You are on page 1of 164

Métodos Numéricos

para
Equações Diferenciais
Helio Pedro Amaral Souto
Nova Friburgo, 7 de Abril de 2015

Graduação em Engenharia

CONTEÚDO

Lista de Figuras

v

Lista de Tabelas

vii

1 Equações Diferenciais Ordinárias
1.1 Métodos “One–Step” . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Método de Euler . . . . . . . . . . . . . . . . . . . . .
1.1.1.1 Análise do Erro do Método de Euler . . . . .
1.1.1.2 Estabilidade do Método de Euler . . . . . . .
1.1.2 Métodos de Mais Alta Ordem . . . . . . . . . . . . . .
1.1.3 Método de Heun . . . . . . . . . . . . . . . . . . . . .
1.1.4 Método de Euler Modificado . . . . . . . . . . . . . . .
1.1.5 Métodos de Runge–Kutta . . . . . . . . . . . . . . . .
1.1.5.1 Métodos de Runge–Kutta de Segunda Ordem
1.1.5.2 Métodos de Runge–Kutta de Terceira Ordem
1.1.5.3 Métodos de Runge–Kutta de Quarta Ordem .
1.1.5.4 Sistema de Equações . . . . . . . . . . . . . .
1.2 Formulação de Butcher . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Condições de Ordem . . . . . . . . . . . . . . . . . . .
1.2.2 Alguns Métodos Explícitos . . . . . . . . . . . . . . . .
1.3 Métodos “Multistep” . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Métodos do Tipo Preditor–Corretor . . . . . . . . . . .
1.3.2 Métodos de Mais Alta Ordem . . . . . . . . . . . . . .
1.3.3 Método de Milne . . . . . . . . . . . . . . . . . . . . .
1.3.4 Método de Adams de Quarta Ordem . . . . . . . . . .
1.3.5 Método de Hamming . . . . . . . . . . . . . . . . . . .
1.4 Convergência, Consistência e Estabilidade . . . . . . . . . . .

1
3
3
3
6
7
7
9
10
11
13
14
14
15
16
19
24
24
27
29
29
30
30

i

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

. . . . . . . .3 One-Step .1.4. . . . .1 Interpretação em Bases Físicas . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . 4. . . . . . . . . . . . . . . . . . . . . . 69 70 70 71 72 74 77 1. . . . . . . . . . . . . . . . . . . . . . . . . Estabilidade . . . 2. .3. . . . . . . . . . .1 Equação da Continuidade . . .6. . . . . . . . . . . . . . Multistep .2 Condições de Contorno e Inicial Apropriadas 2. . . . Convergência Consistência . . .ii CONTEÚDO 1. .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 63 64 66 4 Discretização 4. . 4. . . . . . . 2. . . . Estabilidade . . . . . . . . . . . . . . Convergência Consistência . . . . . . .1 . . . . . . . . . . . . . .1. . . . . . .4. . . . . . . . . . . .1 Interpretação em Bases Físicas . . . . . . . . . . .1 1. . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . .5. . . 3. . . .2 1. . . . 31 31 31 32 34 34 34 35 . . . . . . . . . . . . . . . . . . . . . . . . 2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Equações Diferenciais Hiperbólicas . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . 2. . . . . . 39 39 41 42 45 46 47 49 50 51 53 53 56 58 59 59 60 61 61 3 Equações de Balanço 3. . . 2. . . . . . . . . . . . 2. . . . . . . . . . . . .4. . . . . . . .1 Discretização Espacial . . . . . . . . . . 2. . . . . .2 Equações a N Variáveis Independentes . . . . . . 2. . . . . . . 2. . . . . . .4 Sistema de Equações . . . . . . . . . . . . . . . 4. . . . 2. . 2. . . . .1 1. . . .2. . . . . . . . . . .4 Técnica Geral . . . . . . . . . . . . . 4. .4. . . . . . . . . . . . . . . . . . . . . . . . . .3 Problema Bem-Posto .1 Algumas Equações Diferenciais de Interesse . . . . . . . . . . . . . . . . . . . . . . . . . .3 Métodos 1. . . . . .1 Interpretação em Bases Físicas .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Equações do Momentum . . .5 Acurácia do Processo de Discretização 4. . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . .3 Transformação de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . .2. .6 Representação do Tipo Onda . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . 3.5 Classificação pela Análise de Fourier . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . .2 Discretização no Tempo . . . . . . . . . . . 2 Equações Diferenciais Parciais 2. 2.2. . . 2. . . . .1 Classificação pelas Características . . . . . . . . . . . . . . . .4. . . . . . . . .1 Condições de Contorno e Inicial . . . . . . . . . . . .3 Expansões em Séries de Taylor . . . . . . . . . . . . . . . . . .5 Equações Diferenciais Parabólicas . . . . . . . . . . . . . . .2 Métodos 1.2 Condições de Contorno e Inicial Apropriadas 2. . . . . . . . . . .1. . . . . . . 2. . .2. . . . . . . . . . .3 Equação de Energia . . .6 Equações Diferenciais Elípticas . .2 Condições de Contorno Apropriadas .2 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . .2 Classificação . . .

. 6. . . . . . . . . . . 5. . . . . . . . .2 Equação Modificada . . . . . 81 81 82 82 83 84 85 86 88 89 90 92 92 6 Equação de Transporte Linear 6. . . . . . . . . . . . . . . . . . . . . . . 6. . . . 6. . . . . . . .7 Equação de Transporte Unidimensional . . . . . .6 Dissipação e Dispersão Numéricas . . . . . . . . . . . . . . . . . . . . . . . 143 B. . . . . . . . . . . . . . . . .2 Método da Matriz: Condições de Contorno 5.5 Equação de Advecção . . . . . . .3. . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . . . .1 Análise de Fourier . . . . . 5. . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . 6. . . . . . . 6.3. . . . . . . . . . . . . . . . . .2 Esquema Totalmente Implícito . . 6. . . .iii CONTEÚDO 5 Convergência. . . . .2 Métodos Implícitos . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Teorema de Lax . . . . . . . . . .4 Método de Von Neumann: Esquema Geral 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . .3 Método de Von Neumann . . . . . . . . . .3 Estabilidade . Consistência e Estabilidade 5. . . . . . . . . .1 Convergência . . . . . .1 Equação de Difusão Unidimensional . . . . 5. . . . . . . . . . . . . .3.1 O Esquema FTCS . . . . . . . . . . . . . . . . .1 Extrapolação de Richardson . . 5. . . . . . . . . . . . .3 Relaxação . . . . . 145 B. . .2 Equação de Difusão em Regime Permanente 6. .3. .3. . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . 5. . . . . . . .2. . . . . . . . .8 Equação de Transporte Bidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 O Algoritmo de Thomas . . . .3. . . . . . .3 Equação de Difusão Bidimensional . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . .1 Método da Matriz . . . . .3 Equação de Difusão . . . . . . . . . . . . .1 Métodos Explícitos . . . . . 5. . . . .4 Métodos Multidimensionais de Fracionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . 5.2 Consistência . . . . . . . . . .4 Acurácia da Solução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . .2 O Método TDMA Linha a Linha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 95 97 97 97 103 104 106 113 117 119 121 123 133 A O Método de Separação de Variáveis 137 B Algoritmo de Thomas 143 B. .2. . . . . . . . . . . . . 6. . . . . . . . . . . . . . 147 Bibliografia 149 Índice 151 . .

iv

CONTEÚDO

LISTA DE FIGURAS

1.1
1.2
1.3

Método de Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Método de Heun. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Exemplo de uma árvore. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10

Curva características no plano t-x. . . . . . . . . .
Domínio computacional R. . . . . . . . . . . . . .
Características para a equação da onda. . . . . . .
Propagação de uma onda senoidal. . . . . . . . . .
Condições de contorno para o caso hiperbólico. . .
Condições auxiliares para o caso transiente. . . . .
Domínio computacional para uma EDP parabólica.
Decaimento exponencial de uma senóide. . . . . .
Solução da equação de Laplace. . . . . . . . . . . .
Domínio computacional para uma EDP elíptica. .

4.1

Malha discreta uniforme.

6.1
6.2

Exemplo da representação matricial. . . . . . . . . . . . . . . . . . . . . . . . . 107
Ângulo de fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

43
52
54
56
57
57
58
59
60
61

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

B.1 Método TDMA linha a linha. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

v

vi

LISTA DE FIGURAS

19 4. . . . . . . . . . . . 76 Relação entre as derivadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 vii . . . . . . . 17 Funções da árvore na expansão da série de Taylor . . . . . . .1 Separação da equação de Helmohtz. . . . .1 4. . . . . . . . . . . . . . . . . . . . . . . .3 Exemplos de leis fundamentais . . . . . . . . . . . . . .2 Comparação da acurácia dos diferentes esquemas. . 1 Representação da árvore e do operador diferencial elementar .2 1. . . . . . . . . . . . . . . . 79 A. .1 1. . .LISTA DE TABELAS 1. . . . . . . . .

viii LISTA DE TABELAS .

normalmente. Lei Expressão Matemática Segunda lei de Newton dv F = dt m Lei de Fourier Lei de Fick ~q = −k dT dx ~j = −D dc dx Variáveis e Parâmetros velocidade (v). etc (vide a Tabela 1. Quando combinadas com as equações de balanço de massa. A partir da posterior integração destas equações.CAPÍTULO 1 EQUAÇÕES DIFERENCIAIS ORDINÁRIAS Vários problemas práticos de engenharia são descritos em termos de taxas de variação das propriedades físicas do sistema que estamos interessados em estudar. em termos da sua massa.1). força (F ) e massa (m) condutividade térmica (k) e temperatura (T ) coeficiente de difusão (D) e concentração (c) Como exemplo de uma equação diferencial ordinária. momentum e energia elas resultam nas equações diferenciais que governam diferentes fenômenos físicos. derivada de uma lei fundamental (lei 1 . Estas variações são. no tempo e no espaço. descritas empregando as leis fundamentais da física. nós obtemos as funções matemáticas que descrevem o estado do sistema. eletricidade. termodinâmica.1: Exemplos de leis fundamentais que são escritas em termos de taxas de variação. mecânica. energia ou variação da quantidade de movimento. Tabela 1.

No exemplo acima. Caso todas as condições sejam especificadas para um mesmo valor de uma variável independente (por exemplo para t = 0). ser reduzido a um sistema de equações diferenciais de primeira ordem. A equação diferencial ordinária. de modo similar. é chamada de variável dependente. muitas destas equações diferenciais ordinárias. então o problema será chamado de um problema de valor inical. é um exemplo de uma equação de primeira ordem. a equação que descreve a posição x de um sistema massa–mola com amortecimento é um exemplo de uma equação diferencial ordinária de segunda ordem d2 x dx +kx = 0 +c 2 dt dt onde m é a massa. é denominada de variável independente. m é a massa e c o coeficiente de arrasto. acima. um problema de valor de contorno será definido quando estas condições forem fornecidas para diferentes valores da variável independente. A variável em relação a qual v está sendo diferenciada. Vale ressaltar que equações diferenciais ordinárias de alta ordem podem ser reduzidas a um sistema de equações diferenciais ordinárias de primeira ordem. uma condição auxiliar chamada de condição inicial é necessária para garantirmos a obtenção de uma única solução. g é a aceleração da gravidade. de modo que obtemos o sistema dx y= dt cy + kx dy =− dt m que é equivalente a equação original de segunda ordem. não podem ser resolvidas empregando os métodos analíticos do cálculo diferencial. A fim de que possamos especificar completamente a solução de uma equação diferencial ordinária. Uma vez que uma equação diferencial ordinária de ordem n pode. c o coeficiente de amortecimento e k a constante elástica da mola. Nesta equação a variável que esta sendo diferenciada. m . t. Por outro lado. n condições serão requeridas para que possamos obter uma única solução. Em se tratando de equações diferenciais de primeira ordem. que representam um grande número de problemas em engenharia. Em contrapartida. Assim. podemos introduzir uma nova variável y definida por dx y= dt que pode ser derivada com relação ao tempo. porque a sua derivada de mais alta ordem é uma derivada primeira. nós focaremos nossa atenção na resolução das equações de primeira ordem. devemos fornecer condições auxiliares. os métodos numéricos de resolução destas equações diferenciais adquirem uma grande importância em vários campos da engenharia. temos a equação que governa a queda de um paraquedista dv c =g− v dt m onde v é a velocidade do paraquedista. Na prática. v.2 de Newton). Quando estivermos trabalhando com equações diferenciais de ordem n.

1 3 Métodos “One–Step” No que se segue. estaremos interessados em resolvermos equações diferenciais ordinárias do tipo dy = f (x.1) dx para uma condição inicial dada por y(x0 ) = y0 . para que possamos resolver esta equação. empregando um esquema de diferenças avançadas: . Equações Diferenciais Ordinárias 1. que é conhecido como um Problema de Valor Inicial (PVI).Capítulo 1. y) (1. Uma primeira possibilidade. pode ser obtida a partir da discretização do termo da derivada de primeira ordem.

dy .

.

yi+1 − yi = .

dx i ∆x ou ainda yi+1 .

dy .

.

= yi + .

de modo semelhante ao caso de uma equação diferencial parcial. Nela. 1.1.2) onde esta fórmula é conhecida como o método de Euler ou de Euler–Cauchy. de estimativa da derivada. o novo valor de y é determinado a partir de uma extrapolação linear empregando o valor da derivada em xi (Fig. é fornecida pela própria expressão da equação diferencial ordinária e consiste em empregarmos a própria função a fim de avaliarmos a inclinação da tangente no ponto xi . sendo que a única diferença entre eles será a maneira de avaliar a derivada primeira. introduz dois tipos de erros: • Um erro de truncamento ou discretização devido à natureza da técnica empregada na aproximação de y. neste método a estimativa é dada por yi+1 = yi + f (xi . yi ) ∆x (1.1.1. ∆x dx i De acordo com esta equação. um novo valor de y no ponto xi+1 a partir de um valor conhecido de yi . conforme esquematizado na Fig. Portanto. 1.1 Método de Euler Uma primeira possibilidade. 1. por extrapolação. . a partir da estimativa da derivada (que fornece a inclinação da tangente à curva no ponto xi ) nós determinamos. Todos os métodos do tipo “one–step” podem ser expressos nesta mesma forma geral.1. 1. Esta fórmula pode ser aplicada passo a passo a fim de determinarmos a evolução futura da solução.1).1 Análise do Erro do Método de Euler A resolução numérica da equação diferencial ordinária.

chamada de erro local de truncamento. que resulta da aplicação local do método numérico para um único incremento. Métodos “One–Step” 4 y y i+1 erro verdadeiro yi xi x i+1 x Figura 1. . yi ) f (n−1) (xi . se considerarmos que estamos tratando da equação diferencial ordinária y 0 = f (x.1. A soma destes dois erros fornece o erro global de truncamento. yi ) ∆x + Et . que possui as suas derivadas contínuas. yi ) ∆x2 + . Eq. (1. vemos que este último pode ser escrito como yi+1 = yi + f (xi . . + ∆xn + O ∆xn+1 2 n! (1. (n) yi yi00 2 0 ∆x + . . em torno do ponto xi . . Esta expansão ainda pode ser escrita numa forma alternativa. y) yi+1 = yi + f (xi .3) Comparando esta expansão com o método de Euler. A segunda é a parcela devida à propogação do erro de truncamento proveniente das aproximações decorrentes dos incrementos anteriores. • Um erro de arredondamento devido ao fato do número limitado de digitos que são utilizados pelos computadores. Expandindo em série de Taylor a função y. yi ) ∆x +  f 0 (xi . + ∆xn + Rn yi+1 = yi + yi ∆x + 2 n! onde y 0 = dy/dx e Rn representa o resto da série e é definido por Rn = y (n+1) (ξ) ∆xn+1 (n + 1)! onde ξ está contido no intervalo de xi a xi+1 .2). Uma primeira.1. O erro de truncamento é composto de duas partes.1: Método de Euler.

acima. podemos trabalhar com funções que são mais complexas do que simples polinômios. ou seja. Equações Diferenciais Ordinárias 5 onde Et é o verdadeiro erro local devido ao truncamento. em série de Taylor. na maior parte dos problemas de interesse a série de Taylor ainda pode nos fornecer informações valiosas sobre o comportamento do método de Euler. uma vez que as derivadas de ordem superiores a um serão nulas. + O ∆xn+1 2 Para valores suficientemente pequenos do incremento ∆x.Capítulo 1. É possível mostrar. existem algumas limitações associadas ao seu uso: • A série de Taylor nos fornece somente uma estimativa do erro de truncamento local. yi ) Ea = ∆x2 2 ou Ea = O ∆x2  onde Ea representa o erro local de truncamento aproximado. o erro global de truncamento. • O método fornecerá resultados livres de erro caso o solução da equação diferencial ordinária seja linear. ele é proporcional ao incremento de espaço. Portanto. . • Na prática. pudemos verificar que o erro local é proporcional ao quadrado do incremento de espaço e à derivada primeira da função f (x. . yi ) ∆x2 + . Entretanto. . o cálculo das derivadas que aparecem na série de Taylor podem não ser facilmente obtidas. Apesar dessas limitações impedirem uma análise exata do erro. os diferentes termos do erro decrescem à medida que a sua ordem aumenta. usualmente representamos o erro como f 0 (xi . ou seja. sendo dado por Et =  f 0 (xi . Como consequência. Pelas razões mencionadas. também. o método de Euler é denominado um método de primeira ordem. a expansão em série de Taylor nos fornece um meio para quantificarmos o erro no método de Euler. que o erro global de truncamento é de O(∆x) [1]. Do desenvolvimento. y). Conforme pudemos ver. Estas observações nos levam a algumas conclusões importantes: • O erro pode ser reduzido mediante um decréscimo do incremento. Ela não nos fornece o erro propagado.

1.1. conforme veremos mais adiante. Este conceito pode ser entendido tomando como exemplo o seguinte problema de valor inicial: dy = −α y dx apresentando como condição inicial y(0) = y0 .1. Métodos “One–Step” 6 1. temos que: dy . do erro introduzido nos dados iniciais ou no processo de discretização. 2].2 Estabilidade do Método de Euler O conceito matemático de estabilidade do método numérico está associado ao crescimento ilimitado da solução numérica ou. Do Cálculo Diferencial sabemos que esta equação diferencial ordinária possui a seguinte solução: y = y0 e−α x Assim.1. Empregando o método de Euler na resolução numérica deste problema. Neste caso. a solução numérica não irá tender para a solução da equação diferencial quando o incremento tender a zero e o esquema numérico será dito ser instável [1. essa solução tem como valor inicial y0 e aproxima–se assintoticamente de zero à medida que o valor de x aumenta.

.

yi+1 = yi + .

Neste caso. dizemos que o método é condicionalmente estável. Esta representação é chamada de implícita devido ao fato de que a variável que buscamos determinar. isto é. ∆x = yi + f (xi . yi )∆x = yi − αyi ∆x dx i ou ainda. Uma maneira de contornarmos esta restrição seria a de empregarmos uma abordagem implícita para o método de Euler. o valor de |1 − α∆x| deve ser menor do que 1. yi+1 = (1 − α∆x) yi Deste resultado vemos claramente que a estabilidade do método numérico depende do incremento ∆x. aparece em ambos os lados do sinal de igualdade dy . yi+1 . Esta restrição implica no fato de que o incremento deve verificar a condição ∆x < 2/α a fim de que a solução numérica acompanhe a solução analítica.

.

yi+1 = yi + .

1 yi 1 + α∆x . ∆x = yi + f (xi+1 . yi+1 )∆x = yi − αyi+1 ∆x dx i+1 ou ainda.

.

.

.

1 .

sendo que agora a condição de estabilidade. < 1. . é sempre verificada para α > 0.

.

1 + α∆x .

dizemos que o método de Euler implícito é incondicionalmente estável. Este conceito de estabilidade pode ser estendido a outros métodos numéricos destinados à resolução de um problema de valor inicial do tipo: yi+1 = dy = f (x. Assim. dx x>a . y).

