. Formulaci on del m etodo de los vol umenes nitos . . 7.2.1. Mallas y vol umenes de control . . . . . . . . . 7.3. El m etodo de los vol umenes nitos en 2D . . . . . . . 7.3.1. Evaluaci on de los ujos convectivos . . . . . . 7.3.2. F ormulas generales de integraci on . . . . . . . 7.4. El m etodo de los vol umenes nitos en 3D . . . . . . . 7.4.1. Evaluaci on del area de las caras de la celda . . 7.4.2. Evaluaci on del vol umen de la celda de control
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
INDICE GENERAL
INDICE GENERAL
7.5. TP.VII.- Trabajo Pr actico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 8. An alisis de esquemas num ericos 8.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . 8.2. Deniciones b asicas . . . . . . . . . . . . . . . . . . 8.3. Consistencia . . . . . . . . . . . . . . . . . . . . . . 8.4. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . 8.5. El m etodo de Von Neumann . . . . . . . . . . . . . 8.5.1. Factor de amplicaci on . . . . . . . . . . . . 8.5.2. Extensi on al caso de sistema de ecuaciones . 8.5.3. An alisis espectral del error num erico . . . . 8.5.4. Extensi on a esquemas de tres niveles . . . . 8.5.5. El concepto de velocidad de grupo . . . . . . 8.5.6. An alisis de Von Neumann multidimensional 8.6. Convergencia . . . . . . . . . . . . . . . . . . . . . . 8.7. TP. Trabajo Pr actico . . . . . . . . . . . . . . . . . . 213 213 213 216 218 220 221 223 228 232 232 233 234 235 238 238 238 243 246 248 249 254 254 256 260 264 269 275 275 275 279 280 281 282 284 284 285 285 285 288 290 4
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
9. M etodos iterativos para la resoluci on de ecuaciones lineales 9.1. Conceptos b asicos de m etodos iterativos estacionarios . . . . . . . . 9.1.1. Notaci on y repaso . . . . . . . . . . . . . . . . . . . . . . . . 9.1.2. El lema de Banach . . . . . . . . . . . . . . . . . . . . . . . . 9.1.3. Radio espectral . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1.4. Saturaci on del error debido a los errores de redondeo. . . . . 9.1.5. M etodos iterativos estacionarios cl asicos . . . . . . . . . . . . 9.2. M etodo de Gradientes Conjugados . . . . . . . . . . . . . . . . . . . 9.2.1. M etodos de Krylov y propiedad de minimizaci on . . . . . . . 9.2.2. Consecuencias de la propiedad de minimizaci on. . . . . . . . 9.2.3. Criterio de detenci on del proceso iterativo. . . . . . . . . . . 9.2.4. Implementaci on de gradientes conjugados . . . . . . . . . . . 9.2.5. Los verdaderos residuos. . . . . . . . . . . . . . . . . . . . . 9.2.6. M etodos CGNR y CGNE . . . . . . . . . . . . . . . . . . . . 9.3. El m etodo GMRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.1. La propiedad de minimizaci on para GMRES y consecuencias 9.3.2. Criterio de detenci on: . . . . . . . . . . . . . . . . . . . . . . 9.3.3. Precondicionamiento . . . . . . . . . . . . . . . . . . . . . . . 9.3.4. Implementaci on b asica de GMRES . . . . . . . . . . . . . . . 9.3.5. Implementaci on en una base ortogonal . . . . . . . . . . . . . 9.3.6. El algoritmo de Gram-Schmidt modicado . . . . . . . . . . . 9.3.7. Implementaci on eciente . . . . . . . . . . . . . . . . . . . . . 9.3.8. Estrategias de reortogonalizaci on . . . . . . . . . . . . . . . . 9.3.9. Restart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.10. Otros m etodos para matrices no-sim etricas . . . . . . . . . . 9.3.11. Gu a Nro 3. GMRES . . . . . . . . . . . . . . . . . . . . . . . 9.4. Descomposici on de dominios. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
INDICE GENERAL
INDICE GENERAL
9.4.1. Condicionamiento del problema de interfase. An alisis de Fourier. . . . . . . . . 291 9.5. Gu a de Trabajos Pr acticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296 10.Flujo incompresible 10.1. Denici on de ujo incompresible . . . . . . 10.2. Ecuaciones de Navier-Stokes incompresible . 10.3. Formulaci on vorticidad-funci on de corriente 10.4. Discretizaci on en variables primitivas . . . . 10.5. Uso de mallas staggered . . . . . . . . . . . 10.6. Discretizaci on por elementos nitos . . . . . 10.7. El test de la parcela . . . . . . . . . . . . . 10.8. La condici on de Brezzi-Babuska . . . . . . . 10.9. M etodos FEM estabilizados . . . . . . . . . 299 299 300 300 302 304 305 307 309 310
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Introducci on. Contenidos del curso

Este curso b asico sobre CFD siguiendo los lineamientos del libro de C. Hirsch [Hirsch] se divide en 2 partes: 1. Fundamentos y t ecnicas generales aplicables a los fen omenos de transporte en general y al ujo de calor y de uidos en particular a) MODELOS FISICOS Y MATEMATICOS EN CFD b) APROXIMACIONES DINAMICAS c ) NATURALEZA MATEMATICA DE LAS ECUACIONES d ) TECNICAS DE DISCRETIZACION GLOBAL e ) METODOS ESPECTRALES f ) TECNICAS DE DISCRETIZACION LOCAL g ) METODOS DE ELEMENTOS FINITOS h) TECNICAS DE DISCRETIZACION LOCAL i ) METODOS DE VOLUMENES FINITOS j ) ANALISIS NUMERICO DE ESQUEMAS DISCRETOS k ) RESOLUCION DE ECUACIONES DISCRETIZADAS l ) APLICACIONES 2. T ecnicas espec cas aplicables a problemas de mec anica de uidos y transferencia de calor. a) FLUJO INVISCIDO COMPRESIBLE b) FLUJO VISCOSO COMPRESIBLE c ) FLUJO VISCOSO INCOMPRESIBLE d ) TOPICOS ESPECIALES La primera parte del curso consiste en presentar los principios generales sobre los que se apoyan los modelos f sicos que interpretan muchas de las situaciones experimentales en mec anica de uidos y transferencia de calor. Mediante una visi on del material propia de la mec anica del continuo se obtiene posteriormente un modelo matem atico que en general consiste de un conjunto de ecuaciones a derivadas parciales con o sin restricciones y con sus respectivos valores de contorno e iniciales que completan 6
INDICE GENERAL
INDICE GENERAL
su denici on. Dada la complejidad matem atica de estos modelos, salvo en situaciones muy particulares en las cuales se pueden obtener soluciones anal ticas, requieren de su resoluci on num erica con lo cual se hace necesario presentar las diferentes t ecnicas de discretizaci on habitualmente empleadas en problemas de transporte de calor y momento. Debido al diferente car acter de las ecuaciones diferenciales, tanto en su visi on continua como en su contraparte discreta y a la presencia de ecuaciones adicionales en los contornos, tambien discretizadas, se requiere un minucioso an alisis de los esquemas num ericos empleados previo a su resoluci on, con el n de poder interpretar las t ecnicas num ericas desde el punto de vista de la precisi on, la convergencia, la consistencia y la estabilidad. A continuaci on se aborda el tema de la resoluci on num erica delsistema algebraico/diferencial de ecuaciones que surge de la discretizaci on empleada. Este t opico tiene alta incidencia en la factibilidad de resolver problemas num ericos ya que de acuerdo al problema en mano y a los recursos computacionales disponibles muestra las diferentes alternativas para su resoluci on. Esta primera parte naliza con una serie de aplicaciones de los conceptos adquiridos a la resoluci on de las ecuaciones de convecci on difusi on tanto en su version estacionaria como transiente, desde el simple caso unidimensional al multidimensional, considerando el caso lineal como el no lineal representado por la ecuaci on de B urgers. Este modelo sencillo tiene especial inter es dada la similitud que presenta con la estructura de las ecuaciones que conforman la mayoria de los modelos matem aticos mas frecuentemente usados en mec anica de uidos y transferencia de calor. En esta primera parte del curso se introducir an en forma de trabajos pr acticos y cuando la explicaci on te orica lo requiera algunos ejemplos a resolver tanto anal tica como num ericamente. dado que esta parte es introductoria se ver an modelos simplicados de aquellos com unmente empleados en CFD pero que contienen muchas de las caracter sticas matem atico/num ericas propias de aquellos y que lo hacen atractivos en pos de ir incorporando conceptos, necesarios para abordar la segunda parte, en forma gradual. Paralelamente con el curso te orico se desarrollar an talleres sobre los aspectos pr acticos a cubrir en esta primera parte. Debido a que el enfoque del curso est a orientado hacia los fundamentos y el aprendizaje de las t ecnicas que est an impl citas en todo c odigo computacional se hace necesario programar por uno mismo algunas aplicaciones vistas en la secci on te orica. Ya que esto dif cilmente se encuentra en un paquete comercial y dado que el grado de avance que actualmente existe en el area de software educativo est a bastante lejos de poder contar con herramientas aptas para la ense nanza se hace necesario elegir alg un entorno que sea ameno para el usuario y potente para el ambicioso plan de aprender m etodos num ericos desde cero. En este sentido consideramos que el uso de MatLab puede ser muy benecioso por varias razones, a saber: 1. cuenta con muchas rutinas de alto nivel y otras de bajo nivel que permite ubicarse muchas veces en diferentes niveles o jerarquias con lo cual cada uno puede optar por el rol que mas le gusta, 2. es un lenguaje de programaci on, por lo tanto crear rutinas muy espec cas, 3. gran y eciente interacci on entre c alculo y gr acos, 4. posibilidad de debugear aplicaciones en forma interactiva. No obstante, por razones de eciencia y para cuando la necesidad lo requiera es necesario contar con conocimientos de lenguajes de programaci on m as orientados a simulaciones de gran escala, como por ejemplo el Fortran y el C o C++. Sin entrar en detalles acerca de la programaci on el curso incluye el manejo de un programa de elementos nitos para la resoluci on de algunos de los problemas incluidos 7
INDICE GENERAL
INDICE GENERAL
en la primera parte del curso. Este software ser a utilizado en la segunda parte del curso para resolver problemas de ujos compresibles e incompresibles que requieren mucha mayor potencia de c alculo. La segunda parte del curso trata acerca de las t ecnicas espec cas empleadas en la resoluci on de problemas de mec anica de uidos. B asicamente se tomar a en primera instancia el caso de ujo inv scido compresible representado por el modelo de las ecuaciones de Euler y posteriormente se tratar a el caso viscoso tanto compresible como incompresible modelado por las ecuaciones de Navier-Stokes. En cada uno de estos cap tulos se volcar an los conceptos aprendidos en la primera parte del curso para dise nar y analizar esquemas num ericos que permitan resolver estos casos particulares. Dada la complejidad del problema surgen naturalmente restricciones muy severas en cuanto a la resoluci on num erica de las ecuaciones lo cual hace necesario explorar t ecnicas iterativas espec casa tal n. Como las soluciones num ericas en los problemas de ujos de uidos son altamente dependiente de la malla se hace necesario introducir nociones b asicas sobre generaci on de mallas en CFD . Este tema forma parte del grupo de t opicos especiales. Otro de los temas especiales a tratar es el modelado de la turbulencia. Es bien sabido que la mayor a de los problemas de inter es son gobernados por condiciones de ujo turbulento. Se ver a a modo de introducci on algunos modelos algebraicos t picos en los casos de ujos internos y externos asi como algunos modelos basados en ecuaciones a derivadas parciales como el caso del bien popular m etodo . Finalmente cierra esta secci on de t opicos especiales el tratamiento de problemas con dominios variables en el tiempo.
Cap tulo 1
Modelos s cos y matem aticos

En este cap tulo se presentan los principios o leyes f sicas que gobiernan el ujo de uidos, las reglas que denen el comportamiento de los materiales involcucrados, los relaciones termodin amicas entre las variables que caracterizan el fen omeno y nalmente los modelos matem aticos conformados por sistemas de ecuaciones diferenciales que ser an el punto de partida hacia la b usqueda de soluciones a diversos problemas de mec anica de uidos y transferencia de calor.
1.1.
Conceptos introductorios
En esta secci on mencionaremos algunos conceptos b asicos necesarios para conformar el marco te orico para el tratamiento de los problemas a resolver.
1.1.1.
Postulado del continuo
Partiendo de una descripci on molecular de la materia podemos poner atenci on en el movimiento de ellas en forma individual o formar un cluster que agrupe a muchas de ellas y estudiar el movimiento del mismo. La idea del cluster equivale a una especie de promediaci on estad stica que tiene sentido si las escalas de inter es a ser resueltas son mucho mayores que el camino libre medio de las mol eculas. Esta visi on fenomenol ogica hace que el medio sea interpretado como un continuo a diferencia de la visi on microsc opica que mira al material desde una aproximaci on a las part culas. Desde la optica del continuo las variables a resolver se asumen variar en forma continua respecto a las coordenadas espaciales y al tiempo. En la aproximaci on del continuo la operaci on de promediaci on antecede a la aplicaci on del principios termomec anicos. En la aproximaci on de part cula se suelen plantear las leyes f sicas a la escala microsc opica y estudiar los fen omenos que ocurren a esa escala. Si realiz aramos la promediaci on despu es de aplicar los principios termomec anicos deber mos encontrar el mismo resultado que aquel que surge de la mec anica del continuo. De todos modos esto u ltimo no es muy pr actico ya que a menudo la informaci on microsc opica que se dispone es muy escasa como para poder plantear un modelo a tan peque na escala para despu es saltar mediante la promediaci on a la macroescala, de real inter es a los nes ingenieriles.
ticos Cap tulo 1. Modelos fis cos y matema
Secci on 1.1. Conceptos introductorios
1.1.2.
Tipos de ujo
Compresible e incompresible Un uido se considera incompresible si su densidad experimenta cambios despreciables frente a cambios apreciables en la temperatura y la presi on. Despreciable es un t ermino ambiguo y debe ser interpretado de acuerdo a la experiencia. Por ejemplo si un uido var a su densidad un 5 % para un salto t ermico de T 100 C o en un 1 % para un salto de presi on de p 100atm uno se inclinar a pensar que el uido es incompresible. En realidad lo que interesa es el ujo que se establece con total independencia del uido que lo experimenta. No importa si es agua o aire lo importante es en que medida es la compresibilidad del medio un factor importante por considerar. Un ejemplo es la convecci on natural en un medio como el agua. Este fen omeno es manejado por diferencia de densidades muchas veces producidas por gradientes t ermicos. Si bien la densidad del agua tiene un comportamiento tal que podr a pensarse como incompresible, es su compresibilidad la que permite poner en movimiento al sistema formando corrientes convectivas que describen por si mismas el fen omeno. No obstante este problema puede ser tratado como uno de ujo incompresible introduciendo efectos forzantes proporcionales al gradiente t ermico mediante una aproximaci on debida a Boussinesq. En general el caso de ujo compresible es reservado para gases a alta velocidad, pr oximas o superior a las del sonido en donde los fen omenos ondulatorios son muy apreciables. No obstante el agua, un uido qu a priori podr a ser tildado como incompresible, al circular por una ca ner a y al experimentar el cierre abrupto de una v alvula desarrolla ondas de presi on que pueden ser analizadas por t ecnicas de ujos compresible. Resumiendo, la divisi on entre compresible e incompresible debe ser analizada en t ermino del ujo que produce y no del uido que lo experimenta.
Convection
Stable Laminar
Unstable Turbulence
Infinitesimal
Finite amplitude Transition Developed
Instability Undisturbed Disturbed
Developing
Flujo laminar y turbulento Laminar y turbulento Mientras que el ujo laminar es caracterizado por un movimiento suave y determin stico de una l amina de uido sobre otra, el turbulento es un movimiento aleatorio superpuesto sobre un movimiento medio del uido. El humo de un cigarrillo es un experimento interesante que permite visualizar como el aire alrededor del mismo al calentarse se pone en movimiento de forma 10
laminar. En direcci on ascendente pronto se ve como esa corriente ordenada empieza a inestabilizarse formando remolinos de gran escala que se returcen hasta que el des orden se amplica y los remolinos se anan en tama no y crecen en cantidad retorci endose m as y mas alcanzando un r egimen plenamente turbulento. Este fen omeno es visible a nuestros ojos por un efecto similar al utilizado en la t ecnica Schlieren en el que se hace atravezar rayos luminosos en un medio con densidad variable. De los muchos experimentos que se podr an mencionar acerca de ujos turbulentos no podemos dejar de mencionar aquel que hizo historia y que se debi o al propio Reynolds. El pudo observar como el ujo que atravezaba un tubo de secci on circular a medida que iba cambiando la velocidad de entrada experimentaba cambios despreciables en su patr on uidodin amico hasta que al atravezar cierto valor l mite se produc a un cambio signicativo en el r egimen uidodin amico. Ese valor cr tico puede ser establecido mediante t ecnicas de an alisis dimensional, que dan cuenta que cuando el n umero de Reynolds supera un valor pr oximo a los 2100 el ujo se transiciona y luego se transforma en turbulento. La transici on se maniesta porque se crea un movimiento vorticoso peri odico que al crecer el Reynolds se desordena a un mas alcanzando un r egimen turbulento. La gura 1.1.2 muestra a modo de esquema los diferentes reg menes que se presentan en un ujo desde uno laminar estable, pasando por inestabilidades hasta uno turbulento. El tema de la inestabilidad de ujos es toda un area de investigaci on aparte que merece mucha atenci on y que por razones de complejidad y espacio no ser a tratada en este curso. Aquellos interesados en el tema pueden recurrir a libros como Batchelor [Ba], Dreizin & Reid [DR] y a los trabajos de Taylor entre otros. Estacionario y transiente En el caso laminar la diferencia entre un ujo estacionario y otro transiente es obvia, en el primero las variables de interes son independientes del tiempo mientras que en el u ltimo p = p(t) y v = v(t). Si el ujo es turbulento, por ser este siempre transiente, la diferencia debe establecerse sobre los valores medios, o sea p = p(t) implica que el ujo es estacionario, siendo 1 T p= T on en un per odo de duraci on T . 0 p(t)dt el promedio temporal de la presi Unidimensional y multidimensional En el punto anterior tratamos la dependencia o no de las variables dependientes sobre una variable independiente en particular, el tiempo, estableciendo las diferencias entre un movimiento estacionario y otro transiente. Ahora tomaremos otra variable independiente, las coordenadas espaciales y supongamos que las variables dependientes, la presi on y la velocidad por ejemplo, s olo dependen de una de las coordenadas espaciales. En ese caso el movimiento es unidimensional siendo esta situaci on muy ventajosa a la hora de un tratamiento anal tico. Lamentablemente estas situaciones dif cilmente se encuentren en la realidad, siendo al menos 2D la clase de problemas que merecen atenci on. En estos casos como en el 3D los problemas deben ser generalmente abordados en forma num erica.
1.1.3.
La soluci on a los problemas de mec anica de uidos
El formalismo necesario para resolver problemas de mec anica de uidos requiere de establecer los postulados fundamentales que gobiernan el movimiento de los mismos. Sin entrar en demasiado detalle en este tema podemos decir que la mayor a de los estudiantes aprenden en los cursos universitarios las leyes de Newton del movimiento y la aplican para resolver problemas de est atica y din amica en forma casi natural. Parecer a natural que ellas deban incluirse como leyes o postulados fundamentales para
11
tratar problemas de movimiento de uidos. Sin embargo y desde el punto de vista de la mec anica del continuo son m as adecuadas las dos leyes de Euler que dicen: 1.- la variaci on temporal de la cantidad de movimiento de un cuerpo es igual a la fuerza resultante actuando sobre el mismo. 2.- la variaci on temporal del momento de la cantidad de movimiento de un cuerpo es igual al torque resultante actuando sobre el mismo, considerando que tanto el momento angular como el torque son medidos respecto del mismo punto. La primera ley de Euler es una generalizaci on de la segunda ley de Newton mientras que la segunda ley de Euler es independiente de la primera ya que no solo incluye las fuerzas de vol umen sino tambi en las fuerzas de supercie. Estas dos leyes son conocidas como el principio del momento lineal (1) y el principio del momento angular (2). Ambas, junto con los principios de conservaci on de la masa y la energ a forman las leyes fundamentales necesarias para denir el modelo f sico utilizado en la mayor a de los fen omenos de transporte. Es m as, los principios del momento lineal y angular pueden ser considerados como principios de conservaci on considerando que la variaci on temporal de la cantidad de movimiento lineal o angular son igualadas por la velocidad a la cual dicha cantidad de movimiento lineal o angular se suminstra al cuerpo mediante una fuerza o un torque respectivamente. En lo anterior la palabra cuerpo se utiliza como una cantidad ja de material, un cuerpo siempre contiene la misma masa y algunas veces es referido como sistema. Considerando los 4 principios de conservaci on anteriores, cantidad de movimiento lineal y angular, masa y energ a podemos ver que los dos primeros son principios sobre propiedades vectoriales mientras que los dos u ltimos son establecidos sobre cantidades escalares. Establecer los principios fundamentales es solo el comienzo de un largo camino en pos de obtener soluciones a problemas de mec anica de los uidos. A continuaci on se requiere un detallado an alisis matem atico para transformar lo establecido por los principios f sicos en ecuaciones matem aticas u tiles. A posteriori se necesita introducir reglas sobre el comportamiento del material tanto desde un punto de vista mec anico como termodin amico ambas basadas en las observaciones o quiz as en algunos casos deducibles de principios o leyes f sicas aplicables a escalas mucho mas peque nas. Finalmente es la intuici on la que restringe a un m as los modelos en pos de hacerlos tratables.
1.1.4.
Unidades
En pos de normalizar el tratamiento tomaremos como unidades aquellas que surgen del sistema internacional de medidas y que se expresan en funci on de las siguientes magnitudes b asicas o primarias: M = masa (Kg) L = distancia (m) t = tiempo (seg) con lo cual las cantidades cinem aticas como posici on, velocidad y aceleraci on surgen de combinar distancias y tiempos en distintas potencias. La fuerza, como magnitud din amica surge de aplicar el principio de conservaci on de la cantidad de movimiento lineal , entonces (1.1)
12
d (M v) = F dt m 1 Kg = Newton [=] seg seg
(1.2)
1.1.5.
Propiedades de los uidos
Para el caso de ujo incompresible a una fase solo se requiere conocer la densidad y la viscosidad si el uido es newtoniano. En el caso que el uido sea no newtoniano o si los efectos compresibles son importantes existen otras magnitudes a tener en cuenta. Compresibilidad Con dos coecientes tendremos en cuenta el efecto de la presi on y la temperatura sobre la densidad. El primero se dene como: = 1 ( )T p
mientras que el coeciente de expansi on se dene como: 1 = ( )p T En el caso de los l quidos estos dos coecientes son en general peque nos, especialmente . El coeciente de expansi on puede adquirir cierta importancia en el caso de fen omenos como la convecci on natural. En el caso de gases, un ejemplo es el caso de los gases ideales cuya ley de comportamiento viene com unmente expresada por p RT 1 = (1.3) p 1 = T En el caso de los gases reales el comportamiento es diferente especialmente cerca de los puntos cr ticos y se debe recurrir a la experiencia para poder determinar las leyes de comportamiento. = Viscosidad A diferencia de los materiales s olidos que ante un esfuerzo sufren una deformaci on en general independiente del tiempo, los uidos no soportan determinados esfuerzos y se deforman continuamente. Esto muchas veces est a asociado a la uidez del medio. Un contraejemplo de los dicho en el caso de s olidos es el fen omeno de creep o uencia lenta. En el caso de los s olidos la deformaci on es la variable cinem atica de inter es, denida como la variaci on relativa de la distancia entre dos puntos del cuerpo material. En los uidos su an alogo es la tasa o velocidad de deformaci on, o sea la variaci on relativa de la velocidad de dos puntos dentro del vol umen material. Lo que suele ser de inter es es establecer cierta relaci on entre causa y efecto, o sea entre tensi on y deformaci on en mec anica de s olidos o entre tensi on y velocidad de deformaci on en uidos. Esta funcionalidad puede asumir un rango lineal
13
y luego uno no lineal, dependiendo del material el punto de corte entre uno y otro comportamiento. En s olidos es el m odulo de Young el que vincula tensi on con deformaci on mientras que en mec anica de uidos es la viscosidad la que juega semejante rol. La reolog a es la ciencia que se encarga de establecer relaciones de este tipo v alidas para ciertos materiales o uidos. A su vez una vez establecido el ensayo de laboratorio aparecen los te oricos tratando de traducir los valores experimentales en alguna teor a que los explique. Entre estas teor as una de las m as citadas es la de considerar al uido como Newtoniano, con eso queremos decir que la viscosidad es independiente del estado de deformaci on del uido. La viscosidad puede variar con la posici on y el tiempo pero por otras causas, por ejemplo calentamiento, pero no var a por su estado de deformaci on. Con el viscos metro se pueden determinar valores para la viscosidad. En el caso m as general la viscosidad puede depender del estado de deformaci on y en este on vs caso el uido exhibe un comportamiento no newtoniano. La gura 1.1.5 muestra 4 curvas tensi velocidad de deformaci on que muestran el caso newtoniano (recta por el or gen), el ujo de Bingham (recta desfasada del or gen), y dos casos de uido no newtoniano, el caso dilatante con viscosidad proporcional a la deformaci on y el caso pseudo-pl astico cuando la viscosidad disminuye cuanto m as se deforma el uido.
odel
ton ew ian
m ham Bing
Pse
pl udo
c asti
N
la Di
ta
nt
Comportamiento reol ogico de los uidos Existe un modelo muy usado llamado modelo de la ley de potencia o modelo de Ostwald-de Wael el cual trata de unicar el tratamiento deniendo una viscosidad aparente del tipo ap 0 dvx dy
n1
con 0 una viscosidad de referencia y n una potencia. En este caso el escurrimiento se piensa del tipo ujo paralelo. Tensi on supercial Esta aparece en general cuando existen interfaces entre dos o m as uidos o un uido y un s olido y a veces suelen ser tan importantes que su omisi on en las ecuaciones pone en peligro el realismo de la soluci on. Esta en general es funci on de la curvatura de la interface y de alg un coeciente de capilaridad. Su complejidad escapa los alcances de estas notas. Presi on de vapor En algunas aplicaciones la presi on local suele descender demasiado alcanzando la presi on de saturaci on del vapor con lo cual aparece el fen omeno de cavitaci on. Este fen omeno es muy importante en
14
Secci on 1.2. Cinem atica de uidos
el funcionamiento de m aquinas hidr aulicas como bombas y turbinas pero su tratamientoe escapa los alcances de estas notas.
1.2.
Cinem atica de uidos
En esta secci on se presentan algunas deniciones necesarias para describir el movimiento de los uidos y se muestran algunas reglas muy u tiles que permiten manipular matem aticamente las ecuaciones de conservaci on, pudiendo expresarlas de varias formas segun el tratamiento que se desee emplear. Empezaremos con la denici on de los diferentes vol umenes de control com unmente empleados en la descripci on de las ecuaciones de movimiento y expresaremos en forma matem atica el principio de conservaci on del momento lineal. Posteriormente trabajaremos sobre la cinem atica del movimiento, el lado izquierdo de la ecuaci on, usaremos el teorema de la divergencia para poder transformar integrales de vol umen en integrales de area y viceversa, una ayuda para poder formular los problemas desde el punto de vista integral o diferencial, microsc opico o macrosc opico y nalmente se presenta el teorema del transporte para poder manipular vol umenes de control variables con el tiempo. De esta forma se arriba a las ecuaciones de conservaci on.
1.2.1.
El vol umen material
Por lo previamente establecido el principio de momento lineal involucra la denici on de cuerpo, diciendo que la variaci on temporal de la cantidad de movimiento de un cuerpo es igual a la fuerza resultante actuando sobre el mismo. Como cuerpo queremos decir un sistema con una cantidad ja de material. Debido a que los principios de conservaci on se aplican a los cuerpos y si consideramos el principio de conservaci on de la masa entonces se deduce que la masa de un vol umen material es constante. Al basar nuestro an alisis en la mec anica del continuo y al asumir que nuestra escala de inter es es mucho mayor que la del propio movimiento molecular, entonces, tiene sentido considerar que el vol umen material cambia de forma y posici on con el tiempo de una manera continua sin intercambiar masa con el medio ambiente. Designaremos al vol umen material y a su respectiva area material como Vm y Am . En breve surgir a la necesidad de trabajar con vol umenes de control jos en el espacio y a estos como a su respectiva area los designaremos sencillamente por V y A. Finalmente presentamos una tercera posibilidad, aquella en la que el vol umen de control se mueve pero ya no siguiendo al sistema o cuerpo sino de una manera arbitraria y a estos y su respectiva area la simbolizamos como Va y Aa .
1.2.2.
El principio de conservaci on de la cantidad de movimiento lineal
Consideremos un vol umen diferencial de uido dV como el mostrado en la gura 1.2.2. La masa contenida en el mismo es dM = dV y la cantidad de movimiento del mismo es vdM = vdV . Por denici on la cantidad de movimiento del vol umen material se dene como: vdV
Vm (t)
(1.4)
con lo cual el principio de la conservaci on de la cantidad de movimiento lineal puede escribirse como:
15
w=u
volumen arbitrario volumen material
w=u u
volumen fijo
w=0
11111 00000 00000 11111 00000 11111 00000 11111
Distintas deniciones de vol umenes de control
D Dt
vdV =
Vm (t)
Fuerza actuando sobre el vol umen material
(1.5)
D La derivada Dt es llamada la derivada material y en breve ser a sometida a an alisis junto con las otras dos derivadas temporales a considerar, la derivada total y la derivada parcial. Aqu simplemente lo que queremos indicar es que estamos tomando la variaci on temporal de una propiedad de un vol umen material. Del lado izquierdo de la anterior ecuaci on participa la cinem atica del movimiento mientras que del derecho se hallan las causas del movimiento o fuerzas externas aplicadas al cuerpo. Estas pueden ser:
a.- fuerzas de cuerpo o vol umen b.- fuerzas de supercie. Mientras que las primeras act uan sobre la masa del sistema (fuerzas gravitatorias, electrost aticas, etc) las otras lo hacen sobre el contorno del sistema. Introduciendo estas dos fuerzas en la expresi on anterior arribamos al principio de conservaci on de la cantidad de movimiento lineal, expresado como: D Dt vdV =
Vm (t) Vm (t)
gdV +
Am (t)
t(n) dA
(1.6)
donde g es la fuerza de cuerpo por unidad de masa y t(n) es el vector tensi on en el contorno. Casos simples En la mayor a de los cursos de mec anica de los uidos de la carrera de de Ingenier a se hace especial enfasis entre otros temas a la resoluci on de problemas asociados con la est atica de uidos y el ujo en tubos y canales.
16
11111111111 00000000000 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111
Vol umen material
La est atica de uidos El primer caso corresponde al caso particular de un ujo en reposo (estacionario) donde el t ermino izquierdo de la expresi on (1.6) se anula quedando una igualdad del tipo: 0=
Vm (t)
gdV +
Am (t)
t(n) dA
(1.7)
Si adem as se acepta la denici on que dice: un uido se deformar a continuamente bajo la aplicaci on de un esfuerzo de corte entonces, las u nicas fuerzas de supercie posibles deben actuar en forma normal a la misma. Adem as se puede probar que el tensor de tensiones asociado a un uido en reposo es isotr opico y por lo tanto permanecer a invariante con la direcci on. Con todo esto las ecuaciones se simplican demasiado y si asumimos cierta continuidad en los integrandos podemos cambiar a la forma diferencial del problema y arribar a la bien conocida expresi on: 0 = g p p 0 = gi xi =i +j +k x y z
(1.8)
donde hemos usado notaci on de Gibbs en la primera l nea, notaci on indicial en la segunda y la denici on del operador gradiente en la tercera. Esta expresi on es muy familiar para los estudiantes de ingenier a ya que muchos problemas cl asicos se resuelven con ella, a saber: 1. a.-bar ometros 2. b.-man ometros 3. c.-fuerzas sobre cuerpos planos sumergidos 17
4. d.-fuerzas sobre cuerpos curvos sumergidos 5. e.-fuerzas de otaci on 6. f.-hidr ometros, etc En la parte I de la pr actica 1 se presentan algunos problemas opcionales a resolver para aquellos que quieran ejercitarse sobre temas que no son centrales al curso pero que son necesarios conocer para poder analizar problemas de mec anica de uidos. Opcionales signica que aquellos que se sientan conados en que conocen la forma de resolverlos no est an obligados a hacerlo. Flujo laminar unidimensional En este problema el uido no esta en reposo pero si consideramos el caso de ujo laminar y l neas de on corriente rectas entonces nuevamente el miembro izquierdo de (1.6) se anula. Esto tiene su explicaci si tomamos un vol umen material como el de la gura 1.2.2,
1111111 0000000 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111
Flujo laminar unidimensional, denici on del vol umen material all su cantidad de movimiento es constante ya que la densidad es constante por tratarse de un ujo incompresible y la velocidad en ese vol umen de control es constante ya que la misma depende solamente del radio. Un ejemplo de ujo unidimensional que no tiene l neas de corriente rectas y por ende no anula el miembro izquierdo es el de ujo Couette entre dos cil ndricos conc entrico de longitud innita. La raz on es que all existe una aceleraci on centr peta necesaria para mantener el ujo en un movimiento circular. Nuevamente tomamos la expresi on (1.7) pero en este caso por estar el uido en movimiento no podemos despreciar los esfuerzos cortantes. Por lo tanto las fuerzas de supercie actuar an en la direcci on normal (la presi on) y en la direcci on tangencial (la tensi on de corte). Por la forma que tiene el vol umen material y debido a que el movimiento tiene una sola componente de velocidad seg un la direcci on z entonces las fuerzas normales a las supercies solo pueden actuar sobre aquellas supercies cuya normal est a alineada con el eje z . Como no existe ujo en la secci on transversal del tubo los esfuerzos de corte en los mismos es nulo y solo puede haber esfuerzos de corte en los planos cuya normal coincide con la direcci on radial como se muestra en la gura. Por lo tanto, si por el momento no consideramos las fuerzas de cuerpo la expresi on (1.7) queda 0 = [(p2rr)z (p2rr)z +z ] + [(rz 2rz )r (rz 2rz )r+r ] (1.9)
Haciendo un poco de algebra y tomando l mites cuando r 0 y z 0 conduce a la siguiente expresi on diferencial: 0= p 1 + (rrz ) z r r (1.10)
18
Esta ecuaci on se la conoce con el nombre de ecuaci on de tensi on del movimiento porque viene expresada en t erminos de las componentes del tensor de tensiones. Si queremos expresar esta ecuaci on en t ermino de las variables cinem aticas debemos usar alguna relaci on constitutiva. En este caso recurrimos a la ley de Newton de la viscosidad en la cual vz r con lo cual si consideramos que la viscosidad es constante la (1.10) se transforma en rz = (1.11)
1 vz p = (r ) (1.12) z r r r Este ujo es denominado ujo plano Couette y representa uno de los casos simples con soluci on anal tica y que ha tenido gran inter es desde el punto de vista de las aplicaciones. Nosotros aqu solo lo hemos planteado, dejamos la resoluci on del mismo como parte de los trabajos pr acticos. Cinem atica de uidos en los casos generales En la secci on anterior nos volcamos hacia la resoluci on de dos casos muy particulares que permiten independizarse completamente del miembro izquierdo de la expresi on (1.6) del principio de conservaci on de la cantidad de movimiento lineal . Ahora nos detendremos a analizar las variables que componen este miembro izquierdo de forma de adquirir las nociones elementales necesarias para su tratamiento. Este t ermino expresa la cinem atica del movimiento y como tal incluye la variaci on temporal de propiedades que se hallan distribuidas en el espacio de alguna manera continua. Por lo tanto aparece la necesidad de tratar a las dos variables independientes m as importantes que incluyen los principios de conservaci on, las coordenadas espaciales y el tiempo. El objetivo est a en conducir por una lados hacia la formulaci on diferencial de los principios de conservaci on con el prop osito de analizarlos desde un punto de vista macrosc opico local y por otro manipular la formulaci on integral para poder llevar a cabo balance s macrosco opico globales, muy u tiles por varias razones. Estos balances macrosc opico globales permiten chequear soluciones obtenidas num ericamente mediante balances locales y por otro han sido de amplia difusi on en la profesi on del ingeniero para el c alculo y dise no de equipos e instalaciones. Coordenadas espaciales y materiales En esta secci on pretendemos desarrollar las nociones b asicas sobre lo que se entiende por coordenadas materiales y su relaci on con las coordenadas espaciales en pos de describir adecuadamente el movimiento de un uido. El t ermino coordenadas espaciales se reere a un sistema de coordenadas jo donde todos los puntos del espacio pueden ser localizados. Hay dos formas posibles de localizar o identicar una part cula de uido que pertenece a un vol umen material diferencial dVm (t). Una forma ser a designar su posici on mediante sus coordenadas espaciales x, y, z . Asumiendo que a un dado tiempo de referencia t = 0 las coordenadas espaciales se hallan localizadas en x=X , y=Y , z=Z , t=0 (1.13)
Para un tiempo t > 0 la posici on se puede expresar mediante
19
x=X+
0 t
y=Y +
0 t
z=Z+
0
dx dt dt dy dt dt dz dt dt
(1.14)
Compactando las tres expresiones anteriores en una sola mediante

t
r=R+
0
dr dt dt
(1.15)
entonces, r representa el vector posici on espacial mientras que R es llamado el vector posici on material. Este u ltimo identica una part cula del sistema o cuerpo y en algun sentido la impone una marca al tiempo de referencia. Este conjunto espec co de coordenadas no representa ning un sistema de coordenadas que se mueve y se deforma con el cuerpo. De alguna manera las coordenadas espaciales se pueden expresar en funci on de las coordenadas materiales y el tiempo, r = r(R, t) (1.16)
Una descripci on Lagrangiana del movimiento es aquella expresada en t ermino de las coordenadas materiales mientras que una descripci on Euleriana se expresa seg un las coordenadas espaciales. La derivada temporal del vector posici on espacial para una part cula de uido en particular es la velocidad de la misma. Ya que la derivada se eval ua con las coordenadas materiales jas esta derivada es llamada derivada material, ( Dr dr )R = =v dt Dt (1.17)
Derivadas temporales Sea S = S (x, y, z, t) una funci on escalar, entonces su derivada temporal se dene como: dS S (t + t) S (t) = lim t0 dt t (1.18)
Si S fuera solo funci on del tiempo esta denici on es directa mientras que si S depende de las coordenadas espaciales existe una ambiguedad respecto al punto que se toma en el instante t y en t + t. Para comenzar consideremos el movimiento de una part cula p de un sistema o cuerpo, acorde a (1.18) tenemos que la componente x de la velocidad de la misma ser a: dxp xp (t + t) xp (t) = lim = vx t0 dt t (1.19)
Imaginemos que la medici on la llevamos a cabo con un observador montado sobre la part cula, entonces para el observador las coordenadas materiales no cambian y por ende (1.18) se vuelve Dxp dxp xp (t + t) xp (t) =( )R = lim t0 Dt dt t (1.20) 20
Supongamos que queremos medir la temperatura de un ujo y como es habitual la medici on la llevamos a cabo en una ubicaci on ja del laboratorio, entonces lo que medimos como derivada temporal de la temperatura es: T (t + t) T (t) dT T = ( )r = lim (1.21) t0 t dt t r y a esta derivada se la suele llamar derivada parcial efectuada jando las coordenadas espaciales del punto de medici on en lugar de las coordenadas materiales como en (1.20). Un tercer caso ser a el de efectuar la medici on montado sobre un dispositivo que se mueva de una forma arbitraria no manteniendo ni las coordenadas espaciales ni las materiales jas. Esta derivada se la llama derivada total asumiendo que la velocidad del sistema de medici on es w = v. on de lo que acabamos de presentar como las tres derivadas La gura 1.2.2 muestra una descripci temporales a utilizar en el resto del curso.

11111111111111111111111 00000000000000000000000 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 z 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 00000000000000000000000 11111111111111111111111 y 00000000000000000000000 11111111111111111111111
Denici on de las derivadas temporales
Para interpretar lo anterior pero desde un punto de vista matem atico asumamos que tenemos cierta funci on escalar como la temperatura denida como: T = T (r, t) (1.22)
Si las coordenadas materiales se mantiene jas, entonces podemos expresar las coordenadas espaciales en t erminos de las materiales y el tiempo como T = T (r, t) = T [r(R, t), t)] = = T [x(R, t), y (R, t), z (R, t), t] (1.23)
21
manteniendo R constante y diferenciando ( DT T dx T dy T dz dT dT )R = =( )( )R + ( )( )R + ( )( )R + ( )r dt Dt x dt y dt z dt dt (1.24)
Por denici on las derivadas de las coordenadas espaciales mantieniendo las coordenadas materiales R jas son las componentes de la velocidad del uido v, mientras que la derivada manteniendo las coordenadas espaciales r jas es la derivada parcial, entonces (1.24) se transforma en: T T T T DT =( )vx + ( )vy + ( )vz + ( ) Dt x y z t mientras que en notaci on de Gibbs es DT T =( ) + v T, Dt t y en notaci on indicial: DT T T ). =( ) + vj ( Dt t xj (1.27) (1.26) (1.25)
En el caso en que la medici on la efectuemos sobre un dispositivo que tiene su propio movimiento entonces ya las coordenadas materiales no son jas y las derivadas totales de las coordenadas espaciales respecto al tiempo representan las componentes de la velocidad del dispositivo w, T T T T dT =( )wx + ( )wy + ( )wz + ( ) dt x y z t en notaci on de Gibbs: dT T =( ) + w T dt t T T dT ) =( ) + wj ( dt t xj (1.28)
(1.29)
y en notaci on indicial: (1.30)
Como vemos comparando (1.21) e (1.27) con (1.30) vemos que esta u ltima es la m as general ya que (1.21) corresponde al caso w = 0 mientras que como (1.27) ser a cuando w = v. Hasta aqu hemos analizado el caso de una funci on escalar y en particular hemos mencionado por razones de ndole pr actica el caso de la temperatura. A continuaci on veremos que sucede cuando la funci on a derivar es una cantidad vectorial. Tomemos como ejemplo el caso del vector velocidad cuya derivada temporal representa el vector aceleraci on. Por denici on, dv Dv )R = (1.31) dt Dt Haciendo el mismo an alisis que con el caso escalar arribamos a que para un observador con coordenadas espaciales jas este mide como aceleraci on a=( ( dv v )r = dt t (1.32)
22
siendo la relaci on entre ambas a= en notaci on indicial
v Dv = ( ) + v v Dt t
(1.33)
Dvi vi vi =( ) + vj ( ) Dt t xj
(1.34)
Aqu vemos que la aceleraci on consiste de dos t erminos, uno es llamado la aceleraci on local y representa la variaci on temporal de la velocidad en un punto jo en el espacio. La segunda es llamada la aceleraci on convectiva y depende tanto de la magnitud de la velocidad como de su gradiente. De la expresi on anterior surge que aunque el ujo sea estacionario la aceleraci on puede no ser nula dependiendo de su componente convectiva. Un ejemplo de esto lo vemos en el caso del ujo entrando a un tubo desde un dep osito. Hasta que se desarrolla el ujo experimenta una aceleraci on debido al t ermino convectivo aun cuando para un observador ubicado justo enfrente de dicha entrada las condiciones parecen no variar. Sin embargo otro observador viajando con el uido experimentar a la aceleraci on convectiva. Teorema de la divergencia Esta herramienta matem atica es muy u til en la discusi on que sigue a continuaci on en este cap tulo. Con ella podemos formular balances macrosc opicos o desarrollar ecuaciones diferenciales a partir de los principios de conservaci on expresados en forma integral como por ejemplo el (1.6) . Este teorema, conocido por aquellos alumnos que han tomado un curso de C alculo de varias variables se puede expresar de la siguiente forma: GdV =
V A
G ndA
(1.35)
Nuestro objetivo no es mostrar una demostraci on del mismo, solamente presentarlo y tratar de aplicarlo en las secciones que siguen a esta. Para poder aplicarlo al caso de un campo escalar expresemos el campo vectorial anterior como G = S b donde S es un escalar y b es un vector constante. Entonces se puede demostrar que SdV =
V A
S ndA
(1.36)
Teorema del transporte Hasta el momento hemos presentado diferentes formas de derivar temporalmente una funci on tanto escalar como vectorial y a su vez hemos mencionado las dos formas de localizar un punto del cuerpo, mediante sus coordenadas espaciales o sus coordenadas materiales. El objetivo de esta secci on es desarrollar una expresi on general para la derivada temporal de una integral de vol umen bajo condiciones tales que los puntos que pertenecen a la supercie del vol umen se mueven con una velocidad arbitraria w. De acuerdo a lo ya presentado este vol umen arbitrario lo hemos denominado como Va (t). Si la velocidad del mismo la jamos igual a la velocidad de uido v entonces el vol umen se transforma en un vol umen material Vm (t) y bajo estas condiciones nos referiremos al teorema del transporte de Reynolds. Considerando el vol umen arbitrario Va (t) como aquel ilustrado en la parte izquierda de la gura 1.1. Deseamos determinar la integral de vol umen de una cantidad escalar S , a saber:
23
d dt
SdV = lim
Va (t)
Va (t+t) S (t
+ t)dV t
Va (t) S (t)dV
t0
(1.37)
Para visualizar el teorema debemos pensar que el vol umen bajo consideraci on se mueve a trav es del espacio de forma tal que los puntos de su supercie se mueven con velocidad w. Esta velocidad puede variar con el tiempo (aceleraci on) y con las coordenadas espaciales (deformaci on). En cada instante de tiempo la integral es evaluada y deseamos medir cual es la variaci on de esta medici on. Observando la gura vemos que en un instante t el nuevo vol umen barrido por la supercie m ovil es designado dVaII mientras que el viejo vol umen dejado atr as por su movimiento se designa por dVaI .
Va (t + t) n 11111 00000 00000 11111 00000 11111 dV = w nt dA 00000 11111 00000 11111 00000 11111
Va (t)
Superficie al tiempo t
n
1111 0000 0000 1111 0000 1111 0000 1111 0000 1111
dA(t)
dAcs
dA(t + t)
1111 0000 0000 1111 0000 1111 0000 1111

dV = w nt dA
Figura 1.1: Teorema del transporte El area de este vol umen arbitario Aa (t) se puede dividir en dos partes: AaI (t) y AaII (t) mediante una curva cerrada sobre la supercie tal que n w = 0. Sin entrar en demasiados detalles para su demostraci on, suponiendo que tal curva existe, entonces Va (t + t) = Va (t) + VaII (t) VaI (t) lo cual nos permite escribir la integral en (1.37) como (1.38)
S (t + t)dV =
Va (t+t) Va (t)
S (t + t)dV +
VaII (t)
S (t + t)dVII
Va I (t)
S (t + t)dVI (1.39)
que reemplazada en (1.37) produce d dt SdV = lim

Va (t) VaII (t) S (t
t0 Va (t)
(S (t + t) S (t)) ]dV + t
VaI (t) S (t
t0
lim
+ t)dVII t
+ t)dVI
(1.40)
24
Cambiando el orden de integraci on con el proceso l mite en el primer t ermino obtenemos d dt SdV =
Va (t) Va (t)
S )dV + t
VaI (t) S (t
t0
lim
VaII (t) S (t + t)dVII
+ t)dVI
(1.41)
A continuaci on analizamos de que forma cambiar las integrales de vol umen por integrales de supercie. Para ello consideremos nuevamente la gura 1.1 que en su parte derecha analiza lo que ocurre localizadamente sobre un diferencial de supercie del vol umen que se est a moviendo. Este diferencial de vol umen al moverse una distancia L barre un cilindro oblicuo con respecto a la normal a la supercie siendo esta distancia L = w t (1.42)
con w la magnitud del vector w que dene la velocidad con que se mueve el vol umen arbitrario, siendo su versor direcci on representado en la gura mediante , entonces w = w El vol umen barrido es dV = L dAcs (1.44) (1.43)
La relaci on entre la orientaci on del diferencial de area sobre la supercie con aquel generado por el barrido es: a=b (1.45) a= dAcs = cos() dA cos() = n Entonces dV = w ntdA (1.47) (1.46)
y aplicando este resultado a los dos vol umenes que aparecen en la expresi on (1.41) obtenemos lo siguiente: S (t + t)dVI = t
VaI (t) AaI (t)
S (t + t)w ndAI
VaII (t)
S (t + t)dVII
= +t
AaII (t)
S (t + t)w nd (1.48)
cuya sustituci on en (1.41) produce d dt SdV =

Va (t) Va (t)
S )dV + t S (t + t)w ndAI

AaI (t)
(1.49)
t0
lim
S (t + t)w ndAII +
AaII (t)
25
Tomando el l mite vemos que AaI (t)+ AaII (t) = Aa (t) obteniendo nalmente el Teorema general del transporte: d S S w ndA (1.50) SdV = ( )dV + dt Va (t) Aa (t) Va (t) t En el caso de un vol umen jo en el espacio tenemos que Va (t) = V y w = 0 con lo que lo anterior se simplifa a S d (1.51) SdV = ( )dV dt V V t El uso m as frecuente del teorema general del transporte es cuando se lo aplica a un vol umen material en cuyo caso este resultado se lo conoce como el Teorema del transporte de Reynolds, cuya expresi on viene dada como: D S (1.52) S v ndA SdV = ( )dV + Dt Vm (t) Am (t) Vm (t) t La extensi on de los resultados anteriores al caso de una funci on vectorial es directa, simplemente podemos aplicarlo a cada componente, luego multiplicarlo por su respectivo versor direcci on y luego sumar, con lo que (1.50) aplicado por ejemplo al campo de velocidades produce el siguiente resultado: d dt vdV =
Va (t) Va (t)
v )dV + t
vw ndA
Aa (t)
(1.53)
Conservaci on de la masa Hasta este punto hemos tratado de obtener las herramientas necesarias para manipular el miembro izquierdo del principio de conservaci on de la cantidad de movimiento lineal con lo cual en pos de generalizar su uso deber amos a esta altura completarlo con el manejo del miembro derecho, aquel representado por las fuerzas de vol umen y las de supercie. Antes de ello y en pos de ir conduciendo al estudiante hacia la utilizaci on m as importante de todos los conceptos hasta aqu presentados vamos a considerar el caso particular de la conservaci on de la masa, ya que este no presenta miembro derecho. Denamos la propiedad a medir, la masa de un vol umen material como: M=
Vm
(t)dV
(1.54)
Ya que el principio de conservaci on requiere que la misma se mantenga constante, entonces: ( dM DM D )R = = dt Dt Dt dV = 0

Vm (t)
(1.55)
Aplicando el teorema del transporte a la derivada material de la integral obtenemos: D Dt dV =

Vm (t) Vm (t)
dV + t
v ndA = 0
Am (t)
(1.56)
que surge de reemplazar S = en (1.52) . De esta forma fue posible introducir el operador derivada dentro de la integral. Ahora a continuaci on el teorema de la divergencia nos ayudar a para transformar la integral de area en una de vol umen
26
con el n de poder juntar todos los t erminos bajo un mismo signo integral y de esta forma pasar de la formulaci on integral a una diferencial. Esto produce nalmente: D Dt dV =
Vm (t) Vm (t)
+ (v) dV = 0 t
(1.57)
Asumiendo continuidad en los integrandos podemos deshacernos de la integral y obtener la tan ansiada forma diferencial del principio de conservaci on de la masa + (v) = 0 t (1.58)
Existen algunas otras formas de expresar el mismo principio de conservaci on, como por ejemplo si aplicamos la denici on de derivada material y alguna manipulaci on algebraica b asica llegamos a: D + v = 0 Dt (1.59)
Otra forma particular de la ecuaci on de continuidad se obtiene si consideramos el caso de un ujo incompresible. Como la densidad es constante de (1.59) surge que v =0 (1.60)
Una forma particular del teorema del transporte de Reynolds se puede lograr si expresamos la propiedad escalar S como producto de la densidad por su propiedad espec ca, S = s (1.61)
En ese caso aplicando todo lo visto hasta aqu se puede arribar a la siguiente igualdad, llamada forma especial del teorema del transporte de Reynolds D Dt sdV =
Vm (t) Vm (t)
Ds dV Dt
(1.62)
Una forma alternativa de obtener la ecuaci on de continuidad mucho m as pr actica y con menos manipuleo matem atico es posible mediante el concepto de balance de ujos. En general para un diferencial de vol umen como el mostrado en la gura 1.2.2 podemos expresar el siguiente principio de conservaci on de la masa de la siguiente forma: variaci on temporal de la masa del vol umen control = Flujo m asico entrante al vol umen material Flujo m asico saliente del vol umen material (1.63)
El t ermino ujo es muy frecuentemente usado en referencia al transporte de masa, momento y energ a y signica una especie de caudal de alguna propiedad en la unidad de tiempo. Aplicando el caudal m asico, por tratarse en este caso del balance de masa, a cada cara del cubo elemental y
27
vz |z +z
vy |y+y
z
vx |x
z
vx |x
vy |y vz |z
y x
Balance de masa asumiendo una variaci on continua de las propiedades encontramos que: (xy z ) = t = [vx |x+x + vx |x ]y z + [vy |y+y + vy |y ]xz + [vz |z +z + vz |z ]xy caudal m asico a trav es de la supercie orientada seg un z (1.64) Dividiendo por el vol umen del cubo y tomando l mites cuando las dimensiones tienden a cero arribamos a una expresi on id entica a (1.58) . Como vemos en lo anterior solo hemos usado un concepto de balance de ujos a trav es de la supercie con t erminos de incremento de la propiedad en el vol umen considerando a este jo en el espacio por lo que aparece la derivada temporal parcial. Lineas de corriente, lineas de camino, trazas y funci on de corriente Este importante tema perteneciente a la cinem atica de uidos por razones de espacio y por no estar dentro de los objetivos del curso ser a dejado al lector para su estudio. En general la mayor a de los libros introductorios de mec anica de uidos lo tratan en forma extensiva. Sugerimos a aquellos interesados en el tema los libros de Whitaker [Wi], Batchelor [Ba] y White [Wh] entre otros. Por razones de completitud de las presentes notas en un futuro est a previsto incluirlo al tema en esta secci on. Fuerzas de supercie en un uido Volvamos por un momento a la expresi on del principio de conservaci on de la cantidad de movimiento lineal , ecuaci on (1.6), caudal m asico a trav es de la supercie orientada seg un y caudal m asico a trav es de la supercie orientada seg un x
28
D Dt
vdV
Vm (t)
=
Vm (t)
gdV +
Am (t)
t(n) dA
((1.6))
on temporal de fuerzas de masa fuerzas de supercie { la variaci cantidad de movimiento } En la secci on anterior hemos tratado la cinem atica de los uidos en el caso general, o sea el miembro on aparte dentro de esta al caso especial de izquierdo de la ecuaci on (1.6) y hemos hecho una menci la est atica de los uidos. Nosotros ahora volcamos nuestra atenci on al miembro derecho, o sea a las causas del movimiento y en especial al t ermino de las fuerzas de supercie ya que las fuerzas de cuerpo o de masa en general no presentan mayor dicultad. Vector tensi on y tensor de tensiones A continuaci on trataremos al vector tensi on a pesar de que ya lo hemos presentado cuando tratamos el caso particular de la est atica de los uidos o el caso simple de ujo desarrollado en un tubo (movimiento unidimensional). Como antes consideramos la hip otesis del continuo, o sea asumimos que el vector tensi on var a en forma continua con las variables independientes del problema, al igual que las otras variables incluidas en el problema. No obstante en el caso del vector tensi on tambi en debemos agregar que var a en forma suave o continua con la orientaci on en la cual est a calculado, n. Sin entrar en detalles acerca de la prueba de esto [Wi] establecemos las siguientes hip otesis:
1. 1.- el vector tensi on actuando sobre lados opuestos de la misma supercie en un dado punto es igual en magnitud y opuesto en direcci on, t(n) = t(n) . 2. 2.- el vector tensi on puede escribirse en t erminos del tensor de tensiones del cual proviene como t(n) = n T. 3. 3.- el tensor de tensiones es sim etrico, o sea Tij = Tji El primer punto se demuestra planteando el principio de conservaci on de la cantidad de movimiento lineal , el teorema del valor medio y un procedimiento de ir al l mite cuando la longitud caracter stica tiende a cero. El segundo punto requiere plantear el equilibrio de un vol umen tetra edrico sobre el cual el vector tensi on actuando sobre un plano puede descomponerse o formarse seg un aquellos pertenecientes a los otros tres planos orientados seg un los ejes cartesianos. Los tres vectores tensi on actuando sobre los tres planos cartesianos son: t(i) = iTxx + jTxy + kTxz t(j) = iTyx + jTyy + kTyz t(k) = iTzx + jTzy + kTzz Fuerza por unidad de area actuando en una supercie con normal orientada seg un x Fuerza por unidad de area actuando en una supercie con normal orientada seg un y Fuerza por unidad de area actuando en una supercie con normal orientada seg un z (1.65)
siendo el vector tensi on expresado seg un estos tres vectores tensi on: t(n) = (n i)t(i) + (n j)t(j) + (n k)t(k) (1.66) t(n) = n it(i) + jt(j) + kt(k)
29
con lo cual se alcanza el resultado esperado t(n) = n T (1.67)
donde el tensor de tensiones est a compuesto de t erminos it(i) que no representan ni un producto escalar ni uno vectorial, este producto es a menudo llamado producto di adico, base del algebra tensorial. Entonces surge que el vector tensi on (tensor de primer orden) es la contracci on del tensor de tensiones (tensor de segundo orden) en la direcci on normal. Este resultado no es tan obvio para aquellos no familiarizados con el algebra tensorial y se recomienda volcar la atenci on a este tema para aquellos que pretender lograr un mejor entendimientos de las ecuaciones de movimiento que m as adelante se denen. En res umen, el tensor de tensiones en tres dimensiones expresado por simplicidad seg un las coordenadas cartesianas es: Las nueve componentes escalares en (1.65) representan o caracterizan al tensor de tensiones, que en notaci on matricial puede escribirse como: Txx Txy Txz T = Tyx Tyy Tyz (1.68) Tzx Tzy Tzz El primer ndice representa la orientaci on del plano sobre el cual la tensi on act ua mientras que el segundo ndice est a relacionada con la direcci on en la cual la tensi on est a actuando. En notaci on indicial (1.67) puede escribirse como: t(n) i = nj Tji (1.69)
La forma de arribar al tercer punto, la simetr a del tensor, es mediante el principio de conservaci on del momento de la cantidad de movimiento lineal aplicado a un vol umen diferencial. Esta simetr a a su vez conduce al siguiente resultado: nT=Tn (1.70)
Ecuaciones de movimiento expresada seg un el tensor de tensiones El objetivo es plantear las ecuaciones de movimiento en t ermino del tensor de tensiones siendo esta forma una herramienta muy u til para plantear un anal sis macrosc opico global de la mec anica de los uidos o incluso como paso previo a la formulaci on diferencial del problema permitiendo cerrar el an alisis mediante la introducci on de las ecuaciones constitutivas del material, siendo esta forma bastante general. Comenzamos planteando el principio de conservaci on de la cantidad de movimiento lineal , D Dt vdV =
Vm (t) Vm (t)
gdV +
Am (t)
t(n) dA
(1.71)
La idea es encontrar la formulaci on diferencial al problema tal como hicimos previamente al tratar la conservaci on de la masa. All usamos el teorema de la divergencia sobre un integrando formado por el producto escalar del vector velocidad con la normal. Aqu la dicultad est a en que el integrando tiene al vector tensi on y a un no presentamos como aplicar el teorema de la divergencia a un integrando vectorial que no puede ser considerado constante. Para salvar esta dicultad Whitaker multiplica la
30
anterior ecuaci on escalarmente por un vector constante b y por ser constante puede ser introducida sin dicultad dentro del s mbolo diferencial: D Dt v bdV =
Vm (t) Vm (t)
g bdV +
Am (t)
t(n) bdA
(1.72)
y mediante el teorema del transporte de Reynolds y algunas manipulaciones algrebraica simples llegamos a:
Vm (t)
D (v b)dV = Dt
g bdV +
Vm (t) Am (t)
n (T b)dA
(1.73)
como (T b) es un vector se puede aplicar el teorema de la divergencia tal como lo vimos anteriormente y obtener
Vm (t)
D (v b) g b (T b) dV = 0 Dt
(1.74)
Otra vez, al ser los l mites de integraci on arbitrarios podemos removerlos y el integrando se satisface en todo punto del dominio. La eliminaci on del vector constante b es trivial en los dos primeros t erminos. En cuanto al tercero una forma de resolverlo es recurrir o a la notaci on indicial o sino a la denici on matricial del tensor (1.68) bx Txx Txy Txz Tyx Tyy Tyz by = T b = x y z bz Tzx Tzy Tzz (1.75) Txx Txy Txz bx by = Tyx Tyy Tyz = x y z bz Tzx Tzy Tzz = ( T) b de esta forma surge que la integral de supercie del vector tensi on se transforma en la integral de vol umen de la divergencia del tensor de tensiones, una generalizaci on del teorema de la divergencia. Por lo tanto la ecuaci on de movimiento (1.6) se transforma en: Dv = g + T (1.76) Dt Entonces partiendo de la formulaci on integral o macrosc opica global arribamos a la formulaci on diferencial o macrosc opica local del principio de conservaci on de la cantidad de movimiento lineal . Esta expresi on tiene la ventaja que el miembro izquierdo es expresado en las variables dependientes del problema mientras que el miembro derecho contienen los ujos de estas variables o su cantidades duales. Incorporando las ecuaciones constitutivas del material es como transformamos esta ecuaci on en otra equivalente pero expresada solo en las variables de estado. Ecuaciones diferenciales de movimiento de un uido En la secci on anterior derivamos la ecuaci on vectorial de movimiento expresada seg un el tensor de tensiones y junto al principio de conservaci on de la masa forman un sistema de 4 ecuaciones en 3D
31
con 9 inc ognitas, las tres componentes del vector velocidad y los 6 coecientes del tensor de tensiones sim etrico. Para salvar esta indeterminaci on introducimos informaci on adicional via las ecuaciones constitutivas del material que relacionan las componentes del tensor de tensiones con la presi on y los gradientes del vector velocidad llegando nalmente a expresar las anteriores 4 ecuaciones en funci on de las 4 inc ognitas, la presi on y el vector velocidad. Dv = g + T Dt + (v) = 0 t ((1.76,1.58)) (1.77)
Tensor de tensiones viscoso En la secci on 2 hemos visto que en el caso de la est atica de uidos no pod an existir esfuerzos cortantes y que los u nicos esfuerzos que el uido es capaz de resistir son aquellos normales. Hab mos mencionado que estos eran isotr opicos y que en denitiva estaban caracterizados por la presi on: t(n) = n T = np (1.78)
Analizando la anterior vemos que para el caso de un uido en reposo el tensor de tensiones se reduce a un escalar, en realidad asumiendo que la isotrop a se maniesta mediante un tensor m ultiplo de la identidad podemos extender lo anterior diciendo que T = pI. En general podemos dividir al tensor de tensiones en dos partes, una isotr opica como la anterior y una no isotr opica, denominada muchas veces deviat orica y que corresponde al tensor viscoso, T = pI + (1.79)
siendo = 0 para el caso particular de la est atica de uidos. Ya que T e I son sim etricos, entonces es sim etrico y dado que el t ermino isotr opico es un tensor diagonal, entonces se satisface que: Tij = ij i = j (1.80)
Reemplazando en las 4 ecuaciones arriba planteadas (1.76,1.58) se obtiene: v + v v = p + g + t (1.81)
donde solo se requiere establecer ecuaciones para las componentes del tensor viscoso en t ermino de las velocidades o mas generalmente en t erminos del tensor velocidad de deformaci on d. Si suponemos que el material se comporta como un uido newtoniano entonces es muy habitual usar la siguiente ley: 2 = 2d + [( ) v]I 3 vk 2 ij = 2dij + [( )( )]ij 3 xk
(1.82)
expresada en notaci on de Gibbs e indicial y en t ermino de dos coecientes de viscosidad, y . En pos de poder entender mejor la forma en la que surgen las ecuaciones constitutivas es necesario introducir varios conceptos relacionados con la deformaci on y la velocidad de deformaci on de un
32
uido. No obstante esto es dejado para futuras versiones de estas notas debido a lo extenso del an alisis, aquellos interesados pueden consultar la bibliograa b asica del tema [Wi],[Ba]. Por el momento nuestro an alisis lo enfocamos hacia derivar las ecuaciones diferenciales de movimiento que ser an la que posteriormente resolveremos via m etodos num ericos. Para ello nos conformamos con la denici on de alguna ley constitutiva. Ya que por lo general siempre se comienza por los casos m as simples o m as observados experimentalmente recurrimos a la hip otesis newtoniana, con la denici on (1.82), que reemplazada en (1.81) nos da: 2 v + v v = p + g + 2d + ( ) vI t 3 d = 1/2(v + T v)
(1.83)
donde T v es el gradiente del vector velocidad traspuesto, un tensor de segundo orden. Casos particulares como el de ujo incompresible donde la ecuaci on de continuidad seg un (1.60) equivale a v = 0 simplica la anterior a: v + v v = p + g + (v + T v) (1.84) t Si la viscosidad fuera constante sale fuera del s mbolo divergencia y entonces la anterior se simplica a: v + v v = p + g + 2 v t Formulaci on vorticidad-funci on de corriente Denimos la vorticidad como: =v (1.85)
(1.86)
Si tomamos la ecuaci on de conservaci on del momento lineal para el caso incompresible a viscosidad constante y si le aplicamos el rotor a la misma obtenemos ( 1 v + v v ) = g + p + 2 v t D = v + g + 2 Dt
(1.87)
donde g representa el rotor del campo de fuerzas de vol umen en general, ya sea fuerzas gravitatorias como de otaci on t ermica o electromagn eticas, etc. El t ermino v representa matem aticamente un t ermino fuente proporcional a la vorticidad y f sicamente est a asociado a la deformaci on por contracci on o elongaci on del vol umen material. Como se alcanza a ver en el caso bidimensional este t ermino no existe porque la vorticidad es un vector orientado en la direcci on normal al plano del movimiento y el producto escalar con ella es nulo. Solo existe en el escurrimiento 3D. En el caso 2D la vorticidad puede tratarse como un escalar ya que su orientaci on permanecer a ja y apuntando en la normal al plano del movimiento. Si consideramos ausencia de fuerzas de vol umen la anterior se simplica a: D = 2 Dt
(1.88) 33
Introduciendo la denici on de funci on de corriente, u= y v = x
(1.89)
y reemplaz andola en la denici on de la vorticidad llegamos a 2 2 + = x2 y 2 Resumiendo la formulaci on vorticidad-funci on de corriente en 2D se puede escribir como: 2 2 + = x2 y 2 + v = 2 t donde v=
y x
(1.90)
(1.91)
(1.92)
El planteamiento de las condiciones de contorno en esta formulaci on merece un tratamiento cuidadoso y algunos detalles de los mismos se incluyen en el cap tulo de las aplicaciones. Flujo compresible Hasta el momento hemos hecho bastante hincapi e en el caso de ujo incompresible en el cual asumimos que la densidad es constante. En esta secci on trataremos de extender el tratamiento para incluir algunos conceptos introductorios acerca del ujo compresible. En el caso compresible la densidad aparece como una inc ognita a resolver y en general a partir de argumentos termodin amicos est a ligada a otras variables, por ejemplo a la presi on y temperatura a trav es de la ecuaci on de estado. = constante = (p, T ) INCOMPRESIBLE COMPRESIBLE (1.93)
Con todo esto es posible cerrar el sistema. Al respecto presentaremos la ecuaci on de conservaci on de energ a que debe ser acoplada al resto de las ecuaciones de conservaci on para luego hacer algunos comentarios acerca de la entrop a. Conservaci on de la energ a El postulado fundamental de la conservaci on de la energ a establece: D Dt
(e + 1/2
Vm (t)
)dV =
Vm (t)
g vdV +
Am (t)
t(n) vdA
Am (t)
q ndA
(1.94)
donde el t ermino a la izquierda representa la variaci on temporal de la energ a interna y la cin etica dentro del vol umen material o cuerpo, el primer t ermino de la derecha y el segundo representan trabajos por unidad de tiempo de las fuerzas de gravedad y las de supercie, mientras que el tercer t ermino
34
contiene el calor intercambiado. De alguna forma esta versi on integral equivale al primer principio de la termodin amica aplicado a sistemas cerrados que en general se expresa en forma diferencial o en diferencias: (U + KE + P E ) = Q W (1.95) Usando la igualdad derivada anteriormente (forma especial del teorema del transporte de Reynolds) (1.62) D Ds dV (1.96) sdV = Dt Vm (t) Vm (t) Dt y expresando el vector tensi on como la contracci on del tensor de tensiones en la direcci on normal llegamos a:
Vm (t)
D (e + 1/2 Dt
)dV =
Vm (t)
g vdV +
Am (t)
(n T) vdA
Am (t)
q ndA
(1.97)
y aplicando el teorema de la divergencia sobre las dos integrales de area para llevarlas a formas equivalentes sobre integrales de vol umen lo anterior se puede escribir como: D (e + 1/2 Dt v
2
) = g v + (T v) q
(1.98)
y si expresamos las fuerzas gravitatorias como conservativas y provenientes del gradiente de un potencial (), podemos simplicar lo anterior a: D (e + 1/2 Dt v
2
+) = (T v) q
(1.99)
donde hemos agrupado la energia interna, la cin etica y la potencial en el miembro izquierdo y si aplicamos el balance de masa se llega a: D (e + 1/2 Dt v
2
+) = (T v) q
(1.100)
En general es com un a partir de esta expresi on plantear el balance en un vol umen de control arbitrario que se mueve a una velocidad distinta a la del uido y de esta forma obtener el balance macrosc opico global. Tambi en es habitual extender lo anterior al caso de sistemas abiertos donde es usual denir la entalp a y plantear el balance en t erminos de esta funci on. Ecuaci on de la energ a t ermica Una forma de poner la anterior expresi on en t erminos de la energ a t ermica es remover de (1.97) la ecuaci on correspondiente al balance de energ a mec anica. Este se puede hallar tomando las ecuaciones de movimiento y multiplicarla escalarmente por la velocidad, D1/2 v Dt
2
= g v + v ( T) = = g v + (T v) v : T
(1.101)
Restando de (1.95) hallamos