Por exemplo. 3] para maiores detalhes. a derivada primeira de f (x. yi )∆x + ∆x2 + Ea 2 onde o erro de truncamento aproximado seria dado por Ea = f 00 (xi . estes métodos são comparáveis aos métodos que empregam termos de mais alta ordem na série de Taylor. 1. yi ) ∆x3 6 Embora este método seja facilmente implementado no caso de funções polinomiais.1. este é o caso em se tratando de equações diferenciais ordinárias que são funções de ambas as variáveis dependentes e independentes. Assim sendo. Em seguida. sem que tenhamos que avaliar derivadas superiores a primeira ordem.2 Métodos de Mais Alta Ordem Uma maneira fácil de reduzirmos o erro do método de Euler seria a de incluirmos termos de mais alta ordem da série de Taylor (1. Os leitores interessados devem se reportar às referências [2. Este assunto será retomado ao final deste capítulo. O método de Heun utiliza a determinação de duas derivadas no intervalo. como medida para melhorar a estimativa da inclinação da curva no intervalo considerado. Conforme veremos a seguir.Capítulo 1. é suposta prevalecer sobre todo o intervalo. a inclusão de termos de mais alta ordem pode não ser trivial no caso de estarmos considerando equações diferenciais ordinárias mais complicadas. veremos que algumas modificações simples podem ser introduzidas a fim de superarmos esta dificuldade. avaliada no início do intervalo. 1. yi ) yi+1 = yi + f (xi . As derivadas são . Em particular. y) = ∂f 0 ∂f 0 dy + ∂x ∂y dx com o grau de complexidade aumentando para as derivadas de mais alta ordem. Equações Diferenciais Ordinárias 7 para uma condição inicial y(a) = y0 . alternativas foram pensadas para que possamos aumentar a performance dos métodos one–step.3 Método de Heun O método de Euler apresenta uma fonte de erro fundamental que é devida ao fato de que a derivada. retendo o termo de segunda ordem f 0 (xi .3) na solução numérica. sendo necessário o emprego da regra da cadeia na determinação destas derivadas. y) = ∂f dy ∂f + ∂x ∂y dx enquanto que a derivada segunda seria dada por f 00 (x.1. y) será f 0 (x. Por exemplo.

a partir da média dos valores das duas derivadas.2. yi+1 ) Assim. as duas expressões para as inclinações podem ser combinadas a fim de obtermos um valor médio para a inclinação no intervalo considerado: y¯0 = 0 0 yi0 + yi+1 f (xi . Ela fornece uma estimativa de yi+1 com a qual determinamos uma estimativa da inclinação à curva no ponto final do intervalo: 0 0 yi+1 = f (xi+1 . yi )∆x Enquanto que para o método de Euler esta seria a estimativa final.1. No método de Euler. conforme mostrado esquematicamente na Fig. yi ) + f (xi+1 . yi+1 ) = 2 2 Este valor é. 1. então. yi ) + f (xi+1 . Métodos “One–Step” 8 y y 0 i+1 yi xi x i+1 x Figura 1. yi+1 ) = yi + ∆x 2 . avaliadas uma no ponto inicial e a outra no ponto final. no método de Heun trata-se de uma estimativa intermediária e ela é conhecida como a equação preditora.1. empregado na extrapolação linear de yi a yi+1 utilizando o método de Euler yi+1 0 f (xi . A estimativa da inclinação é obtida. a inclinação é avaliada no ponto inicial yi0 = f (xi .2: Método de Heun. então. yi ) e é empregada na extrapolação linear que determina yi+1 0 yi+1 = yi + f (xi .

onde a equação diferencial ordinária é função unicamente da variável independente.1. Além do mais. trata–se de um método de segunda ordem. portanto. devemos observar que yi+1 aparece em ambos os lados do sinal de igualdade e. aplicando a regra do trapézio no intuito de avaliarmos a integral acima yi+1 = yi + f (xi ) + f (xi+1 ) f 00 (ξ) 3 ∆x − ∆x 2 12 onde ξ encontra–se no intervalo entre xi e xi+1 . os erros local e global são de O (∆x3 ) e de O (∆x2 ) respectivamente [1]. não necessitamos empregar a equação preditora e basta utilizarmos uma única vez a cada iteração a equação corretora f (xi ) + f (xi+1 ) ∆x yi+1 = yi + 2 onde podemos notar uma similaridade entre o lado direito do sinal de igualdade e a regra do trapézio para a integração. Entretanto. Esta técnica usa o método de Euler na predição de um valor de y no ponto médio do intervalo yi+1/2 = yi + f (xi . esta equação pode ser empregada de modo iterativo a fim de corrigirmos este valor. para casos como os dos polinômios. De fato. Isto quer dizer que a 0 estimativa anterior yi+1 pode ser usada repetidamente a fim de prover uma melhor estimativa de yi+1 . Equações Diferenciais Ordinárias 9 onde esta é a equação corretora. yi ) ∆x 2 . uma vez que a derivada segunda da equação diferencial ordinária é zero quando a solução for quadrática. Assim. partamos da equação diferencial ordinária dy = f (x) dx Esta equação pode ser resolvida por integração na forma: Z xi+1 Z yi+1 f (x) dx dy = xi yi que resulta em Z xi+1 yi+1 = yi + f (x) dx xi Agora. o método de Heun é um método do tipo preditor–corretor.Capítulo 1. 1. consideramos que a derivada era uma função tanto da variável dependente quanto da independente.4 Método de Euler Modificado Uma outra modificação simples do método de Euler resulta no método de Euler modificado. Portanto. Na introdução do método de Heun. Neste método.

yi+1/2 )∆x Devemos notar que devido ao fato de yi+1 não aparecer em ambos os lados desta equação. yi . yi . . yi ) k2 = f (xi + c2 ∆x. . 2. ∆x)∆x (1. . são dadas por k1 = f (xi . sabemos que a técnica de diferenças finitas conhecida como diferenças centradas aproxima melhor a derivada do que as técnicas de diferenças avançadas ou recuadas. este método apresenta um erro local e global que são de O (∆x3 ) e de O (∆x2 ) respectivamente [1]. kn = f (xi + cn ∆x. Muitas variações destes métodos existem. A função incremento pode ser escrita numa forma geral como φ = b1 k1 + b2 k2 + · · · + bn kn onde os diferentes coeficientes bi .. yi+1/2 ) yi+1/2 onde assumimos que este valor é uma aproximação da inclinação média para todo o intervalo. uma aproximação centrada como a utilizada aqui possui um erro de truncamento de O (∆x2 ) em comparação com a aproximação avançada do método de Euler que possui um erro de O (∆x).5 Métodos de Runge–Kutta Os métodos do tipo Runge–Kutta podem alcançar a mesma acurácia dos métodos de mais alta ordem que empregam o desenvolvimento em série de Taylor sem. 1. . mas todos podem ser escritos na seguinte forma generalizada em se tratando dos métodos explícitos: yi+1 = yi + φ(xi . Este valor da inclinação é então usado na extrapolação linear entre xi e xi+1 empregando o método de Euler yi+1 = yi + f (xi+1/2 . Da teoria sobre as técnicas de discretização. no entanto. este valor é empregado na estimativa do valor da inclinação à curva no ponto médio: 0 = f (xi+1/2 . Métodos “One–Step” 10 Em seguida. são constantes e as funções ki . . i = 1. . O método de Euler modificado é superior ao método de Euler visto que ele avalia a inclinação à curva no ponto médio do intervalo de predição. Conseqüentemente. yi + a21 k1 ∆x) k3 = f (xi + c3 ∆x. yi + a31 k1 ∆x + a32 k2 ∆x) . . yi + an1 k1 ∆x + an2 k2 ∆x + · · · + ann−1 kn−1 ∆x) . 2. esta equação corretora não pode ser empregada iterativamente a fim de melhorarmos a solução. ∆x) é chamada de função incremento a qual pode ser interpretada como a inclinação representativa de todo o intervalo.1. requerer a determinação das derivadas de mais alta ordem. No mesmo sentido. i = 1.1.4) onde φ(xi .1.

Uma vez escolhido o número n de termos.Capítulo 1. Devemos notar que o método de Runge– Kutta de primeira ordem com n = 1 corresponde. yi )∆x + f 0 (xi . yi + a21 k1 ∆x) A fim de determinarmos os valores de b1 . yi )  ∆x2 + O ∆x3 2 onde f 0 (xi . que aparece na equação para k3 e assim por diante. o número de termos n normalmente representa o ordem do método. de fato. Tal fato torna os métodos de Runge–Kutta eficientes ferramentas do cálculo numérico. yi ) k2 = f (xi + c2 ∆x. b2 . 1.1. Isto quer dizer que k1 aparece na equação para k2 . yi ) deve ser determinada a partir do emprego de: ∂f .5. p e q são avaliados igualando a equação generalizada do método de Runge–Kutta aos termos de uma expansão em série de Taylor.1 Métodos de Runge–Kutta de Segunda Ordem A forma generalizada para um método de segunda ordem é dada por yi+1 = yi + (b1 k1 + b2 k2 )∆x onde k1 = f (xi . Equações Diferenciais Ordinárias 11 Devemos notar que nestas expressões as funções ki são relações de recorrência. yi ) como sendo a derivada dy/dx yi+1 = yi + f (xi . os valores de a. ao menos para as versões de baixa ordem. Deste modo. ao método de Euler. c2 e a21 nós iremos expandir em série de Taylor yi+1 e empregaremos f (xi . Vários tipos de métodos de Runge–Kutta podem ser imaginados a partir do emprego de diferentes números de termos da função incremento.

.

∂f .

.

yi ) = . df (xi .

dx + .

dy ∂x i ∂y i ou ainda df ∂f .

.

∂f .

.

dy f (xi . yi ) = = .

+ .

yi )∆x + + + O ∆x3 ∂x ∂y dx i 2 (1.4)) para o método de segunda ordem. lembrando que   ∂g ∂g 1 ∂ 2g 2 ∂ 2g ∂ 2g 2 g(x + r.5) Em seguida. y) + r +s + r +2 rs + 2 s + ··· ∂x ∂y 2! ∂x2 ∂x∂y ∂y . y + s) = g(x. nós vamos expandir a equação geral (Eq. dx ∂x i ∂y i dx 0 Substituindo este resultado na expansão em série de Taylor    ∂f ∂f dy ∆x2 yi+1 = yi + f (xi . (1.

Substituindo esses resultados na equação geral obtemos: yi+1 = yi + 1 (k1 + k2 ) ∆x 2 onde k1 = f (xi .  ∂f ∂f + a21 k1 ∆x + O ∆x2 ∂x ∂y Substituindo. existirão uma infinidade de métodos de Runge–Kutta de segunda ordem. agrupando os termos de mesma ordem em ∆x    ∂f ∂f + b2 a21 f (xi . agora.6) Finalmente. linear ou quadrática. y) constante.4) nós obtemos k2 = f (xi . das equações acima obtemos b1 = 1 − b2 1 c2 = a21 = 2b2 Devido ao fato de podermos escolher uma infinidade de valores para a2 . yi )∆x + b2 c2 ∂x ∂y (1. yi ) + b2 ∆x f (xi . yi ) . não há uma única solução que satisfaça este sistema de equações. yi ) ∆x2 + O ∆x3 yi+1 = yi + (b1 + b2 )f (xi . especificar o valor de uma destas incógnitas a fim de determinarmos as outras três. portanto.1. vemos que as seguintes condições devem ser verificadas para que tenhamos a equivalência destas duas equações b1 + b2 = 1 1 2 1 b2 a21 = 2 Como existem quatro incógnitas e somente três equações. Métodos “One–Step” 12 Portanto. Admitamos que nós especifiquemos o valor de b2 . yi ) + O ∆x3 ∂x ∂y ou ainda.1. apresentaremos três dos métodos de segunda ordem mais comumente utilizados: b2 c 2 = Método de Heun (b2 = 1/2). yi ) + b2 c2 ∆x2  ∂f ∂f + b2 a21 ∆x2 f (xi . k1 e k2 na expressão geral (1. yi ) + c2 ∆x yi+1 = yi + b1 ∆x f (xi .6). Em seguida. Necessitamos. teremos uma família de métodos de segunda ordem. obteremos soluções diferentes quando esta função for mais complicada. que fornecerão o mesmo resultado para a solução da equação diferencial ordinária em se tratando de uma função f (x.5) e (1. Em consequência. Entretanto. comparando termo a termo as expansões (1. Para b2 = 1/2 nós podemos resolver o sistema de equações e obtemos b1 = 1/2 e c2 = a21 = 1.

Método de Ralston (b2 = 2/3). este método de Runge–Kutta de segunda ordem corresponde ao método de Heun com uma única iteração corretora. yi + k1 ∆x/2) k3 = f (xi + ∆x. Portanto. O resultado desta derivação produzirá um sistema de seis equações a oito incógnitas.1. yi ) k2 = f (xi + 3∆x/4. então b1 = 0. Equações Diferenciais Ordinárias 13 k2 = f (xi + ∆x.Capítulo 1. devemos fornecer valores para duas destas incógnitas a fim de que possamos determinar os parâmetros restantes. yi ) k2 = f (xi + ∆x/2. yi ) k2 = f (xi + ∆x/2. Método do Polígono (b2 = 1).2 Métodos de Runge–Kutta de Terceira Ordem Podemos empregar o mesmo desenvolvimento aplicado na obtenção do método de segunda ordem ao caso de n = 3. yi + k1 ∆x/2) o que corresponde ao método do polígono melhorado. Apresentaremos agora uma versão comumente empregada 1 yi+1 = yi + (k1 + 4k2 + k3 ) ∆x 6 onde k1 = f (xi .5. c2 = a21 = 1/2 e a equação geral torna–se yi+1 = yi + k2 ∆x onde k1 = f (xi . Caso assumamos que b2 = 1. Para esta versão temos que b1 = 1/3 e c2 = a21 = 3/4 yi+1 = yi + 1 (k1 + 2k2 ) ∆x 3 onde k1 = f (xi . Portanto. yi + 3k1 ∆x/4) 1. yi + k1 ∆x) Notemos que k1 representa a inclinação à curva no ponto inicial do intervalo enquanto que k2 é a inclinação no final do intervalo. Ralston (1962) e Ralston e Rabinowitz (1978) determinaram que para b2 = 2/3 obtemos o valor mínimo para o erro de truncamento para os algoritmos de Runge–Kutta de segunda ordem. yi − ∆x k1 + 2∆x k2 ) .

aqui. Tais sistemas podem ser representados como dy1 = f1 (x. y2 . y1 . 1. . . o método que é conhecido como o método clássico de Runge–Kutta de quarta ordem: 1 yi+1 = yi + (k1 + 2k2 + 2k3 + k4 ) ∆x 6 onde k1 = f (xi . . existe uma infinidade de versões destes métodos. . Assim como no caso dos métodos de segunda ordem. ..1. yn ) dx . yn ) dx dy2 = f2 (x. . y1 . ao invés da resolução de uma única equação.5.1.3 Métodos de Runge–Kutta de Quarta Ordem Os métodos de Runge–Kutta mais populares são os de quarta ordem.4 Sistema de Equações Muitos problemas de engenharia e das ciências exatas necessitam da solução de um sistema de equações diferenciais simultâneas. yi + k2 ∆x/2) k4 = f (xi + ∆x. o método de Runge–Kutta de quarta ordem é equivalente à regra de Simpson (1/3) para a integração conforme mostrado anteriormente. yi + k1 ∆x/2) k3 = f (xi + ∆x/2.. Métodos “One–Step” 14 Para uma função f dependente unicamente de x. y2 . Apresentaremos. o método de terceira ordem reduz-se à regra de Simpson (1/3) quando empregamos um polinômio interpolador de Lagrange de segunda ordem Z yi+1 = yi + b f (x) dx a onde Z b f (x) dx ≈ I= a ∆x [f (x0 ) + 4f (x1 ) + f (x2 )] 6 onde x0 e x2 representam os pontos inicial e final do intervalo ∆x. .5. . . . yi ) k2 = f (xi + ∆x/2.1. yi + k3 ∆x) De modo análogo ao caso do método de terceira ordem. em se tratando de uma função de x somente (k2 = k3 ). .1. 1. . Os métodos de Runge-Kutta de terceira ordem apresentam um erro local de O (∆x4 ) e um erro global de O (∆x3 ) e os seus resultados são exatos quando a solução for cúbica.

. 2. i = 1. s. Todos os métodos estudados neste capítulo podem ser aplicados na resolução de sistemas de equações... . 1. . . o procedimento adotado na resolução destes sistemas consiste na aplicação dos métodos “one–step” a todas as equações a cada passo antes de prosseguirmos para o passo posterior. Yi ). . Os coeficientes característicos (aij . . . necessitamos fornecer n condições iniciais para o valor inicial de x. cs as1 as2 . Equações Diferenciais Ordinárias 15 dyn = fn (x. bi e ci ).. y2 . sendo que nesta equação ki = f (xn + ci ∆x.2 Formulação de Butcher A família dos métodos de Runge-Kutta pode ser representada seguindo o princípio descrito por Butcher.. j=1 e o vetor b deve ser de tal que s X i=1 bi = 1 . . ass c A bT b1 b2 ··· bs Os coeficientes do vetor c estão relacionados com os elementos da matriz A segundo a seguinte forma s X ci = aij i = 1. . . . . .Capítulo 1. 2. e Yi é dado por Yi = yn + ∆x s X aij kj j=1 sendo s o número de estágios do método.. A forma geral para determinarmos a solução aproximada é dada por m X yn+1 = yn + ∆x bi ki i=1 para 1 ≤ i ≤ s. que vão determinar a acurácia e a estabilidade desses métodos. y1 . . são determinados convenientemente através da tabela de Butcher [4] c1 a11 a12 · · · a1s c2 a21 a22 · · · a2s . . s para a forma non-autonomous. . nas quais os coeficientes são estrategicamente colocados em uma tabela para facilitar o cálculo de suas propriedades.. . . . . Alguns sistemas de aplicações em engenharia podem ser composto de centenas de equações. yn ) dx A fim de que possamos obter a solução de tal sistema.. ou ki = f (Yi ) para os sistemas autonomous. Em cada caso. .

. ... Dessa forma.2.1) dy = f (y) dx com condição inicial dada por y(xn ) = yn e. . uma formulação para as demais derivadas dessa função y 0 (x) = f (y(x)).. .1 Condições de Ordem A ordem p dos métodos multi-passos lineares são construídas usando aproximações para y(xn+1 ) em termos de y e ∆x y 0 avaliados nos respectivos pontos xi das soluções. . 2. (1. xn+1 ] para i = 1..2) é baseada na integral Z s X 0 y(xn+1 ) = y(xn ) + ∆x y (xn + ξ∆x)dξ ≈ y(xn ) + ∆x bi y 0 (xn + ci ∆x) i=1 Para lidar com este problema. . cs as1 as2 . então. a aproximação deve satisfazer exatamente a um polinômio para a expansão na série de Taylor para um grau menor que p. y 000 (x) = f 00 (y(x))f (y(x))y 0 (x) + f 0 (y(x))f 0 (y(x))y 0 (x) = f 00 (y(x))(f (y(x)). 1. por fim. . . Neste curso iremos considerar somente as formulações explícitas dos métodos de Runge-Kutta. dado que os erro são estimados em termos de O(∆xp+1 ). . . Formulação de Butcher 16 As componentes do vetor c são os valores intermediários dos estágios. devemos proceder da seguinte forma: encontrar a expansão da série de Taylor da solução exata.2. f (y(x))) + f 0 (y(x))f 0 (y(x))f (y(x)). depois encontrar a expansão da série de Taylor para o cálculo da solução aproximada utilizando o método de Runge-Kutta e.. 0 ··· bs b1 b2 0 0 . s As formulações para as quais aij = 0 se j ≥ i são chamadas de formulações explícitas ou ERK (Explicit Runge-Kutta) c A bT c1 0 0 ··· c2 a21 0 · · · . . ci ∈ [xn . ou seja... y 00 (x) = f 0 (y(x))y 0 (x) = f 0 (y(x))f (y(x)). Para o método de Runge-Kutta torna-se um pouco mais complicado visto que a aproximação descrita pela Eq. . Primeiro devemos encontrar a expansão para y que satisfaça o PVI (1. .1. comparar as duas expansões termo a termo de modo a que elas sejam equivalentes até o termo de O(∆xp+1 ).

podemos encontrar um padrão capaz de ser utilizado em uma estrutura do tipo árvore.Capítulo 1. sendo Ψ o conjunto de todas as árvores com raízes. f) + f0 f0 f sendo f = f (y(x)).2: Representação da árvore e do operador diferencial elementar. f0 = f 0 (y(x)). considerando cada árvore ψ ∈ Ψ. Diagrama F(ψ) •f f •f • f0 f •@ • f •f00 •f • f0 • f0 Termos f (y(x)) f0 f f 0 (y(x))f (y(x)) f00 (f. Em se tratando de f 0 e f 00 as extremidades externas estão conectadas a sub-árvores. f (y(x))) f0 f0 f f 0 (y(x))f 0 (y(x))f (y(x)) A solução exata do problema de valor inicial y(x0 + ∆x) pode ser expandida em série de Taylor em torno de x0 na forma y(x0 + ∆x) = y0 + X α(ψ)∆xr(ψ) ψ∈Ψ r(ψ)! F(ψ)(y0 ) que pode ser reescrita como y(x0 + ∆x) = y0 + X ∆xr(ψ) F(ψ)(y0 ) σ(ψ)γ(ψ) ψ∈Ψ (1. representando estes operadores linear e bilinear respectivamente. f00 = f 00 (y(x)). Nesta estrutura relacionamos f (y(x)) a uma folha da árvore. Equações Diferenciais Ordinárias 17 considerando somente os termos até a derivada terceira. A Tabela 1. reescritos na forma y 0 (x) = f y 00 (x) = f0 f y 000 (x) = f00 (f.2 mostra a representação da estrutura em árvores e as suas respectivas representações para o operador elementar diferencial F(ψ). Esses termos são. então. Tabela 1. f 0 (y(x)) a um vértice com uma única extremidade exterior e f 00 (y(x)) a um vértice com duas extremidades externas. A partir do resultado destas derivações. f) f 00 (y(x))(f (y(x)).7) .

3. α(ψ) e β(ψ) para uma expansão considerando somente os termos até quarta ordem. c as folhas e A os vértices internos. •@ cj •@ • @ •@ • @ @ @• j −→ ci •@ ci • cj • @ @ @• @• 1 •@ aij 1 • @ @• 3 @ @ @• @• bi i 1 • @ @ @ @ 1 •@ Φ(ψ) = 6 s X bi c2i aij c2j γ(ψ) = 18 i.8) Como a obtenção das famílias de métodos de Runge-Kutta baseia-se no fato de que os termos das séries de Taylor (Eqs. F(ψ)(y 0 ) a diferencial elementar. baseado em sua respectiva árvore. o produto de todos os fatores é o valor de γ(ψ). Por outro lado. σ(ψ). onde b representa a raiz.7) e (1. . γ(ψ). α(ψ) = σ(ψ)γ(ψ) r(ψ)! número de combinações ordenadas em ψ. Em seguida é fornecido um exemplo de uma árvore na Fig. portanto. 1. é construído a partir dos coeficientes de cada método. (1.3 apresenta as funções F(ψ). as folhas possuem fator unitário e todos os demais a soma dos fatores associados aos vizinhos para onde crescem mais um.8)) devam coincidir até o termo de ordem ∆xp . Formulação de Butcher 18 Figura 1. peso elementar. também é possível expandir em série de Taylor a solução aproximada y1 = y0 + X β(ψ)∆xr(ψ) ψ∈Ψ ou ainda y1 = y0 + r(ψ)! X ∆xr(ψ) ψ∈Ψ σ(ψ) Φ(ψ)F(ψ)(y 0 ) Φ(ψ)F(ψ)(y 0 ) (1. O polinômio Φ(ψ). γ(ψ) a densidade da árvore ψ. γ(ψ) ∀ r(ψ) ≤ p sejam verificadas. é necessário garantir que as condições de ordem [5] Φ(ψ) = 1 . β(ψ) = o número de combinações não ordenadas σ(ψ) em ψ. σ(ψ) a simetria r(ψ)! o de ψ (a ordem do grupo de automorfismo).3: Exemplo de uma árvore.2. associamos um fator para cada vértice da árvore.j=1 onde r(ψ) representa a ordem da árvore ψ (número de vértices ou nós da árvore). A Tabela 1.1. Φ(ψ) e os valores de r(ψ). O valor de γ(ψ) para cada árvore pode ser obtido da seguinte forma.

podemos encontrar os coeficientes da matriz A mediante a resolução de um sistema de equações lineares.Capítulo 1. ψ • • • • • @• • • • • • • @• • • • @• • • @• • • • • • 1.3: Funções da árvore na expansão da série de Taylor. f. em seguida. f0 f) f0 f 2 1 2 1 2 3 2 3 1 3 bi aij cj 3 1 6 1 6 bi c3i 4 6 4 1 4 P bi ci aij cj 4 1 8 3 24 f0 f00 (f. Para um método explícito de segunda ordem. f) P bi aij c2j 4 2 12 1 12 f0 f0 f0 f P bi aij ajk ck 4 1 24 1 24 Alguns Métodos Explícitos Na abordagem para a determinação dos coeficientes característicos. f) P f00 (f. Feito isto. o usual é primeiro determinarmos c para. calcularmos b. da Tabela 1.3 vemos que as condições que devem ser verificadas são dadas por • • • b1 + b2 = 1 b2 c 2 = 1 2 chegamos à solução arbitrária em termos do parâmetro não nulo c2 . f) Φ(ψ) P bi P bi c i P 2 bi c i f0 f0 f P f(3) (f. obtemos dois casos especiais que são respectivamente as 2 .2 F(ψ) f r(ψ) σ(ψ) γ(ψ) α(ψ) β(ψ) 1 1 1 1 1 f00 (f. Equações Diferenciais Ordinárias 19 Tabela 1. uma vez que temos duas equações e três incógnitas. 0 c2 c2 1− Escolhendo c2 = 1 2c2 1 2c2 1 ou c2 = 1.2.

nos exemplos mostrados.8) e da Tabela 1. correspondem de fato às séries serem coincidentes. Para um método de terceira ordem.7). Para um método de segunda ordem teremos que y(x0 + ∆x) = y0 + = y0 + ∆xr(2) ∆xr(1) F(1)(y0 ) + F(2)(y0 ) σ(1)γ(1) σ(2)γ(2) ∆x1 ∆x2 0 f (y0 ) + f f (y0 ) 1·1 1·2 e ∆xr(1) ∆xr(2) Φ(1)F(1)(y0 ) + Φ(2)F(2)(y0 ) σ(1) σ(2)  ∆x1 X  ∆x2 X = y0 + bi f (y0 ) + bi ci f 0 f (y0 ) 1 1 verificando a exatidão do sistema obtido anteriormente para a determinações dos coeficientes.2. as condições necessárias agora são dadas por y1 = y0 + • b1 + b2 + b3 = 1 • • b2 c 2 + b3 c 3 = 1 2 b2 c22 + b3 c23 = 1 3 • @• • • • • 1 6 sendo que alguns casos especiais podem ser recuperados em função dos resultados das tabelas = 0 0 1 2 b3 a32 c2 2 3 2 3 1 2 1 −1 2 1 6 2 3 1 6 0 2 3 2 3 0 2 3 1 4 3 8 2 3 0 −1 1 3 8 0 3 4 1 4 . (1. Formulação de Butcher 20 formulações apresentadas nas regras do ponto médio e do trapézio desenvolvidas por [6] 0 1 2 0 1 1 1 2 1 2 0 1 1 2 Das expansões (1.3 podemos verificar que os resultados determinados.1.

3 os desenvolvimentos em série de Taylor da solução exata e da solução aproximada. de modo que aij = 0 para j ≥ i. (1. fornecida por um método de Runge-Kutta de terceira ordem. Equações Diferenciais Ordinárias 21 bem como a formulação conhecida de Heun 0 1 3 2 3 1 3 0 2 3 1 4 0 3 4 De forma análoga ao caso do método anterior. mais uma vez.7). y1 = y0 + ∆xr(1) ∆xr(2) Φ(1)F(1)(y0 ) + Φ(2)F(2)(y0 ) σ(1) σ(2) ∆xr(3) ∆xr(4) Φ(3)F(3)(y0 ) + Φ(4)F(4)(y0 ) σ(3) σ(4)  ∆x1 X  ∆x2 X = y0 + bi f (y0 ) + bi ci f 0 f (y0 ) 1 1  ∆x3 X ∆x3 X 2  00 bi ci f (f. É importante lembrar-nos de que estes resultados são válidos para os métodos explícitos. obtemos das expansões (1. para a solução numérica.8) e da Tabela 1. Em se tratando da solução exata.Capítulo 1. recuperamos o sistema de equações apresentado anteriormente. . f )(y0 ) + bi aij cj f 0 f 0 f (y0 ) + 2 1 + e. f )(y0 ) + f f f (y0 ) 2·3 1·6 e. temos que y(x0 + ∆x) = y0 + + ∆xr(3) ∆xr(4) F(3)(y0 ) + F(4)(y0 ) σ(3)γ(3) σ(4)γ(4) = y0 + + ∆xr(2) ∆xr(1) F(1)(y0 ) + F(2)(y0 ) σ(1)γ(1) σ(2)γ(2) ∆x1 ∆x2 0 f (y0 ) + f f (y0 ) 1·1 1·2 ∆x3 0 0 ∆x3 00 f (f.

16) para obtermos a condição de consistência em c.14) e (1.11) e (1.11) • • • b3 a32 c3 + b4 a42 c2 + b4 a43 c3 = 1 6 (1. utilizar a Eq.9) • • b2 c 2 + b3 c 3 + b4 c 4 = 1 2 (1. f )(y0 ) + f (f.12). devemos determinar os coeficientes da matriz A a partir das Eqs. Esta condição de consistência é encontrada para c4 = 1. Escrevendo em termos dos desenvolvimentos em série de Taylor y(x0 + ∆x) = y0 + + ∆xr(5) ∆xr(6) ∆xr(7) ∆xr(8) F(5)(y0 ) + F(6)(y0 ) + F(7)(y0 ) + F(8)(y0 ) σ(5)γ(5) σ(6)γ(6) σ(7)γ(7) σ(8)γ(8) = y0 + + ∆xr(2) ∆xr(3) ∆xr(4) ∆xr(1) F(1)(y0 ) + F(2)(y0 ) + F(3)(y0 ) + F(4)(y0 ) σ(1)γ(1) σ(2)γ(2) σ(3)γ(3) σ(4)γ(4) ∆x1 ∆x2 0 ∆x3 00 ∆x3 0 0 f (y0 ) + f f (y0 ) + f (f.12) • • • @• b2 c32 + b3 c33 + b4 c34 = 1 4 (1. (1. Formulação de Butcher 22 No último exemplo. (1.15).14) • @• • @• • @• • • • • • • • • • b3 a32 c22 + b4 a42 c22 + b4 a43 c23 = 1 12 (1.13). f )(y0 ) + f f f f (y0 ) 6·4 1·8 2 · 12 1 · 24 . f 0 f )(y0 ) + f f (f. finalmente. f.10). consideramos um método de quarta ordem • b1 + b2 + b3 + b4 =1 (1.2. (1.15) b4 a43 a32 c2 = 1 24 (1. E. (1.10) b2 c22 + b3 c23 + b4 c24 = 1 3 (1.13) b3 c3 a32 c3 + b4 c4 a42 c2 + b4 c4 a43 c3 = 1 8 (1.1. f )(y0 ) + f f f (y0 ) 1·1 1·2 2·3 1·6 ∆x4 000 ∆x4 00 ∆x4 0 00 ∆x4 0 0 0 f (f.9).16) Essas equações devem ser resolvidas em termos de c como parâmetros e no caso de b a partir das Equações (1. (1. Posteriormente.

f 0 f )(y0 ) + bi aij c2j f 0 f 00 (f. Kutta [7] classificou todas as soluções possíveis para as condições de um método de quarta ordem e. então s X bi aij = bj (1 − cj ). f )(y0 ) 1 6 +   ∆x4 X ∆x4 X bi ci aij cj f 00 (f. para a solução numérica.Capítulo 1. f )(y0 ) 1 2 +  ∆x4 X bi aij ajk ck f 0 f 0 f 0 f (y0 ) 1 Teorema 1 (Butcher [5]) Se um método de Runge-Kutta explícito com s = 4 possui ordem 4. em particular. f. y1 = y0 + ∆xr(1) ∆xr(2) ∆xr(3) Φ(1)F(1)(y0 ) + Φ(2)F(2)(y0 ) + Φ(3)F(3)(y0 ) σ(1) σ(2) σ(3) + ∆xr(4) ∆xr(5) Φ(4)F(4)(y0 ) + Φ(5)F(5)(y0 ) σ(4) σ(5) + ∆xr(6) ∆xr(7) Φ(6)F(6)(y0 ) + Φ(7)F(7)(y0 ) σ(6) σ(7) + ∆xr(8) Φ(8)F(8)(y0 ) σ(8) = y0 +  ∆x1 X  ∆x2 X ∆x3 X 2  00 bi f (y0 ) + bi ci f 0 f (y0 ) + bi ci f (f. j = 1. c4 = 1. 4 i=j+1 e. Equações Diferenciais Ordinárias 23 e. o famoso método clássico de quarta ordem já apresentado anteriormente nesse capítulo 0 1 2 1 2 1 2 0 12 1 0 0 1 1 6 1 3 1 3 1 6 . 2. em particular. 3. f )(y0 ) 1 1 2 +  ∆x3 X ∆x4 X 3  000 bi aij cj f 0 f 0 f (y0 ) + bi ci f (f.

y) dx = 2 xi Após substituição deste resultado em (1.1. A curva obtida a partir da conexão destes valores prévios nos fornece informações a respeito da trajetória da solução. Os métodos multistep. y) dx (1. a regra do trapézio.17) xi Esta equação nos fornece a solução da equação diferencial ordinária caso a integral. por exemplo. Além do mais.1 Métodos do Tipo Preditor–Corretor Iremos mostrar.3. y).17) obtemos: yi+1 = yi + f (xi . este procedimento pode ser empregado na obtenção de métodos multistep de alta ordem e na estimativa dos erros associados a estes métodos.3 Métodos “Multistep” Os métodos one–step vistos na Seção 1. yi+1 ) ∆x f (x. possa ser avaliada e o valor futuro da variável dependente yi+1 pode ser determinado a partir do seu valor precedente yi e da resolução da integral de f (x. 1. que veremos a seguir. y) dx Sabemos que a solução desta equação pode ser obtida mediante a sua integração entre os pontos i e i+1 Z Z xi+1 yi+1 f (x. do lado direito do sinal de igualdade. O nosso ponto de partida está baseado na resolução da seguinte equação diferencial ordinária dy = f (x.17) pode ser dada pela aplicação de uma integração numérica como. Métodos “Multistep” 24 1. ou seja: Z xi+1 f (xi . baseiam-se no fato de que uma vez iniciado o processo numérico nós temos ao nosso dispor informações importantes provenientes dos pontos anteriores. Uma primeira possibilidade de avaliarmos a integral em (1.3. y) dx dy = yi xi onde a primeira integral pode ser facilmente avaliada: Z xi+1 yi+1 = yi + f (x.1 utilizam somente informações do ponto xi a fim de predizer o valor da variável dependente yi+1 no ponto futuro xi+1 . como as fórmulas do tipo Preditor–Corretor podem ser derivadas matematicamente. yi+1 ) ∆x 2 . agora. yi ) + f (xi+1 . Esta derivação é interessante no sentido de que serão empregados conceitos como a integração numérica e a resolução de equações diferenciais ordinárias. yi ) + f (xi+1 . Tal fato é explorado pelos métodos que serão apresentados nesta seção.

em oposição ao caso da fórmula aberta. y) dx yi−1 xi−1 e como resultado desta integração nós obtemos a forma da equação preditora: Z xi+1 f (x.18) pela sua aproximação chegamos à forma final da equação preditora yi+1 = yi−1 + 2∆xf (xi . Equações Diferenciais Ordinárias 25 que corresponde à equação corretora para o método de Heun.18).18) xi−1 Agora. Um procedimento similar pode ser empregado na obtenção do passo preditor. abaixo. Após substituição da integral na Eq. yi ) Vamos resumir. que é conhecida como o método do ponto médio Z xi+1 f (x. a partir de uma integração entre os limites i − 1 e i + 1: Z yi+1 Z xi+1 dy = f (x. . na avaliação da integral em (1. onde os limites de integração vão além dos pontos conhecidos. yi ) xi−1 cujo erro de truncamento é [1]: 1 1 Ep = ∆x3 f 00 (ξp ) = ∆x3 y 000 (ξp ) 3 3 sendo que o subscrito p indica o erro do preditor e ξp está contido no intervalo xi−1 a xi+1 . yim ) 1 Uma fórmula fechada é aquela onde os pontos correspondentes aos limites de integração são conhecidos. y) dx = 2∆xf (xi . (1. cujos os erros local de truncamento são de O (∆x3 ): Preditor 0 m yi+1 = yi−1 + 2∆xf (xi . ao invés de empregarmos uma fórmula fechada1 . vamos empregar a primeira fórmula aberta de Newton–Cotes.Capítulo 1. y) dx yi+1 = yi−1 + (1. Do Cálculo Numérico [1] sabemos que o erro de truncamento associado à regra do trapézio é dado por: Ec = − 1 1 ∆x3 f 00 (ξc ) = − ∆x3 y 000 (ξc ) 12 12 onde o subscrito c indica o erro do corretor e ξc encontra–se no intervalo determinado por xi e xi+1 . as equações preditora e corretora associadas a este método.

20) chegamos ao seguinte resultado m yex = yi+1 − m 0 0 = yi+1 − yi+1 − (1. (1. yim ) + f (xi+1 . Métodos “Multistep” 26 Corretor j−1 ) f (xi . Devido à existência do erro de truncamento sabemos que a solução numérica é uma aproximação da solução exata (yex = yi+1 + Et ) da equação diferencial ordinária. (1. Esta equação pode ainda ser reescrita na forma: 0 m − yi+1 yi+1 1 = − ∆x3 y 000 (ξ) 5 12 Deste resultado podemos notar que ele é idêntico à expressão do erro de truncamento do corretor. podemos considerar como sendo válida a seguinte igualdade: m 0 yi+1 − yi+1 Ec ∼ =− 5 e a partir desta relação nós podemos estimar o erro de truncamento com base em duas quantidades que já são calculadas pelo método numérico.1. Assumindo que a derivada terceira de y não varie de forma apreciável sobre o intervalo entre xi−1 e xi+1 .3.19) da Eq. Assim sendo.19) e 1 ∆x3 y 000 (ξc ) 12 Subtraindo a Eq. . Ec . os valores yim e yi−1 aos valores finais do processo corretivo.20) 5 ∆x3 y 000 (ξ) 12 onde ξ encontra-se agora no intervalo compreendido entre xi−1 e xi+1 . então. ou seja: j yi+1 = yim + 1 0 yex = yi+1 + ∆x3 y 000 (ξp ) 3 (1. yi+1 ∆x 2 onde o sobrescrito j denota que a equação corretora é aplicada iterativamente de j = 1 até m correspondem j = m para que possamos obter soluções refinadas. Esta informação não está normalmente disponível em um típico problema de valor inicial. esta estimativa pode ser empregada como um critério para ajustarmos o incremento ∆x de modo que o erro fique dentro de uma faixa de valores aceitáveis. Por este motivo este método é chamado de non–self–starting Heun [1]. Portanto. Caso os passos preditor e corretor de um método multistep apresentem a mesma ordem do erro de truncamento. uma estimativa do erro local de truncamento pode ser obtida durante o processo computacional de obtenção da solução numérica. Esta informação pode. Conforme podemos observar a equação preditora depende do conhecimento prévio do valor da variável dependente yi−1 a fim de que ela possa ser empregada. a menos do argumento da derivada terceira. ser empregada como um critério de ajuste do incremento.

2  ηc δp m 0 yi+1 − yi+1 ηc δp + ηp δc (1.Capítulo 1. Z xi+1 yi+1 = yi−n+1 + f (x. vamos relembrar as fórmulas de integração de Newton–Cotes e de Adams. y) dx xi−n ou fechada. para n pontos igualmente espaçados (n + 1 segmentos). podem ser do tipo aberta: Z xi+1 yi+1 = yi−n + f (x. As fórmulas de integração de Newton–Cotes.21) enquanto que no caso do passo corretor: Ec ∼ =− 1.3. y) dx xi−n+1 onde estas integrais são aproximadas por um desenvolvimento do tipo: In (f ) = ∆x n−1 X wk f (xi−k . Os métodos deste tipo são compostos de um método explícito (preditor) e de outro implícito (corretor). Antes de prosseguirmos com a apresentação destes métodos de mais alta ordem. para n segmentos e n + 1 pontos. yi−k ) + O ∆xp+2  k=0 para a forma aberta e In (f ) = ∆x n−1 X k=−1 wk f (xi−k .22) Métodos de Mais Alta Ordem Do desenvolvimento precedente fica claro que uma estratégia óbvia para que possamos desenvolver métodos multistep de mais alta ordem passa pelo emprego de fórmulas de integração de mais alta ordem para os passos preditor e corretor. Equações Diferenciais Ordinárias 27 As derivações dos erros Ep e Ec podem ser generalizadas uma vez conhecidos os erros de truncamento das fórmulas de integração empregadas na avaliação das integrais do passo preditor: ηp 0 yex = yi+1 + ∆xn+1 y (n+1) (ξp ) δp e do passo corretor: ηc m yex = yi+1 − ∆xn+1 y (n+1) (ξc ) δc A partir do conhecimento destes valores os erros de truncamento do passo preditor pode ser estimado como sendo dado por [1]: Ep =  ηp δc yim − yi0 ηc δp + ηp δc (1. yi−k ) + O ∆xp+2  .

A fórmula aberta geral de Adams de ordem n pode ser expressa como yi+1 = yi + ∆x n−1 X βk fi−k + O ∆xn+1  (1. as fórmulas gerais de Newton-Cotes são dadas por yi+1 = yi−n + ∆x n−1 X wk f (xi−k ...24) k=−1 para a forma fechada. . . conhecida como a fórmula de Adams–Moulton. na referência [1]. O outro tipo de fórmula de integração que é com frequência empregado na obtenção de algoritmos multistep voltados para a resolução de equações diferenciais ordinárias é a fórmula aberta de Adams–Bashforth. Neste caso.. . . 2 6 ..3. yi+1 = yi + fi ∆x + fi 2 6 2 6 Empregando uma aproximação do tipo diferença recuada na aproximação de fi0 . Um procedimento similar pode ser feito para obtermos a expressão geral para a fórmula fechada. Métodos “Multistep” 28 para a forma fechada.. .. sendo n o número de segmentos empregados e os valores dos coeficientes wk (k = −1. Nestas equações temos que p = n + 1 se n for par e p = n caso n seja ímpar.    3 1 5 fi − fi−1 + ∆x3 fi00 + O ∆x4 yi+1 = yi + ∆x 2 2 12 Outras expressões de mais alta ordem podem ser obtidas se empregarmos aproximações de mais alta ordem para fi0 . Uma forma de derivarmos estas fórmulas tem como ponto de partida um desenvolvimento em série de Taylor em torno do ponto xi :   3 2 2 00 ∆x 0 ∆x 00 ∆x 0 ∆x + fi + . na referência [1]. yi−k ) + O ∆xp+2  (1. = yi + ∆x fi + fi + fi + . por exemplo. n) podem ser encontrados.1. Portanto. nosso ponto de partida será um desenvolvimento em série de Taylor em torno do ponto xi+1 0 yi = yi+1 − fi+1 ∆x + fi+1 3 ∆x2 00 ∆x − fi+1 + . yi−k ) + O ∆xp+2  (1. + fi 2 ∆x 2 6 ou ainda. este resultado pode ser reescrito como:     2  ∆x fi − fi−1 00 ∆x 2 00 ∆x yi+1 = yi + ∆x fi + + fi + O ∆x + . 1. 0.23) k=0 para a forma aberta e yi+1 = yi−n+1 + ∆x n−1 X wk f (xi−k . para diferentes valores de n. .25) k=0 Os valores dos coeficientes βk podem ser encontrados.

n=3. é usada para o passo preditor: 0 m yi+1 = yi−3 +  4 m m 2fim − fi−1 + 2fi−2 ∆x 3 enquanto que uma fórmula fechada com dois segmentos (três pontos) de Newton–Cotes (1. n=2. Equações Diferenciais Ordinárias 29 0 onde devemos aproximar agora o valor da derivada fi+1 . Deste modo obtemos a fórmula fechada geral de Adams de ordem n yi+1 = yi + ∆x n−1 X βk fi+1−k + O ∆xn+1  (1.25) de quarta ordem (n = 4) para o passo preditor   55 m 59 m 37 m 9 m 0 m yi+1 = yi + f − fi−1 + fi−2 − fi−3 ∆x 24 i 24 24 24 e. uma fórmula de quarta ordem (n=4) do tipo Adams–Moulton (1. ηc = 1 e δc = 90 e.Capítulo 1. 1. a partir das fórmulas gerais.3 Método de Milne Um dos mais comuns métodos do tipo multistep é conhecido como o método de Milne que emprega fórmulas de integração de Newton–Cotes.24) (regra de Simpson 1/3).22) Ep =  28 m yi − yi0 29  1 m 0 Ec ∼ yi+1 − yi+1 =− 29 1.23).26) k=0 com os valores de βk também fornecidos em [1].4 Método de Adams de Quarta Ordem Outro método multistep popular pode ser implementado a partir do emprego de fórmulas do tipo Adams–Bashforth (1. é empregada para o passo corretor: j m yi+1 = yi−1 +  1 m j−1 fi−1 + 4fim + fi+1 ∆x 3 Para este método temos que os erros de truncamento preditor e corretor são de O(∆x5 ) e ηp = 14. δp = 45. Neste método uma formulação a três pontos (4 segmentos) do tipo aberta de Newton–Cotes (1.26)   9 j−1 19 m 5 m 1 m j m yi+1 = yi + f + fi − fi−1 + fi−2 ∆x 24 i+1 24 24 24 .21) e (1. os erros de truncamento associados a estes dois passos podem ser determinados pelas Eqs.3.3. (1. para o passo corretor.