Vm (t)
De dV = Dt
v : TdA
Am (t) Am (t)
q ndA
(1.102) 35
Secci on 1.3. TP.I.- Trabajo Pr actico #1
Separando T = pI + en su componente normal y en la deviat orica y pasando a la versi on diferencia mediante el teorema de la divergencia encontramos : De = p v + q Dt (1.103)
representa la disipaci on viscosa que aumenta la energ a interna y por ende la temperatura. Ecuaci on de la entropia Partiendo de las funciones caracter sticas de la termodin amica encontramos la relaci on entre energ a interna, entrop a y densidad, e = e(s, ) (1.104) Tomando la derivada material y multiplicando por la densidad De = Dt e Ds e + s Dt Ds p D = T + Dt Dt D = Dt
(1.105)
y escribiendo la ecuaci on de continuidad en la forma D + v = 0 Dt y usando la igualdad (1.97) llegamos a De Ds = T p v Dt Dt 1 Ds = ( q + ) Dt T (1.106)
(1.107)
Haciendo el proceso inverso, desde la formulaci on diferencial llegar a la integral implica en este caso obtener: qn q T D sdV = dA + ( + )dV (1.108) 2 Dt Vm (t) T T Am (t) T Vm (t) De este balance integral de la entrop a surge que si un proceso es isentr opico entonces la entrop a del vol umen material o cuerpo debe permanecer constante y esta condici on se cumple si: 1. 1.- q n = 0 sobre la supercie, o sea es adiab atico, 2. 2.- T = 0 sobre el sistema, proceso reversible, 3. 2.- = 0 sobre el sistema, efectos de fricci on despreciables.
1.3.
TP.I.- Trabajo Pr actico #1
1. Demostrar que para un uido en reposo (est atica de uidos) el tensor de tensiones es isotr opico.Ayuda: Considere un tetraedro diferencial sumergido en un uido en reposo.
36
Abierto a la atmsfera
Tanque de presin
11111111 00000000 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111
z=h3
z=h2
z=h1
1 z=0
Man ometro 2. Dado el man ometro de la gura encuentre la expresi on que relaciona la presi on relativa del interior del tanque respecto a la atmosf erica en funci on de las alturas de las columnas usando el principio de conservaci on de la cantidad de movimiento lineal . 3. Calcule la fuerza y el torque aplicado sobre la placa plana de la siguiente gura:
00000000000000000000000000000000000 11111111111111111111111111111111111 00000000000000000000000000000000000 11111111111111111111111111111111111 00000000000000000000000000000000000 11111111111111111111111111111111111
11 00 00 11 00 11 00 11 00 11 00 11 00 11 00000 11111 00 11 00000 11111 00000 11111 000000000000000 111111111111111 00000 11111 000000000000000 111111111111111
Fuerza sobre un cuerpo plano sumergido
4. Calcule la fuerza a la que se halla sometida una esfera sumergida sobre la que act ua un desnivel como el de la siguiente gura: 5. Deduzca la expresi on de un ujo Couette plano laminar y calcule: y la velocidad promedio en la secci on transversal al ujo (b) el caudal en funci on de la caida de presi on
(a) la velocidad m axima
37
11111111111111111111111111111111 00000000000000000000000000000000 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 00000000000000000000000000000 11111111111111111111111111111 00000000000000000000000000000000 11111111111111111111111111111111 000000000000000000000000000000 111111111111111111111111111111 000000000000000000000000000000 111111111111111111111111111111 000000000000000000000000000000 111111111111111111111111111111 000000000000000000000000000000 111111111111111111111111111111
Fuerza sobre un cuerpo curvo sumergido
6. Deduzca la expresi on de un ujo Couette plano laminar pero ahora utilizando una ley de viscosidad no newtoniana. Para ello tome aquella del modelo de uido de ley de potencia: yx = 0 | y considere: dvx n1 dvx | dy dy
(a) el caso de un uido pseudopl astico (n < 1)
(b) el caso de un uido dilatante (n > 1) 7. Deduzca la expresi on de un ujo Couette laminar para un escurrimiento longitudinal a lo largo de un tubo anular donde el radio interior es r1 y el exterior es r2 . 8. Repita el Ej 7 pero utilizando un uido no newtoniano con una ley como la presentada en el ej 6 y calculo la relaci on entre el caudal y la caida de presi on. 9. Partiendo de la denici on vectorial del teorema de la divergencia demostrar la versi on escalar del mismo.Ayuda: Un campo escalar puede ser denido por uno vectorial con una orientaci on ja del campo. 10. Aplique el teorema de la divergencia a la expresi on del principio de conseraci on de cantidad de movimiento lineal (1.6) para el caso de est atica de los uidos para obtener la expresi on diferencial (1.8). 11. A partir del teorema del transporte de Reynolds (1.52) aplicado a una funci on escalar del tipo S = s hallar la forma especial del teorema expresado por (1.62). Ayuda: utilice el principio de conservaci on de la masa para alcanzar el resultado 12. Probar que si w es independiente de las coordenadas espaciales, entonces
38
d dt
SdV =
Va (t) Va (t)
dS dV dt
13. Si la velocidad de un uido viene dada por: v = u0 eat [ibx + jcy 2 ] obtener una expresi on para la derivada material de la velocidad a, b, c y u0 .
Dv Dt
en t ermino de los coecientes
39
Cap tulo 2
Niveles din amicos de aproximaci on

2.0.1. Introducci on
las ecuaciones de Navier-Stokes la dependencia de la viscosidad y la conductividad t ermica con otras variables leyes constitutivas describen completamente el fen omeno uidodin amico en r egimen laminar. No obstante en casi todas las situaciones reales en la naturaleza y en la tecnolog a existe una particular forma de inestabilidad conocida con el nombre de turbulencia. Esta ocurre cuando en ciertas situaciones un n umero adimensional llamado n umero de Reynolds, denido por Re = Uchar L/, alcanza o supera determinado valor que depende del problema en particular. L representa una longitud caracter stica y Uchar una velocidad caracter stica. Este fen omeno se caracteriza por la presencia de uctuaciones estad sticas en todas las variables del ujo que se agregan a los valores medios, llegando en algunos casos a alcanzar valores de hasta el 10 % del promedio. Dado que la escala que imponen los fen omenos turbulentos est an fuera de los alcances de los recursos computacionales actuales, es la tarea de estos tiempos tratar de resolver las ecuaciones de Navier-Stokes en su versi on promediada y suplementada por alguna descripci on externa de las tensiones de Reynolds. Esta informaci on es suministrada por los modelos de turbulencia, cubriendo ellos un rango muy amplio, desde los m as simples basados en denir una longitud de mezcla y una viscosidad para los eddies hasta aquellos que plantean un balance para el transporte de cantidades como la energ a cin etica turbulenta y la disipaci on, modelo denominado k , o formas m as complicadas de calcular las componentes del tensor de Reynolds. A continuaci on presentamos en forma resumida cuales ser an los distintos niveles de aproximaci on que se pueden plantear sobre la base de los efectos din amicos presentes. Navier-Stokes tridimensional laminar Navier-Stokes tridimensional turbulento En el caso de no existir extensas regiones viscosas podemos plantearnos Thin shear layer (TSL). Esta aproximaci on desprecia los fen omenos de difusi on molecular y turbulenta en la direcci on de transporte reduciendo el n umero de t erminos de tensi on viscosa a calcular. 40
micos de aproximacio n Cap tulo 2. Niveles dina
Secci on 2.1. Las ecuaciones de Navier-Stokes
Navier-Stokes parabolizado: En esta aproximaci on el car acter el ptico de las ecuaciones es responsabilidad de la presi on mientras que el resto de las variables se parabolizan, reduciendo los fen omenos de difusi on a la direcci on transversal. Capa l mite Para altos Re podemos introducir una suerte de separaci on de los efectos viscosos e inv scidos, desacoplando la presi on de los efectos viscosos y connando estos a una regi on cercana a los cuerpos mientras que lejos el ujo se comporta como inv scido. Aproximaci on inv scida (ecuaciones de Euler). Aqu despreciamos todos los efectos viscosos y nos acercamos a los cuerpos tanto como el espesor de la capa l mite, no resolviendo lo que sucede dentro de ellas. Modelo de p erdidas distribuidas Es un modelo usado en problemas de ujo interno, en especial en turbom aquinas. Se ubica en un nivel intermedio entre los modelos total o parcialmente viscosos y aquellos puramente inv scidos. Debido a la existencia de las de alabes las capas l mites y las estelas que deja una la de ellas se mezclan y son vista por la siguiente como una fuerza de fricci on distribuida. Modelo de ujo potencial Este est a asociado a ujo irrotacional y por su car acter isoentr opico presenta problemas de unicidad cuando aparecen discontinuidades debiendo imponerse las condiciones de Rankine-Hugoniot para evitarlas.
2.1.
Las ecuaciones de Navier-Stokes

v 0 v + v v + pI = fe t E Wf + qH vH v k T
(2.1)
donde Wf = fe v . Estas forman un sistema de 5 ecuaciones en el caso 3D expresado aqu en variables conservativas U denidas como: u (2.2) U = v = v E w E No debe confundirse lo que se llama una forma conservativa de lo que son las variables conservativas. La matriz de los vectores ujos F tiene dimensi on (5 3) v (2.3) F = v v + pI vH v k T y puede dividirse en tres vectores columnas (f, g, h) de 5 componentes cada uno.
41
El lado derecho contiene los t erminos fuentes, Q, un vector de (5 1) 0 Q = fe Wf + qH
(2.4)
De esta forma podemos arribar a una forma condensada de las ecuaciones que suele ser muy u til en ciertas situaciones U +F =Q (2.5) t que expresada en sus tres coordenadas cartesianas da lugar a U f g h + + + =Q t x y z (2.6)
Las ecuaciones de Navier-Stokes deben ser suplementadas por leyes constitutivas y por la denici on del tensor de tensiones viscosas en funci on de otras variables del ujo. Consideraremos las hip otesis Newtonianas ya vistas. Las leyes termodin amicas denen la relaci on entre la energ a o la entalp a y otras variables termodin amicas, tales como la temperatura, la densidad o la presi on. e = e(p, T ) o h = h(p, T ) (2.7)
Adem as deben especicarse leyes de dependencia de la viscosidad y la conductividad t ermica con otras variables del ujo como la temperatura o eventualmente la presi on. En particular es muy usual en gases expresar la dependencia de la viscosidad con la temperatura a partir de la ley de Sutherland = 1.45 T 3/2 6 10 , [T ]Kelvin T + 110 (2.8)
Para la conductividad t ermica puede plantearse algo similar conociendo la relaci on que vincula Cp = Cp (T ). En el caso de l quidos k es asumida como constante. Muchas veces se usa la hip otesis de gases perfectos que plantea una expresi on particular de (2.7), como e = Cv T y una relaci on para las tres variables termodin amicas a trav es de la ecuaci on de estado de los gases p = Rgas T donde Rgas es la constante universal de los gases.
2.1.1.
Modelo de uido incompresible
Las ecuaciones de Navier-Stokes se simplican considerablemente para el caso de uidos incompresibles para el cual se asume que la densidad permanece invariable tanto en la coordenada espacial como en el tiempo. Si adem as el ujo permanece isot ermico esto separa la ecuaci on de energ a del resto y el sistema se reduce en una ecuaci on. En el caso de ujos que involucren variaciones de temperatura el acoplamiento entre la temperatura y el movimiento ocurre a trav es de : variaci on de la viscosidad con T
42
variaci on de la conductividad con T fuerzas de otaci on fuentes de calor de or gen mec anico, qu mico o el ectrico entre otras. En el caso incompresible la ecuaci on de masa se transforma en: v =0 (2.9)
que aparece como una especie de restricci on a la ecuaci on del movimiento que en forma no conservativa se puede escribir como: v 1 + (v )v = p + v + fe t La ecuaci on de vorticidad de Helmholtz, presentada previamente, se transforma en 1 + (v ) = ( )v + p + + fe t (2.11) (2.10)
Para ujos donde la densidad no se estratica el t ermino en presi on desaparece de las ecuaciones y el primer t ermino del lado derecho se anula si el ujo es plano. El caso incompresible presenta una situaci on muy particular, una de las 5 inc ognitas, la presi on, no tiene una forma dependiente del tiempo debido al car acter no evolutivo de la ecuaci on de continuidad. Esto redunda en una dicultad num erica que ha dado y continua dando lugar a muchas especulaciones. Una ecuaci on para la presi on puede obtenerse tomando la divergencia de las ecuaciones de momento y asumiendo un campo de velocidades solenoidal , conduce a: 1 p = (v )v + fe (2.12)
que puede ser considerada como una ecuaci on de Poisson para la presi on cuando el campo de velocidades es especicado. El t ermino derecho contiene solo derivadas de primer orden para la velocidad.
2.1.2.
Las ecuaciones de Navier-Stokes promediadas
El proceso de promediaci on en el tiempo para un ujo turbulento se introduce para alcanzar las leyes de movimiento para las cantidades medias. La promediaci on temporal se dene de forma de remover la inuencia de las uctuaciones turbulentas sin destruir la dependencia temporal con otros fen omenos no estacionarios con escala de tiempo diferente a aquellas asociadas con la turbulencia. La promediaci on se dene como: A=A+A A(x, t) = 1 T
T /2
A(x, t + )d
T /2
(2.13)
43
donde T se dene como un tiempo sucientemente largo comparado con la escala de sucesos de la turbulencia pero peque no comparado a la escala temporal del problema no estacionario. En ujos compresibles este proceso de promediaci on conduce a productos de uctuaciones entre cantidades como la densidad y otras variables como la velocidad y la energ a interna. Para evitarlas se recurre a un promedio pesado con la densidad. = A A (2.14) A=A+A A = 0 De esta forma se remueven todos los productos necesarios de las uctuaciones de la densidad con las uctuaciones de las otras variables. Por ejemplo, la ecuaci on de continuidad se transforma en ) = 0 + ( v t Aplicada a las ecuaciones de momento llegamos a: v R v +p ( v ) + (v I ) = 0 t donde las tensiones de Reynolds se denen como:
R
(2.15)
(2.16)
= v v
v
(2.17)
y se agregan a las tensiones viscosas promediadas . En coordenadas cartesianas tenemos que

R ij = vi vj
(2.18)
La relaci on entre las tensiones de Reynolds y las variables debe ser especicada en forma externa y se realiza a trav es de modelos que contienen una dosis de especulaci on te orica combinada con evidencias experimentales.
2.1.3.
Aproximaci on Thin shear layer (TSL)
A elevados n umeros de Reynolds las capas de corte pr oximas a las paredes y las que se producen en las estelas ser an de un tama no limitado y si la extensi on de las zonas viscosas permanece limitada durante la evoluci on del ujo entonces la inuencia dominantes de estas capas estar a dada por los gradientes en la direcci on transversal a la corriente uida. Entonces, la aproximaci on Thin shear layers consiste en despreciar las derivadas en las direcciones de la supercie que delimitan estas capas de corte y considerar solo las derivadas en la direcci on normal a ellas. Esta aproximaci on se sustenta a un m as si hechamos un vistazo a las mallas discretas que se confeccionan para ujos con Re > 104 que son muy densas en la direcci on normal a los cuerpos y son muy gruesas en el plano tangente al cuerpo, alcanz andose muy baja precisi on en las direcciones contenidas en el plano tangente. La forma condensada de las ecuaciones de Navier-Stokes (2.5) permanecen inalteradas pero el vector ujos F se simplica por el hecho que
44
in n i = ( ) (2.19) n n Entonces si tomamos los ujos en cada una de las tres direcciones locales (tangente, normal y binormal) vemos que u u2 + p uv f = uw uH v uv 2 v + p g= (2.20) vw vH 0 w uw u z v z h = vw + 4 w w2 + p 3 z v 4 w T wH (u u z + v z + 3 w z ) k z ( )i Como vemos esta aproximaci on asume ujo inv scido para las direcciones del plano tangente y ujo viscoso s olo en la direcci on normal. A diferencia de la aproximaci on de capa l mite, TSL no asume que la presi on sea constante dentro de la capa l mite, con lo cual representa una aproximaci on tipo capa l mite de mayor orden.
2.1.4.
Aproximaci on Navier-Stokes parabolizada
Esta aproximaci on se basa sobre consideraciones similares a TSL pero se aplica solamente al caso estacionario. Esta aproximaci on va dirigida hacia aquellas situaciones donde existe una direcci on predominante como ser a el caso de ujo en canales. Adem as se supone que las regiones viscosas cerca de bordes s olidos son dominadas por gradientes en el plano normal y por lo tanto la difusi on de momento y energ a en la direcci on principal se desprecian. Esta aproximaci on es solo v alida mientras no existan zonas con variaciones importantes tal como recirculaciones. Analizando la ecuaci on de momento en la direcci on principal (asumimos la x) ser a : u u (u2 + p) + (uv ) + (uw) = ( ) + ( ) x y z y y z z (2.21)
Esta ecuaci on por haber perdido el t ermino de derivada segunda seg un la direcci on x cambi o de tipo el ptico a parab olico ya que seg un x la derivada primera es la de mayor orden. Entonces la variable x puede ser vista como un pseudo tiempo y se resuelven problemas en 2D avanzando de a capas en x. Similarmente la ecuaci on de energ a parabolizada se vuelve
45
Secci on 2.2. Modelo de ujo inv scido
uH vH wH ( v )z + (k ) + (k ) + + = ( v )y + z y y z z x y z y
(2.22)
2.1.5.
Aproximaci on de capa l mite
Fue un gran descubrimiento alcanzado por Prandtl quien reconoci o que a altos Re las regiones /U L para un cuerpo viscosas permanecen acotadas a una extensi on ( del orden de /L de longitud L ) a lo largo de cuerpos s olidos o supercies inmersas o limitando el ujo. En estos casos el c alculo de la presi on puede separarse de aquel del campo de velocidades. Comparando esta aproximaci on con la TSL se puede decir que aqu adem as de las suposiciones hechas con la TSL se agrega aquella que la velocidad en la direcci on normal a la supercie se desprecia por lo cual no se produce caida de presi on en esa direcci on. De esta forma la presi on en la capa l mite se asume igual a la externa pe (x, y ) computada a partir de una aproximaci on inv scida. Si bien uno puede separar el c omputo de la zona o regi on inv scida del de la capa l mite existe muchas situaciones donde existe interacci on entre ambas y deben resolverse en forma iterativa. Este tipo de aproximaci on cae dentro de lo que suele llamarse interacci on viscosa-inv scisa
2.2.
Modelo de ujo inv scido
La conguraci on de ujo m as general para el caso no viscoso donde se desprecian los efectos de conducci on del calor se describen mediante las ecuaciones de Euler, obtenidas a partir de las ecuaciones de Navier-Stokes despreciando todos los t erminos de tensiones viscosas y los de conducci on del calor. Esta aproximaci on vale para ujos a elevados n umero de Reynolds y fuera de las regiones donde se concentran los efectos viscosos. Este modelo respecto al de Navier-Stokes introduce un cambio importante en el conjunto de ecuaciones, el sistema de segundo orden se transforma en uno de primer orden, modicando no solo la aproximaci on f sica y num erica sino tambien la especicaci on de las condiciones de contorno. Las ecuaciones de Euler no estacionarias tienen una forma condensada similar a aquella presentada en (2.5) U +F =Q (2.23) t para el caso de Navier-Stokes , con la modicaci on puesta en la forma de denir el vector ujo F En este caso los ujos se denen como v w u uw u2 + p uv 2 vw g v + p (2.24) f = uv w2 + p vw uw vH wH uH Una consideraci on importante le cabe a la entrop a. Ya que el modelo de Euler asume la no existencia de conducci on del calor ni de esfuerzos viscosos, si tomamos la ecuaci on (2.6.f) T ds = dt
v
+ (k T ) + qH
(2.25) 46
vemos que el segundo miembro es nulo, por lo cual esta se reduce a: T( s + v s) = 0 t (2.26)
expresando que la entrop a es constante a lo largo de las l neas de corriente. Por lo tanto las ecs. de Euler describen ujos isentr opicos en ausencia de discontinuidades. No obstante la entrop a puede variar de una l nea de corriente a otra y esto es visto por una forma especial atribuida a Crocco de describir las ecuaciones de momento , cuando se la aplica al caso inv scido y estacionario en ausencia de fuerzas externas. Esta se expresa como: v = T s H (2.27)
Si por un momento asumimos un campo uniforme de entalp as vemos que la derivada normal de la entrop a (en el plano tangente no var a) equivale a la componente normal en la terna de Frenet del producto vectorial entre la velocidad y la vorticidad y que es equivalente al producto de la componente binormal de la vorticidad con la velocidad normal, o sea wb = T s n (2.28)
Por lo tanto gradientes de entropia y vorticidad est an directamente vinculados. Las ecuaciones de Euler tambi en permiten discontinuidades en capas vorticosas, en ondas de choque o del tipo discontinuidades de contacto, pero ellas deben obtenerse usando la forma integral del las ecuaciones ya que la forma diferencial asume continuidad de la soluci on.
2.2.1.
Propiedades de las soluciones discontinuas
Si dentro de un vol umen V existe una supercie que se mueve con una velocidad C donde la soluci on presenta una discontinuidad debemos recurrir a la forma integral de las ecuaciones de Euler, que en ausencia de t erminos fuentes se puede escribir como: t
U d+
S
F dS = 0 U d + t (2.29) F dS = 0
S
U d+ t
Ya que debemos seguir el movimiento de la supercie para poder estudiar su evoluci on, debemos aplicar el teorema del transporte de Reynolds sobre el t ermino temporal, que dice: Para cualquier funci on f (x, t) tenemos que d dt f d =
V (t) V (t)
f + (f C ) d t
(2.30)
Entonces usando (2.30) con f = 1 y el teorema de la divergencia sobre (2.29) produce lo siguiente: U d t U C dS +
S S
F dS = 0
(2.31) 47
Asumiendo que el vol umen tiende a cero el t ermino del ujo puede ponerse como:
V 0 S
lim
F dS =
(F2 F1 ) d =
F 1n d
(2.32)
donde d es la normal a la supercie de la discontinuidad y donde denimos el salto de una variable que cruza una discontinuidad A como A = A2 A1 Combinando (2.29) con (2.32) llegamos a ( F C U ) d = 0
(2.33)
que conduce a la forma local de las leyes de conservaci on sobre una discontinuidad, llamadas las relaciones de Rankine-Hugoniot: F 1n C U 1n = 0 (2.34) Si (x, t) = 0 dene la supercie de discontinuidad, entonces d = + C = 0 dt t y si denimos la normal a la supercie como 1n = entonces, reemplazando en (2.34) obtenemos F + Distintas formas de discontinuidad shocks: todas las variables del ujo son discontinuas de contacto y capas vorticosas (slip lines): no ha transferencia de masa a trav es de ellas densidad y velocidad tangencial discontinuas presi on y velocidad normal continuas Si vemos las propiedades del sistema desde una terna que se mueve junto a la discontinuidad, las relaciones de Rankine Hugoniot para las ecuaciones de Euler se transforman en: v 1n = 0 v v 1n + p 1n = 0 v 1n H = 0 48 (2.36) U =0 t (2.35) ||
Secci on 2.3. Flujo potencial
Discontinuidad de contacto
Al no haber transporte de masa a trav es de ellas vn1 = vn2 = 0
y de (2.36) surge que p =0 y en general =0 Capas vorticosas (Slip lines) Como antes vn1 = vn2 = 0 p =0 permitiendo saltos en la velocidad tangencial y en la densidad =0 y vt = 0 (2.37) y vt = 0
Ondas de choque Ellas permiten el transporte de masa a trav es y por lo tanto la velocidad normal y la presi on pueden ser discontinuas mientras que la velocidad tangencial permanece continua. Entonces =0 p =0 (2.38) vn = 0 vt = 0 La llamada condici on de entrop a da la informaci on necesaria para poder ltrar de todas las posibles soluciones aquellas que no tengan sentido f sico. Esto est a fuera de los alcances de este curso. Del mismo modo no ser a tratado aqu a el tema de la formulaci on de ujo inv scido rotacional mediante la representaci on de Clebsch que permite una descripci on m as econ omica en t ermino de c omputo pero m as compleja en cuanto a su interpretaci on.
2.3.
Flujo potencial
Si a la hip otesis del ujo inv scido le agregamos la irrotacional lo cual matem aticamente podemos expresar como: =v =0 el campo tridimensional de velocidades puede ser descripto por una u nica funci on escalar , llamada funci on potencial y denida por:
49
v = lo cual reduce notoriamente el c alculo. Si las condiciones iniciales son compatibles con un campo de entrop a uniforme, luego para ujos continuos la entrop a ser a constante en todo el dominio y las ecuaciones de momento se transforman en () + H = 0 t o + H = H0 constante t donde la constante H0 es la entalp a de todas las l neas de corriente. De esta forma la ecuaci on de energ a ya no ser a independiente del resto. La ecuaci on para ujo potencial surge de la ecuaci on de continuidad tomando en cuenta la hip otesis de ujo isoentr opico para poder expresar la densidad como una funci on de la velocidad, o sea del gradiente del potencial. En forma de conservaci on tenemos + () = 0 t que junto con la relaci on entre densidad y funci on potencial h = ( )1/( 1) = A hA H 0 v 2 /2 /hA t
1/( 1)
(2.39)
(2.40)
(2.41)
completan el modelo. A y hA son valores de referencia para la densidad y la entalp a que a menudo corresponden con las condiciones de estancamiento. Caso estacionario () = 0 y ()2 = 1 A 2H 0 surgen como el modelo a resolver. Algunos temas a agregar m as adelante son: Flujo irrotacional con circulaci on - condici on de Kutta-Joukowski Limitaciones del modelo de ujo potencial para ujos trans onicos
1/( 1)
(2.42)
(2.43)
50
2.3.1.
Aproximaci on de peque nas pertubaciones
En ujos estacionarios o no estacionarios alrededor de perles alares con un espesor mucho menor que su cuerda se puede asumir que las velocidades en el plano normal son despreciables simplicando a un m as el modelo. Asi surge el modelo de peque nas perturbaciones que matem aticamente se escribe como:
2 (1 M )xx + yy + zz =
1 (tt + 2x xt ) a2
(2.44)
2.3.2.
Flujo potencial linealizado
Si el ujo es incompresible hemos visto que la ecuaci on de continuidad se expresa como v =0 y por la hip otesis del modelo potencial v = entonces (2.45) se transforma en = 0 (2.46) (2.45)
la ecuaci on de Laplace. Otra forma de linealizar el problema es usando superposici on de ujos simples, como fuentes, sumideros y v ortices calibrando los coecientes con que cada uno participa de forma de ajustar la condici on de contorno de velocidad normal nula sobre cuerpos s olidos. Los m etodos basados en singularidad provienen de plantear el problema en forma integral, usar n ucleos ( kernels ) que representen la inuencia espacial y resolver num ericamente. Estos m etodos son llamados singulares porque casualmente producen integrales singulares cuyo tratamiento no es trivial y est a fuera del alcance del curso. M etodos como el de los paneles o el m etodo de los elementos de borde son los m aximos representantes de esta t ecnica.
51
Cap tulo 3
Naturaleza matem atica de las ecuaciones de la mec anica de uidos

3.1. Introducci on
Para comenzar resumimos las varias aproximaciones vistas en el cap tulo anterior de forma tal de mostrar las ecuaciones que surgen de los modelos vistos. En general las leyes de conservaci on plantean una ecuaci on del tipo U +F =Q t que expresada en sus tres coordenadas cartesianas dan lugar a U f g h + + + =Q t x y z Las ecuaciones de Navier-Stokes se pueden expresar en su forma general como v 0 v + v v + pI = fe t E Wf + qH vH v k T En el caso incompresible se transforman en v =0 1 v + (v )v = p + v + fe t (II.2.a) (II.2.b) (II.1.f ) (II.1.e)
(3.1)
donde es muy com un desacoplar el problema en una soluci on para la velocidad y otra para la presi on. Para esta u ltima surge 1 p = (v )v + fe (II.2.d)
52
tica de las ecuaciones Cap tulo 3. Naturaleza matema
Secci on 3.1. Introducci on
En la aproximaci on Thin shear layer (TSL) hemos visto u u2 + p f = uv uw uH v uv 2 g= v + p vw vH 0 w uw u z v + vw h= z 4 w w2 + p 3 z v 4 w T u wH (u z + v z + 3 w z ) k z
(3.2)
mientras que en el caso parabolizado cambia solamente la ecuaci on de momento seg un la direcci on preferencial del ujo por otra del tipo u u (u2 + p) + (uv ) + (uw) = ( ) + ( ) x y z y y z z y la de energ a por la siguiente vH wH uH + + = ( v )y + ( v )z + (k ) + (k ) x y z y z y y z z En el modelo inv scido u u2 + p f = uv uw uH v uv 2 g= v + p vw vH w uw h= vw w2 + p wH (II.5.2) (II.5.1)
(II.6.1)
y en ujo potencial tenemos el caso general + () = 0 t junto con la relaci on entre densidad y funci on potencial h = ( )1/( 1) = A hA y los casos de peque nas perturbaciones
2 (1 M )xx + yy + zz =
(II.8.2)
H 0 v 2 /2
/hA t
1/( 1)
(II.8.3)
1 (tt + 2x xt ) a2
(II.8.6) 53
o el caso linealizado con = 0 (II.8.7) Examinando las anteriores ecuaciones provenientes de los modelos f sicos asumiendo distintos niveles de aproximaci on din amica podemos decir que todas se representan por un conjunto de ecuaciones a derivadas parciales cuasi-lineales de primer o a lo sumo segundo orden. Por lo visto al comienzo el modelo matem atico reeja un balance entre ujos convectivos, difusivos y diversas fuentes internas y externas que surgen a partir del modelo planteado por la f sica. Los ujos difusivos aparecen con operadores de segundo orden como una consecuencia de la ley generalizada de Fick, con una tendencia a suavizar gradientes. Los ujos convectivos aparecen con operadores de primer orden y expresan el transporte de la propiedad. Por lo tanto la competencia entre ellos inuenciar a sobre la naturaleza matem atica de las ecuaciones, desde las ecuaciones el pticas, parab olicas hasta las hiperb olicas. Del mismo modo es la persona que modela la que al introducir una aproximaci on est a forzando sobre el tipo de ecuaci on con que se enfrentar a. Tomemos a modo de ejemplo de esto la componente x de la ecuaci on de momento de las ecuaciones de Navier-Stokes asumiendo ujo laminar e incompresible. p u + (v )u = + u t x (3.3)
Adimensionalizar estas ecuaciones es un modo de ver mejor aquello de la competencia. Para ello tomemos una longitud de referencia L, un tiempo caracter stico T , una escala de velocidades V y una de presiones V 2 . Reemplazando como es habitual en (4.1.1) surge V T u p 1 + (v )u = + u L t x Re (3.4)
L VL umero de Reynolds y todas las variables, las independientes como las donde Re = V = es el n dependientes, se expresan en la versi on adimensionalizada. Para Re 0, ujos fuertemente viscosos, denominados reptantes, el t ermino convectivo y no lineal es despreciable y surgen las ecuaciones de Stokes
p V 2 T u + u = Re t x
(3.5)
Asumimos que el gradiente de presi on est a jado para poder reducir este caso ejemplicatorio al caso de una ecuaci on y no entar en las complejidades que presupone un sistema de ecuaciones con varias inc ognitas. Asi como est an escritas son de naturaleza parab olica debido a la existencia de un operador de primer orden para una de las variables independientes, el tiempo, y uno de segundo orden para la otra, la coordenada x. Si agregamos la hip otesis de ujo estacionario entonces desaparece el t ermino temporal y la ecuaci on se transforma en el ptica (ec. de Poisson) Si Re y si nos ubicamos fuera de la capa l mite, los t erminos viscosos tendr an muy poca inuencia haciendo que el ujo sea dominado por los t erminos convectivos (ecs. de Euler). u p + (v )u = t x (3.6) 54
Secci on 3.2. Supercies caracter sticas. Soluciones del tipo ondas
Si reducimos el problema al caso unidimensional la anterior se vuelve u 1 p u +u = t x x (3.7)
que es una ecuaci on hiperb olica que describe un fen omeno de propagaci on. Es de gran importancia la distinci on entre fen omenos de difusi on (el pticos) y de propagaci on (hiperb olicos), ya que en los primeros la informaci on se propaga en todas direcciones mientras que en los u ltimos existe una direcci on preferencial y la informaci on se propaga solo a determinadas regiones. Entre ambos existen las ecuaciones parab olicas que amortiguan en el tiempo los efectos difusivos. Las ecuaciones de Navier-Stokes son de car acter parab olicas en el espacio y en el tiempo y cambian de tipo al caso el ptico en el estado estacionario. De todas maneras es importante resaltar que la ecuaci on de continuidad al no contar con difusi on es de car acter hiperb olico lo cual hace que, estrictamente hablando, las ecuaciones de Navier-Stokes sean incompletamente parab olicas.
3.2.
Supercies caracter sticas. Soluciones del tipo ondas
Las ecuaciones a derivadas parciales que describen los niveles de aproximaci on vistos en el cap tulo anterior son cuasi-lineales y a lo sumo de segundo orden. No obstante se sabe que en muchos casos existe una forma no degenerada de llevar un sistema de segundo orden a otro de primer orden. Asumimos que contamos con la transformaci on necesaria y que tenemos entre manos un sistema cuasi-lineal de primer orden. La clasicaci on de las ecuaciones est a ntimamente relacionada con el concepto de caracter sticas, denida como hipersupercies a lo largo de la cual ciertas propiedades del ujo permanecen invariables o ciertas derivadas pueden volverse discontinuas. Un sistema de ecuaciones a derivadas parciales de primer orden se dice hiperb olico si su parte homog enea admite soluci on del tipo ondulatoria. Ya veremos que esto est a asociado con el hecho que los autovalores del sistema son reales. Por otro lado si el sistema admite soluci on del tipo ondas amortiguadas (evanescentes) el sistema ser a parab olico y si no admite soluci on del tipo ondulatorio ser a el ptico y dominado por difusi on.
3.3.
Ecuaciones diferenciales parciales de segundo orden

2 2 2 + 2 b + c =0 x2 xy y 2
Sea el siguiente operador cuasi-lineal de segundo orden a (3.8)
con a, b, c = f (x, y, , ). Podemos escribirla como un sistema introduciendo las siguientes variables : u= ; v= x y a u u v + 2b +c =0 x y y v u =0 x y
(3.9)
55
Secci on 3.3. Ecuaciones diferenciales parciales de segundo orden
que en forma matricial se escribe como a 0 0 1 x u 2b c + v 1 0 y U U A1 +A2 =0 x y u v =0 (3.10)
Si la soluci on es expresable como una onda plana que se propaga en la direcci on n, esta tendr a la forma eI (nx) = U eI (nx x+ny y) U =U (3.11) con I = 1. Reemplazando la soluci on(4.2.3) en (4.2.2) y tomando la parte homog enea nos queda =0 (A1 nx + A2 ny )U que admitir a soluci on no trivial solo si el determinante del sistema es nulo, det|A1 nx + A2 ny | = 0 O sea que las raices de a( nx nx 2 ) + 2b( ) + c = 0 ny ny (3.13) (3.12)
(3.14)
nos dar an la respuesta a si la soluci on es expresable como una onda, o sea si es hiperb olica o si se trata de una onda pero amortiguada (parab olica) o si no existe soluci on real en cuyo caso es el ptica. Resolviendo, b2 ac > 0 dos soluciones reales, dos ondas (hiperb olico) b2 ac = 0 una u nica soluci on (parab olico) b2 ac < 0 dos soluciones complejas conjugadas, (el ptico) En lo anterior hemos asumido una soluci on del tipo onda plana. Esto puede generalizarse a hipersupercies generales con una representaci on no lineal de la onda. Esta consiste en denir una supercie que funciona como frente de onda S (x, y ) y la soluci on se representa por una onda general del tipo eIS (x,y) U =U (3.15)
A partir de aqu la operatoria es la misma que en el caso de onda plana. Un sistema es hiperb olico si (4.2.7) es una soluci on para valores reales de S (x, y ) Esto se logra calculando det|A1 Sx + A2 Sy | = 0 (3.16) donde Sx , Sy son las derivadas de la supercie respecto a las direcciones que caen sobre ella. Las supercies S (x, y ) que hacen el anterior determinante nulo son supercies caracter sticas con una normal que apunta segun S .
56
Secci on 3.3. Ecuaciones diferenciales parciales de segundo orden
Ejemplo 1: Flujo potencial estacionario Llamemos c a la velocidad del sonido. Si tomamos la ecuaci on del modelo de ujo potencial y trabajamos algebraicamente sobre la relaci on entre densidad y funci on potencial asumiendo transformaciones isoentr opicas llegamos a (ij Mi Mj ) 1 2 2 = 2 + ()2 2 xi dxj c t t (3.17)
que en el caso 2D estacionario se simplica a (1 v2 2 u2 2 2uv 2 ) + (1 ) =0 c2 x2 c2 xdy c2 y 2 (3.18)
que bajo la forma de una ecuaci on general de segundo orden (4.2.2) posee los siguientes coecientes: u2 a=1 2 c uv b= 2 c v2 c=1 2 c Entonces el discriminante b2 4ac se vuelve b2 4ac = u2 + v 2 1 = M2 1 c2
(3.19)
lo cual es negativo (el ptico) en el caso subs onico y positivo (hiperb olico) en el caso supers onico. En el caso trans onico el problema se transforma en parab olico. Como vemos el problema potencial tiene una naturaleza bastante variada dependiendo del r egimen de velocidades que estemos resolviendo. Una complicaci on adicional a esto aparece por el hecho que en el caso trans onico y supers onico pueden aparecen discontinuidades como ondas de choque con un tratamiento num erico bien particular. Ejemplo 2: La ecuaci on potencial en peque nas perturbaciones Como hemos visto si la componente transversal al ujo del vector velocidad es despreciable, la ecuaci on potencial estacionaria se reduce a
2 (1 M )
2 2 + 2 =0 x2 y
(3.20)
entonces las raices de la ecuaci on (4.2.6) son ny 2 1 = M nx que denen las normales a las dos caracter sticas para ujos supers onicos. Estas se obtienen como dy 2 1) = tan = 1/ (M dx Estas caracter sticas son id enticas a las l neas de Mach que se hallan a un angulo respecto a la direcci on del vector velocidad, con sin = 1/M
57
Secci on 3.4. Denici on general de supercie caracter stica
3.4.
Denici on general de supercie caracter stica
Sea un sistema de n ecuaciones diferenciales parciales de primer orden para las n inc ognitas ui , i = 1, . . . , n en el espacio m dimensional xk , k = 1, . . . , m incluyendo eventualmente la variable tiempo. Escrita en forma de conservaci on y usando la convenci on de suma sobre ndices repetidos tenemos k F = Qi xk i k = 1, . . . , m; i = 1, . . . , n (3.21)
El an alisis de las propiedades del sistema recae sobre la forma cuasi-lineal obtenida despu es de introk ducir las matrices jacobianas A denidas por Ak ij = Fik uj (3.22)
Por lo tanto el sistema (4.5.1) toma la forma cuasi-lineal Ak ij uj = Qi , xk k = 1, . . . , m; i = 1, . . . , n (3.23)
que en forma condensada se escribe como Ak U = Q, xk k = 1, . . . , m
donde el vector columna U es de (n 1) y contiene las inc ognitas uj , mientras que Ak son matrices de n n y Q un vector de t erminos fuentes. Las matrices Ak y el vector Q pueden depender de xk y de U pero no del gradiente de U . Una soluci on expresada como una onda plana de la forma (4.2.3) o en general (4.2.7) existir a si el sistema homog eneo S =0 = Ak nk U k = 1, . . . , m Ak k U x admite soluciones no triviales, lo cual como antes redunda en que det |Ak nk | = 0 Esta ecuaci on tiene a los sumo n soluciones, las n supercies caracter sticas. El sistema se dice hiperb olico si todas las caracter sticas son reales y si las soluciones son linealmente independientes. Si todas son complejas es el ptico y si hay de ambas es h brido. Adem as si el rango de Ak nk no es completo el sistema se dice parab olico. Esto ocurrir a cuando al menos una de las variables no posea derivadas respecto a alguna de las coordenadas espaciales. Ejemplo 3 : Sistema de 2 ecs de primer orden en 2D Sea el siguiente sistema de ecuaciones en 2D a u u +c = f1 x y u u b +d = f2 x y
(3.24)
58
Secci on 3.4. Denici on general de supercie caracter stica
que en forma matricial se puede escribir como a 0 0 b donde A1 = a 0 , 0 b A2 = 0 c d 0 x u 0 c + v d 0 y u v = f1 f2
Planteando el determinante e igualando a cero conduce a las raices: | ny 2 cd | = nx ab
Si cd/ab > 0 el sistema es hiperb olico, por ejemplo tomemos a = b = c = d = 1, en este caso el sistema de ecuaciones es la conocida ecuaci on de las ondas que escrita como una ecuaci on de segundo orden luce como 2u 2u 2 =0 x2 y Si cd/ab < 0 el sistema es el ptico, por ejemplo tomemos a = b = 1 ; c = d = 1, en este caso el sistema de ecuaciones es la conocida ecuaci on de difusi on o de Laplace 2u 2u + 2 =0 x2 y Finalmente si b = 0 existe una sola caracter stica y el sistema es parab olico. Con a = 1 ; b = 0 ; c = d = 1 ; f1 = 0 ; f2 = v obtenemos la conocida ecuaci on del calor u 2u = x y 2 Ejemplo 4: Ecuaciones en aguas poco profundas estacionaria Este sistema, conocido como shallow water equations, describe la distribuci on espacial de las alturas de la supercie libre de una corriente de agua que posee un campo de velocidades (u, v ). Si llamamos g a la aceleraci on de la gravedad, entonces: h h u v u +v +h +h =0 x y x y u h u +v +g =0 u (3.25) x y x v v h +v +g =0 u x y y Introduciendo el vector de inc ognitas h U = u v
59
Secci on 3.5. Dominio de dependencia - zona de inuencia
el sistema se puede escribir en u g 0 o en forma compacta
forma matricial como h 0 h h v 0 h u + 0 v 0 u = 0 u 0 x y 0 u v v g 0 v
U U + A2 =0 x y Las tres supercies caracter sticas se obtienen como la soluci on de plantear el siguiente determinante nulo, con = nx /ny u + v h h u + v 0 =0 det g g 0 u + v A1 Trabajando sobre el determinante conduce a las soluciones : (1) =
(2),(3)
v u uv
u2 + v 2 gh u2 gh
(3.26)
Como vemos gh juega el mismo rol que la velocidad del sonido en el caso de las ecuaciones de ujo compresible, y como all , existe un valor cr tico donde el sistema cambia de tipo. Este valor se llama velocidad supercr tica y en el caso que v 2 = u2 + v 2 > gh el sistema se vuelve hiperb olico. En el caso de velocidades subcr tico el sistema es h brido ya que habr a 2 soluciones complejas conjugadas y (1) que siempre es real. La supercie caracter stica asociada con (1) es la l nea de (1) (1) corriente, ya que nx = v ; ny = u.
3.5.
Dominio de dependencia - zona de inuencia
Las propiedades de propagaci on de los problemas hiperb olicos tiene importantes consecuencias respecto a la forma en que la informaci on se propaga o transmite por todo el dominio. Si consideramos el caso escalar bidimensional presentado en (4.2.1) este generar a dos caracter sticas en el caso hiperb olico donde cada una se representa por una familia de curvas. Si tomamos 1 miembro de cada familia y tomamos un punto P donde se intersectan, vemos que ambas caracter sticas dejan una regi on aguas arriba que afectar a la soluci on en el punto P y una zona aguas abajo que depender a del valor de la funci on en el punto P . Mir andolo desde el punto P , la primera se llama zona de dependencia del punto P y la segunda zona de inuencia del punto P. Este hecho es muy importante y tiene muchas consecuencias matem aticas, f sicas y num ericas. (gura 3.5) En el caso de problemas parab olicos ambas caracter sticas degeneran en una (el rango del sistema no es completo) y en este caso la zona de dependencia cae sobre la caracter stica mientras que la de inuencia es la regi on completa aguas abajo de la caracter stica. En el caso el ptico no existe supercie caracter stica que separe el dominio en zonas de dependencia e inuencia. Esto produce que la zona de inuencia, la de dependencia y el dominio coincidan y la informaci on se propaga en todas direcciones.
60
Secci on 3.6. Condiciones de contorno e iniciales
caractersticas
11111111 00000000 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 A 11111111 00000000 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111 00000000 11111111
111111111 000000000 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 00000000 11111111 00000000 11111111 000000000 111111111 00000000 11111111 00000000 11111111
P
1111 0000 0000 1111 0000 1111

3.6.
111 000 000 111 Regin de dependencia de P 000 111 000 111
Zona de influencia de P
Dominio de dependencia e inuencia
Condiciones de contorno e iniciales
Para que los anteriores sistemas de ecuaciones que surgen del modelo f sico est en nalmente bien planteados en el sentido matem atico es necesario que se impongan ciertas condiciones sobre los datos. Si alguna de las variables independientes del problema es el tiempo es necesario establecer una condici on a tiempo t = 0 x, problema llamado de Cauchy o de valores iniciales. Cuando la variable espacial x est a acotado en el espacio por un borde o contorno, el problema suele llamarse de valores de frontera e iniciales. Sin entrar en detalles acerca del tema podemos decir que la correcta especicaci on de las condiciones de contorno e iniciales requiere de un detallado estudio que incluye a las autofunciones del sistema. De todos modos este es un tema abierto ya que en la mayor a de los casos que trata la mec anica de uidos no existen resultados contundentes acerca de como tratar estas condiciones. Sin ir tan lejos terminamos esta secci on diciendo que en los problemas independientes del tiempo de car acter el ptico es usual imponer algunos valores sobre algunos nodos (Dirichlet) o sobre su derivada (Neumann). En el primer caso puede tratarse de imponer el vector velocidad sobre una pared s olida o la temperatura, mientras que en el caso Neumann estamos hablando de imponer que el ujo t ermico asuma alguna ley de transferencia en el contorno (convecci on, radiaci on,etc). En casos donde el sistema se transforma en primer orden (Euler), la velocidad no puede ser jada en un contorno s olido, recurriendo a jar solo la componente normal, dejando la tangencial como parte del c alculo (condici on slip). En el caso de supercies libres es usual establecer la continuidad de las tensiones normales y tangenciales.
61
INTRODUCCION AL USO DE MATLAB

Objetivos: Aprender el uso del lenguaje MatLab muy poderoso en cuanto a sus posibilidades de uso como herramienta de c alculo num erico y visualizaci on gr aca asi como de programar en este entorno extendiendo su aplicaci on al an alisis num erico y simulaci on en Ingenier a.
3.6.1.
Introducci on
MatLab es un lenguaje de programaci on interpretado de bajo nivel que a diferencia de los lenguajes compilados permite gran exibilidad para programar, debuggear y correr peque nas aplicaciones respecto a los tradicionalmente r apidos pero muy r gidos lenguajes compilados. Adem as es un software de aplicaci on y como su nombre lo indica es un laboratorio de matrices (Mat=Matrices / Lab =Laboratorio). Otra de las importantes caracter sticas es que incluye poderosas facilidades gr acas que se pueden correr run-time, mientras que en el caso de los lenguajes compilados uno debe o bien generar un software gr aco completo o sino adaptar algunas rutinas para los casos particulares de aplicaci on, lo cual lo transforma en una gran complicaci on. Adem as el hecho que los c alculos y las gr acas se vayan generando en tiempo de ejecuci on lo hace muy exible. Otras de la caracter sticas interesantes de este lenguaje interpretado es que equivale a un entorno en s mismo, o sea permite ejecutar comandos en forma muy interactiva lo cual lo hace apto para ir avanzando en lo que uno est a haciendo, viendo resultados en pantalla de lo que uno est a obteniendo, corrigiendo rumbos, etc. Adem as cuenta con una enorme biblioteca de rutinas de c alculo que lo transforma en un lenguaje de bajo nivel sin necesidad de tener que programar demasiado, salvo aplicaciones especiales. Hemos dicho al comienzo que una de las principales diferencias entre un lenguaje compilado y uno interpretado es la velocidad de procesamiento de datos, especialmente para grandes problemas. El programa compilado arma un ejecutable habiendo interpretado cada sentencia previamente en la etapa de compilaci on y genera un archivo binario optimizado. En cambio el lenguaje interpretado realiza la interpretaci on de cada sentencia a medida que corre lo cual lo hace lento. Por ejemplo si uno realiza un loop de 1000 iteraciones el int erprete debe trabajar 1000 veces haciendo lo mismo. MatLab soporta vectorizaci on lo cual hace que en lugar de manejar escalares e interpretar operaciones entre escalares pueda manejar vectores e interpretar vectores. Por ejemplo si tenemos un vector de 1000 elementos y queremos hacer c alculos con cada uno de sus coecientes, en lugar de hacer un loop de 1000 iteraciones podemos invocar directamente la operaci on sobre todo el vector. Por ejemplo, si tenemos una matriz A de (1000 2), donde cada columna representa un vector de 1000 elementos y queremos calcular la suma de ellos podemos hacer: for k=1:1000, c(k) = A(k,1)+A(k,2); end o sencillamente c = A(:,1)+A(:,2); Todo esto y muchas cosas m as que surgen cuando uno lo utiliza hacen a MatLab una muy interesante herramienta para la investigaci on en torno a los m etodos num ericos.
62
MatLab cuenta con muchas rutinas propias llamadas built in functions, solo basta con recorrer el help para ver la enorme cantidad de ellas. Adem as cuenta con lo que se llaman Toolkits que son paquetes de rutinas para aplicaciones particulares. Aqu no entraremos en detalle sobre estas u ltimas sino que s olo mencionamos su existencia para aquellos curiosos que puedan interesarse. A grandes rasgos podemos decir que MatLab es un lenguaje de programaci on integrado con un software de aplicaci on. Entonces podemos hacer una divisi on inicial en: c alculo num erico software de aplicaci on Matlab visualizaci on gr aca lenguaje de programaci on A continuaci on planeamos hacer un peque no tour por las galer as de MatLab tratando de tocar s olo algunos de sus puntos con el objetivo de motivar a los turistas a volver a ellos en el futuro.
3.6.2.
MatLab como software de aplicaci on
En esta parte de la visita a MatLab investigaremos sus capacidades como software de aplicaci on, sin entrar por ahora en detalles de programaci on. Como fue dicho en la introducci on este software es un laboratorio de matrices y como tal debemos saber como denir matrices, vectores como un caso particular de una matriz, recordar algunos aspectos del algebra de espacios vectoriales para poderlas utilizar en forma coherente y nalmente ver las potencialidades que tiene esto. Yendo m as all a en cuanto a aplicaciones hemos mencionado las capacidades gr acas del software. A este respecto debemos primero saber como convertir matrices en mapas redeniendo el algebra y viendo como de esta forma es posible visualizar funciones en varias variables y hacer distintos tipos de gr acos muy u tiles en general. (1) Manejo standard de matrices, vectores y escalares Una matriz es el atomo de este software, es algo asi como la menor porci on divisible del c alculo, siendo los escalares y los vectores s olo casos particulares. Por ejemplo para ingresar la matriz 1 2 3 A = 4 5 6 (3.27) 7 8 9 debemos ingresar sus coecientes como una lista de n umeros separados por un blanco al menos que corresponden a los elementos de cada la, separando las las entre si con un ; o simplemente con <Enter>, o sea A = [ 1 4 7 2 5 8 3 ; 6 ; 9 ];
El ; despues del ] naliza la sentencia sin mostrar por pantalla lo ingresado. Si uno quiere ver lo que ingresa hay que remover el ;. Su uso es muy importante cuando las matrices son muy grandes ya que la salida por pantalla puede tomar bastante tiempo.
63
Un vector es un caso particular de lo anterior, este puede ser un vector la o un vector columna. Sean b= 1 2 3 4 (3.28) c = 5 6 En estos casos el ingreso es b = [ 1 2 3 ];
c = [ 4 ; 5 ; 6 ]; o simplemente podemos denir b = [ 4 c = b; 5 6 ];
donde el s mbolo signica la transpuesta, de un vector como en este caso pero su uso es en general para cualquier matriz. Todas los c alculos que se van haciendo si se asignan a variables permanecen en la memoria de trabajo, sino se asignan son eliminadas permaneciendo solo en memoria el u ltimo resultado almacenado en una variable denominada ans. Por ejemplo la instrucci on siguiente genera un vector la pero al no estar asignado solo queda en memoria bajo la variable ans. [ 4 5 6 ];
Si a continuaci on emito otra instrucci on pierdo el resultado anterior, salvo que previamente lo haya almacenado en una variable, como por ejemplo b = ans Si hacemos who podemos ver las variables en memoria hasta el momento almacenadas y si hacemos whos podemos ver m as detalles de las mismas. Como es sabido del algebra lineal una matriz puede generarse como el producto tensorial de vectores. Por ejemplo si en el caso anterior hacemos A1 = c*b el resultado es una matriz de 3 3 porque es el producto de un vector de 3 1 por otro de 1 3. En este caso el resultado ser a: A1 = [ 4 5 6 8 10 12 12; 15; 18;
64
Del mismo modo podemos denir el producto interno entre vectores de una forma trivial. La denici on de producto interno es:
N
b, c =
i=1
bi ci
En este caso si hacemos b*c obtenemos el producto interno anterior y tal como hemos denido la instrucci on no est a alojado en ninguna variable por lo cual corre peligro de ser destruido despu es de la pr oxima instrucci on. Otro aspecto importante es que existen formas de generar matrices muy especiales. Por ejemplo ones(10) genera una matriz de (10 10) con elementos unitarios. ones(10,3) genera una matriz de (10 3) con elementos unitarios. zeros(5,3) genera una matriz de (5 3) con elementos nulos. (-3:2:15) genera un vector la cuyo primer elemento es 3, generando el resto avanzando de a 2 y no supera el valor 15. Otra forma ser a kron((1:3),(2:5)) que produce el producto tensorial del vector columna (1:3) con el vector la (2:5), lo cual arroja la siguiente matriz como resultado 2 4 6 3 6 9 4 8 12 5 10 15
Existen muchas otras formas, por ejemplo: rand(4) produce una matriz de (4 4) con n umeros aleatorios eye(5) produce la matriz identidad de (5 5) diag(v,idiag) produce una matriz poniendo el vector v en la codiagonal idiag, determinando el tama no de la matriz la longitud del vector v y la codiagonal en la cual se ubica, ya que debe entrar el vector entero en ella. Por ejemplo si el vector es de (5 1) y lo queremos ubicar en la segunda codiagonal entonces la matriz ser a de (7 7) y tendr a la siguiente forma: >> diag(ones(5,1),2) ans = 0 0
0 0
1 0
0 1
0 0
0 0
0 0 65
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
Si no especicamos la codiagonal asume un valor cero lo cual signica la propia diagonal y si especicamos un valor negativo asume las codiagonales inferiores en lugar de las superiores. Es importante resaltar que si el argumento del comando diag es una matriz entonces devuelve la diagonal o la codiagonal de la misma como un vector. Vea el help (help diag). A esta altura debemos asegurarnos de salvar lo hecho por si ocurriera alg un imprevisto o por si tuvi eramos que detener temporariamente nuestro trabajo. El comando save salva las variables en memoria en un archivo. Si omitimos el nombre (solo invocamos el comando save) guarda el contenido de la memoria en un archivo llamado matlab.mat, caso contrario, si especicamos el nombre , por ejemplo save tempo, guarda la memoria entera en el archivo tempo.mat Tambien podemos guardar parte de la memoria, para ello debemos invocar save <filename> variables. Cuando uno desea continuar con el trabajo interrumpido y quiere recuperar la memoria salvada con el comando save debe ejecutar load <filename> o simplemente load si salv o las variables sin especicar el chero. Con clear se limpia todo el espacio de trabajo (memoria) y con clear variables aquellas variables que uno desea. Con size(<arreglo>) o length(<arreglo>) se puede obtener la dimensi on del arreglo. El primer caso es general y devuelve dos valores mientras que el segundo es exclusivamente para vectores y devuelve solo un valor. El software contiene una serie de operadores de matrices tal como suma, resta, producto, potencia, divisi on por derecha e izquierda, etc. Todos estos operadores se denen tal como lo establece el algebra de los espacios vectoriales. Una aclaraci on va con la divisi on. Que signica dividir matrices para MatLab? Sean A, B dos matrices de (m m), entonces A / B = A B 1 A B = A1 B (3.29)
Como vemos la divisi on involucra matrices inversas, pero especial cuidado hay que tener cuando tratamos grandes matrices ya que el tiempo de c alculo se achica mucho en estos casos con los comandos de divisi on comparado al comando de inversi on inv(A) o A1 Otro detalle interesante en el manipuleo de matrices es que uno puede extraer submatrices de otras matrices o armar matrices con bloques de otras submatrices. Por ejemplo, >> >> >> >> >> A = eye(4) ; B = ones(4,2) ; C = zeros(2,4) ; D = eye(2) ; E = [A B ; C D] 66
ans = 1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
1 1 1 1 1 0
1 1 1 1 0 1
Del mismo modo podemos tomar un bloque de la matriz E , por ejemplo el de las las 1,3,5 con las columnas 2,3 haciendo: E([1;3;5],[2;3]) En cuanto a las capacidades de c alculo adem as de existir toda una gama de funciones standard para escalares existen otras m as para vectores y matrices. Por ejemplo es muy com un hablar del seno trigonom etrico de un n umero real. Como se calcula el seno de una matriz? Bueno existen varias formas de calcularlo pero hay que tener cuidado al hacerlo con MatLab. Si nosotros denimos por ejemplo una matriz A de (3 3) y ejecutamos la instrucci on sin(A) el resultado ser a diferente a si nosotros usamos la denici on de una funci on aplicada a una matriz f (A) = V f ()V 1 (3.30)
donde V es la matriz de autovectores y es la matriz diagonal con los autovalores en la diagonal. En este caso sin(A) = V sin()V 1 (3.31) Donde est a la diferencia? La diferencia est a en que MatLab soporta otro tipo de operadores adem as de los standard para matrices, llamados operadores de arreglos. Sin entrar por ahora en detalles porque lo abordaremos m as adelante, un operador de arreglo realiza una operaci on sobre cada elemento del arreglo como si fuera una lista de elementos. Entonces si a MatLab le decimos B = sin(A) el entiende: Bij = sin(Aij ) (3.32)
Conclusi on, cuando queremos realizar una funci on especial sobre una matriz debemos o realizar la descomposici on en autovalores y autovectores utilizando la funci on de MatLab eig(A) o sino usar otra funci on llamada funm que en este caso se usa de la siguiente forma : funm(A,sin). MatLab soporta muchas funciones para matrices, por ejemplo: c alculo de determinantes det c alculo de autovalores eig c alculo de la traza trace c alculo del n umero de condici on cond 67
c alculo de la norma norm c alculo del rango rank factorizaci on Choleski chol factorizaci on LU lu ortogonalizaci on orth entre otras. Consulte el help de matrices. Matrices como listas y tablas Las matrices tambi en pueden ser interpretadas como listas o tablas de datos. Reci en hab amos mencionado que hay que tener cuidado en el uso de MatLab cuando se aplican funciones a matrices porque su resultado puede ser diferente al esperado. Esto se debe a que como dijimos una matriz puede ser una matriz en el sentido estricto o una lista o una tabla. En el caso de listas son como elementos independientes sobre los cuales se pueden aplicar operaciones individualmente con el n de obtener alg un resultado espec co. Por ejemplo, una matriz puede representar la distribuci on de temperatura en un dominio rectangular o mapeable a un rect angulo, donde cada elemento de la matriz puede equivaler a un punto de esa grilla rectangular. Entonces planteando operaciones sobre ellos podemos lograr efectos interesantes. Por ejemplo sea una matriz A de (m n) elementos. Haciendo: diff A Bi,j = Ai,j +1 Ai,j gradient A
A A x , y
interp2 A interpolaci on de datos en 2D Del mismo modo dado un conjunto de datos en forma de lista en 1,2 o 3 dimensiones, podemos aplicarle ciertas operaciones e incluso visualizar usando instrucciones gr acas. En el caso de tablas se puede pensar a una matriz como una planilla de c alculo y realizar toda una serie de an alisis estad sticos sobre los mismos y calcular promedios, dispersiones, histogramas, sumas y productos acumulados, medianas, etc. Es importante a esta altura resaltar que existen operaciones sobre arreglos del mismo modo que existen operaciones sobre matrices. Por ejemplo para multiplicar matrices simplemente invocamos el s mbolo del producto. Si queremos multiplicar arreglos esto se entiende como un producto elemento a elemento en forma individual. Por ejemplo, sean A y B dos arreglos, entonces el producto de arreglo se dene como: Cij = Aij Bij Para poder diferenciar esto de la habitual multiplicaci on de matrices MatLab soporta las operaciones precedidas por un punto. Por ejemplo
68
.* equivale al producto de arreglos ./ equivale al cociente de arreglos .^n equivale a elevar todos los coecientes del arreglo a una potencia n Visualizaci on gr aca El hecho de permitir un manejo de matrices como si fuera una lista de datos ordenados seg un la estructura de la matriz o como una tabla de valores permite altas facilidades de gracaci on. Visite el help de los comandos plot, mesh, surf, etc para ver todas las capacidades gr acas que ofrece MatLab. Programaci on Finalmente cerramos este breve paseo con otra facilidad muy importante a la hora de pretender ir un poco m as alla de lo que ofrece MatLab. Programando en MatLab es posible generar programas de prop ositos particulares o generales, como por ejemplo construir un generador de mallas, mejores formas de visualizar soluciones, visualizar mallas de elementos nitos, generar un programa de alg un m etodo num erico, etc. Aqu no entraremos en detalle de los aspectos de programaci on. Para aquellos intersados visitar el help o la bibliograf a especializada. [Ejercicio 1.] Dadas las grandes capacidades que tiene Matlab para el tratamiento de matrices uno de los principales objetivos es aprender como manipularlas. Existen muchas formas de ingresar matrices. En este ejemplo se pretende que Ud explore diferentes formas de hacerlo. Por ejemplo, dada la siguiente matriz de (10 10) con los siguientes elementos: 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 A= 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 1 1
(3.33)
explique una forma sencilla de cargarla sin necesidad de entrar cada uno de los 100 coecientes que la conforman. A continuaci on calcule: 1.- la traspuesta 2.- el producto consigo misma 3.- su raiz cuadrada 69
4.- sume la matriz identidad del mismo orden [Ejercicio 2.] A continuaci on se desea armar una matriz como la siguiente: B= A 01010 01010 A (3.34)
donde A es la matriz del ejemplo anterior. Muestre una forma sencilla de hacerlo. [Ejercicio 3.] Tome la matriz del ejemplo 2 y arme una nueva matriz de 3 2 que contenga los elementos de las las 1,3,5 y columnas 2,4 de la matriz B. [Ejercicio 4.] Se sabe de la necesidad de contar con un buen manipulador de matrices a la hora de resolver problemas de algebra lineal. Un ejemplo de ello es la resoluci on de sistemas de ecuaciones. Sea la matriz del ejemplo 1 y un vector miembro derecho b que representa la funci on sin(/2 x) donde x es un vector de 10 componentes cuyos valores var an entre 0 y 1. Resolver el sistema Au = b. Graque la soluci on u y el vector b en la misma gura. [Ejercicio 5.] Calcule el determinante de la matriz anterior A del ejemplo 1 y sus autovalores. A continuaci on graque los autovalores en el plano complejo. Posteriormente ingrese la matriz 1 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 C= 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1
(3.35)
calcule el determinante y sus autovalores y muestre su distribuci on en el plano complejo. Use el comando spy(A) y spy(C) y explique que es lo que hace. [Ejercicio 6.] Para las matrices A y C de los ejemplos anteriores calcule la soluci on del sistema lineal (A + C)u = b con el miembro derecho similar al usado en el Ej. 4. Graque la soluci on. A continuaci on resuelva el sistema(A + 10C)u = b y graque la soluci on. [Ejercicio 7.] Dada las matrices 1 A= 4 7 1 B = 0 0 2 3 5 6 8 9 0 0 2 0 0 3
(3.36)
70
generar con Matlab la matriz A B B A C = A B A A B A B A (3.37)
y extraiga de la matriz C aquella correspondiente a las las 2 y 3 y columnas 5,8,11,12 y muestre su estructura. [Ejercicio 8.] Dado el vector x = j 2 , j = 1, . . . , 10 y el vector y = j 3 , j = 3, . . . , 3, calcule el producto tensorial de ambos vectores y muestre la matriz obtenida con el producto tensorial en forma gr aca. Ayuda: La matriz es tal que sus elementos se calculan de la siguiente forma: zij = xi yj y una forma de gracarla es mediante el comando mesh A continuaci on genere una grilla en 2D con x (2, 2) y y (0, 3) y calcule la funci on z = 2 on. Ayuda: Explore el comando meshgrid x + y y graque la soluci [Ejercicio 9.] Confeccione un programa en Matlab que realice el producto vectorial de vectores en tres dimensiones. Pru ebelo con un ejemplo no trivial. Exti endalo al caso de varios vectores. Para esto utilice primero un archivo tipo script y luego uno tipo funci on. Si no recuerda las diferencias entre ambos revise las notas entregadas (Primer de Matlab). [Ejercicio 10.] Confeccione un programa en Matlab que resuelva la siguiente ecuaci on diferencial ordinaria usando la funci on ode23 y ode45, dy = yet dt y (t = 0) = 1 [Ejercicio 11.] Resuelve el siguiente sistema no lineal de ecuaciones sin(x) + y 2 + log (z ) 7 = 0 3 x + 2y z 3 + 1 = 0 x+y+z5=0 usando como estimaci on inicial x=1 y=1 z=1 utilizando la funci on de Matlab fsolve o fsolve2 [Ejercicio 12.] Construya un polinomio de cuarto orden
4
(3.38)
(3.39)
(3.40)
p=
i=0
ai xi
y encuentre las raices del mismo usando un conjunto de coecientes ai a elecci on. Graque el polinomio en el rango donde se hallan todas sus raices.
71
[Ejercicio 13.] Utilice las rutinas del proyecto sobre sistemas din amicos masa resorte amortiguador para el caso de 1 grado de libertad lineal y verique el valor del amortiguamiento cr tico del sistema. [Ejercicio 14.] Genere una aplicaci on para resolver el ejemplo del p endulo doble y trate de animar el movimiento del sistema
72
Cap tulo 4
M etodo de diferencias nitas