4. estes métodos numéricos podem apresentar resultados que não são acurados.3. conforme nós vimos nas Seções 1.4.1.4 Convergência. δp = 720. ηc = 19 e δc = 720 para o método em questão.2 e 1. y) e apresenta um erro do passo corretor bem inferior ao do método de Adams. Consistência e Estabilidade 30 Os erros de truncamento associados a estes dois passos são de O(∆x5 ) e dados por [1]  251 m Ep = yi − yi0 270  19 m 0 Ec ∼ yi+1 − yi+1 =− 270 uma vez que ηp = 251. Consistência e Estabilidade Até o presente momento nós apresentamos alguns métodos numéricos do tipo one-step e multistep e destacamos o fato de que quanto maior a ordem do erro de truncamento maior será a acurácia destes métodos.22) chegamos aos seguintes resultados para as estimativas do erro de truncamento  112 m yi − yi0 Ep = 121  9 m 0 Ec ∼ yi+1 − yi+1 =− 121 1. . À primeira vista pode parecer que o método de Milne é melhor que o método de quarta ordem de Adams. Estas propriedades que estão associadas aos diferentes métodos do tipo diferenças são a convergência.3. sendo oriunda especificamente do passo corretor [1]. Convergência. visto que o primeiro necessita de menos avaliações da função f (x. Entretanto. 1. Ele emprega o mesmo passo preditor que o do método de Milne:  14 4 m m 0 m 2fim − fi−1 + 2fi−2 ∆x + ∆x5 y (5) yi+1 = yi−3 + 3 45 enquanto que o passo corretor do método de Milne é substituído por uma versão estável que apresenta um erro de truncamento de mesma ordem de grandeza que a do método de Milne [1]:  9 1 m 3 j−1 1 j m yi+1 = yim − yi−2 + fi+1 + 2fim − fi−1 ∆x − ∆x5 y (5) 8 8 8 40 Destes valores dos erros de truncamento e das fórmulas gerais (1.1. Nesta seção nós vamos introduzir três conceitos que são fundamentais para que possamos entender porquê alguns destes métodos podem falhar. existem problemas para os quais o método de Milne apresenta resultados numericamente inaceitáveis.5 Método de Hamming O método de Hamming vem a ser uma alternativa estável ao método de Milne. Embora essa conclusão aplique– se a muitos casos. a consistência e a estabilidade e elas serão introduzidas separadamente para os métodos do tipo one-step e multistep.21) e (1.1. Esta fraca performance se deve a uma instabilidade do método de Milne.

a solução exata do problema y(x). em torno do ponto (xi . uma vez que nós não conhecemos. 1. y) satisfaz a condição de Lipschitz em y.4. Equações Diferenciais Ordinárias 1. y. Uma função é dita satisfazer a condição de Lipschitz na variável y em um conjunto D ⊂ R2 se |f (x. yi ). A partir do desenvolvimento em série de Taylor. z)| ≤ L |y − z| para alguma constante L > 0 e x. A convergência será comprovada indiretamente mediante a introdução dos conceitos de consistência e de estabilidade. em geral. y. do lado esquerdo desta igualdade nós obtemos 0 yi + f (xi . todos os métodos one-step podem ser postos na forma geral yi+1 = yi + φ(x. esta definição não pode ser aplicada diretamente a fim de estabelecermos a convergência de um método numérico.1 Convergência Um método numérico é dito convergir se [3] lim |y(xi ) − yi | = 0 i→∞ para todo x0 ≤ x ≤ X. y e z ∈ D [3]. y) dx para uma condição inicial dada por y(x0 ) = y0 e vamos assumir que a função f (x.1.4.Capítulo 1. Entretanto. y) − f (x. Esta condição implica no fato de que o erro de truncamento local de um método do tipo diferenças deve ser pelo menos de O (∆x2 ) para que ele seja consistente.4.1 31 Métodos One-Step A noção de convergência será introduzida para o problema de valor inicial dy = f (x.2 Consistência Um método numérico é dito ser consistente se lim ∆x→0 Et =0 ∆x onde Et representa o erro de truncamento local do método do tipo diferenças que nós queremos estudar. y. ∆x) é conhecida com a função incremento. yi )∆x + f (xi . = yi + φ(x. . ∆x)∆x onde φ(x. yi ) ∆x2 + . 1. Conforme nós já vimos.1. onde xi = x0 + i∆x e yi é a aproximação numérica correspondente à solução exata y(x). . ∆x)∆x 2 .

∆x) = f (xi . ∆x) = f (x. y) ∆x→0 Uma outra maneira de vermos este resultado seria a de reescrevermos o desenvolvimento em série de Taylor na forma: dy . yi ) + O(∆x) e um método do tipo one-step será consistente caso lim φ(x. y. Convergência. y. Consistência e Estabilidade 32 Este resultado pode ainda ser rearrumado de modo a obtermos φ(x.1.4.

d2 y

... ∆x2 + .

∆x)∆x − 2 . ∆x = φ(x. y.

dy . dx i dx i 2 ou ainda.

.

d2 y .

.

. ∆x + .. .

= φ(x. ∆x) − 2 . y.

A noção de estabilidade também pode ser relacionada com a regularidade da função incremento φ(x. a convergência estará assegurada se o método numérico for consistente e estável. ∆x) mediante o teorema . y.4. ∆x) = f (x. produz uma variação limitada na solução numérica para todo 0 < ∆x ≤ ∆x0 . se existir um ∆x0 > 0 tal que uma variação na condição inicial. vamos enunciar o seguinte teorema que será fundamental para que possamos garantir que um método numérico do tipo diferenças seja convergente. por uma quantidade fixa. em cada ponto da malha.3 Estabilidade Um método numérico do tipo diferenças é dito ser estável para um problema de valor inicial. do tipo apresentado no início desta seção. Nesta desigualdade y0 e z0 correspondem aos valores iniciais. a seguinte condição deve ser verificada à medida que o incremento ∆x tende a zero: lim φ(x. Antes de prosseguirmos com o nosso estudo da estabilidade. y) ∆x→0 1. correspondentes à aproximação numérica de y(xi ). dx i dx i 2 e observarmos que para que esta equação seja consistente com a equação diferencial ordinária modelo. y. Uma outra maneira de enunciarmos a estabilidade de um método numérico do tipo one-step é fornecida se para duas soluções numéricas diferentes yi e zi .1. Teorema 2 (Asaithambi [3]) Um método do tipo diferenças consistente é convergente se e somente se ele for estável. Portanto. nós verificarmos a seguinte desigualdade |yi − zi | ≤ K |y0 − z0 | para uma constante K > 0 e para todo ∆x tal que 0 < ∆x ≤ ∆x0 para algum ∆x0 > 0. e para todo x0 ≤ xi ≤ X.

y. ∆x) − φ(x. podemos enunciar o seguinte teorema .. ∆x)| ≤ M |y − z| para y e z ∈ D e M é chamada de constante de Lipschitz para a função incremento φ(x. 0 < ∆x < ∆x0 } para algum ∆x0 > 0 de modo que a desigualdade abaixo é verificada |φ(x. Da forma geral dos métodos one-step podemos dizer que ele será regular se a função incremento satisfaz a condição de Lipschitz em y no domínio D = {(x. ∆x) − φ(x. y.. mais uma vez. z. ∆x). y. de modo que |yi+1 − zi+1 | ≤ |yi − zi | + ∆x|φ(x. ∆x)| Como estamos considerando que o método numérico é regular |yi+1 − zi+1 | ≤ |yi − zi | + ∆xM|yi − zi | ou ainda |yi+1 − zi+1 | ≤ (1 + ∆xM)|yi − zi | Por indução podemos reescrever este resultado como |yi+1 − zi+1 | ≤ (1 + ∆xM)i+1 |y0 − z0 | (1 + ∆xM)|yi − zi | ≤ (1 + ∆xM)i+1 |y0 − z0 | |yi − zi | ≤ (1 + ∆xM)i |y0 − z0 | Agora. veremos em que condições o método numérico pode ser considerado regular. z. Equações Diferenciais Ordinárias 33 Teorema 3 (Asaithambi [3]) Um método numérico do tipo one-step é estável se ele for regular. Em seguida. duas aproximações numéricas yi e zi geradas a partir da forma geral. A prova deste teorema é relativamente simples e podemos demonstrá-la se nós considerarmos. −∞ < w < ∞. w)| x0 ≤ x ≤ X. Finalmente. 2! 3! nós podemos substituir o termo entre parênteses na desigualdade acima i |yi − zi | ≤ e∆xM |y0 − z0 | ex = 1 + x + |yi − zi | ≤ eM(i∆x) |y0 − z0 | |yi − zi | ≤ eM(xi −x0 ) |y0 − z0 | |yi − zi | ≤ eM(X−x0 ) |y0 − z0 | que para K = eM(X−x0 ) representa a condição para que o método numérico seja estável. do desenvolvimento em série de Taylor da função exponencial ex x2 x3 + + .Capítulo 1.

A forma mais geral de um método (k + 1) multistep é dada por [3] yi+1 = k X αj yi−j + ∆x j=0 k X βj fi−j para i ≥ k j=−1 onde para β−1 6= 0 nós obtemos um método implícito e para β−1 = 0 um método explícito. 1. Como nós sabemos que a solução exata menos a solução numérica é igual ao erro de truncamento. também se aplica ao caso dos métodos multistep.2.4. a exemplo dos métodos one-step.4. aplicada aos métodos one-step. o lado direito desta igualdade [3] Et ∼ = m X r=0 r (r) yex ∆x − r! " k X j=0 αj m X r=0 r (r) yex k X (−j∆x) βj + ∆x r! j=−1 m−1 X r=0 r (r+1) yex (−j∆x) r! # . Consistência e Estabilidade 34 Teorema 4 (Asaithambi [3]) Um método numérico one-step regular é convergente se e somente se ele for consistente.2 Métodos Multistep Visto os conceitos de convergência. Convergência. em torno do ponto (xi . Et = yex (xi+1 ) − yi+1 . devemos estabelecer que ele é consistente e estável [3]. " Et = yex (xi+1 ) − " = yex (xi+1 ) − k X αj yi−j + ∆x k X j=0 j=−1 k X k X αj yi−j + ∆x j=0 # βj fi−j # 0 βj yi−j j=−1 Substituindo a solução aproximada pela solução exata e expandindo em série de Taylor. também podem ser postos numa forma geral. consistência e estabilidade para os métodos do tipo one-step. Nesta equação os coeficientes α e β são escolhidos de modo a obtermos um método com a mais alta ordem de acurácia possível. 1.4. Entretanto. a fim de mostrarmos que um método numérico do tipo diferenças é convergente.4. a escolha destes coeficientes baseada somente na ordem de acurácia do método pode nos levar a métodos que não são estáveis.2.1 Convergência A mesma definição de convergência.2 Consistência Os métodos multistep. Assim como no caso anterior. vamos aplicar estas mesmas propriedades ao caso dos métodos multistep. yi ).1. 1.

Da equação geral dos métodos multistep aplicada a este problema específico nós obtemos: yi+1 = k X αj yi−j para i ≥ k j=0 ou ainda.2.4. que f (x.3 k X βj = 1 j=−1 Estabilidade Finalizando esta seção iremos abordar o problema da estabilidade dos métodos multistep. São estes desvios que nós queremos estudar aqui. y) = 0. Caso a condição inicial seja introduzida sem nenhum erro de arredondamento. Por outro lado. yr+(k+1) = k X j=0 αj yr+(k−j) para r ≥ 0 . se a condição inicial estiver contaminada pelos erros de arredondamento. poderão ocorrer desvios nas soluções numéricas. para este problema. Et =0 ∆x→0 ∆x lim vemos claramente que as seguintes igualdades devem ser verificadas para que um método multistep seja consistente: k X αj = 1 j=0 − k X jαj + j=0 1. numa forma equivalente (i = r + k). agrupando os termos semelhantes: " # " k X Et ∼ αj yex + 1 − = 1− 35 − k X j=0 + m X r=2 " 1− jαj + j=0 k X αj (−j)r − r j=0 k X k X !# βj j=−1 # βj (−j)r−1 j=−1 ∆x 0 y 1! ex ∆xr (r) y r! ex Deste resultado e da condição para que um método numérico seja consistente.Capítulo 1. qualquer método multistep forneceria a solução exata deste problema para todo i ≥ k. As condições de estabilidade que devem ser verificadas pelos métodos multistep serão introduzidas a partir do comportamento da solução numérica do seguinte problema trivial dy =0 dx tendo por condição inicial y(0) = c e é evidente. Equações Diferenciais Ordinárias ou ainda.

para λ1 ∼ = c. As condições de estabilidade dos métodos multistep serão estabelecidas em função dessas raízes do polinômio característico. 3.1. . . . k dp(λj ) 6= 0 dλ . de modo que os erros de arredondamento não cresçam exponencialmente [3].) possui um grau a menos que a multiplicidade das raízes do polinômio característico. k. caso todas as raízes fossem distintas nós poderíamos escrever a solução do problema de valor inicial. . . .4. p(λ). λ2 . O próximo teorema generaliza este resultado e impõe as condições que devem ser verificadas para que o método numérico seja estável Teorema 5 (Asaithambi [3]) O método numérico multistep dado pela sua forma geral é estável se e somente se ele satisfizer a condição da raiz: |λj | ≤ 1. Portanto. . . associado a esta equação de diferenças é dado por " # k X p(λ)yr = λk+1 − αj λk−j yr = 0 j=0 e cujas raízes (que podem ser complexas) são λ1 . Convergência. λk+1 . 2. Deste resultado vemos que o erro de arredondamento irá crescer exponencialmente a menos que |λj | ≤ 1 para j = 2. . . . + α1 yi+1 + α0 yi = 0 a solução geral desta equação é dada por: yi = k X pj (i)λij j=1 onde λj é uma raiz do polinômio característico e o polinômio pj (. . Consistência e Estabilidade 36 Usando o operador deslocamento E [3] a equação acima pode ser reescrita como E k+1 yr − k X αj E k−j yr = p(E)yr = 0 j=0 onde o polinômio característico. . . |λj | = 1 ⇒ j = 1. Para uma equação linear de diferenças de ordem k do tipo αk yi+k + αk−1 yi+k−1 + . como [3] yi = c + k X γj λij j=2 onde o somatório pode ser visto como os erros de arredondamento associados à solução aproximada.

O último teorema a ser enunciado estabelece as condições para que tenhamos um método multistep convergente Teorema 6 (Asaithambi [3]) Um método multistep é convergente se e somente se ele for consistente e satisfizer a condição da raiz. Equações Diferenciais Ordinárias 37 A primeira condição requer que todas as raízes do polinômio característico estejam contidas no círculo {λ | |λ| ≤ 1} no plano complexo. Um método multistep é dito ser fortemente estável se ele verifica a condição da raiz e λ = 1 é a única raiz característica de módulo igual a um.Capítulo 1. ele será dito instável se ele não satisfizer a condição da raiz. A segunda condição estabelece que todas as raízes que se encontram na fronteira do círculo unitário devem ser simples. Por outro lado. . Ele é dito ser fracamente estável se satisfaz a condição da raiz e tem mais de uma raiz característica distinta com magnitude igual a um.

4. Consistência e Estabilidade . Convergência.38 1.

Em seguida elas serão examinadas segundo as suas características matemáticas e físicas. Em alguns casos específicos podemos obter uma solução analítica exata para estas equações [8]. A título de exemplo vamos listar abaixo algumas equações diferenciais parciais importantes que governam vários problemas físicos que aparecem com frequência.CAPÍTULO 2 EQUAÇÕES DIFERENCIAIS PARCIAIS Como veremos mais adiante. Neste capítulo. A equação linear da onda de primeira ordem ∂ϕ ∂ϕ +c =0 ∂t ∂x governa a propagação de uma onda que se movendo da esquerda para a direita com uma velocidade constante c. as equações que governam o escoamento de fluidos e o transporte de massa e energia são equações diferenciais parciais. em derivada primeira no tempo. veremos como classificar as equações diferenciais parciais em elípticas. 1. geralmente. 2.1 Algumas Equações Diferenciais de Interesse No nosso curso iremos nos concentrar no estudo da equação de transporte linear. Nestas equações as derivadas no tempo aparecem como termos lineares. parabólicas e hiperbólicas. Esta equação inclui os mecanismos de transporte do tipo convectivo e difusivo e vários problemas de interesse nas engenharias são governados por este tipo de equação. 39 . contendo termos em derivadas primeira e segunda nas coordenadas espaciais e. mas frequentemente as derivadas espaciais estão associadas a termos não-lineares.

por convecção e difusão da quantidade ϕ em uma região que encontra-se em movimento com velocidade u.2. Como exemplo temos a propagação de ondas acústicas. A equação de advecção–difusão ∂ϕ ∂ 2ϕ ∂ϕ +u =α 2 ∂t ∂x ∂x que representa o transporte. Algumas Equações Diferenciais de Interesse 40 2. y). y). A equação de Poisson ∂ 2ϕ ∂ 2ϕ + 2 = f (x. 7. . 3. unidimensional. 5. A quantidade α representa o coeficiente de difusão. 6. sendo k o parâmetro de frequência. A equação de Korteweg–de Vries ∂ϕ ∂ 3ϕ ∂ϕ +ϕ +β 3 =0 ∂t ∂x ∂x que governa o movimento não–linear de ondas dispersivas. A equação de Helmholtz ∂ 2ϕ ∂ 2ϕ + 2 + k2ϕ = 0 ∂x2 ∂y que governa o movimento de ondas harmônicas. y) ∂x2 ∂y que governa a distribuição de temperatura em um sólido com fontes de calor prescritas pela função f (x. 4. A equação de Burger ∂ϕ ∂ϕ ∂ 2ϕ +ϕ =ν 2 ∂t ∂x ∂x governa a propagação não–linear de uma onda simples em uma dimensão com dissipação viscosa. A equação de Poisson também determina o campo elétrico em uma região contendo uma densidade de carga dada por f (x. A equação de Burger sem viscosidade ∂ϕ ∂ϕ +ϕ =0 ∂t ∂x que governa a propagação não–linear de uma onda simples em uma dimensão.1.

Caso os coeficientes A. Equações Diferenciais Parciais 41 8. . Equação do telégrafo 2 ∂ 2ϕ ∂ϕ 2∂ ϕ + b ϕ = c + a ∂t2 ∂t ∂x2 que governa a transmissão de impulsos elétricos num fio longo com uma certa distribuição de capacitância. B e C tenham uma interpretação local. associadas aos diferentes tipos de escoamentos. B. . B. como a dissipação viscosa e térmica. . indutância e resistência. EDPs parabólicas governam escoamentos contendo mecanismos de dissipação. As diferentes categorias de EDPs (Equações Diferenciais Parciais) podem ser. a classificação pode ser aplicada. se as condições de contorno .2 Classificação Uma simples classificação das equações diferenciais parciais é possível no caso das equações lineares de segunda ordem. governado pela equação de Stokes. G são constantes. Três categorias podem ser distinguidas: i) elíptica: B 2 − 4AC < 0 ii) parabólica: B 2 − 4AC = 0 iii) hiperbólica: B 2 − 4AC > 0 Como podemos observar. grosseiramente. . Isto implica no fato de que a classificação das equações pode mudar em diferentes partes do domínio de resolução. Em geral. os gradientes decrescerão para valores crescentes do tempo. . As aplicações desta equação também incluem o movimento de uma corda com uma força de amortecimento proporcional à velocidade e a condução de calor com uma velocidade de propagação térmica finita. 9. Neste caso. A ∂ 2u ∂ 2u ∂u ∂u ∂ 2u + B + C +D +E + Fu + G = 0 2 2 ∂x ∂x∂y ∂y ∂x ∂y onde A. problemas dependentes do tempo estão associados a EDPs do tipo parabólico ou hiperbólico. a classificação depende somente dos coeficientes dos termos de derivadas de maior ordem nas variáveis independentes. G sejam funções de x. 2.. . contanto que A. y. ∂u/∂x ou ∂u/∂y. A equação biharmônica ∂ 4ϕ ∂ 4ϕ + 4 =0 ∂x4 ∂y que determina as linhas de corrente para escoamentos com muito baixo número de Reynolds.Capítulo 2..

2. estas condições acarretam na existência de soluções que serão igualmente descontínuas. Suponhamos.tp ).2) de modo a eliminarmos o termo ∂u/∂t   dx B ∂u du C − = − dt A ∂x dt A Para que ∂u/∂x possa ser indeterminado ao longo da curva C. Esta solução é governada por EDPs do tipo hiperbólicas. para o interior do domínio. Não havendo mecanismos de dissipação.2. a fim de determinarmos de maneira correta a classificação. Ao longo da curva característica C temos que [9] A du = ∂u ∂u dt + dx ∂t ∂x para dt e dx infinitesimais.2) .1 Classificação pelas Características A resolução numérica de uma equação diferencial parcial requer que sejam fornecidas condições auxiliares (inicial e de contorno) adequadas. elas serão representadas por curvas no interior do domínio de resolução. a classificação não pode ser feita mediante uma simples inspeção das equações. 2. Entretanto. uma curva característica C que intercepta a curva L no ponto p de coordenadas (xp . No caso de problemas hiperbólicos e para condições auxiliares contendo descontinuidades. Em se tratando de um problema bidimensional. alguns problemas em regime permanente são descritos por EDPs parabólicas (escoamento do tipo camada limite) e EDPs hiperbólicas (escoamento supersônico não-viscoso). Classificação 42 não forem dependentes do tempo. A especificação destas condições auxiliares pode ser facilitada com a introdução do conceito das características. As EDPs elípticas estão normalmente associadas a problemas em regime permanente e de equilíbrio.1) ∂t ∂x na qual A.1. pois elas podem ser descontínuas nas características.2. mas não podem ser funções das derivadas da variável dependente u. caso existam características reais. agora. Fig. a solução terá uma amplitude constante no caso de uma EDP linear e poderá aumentar caso ela seja não-linear. 2. x e u. que u seja especificado ao longo de uma curva L no plano t − x. Usualmente é necessário examinarmos as características associadas às equações. neste plano. Combinando as Eqs. (2.1. Vamos também introduzir. Ao longo destas curvas características são propagadas. 2. as informações provenientes das condições auxiliares.1) e (2. Em se tratando de sistemas de equações diferenciais. B e C podem ser funções de t. Tomemos como exemplo o caso de uma equação diferencial parcial de primeira ordem na forma: ∂u ∂u +B =C (2. devemos fazer dx B = dt A (2. conforme representado na Fig.

Capítulo 2. Da integração da equação que define a curva característica vemos que existe uma infinidade de curvas características no plano t − x. de modo que esta equação define a curva característica C e vemos que du C = dt A ao longo da característica. o conhecimento do valor de u no ponto p sobre a curva L. Em particular. permite que determinemos a variável dependente u mediante a resolução de dois problemas de valor inicial (PVI):    dx B = dt A   x(tp ) = xp que fornece os valores de x e t de todos os pontos que se encontram sobre a característica C . Finalizando.1: Curva características no plano t-x. para B/A =constante. A resolução numérica desta equação fornece o valor de u. temos que as características são retas e as suas equações são dadas por:   B (t − t0 ) x(t) − x0 = A onde as constantes x0 e t0 representam as coordenadas de um ponto qualquer sobre a característica. que intercepta a curva característica C. Equações Diferenciais Parciais 43 x L C xp p tp t Figura 2.

Problemas para os quais mais de uma característica passam por um mesmo ponto apresentam a formação de choques nestes pontos. ∂ 2 u/∂x2 . considerar o caso de uma equação diferencial parcial de segunda ordem. Esta situação é comum. Eqs. somente os coeficientes dos termos das derivadas de maior ordem determinam a classificação das EDPs. de maneira que ∂u/∂x. ∂x2 S= ∂ 2u . Podemos obter. por exemplo. ∂u/∂y.6)       dP dy dQ dx A −S + BS + C −S +H =0 dx dx dy dy . (2. ∂ 2 u/∂x∂y. O choque é resultante da propagação de informações diferentes ou conflitantes do valor da variável dependente ao longo das características. Os valores de u que não se encontram sobre esta característica devem ser determinados pela resolução dos mesmos problemas de valor inicial. podemos eliminar R e T da Eq.5) ∂y ∂x ∂y ∂y ∂y e a equação diferencial (2.5). ∂y R= ∂ 2u . ∂ 2 u/∂y 2 e u satisfaçam a equação diferencial. Portanto. para cada ponto do domínio. Vamos. Ao longo da tangente à curva K as diferenciais totais de ∂u/∂x e ∂u/∂y satisfazem       ∂ ∂u ∂ ∂u ∂u = dx + dy (2.4)-(2.2. B e C podem ser funções de x e y. Classificação 44 que passa pelo ponto (tp .3) pode ser escrita na forma AR + BS + CT + H = 0 (2. (2. duas direções nas quais a integração desta equação envolva apenas diferenciais totais.xp ) e    du C = dt A   u(tp ) = up que provê os valores de u ao longo da característica. é conveniente reescrevermos a equação diferencial na forma A ∂ 2u ∂ 2u ∂ 2u + B + C +H =0 ∂x2 ∂x∂y ∂y 2 (2. ∂x Q= ∂u .6) se nós introduzirmos as variáveis P = ∂u . Conforme visto na no início desta seção.3) onde H contém todos os outros termos da equação e A. em escoamentos compressíveis [9]. ∂x∂y T = ∂ 2u ∂y 2 Utilizando os resultados anteriores das diferenciais totais dP e dQ. mas para novas condições iniciais. A existência dessas direções (características) está diretamente relacionada com a classificação da EDP. Uma curva K é agora introduzida no interior do domínio de resolução. agora.4) d ∂x ∂x ∂x ∂y ∂x       ∂u ∂ ∂u ∂ ∂u d = dx + dy (2.2.

multiplicando pelo valor da inclinação da tangente à curva K (dy/dx) "   #        2 dy dy dP dy dQ S A −B +C − A +H +C =0 dx dx dx dx dx escolhendo dy/dx de maneira que S seja indeterminado ao longo da curva característica  2   dy dy A −B +C =0 dx dx As curvas y(x) que satisfazem a esta equação são chamadas de características da equação diferencial parcial. Portanto. ii) parabólica. se todos os autovalores são diferentes de zero e todos. iii) hiperbólica. Ao longo destas curvas.Capítulo 2. a equação diferencial parcial anterior fica reduzida à seguinte forma:     dy dQ dP +H +C =0 A dx dx dx Assim sendo. as derivadas segunda não são unicamente determinadas pelos valores especificados de u e de suas derivadas primeira e descontinuidades nas derivadas de mais alta ordem podem existir. as duas raízes da equação quadrática em dy/dx definem as direções características para as quais a equação acima é válida. se algum dos autovalores for nulo. . se todos os autovalores são diferentes de zero e têm o mesmo sinal. Dos resultados do primeira seção. Neste caso. Equações Diferenciais Parciais 45 ou ainda. A classificação das EDPs será obtida. a partir da análise dos autovalores da matriz A: i) elíptica.2 Equações a N Variáveis Independentes Em se tratando de mais de duas variáveis independentes. iii) hiperbólica. será conveniente trabalharmos com a equação diferencial na forma N N X X j=1 k=1 ajk ∂ 2u +H =0 ∂xj ∂xk onde N é o número de variáveis independentes e os ajk são os coeficientes da matriz A. tiverem o mesmo sinal. nesta caso. B 2 −4AC. determina o tipo da EDP e a natureza das características. vemos que as EDPs também podem ser classificadas de acordo com as características: i) elíptica. caso as duas características sejam reais. caso as características sejam complexas. menos um. 2.2. caso exista uma característica real. a determinação do discriminante. ii) parabólica.

No caso geral. η) ∂ξ ∂u ∂η ∂u ∂u = + ∂x ∂x ∂ξ ∂x ∂η ∂u ∂ξ ∂u ∂η ∂u = + ∂y ∂y ∂ξ ∂y ∂η    ∂ξ ∂ ∂ξ ∂ ∂η ∂ ∂η ∂ ∂ 2u u = + + ∂x2 ∂x ∂ξ ∂x ∂η ∂x ∂ξ ∂x ∂η    ∂ 2u ∂ξ ∂ ∂η ∂ ∂η ∂ ∂ξ ∂ = + + u ∂y 2 ∂y ∂ξ ∂y ∂η ∂y ∂ξ ∂y ∂η    ∂ξ ∂ ∂η ∂ ∂ξ ∂ ∂η ∂ ∂ 2u = + + u ∂x∂y ∂x ∂ξ ∂x ∂η ∂y ∂ξ ∂y ∂η Assim. y) e assumiremos que as transformações ξ = ξ(x. quando introduzimos uma transformação de coordenadas.2. .  0 A =A ∂ξ ∂x 2 ∂ξ ∂ξ +B +C ∂x ∂y   ∂ξ ∂η ∂ξ ∂η + ∂x ∂y ∂y ∂x  ∂η ∂η +B +C ∂x ∂y  ∂ξ ∂η +B B = 2A ∂x ∂x 0  0 C =A ∂η ∂x 2 ∂ξ ∂y 2 + 2C ∂η ∂y ∂ξ ∂η ∂y ∂y 2 Destes resultados vemos que o discriminante B 0 2 − 4A0 C 0 pode ser obtido a partir da relação 2 B 0 − 4A0 C 0 = J 2 B 2 − 4AC  onde J é o Jacobiano da transformação de coordenadas J = ξx ηy − ξy ηx . η) serão introduzidas no lugar de (x.2.3) na forma A0 2 2 ∂ 2u 0 ∂ u 0∂ u + B + C + H0 = 0 2 2 ∂ξ ∂ξ∂η ∂η onde. sabemos que para u(ξ. podemos reescrever a EDP (2.2. y) são conhecidas. Classificação 46 2. y) e η = η(x. Este importante resultado garante que a classificação das EDPs independe do sistema de coordenadas.3 Transformação de Coordenadas Vamos nos preocupar agora com o que acontece com a classificação das EDPs. As novas variáveis independentes (ξ.

em seguida. m1 du + m2 dv.7) por L1 .7) + =   A21 A22  ∂v  B21 B22  ∂v  D2 ∂x ∂y ∂x ∂y onde o vetor ~q tem como componentes u(x. quais são as condições para que tenhamos somente as diferenciais totais:  ∂u ∂u      ∂x ∂y   du  dx  =  dv  ∂v ∂v  dy ∂x ∂y ao longo das direções características dy/dx. y) e v(x. isto é equivalente a procurarmos multiplicadores L1 e L2 . vemos que  L1 A11 + L2 A21 = m1 dx    L1 B11 + L2 B21 = m1 dy L  1 A12 + L2 A22 = m2 dx   L1 B12 + L2 B22 = m2 dy (L1 A11 + L2 A21 ) Eliminando m1 e m2 nestas equações e rearrumando    (A11 dy − B11 dx) (A21 dy − B21 dx)    L1 = 0 L2 (A12 dy − B12 dx) (A22 dy − B22 dx) . vamos multiplicar a primeira componente escalar da equação vetorial (2. a segunda por L2 e adicionarmos ambas as equações resultantes     ∂u ∂v ∂v ∂u ∂u ∂v ∂v ∂u + B11 + A12 + B12 + L2 A21 + B21 + A22 + B22 = L1 A11 ∂x ∂y ∂x ∂y ∂x ∂y ∂x ∂y = L1 D1 + L2 D2 ou ainda.4 47 Sistema de Equações Na prática. Vamos determinar. Equações Diferenciais Parciais 2. como veremos no Capítulo 3. ∂u ∂u + (L1 B11 + L2 B21 ) + ∂x ∂y ∂v ∂v + (L1 A12 + L2 A22 ) + (L1 B12 + L2 B22 ) = m1 du + m2 dv ∂x ∂y Das relações das diferenciais totais. Para tanto. podemos representálo como    ∂u  ∂u         ∂~q ∂~q A11 A12  ∂x  B11 B12  ∂y  D1 ~ A +B = =D (2. Para o sistema de equações dado. as equações que governam o escoamento de fluidos formam um sistema ao invés de uma única equação. Em se tratando de um sistema de duas EDPs com derivadas de primeira ordem nas duas variáveis independentes. y).2.Capítulo 2.

iii) hiperbólico. se o discriminante for nulo e uma raiz real. a divisão mais importante é dada entre sistemas elípticos e não-elípticos. existe o risco de obtermos matrizes A e B singulares e cuidado deve ser tomado para que evitemos que isto aconteça. algumas raízes podem ser complexas e outras reais. Para sistemas de equações de primeira ordem com mais de duas variáveis independentes: A ∂~q ∂~q ∂~q ~ +B +C =D ∂x ∂y ∂z . se não forem obtidas raízes reais. Entretanto. Classificação 48 e a condição para que tenhamos uma solução não-trivial deste sistema é a de que   dy det A − B = 0 dx ou ainda. iii) hiperbólico. se obtivermos m raízes reais (1 ≤ m ≤ n − 1) e nenhuma raiz complexa for obtida. se forem encontradas n raízes reais. ii) parabólico.2. Para grandes sistemas de equações.2. O caráter do sistema de equações será determinado pelas n raízes da equação   dy det A − B = 0 dx ou seja: i) elíptico. Estes resultados podem ser generalizados para o caso de sistemas com n equações diferenciais de primeira ordem com duas variáveis independentes.  (A11 A22 − A21 A12 ) dy dx 2 − (A11 B22 − A21 B12 + B11 A22 − B21 A12 ) dy + dx + (B11 B22 − B21 B12 ) = 0 A classificação do sistema de equações será dada em função das raízes desta equação do segundo grau: i) elíptico. se o discriminante for negativo e as duas raízes complexas. A classificação acima também se aplica a sistemas de equações com derivadas de segunda ordem. Na prática. uma vez que podemos introduzir variáveis auxiliares a fim de transformá-los em sistemas maiores de primeira ordem. o que representa um sistema misto. uma vez que estes últimos permitem um comportamento do tipo evolução no tempo. ii) parabólico. se o discriminante for positivo e as duas raízes reais.

na classificação das EDPs. se P (x) é um polinômio. F (Dn f ) = (iσ)n F(f ) para todo inteiro n ≥ 1. da propriedade de linearidade podemos escrever    F αD + βD2 + δD3 + . faremos uso dos seguintes resultados [10]: A transformada de Fourier F definida pela expressão Z +∞ 1 e−iσx f (x) dx F(f ) = √ 2π −∞ é um operador linear. A análise de Fourier é vantajosa no caso de sistemas de equações com derivadas de ordem superior a um. f = αF(Df ) + βF(D2 f ) + δF(D3 f ) + . . onde elas determinam as direções características ou superfícies características no caso de mais de duas variáveis independentes. a interpretação física das raízes é outra. as condições para que esta superfície seja uma superfície característica.2. O espaço L1 é aquele onde f . |f | e |g| são integráveis (integral de Riemann). isto é. Neste caso. . embora a classificação com base na natureza das raízes permaneça a mesma. . uma vez que ela evita a construção de sistemas maiores de primeira ordem e a possibilidade de que este sistema seja singular. . . Em geral. Entretanto.Capítulo 2. podemos classificá-lo a partir das raízes do polinômio característico de grau n   det Aλx + Bλy + Cλz = 0 com λx . F [P (D)f ] = P (iσ)F(f ) onde Dn indica a derivada de ordem n.5 Classificação pela Análise de Fourier A classificação das EDPs pelas características nos leva a interpretação das raízes de um polinômio característico. λy e λz definindo as direções normais a uma determinada superfície no ponto (x. o polinômio característico também pode ser obtido a partir da análise de Fourier da equação diferencial parcial. F(αf + βg) = αF(f ) + βF(g) para f e g funções do espaço L1 e α e β números complexos quaisquer. Caso f : R → C seja uma função de decrescimento rápido. g. De fato. y. portanto. 2. então. A fim de aplicarmos a análise de Fourier. z). Equações Diferenciais Parciais 49 onde ~q é o vetor cujas n componentes são as variáveis dependentes. Esta equação fornece.

resulta em   Z +∞ . após integração por partes. Problema Bem-Posto 50 Aplicando a transformada de Fourier ao primeiro termo dessa equação obtemos Z +∞ 1 F(Df ) = √ e−iσx f 0 (x) dx 2π −∞ que.3.2.

+∞  1  .

−iσx  F(Df ) = √ e f (x).

+iσ e−iσx f (x) dx  = iσF(f ) 2π | −∞ {z −∞} =0 Da mesma forma temos que   1 F(D f ) = √ 2π 2  −iσx 0 .

.

+∞ e f (x).

B e C funções das variáveis independentes.2. Este método de obtenção do polinômio característico se aplica para A. dos coeficientes A. 2. y) e a natureza desta equação depende das raízes deste polinômio.3 Problema Bem-Posto Antes de prosseguirmos com a interpretação física dos diferentes tipos de EDPs. Caso estes coeficientes sejam funções das variáveis dependentes. em seguida. Dizemos que as equações que governam um fenômeno físico e as suas condições inicial e de contorno formam um problema bem-posto se: . B e C conforme descrito na Seção 2.   −A σx σy   −B σx σy   − C uˆ = 0 onde uˆ = F(u) é a transformada de Fourier de u(x. é necessário “congelarmos” os seus valores locais antes de aplicarmos a transformada de Fourier [11]. por indução podemos demostrar que F [P (D)f ] = P (iσ)F. ou seja. a transformada de Fourier à equação diferencial parcial de segunda ordem ∂ 2u ∂ 2u ∂ 2u A 2 +B +C 2 =0 ∂x ∂x∂y ∂y obtemos como resultado   A (iσx )2 + B(iσx iσy ) + C (iσy )2 uˆ = 0 ou ainda. Aplicando. vamos ver o que significa um problema bem-posto em termos matemáticos. +iσ  | {z −∞} Z +∞ −∞  2 e−iσx f 0 (x) dx  = (iσ) F(f ) =0 Assim.

Em geral. Fica entendido aqui que a solução aproximada. 2. ii) a solução computacional é única. nas seguintes três formas: . produzida pelo problema computacional bem–posto. pela discretização das EDPs e pela implementação do algoritmo numérico. Portanto. ii) a solução é única. iii) a solução computacional depende continuamente dos dados iniciais e das condições de contorno numéricas. particularmente no caso das EDPs hiperbólicas. a não ser no caso da resolução da equação de Laplace com um termo fonte no interior do domínio de resolução [11]. O último critério requer que pequenas mudanças nas condições inicial e de contorno. a falta de condições de contorno acarreta na não-unicidade de solução e o excesso de condições leva a soluções. a não observância deste critério fará com que os erros se propaguem no domínio de resolução.1 Condições de Contorno e Inicial Da discussão anterior sobre os problemas bem-postos. Complementando o que foi dito. será próxima da solução exata do problema matemático bem–posto. acarretem somente pequenas mudanças na solução. é necessário que o problema matemático seja bem-posto e que o algoritmo seja estável. ficou claro que as condições auxiliares são o ponto de partida na obtenção da solução no interior do domínio de resolução. As condições iniciais são fornecidas inicialmente em todo o domínio R de resolução. para que um problema computacional seja bem-posto. Estes critérios são usualmente atribuídos a Hadamard [11]. O processo de obtenção de uma solução computacional passa pela especificação aproximada das condições auxiliares. Existem alguns problemas de escoamento que podem admitir múltiplas soluções físicas. a questão da existência da solução não criará nenhuma dificuldade.Capítulo 2. Condições de não-unicidade se devem usualmente ao fato de que as condições de contorno não são impostas adequadamente de acordo com o tipo de EDP. iii) a solução depende continuamente dos dados iniciais. Equações Diferenciais Parciais 51 i) uma solução existe. causando um crescimento rápido da solução numérica.3. Estas situações normalmente aparecem no caso de escoamentos sofrendo transições entre os regimes laminar e turbulento. Normalmente. Como na resolução numérica as condições auxiliares (inicial e de contorno) são introduzidas com aproximações. que não são físicas. enquanto que as condições de contorno são especificadas na fronteira ∂R deste domínio. próximas da fronteira em questão. podemos fazer um paralelo e definirmos um problema computacional bem-posto como sendo aquele onde: i) uma solução computacional existe.

onde impomos uma condição inicial e condições de contorno. assim. v. i) condição de Dirichlet. 2. onde as condições são fornecidas para um tempo inicial fixado. o problema de valor inicial (PVI). ∂u/∂~n + ku = f . pelo menos uma componente do vetor velocidade ou a pressão são dadas na fronteira. Normalmente. acarretando. k > 0. Condições do tipo mista não são comuns em mecânica dos fluidos. Fig. onde as condições são impostas na fronteira do domínio. Este é um exemplo de uma condição de Dirichlet para a velocidade ou a pressão. ∂ /∂~n denota a derivada normal direcionada de dentro para fora do domínio de resolução e ∂ /∂~s indica a derivada tangencial. em ∂R. iii) condição mista ou de Robin. . cujas soluções são obtidas a partir das equações de NavierStokes em termos das variáveis primitivas (u. as equações hiperbólicas também podem admitir condições do tipo inicial e de contorno. Nas condições auxiliares ii) e iii). Entretanto. Condições de Dirichlet podem ser aplicadas computacionalmente de maneira exata.2: Domínio computacional R. p. ii) condição de Neumann. etc. Um problema de valor inicial só será bem-posto para sistemas hiperbólicos e um problema de contorno só será bem-posto para sistemas elípticos. No caso do escoamento potencial não-viscoso de um fluido compressível. u = f em ∂R. num erro numérico. Na maior parte dos escoamentos. e o problema misto. mas ocorrem com frequência em problemas de transferência de calor. as condições de Neumann ou de Robin só podem ser introduzidas de maneira aproximada.). Problema Bem-Posto 52 ~n ~s ∂R R Figura 2. a condição ∂φ/∂~n = 0 na superfície do sólido é um exemplo de uma condição do tipo Neumann.3.2. ∂u/∂~n = f ou ∂u/∂~s = g em ∂R. o problema de valor inicial às equações hiperbólicas e o problema misto às equações parabólicas. Entretanto. Existem três tipos de problemas associados às condições auxiliares: o problema de valor de contorno (PVC).2. os problemas de contorno estão associados aos problemas elípticos.

12] ξ = x + ct η = x − ct de modo que v(ξ. para A = 1.3. a solução em P é influenciada unicamente pelas perturbações no domínio AP B. No resultado acima. Isto pode ser mostrado. Em alguns casos. Equações Diferenciais Parciais 2. A falta de atenuação é uma característica das equações lineares hiperbólicas. introduzindo novas variáveis independentes (ξ. implica no fato de que um distúrbio na solução u no ponto P só pode influenciar o resto da solução no domínio CPD. η) = u(x. t). 2. as características são linhas retas se c for constante e curvas caso c seja função de u. em AB.1 Interpretação em Bases Físicas Como já foi dito. as EDPs hiperbólicas estão associadas aos problemas de propagação sem dissipação. se as condições iniciais são especificadas para t = 0. nós obtemos as duas direções características dx = ±c dt que representam duas características reais. são curvas. elas são suficientes para se determinar a solução em P univocamente. Reciprocamente. em geral.4. Após substituição na equação da onda (2. no caso de uma onda. conforme mostrado na Fig. B = 0 e C = −c2 . Além do mais.4 53 Equações Diferenciais Hiperbólicas O desenvolvimento que será apresentado no estudo das EDPs hiperbólicas. ∂ ∂η  ∂v ∂ξ  =0 Podemos verificar facilmente que a Eq. x ou t.Capítulo 2.8) −4c2 ∂ 2v =0 ∂ξ∂η ou ainda.9) . 2. Aplicando os resultados apreendidos anteriormente.9) admite como solução v(ξ. η) [9. as características podem depender da solução local e. tomará por base a equação unidimensional da onda em regime transiente 2 ∂ 2u 2∂ u − c =0 ∂t2 ∂x2 (2.8) onde nesta equação c representa a magnitude da velocidade de propagação da onda. η) = f (ξ) + g(η) (2. (2. A presença de características reais.

2.4. Equações Diferenciais Hiperbólicas

54

t

C

D

Domínio
de
Dependência

α

β
P

Domínio
de
Influência

A

B
x - ct
i
i

x + ct
i
i

x

Figura 2.3: Características para a equação da onda.

sendo f e g funções de classe C 2 arbitrárias. Então, a solução de d’Alembert pode ser escrita
como
u(x, t) = f (x + ct) + g(x − ct)
Vamos agora utilizar as condições iniciais
u(x, 0) = s(x)

u(x, 0) = r(x)
∂t
para determinarmos as funções f e g, supondo que s(x) é de classe C 2 e r(x) de classe C 1 em
−∞ < x < +∞. Aplicando estas condições, obtemos


uma vez que

∂u

∂t t=0 u(x. 0) = cf 0 (x) − cg 0 (x) = r(x) ∂t ∂f ∂ξ . 0) = f (x) + g(x) = s(x)   ∂ u(x.

.

∂f ∂η .

.

ou ainda. . ∂f ∂g = − c .

+

=c
∂ξ ∂t t=0 ∂η ∂t t=0
∂x
∂x

u(x, 0) =
f (x) + g(x) = s(x)



Z
1 x


r(s)ds + K
 f (x) − g(x) =
c 0

Capítulo 2. Equações Diferenciais Parciais

55

Resolvendo este sistema encontramos  

Z
1
1 x
f (x) =
s(x) +
r(s)ds + K
2
c 0  

Z
1
1 x
g(x) =
s(x) −
r(s)ds − K
2
c 0
Portanto,  

Z
1 x+ct
1
s(x + ct) +
r(s)ds + K
f (x + ct) =
2
c 0  

Z
1
1 0
g(x − ct) =
s(x − ct) +
r(s)ds − K
2
c x−ct
Substituindo estes resultados na solução de d’Alembert, obtemos a forma final da solução
da equação da onda (2.9)  

Z
1 x+ct
1
r(s)ds
s(x + ct) + s(x − ct) +
u(x, t) =
2
c x−ct

(2.10)

que é conhecida como a fórmula de d’Alembert. Portanto, a solução no ponto P é determinada
univocamente pelas condições introduzidas em AB.
Para as equações hiperbólicas, não existem mecanismos de dissipação presentes. Isto implica
no fato de que caso as condições iniciais (ou de contorno) contenham descontinuidades, elas vão
ser transmitidas para o interior do domínio ao longo das direções características, sem atenuação
das descontinuidades no caso das equações lineares. Este resultado é consistente com o fato de
que descontinuidades na derivada normal podem ocorrer quando as características se cruzam.
A título de exemplo, vamos obter a solução da equação da onda (2.8) para as seguintes
condições iniciais:
u(x, 0) = sen (πx)

u(x, 0) = 0
∂t
Empregando a fórmula de d’Alembert (2.10) sabemos que a solução será dada por
u(x, t) =

1
[sen π(x + ct) + sen π(x − ct)]
2

ou ainda, utilizando a relação trigonométrica sen (a ± b) = sen (a) cos(b) ± cos(a)sen (b),
u(x, t) = sen (πx) cos(πct)
que representa a propagação de uma onda senoidal sem atenuação, conforme podemos atestar
da sua representação gráfica mostrada na Fig. 2.4.