4.1. Diferencias nitas en 1D
Queremos resolver el campo de temperaturas a trav es de una pared de material ( y, z +, 0 , L y hay una fuente de calor repartida 0 x Lx ). La temperatura en x = 0, Lx es mantenida a x Q(x): k d2 dx2 (0) = Q(x) 0 = L =
(Lx )
(4.1)
Dividimos el intervalo en L segmentos de longitud x = Lx /L y llamaremos nodos o puntos de la grilla a los extremos de los segmentos: xl = lx, l = 0, 1, 2, . . . , L, x0 = 0, xL = Lx (4.2)
4.1.1.
Desarrollo en Serie de Taylor
Si bien la ecuaci on que debemos resolver es de segundo orden, empezaremos, por simplicidad, por desarrollar aproximaciones en diferencias para la derivada de primer orden, (xl+1 ) = (xl + x) = (xl ) + x d dx +
x= xl
x2 d2 2 dx2
0 1 1
x=xl +1 x
(4.3)
Indicando fl = f (xl ) para cualquier funci on f (x), tenemos: l+1 = l + x d dx +

l
x2 2
d2 dx2
(4.4)
l+1
Donde el sub ndice l +1 es una extensi on de la notaci on que indica evaluaci on en (l +1 )x. Despejando la derivada de primer orden: d dx =
l
l+1 l x x 2 73
d2 dx2
(4.5)
l+1
todo de diferencias finitas Cap tulo 4. Me
Secci on 4.1. Diferencias nitas en 1D
l+1 l l-1 D A
xl-1
xl
xl+1
xl-1
xl xl+1
Figura 4.1: Interpretaci on geom etrica de las diferentes aproximaciones por diferencias nitas a la derivada. A esta aproximaci on para la derivada de primer orden la llamamos por diferencia hacia adelante (forward dierence ): d l+1 l (4.6) dx l x V ease la gura 4.1 para una interpretaci on gr aca de esta aproximaci on. Hemos aproximado la derivada en el punto xl por la pendiente de la secante a la curva que pasa por los puntos xl y xl+1 (segmento AC ). El error de esta aproximaci on es: E |E | = x 2 d2 dx2
x max C x, 2 [xl ,xl+1 ] dx2
l+1 d2
x 0
(4.7)
Similarmente, la aproximaci on hacia atr as (backward dierence)da: d dx |E |

l
l l1 x x 0
(4.8)
x d2 max C x, 2 [xl1 ,xl ] dx2
(4.9) 74
que corresponde a la pendiente del segmento DA en la gura.
4.1.2.
Aproximaciones de mayor orden
Haciendo desarrollos de mayor orden: l1 = l x de donde: d dx +

l
x2 2 d dx
d2 dx2
x3 6
d3 dx3
, 0 3 ,4 1
l3,4
(4.10)
l+1 l1 2x
(4.11)
que corresponde al segmento DC de la gura 4.1. La correspondiente estimaci on del error es: |E | x2 6 max
[xl1 ,xl+1 ]
d3 C x2 dx3
(4.12)
A esta la llamamos una aproximaci on centrada, ya que involucra a los dos nodos vecinos del nodo l. Notar que, al contrario de las otras, esta es sim etrica con respecto al punto en cuesti on. Notar tambi en que el error resulta ser un orden mayor. Con lo cual en principio se pueden obtener mejores aproximaciones con menos puntos usando un aproximaci on de mayor orden como esta. Pero, como veremos m as adelante, en la secci on 4.1.7, el hecho de que la aproximaci on sea de un mayor orden no es una condici on suciente para obtener un orden de convergencia mayor.
4.1.3.
Aproximaci on de derivadas de orden superior
Para obtener una estimaci on de la derivada segunda comenzamos haciendo una expansi on hasta cuarto orden de l1 : l1 = l x x4 + 24 de donde: d2 dx2 o sea que: d2 dx2 |E | Esta es una aproximaci on centrada.
l
d dx d4 dx4
+
l
x2 2
d2 dx2
x3 6
d3 dx3
, 0 5 ,6 1
l5,6
(4.13)
=
l
l+1 2l + l1 x2 24 x2
d4 dx4
+
l+5
d4 dx4
(4.14)
l+6
l+1 2l + l1 x2 max
[xl1 ,xl+1 ]
(4.15)
x2 12
d4 dx4
(4.16)
75
4.1.4.
N umero de puntos requeridos
Nos cuestionamos cuantos puntos son necesarios para obtener una aproximaci on de un dado orden (digamos O(x)) para una derivada de orden k . Por ejemplo para obtener una aproximaci on a la derivada primera es obvio que necesitamos al menos dos puntos ya que por dos puntos pasa una recta y la recta es el polinomio de bajo orden que posee una derivada de primer orden no nula. El mismo razonamiento nos dice que se necesitan tres puntos para aproximar una derivada segunda. Por otra parte, parece tambi en obvio que si queremos una aproximaci on de mayor orden entonces necesitaremos m as puntos. La expresi on que relaciona N el n umero de puntos, p la precisi on del m etodo y k el orden de la derivada a aproximar, es N k+p (4.17) Es decir, con N puntos o m as podemos desarrollar una aproximaci on de orden p (es decir |E | C xp ) k k para d /dx . Vericamos esto en los desarrollos anteriores, Nro. de puntos utilizados 2 3 3 (nro. de puntos requeridos de acuerdo a (4.17)) 2 3 4 (orden de la derivada) 1 1 2
Tipo de aproximaci on hacia atr as/adelante centrada centrada
Cuadro 4.1: Tabla N umero de puntos utilizados en las diferentes aproximaciones por diferencias utilizadas.
4.1.5.
Soluci on de la ecuaci on diferencial por el m etodo de diferencias nitas
0 , (Lx ) = L . Consideremos primero, por simplicidad, el caso de condiciones Dirichlet (0) = x Evaluando la ecuaci on diferencial en xl : k d2 dx2 = Ql
l
(precisi on) 1 2 2
(4.18)
y aproximando la derivada segunda por diferencias nitas de segundo orden centradas: k l+1 2l + l1 = Ql x2 (4.19) 76
hay una ecuaci on para cada l = 1, 2, . . . , L 1, que son los puntos interiores. Concretamente, las ecuaciones resultan ser: +21 1 2 . . . +22 +23 . . . 2 1 4 . . . = = =
x2 Q1 k x2 Q2 k x2 Q3 k
0 +
. . .
x2 QL2 k x2 QL1 k
(4.20)
L3 +2L2 L1 = L2 +2L1 =
L + x
Deniendo un vector de inc ognitas , que contiene s olo los nodos interiores: 1 2 = . , IRL1 . . L1 Tenemos el siguiente sistema de ecuaciones: K = f con: K= 2 1 0 0 ... ... ... ... 1 2 1 0 ... ... ... ... 0 1 2 1 . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 0 1 2 1 . . . . . . . . . . . . 0 0 1 2 0 x2 Q1 /k + 2 x Q2 /k f = . . . 2 x QL1 /k + L
x
(4.21)
(4.22)
(4.23)
(4.24)
N otese la analog a: d2 /dx2 K = Q/k = f (4.25)
El operador del continuo d2 /dx2 es reemplazado por la matriz K, el campo del continuo es reemplazado por el conjunto de valores nodales y, nalmente, la fuente interna Q(x) es reemplazada 77
= 0 x=0 x0 x1
= 0
= 1 x=L x3
x2
Figura 4.2: Problema unidimensional con condiciones de contorno Dirichlet en ambos extremos por el vector miembro derecho f . A su vez, la condiciones de contorno tipo Dirichlet tambi en generan un t ermino en el miembro derecho. La matriz K es sim etrica (Kij = Kji para todos i, j ) y denida postitiva (vT Kv > 0 para todo L1 v IR ). Esto tiene mucha importancia: se puede demostrar la existencia y unicidad de la soluci on discreta y adem as tiene importancia pr actica ya que permite el desarrollo de rutinas de resoluci on especialmente dise nadas.
4.1.6.
Ejemplo
d2 = 0, (0) = 0, (1) = 1 (4.26) dx2 Usaremos x = 1/3 (ver gura 4.2). Tenemos 4 valores nodales 0 , 1 , 2 y 3 , de los cuales 0 y 3 son conocidos de las condiciones de contorno y s olo restan dos inc ognitas 1 y 2 . La ecuaci on en los nodos interiores es: l+1 2l + l1 x2 l = 0 (4.27) para: 2 21 + 0 x2 1 = 0 pero 0 = 0 por la condici on de contorno, de manera que la ecuaci on resultante es: 2 19/91 = 0 Para l = 2 la ecuaci on resultante es: 19/92 + 1 = 1 Resolviendo el sistema (4.29-4.30) obtenemos: 1 = 0.2893 . . . (19/9)2 1 = 19/91 = 0.6107 . . . = (4.30) (4.29) (4.28)
Resolver:
1 2
(4.31)
La soluci on exacta a este problema puede ser encontrada f acilmente. Proponiendo soluciones de la forma ex , se obtiene la ecuaci on caracter stica 2 = 1 de donde = 1. Proponemos entonces soluciones de la forma = aex + bex . a y b se obtienen de imponer las condiciones de contorno, y resulta ser: sinh(x) = (4.32) sinh(1)
78
x 1/3. 2/3
Exacta 0.28892 0.61024
0.28929 0.61071
x = 1/3 Error 3.6 104 (0.12 %) 4.7 104 (0.077 %)
0.28901 0.61036
x = 1/6 Error 9.2 105 (0.032 %) 1.2 104 (0.019 %)
Cuadro 4.2: Tabla : Errores para = 0, (0) = 0, (1) = 1, para x = 1/3, 1/6 Los resultados num ericos y exactos son comparados en la tabla 4.2, se incluyen tambi en los resultados 1 obtenidos para x = /6: N otese que tanto en x = 1/3 como en x = 2/3 el error ha bajado en un factor 1/4 al reducir el paso de la malla en un factor 1/2. Primero vemos que, cualitativamente, el esquema de discretizaci on es convergente, es decir el error, en alguna norma predeterminada, se reduce, al reducir el paso de la malla. Cuantitativamente, podemos decir que el error tiene un comportamiento x2 . Tambien se dice que el orden de convergencia es h2 , donde h representa el paso de la malla (x en nuestro caso). Esto es consistente con el error de truncamiento que encontramos en el desarrollo de Taylor usado.
4.1.7.
An alisis de error. Teorema de Lax
Si denotamos por ex los valores nodales de la soluci on exacta, es decir ex,i = (xi ) entonces ex satisface (4.19) pero con un error de truncamiento, es decir k ex,l+1 2ex,l + ex,l1 = Ql Etrunc,l x2 (4.34) (4.33)
donde Etrunc,l es el error correspondiente a la ecuaci on l- esima. Sabemos que el error de truncamiento es d4 x2 max C x2 (4.35) |Etrunc,l | k 12 [xl1 ,xl+1 ] dx4 y tenemos, en forma matricial K ex = f + Etrunc (4.36) Restando (4.22) de (4.36) obtnemos una ecuaci on para el error E = ex en los valores nodales K E = Etrunc y entonces, E = K1 Etrunc (4.38) Al hecho de que el error de truncamiento Etrunc,i 0 para x 0 lo llamamos consistencia del m etodo. Queremos saber bajo que condiciones, el esquema es convergente, es decir E 0 para x 0. Por lo que vemos, esto est a relacionado con alguna propiedad de K, es decir que de alguna forma la inversa de K se mantenga acotada, para x 0. 79 (4.37)
Tomando normas E K1
L1
Etrunc
(4.39)
Recordemos que la norma (Eucl dea) de un vector est a denida como v

2
=
i=1
2 vi
(4.40)
y la norma de una matriz est a denida como el m aximo autovalor de la misma. Puede verse entonces 1 que K es la inversa del m nimo autovalor de K, y usando (4.12) 1 2 (ex,i i )2 Etrunc (4.41) ,i min 1 L 1 C x2 (4.42) min de manera que 1 L1
L1
(ex,i i )2
i=1
1 min 1
2 Etrunc ,i
(4.43)
C x2 (4.44) min El miembro izquierdo de esta ecuaci on representa el error cuadr atico medio de la soluci on num erica. Esta expresi on nos dice que este error es del mismo orden que el error de truncamiento, con la condici on de que min se mantenga acotado (es decir, que no tienda a cero) cuando x tiende a cero. Si se cumple esta condici on decimos que la discretizaci on es estable. Entonces, la condici on para la convergencia es Consistencia + Estabilidad = Convergencia (4.45) Este resultado es conocido como Teorema de Lax y es la base del an alisis de error para el m etodo de diferencias nitas.
4.1.8.
Condiciones de contorno tipo Neumann (ujo impuesto)

d2 dx2 (0) d k dx Lx k
El problema a resolver es: = Q(x), =0 =q (4.46) (4.47) (4.48)
Ahora L pasa a ser una inc ognita m as: = L1 L 1 2 . . . , IRL (4.49)
80
x
1 /3 2 /3
Exacta 0.2200 0.4648 0.7616
x = 1/3 Error 0.2477 0.0277 (12 %) 0.5229 0.0582 (12 %) 0.8563 0.0947 (12 %)
x = 1/6 Error 0.2340 0.0140 (6 %) 0.4942 0.0294 (6 %) 0.8097 0.0481 (6 %)
Cuadro 4.3: Tabla : Errores para = 0, (0) = 0, (1) = 1, para x = 1/3, 1/6 Para determinar esta inc ognitas tenemos L 1 ecuaciones que provienen de aproximar el operador diferencial por diferencias nitas de segundo orden en puntos interiores como en la ecuaci on (4.19). Para dar cuenta de la condici on de contorno tipo Neumann en Lx agregamos la siguiente aproximaci on: d dx
L
q L L1 = x k
(4.50)
Ahora s , tenemos L ecuaciones en L inc ognitas. Volviendo al ejemplo anterior del problema (4.26), pero ahora con condici on de tipo Neumann en x = 1: (1) = 1 el sistema resultante es: 3 3 2 +19/91 = 0 19 + /92 1 =0 2 =3 (4.51)
Resolviendo el sistema, se encuentran los valores discretos que pueden observarse en la tabla 4.3. (se incluyen tambi en los resultados obtenidos para x = 1/6): La soluci on exacta puede obtenerse de la misma forma que en el caso Dirichlet y resulta ser: (x) = sinh(x) cosh(1) (4.52)
Notamos que los errores resultan ser notablemente mayores que en el caso Dirichlet puro, concretamente son dos ordenes de magnitud mayores. Un indicio de la causa del problema la da el hecho de que, al reducir el paso de la malla a la mitad, el error no ha bajado en un factor 1/4 como antes, sino que apenas ha bajado un factor 1/2, exhibiendo una convergencia x. La causa es que hemos usado una expansi on orden O(x) para la condicion de Neumann, ecuaci on (), si bien la expansi on en los nodos interiores es O(x2 ). Podemos deducir una regla muy importante que es que el orden de convergencia est a dictado por el m as bajo orden de las expansiones utilizadas, tanto para el interior del dominio como para las condiciones de contorno. En consecuencia, si queremos recuperar el orden de convergencia x2 , necesariamente debemos desarrollar una aproximaci on O(x2 ) para la condici on tipo Neumann. Una forma de hacer esto es introduciendo un nodo cticio (ver gura 4.3) xL+1 y aproximando la condici on de contorno como: d dx
L
L+1 L1 q = 2x k
(4.53)
Pero hemos introducido una inc ognita m as: L+1 , de manera que agregamos la ecuaci on para nodos interiores en el nodo de contorno L: L+1 + 2L L1 QL d2 = 2 2 dx k x
(4.54) 81

x=0 dominio "real" x=L nodo ficticio
x1
x2
x3
xL-1
xL
xL+1
Figura 4.3: Inclusi on de un nodo cticio para obtener una discretizaci on m as precisa de la condici on de contorno tipo Neumann.
= 0 x=0 x0 x1
= 0
= 1 x=L x3 x4
x2
Figura 4.4: Malla 1D con x = 1//3. y un nodo cticio. El sistema es: K = f K= 2 1 0 0 ... ... ... 1 2 1 0 . . . . . . . . . 0 1 2 1 . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 0 1 2 . . . . . . . . . . . . 0 1 0 0 x2 Q1 /k + x2 Q2 /k . . f = . 2 x QL /k 2 q x/k 1 2 . = . , IRL+1 . L L+1 ... ... 1 1 (4.55)
(4.56)
(4.57)
(4.58)
82
x
1 /3 2 /3
Exacta 0.2200 0.4648 0.7616
x = 1/3 Error 0.2168 0.0033 (1.5 %) 0.4576 0.0071 (1.5 %) 0.7493 0.0123 (1.6 %)
x = 1/6 Error 0.2192 0.0008 (0.4 %) 0.4629 0.0018 (0.4 %) 0.7585 0.0031 (0.4 %)
Cuadro 4.4: Tabla : Errores para = 0, (0) = 0, (1) = 1, para x = 1/3, 1/6, con esquema O(x2 ) Volviendo al ejemplo de la ecuaci on = 0 con condiciones (0) = 0, (1) = 1 y discretizado con x = 1/3 (ver gura 4.4), los resultados con este nuevo m etodo pueden observarse en la tabla 4.4. El error es ahora un orden de magnitud menor y se recupera la convergencia cuadr atica. Sin embargo el sistema ha dejado de ser sim etrico. Para recuperar la simetr a de la matriz del sistema, podemos obtener una ecuaci on para L y L1 , eliminando L+1 de las dos u ltimas ecuaciones: L L1 = x x2 QL q 2k k (4.59)
ermino x2 QL /2k N otese que esta ecuaci on es la misma que la (4.50) pero con el agregado del t en el miembro derecho. De hecho, esta misma ecuaci on puede obtenerse planteando un balance de energ a en el intervalo [L 1/2, L]x. El sistema total es: 2 1 0 0 ... ... ... ... 1 2 1 0 . . . . . . . . . . . . 0 1 2 1 . . . . . . . . . . .. . . . K= . (4.60) . . . . . . . . . . . . . . . . 0 1 2 1 . . . . . . . . . . . . . 0 0 1 1 f = 0 x2 Q1 /k + 2 x Q2 /k . . . , (4.61)
x2 QL /2k q x/k 1 2 = . , IRL . . L
(4.62)
83
Secci on 4.2. Problemas no-lineales
4.2.
Problemas no-lineales
Consideremos el siguiente problema uni-dimensional, no-lineal debido a la dependencia de k con la temperatura: d d k () = Q(x) (4.63) dx dx Mencionaremos a continuaci on algunos otros problemas de la mec anica del continuo que presentan no-linealidad: Material hiper elastico: E = E ( ), G = G( ), coecientes el asticos dependientes de las deformaciones Flujo potencial subs onico (compresible): [(||)] = 0, donde es el potencial v = , v=velocidad, =densidad. Aqu juega el papel de la conductividad en el problema t ermico. En contraste con aquel, depende de las derivadas de , y no del valor de . La regla en estos casos es diferenciar en forma conservativa. Llamando al ujo: = k () d dx (4.64)
La ecuaci on de balance para el nodo l, puede ser escrita a segundo orden como: l+1/2 l1/2 x = Ql (4.65)
donde l+1/2 indica el valor de en nodos ubicados en el punto medio entre los nodos reales: xl+1/2 = (xl + xl+1 )/2. Una aproximaci on de segundo orden para los ujos es: l+1/2 = k (l+1/2 ) = k (l+1/2 ) d dx
l +1 / 2
l+1 l + O(x2 ) x l+1 l + O(x2 ) = k (1/2[l + l+1 ]) x La ecuaci on resultante para nodos interiores es: k (l+1/2 )l+1 + k (l+1/2 ) + k (l1/2 ) l k (l1/2 )l1 = x2 Ql , l = 1, 2, . . . , L 1 Sumando sobre las ecuaciones sobre l obtenemos un principio de conservaci on discreta: L1/2 1/2 = x(Q1 + Q2 + . . . + QL1 )
(4.66)
(4.67)
(4.68)
de all viene el nombre de esquema conservativo, ya que reproduce el balance de energ a que satisface la ecuaci on del continuo (ver gura 4.5):
Lx x/2 Lx
Q(x) dx =
x=x/2 x=0
d dx
k (x)
d dx
dx = q 0 + q Lx
(4.69) 84
x=0
x=L
Q(x)
Figura 4.5: Balance global de calor para el problema unidimensional. Esto es muy importante en problemas donde puede llegarse a esperar variaciones abruptas de las variables en intervalos muy peque nos, como es el caso de las ondas de choque (shock waves) en uidos compresibles. El sistema de ecuaciones es ahora no-lineal: K() = f (4.70)
y no puede resolverse, en general, en forma cerrada, pero puede resolverse en forma aproximada generando una sucesi on de valores 0 , 1 , . . ., n , . . . de tal forma que converja a la soluci on exacta del sistema (4.70): n , para n (4.71) Una forma apropiada de generar estas sucesiones es llevando el sistema anterior a una forma de punto jo: = O() (4.72) donde O es un mapeo de IRL1 en s mismo, f acilmente evaluable. Adem as, debe elegirse un vector de inicializaci on 0 y la secuencia se genera recursivamente como: n+1 = O(n ) (4.73)
En la pr actica, esta forma de recurrencia es ejecutada un n umero nito de iteraciones N , de tal manera que N est e sucientemente cerca de . Obviamente, como no conocemos , el criterio para detener
n 2 el proceso iterativo, no puede basarse en una evaluaci on directa de N . Aqu , v = i=1 vi es la norma L2 del vector. Una posibilidad es analizar la diferencia entre dos iteraciones consecutivas de la sucesi on: N +1 N < (4.74)
donde
es la tolerancia deseada. Este criterio puede hacerse adimensional poniendo: N +1 N 0 < (4.75)
Este criterio puede ser enga noso, por ejemplo, si la sucesi on est a convergiendo muy lentamente. Un criterio m as robusto se basa en el residuo del sistema de ecuaciones: R(N ) < f
(4.76) 85
donde el residuo R se dene como: R(j ) = K(j )j f y el factor f en el denominador ha sido agregado para hacer el criterio adimensional. El valor de la tolerancia , en ambos casos, depende de m ultiples factores: Obviamente, cuanto menor sea la tolerancia mayor es el costo computacional. La mayor a de los m etodos exhiben convergencia lineal, de manera que veremos que el costo computacional es proporcional a log . Debido a errores de redondeo, es de esperarse que, ambos criterios no puedan bajar m as all a de un cierto valor mach . Con esto queremos decir que R(n ) > mach para n , en vez de tender a cero, como ser a en una m aquina de precisi on innita. Para problemas bien condicionados, y si el criterio ha sido convenientemente adimensionalizado la precisi on de la m aquina est a en 13 16 , 10 , si todos los c aculos se hacen en doble precisi on. Si los c aculos se hacen en mach = 10 simple precisi on entonces la precisi on cae a: mach = 106 , 108 . Debe recordarse siempre que (la soluci on exacta al problema discreto) posee un error debido a la discretizaci on. Llamando a los valores nodales de la soluci on del continuo, tenemos que: (N ) = (N ) + ( ) (4.78) (4.77)
El error que interesa es el miembro izquierdo de esta desigualdad, es decir, el error con respecto a al soluci on del continuo. El primer t ermino del miembro derecho es el error en la resoluci on del sistema no-lineal, mientras que el segundo es el error de discretizaci on. A medida que se itera, el error de resoluci on se va reduciendo, hasta anularse, en el l mite: lim N = (4.79)
Este expresi on quiere decir que, por m as que se itere, el error con respecto a la soluci on exacta no va a bajar del error propio de discretizaci on. De poder estimarse, el error de discretizaci on, 1 puede jarse la tolerancia en una fracci on (digamos /10) del error de discretizaci on. Poner una tolerancia m as baja, aumenta el costo sin mejorar notablemente la soluci on.
4.2.1.
Ejemplo
El esquema de iteraci on puede ponerse simplemente como: j +1 = K(j )1 f (4.80)
on de La implementaci on es muy simple. En la gura 4.6 vemos el esquema aplicado a la resoluci una ecuaci on unidimensional k () = f , con k () = m , m = 0.7 y f = 1. N otese que el esquema puede ser tambi en puesto de la forma: j +1 = f j f= j j j k ( ) s (4.81) 86
Figura 4.6: El esquema de punto jo (4.80) aplicado a un problema undimensional con k () = 0.7 .
Figura 4.7: Idem, para k () = 1.5 . Dado el valor de j , se puede obtener una pendiente aproximada entre el punto Pj = (j , k (j )j ) y el origen O. La intersecci on de esta recta con y = f marca el nuevo punto j +1 . El esquema es convergente si k () es mon otona creciente. En caso contrario es divergente (ver gura 4.7, para el caso m = 1.5. Esta condici on se cumple en muchos casos f sicos, ya que est a asociado a una condici on de estabilidad del sistema. Pensemos por ejemplo en un resorte no-lineal, para el cual k es la constante del resorte, la elongaci on y f la fuerza aplicada. Entonces k () creciente quiere decir: a mayor elongaci on, mayor fuerza, lo cual coincide con el criterio de estabilidad. Sin embargo, la convergencia puede ser muy lenta, como por ejemplo en la gura 4.8, que corresponde a m = 0.9, f = 1, 0 = 3.
4.2.2.
M etodo secante
Consideremos por simplicidad un problema de un s olo grado de libertad: j +1 = O(j ) (4.82)
Supongamos que j est a sucientemente cerca de la soluci on , de maner que podemos hacer un
87
n=0.1
x6 x5 x4 x3 x2
x1
x0 x
0
Figura 4.8: Idem, para k () = 0.9 . desarrollo de Taylor alrededor de : j +1 = O() + O (j ) + 1/2O (j )2 pero es un punto jo de O, de manera que O() = . Reemplazando en (4.82): j +1 = O (j ) + 1/2O (j )2 (4.84) (4.83)
Si |O | < 1 entonces podemos j +1 estar a todav a m as cerca de la soluci on y podremos despreciar el t ermino cuadr atico para todo los j . |j +1 | C |j | (4.85)
con C = |O |. A este tipo de convergencia se le llama, convergencia lineal. Usando en forma recursiva esta relaci on: |j | C |j 1 | C 2 |j 2 | . . . C j |0 | Adem as, podemos poner: R(j ) R() + R (j ) = R (j ) De manera que (4.86) puede ponerse como: |R(j )| C j |R(0 )|
(4.86)
(4.87)
(4.88) 88
Es com un gracar log |R| en funci on de j : log R(j ) j log C R(0 ) (4.89)
De manera que, asint oticamente, es una recta de pendiente log C . Cuanto m as peque no es C , m as empinada es la pendiente y se llega a una dada precisi on con menos iteraciones.
4.2.3.
M etodo tangente
k () f J ()
El sistema puede ser tambi en puesto en forma de punto jo como: = (4.90)
donde J () se denir a m as adelante. La constante C es, en este caso: C k () f J () R J RJ = 1 J2 = d d
(4.91)
En vale que R() = 0, de manera que: C = |1 R /J | (4.92)
Si J se parece mucho a R entonces C es muy peque no y la tasa de convergencia es muy alta. El caso optimo es poner J = R , en cuyo caso la convergencia deja de ser lineal y pasa a ser cuadr atica: |j +1 | C |j |2 (4.93)
Esta estrategia es el m etodo de Newton o tangente. Cuando J = R entonces decimos que es u n m etodo secante, si bien por supuesto se debe tratar que J R . La estimaci on correspondiente para residuos es: 2 R(j +1 ) CR(j ) (4.94) Usando esta estimaci on en forma recursiva: R(n ) CR(n1 ) C
1+2 2
(4.95) ) (4.96)
23
n 0 2
R(
n2 4
C 1+2+4 R(n2 ) C
1+2+4+...+2n1 2n 1
n 0 2
(4.97) (4.98) (4.99) (4.100) (4.101)
R( )
=C R( ) 1 2n = CR(0 ) C log R(n ) log C 2n log(CR(0 )) Esto es una exponencial cuando se graca como log R en funci on de j (ver gura 4.9).
89
Secci on 4.3. Precisi on y n umero de puntos en el esquema de diferencias nitas
convergencia lineal
|Residuo|
convergencia cuadrtica
n (iteraciones)
Figura 4.9: Tipos de convergencia lineal y cuadr atico.
4.3.
Precisi on y n umero de puntos en el esquema de diferencias nitas
Ahora veremos como generar esquemas en diferencias de una forma general. Veremos que para una aproximaci on para un cierto orden de derivaci on se requiere un n umero m nimo de puntos y que cada vez que querramos aumentar el orden de aproximaci on, deberemos incrementar el n umero de puntos en el stencil. Consideremos N puntos arbitrarios {xl }N l=1 , y expandamos los valores de l = (xl ) alrededor de un cierto punto x0 (que no necesariamente debe coincidir con uno de los xl , l 1). l = 0 + 0 (xl x0 ) + 0 1/2(xl x0 )2 + N 1 (N 1) (xl x0 ) + l + O(|xl x0 |N ) (N 1)!
(4.102)
Ahora suponemos que el stencil se va reduciendo, hacia el punto x0 pero manteniendo las distancias relativas invariantes, es decir: xl = xl x0 = l (4.103) con l =cte y 0. Poniendo el sistema anterior en forma matricial: = Ad +
N
(4.104) 90
Secci on 4.3. Precisi on y n umero de puntos en el esquema de diferencias nitas
donde:
= d= A= 1 1 . . . 1 2 . . .
0 1 . . . L 0 0 . . .
, (4.106) (4.105)
l
2 /2 1 2 /2 2 . . .
(N 1) N 1
. . .
N 1 1 /(N 1)! N 1 2 /(N 1)! . . .

N 1 N /(N 1)!
(4.107)
1 N
2 /2 N
y e es un vector que depende en principio de pero cuyas componentes se mantienen acotadas al hacer tender 0. Resolviendo el sistema lineal, podemos obtener una expresion para cualquiera de las derivadas, digamos, por ejemplo, la k esima:
N
0 Ahora bien, A no depende de de manera que:
(k ) k
=
l=1
ckl (l
el )
(4.108)
de manera que tampoco dependen los coecientes de su inversa ckl ,

N
0 =
(k )
k l=1
ckl l + O(
N k
(4.109)
De manera que llegamos a la siguiente regla simple que vincula la el orden de la derivada k , el n umero de puntos del stencil N y el orden de la aproximaci on p: p=N k (4.110)
En particular, si se quiere aproximar una derivada k - esima, entonces es necesario al menos k +1 puntos para que la aproximaci on sea convergente es decir p 1. Por ejemplo, podemos obtener la derivada de primer orden k = 1 con precisi on O(x)2 (p = 2), con N = 3 puntos. Por el contrario, para la derivada segunda (k = 2) s olo podemos esperar una precisi on O(x) (p = 1) con N = 3 puntos. En el caso de una malla de paso constante, y con diferencias centradas se puede obtener una precisi on un orden mayor por cuestiones de simetr a.
91
Secci on 4.4. M etodo de diferencias nitas en m as de una dimensi on
Figura 4.10: Problema bidimensional de conducci on del calor rect angulo.
4.4.
M etodo de diferencias nitas en m as de una dimensi on

2 2 + 2 x2 y (0, y ) = 1 2 (x, 0) = k 3 (Lx , y ) = 4 (x, Ly ) =
Empecemos por un dominio rectangular con condiciones Dirichlet (ver gura 4.10): = Q(x, y ), en = {x, y / 0 x Lx , 0 y Ly } (4.111) (4.112) (4.113) (4.114) (4.115)
Generamos una malla de paso constante x, y (ver gura 4.11): x = Lx , L y = Ly M (4.116)
llamamos nodo lm al punto de coordenadas: (xl , ym ) = (lx, my ), 0 l L, 0mM (4.117)
4.5.
Aproximaci on en diferencias nitas para derivadas parciales
Consideramos una expansi on en x de la forma (ver gura 4.12): l+1,m = (xl + x, ym ) = (xl , ym ) + x x + 1/2x2
lm
(4.118) 2 x2
l+l ,m
, 0 l 1
(4.119)
92
Secci on 4.5. Aproximaci on en diferencias nitas para derivadas parciales
y yM=Ly yM-1 x
y2 y1 y0=0 x0=0 x1 x2 x xL-1 xL
Figura 4.11: Malla homo genea de diferencias nitas. Igual que en 1D, se obtienen expresiones aproximadas para las derivadas de primer y segundo orden: x x x 2 x2 =
lm
lm
lm
lm
l+1,m lm + O(x) x lm l1,m = + O(x) x l+1,m l1,m = + O(x2 ) 2x l+1,m 2lm + l1,m + O(x2 ) = x2
(4.120) (4.121) (4.122) (4.123)
y expresiones similares en y . La discretizaci on se hace remplazando las derivadas segundas por diferencias de segundo orden para los nodos interiores: k l+1,m 2lm + l1,m l,m+1 2lm + l,m1 + x2 y 2 = Qlm para l = 1, . . . , L 1 m = 1, . . . , M 1 (4.124)
y las condiciones de contorno: 4 (ym ) 0m = 1 (xl ) l0 = Lm lM 2 (ym ) = 3 (xl ) = m = 0, . . . , M l = 0, . . . , L m = 0, . . . , M l = 0, . . . , L 93 (4.125)
m+1 m m-1 (l,m)
l-1
l+1
Figura 4.12: Nodo t pico en una malla estructurada bidimensional. El sistema es, como siempre: K = f donde K es ahora una matriz tri-diagonal K I I K k 0 I K= 2 x : siendo K por bloques: 0 0 ... I 0 . . . I . . . K .. .. .. . . . ... ... ... I 0 ... ... ... ... ... ... ... ... ... (4.126)
K I I K ... ... ...
(4.127)
= K
4 1 0 0 ... 1 4 1 0 . . . 0 1 4 1 . . . .. .. .. . . .
1 4 1 0 1 4
... ... ...
(4.128)
94
y yM yM-1
M-1
2(M-1)
(M-1)(L-1)
y2 y1 y0
M+1 M
x0 x1 x2
xL-1 xL
Figura 4.13: Orden de numeraci on de los grados de libertad en el sistema lineal. (esto es para el caso especial x = y ). El vector de inc ognitas es: = 11 12 13 . . . 1,M 1 21 22 23 . . . 2,M 1 . . . L1,1 L1,2 L1,3 . . . L1,M 1 que corresponde a haber numerado las inc ognitas primero seg un y y despu es seg un x (ver gura 4.13).
(4.129)
4.5.1.
Stencil del operador discreto
Consideremos la la de la matriz correspondiente a la ecuaci on para el nodo lm. De todos los coecientes s olo cinco son no nulos, correspondiente al nodo en cuesti on y los cuatro vecinos. Estos coecientes son los mismos para todos los nodos de la malla, y entonces podemos caracterizar el 95
Secci on 4.6. Resoluci on del sistema de ecuaciones
m+1 m m-1 -1
-1 4 -1 -1
l-1
l+1
Figura 4.14: Stencil de 5 puntos para el operador de Laplace en 2D. operador discreto por una sola de las l neas. Para ser m as graco a un, podemos poner los coecientes en los nodos asociados. A esto se le llama el stencil o estrella del operador discreto. Para el caso de la ecuaci on de Poisson que estamos tratando, con x = y , el stencil obtenido consta de 5 puntos involucrados y tiene como coecientes 4 para el nodo central y -1 para todos los otros (ver gura 4.14)
4.6.
4.6.1.
Resoluci on del sistema de ecuaciones

Estructura banda
= 3, Ly = 5, M = 5, x = y = 1, por simplicidad (ver 1 0 0 1 0 0 0 4 1 0 0 1 0 0 1 4 1 0 0 1 0 0 1 4 0 0 0 1 0 0 0 4 1 0 0 1 0 0 1 4 1 0 0 1 0 0 1 4 1 0 0 1 0 0 1 4
Consideremos el caso Lx = 3, L gura 4.15). La matriz es: 4 1 0 0 K= 1 0 0 0
(4.130)
vemos que los elementos no nulos se encuentran s olo sobre la diagonal y sus cuatro codiagonales superiores e inferiores, es decir (ver gura 4.16): Kij = 0, para |i j | > a (4.131)
con a = 4. Toda matriz que satisface (4.131) para alg un a es llamada una matriz banda y a el ancho de banda de la matriz. Obviamente, el inter es surge cuando a es mucho menor que la dimensi on
96
4 3 2 1
8 7 6 5
x
Figura 4.15: Malla de diferencias nitas para un problema con condiciones Dirichlet. N de la matriz, que es el caso para las matrices de elementos nitos. Veremos que en ese caso se puede ganar mucho tanto en requerimientos de memoria para factorizar la matriz, como en tiempo de procesamiento. Podemos ver que en el caso que nos ocupa a = M 1.
4.6.2.
Requerimientos de memoria y tiempo de procesamiento para matrices banda
Consideremos una matriz sim etrica de N N , con ancho de banda a. Puede verse que al factorizar la matriz por un m etodo de eliminaci on tipo Gauss o Cholesky los elementos fuera de la banda no se llenan, esto es, siguen siendo nulos despu es del proceso de factorizaci on. Mediante algoritmos especialmente dise nados, se puede trabajar s olo sobre las diagonales activas de manera que s olo se requieren almacenar N + (N 1) + (N 2) + + (N a) N a elementos, contra los N (N + 1)/2 elementos que hace falta almacenar, si no se tiene en cuenta la estructura banda de la matriz. El factor de ganancia en memoria es: (almacenamiento matriz banda) 2a = (almacenamiento matriz llena) N (4.132)
Consideremos ahora el costo computacional en t erminos de tiempo de CPU del m etodo de eliminaci on de Gauss para una matriz llena. Para eliminar la primera columna, debemos hacer N 1 operaciones de la, cada una de las cuales tiene N elementos, lo cual requiere N (N 1)e operaciones, donde e es el n umero de operaciones necesarios para eliminar un elemento. Usualmente se necesita una suma y una multiplicaci on, de manera que e = 2, sin embargo, dependiendo de la m aquina y de detalles de implementaci on, debe tenerse en cuenta las operaciones de traer los elementos desde la RAM el procesador y de incrementar los contadores. Para eliminar la segunda columna, debemos realizar N 2 operaciones de N 1 elementos, es decir (N 1)(N 2)e operaciones. El n umero total
97
Kij=0
2a
Kij=0
N
Figura 4.16: Denici on del ancho de banda de una matriz. de operaciones es de: (Costo computacional matriz llena) = = [N (N 1) + (N 1)(N 2) + ... + 3 2 + 2 1] e
N
=e
j =1
j (j 1) = eN 3 /3 + O(N 2 )
(4.133)
Si la matriz es banda, entonces en la primera columna solo hay a + 1 elementos no nulos. Por lo tanto, solo debemos hacer a operaciones de la. Adem as, en cada una de las las s olo los 2a primeros elementos est an dentro de la banda, de manera que deben efectuarse 2ea2 operaciones para eliminar la primera columna. Para las otras columnas, ocurre algo parecido y el costo total es: (Costo computacional matriz banda) = N 2ea2 = 2eN a2 La relaci on de costos es: 2eN a2 a (Costo computacional matriz banda) = =2 3 (Costo computacional matriz llena) eN N
2
(4.134)
(4.135)
Para jar ideas, consideremos el caso de una malla de L = M = 200 nodos. El n umero total de grados de libertad es N = (L 1) (M 1) LM = 40000. El n umero total de elementos a almacenar como matriz llena es N 2 /2 = 8.0108 elementos. En el caso de utilizar doble precisi on esto equivale a 6.4Gbytes de memoria RAM. Utilizando almacenamiento banda tenemos a = 200 y el n umero de elementos a almacenar es N a = 200 40000 = 8000000, 64.0Mbyte de memoria en doble precisi on.
98
y yM yM-1
(L-1)(M-1)
y2 y1 y0
L+1
L+2
2(L-1)
L-3
L-2
L-1
x0 x1 x2
xL-1 xL
Figura 4.17: Numeraci on alternativa para reducir el ancho de banda. Con respecto al costo computacional, para la matriz llena es 400003 /3e 2.1 1013 e operaciones, mientras que para matriz banda es de s olo 2 2002 40000e = 3.2 109 e operaciones. Considerando e = 2 y una velocidad de procesamiento de 1Gops (1 Gop=109 operaciones de punto otante por segundo) los tiempos de procesamiento resultan ser de: (tiempo de CPU matriz llena) = 4.3 1013 ops = 11.9 horas 1 109 ops/sec 3.2 109 ops = 6.4 segundos 1 106 ops/sec (4.136)
(tiempo de CPU matriz banda) =
(4.137)
4.6.3.
Ancho de banda y numeraci on de nodos
El ancho de banda es altamente dependiente de la numeraci on de los nodos, esto es, del orden en que las inco gnitas son puestas en el vector . Por ejemplo si la numeraci on se hace primero en x y despu es en y (ver gura 4.17): 11 21 31 . . . L1,1 . . (4.138) = . 1,M 1 2,M 1 3,M 1 . . . L1,M 1
99
Secci on 4.7. Dominios de forma irregular
y x
Figura 4.18: El dominio de resoluci on de resoluci on es embebido en una malla homog enea. entonces el ancho de banda pasa a ser de a = L 1. La regla es, entonces, numerar siempre primero en aquella direcci on en la cual hay menos nodos.
4.7.
Dominios de forma irregular
El m etodo de diferencias nitas ser a de muy poca utilidad si s olo pudiera aplicarse a dominios de forma rectangular. Existen b asicamente dos posibilidades para extender el m etodo a un dominio de etodo, respectivaforma arbitraria como en la gura 4.18. ( , indican ventajas y desventajas del m mente): Considerar al dominio inmerso en una malla homog enea (ver gura 4.18). En este caso el esquema para los nodos interiores es el mismo como el que consideramos hasta ahora. La generaci on de la malla es muy sencilla ( ) Deben generarse ecuaciones especiales para los nodos en el contorno ( ) En principio no hay posibilidad de renar la malla en ciertas partes ( ) Ajuste del contorno (boundary tting) (ver gura 4.19): La idea es encontrar una transformaci on de coordenadas que lleve el dominio irregular en cuesti on a un rect angulo. La ecuaci on original es transformada siguiendo las reglas cl asicas y nalmente se resuelven las ecuaciones transformadas en el dominio transformado. La generaci on de la malla es relativamente compleja, incluso para dominios relativamente simples ( )
100
Figura 4.19: La malla es generada por mapeo de una malla homog enea sobre un rect angulo al dominio . Los esquemas en diferencias, tanto para nodos interiores como nodos de contorno se obtienen f acilmente por los m etodos est andar ( ) La malla suele estar m as densa en ciertas partes que en otras. Esto puede ser una ventaja o desventaja dependiendo de si el lugar donde la malla est a mas densa es un punto donde se necesita mayor precisi on o no ( ?) Admite cierto grado de renamiento ( )
4.7.1.
Inmersi on del dominio irregular en una malla homog enea
Como se mencionara, aqu el punto delicado es el hallar f ormulas en diferencias para los nodos en on contacto con el contorno. Consideremos por ejemplo la gura 4.18.. Haciendo un zoom de una regi cerca del contorno, tenemos una disposici on como en la gura 4.20. Suponiendo que la condici on de contorno es de tipo Dirichlet, debemos encontrar ecuaciones en diferencias para un nodo como el P . Considerando que la malla es homog enea (P T = P S = x, P Q = P R = y ) y deniendo: = PU 1, PQ = PV 1 PS (4.139)
podemos hacer un desarrollo de Taylor para T y V : T V con P1 [P, T ], P2 [P, V ] (4.142) 101 = P + x = P x x x + 1/2x2
P
2 x2
+ 1/6x3
P 2
3 x3
(4.140)
P1 3
+ 1/22 x2
P
x2
1/63 x3
P
x3
(4.141)
P2
y Q U y S V P x T
R x
Figura 4.20: Diagrama general de los nodos sobre la malla regular en la zona cercana al contorno del dominio de resoluci on. F rmulas especiales en diferencias deben ser desarrolladas para los nodos como el P La derivada de primer orden se puede obtener, a orden x2 , haciendo una combinaci on lineal de T y V de forma de que se cancelen los t erminos que contienen la derivada segunda. 2 T V = (2 1)P + (2 + )x de manera que: x =
P
+ O(x3 )
P
(4.143)
2 T V (2 1)P + O(x2 ) x( + 1)
(4.144)
La derivada segunda se puede aproximar de:

1 /2x2
2 x2
= T P x
P
+ O(x3 )
P
(4.145) (4.146) (4.147)
= T P x = de donde:
2 T V (2 1)P + O(x3 ) x( + 1) T + V ( + 1)P + O(x3 ) ( + 1) T + V ( + 1)P + O(x) ( + 1)x2
2 x2
=2
P
(4.148) 102
N otese que para = 1 (P V = P S ) se recupera la f ormula centrada de segundo orden. Por el contrario, la expresi on anterior es de primer orden y, de hecho es imposible generar una aproximaci on de segundo orden para la derivada segunda con 3 puntos en una malla irregular (Con erase a la secci on anterior donde se explica la relaci on entre precisi on, n umero de puntos y orden de la derivada). Finalmente, el sistema de ecuaciones se halla planteando las ecuaciones en diferencias para los puntos interiores sobre una malla regular, mientras que para los puntos como el P sobre el contorno, las ecuaciones son de tipo: R + U ( + 1)P QP T + V ( + 1)P + = 2 2 2k ( + 1)x ( + 1)y (4.149)
Debe recordarse que esta expresi on es O(x) de manera que s olo puede esperarse una tal convergencia. Para condiciones de tipo Neumann, el problema es a un m as complicado.
4.7.2.
Mapeo del dominio de integraci on
Consideremos, por ejemplo, resolver el problema: (k ) = Q En notaci on tensorial: xi xi (4.150)
= Q
(4.151)
Como fue adelantado, aqu se trata de encontrar una transformaci on de coordenadas: x = (x1 , x2 , x3 ) = (1 , 2 , 3 ) (4.152)
de tal forma que en la variable , el dominio de integraci on sea un ret angulo. La transformaci on de las ecuaciones se hace por la regla de la cadena: j = = [J ]i xi j xi (4.153)
donde J denota la matriz del jacobiano de la transformaci on y es el operador gradiente con respecto a las coordenadas . Usando c aculo tensorial, podemos plantear la ecuaci on diferencial en t erminos de: derivadas de las inc ognitas y los datos (propiedades del material) con respecto a las coordenadas transformadas, e.g.: (/j ), etc... propiedades de la transformaci on como: jacobianos, tensores m etricos, factores de escala, (conocidos). Continuando con la ecuaci on de Poisson, su transformaci on es: g /2
1
kgij g /2
= Q
(4.154) 103
donde: gij =[g1 ]ij g ij =[g]ij =

1
(tensor m etrico contravariante) xk xk i j

1
(4.155) (4.156) (4.157)
(tensor m etrico covariante) (determinante de la transformaci on)
g /2 =(det g) /2
La ecuaci on transformada puede ser reescrita como una ecuaci on quasi- armonica con una conductividad anisotr opica: kij = Q (4.158) i j donde: ij =kgij g 1/2 k Q
1 =g /2 Q
(conductividad anisotr opica equivalente) (t ermino fuente equivalente)
(4.159) (4.160)
4.7.3.
Coordenadas curvil neas ortogonales
Un caso particular es cuando la transformaci on es tal que las supercies i =cte son ortogonales entre s en el sistema xi . Puede verse que la condici on para que esto ocurra es que el tensor m etrico de la transformaci on satisfaga: 2 h1 0 0 0 g ij = 0 h2 (4.161) 2 0 0 h2 3 hi es llamado el factor de escala de la coordenada transformada i . Se desprende que g /2 = h1 h2 h3 . La ecuaci on del calor en coordenadas c urvilineas ortogonales es: 1 h2 h3 h1 1 + 2 h1 h3 h2 2 + 3 h1 h2 h3 3 = h1 h2 h3 Q (4.162)
1
4.7.4.
Ejemplo
Sea resolver la ecuaci on del calor en una c ascara esf erica: r rext rint = {r, , }tales que /2 /2 con condiciones de frontera Dirichlet en la c ascara exterior e interior: r ,r (, ), (rext,int , , ) = ext int /2 /2, ,
(4.163)
(4.164)
104
donde las coordenadas esf ericas est an dadas por la transformaci on usual: x = r cos cos y = r cos sin z = r sin Los factores de escala son: hr =1 h =r h =r cos de manera que la ecuaci on transformada es: r r2 cos r + cos + 1 cos = r2 cos Q (4.169) (4.168) (4.165) (4.166) (4.167)
Se contruye una malla homog enea en coordenadas transformadas, dada por una serie de (I + 1) (J + 1) (K + 1) puntos Pijk cuyas coordenadas (ri , j , k ) est an dadas por: ri = rint + (i/I )(rext rint ) j = /2 (1
) [1
i = 0, . . . , I j = 0, . . . , J k = 0, . . . , K (4.170)
+ 2(j/J )]
k = [1 + 2 (k/K )] donde 0 nodo ijk es:
tiene el n de evitar la singularidad en los polos = /2. La ecuaci on para el q,i j +1/2 k q,i j 1/2 k q,ij k+1/2 q,ij k1/2
qr,i+1/2 jk qr,i1/2 jk r donde:
2 = ri cos j Qijk
(4.171)
2 qr,i+1/2 jk = ri cos j +1 / 2
q,i j +1/2 k q,ij,k+1/2 y
i+1 jk ijk r i j +1 k ijk = cos j +1/2 1 ij k+1 ijk = cos j ri+1/2 = ri +
(4.172)
r 2 j +1/2 = i + 2 La ecuaciones (4.171-4.173) son conservativas y precisas de segundo orden.
(4.173)
105
B e y A x
e B
Figura 4.21: Transformaci on de un elemento de volumen , por una transformaci on conforme. No s olo los angulos interiores permanecen aproximadamente rectos, sino que la relaci on de aspecto permanece inalterado.
4.7.5.
Mallas generadas por transformaci on conforme
Una clase especial de transformaciones pueden generarse mediante la teor a de variable compleja llamada transformaci on conforme. Si bien est a es v alida s olo para 2D, puede combinarse con otras transformaciones para generar mallas tridimensionales. Una transformaci on conforme (x, y ) (, ), se basa en denir dos variables complejas z = x + iy y w = + i y poner la transformaci on en forma de una funci on anal tica: w = f (z ) con f anal tica. Las transformaciones conformes son un subconjuto de las transfomaciones obtenidas por coordenadas curv lineas ortogonales. No s olo las lineas =cte, =cte son ortogonales entre s , sino que los factores de escala son iguales h = h . Esto signica que un elemento rectangular e en coordenadas , (ver gura 4.21) es mapeado por la transformaci on en otro e de forma aproximadamente rectangular con angulos interiores , 90 ) y con, aproximadamente, la misma relaci on de aspecto (BB /AA / ). Por ejemplo, la transformaci on de coordenadas z = exp(w), equivale a la transformaci on: x = e cos y = e sin (4.174)
y es muy similar al cambio de coordenadas de cartesianas a polares. Por ejemplo, un dominio rectangular como el ABCDEF (ver gura 4.22) es transformado en una corona circular. N otese que el r entre sucesivas capas de nodos va aumentando con el radio. Lo interesante es que esta variaci on es tal que la relaci on de aspecto se mantiene constante, como fue mencionado en un marco m as general. Las transformaciones conformes pueden ser concatenadas de forma de poder obtener dominios bastantes m as complicados. Por ejemplo, a la transformaci on (4.174) se puede aplicar una transformaci on 106
r=e
1 0
D 0 D F O AC r=1 B E
0 0
z=eiw
Figura 4.22: Un rect angulo es transformado en una corona circular usando la transformaci on exponencial z = ew . lineal para correr el centro del c rculo interior O de z (O) = 0 a z1 (O) = 1 + e, manteniendo el punto B en z = 1 (ver gura 4.24). La transformaci on es: z1 = 1 + (1 e)(z 1) (4.175)
A continuaci on una transformaci on de Joukowski lleva la corona circular al exterior de un perl aerodin amico (ver gura 4.23): 1 (4.176) z2 = 1/2 z1 + z1 La circunferencia interior ABC es transformada sobre el contorno del perl, mientras que el c rculo exterior DEF es transformado en una curva cercana a una circunferencia. Usualmente, se supone que sobre esta circunferencia el ujo no est a perturbado para poder imponer las condiciones de contorno apropiadas. El punto B en z1 = 1 es transformado en el borde de fuga (T E = trailing edge, mientras que el punto A C es transformado en el borde de ataque LE (Leading Edge). Otro ejemplo de transformaci on podemos observarlo en las guras 4.25, 4.26, donde el dominio 3 rectangular ABCDEF en el plano w es mapeado por la transformaci on z = w /2 en el dominio indicado en la gura 4.26.
107
z2
1
D F
AC=L.E. -1 0 1
B=T.E.
Figura 4.23: Transformaci on de Joukowski. El c rculo interior es mapeado sobre el perl mientras que el exterior es mapeado sobre un cuasi-c rculo al innito.
108
z1
1 0
D F
AC O B E
Figura 4.24: Transformaci on intermedia para correr el centro del c rculo, manteniendo el punto z = 1 jo.
109
-1
Figura 4.25: Dominio rectangular en el plano w.
z=w
1.5
1 E
C B F A -1 0 1
-1
Figura 4.26: Dominio transformado en el plano z = w /2. . 110
Secci on 4.8. La ecuaci on de convecci on-reacci on-difusi on
4.8.
La ecuaci on de convecci on-reacci on-difusi on
Consideremos el transporte de una sustancia de concentraci on en un medio uido con campo de velocidades v y difusividad k > 0. Adem as consideramos que s consume con una reacci on qu mica de cin etica de primer orden, con constante c > 0 y que hay una producci on de dada por una densidad de producci on g D = k c + g Dt (4.177) + v = k c + g t con condiciones de contorno en = , k = q, en q (4.178) n = h( ), en h k n Los t erminos involucrados en (4.177) se denominan = T ermino temporal t v = convectivo o de transporte k = difusivo c = reacci on g = producci on Tanto v como c, g y k pueden ser funciones de la posici on y del tiempo v = v(x, t), etc... Las dimensiones de las costantes es v[=]m/sec k [=]m2 /sec c[=]sec1 g [=][]/sec (4.180) (4.179)
111
4.8.1.
Interpretaci on de los diferentes t erminos
Los t erminos de reacci on y producci on pueden agruparse como c( eq ), donde eq = g/c es la concentraci on de que esta en equilibrio local con la producci on. En estado estacionario y con condiciones homog eneas tal que no depende de x entonces eq . (Nota: si g = f () entonces los zeros de f son puntos de equilibrio. ) Para entender mejor el signicado de los diferentes t erminos involucrados vamos a considerar algunos casos particulares. No hay dependencia espacial. Si consideramos que no depende de x ( = (x)) entonces los t erminos convectivo y difusivo son nulos y llegamos a una ODE para el valor de (constante en todo el dominio) + c( eq ) = 0 (4.181) t cuya soluci on es = eq + ((t = 0) eq )ect (4.182) y vemos que decae exponencialmente hacia eq . Podemos deducir de esto que en zonas donde los gradientes son bajos tiende a aproximarse a eq .
1
0.8
=1
0.6
=3
0.4
0.2
=100
0 0
=30
=10
0.2 0.4 0.6 0.8 x/L 1
Figura 4.27: Concentraci on para diferentes valores del mdulo de Thiele
112
Reacci on difusi on. ecuaci on es
Ahora, si incluimos la difusi on, pero estacionario y con v = 0, entonces la k c( eq ) = 0 (4.183)
Si eq = cte, pero la condici on de contorno es w = eq entonces va a tratar de estar cerca de eq en el interior del dominio, yendo suavemente hacia w en los contornos. La rapidez con la cual el valor interior empalma con la condici on de contorno depender a de la importancia relativa entre c y k . Consideremos, para jar ideas, el siguiente problema k c = 0, = 1, entonces la soluci on es = en 0 x L (4.184)
en x = 0, L
cosh((x/L 1/2)) , = cosh(/2)
c/kL
(4.185)
donde es el m odulo de Thiele o n umero de reacci on. La soluci on se observa en la gura 4.27 y vemos que para n umeros de Thiele altos la soluci on se pega al valor de equilibrio en el interior del dominio y empalma con la condici on de contorno en una capa l mite de esperor k/c = L/. Estas capas l mites representan grandes gradientes para la soluci on y pueden aparejar problemas (falta de convergencia) para los m etodos num ericos. En el caso t ermico es la temperatura, k la difusividad t ermica y g una fuente de calor distribuida. c puede provenir de una reacci on endot ermica proporcional a la temperatura. Tambien en el caso 2D el t ermino c( eq ) puede pensarse como un t ermino de enfriamiento Newtoniano. Notar que si v = 0, los restantes t erminos s olo contienen derivadas espaciales de orden par (0 o 2) y por lo tanto son invariantes ante inversi on de coordenadas (x x). Esto dar a lugar despu es a que las matrices de los m etodos num ericos resulten sim etricas.
113
Advecci on difusi on. En el caso estacionario ((/t) = 0) y si no hay reacci on ni producci on (c, g = 0) queda la ecuaci on de advecci on-difusi on. Consideremos el caso 1D en un intervalo de longitud L con condiciones Dirichlet v 2 k 2 = 0, x x = 0, en x = 0 = 1, en x = L en 0 x L (4.186)
Esto representa el transporte de temperatura por un uido con difusividad k y velocidad v . La soluci on puede encontrarse por m etodos operacionales est andar, proponiendo soluciones de la forma x e , resolviendo el polinomio caracter stico en y buscando la combinaci on lineal que satisface las condiciones de contorno. La soluci on resulta ser = vL e2Pe (x/L) 1 , Pe = 2Pe e 1 2k (4.187)
(ver gura 4.28). Para valores de v muy peque nos la souci on se aparta poco de la soluci on de conducci on pura = x/L (4.188) A medida que v aumenta las temperaturas bajan ya que el movimiento del uido tiende a contrarrestar el efecto de la condici on de contorno en x = L y refrigera m as que cuando el uido est a quieto. La importancia relativa de ambos t erminos (difusivo y convectivo) se puede cuanticar a trav es del n umero de P` eclet Pe dado por (4.187). A medida que el Pe aumenta, el gradiente de se concentra m as y m as cerca de la pared x = 1, formando una capa l mite de espesor = O(k/v ) = O(L/Pe) (4.189)
De nuevo, estos altos gradientes son una fuente de problemas para los m etodos num ericos. Si la velocidad se invierte entonces la discontinuidad se produce en x = 0 que es la nueva salida (x = L es la entrada). Una forma diferente de ver este fen omeno es considerar que, a medida que k 0, el problema se hace cada vez m as advectivo (Pe ). Ahora bien, para el problema advectivo puro la ecuaci on es de primer orden y por lo tanto requiere de una sola condici on de contorno. La teor a de sistemas hiperb olicos indica que la condici on de contorno debe aplicarse donde las l neas caracter sticas entran. El valor de la variable en un contorno donde las caracter sticas salen resulta de la integraci on de la ecuaci on dentro del dominio. Si se pretende imponer un valor diferente como condici on de contorno Dirichlet, la diferencia se absorbe en una capa l mite. Debido a que la ecuaci on de advecci on pura propaga los valores a lo largo de las caracter sticas, tambi en se pueden producir altos gradientes en el interior del dominio. Por ejemplo consideremos advecci on pura en u dominio rectangular ADD A como se muestra en la gura 4.30. El ujo entra donde contiene un salto cerca del por el lado AA y sale por DD . La condici on a la entrada es = punto W . El transporte convectivo tiende a propagar esta discontinuidad a lo largo de la caracter stica W W , pero debido a la difusi on la discontinuidad se va suavizando y termina en un escal on suavizado a la salida DD .
114
0.8 Pe=10 0.6
0.4
Pe=0 Pe=1
0.2 Pe=3 0 0 0.2 0.4 0.6 Pe=10 0.8 1
Pe=30 Pe=100
Figura 4.28: Soluci on al problema de advecci on pura 1D con coecientes constantes
capa l
imite
soluc
C
a vscid in in
B contorno de entrada A
a stic cter cara
contorno de salida
capa limite
solucin invscida C
distancia a lo largo de la caracterstica
Figura 4.29: Sistem as fuertemente advectivos en 2D
115
W A y B C
A B C D
Figura 4.30: Discontinuidad interna propagada desde la condici on de en un sistema fuertemente advectivo
116
4.8.2.
Discretizaci on de la ecuaci on de advecci on-difusi on
1
v=1 v=3 v=20 v=40 v=100 v=500 v=10
0.8 0.6 0.4 0.2 0
0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 x/L 1
Figura 4.31: Soluci on num erica al problema de advecci on difusi on con un esquema centrado Consideremos el problema 1D de advecci on difusi on a coecientes constantes (4.186). Consideremos una malla uniforme de N segmentos de longitud x = L/N . Los nodos son xj = (j 1)x, para j = 1, . . . , N + 1. Una discretizaci on centrada de segundo orden es v j +1 j 1 j +1 2j + j 1 =0 k 2x x2 (4.190)
Notar que la derivada de primer orden introduce un t ermino antisim etrico. Este esquema funciona bien mientras la velocidad se mantenga por debajo de un cierto l mite, que resulta ser vcrit = 2k/x (En la gura k = 1 y el n umero de puntos es N = 20, de manera que x = 0.05 y vcrit = 40). Para velocidades mayores la soluci on num erica se vuelve oscilatoria y para velocidades mucho m as grandes que la cr tica las oscilaciones contaminan todo el dominio. N otese que la velocidad cr tica se produce cuando el P` eclet de la malla es v x Pex = =1 (4.191) 2k Estas oscilaciones pueden asociarse a un falta de estabilidad del esquema num erico, sin embargo el esquema es estable, estrictamente hablando, ya que si renamos sucientemente entonces Pex pasar a a ser menor que uno y se recupera la convergencia O(x2 ). Sin embargo vemos que si tomamos la estimaci on de error est andar E C x2 , (4.192) la constante C depende de Pe. O sea, no existe un C independiente de Pe tal que (4.192) valga para todo x y Pe, es decir no se puede obtener una cota de error uniforme sobe Pe. Bajo esta denici on de estabilidad m as estricta el esquema es inestable. 117
4.8.3.
Desacoplamiento de las ecuaciones
Si consideramos las ecuaciones discretas del esquema centrado (4.190) para Pe , es decir k = 0, obtenemos j +1 j 1 = 0, j = 2, . . . , N (4.193) v 2x Esta ecuaci on dice que 1 = 3 = 5 = = 2n+1 = . . . (4.194) N +1 = N 1 = N 3 = . . . Entonces, si N es impar existe una soluci on que es j = 0 1 ; si j = impar ; si j = par (4.195)
y por otro lado no existe soluci on si N es par. Se dice que hay un desacoplamiento de las ecuaciones para los nodos pares e impares, lo cual es asociado normalmente a una falta de estabilidad del esquema num erico.
4.8.4.
Esquemas de diferencias contracorriente (upwinded)

1.1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1.1 20 15 10 5 0 5 10 15 20 f 1(x) sign(x) f 3(x)
Figura 4.32: Diferentes propuestas para el par ametro de estabilidad Notemos que, en el caso de advecci on pura (Pe = ) la soluci on num erica deber a ser j = 0 1 ; si j <= N ; si j = N + 1 (4.196)
118
y esto se lograr a si reemplazamos la derivada centrada en (4.193) por una derivada lateral a izquierda (tambi en llamada contracorriente o upwinded) v Pero esto se puede reescribir como v o, poniendo knum = v x/2, v j +1 2j + j 1 j +1 j 1 knum =0 2x x2 (4.199) j +1 j 1 2x v x 2 j +1 2j + j 1 =0 x2 (4.198) j j 1 = 0, j = 2, . . . , N x (4.197)
donde knum es una difusi on num erica articial que estabiliza el esquema. Notar que, si v < 0, entonces el esquema debe estar decentrado a derecha v j +1 j x (4.200)
y entonces debe ser knum = v x/2, de manera que, en general knum = Ahora bien, para Pe < podemos tomar v j +1 j 1 j +1 2j + j 1 =0 (k + knum ) 2x x2 (4.202) |v |x 2 (4.201)
Este esquema no presenta m as inestabilidades y para Pe 1 se aproxima al upwindado pero para Pe peque nos sigue agregando difusi on, incluso para Pex < 1 cuando sabemos que el esquema es estable, resultando en un esquema demasiado difusivo. Entonces surge la idea de tratar de reducir la difusi on num erica para valores de Pex peque nos. Notemos que (4.201) puede reescribirse como knum = con f (x) = sign(x) (4.204) de manera que podr amos reemplazar la funci on de upwinding sign() por otra que anule la difusi on num erica para |Pex | <= 1, por ejemplo podemos usar knum = con f1 (x) = sign(x) ; si |x| > 1 0 ; si |x| <= 1 (4.206) v x f1 (Pex ) 2 (4.205) |v |x v x = k |Pex | = k Pex f (Pex ) = f (Pex ) 2 2 (4.203)
119
o tambi en, para hacerlo m as continuo f2 (x) = sign(x) ; si |x| > 1 x ; si |x| 1 (4.207)
Puede demostrarse que, si elegimos f (x), como la siguiente funci on m agica f3 (x) = (x) = 1 1 tanh(x) x (4.208)
entonces, en este caso simple se obtiene la soluci on exacta (4.187) (de ah el nombre de funci on m agica). Sin embargo, esto s olo vale mientras el problema sea 1D, con coecientes constantes, paso de la malla constante y sin t ermino fuente. De todas formas es una funci on de upwinding interesante, ya que en forma muy suave satisface todos los l mites necesarios. Como (d/dx) |x=0 = 1/3 otra funci on comunmente utilizada es f4 (x) = x/3 sign(x) ; |x| < 3 ; |x| > 3 (4.209)
4.8.5.
El caso 2D
El primer intento por extender el esquema upwindado a 2D (o 3D) es agregar una viscosidad num erica seg un cada una de las direcciones principales de la malla. Sea un dominio rectangular 0 x Lx , 0 y Ly , dividido en Nx , Ny intervalos de longitud x = Lx /Nx , y = Ly /Ny . Los puntos de la malla est an ubicados en xjk = ((j 1)x, (k 1)y ) y sea (xjk ) j,k . Ademas, consideremos v = (vx , vy ) = cte, vx j,k+1 j,k1 j +1,k j 1,k + vy 2x 2y j +1,k 2j,k + j 1,k j,k+1 2j,k + j,k1 x y (k + knum ) (k + knum ) = 0 (4.210) 2 x y 2
x knum =
donde
vx x f (Pex ) 2 (4.211) vy y y knum = f (Pey ) 2 Este esquema resulta ser estable. Si el ujo esta alineado con la malla, es decir vx = 0 o vy = 0, entonces el esquema reproduce exactamente sus virtudes en el caso 1D. En general la viscosidad num erica es anisotr opica, por ejemplo, si v = (v, 0) entonces
x knum = y knum
v x f (Pex ) 2 =0
x knum 0 0 0
(4.212)
o, en forma tensorial knum = (4.213) 120
y, en general, knum es un tensor anisotr opico, con ejes principales a lo largo de los ejes principales de la malla. Si consideramos una velocidad cruzada con la malla, entonces el esquema resulta ser demasiado disipativo. Por ejemplo, consideremos v = v (1, 1)/ 2, y x = y = h. Entonces
x y knum = knum = knum =
vx x f (Pex ) 2
(4.214)
es decir que el tensor de difusi on num erica es escalar knum = knum 0 0 knum = knum I22 (4.215)
donde I22 es el tensor identidad de 2 por 2. Ahora bien, si consideramos un sistema de coordenadas alineado con la velocidad, es decir x v e y v, entonces el tensor difusividad num erica sigue siendo knum = knum 0 0 knum = knum I22 (4.216)
mientras que lo deseable ser a tener una difusividad seg un x pero no seg un y knum = con
x knum 0 0 0
(4.217)
vhs f (Pes ) 2 donde el sub ndice s indica valores seg un la l nea de corriente, as por ejemplo hs = 2h vhs Pes = 2k
x knum =
(4.218)
(4.219)
Antitransformando el tensor (4.217) a los ejes x y obtenemos kij = vhs si sj f (Pes ) 2 (4.220)
s = v/v es el versor seg un la l nea de corriente. donde Finalmente el esquema es vx j,k+1 j,k1 j +1,k j 1,k + vy 2h 2h (k + knum,xx ) j +1,k 2j,k + j 1,k h2 j,k+1 2j,k + j,k1 (k + knum,yy ) h2 j +1,k+1 j +1,k1 j 1,k+1 + j 1,k1 = 0. (4.221) 2knum,xy 4h 2 121
Para el caso x = y tenemos vx j +1,k j 1,k j,k+1 j,k1 + vy 2x 2y (k + knum,xx ) j +1,k 2j,k + j 1,k x2 j,k+1 2j,k + j,k1 (k + knum,yy ) y 2 j +1,k+1 j +1,k1 j 1,k+1 + j 1,k1 = 0. (4.222) 2knum,xy 4xy
Notar la expresi on en diferencias de la u ltima la que es una aproximaci on O(xy ) para 2 /xy .
u
O
Figura 4.33: Denici on del tama no de la celda seg un la l nea de corriente Falta denir la expresi on general para hs en funci on del angulo que forma v con la malla. Existen varias propuestas para esto, no siendo ninguna de ellas totalmente satisfactoria. La m as simple podr a ser tomar alguna media de los par ametros de la malla h = (x + y )/2 o h = xy . Notar que en realidad estas deniciones no son seg un la l nea de corriente. Consecuentemente, es de esperarse que puedan ser muy sobre- o sub-difusivas en ciertos casos. Una posibilidad mejor es tomar la mayor distancia dentro de la celda a lo largo de una direcci on paralela a v como el segmento AB en la gura 4.33. La expresi on resulta ser xj hs = min (4.223) j |sj |
4.8.6.
Resoluci on de las ecuaciones temporales
Hasta ahora vimos como discretizar las ecuaciones espacialmente para obtener un estado estacionario. Consideremos ahora un problema no estacionario. La idea es primero discretizar en el espacio, tal cual como se ha hecho hasta ahora. Por ejemplo consideremos la ecuaci on de advecci on-reacci ondifusi on lineal 1D, +v = k c + g (4.224) t x entonces un esquema estabilizado posible es j + v j +1 j 1 (k + knum ) j +1 2j + j 1 + cj = gj 2x x2 (4.225)
122
Secci on 4.9. Conducci on del calor con generaci on en un cuadrado
signica la derivada temporal de . Estas ecuaciones representan un sistema de ecuaciones donde diferenciales ordinarias (ODEs) acoplado + K = f . Al mismo puede aplicarse una serie de esquemas de integraci on temporal, por ejemplo n+1 n + K n = f n , forward Euler t n+1 n + K n+1 = f n+1 , backward Euler t n+1 + n n+1 n 1 +K = f n+ /2 , Crank Nicholson t 2 (4.226)
(4.227)
Donde (tn ) n , tn = nt. El m etodo de forward Euler permite avanzar un paso de tiempo con un costo en tiempo de procesamiento y memoria de almacenamiento muy bajos, ya que no necesita resolver ning un sistema lineal. Por el contrario, en los otros dos casos s se necesita resolver un sistema. Si el problema es lineal, entonces podemos notar que la matriz del sistema K es constante (no var a con el tiempo) de manera que podemos factorizarla una vez y posteriormen hacer solamente una retrosustituci on. De todas formas el tiempo y memoria necesarios para avanzar un paso de tiempo en el backward Euler es mucho mayor que para el forward. Pero el forward tiene la limitaci on de que, para pasos de tiempo grandes la soluci on se hace inestable y diverge. El paso de tiempo cr tico viene dado por h h2 . (4.228) , tcrit < min v 4k Notar que estos criterios pueden ponerse como Co = v t k t < 1, Fo = 2 < 1 h 4h (4.229)
donde Co, Fo son los n umeros adimensionales de Courant y Fourier.
4.9.
Soluci on exacta al problema de conducci on del calor con generaci on constante en un cuadrado
= 1, 0 x, y 1 = 0, x, y = 0, 1 (4.230)
Ecuaciones de gobierno
Proponemos un desarrollo (x, y ) =
ajk sin(jx) sin(ly ).

j,k=1
(4.231)
Este desarrollo satisface las condiciones de contorno y representa una base completa. Por simetr a podemos descartar los t erminos para j, k pares, ya que involucrar an funciones antisim etricas con 123
Secci on 4.9. Conducci on del calor con generaci on en un cuadrado
respecto a x, y = 12. Aplicando el operador de Laplace obtenemos
2 (j 2 + k 2 ) ajk sin(jx) sin(ly ) = 1

j,k=1
(4.232)
Multiplicamos miembro a miembro por sin(lx) sin(my ) e integrando sobre el cuadrado. Usando que
1
sin(lx) sin(jx) dx = 1/2 jl

0 1
sin(lx) dx =
0
2/(l) 0
; l impar ; l par
(4.233)
De manera que
1 /4 2 (j 2
+ k 2 ) ajk =
4 2 lm
(l, m impares).
(4.234)
Es decir que ajk = Pero sin((2p + 1)x)|x=1/2 = sin((p + 1/2) ) = sp = +1 ; 1 ; p par p impar (4.236) 4 lm(l2 16 , (l, m impares). + m2 ) (4.235)
De manera que el valor m aximo de , que ocurre en el centro del cuadrado, es

0x,y 1
max (x, y ) =
(1/2, 1/2)
=
l,m=1, impar
16sl sm 4 lm(l2 + m2 )
0.073671 106
(4.237)
124
Cap tulo 5
T ecnicas de discretizaci on
Habiendo presentado en la primera parte los modelos matem aticos que rigen el movimiento de los uidos y estableciendo el conjunto de ecuaciones que gobiernan el caso general y algunos otros particulares ahora estamos en condiciones de pasar a tratar algunos aspectos num ericos relacionados con el dise no de los esquemas m as com unmente empleados en uidodin amica computacional. Una de las t ecnicas m as empleadas en uidodin amica computacionalha sido la de diferencias nitas. Esta fue una de las primeras en aparecer y conserva vigencia a pesar de algunas restricciones propias de la t ecnica. Su alta eciencia para la resoluci on de problemas denidos en geometr as sencillas lo hace muy atractivo y es muchas veces la mejor opci on cuando existe la posibilidad de mapear el dominio real en otro completamente regular y estructurado. Su denici on se basa en aproximar los operadores diferenciales por otros denominados operadores en diferencias que se aplican a un vector de datos que representa la soluci on en un conjunto nito de puntos en el dominio. Esta forma de discretizar un operador diferencial es una alternativa y no la u nica para tal n. Desventajas claras del m etodo como su dif cil implementaci on en problemas gobernados por geometr as arbitrarias hizo que en los u ltimos a nos gran cantidad de investigaci on en el area de uidodin amica computacionalse volcase al uso de otras t ecnicas alternativas. La mayor a de las mismas se pueden presentar bajo un m etodo general conocido como el m etodo de los residuos ponderados (WRM).
5.1.
5.1.1.
M etodo de los residuos ponderados

Introducci on
Este m etodo es conceptualmente diferente a aquel empleado en diferencias nitas ya que asume que la soluci on a un problema planteado puede ser anal ticamente representable mediante una expansi on del tipo:
M
=+
m=1
am Nm
(5.1)
donde en general am forman un conjunto nito de coecientes con M la dimensi on del espacio nito dimensional empleado y Nm las funciones anal ticas conocidas y elegidas para representar o expandir a la soluci on del problema. Estas funciones son com unmente denominadas soluciones de prueba y su 125
cnicas de discretizacio n Cap tulo 5. Te
Secci on 5.1. M etodo de los residuos ponderados
elecci on hace a la diferencia entre una vasta cantidad de m etodos num ericos, como veremos en breve. La funci on es introducida con el prop osito de satisfacer las condiciones de contorno del problema. Sea el contorno del dominio del problema, entonces la elecci on de la funci on es tal que | = | Nm | = 0 m (5.2)
De la elecci on de y Nm depender a la calidad de la soluci on y la convergencia del m etodo num erico a medida que se rena la discretizaci on, o sea que M . Este requisito denominado completitud est a sustentado fuertemente en bases matem aticas con lo que a diferencia del m etodo de las diferencias nitas esta clase de t ecnica goza con el apoyo de s olidos conceptos matem aticos de teor a de operadores, an alisis funcional y an alisis num erico. Si bien nuestra aplicaci on ser a la de obtener soluciones a ecuaciones a derivadas parciales un buen ejercicio para introducir los conceptos de aproximaci on es el caso simple de aproximar una funci on conocida a priori con una expansi on del tipo (5.1) . Aproximaci on puntual de funciones bajo el requisito que ambas Este caso simple consiste en dada una funci on aproximarla por coincidan en M puntos distintos elegidos arbitrariamente sobre . Este requisito conduce a un sistema de ecuaciones algebraicas lineales en el conjunto de par ametros inc ognita {am ; m = 1, 2, . . . , M }. Para gracar la explicaci on supongamos una funci on a aproximar como = sin(1.8x) + x gracada en la parte superior izquierda de la gura 5.1 en trazo lleno. En la misma gura se muestra la funci on lineal que satisface las condiciones de contorno, o sea (x = 0) = (x = 0) = 0 (x = 1) = (x = 1) = sin(1.8 ) + 1 (5.3)
La rutina Ej 2 0.m permite denir una aproximaci on a usando una cantidad M de t erminos a elecci on del alumno. En la gura 5.1 se graca en la parte superior izquierda en linea de puntos la soluci on num erica obtenida con 2 t erminos y a su derecha el valor absoluto del error donde como vemos este vale cero en un conjunto de puntos equidistribuidos cuya cantidad coincide con M . Las dos gr acas del medio corresponden a M = 3 mientras que las dos de abajo representan solamente el error que se comete cuando M = 4 y M = 9. La forma de construir el sistema de ecuaciones algebraicas a resolver es bastante simple. Se debe on en reemplazar (5.1) para los M puntos interiores al dominio e igualarlos a los valores de la funci esos nodos. Esto, para el caso de M = 2 genera lo siguiente: (x1 ) + N1 (x1 )a1 + N2 (x1 )a2 = (x1 ) (x2 ) + N1 (x2 )a1 + N2 (x2 )a2 = (x2 ) N1 (x1 ) N2 (x1 ) N1 (x2 ) N2 (x2 ) a1 a2 (x1 ) (x1 ) (x2 ) (x2 ) (5.4)
126
2 1.5 1 0.5 0 -0.5 -1 0
|e| = 0.07486 0.3 0.25

0.2 0.4
0.2 0.15 0.1
0.6 0.8 1
0.05 0 0
0.2
0.4
0.6
0.8
|e| = 0.05065
2 1.5 1 0.5
0.14 0.12 0.1 0.08 0.06
0.04
-0.5 -1 0
0.02
0.2 0.4 0.6 0.8 1
0 0
-5
0.2
0.4
0.6
0.8
|e| = 0.00429 0.025 0.02 0.015

1 2
x 10
|e| = 2.199e-006
0.01 0.005 0 0
0 0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
Figura 5.1: Aproximaci on de una funci on por ajuste puntual
127
La gura 5.2 muestra como var a el error en un gr aco semilogar tmico siendo su convergencia del tipo espectral. En general el error en la aproximaci on se puede escribir como: (|e|) = ChM log(|e|) = log (C ) + M log (h) (5.5)
por lo que la pendiente en el gr aco nos da una idea de la convergencia en funci on de la discretizaci on.
Convergencia
10 10
-1
-2
log(|E|)
10 10 10
-3
-4
-5
10 -1 10
-6
10
log(M)
Figura 5.2: Convergencia de la aproximaci on
Aproximaci on por series de Fourier Usando la teor a de series de Fourier es posible aproximar una funci on arbitraria siempre que esta cuente con un n umero nito de discontinuidades y de extremos locales, cosa que casi siempre ocurre en las aplicaciones. Entonces la aproximaci on se escribe como:
M
=+
m=1
am sin
mx Lx
0 x Lx
(5.6)
La inherente completitud de que gozan las series de Fourier le conere la propiedad que al incrementar la dimensi on del espacio de trabajo la precisi on mejora.
5.1.2.
Aproximaci on por residuos ponderados
A continuaci on se presenta un m etodo general que permite hallar los coecientes de (5.1) siendo las dos formas anteriores casos particulares del mismo. Denamos el error o residuo R en la aproximaci on como: R = (5.7)
128
siendo esta una funci on de la posici on en el dominio . En la gura chapV-1 hemos presentado funciones de este tipo. La idea es que en lugar de pedir que esta funci on R sea id enticamente nula en todo el dominio le pedimos que integrada mediante alguna funci on de peso esta sea nula, es decir: )d = Wl (

W l R d = 0
l = 1, 2, . . . , M
(5.8)
con Wl un conjunto de funciones de peso independientes. Entonces en lugar de pedir que como M le pedimos que chapV-7 se satisfaga para todo l como M . De alguna manera se de puede vericar que esto u ltimo equivale a asumir que R 0 en todo el dominio. Reemplazando (5.1) en (5.7) obtenemos un conjunto o sistema de ecuaciones algebraicas lineales para los coecientes inc ognitas am que puede ser escrito en forma gen erica como: Ka = f aT = a1 a2 . . . Klm =
aM 1 l, m M 1lM (5.9)
Wl Nm d Wl ( )d
fl =
Una vez que la funci on se conoce la aproximaci on se dene mediante la elecci on de y las funciones de peso Wl y de prueba Nm . Diferentes funciones de peso dan or gen a diferentes m etodos, todos del tipo de residuos ponderados. M etodo de colocaci on puntual En este m etodo las funciones de peso son de la forma: Wl = (x xl ) (5.10)
con (x xl ) la funci on delta de Dirac. Esto equivale a anular el residuo en un conjunto nito de puntos xl , o sea es similar a la aproximaci on por ajuste puntual. La matriz K y el vector derecho se calculan como: Klm = Nm (xl ) fl = [ ]x=xl (5.11) M etodo de colocaci on por subdominios 1 0 xl < x < xl+1 x < xl , x > xl+1
Wl =
(5.12)
donde en este caso se requiere que el error integrado sobre cada una de estas subregiones sea nulo.
xl+1 xl+1
Klm =
xl
Nm dx
fl =
xl
( )dx
(5.13)
129
M etodo de Galerkin Es uno de los m as populares m etodos y se basa en elegir Wl = Nl con lo cual el sistema a resolver est a formado por:
xl+1 xl+1
(5.14)
Klm =
xl
Nl Nm dx
fl =
xl
Nl ( )dx
(5.15)
Este m etodo goza con la ventaja de que la matriz del sistema es sim etrica Si elegimos como funciones de prueba y de peso aquellas que conforman la base de un desarrollo en series de Fourier se puede demostrar que el sistema queda reducido a una simple expresi on para los coecientes am ya que la matriz del sistema es diagonal. Esta caracter stica tan particular se debe a que la base elegida es ortogonal con lo que Nl Nm d = 0 l = m. Otros pesos En general existen muchas posibles elecciones de la funci on de peso. Entre las m as conocidas a un l 1 no presentadas podemos mencionar el m etodo de los momentos donde Wl = x donde se requiere que no solo la integral del error sea nula sino algunos de sus momentos. Otro m etodo del estilo de los presentados bajo el m etodo de los residuos ponderados es el m etodo de los cuadrados m nimos. Com unmente denido como la minimizaci on de un funcional formado como: I (a1 , a2 , . . . , aM ) =
)2 d (
I al
(5.16)
la idea es hallar un extremo de dicho funcional mediante produce que )Nl d = 0 (
= 0, que al introducirla en (5.16)
(5.17)
habiendo usado el hecho que z = Nl a partir de (5.1) . l (5.17) equivale al m etodo de Galerkin y es un caso particular del mismo.
5.1.3.
Residuos ponderados para la resoluci on de ecuaciones diferenciales
En la secci on anterior hemos visto como utilizar el m etodo de los residuos ponderados para aproximar funciones conocidas anal ticamente o aquellas en donde conocemos su evaluaci on en un conjunto discreto de puntos. En esos casos el residuo estaba asociado a la diferencia entre la funci on a aproximar y la aproximante. En esta secci on trataremos el caso de la resoluci on de ecuaciones diferenciales, en donde el residuo viene dado por la diferencia entre un operador diferencial aplicado a la funci on a aproximar y el mismo operador aplicado a la aproximante. En el primer cap tulo hemos hecho un repaso a los modelos f sicos y matem aticos que gobiernan muchos de los problemas de inter es en uidodin amica computacional. Para comenzar con un caso simple tomemos un operador diferencial sencillo como la ecuaci on de Poisson,
130
Funciones de prueba que satisfacen las condiciones de contorno En esta secci on trataremos el caso de funciones aproximantes que satisfacen exactamente las condiciones de contorno a trav es de la elecci on apropiada de las funciones de prueba. Sea el problema de Poisson: A() = L + p = 0 en ( ) + ( ) L = x x y y p=Q
(5.18)
donde puede ser la conductividad t ermica de un material y Q el ujo de calor aportado por una fuente y en este caso ser a la temperatura. En el caso lineal y Q son independientes de . En general un problema de valores de contorno como este para estar bien planteado requiere denir las condiciones de frontera. Estas en general pueden ser escritas como otro operador diferencial, del tipo: B () = M + r = 0 sobre (5.19)
En general existen diferentes tipos de condiciones de frontera. Las m as conocidas son del tipo: sobre DIRICHLET M = r = r = q sobre q NEUMANN M = n M = + h r = h sobre q+ MIXTAS n Aproximando la soluci on mediante funciones del tipo (5.1) y eligiendo M = r MNm = 0 sobre
(5.20)
(5.21)
autom entonces aticamente satisface las condiciones de borde chapV-19 para todos los valores de am . Aplicando el operador diferencial a la funci on aproximante (5.1) y asumiendo que las funciones de prueba y sus derivadas son continuas tenemos:
M
=+ = + x x x 2 2 2 = + x2 x2 x2
m=1 M
am Nm Nm x (5.22)
am
m=1 M
am
m=1
2 Nm x2
Aqu se requiere que hasta la segunda derivada sea continua. Cuando en las pr oximas secciones analicemos el m etodo de los elementos nitos veremos como estas restricciones ser an debilitadas. La forma en la cual hemos construido la aproximaci on garantiza el cumplimiento de las condiciones de borde
131
debe satisfacer solo la ecuaci y entonces nos queda que on diferencial en el interior del dominio. Sustituyendo en (5.18) :
M
) = L + p = L + R = A(
m=1
am LNm + p
(5.23)
obtenemos el residuo de la misma con L asumido un operador lineal. Una vez denido el residuo aplicamos el m etodo de los residuos ponderados
M
W l R d =

Wl L +
m=1
am LNm + p d = 0
(5.24)
Esta ecuaci on contiene M inc ognitas, entonces aplicando esta misma ecuaci on para l = 1, 2, . . . , M se obtiene un sistema de ecuaciones algebraicas que pueden ser escritas en forma compacta como: Ka = f Klm =
Wl LNm d Wl Ld
1 l, m M 1lM
(5.25)
fl =
Wl pd
El procedimiento requiere calcular los coecientes de las matriz y del miembro derecho y luego invertir el sistema para calcular los coecientes con los cuales se obtiene la soluci on aproximada al operador on tienen soporte diferencial de (5.18). Ya que las funciones de prueba elegidas para aproximar la soluci global entonces la matriz de coecientes ser a llena y no tendr a estructura de banda, t pica de los m etodos de diferencias nitas y elementos nitos. Adem as, en lo anterior nada se ha dicho acerca de la elecci on de las funciones de peso con lo cual uno puede aplicar todo lo anterior a las distintas alternativas mostradas en secciones anteriores. A modo de ejemplo calcularemos la soluci on al siguiente problema de valores de contorno unidimensional: soluci Ejemplo 1D Hallar on aproximada de la siguiente ecuaci on diferencial d2 =0 dx2 (x = 0) = 0 (x = 1) = 1 De acuerdo a las deniciones generales presentadas antes las condiciones de borde y las funciones de prueba elegidas son: M = r=0 en x = 0 M = =x Nm = sin(mx)
(5.26)
r = 1
en x = 1
(5.27)
132
La elecci on de y Nm es arbitraria, existen muchas otras posibles alternativas a estas pero aqu usaremos la base trigonom etrica. Aplicando el m etodo de los residuos ponderados y la denici on de los coecientes de la matriz y el vector del miembro derecho tenemos:
1
Klm =
0
Wl (1 + m2 2 ) sin(mx)dx
1
(5.28) Wl xdx
fl =
0
Si tomamos M = 2 dos t erminos en la expansi on y si aplicamos el m etodo de colocaci on puntual obtenemos la siguiente matriz: K11 = (1 + 2 ) sin(/3) K21 = (1 + 2 ) sin(2/3 ) K12 = (1 + 4 2 ) sin(2/3 ) K22 = (1 + 4 2 ) sin(4/3 ) f1 = 1/3 f2 = 2/3 (5.29)
mientras que si aplicamos Galerkin en virtud de la ortogonalidad de las funciones de prueba,

1 1
Klm =
0
(1 + m2 2 ) sin(mx) sin(lx)dx = (1 + m2 2 )
0
sin(mx) sin(lx)dx = (5.30)
1 mx sin(2mx)/2 1 1 = /2(1 + m2 2 ) m 2 0 1 (1)l sin(l ) (l ) cos(l ) = fl = x sin(lx)dx = (l )2 (l ) 0 = (1 + m2 2 ) tenemos: K11 = 1/2(1 + 2 ) K21 = 0 K12 = 0
K22 = 1/2(1 + 4 2 ) 1 1 f1 = f2 = 2 La soluci on num erica del sistema de ecuaciones resultante da: a1 = 0.05312 a1 = 0.05857 a2 = 0.004754 a2 = 0.007864 COLOCACION PUNTUAL GALERKIN
(5.31)
(5.32)
La soluci on exacta a este problema es del tipo = 1 ex ex e 1/e (5.33)
on de este ejemplo. La rutina Ej 2 1 contiene la resoluci La gura (5.3) muestra a la derecha la solucion exacta, la aproximada por Galerkin y la de colocaci on a la cual se le ha removido la funci on = x para poder notar mejor las diferencias. A la izquierda vemos una distribuci on puntual del error donde se alcanza a notar, para este ejemplo, una mejor aproximaci on obtenida mediante el m etodo de Galerkin. 133
Ejemplo 2D La ecuaci on que gobierna la torsi on el astica de barras prism aticas es: 2 2 + 2 = 2G x2 y (5.34)
donde G es el m odulo el astico de torsi on, es el angulo que se gira la secci on y equivale a una funci on tensi on que de acuerdo a la teor a es nula en todo el contorno. Detalles acerca de la forma que se obtiene esta ecuaci on pueden verse en libros sobre teor a de la elasticidad, como por ejemplo Timoschenko [Ti]. Esta ecuaci on tiene la estructura de una ecuaci on de Poisson y analog as con otros experimentos gobernados por la misma ecuaci on pueden hacerse. Por ejemplo la anterior tambi en surgur a si queremos resolver un problema de conducci on del calor con una fuente aplicada en todo el vol umen del material asumiendo que en la direcci on z la barra es innita y la temperatura del contorno est a ja a un valor de referencia. Supongamos que en este ejemplo G = 1, con lo cual la ecuaci on a resolver se transforma en: 2 2 + 2 = 2 x2 y =0 x [3, 3] , y [2, 2] x = 3 , y = 2
(5.35)
Aqu apelamos a la intuici on. Siendo el problema sim etrico respecto a los ejes x e y deber amos elegir funciones de prueba que tengan esta propiedad y satisfagan las condiciones de contorno. Por ejemplo, si tomamos = 0 y usamos 3 t erminos una elecci on posible ser a: N1 = cos(x/6) cos(y/4) N2 = cos(3x/6) cos(y/4) N3 = cos(x/6) cos(3y/4) La rutina Ej 2 2 muestra el aspecto que tienen estas tres funciones donde se alcanza a apreciar la paridad deseada. De esta forma aplicando la aproximaci on (5.1), comparando (5.18) con (5.34) y usando la denici on de la matriz y el vector derecho del sistema algebraico (5.9) que permite calcular los coecientes am tenemos: 3 2 2 Nm 2 Nm Klm = Nl dydx + x2 y 2 3 2 (5.37) 3 2 fl = 2Nl dydx
3 2
(5.36)
Como vemos, ahora las integrales a calcular son bidimensionales por lo que debe estimarse con m as detalle la forma de realizar el c alculo. Nosotros aqu solo deseamos mostrar la metodolog a a usar y en este caso estas integrales las realizaremos a mano. Cuando se pretende volcar estos conceptos en un programa para nes de c alculo intensivo deben adoptarse m etodos m as ecientes y generales para tal n, como por ejemplo la integraci on num erica, tema que veremos m as adelante cuando abordemos el estudio del m etodo de los elementos nitos . Analizando (5.37) vemos que la derivada segunda de funciones tipo cosenos generan funciones cosenos, y considerando la ortogonalidad de estas bases las integrales en (5.37) se simplican notablemente. 134
La rutina Ej 2 2 contiene el c alculo de este ejemplo donde se puede apreciar la forma de calcular la matriz (diagonal) y el miembro derecho del sistema. En este caso se ha empleado una resolucion anal tica de las integrales. La rutina mejorada Ej 2 2b muestra como puede emplearse una rutina de integraci on num erica con el n de evitar tediosos calculos. on obtenida con la mencionada rutina en la La gura (5.4) muestra en la parte superior la soluci cual se incluye el valor de la tensi on m axima que es de 3.103, cercano al te orico de 2.96 5 % de error. Para terminar esta secci on mencionamos que el m etodo de los cuadrados m nimos aplicado a la resolucion de ecuaciones a derivadas parciales no es equivalente al m etodo de los residuos ponderados de Galerkin. Para ver esto tomemos como antes el funcional denido como:
M
I (a1 , a2 , . . . , aM ) =
2 R d =
L +
m=1
am LNm + p
I =0 al R R d = 0 al
l = 1, 2, . . . , M l = 1, 2, . . . , M
(5.38)
Wl =
R = LNl al
o sea la funci on de peso que surge del m etodo de los cuadrados m nimoses equivalente al operador diferencial del problema aplicado a las funciones de prueba. En algunas circumstancias este tipo de aproximaci on es deseable mientras que en algunos casos no. Funciones de prueba que no satisfacen las condiciones de contorno Hasta aqu hemos considerado aproximaciones elegidas de forma tal de satisfacer las condiciones de contorno. Esto muchas veces puede ser dicultoso y antes esto es preciso relajar tal requisito. Para poder elegir las funciones de prueba independientemente de las condiciones de contorno postulamos una expansi on del tipo:
M
=
m=1
am Nm
(5.39)
que no satisface las condiciones de contorno. Entonces el residuo en el interior del dominio (R ) es suplementado por otro en el borde (R ): ) = L +p R = A( ) = M +r R = B ( En este caso el m etodo de los residuos ponderados consiste en escribir: W l R d +

(5.40)
W l R d = 0
(5.41) 135
con Wl y Wl elegidas en forma arbitraria e independiente. Reemplazando (5.40) en (5.41) llegamos a la denici on del siguiente sistema de ecuaciones: Ka = f Klm =
Wl LNm d+
Wl MNm d Wl rd
1 l, m M 1lM
(5.42)
fl =
Wl pd
Para ilustrar el procedimiento tomaremos el ejemplo 1D anteriormente presentado. Ejemplo 1D (chapV-26) versi on 2 Aqu resolveremos el mismo problema presentado en (5.26) con la diferencia que usaremos como funciones de prueba la base Nm = xm1 , m = 1, 2, . . . En este caso simple la integral de borde en (5.41) se reduce a la evaluaci on del integrando en los dos puntos extremos de este dominio denido por el intervalo [0, 1]. Entonces
1
Wl R dx + [Wl R ]x=0 + [Wl R ]x=1 = 0

0
(5.43)
En este ejemplo usaremos para el peso en el interior del dominio el m etodo de Galerkin Wl = Nl mientras que para el peso en el borde Wl = Nl | , entonces:
1
Nl (
0
2 )dx [Nl ]x=0 [Nl ( 1)]x=1 = 0 x2
(5.44)
Si usamos una expasi on en tres t erminos se llega a la siguiente matriz: 3 3/2 2/3 K = 3/2 4/3 1/4 4/3 5/4 8/15 1 f = 1 1 La soluci on a este problema es: a1 = 0.068 a2 = 0.632 a3 = 0.226
(5.45)
(5.46)
Ejemplo 2D - versi on 2 Usando como aproximaci on la siguiente = (4 y 2 )(a1 + a2 x2 + a3 y 2 + a4 x2 y 2 + a5 x4 ) es obvio ver que la misma satisface las condiciones de contorno en y = 2, mientras que la condici on x = 3 debe incluirse en el c alculo. Tomando (5.40) y (5.42) y reemplazando la anterior expresi on vemos que:
3 3 2
Wl
2
2 2 + + 2 dydx + x2 y 2
2 2
|x=3 dy Wl
2 2
|x=3 dy = 0 Wl
(5.47) 136
Usando Wl = Nl y Wl = Nl | se llega a armar el sistema de ecuaciones. La rutina Ej 2 3 muestra una forma de resolver este problema apelando a las capacidades de c alculo simb olico de MatLab. Se recomienda editar y leer esta rutina para entender la metodolog a que es extensible a otros ejemplos utilizando diferentes funciones de base. on num erica obtenida donde se alcanza a ver La gura (5.4) en la parte inferior muestra la soluci que la condici on de contorno en y = 2 se satisface exactamente pero aquella en x = 3 se cumple solo aproximadamente. Esta es una de las diferencias entre las dos metodolog as propuestas. Adem as la tensi on m axima es un poco superior a la obtenida con la primera metodolog a alej andose un poco m as del valor te orico. La gura chapV-4 en la parte inferior derecha muestra la variaci on de la tensi on a lo largo del contorno x = 3 en funci on de la coordenada y .
5.1.4.
Condiciones de contorno naturales
Como hemos visto en la secci on anterior es posible facilitar la selecci on de las funciones de prueba sin necesidad de que satisfagan las condiciones de contorno a expensas de un trabajo algebraico mayor y de una degradaci on en la calidad de la soluci on. El primer item est a relacionado con la resoluci on de as de las integrales las integrales que permiten el c alculo de los coecientes. En (5.42) vemos que adem en el interior tenemos la necesidad de evaluar integrales en el contorno del dominio, las cuales pueden contener operadores diferenciales que complican a un m as la situaci on. Aqu veremos que existen ciertas condiciones de contorno las cuales surgen como las naturales al problema, en el sentido que permiten cierta cancelaci on de t erminos cuando el problema se expresa en su forma d ebil. Supongamos que aplicamos el m etodo de los residuos ponderados al problema denido en (5.18) . W l R d =

+ p d Wl L
(5.48)
La forma d ebil de la anterior formulaci on integral se obtiene mediante la integraci on por partes que en su versi on general puede escribirse como: = Wl Ld

C Wl
d + D
Wl E d
(5.49)
donde C , D, E son operadores diferenciales lineales involucrando ordenes de derivaci on inferiores a la del operadores L. Usando (5.40) y (5.49) en (5.41) se llega a: C Wl
d + D
+ Wl E d
= Wl Md
Wl pd +
Wl rd
(5.50)
donde lo que se pretende es anular las contribuciones al contorno del miembro izquierdo , o sea: + Wl Md =0 Wl E
(5.51)
Un ejemplo de condiciones de contorno natural que com unmente se tiene en las aplicaciones es la especicaci on de un ujo impuesto en el contorno. Pensando en el problema t ermico podemos imaginar que extraemos calor del contorno de una pieza con una magnitud q especicada. En esos casos la condici on de contorno viene expresada como:
137
=q n
(5.52)
Si hechamos un vistazo a (5.40) vemos que M = n y si lo que estamos resolviendo es la ecuaci on de conducci on t ermica en ese caso el operador E = n = M, por lo cual Wl = Wl satisface (5.51) simplicando (5.50) a:
C Wl
d = D
Wl pd
Wl rd
(5.53)
En lo anterior hemos utilizado el teorema de Green o su equivalente, la f ormula de integraci on por partes. Una versi on un poco m as detallada del mismo aplicada a un caso sencillo expresa que: d =

d +
nd
(5.54)
orden, la t ecnica con y funciones escalares. A pesar que (5.54) incluye solo derivadas de primer es bien general como lo expresa chapV-46 e incluso se extiende al caso de funciones vectoriales. No obstante en la mayor a de las aplicaciones los operadores que se trabajan son de relativo bajo orden.
5.1.5.
M etodos de soluci on del contorno
Hasta aqu los m etodos empleados resolv an el problema en el interior del dominio pudiendo trabajar con funciones de prueba que satisfagan o no las condiciones de contorno . Si en lugar de elegir funciones de prueba que satisfagan las condiciones de contorno elegimos aquellas que satisfacen el operador diferencial en el interior del dominio el problema se reduce a resolver solo el residuo en el contorno. Este tipo de estrategia di o lugar al m etodo de los paneles y al m etodo de los elementos de contorno. De esta forma como las funciones de prueba satisfacen el operador diferencial en el interior entonces:
M
) = R = A(
m=1
am A(Nm ) = 0
(5.55)
con lo cual la denici on del m etodo de los residuos ponderados (chapV-38) se reduce simplemente a: W l R d = 0
(5.56)
Un solo conjunto de funciones de prueba Wl , denidas solamente sobre el borde del dominio deben denirse. Adem as como el problema se plantea sobre el contorno la dimensi on espacial se reduce en una unidad con lo cual problemas en 3D se transforman en bidimensionales y aquellos en 2D en unidimensionales. Estas ventajas tiene su contracara en la dicultad de elegir funciones de prueba que satisfagan el operador diferencial en el interior del dominio. Este es el principal limitante de esta t ecnica que se muestra atractiva por todo lo que implica reducir la dimensi on espacial. Una de las aplicaciones m as divulgadas de esta t ecnica es la resoluci on de problemas gobernados por la ecuaci on de Laplace, por ejemplo: conducci on del calor, ujo potencial, elasticidad lineal, y otros. La raz on es que
138
si pensamos en funciones anal ticas de variable compleja z = x + iy , estas satisfacen autom aticamente la ecuaci on de Laplace. Supongamos una funci on anal tica del tipo: f (z ) = u + iv luego, 2f =f x2 2f = i2 f = f y 2 sumando m.a.m. f = u + i v = 0 2 u = 2 v = 0 df con f = dz Por ejemplo tomando la funci on anal tica f (z ) = z n (5.59)
2 2 2
u, v IR
(5.57)
(5.58)
Todas las funciones u y v que surgen de (5.59) satisfacen la ecuaci on de Laplace siendo todas ellas candidatas para integrar las funciones de prueba con las cuales armar una funci on aproximante que satisfaga este problema en particular en el interior del contorno. El siguiente ejemplo muestra una aplicacion del m etodo de los elementos de contorno al problema de la torsi on de una viga.
5.1.6.
Sistema de ecuaciones diferenciales
El m etodo de los residuos ponderados en cualquiera de sus versiones puede ser extendido para tratar el caso de sistemas de ecuaciones diferenciales . Un sistema de ecuaciones diferenciales surge cuando en el modelo matem atico se pretende resolver campos vectoriales en una o varias dimensiones espaciales o cuando se pretenden acoplar varios campos escalares y/o vectoriales tanto en una como en varias dimensiones espaciales. En esos casos la soluci on a obtener viene representada por un vector = {1 , 2 . . . } (5.60)
que debe satisfacer ciertas ecuaciones diferenciales, una por cada componente del vector inc ognita A1 () = 0 A2 () = 0 la cual en forma compacta puede escribirse como A1 () A() = A2 () = 0 . . . (5.61)
en
(5.62)
139
Del mismo modo con las ecuaciones en el contorno B1 () B() = B2 () = 0 . . .
en
(5.63)
Para cada componente del vector necesitamos denir una aproximaci on del tipo (5.1) , que escrita en forma compacta se expresa como:
M
=+
m=1
Nm am
(5.64)
donde Nm es una matriz diagonal donde en cada t ermino de la diagonal se halla la funci on de prueba de cada componente del vector inc ognita. Del mismo modo las funciones de peso, tanto para la integral sobre el interior del dominio como para la del contorno son tambi en matrices diagonales. De esta forma la extensi on del m etodo de los residuos ponderados escalar aplicado al caso vectorial es directa. )d + Wl A(

)d = 0 Wl B(
(5.65)
La mayor a de los casos de inter es tanto en la industria como en la ciencia involucran sistemas de ecuaciones diferenciales . = {u, v } Elasticidad lineal = {u, v, w, p} Flujo incompresible viscoso (a) = {, } Flujo incompresible viscoso (b) = {, u, v, w, p} Flujo compresible viscoso Los problemas de elasticidad bidimensional est an generalmente formulados en dos variables, los desplazamientos u, v seg un las componentes x e y respectivamente. Los problemas de ujo viscoso incompresible tridimensional vienen muchas veces expresados en t ermino de las variables primitivas del problema, las tres componentes de la velocidad y la presi on. No obstante en 2D muchos preeren la formulaci on vorticidad , funci on de corriente que desde el punto de vista computacional tiene una implementaci on m as f acil y no requiere un tratamiento especial de la incompresibilidad como lo necesita la formulaci on en variables primitivas. El caso de ujo compresible 3D tiene un vector inc ognita con 5 componentes. Esta es solo una breve descripci on de algunos de los casos t picos donde se necesita resolver un sistemas de ecuaciones diferenciales . El agregado de modelos adicionales, por ej. turbulencia u otros, muchas veces tambi en agrega componentes al vector inc ognita. Por u ltimo en pos de reducir el orden de una ecuaci on diferencial se puede transformar la misma en un sistemas de ecuaciones diferenciales donde el orden se ha reducido completamente equivalente al original. (5.66)
5.1.7.
Problemas no lineales
Muchos problemas pr acticos modelados f sicamente producen tanto ecuaciones diferenciales como condiciones de contorno que son no lineales. Esta no linealidad se expresa porque existe una dependencia de los operadores, tanto el del interior como el del contorno, con la variable de estado o funci on
140
inc ognita. Dado que en todas las secciones anteriores hemos considerado la aplicaci on del m etodo de los residuos ponderados al caso lineal se hace necesario hacer algunos comentarios respecto al caso no lineal. El m etodo de los residuos ponderados es completamente aplicable al caso no lineal. Supongamos que queremos resolver un problema de conducci on del calor donde la conductividad depende de la misma temperatura. La ecuaci on de gobierno puede escribirse como: (() ) + (() ) + Q = 0 en x x y y (5.67) = en = q en q () n Planteando una aproximaci on del tipo (5.1) , introduciendo la misma en la formulaci on por residuos ponderados de (5.67) produce un sistema de ecuaciones algebraico no lineales del tipo: K(a)a = f que puede resolverse iterativamente en la forma: K(an1 )an = f n1 (5.69) (5.68)
Adem as del caso de la ecuaci on de conducci on no lineal existen muchos otros problemas de inter es a mencionar como el caso de la ec. de B urgers, el caso de la ecuaci on de ujo viscoso incompresible expresada en una formulaci on donde la nolinealidad se halla en las condiciones de contorno. Obviamente las ecuaciones de ujo compresible e incompresible expresada en las variables primitivas o conservativas son tambi en ejemplos claros de sistemas de ecuaciones diferenciales no lineales.
141
e _Gal = 0.001596 0.002 0 0.01 0
e _Col = 0.004067
0.01
0.008
0.006
0.004
0.07
0.06
0.05
0.04
0.03
Figura 5.3: Soluci on aproximada a una ODE mediante residuos ponderados
0.02
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
142
max(|tau|) = 3.103
4 3 2 1 0 2 4 0 2 2 4 2 0
Funciones de prueba que satisfacen las condiciones de contorno
max(|tau|) = 3.217
4 3 2
0.2 0.1 0 0.1
1 0 1 2 5 0 2 5 0
0.2 0.3 2
y
Solucion en x=3
Funciones de prueba que no satisfacen las condiciones de contorno
Figura 5.4: Torsi on de una barra prism atica
143
5.1.8.
Conclusiones
En esta primera parte de este cap tulo que trata acerca de diferentes t ecnicas num ericas de discretizaci on hemos presentado el caso del m etodo de los residuos ponderados aplicado a la resoluci on de ecuaciones a derivadas parciales utilizando para aproximar un conjunto de funciones de prueba denidas globalmente, satisfaciendo o no las condiciones de contorno, de f acil extensi on al caso de sistemas de ecuaciones diferenciales y al caso no lineal. No obstante, como se desprende de los ejemplos incluidos la elecci on de dichas funciones no es tarea f acil, incluso no es extensible al caso de geometr as arbitrarias si uno requiere que dichas funciones satisfagan las condiciones de contorno exactamente. Adem as, a medida que se aumenta el grado de la aproximaci on el condicionamiento del sistema lineal a resolver se vuelve cr tico salvo que se usen funciones base con mayor grado de ortogonalidad. Esto se logra mediante el uso de polinomios de Legendre o de Chebyshev. En realidad estos son muy frecuentemente utilizados en el contexto de los m etodos espectrales el cual en forma indirecta ha sido el a para una secci on aparte pero por el momento diferimos tema de esta secci on (5.1) . Este tema dar un tratamiento m as detallado para futuras versiones de estas notas. En las pr oximas secciones trataremos de relajar algunas de las limitaciones de esta t ecnica, en especial aquella relacionada con el tratamiento de dominios de forma arbitraria, presentando primero el m etodo de los elementos nitos y posteriormente el m etodo de los vol umenes nitos .
144
5.1.9.
TP.chapV Trabajo Pr actico #2
1. Tome la rutina Ej 2 0.m y transf ormela para ser usada con funciones de prueba del tipo Nm = sin(mx). Comience con M = 2 y ref nelo para testear la convergencia de la aproximaci on. 2. Demuestre que la aproximaci on por residuos ponderados del tipo Galerkin, tomando como funciones de prueba la base Nm = sin(mx/Lx ) conduce a un sistema de ecuaciones con una matriz diagonal. 3. Un ensayo experimental sobre la deecci on u(x, y ) de una placa cuadrada de lado unitario con todo su contorno empotrado dio como resultado los valores que se muestran en la gura.
0.75 X1.25 X0.25
0.75 X0.25
X
1.75 X 0.5
1.0
0.5
Figura 5.5: Ej. 3 Torsi on de una barra Aproximar la deecci on mediante

M
u (x, y ) = (x, y ) +
l,m=1 l+m4
alm sin(lx) sin(my )
x y
(5.70)
y usando el m etodo de los residuos ponderados estimar los coecientes alm . Ayuda: las integrales que aparecen del c alculo de los coecientes pueden resolverse mediante integraci on num erica usando regla del trapecio bidimensional 4. Mediante el uso de un adecuado conjunto de funciones de prueba aproxime la funci on = 1 + sin(x/2) en el rango 0 x 1. Utilice colocaci on puntual, colocaci on por subdominios y el m etodo de Galerkin e investigue num ericamente la convergencia de las sucesivas aproximaciones. 5. La rutina Ej 2 1 contiene la resoluci on del problema de valores de contorno presentado en las
145
notas te oricas:
d2 =0 dx2 (x = 0) = 0 (x = 1) = 1
(5.71)
El mismo se ha usado con M = 2 t erminos en la expansi on. Pruebe de modicar la cantidad de t erminos y trace una curva donde se muestre la convergencia de cada uno de los m etodos. 6. Resuelva el ejercicio anterior pero utilizando como conjunto de funciones de prueba la base Nm = xm (1 x). Construya una rutina en base a la Ej 2 1 para resolver este problema y muestre la convergencia de la misma. Saque conclusiones respecto a los obtenido en este ejercico y el anterior. 7. Utilizando como base la rutina Ej 2 2 realice las modicaciones necesarias para realizar un estudio de convergencia de la aproximaci on. Tenga en cuenta de mantener la simetr a en la elecci on de las funciones de prueba y utilice las propiedades de ortogonalidad para calcular la matriz de coecientes. 8. Utilice el m etodo de los residuos ponderados aplicado al residuo en el dominio interior y agregado el proveniente del contorno para resolver el problema de la torsi on de la barra denido en la teor a. Utilice una expansi on del tipo = (4 y 2 )(a1 + a2 x2 + a3 y 2 + a4 x2 y 2 + a5 x4 ) que satisface la condici on de contorno en y = 2 pero no satisface aquella en x = 3. Elija Wl = on. Estudie la convergencia Nl y Wl = Nl | y obtenga el sistema de ecuaciones a resolver y la soluci dl residuo al tomar diferente cantidad de t erminos en la expansi on arriba presentada. Sugerencia: Realice un programa del tipo Ej 2 2 para el mismo y para resolver las integrales use integraci on num erica 9. Condiciones de contorno naturales Resolver el problema de conducci on t ermica estacionaria 2 2 + 2 =0 x2 y =0 = cos(y/2) n =1 usando como funci on aproximante = (1 y 2 )(a1 + a2 x2 + a3 y 2 + a4 x2 y 2 + a5 x4 ) Utilice la rutina Ej 2 3 para este n.
y = 1( ) x = 1(q )
(5.72)
146
10. M etodo de los elementos de contorno - Torsi on de una viga. El problema de la torsi on de una viga denido en la teor a 2 2 + 2 = 2 x2 y =0 en = [3, 3] [2, 2] en (5.73)
puede ser transformado a una ecuaci on de Laplace mediante la siguiente igualdad: = 1/2(x2 + y 2 ) Usando el m etodo de los residuos ponderados aplicado solo al contorno y la siguiente base de funciones = a1 + a2 (x2 y 2 ) + a3 (x4 6x2 y 2 + y 4 ) y compararla con la obtenida por el m hallar la soluci on aproximada etodo de los residuos ponderados aplicado al interior. 11. Sistema de ecuaciones diferenciales El problema de conducci on t ermica ( ) + ( )+Q=0 en x x y y (x = 0) = 0 q (x = 1) = 0 (5.74)
puede descomponerse en un sistema de dos ecuaciones diferenciales de primer orden del tipo: q+ d =0 dx
dq Q=0 dx siendo el vector inc ognita = q . Usando la aproximaci on: Nm,1 = xm1 (1 x) Nm,2 = xm calcular la soluci on a este problema usando dos t erminos. 12. Ejemplo : Problemas no lineales Resolver la ecuaci on no lineal d d ( ) = 10x dx dx (x = 0) = 0 (x = 1) = 0 = 1 + 0.1
(5.75)
(5.76)
(5.77)
147
usando como funciones de prueba la base Nm = xm (1 x) con dos t erminos mediante un m etodo de los residuos ponderados por colocaci on puntual.
148
Cap tulo 6
M etodo de los elementos nitos

6.1. Introducci on
El m etodo de los residuos ponderados presentado en el cap tulo anterior sirvi o como una teor a unicadora de una gran cantidad de m etodos num ericos a la vez que en s mismo puede concebirse como una t ecnica num erica en particular. Esa t ecnica com unmente denominada m etodo espectral goza de ciertas ventajas siendo su principal desventaja la de estar muy restringida a dominios con geometr as muy simples como zonas rectangulares, paralelep pidos u otras mapeables a las anteriores. Este no es el caso que m as interesa a los ingenieros de las u ltimas d ecadas los cuales requieren herramientas computacionales de c alculo que permitan tratar dominios arbitrarios. Si bien en el procedimiento antes empleado uno planteaba la aproximaci on de forma tal de satisfacer las condiciones de contorno, hemos visto que existe la posibilidad de elegir funciones m as generales que no satisfacen las condiciones de contorno y para las cuales un m etodo de los residuos ponderados que incluya el residuo en el contorno debe plantearse. Esto provocaba la aparici on de integrales adicionales sobre el contorno de dif cil tratamiento anal tico. En los m etodos empleados en el cap tulo anterior trabajamos en el espacio transformado en lugar que en el espacio f sico y esto puede verse de inmediato si pensamos que el vector de inc ognitas a = {a1 , a2 , . . . , aM } representan las amplitudes de diferentes componentes ondulatorias de la soluci on y no el valor de la inc ognita del problema en cada posici on de la malla. Una idea explorada en los u ltimos tiempos es la de trabajar con m etodos espectrales pero en el dominio f sico del problema. Entonces para poder aplicar todo lo anterior es necesario hacer una transformaci on al dominio de la frecuencia para luego volver al dominio f sico con la soluci on del problema. Trabajar en el dominio f sico del problema permite descomponer espacialmente el problema asi como el m etodo espectral lo descompone en el espacio de las frecuencias. Esta descomposici on del dominio en pedazos (elementos, vol umenes, celdas, etc) de tama no nito le conere el nombre al m etodo. Aqu esta la gran idea en torno a estas t ecnicas las cuales no requieren demasiado trabajo para especicar las funciones de prueba ya que al ser de soporte compacto aproximan bien la mayor a de las funciones a un siendo de bajo orden. A su vez las integrales a calcular para obtener los coecientes de la matriz y del vector miembro derecho son integrales sobre elementos que tienen una forma completamente mapeable a un cuadrado o cualquier otra gura geom etrica simple (tri angulos) lo cual permite su c alculo en forma muy sencilla, tanto anal ticamente como mediante cuadratura num erica. En cuanto a las condiciones de contorno estas presentan un tratamiento mucho m as simple debido a que las
149
todo de los elementos finitos Cap tulo 6. Me
variables sobre las cuales se especican coinciden con las variables a calcular. Diferente era el caso de los m etodos espectrales en los cuales las condiciones de contorno se especican sobre las variables del problema siendo la inc ognita las amplitudes de su descomposici on espectral. Esto motivaba tener que elegir adecuadamente a priori las funciones de prueba antes de realizar el c alculo. No obstante esto, la selecci on de una t ecnica num erica no es una cosa obvia. Los m etodos espectrales sirven y son insuperables para algunas aplicaciones donde el fen omeno f sico requiere alto orden de precisi on y la geometr a no presenta dicultades, mientras que los m etodos localizados son m as aplicables a los casos donde no interesa entrar en demasiado detalle de la soluci on pero el dominio del problema es muy complicado. Resumiendo, vimos que el m etodo de los residuos ponderados consiste en aproximar la soluci on mediante
M
=+
m=1
am Nm
(6.1)
denida a lo largo de todo el dominio y las integrales W l R d +

W l R d = 0
(6.2)
se eval uan mediante una sola operaci on y sobre todo el dominio. La ida alternativa consiste en dividir la regi on en un n umero de subdominios o elementos e sin solapamiento y que cubran todo se construya a pedazos o a trozos sobre cada subdominio. el dominio, de forma que la aproximaci on Expresando matem aticamente lo anterior, e e = e e = (6.3)
De esta forma las integrales IV.38 se pueden calcular agregando la contribuci on a la integral proveniente de cada elemento,
E
W l R d =
e=1 E e
W l R d (6.4) W l R d
e=1 e
W l R d =
donde e es el borde del elemento que cae sobre alg un borde del dominio y es tal que e e = . E denota la cantidad total de elementos en la partici on. Si se usan elementos de forma simple y si la denici on de las funciones de forma permite un c alculo de manera repetitiva entonces es posible tratar dominios con formas completamente arbitrarias con facilidad. Es de notar que el m etodo de los residuos ponderados al estilo del presentado en el cap tulo anterior equivale a hacer lo mismo pero sobre un solo elemento que coincide con el dominio . La denici on a trozos de la aproximaci on introduce ciertas discontinuidades en la soluci on o en alguna de sus derivadas. Cierto grado de discontinuidad es permisible y esto limita fuertemente la formulaci on a emplear. Por otro lado el hecho de que las funciones de prueba se elijan a trozos provoca un benecio computacional importante respecto a la estructura de la matriz resultante. Un funci on a trozos en general tiene un soporte compacto, o sea esta
150
Secci on 6.2. Funciones de forma locales de soporte compacto
no es nula solo en una regi on peque na del dominio abarcando algunos pocos elementos del mismo. Esto produce matrices con estructura de banda lo cual tratada convenientemente puede reducir much ismo el costo computacional de obtener una soluci on. Esto lo veremos en m as detalle m as adelante al tratar el problema de la resoluci on num erica del sistema de ecuaciones. Nosotros ya hemos pasado por una situaci on similar al resolver el sistema de ecuaciones para calcular los coecientes a en el cap tulo anterior. All no hemos tenido mayor dicultad tanto porque los sistemas eran de un tama no chico y adem as porque la matriz era completamente llena en cuyo caso recurr mos directamente a una especie de eliminaci on gaussiana. Ya veremos que esto no es admisible en especial en problema con gran n umero de inc ognitas (sistemas de ecuaciones en 3D). Esta es otra de las grandes diferencias entre los m etodos locales y aquellos globales, la resoluci on del sistema de ecuaciones.
6.2.
Funciones de forma locales de soporte compacto
Para ilustrar lo anterior consideremos la aproximaci on de una funci on (x) en el espacio unidimensional denido por = [0, Lx ]. La divisi on de en E (= Mn 1) subregiones no solapadas se determina estableciendo un adecuado conjunto de puntos {xl ; l = 1, 2, . . . , Mn } en con xl = 0 y xMn = Lx deniendo el elemento e como el intervalo xe x xe+1 . Como vemos la funci on a trozos usada para aproximar la funci on es constante a trozos, constante dentro de cada elemento coincidiendo su valor con el de la funci on en el centro de cada elemento, lo cual equivale a hacer colocaci on en esos puntos, com unmente llamados los nodos. En este ejemplo tan sencillo la numeraci on es obvia. Siendo la funci on aproximante constante a trozos la funci on de prueba que da or gen a la misma es una funci on que vale: Ne = 1 0 xe x xe+1 xe > x, x > xe+1 (6.5)
A nivel global la funci on aproximante que resulta es: Ne = 1 0 xe1 x xe+1 xe1 > x, x > xe+1 (6.6)
De esta forma la aproximaci on se escribe como:

Mn 1
=
m=1
m Nm
(6.7)
donde m es el valor de la funci on en cada nodo m de la malla (el centro del elemento) y reemplazaa am la amplitud de cada componente espectral en el m etodo de los residuos ponderados presentado en el cap tulo anterior. Esto ya fue comentado previamente y tiene la ventaja que en este caso los coecientes a calcular tienen un signicado f sico m as directo con el problema. La funci on ha sido omitida por lo que la aproximante no coincidir a con el valor especicado en el borde aunque por un proceso de renamiento se puede llegar tan cerca como se quiera a satisfacer los mismos. Sobre cualquier elemento e la aproximaci on global puede expresarse en t erminos del valor e y de la funci on e de forma del elemento N como: = e N e = e = sobre el elemento e (6.8) 151
Otro tipo de aproximaci on de frecuente uso y que mejora la anterior es la que surge de emplear funciones de forma lineales. Estas funciones de forma desde el punto de vista global asumen en x = xi 1 0 en x = xi1 (6.9) Ni = 0 en x = x i +1 0 en el resto de con una variaci on lineal entre los valores mencionados. Esto puede construirse a nivel elemental si por cada elemento denimos dos funciones de forma, una por cada nodo del elemento. Ahora el concepto de nodo ya no coincide como antes con el centro del mismo sino que ahora se ubican en los extremos del intervalo que dene al elemento. Estos son ahora los puntos de colocaci on. La gura 6.2 muestra gracamente lo que recien se acaba de mencionar. La aproximaci on global para este caso es:
Mn
=
m=1
m Nm
(6.10)
donde a diferencia del caso anterior la suma se extiende a Mn puntos, los nodos de esta malla. Es de remarcar que esta aproximaci on satisfar a autom aticamente los valores en el contorno x = 0, x = Lx sin necesidad de agregar una funci on ya que ahora los puntos de colocaci on est an justamente sobre los extremos de los elementos y para el caso del primer y u ltimo elemento estos coinciden con los extremos del dominio donde se agregan las condiciones de contorno . Sobre cualquier elemento e con nodos i, j la aproximaci on toma el valor: = i N e + j N e = = i j sobre el elemento e (6.11)
siendo la variaci on en el interior del elemento lineal por ser lineales las funciones de prueba Ni , Nj . Los dos conjutnos de funciones de prueba usados, aquellos constantes a trozos y los lineales a trozos forman un conjunto completo en el sentido que renando la particion se obtienen soluciones con cada vez mayor precisi on. A su vez estas funciones son generalizables a varias dimensiones como puede verse en la gura 6.3.
152
Figura 6.1: Aproximaci on por funciones a trozos
153
Figura 6.2: Aproximaci on por funciones a trozos