6 −0. No primeiro. 2. Fig. No caso do regime permanente. dos coeficientes das matrizes A e B.2 −0. O último caso é similar ao anterior. Assim. u e v devem ser especificados em ambas as curvas.6. os dados são fornecidos para u e v numa curva que não é característica AB e determinam univocamente a solução no ponto P .2 Condições de Contorno e Inicial Apropriadas Vamos considerar agora o sistema de primeira ordem em u e v A11 ∂u ∂v ∂v ∂u + B11 + A12 + B12 = D1 ∂x ∂y ∂x ∂y ∂u ∂u ∂v ∂v + B21 + A22 + B22 = D2 ∂x ∂y ∂x ∂y Esta escolha se deve ao fato de que para valores particulares.4.t) 0.4. u e v devem ser especificados em AB e em AC devemos fornecer u ou v. os sistemas de EDPs hiperbólicas só admitem condições iniciais ou mistas (inicial e de contorno).8 0. 2. Em se tratando do regime transiente e para um domínio computacional definido por x ≥ 0 e t ≥ 0. esse sistema se aplica diretamente ao caso de um escoamento supersônico não-viscoso. de maneira que u e v serão conhecidos no ponto A.6 0. Este sistema possui duas direções características que denominaremos α e β. podemos distinguir três casos.4 −0. exceto pelo fato de neste caso AB e AD são curvas características. Equações Diferenciais Hiperbólicas 56 Equação da Onda 1 0. os dados são introduzidos em uma curva que não é característica e em uma curva característica AD. 2. Neste caso. conforme mostrado na Fig.5.4: Propagação de uma onda senoidal. vemos que um ponto P próximo à fronteira x = 0 é parcialmente determinado pelas condições de contorno em AC e parcialmente pelas condições iniciais em AB.5 x 0 0 2 6 4 8 10 t Figura 2.4 u(x.8 −1 1 0.2.2 0 −0. No segundo. Conforme já foi visto. A21 .

Capítulo 2.5: Condições de contorno para o caso hiperbólico. Equações Diferenciais Parciais 57 P P B D A B A P D B A Figura 2. .6: Condições auxiliares para o caso transiente. t C A 0110 1010 1010 1010 P 1010 1010 1010 1010 000000000000000000 111111111111111111 10x=0 000000000000000000B 111111111111111111 x Figura 2.

2. dx =∞ dt Diferentemente da situação das equações hiperbólicas.7: Domínio computacional para uma EDP parabólica. as derivadas de u são sempre contínuas cruzando a linha t = ti da Fig.1. tais como a dissipação viscosa e a condução de calor.t)=g(t) 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 t1 000 111 00 11 010 000 111 00 11 000 111 00 11 10100000 11111 00000000000000000000 11111111111111111111 000 111 00E 0 0000000000000000000011 C11111111111111111111 x 00000000000000000000 11111111111111111111 x=0 u(x. 2. t) = sen (πx) exp −απ 2 t Esta solução. t) = 0. conforme representado na Fig.11) ∂t ∂x Dos resultados apresentados na Seção 2. 1 Obtida.5 Equações Diferenciais Parabólicas As EDPs parabólicas aparecem quando os problemas de propagação incluem mecanismos de dissipação.2. contrasta com a solução puramente oscilatória da equação da onda. a partir do Método de Separação de Variáveis [13]. Equações Diferenciais Parabólicas 58 D F 111 000 00 11 000 111 00 11 Domínio de Dependência 000 111 00 11 000 111 00 11 t=t 111 00 11 i 000 000 111 00 11 A B 000 111 00 11 000 111 00 11 000 111 00 11 000 00 11 u(0. que apresenta um decaimento exponencial. O exemplo clássico de uma EDP parabólica é a equação unidimensional de difusão (ou condução) de calor em regime transiente ∂u ∂ 2u =α 2 (2.5. 2. por exemplo. para A = 1. Para as condições inicial u = sen (πx) e de contorno u(0.7.11) possui a seguinte solução exata1  u(x. 2.0)=u (x) 0 x=1 Figura 2. B = C = 0. vemos que a única direção característica é definida por dt =0 dx ou ainda.t)=f(t) 111 u(1. a equação de condução de calor (2.8. . t) = u(1.

teremos soluções que apresentarão grandes gradientes próximos à C e E. Entretanto. Assim.8: Decaimento exponencial de uma senóide. é necessário assegurarmos a continuidade destas condições com as condições iniciais fornecidas em C e E.5. a solução no interior do domínio será sempre contínua. condições iniciais em CE e condições de contorno em CD e EF são necessárias para todas as variáveis dependentes. caso exista a solução para o regime permanente. tornam-se elípticas em regime permanente. da Fig. Neumann ou de Robin são aceitáveis. Caso contrário. 2. qualquer combinação de condições do tipo Dirichlet. é necessário especificar condições iniciais do tipo Dirichlet. 2.Capítulo 2.7. Equações Diferenciais Parciais 59 Figura 2. A incorporação de mecanismos de dissipação implica no fato de que. Contudo. uma perturbação da solução introduzida no ponto P da Fig. As EDPs que em mais de uma variável espacial são parabólicas no tempo. 2. o que pode criar dificuldades na resolução numérica.2 Condições de Contorno e Inicial Apropriadas Na fronteira CE. caso sejam especificadas condições do tipo de Dirichlet. mesmo se as condições iniciais contenham descontinuidades. 2.7.5. pode influenciar qualquer ponto do domínio computacional para t ≥ ti .1 Interpretação em Bases Físicas Problemas parabólicos são típicos de soluções que evoluem no tempo e que são difusivas no espaço. Em se tratando de sistemas de EDPs parabólicas. . Para as fronteiras CD e EF . a magnitude desta perturbação será rapidamente atenuada à medida em que ela se afasta do ponto P .

2. Um exemplo simples de uma EDP elíptica é a equação de Laplace ∂ 2φ ∂ 2φ + =0 ∂x2 ∂y 2 (2. Para EDPs elípticas de segunda ordem do tipo A 2 ∂ 2φ ∂ 2φ ∂φ ∂φ ∂ 2φ + B + C +D +E + Fu + G = 0 2 2 ∂x ∂x∂y ∂y ∂x ∂y Esta solução também pode ser determinada mediante aplicação do Método de Separação de Variáveis [13]. (2.12) que governa o escoamento potencial incompressível. 2. vide a Fig.9: Solução da equação de Laplace.9.6 Equações Diferenciais Elípticas As EDPs elípticas estão. Equações Diferenciais Elípticas 60 Figura 2. associadas aos problemas em regime permanente ou de equilíbrio. 0) = sen (πx) φ(x. 1) = sen (πx) exp(−π) φ(0. y) = sen (πx) exp(−πy) no domínio 0 ≤ x ≤ 1. Para as seguintes condições de contorno φ(x. em geral. 2. y) = 0 a Eq.6. y) = φ(1. 0 ≤ y ≤ 1. .12) possui a seguinte solução exata2 φ(x.

As condições de contorno descontínuas das EDPs elípticas são atenuadas no interior do domínio de resolução. exceto no caso trivial onde φ é constante. conforme está esquematizado na Fig. As condições de contorno podem ser qualquer combinação do tipo Dirichlet. na dinâmica dos fluidos a identificação destas direções características não apresenta nenhuma utilidade prática. embora longe do ponto P a influência seja pequena. . são aplicadas em todas as fronteiras. 2. Em contrapartida. onde 4AC < B 2 .2 Condições de Contorno Apropriadas A capacidade de influenciar todos os pontos do domínio. é necessário levarmos em conta o domínio global.6.Capítulo 2. Neumann ou Robin. exige que as condições de contorno sejam impostas em todas as fronteiras do domínio.10). devemos tomar cuidado a fim de que os valores especificados sejam consistentes com a equação diferencial que governa o fenômeno físico em questão.6. Contudo.1 Interpretação em Bases Físicas A mais importante propriedade de uma EDP elíptica é que um distúrbio introduzido num ponto P do interior do domínio de resolução (Fig.10. as EDPs parabólicas e hiperbólicas podem ser resolvidas caso avancemos progressivamente no tempo a partir das condições iniciais. Sabemos que as EDPs elípticas apresentam características que são complexas e não podem ser representadas no domínio computacional que é real. um importante princípio de máximo existe: os valores máximos e mínimos de φ devem ocorrer na fronteira ∂R do domínio. 2. 2. Portanto. Isto quer dizer que na determinação numérica da solução de problemas elípticos. se condições do tipo Neumann. 2. influencia todos os outros pontos no domínio computacional.10: Domínio computacional para uma EDP elíptica. Equações Diferenciais Parciais 61 00000000000000000000 11111111111111111111 D 11111111111111111111 C 00000000000000000000 111 000 00 0000000000000000000011 11111111111111111111 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 P 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 000 111 00 11 y1 000 111 00 11 0 000 111 00 11 0 1 000 111 00 11 0 1 00000000000000000000 11111111111111111111 00000 11111 000 111 00B 11 0 1 00000000000000000000 A11111111111111111111 x 00000000000000000000 11111111111111111111 Figura 2. a partir do interior. ∂φ/∂~n = f (s).

caso as equações sejam as de Laplace ou de Poisson.6. Equações Diferenciais Elípticas 62 Do teorema de Green sabemos que I Z 2 − ∇ φ dR = R ∂R I ∇φ · ~n ds = f ds ∂R o que implica numa restrição para as condições de contorno do tipo Neumann.2. .

1 Equação da Continuidade Para um volume de controle arbitrário V . Usando o teorema de Gauss. fixo no espaço e no tempo. a conservação da massa requer que a taxa de variação da massa no interior do volume de controle seja igual ao fluxo de massa cruzando a sua superfície Z Z Z ∂ρ d ρ dV = dV + ρ~v · ~n dS = 0 dt V V ∂t S onde ~n é a normal unitária à superfície do volume de controle. direcionada de dentro para fora. Como resultado teremos 5 equações de balanço: 1 equação da continuidade. 3 equações de balanço de momentum e 1 equação de energia 3.CAPÍTULO 3 EQUAÇÕES DE BALANÇO Na obtenção das equações de balanço. ∂ρ Dρ + ∇ρ · ~v +ρ∇ · ~v = + ρ∇ · ~v = 0 Dt |∂t {z } =Dρ/Dt 63 . vamos requerer que a massa e a energia sejam conservadas e que a taxa de variação da quantidade de movimento (momentum) seja igual ao somatório das forças agindo sobre o corpo. ∂ρ + ∇ · (ρ~v ) = 0 ∂t ou ainda. esse resultado pode ser expresso na forma  Z  ∂ρ + ∇ · (ρ~v ) dV = 0 ∂t V Agora. como o volume de controle V é arbitrário.

1).1) temos que Z Z Z d T ~n dS + ρf~ dV ρ~v dV = dt V S V e. do lado direito do sinal de igualdade da Eq.2. (3.1) dt V S V onde ~t é o vetor tensão tal que ~tdS fornece a força dF~ exercida sobre um elemento de área dS e f~ é o vetor força externa. Portanto. em seguida. A primeira integral. representa a contribuição devida às forças de superfície e a segunda à contribuição das forças externas agindo sobre o corpo. Z Z Z d ρ~v dV = ~t dS + ρf~ dV (3. se o teorema de transporte [14]  Z Z  d ∂φ φ dV = + ∇ · (φ~v ) dV dt V ∂t V for utilizado no lado direito da Eq.  Z  ∂(ρ~v ) ~ + ∇ · (ρ~v ⊗ ~v ) − ∇ · T − ρf dV = 0 ∂t V . temos que ∇ · ~v = 0 e este resultado é válido tanto para o escoamento em regime permanente como para o escoamento em regime transiente. No caso de um pequeno elemento de fluido. 3. trocar a ordem das operações de diferenciação e integração. Equações do Momentum 64 onde Dρ/Dt representa a derivada material.2 Equações do Momentum A segunda lei de Euler diz que a taxa de variação do momentum linear deve ser igual ao somatório das forças agindo sobre o corpo.3.1). com as componentes do tensor sendo representadas pela matriz   σxx τxy τxz [Tij ] =  τyx σyy τyz  τzx τzy σzz onde σ representa as tensões normais e τ as tensões de cisalhamento. Para escoamentos incompressíveis (ρ constante). Podemos mostrar [14] que o vetor tensão pode ser expresso em termos do tensor de tensões T na forma ~t = T ~n. (3. aplicando o teorema da divergência Z Z   d ρ~v dV = ∇ · T + ρf~ dV dt V V Podemos. Substituindo o vetor tensão ~t na equação integral (3. ainda. tratado como um sistema aberto.

sabemos que a forma mais geral de representação do tensor de tensões para um fluido stokesiano é [15]:   2 T = −P I + f D = −P I + f0 I + f1 D + f2 D  1 ∇~v + ∇~v T é o tensor taxa de deformação e 2 fi (i = 0. 4. mas é independente das outras quantidades cinemáticas. a viscosidade dinâmica e λ está relacionada com a viscosidade dinâmica 2 pela relação κ = λ+ µ. 1. O tensor de tensões T é uma função continua do tensor taxa de deformação D e do estado termodinâmico local. Equações de Balanço 65 ou ainda. Quando não existir deformação. visto que a integração é válida para qualquer tamanho do volume de controle. D = 0. ou seja. D = 1. 2) são funções dos invariantes principais do tensor taxa de deformação. não existem direções preferenciais. O fluido é homogêneo. O fluido é isotrópico.   No caso de um fluido newtoniano f D é linear e a equação constitutiva do tensor tensão é dada por [16] T = −P I + (λ∇ · ~v ) I + 2µD onde µ é a constante de proporcionalidade relacionando as tensões de cisalhamento e o gradiente de velocidades. 2.Capítulo 3. a pressão termodinâmica P está relacionada com a pressão média p mediante a seguinte relação P = p + κ∇ · ~v Substituindo a expressão do tensor de tensões. o tensor de tensões não depende explicitamente da posição. para um fluido newtoniano na Eq.2) Da teoria das equações constitutivas.2) ρ   D~v = −∇P + ∇ (λ∇ · ~v ) + ∇ · µ ∇~v + ∇~v T + ρf~ Dt . (3. isto é. onde κ é a viscosidade de volume ou segundo coeficiente de viscosidade. isto é. 3. a tensão é hidrostática e T = −pI. 3 Nesta expressão.     Z   ∂~v ∂ρ ~ ρ + (∇~v ) ~v +~v + ∇ · (ρ~v ) −∇ · T − ρf dV = 0 ∂t ∂t V | {z } | {z } =0 =D~v /Dt Assim. ρ D~v = ∇ · T + ρf~ Dt (3. Um fluido é dito ser stokesiano se ele satisfaz as seguintes hipóteses [16]: onde P é a pressão termodinâmica.

3 Equação de Energia A primeira lei da termodinâmica diz que a taxa de variação da energia interna mais a energia cinética de um corpo é igual a taxa de trabalho realizado sobre o corpo mais a taxa de energia fornecida ao corpo: • • d (E + K) =W + Q dt Para um volume arbitrário V .3) S V onde e é a energia interna específica. esta lei pode ser reescrita na forma de uma equação integrodiferencial  Z  Z  Z    1 d ρ e + ~v · ~v dV = ρ ~v · f~ dV + ~v · T ~n dS dt V 2 V S Z Z − (~q · ~n) dS + ρQ dV (3.3. O primeiro termo do lado direito do sinal de igualdade em (3. Equação de Energia 66 No caso dos coeficientes λ e µ não dependerem da posição  µ∇ · ∇~v + ∇~v T = µ∇ · (∇~v ) + µ∇ (∇ · ~v ) e a equação de balanço pode ser reescrita na forma ρ D~v = −∇P + (λ + µ)∇ (∇ · ~v ) + µ∇ · ∇~v + ρf~ Dt Em se tratando de um fluido incompressível. Os dois últimos termos representam o fluxo de energia transferido através da fronteira do volume de controle e a energia externa transferida ao corpo.3. ~q o vetor fluxo de energia e Q representa a taxa de transmissão de energia por unidade de massa. ∇ · ~v = 0. e essa equação fica reduzida à forma ρ D~v = −∇P + µ∇ · ∇~v + ρf~ Dt que é conhecida como a equação de Navier-Stokes para um fluido newtoniano incompressível. Aplicando o teorema de transporte.3) representa o trabalho realizado pelas forças externas e o segundo o trabalho devido às forças de superfície. o teorema da divergência e a equação da continuidade podemos mostrar as seguintes igualdades: Z Z     ~v · T ~n dS = ∇ · T~v dV S V Z Z (~q · ~n) dS = S ∇ · ~q dV V . 3. respectivamente.

Equações de Balanço d dt Z V 67      Z   1 ∂ 1 1 ρ e + ~v · ~v dV = ρ e + ~v · ~v + ~v · ∇ e + ~v · ~v dV 2 ∂t 2 2 V | {z } D 1 = Dt e+ ~ v ·~ v ( 2 )   Z  1 ∂ρ e + ~v · ~v + + ∇ · (ρ~v ) dV 2 ∂t V | {z } =0 Portanto. (3. será de grande utilidade reescrevermos a equação do balanço de energia em termos da temperatura.3)    Z      1 D ~ e + ~v · ~v − ∇ · T~v − ρ ~v · f + ∇ · ~q − ρQ dV = 0 ρ Dt 2 V (3. (3. feitas todas as substituições na Eq. trataremos de problemas que envolvem variações de temperatura ao invés da energia interna. concluímos que o integrando deve ser identicamente nulo       D 1 ρ e + ~v · ~v = −∇ · ~q + ∇ · T~v + ρ ~v · f~ + ρQ Dt 2 Tomando agora o produto interno da equação de balanço de momentum (3.Capítulo 3. de maneira que ρ   De = −∇ · ~q − P ∇ · ~v + tr S∇~v + ρQ Dt (3.2) por ~v         D~v D 1 ~v · ρ =ρ ~v · ~v = ∇ · T~v − tr T ∇~v + ρ ~v · f~ Dt Dt 2 e substituindo este resultado na Eq.4) resulta em ρ   De = −∇ · ~q + tr T ∇~v + ρQ Dt Esta equação ainda pode ser escrita em termos da pressão termodinâmica P e do tensor extra de tensões S ≡ T + P I [14]. Portanto.4) Sendo o volume V qualquer.5) Para um fluido incompressível obtemos ρ   De = −∇ · ~q + tr S∇~v + ρQ Dt Na prática. Das relações termodinâmicas podemos relacionar as derivadas materiais da energia interna com a derivada material da temperatura na forma [14]:     De DT ∂P DV ρ = ρcv + T −P ρ Dt Dt ∂T V Dt .

3. Neste caso. o termo tr( S∇~v ) é chamado de potência de tensão por unidade de volume e representa a energia dissipada devido à existência do atrito viscoso. Obtemos. ρcv   DT = ∇ · (k∇T ) + tr S∇~v + ρQ Dt Nessas equações. nada ainda foi dito sobre o comportamento material do vetor fluxo de energia. a lei de Fourier nos propõe uma equação constitutiva simples para o vetor ~q [14] ~q = −k∇T onde k é a condutividade térmica do material. assim. a forma final da equação de energia em termos da temperatura DT = ∇ · (k∇T ) − T ρcv Dt  ∂P ∂T    ∇ · ~v + tr S∇~v + ρQ V ou ainda. no caso de um fluido incompressível. Equação de Energia 68 onde cv é a capacidade térmica do fluido por unidade de massa e a volume constante e da equação da continuidade DV 1 Dρ ρ =− = ∇ · ~v Dt ρ Dt Portanto.     De DT ∂P ρ = ρcv + T − P ∇ · ~v Dt Dt ∂T V que após substituição na equação do balanço de energia (3.5) fornece a forma dessa equação em termos da temperatura DT ρcv = −∇ · ~q − T Dt  ∂P ∂T   ∇ · ~v + tr S∇~v  + ρQ V Essa equação ainda pode ser simplificada em se tratando de um fluido incompressível   DT ρcv = −∇ · ~q + tr S∇~v + ρQ Dt Entretanto.3. .

o escoamento de um fluido. A determinação precisa do valor da solução aproximada entre os pontos nodais não é óbvia. significa que substituímos o problema de acharmos uma solução exata e contínua. Deveríamos esperar que a solução aproximada variasse suavemente entre os pontos da malha. das EDPs que governam os fenômenos físicos. A discretização dos termos da equação diferencial acarreta na sua substituição por expressões algébricas que correlacionam os valores nodais numa malha finita.CAPÍTULO 4 DISCRETIZAÇÃO O processo de se obter uma solução computacional. num ponto entre os nós. ou seja. As mais conhecidas são o método de diferenças finitas. por exemplo. Na primeira devemos converter as equações diferenciais parciais e as condições inicial e de contorno num sistema discreto de equações algébricas. podemos dispor de várias possibilidades de escolha. de volumes finitos e o método espectral. via o emprego de uma técnica de resolução numérica. pelo de procurarmos uma solução aproximada discreta. Na discretização das derivadas espaciais. desprezível em comparação ao erro introduzido pela discretização. em geral. qualquer valor da solução aproximada. 4. Esta primeira etapa é conhecida como a discretização das equações diferenciais. determinamos os valores aproximados nos nós da malha (Fig. A fim de se converter uma(s) EDP(s) em um sistema algébrico de equações (ou um sistema de equações diferenciais ordinárias). Na prática. também podemos introduzir um erro numérico que é. todos os métodos citados acima são empregados. Esta etapa introduz um erro de truncamento. de elementos finitos. Em princípio. este erro pode ser considerável se o método empregado na resolução do sistema algébrico não for estável. consiste de duas etapas. as derivadas com respeito ao tempo são discretizadas quase que exclusivamente pelo método de diferenças finitas. pode ser obtido 69 . Na resolução do sistema algébrico de equações discretizadas.1) onde ∆x representa o incremento de espaço e ∆t o incremento de tempo. A segunda etapa se resume no processo de obtenção de uma solução computacional do sistema de equações algébricas. O processo de discretizarmos uma EDP que governa. Entretanto.

4.1: Malha discreta uniforme. essa equação é substituída por ∂φj = La φj ∂t onde φ é a solução aproximada de ϕ e La é o operador algébrico resultante da discretização espacial do operador diferencial. na forma ∂ϕ = Lϕ ∂t onde L é o operador diferencial que contém as derivadas espaciais. que queremos discretizar.1 Discretização Espacial Representemos a equação diferencial parcial.2 Discretização no Tempo Feita a discretização no espaço. 4. Após a sua discretização espacial.1. qualquer técnica de integração de equações diferenciais pode ser aplicada ao resultado de maneira que obtemos Z tn+1 n+1 n φj = φj + La φj dt0 tn . por interpolação a partir dos pontos nodais vizinhos. Discretização Espacial 70 ∆x t N ∆t N-1 3 2 1 n=0 j=0 1 2 3 4 M-1 M x Figura 4. 4.