154
155
Secci on 6.3. Aproximaci on a soluciones de ecuaciones diferenciales. Requisitos sobre la continuidad de las funciones de forma A su vez es posible tanto aplicar un m etodo de los residuos ponderados de colocaci on como uno tipo Galerkin. En el primer caso las integrales se pesan con distribuciones tipo delta de dirac en los nodos, ya sea en el centro del elemento como en sus extremos. En el caso de la formulaci on de Galerkin las funciones de peso coinciden con las de interpolaci on dando resultados distintos pero equivalentes. Al igual que en el cap tulo anterior el m etodo de los residuos ponderados puede aplicarse para aproximar una funci on como para resolver una ecuaci on diferencial. El primero es un caso particular del segundo donde el operador L es la identidad. Los detalles del procedimiento incluido en el m etodo de los elementos nitos se ver an en pr oximas secciones cuando resolvamos algunos ejemoplos en particular.
6.3.
Aproximaci on a soluciones de ecuaciones diferenciales. Requisitos sobre la continuidad de las funciones de forma
El m etodo de los residuos ponderados aplicado a la resoluci on de una ecuaci on diferencial del tipo: A() = L + p = 0 con condiciones de contorno B () = M + r = 0 se escribe como W l R d +

en
(6.12)
sobre
(6.13)
W l R d = 0
(6.14)
con
) = L +p R = A( ) = M +r R = B (
(6.15)
La idea de usar un m etodo num erico basado en aproximar una soluci on mediante funciones de forma locales plantea el interrogante de si es posible su uso sabiendo que tanto la funci on como alguna de sus derivadas pueden ser discontinuas. Para ilustrar la explicaci on observemos la gura 6.4 donde se presentan tres tipos de funciones, la de la izquierda es discontinua con derivada puntualmente no acotada, la del centro continua con derivada primera discontinua y derivada segunda puntualmente no acotada y aquella de la derecha que es continua y tiene primera derivada continua, segunda derivada discontinua y tercera derivada puntualmente no acotada. Pensemos que estas funciones pueden ser posibles candidatos a ser usados como funciones de forma para nuestro m etodo num erico. El hecho que alguna de las derivadas presente una singularidad puede provocar problemas en el c omputo de las matrices por lo cual se debe evitar su uso. Para ello si los operadores involucrados en el c alculo de las matrices contienen derivadas de orden s entonces debemos garantizarnos que las funciones de forma tengan s 1 derivadas continuas o sea las funciones deben pertenecer a la clase C s1 . Un ejemplo concreto lo tenemos si observamos de la secci on anterior que la forma d ebil del problema de conducci on t ermica contiene a lo sumo primeras derivadas. En esa caso s = 1 y necesitamos que las funciones de forma sean C 0 , o sea funciones on a hacer es que no debe continuas, como aquella ubicada en el centro de la gura 6.4. Una observaci confundirse la continuidad de una funci on con el grado del polinomio que la aproxima localmente. Por
156
Secci on 6.4. Formulaci on d ebil y el m etodo de Galerkin
ejemplo una funci on de forma que usa polinomios de segundo orden en el interior de los elementos no necesariamente tiene mayor continuidad que una lineal. La continuidad depende de como se pegan las funciones elemento a elemento y no de como se interpola en su interior. Los elementos de la clase Lagrange, los m as standard en m etodo de los elementos nitos pertenecen a la clase C 0 mientras que 1 aquellos del tipo Hermite son C . Mientras los primeros requieren que las funciones se peguen en forma continua entre los elementos los u ltimos son m as estrictos y requieren que la primera derivada tambi en sea continua, independientemente de lo que suceda adentro. La gura 6.5 pretende ilustrar una funci on de forma hermitiana para un elemento unidimensional de dos nodos. Los requisitos de continuidad que estuvimos tratando tambi en se aplican a las funciones de peso. En estos casos una sutileza debe remarcarse. Cuando hablamos del m etodo de colocaci on hemos empleado la funci on delta de Dirac para tal n. Esto solo es factible si se garantiza que el residuo sea nito.
6.4.
Formulaci on d ebil y el m etodo de Galerkin
En el cap tulo anterior vimos como un t ermino como el siguiente Wl Ld
(6.16)
con L un operador diferencial lineal puede ser reemplazado por otro como C Wl
d + D
Wl E d
(6.17)
donde los operadores lineales C , DE tienen un orden de diferenciaci on estrictamente inferior al de L. Tal reformulaci on es muy ventajosa cuando se usan funciones de forma denidas localmente debido a que esto disminuye el grado de continuidad a ser demandado sobre las mismas. Uno de los operadores que frecuentemente aparecen es el de segundo orden que cuando se lo somete a la gen a dos operadores de primer orden, uno aplicado a la funci on de peso debilitaci on (6.16,6.17) da or y el otro a la interpolaci on. Esto pone de maniesto que la elecci on de la misma clase de funciones para W como para N , base del m etodo de Galerkin, posee muchas ventajas. Adem as de equiparar el grado de continuidad queda garantizada la simetr a del operador.
6.5.
Aspectos computacionales del m etodo de los elementos nitos
En esta secci on tomaremos algunos ejemplos muy simples que servir an para explicar la metodolog a empleada en el m etodo de los elementos nitos . Estos ejemplos consisten de dominios unidimensionales, con una partici on muy gruesa (pocos elementos empleados) y con funciones de prueba sencillas. No obstante esto el procedimiento es bien general y puede extenderse tanto a mallas muy nas como al caso multidimensional y con funciones de alto orden.
157
Secci on 6.5. Aspectos computacionales del m etodo de los elementos nitos
6.5.1.
Ejemplo 1
Este primer ejemplo consiste en resolver: d2 =0 dx2 (x = 0) = 0 (x = 1) = 1 Paso 1: Elecci on de la funciones de forma y formulaci on del problema Teniendo en cuenta las consideraciones acerca del grado de continuidad de las funciones de forma relativa al orden de diferenciaci on del operador involucrado en este ejemplo vemos de inmediato que funciones de la clase C 0 son sucientes para resolver este problema. Esto permite usar funciones lineales a trozos aunque si se desea tambi en puede aumentarse el grado del polinomio interpolante, como por ejemplo usar elementos cuadr aticos o de mayor orden. No obstante esto involucra en general un mayor costo computacional muchas veces innecesario para la precisi on requerida. Entonces la aproximaci on se escribe como:
M +1
0x1 (6.18)
=+
m=1
m Nm
0x1
(6.19)
Al establecer el m etodo de los residuos ponderados sobre este problema tenemos

1
Wl
0
d2 dx + Wl R dx2
1 0
=0
(6.20)
donde el u ltimo t ermino representa la contribuci on del residuo en el borde porque la aproximaci on elegida no necesariamente satisface las condiciones de borde. No obstante este t ermino puede omitirse si uno elije funciones de peso que se anulen sobre la parte del contorno donde se prescriben condiciones tipo Dirichlet. Entonces si lo anulamos y si debilitamos la integral sobre el interior del dominio para poder usar funciones con menores requisitos de continuidad llegamos a:
1
dWl d dx + Wl d + Wl dx dx dx
1 0
=0
l = 1, 2, . . . , M, M + 1
(6.21)
Usando el m etodo de Galerkin Wl = Nl surge obviamente la necesidad de emplear funciones clase C 0. Paso 2: discretizacion de las variables independientes generacion de la malla en subdividir el dominio en elementos tales que e e = e e = Esto consiste
(6.22)
En este caso simple la partici on es trivial, el dominio es un segmento de recta y la partici on consiste en dividir este segmento en intervalos que satisfagan (6.22). La situaci on unidimensional es muy particular y simple ya que (6.22) se puede alcanzar en forma exacta. En varias dimensiones esto
158
se obtiene en general en forma aproximada. Para simplicar los pasos siguientes dividamos el dominio = [0, 1] en 3 elementos (4 nodos) como se muestra en la gura 6.6. De esta forma quedan denidas las coordenadas de los nodos x = {x1 , x2 , x3 , x4 } = {0, L/3, 2L/3L} y las conectividades de los elementos (los nodos asociados a cada elemento) 1 2 IX = 2 3 3 4 (6.23)
(6.24)
En lo que siguen denimos el tama no del elemento como he = |xj xi | con i, j los nodos que lo denen. A continuaci on presentamos una transformaci on de coordenadas que facilita mucho la tarea a nivel computacional. Esta se dene como: xk = f (k ) k = 1, . . . ndm (6.25)
donde xk son las coordenadas del elemento en el dominio real del problema y k son las correspondientes en un elemento denominado master. En una dimensi on este elemento m aster se dene como: e = { | [1, 1]} (6.26)
La idea es transformar el elemento real en otro muy simple, por ejemplo pensemos simplemente en una cuadr angulo en 2D completamente distorsionado y su mapeo a un cuadrado con sus aristas paralelas a los ejes coordenados. Realizar c alculos de derivadas e integrales en el primero suele ser mucho m as trabajoso que en el elemento de forma simple. Si bien este tema presentado en el caso unidimensional parece de poca importancia en varias dimensiones este mapeo es clave para poder facilitar los c alculos. Este tema ser a presentando con m as detalle m as adelante en el contexto del m etodo de los elementos nitos en varias dimensiones. Paso 3: Denici on de las funciones de forma Este paso es una consecuencia de los dos anteriores. Habiendo elegido el tipo de funciones de forma necesarios para satisfacer los requerimentos de continuidad que plantea el operador diferencial a resolver y habiendo realizado la discretizaci on de las variables independientes surge de su combinaci on la denici on de las funciones de forma. Estas se pueden escribir como: he he e Nj = Nj = he con = x xi Ni = Nie =
(6.27)
donde se asume que xi < xj y tiene un valor unitario en el nodo cayendo linealmente hasta ser nula en el otro nodo del mismo elemento. 159
Esta denici on es muy ad-hoc para el caso unidimensional y no usa la idea de mapeo al elemento master denida anteriormente. La siguiente si presenta esa idea y la incluimos porque ser a la que en denitiva usaremos al momento de calcular las integrales. Ni = Nie = 1/2(1 )
e Nj = Nj = 1/2(1 + )
(6.28)
Esta denici on como vemos satisface la denici on de la funci on, en el nodo i, = 1 Ni = 1 y Nj = 0 mientras que en el nodo j , = 1 Ni = 0 y Nj = 1. Una denici on equivalente a la anterior que suele unicar la anterior y es v alida para los dos nodos es la siguiente: Nl = Nle = 1/2(1 + l ) l = 1 ; l = 1 +1 ; l = 2 (6.29)
donde l representa la numeraci on local de los nodos, a nivel del elemento. Esta tiene la ventaja que permite operar algebraicamente con m as exilibidad. Ensambl andola sobre todo el conjunto de elementos produce una funci on que tiene la forma de un sombrero como fue mostrada en la gura 6.2. Paso 4: C alculo de la matriz del sistema y del miembro derecho Como hemos visto en el primer paso (6.21) la formulaci on del problema contiene el c alculo de varias integrales, una por cada nodo de la malla. Reemplazando en ella la aproximaci on (6.19), la denici on de la funci on de peso que para este ejemplo coincide con la de interpolaci on (Galerkin) y la denici on de las funciones de forma alculo de estas integrales se puede escribir como: (6.27), entonces el c Klm = dNl dNm 1 l, m M + 1 + Nl Nm dx dx dx 0 1 d fl = Nl 1l M +1 dx 0
1
(6.30)
Estas integrales denidas sobre todo el dominio = [0, 1] pueden descomponerse aditivamente por una de las propiedades de la integraci on en varias integrales, una por cada elemento. Entonces, calcular las integrales a nivel del elemento y luego ensamblarlas o agregarlas cada una de sus contribuciones es equivalente a integrar sobre todo el dominio. Esto es as porque las funciones que aproximan a la soluci on fueron denidas elemento a elemento. Por lo tanto lo dicho equivale a:
160
Klm =
e=1
e lm l m Kl m
he
Kle m
=
0 1
=
1 1
dNle dNm + Nl (x)Nm (x) dx = dx dx dNle d dNm d dx + Nl ( )Nm ( ) d = d dx d dx d

1 /2l
(6.31) + m ) + m ) he d = 2 he d = 2
=
1 1
2 he
1 /2m
2 + he
1 /2(1
+ l ) + l )
1 /2(1
2 2 1 /2m e + e h h 1 e 1 h 2 = e l m + (2 + l m ) h 8 3 Reemplazando por sus valores =

1 /2l
1 /2(1
1 /2(1
l =
1 +1
l =1 l =2
Ke =
1 he he + 3 e h 1 h e + 6
1 h h e + 6 he 1 he + 3
(6.32)
Esta expresi on contiene dos juegos de ndices, unos sin primas que representan la numeraci on global de la matriz y est a asociado a la numeraci on global de la malla y otros ndices primados que tienen la numeraci on local dentro del elemento. Hay una relaci on entre ambos y viene expresada por la tabla de conectividades denida antes (6.24). Para el el elemento e-simo, la e del arreglo IX se satisface que con lo cual el algebra anterior se pudo compactar bastante. Nosotros para simplicar la notaci on lm y expresar este cambio de numeraci on en la expresi on (6.31) usamos l m . Esta relaci on entre numeraciones es la que permite el ensamble de contribuciones elementales en globales. Esto signica que
e K = AE e=1 K E 2
Kl,m =
e=1 l ,m =1
Kle ,m
(6.33)
con A el operador de ensamblaje. Esto se ilustra en la gura 6.6. Si bien todo el c alculo ha sido llevado a cabo manualmente esto tiene un alto grado de automatizaci on debido a lo simple que resultan las funciones de forma y sus derivadas en el elemento master. Paso 5: Resoluci on del sistema de ecuaciones Con el miembro derecho el procedimiento es similar y nalmente se alcanza el siguiente sistema de ecuaciones lineales a resolver:
161
K = f
1 he he + 3 e 1 h e + h 6 he 6 he + 3 e +h 6
1 h e +
0
1 h e +
1 he 1 h e
1 he 1 h e
he 6 he + 3 e +h 6
1 2 = 1 he 3 h + e 6 4 he 1 he + 3 0
d dx
x=0
(6.34)
0 0
d dx x=1
Dado que las condiciones de contorno denidas inicialmente implicaban imponer el valor de (x = 0) = 0 y (x = 1) = 1, esto implica primero reemplazar dichos valores en el vector inc ognita y pasar para el miembro derecho todos aquellos t erminos que dichos valores generan para luego remover las las y las columnas correspondientes a estas variables impuestas. Por lo tanto el sistema (6.34) se transforman en otro m as reducido: 1 1 he he 2 h h e + 3 e + 6 0 2 = (6.35) 1 he 1 1 he he ( 3 e+ 2 e+ he + 6 )
h 6 h 3
La resoluci on de este sistema es inmediata obteniendo los valores del arreglo , soluci on a nuestro problema. Con ellos es posible estimar las derivadas en los extremos reemplazando simplemente el vector soluci on en (6.34) y despejando el valor de d . dx
x=0,1
Comentarios nales Para terminar con este ejemplo haremos dos comentarios, uno acerca del c alculo de las integrales elementales y otro acerca de la resoluci on del sistema algebraico. Respecto al primero es de destacar que si bien aqu hemos recurrido a la integraci on anal tica en general se trabaja utilizando integraci on num erica con lo cual solo se necesita evaluar el integrando en determinados puntos del dominio y sumar las contribuciones, como es el caso de integraci on por cuadratura num erica. Con esto es posible extender el tratamiento a operadores de diferente tipo, incluso con coecientes variables dentro del elemento, etc. El tema de la integraci on num erica ser a abordado m as adelante. Respecto a la resoluci on del sistema se debe evaluar el m etodo a seguir seg un el tipo de problema a resolver, lineal o no lineal, estacionario o transiente, 2D o 3D y fundamentalmente teniendo en cuenta los recursos computacionales disponibles. Este tema que hoy en dia es un area en si misma ser a tratada en un pr oximo cap tulo.
6.5.2.
Ejemplo 2
Este ejemplo es similar al anterior salvo en el tipo de condiciones de contorno impuesta. En este caso las mismas son: |x=0 = 0 y d dx |x=1 = 1 La formulaci on del m etodo de los residuos ponderados para este problema es la siguiente:
1
Wl
0
d2 dx + Wl d 1 2 dx dx
x=1
Wl
d dx
x=1
=0
(6.36)
162
Ya que la integral sobre el dominio no ha cambiado y los t erminos de contorno no inuyen sobre la matriz del sistema, esta u ltima queda igual que en la del ejemplo anterior. Por el cambio en el tipo de derivada solo se modica el miembro derecho con lo que el sistema a resolver se transforma en uno id entico a (6.34) con un miembro derecho
d dx x=0 T
0 0 1
(6.37)
Lo restante es todo similar a lo ya visto.
6.5.3.
Ejemplo 3
Este ejemplo muestra como tratar un sistema de ecuaciones diferenciales e incluso para darle cierta generalidad usaremos una formulaci on mixta. El problema a resolver es el de conducci on del calor con fuente (ec. de Poisson) reemplazado por una formulaci on mixta del tipo: d +q =0 dx dq Q=0 dx Escribiendo para cada variable inc ognita su aproximaci on en la forma:
Mq
(6.38)
qq =
m=1 M
qm Nm,1 (6.39) m Nm,2

m=1
El m etodo de los residuos ponderados aplicado a la anterior se puede escribir como:

1 0 1 0
1 d Nl,1 dx + q Nl,1 dx = 0 l = 1, 2, . . . , Mq dx 0 1 d q Nl,2 dx = QNl,2 dx l = 1, 2, . . . , M dx 0
(6.40)
Aqu hay varias alternativas para elegir las funciones de forma. La primera que vamos a adoptar es aquella en la que ambas variables se aproximan con funciones lineales a trozos con los pesos coincidentes entre si y coincidente a las funciones de interpolaci on. O sea Nl,1 = Nl,2 = Nl Por cada elemento hay 4 inc ognitas, 2 nodos con 2 grados de libertad por nodo. Las expresi on para el c alculo de las matrices elementales ahora contienen a su vez una matriz, o sea que al agregar la contribuci on de cada uno de los nodos del elemento contra todos los otros nodos del mismo elemento (en 1D, 2 2) se llega a: Ke l ,m =
dNm 1 1 N l ,1 d
,1
1 he 1 Nl ,1 Nm ,2 2 d dNm ,2 1 1 Nl ,2 d d
(6.41)
163
Secci on 6.6. Interpolaci on de mayor orden en 1D
lo cual produce la siguiente matriz elemental 1 dN1,1 1 he 1 N1,1 N1,2 2 d 1 N1,1 d d 1 1,2 1 N 1 ,2 d N 0 e d d K = dN1,1 1 1 N N he d 1 2 ,1 1 ,2 2 1 N2,1 d d dN1,2 1 0 1 N2,2 d d
1 he 1 N1,1 N2,2 2 d dN2,2 1 1 N1,2 d d 1 he 1 N2,1 N2,2 2 d dN2,2 1 1 N2,2 d d
dN2,1 1 1 N1,1 d d
(6.42)
dN2,1 1 N d d 1 2 ,1 0 0
Lo que sigue es simplemente calcular las integrales y resolver el sistema. Otra alternativa para (6.40) es debilitar la segunda ecuaci on y cambiarla de signo:
1
q
0
dNl,2 dx q Nl,2 dx
1 0
=
0
QNl,2 dx
l = 1, 2, . . . , M
(6.43)
y por haber disminuido el orden de diferenciaci on sobre q podemos usar funciones de forma constantes a trozo tanto para interpolar esta funci on como para pesar la misma (Nl,1 = Nm,1 constantes a trozos ). De esta forma en cada elemento la cantidad de grados de libertad se reduce de 4 a 3, los dos valores de en los nodos y el valor de q en el centro del elemento. La contribuci on elemental se escribe como: dNi 0 0 i dNi dx dNj e e qe dx K = (6.44) 1 dx dx e dNj j 0 0
dx
6.6.
Interpolaci on de mayor orden en 1D
Tanto en el cap tulo anterior como en las secciones anteriores del prsente hemos introducido el concepto de aproximaci on mediante el uso de funciones de prueba con cierta suavidad aplicada a todo el dominio m etodos globales o aquellas denidas elemento a elemento m etodos locales con interpolaci on constante o lineal por elemento. Esta u ltima alternativa condujo a la forma m as simple de denir el m etodo de los elementos nitos . La motivaci on de mejorar la aproximaci on a la soluci on del problema conduce a varias clases de renamiento, entre ellas las m as usuales son: 1.- usar una interpolaci on de bajo orden y renar la malla tipo h, 2.- usar una malla ja y una interpolaci on de mayor orden tipo p, 3.- una combinaci on de las dos anteriores tipo h-p. Desde el punto de vista pr actico la mejor soluci on es la alcanzar la mayor precisi on al menor costo posible. Si bien la elecci on es muy dependiente del problema es cierto que en muchas aplicaciones renar en el polinomio de aproximaci on es el camino optimo. No obstante, en ciertas aplicaciones la denici on de las funciones de interpolaci on est a muy restringida por la formulaci on del problema. Ejemplos de este caso lo tenemos en las formulaciones aplicadas a la resoluci on de ujo compresible e incompresible. El tratamiento de la compresibilidad pone una fuerte restricci on en la elecci on de los espacios funcionales. No todas las combinaciones posibles para aproximar la velocidad y la presi on son
164
permisibles, existiendo un criterio a satisfacer (critero de inf-sup) para los espacios funcionales. Por otro lado la advecci on dominante requiere la estabilizaci on num erica del problema que se hace cada vez m as complicada de denir a medida crece el orden de los polinomios interpolantes. Estas son las principales causas por las cuales en el tratamiento num erico de modelos f sicos m as complicados se preere el uso de funciones de interpolaci on de bajo orden y se rena sobre el tama no de la malla. De todos modos nosotros aqu presentaremos algunos detalles acerca de la interpolaci on de mayor orden restringida al caso unidimensional, aunque la extensi on a muchas dimensiones es tan directa como la del caso lineal. Dado un grado polinomial, existen muchas formas para generar funciones de forma que tengan ese orden de aproximaci on. La m as standard es la de utilizar una base de Lagrange en la cual cada grado polinomial diferente se alcanza con un juego de bases diferentes. No obstante existen otros m etodos que son aditivos en el sentido que dada una funci on de forma de grado n se puede generar aquella de orden n + 1 usando la de grado n y agregandole alguna funci on adicional. Este m etodo es denominado formas jer arquicas de aproximaci on y son computacionalmente muy ecientes aunque su uso no ha sido muy difundido a un.
6.6.1.
Grado de las funciones de prueba y velocidad de convergencia
La discusi on acerca de la estimaci on del error y la convergencia de una aproximaci on en general es algo complicado de tratar y anteriormente solo mencionamos que la convergencia se alcanzar a si la aproximaci on es completa. Esta forma vaga de denirla se deb a a la generalidad de la elecci on de las funciones de prueba. Si nos limitamos a una interpolaci on polinomial el tratamiento se simplica mucho. Consideremos un dominio subdividido en elementos e de tama no h y tomemos funciones de prueba interpoladas mediante un polinomio completo de grado p. Es claro que si la soluci on exacta del problema es un polinomio de grado menor o igual a p la soluci on num erica ser a exacta (sin tener en cuenta errores de redondeo) independientemente del peso utilizado. Obviamente que la soluci on en general no ser a polinomial, no obstante, si no contiene singularidades (en la funci on o en alguna de sus derivadas) puede ser bien aproximada por una expansi on en series de Taylor. (x)2 d2 d |O + |O + . . . (6.45) dx 2 dx2 donde la serie de Taylor se ha tomado alrededor del punto O. Entonces al usar funciones de prueba polinomiales de grado p estamos aproximando exactamente los primeros p + 1 t ermino en (6.45) y el error de la aproximaci on se vuelve O(hp+1 . Es de notar que la aproximaci on a la primera derivada ser a O(hp ) y aquella correspondiente a la derivada d- esima ser a O(hp+1d ) Volviendo a la formulaci on general del m etodo de los residuos ponderados o a aquella del m etodo de los elementos nitos vimos que estaban involucrados dos operadores diferenciales L y M. Estos operadores contienen derivadas y supongamos que la m axima derivada sea d, es claro que el menor orden para la aproximaci on de la soluci on debe ser tal que la representaci on del operador diferencial de la soluci on sea O(h) por razones de completitud. Entonces se requiere que: (x) = |O + x p+1d1pd0 (6.46)
Este requisito de completitud pone de maniesto la utilidad de la formulaci on d ebil presentada anteriormente. Hab mos visto oportunamente que al debilitar la formulaci on disminu an los requisitos
165
de continuidad de la aproximaci on. Ahora se pone de maniesta una segunda ventaja de la debilitaci on, reducir el orden de diferenciaci on del operador diferencial disminuye el orden de la m nima interpolaci on necesaria para garantizar convergencia en malla. Como ejemplo a esto podemos mencionar el caso del operador involucrado en un problema de conducci on del calor. Este contiene como m aximo segundas derivadas, al debilitarlo usando el m etodo de Galerkin las mayores derivadas son de primer orden con lo cual se requieren funciones C 0 para satisfacer continuidad entre elementos y como m nimo funciones lineales para obtener convergencia en malla.
6.6.2.
Funciones de forma de alto orden standard de la clase C 0
Sea el conjunto de elementos unidimensionales como el ilustrado en la gura 6.7 y tomamos un elemento e de la malla con sus nodos extremos numerados como 0 y 1. La aproximaci on lineal mostrada en la parte superior de la gura asegura que la aproximaci on es lineal sobre todo el elemento y que los par ametros asociados a los nodos corresponden a los valores nodales en los mismos nodos. Adem as de esta forma se garantiza la continuidad C 0 . Usando la idea de mapeo al elemento de referencia las funciones de forma se escriben como:
e N0 = 1/2(1 ) e N1 = 1/2(1 + )
(6.47)
La extensi on al caso cuadr atico se logra deniendo un nodo intermedio y tomando ahora tres funciones, una por cada nodo, con la condici on de ser cuadr atica dentro del elemento y valer uno en el nodo asociado y cero en los otros dos, o sea: Nle ( ) P2 ( ) Nle ( ) = 1 0 = l = m l, m = 0, 1, 2 1 = 0 ym=l 2 = 1 (6.48)
0 = 1
Extendiendo lo anterior la caso c ubico y luego generalizando es posible denir cada una de estas funciones resolviendo un sistema lineal para los coecientes de cada funci on de forma asociada con cada nodo. En general, si el grado del polinomio es p, entonces habr a p + 1 nodos en el elemento y Nle = 0 + 1 + 2 2 + + p p = 0 = 1
p 2 Nle = 0 + 1 0 + 2 0 + + p 0 p 2 Nle = 0 + 1 1 + 2 1 + + p 1 . . . . . .
(6.49)
= l
Nle = 0 + 1 l + 2 l2 + + p lp . . . . . .
2 p Nle = 0 + 1 p + 2 p + + p p
(6.50)
= p
De esta forma surgen las funciones de prueba para el caso cuadr atico:
166
Secci on 6.7. Problemas con advecci on dominante - M etodo de Petrov-Galerkin
e N0 = 1/2 (1 )
e N1 = (1 + )(1 )
e N2 = 1/2 (1 + )
(6.51)
y para el caso c ubico 9 1 1 ( + )( )( 1) 16 3 3 27 1 e N2 = ( + 1)( + )( 1) 16 3

e N0 =
27 ( + 1)( 16 9 1 e N3 = ( + )( 16 3
e N1 =
1 )( 1) 3 1 )( + 1) 3
(6.52)
6.7.
Problemas con advecci on dominante - M etodo de PetrovGalerkin
Como ya hemos visto al introducir los m etodo de los residuos ponderados estos m etodos se basan en denir funciones de peso diferentes a las elegidas para interpolar la soluci on, lo cual da or gen a una gran variedad de posibilidades. Lo que se pretende aqu es introducir este tema que inmediatamente encontrar a su utilidad cuando se pretenda resolver problemas dominados por advecci on, naturalmente hallados en problemas de mec anica de uidos. Nuestro inter es por este tema surge de la gran popularidad que ha tomado este tipo de formulaciones en el area de la mec anica de uidos, especialmente el m etodo denominado SUPG. Si bien no es nuestro inter es aqu hacer historia sobre este tema podemos mencionar que la idea del m etodo SUPG fue tratar de buscar el efecto producido por las ya conocidas y efectivas t ecnicas de upwinding para evitar oscilaciones num ericas producidas cuando en las ecuaciones de transporte dominan los t erminos convectivos sobre los restantes. La siguiente es un ejemplo t pico de una ecuaci on de transporte donde el miembro izquierdo representa la convecci on y es proporcional a la velocidad con que se mueve el uido mientras que el miembro derecho es el t ermino difusivo, si es la temperatura equivale a la conducci on del calor. d2 d = 2 dx dx Entonces adimensionalizando la ecuaci on anterior surge el n umero de Peclet, u Pe = (6.53)
|u|L (6.54) relaci on entre la convecci on y la difusi on, con L una dimensi on caracter stica del problema. Si barremos el valor de Peclet desde 0 vemos que la ecuaci on cambia de tipo, de ser una el ptica pasa a ser hiperb olica y este cambio depende sobre la competencia entre los t erminos convectivos y los difusivos. Al resolver el problema por diferencias nitas centradas aparecen oscilaciones cuando el Peclet de la grilla supera un valor pr oximo a la unidad. La t ecnica del upwindind surgi o en el area de las diferencias nitas como intento de evitar las mencionadas oscilaciones y fue planteada sobre la base de aplicar una aproximaci on en diferencias decentrada a la derivada primera. El decentraje deb a hacerse aguas arriba considerando la orientaci on del ujo y esto pudo explicarse desde muchos puntos de vista. Uno de los m as importantes es aquel ligado al concepto de error de truncamiento explic andose la aparici on de las oscilaciones del hecho que al truncar la aproximaci on centrada esta 167
introduce una especie de difusi on num erica negativa que compite con la f sica. Existe un cierto valor del n umero de Peclet para el cual la difusi on num erica supera a la f sica y de acuerdo a argumentos termodin amicos se viola el segundo principio y el problema pasa a estar mal planteado. Para ver mejor esto recurrimos nuevamente a la ecuaci on de advecci on-difusi on en 1D y la discretizamos por diferencias nitas centradas, lo cual es completamente equivalente a haberlo hecho por m etodo de los elementos nitos . El esquema resultante es: i+1 2i + i1 i+1 i1 =k 2x x2 P e(i+1 i1 ) = i+1 2i + i1 a
(6.55)
con P e = ax2k es el n umero de Peclet del elemento y aqu hemos asumido coecientes constantes y malla uniforme. La soluci on exacta a este problema es del tipo: i = i que reemplazada en la ecuaci on produce la siguiente ecuaci on algebraica de segundo grado: 2 (P e 1) + 2 (P e + 1) = 0 la cual produce las siguientes ra ces: 1,2 = 1
1+P e 1 P e
(6.56)
(6.57)
(6.58)
Vemos que si P e = 1 la ecuaci on degenera en una de primer grado con la soluci on = 1 o sea = constante. Si P e < 1 las dos ra ces son positivas lo cual genera soluciones positivas, combinaciones de Pei la soluci on constante y otra del tipo = 1+ 1P e . El problema surge cuando P e > 1 ya que en este caso
1+P e una de las ra ces es negativa y genera soluciones del tipo = (1)i |1 on contiene una P e| . Esta soluci oscilaci on num erica que puede arreglarse renando el elemento siempre que exista algo de difusi on en el problema, o sea que el P e = . Extrapolando al caso de mec anica de uidos esta situaci on se presenta en el caso de ujo viscoso (Navier-Stokes) cuando el Reynolds del elemento supera un valor cr tico, del orden de la unidad. Una situaci on extrema ocurre en el caso de los modelos inv scidos. All la difusi on f sica es nula y por m as que renemos el P e , generando las raices = 1 , lo cual implica una oscilaci on irremediable. Usando diferencias nitas descentradas aguas arriba equivale a que la raiz negativa introducida por el t ermino cuadr atico, o sea el nodo aguas abajo, sea removida. Es por ello que es usual aproximar la primera derivada con una diferencia hacia atr as, de forma de que ahora el esquema es: i
i+1 2i + i1 i i1 =k x x2 2P e(i i1 ) = i+1 2i + i1 a
(6.59)
El caso de P e transforma la ecuaci on de segundo grado en otra de primer grado, lo cual genera una u nica soluci on (constante) lo cual tiene sentido f sico ya que el operador diferencial tambi en cambia de tipo ( orden) cuando sucede esto.
168
El upwind puede verse como el agregado de viscosidad articial o difusi on articial en pos de contrarestar la difusi on negativa que introduce la discretizaci on. Controlar esta difusi on agregada articialmente es importante ya que si nos excedemos la soluci on es sobredifusiva y estamos resolviendo un problema con mayor difusi on que la real, y por el lado contrario si no introducimos la suciente aparecer an oscilaciones no f sicas. Para ver esto se puede partir de la ecuaci on discreta centrada (6.55) ermino introducido articialmente: y restarle la reci en obtenida (6.59), lo cual pone en evidencia el t ax i+1 2i + i1 a i+1 2i + i1 = 2x 2 x2 = (6.60)
x on articial. con a 2 funcionando como una especie de difusi Lo anterior se lo conoce como la t ecnica de full upwind. Se sabe que esto es correcto solo cuando P e y que cuando P e asume valores pr oximos al valor cr tico la difusi on introducida debe ser corregida para evitar soluciones muy suavizadas. Para ello se ha recurrido al caso unidimensional lineal el cual tiene soluci on exacta y se ha demostrado que la forma de corregir es introducir una funci on denominada m agica del tipo:
1 (6.61) Pe En el contexto del m etodo de los elementos nitos el mismo efecto puede lograrse de varias formas, por ejemplo mediante el uso del m etodo de los residuos ponderados Petrov-Galerkin. Tomando la ecuaci on (6.53). (P e) = coth(P e) Wl u
dWl d d =0 dx dx dx
(6.62)
y deniendo a la funci on de peso como: dNl (6.63) dx donde el primer t ermino reproduce el m etodo de Galerkin mientras que el segundo es una pertur baci on cuyo efecto en la matriz es tal que al ser aplicado a un t ermino proporcional a d dx produce un t ermino similar a uno difusivo. El par ametro debe ajustarse en funci on de la cantidad de perturbaci on (difusi on articial) a agregar. De todos modos existen muchos trabajos que dan cuenta de la buena conabilidad de la denici on: Wl = Nl + u = (P e) 1
d || d x u||
(6.64)
d aster y la funci on (P e) es donde || d x u|| equivale al vector velocidad transformado al elemento m la llamada funci on m agica denida m as arriba. Un aspecto de importancia es la continuidad de las funciones de peso. Seg un la denici on Nl C 0 , luego Wl C 1 con lo cual se plantea una dicultad matem atica que ha sido muy bien estudiada. Sin entrar en detalles las conclusiones han sido que el problema se suscita en los bordes entre elementos y que la formulaci on variacional que surge del planteamiento de la forma d ebil del m etodo de los residuos ponderados arroja la satisfacci on de las ecuaciones en el interior de los elementos y de los ujos en los bordes.
169
Secci on 6.8. El caso multidimensional
Su extensi on al caso multidimensional di o or gen a los m etodos denominados Streamline diusion ya que introducen la difusi on seg un las l neas de corriente. Estos m etodos han mostrado ser muy robustos y ecientes a la hora de resolver problemas de ujo de uidos no obstante, a diferencia del caso unidimensional, ahora no se cuenta con una soluci on que permita controlar la cantidad de difusi on a agregar y esta debe ser introducida acorde a criterios ad-hoc. La extensi on al caso de sistemas de ecuaciones, tal como ocurre con los modelos de Navier-Stokes y Euler requieren un estudio un poco m as detallado del tema y ser a abordado en futuros cap tulos.
6.8.
6.8.1.
El caso multidimensional
Introducci on
En esta secci on por su simplicidad presentaremos el caso 2D siendo directa la extensi on a 3D. En cuanto a las funciones de interpolaci on existe mucha bibliograf a en la cual se puede hallar las expresiones de las mismas tanto para funciones de diferente grado de continuidad como de diferente orden polinomial. Nosotros aqu solo trataremos el caso de funciones de prueba de clase C 0 multilineales sobre elementos de forma triangular o cuadrangular. Dado que en el caso multidimensional se presentan situaciones geom etricas completamente arbitrarias lo mejor para ordenar el tratamiento del tema es introducir las funciones de forma en el elemento master y luego mencionar los detalles del mapeo que transforma las coordenadas reales en las del elemento de referencia.
6.8.2.
Elemento triangular
El tri angulo es una forma particularmente muy u til porque permite representar con bastante precisi on dominios de forma arbitraria. Para un tri angulo t pico e con nodos numerados en sentido antihorario i, j, k y ubicados en los v ertices del mismo como se muestra en la gura 6.3 buscamos una funciones de forma elemental Nie (x, y ) tal que, Nie (x, y ) = 1 Nie (x, y ) =o en x = xi , y = yi (6.65)
en x = xj , xk , y = yj , yk con Ni (x, y ) = 0 eSie e
con Ni (x, y ) continua sobre eSie e Sie
con el conjunto de elementos que contienen al nodo i. El mapeo de cualquier tri angulo al elemento master puede verse en la gura 6.8, donde los nodos i, j, k se posicionan en 1, 2, 3 respectivamente. Las funciones de interpolaci on lineales que satisfacen lo anterior son: N1 (, ) = 1 N2 (, ) = N3 (, ) = Como se puede apreciar geom etricamente con 3 puntos denimos exactamente un plano y por lo tanto el gradiente de cualquier funci on denida como combinaci on lineal de sus tres valores nodales ser a constante dentro del elemento. Calcularemos primero el mapeo.
(6.66)
170
x(, ) =
k=1
xk Nk (, )
= x1 (1 ) + x2 + x3 = x1 + (x2 x1 ) + (x3 x1 )
3
(6.67)
y (, ) =
k=1
yk Nk (, )
= y1 (1 ) + y2 + y3 = y1 + (y2 y1 ) + (y3 y1 ) De lo cual surge que dado un par (, ) podemos calcular inmediatamente su correspondiente ( x, y ) y viceversa. Retomando lo dicho antes con la aproximaci on de la soluci on tenemos
3 3 e uk Nk (x(, ), y (, )) = k=1 k=1 e uk Nk (, )
ue (x, y ) = Entonces
(6.68)
ue = u1 + (u2 u1 ) + (u3 u1 ) ue ue ue ue ue ue = , + , + u e = x y x x y y donde = 2 1 = constante = 3 1 = constante con = x, y, u Lo mismo vale para los elementos del jacobiano y su inversa J= 1 |J |
x y x y
(6.69)
(6.70)
J 1 =
x x
y y
(6.71)
J=
(y3 y1 ) (y2 y1 ) (x3 x1 ) (x2 x1 )
J 1 =
(x2 x1 ) (y2 y1 ) (x3 x1 ) (y3 y1 )
(6.72)
con el determinante del jacobiano expresado como |J | = (x2 x1 )(y3 y1 ) (y2 y1 )(x3 x1 ) (6.73)
Con toda esta informaci on es posible reemplazar en las integrales que surgen al aplicar el m etodo de los residuos ponderados y obtener tanto la matriz del sistema como el vector miembro derecho. La ventaja del uso de elementos triangulares radica en que al ser los gradientes constantes permiten simples reglas de integraci on. No obstante m as adelante veremos que en pos dee generalizar el tratamiento
171
introduciremos la integraci on num erica como medio para evaluar las mismas. Una vez que las contribuciones elementales han sido computadas se deben agregar a la matriz global. Este procedimiento puede visualizarse en la gura 6.9 donde se muestra un ejemplo 2D discretizado mediante elementos triangulares lineales. La forma en que se hace la numeraci on de la malla inuye notablemente en la posici on de los elementos no nulos de la malla y esto inuye directamente sobre la denici on del ancho de banda de la matriz, un par ametro que afecta el costo de resolver el sistema en forma dr astica. Visualizando el elemento e = 1 si por un momento alteramos la numeraci on intercambiando aquella del nodo 4 con la del nodo 17, entonces la matriz ser a llena y el ancho de banda coincide con la dimensi on completa de la matriz.
6.8.3.
Elemento cuadrangular
Los elementos cuadrangulares si bien poseen menos posibilidades de representar con precisi on un dominio de forma arbitraria tienen como ventaja su buena performance en aplicaciones de mec anica de uidos. En el caso de elementos cuadrangulares la transformaci on al elemento m aster se ilustra en la gura 6.10.
172
Figura 6.4: Continuidad de las funciones de forma
173
Figura 6.5: Funciones de forma de mayor orden
e=1
e=2
e=3
I=1
1 1 2 3 4
Figura 6.6: Malla del ejemplo 1 174
Figura 6.7: Aproximaciones de mayor orden
175
(0,1)
j
(0,0)
Figura 6.8: Mapeo para elementos triangulares
(1,0)
176
Figura 6.9: Ensamble para mallas triangulares
177
Las funciones de interpolaci on se calculan como el producto cartesiano de las funciones de prueba unidimensionales (funciones bilineales) y pueden escribirse como: 1 Ni = (1 + i )(1 + i ) 4 i = i = 1 ; +1 ; +1 ; 1 1 ; 1 ; +1 ; +1 (6.74)
Esto origina un polinomio incompleto de segundo grado. De la misma forma que en el caso triangular el mapeo se logra interpolando cada coordenada seg un:
4
x(, ) =
k=1
xk Nk (, ) =
1 x1 (1 )(1 ) + x2 (1 + )(1 ) + x3 (1 + )(1 + ) + x4 (1 )(1 + ) = = 4 x1 + x2 + x3 + x4 (x3 + x4 ) (x1 + x2 ) (x2 + x3 ) (x1 + x4 ) = + + + 4 4 4 (x1 + x3 ) (x2 + x4 ) + 4
(6.75)
Entonces dado (, ) podemos calcular inmediatamente su correspondiente ( x, y ) pero no podemos plantear la correspondencia inversa ya que el sistema es incompletamente cuadr atico. En estos casos ni los gradientes ni los jacobianos son constantes por elemento sino que dependen de la posici on. Esto agrega complicaci on algebraica al c alculo de las integrales y es aqu donde m as r edito se obtiene de emplear integraci on num erica.
l i
x
k 4 j 1
(1,1)
(1,1)
3 2
Figura 6.10: Mapeo elemento cuadrangular
178
6.8.4.
Transformaci on de coordenadas
Tanto los m etodos globales como los locales de alto orden requieren realizar integrales sobre porciones extendidas del dominio, incluso sobre la totalidad del mismo, los cuales dif cilmente pueden ser representados por elementos de forma simple. La complejidad de los dominios de c alculo hace necesaria una transformaci on de coordenadas de forma de poder llevar un dominio arbitrario (x, y ) a otro , ) donde realizar las operaciones tales como la integraci mucho m as simple ( on para el c alculo del sistema algebraico a resolver. Por transformaci on de coordenadas o mapeo del ingl es mapping entendemos una transformaci on un voca entre (, ) y (x, y ). Para entrar en tema consideremos la familiar transformaci on de coordenadas cil ndricas polares a cartesianas, donde x = r cos() y = r sin() =r = En la gura ?? vemos detalles bien conocidos de esta transformaci on. Supongamos que un mapeo en general se describa mediante funciones x = f1 (, ) y = f2 (, ) z = f3 (, ) () j, k = 1, . . . , ndm (6.76)
xk = fk (j )
con ndm el n umero de dimensiones del dominio o n umero de variables independientes espaciales. Una vez que se conocen las coordenadas en el dominio f sico de cada uno de los elementos de la malla (xe , y e ) e y elegido el tipo de mapeo a realizar fk (j ) se pueden escribir las funciones de forma y de tal forma de poder realizar las integraciones sus derivadas sobre el elemento de referencia master () propias del m etodo sobre este dominio sencillo apelando a t ecnicas standard de c alculo num erico como la integraci on por cuadratura gaussiana u otras. Los requisitos de continuidad de las funciones en los contornos entre elementos se garantiza eligiendo apropiadamente las funciones de forma. En las aplicaciones standard del m etodo de los elementos nitos se usan funciones de forma del tipo C 0 , o sea continuas con todas sus derivadas discontinuas. No obstante eligiendo apropiadamente estas funciones se podr an obtener aproximaciones con mayor suavidad. Cuando presentamos las diferentes t ecnicas num ericas aplicadas a los modelos vimos que existe la necesidad de derivar las funciones de forma respecto a las variables independientes, tanto las coordenadas espaciales en el dominio global como el tiempo. Con respecto a las derivadas especiales es necesario aplicar la regla de la cadena:
179
Nle Nle Nle = + x x x e e Nl Nle Nl = + y y y e 1 e N l = J N l Nle =

Nle Nle x x y y
(6.77)
J=
donde J es el jacobiano de la transformaci on, una medida de la deformaci on que se requiere para llevar un diferencial de elemento en el dominio local a otro en el global. Como se alcanza a ver para que la transformaci on exista se requiere que el jacobiano sea inversible. Para ver como se transforma el area tomamos: dxdy = |J|dd (6.78)
De esta forma tenemos todos los elementos necesarios para realizar cualquier integraci on que surge de la aplicaci on del m etodo de los elementos nitos . Supongamos que tomamos la siguiente integral proveniente de un problema de conducci on t ermica sobre un dominio mapeable en un cuadrado: I=
e 1 e Nle Nm dxdy 1
(6.79) (J
1
=
1 1
Nle )
(J
e N m )|J|dd
Mapeo param etrico Una forma u til de denir un mapeo de entre muchas posibles alternativas es utilizando la misma clase de funciones utilizadas para interpolar la o las variables dependientes de un problema . En este caso cada una de las coordenadas espaciales pueden tratarse como si fueran una funci on m as a aproximar:
M
x=
l=1 M
Nle (, )xl (6.80) Nle (, )yl

l=1
y=
Si elegimos las mismas funciones de forma para las variables dependientes e independientes, entonces la aproximaci on se denomina isoparam etrica. Ya que las funciones de forma son continuas el mapeo param etrico ser a continuo. De todas formas es posible aproximar a distinto orden las variables independientes y las dependientes aunque no es lo usual. Con el mapeo se simplica mucho el an alisis y la programaci on de los esquemas num ericos.
180
6.8.5.
Integraci on num erica
El c alculo de las contribuciones elementales tanto de la matriz como del vector miembro derecho requiere resolver integrales sobre el dominio ocupado por cada elemento con un integrando que contiene al operador diferencial discreto pesado con alguna funci on de prueba. Tanto la forma del elemento en principio arbitraria como el grado de las funciones de forma pueden complicar demasiado la evaluaci on anal tica del problema haciendo este procedimiento completamente dependiente de la aplicaci on. Para ganar en generalidad e incluso para facilitar la tarea se recurre a integrar num ericamente. Esto consiste en reemplazar la integral por una suma donde cada t ermino de la misma es el producto del integrando evaluado en cada punto de muestreo pesado con un valor correspondiente a cada uno de esos mismos puntos. Por ejemplo en 1D
1 N pg
I=
1
G( )d =
pg
G(pg )wpg
(6.81)
donde pg , wpg son las coordenadas de cada punto de muestreo y su correspondiente peso. La forma en que se deducen las coordenadas y los pesos en los puntos de muestreo diferencian a un m etodo de otro. Sin entrar en detalles t ecnicos acerca de este tema el cual es ampliamente tratado en cursos regulares de c alculo num erico podemos decir que en el contexto de m etodo de los elementos nitos es muy usual el m etodo de la cuadratura gaussiana. Este procedimiento dene la posici on de los puntos de muestreo en el interior del dominio de forma de aproximar exactamente la integral de una funci on aproximada por un polinomio de grado p. Sea la funci on Fp ( ) = 0 + 1 + + p p + cuya integral evaluada num ericamente mediante (6.81) nos da:
1 N pg
(6.82)
I=
1
Fp ( )d =
pg
Fp (pg )wpg = (6.83)
p p w0 (0 + 1 0 + + p 0 ) + w1 (0 + 1 1 + + p 1 ) + + p wN pg (0 + 1 N pg + + p N pg )
Comparando la integral exacta Iex = 20 + p 22 + ... [1 (1)p+1 ] 3 p+1 (6.84)
ognitas y la con la num erica (6.83) se establece un sistema de p + 1 ecuaciones con 2(N pg + 1) inc soluci on solo es posible cuando p + 1 = 2(N pg + 1) (6.85)
y ya que N pg es un entero p ser a siempre un n umero impar. Comparando este m etodo de cuadratura de Gauss-Legendre con el m etodo de Newton-Cotes vemos que este permite con 3 evaluaciones aproximar un integrando de 5to orden mientras que el de Newton-Cotes con 3 evaluaciones solo permite aproximar exactamente una funci on de tercer orden. 181
Secci on 6.9. Problemas dependientes del tiempo
n+1 1 2 3 4
p 1 3 5 4
Cuadro 6.1: Precisi on de la integraci on por Puntos de Gauss Las coordenadas de los puntos de muestreo y sus pesos correspondientes tanto para el caso 1D como para el multidimensional pueden consultarse en la abundante bibliograf a del tema.
6.9.
Problemas dependientes del tiempo
En esta clase de problemas el tiempo aparece como una variable independiente adicional y lo que se busca es la evoluci on temporal de la soluci on que a su vez es variable en el espacio. Estos problemas, denominados de valores iniciales ocurren muy frecuentemente en las aplicaciones, en problemas de difusi on transiente, en propagaci on de ondas, en problemas de inestabilidad de ujos, etc. En el caso estacionario la discretizaci on de las variables independientes (en este caso las espaciales) conduc a a un sistema de ecuaciones algebraicas. Ahora, discretizando en una primera etapa las variables espaciales se alcanza un sistema de ecuaciones diferenciales ordinarias que puede ser resuelto tal como est a aplicando t ecnicas ad-hoc para tal n. Este m etodo se lo conoce como de semidiscretizaci on parcial. La otra alternativa es en una segunda etapa discretizar la variable independiente tiempo mediante alguna t ecnica, m etodo de los elementos nitos o m etodo de las diferencias nitas , conduciendo nuevamente a un sistemas de ecuaciones algebraicas .
6.9.1.
Discretizaci on parcial
Si bien este m etodo fue presentado como para desacoplar el tratamiento de las variables espaciales respecto a la temporal tambi en puede ser aplicado al caso estacionario cuando queremos discretizar solo algunas de las variables espaciales y no todas. Supongamos que = (x, y, z ) sea una funci on a encontrar dependiente de las tres coordenadas espaciales. Podemos aproximar esta funci on de la forma habitual
M
=+
m=1
am (y )Nm (x, z )
(6.86)
Reemplazando la anterior en el problema diferencial produce que todas las derivadas respecto a y permanecer an tal cual y las restantes derivadas asumir an su versi on discreta, llegando nalmente al sistema de ecuaciones diferenciales ordinarias siguiente: Ka + C da + = f dy (6.87)
con el orden de la ecuaci on diferencial ordinaria determinado por el m aximo orden de derivaci on respecto a y . Este tipo de soluci on prueba ser u til cuando el dominio es prism atico en y , o sea no
182
depende de y . En general podemos decir que si el problema f sico viene gobernado por la ecuaci on diferencial 2 2 =0 t t entonces si la aproximaci on planteada es del tipo L + p
M
en
(6.88)
=+
m=1
am (t)Nm (x, y, z )
(6.89)
entonces el sistemas de ecuaciones diferenciales ordinarias resultante se puede escribir como: M d2 a da +C + Ka = f 2 dt dt
Mlm =
Wl Nm d (6.90) Wl Nm d
Clm = Klm =
Wl LNm d
fl =
p + L
2 2 Wl d t t
Adecuadas condiciones de borde sobre para todo instante t junto con valores iniciales para a a(t = 0) y para d dt (t = 0) si = 0 deben suministrarse para un buen planteamiento del problema. Ejemplos t picos de las ecuaciones anteriores son: 2 1 2 =0 x2 c2 t2 2 2 2 ( 2 + 2 ) + Q c 2 = 0 x y t propagaci on de ondas (6.91) ecuaci on del calor lineal
Posponemos para cap tulos posteriores la resoluci on de algunos problemas no estacionarios.
6.9.2.
Discretizaci on espacio-temporal por elementos nitos
La resoluci on del sistema de ecuaciones diferenciales ordinarias que fue presentado en la secci on anterior requiere de utilizar algoritmos num ericos que permitan integrar en el tiempo a las mismas. La otra alternativa posible es la de discretizar el operador temporal de alguna forma para convertir el sistema de ecuaciones diferenciales ordinarias en un sistemas de ecuaciones algebraicas que puede resolverse de la misma forma que hemos visto para problemas en estado estacionario. La discretizaci on de la variable independiente tiempo se puede efectuar de muchas formas, entre ellas la m as usual es recurrir a esquemas simples en diferencias nitas. Esto consiste en discretizar la o las derivadas temporales mediante esquemas en diferencias y este tema ser a tratado con mayor grado de detalle m as
183
adelante. Por el momento solo ejemplicamos como se podr a efectuar esta discretizaci on para el caso de una ecuaci on como la (6.90). M d2 a da +C + Ka = f 2 dt dt (6.92) M an+1 2an + an1 an+1 an1 + C + Kan = f (t)2 t
tn + t
donde vemos que existen tres niveles de tiempo tn1 = tn t = (n 1)t, tn = nt y tn+1 = = (n + 1)t y adem as hemos empleado operadores en diferencias centradas. La forma de llevar a cabo el c alculo da oria gen a dos clases de m etodos, los expl citos y los impl citos. En los primeros no se requiere invertir ninguna matriz y el valor de la soluci on en un instante de tiempo se puede despejar directamente a partir de aquellos valores de la soluci on evaluada en tiempos anteriores. En el caso impl cito esto no es factible y se requiere invertir un sistema. Este tema ser a profundizado m as adelante. La segunda alternativa que exploraremos con m as detalle a continuaci on es la de usar funciones de prueba dependientes del tiempo. El hecho de que no sea esta una forma general de trabajo se debe a que: 1.- problemas con tiempos caracter sticos largos involucran un excesivo vol umen de c alculo, 2.- las matrices resultan en general no sim etricas aun usando el m etodo de Galerkin, 3.- la simple topolog a que existe en el dominio temporal ofrece poco atractivo para usar discretizaci on irregulares en el tiempo. En los u ltimos tiempos ha habido un gran inter es por el uso de formulaciones espacio-temporales para tratar problemas con dominios variables en el tiempo. Por su mayor grado de aplicaci on en el area de la mec anica de uidos en la secci on que sigue trataremos exclusivamente el caso de ecuaciones de primer orden. Ecuaciones de primer orden Tomando el caso de = 0 en (6.88) llegamos al siguiente sistema de ecuaciones diferenciales ordinarias da + Ka = f (6.93) dt Las condiciones iniciales implican conocer el valor de (t = 0) lo cual en forma discreta equivale a conocer a(t = 0) = a0 . De acuerdo a (6.89) vemos que el problema espacial y el temporal est an desacoplados por lo que una posterior aproximaci on, ahora exclusivamente en el tiempo, para la inc ognita a se puede plantear. Entonces, C
= aa
m=1
am N m
(6.94)
184
con am = a(t = tm ). Consideremos un elemento n el tiempo con sus nodos extremos t = tn y t = tn+1 como se muestra en la gura 6.8. Por lo tanto
n n Nn =1T Nn +1 = T n n dNn+1 1 1 dNn = = dt tn dt tn t tn T = tn = tn+1 tn tn
(6.95)
Aplicando el m etodo de los residuos ponderados a (6.93) llegamos a:
C
0
d a f (t) Wn dt = 0 + Ka dt
n = 0, 1, 2, . . .
(6.96)
Si las funciones de peso elegidas satisfacen que Wn = 0 , (6.96) se escribe como:

tn+1
t < tn
y t > tn+1
(6.97)
C
tn
d a f (t) Wn dt = 0 + Ka dt
n = 0, 1, 2, . . .
(6.98)
mientras que (6.94) se escribe como:

n n = an N n a + an+1 Nn +1
(6.99)
la cual reemplazada en (6.98) produce

1 0
C (an + an+1 ) + K{an (1 T ) + an+1 T } f (tn + tn T ) Wn dT = 0 tn n = 0, 1, 2, . . .
(6.100)
Estas funciones de peso equivalen a funciones constantes a trozos por elemento. Si las matrices C y K fueran independientes del tiempo entonces: C tn
1 1
Wn dT + K
0 0
T Wn dT }an+1 +{ =
C tn
1 0
Wn dT + K
0 0
(1 T )Wn dT }an = (6.101)
f (tn + tn T )Wn dT
(6.101) es v alida para cada elemento n de la discretizaci on temporal o sea que permite para cada n obtener los valores de la inc ognita a1 , a2 , a3 . . . comenzando con el valor a0 . Este tipo de esquema de marcha temporal se lo denomina de dos niveles ya que cada c alculo involucra solo dos instantes de tiempo, el actual y el anterior. Existen extensiones a esto que involucran varios niveles de tiempo pero no ser an abordados por el momento. 185
Para generalizar el tratamiento la expresi on (6.101) puede reescribirse para ser usada con cualuquier funci on de peso de la siguiente forma: C + n K an+1 + tn C n + (1 n )K an = f tn
1 1
n =
0
Wn T dT /
0 1
Wn dT Wn dT
0
(6.102)
f =
0
f (tn + tn T )Wn dT /
y ya que la funci on f en general var an suavemente en el tiempo es algunas veces conveniente interpolarla mediante:
n n f (tn + T tn ) = f n Nn (T ) + f n+1 Nn +1 (T ) ,
0T 1
(6.103)
Reemplazando (6.103) en (6.102) llegamos a: f = (1 n )f n + n f n+1 con lo cual (6.102) se escribe como: C + n K an+1 + tn C + (1 n )K an = (1 n )f n + n f n+1 tn (6.105)
n
(6.104)
Si f no fuera una funci on suave entonces (6.102) debe ser evaluado exactamente. Algunos esquemas en particular Colocaci on Tomemos el caso del m etodo de los residuos ponderados utilizando como func on de peso la colocaci on puntual. En este caso lo de puntual debe reinterpretarse como su equivalente temporal, o sea evaluada no en un punto en el espacio sino en un instante de tiempo. Si Wn = (T ), n = 0, 1, 2, . . . , entonces de (6.102) surge que n = la cual reemplazada en (6.105) nos da el bien conocido m etodo theta que se escribe como: C + K an+1 + tn C + (1 )K an = (1 )f n + f n+1 tn (6.107) (6.106)
Este m etodo sirve como un marco te orico general ya que de el se derivan muchos de los esquemas frecuentemente usado en la pr actica. Algunos de los ejemplos m as citados son: 1.- Esquema Forward Euler, = 0, 2.- Esquema Backward Euler, = 1, 3.- Crank-Nicolson, = 1/2
186
Secci on 6.10. El m etodo de los elementos nitos aplicado a las leyes de conservaci on
Galerkin Si en lugar de usar colocaci on aplicamos el m etodo de Galerkin (Wn = Nn ) y si tomamos funciones de prueba de la clase C 0 satisfaciendo que: Nn = 0 t tn1 y t tn+1 (6.108)
al reemplazar en (6.98) se obtiene el siguiente esquema: 1 2 C 1 1 2 1 C + K an+1 + Kan + + K an1 = f n+1 + f n + f n1 (6.109) 2t 6 3 2t 6 6 3 6 que es un esquema de tres niveles de tiempo. De esta forma hemos visto que el tratamiento empleado sobre la discretizaci on espacial puede ser extendido a la temporal en forma directa donde los esquemas multipasos tienen su correspondencia con la aproximaci on de mayor orden en el tiempo. Detalles acerca de la forma de resolver la semidiscretizaci on asi como la discretizaci on completa se posponen para un pr oximo cap tulo.
6.10.
El m etodo de los elementos nitos aplicado a las leyes de conservaci on
En esta secci on presentamos una aplicaci on del m etodo de los elementos nitos a un sistema de leyes de conservaci on, t pica en la modelizaci on matem atica de problemas de mec anica de uidos. Hasta aqu hab amos considerado casi exclusivamente el caso escalar y lineal. Las leyes de conservaci on tal como fueron presentadas al comienzo forman un sistema de ecuaciones no lineales. Su tratamiento no diere a lo visto para el caso escalar y tampoco respecto a lo dicho sobre sistemas en el caso de la aplicaci on del m etodo de los residuos ponderados con aproximaciones globales. Por lo tanto y por no abundar en detalles pasamos directamente a la aplicaci on del m etodo de los elementos nitos a las ecuaciones de conservaci on. Consideremos las leyes de conservaci on de la forma: U +F=Q (6.110) t siendo F el vector de ujos. Supongamos por un momento que solo incluimos los ujos convectivos dentro de este y que aplicamos las siguientes condiciones iniciales sobre el dominio y sobre el contorno = 0 1 : U(x, 0) = U0 (x) U(x, t) = U1 (x) F n Fn = g t=0 x t 0 x 0 t 0 x 1 (6.111)
Deniendo una forma d ebil con W = 0 sobre 0 llegamos a W
U d + t
W( F)d =

WQ
(6.112)
que seguido a una integraci on por partes conduce a
187
Secci on 6.10. El m etodo de los elementos nitos aplicado a las leyes de conservaci on
U d t
(F )Wd +

WF d =
WQ
(6.113)
Interpolando la soluci on U=
m
Um (t)Nm (x)
(6.114)
y debido a que el ujo es generalmente una funci on no lineal de U es preferible una representaci on separada para los ujos F=
m
Fm Nm (x)
(6.115)
Usando el m etodo de Galerkin (W = N), la ecuaci on para el nodo j es: dUm dt Nm Nj d

j m
Fm
j
Nm Nj d +
1
gNj d =
j
Nj Q
(6.116)
donde j es el subdominio formado por todos los elementos que contienen al nodo j y la suma sobre m cubre todos los nodos de j . La matriz de masa se dene como: Mmj =
j
Nm Nj d
(6.117)
mientas que la de rigidez es Kmj =

j
Nm Nj d
(6.118)
que como se alcanza a ver es no sim etrica. Lo anterior conduce a: Mmj

m
dUm dt
Fm Kmj =
m j
Nj Q
1
Nj gd
(6.119)
Si tuvi eramos difusi on f sica entonces la discretizaci on se lleva a cabo conforme a lo ya visto anteriormente y queda solo un comentario acerca del tratamiento de la matriz de masa. En diferencias dU nitas es usual una aproximaci on a dtj que conduce a una matriz diagonal mientras que en elementos nitos usando un m etodo tipo Galerkin la misma no es diagonal masa consistente. En las aplicaciones habituales los sistemas a resolver son enormes en tama no por lo que es casi imprescindible muchas veces recurrir a m etodos de resoluci on expl citos. Estos requieren que la matriz asociada al miembro izquierdo de la ecuaci on algebraica sea diagonal por lo que en el caso del m etodo de los elementos nitos lo que se suele hacer es concentrar los t erminos en la diagonal, t ecnica conocida con el nombre de lumping, Mmj = (
m
Mmj )mj
(6.120)
188
Secci on 6.11. TP.VI- Trabajo Pr actico
6.11.
TP.VI- Trabajo Pr actico
m etodo de los elementos nitos en 1D 1. Dada una malla unidimensional formada por 5 nodos equiespaciados y numerados consecutivamente de izquierda a derecha, con el extremo izquierdo en z = 0 y el derecho en x = 1. Calcular la matriz K = {Kij }
1
Kij =
0
Ni Nj dx
(6.121)
i, j = 1, . . . , 5 usando a.- funciones de prueba lineales a trozo denidas como Ni (xj ) = 1 0 i=j i=j , i, j nodos de la malla
variando linealmente dentro de cada elemento. b.- usando funciones del tipo Ni = xi . Compare con la matriz obtenida en (a) c.- Repita (a) pero usando la siguiente numeraci on: x 0.00 0.25 0.50 0.75 1.00 Compare con (a) 2. Eval ue que tipo de funciones de forma utilizar para resolver las ecuaciones diferenciales que abajo se muestran si se adopta el m etodo de Galerkin. Fundamentar la selecci on hecha. (a) (b) (c) d2 +=0 dx2 2 EI d +M =0 dx2 d2 M + k = w dx2 EI d4 k = w dx4 189 i 1 5 3 4 2
(6.122)
(6.123)

2
3. Resolver la ecuac on d + = 0 con (x = 0) = 1 y (x = 1) = 0 usando el m etodo de Galerkin dx2 con 4 elementos lineales de igual tama no. Tome la ecuaci on del nodo central y eval ue el orden de precisi on del esquema. Ayuda: Expandir usando series de Taylor la ecuaci on del nodo
4. (Uso del FemCode en 1D) Usando el programa FemCode resolver la ecuaci on d2 =1 dx2 (x = 0) = 0 (x = 1) = 1 usando 4,8,16,32 y 64 elementos lineales. a.- Calcule la soluci on exacta de este problema. b.- Trazar la curva de error vs tama no de elemento en forma logar tmica y estimar el orden de convergencia de la aproximaci on. c.- Compare lo obtenido con lo te orico. 5. (Uso del FemCode en 1D) Usando el FemCode resolver el problema unidimensional d d ( ) + = 1 dx dx (x = 0) = 0 (x = 1) = 1 utilizando elementos cuadr aticos y c ubicos. Hacer un estudio del orden de convergencia de cada uno de ellos. 6. (Mapeo) Un elemento de 4 nodos se muestra en la gura siguiente. Construya un mapeo isoparam etrico entre este y un elemento bilineal cuadrado sobre 1 , 1. 7. (Mapeo) Encuentre el mapeo isoparam etrico a un elemento serend pido de 8 nodos del elemento de la gura, con el borde curvo descripto por la funci on y 4 = 5x. 8. (Integraci on num erica) En el c omputo por elementos nitos es muy usual evaluar integrales del tipo
Ni Nj e xk xl dxk dxl
0x1 (6.124)
(6.125)
Ni Nj dxk dxl .
Determine el n umero de puntos de Gauss que se necesitan tomar si requerimos que ambas integrales se eval uen exactamente usando elementos :
190
(a) triangulares (b) cuadrangulares de 4 nodos (c) cuadrangulares de 9 nodos 9. (Uso del FemCode en 2D) Resolver para una geometr a plana anular con ri = 0.1 y re = 1 un problema de conducci on t ermica con conductividad constante = 1 imponiendo la temperatura sobre la pared circular interior a un valor nulo. Sobre la pared circular exterior la misma est a aislada salvo en la porci on 0 < < /2 donde el ujo t ermico alcanza un valor unitario. Determinar el campo de temperaturas resultante T = T (r, theta) y mostrar las isotermas. 10. (Upwind) Resolver la ecuaci on de transporte v T = (T ) T (x = 0, y ) = 0 T (x = 1, y ) = 1 = 103 (x, y ) [0, 1] [0, 1] usando el programa FemCode para una malla bidimensional compuesta por 10 10 elementos tomando: a.- v = [103 , 0] sin upwind, b.- v = [1, 0] sin upwind, c.- v = [1, 0] con upwind, Sacar algunas conclusiones de acuerdo a los resultados obtenidos. 11. Repita el ejemplo anterior usando una velocidad no alineada con la malla. Tome lo mismo que antes con una velocidad orientada a 30 grados respecto al eje horizontal. (6.126)
191
Figura 6.11: Mapeo isoparam etrico
192
Figura 6.12: Mapeo isoparam etrico
193
Cap tulo 7
M etodo de los vol umenes nitos

7.1. Introducci on
Continuando con la presentaci on de los diferentes m etodos que surgen a partir del m etodo de los residuos ponderados ahora trataremos el caso del m etodo de los vol umenes nitos . A modo de res umen de lo visto antes la aplicaci on del m etodo de los residuos ponderados a las ecuaciones de conservaci on fue escrita como: W
U d + t
W Fd =

WQ
(7.1)
Los m etodos de colocaci on, tanto el caso puntual como el de subdominios, usan la ecuaci on residual sin integraci on parcial sobre la funci on de peso quedando el problema en forma diferencial. Si a cada nodo j del dominio le asignamos un subdominio j y si tomamos una funci on de peso denida como: Wj (x) = 0 Wj (x) = 1 que aplicada a (7.1) nos da: U d + t Fd =
j j
x / j x j
(7.2)
Qd
(7.3)
que equivale a la misma ley de conservaci on aplicada a cada subdominio. La idea detr as del m etodo de los vol umenes nitos es discretizar cada integral siendo esta la principal diferencia del m etodo respecto a muchos otros que llevan el problema a una formulaci on diferencial. Para poder arribar a la forma m as conveniente del m etodo de los vol umenes nitos debemos aplicar a (7.3) el teorema de Gauss-Green o de la divergencia y transformar la integral de vol umen en otra de supercie, U d + t F dS =
j j
Qd
(7.4)
(7.4) es la ecuaci on b asica del m etodo de los vol umenes nitos que tiene como una de sus principales ventajas la de trabajar con el t ermino de los ujos sobre el contorno del dominio, con lo cual si el costo computacional es dominado por esta operaci on la reducci on del mismo puede ser notable. A 194
todo de los volu menes finitos Cap tulo 7. Me
partir de (7.4) se necesita discretizar las integrales de alguna forma y lograr el sistema discreto nal a resolver. Ya que el m etodo es planteado sobre la forma integral de las leyes de conservaci on es de notar que al satisfacer las mismas sobre cada subdominio implica satisfacerlas sobre el dominio global. Por ejemplo, si planteamos las leyes de conservaci on sobre los 3 dominios de la gura 7.1 llegamos a:
B C
1
D
2 3
E
Figura 7.1: Leyes de conservaci on para subdominios del dominio U d + 1 t U d + 2 t U d + 3 t
F dS =
ABCA 1
Qd Qd
2
F dS =
DEBD
(7.5)
F dS =
AEDA 3
Qd
que sumados producen el mismo resultado que si lo hubi eramos aplicado a todo el dominio. Esto se explica ya que dos subdominios vecinos por una cara o arista comparten los t erminos de ujo, con la diferencia que debido a la orientaci on de la normal exterior a cada uno, los mismos se deben balancear, F dS =
ED DE
F dS
(7.6)
Esta propiedad debe ser satisfecha si se requiere que el esquema sea conservativo, caso contrario pueden aparecer contribuciones internas produciendo esquemas no conservativos. Como para ilustrar la diferencia entre un esquema conservativo y otro que no lo es planteamos el caso de una ley de conservaci on en un dominio unidimensional que solo cuenta con un t ermino de ujo convectivo, u f + =q t x En la gura 7.2 se muestra la discretizaci on espacial adoptada. ui fi+1/2 fi1/2 + = qi t x
(7.7)
(7.8)
195
i3/2 i2
i1/2 i x
i+1/2 i+1
i+3/2 i+2
i1
x B
Figura 7.2: Grilla unidimensional Este esquema sencillo, similar a aquel obtenido por diferencias nitas equivale a haber tomado como vol umen la longitud de cada segmento que representa cada celda, con el valor de la variable en cada nodo de la grilla, la fuente evaluada tambi en en cada nodo de la misma y los ujos evaluados en los puntos medios entre los nodos. Lo anterior tambien es equivalente a haber tomado los ujos en los nodos y tanto la variable como la fuente en el centro de cada celda. Si aplicamos (7.8) para los nodos i + 1 e i 1 y sumamos llegamos a: 1 (ui + ui+1 + ui1 ) fi+3/2 fi3/2 + = (qi+1 + qi + qi1 ) (7.9) t 3 3x 3 Esto es posible ya que los ujos en los puntos intermedios se van cancelando por una propiedad denominada telesc opica. Este esquema es conservativo. Veamos para este mismo problema como llegamos a un esquema no conservativo. Supongamos que f = f (u) como sucede en el ujo convectivo de la ecuaci on del momento lineal, entonces: f f u u =( ) = a(u) (7.10) x u x x donde a(u) es conocido como el jacobiano del ujo convectivo. Pensando nuevamente en la ecuaci on de momento podemos tomar el caso de f = u2 /2 donde en este caso a(u) = u, entonces la forma erminos de este jacobiano es matem aticamente equivalente a (7.7) expresada en t u u + a(u) =q t x Discretizando la (7.11) ui+1/2 ui1/2 ui + ai = qi t x ai+1/2 + ai1/2 ai = 2 Obteniendo similares expresiones para los nodos i 1 e i + 1 y sumando llegamos a: ui+3/2 ui3/2 1 (ui + ui+1 + ui1 ) + (ai+3/2 + ai3/2 ) (qi+1 + qi + qi1 ) = t 3 6x 3 ui+3/2 ui1/2 ui+1/2 ui3/2 (ai+1/2 ai3/2 ) + (ai+3/2 ai1/2 ) 6x 6x
(7.11)
(7.12)
(7.13)
196
Secci on 7.2. Formulaci on del m etodo de los vol umenes nitos
Si hubi eramos discretizado (7.11) sobre un solo subdominio AB en lugar de agregar las contribuciones de 3 subdominios equivalentes hubi eramos obtenido solo el miembro izquierdo de (7.13) , con lo cual el miembro derecho equivale a una fuente interna num erica que no representa la f sica del problema. Haciendo un an alisis num erico sobre el esquema no conservativo mediante expansi on en series de Taylor se puede ver que la importancia de estas fuentes internas es similar al error de truncamiento con lo cual en principio parecer a ser despreciable. No obstante, lo anterior no es v alido en el caso de existir fuertes gradientes en la soluci on tal el caso de ujo trans onico con ondas de choque, bastante citado en la bibliograf a. La expresi on formal de una discretizaci on conservativa a (7.7) puede escribirse como:
ui fi+1/2 fi1/2 + = qi (7.14) t x donde f es llamado el ujo num erico y es una funci on de los valores de u en los puntos vecinos,
fi = f (ui+k , . . . , uik+1 ) / +1
2
(7.15)
La consistencia de (7.14) requiere que cuando la soluci on u es constante el ujo num erico sea igual al del continuo, f (u, . . . , u) = f (u) Una consecuencia interesante de lo anterior la establece el siguiente teorema: Teorema de Lax y Wendro (1960) Si la soluci on ui de (7.14) converge acotadamente en casi todo punto a alguna funci on u(x, t) cuando x, t 0, luego u(x, t) es una soluci on d ebil de (7.7) . (7.16)
7.2.
Formulaci on del m etodo de los vol umenes nitos
Hemos visto que las leyes de conservaci on escritas en forma integral y aplicadas a un vol umen discreto j pueden escribirse como en (7.4) . La forma discreta de esta se escribe como: (Uj j ) + t (F S) = Qj j
lados
(7.17)
donde la suma de los ujos se reere a todos los contornos externos de la celda de control j . La umenes nitos. Tomando gura 7.3 muestra en su parte superior un ejemplo de grilla aplicable a vol la celda 1 identicada por los ndice (i, j ) entonces Uj = Uij , j = area (ABCD) y los t erminos de ujo se obtienen como suma sobre los 4 lados AB, BC, CD, DA. Asimismo en la gura inferior j est a representada por el area sombreada formada por los tri angulos que tienen como nodo com un al nodo j y los ujos se obtienen sumando sobre los lados 12, 23, 34, 45, 56, 61. Esta es la formulaci on general del m etodo de los vol umenes nitos , y el usuario tiene que denir para un vol umen j seleccionado c omo estimar a el vol umen y las caras de la celda y c omo aproximar a los ujos sobre estas caras. Esto en diferencias nitas equivale a elegir la aproximaci on en diferencias para las derivadas. Para denir una formulaci on conservativa se requiere:
197
Secci on 7.2. Formulaci on del m etodo de los vol umenes nitos
1.-
j = ,
2.- j = , pueden solaparse pero solo si los contornos internos que surgen del solapamiento son comunes entre dos celdas, 3.- los ujos en las supercies de las celdas deben calcularse con independencia de a cual celda le corresponde. (2) signica que todos los contornos de las celdas deben pertenecer a lo sumo a dos celdas y solo aquellos que est an en el contorno exterior del dominio pueden no satisfacer este requisito. La condici on (3) garantiza la conservatividad. A continuaci on y tomando como referencia la gura 7.3 mencionaremos algunas diferencias entre el m etodo de los vol umenes nitos con el m etodo de las diferencias nitas y el m etodo de los elementos nitos . 1.- Las coordenadas del nodo j que es la precisa ubicaci on de la variable U dentro de la celda j no aparece explicitamente. Consecuentemente Uj no est a asociada con ning un punto jo del dominio y puede considerarse como un valor promedio de la variable de ujo U sobre la celda. Esta interpretaci on surge inmediatamente inspeccionando la gura superior de la gr aca 7.3. 2.- Las coordenadas de la malla aparecen solamente para denir el vol umen de la celda y las areas de las caras, por ejemplo en la misma gura superior las coordenadas A, B, C, D son sucientes. 3.- En problemas estacionarios sin fuentes el u nico t ermino que permanece es el de la suma de los ujos sobre las caras con lo cual el m etodo puede programarse para barrer estas caras e ir descargando los ujos sobre las dos celdas al mismo tiempo considerando la diferencia en signo. 4.- El m etodo de los vol umenes nitos permite una f acil introducci on de las condiciones de contorno, especialmente aquellas que vienen expresadas en t ermino de los ujos que pueden ser directamente impuestos en el respectivo t ermino.
7.2.1.
Mallas y vol umenes de control
En cuanto a las mallas que puede manipular el m etodo de los vol umenes nitos este cuenta con la misma exibilidad que el m etodo de los elementos nitos pero restringido a elementos con lados rectas o caras planas. Entre las mallas posibles podemos hacer una divisi on entre: 1.- mallas estructuradas, son aquellas en las cuales cualquier nodo puede ser ubicable en t ermino de dos ndices (i, j ) en 2D o tres ndices (i, j, k ) en 3D. Estas mallas son muy com unmente denominadas mallas de diferencias nitas. (Ver guras 7.3, 7.4.) 2.- mallas no estructuradas, son aquellas com unmente empleadas por el m etodo de los elementos nitos y donde no es posible encontrar una expresi on de 2 o 3 ndices que permita ubicar un nodo. (Ver guras 7.5.) Una vez que la malla se ha construido el usuario debe decidir entre 2 opciones propias del m etodo de los vol umenes nitos :
198
Secci on 7.3. El m etodo de los vol umenes nitos en 2D
Figura 7.3: Grillas bidimensionales de vol umenes nitos. Malla estructurada. Formulaci on centrada en las celdas. 1.- centrado en las celdas, las variables de ujo representan un promedio de los valores de la misma sobre la celda y est an asociadas a la celda. (ver gura 7.3 (a) y (c)) 2.- centrado en los v ertices, en este caso las variables de ujo representan los valores en los v ertices o los puntos de la malla. (ver gura 7.3 (b) y (d))
7.3.
El m etodo de los vol umenes nitos en 2D
umen de control ABCD de la gura 7.3 (a), Cconsideremos la ecuaci on (7.4) aplicada al vol t Ud +
j ABCD
(f dy gdx) =
j
Qd
(7.18)
donde la derivada temporal pudo ser extraida de la integral siempre que consideremos el caso de dominio y malla ja. f y g representan las dos componentes cartesianas del vector ujo F. Al discretizar estas integrales llegamos a la siguiente expresi on: (U)ij + t [fAB (yB yA ) gAB (xB xA )] = (Q)ij
ABCD
(7.19)
ABCD = 1/2|xAC xBD |
7.3.1.
Evaluaci on de los ujos convectivos
La evaluaci on de los ujos fAB y gAB depende del esquema elegido tambien como de la localizaci on de las variables de ujo con respecto a la malla. Como es habitual en m etodos num ericos en
199
Figura 7.4: Grillas bidimensionales de vol umenes nitos. Malla estructurada. Formulaci on centrada en los v ertices. mec anica de uidos podemos distinguir entre esquemas centrados y aquellos que tienen upwinding. Los primeros requieren estimaciones locales del ujo mientras que los u ltimos determinan los ujos acorde con la direcci on de propagaci on de las componentes ondulatorias. Ahora exploraremos las distintas posibilidades. Esquema central - centrado en la celda 1.- Promedio de ujos fAB = 1/2(fij + fi+1,j ) fij = f (Uij ) 2.- El ujo de los promedios fAB = f 3.- Otro promedio de ujos fAB = 1/2(fA + fB ) con fA = f (UA ) 1 UA = (Uij + Ui+1,j + Ui+1,j 1 + Ui,j 1 ) 4 1 fA = (fij + fi+1,j + fi+1,j 1 + fi,j 1 ) 4 (7.23) (7.22) Uij + Ui+1,j 2 (7.21) (7.20)
(7.24)
200
Figura 7.5: Grillas bidimensionales de vol umenes nitos. Malla no estructurada. a) Formulaci on centrada en las celdas. b) Formulaci on centrada en los v ertices. Tanto (7.21) como (7.22) son aproximaciones directas al ujo fAB . En especial esta u ltima equivale a integrar el ujo sobre cada cara usando la regla del trapecio AB f dy = (fA + fB )(yB yA )/2. Sumando sobre todas las caras llegamos a: F dS =
ABCD = 1/2[(fA
(7.25)
fC )yDB + (fB fD )yAC (gA gC )xDB (gB gD )xAC ]
lo cual equivale al m etodo de Galerkin sobre elementos triangulares o cuadrangulares. Para el m etodo de los vol umenes nitos centrado en las celdas usando esquemas upwind el ujo convectivo es evaluado como una funci on de la direcci on de propagaci on de la asociada velocidad convectiva. Si pensamos en el caso escalar bidimensional esto u ltimo puede expresarse como: F = a(U )i + b(U )j U (7.26) f g a(U ) = b(U ) = U U Considerando la gura 7.3 en su parte superior (centrado en las celdas), se podr a denir: A(U ) = (F S)AB = (F S)ij (F S)AB = (F S)i+1,j si (A S)AB > 0 si (A S)AB < 0 (7.27)
mientras que para el caso de centrado en los v ertices (gura (b)) tenemos: (F S)AB = (F S)CD (F S)AB = (F S)EF si (A S)AB > 0 si (A S)AB < 0 (7.28)
La desventaja de esta t ecnica est a en que se aumenta bastante el soporte de informaci on en forma innecesaria ya que est an involucrados los v ertices (i 2, j ) e (i, j 2).
201
Esquema central sobre una malla cartesiana Si bien el m etodo de los vol umenes nitos es tan general como el m etodo de los elementos nitos y puede ser aplicado a mallas completamente no estructuradas en esta secci on trataremos el caso de una grilla uniforme y demostraremos que el mismo es completamente equivalente a un esquema obtenido por el m etodo de las diferencias nitas . Si miramos la malla superior de la gura 7.3 y si por un momento la recticamos un poco de forma de alinear los lados con los ejes cartesianos y planteamos las integrales de contorno sobre la curva ABCD encontramos: LADO AB yAB = yi+1/2,j +1/2 yi+1/2,j 1/2 = y xAB = xi+1/2,j +1/2 xi+1/2,j 1/2 = 0 LADO BC yBC = yi1/2,j +1/2 yi+1/2,j +1/2 = 0 xBC = xi1/2,j +1/2 xi+1/2,j +1/2 = x LADO CD yCD = yi1/2,j 1/2 yi1/2,j +1/2 = y xCD = xi1/2,j 1/2 xi1/2,j +1/2 = 0 LADO DA yDA = yi+1/2,j 1/2 yi1/2,j 1/2 = 0 xDA = xi+1/2,j 1/2 xi1/2,j 1/2 = x ij = xy fAB = fi+1/2,j fBC = fi,j +1/2 fCD = fi1/2,j fDA = fi,j 1/2 Reemplazando lo anterior en (7.19) llegamos a xy Uij + (fi+1/2,j fi1/2,j )y + (gi,j +1/2 gi,j 1/2 )x = Qij xy t (7.30) (fi+1/2,j fi1/2,j ) (gi,j +1/2 gi,j 1/2 ) Uij + + = Qij t x y Ahora tenemos que especicar como denir los ujos en los centros de los lados fi1/2,j 1/2 Caso (a) Aplicando (7.20) a un esquema centrado en las celdas (7.29)
202
(fi+1,j fi1,j ) (gi,j +1 gi,j 1 ) Uij + + = Qij t 2x 2y Caso (b) Aplicando (7.24) a un esquema centrado en las celdas Uij 1 (fi+1,j fi1,j ) (fi+1,j +1 fi1,j +1 ) (fi+1,j 1 fi1,j 1 ) + 2 + + + t 4 2x 2x 2x 1 (gi,j +1 gi,j 1 ) (gi+1,j +1 gi+1,j 1 ) (gi1,j +1 gi1,j 1 ) 2 + + = Qij 4 2y 2y 2y Comentarios: 1.- Se puede demostrar que estos esquemas son de segundo orden de precisi on, 2.- no dependen de los valores de los ujos fij , gij ,
(7.31)
(7.32)
3.- (7.31) puede generar oscilaciones debido al desacoplamiento de las ecuaciones correspondientes a (i + j ) par de aquellas donde (i + j ) es impar. (7.32) no contiene este inconveniente. Id entico tratamiento puede hacerse con el caso de formulaciones centradas en los v ertices pero esto es dejado como ejercicio pr actico. Esquemas upwind en mallas cartesianas Supongamos la ecuaci on de advecci on pura lineal en 2D, U U U +a +b =0 t x y a, b > 0 (7.33)
sobre una malla similar a la representada en la parte superior de la gura 7.3 pero recticada de forma de lograr alinearla con los ejes coordenados cartesianos. Si f = aU y g = bU entonces, (F S)AB = fij y = aUij y (F S)CD = fi1,j y = aUi1,j y (F S)BC = gij x = bUij x (F S)DA = gij,j 1 x = bUi,j 1 x que reemplazada en la (7.19) aplicada a este problema nos da: Uij a b + (Uij Ui1,j ) + (Uij Ui,j 1 ) = 0 t x y (7.35) (7.34)
203
Mallas no uniformes Garantizar la precisi on de segundo orden de algunos esquemas cuando las mallas involucradas son no uniformes no es tarea f acil. No entraremos en detalles aqu por ser un tema demasiado espec co pero hacer promedios sobre mallas no uniformes es muy dependiente del problema, de la discretizaci on usada, etc. Por el momento nos conformamos con lo ya visto y debemos cuidar que las mallas no tengan fuertes gradientes, o sea que sean suaves. Esto hace que la generaci on de mallas para el m etodo de los vol umenes nitos sea bastante restrictiva.
7.3.2.
F ormulas generales de integraci on
A diferencia de los problemas convectivos donde los ujos son funciones homog eneas de primer orden en las variables de estado, los problemas con difusi on contienen en general ujos difusivos que son dependientes tanto de la variable a resolver como de su gradiente. En esto casos se hace necesario promediar derivadas de las variables en lugar de las variables en si misma. Un ejemplo t pico de esto son las ecuaciones de Navier-Stokes que contienen Fd = Fd (U, U) . Una forma bastante general de resolver esto es apelando al teorema de la divergencia y a la integraci on por partes. Supongamos que tenemos integrales de ujo y la queremos aproximar por el valor promedio del integrando multiplicado por la medida del dominio de integraci on. Entonces, aplicando el teorema de la divergencia, U d =
U x U y
U U i+ j)d = U dS y S x 1 U 1 U i dS = d = x S 1 U 1 = U j dS d = y S dS = dy i dxj ( 1 S 1 1 U dx = = S = 1 U dy = ydU

S
(7.36)
U x U y
xdU
S
Aplicando la regla de integraci on del trapecio llegamos a: U x = 1 1 U d = x 2 = 1 2 (Ul + Ul+1 )(yl+1 yl )

l
(yl + yl+1 )(Ul+1 Ul )

l
1 = 2 1 = 2
(7.37) Ul (yl+1 yl1 )

l
yl (Ul+1 Ul1 )
l
204
U y
1 U d = y 2 = 1 2
(Ul + Ul+1 )(xl+1 xl )

l
(xl + xl+1 )(Ul+1 Ul )

l
1 = 2 = 1 2
(7.38) Ul (xl+1 xl1 )

l
xl (Ul+1 Ul1 )
l
donde la suma se extiende a todos los v ertices desde 1 hasta 6 que rodean al nodo j en la gura 7.3 con U0 = U6 y U7 = U1 . La misma expresi on se puede aplicar para el c alculo del area de las celdas, = = 1 2 (xl + xl+1 )(yl+1 yl )
l
1 2
(yl + yl+1 )(xl+1 xl )

l
1 = 2 = 1 2
(7.39) xl (yl+1 yl1 )

l
yl (xl+1 xl1 )
l
Si las celdas fueras cuadrangulares se puede hallar una forma interesante y particular de la anterior tomando la tercera de las ecuaciones (7.37,7.38,7.39) y agrupando por valores en los nodos opuestos. Esto queda para la pr actica. Ejemplo: Ecuaci on de difusi on en 2D Tomemos la ecuaci on U U U + ( )+ ( )=0 t x x y y considerando constante las componentes del ujo son: f = U x U g= y (7.40)
(7.41)
Considerando (7.19) llegamos a una ecuaci on para cada celda, siendo la de (i, j ) escrita como: U t xy + (fAB fCD )y + (gBC gDA )x = 0 (7.42)
ij
205
El ujo fA se toma como valor promedio entre las celdas 1678 y de manera similar con fB sobre las celdas 1892 con lo cual se escriben como: U )A = (Ui+1,j + Ui+1,j 1 Ui,j Ui,j 1 ) x 2x (7.43) U fB = ( )B = (Ui+1,j + Ui+1,j +1 Ui,j Ui,j +1 ) x 2x Tomando fAB = 1/2(fA + fB ), multiplicando por y y haciendo lo mismo con las restantes 3 caras se obtiene una expresi on sencilla si consideramos x = y , fA = ( Uij + Ui+1,j +1 + Ui+1,j 1 + Ui1,j +1 + Ui1,j 1 4Uij = 0 t 4(x)2 Si en su lugar usamos U (7.45) = (Ui+1,j Uij ) x AB x esta conduce a la standard forma del operador de Laplace en el m etodo de las diferencias nitas fAB = Uij Ui+1,j + Ui,j 1 + Ui1,j + Ui,j +1 4Uij = 0 + t (x)2 (7.46) (7.44)
7.4.
El m etodo de los vol umenes nitos en 3D
En el caso 3D los vol umenes nitos m as com unmente utilizados son los tetraedros y los hexaedros. Con los primeros se tiene la ventaja de que son muy generales ya que cualquier dominio tridimensional puede ser mallado con tetraedros, mientras que con hexaedros el problema no es tan sencillo existiendo algunas restricciones. No obstante en lo que sigue pensaremos en vol umenes independientemente de su forma geom etrica para aplicar algunos conceptos particulares al caso 3D.
7.4.1.
Evaluaci on del area de las caras de la celda
Una importante propiedad del vector area asociado con cada celda se puede derivar a trav es del teorema de la divergencia. Por ejemplo si en (7.36) usamos U = 1 entonces dS =
S
1d = 0
(7.47)
mostrando que el vector supercie de una dada cara contenida en una supercie cerrada S y orientado en la direcci on saliente Sf ace =
f ace
dS
(7.48)
depende solamente del propio contorno de la cara. Tomemos la gura 7.6 donde se muestra el vector supercie exterior para algunas de las caras del hexaedro. Si por ejemplo tomamos la cara ABCD vemos que entre las muchas alternativas para evaluar el vector area podemos citar a:
206
1.- usando las diagonales SABCD = 1/2(xAC xBD ) 2.- usando las aristas SABCD = 1/2[(xAB xBC ) + (xCD xDA )] (7.50) (7.49)
No obstante ambas expresiones conducen a id enticos resultados aun en el caso general en el que as econ omica desde el punto de vista de la cantidad de la cara no sea coplanar, siendo la (7.49) la m operaciones involucradas.
G S DCGH C H
F E D B S ABCD S ADHE
Figura 7.6: Volumen nito hexa edrico en 3D
7.4.2.
Evaluaci on del vol umen de la celda de control
En la gura 7.7 vemos una forma de calcular el vol umen de un hexaedro mediante divisi on en tetraedros o pir amides. Para calcular el vol umen de un tetraedro podemos apelar a las siguientes identidades: ad =
S
a dS
en 2D tomando a = x x = 2 2 =
S
x dS =
S
(xdy ydx)
(7.51)
en 3D tomando a = x x = 3 3P ABC =
P ABC
x dS =
f aces
x Sf aces
207
P G C H
D F C A E
A G C H
(a)
(b)
D F
(c)
Figura 7.7: Calculo del vol umen de una celda en 3D La u ltima expresi on en (7.51) es equivalente a 1 (7.52) P ABC = x(P ) SABC 3 con x(P ) el vector posici on respecto al punto P . Este punto es arbitrario pero por comodidad conviene que coincida con uno de los v ertices del tetraedro. Ya que el punto P pertenece a todas las caras excepto a la cara ABC solo con ella el producto escalar es no nulo. Si recurrimos a la expresi on (7.49) para evaluar el area de las caras de la celda y la reemplazamos en (7.52) hallamos: 1 P ABC = x(P A) (xAB xBC ) 6 que puede escribirse tambi en como un determinante : xP 1 xA = 6 xB xC yP yA yB yC zP zA zB zC 1 1 1 1 (7.53)
P ABC
(7.54)
208
Se debe tener cuidado con la numeraci on dada al tetraedro ya que de esta depender a el signo de algunas contribuciones. Una regla general podr a ser utilizar la regla de la mano derecha partiendo de la cara y tomando el cuarto nodo en el sentido que indica el pulgar. Otra recomendaci on importante es que cuando partimos una malla de hexaedros en tetraedros se debe tomar la precauci on de que las caras hexa edricas comunes a dos celdas tengan diagonal coincidente. Estas diagonales surgen al hacer la partici on. En el caso de una partici on del hexaedro en pir amides esta puede dividirse en dos tetraedros y el c alculo del vol umen y las areas se reduce a lo visto anteriormente. Como caso de inter es se puede demostrar que si alguna de las caras de la celda hexa edrica no es coplanar entonces las dos u nicas particiones del hexaedro en 5 tetraedros no producen el mismo valor de vol umen. Si tomamos un promedio de los dos valores obtenidos este equivale a hacer una transformaci on isoparam etrica trilineal al estilo m etodo de los elementos nitos e integrarla con 2 2 2 puntos de Gauss.
209
Secci on 7.5. TP.VII.- Trabajo Pr actico
7.5.
TP.VII.- Trabajo Pr actico

Muestre que la ley de conservaci on integral sobre un dominio unidimensional a x b aplicada a u f + =0 t x f (a) = f (b) se reduce a que
b
m etodo de los vol umenes nitos en 1D
(7.55)
udx
a
es constante en el tiempo. Aplique esta condici on a la variable espacial discretizada con una distribuci on arbitraria de puntos en la malla y muestre que la anterior condici on se reduce a:
1 /2 i +1 u i = u n un i = i
ui (xi+1 xi1 ) = 0 ui t t
t b a udx
(7.56)
Ayuda: Aplique la regla del trapecio para evaluar la integral aislando los t erminos en ui .
= 0 y reescriba la suma
Escriba un programa en MatLab para resolver la ecuaci on de advecci on difusi on 1D no estacionaria utilizando una formulaci on 1.- centrada en la celda, 2.- centrada en los v ertices Tenga en cuenta la necesidad de ingresar una condici on inicial, condiciones de contorno del tipo Dirichlet y Neumann y como datos del problema f sico la velocidad de transporte y el coeciente de difusi on. m etodo de los vol umenes nitos en 2D Hemos visto algunas formas de evaluar los ujos convectivos como las expresiones (7.20) y (7.22), entre otras. Su aplicaci on al caso del m etodo de los vol umenes nitos centrado en las celdas produjo las ecuaciones (7.31) y (7.32) respectivamente. Obtenga las expresiones equivalentes al m etodo de los vol umenes nitos centrado en los v ertices. Tome una celda cuadrangular y partiendo de las terceras expresiones de (7.37,7.38,7.39) obtenga una expresi on para el promedio de las derivadas y otra para el vol umen de la celda tratando de que la expresi on nal quede expresada como diferencia entre valores opuestos por cada diagonal.
210
Considere la ecuaci on de difusi on bidimensional U U U + ( )+ ( )=0 t x x y y y escriba la formulaci on centrada en la celda para una malla estructurada considerando que los coecientes de difusi on son variables con la posic on y se denen en los v ertices de la celda, siendo el valor en el centro de cada arista aquel que surge como promedio de los valores en los v ertices extremos de cada arista. De la gura 7.8 surgen algunas alternativas para denir las celdas en 2D para el m etodo de los vol umenes nitos . Tome la mostrada a la izquierda ((a) Mc Donald-1971), aplique la denici on del m etodo de los vol umenes nitos (7.17) a la celda ACDEGH (Uj j ) + t (F S) = Qj j
lados
y derive el esquema para el nodo (i, j ) usando como denici on de ujos por cara aquella denida como el promedio de los ujos en los puntos extremos, es decir, fAC = 1/2(fA + fC ) y compare con la expresi on (7.57) Uij 1 (fi+1,j fi1,j ) (fi+1,j +1 fi1,j +1 ) (fi+1,j 1 fi1,j 1 ) + + 2 + + t 4 2x 2x 2x 1 (gi,j +1 fi,j 1 ) (gi+1,j +1 fi+1,j 1 ) (gi1,j +1 fi1,j 1 ) 2 = Qij + + 4 2y 2y 2y
(7.57)
E D
E D
B A H H A
Figura 7.8: Vol umenes de control centrado en los v ertices
211
m etodo de los vol umenes nitos en 3D Mostrar que las expresiones SABCD = 1/2[(xAB xBC ) + (xCD xDA )] o 1 SABCD = [(xAB + xDC ) (xBC + xAD )] 4 utilizadas para evaluar el area de las caras de la celda de control en 3D son equivalente a la expresi on: SABCD = 1/2(xAC xBD ) Tome un hexaedro con al menos una cara no coplanar. Realice las dos u nicas posibles particiones en 5 tetraedros cada una y calcule el vol umen de cada partici on utilizando la expresi on del determinante: x1 1 x2 = 6 x3 x4 y1 y2 y3 y4 z1 z2 z3 z4 1 1 1 1
1234
(7.58)
(a) Qu e valores de vol umenes obtuvo ?, (b) son coincidentes ?. (c) Tome su promedio. (d) Demostrar que el promedio coincide con el vol umen obtenido mediante el c alculo por el m etodo de los elementos nitos usando una transformaci on isoparam etrica trilineal integrada con 2 2 2 puntos de Gauss.
212
Cap tulo 8
An alisis de esquemas num ericos

8.1. Introducci on
De acuerdo a lo establecido en los cap tulos precedentes vimos que la discretizaci on de las variables independientes y de las ecuaciones conducen a un esquema num erico particularmente dependiente del m etodo usado. Un esquema num erico en general se lo representa mediante un stencil o estrella del operador discreto que permite vincular la soluci on entre los nodos de la malla. Si bien en el continuo el dominio de dependencia e inuencia de un operador abarca regiones extensas del dominio espacial en el caso discreto este se restringe a una zona m as acotada y que depender a del orden y tipo de aproximaci on utilizado. Uno de los pasos que anteceden a la aplicaci on pr actica de los esquemas num ericos es llevar a cabo un an alisis del mismo para tener una idea de lo que puede esperarse del mismo. El an alisis m as cl asico incluye t opicos como consistencia, precisi on, estabilidad y convergencia. Existe una gran variedad de m etodos de an alisis desde aquellos que estudian el comportamiento del operador discreto en un medio innito, otros que incluyen el tratamiento del contorno y algunos otros que dan cuenta de la inuencia de las no linealidades. Antes de pasar a tratar los m as importantes m etodos de an alisis introduciremos al lector en los conceptos b asicos de los 4 t opicos antes mencionados.
8.2.
Deniciones b asicas
Consideraremos una de las ecuaciones m as representativas de los modelos matem aticos que aparecen en mec anica de uidos, la ecuaci on hiperb olica de advecci on pura no estacionaria, que en su versi on unidimensional se escribe como: u u +a =0 (8.1) t x donde a es la velocidad de propagaci on de la onda cuya amplitud es u. Reescribimos la anterior usando sub ndices para referirnos a las derivadas, entoces: ut + aux = 0 (8.2)
213
lisis de esquemas nume ricos Cap tulo 8. Ana
Secci on 8.2. Deniciones b asicas
Consideremos un problema de valores iniciales de frontera, entonces para poder resolver la (8.2) necesitamos especicar : t=0 x=0 u(x, 0) = f (x) u(0, t) = g (t) 0xL t0 (8.3)
Supongamos que aplicamos un esquema en diferencias nitas centradas de segundo orden para la primera derivada espacial o uno de vol umenes nitos equivalente, entonces el esquema semidiscreto nos queda a (ui+1 ui1 ) (8.4) 2x Este es com unmente referenciado como el m etodo de las l neas. El pr oximo paso es denir una discretizaci on para el tiempo. Esto implica el reemplazo de la derivada temporal por una forma discreta y adem as involucra tomar la decisi on de elegir el nivel de tiempo en el cual evaluar el lado derecho. (ut )i = Esquema expl cito Eligiendo una forma en diferencias hacia adelante, el esquema m as simple que se obtendr a ser a evaluar el lado derecho en el tiempo anterior. Este esquema se denomina forward Euler y se escribe como:
+1 un un a i i = (un un i1 ) t 2x i+1
(8.5)
Surge por inspecci on directa que la soluci on se obtiene despejando directamente

+1 n n un = f (un i1 , ui , ui+1 ) i
(8.6)
Esquema impl cito Si en cambio evaluamos el lado derecho en el tiempo posterior y si usamos diferencias hacia atr as para la forma discreta de la derivada temporal tenemos el esquema backward Euler:
+1 un un a +1 i i = (un+1 un i1 ) t 2x i+1
(8.7)
Como vemos aqu la soluci on se obtiene invirtiendo un sistema de ecuaciones de la forma

+1 n+1 n+1 f (un , ui+1 ) = un i i1 , ui
(8.8)
donde la matriz que representa el sistema es tridiagonal debido a que la estrella es centrada y fue generada mediante la combinaci on de tres nodos. Estos esquemas producen aproximaciones con una precisi on de segundo orden en el espacio y primer orden en el tiempo. Usando esquemas de primer orden en el espacio surgen los siguientes dos esquemas:
214
Secci on 8.2. Deniciones b asicas
+1 un un a i i = (un un i1 ) t x i
(8.9)
+1 un un a +1 i i = (un+1 un (8.10) i1 ) t x i Analizando lo que ocurre con los esquemas (8.5-8.10) se puede comprobar que los dos primeros son incondicionalmente inestables mientras que el tercero es condicionalmente estables y el cuarto es incondicionalmente estable. Esto signica que los dos primeros producen un error que crece en amplitud con el paso de tiempo (divergen) mientras que en el tercer esquema debemos elegir una relaci on entre el paso de tiempo y el de la malla acorde a un criterio de estabilidad. Como veremos m as adelante en problemas de advecci on pura el par ametro que gobierna la estabilidad de un esquema num erico es el n umero de Courant. Este se dene como:
at (8.11) x El cuarto esquema (8.10) converge sin restricciones pero tiene una precisi on baja (primer orden). = Problema: Usando Matlab implementar los 4 esquemas (8.5-8.10) para una funci on f (x) 0 1 + 1/ x 2 f (x) = 1 1 /2x 0 ; x < 0.2 ; 0.2 x 0 ; 0 x 0.2 ; x > 0.2
(8.12)
con a = 1, x = 1, g (x = 5) = 0, L = 10. Tome distintos valores del n umero de Courant, desde = 0.1 hasta valores superiores a = 1. Este ejemplo simple muestra la importancia del an alisis antes de realizar cualquier experimento num erico. Podemos formularnos las siguientes preguntas a la hora de analizar un esquema: Qu e condiciones imponer para una aproximaci on aceptable ? C omo predecir los l mites de estabilidad del esquema ? C omo obtener informaci on cuantitativa de la precisi on ? Para responder estas preguntas recurrimos a los conceptos de: consistencia Esta dene una relaci on entre la ecuaci on diferencial y la formulaci on discreta. estabilidad Establece una relaci on entre la soluci on calculada y la soluci on exacta de las ecuaciones discretas convergencia Conecta la soluci on calculada con la soluci on exacta de la ecuaci on diferencial. En la gura 8.1 vemos un cuadro sin optico con la relaci on entre los operadores, sus soluciones y los t opicos de an alisis. A continuaci on entraremos m as en detalle en ellos.
215
Secci on 8.3. Consistencia
Figura 8.1: Denici on de consistencia - convergencia - estabilidad
8.3.
Consistencia
Un esquema es consistente si la ecuaci on discreta tiende al operador diferencial cuando todos los incrementos de las variables independientes tienden a cero. Esto se puede expresar como: Lh u Lu para xj , t 0 (8.13)
con xj representando los pasos de la malla en todas las direcciones. Como vemos ambos operadores se aplican a la soluci on exacta del problema. Apliquemos la denici on al caso (8.2). Para ello desarrollemos en series de Taylor alrededor del punto un an incluidos en el esquema num erico (8.5). i todas los valores nodales que est
216
Secci on 8.3. Consistencia
+1 un = un i + t u t i
n i
t2 utt 2
n i
+ ...
n un i+1 = ui + x ux
n i
x2 uxx 2
n i
x3 uxxx 6
n i
+ ...
(8.14)
n n x2 x3 uxx uxxx + . . . 2 6 i i i Para los esquemas de primer orden como el aplicado a la derivada temporal hemos cortado el 2 desarrollo en el t ermino O(t ) mientras que en las aproximaciones espaciales centradas, que son de segundo orden hemos extendido el desarrollo un t ermino m as. Reemplazando (8.14) en el esquema (8.5) y usando la denici on (8.13) vemos que n un i1 = ui x ux n
+1 un un a t n n i i utt + (un i+1 ui1 ) (ut + aux )i = t 2x 2
n i
x2 a uxxx 6
n i
+ O(t2 , t4 )
(8.15)
Se ve claramente que si x , t 0 el segundo miembro se anula y el esquema es, por la denici on, consistente. La precisi on del esquema puede verse en los t erminos que lideran el segundo miembro. Este esquema es de primer orden en el tiempo y de segundo orden en el espacio. No obstante la precisi on global t podr a alterarse si alguna relaci on entre x y t se establece, por ejemplo si se ja que x sea t constante, entonces ser a globalmente de primer orden, mientras que si se ja la relaci on x2 constante ser a globalmente de segundo orden. Otra forma interesante de interpretar la consistencia es la siguiente: Supongamos que u n on exacta del esquema num erico, o sea las u n i es la soluci i son tales que satisfacen exactamente (8.5). Al reemplazarlas en el operador diferencial arrojan la siguiente identidad:
n n t x2 utt a uxxx + O(t2 , t4 ) (8.16) 2 6 i i i mostrando que la soluci on exacta de una formulaci on discreta no satisface exactamente la ecuaci on diferencial para valores nitos del paso de tiempo y el incremento de la malla. No obstante la soluci on exacta de la ecuaci on en diferencias satisface una ecuaci on diferencial equivalente, llamada modicada, que diere de la original en el error de truncamiento, representado por los t erminos del lado derecho. En este ejemplo n
u t + au x
n n t x2 u uxxx + O(t2 , t4 ) (8.17) tt T 2 6 i i que puede ser expresado en forma equivalente aplicando la ecuaci on diferencial sobre el para eliminar la derivada temporal,
217
Secci on 8.4. Estabilidad
ut utt
i n i
= a ux = a uxt
n i i
+ O(t, x2 ) + O(t, x2 )
n i
(8.18)
= a2 uxx
+ O(t, x2 )
con lo cual el error de truncamiento puede ser escrito como

n n x2 t 2 a uxx a uxxx + O(t2 , x2 ) 2 6 i i lo cual equivale nalmente a resolver una ecuaci on diferencial modicada T
(8.19)
t 2 a uxx + O(t2 , x2 ) (8.20) 2 Esto muestra porqu e el esquema es inestable. Tal como mencion aramos anteriormente el esquema on negativa, con un coeciente num erico (8.5) genera un error de truncamiento equivalente a una difusi t 2 a 2 Finalmente la consistencia y el orden de precisi on de un esquema lo dictamina el error de truncamiento, en el primer caso tendiendo a cero con los incrementos espaciales y temporales y en el segundo caso a trav es de las potencias con las cuales se va a cero. Concluyendo, si ut + aux =
T
= O(tq , xp )
(8.21)
la consistencia exige p > 0 , q > 0 la precisi on est a asociada con los valores de p , q
8.4.
Estabilidad
La denici on de estabilidad ha sufrido bastantes cambios desde que fue por primera vez introducida por OBrien en 1950. Sin entrar en detalles hist oricos saltamos hasta 1956 cuando Lax y Richtmyer introdujeron el concepto de estabilidad basado en la evoluci on temporal de la soluci on. Posteriormente, en 1967, Ritchmyer y Morton desarrollaron esta idea que se basa en denir en forma matricial la inuencia del operador discreto. Asi como un operador diferencial acepta una descomposici on espectral sobre un espacio de dimensi on innita, el operador discreto acepta una equivalente pero en un espacio de dimensi on nita, o sea representable por matrices. Supongamos que expresamos todas las inc ognitas en cada punto del espacio y del tiempo (variables nodales) en un arreglo, que al tiempo nt se puede expresar como:
218
Secci on 8.4. Estabilidad
un 1 . . . n u n i 1 U = n ui un i+1 . . . El esquema num erico puede ser escrito en forma de operador C : IRN IRN como: U n+1 = C U n
(8.22)
(8.23)
con C = C (x, t) A modo de ejemplo tomemos el esquema num erico (8.5) y veamos que forma toma el operador. Una ecuaci on t pica de aquel esquema es
+1 n n un = un i (ui+1 ui1 )/2 i
... . . . CU n = . . . . . . ...
. . ... ... ... ... ... ... . n 1 /2 1 /2 . . . ... . . . ui un . . . /2 1 /2 . . . . . . i n ... ... /2 1 /2 . . . ui+1 . ... ... ... ... ... ... . .
(8.24)
acter de impl cito debemos previamente Si tomamos en cambio el esquema (8.7,8.8) por su car denir un operador B sobre U n+1 para luego generar el operador C sobre U n .
+1 n+1 n+1 un = un i (ui+1 ui1 )/2 i
BU n+1
... . . . = . . . . . . ...
... ... ... ... ... /2 1 +/2 . . . ... ... /2 1 +/2 . . . ... ... /2 1 +/2 ... ... ... ... ...
. . ... . +1 n . . . 1 ui n +1 . . . ui n+1 . . . ui+1 . ... . .
(8.25)
Problema: Calcular el operador discreto C del esquema (8.9) y el operador discreto B del esquema (8.10). La condici on de estabilidad se establece del siguiente modo: Dada una soluci on inicial U 0 a tiempo t = 0 la acci on repetida de C sobre ella produce que
219
Secci on 8.5. El m etodo de Von Neumann
U n = Cn U 0 Para que todas las soluciones U n permanezcan acotadas y el esquema denido por C sea estable el operador C tiene que ser uniformemente acotado. Esto es, existe una constante K tal que ||C n || < K para 0 < t < 0 n t T (8.26)
para valores jos de , T y n. A continuaci on presentamos el m etodo de Von Neumann, uno de los m etodos m as conocidos para el an alisis de estabilidad.
8.5.
El m etodo de Von Neumann
Este m etodo es bien popular y simple de aplicar, pero como tal tiene algunas limitaciones relacionadas con: v alido solamente para operadores lineales v alido solamente para coecientes constantes v alido solamente para problemas peri odicos alisis de estabilidad se basa en la relaci on que existe entre la Como vimos en la gura 8.1 el an n . Entre ellas existe una soluci on computada un y la soluci o n exacta de la ecuaci o n discretizada u i i diferencia que viene dada por los errores de redondeo y los errores en los valores iniciales. Por lo tanto un n i =u i +
n i
(8.27)
Aplicando el esquema (8.5) sobre la soluci on exacta de la ecuaci on discreta vemos que por (8.27)
+1 n+1 u n u n n a a i i i + i = ( un n ( n n (8.28) i+1 u i1 ) i1 ) t t 2x 2x i+1 on para el error Ya que u n on (8.5) entonces nos queda una ecuaci i satisface exactamente la ecuaci
n a i = ( n n (8.29) i1 ) t 2x i+1 que es id entica al esquema original. Por lo tanto, seg un una visi on lineal los errores evolucionan con el tiempo en la misma forma que la soluci on. Del mismo modo podemos plantear algo equivalente aplicando una visi on de operadores, como presentamos en (8.23), llegando a que en+1 = Cen (8.30)
n+1 i
con en un vector equivalente al denido en (8.22) pero conteniendo a los errores en lugar de los valores nodales. Si las condiciones de borde son peri odicas entonces podemos descomponer al error en series de Fourier para la variable espacial en cada paso de tiempo. Ya que el dominio tiene longitud nita la representaci on de Fourier ser a discreta y sumada sobre un conjunto nito de arm onicas.
220
Sea un dominio de longitud L, la representaci on compleja de Fourier reeja la regi on (0, L) en (L, L) con un rango de frecuencias y longitudes de onda (k = 2/) como el siguiente: kmin = /L kmax = /x max = 2L min = 2x (8.31)
La gura 8.2 muestra los dos modos extremos, uno que cubre todo el dominio 2L(ondas largas) y el otro que abarca la menor regi on en la cual se puede representar una onda, 2x. Por lo tanto estableciendo que x = L/N , con N el n umero de nodos en una grilla denida como el conjunto de puntos de coordenadas xi = ix podemos representar todas las arm onicas visibles por la grilla como =j L N x La descomposici on en series de Fourier del error es: kj = jkmin = j
N n i N n Ikj ix Ej e = j =N j =N n Iij/N Ej e
j = 0, . . . , N
(8.32)
(8.33)
es la amplitud de la j- esima arm onica. donde I = 1 y Denimos la fase como j (8.34) N que cubre el dominio (, ) en pasos de /N . La regi on alrededor de = 0 corresponden a las bajas frecuencias mientras que las cercanas a = est an asociadas a las altas frecuencias. Por la onica. linealidad del operador no solamente el error satisface (8.30) sino cada arm = kj x =
n Ej
8.5.1.
Factor de amplicaci on
El hecho que cada arm onica satisfaga (8.30) implica que existe un desacoplamiento de los modos n eIi , introduci y cada uno de ellos puede tratarse por separado. Consideremos una de ellas, Ej endola Ii umero de Courant y sacando factor com un e llegamos a en el esquema (8.29), introduciendo el n una ecuaci on del tipo: (E n+1 E n ) + /2E n (eI eI ) = 0 (8.35)
La condici on de estabilidad (8.26) se satisface si las amplitudes del error no crecen con el tiempo, o sea si |G| =
n+1
E n+1 1 En
(8.36)
La cantidad G(t, x, k ) = EE n se la dene como el factor de amplicaci on. Para el esquema presentado llegamos a que el factor de amplicaci on es G = 1 I sin()
(8.37) 221
Figura 8.2: Representaci on de Fourier del error num erico lo cual indica que su m odulo ser a siempre mayor que uno y por lo tanto incondicionalmente inestable. Hab amos visto anteriormente sin demostraci on evidente que el esquema (8.9) era condicionalmente estable. Tratemos de justicarlo con las herramientas reci en presentadas. Para ello tomemos una arm onica como la anterior, ingres emosla en el esquema (8.9)
+1 un un a i i = (un un i1 ) t x i
(8.9)
aplicado al error y saquemos factor com un E n eIi , entonces arribamos a la siguiente expresi on para el factor de amplicaci on: G = 1 + eI = 1 2 sin2 (/2) I sin() (8.38)
Esto se representa gr acamente por un c rculo centrado en 1 de radio , como lo muestra la gura 8.3. La versi on geom etrica de la condici on de estabilidad (8.26) es que el factor de amplicaci on de todas las arm onicas deben ubicarse dentro de un c rculo centrado en el or gen de radio unitario. En el caso del esquema (8.9) esto se cumple solo si 0<1 (8.39)
La condici on (8.39) es muy conocida y denominada condici on de Courant-Friedrichs-Lewy (CFL)
222
Figura 8.3: Factor de amplicaci on para un esquema con upwind. Otra forma de ver esta condici on es mediante teor a de caracter sticas. Si trazamos las caracter sticas a partir de un punto de la malla se debe elegir la relaci on entre el paso espacial y el temporal de forma tal de satisfacer que el dominio de dependencia de la ecuaci on diferencial debe estar contenido en el dominio de dependencia de las ecuaciones discretizadas. La gura 8.4 muestra lo que reci en comentamos. Es la discretizaci on empleada capaz de capturar el dominio de dependencia de las caracter sticas del problema ? Finalmente si tomamos un esquema como el (8.10)
+1 un un a +1 i i (8.10) = (un+1 un i1 ) t x i vemos que este tiene una estabilidad incondicional. Esto se puede demostrar siguiendo los mismos pasos que en los casos anteriores, llegando nalmente a que el factor de amplicaci on tiene una expresi on como:
G=
1 1 + I sin()
(8.40)
lo cual implica que su m odulo ser a siempre menor que la unidad.
8.5.2.
Extensi on al caso de sistema de ecuaciones
Consideremos que un esquema num erico es construido en dos pasos: 223
Figura 8.4: Interpretaci on geom etrica de la condici on CFL (1) Aplicaci on de la discretizaci on espacial dui = Sui + qi dt (8.41)
donde el t ermino qi contiene eventuales fuentes y las contribuciones del contorno. La representaci on matricial de lo anterior se transforma en dU = SU + Q dt (2) Aplicaci on de un esquema de integraci on temporal.
+1 un = Cun i i +q i
(8.42)
(8.43)
que en forma matricial se escribe como U n+1 = CU n + Q (8.44)
En estos casos C = 1 + tS . Esto corresponde al caso de un esquema de dos niveles expl citos. El caso impl cito adopta la forma B1 U n+1 = B0 U n (8.45)
224

1 donde el operador discreto se dene como C = B1 B0 . En el caso del esquema de integraci on temporal del tipo Forward Euler el operador C = I + tS . En el caso de varias ecuaciones el factor de amplicaci on se transforma en la matriz de amplicaci on. Existe una relaci on entre el concepto de matriz de amplicaci on G y el operador C . Mientras el primero habita en el espacio de las frecuencias el segundo lo hace en el dominio espacial. En general G() o G(k ) se puede ver como el equivalente de Fourier discreto del operador de discretizaci on C , con una relaci on como:
G() = C (eI )
(8.46)
La anterior nos dice que la matriz de amplicaci on se puede obtener reemplazando el argumento de la matriz C , que en general est a asociado con el operador de desplazamientos E por eI . Si recordamos que est a denido desde (, ) en pasos de /N , entonces existe una equivalencia entre E y eI . El primero desplaza en la malla y el segundo en el espacio de las frecuencias. Habiendo establecido una forma de calcular la matriz de amplicaci on queda por ver como establecer un criterio de estabilidad general. El concepto de m odulo del factor de amplicaci on cambia por el de norma de la matriz de amplicaci on. Deniendo esta como: ||G|| = max
u=0
|G u| |u|
(8.47)
y considerando el hecho que ||G|| (G) (8.48)
donde (G) = maxj =1,p |j | es el radio espectral de la matriz G de p p y sus autovalores. Entonces una condici on suciente de estabilidad es que (G) 1 + O(t) t nito , (, ) (8.49)
La posibilidad que el radio espectral sea mayor que uno surge en considerar algunos problemas donde la soluci on exacta crece exponencialmente, no obstante una condici on estricta del tipo (G) 1 (8.50)
puede ser necesaria para evitar que algunos modos num ericos crezcan m as r apidamente que sus correspondientes modos f sicos. Por ejemplo cuando la matriz de amplicaci on tiene autovalores de valor 1 con multiplicidad mayor que uno. Estas condiciones sucientes de estabilidad (b) son v alidas tambi en para el caso de matrices normales donde G conmuta con su hermitiana conjugada y el radio espectral coincide con la norma. Propiedades de la matriz de amplicaci on 1. Si la matriz de amplicaci on puede expresarse como un polinomio de la matriz A, G = P (A), luego el teorema del mapeo espectral es v alido y establece que: (G) = P ((A))
(8.51) 225
Por ejemplo, si G = 1 IA + A2 , entonces (G) = 1 I(A) + ((A))2 2. Si G puede expresarse como una funci on de varias matrices que conmutan entre si, esto es: G = P (A, B ) con AB = BA
entonces, A, B tienen el mismo conjunto de autovectores y (G) = P ((A), (B )) Esta condici on deja de ser v alida cuando las matrices no conmutan como es el caso de las ecuaciones de movimiento uido en varias dimensiones. Ejemplo: Ecuaciones de shallow water Las ecuaciones de shallow water (aguas poco profundas) son un importante modelo para tratar la hidrodin amica de zonas costeras, algunos rios y lagos donde la profundidad es mucho menor que las restantes dos direcciones coordenadas. El modelo se puede escribir como: U + A U = 0 t U = {h ; u ; v } v 0 h ; Ay = 0 v 0 g 0 v
u h 0 Ax = g u 0 0 0 u
(8.52)
El modelo unidimensional linealizado alrededor de un estado de referencia U0 = {h0 ; v0 }, expresado en forma diferencial se puede escribir como: U U +A =0 t x U = {h ; v } Ay = v0 h0 g v0
(8.53)
Un esquema espacialmente centrado se escribe como: dUi Ui+1 Ui1 = A dt 2x Ui = E eIi Ui+1 = E eI (i+1) = E eIi eI = Ui eI Ui1 = E eI (i1) = E eIi eI = Ui eI
(8.54)
226
En cuanto a la discretizaci on temporal primero consideraremos el caso de una integraci on temporal siguiendo el esquema de Euler y luego tomaremos el caso del esquema de Lax-Friedrichs. Esquema Euler
+1 = Un Un i A t i
1 1 n n Ui = I At Un i = CUi 2x 2x
(8.55)
donde representa el operador de corrimientos espaciales y si llevamos a cabo el ensamblaje de la matriz C esta se expresa como: .. . I
t 1 /2( A x ) t 1 /2( A x )
A t 1 /2( x ) A t 1 I /2( x ) .. .
A t 1/2( x ) C=
I
t 1 /2( A x )
(8.56)
Por otro lado podemos arribar a la matriz de amplicaci on reemplazando (8.54) en (8.55), At I (e eI ) En i 2x At I (e eI ) G() = I 2x
+1 En = I i
(8.57)
Comparando (8.55) y (8.57) vemos que G() = C( = eI ) Aplicando la primera propiedad de la matriz de amplicaci on tenemos que (G()) = P ((A)) At I G() = I (e eI ) 2x (A)t I (e eI ) (G()) = 1 2x o sea los autovalores de la matriz A se transforman conforme a 8.59) Los autovalores de la matriz A se calculan en forma directa como: |A I| = 0 v0 h0 =0 g v0 (A)1,2 = v0 gh0 227 (8.60) (8.58)
(8.59)
Por lo tanto los autovalores de la matriz de amplicaci on ser an: (G) = 1 (v0 gh0 )t sin() I x (8.61)
Este esquema es a simple vista inestable. En el caso en que los autovalores fueran de dicultosa evaluaci on podemos recurrir a una resoluci on num erica. Esquema Lax-Friedrichs En 1954 Lax sugiri o una forma de estabilizar el esquema anterior conservando la discretizaci on espacial centrada. Este esquema bien popular en estos dias se puede escribir como:
+1 n Un = 1/2(Un i+1 + Ui1 ) i
A t n (U Un i1 ) 2x i+1
(8.62)
Realizando un procedimiento similar al caso del integrador Euler hacia adelante llegamos a que existe una condici on tipo CFL aqu del tipo, (|v0 | + gh0 ) t 1 x (8.63)
8.5.3.
An alisis espectral del error num erico
Hab mos visto que una forma de caracterizar la evoluci on temporal del error en un esquema num erico era mediante la denici on de la matriz de amplicaci on o en el caso de modelos escalares simplemente del factor de amplicaci on. Surgi o que dicha evoluci on estaba regida por una expresi on del tipo: v n+1 = G()v n = [G()]n v 1 Descomponiendo temporalmente a la soluci on num erica en arm onicas podemos ver que vn = v eInt (8.65) (8.64)
con = (k ) una funci on compleja del n umero de onda que representa la dispersi on num erica. on directa entre el factor o matriz de Relacionando (8.64) con (8.65) vemos que existe una relaci amplicaci on y esta dispersi on num erica, G = eIt (8.66)
Entonces, la representaci on de la soluci on num erica en t ermino de arm onicas simples se puede escribir como: un eInt eIi i =v Del mismo modo la soluci on exacta acepta una descomposici on similar obteniendo:
nt Ii u n eI e i =v
(8.67)
(8.68) 228
con su correspondiente funci on de amplicaci on exacta

t = eI G
(8.69)
Para poder estudiar el espectro de los errores num ericos dividiremos la dispersion en su parte real y su parte imaginaria, = + I de forma tal que si reemplazamos (8.70) en (8.69) tenemos = e+t eIt = G G G = e+t = t Del mismo modo con la soluci on exacta podemos obtener G
t = e+ t =
(8.70)
eI (8.71)
(8.72)
Si comparamos ambos m odulos y ambas fases entre si llegamos a la denici on de dos par ametros de error muy importantes:
D
|G| t e = =
ERROR POR DISIPACION ERROR POR DISPERSION
(8.73)
olicos sin La denici on del error de dispersi on dada en (8.73) es adecuada en problemas parab = 0), caso contrario esta puede cambiarse por t erminos convectivos (
= /
(8.74)
mejor adecuada en aquellos problemas dominados por convecci on. An alisis de error en problemas parab olicos Tomemos la ecuaci on del calor discretizada en el espacio en forma centrada y en el tiempo con un esquema expl cito. El esquema se puede escribir como: t n n n (8.75) 2 (ui+1 2ui + ui1 ) x El factor de amplicaci on se obtiene mediante el procedimento presentado oportunamente y este se expresa como:
+1 un = un i + i
G = 1 4 sin2 (/2) t = x2 0 1/2

(8.76)
229
El factor de dispersi on del continuo se obtiene reemplazando la representaci on espectral de la soluci on exacta en el operador diferencial, = k 2 I = 2 /tI y el error de disipaci on se obtiene como: 1 4 sin2 (/2) e2 que si lo expandimos en series de potencias en se obtiene despu es de algo de algebra
D
(8.77)
(8.78)
2 4 4 + + ... D 2 12 (8.79) 2 k 4 t2 k 4 tx2 1 + 2 12 Este esquema produce errores num ericos bajos para modos de baja frecuencia pero para aquellos de alta frecuencia estos pueden ser inaceptables, especialmente para aquellos 1/2 pr oximos a la cota superior. No obstante para = 1/6 los dos u ltimos t erminos se cancelan y este esquema presenta un alto orden O(t2 , x4 ). Adem as ya que G es real no existe error en phase por lo tanto no presenta dispersi on num erica. 1 An alisis de error en problemas hiperb olicos Tomemos como ejemplo t pico de una ecuaci on hiperb olica la ecuaci on de advecci on pura: u u +a =0 (8.80) t x F sicamente el transporte por convecci on se puede ejemplicar colocando inicialmente en el dominio una onda y viendo que esta viaja en una determinada direcci on guiada por el campo de velocidades sin modicarse, o sea sin amortiguarse ni dispersarse. Si como hicimos para el caso parab olico reem I t Ikx plazamos una arm onica del tipo u = e e en el operador diferencial encontramos que: = ka = =0 (8.81)
Como vemos a diferencia del caso parab olico aqu el coeciente de dispersi on num erica es un n umero real lo que le da un car acter ondulatorio a la soluci on y sin amortiguamiento. Entonces, de acuerdo a la denici on (8.73) el error por disipaci on y por dispersi on vienen dados por: |G| = |G| t e = /(kat) = /() = /
D
(8.82)
Entonces, G es la amortiguaci on num erica del esquema mientras que es el error por dispersi on. Si > 1 la soluci on num erica viaja m as r apido que la exacta mientras que si es < 1 viaja m as lento. 230
Figura 8.5: Error de disipaci on del m etodo de Lax-Friedrichs para la ec. de advecci on pura. Esquema expl cito con upwind A modo de ilustraci on tomemos el caso de un esquema expl cito con upwind para resolver la ecuaci on de advecci on pura no estacionaria (8.80). Este esquema ya lo hemos tratado a la hora de calcular el factor de amplicaci on y hab amos obtenido una expresi on para el mismo (8.38) G = [(1 + cos())2 + 2 sin2 ()] /2 = [1 4 (1 ) sin2 (/2)] /2
1 1
(8.83)
erico lo podemos apreciar gracando la O sea que de acuerdo a (8.82) el amortiguamiento num expresi on (8.83). La gura 8.5 muestra el error de disipaci on para un esquema expl cito de primer orden estabilizado espacialmente mediante la introducci on de upwind. (FIXME:= la gura que se referencia es para Lax-Friedrichs). El error de dispersi on se calcula a partir de la relaci on entre las velocidades de fase num erica y la exacta. La primera se calcula mediante su denici on (8.66) y nalmente el error de dispersi on se escribe como: = t Re { } = t tan1 Im {G} Re {G} (8.84)
= = /
tan1 sin()/(1 + cos())
La gura 8.6 (FIXME:= la gura referenciada es para Lax-Friedrichs) muestra como es el error de dispersi on para diferentes n umeros de Courant, fundamentalmente para = 1/2 que da dispersi on
231
nula y para = 1/4 y 3/4 que son casos representativos de ondas num ericas que viajan m as lentas y m as r apido que las exactas respectivamente.
Figura 8.6: Error de dispersi on del m etodo de Lax-Friedrichs para la ec. de advecci on pura.
8.5.4.
Extensi on a esquemas de tres niveles
Una forma muy simple de ver un esquema de tres niveles es mediante la introducci on de una ecuaci on adicional. De esta forma el problema queda denido mediante dos ecuaciones de 2 niveles y es completamente an alogo al caso de tratar con sistema de ecuaciones. De esta forma la matriz de amplicaci on que surge requiere un c alculo de autovalores para poder identicar los errores de disipaci on y dispersi on. Dejamos como ejemplos dos casos interesantes. El esquema leapfrog para la ecuaci on de convecci on
+1 n n un = zi (un i+1 ui1 ) i n+1 zi = un i
(8.85)
El esquema Du Fort-Frankel para la ecuaci on de difusi on

+1 1 n (1 2 )un = (1 2 )un + 2 (un i+1 ui1 ) i i
= t/x2
N umero de Fourier
(8.86)
8.5.5.
El concepto de velocidad de grupo
Un paquete de ondas contiene en general arm onicas con varias frecuencias. En ese caso la velocidad de grupo representa la velocidad a la cual la energ a de la onda se propaga. En el caso de una onda unidimensional la denici on matem atica de la velocidad de grupo de la soluci on exacta es: 232
v G (k ) = Su contraparte num erica la denimos como
d dk
(8.87)
d d = Re{ } (8.88) dk dk Un ejemplo lo tenemos con el esquema leapfrog que tiene una relaci on de dispersi on num erica expresada como: vG (k ) = sin( t) = sin() y aplicando (8.88) se llega a que: vG (k ) = a cos() a cos() = cos( t) (1 2 sin2 ())1/2 (8.90) (8.89)
Para bajas frecuencias la velocidad de grupo es similar a la velocidad de transporte a pero a altas frecuencias esta tiende a a o sea en contrafase con la exacta.
8.5.6.
An alisis de Von Neumann multidimensional
Para extender lo visto en las secciones anteriores al caso multidimensional introducimos el vector n umero de onda k, de forma que una soluci on descompuesta en arm onicas puede escribirse como: u(x, t) v eIt eI kx El producto escalar en su versi on discretizada se escribe como: (k x)i,j,k = kx ix + ky j y + kz k z = ix + jy + kz (8.92) (8.91)
donde cada n umero de fase en cada direcci on espacial barre el rango [, ]. El resto del an alisis permanece id entico al caso unidimensional. Para ejemplicar tomemos la ecuaci on del calor, un ejemplo de una ecuaci on del tipo parab olica. u 2u 2u = + 2 t x2 y (8.93)
Si usamos un esquema centrado en las variables espaciales y expl cito de primer orden en el tiempo la versi on discreta se escribe como:
+1 n un i,j ui,j = t n n un i+1,j 2ui,j + ui1,j
x2
n n un i,j +1 2ui,j + ui,j 1
y 2
(8.94)
Una descomposici on de Fourier discreta se dene por: un i,j =

kx ,ky
v n eIkx ix eIky j y
(8.95)
233
Secci on 8.6. Convergencia
Deniendo la matriz de amplicaci on en forma similar al caso unidimensional v n+1 = Gv n e introduci endola junto con (8.95) en (8.94) se llega a: G 1 = [(eIx + eIx 2) + ( x 2 Iy ) (e + eIy 2)] y (8.96)
con el n umero de Fourier antes denido. Otra vez, haciendo que el factor de amplicaci on se mantenga en m odulo menor que la unidad se llega a dos condiciones similares al caso 1D apenas m as restrictivas, >0 (1 + ( x 2 ) ) 1/2 y (8.97)
8.6.
Convergencia
La convergencia puede ser establecida siguiendo a Richtmyer y Morton de la siguiente forma:

t0 , n
lim
(t)|| = 0 ||[C (t)]n U 0 U
(8.98)
para nt jo. Siguiendo el teorema de equivalencia de Lax podemos decir que: para un problema de valores iniciales bien planteado y una discretizaci on consistente, la estabilidad es condici on necesaria y suciente para la convergencia Con esto concluimos diciendo que los dos pasos necesarios del an alisis son: (1) La consistencia conduce a la determinaci on del orden de precisi on del esquema y su error de truncaci on (2) la estabilidad nos brinda informaci on detallada de la distribuci on en frecuencias del error como funci on del contenido en frecuencia de la soluci on calculada. De esta forma la convergencia queda denida sin necesitar an alisis.
234
Secci on 8.7. TP. Trabajo Pr actico
8.7.
TP. Trabajo Pr actico
1. Escriba un programa en MatLab que graque el factor de amplicaci on para la ecuaci on de adveccci on-difusi on discretizada en el espacio en forma central y en el tiempo usando un esquema expl cito Forward Euler para diferentes n umeros de Peclet. Considere al menos lo que sucede cuando el Peclet de la malla es: a.- P eh << 1 b.- P eh < 1 c.- P eh = 1 d.- P eh > 1 e.- P eh >> 1 2. Obtener la matriz de amplicaci on para el modelo unidimensional linealizado de shallow water usando un esquema centrado espacialmente y un integrador temporal tipo Lax-Friedrichs,
+1 n un = 1/2(un i+1 + ui1 ) i
n (u un i1 ) 2 i+1
3. Calcule la matriz de amplicaci on para la ecuaci on de las ondas unidimensional de segundo orden:
2 2w 2 w a =0 t2 x2
usando el siguiente esquema de discretizaci on basado en una descomposici on del operador de segundo orden en 2 ecuaciones de primer orden: at n n (w wi ) x i+1 at n+1 n+1 n+1 n (v wi wi wi = 1 ) x i
n+1 n vi vi =
(8.99)
a.- Encuentre la condici on de estabilidad de este esquema. b.- Es este esquema adecuado para resolver una ecuaci on el ptica del tipo
2 2w 2 w + | a =0 | t2 x2
4. Calcule el error por disipaci on y por dispersi on para la ecuaci on de advecci on pura discretizada espacialmente en forma centrada y temporalmente mediante un esquema del tipo Lax-Friedrichs.
235
5. Obtenga el esquema num erico de Lax-Wendro. Este se puede escribir partiendo de una expansi on en series de Taylor como la siguiente:
+1 un = un i + t i
u 2u + 1/2t2 2 + O(t3 ) t i t i
u reemplazando la ecuaci on diferencial u on que surge de derivar esta u ltima t + a x = 0 y una versi nuevamente respecto al tiempo e intercambiar ndices de derivaciones.
A continuaci on calcule el error por disipaci on y por dispersi on para la ecuaci on de advecci on pura discretizada espacialmente en forma centrada y temporalmente mediante el esquema de Lax-Wendro. 6. Programe los siguientes esquemas aplicados a la ecuaci on de advecci on pura: a.- expl cito con upwind, b.- centrado y Lax-Friedrichs, c.- centrado y Lax-Wendro, y ensayar su comportamiento para las siguientes condiciones iniciales: 1.- una soluci on constante pero discontinua en el centro del dominio, 2.- una onda senoidal con fase = /10, 3.- una onda senoidal con fase = /5. Analice el comportamiento bajo diferentes n umeros de Courant ( ) y saque conclusiones. 7. El esquema leapfrog aplicado a la ecuaci on de advecci on no estacionaria ut + aux = 0 se puede escribir como:
+1 1 n un = un (un i+1 ui1 ) i i
(8.100)
Programe un esquema de este tipo e inicialice la soluci on con: u(x, t = 0) = ex sin(2kx)