Expandindo ϕnj−1 em série de Taylor . podemos escrever por exemplo  n  n  ∂ϕ ∆x2 ∂ 2 ϕ n n + O ∆x3 ϕj+1 = ϕj + ∆x + 2 ∂x j 2 ∂x j sendo o erro de truncamento proporcional a ∆x3 . Expansões em série de Taylor do tipo ϕnj+1  n ∞ X ∆xm ∂ m ϕ = m! ∂xm j m=0 ϕn+1 j  n ∞ X ∆tm ∂ m ϕ = m! ∂tm j m=0 e são empregadas nesse processo. Discretização 71 Empregando. o erro decrescerá rapidamente de magnitude à medida que ∆x diminuir. Assim. para se calcular os valores de ϕ que aparecem na(s) EDP(s). Essa aproximação é conhecida como forward difference ou diferença avançada.3  1 (La φj )n+1 + (La φj )n ∆t 2 Expansões em Séries de Taylor O primeiro passo no desenvolvimento de um algoritmo. sendo o erro de truncamento dominado pelo próximo termo na expansão se ∆x  1 e ∆t  1. é o de expressar as derivadas de ϕ no ponto (j. o esquema de integração de Euler nessa avaliação φn+1 = φnj + (La φj )n ∆t j ou ainda. Essas séries podem ser truncadas para qualquer número de termos. Obviamente. temos que  n φnj+1 − φnj ∂ϕ ∼ = ∂x j ∆x e essa representação apresenta um erro de truncamento da ordem de ∆x. Uma rápida inspeção dessa equação nos sugere a seguinte representação  n  n  ϕnj+1 − ϕnj ∂ϕ ∆x ∂ 2 ϕ 2 = − + O ∆x ∂x j ∆x 2 ∂x2 j Usando a representação por diferenças finitas.n) em função dos valores de ϕ nos nós vizinhos. por exemplo. caso empreguemos a regra do trapézio φn+1 = φnj + j 4.Capítulo 4.

obtemos aϕnj−1 + bϕnj + cϕnj+1 ∆x2 +(a + c) 2  = (a + b + ∂ 2ϕ ∂x2 n j c)ϕnj  + (−a + c)∆x ∆x3 + (−a + c) 6  ∂ 3ϕ ∂x3 ∂ϕ ∂x n j n + ..1) ∂x j onde a. Expandindo ϕnj−1 e ϕnj+1 em série de Taylor em torno do ponto (j. obtemos a Fazendo a + b + c = 0 e (−a + c)∆x = 1.4.n) e reagrupando os termos. pode ser obtida a partir da expressão geral  n ∂ϕ = aϕnj−1 + bϕnj + cϕnj+1 + O (∆xm ) (4.n) ϕnj+1 = ϕnj  + ∆x ϕnj−1 = ϕnj − ∆x  ∂ϕ ∂x n ∂ϕ ∂x n j ∆x2 + 2  ∆x2 2  + j ∂ 2ϕ ∂x2 n ∂ 2ϕ ∂x2 n + O ∆x3  + O ∆x3  j j e substituindo essas expressões na equação geral (4. j 1 1 e b = −2c + para qualquer ∆x ∆x 2 valor de c. por diferenças finitas. vimos como as expressões em diferenças finitas foram obtidas a partir de uma única série de Taylor.4 Técnica Geral Na seção precedente. 4. assumindo que ∆t  1 e que as derivadas de maior ordem são limitadas.4. nós obtemos a aproximação conhecida como backward difference ou diferença recuada  n φnj − φnj−1 ∂ϕ ∼ = ∂x j ∆x O mesmo pode ser feito com relação às derivadas no tempo  n φn+1 − φnj ∂ϕ j ∼ = ∂t j ∆t que introduz um erro da ordem de ∆t. Uma técnica mais geral para construirmos aproximações das derivadas. b e c são valores a serem determinados e o termo O (∆xm ) indica o erro introduzido pela aproximação. resulta em a = c − ..1). Técnica Geral 72 em torno do ponto (j. Escolhendo c de maneira que o termo em ∆x desapareça (c = −a).

. Essa mesma técnica pode ser usada no desenvolvimento de aproximações multidimensionais ou em malhas não-uniformes. em seguida. vamos expandir em série de Taylor ϕnj+1 e ϕnj+2 em torno do ponto (j. j Comparando os dois lados da equação.n)  n  n  n  ∆x2 ∂ 2 ϕ ∆x3 ∂ 3 ϕ ∂ϕ 4 n n + + + O ∆x ϕj+1 = ϕj + ∆x ∂x j 2 ∂x2 j 6 ∂x3 j ϕnj+2 = ϕnj  + 2∆x ∂ϕ ∂x n j (2∆x)2 + 2  ∂ 2ϕ ∂x2 n j (2∆x)3 + 6  ∂ 3ϕ ∂x3 n + O ∆x4  j e. substituí-la na expressão geral (4. Discretização 73 aproximação com o menor erro de truncamento possível para uma formulação a três pontos. vemos que as seguintes condições devem ser impostas para que tenhamos o menor erro de truncamento a+b+c=0 b∆x + 2c∆x = 1 b∆x2 c (2∆x)2 + =0 2 2 .2) aϕnj " + bϕnj+1 + cϕnj+2 = (a + b + b∆x2 c (2∆x)2 + + 2 2 # ∂ 2ϕ ∂x2 n j c)ϕnj  + (b∆x + 2c∆x) ∆x3 + (b + 8c) 6  ∂ 3ϕ ∂x3 ∂ϕ ∂x n j n + ..Capítulo 4.. Substituindo estes valores na expressão geral (4. a representação por diferenças finitas é dada por  n φnj+1 − φnj−1 ∂ϕ ∼ = ∂x j 2∆x e possui um erro de truncamento da ordem de ∆x2 e é conhecida como diferença centrada. ∂x j 2∆x 6 ∂x3 j Portanto.1) 2∆x  n   ϕnj+1 − ϕnj−1 ∆x2 ∂ 3 ϕ n ∂ϕ = − + .2) ∂x j Primeiramente.. Empreguemos essa técnica geral na obtenção de uma representação algébrica de (∂ϕ/∂x)nj utilizando uma formulação a três pontos assimétrica  n ∂ϕ = aϕnj + bϕnj+1 + cϕnj+2 + O (∆xm ) (4. ou 1 seja. c = −a = e b = 0.

5. 5ϕnj+2 ∆x2 = + ∆x 3  ∂ 3ϕ ∂x3 n + . ∆x c=− 0. o processo de discretização invariavelmente introduz um erro de truncamento a menos que a solução exata possua uma forma analítica simples. os esquemas baseados na discretização de ordens mais altas apresentam condições de estabilidade mais severas do que os esquemas baseados em discretizações de baixa ordem. finalmente. 5 ∆x e. Precisão refere–se ao quão os valores calculados estão próximos entre si. b e c a=− 1. ∆x b= 2 . 5ϕnj + 2ϕnj+1 − 0. uma estratégia alternativa seria a de se escolher alguns dos coeficientes de forma a reduzir o erro de truncamento e outros de maneira a melhorar a estabilidade. j Essa fórmula tem um erro de truncamento de ordem igual ao da aproximação por diferença centrada.5 Acurácia do Processo de Discretização Conforme já foi visto. Contudo. o método de diferenças centradas é exato para soluções que apresentem uma forma analítica quadrática ϕ = ax2 + bx + c uma vez que todos os termos contidos na expansão do erro de truncamento são nulos    n φnj+1 − φnj−1 ϕnj+1 − ϕnj−1 ∆x2 ∂ 3 ϕ n ∂ϕ = = + + .  ∂ϕ ∂x n j −1. Acurácia do Processo de Discretização 74 Da resolução desse sistema obtemos os seguintes valores para a. Por acurácia entendemos que é uma medida de quão próximo um valor computado está do valor verdadeiro.. 4. . ∂x j 2∆x 6 ∂x3 j 2∆x | {z } =0 De maneira análoga.4. b. . Assim. 5 . como por exemplo. Caso queiramos incluir mais termos na representação.. Consequentemente. conforme veremos posteriormente. . c e d exigindo que os coeficientes multiplicando os termos de derivadas de mais alta ordem sejam nulos. podemos constatar que os esquemas de diferenças avançadas e recuadas só são exatos para formas lineares.  n ∂ϕ ∼ = aφnj + bφnj+1 + cφnj+2 + dφnj+3 ∂x j devemos obter condições extras para a determinação de a. Os erros podem ser caracterizados com respeito à sua acurácia e à sua precisão.

podemos comparar as diferentes fórmulas de discretização. Como exemplo... Entretanto. uma avaliação do erro de truncamento fornece uma aproximação do erro numérico se a malha for suficientemente refinada. No caso geral... vamos supor que a solução analítica seja dada por ϕ = exp(x) e vamos aferir a acurácia de 5 esquemas diferentes de diferenças finitas: Avançada  ∂ϕ ∂x n ∂ϕ ∂x n j ϕnj+1 − ϕnj ∆x − = ∆x 2  ϕnj − ϕnj−1 ∆x = + ∆x 2  ∂ 2ϕ ∂x2 n ∂ 2ϕ ∂x2 n + . Conforme já deveríamos esperar. Os resultados são mostrados na Tabela 4. mas menos acurados do que a formulação a cinco pontos.1. Discretização 75 Em geral. j Avaliando as derivadas no ponto x = 1 e tomando ∆x = 0...Capítulo 4.. j Recuada  j + . uma avaliação completa dos termos da série de Taylor do erro de truncamento só é possível a partir do conhecimento da solução exata. j Três Pontos Simétrica (Centrada)  ∂ϕ ∂x n j ϕnj+1 − ϕnj−1 ∆x2 − = 2∆x 6  ∂ 3ϕ ∂x3 n + .. os esquemas a três pontos (simétrico e assimétrico) são consideravelmente mais acurados do que os esquemas a dois pontos. j Cinco Pontos Simétrica  ∂ϕ ∂x n j ϕnj−2 − 8ϕnj−1 + 8ϕnj+1 − ϕnj+2 ∆x4 = + 12∆x 30  ∂ 5ϕ ∂x5 n + .. j Três Pontos Assimétrica  ∂ϕ ∂x n j −1.. os valores das derivadas de maior ordem podem . 1. 5ϕnj+2 ∆x2 = + ∆x 3  ∂ 3ϕ ∂x3 n + . 5ϕnj + 2ϕnj+1 − 0. Uma maneira direta de se avaliar a acurácia das várias fórmulas de discretização é a de considerarmos uma determinada função analítica e compararmos o valor da sua derivada com os valores fornecidos pelos diferentes esquemas de discretização.

4531 × 10−2 3 pontos assimétrica 2. 1315 × 100 0. à medida que a malha é refinada. pode parecer que a formulação de mais alta ordem deveria ser sempre empregada em malhas refinadas. a realidade é outra. nós podemos inferir que o erro na solução numérica para um k = 4 (5 pontos) irá decair muito mais rapidamente. Dos resultados apresentados. 9061 × 10−5 1 ser grandes e um incremento ∆x menor do que 0.7228 0. sendo portanto menos econômica que a formulação de baixa ordem.1: Comparação da acurácia dos diferentes esquemas. Acurácia do Processo de Discretização 76 Tabela 4. a acurácia da formulação de baixa ordem pode ser aumentada . 1359 × 100 3 pontos simétrica 2.5868 0. do que o erro correspondente a um k = 2 (3 pontos). 9072 × 10−5 0. No entanto. 4533 × 10−2 0.4. podemos expressar o erro computado diretamente como [11] E = A (∆x)k e o erro de truncamento como Et = B (∆x)k onde k é o expoente do incremento ∆x do primeiro termo da expansão após o truncamento. 9061 × 10−2 5 pontos simétrica 2. 9773 × 10−2 0. O emprego de fórmulas de alta ordem envolve mais pontos.7085 0. 1 deve ser empregado a fim de que o erro possa ser aproximado pelo primeiro termo da expansão. Grosseiramente.5. Assim. Além desse fato.7183 0. Caso Derivada |Erro| |Erro de truncamento| exata 2. 1359 × 100 recuada 2. 1406 × 100 0.8588 0.7183 – – avançada 2.

nós teremos ao invés da solução precedente ϕ(x. Para escoamentos viscosos com números de Reynolds elevados. para a solução do problema considerado. ϕm eim(x−ut) . Quando existirem gradientes elevados. esquemas de alta ordem podem não ser vantajosos.6 Representação do Tipo Onda Muitos problemas de engenharia apresentam soluções do tipo onda. Outro problema encontrado na prática são as soluções que apresentam descontinuidades. mas podem existir gradientes elevados. os termos de mais alta ordem não diminuem da mesma maneira que quando a solução é suave. Para gradientes severos e malhas suficientemente grosseiras. Na prática. A questão que devemos responder é a seguinte: Quando o processo de discretização representa acuradamente ondas de pequenos e grandes comprimentos de onda? Vamos admitir que a solução exata possa ser representada na forma ϕ(x. pode acontecer também que o nível de acurácia exigido. Pela mesma razão. o seu emprego pode não ser justificado nas situações mencionadas anteriormente. No caso do movimento de uma onda plana. a magnitude da derivada de mais alta ordem. Visto que a superioridade da formulação de alta ordem é realmente significativa quando utilizamos malhas refinadas. como as do escoamento supersônico não-viscoso. Consequentemente. pode ser tão alta que o erro global seja comparável ao erro de um esquema de discretização de baixa ordem. conceitualmente podemos representá-las em série de Fourier. não há garantias de que os termos sucessivos da expansão do erro de truncamento apresentem uma redução de magnitude. 4. do erro de truncamento.3). não apresente dissipação e a onda se propague com velocidade constante u. Portanto. a menos que a malha seja muito refinada. para uma dada malha. Nessa equação αm determina o quão rapidamente a amplitude de onda irá se atenuar e um é a velocidade de propagação da onda. Discretização 77 refinando a malha computacional.3) m=−∞ √ onde i = −1 e m é o número de onda que está relacionado com o comprimento de onda λ na forma λ = 2π/m. seja satisfatório com o emprego de uma malha grosseira. ou que devido a limitações de memória e/ou tempo de cálculo. t) = ∞ X m=−∞ 1 Primeiro termo da expansão do erro de truncamento.Capítulo 4. descontinuidades não podem ocorrer. t) = ∞ X ϕm e−αm t eim(x−um t) (4. a magnitude das derivadas de mais alta ordem são muito maiores que as de baixa ordem. Nesses casos. sejamos obrigados a empregar uma malha grosseira. representada por (4.

6. Para um dado ponto (j. a solução representa uma onda que se propaga com velocidade constante u na direção x e para um valor fixo de x o movimento é periódico e o período é dado por P = 2π/um.4) são dados por ∂ϕ . t) = eim(x−ut) (4. se considerarmos que a solução é dada por ϕ(x. Representação do Tipo Onda 78 A acurácia das diferentes aproximações por diferenças finitas das derivadas de ϕ pode ser determinada. os valores exatos da primeira e segunda derivadas da solução (4.4. Devemos ressaltar que comprimentos de onda menores do que λ = 2∆x não podem ser representados numa malha discreta [11].4) ou seja.n) da malha. por exemplo.

.

.

= im eim(xj −utn ) ∂x n.j e ∂ 2 ϕ .

.

2 .

= (im) eim(xj −utn ) ∂x2 n.j Substituindo a solução (4.   ∂ϕ ∂x ∂ 2ϕ ∂x2 n j n j eim(xj −utn ) eim∆x − e−im∆x = 2∆x  eim(xj −utn ) eim∆x − 2 + e−im∆x = ∆x2  Assim. as relações de amplitude entre as representações exata e numérica dessas derivadas são dadas por  n ∂ϕ  ∂x j eim(xj −utn ) eim∆x − e−im∆x sen (m∆x) = = im(x −ut ) n j ∂ϕ . respectivamente.4) nas representações por diferenças finitas a 3 pontos das derivadas primeira e segunda  n ϕnj+1 − ϕnj−1 ∂ϕ ∼ = ∂x j 2∆x  2 n ϕnj−1 − 2ϕnj + ϕnj+1 ∂ ϕ ∼ = ∂x2 j ∆x2 obtemos.

.

m∆x 2im∆x e .

5m∆x) = = ∂ 2 ϕ . ∂x n.j  2 n ∂ ϕ   2 ∂x2 j eim(xj −utn ) eim∆x − 2 + e−im∆x sen (0.

.

0. 5m∆x −m2 ∆x2 eim(xj −utn ) .

j . 2 ∂x n.

podemos obter a relação de amplitudes no caso de um esquema de diferenças finitas a 5 pontos simétrico [11]  n ∂ϕ   ∂x j sen (m∆x) 4 1 − cos(m∆x) = .6366 5 pontos 0.8488 3 pontos 0.5404 2 ∂ ϕ ∂x2 Seguindo o mesmo tipo de desenvolvimento.9999 0.4053 5 pontos 0.Capítulo 4.9836 0.9918 0. Discretização 79 Tabela 4.2: Relação entre as derivadas. Derivada Esquema ∂ϕ ∂x Relação Relação (λ = 20∆x) (λ = 4∆x) 3 pontos 0.9996 0.

∂ϕ .

3 3 m∆x .

∂x n. 5m∆x)] = ∂ 2 ϕ . 25 [cos(0. 5m∆x) 1 − 0.j  2 n ∂ ϕ  2 ∂x2 j 4 2 sen (0.

.

3 0. 5m∆x .

Para um determinado comprimento de onda. λ = 0.2 são mostrados os resultados para a representação de pequenos (λ = 4∆x) e grandes (λ = 20∆x) comprimentos de onda. tal que ∆x1 = 4∆x2 . Como exemplo. sendo que o esquema a cinco pontos é o mais acurado. 2 ∂x n.j Na Tabela 4. em duas malhas diferentes. Os resultados mostram que todos os esquemas são mais acurados para longos comprimentos de onda. sobre as desvantagens de empregarmos esquemas de alta ordem em malhas grosseiras. Escolheremos a primeira malha de forma que λ = 4∆x1 e como consequência teremos que λ = 16∆x2 para a . representemos o mesmo comprimento de onda. Esses resultados são consistentes com os comentários feitos na seção anterior. 1. o fato de refinarmos a malha (permitindo que haja mais pontos para a representação de cada comprimento de onda) transforma o problema de representação de pequenos comprimentos de onda em um problema de representação de grandes comprimentos de onda na malha refinada.

obtemos para a primeira malha (m = 2π/λ) π  sen sen (m∆x1 ) 2 = 0. a principal conclusão que podemos tirar é a de que precisamos de uma malha suficientemente refinada para que possamos representar acuradamente os movimentos do tipo onda. Representação do Tipo Onda 80 segunda malha. 9745 Consequentemente. . Calculando a relação de amplitude para a derivada primeira na representação a três pontos.4. 6366 = π m∆x1 2 e no caso da segunda malha π  sen sen (m∆x2 ) 8 = π m∆x2 8 = 0.6.

Além disso. que diz respeito às soluções computacionais. é muito difícil obtermos resultados analíticos que descrevam o comportamento teórico da solução numa malha de dimensões finitas. seja consistente com as equações diferenciais que governam os fenômenos que estamos interessados em resolver. o algoritmo utilizado na obtenção da solução do sistema algébrico de equações deve ser estável. Na prática. A maneira indireta de se garantir a convergência é a de requerermos que o sistema algébrico de equações.1 Convergência A solução aproximada. então. obtido a partir do processo de discretização. A consistência implica no fato de que podemos reverter o processo de discretização e obtermos equações diferenciais parciais que devem representar as equações que governam os problemas estudados. As condições para que este enunciado se verifique são dadas pelo teorema de Lax. proveniente da resolução do sistema algébrico resultante do processo de discretização. é a de sabermos que garantia nós temos de que a solução numérica será próxima da solução exata da(s) EDP(s) e em que condições ela coincide com a solução exata.CAPÍTULO 5 CONVERGÊNCIA. Podemos dizer. CONSISTÊNCIA E ESTABILIDADE Uma importante questão. 81 . é muito difícil estabelecer diretamente a convergência. exigindo que a solução numérica aproximada deva convergir para a solução exata à medida que os incrementos da malha tendam a zero. A maioria dos resultados teóricos úteis são estritamente aplicados no limite quando os incrementos (de tempo e espaço) da malha tendem a zero. No entanto. é dita convergir caso ela tenda para a solução exata da equação diferencial parcial à medida que ∆t e ∆x tendam a zero. 5. para que haja convergência. A segunda parte desta questão pode ser respondida superficialmente. que a consistência mais a estabilidade asseguram a convergência.

Provar que a solução de um sistema algébrico de equações converge para a solução de uma equação diferencial parcial é. do qual ele é originário.1. Para que haja consistência. ele se aplica a qualquer método de discretização que leve a variáveis nodais. tais como erros de arredondamento. o teorema deve ser interpretado como fornecendo as condições necessárias. a convergência pode ser estabelecida via o teorema de Lax: “Dado um problema de valor inicial bem-posto e linear e uma aproximação por diferenças finitas que satisfaça as condições de consistência. para que tenhamos a convergência [11]. Muito embora o teorema tenha sido enunciado em termos do processo de diferenças finitas. mas nem sempre suficientes. se no limite para os incrementos de tempo e espaço tendendo a zero. Obviamente que a consistência é necessária para que a solução aproximada (numérica) convirja para a solução exata da equação diferencial parcial considerada. tn ) − φnj Por solução exata do sistema algébrico. Na realidade. não implica necessariamente que a solução do sistema convirja para a solução da equação diferencial parcial. a estabilidade é a condição necessária e suficiente para a convergência”.2. O mecanismo de teste da consistência requer a substituição da solução exata nas equações algébricas resultantes da discretização e a posterior expansão dos valores nodais em série de Taylor em torno de um determinado ponto. Este teorema é de grande importância. pois o fato de termos um sistema de equações algébricas consistente com a EDP para ∆t e ∆x → 0.2 Consistência O sistema de equações algébricas é dito ser consistente com a equação diferencial parcial.1 Teorema de Lax Para uma classe restrita de problemas. de maneira que o teorema da equivalência de Lax não pode ser aplicado rigorosamente. 5. nestes casos. o sistema algébrico é equivalente à EDP em cada ponto da malha. . esta condição não é suficiente. queremos dizer que é aquela obtida sem que nenhum erro numérico seja introduzido. obtidas no processo de aproximação por diferenças finitas. Contudo. em geral.5. A magnitude do erro da solução depende tipicamente dos incrementos ∆t e ∆x e do valor das derivadas de mais alta ordem. muito difícil mesmo para os casos mais fáceis [11]. a maioria dos problemas de escoamentos de fluidos são não-lineares e do tipo de valor de contorno ou misto (valor inicial e de contorno). Portanto. Conforme indicado pelo teorema de Lax. Consistência 82 A diferença entre a solução exata da EDP e a solução exata do sistema de equações algébricas é chamada de erro de resolução: enj = ϕ(xj . a expressão resultante deve ser posta na forma da equação diferencial parcial original acrescida de termos adicionais. visto que é relativamente fácil mostrar a estabilidade de um algoritmo e a sua consistência com a equação diferencial parcial original. consistência e estabilidade são ambas necessárias para que tenhamos a convergência. 5.