2
= k x = /4 = 0.4 x = 1/80 a=1
(8.101)
Estime la velocidad de grupo y analice la soluci on num erica obtenida compar andola con la te orica.
236
8. Analice el esquema leapfrog en combinaci on con una discretizaci on espacial con upwind para resolver la ecuaci on de advecci on pura no estacionaria en 1D. Calcule la matriz de amplicaci on y muestre que el esquema es inestable. 9. Aplique una discretizaci on espacial con full upwind en ambas direcciones a la ecuaci on de convecci on pura no estacionaria en 2D ut + aux + buy = 0 usando un esquema expl cito de primer order para integrarla en el tiempo. Realice un an alisis de estabilidad de von Neumann y compare la condici on de estabilidad con aquella del caso 1D. 10. Escriba un programa para analizar la estabilidad de von Neumann del esquema de Lax-Wendro aplicado a una discretizaci on espacial centrada en 2D para resolver la ecuaci on de advecci on pura. Graque el factor de amplicaci on en funci on de la fase para diferentes n umeros de Courant. Compare con el caso 1D.
237
Cap tulo 9
M etodos iterativos para la resoluci on de ecuaciones lineales

9.1.
9.1.1.
Conceptos b asicos de m etodos iterativos estacionarios

Notaci on y repaso
Ax = b (9.1)
Denotamos a un sistema lineal como con A no-singular de N N y b RN . La soluci on del sistema la denotamos como x = A1 b RN , mientras que x representa una soluci on potencial. Los m etodos iterativos se basan en encontrar una secuencia {xk } k=0 tal que
k
lim xk = x
(9.2)
Debemos asegurar la convergencia del m etodo iterativo y si es posible determinar la tasa de convergencia, es decir como se comporta el error x xk para k . Normas inducidas Dada una norma para vectores por A = max Ax = max
x =1 x=0
. , denotamos por A la norma de A inducida por Ax x
. , denida (9.3)
Las normas inducidas tienen la importante propiedad de que Ax A y tambi en: AB A B (9.5) x (9.4)
238
todos iterativos para la resolucio n de ecuaciones lineales Cap tulo 9. Me
Secci on 9.1. Conceptos b asicos de m etodos iterativos estacionarios
ya que AB = max ABx

x =1
(9.6) (9.7) (9.8) (9.9)
max A
x =1 x =1
Bx
= A max Bx = A Obviamente I = 1 y 0 = 0. Diferentes normas utilizadas son A A A

2
maximo autovalor de(AT A)

j
= maxi
|aij |
= maxj (
i |aij |)
Norma inducida L2 de una matriz. Sea B = AT A entonces B es sim etrica y denida positiva. T v = , entonces Sean {vj , j }N los autovalores de B , v k jk j =1 j A Si x =
j 2 2
= max
x=0
xT Bx xT x
(9.10)
j vj entonces Bx =
j
j j vj
(9.11)
y xT Bx =( =
jk T )( k vk
j j vj )
(9.12) (9.13) (9.14)
T k j j vk vj 2 j j j
= Por otra parte,
xT x =
j
2 j
(9.15)
y A
2 2
= max
2 j j j 2 j
aIRN
= max j
j
(9.16)
Adem as, si A es sim etrica, entonces es diagonalizable, con autovalores j , entonces AT A = A2 y autovalores de A2 = (j )2
(9.17) 239
de manera que A
2
= max |autovalores de A|
(9.18)
Norma innito inducida de una matriz. Por denici on x = max |(x)i | y entonces, la norma inducida es Ax
(9.19)
= max |
i j
aij xj | max
i j
|aij | |xj |
(9.20)
max
i
|aij | max |xk | k |aij | x
(9.21)
= max
i j
(9.22)
por lo tanto A Tomemos v tal que (v )j = sign aij , entonces, es obvio que v y |(Av )k | =
j
|aij | .
j
max
i
(9.23)
con i = argmax
k j
|akj |
(9.24)
=1
(9.25)
akj vj |akj | <
|akj | |vj | |aij |
(9.26) (9.27)
Para k = i se satisface que |(Av )i | = = = aij vj aij sign aij |aij |. (9.28) (9.29) (9.30) (9.31) Por lo tanto, Av
Av = max i v
|aij |
j
(9.32)
240
Norma inducida 1 de una matriz. Por denici on, x y entonces, Ax

1 1
=
i
|(x)i |
(9.33)
=
i
|(Ax)i | =
i
|
j
aij xj |
(9.34)
i j
|aij | |xj | =
j i
|aij |
|xj |
(9.35)
max
k i
|aik | |xj |
(9.36)
= y entonces
max
k i
|aik |
(9.37)
A Sea v tal que (v )i = ij con j = argmaxk
max
k i
|aik |
(9.38)
i |aik |,
entonces ij = 1
i
v y como
(9.39)
(Av )i = aij entonces Av y por denici on de norma inducida A

1 1
(9.40) |aik |
i
=
i
|aij | = max
k
(9.41)
Av 1 = max k v 1
|aik |
i
(9.42)
y entonces, de (9.38) y (9.42) se deduce que A

1
= max
k i
|aik |
(9.43)
Normas no inducidas. Es f acil demostrar que existen normas que no son inducidas, es decir que satisfacen A > 0, si A = 0 A = || A A+B A + B
(9.44) (9.45) (9.46) 241
pero no provienen de ninguna norma para vectores. Por ejemplo, si denimos la norma A
como (9.47)
=c A
con c > 0, c = 1, entonces es claro que es una norma pero I N umero de condici on
= c = 1 y por lo tanto no es inducida.
El n umero de condici on de una matriz no-singular en la norma (A) = A Podemos ver que 1 = I = AA1 A Si A es singular tomamos como que (A) = . Criterios de convergencia de los m etodos iterativos A1
es (9.48)
A1 = (A)
(9.49)
Desear amos detener un m etodo iterativo cuando ek = x xk < tol, pero como no cono cemos x esto es imposible en los casos pr acticos. Pero s podemos calcular el residuo de la ecuaci on para la iteraci on k como rk = b Axk (9.50) Si rk es sucientemente peque no esperamos que ek sea peque no y podemos poner como criterio de detenci on rk tol (9.51) r0 El siguiente lema nos permite relacionar ambos criterios de detenci on Lema 1.1.1. Dados b, x, x0 IRN , A no-singular y x = A1 b, entonces r e (A) e0 r0 Demostraci on. r = b Ax = Ax Ax = A(x x ) = Ae entonces e = A1 Ae A1 y r0 A Por lo tanto A 1 e e0 A1 e0 . (9.55) Ae = A1 r (9.54) (9.53) (9.52)
r r = (A) r0 r0
(9.56)
La divisi on por e0 y r0 es para adimensionalizar el problema. Por ejemlo, si consideramos un problema t ermico, entonces x puede representar temperaturas nodales y por lo tanto tendr a dimensiones de temperatura ( C), el miembro derecho q tendr a dimensiones de potencia (Watts) y los coecientes
242
[Ai j ] = W/ C, pero lo importante es que el residuo tendr a las mismas dimensiones que b es decir potencia (Watts). Ahora si hacemos un cambio de unidades tomando como unidad de potencia a cal/s entonces el criterio de parada r < tol es completamente diferente, mientras que r / r0 es el mismo en los dos sistemas de unidades. Por otra parte, este criterio depende de la soluci on inicial x0 lo cual puede llevar a iterar demasiado en el caso en que partimos de una buena soluci on ( r0 muy peque no). Otra posibilidad es rk < tol (9.57) b Ambos coinciden si x0 = 0.
9.1.2.
El lema de Banach
La forma m as directa de obtener (y posteriormente analizar) un m etodo iterativo es reescribir (9.1) como un problema de iteraci on de punto jo. Una forma de hacer esto es reescribir la ecuaci on como x = (I A)x + b lo cual induce el siguiente m etodo iterativo de Richardson xk+1 = (I A)xk + b (9.59) (9.58)
El an alisis de tales secuencias recursivas es m as general y vamos a estudiar la convergencia de relaciones recursivas generales de la forma xk+1 = M xk + c (9.60) donde M es la llamada matriz de iteraci on o matriz de amplicaci on. Estos m etodos son llamados m etodos iterativos estacionarios porque la transici on de xk a xk+1 no depende de la historia anterior: M etodos estacionarios: xk+1 = f (xk ) M etodos no estacionarios: xk+1 = f (xk , xk1 , xk2 , . . .) Los m etodos de Krylov que discutiremos m as adelante no son m etodos estacionarios. Es interesante tambi en ver que el esquema de Richardson puede ponerse de la forma xk+1 = xk + (b Axk ) = xk + rk (9.61)
N otese que rk act ua como una peque na correcci on a la iteraci on k para obtener la siguiente k + 1. Si estamos sucientemente cerca de la soluci on x entonces rk ser a peque no y la correcci on ser a peque na. Aplicando recursivamente (9.60) obtenemos una expresi on general para la iteraci on xk . Asumamos por simplicidad que x0 = 0, entonces x1 = c x2 = M c + c = (M + I ) c x3 = M (M + I ) c + c = (M + M + I ) c . . . . . .
k 1 j =0 2
(9.62) (9.63) (9.64) (9.65) (9.66)
xk =
Mj c
243
Es claro que la convergencia del m etodo est a ligada a la convergencia de la suma de M j . N N Lemma 1.2.1. Si M IR satisface M < 1 entonces I M es no-singular y (I M )1 1 1 M
k l l=0 M .
(9.67) Mostraremos que
Demostraci on. Veremos que la serie converge a (1 M )1 . Sea Sk = es una secuencia de Cauchy
m
Sk Sm
=
l=k+1 m
Ml Ml
l=k+1 m l
(9.68)

l=k+1
(9.69)
M
k+1
(9.70)
= M 0
1 M mk 1 M
(9.71) (9.72)
para m, k . Entonces Sk S para alg un S . Pero entonces tomando el l mite en la relaci on de recurrencia M Sk + I = Sk+1 (9.73) obtenemos MS + I = S Por lo tanto (I M )S = I de donde I M es no-singular y S = (I M )1 . Por otra parte
(9.74) (9.75)
(I M )
l=0
= (1 M )1
(9.76)
Matrices diagonalizables bajo la norma 2. En el caso en que M es diagonalizable y consideramos la norma M 2 es m as f acil de visualizar las implicancias del lema. Sean S no-singular y diagonal las matrices que dan la descomposici on diagonal de M M (I M ) = S 1 S =S
1
(9.77) (9.78)
(I )S
244
Como M = maxj |j | < 1 esto quiere decir que todos los autovalores j de M , que son reales ya que M es sim etrica, est an estrictamente contenidos en el intervalo 1 < j < 1. Por otra parte (I M )1
2
1 j 1 j 1 = min |1 j | 1 = 1 max j 1 1 = 1 max |j | 1 M = max
(9.79) (9.80) (9.81) (9.82)

2
Corolario 1.2.1. Si M < 1 entonces la iteraci on (9.60) converge a x = (I M )1 c para cualquier punto inicial x0 . Demostraci on. Si x = x0 ya est a demostrado. Si x = x0 haciendo el cambio de variables xk = xk x0 llegamos al esquema recursivo xk+1 x0 xk+1 = M (xk x0 ) + c (I M ) x0 = M xk + c (9.83) (9.84)
El cual converge y converge a (I M )1 c , por lo tanto xk converge a (I M )1 c + x0 = (I M )1 [c (I M ) x0 ] + x0 = (I M )

1
(9.85) (9.86)
Una consecuencia del corolario es que la iteraci on de Richardson (1.6) converge si I A < 1. A veces podemos precondicionar el sistema de ecuaciones multiplicando ambos miembros de (9.1) por una matriz B BA x = Bb (9.87) de manera que la convergencia del m etodo iterativo es mejorada. En el contexto de la iteraci on de Richardson las matrices B tales que permiten aplicar el Lema de Banach y su corolario se llaman inversas aproximadas Denici on 1.2.1. B es una inversa aproximada de A si I BA < 1. El siguiente teorema es llamado com unmente Lema de Banach. Teorema 1.2.1. Si A y B IRN N y B es una inversa paroximada de A, entonces A y B son no singulares y A B , B 1 , (9.88) A1 1 I BA 1 I BA y B I BA A I BA A1 B , A B 1 , (9.89) 1 I BA 1 I BA Demostraci on. Sea M = I BA, entonces I M = BA es no singular y por lo tanto B y A son no-singulares y 1 (BA)1 = A1 B 1 (9.90) 1 I BA
245
y A1 A1 B 1 Por otra parte, A1 B = (I BA)A1 B I BA 1 I BA (9.92) B B . 1 I BA (9.91)
La demostraci on de las otras desigualdades es similar. Notar que hay una cierta simetr a en el rol jugado por A y B . De hecho deber amos denir inversa aproximada por derecha y por izquierda y B ser a la inversa aproximada por derecha de A. La iteraci on de Richardson, precondicionada aproximadamente, tiene la forma xk+1 = (I BA) xk + Bb (9.93)
Si I BA 1 las iteraciones convergen r apido y adem as, (por el Lema 1.2.1) las decisiones basadas en el residuo precondicionado B (b A x) reejar an muy bien el error cometido.
9.1.3.
Radio espectral
o la convergencia del esquema iterativo (9.60) a la norma de la matriz El an alisis de 9.1.2 relacion M . Sin embargo la norma de M puede ser peque na en alguna norma y grande en otras. De aqu que la performance de la iteraci on no sea completamente descripta por M . El concepto de radio espectral da una descripci on completa. Sea (A) el conjunto de autovalores de A. Denici on 1.3.1. El radio espectral de A es (A) = max || = lim An
(A) n 1/n
(9.94)
El radio espectral de A es independiente de la norma particular de M . De hecho (A) A ya que, si Av = max v , entonces A Av = |max | = (A) v (9.96) (9.95)
Siempre que . sea una norma inducida. En realidad puede demostrarse algo as como que (A) es el nmo de todas las normas de A. Esto es el enunciado del siguiente teorema (que no demostraremos aqu ). Teorema 1.3.1. Sea A IRN N . Para cada > 0 existe una norma inducida . tal que (A) > A . Puede verse que, si (M ) 1 entonces existen x0 y c tales que (9.60) diverge. Efectivamente, sea v el autovalor tal que M v = v y || = (M ) 1. Tomemos x0 = v , c = 0, entonces xk = M k x0 = k x0 es claro que no converge.
(9.97)
246
Figura 9.1: Historia de convergencia t pica Teorema 1.3.2. Sea M IRN N . La iteraci on (9.60) converge para todos x0 , c IRN N sy y solo si (M ) < 1. Demostraci on. Si (M ) > 1 entonces en cualquier norma tal que M > 1 la iteraci on no converge por el p arrafo anterior. Por otra parte, si (M ) < 1 entonces, tomando = (1 (M ))/2, existe una norma tal que 1 M < (M ) + = (1 + (M )) < 1 (9.98) 2 y por lo tanto converge. Tasa de convergencia de m etodos estacionarios. Para un esquema convergente de la forma xk+1 = (I BA) xk + Bb podemos estimar la tasa de convergencia como, xk x = (I BA) xk1 + BA x x = (I BA) (xk1 x ) y por lo tanto xk x I BA I BA
k
(9.99)
(9.100) (9.101)
xk1 x x0 x
(9.102) (9.103) (9.104)
Es usual visualizar la convergencia del m etodo gracando rk versus k . Como rk 2 puede reducirse en varios ordenes de magnitud durante la iteraci on, es usual usuar ejes logar tmicos para rk 2 . Por otra parte (9.103) no s olo es una estimaci on de la tasa de convergencia sino que, de hecho, muchas veces el residuo de la ecuaci on termina comport andose de esta forma, despu es de un cierto transitorio inicial (ver gura) es decir rk k r0 (9.105)
247
Figura 9.2: Estimaci on de la tasa de convergencia Este tipo de comportamiento se reeja en una recta de pendiente log en el gr aco. Un ndice de la velocidad de convergencia es el n umero de iteraciones n necesario para bajar el residuo un factor 10, rk+n = 1/10 rk r0 = 1/10 r0 log 10 log 10 = n log , n = log(1/ ) para problemas muy mal condicionados =1 , y entonces, log(1/ ) , n= log 10 (9.110) 1 (9.109)
k +n k
(9.106) (9.107) (9.108)
A veces podemos calcular la tasa de convergencia experimentalmente conociendo el valor del residuo rk para dos iteraciones k1 , k2 . Asumiendo que en el intervalo k1 k k2 la tasa de convergencia es constante como en (9.105) (ver gura 9.2), entonces r2 = k2 k1 r1 de donde log = y entonces, n= (k2 k1 ) (log 10) (k2 k1 ) = log( r1 / r2 ) log10 ( r1 / r2 ) (9.113) log( r2 / r1 ) k2 k1 (9.111)
(9.112)
9.1.4.
Saturaci on del error debido a los errores de redondeo.
A medida que vamos iterando el residuo va bajando en magnitud. Cuando el valor del residuo pasa por debajo de cierto valor umbral dependiendo de la precisi on de la m aquina ( 1015 en Octave, Fortran (real *8) o C (tipo double)) se produce, debido a errores de redondeo, un efecto de saturaci on
248
mquina de precisin finita

1e-10
mquina de precisin infinita

1e-20 0 2000 4000 6000 8000
iter
10000
Figura 9.3: Saturaci on del error por errores de redondeo. (ver gura 9.3). Es decir, al momento de calcular (9.50), es claro que incluso reemplazando xk por la soluci on exacta x el residuo (calculado en una m aquina de precisi on nita) dara un valor no nulo del orden de la precisi on de la m aquina. Por supuesto este umbral de saturaci on es relativo a la norma de cada uno de los t erminos intervinientes y adem as para sistemas mal condicionados, el umbral se alcanza antes por un factor (A), es decir que r
sat
1015 (A) b
(9.114)
9.1.5.
M etodos iterativos estacionarios cl asicos
Hay otras formas alternativas a (9.58) de llevar Ax = b a un problema de punto jo. Los m etodos como Jacobi, Gauss-Seidel y relajaciones sucesivas se basan en descomposiciones de A (splittings) de la forma, A = A1 + A2 (9.115) con A1 no-singular y f acil de factorizar. El nuevo problema de punto jo es
1 x = A 1 (b A2 x) 1 El an alisis del m etodo se basa en estimar el radio espectral de M = A 1 A2 . Iteraci on de Jacobi. Corresponde a tomar
(9.116)
A1 A2
= D = diag(A) =L+U =AD
(9.117) (9.118) 249
donde L, U, D son las partes triangular inferior, superior y diagonal de A = L + U + D. El esquema iterativo es
1 (xk+1 )i = a bi ii j =i
aij (xk )j
(9.119)
Notar que A1 es diagonal y, por lo tanto, trivial de invertir. La matriz de iteraci on correspondiente es MJac = D1 (L + U ) Teorema 1.4.1. Sea A IRN N y asumamos que para cualquier 1 i N 0<
j =i
(9.120)
|aij | < |aii |
(9.121)
entonces A es no-singular y Jacobi converge. Demostraci on. Veamos que

N
|mij | =
j =1
j =i |aij |
|aii |
<1
(9.122)
Entonces, MJac
= max
i j
|mij | < 1
(9.123)
Por lo tanto la iteraci on converge a la soluci on de x x = M x + D 1 b = (I D

1
(9.124)
1
A)x + D
(9.125)
entonces Ax = b y I M = D1 A es no-singular y A es no-singular. Iteraci on de Gauss-Seidel. En este esquema se reemplaza la soluci on aproximada con el nuevo valor tan pronto como este es calculado,
1 (xk+1 )i = a bi ii j<i
aij (xk+1 )j
j>i
aij (xk )j
(9.126)
que puede escribirse como (D + L) xk+1 = b U xk El split correspondiente es A1 = D + L, A2 = U y la matriz de iteraci on MGS = (D + L)1 U (9.129)
1 A1 es triangular inferior y por lo tanto A acil de calcular. Notar tambi en que a diferencia de 1 es f Jacobi, depende del ordenamiento de las inc ognitas. Tambi en podemo hacer un backward GaussSeidel con el splitting A1 = D + U, A2 = L (9.130)
(9.127) (9.128)
250
La iteraci on es (D + U ) xk+1 = (b Lxk ) y la matriz de iteraci on MBGS = (D + U )1 L (9.132) Gauss-Seidel sim etrico. Podemos combinar alternando una iteraci on de forward GS con una de backward GS poniendo (D + L) xk+1/2 = b U xk (D + U ) xk+1 = b Lxk+1/2 La matriz de iteraci on es MSGS = MBGS MGS = (D + U )1 L (D + L)1 U Si A es sim etrica, entonces U = LT y MSGS = (D + LT )1 L (D + L)1 LT (9.136) (9.135) (9.133) (9.134) (9.131)
Queremos escribir estos esquemas como una iteraci on de Richardson precondicionada, es decir que queremos encontrar B tal que M = I BA y usar B como inversa aproximada. Para la iteraci on de Jacobi, BJac = D1 (9.137) y para Gauss-Seidel sim etrico BSGS = (D + LT )1 D (D + L)1 Vericaci on. Debemos demostrar que MSGS = I BSGS A. Efectivamente, I BSGS A = I (D + LT )1 D (D + L)1 (D + L + LT ) = I (D + L ) = (D + L ) = (D + L ) = (D + L ) = (D + L ) = MSGS Sobrerelajaci on. Consideremos iteraci on simple de Richardson xk+1 = xk + (b Axk ) (9.146)
T 1 T 1 T 1 T 1 T 1
(9.138)
(9.139) (9.140) (9.141) (9.142) (9.143) (9.144) (9.145)
D (I + (D + L)
T 1
1 T
L )
1 T
[D + L D D(D + L) [I D(D + L) L (D + L)
1
L ]
]L
T 1
[(D + L) D] (D + L) L
T
Si vemos que xk se acerca mon otonamente y lentamente a x podemos pensar en acelerarlo (ver gura 9.4) diciendo que el m etodo iterativo en realidad nos predice un estado intermedio xk+1 , y buscamos el vector de iteraci on xk+1 sobre la recta que une xk con xk+1 xk+1 xk+1 = xk + (b Axk ) = xk + (xk+1 xk ) (9.147) (9.148) 251
Figura 9.4: Aceleraci on de la convergencia por sobre-relajaci on Veremos m as adelante que el valor optimo de est a relacionado con la distribuci on de autovalores de la matriz de iteraci on en el plano complejo. Mientras tanto podemos ver intuitivamente que = 1 deja el esquema inalterado > 1 tiende a acelerar la convergencia si el esquema converge lenta y mon otonamente < 1 tiende a desacelerar la convergencia si el esquema se hace inestable. Esquema iterativo de Richardson con relajaci on para matrices spd. Aplicando el m etodo de relajaci on a la iteraci on b asica de Richardson obtenemos el esquema xk+1 = xk + rk que puede reescribirse como xk+1 = (I A) xk + b de manera que la matriz de iteraci on es MSR = I A Asumiendo que A es sim etrica y denida positiva (spd), el espectro de MSR esta dado por (MSR ) = 1 (A) (9.152) (9.151) (9.150) (9.149)
pero como A es spd, los autovalores (A) son reales y positivos. Asumamos que est an ordenados 1 2 . . . N . Tambi en denotaremos min = N , max = 1 . Los autovalores de MSR se comportan en funci on de como se observa en la gura 9.5. Para un dado todos los autovalores de MSR est an comprendidos entre los autovalores correspondientes a min y max (la regi on rayada de la gura). Para sucientemente chico todos los autovalores se concentran cerca de la unidad. Para un cierto valor crit el autovalor correspondiente a max se pasa de 1 con lo cual la iteraci on no converge. El valor de crit est a dado entonces por 1 crit max = 1, crit = 2 max (9.153)
La tasa de convergencia est a dada por = maxj |1 j |, y queremos buscar el que da la mejor tasa de convergencia, es decir el m nimo . Como los 1 j est an comprendidos en el intervalo 1 min , 1 max , se cumple que = max(|1 min |, |1 max |)
(9.154) 252
Ahora bien, para un cierto intervalo de valores 0 < < opt el m aximo corresponde a 1 min y decrece al crecer , mientras que para opt < < crit el m aximo est a dado por 1 + max y crece con . Para = opt ambos valores coinciden y entonces 1 opt min = 1 + opt max de donde opt = 2 max + min (9.155)
(9.156)
Adem as es f acil ver que es m nimo para = opt , de ah el nombre de coeciente de relajaci on optimo. Podemos ver tambi en que, para n umeros de condici on muy altos el valor optimo se encuentra muy cerca del valor cr tico, 1 crit crit (9.157) opt = 1 + (A)1 La tasa de convergencia que se obtiene para opt es de nopt = = log 10 log(1/opt ) (9.158) (9.159) (9.160)
log 10 log[1 2min /(max + min )] log 10 = log[( + 1)/( 1)] que para sistemas mal condicionados ( nopt = 1) es log 10 1.15 2
(9.161)
M etodo de relajaciones sucesivas. La combinaci on de Gauss-Seidel puede mejorarse dram aticamente con sobre-relajaci on para una cierta elecci on apropiada del par ametro de relajaci on. Este m etodo es muy popular y se llama SSOR por Successive Standard Over-Relaxation. Partiendo de (9.127) y reescribi endolo como D xk+1 + L xk+1 = b U xk (9.162) y combinando con la sobre-relajaci on est andar (9.148) xk+1 = 1 (xk+1 (1 ) xk ) llegamos a D[xk+1 (1 ) xk ] + Lxk+1 = (b U xk ) (D + L)xk+1 = [(1 ) D U ]xk + b de manera que la matriz de iteraci on es MSOR = (D + L)1 [(1 ) D U ] (9.166) (9.164) (9.165) (9.163)
253
Secci on 9.2. M etodo de Gradientes Conjugados
Figura 9.5: Comportamiento de los autovalores de la matriz de iteraci on en funci on del par ametro de relajaci on
9.2.
9.2.1.
M etodo de Gradientes Conjugados

M etodos de Krylov y propiedad de minimizaci on
Los m etodos de Krylov (a diferencia de los m etodos estacionarios que vimos hasta ahora), no tienen una matriz de iteraci on. Los que describiremos m as en profundidad son Gradientes Conjugados y GMRES. Ambos se basan en que la k - esima iteraci on minimiza alguna medida del error en el espacio af n x0 + Kk (9.167) donde x0 es la iteraci on inicial y el subespacio de Krylov Kk es Kk = span{r0 , Ar0 , A2 r0 , . . . , Ak1 r0 }, k1 (9.168)
Nota: El papel de x0 y b puede intercambiarse, lo importante es r0 (esto vale pr acticamente para todos los m etodos iterativos). De hecho, el esquema es invariante ante translaciones del origen, es decir las iteraciones para los dos sistemas siguientes Ax = b, Ax = b , con x b x0 =xx = b + Ax = x0 x (9.171) (9.172) (9.173) inicializando en x0 inicializando en x0 (9.169) (9.170)
254
son equivalentes (es decir, xk = xk x ), ya que r0 = b Ax0 = b + Ax Ax0 Ax = b Ax0 = r0 (9.174) (9.175) (9.176) (9.177)
de manera que el espacio de Krylov es el mismo. Entonces podemos, o bien eliminar b haciendo x = x o eliminar x0 haciendo x = x0 . El residuo es r = b Ax, de manera que {rk } para k 0 denota la secuencia de residuos rk = b Axk . Como antes, x = A1 b, es la soluci on del sistema. El m etodo de GC es en realidad un m etodo directo, en el sentido de que llega a la soluci on en un n umero nito de pasos, de hecho veremos m as adelante que converge en N (o menos) iteraciones, es decir que xk = x , para un cierto k con k N (9.178)
GC es un m etodo que sirve en principio s olo para matrices (spd). Recordemos que A es sim etrica si T A = A y denida positiva si xT Ax > 0, para todo x = 0 (9.179) Luego veremos que podemos extender cualquier sistema (no sim etrico ni denido positivo) a un sistema spd. Como A es spd. podemos denir una norma como (9.180) x A = xT Ax es la llamada norma A o norma energ a ya que en muchos problemas pr acticos el escalar resultante ( x 2 ) representa la energ a contenida en el campo representado por el vector x. A El esquema a seguir ser a Descripci on formal del m etodo y consecuencias de la propiedad de minimizaci on Criterio de terminaci on, performance, precondicionamiento Implementaci on La k - esima iteraci on de GC xk minimiza el funcional cuadr atico (x) = (1/2)xT Ax xT b en x0 + Kk . Notemos que si hacemos el m nimo sobre todo IRN , entonces si x = argmin (x),
xIRN
(9.181)
(9.182)
vale que ( x) = Ax b = 0, implica x = x (9.183) 255
Lema 2.1.1. Sea S IRN , si xk minimiza sobre S , entonces tambi en minimiza x x sobre S . Demostraci on. Notemos que x x
2 A
= r
A1
= (x x )T A (x x ) = x Ax x
T T
(9.184)
T T
Ax x Ax + x
Ax
(9.185)
pero A = AT , entonces xT A x = xT AT x = xT A x y Ax = b, de manera que x x

2 A
= xT Ax 2xT b + xT A x = 2(x) + x
T
(9.186) (9.187)
Ax
Pero xT A x =cte de manera que xk minimiza x x e

2 A
A.
Sea e = x x , entonces, (9.188)
= eT A e = [A(x x )] A = (b Ax) A = b Ax
T 1 2 A1 T 1
[A(x x )]
(9.189) (9.190) (9.191)
(b Ax) .
Usaremos este lema para el caso S = x0 + Kk .
9.2.2.
Consecuencias de la propiedad de minimizaci on.
El lema 2.1.1 implica que, como xk minimiza sobre x0 + Kk , x xk

A
x w
(9.192)
para todo w x0 + Kk . Como w x0 + Kk puede ser escrito como

k 1
w=
j =0
j Aj r0 + x0
(9.193)
para ciertos coecientes {j }, podemos expresar x w como

k 1
x w = x x0
j =0
j Aj r0
(9.194)
Pero r0 = b Ax0 = A(x x0 ) entonces

k 1
(9.195)
x w
= (x x0 )
j =0
j Aj +1 (x x0 )
(9.196) (9.197) 256
= p(A) (x x0 )
donde el polinomio
k 1
p(z ) = 1
j =0
j z j +1
(9.198)
tiene grado k y satisface p(0) = 1. Entonces, x xk

A
pPk ,p(0)=1
min
p(A) (x x0 )
(9.199)
Pk denota el conjunto de los polinomios de grado k . El teorema espectral para matrices spd arma que existe una base de autovectores {ui }N i=1 con autovalores {i } A ui = i u i con ui , i reales, i > 0 y los ui ortogonales entre s , es decir que uT i uj = ij Adem as formamos las matrices U La descomposici on diagonal de A es A = U UT Adem as Aj = (U U T ) (U U T ) . . . (U U T ) = U U y p(A) = U p() U T Denamos A1/2 = U 1/2 U T y notemos que x Entonces, para todo x IRN p(A) x
A 2 A j T
(9.200)
(9.201)
u1 u2 . . . uN
(9.202) (9.203)
= diag{1 , 2 , . . . , N }
(9.204)
(9.205) (9.206)
(9.207) (9.208)
2 2
= xT A x = A1/2 x
(9.209)
= A /2 p(A) x = p(A) A /2 x p(A) p(A)

2 1 2 1
2 2 2
(9.210) (9.211) (9.212) (9.213) 257
A /2 x
A
y volviendo a (9.199) xk x
A
x0 x
pPk ,p(0)=1
min
z (A)
max |p(z )|
(9.214)
donde (A) es el conjunto de autovalores de A. Corolario 2.2.1. Sea A spd y {xk } las iteraciones de GC. Sea p k cualquier polinomio de grado k tal que p k (0) = 1, entonces xk x A max |p k (z )| (9.215) x0 x A z (A) Los polinomios que satisfacen p k (0) = 1 se llaman polinomios residuales. Denici on 2.2.1. El conjunto de polinomios residuales de orden k es Pk = {p / p es un polinomio de grado k y p(0) = 1} (9.216)
La forma de estimar la convergencia de GC es construir secuencias de polinomios residuales basados en la informaci on de como est an distribuidos los autovalores de A (es decir de (A)). Un primer resultado es ver que GC es un m etodo directo Teorema 2.2.1. Sea A spd. Entonces GC converge antes de las N iteraciones. Demostraci on. Sea {i }N i=1 los autovalores de A. Tomemos como polinomio residual
N
p (z ) =
i=1
(i z )/i
(9.217)
Pero p PN ya que tiene grado N y p (0) = 1. Entonces, de la estimaci on de error (9.215) xN x

A
x0 x
z (A)
max |p (z )| = 0
(9.218)
ya que, por construcci on, p (z ) = 0 para todos los z (A). . Sin embargo, desde el punto de vista pr actico esto no es tan bueno como suena. Veremos que, bajo ciertas condiciones, la convergencia puede ser muy lenta y desde el punto de vista pr actica haya que esperar hasta N iteraciones para que el residuo baje de la tolerancia aceptable. Es decir, si evaluamos a GC como un m etodo iterativo, entonces debemos poder evaluar la tasa de convergencia para k < N (la pendiente de la curva de convergencia). Teorema 2.2.2. Sea A spd con autovalores {ui }N on lineal de k de los i=1 . Sea b una combinaci autovectores de A. Por simplicidad asumiremos que los autovectores de A est an ordenados de manera que estos autovectores son los primeros k
k
b=
l=1
l ul
(9.219)
Entonces la iteraci on de GC para Ax = b con x0 = 0 termina en, a lo sumo, k iteraciones Demostraci on. Por el teorema espectral
k
x =
l=1
(l /l ) ul
(9.220)
258
tasa de convergencia muy lenta N k
nivel de residuo aceptable
Figura 9.6: GC con tasa de convergencia muy lenta. ya que

k
Ax
=
l=1 k
(l /l )Aul
(9.221)
=
l=1
(l /l )l ul
(9.222) (9.223)
=b Usamos el polinomio residual

k
p (z ) =
l=1
(l z )/l
(9.224)
y puede verse que p Pk y p (l ) = 0 para 1 l k y

k
p (A) x =
l=1
p (l ) (l /l ) ul = 0
(9.225)
De manera que, por (9.199) y x0 = 0 se deduce que x xk

A
p (A) x
=0
(9.226)
Teorema 2.2.3. Sea A spd y supongamos que hay exactamente k N autovalores distintos de A. Entonces GC termina en, a lo sumo, k iteraciones Demostraci on. Usar el polinomio residual
k
p k (z ) =
l=1
(l z )/l
(9.227)
259
N k mquina de precisin finita precisin de la mquina
mquina de precisin infinita
Figura 9.7: Comportamiento del residuo en m aquinas de precisi on nita.
9.2.3.
Criterio de detenci on del proceso iterativo.
En una m aquina de precisi on innita debemos ver que el residuo desciende bruscamente a cero en la iteraci on N (puede ser antes bajo ciertas condiciones, como hemos visto en algunos casos especiales), pero en la pr actica no se itera GC hasta encontrar la soluci on exacta sino hasta que cierto criterio sobre el residuo (por ejemplo rk < 106 ) es alcanzado. De hecho, debido a errores de redondeo, ocurre que no se puede bajar de un cierto nivel de residuo relacionado con la precisi on de la m aquina (1015 en Fortran doble precisi on y tambi en en Octave) y el n umero de operaciones necesarias para calcular el residuo. Entonces, si ese nivel de residuo est a por encima del valor del residuo que obtendr amos en la iteraci on N 1 (ver gura 9.7), no veremos el efecto de la convergencia en N iteraciones, sino que GC se comporta como un m etodo iterativo, de manera que lo importante es la tasa de convergencia media del m etodo. En la pr actica se usa usualmente como criterio de detenci on del proceso iterativo b Axk
2
(9.228)
Sin embargo, las estimaciones de error basadas en la propiedad de minimizaci on est an expresadas en la norma energ a del error xk x A max |p k (z )| (9.229) x0 x A z (A) El siguiente lema relaciona la norma eucl dea del error con la norma energ a del error Lema 2.3.1. Sea A spd, con autovalores 1 2 . . . N . Entonces para todo z IRN A1/2 z y N Demostraci on.
1/2 2
= z
(9.230)
1/2
(9.231)
260
2 A
= z T AZ = (A1/2 z )T (A1/2 z ) = A1/2 z
2 2
(9.232)
Sean {ui , i } los autovectores, autovalores de A, con uT i uj = ij . Entonces,

N
=
i=1 N
(uT i z ) ui i (uT i z ) ui
i=1
(9.233)
Az Entonces, N A1 / 2 z
2 2
(9.234)
= N
i=1 N
2 i (uT i z)
(9.235)
2 2 2 2
i=1
T 2 2 i (ui z ) = Az N
(9.236)
1
i=1
2 1/2 i (uT z i z ) = 1 A
(9.237)
Lema 2.3.2. b Axk b 2

2
2 (A) r0 b 2
xk x x0 x
A A
(9.238)
Recordemos que en la norma L2 para matrices spd. vale que A A

1 2 2
= m ax autovalor de A = 1 = m n autovalor de A = N = 1 /N
(9.239) (9.240) (9.241)
2 (A) Usando (9.230) y (9.231) b Axk b Ax0 Consideremos un ejemplo simple

2 2
A (x xk ) A (x x0 )
2 2
1/2
x xk x x0
A A
1/2 N
(9.242)
x0 = 0, 1 = 11, N = 9, Por lo tanto k2 = 1.22 (relativamente peque no). Tomemos el polinomio (ver gura 9.8) p (z ) = (10 z )k /10k Pk
(9.243)
(9.244)
261
11
Figura 9.8: Polinomio residual apropiado para el caso (9.243) Como vemos en la gura todos los polinomios se anulan en z = 10 la mitad del intervalo donde se encuentran los autovalores. Esta regi on est a sombreada en la gura. El m aximo valor de p k (z ) sobre el intervalo se alcanza en los extremos del intervalo
9z 11
max |p k (z )| = |p k (9)| = |p k (11)| = 10k
(9.245)
lo cual implica que la tasa de convergencia es = 1/10 y el n umero de iteraciones por orden de magnitud es log(10) =1 (9.246) n= log(1/ ) Mientras tanto, para los residuos Axk b 2 1.22 10k (9.247) b 2 = 1.10 10k (9.248) (9.249) Para obtener la mejor estimaci on basada solamente en la informaci on del autovalor m aximo y m nimo debemos construir un polinomio de tal forma que tome los valores m as bajos posibles en el intervalo 1 z n (ver gura 9.9). Estos polinomios pueden construirse en base a los polinomios de Tchebyshev. Efectivamente, hagamos el cambio de variable (z N )/(1 N ) = (1 cos )/2 = (1 x)/2 (9.250)
de manera que = 0 en z = N y = en z = 1 . Los polinomios de Tchebyshev Tn (x) se denen como Tn (x) = cos n (9.251) Por ejemplo T0 (x) T1 (x) T2 (x) =1 =x = 2x 1
2
(9.252) (9.253) (9.254) 262
Figura 9.9: Polinomio residual basado en los polinomios de Tchebyshev Por construcci on vemos que |Tn | 1 en |x| 1, o sea n z 1 . Entonces tomamos pk (z ) = Tn (x(z ))/Tn (x(z = 0)). Como x(z = 0) cae fuera del intervalo |x| 1 y Tn crece fuertemente (como xn ) fuera del mismo, es de esperar que Tn (x(z = 0)) 1 y entonces |pk (z )| 1 en n z 1 . Mediante estimaciones apropiadas para el valor de Tn (x(z = 0)) puede demostrarse que xk x Podemos ver que, si
A
2 x0 x
2 1 2 + 1
(9.255)
1, entonces podemos aproximar 2 1 2 1 2 + 1
(9.256)
log(10) = 1.15 (9.257) 2 que debe ser comparada con n 1.15 para Richardson con = opt . La ventaja es clara, teniendo en cuenta que (como veremos despu es) el costo (n umero de operaciones) de una iteraci on de gradientes conjugados es similar al de una iteraci on de Richardson. Sin embargo, la convergencia puede ser mucho mejor que la dada por la estimaci on anterior, dependiendo de la distribuci on de los autovalores. Por ejemplo, asumamos que los autovalores est an distribuidos en (ver gura 9.10) 1 1.5 o 399 400 (9.258) n Entonces = 400 y la estimaci on anterior (basada s olo en el n umero de condici on) da n = 1.15 400 = 23 mientras que si tomamos el polinomio residual de la forma p 3k = (1.25 z )k (400 z )2k 1.25k 4002k (9.260) 263
y entonces
(9.259)
1.5 1 399 400 z
Figura 9.10: Polinomio residual apropiado para un espectro con dos clusters de autovalores Entonces debemos estimar
1 z 1 .5
max |p3k (z )| = (0.25/1.25)k = 0.2k
(9.261)
y
399z 400
max
|p3k (z )|
(400/1.25)k (1/400)2k = 1/(1.25 400)k
(9.262) (9.263)
Por lo tanto,
z (A)
max |p 3k (z )| 0.2k
(9.264)
y = 0.21/3 , n= log 10 = 4.29 (1/3) log(1/0.2) (9.265)
que representa una tasa de convergencia 5 veces m as rapida que la predicha s olo en base al n umero de condici on de A. En el contexto de GC la convergencia se puede mejorar tratando de encontrar precondicionamientos que disminuyan el n umero de condici on o bien que los autovalores est an agrupados en peque nos clusters (ver gura 9.11).
9.2.4.
Implementaci on de gradientes conjugados
La implementaci on de GC se basa en que conociendo xk pueden ocurrir dos situaciones. O bien xk+1 = xk = x , o bien xk+1 = xk + k+1 pk+1 (9.266) donde pk+1 = 0 es una direcci on de b usqueda que puede obtenerse en forma sencilla y k+1 es un escalar que se obtiene minimizando el funcional de GC sobre la recta, d (xk + pk+1 ) = 0, en = k+1 d
(9.267) 264
Problema no precondicionado
Reduccin del nmero de condicin (Richardson y GC)
z Agrupar autovalores en pequeos clusters (GC)
Figura 9.11: Posibles estrategias de precondicionamiento Recordar que el funcional estaba denido como (x) = Entonces d d = pT k+1 = pT k+1 [A(xk + k+1 pk+1 ) b] = 0 de donde k+1 = pT k+1 (b Axk ) pT k+1 A pk+1 (9.269) (9.270) 1 T x Ax xT b 2 (9.268)
(9.271)
Si xk+1 = xk entonces = 0, pero esto s olo ocurre si xk es la soluci on. Lema. rl Kk para todo l < k Demostraci on. Lo haremos por inducci on en k . Para k = 1 Kk = span{r0 } y obviamente se verica que r0 Kk . Ahora asumiendo que es v alido para k lo demostraremos para k + 1. Para l < k , se cumple que rl Kk Kk+1 , por lo tanto s olo resta demostrarlo para rk . Pero
k 1
xk = x0 +
j =0
j Aj r0
(9.272)
y entonces, rk = b Axk
k 1
(9.273) j Aj +1 r0 Kk+1 . (9.274)
= r0
j =0
Lema 2.4.1. Sea A spd. y {xk } las iteraciones de GC, entonces

T rk rl = 0,
para todo 0 l < k
(9.275) 265
Demostraci on. Como xk minimiza en x0 + Kk , entonces para todo Kk d (xk + t ) = (xk + t )T = 0, dt pero = r, entonces
T rk = 0,
en t = 0
(9.276)
para todo Kk
(9.277)
Ahora bien, si xk+1 = xk entonces rk = rk+1 y rk

2 2 T T = rk rk = rk rk+1 = 0
(9.278)
por lo tanto xk = x .De paso esto permite ver tambi en que GC converge en N iteraciones (cosa que ya hemos demostrado bas andonos en la propiedad de minimizaci on.) Efectivamente, supongamos que rk = 0 entonces dim Kk+1 = dim Kk + 1 (9.279) Pero para k = N dim Kk = N entonces rk+1 = 0. Lema 2.4.2. Si xk = x entonces xk+1 = xk + k+1 pk+1 donde pk+1 est a determinado (a menos de una constante multiplicatva) por pk+1 T pk+1 A Demostraci on. Como Kk Kk+1 (xk+1 )T = 0, para todo Kk (9.282) (9.283) Kk+1 = 0, para todo Kk (9.280) (9.281)
[Axk + k+1 Apk+1 b]T = 0 pero Axk b = rk para todo Kk de manera que pT k+1 A = 0
(9.284)
y como dim Kk+1 = dim Kk + 1, esto dene u nicamente a pk+1 . Esta propiedad se llama que pk+1 es conjugado a Kk . Ahora bien, tomando rk y ortogonaliz andolo con respecto a Kk podemos obtener pk+1 . Entonces, pk+1 = rk + wk , con wk Kk (9.285)
Teorema 2.4.1. Sea A spd. y asumamos que rk = 0. Sea p0 = 0. Entonces pk+1 = rk + k+1 pk para alg un escalar k+1 y k 0. Demostraci on. ver libro. Lema 2.4.3. Las siguientes f ormulas son tambi en v alidas para obtener los k y k . k+1 = Demostraci on. Ver libro. Algoritmo 2.4.1. cg(x, b, A, , kmax )
rk 2 2 , pT Ap k+1 k+1
k+1 =
rk rk 1
2 2 2 2
(9.286)
266
Secci on 9.2. M etodo de Gradientes Conjugados 1. r = b Ax, 0 = r 2 2, k = 1 2. Do while k1 > b 2 y k < Kmax a. If k = 1 then p=r else = k1 /k2 p = r + p endif b. w = Ap c. = k1 /(pT w) d. x = x + p e. r = r w f. k = rk 2 g. k = k + 1
Notar que no es necesario formar expl citamente la matriz A (ni siquiera en forma sparse, es decir, la lista de {i, j, aij }), sino que solo es necesario denir una rutina que, dado x calcule Ax. Esto se llama una operaci on matriz-vector. Debido a esta propiedad de no necesitar tener la matriz almacenada, GC es llamado un m etodo m atrix free. Costo de GC. Las variables que se deben mantener almacenadas durante la iteraci on son x, w, p, r o sea 4N elementos. En cuanto al n umero de operaciones, 1 producto matriz vector (paso 2.b) 2 productos escalares (pasos 2.c y 2.f) 3 axpys (pasos 2.a, 2.d y 2.e). Una operaci on axpy es aquella de la forma y x + y , es decir adicionar a un vector x un m ultiplo escalar de otro vector y . (El nombre proviene de que la rutina de la librer a BLAS que realiza esta operaci on y que a su vez es una descripci on mnemot ecnica de la operaci on que se realiza.). De todos, el que requiere m as operaciones es generalmente el producto matriz vector, sobre todo en la versi on matrix free y sobre todo cuanto m as compleja es la f sica del problema. Por ejemplo, si x representa el vector de potenciales nodales guardados por columnas para una malla homog enea de paso h (como en la funci on laplacian.m usada en la Gu a 1), entonces la implementaci on de Ax es phi=reshape(phi,n-1,n-1); % range of indices of internal nodes II=(2:n); JJ=II; % Include the boundary nodes Phi=zeros(n+1);
267
Phi((2:n),(2:n))=phi; % Use the standard 5 point formula lap_phi=((-Phi(II+1,JJ)... -Phi(II-1,JJ)... -Phi(II,JJ+1)... -Phi(II,JJ-1)... +4*Phi(II,JJ))/h^2); lap_phi=lap_phi(:);
donde vemos que b asicamente el n umero de operaciones necesario es O(5N ), ya que 5 es el n umero de puntos involucrados en el stencil de Poisson. Sin embargo, si la complejidad de la representaci on aumenta el c omputo se mantiene en general O(N ) pero con cada vez m as operaciones por nodo. Por ejemplo, si la malla est a renada hacia los lados, es decir si el h no es constante, entonces hay que multiplicar cada la por un h distinto. Si adem as permitimos que las l neas de la malla no sean paralelas a los ejes, entonces habr a que calcular los coecientes m etricos de la malla. Si consideramos el uso de mallas no estructuradas con el m etodo de los elementos nitos el c alculo de las matrices de cada elemento aumentar a todav a m as el n umero de operaciones por nodo. Costo de GC como m etodo directo. Si bien el m etodo de GC se usa raramente como m etodo directo, por razones que veremos m as adelante, vamos a estimar el n umero de operaciones necesarios y compararlo con eliminaci on de Gauss. Considerando un cuadrado de N = n n nodos en 2D y un cubo de N = n n n en 3D, tenemos que, Ancho de banda de la matriz: m = n en 2D, m = n2 en 3D. N umero total de inc ognitas: N = n2 en 2D, N = n3 en 3D. N umero de op. Gauss: N 2 en 2D, N 2.33 en 3D N umero de op. GC/directo: N 2 en 2D, N 2 en 3D Hemos hecho uso de que el n umero de operaciones para eliminaci on de Gauss es N m2 . Para GC hemos usado n umero de op. = O(n umero de iter. nro. de op. por iter.) = O(N )
2
(9.287) (9.288)
Vemos que, incluso como m etodo directo, GC llega a ser m as competitivo en 3D. De todas formas, como ya hemos mencionado, por el problema de precisi on nita (ver gura 9.7) en general para problemas grandes se llega a la precisi on de la m aquina antes de las N iteraciones. En cuanto a la capacidad de almacenamiento, GC obviamente requiere mucho menos memoria (O(N ) para GC contra O(N 1.5 ) en 2D y O(N 1.66 ) en 3D para Gauss).
268
1e+10 1 1e-10 1e-20 1e-30 1e-40 1e-50 1e-60 1e-70 0
residuos verdaderos
residuos calculados de la relacion en diferencias

100 200 300 400 500 600 700
Figura 9.12: Gradientes Conjugados y los residuos verdaderos. Comparaci on como m etodo iterativo con Richardson. Tanto para Richardson como para GC el costo para bajar el error un order de magnitud es, b asicamente Nro. de opr. para bajar el residuo un orden de magnitud = = n nro. de oper. por iteraci on Donde n es el n umero de iteraciones necesario para bajar el error un orden de magnitud. Asumiendo que el costo de las iteraciones es pr acticamene el mismo para los dos m etodos (lo cual es v alido si hacemos una implementaci on matrix free con una formulaci on relativamente compleja, por ejemplo FEM), entonces los costos relativos est an dados por las tasas de convergencia y, usando que en 3D 2 2 / 3 n =N . n(Richardson con = opt ) n(GC ) con lo cual la ganancia es evidente. = N 2/3 = N 1/3 (9.290) (9.291) (9.289)
9.2.5.
Los verdaderos residuos.
El algoritmo cg(...) (ver p ag. 266) descripto m as arriba tiene la particularidad de que los residuos no son calculados directamente usando (9.50) sino que son calculados en el paso (2e). Si bien las expresiones coinciden en una m aquina de precisi on innita, debido a errores de redondeo los valores num ericos obtenidos con uno u otro m etodo pueden diferir en una m aquina de precisi on nita. En la gura 9.12 vemos los residuos calculados en un experimento calculados de las dos formas. El comportamiento de los verdaderos residuos es similar al observado para Richardson en 9.1.4. Sin embargo, es
269
todav a peor para GC. El residuo no s olo no baja de el umbral r sat de saturaci on sino que empieza a crecer lentamente. Esto es muy peligroso desde el punta de vista pr actico, ya que en el caso de Richardson el efecto de saturaci on s olo ocasiona un gasto de tiempo de c alculo innecesario, pero en el caso de GC puede ocasionar una p erdida de precisi on. Podemos decir que Richardson es un m etodo estable ante errores de redondeo, mientras que GC es inestable. Esta inestabilidad de GC se debe al hecho de que asume que los residuos van formando una base ortogonal y las direcciones de b usqueda van siendo conjugadas (ec. (9.281)), y estas propiedades se van perdiendo por errores de redondeo. Esta inestabilidad es compartida por todos los m etodos que se basan en estas propiedades de conjugaci on, por ejemplo GMRES y los m etodos que veremos despu es. Para peor los residuos calculados por la expresi on recursiva (2e) tienden a seguir descendiendo, de manera que si el usuario no verica el verdadero valor del residuo, puede creer que realmente el error ha bajado (despu es de 600 iteraciones) 64 3 hasta 2 10 , mientras que el error verdadero est a en el orden de 3 10 . Cuando calculamos los residuos directamente a partir de (9.50) decimos que se trata de los verdaderos residuos. El porqu e los residuos calculados seg un el algoritmo cg(...) (ver p ag. 266) tienden a bajar, en vez de rebotar como lo hacen los verdeaderos residuos, puede entenderse m as f acilmente en el algoritmo de Richardson. Efectivamente, puede demostrarse simplemente que los residuos tambi en satisfacen una relaci on como la (9.101) a saber rk+1 = (I BA) rk (9.292)
De manera que tambi en podr amos calcular los residuos utilizando recursivamente esta relaci on. Pero esta relaci on no involucra diferencias entre magnitudes grandes como en (9.50) y por lo tanto rk calculado por esta expresi on sigue descendiendo, independientemente de la precisi on de la m aquina. nea en cada iteraci on Una forma de corregir el el algoritmo cg(...) (ver p ag. 266) es agregar una l que calcule el verdadero residuo, s olo a los efectos de chequear convergencia, sin embargo esto involucra un producto matriz vector adicional por iteraci on, es decir pr acticamente duplica el costo del m etodo. Precondicionamiento. Asumamos que tenemos una matriz M f acil de invertir y tal que (M A) (A) o tal que los autovalores est an agrupados en clusters. Entonces podemos tratar de resolver (M A) x = (M b) (9.293) en vez del sistema original, ya que este est a bien condicionado. Sin embargo, incluso si M es spd. el producto de dos matrices spd. no es necesariamente spd. Basta con ver el ejemplo, A M A y M son spd. pero MA = 2 2 1 4 (9.296) = = 1 0 0 2 2 1 1 2 , (9.294) (9.295)
no es sim etrica. Una posibilidad es buscar M = S 2 y entonces redenir (SAS ) y = (Sb)

(9.297) 270
y una vea obtenido y obtener x = Sy . Como SAS es equivalente a S 2 A = M A tienen la misma distribuci on de autovalores y SAS s es spd. Pero falta resolver el problema de hallar S , lo cual puede ser m as complicado que hallar M y por otra parte el c alculo de SAS por un vector involucra el c alculo de dos productos matriz-vector adicionales, contra uno s olo si precondicionamos de la forma (9.293). La soluci on pasa por reproducir el algoritmo de Gradiente Conjugado pero reemplazando el producto escalar por xT M x y nalmente resulta en el siguiente algoritmo de GC precondicionado, Algoritmo 2.4.1. pcg(x, b, A, M, , kmax ) 1. r = b Ax, 0 = rT M r, 0 = r 2 , k = 1 2. Do while k1 > b 2 y k < Kmax a. If k = 1 then z = Mr else = k1 /k2 p = M r + p endif b. w = p c. = k1 /(pT w) d. x = x + p e. r = r w T f. k = rk 2 2 ,k = rk M r g. k = k + 1 La modicaci on principal del algoritmo pasa por reemplazar p por M p en las deniciones de los p y reemplazar los productos escalares xT y por la forma cuadr atica xT M y . Adem as, ahora calculamos escalares k para el c alculo de las direcciones pk y escalares k para chequear la convergencia. (Mientras que en la versi on no precondicionada, k = k ). El costo adicional m as importante para el esquema precondicionado es un producto matriz-vector adicional con la matriz precondicionada. El costo del producto matriz-vector para el precondicionamiento puede variar mucho y depende de la complejidad del precondicionamiento. Por ejemplo, si tomamos M como la inversa de la parte diagonal de A (precondicionamiento Jacobi), entonces el costo es nmo, pero en el otro extremo podemos tomar M = A1 . Entonces GC converge en una iteraci on pero el costo de calcular M x es el costo de invertir A!! Tenemos entonces que Costo total = n nro de oper. por iteraci on (9.298)
Cuanto m as complejo es el precondicionador el n tiende a disminuir pero el n umero de operaciones tiende a aumentar debido al costo del c alculo del precondicionamiento. Lo importante entonces, al evaluar la efectividad de un precondicionador es no s olo evaluar c omo aumenta la tasa de convergencia sino tambi en tener en cuenta el costo de evaluar M x. Precondicionadores. Existen una variedad de precondicionadores propuestos para diferentes problemas. Algunos son muy espec cos para ciertas aplicaciones otros son puramente algebraicos, es decir su aplicaci on es general para toda clase de problema (tal vez no su efectividad!). En el contexto de la resoluci on de sistemas lineales provenientes de la discretizaci on de ecuaciones en derivadas parciales por diferencias nitas o vol umenes nitos podemos mencionar los siguientes
271
Intr nsecos al problema Resolvedores r apidos de Poisson Multigrilla Descomposici on de dominios ADI De tipo general Jacobi Factorizaci on incompleta Precondicionamiento polinomial A continuaci on haremos una breve descripci on de los mismos Resolvedores r apidos de Poisson. Si consideramos la ecuaci on de Poisson 1D con condiciones de contorno peri odicas la matriz resulta ser 2 1 0 0 0 . . . 1 1 2 1 0 0 ... 0 0 1 2 1 0 . . . 0 0 1 2 1 . . . 0 A= 0 (9.299) .. .. .. .. .. . . . . . 0 0 0 . . . 1 2 1 1 0 0 . . . 0 1 2 Sea x de la forma (xk )i = ei2ki/N (9.300) donde i es la unidad imaginaria. Puede verse que (x)i es un autovector de A. Esto vale, no s olo para la matriz del laplaciano 1D, sino tambi en para cualquier operador homog eneo (que no depende de x) discretizado sobre una malla homog enea. En este caso las las de la matriz A son las mismas, s olo que se van corriendo una posici on hacia la derecha a medida que bajamos una la, es decir: ij Aij = A (9.301)
es c p+N = A p . Pero los x de la forma (9.300) son la donde A clico en p de per odo N , es decir A base que induce la transformada de Fourier, de manera que si F es la matriz que tiene como columnas estos autovectores, vale que F z = t(z ), z (9.302) donde t(z ) indica el operador de transformada de Fourier tal como est a denido en Matlab. Como las columnas de F son autovectores de A, entonces F 1 AF es diagonal y podemos tomar como precondicionamiento M = F 1 [diag(A)]1 F (9.303)
272
malla fina malla gruesa
Figura 9.13: Mallas na y gruesa para las t ecnicas de multigrilla. por lo visto, para matrices peri odicas, M = A1 y entonces GC converger a en una iteraci on. La idea es que (9.303) puede ser un buen precondicionamiento incluso en condiciones m as generales, por ejemplo cuando la matriz no es peri odica o cuando la malla no es homog enea. En cuanto al costo del precondicionamiento, multiplicar por F y 1 es equivalente a aplicar transformadas y antitransformadas de Fourier (aplicar las operaciones fft( ) y ifft( ) de Matlab. Estas requieren O(N log2 (N )) operaciones y la inversi on de la parte diagonal de A s olo requiere O(N ) operaciones. La idea puede extenderse f acilmente a 2D y 3D. Multigrilla. Si hacemos una descomposici on modal del error, puede verse que el error en las componentes correspondientes a los autovalores m as peque nos converge en general mucho m as lentamente que para los autovalores m as altos. Esto es m as evidente para el m etodo de Richardson, donde los factores de amplicaci on 1 i son muy cercanos a 1 para los autovalores m as peque nos. A su vez, como ya hemos visto en los ejemplos, los autovalores altos est an asociados a frecuencias altas (funciones que son muy oscilatorias espacialmente) mientras que los autovalores bajos est an asociados a autofunciones suaves. Esto signica que despu es de un cierto n umero de iteraciones el error para las frecuencias altas se debe haber reducido mucho mientras que el grueso del error est a en las componentes de baja frecuencia. Como las funciones suaves pueden ser restringidas a una malla m as gruesa sin perder informaci on, esto sugiere la idea de proyectar el problema a una malla m as gruesa (digamos con h = 2h y por lo tanto con la mitad de nodos, ver gura 9.13) y realizar una serie de iteraciones sobre esta malla para obtener una correcci on. Una vez obtenida esta se interpola sobre la malla original y se agrega al vector de iteraci on. La idea es que la correcci on va a ser tan buena como si hubi eramos iterado sobre la malla original pero a un costo igual a la 1/2nd ya que la malla gruesa tiene la mitad de nodos. Esta idea puede ser aplicar recursivamente, ya que al iterar en la malla gruesa va a volver a ocurrir que despues de una serie de iteraciones va a quedar una fuerte componente del error en las frecuencias bajas y estas las podemos corregir iterando sobre una malla h = 2h = 4h y as siguiendo. De esta manera, multigrilla se basa en resolver el problema en una serie de mallas con paso de malla h, 2h, 4h, . . . , 2m h, haciendo una serie de iteraciones en la malla na seguida de iteraciones sobre la malla m as gruesa y as siguiendo. Descomposici on de dominios. Ver 9.4.1 Precondicionamiento Jacobi. Consiste en simplemente tomar M = (diag A)1 . Como la matriz a invertir es diagonal el costo de invertirla es muy bajo (O(N ) opeaciones). Este precondicionamiento no aporta nada en situaciones donde los elementos de la diagonal son aproximadamente constantes (precondicionar con un m ultiplo escalar de la identidad no puede nunca mejorar el n umero de condici on). Esto ocurre por ejemplo para el Laplaciano (tanto en 1D como en m as dimensiones) cuando el paso de la malla es constante. Cuando la malla no es homog enea (ver gura- 9.14) entonces el n umero
273
Figura 9.14: Malla renada hacia una esquina. de condici on es (A) = O L hmin
(9.304)
donde hmin es el m nimo h sobre toda la malla y entonces puede ser bastante peor que O(n2 ) donde n 2 es el n umero de elementos en una direcci on caracter stica. Los elementos diagonales de A son h x + 2 2 hy = O(min(hx , hy ) ) y puede verse que este precondicionamiento corrige el mal condicionamiento producido por el renamiento de manera que (diag(A)1 A) = O(n2 ) (9.305)
Factorizaci on incompleta. Consideremos la factorizaci on Cholesky A, A = BB T . Entonces este precondicionamiento consiste en descartar elementos de B de manera de reducir su ancho de banda. En la implementaci on pr actica el descarte se va haciendo a medida de que se va factorizando la matriz, bas andose en el valor absoluto del elemento Bij que se est a evaluando y su distancia a la diagonal |i j |. Por supuesto se trata de descartar aquellos elementos que tienen un menor valor absoluto y que se encuentran m as alejados de la diagonal. Precondicionamiento polinomial. Consiste en encontrar un polinomio p(z ) tal que M = p(A) A1 . El criterio para construir el polinomio en cuesti on es similar al utilizado para construir los polinomios residuales que permiten obtener la estimaci on de convergencia (9.255) en base a los polinomios de Tchebyshev. El costo de un tal precondicionmiento es evaluar M x = p(A)x que involucra m productos matriz-vector, donde m es el orden del polinomio de Tchebyshev. Como es usual en la evaluaci on de polinomios, se utiliza la forma anidada, tambi en llamada de H orner, como en el siguiente script y=0; for k=0:m y=p(k)*x+A*y; end donde (usando la notaci on de Octave) p(x) = p1 xm + p2 xm1 + . . . + pm+1 y los coecientes pi est an almacenados en un vector de longitud m + 1. En la versi on matrix free, el producto Ax est a denido por medio de una rutina. Sea w=prodvec(x) la rutina que retorna w = Ax cuando se le pasa x entonces el algoritmo se escribe como
274
Secci on 9.3. El m etodo GMRES
y=0; for k=0:m y=p(k)*x+prodvec(y); end
9.2.6.
M etodos CGNR y CGNE
Si A es nosim etrica o no denida positiva, entonces podemos considerar resolver (AT A) x = (AT b) (9.306)
en el cual aparece la matriz AT A que es sim etrica y denida positiva si A es no singular. Notar que en cada iteraci on de GC sobre este sistema estamos minimizando x x
AT A
= (x x)T AT A (x x) = (b Ax) (b Ax) = r

T 2 2
(9.307) (9.308)
de ah el nombre de Conjugate Gradient on the Normal Equations to minimize the Residual (CGNR). Otra posibilidad es hacer el cambio de variable x = AT y y resolver (AAT )y = b (9.309)
para y . Una vez encontrado y , x se obtiene con una operaci on matriz vector adicional x = AT y . La norma que se minimiza es en este caso y y
AAT
= (y y )T AAT (y y ) = (A y A y ) (A y A y ) = (x x) (x x) = x x
T 2 2 T T T T T
(9.310) (9.311) (9.312)
de ah el nombre de Conjugate Gradient on the Normal Equations to minimize the Error (CGNE). Observaciones En general ocurre que (AT A) (A)2 , lo cual augura muy bajas tasas de convergencia si el (A) es grande. Se necesitan 2 productos matriz vector por iteraci on En la versi on matrix free hay que programar no s olo una rutina que calcule Ax sino tambi en una T que calcule A x. Para problemas provenientes de discretizaciones por FEM o FDM de PDEs, esto puede resultar bastante complicado.
9.3.
9.3.1.
El m etodo GMRES
La propiedad de minimizaci on para GMRES y consecuencias
GMRES (por Generalized Minimum RESidual fue popuesto en 1986 por Y. Saad y m. Schulz como un m etodo iterativo por subespacios de Krylov para sustemas no-sim etricos. En contraposici on
275
con CGNR o CGNE no requiere el c alculo de productos de AT con un vector, lo cual es una gran ventaja en muchos casos. pero es necesario guardar una base de Kk lo cual requiere un costo de almacenamiento adicional a medidad que la iteraci on progresa. La iteraci on k - esima (k 1) es xk = argmin b A x
x x0 + K k 2
(9.313)
N otese que esta propiedad de minimizaci on es muy similar con la de Gradientes Conjugados, con la estamos contemplando la posibilidad diferencia que en GC se aplica al funcional (9.181). Como aqu que A no sea sim etrica o denida positiva, entonces no podemos tomar este funcional. Si consideramos atica que minimizar b A x 2 es equivalente a minimizar b A x 2 2 el cual contiene en la forma cuadr AT A, entonces vemos que GMRES es en parecido a CGNR, pero con la diferencia de que el espacio de Krylov contiene span{r0 , Ar0 , A2 r0 , ...}, no span{r0 , AT Ar0 , (AT A)2 r0 , ...}. Esta diferencia es muy importante ya que es la que hace que la tasa de convergencia de GMRES c con la salvedad de que con GMRES no debemos calcular productos AT -vector pero en contraparte debemos mantener una base del espacio de Krylov. Como x x0 + Kk puede ponerse de la forma
k 1
x = x0 +
j =0
j Aj r0
(9.314)
entonces
k 1
b Ax
= b A x0
j =0 k
j Aj +1 r0
(9.315)
= r0
j =1
j 1 Aj r0
(9.316) (9.317)
=p (A) r0
donde p Pk es un polinomio residual. Teorema 3.1.1. Sea A no-singular y xk la k - esima iteraci on de GMRES. Entonces para todo p Pk rk 2 = min p(A) r0 2 p (A) r0 2 (9.318)
pPk
Corolario 3.1.1. Sea A no-singular, entonces rk r0

2 2
p k (A)
(9.319)
Teorema 3.1.2. Sea A no-singular. Entonces GMRES encuentra la soluci on dentro de las N iteraciones Demostraci on. Usar p (z ) = p(z )/p(0), donde p(z ) = det(A zI ) es el polinomio caracter stico.
276
Para GC hemos usado el teorema espectral para encontrar estimaciones de la tasa de convergencia. Esto no puede asumirse en general si A no es sim etrica. Sin embargo podemos restringir el an alisis al caso de que A sea diagonalizable aunque los autovalores y autovectores pueden ser ahora comlejos. Nota sobre la condici on de diagonalizabilidad de matrices. Recordemos que A es diagonalizable si A = V V 1 con diagonal. Cuando A es real y sim etrica es real y podemos elegir a V como real. Cuando A es no-sim etrica tando como V pueden ser complejos. En algebra compleja muchos conceptos pueden extenderse f acilmente si reemplazamos la tranpuesta de A por la transpuesta conjugada de A que denotaremos como AH . El producto escalar de dos vectores pertenecientes a C N se dene como xH y =
n k=1 (x)k (y )k .
V es unitaria si V H V = I (es la extensi on del concepto de matriz ortogonal a complejos). A es normal si es diagonalizable y si la matriz de cambio de base correspondiente V es unitaria. Puede verse que si A conmuta con su transpuesta conjugada (es decir AH A = A AH ) entonces A es normal. Es obvio que si A es herm tica (sim etrica en el caso real) entonces A es normal Teorema 3.1.3. para todo p k Pk rk r0 Demostraci on. Basta con ver que p k (A)
2 2 2
2 (V ) max |p k (Z )|
z (A)
(9.320)
V 1
z (A)
p k ()
(9.321) (9.322)
= 2 (V ) max |p k (Z )| .
No est a claro como puede estimarse el 2 (V ), si existe. Si A es normal, entonces V es unitaria, preserva la norma y entonces V 2 = V 1 2 = 2 (V ) = 1 V
2
= max
x=0
Vx 2 x 2 (V x)H (V x) xH x H x (V H V ) x xH x
(9.323) (9.324) (9.325) (9.326)
= max
x=0
= max
x=0
=1
y similarmente para V 1 . Por otra parte, si A se aproxima a una matriz no diagonalizable, entonces A () . Esto puede verse con un ejemplo simple. La matriz A= 0 1 0 0 (9.327) 277
es un bloque de Jordan y es claramente no diagonalizable. Perturbando ligeramente uno de los elementos diagonales de la forma 0 1 A= (9.328) 0 con muy peque no la matriz pasa a ser diagonalizable, ya que tiene dos autovalores distintos ( = 1, ). Sin embargo podemos ver que la matriz de cambio de base V correspondiente tiene un n umero de condici on que crece como 2/ : octave> a=[0 1;0 1e-5] a = 0.00000 1.00000 0.00000 0.00001 octave> [v,d]=eig(a) v = 1.00000 1.00000 0.00000 0.00001 d = 0.0000e+00 0.0000e+00 0.0000e+00 1.0000e-05 octave> cond(v) ans = 2.0000e+05 octave> Ahora consideremos que ocurre si utilizamos una rutina num erica de diagonalizaci on (como el eig( ) de Octave) sobre una matriz que no es diagonalizable. Lo deseable ser a que la rutina num erica nos mostrara un mensaje de eror diciendo que la matriz no es diagonalizable. Sin embargo, debido a los errores de redondeo, la matriz aparece ser como diagonalizable desde el punto de vista num erico y entonces la forma efectiva de vericar cu an diagonalizable es una matriz es chequear 2 (V ). Cuanto m as grande es este n umero menos diagonalizable es la matriz. octave>a=[0 1;0 0] a = 0 0 1 0
octave> [v,d]=eig(a) v = 1.00000 0.00000 d = -1.00000 0.00000
278
0 0
0 0
octave> cond(v) ans = 1.9958e+292 Esto es similar a cuando nos preguntamos si una matriz es inversible o no. Si calculamos el determinante de la matriz, por errores de redondeo este n umero siempre resulta ser diferente de cero. Adem as, la misma matriz multiplicada por una factor a < 1 tiene un determinante que es un factor aN veces menor. Para matrices grandes (digamos N = 100) un peque no factor 0.1 puede representar un cambio en la magnitud del determinante por un factor 10100 . Todo esto indica que el determinante no es un buen indicador de cuan singular es una matriz y un an alisis m as detallado muestra que el indicador correcto es el n umero de condici on de la matriz: cuanto m as alto es el n umero de condici on m as singular es la matriz. Los siguientes Teoremas reproducen los resultados ya obtenidos para GC. Su demostraci on se basa nuevamente en la construcci on de polinomios residuales apropiados que se anulan en los autovalores de la matriz. Teorema 3.1.4. Sia A tienen autovalores distintos entonces GMRES converge en k iteraciones. Teorema 3.1.5. Si r0 es una combinaci on lineal de k autovectores de A entonces GMRES converge dentro de las k iteraciones.
9.3.2.
Criterio de detenci on:
Pensando a GMRES como un m etodo iterativo las estimaciones de la tasa de convergencia son similares a las de GC. Como en GC el criterio de detenci on es rk
2
tol b
Una estimaci on bastante cruda de la tasa de convergencia se puede obtener asumiendo que existe un tal que I A 2 = < 1. Tomando el polinomio de p k (x) = (1 z )k podemos obtener la estimaci on de convergencia r k 2 k r 0 2 (9.329) Esta estimaci on de convergencia tiene algunos puntos en com un con las estimaciones de convergencia que hemos obtenido para el m etodo de Richardson. Notemos que bajoe estas mismas condiciones el m etodo de Richardson predice la misma tasa de convergencia. Sin embargo la diferencia fundamental alido est a en que con GMRES no es necesario conocer el valor de , de hecho, como (9.329) es v para cualquier es v alido para aquel que minimize I A 2 , es decir que su convergencia es mejor que la de Richardson sobre-relajado con el mejor valor del par ametro de relajaci on que pudi eramos obtener, sin necesidad de conocer ning una norma ni estimaci on de los autovalores de A. Por otra parte, GMRES tiene en su contra que debe guardar la base del espacio de Krylov. Pero si hacemos la estrategia del restart que veremos m as adelante, seg un la cual se realizan un cierto n umero m (bajo) de iteraciones de GMRES y obtenido el xm se vuelve a iterar GMRES de cero desde xm , entonces este GMRES con restart tendr a una tasa de convergencia mejor que la mejor que podr amos obtener con el mejor par ametro de relajaci on , a un costo similar por iteraci on y con un requerimiento de capacidad de almacenamiento no demasiado alto.
279
Como esta estimaci on no depende de una diagonalizaci on de A podr amos esperar que nos de alguna estimaci on de la convergencia en el caso en que A no es diagonalizable. Deafortunadamente, puede vericarse que para un bloque de Jordan de la forma 1 0 ... 0 0 1 0 ... . . 1 ... (9.330) A= . 0 . . . 0 .. .. .. 1 0 0 ... 0 vale que I A 2 > 1 para todo , es decir que no hay que haga convergente a Richardson y, a la vez, nos permita obtener una estimaci on de la tasa de convergencia para GMRES. Too esto har a pensar que si la matriz no es diagonalizable (o casi no diagonalizable ) entonces GMRES no converger a. Pero si la forma de Jordan de una Matriz incluye un peque no bloque de Jordan de dimension kJ y el resto es diagonalizable, entonces basta con tomar polinomios residuales de la forma p k (z ) = (z J ) J
kJ
qkkJ (z )
(9.331)
para k > kJ , donde J es el autovalor correspondiente al bloque de Jordan y q es un polinomio apropiado para estimar una buena convergencia sobre el espectro de autovalores restantes. Por ejemplo, si el resto de los autovalores es real y positivo, entonces podr amos usar los polinomios de Tchebyshev usados para estimar la tasa de convergencia de GC.
9.3.3.
Precondicionamiento
La forma de implementar el precondicionamiento en GMRES diere con GC en cuanto a que para GMRES no es necesario que el sistema precondicionado (M A) x = (M b) (9.332)
sea ni sim etrico ni denido positivo. Entonces basta con encontrar un precondicionamiento M tal que I M A 2 < 1 y se resuelve directamente el sistema precondicionado. Debido a esto, la rutina de GMRES no incluye nada en especial en cuanto al precondicionamiento, sino que directamente se pasa M b como miembro derecho, y la rutina que calcula el producto matriz vector retorna (M A) x en vez de A x. Por otra parte se pueden usar precondicionadores por derecha y por izquierda. El precondicionamiento por izquierda es como fue expuesto en el p arrafo anterior mientras que el precondicionamiento po derecha consiste en encontrar un M tal que I AM 2 < 1 y entonces hacer el cambio de variable x = M y , resolver con GMRES el sistema (AM ) y = b (9.333)
y nalmente, una vez encontrado y obtener x de x = M y . En cuanto a las ideas para desarrollar precondicionadores son similares a las utilizadas con GC.
280
9.3.4.
Implementaci on b asica de GMRES
Recordemos que xk se obtiene del problema de minimizaci on (9.313). Sea Vk una matriz que contiene los vectores que expanden Kk es decir Vk = r0 Ar0 . . . Ak1 r0 Entonces x x0 es una combinaci on lineal de las columnas de Vk , es decir x x 0 = Vk y, Entonces y debe ser tal que minimize b A(x0 + Vk y ) Sea ahora Bk = AVk = Ar0 A2 r0 . . . Ak r0 entonces el cuadrado de la norma se escribe como r0 Bk y
2 2
(9.334)
y IRk
(9.335)
= r0 AVk y
(9.336)
(9.337)
= (r0 Bk y )T (r0 Bk y ) =
T r0 r0
(9.338) (9.339)
T 2r0 By
+ y (B B ) y
que alcanza su m nimo cuando

T T Bk r0 + (Bk Bk )y = 0
(9.340) (9.341)
lo cual ocurre cuando

T T y = (Bk Bk )1 Bk r0
Esto puede implementarse en Octave con el comando y=(B*B)\B*r0 pero a un m as simplemente y=B\r0 hace lo mismo ya que para matrices rectangulares el operador \ se interpreta como resolver el sistema de m nimos cuadrados asociado. En cuanto a la implementaci on pr actica, notemos que el vector qk
T = Bk r0 r0 A r0 r0 A2 r0 = . . .
(9.342) = q k 1 r0 Ak r0 (9.343)
r0 Ak r0
281
de donde vemos que en cada iteraci on s olo necesitamos calcular el u ltimo elemento del vector, lo cual T B a invertir. involucra O(N ) operaciones. Algo similar ocurre con el c alculo de la matriz Hk = Bk k Hk
T = Bk Bk T Bk 1 = k (A r0 )T
(9.344) Bk1 Ak r0
T Ak r Bk 0 1 T r0 (Ak )T Ak r0
(9.345) (9.346)
Hk 1 T Ak r )T (Bk 0 1
con lo cual s olo es necesario calcular la u ltima columna y el elemento diagonal. La u ltima la es igual a la transpuesta de la u ltima columna ya que Hk es sim etrica y denida positiva por construcci on. El c alculo de esta u ltima columna requiere de O(kN ) operaciones. Finalmente la inversi on del sistema cuya matriz es Hk requiere O(k 3 ) operaciones. Mientras mantengamos k N (m as estrictamente es k2 N ) este costo es despreciable contra las k N operaciones.
9.3.5.
Implementaci on en una base ortogonal
En la pr actica es muy com un ir cosntruyendo una base ortogonal de Kk mediante el proceso de ortogonalizaci on de Gram-Schmidt. El algoritmo es el siguiente 1. r0 = b Ax0 , v1 = r0 / r0 2 2. Para i = 1, . . . , k 1 T w = Avi i j =1 ((Avi ) vj ) vj vi+1 = wi / wi 2 Si en alg un i sucede que w = 0 entonces decimos que el algoritmo falla o colapsa (breakdown). Asumiendo que los r0 , Ar0 , . . . , Ak1 r0 son linealmente independientes (o sea que: dim Kk = k ), entonces podemos que El algoritmo no falla. Los {vi }k generados forman una base ortogonal de Kk . i=1 as vk = k Ak1 r0 + wk con wk Kk1 y k = 0. Esto se puede demostrar por inducci on en i. Para i = 1 es obvio, ya que v1 es igual a r0 normalizado. Para demostrarlo para i + 1, observemos que w es otogonal a todos los vj para j i
i T vj i
A vi
l=1
((Avi ) vl ) vl )
T vj
A vi
l=1
(Avi )T vl ) jl
(9.347) (9.348) (9.349)
T = vj A vi (Avi )T vj )
=0
Ahora bien Avi pertenece a Ki+1 y los vl para l = 1, . . . , i pertenecen a Ki . Si w = 0 entonces podemos +1 normalizar w apra obtener vi+1 y {vl }i l=1 es un conjunto de vectores ortonormales en Ki+1 . Como Ki=1
282
+1 es de dimensi on a lo sumo i + 1, vi+1 y {vl }i olo falta demostrar entonces l=1 es una base ortogonal. S que bajo las hip otesis asumida el algoritmo no falla. Ahora bien, por inducci on podemos asumir que
Avi = i Ai r0 + Awi
(9.350)
Pero si el algoritmo falla, entonces quiere decir que Avi es una combinaci on lineal de los {vl }l = 1i y i eso implicar a que A r0 es una combinaci on lineal de los mismos e indicar a que los {Aj 1 r0 }i j =1 son linealmente dependientes. Colapso de GMRES (Breakdown) Puede ocurrir que w = 0 para alg un i, en cuyo caso (por lo visto en el p arrafo anterior) indicar a x K . que {Aj 1 r0 }i son linealmente dependientes. Podemos ver que esto ocurre si x 0 k j =1 Lemma 3.4.1. Si wi+1 = 0 entonces x = A1 b Ki Demostraci on. Si w = 0 para alg un i entonces eso implica
j
Avi =
i=1
j vj Ki
(9.351)
Por construcci on Avj Ki para j < i, con lo que resulta que AKi Ki . Pero como Vi = [v1 v2 . . . v )i] es una base de Ki entonces AVi = Vi H (9.353) para una cierta matriz H de i i. La columna j - esima de H son los coecientes de la expansi on de +1 ermino de los {vl }j Avj en t . H es no singular ya que A no lo es. Efeectivamente si z == 0, z IRi l=1 es tal que Hz = 0, entonces Vi z es un vector no nulo y A (Vi z ) = Vi H z = 0 Consideremos ahora el residuo en la i- esima iteraci on ri = b Axi = r0 A(xi x0 ) = Vi y (9.355) (9.354) (9.352)
con y IRi ya que xi x0 Ki . Adem as r0 por construcci on es proporcional a v1 la primera columna de Vi lo cual puede escribirse como r0 = Vi e1 (9.356) con eT 1 = [1 0 . . . 0]. Como Vi es ortogonal, preserva la norma ri
2 2
= Vi (e1 Hy ) = (e1 Hy )
T
2 2
(9.357) (9.358) (9.359)
= (e1 Hy ) Pero basta con tomar y = H 1 e1 para el cual ri

2
ViT 2 2
Vi (e1 Hy )
= 0 y GMRES ha convergido. 283
9.3.6.
El algoritmo de Gram-Schmidt modicado
Uno de los principales problemas de GMRES es que por errores de redondeo se va perdiendo la ortogonalidad de los vectores vi , por lo cual debe prestarse especial atenci on al proceso de ortogonalizaci on. Una primera observaci on es que la siguiente versi on modicada del proceso de ortogonalizaci on de Gram-Schmidt resulta ser mucho m as estable ante errores de redondeo vk+1 = Avk for j = 1, . . . , k T v )v vk+1 = vk+1 (vk +1 j j
9.3.7.
Implementaci on eciente
La matriz H que contiene los coecientes que expanden Avi en t ermino de los vl tiene una estructura particular que permite una implementaci on m as eciente del algoritmo. Consideremos la expresi on
i
vi+1 = wi+1
1 2
(Avi
j =1
j vj )
(9.360)
+1 Esto quiere decir que Avi es una combinaci on lineal de los {vj }i esima de Hk j =1 . Como la columna j - +1 son los coecientes de la expansi on de Avj en t ermino de los {vl }j l=1
A Vk = VK Hk vemos los hlj deben ser de la forma hlj = 0 para h11 h21 Hk = 0 0 .. . l > j + 1. Es decir h12 h13 . . . h22 h23 . . . h32 h33 . . . 0 h43 . . . .. .. .. . . .
(9.361)
(9.362)
Este tipo de matriz se llama Hessenberg superior (upper Hessenberg ). El residuo se puede escribir como rk = b Axk = r0 A(xk x0 ) = Vk+1 (e1 Hk y ) y como Vk es ortogonal rk
2 k
(9.363) (9.364)
= e1 Hk y k
(9.365)
Para resolver este problema se recurre a una estrategia similar a la anterior. Es decir, en Octave y=beta*H\e1 si usamos la soluci on por m nimos cuadrados interna de Octave, o y=beta*(H*H)\H*e1 si lo resolvemos expl citamente. Finalmente, existen algoritmos especiales que permiten factorizar la matriz con un algoritmo QR en forma m as eciente usando la estructura Hessenberg superior de Hk . Independientemente de la implementaci on de la resoluci on del problema de cuadrados m nimos, el algoritmo de GMRES es
284
Algoritmo gmresb(x, b, A, , kmax , ) 1. r = b Ax, v1 = r/ r 2 , = r 2 , = , k = 0 2. While > b 2 y k < kmax (a) k = k + 1 (b) vk+1 = Avk . Para j = 1, . . . , k T vj (i) hjk = vk +1 (ii) vk+1 = vk+1 hjk vj (c) hk+1,k = vk+1 2 (d) vk+1 = vk+1 / vk+1 2 (e) e1 = [1 0 0 . . . 0]T yk = argminyIRk e1 Hk y k 2 (f) = e1 Hk y k 2 3. xk = x0 + Vk y k
9.3.8.
Estrategias de reortogonalizaci on
Se puede perder ortogonalidad por errores de redondeo. Una soluci on es hacer un segundo paso de ortogonalizaci on sea entodas las iyeraciones, sea cuando alg un indicador de p erdida de ortogonalidad se activa.
9.3.9.
Restart
Como debemos almacenar una base para Kk esto requiere kN reales lo cual va creciendo con k y eventualmente excede la memoria de la m aquina. Entonces la idea es iterar GMRES m iteraciones y empezar de nuevo a partir de la u ltima iteraci on, es decir aplicar GMRES inicializando con x0 xm . El siguiente algoritmo gmresm reeja esto, Algoritmo gmresm(x, b, A, , kmax , m, ) 1. gmres(x, b, A, , m, ) 2. k = m 3. While > b 2 y k < kmax (a) gmres(x, b, A, , m, ) (b) k = k + m
9.3.10.
Otros m etodos para matrices no-sim etricas
GMRES, CGNE y CGNR comparten las siguientes (buenas) caracter sticas Son f aciles de implementar Se analizan con residuos polinomiales Por otra parte los CGN* tienen la desventaja de que necesitan un producto AT x y su tasa de convergencia est a regida por (AT A) (A)2 , mientras que GMRES s olo necesita calcular A x y la convergencia est a basada en (A), pero es necesario guardar una base de Kk , lo cual representa una
285
capacidad de almacenamiento que va creciendo con las iteraciones. Como esto es virtualmente imposible para grandes sistemas desde el punto de vista pr actico se utiliza el GMRESm, lo cual puede involucrar un serio deterioro de la convergencia. El m etodo ideal deber a ser como CG: S olo necesitar calcular A x (no AT x) Estar basado en una propiedad de minimizaci on o conjugaci on Requerir baja capacidad de almacenamiento. (Sobre todo que no crezca con las iteraciones). Converger en N iteraciones. En esta secci on describiremos algunos m etodos que tratan de aproximarse a estos requerimientos con menor o mayor exito. Bi-CG: (por Biconjugate Gradient Squared ) No se basa en una propiedad de minimizaci on sino de ortogonalidad T (9.366) rk w = 0, para todo w Kk donde Kk Kk = span{r 0 , AT r 0 , . . . , (AT )k1 r 0 } (9.367)
es el espacio de Krylov conjugado. r 0 es un vector que debe ser provisto por el usuario, pero lo m as usual es tomar r 0 = r0 . El algoritmo genera secuencias de residuos y direcciones de b usqueda {rk , pk } y sus correspondientes conjugados {r k , p k } tales que hay biortogonalidad entre los residuos
T r k rl = 0,
k=l
(9.368)
y de bi-conjugaci on entre las direcciones de b usqueda p T k A pl = 0, k=l (9.369)
Si A es sim etrica y denida positiva y r 0 = r0 , entonces Bi-CG es equivalente a GC (pero computa todo el doble, es decir que tiene el doble de costo por iteraci on). Bi-CG necesita un c alculo AT x, pero la ventaja con respecto a los CGN* es que su tasa de convergencia est a basada en (A) no en (AT A). Es muy u til si A es aproximadamente spd, es decir si los autovalores de A est an cerca de la recta real. Podemos comparar Bi-CG con GMRES en cuanto a la tasa de convergencia si consideramos que resulta ser que rk = p k (A) r0 (9.370) con p k un polinomio residual, y entonces por la propiedad de minimizaci on de GMRES (rk )GMRES
2
(rk )BiCG
(9.371)
pero debe recordarse que Bi-CG comparado con GMRES no necesita un espacio de almacenamiento creciente. Adem as una iteraci on de Bi-CG requiere dos productos matriz vector, pero el costo de GMRES tambi en crece con las iteraciones.
286
CGS (por Conjugate Gradient Squared ). Este m etodo trata de ser una extensi on de Bi-CG pero tal que no necesita calcular AT x. Puede verse que en la iteraci on k rk = p k (A) r0 , r k = p k (AT ) r 0 (9.372)
T r entonces el factor rk k (que juega el papel de k en GC, (ver el algoritmo cg(...) en p ag. 266), puede reescribirse de la forma T rk r k
= ( pk (A) r0 )T ( pk (AT ) r 0 ) = ([ pk (A)] r0 ) r 0

2 T
(9.373) (9.374)
en el cual no es necesario calcular AT x. Con manipulaciones similares se puede llegar a transformar todos las expresiones donde aparece AT , pero el algoritmo resulta modicado, es decir las iteraciones de Bi-CG no son las mismas que para CGS. Bi-CGstab (por Biconjugate Gradient Squared stabilized). Trata de mejorar CGS reemplazando rk = q (k ) p ( k ) r0 donde qk (z ) =
i=1 k
(9.375)
(1 i z )
(9.376)
donde i se selecciona para minimizar ri

2
= qi (A) p i (A) r0
k
(9.377)
como funci on de i , esto es usualmente conocido como line-searching. Sea ri = (1 i A)

i=1
(1 i z ) p i (A) r0
(9.378) (9.379) (9.380) (9.381)
= (1 i A) w = w i A w de manera que ri y el valor que minimiza es i = wT (Aw) Aw 2 2

2 2
= (w i A w)T (w i A w) = w
2 2
(9.382) Aw (9.383)
2i w Aw +
2 i (Aw)T
(9.384)
Bi-CGstab entonces no necesita del c alculo de AT x como CGS pero tiende a tener una tasa de convergencia mejor. El costo computacional involucrado por iteraci on es Almacenamiento para 7 vectores 4 productos escalares 2 productos matriz-vector (Ax)
287
Figura 9.15: Descomposici on de dominios
9.3.11.
Gu a Nro 3. GMRES
Consideremos la ec. de advecci on-difusi on k a = 0 (0) = 0 (1) = 1 donde = temperatura del uido k = conductividad t ermica del uido a = velocidad del uido (puede ser positiva o negativa) La soluci on exacta es (x) = donde e2Pex 1 e2Pe 1 (9.385) (9.386) (9.387)
(9.388)
aL (9.389) 2k Aqu L = 1. En la gura 9.16 vemos Para a 0 el problema se acerca a la ec. de Laplace y la soluci on tiende a ser una recta que une los valores de contorno, mientras que para Pe grandes y positivos el uido va en la direcci on +x y arrastra el valor de la condici on aguas arriba una cierta longitud hasta que a una distancia peque na sube r apidamente para tomar el valor dado por la condici on en x = 1. La discretizaci on num erica pasa por reemplazar las derivadas por diferencias num ericas Pe = j (j +1 2j + j 1 )/h2 (9.390) 288
Figura 9.16: Soluci on para el problema de advecci on difusi on, en los l mites dominado por difusi on y por advecci on y j = (j +1 j 1 )/(2h) (9.391) Lamentablemente, esta discretizaci on falla cuando el Pe 1, en el sentido de que produce fuertes oscilaciones num ericas. La soluci on usual es agregar una cierta cantidad de difusi on num erica, es decir que se modica la ecuaci on original a (k + knum ) a = 0 donde knum Peh Realizar las siguientes tareas: 1. Calcular la matriz para Peh = 0.01, 1 y 100 2. Calcular los autovalores. Ver la distribuci on en el plano complejo. 3. Vericar que la matriz no es sim etrica. Ver que la parte correspondiente a es sim etrica mientras que la que corresponde a es antisim etrica. 4. Ver a que tiende la matriz para k 0. Es diagonalizable? 5. Resolver por GMRES y CGNE. 6. Pensar como se podr a hacer para calcular AT x sin construir A.
(9.392)
= (ah/2) = ah 2k
1 1 Peh tanh(Peh )
(9.393) (9.394)
289
Secci on 9.4. Descomposici on de dominios.
9.4.
Descomposici on de dominios.
Consideremos la soluci on de una ecuaci on en derivadas parciales en un dominio como muestra la gura 9.15. Descomponemos el problema en dos dominios de manera que podemos separar las inc ognitas en x en tres grupos, aquellos que est an estrictamente contenidos en el dominio de la izquierda x1 , los estricatamente contenidos en el dominio de la derecha x3 y los que est an sobre la interfase x2 . La ecuaci on se descompone en bloques de la siguiente forma b1 A11 A12 0 x1 A21 A22 A23 x2 = b2 (9.395) b3 x3 0 A32 A33 La descomposici on en bloques reeja el hecho de que como los grados de libertad contenidos en x1 y x3 no est an compartidos por ning un elemento, los bloques correspondientes A13 y A31 son nulos. Podemos eliminar x1 y x3 de la primera y u ltima l nea de ecuaciones y obtener una ecuaci on para los grados de libertad de interfase x2
1 1 (A23 A 33 A32 + A22 A21 A11 A12 )x2 = b2
(9.396) (9.397)
S x2 = b 2
Ahora consideremos resolver este sistema por GC. En cada iteraci on debemos calcular el producto de la matriz entre par entesis por un vector x2 . Para los t erminos primero y tercero de la matriz es necesario factorizar y resolver un sistema lineal con las matrices A33 y A11 . Esto corresponde a resolver problemas independientes sobre cada uno de los dominios con condiciones Dirichlet sobre la interfase, por lo tanto estos problemas pueden ser resueltos en procesadores independientes lo cual implica un alto grado de paralelizaci on del problema. Esto se puede extender a m as procesadores, y en el l mite podemos lograr que en cada procesador se resuelva un sistema lineal lo sucientemente peque no como para ser resuelto en forma directa. La eciencia del m etodo puede ser mejorada a un m as encontrando un buen precondicionamiento. on por el dominio de Si separamos la matriz S que aparece en el sistema (9.397) en la contribuci la izquierda SL y de la derecha SR S SL SR = SR + SL = (1/2)A22 =
1 A21 A 11 A12 1 A23 A 33 A32
(9.398) (9.399) (9.400) + (1/2)A22
Entonces podemos poner como precondicionamiento

1 1 M = (1/4) (SL + SR )
(9.401)
Es M un buen precondicionamiento? O mejor dicho: Porqu e habr a M de parecerse a S 1 ? Bien, si el operador es sim etrico (el laplaciano lo es) y los dominios son iguales y la malla es sim etrica, entonces 1 puede verse que SL = SR y entonces M y S coinciden
1 M = S 1 = (1/2)SL
(9.402) 290
Figura 9.17: Descomposici on de dominios. Problema del continuo. Por otra parte resolver x = M y es equivalente a resolver A11 A12 A21 (1/2) A22 (1/2) A22 A23 A32 A33 y despu es x = (1/2)(x2L + x2R ) (9.405) y el punto es que ambos sistemas (9.403) y (9.404) equivale a resolver problemas independientes con condiciones tipo Neumann sobre la interfase. De nuevo, el hecho de que ambos problemas sobre cada dominio sean independientes favorece la paralelizaci on del algoritmo. x1 x2L x2R x3 = 0 (1/2) y (1/2) y 0 (9.403)
(9.404)
9.4.1.
Condicionamiento del problema de interfase. An alisis de Fourier.
Obviamente la aplicabilidad de la descomposici on de dominios descripta depende del n umero de iteraciones necesarias para resolver el problema de interfase y por lo tanto del n umero de condici on de la matriz complemento de Schur S o de su precondicionada M S . Para hacer una estimaci on de estos n umeros de condici on nos basaremos en un an alisis de Fourier del problema del continuo para la ecuaci on de Laplace. Las ecuaciones de gobierno son = f en en 1 = (9.406) (9.407) (9.408)
291
Consideremos la soluci on en dos dominios 1 , 2 . La restricci on de a cada uno de los dominios debe satisfacer 1 = f en 1 1 en 1 1 = (9.409) (9.410) (9.411) y 2 = f en 2 2 en 2 2 = (9.412) (9.413) (9.414) y la continuidad de y su derivada normal a trav es de I (1 )I = (2 )I 1 2 = x I x (9.415) (9.416)
I
, de manera que = 0 en I , es decir Ahora consideremos una descomposici on = + 1 = f en 1 1 en 1 1 = 1 = 0 en I y 2 = f en 2 2 en 2 2 = 2 = 0 en I denido por y por lo tanto falta hallar 1 = 0 en 1 1 = 0 en 1 1 = u en I y 2 = 0 en 2 2 = 0 en 2 2 = u en I (9.424) (9.423) (9.420) (9.421) (9.422) (9.417) (9.418) (9.419)
292
donde u es una inc ognita del problema y debe ser tal que 1 x donde b= 1 x
I
2 x
= b
I
(9.425)
2 x
(9.426)
I
Denimos ahora el operador de Stekhlov-Poincar e S1 del dominio 1 como S1 {u} = 1 1 = n x (9.427)
1 donde on, que para el n denota la derivada normal tomando la normal exterior al dominio en cuesti dominio 1 coincide con la direcci on de +x, y 1 es la soluci on de (9.423), para el correspondiente u. An alogamente se puede denir S2 por
S2 {u} =
2 2 = n x
(9.428)
donde 2 est a denido en funci on de u por (9.424) y el signo viene de que la normal exterior a 2 sobre I va ahora seg un la direcci on x . Entonces S{u} = g (9.429)
donde S = S1 + S2 . Ec. (9.429) es la versi on del continuo de (9.397). Calcularemos el n umero de condici on de S a partir del c alculo de autovalores de S . Cada uno de los operadores de Stekhlov-Poincar e act ua sobre el espacio de funciones denidas sobre I . Podemos mostrar que las funciones de la forma um = sin(km y ), km = m/L, m = 1, 2, . . . , (9.430)
1 que es soluci son autofunciones de estos operadores. La soluci on on de (9.423) correspondiente a u = um es de la forma 1 = (x) sin(km y ), (9.431) Reemplazando en las ecuaciones que denen (9.423), la primera de las ecuaciones resulta ser k2 m =0 de donde (x) = a ekm y + b ekm y y de las condiciones de contorno en x = 0, L1 resulta ser (x) = sinh km y sinh km L1
(9.432)
(9.433)
(9.434) 293
la derivada normal en I es entonces 1 km cosh km L1 = = km n sinh km L1 tanh km L1 de manera que S1 {um } = km tanh km L1 um (9.436) (9.435)
Vemos entonces, que um es una autofunci on de S1 con autovalor 1 m = An alogamente, el operador S2 tiene autovalores 2 m = El operador S tiene autovalores m = km 1 1 + tanh km L1 tanh km L2 (9.439) km tanh km L2 (9.438) km tanh km L1 (9.437)
Ahora bien, dijimos que estimar amos el n umero de condici on de la matriz S a partir de los autovalores de S . En el continuo S tiene innitos autovalores y los m van a innito para m , de manera que el n umero de condici on de S va a innito. Obtendremos una estimaci on para el n umero de condici on de S asumiendo que los autovalores de S se aproximan a los primeros NI autovalores de S , donde NI es la dimensi on de S . El autovalor m as bajo es min = 1 = si L1 = L2 = L/2, entonces min = 2 13.6 = L tanh(1/2) L (9.441) L 1 1 + tanh(L1 /L) tanh(L2 /L) (9.440)
El autovalor m aximo se obtiene para m = NI y asumiendo que NI 1 y L1 /L, L2 /L no son demasiado peque nos, entonces km L1 = NI L1 /L 1 y tanh km L1 1 y similarmente tanh km L2 1 y por lo tanto max = 2km = 2NI /L (9.442) y el n umero de condici on es (S ) tanh(1/2) NI = 0.46 NI (9.443) Notar que (S ) va como 1/h al renar, mientras que recordemos que el n umero de condici on de A (la matriz del sistema) va como 1/h2 (Gu a de ejercicios Nro. 1). Otro punto interesante a notar es que, para m los autovalores tienden a hacerse independientes de las longitudes de los dominios en la direcci on normal a la interfase. Por ejemplo, para los autovalores 1 de S , L aparece en el argumento de la tangente hiperb olica y esta tiende a 1 para 1 1 m
294
m , independientemente del valor de L1 . Incluso puede verse que para m los autovalores se hacen independientes del tipo de condici on de contorno sobre el borde opuesto (es decir sobre x = 0). Esta observaci on se basa en el hecho de que el operador de Laplace es muy local. Si u es de la forma sin my/L sobre I , entonces la longitud de onda es = 2L/m la cual se va achicando a medida que m . Las perturbaciones inducidas decaen como en/ donde n es una coordenada en la direcci on normal a I y si es muy peque no la perturbaci on no llega al contorno opuesto. Ahora consideremos los autovalores del problema precondicionado. Como todos las um de la forma (9.430) son autofunciones de los operadores S1 , S2 y S , entonces los autovalores de M S son aproxi1 1 madamente los primeros NI autovalores de (1/4)(S1 + S2 )(S1 + S2 ), es decir
1 1 1 1 2 prec + (2 m = (1/4) [(m ) m ) ] (m + m )
(9.444)
Como mencionamos previamente (ver p ag. 290), si el problema es sim etrico (en el caso del continuo basta con L1 = L2 , en el caso del discreto adem as la malla tambi en tiene que ser sim etrica alrededor 1 de x = 1/2), entonces M = S . En el caso del continuo ocurre lo mismo ya que si los dos dominios son iguales, entonces 2 1 (9.445) m = m y por lo tanto prec m = 1 para todo m. Si L1 = L2 , entonces puede verse que para m grandes 1 2 ya que ambos se hacen independientes de L1,2 y de la condici on de contorno en el contorno opuesto y por lo tanto prec (9.446) m 1 para m Pero entonces esto quiere decir que (M S ) se hace independiente de NI para m sucientemente grandes. Este resultado es muy importante desde el punto de vista pr actico, el n umero de condici on del problema precondicionado no se deteriora bajo renamiento para el precondicionamiento Dirichletto-Neumann.
295
Secci on 9.5. Gu a de Trabajos Pr acticos
9.5.
Gu a de Trabajos Pr acticos
1. Generar aleatoriamente una matriz sim etrica y positiva denida A y un miembro derecho b con n=5; c=1; a=rand(n); a=(a+a); a=expm(c*a); b=rand(n,1); Porqu e es esta matriz spd? 2. Determinar para qu e valores del par ametro de relajaci on el esquema de Richardson es convergente. Determinar la tasa de convergencia. xk+1 = xk + (b Axk ) (9.447)
3. Observar el comportamiento de una componente dada en funci on de las iteraciones (Gracar curvas de (xk )i en funci on de k . Que se observa para = opt ? Explicar. 4. Ecuaci on de Poisson 1D: Consideremos la ecuaci on de Poisson 1-dimensional en un dominio 0 < x < 1 con condiciones Dirichlet en x = 0, 1: = f (9.448)
Consideramos una discretizaci on por diferencias nitas de paso constante h = 1/N . Los nodos son xj = jh, j = 0, . . . , N y las ecuaciones para los nodos interiores 1 < j < N 1 son h2 (j +1 + 2j j 1 ) = fj 0 y N son datos dados por las condiciones la forma Ax = b con 2 1 1 2 1 0 1 2 A = h 2 .. . (9.449)
de contorno Dirichlet. El sistema puede ponerse de 1 , .. .. . . 1 2 1 1 2 f1 . b= . . fN
(9.450)
a) Vericar que A es sim etrica y denida positiva. b) Calcular los autovalores de A y el n umero de condici on de A, para N = 10, 30, 100. c ) Vericar que el n umero de condici on de A se comporta de la forma cond(A) N 2 = 1/h2 , al renar. d ) Gracar las autofunciones de A para los autovalores m as bajos y para los m as altos. e ) Vericar cu an buena es la aproximaci on de A al radio espectral de A. f ) Efectuar experimentos num ericos con = opt , 0.7opt , etc... como antes. g ) Evaluar las tasas de convergencia en forma experimental y te orica.
296
5. Ecuaci on de Laplace 2-dimensional: Lo mismo que en el ejercicio anterior pero en 2D en el dominio 0 < x, y < 1 con condiciones dirichlet homog eneas en todo el contorno y f = 1. Una ventaja de los m etodos iterativos es que no es necesario armar la matriz del sistema. En efecto, s olo necesitamos poder calcular el residuo rk a partir del vector de estado xk . Estudiar la implementaci on que se provee a trav es del script poisson.m que llama sucesivamente a la funci on laplacian.m. En poisson.m el vector de estado es de tama no (N 1)2 donde hemos puesto todos los valores de encolumnados. La funci on laplacian(phi) calcula el laplaciano del vector de iteraci on . El laplaciano es calculado convirtiendo primero el vector de entrada a una matriz cuadrada de (N 1) (N 1) y despues se eval ua la aproximaci on est andar de 5 puntos al laplaciano ()ij = h2 (i,j +1 + i,j 1 + i+1,j + i1,j 4ij ) a) Estimar el autovalor m aximo con la norma 1 de A. b) Efectuar experimentos num ericos con varios valores de . Evaluar tasas de convergencia en forma experimental. 6. Analog a entre el m etodo de Richardson relajado y la soluci on seudo-temporal. Consideremos el sistema ODEs dx = Ax + b (9.452) dt Entonces si A tiene autovalores con parte real positiva, la soluci on x(t) tiende a la la soluci on de Ax = b para t . Entonces podemos generar m etodos iterativos integrando este sistema en forma num erica. Consigna: Demostrar que aplicar el m etodo de forward Euler a esta ecuaci on (dx/dt (xk+1 xk )/t) equivale al m etodo de Richardson, donde el paso de tiempo equivale al factor de relajaci on . T T nn , x y b 7. Si f(x) es una forma cuadr atica f (x) = 1 2 x Ax b x + c, donde A es una matriz en R n son vectores en R y c es un escalar constate. Calcular f (x). Mostrar que si A es spd, f (x) es minimizada por la soluci on de Ax = b. 8. Para el M etodo de Steepest Descent demostrar que si el error ei en la iteraci on i es un autovalor de la matriz A cuyo autovalor es e , se converger a a la soluci on exacta en la pr oxima iteraci on, i.e., i + 1. 9. Dar una interpretaci on geom etrica del ejercicio anterior y decir cuanto tiene que valer (la long del paso en la direcci on de b usqueda) para obtener convergencia inmediata. 10. GC como m etodo directo. Resolver la ecuaci on de Poisson = f, en = {x, y / 0 x, y 1} = 0, en (9.453) (9.454) (9.451)
con una grilla de diferencias nitas de (N + 1) (N + 1) puntos. Usar N = 4, 6, 8 y 10 y ver en cuantas iteraciones converge a precisi on de m aquina. Calcular los autovalores de A y ver cuantos distintos hay. Inicializar con x0=rand(n,1) y ver en cuantas iteraciones converge. Porqu e?. Puede usar las rutinas de Octave provistas por la c atedra.
297
11. GC como m etodo iterativo. Idem que el ej. anterior pero ahora para N = 100. (No tratar de construir la matriz! La matriz llena ocupa 800Mbytes y la banda 8Mbytes). Gracar la curva de convergencia y comparar el n experimental con el te orico (basado en una estimaci on del n umero de condici on de la matriz). Comparar la convergencia con el m etodo de Richardson (con = ), en n u meros de iteraciones opt y en tiempo de CPU. Puede usar las rutinas de Octave provistas por la c atedra. 12. Resolver el punto anterior en el cluster en forma secuencial usando las rutinas de PETSc provistas, con y sin precondicionamiento de Jacobi (point Jacobi). Sacar conclusiones acerca de los resultados obtenidos en relaci on a los resultados de los puntos anteriores. 13. Resolver los puntos anteriores en el cluster usando 4 procesadores, con y sin precondicionamiento de Jacobi (point Jacobi). Sacar conclusiones acerca de los resultados obtenidos en relaci on a los resultados de los puntos anteriores. 14. Vericar la escalabilidad del M etodo CG (con prec. point Jacobi) para el problema de Poisson usando una grilla de 100 nproc 100 nproc . Es decir el comportamiento de la cantidad de iteraciones de CG para bajar el residuo un cierto orden de magnitud (por ejemplo 5 ordenes) en funci on de la cantidad de procesadores cuando el problema crece en la misma proporci on al n umero de procesadores nproc . Sacar conclusiones acerca de la escalabilidad del algoritmo.
298
Cap tulo 10
Flujo incompresible
10.1. Denici on de ujo incompresible
Un ujo incompresible es aquel donde el uido no se comprime, como es t picamente el caso de los l quidos, pero tambi en puede pasar que bajo ciertas condiciones un uido que es compresible (como los gases en general) no maniesta efectos de compresibilidad para un patr on o r egimen de ujo en particular. En ese caso se le asigna a la propiedad de ujo compresible o incompresible al patr on de ujo. Para los uidos compresibles, puede demostrarse que los efectos compresibles van con el numero de Mach al cuadrado, es decir que la variaci on relativa de la densidad = O(M 2 ) donde M= (10.1)
u (10.2) c es el n umero de Mach, u es la velocidad del uido y c es la velocidad del sonido. Podemos decir entonces que el ujo es compresible si el n umero de Mach es menor que un cierto valor, digamos 0.1. Por ejemplo, un auto a 100 Km/h en atm osfera est andar posee un Mach de approx. 0.1, con lo cual en esas condiciones podemos considerar que el ujo es incompresible. Es de notar que si las variaciones de densidad son provocadas por otros efectos que no sean la presi on mec anica como la dilataci on t ermica, expansi on solutal (p.ej. salinidad), etc... entonces el patr on de ujo puede considerarse (con respecto a los efectos sobre los algoritmos num ericos) incompresible, a un si la densidad resulta no ser constante ni espacialmente ni en el tiempo. El t ermino compresible/incompresible se aplica a las variaciones de densidad producidad exclusivamente por efecto de la presi on. Si bien en principio uno podr a pensar que la incompresibilidad es una ventaja, ya que permite eliminar (en muchos casos) una variable (la densidad), desde el punto de vista num erico suele traer m as problemas que soluciones.
299
Cap tulo 10. Flujo incompresible
Secci on 10.2. Ecuaciones de Navier-Stokes incompresible
10.2.
Ecuaciones de Navier-Stokes incompresible

1 u + (u )u = p + u t u=0
Las ecuaciones de Navier-Stokes incompresibles son (10.3) (10.4)
La primera es la ecuaci on de momento, mientras que la segunda es la ecuaci on de continuidad o balance de masa. Es importante notar que en el l mite de ujo reptante o ujo de Stokes (es decir, despreciando el t ermino convectivo), las ecuaciones resultantes son exactamente iguales a las de elasticidad lineal incompresible isotr opica, si reemplazamos el vector de velocidad por el de desplazamiento y la viscosidad por el m odulo de elasticidad. Las siguientes observaciones nos permiten adelantar el problema ocasionado por la incompresibilidad: La condici on de incompresibilidad no tiene un t ermino temporal: Esto quiere decir que la presi on no tiene historia. El estado del uido s olo st a dado por la velocidad. Tambi en podemos decir que la ecuaci on de continuidad aparece como una restricci on, m as que como una ecuaci on de evoluci on. La presi on, pasa a ser el multiplicador de Lagrange asociado. Las ecuaciones son no locales: Esto es m as f acil de ver en el caso de elasticidad. Se sabe bien que en el caso de elasticidad compresible el problema es el ptico, de manera que hay una cierta localidad de los efectos. Esto se pierde en el caso incompresible. Por ejemplo, consideremos un s olido incompresible que ocupa una regi on (ver gura 10.1). Las condiciones son de desplazamiento nulo en toda la frontera, menos en una cierta parte 1 donde se aplica un cierto desplazamiento uniforme, y otra cierta parte 2 donde las condiciones son libres, es decir tracci on nula. En el caso compresible, el operador es el ptico, local, y la inuencia del desplazamiento impuesto sobre el dominio 1 en el dominio 2 depender a de la distancia entre ambas regiones, sus tama nos relativos, etc... Si el tama no de ambas regiones es similar y muy peque nos con respecto a la distancia que los separa, entonces los desplazamientos en 2 ser an despreciables. Por el contrario, en el caso incompresible, el cambio de volumen total en 2 debe ser igual al impuesto en 1 , por lo tanto los desplazamientos en 2 ser an del mismo orden que aquellos impuestos en 1 (asumiendo que ambas regiones de la frontera tienen dimensiones similares). Cambia el c aracter matem atico de las ecuaciones: Tambi en en el caso el astico, estacionario las ecuaciones dejan de ser el pticas al pasar al caso incompresible. Esto se debe a que la ecuaci on de continuidad no tiene t ermino en derivadas segundas. La ecuaci on de la energ a se desacopla de la de momento y continuidad: El campo de temperaturas se puede obtener a posteriori a partir de el campo de velocidades obtenido.
10.3.
Formulaci on vorticidad-funci on de corriente

=u (10.5) 300
La vorticidad se dene como
Secci on 10.3. Formulaci on vorticidad-funci on de corriente
11111111111111 00000000000000 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 L 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111
Figura 10.1: No localidad en elasticidad incompresible. el cual, para un ujo bidimensional se reduce a = z = u v x y (10.6)
En 2D se puede encontrar una funci on de corriente tal que u= y v= x (10.7) (10.8)
Tomando rotor de (10.3) se llega, despues de un cierto trabajo algebraico, a + (u ) ( )u = t (10.9)
pero (s olo en 2D!) el tercer t ermino es nulo, ya que u debe estar en el plano y est a fuera del plano, de manera que la ecuaci on se reduce a una ecuaci on de advecci on difusi on para la vorticidad + (u ) = t (10.10)
Por otra parte, recombinando (10.6) con (10.7) se llega a una ecuaci on de Poisson para la funci on de corriente: = (10.11) La formulaci on vorticidad/funci on de corriente consiste en resolver (10.10) y (10.11) en forma acoplada. Las ventajas y desventajas de la formulaci on, con respecto a la formulaci on en variables primitivas (10.3-10.4) son
301
Secci on 10.4. Discretizaci on en variables primitivas
La extensi on a 3D de la formulaci on vorticidad/funci on de corriente es muy compleja. La formulaci on vorticidad/funci on de corriente tiene un grado de libertad menos por nodo. Las condiciones de contorno para la presi on son desconocidas para la formulaci on en variables primitivas. Las condiciones de contorno para la vorticidad son desconocidas para la formulaci on vorticidad/funci on de corriente . La formulaci on vorticidad/funci on de corriente requiere de cierto cuidado en cuanto a la discretizaci on.
10.4.
Discretizaci on en variables primitivas

pressure node u velocity node v velocity node j+1 j j1
i1
i+1
Figura 10.2: Grilla est andar (no staggered) usada para ujo incompresible en variables primitivas. Si despreciamos el t ermino convectivo (problema de Stokes) y consideramos el caso estacionario en una malla de paso homog eneo h, la siguiente discretizaci on (espacial) de segundo orden parece ser un buen punto de partida (ver gura 10.2) : pi+1,j pi1,j =0 2h pi,j +1 pi,j 1 (h v )ij =0 2h ui+1,j ui1,j vi,j +1 vi,j 1 + =0 2h 2h donde h reresenta el operador de Laplace discreto est andar de 5 puntos (h u)ij (h u)ij = ui+1,j + ui1,j + ui,j +1 + ui,j 1 4uij h2
(10.12)
(10.13) 302
Secci on 10.4. Discretizaci on en variables primitivas
j+1
j1
i1
i+1
Figura 10.3: Grilla no staggered. Stencil para la ecuaci on de momento seg un x
j+1
j1
i1
i+1
Figura 10.4: Grilla no staggered. Stencil para la ecuaci on de momento seg un y En las guras 10.3, 10.4 y 10.5 pueden verse los stenciles usados para cada una de las ecuaciones. Pero resulta ser que las presiones en los nodos impares se desacopla de los pares dando lugar a modos checkerboard en la presi on. Las formas des resolver esto es Resolver una ecuaci on alternativa para la presi on llamada PPE (Poisson Pressure Equation). Usar mallas staggered (en espa nol desparramadas (???)) Usar m etodos de compresibilidad articial. Discutiremos a continuaci on el uso de mallas staggered.
303
Secci on 10.5. Uso de mallas staggered
j+1
j1
i1
i+1
Figura 10.5: Grilla no staggered. Stencil para la ecuaci on de continuidad
10.5.
Uso de mallas staggered
Si consideramos la ecuaci on de momento seg un x, entonces vemos que lo ideal ser a tener una malla para los nodos de velocidad x desplazada en h/2 con respecto a la malla de los nodos de presi on, en ese caso podr amos tener una ecuaci on de la forma (ver gura 10.7) (h u)i+1/2,j pi+1,j pi,j =0 h (10.14)
Similarmente, para la ecuaci on de momento seg un y tenemos (ver gura 10.8) (h v )i,j +1/2 pi,j +1 pi,j =0 h (10.15)
Esto evita el desacoplamiento de las presiones entre nodos pares e impares. Entonces tenemos 3 redes staggered a saber (ver gura 10.6) Los nodos de presi on: pij p(ih, jh) Los nodos de velocidad x: ui+1/2,j u((i + 1/2)h, jh) Los nodos de velocidad y : vi,j +1/2 v (ih, (j + 1/2)h) con i, j enteros. Por otra parte, la ecuaci on de continuidad tambi en queda en un stencil m as compacto, si lo imponemos sobre los nodos de presi on (ver gura 10.9) =0 (10.16) h h Por otra parte, las condiciones de contorno tambi en se simplican algo, en cuanto a las condiciones sobre la presi on, ya que utilizando s olo contornos que coinciden con lineas semienteras (i, j =entero+1/2). El m etodo de mallas staggered es probablemente el m as robusto y prolijo para tratar ujo incompresible por diferencias nitas.
ui+1/2,j ui1/2,j
vi,j +1/2 vi,j 1/2
304
Secci on 10.6. Discretizaci on por elementos nitos
j+1 j+1/2 j j1/2 j1
i1 i1/2
i i+1/2
i+1
Figura 10.6: Grilla staggered usada para ujo incompresible en variables primitivas.
10.6.
Discretizaci on por elementos nitos
Considerando el caso estacionario, ujo reptante, un t ermino forzante f y condiciones de contorno Dirichlet, las ecuaciones de gobierno son
u p = f u=0 , u=u y espacios de interpolaci on en en
en
(10.17) (10.18) (10.19)
Xh = span{Np , = 1 . . . N } Vh = span{Nu , = 1 . . . N }
(10.20) (10.21)
La formulaci on d ebil Galerkin se obtiene pesando la ecuaci on de momento por una funci on de interpolaci on de velocidad y pesando la ecuaci on de continuidad con las funciones de interpolaci on de presi on.
( u) d = 0, Xh
(10.22) f v d +

( )p d +

(v : u) d =
d, v Vh vtn
(10.23)
Notar que, como no aparecen derivadas de p ni entonces es posible utilizar aproximaciones discontinuas para p. El sistema al que se llega es;
305
Secci on 10.6. Discretizaci on por elementos nitos
j+1
punto alrededor del cual se hace la aproximacin
j+1/2 j j1/2 j1
i1 i1/2
i i+1/2
i+1
Figura 10.7: Grilla staggered. Stencil para la ecuaci on de momento seg un x
0 QT Q K o
P U
0 F
(10.24) (10.25)
AX = B donde ph =
p Np p1 p2 . . . pN
(10.26)
P= uh =
(10.27)
u Nu u1 u2 . . . uN
(10.28)
P= Qk =
(10.29)
Nu,k Np d Nu,k ij Nu,k d
(10.30) (10.31)
Kij =
N otese que la matriz K es sim etrica y denida positiva, mientras que la matriz total A s olo es 306
Secci on 10.7. El test de la parcela
j+1
j+1/2 j j1/2 j1
i1 i1/2
i i+1/2
i+1
Figura 10.8: Grilla staggered. Stencil para la ecuaci on de momento seg un y sim etrica y de hecho no puede ser denida positiva ya que tiene elementos diagonales (en el bloque 0) nulos. Como K es no-singular podemos eliminar U de la ecuaci on de momento e insertarla en la ecuaci on de continuidad obteniendo una ecuaci on para P de la forma HP = (QT K1 Q) P = QT K1 F (10.32)
La matriz H es sim etrica y semidenida positiva. Para que el problema este bien planteado debemos al menos exigir que la matriz sea no-singular. Podemos ver que esto ocurre si y s olo si Q tiene rango de las (el n umero de las linealmente independiente) Np (el n umero de grados de libertad de presi on). Efectivamente, si Q tiene rango menor que Np entonces existe algun vector P tal que QP = 0 y entonces HP = 0. Por otra parte, si Q tiene rango igual a Np entonces para todo P = 0 vale que u = QP = 0 y entonces PT (QT K1 Q) P = uT K1 u > 0 (10.33) con lo cual H resulta ser denida positiva y por lo tanto no-singular.
10.7.
El test de la parcela
Ahora bien Q es de dimensi on Nu Np , de manera que, para que Q sea no singular debemos pedir que al menos Nu Np . Si bien esto parece un requerimiento bastante simple, en realidad sirve para descartar toda una serie de familias de interpolaci on y da lugar al famoso test de la parcela (patch test). Consideremos por ejemplo la interpolaci on m as simple que se nos pueda ocurrir es P 1/P 0 para tri angulos, es decir velocidades lineales continuas y presiones constantes por elemento (ver gura 10.10). (La convenci on aqu es poner primero el espacio de interpolaci on para velocidades y despu es el que se usa para presiones. En general, a menos que se mencione lo contrario el espacio para velocidades se asume continuo y el de presiones discontinuo. P n denota el espacio de funciones que
307
Secci on 10.7. El test de la parcela
j+1
j+1/2 j j1/2 j1
i1 i1/2
i i+1/2
i+1
Figura 10.9: Grilla staggered. Stencil para la ecuaci on de continuidad. es polinomial de grado n por elemento, mientras que Qn denota el espacio de funciones bilineales (trilineales en 3D) de grado n.) En una malla estructurada de cuadr angulos, donde dividimos cada cuadr angulo en dos tri angulos, tenemos (para una malla sucientmente grande) Np =2 grados de libertad de presi on por cada cuadr angulo y un nodo de velocidad (es decir Nu = 2), por lo tanto no se satisface el test de la parcela y la aproximaci on es inestable. Si tomamos parcelas m as peque nas la situaci on es peor, ya que el Nu es mayor o igual al Nu asint otico pero imponiendo las condiciones de contorno m as inestables posibles, es decir todo el contorno de la parcela con velocidades impuestas el Nu resulta ser Nu = (Nu por elemento) (n umero de elementos) + (n umero de nodos adicionales de contorno) (n umero de condiciones de contorno) (Nu por elemento) (n umero de elementos) = (Nu asint otico) Entonces, si bien el test de la parcela asint otico permite descartar una serie de familias de interpolaci on, el test aplicado sobre parcelas m as peque no resulta ser m as restrictivo. Por ejemplo para la interpolaci on Q1/P 0 el an alisis asint otico da Nu por celda = 2, Np por celda = 1 lo cual en principio est a bien, pero cuando vamos a una parcela de 2 2 = 4 elementos cuadrangulares tenemos Nu = 2 (s olo el nodo de velocidad del medio est a libre), Np = 3 (uno de los nodos de presi on siempre est a restingido) lo cual est a mal. Sin embargo, puede verse que un macroelemento triangular formado por 3 elementos Q1/P 0 es estable. La relaci on asint otica m as apropiada parece ser Nu = 2Np . (10.34)
308
Secci on 10.8. La condici on de Brezzi-Babuska
Q1/P0 inestable
Q2/P1 estable
Q2/Q1 inestable
Q2(s)/Q1 Q2(s)/P1 Q2(s)/P0 inestable inestable estable
P1/P0 P2/P1 P2/P0 inestable inestable estable nodo de presin nodo de velocidad P2+/P1 estable
Figura 10.10: Combinaciones de espacios de interpolaci on de elementos nitos. Velocidades continuas, presiones discontinuas.
10.8.
La condici on de Brezzi-Babuska
Si bien el test de la parcela es muy u til para descartar posibles familias de interpolaci on, no es suciente para asegurar la convrgencia. R os de tinta han corrido en cuanto a cual es la condici on para asegurar convergencia en problemas de este tipo y la respuesta es la conocida condici on de . Brezzi-Bab. .uska tambien conocida como condicion inf-sup. inf sup
qh vh d 1 1 / / 2 2 2 2 |qh | d |vh | d
qh Xh 0 vh vh 0
= BB C = C (h)
(10.35)
Trabajando un poco esta ecuaci on puede llegarse a la conclusi on de que

1 BB = m nimo autovalor de{QK1 QT M p }
(10.36)
donde Mp es la matriz de masa de las funciones de presi on es decir Mp =
Np Np d
(10.37)
Como Mp es una matriz de masa, tiene un n umero de condici on muy bajo y no afecta mucho la expresi on anterior, de manera que podemos tomar tambi en BB = m nimo autovalor de{QK1 QT }
(10.38) 309
Secci on 10.9. M etodos FEM estabilizados
Q1/P0
Figura 10.11: Parcela de 2 2 elementos cuadrangulares. Nodos pintados de negro indican grados de libertad restringidos. Notemos que la matriz en cuesti on es la misma que se obtiene si condensamos el sistema total en el vector de presiones, ec. (10.33). De manera que el criterio de BB parece relacionar la convergencia del espacio de interpolaci on con el comportamiento de los autovalores para h 0.
10.9.
M etodos FEM estabilizados
Podemos modicar el sistema de ecuaciones a resolver si agregamos a la ecuaci on de momento un t ermino de estabilizaci on que proviene de tomar el gradiente de la ecuaci on de continuidad y otro proporcional a la divergencia de la ecuaci on de momento a la ecuaci on de continuidad. El sistema modicado es u p ( u) = f u p = ( f ) El sistema de ecuaciones es L QT Q K + G donde H = Gi,j = Np,k Np,k d Nu,i Nu,j d (10.42) (10.43) P U = S F (10.41) (10.39) (10.40)
son aproximaciones a los operadores de Laplace (vectorial) y grad-div. Notar que con el agregado de estos t erminos de estabilizaci on ahora el bloque que antes era nulo ya no lo es. Por otra parte el sistema es ahora el ptico, con lo cual deber an imponerse tambi en condiciones de contorno sobre la presi on. (Lo cual no es trivial). En la pr actica se deja la presi on libre lo cual p = 0) lo cual no es cierto pero se es equivalente a imponer derivada normal de la presi on nula ( n absorbe en una capa l mite de espesor h.
310
Indice alfab etico

ajuste del contorno, 100 alto orden esquemas en dif. n. de , 90 backward dierence, v ease diferencia hacia atr as banda ancho de, 99 matriz, 96 centrada diferencia, 75 choque ondas de, 85 compresible ujo potencial subs onico c., 84 conservativo esquema, 84 consistencia, 79 contravariante tensor m etrico, 104 convariante tensor m etrico, 104 convecci on, 111 convecci on-reacci on-difusi on, 111 convergencia lineal, 88 convergencia cuadr atica, 89 denida positiva matriz, 78 diferencia hacia adelante, 74 diferencia hacia atr as, 74 diferencias nitas m etodo de, 73 sistema de ecuaciones, 77 difusi on, 111 Dirichlet condici on de contorno tipo, 76 escala, factores de, 105 esf ericas coordenadas, 105 estabilidad, 80 cticio nodo, 81 forward dierence, v ease diferencia hacia adelante Gauss m et. de eliminaci on de, 97 hiper elastico material, 84 irregular dominios de forma, 100 Lax, Teorema de Lax, 80 mapeo del dominio de integraci on, 103 multidimensional m et. de d.f. m., 92 Neumann condici on de contorno tipo, 80 no-lineales problemas, 83 nodos, 73 numeraci on de nodos, 99 orden de convergencia, 79 ortogonales coordenadas curvil neas, 104
311
INDICE ALFABETICO
INDICE ALFABETICO
precisi on de la m aquina, 86 punto jo, m etodo de, 85 reacci on, 111 residuo de un sistema no-lineal de ecs., 85 secante m etodo, 87 sim etrica matriz, 78, 97 stencil, 90, 95 tangente m etodo, 89 Taylor serie de T. para aprox. en diferencias, 73 tensor m etrico contravariante, 104 tolerancia, 86 tolerancia para la resol. de un sistema no-lin., 85 transformaci on conforme, 105 tri-diagonal matriz, 94
312

Metodos Finitos Aplicados Al Transporte

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodos Finitos Aplicados Al Transporte

Uploaded by

Copyright:

Available Formats

M etodos Num ericos en Fen omenos de Transporte.

Introducci on. Contenidos del curso

Modelos s cos y matem aticos

Postulado del continuo

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.1. Conceptos introductorios

Finite amplitude Transition Developed

Instability Undisturbed Disturbed

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.1. Conceptos introductorios

La soluci on a los problemas de mec anica de uidos

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.1. Conceptos introductorios

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.1. Conceptos introductorios

d (M v) = F dt m 1 Kg = Newton [=] seg seg

Propiedades de los uidos

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.1. Conceptos introductorios

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

Cinem atica de uidos

El vol umen material

El principio de conservaci on de la cantidad de movimiento lineal

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

11111 00000 00000 11111 00000 11111 00000 11111

Distintas deniciones de vol umenes de control

Fuerza actuando sobre el vol umen material

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

Para un tiempo t > 0 la posici on se puede expresar mediante

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

Compactando las tres expresiones anteriores en una sola mediante

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

manteniendo R constante y diferenciando ( DT T dx T dy T dz dT dT )R = =( )( )R + ( )( )R + ( )( )R + ( )r dt Dt x dt y dt z dt dt (1.24)

y en notaci on indicial: (1.30)

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

siendo la relaci on entre ambas a= en notaci on indicial

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

1111 0000 0000 1111 0000 1111 0000 1111

que reemplazada en (1.37) produce d dt SdV = lim

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

VaII (t) S (t + t)dVII

cuya sustituci on en (1.41) produce d dt SdV =

S )dV + t S (t + t)w ndAI

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

Ya que el principio de conservaci on requiere que la misma se mantenga constante, entonces: ( dM DM D )R = = dt Dt Dt dV = 0

Aplicando el teorema del transporte a la derivada material de la integral obtenemos: D Dt dV =

ticos Cap tulo 1. Modelos fis cos y matema

Secci on 1.2. Cinem atica de uidos

ticos Cap tulo 1. Modelos fis cos y matema