Expandindo nesta equação ϕ em série de Taylor e substituindo na equação discretizada  n  n  n ∂ϕ ∂ϕ ∆x2 ∂ 2 ϕ n + (1 − 1 − 2s + 2s)ϕj + (s − s)∆x − 2s ∆t 2 ∂t j 2 ∂x j ∂x j ∆t2 + 2  ∂ 2ϕ ∂t2 n j ∆x3 + (s − s) 6 ou ainda ∂ϕ ∂t n ∂ 2ϕ ∂t2 n  onde Ejn ∆t = 2   ∂ 3ϕ ∂x3 j j  −α j n ∆x4 − 2s 24 ∂ 2ϕ ∂x2 ∆x2 −α 12 n   ∂ 4ϕ ∂x4 n  + O ∆t3 . por exemplo.). O processo de resolução é repetido avançando-se no tempo (n = 1. Os valores iniciais e de contorno de φ devem ser fornecidos. nós desejamos determinar o quão aproximadamente esta equação corresponde a equação de difusão no nó (j. Este processo de discretização nos leva ao esquema FTCS: φn+1 = sφnj−1 + (1 − 2s)φnj + sφnj+1 j onde s = α∆t/∆x2 e esta equação se aplica a todos os nós internos. Uma maneira simples de discretizarmos esta equação é a de utilizarmos um esquema de diferenças avançadas no tempo e um esquema de diferenças centradas no espaço. devemos proceder à discretização das derivadas de primeira ordem no tempo e de segunda ordem no espaço. centered space) na discretização da equação de difusão unidimensional em regime transiente: ∂ϕ ∂ 2ϕ −α 2 =0 ∂t ∂x onde α é o coeficiente de difusão. ∆x4  . uma vez que os valores de φ para o tempo n + 1 são completamente determinados a partir dos valores de φ conhecidos no tempo n. Substituindo na equação discretizada a solução exata ϕ. até que o tempo final seja alcançado. .Capítulo 5. Para efetuarmos a resolução numérica desta equação. conforme as técnicas apresentadas no capítulo anterior. ∆x6 = 0 j + Ejn = 0 j ∂ 4ϕ ∂x4 n j + O ∆t2 .n). 2. nós obtemos: ϕn+1 = sϕnj−1 + (1 − 2s)ϕnj + sϕnj+1 j Em seguida. 5.2. O esquema de discretização no tempo empregado é dito ser explícito. . a consistência do esquema FTCS (forward time.1 O Esquema FTCS Vamos considerar. Consistência e Estabilidade 83 A natureza destes termos deve ser tal que eles fiquem reduzidos a zero à medida que a malha é refinada. Convergência. .

fica claro que à medida que os incrementos da malha se tornam cada vez menores. Consistência 84 Deste resultado. ∆x4 Ej = 4 2 6 ∂x j Caso s = 1/6.5. o erro de truncamento vai a zero mais rapidamente do que para qualquer outro valor de s. no nível de tempo (n + 1). devemos substituir a solução exata nesta equação e expandirmos os diferentes termos em série de Taylor em torno do ponto (j.2 Esquema Totalmente Implícito Para esquemas implícitos no tempo.n) n n  n   ∂ϕ ∆t2 ∂ 2 ϕ ∆t3 ∂ 3 ϕ n+1 n ϕj = ϕj + ∆t + + + ··· ∂t j 2 ∂t2 j 6 ∂x3 j "  n  n #2 ∂ ∂ 1 ∂ ∂ n+1 n ϕj−1 = ϕj + ∆t − ∆x ϕ+ ∆t − ∆x ϕ ∂t ∂x j 2! ∂t ∂x j " n #3 1 ∂ ∂ + ϕ + ··· ∆t − ∆x 3! ∂t ∂x j . após discretização da equação de difusão n+1 n −sφn+1 − sφn+1 j−1 + (1 + 2s)φj j+1 = φj Para que possamos mostrar a consistência desta formulação.2. o termo espacial ∂ 2 ϕ/∂x2 na equação de difusão é avaliado. 5. No limite. Neste caso.∆x4 ).     4 ∂ 2 ∂ϕ ∂ 2ϕ ∂ ∂ 2ϕ 2∂ ϕ = α = α = α ∂t2 ∂t ∂x2 ∂x2 ∂t ∂x4 e o erro de truncamento pode ser reescrito como:    4 n  1 ∂ ϕ α∆x2 n s− + O ∆t2 . o erro de truncamento tenderá a zero para um ponto fixo (j. Avaliando ∂ 2 ϕ/∂x2 completamente no tempo (n + 1)  2 n+1 n+1 φn+1 + φn+1 ∂ ϕ j−1 − 2φj j+1 ∼ = ∂x2 j ∆x2 Portanto. Na prática. isto nos leva a um acoplamento das equações para cada nó j no tempo n + 1 e devemos resolver um sistema de equações algébricas à medida que avançamos no tempo. à medida que a malha é refinada.2. parcialmente ou completamente. Esta propriedade é chamada de consistência. conforme ∆t e ∆x → 0. Como a solução ϕ satisfaz a equação de difusão. o esquema FTCS será equivalente à equação de difusão.n). o primeiro termo do erro de truncamento se anula e teremos um erro de truncamento da ordem de (∆t2 .

3 Estabilidade O conceito de estabilidade está relacionado com o crescimento. dos erros introduzidos em qualquer estágio da computação. os erros aqui referidos não são aqueles devidos a uma lógica incorreta. Consistência e Estabilidade ϕn+1 j+1 85 "  n  n #2 ∂ ∂ ∂ ∂ 1 = ϕnj + ∆t + ∆x ∆t + ∆x ϕ+ ϕ ∂t ∂x j 2! ∂t ∂x j " n #3 ∂ ∂ 1 ∆t + ∆x + ϕ + ··· 3! ∂t ∂x j Após substituição destes resultados n+1 −sϕj−1 ∆t2 + 6 + (1 + 2s)ϕn+1 j − ϕnj  = ∂ϕ ∂t n  −α j ∂ 2ϕ ∂x2 n j ∆t + 2  ∂ 2ϕ ∂t2 n j  n  n   n ∂ ∂ 2ϕ ∆x2 ∂ 4 ϕ ∆t2 ∂ 2 ∂ 2 ϕ − α∆t −α −α ∂t ∂x2 j 12 ∂x4 j 2 ∂t2 ∂x2 j j   n   n  n ∆t∆x2 ∂ ∂ 4 ϕ ∆x4 ∂ 6 ϕ ∆t3 ∂ 3 ∂ 2 ϕ −α −α −α 6 ∂t3 ∂x2 j 12 ∂t ∂x4 j 360 ∂x6 j    n  n ∆t∆x2 ∂ 4 ∂ 2 ϕ ∆t2 ∆x2 ∂ 2 ∂ 4 ϕ −α −α + ··· = 0 24 ∂t4 ∂x2 j 48 ∂t2 ∂x4 j  ∂ 3ϕ ∂t3 n − sϕn+1 j+1  Como a solução ϕ deve satisfazer à equação de difusão. ou decaimento. Na prática. Convergência. ∂t2 ∂x4 6 ∂ 3ϕ 3∂ ϕ = α ∂t3 ∂x6 podemos escrever o erro de truncamento somente em termos das derivadas com relação ao tempo  n  2 n ∂ϕ ∂ ϕ −α + Ejn = 0 ∂t j ∂x2 j onde.Capítulo 5. Ejn ∆t =− 2  1 1+ 6s  ∂ 2ϕ ∂t2 n j ∆t2 − 3    3 n 1 1 ∂ ϕ + + ··· 1+ 2 4s 120s ∂t3 j Da expressão do erro de truncamento. 5. ∂ϕ ∂ 2ϕ = α 2. mas sim aqueles devidos ao fato do computador trabalhar com um número finito de casas decimais. o que introduz . Neste contexto. ∂t ∂x 4 ∂ 2ϕ 2∂ ϕ = α . vemos claramente que Ejn tenderá a zero conforme ∆t → 0 e a equação coincidirá com a equação de difusão. cada operação realizada pelo computador resulta num valor com um número finito de algarismos significativos.

J − 1) e os erros introduzidos nos contornos ξ1n e ξJn (n = 0.3. . Esta interpretação da estabilidade é explorada diretamente pelo método de Von Neumann.5. ou modo.1 Método da Matriz: Esquema Geral a Dois Níveis de Tempo O método da matriz será aplicado ao caso do esquema geral a dois níveis de tempo. subtraindo a segunda equação da primeira n n ξjn+1 = sξj−1 + (1 − 2s)ξjn + sξj+1 onde ξ é o erro introduzido em cada ponto da malha ξjn = φnj −φ∗ nj . sabemos que a solução numérica satisfaz à seguinte equação: (φ∗ )n+1 = s(φ∗ )nj−1 + (1 − 2s)(φ∗ )nj + s(φ∗ )nj+1 j Portanto. Para β = 0 obtemos o esquema explícito e para β = 1 um esquema totalmente implícito. Nesta série. Um determinado método é dito ser estável se o efeito acumulativo produzido por todos os erros de arredondamento. cada harmônico. 5. a solução discretizada possui uma solução instável. incluindo os erros de arredondamento.3. Uma maneira alternativa de interpretação da análise de estabilidade é a de supormos que as condições iniciais podem ser representadas por uma série de Fourier. os erros iniciais ξj0 (j = 2.) desta equação são nulos. Portanto. 2 . Podemos mostrar que para equações algébricas lineares. . provenientes do processo de discretização. a solução numérica não é na realidade φnj . α é a difusividade térmica e β é um parâmetro que controla o tipo de esquema de discretização no tempo. Portanto. é desprezível. o erro correspondente satisfaz às mesmas equações algébricas homogêneas. a menos que erros de arredondamento sejam introduzidos. . . Como exemplo. devido à implementação do algoritmo. Assumindo que inicialmente sejam fornecidos os valores de contorno e inicial. 1. irá crescer ou decrescer de acordo com a equação discretizada. Estabilidade 86 um erro de arredondamento. isto é. a partir do cálculo dos valores de φnj nos nós interiores. que é a solução numérica do sistema algébrico. . 3. mas sim (φ∗ )nj . aplicado à equação de difusão de calor φn+1 − φnj j − αβLxx φn+1 − α(1 − β)Lxx φnj = 0 j ∆t onde Lxx φj = (φj−1 − 2φj + φj+1 ) /∆x2 . . os erros resultantes na resolução permanecerão nulos. Caso um modo particular possa crescer ilimitadamente. consideraremos o esquema FTCS aplicado à equação de difusão: φn+1 = sφnj−1 + (1 − 2s)φnj + sφnj+1 j Na realidade. Ambos os métodos baseiam-se na predição de quando haverá um crescimento do erro existente entre a verdadeira solução do algoritmo numérico e a solução que é realmente calculada. Os dois métodos mais comuns utilizados na análise de estabilidade são o método da matriz e o método de Von Neumann. .

.. .Capítulo 5... A=   −sβ 1 + 2sβ −sβ −sβ 1 + 2sβ e     B=   1 − 2s(1 − β) s(1 − β) s(1 − β) 1 − 2s(1 − β) s(1 − β) ..       O algoritmo numérico será estável se a magnitude dos autovalores de A−1 B for limitada a unidade. .. . Caso tenhamos condições de contorno do tipo de Dirichlet... . podemos escrevê-la na forma matricial Aξ~n+1 = B ξ~n ou ainda ξ~n+1 = A−1 B ξ~n onde as duas matrizes são dadas por:  1 + 2sβ −sβ  −sβ 1 + 2sβ −sβ   ...         .. . .. não são necessárias equações extras para os pontos externos. . J − 1.. .. ... . 3. neste exemplo. . Quando ela for aplicada a todos os pontos j = 2. esta condição é equivalente a . Consistência e Estabilidade 87 Para este esquema geral de discretização a dois níveis de tempo.. o erro numérico deve satisfazer a uma equação equivalente à equação discretizada: n+1 n+1 n −sβξj−1 + (1 + 2sβ)ξjn+1 − sβξj+1 = s(1 − β)ξj−1 n + [1 − 2s (1 − β)] ξjn + s(1 − β)ξj+1 sendo que esta equação é apropriada para os pontos internos da malha. . Convergência.. Devido à estrutura das matrizes A e B. s(1 − β) 1 − 2s(1 − β) s(1 − β) s(1 − β) 1 − 2s(1 − β) .

.

.

(λB ) .

.

j.

.

.

0 . ≤ 1.

(λA )j .

é possível obtermos uma expressão analítica para o cálculo dos seus autovalores [11]   jπ 2 (λA )j = 1 + 4sβsen 2(J − 1)   jπ 2 (λB )j = 1 − 4s(1 − β)sen 2(J − 1) . Como estas matrizes são tridiagonais e simétricas.

da condição de estabilidade .3. Estabilidade 88 Portanto.5.

.

.

.

.

(λB ) .

.

1 − 4s(1 − β)sen 2 [jπ/2(J − 1)] .

.

.

.

j.

.

.

=.

.

≤ 1. 0 2 .

(λA )j .

.

1 + 4sβsen [jπ/2(J − 1)] .

Analisemos em seguida as condições de estabilidade para os dois valores extremos da função seno .

.

  .

.

(λ ) jπ .

B j.

=0 ∴ sen .

.

= 1. 0 .

(λA )j .

2(J − 1) .

.

.

.

  .

(λB ) .

.

1 − 4s(1 − β) .

jπ .

.

.

j.

0 ∴ . sen = ±1.

.

=.

.

0 . ≤ 1.

(λA )j .

.

1 + 4sβ .

5 e o esquema é incondicionalmente estável para β ≥ 0. Da segunda condição obtemos s ≤ 0.2 Método da Matriz: Condições de Contorno do Tipo Neumann O método da matriz também pode ser aplicado quando o problema apresenta condições de contorno do tipo Neumann. 5.3. 1 − 4s(1 − β) ≤ 1 + 4sβ 1 − 4s(1 − β) ≥ −1 − 4sβ Da primeira equação temos que s ≥ 0. quando todas as equações forem consideradas Aξ~n+1 = B ξ~n + C . φ0 = φ2 − 2δ∆x Aplicando esta condição. na equação que governa a distribuição do erro (1 + 2sβ)ξ1n+1 − 2sβξ2n+1 = [1 − 2s(1 − β)]ξ1n + 2s(1 − β)ξ2n − 2sδ∆x Consequentemente. 5/(1 − 2β) caso β seja menor do que 0. tal que:   ∂ϕ φ2 − φ0 =δ∼ = ∂x 1 2∆x ou ainda. Suponhamos que: ∂ϕ =δ ∂x em x = 0 Esta condição de contorno pode ser implementada a partir da introdução de um ponto fictício. para o ponto j = 1. o que é sempre verificado. 5. 2(J − 1) ou seja.

.. Consistência e Estabilidade 89 onde. ..Capítulo 5.. . . .. . Convergência.. . . . .     A=       B=   1 + 2sβ −2sβ −sβ 1 + 2sβ −sβ .. −sβ 1 + 2sβ −sβ −sβ 1 + 2sβ        1 − 2s(1 − β) 2s(1 − β) s(1 − β) 1 − 2s(1 − β) s(1 − β) .... . . . 0 0               .. . . . .. s(1 − β) 1 − 2s(1 − β) s(1 − β) s(1 − β) 1 − 2s(1 − β)     C=   −2sδ∆x 0 . . .

.

.

.

a condição de estabilidade requer que . Como no caso anterior.

λA−1 B .

3 Método de Von Neumann A análise de Von Neumann é o método mais comumente usado na determinação do critério de estabilidade. Na prática. pelo método das potências [11]. No caso geral. O valor máximo dos autovalores de D pode ser obtido. No método de Von Neumann a distribuição do erro. Estritamente falando. para que haja estabilidade. Para estas situações mais gerais. congelando temporariamente as não-linearidades.3. sabemos que os problemas que tratamos envolvem coeficientes variáveis. Infelizmente. para os quais não existam formas explícitas para o cálculo dos autovalores de A−1 B. ≤ 1. A estabilidade ou instabilidade do algoritmo computacional é determinada considerando. é expandida em série de Fourier. mas nem sempre suficientes. ao longo das linhas da malha e para um determinado nível de tempo. por exemplo. 5. nãolinearidades e condições de contorno complicadas. o método fornece as condições necessárias. será conveniente escrevermos −1 ξ~n+1 = Dξ~n + A C onde D = A−1 B. ele só pode ser empregado para estabelecer as condições necessárias e suficientes para problemas de valor inicial. o método só pode ser aplicado localmente. lineares e com coeficientes constantes. o método só se aplica aos pontos interiores [11]. Nestes casos. 0. para cada componente da série de .

expandido em série de Fourier. Isto quer dizer que G(s.3. θ) depende do tamanho do espaçamento da malha e do modo particular da série de Fourier considerado. O termo G pode ser interpretado como um fator de amplificação do modo m do erro na série de Fourier à medida que ele se propaga no tempo ξjn+1 = Gξjn Conforme veremos adiante. Estabilidade 90 Fourier. ξjn = (G)n eiθj onde a dependência no tempo. .4 Método de Von Neumann: Esquema Geral a Dois Níveis de Tempo O método de Von Neumann será aplicado agora ao caso do esquema geral a dois níveis de tempo ξjn+1 − ξjn − αβLxx ξjn+1 − α(1 − β)Lxx ξjn = 0 ∆t onde. a propagação do erro pode ser estudada a partir de um único termo. . Substituindo a expressão do erro na equação que governa a sua distribuição  n+1 iθ(j−1)  G e − 2Gn+1 eiθj + Gn+1 eiθ(j+1) Gn+1 eiθj − Gn eiθj − αβ ∆t ∆x2 . o critério geral de estabilidade é |G| ≤ 1. de modo que para xj o erro seja dado por 0 ξ = J−2 X am eiθm j . está contida no coeficiente complexo (G)n e o expoente n indica que G está elevado à potência de n. A análise de Von Neumann é feita introduzindo o erro ξ. 3. ξj−1 − 2ξj + ξj+1 Lxx ξj = ∆x2 sendo α a difusividade térmica e β o parâmetro que indica o grau de “implicidade” do esquema no tempo.5. o fator G é uma função de s e de θ. Os erros serão limitados se o valor absoluto de G nunca for maior que a unidade. consideraremos somente um único componente da série [11]. para todos os modos θ da série de Fourier. Em se tratando de um algoritmo computacional linear. da representação em série de Fourier. J − 1 m=1 √ onde i = −1. ou seja. exp (iθm j). na equação acima. j = 2. θm = mπ∆x e assumimos que os erros são periódicos no intervalo de interesse. 0 para todo θ. Portanto. Assim. um vetor inicial do erro ξ 0 é expresso por uma série finita de Fourier. . Como a equação em questão é linear. . deste componente do erro.3. o comportamento (decaimento ou crescimento) da distribuição do erro à medida que avançamos no tempo. uma vez que s = α∆t/∆x2 e θm = mπ∆x. 5.

caso G ≤ 1. uma equação quadrática em G deverá ser resolvida para que possamos obter condições de estabilidade. 0. Para uma grande parte dos problemas de escoamento de fluidos. β e s. trabalhamos com sistemas de equações ao invés de uma única equação. 0. devemos verificar a seguinte desigualdade: 1 − 4s(1 − β) ≥ −1 − 4sβ ou seja. Caso G ≥ −1. Para algoritmos que utilizam três níveis de tempo. 0. Para equações mais complicadas pode ser necessário. 5/(1 − 2β). Estes resultados estão de acordo com aqueles obtidos pelo método da matriz.Capítulo 5. s ≤ 0. Convergência. Analisando os casos limites   θ sen =0 ∴ G=1 2 e   θ = ±1 sen 2 ∴ G= 1 − 4s(1 − β) 1 + 4sβ obtemos como condição de estabilidade s ≥ 0. G−1 2(cos θ − 1) 2(cos θ − 1) − αβG − α(1 − β) =0 2 ∆t ∆x ∆x2 ou ainda. nós obtemos G= 1 − 4s(1 − β)sen 2 (θ/2) 1 + 4sβsen 2 (θ/2) Para que o algoritmo seja estável. Consistência e Estabilidade 91  Gn eiθ(j−1) − 2Gn eiθj + Gn eiθ(j+1) −α(1 − β) =0 ∆x2  Dividindo tudo por Gn eiθj . na determinação do critério de estabilidade. para qualquer valor de θ. que tenhamos que avaliar G para várias faixas de θ. a análise de Von Neumann nos levará a uma matriz de amplificação . Nestes casos. G[1 − 2sβ(cos θ − 1)] = 1 + s(1 − β)2(cos θ − 1) Utilizando a igualdade (cos θ − 1) = −2sen 2 (θ/2). devemos verificar a condição |G| ≤ 1.

.

.

.

G no lugar do coeficiente de amplificação. A condição de estabilidade será dada por .

λm .

Para tais escoamentos. nós supomos que o problema físico considerado era estável. uma solução crescente no tempo pode ser esperada. ≤ 1. no método da matriz. sendo λm os autovalores da matriz G. requerendo que a magnitude dos autovalores. Entretanto. 0 para todo m. . sejam menores do que 1 + O(∆t) [11]. e o fator de amplificação no método de Von Neumann. Este comportamento pode ser obtido. como por exemplo a transição entre o escoamento laminar e turbulento. pode acontecer que queiramos estudar escoamentos que sejam fisicamente instáveis. Nesta seção.

Uma maneira de se determinar a acurácia de um algoritmo particular. a acurácia da solução também é dependente do tipo de problema considerado. Um algoritmo pode ser acurado para um problema modelo e não o ser necessariamente para o problema de interesse (mais complicado). Entretanto. de . o erro da solução pode ser reduzido de acordo com o erro de truncamento.5. Conforme indicado na Seção 5. cilíndricas. etc. A idéia básica é a de adicionarmos soluções ponderadas. Como este procedimento nem sempre é garantido para problemas reais. Uma segunda técnica para aferirmos a acurácia é a de obtermos a solução numérica utilizandose sucessivas malhas refinadas e constatarmos que à medida que refinamos a malha. caso o espaçamento da malha seja suficientemente pequeno e se as condições inicial e de contorno forem suficientemente “suaves”.1 Extrapolação de Richardson Nós já vimos que para malhas suficientemente refinadas. Contudo.) podem produzir soluções mais acuradas para determinados tipos de problemas. consistência e estabilidade tratou do comportamento da solução aproximada no limite quando ∆x e ∆t → 0. obtidas em sucessivas malhas refinadas.3. então. a solução aproximada obtida na malha refinada poderá ser utilizada no lugar da solução exata. 5.4. a menos que elas sejam isoladas do resto do domínio de resolução e tratadas como uma solução local. Podemos. na prática. Assim. a ordem de magnitude do erro de truncamento irá coincidir com a ordem de grandeza do erro da solução. Contudo. vorticidade e função de corrente ao invés da velocidade e pressão) e das variáveis independentes (coordenadas cartesianas. a solução não mudará para uma acurácia pré-determinada.4 Acurácia da Solução Estritamente falando a discussão anterior sobre a convergência. nem sempre dispomos de resultados experimentais detalhados o suficiente para que possamos proceder a uma estimativa do erro global. o uso de esquemas de mais alta ordem ou de malhas mais refinadas deveria produzir soluções mais acuradas. é necessário compararmos os resultados numéricos com resultados experimentais obtidos para o mesmo problema.4. as soluções são obtidas em malhas finitas e a determinação da acurácia da solução torna-se relevante. esféricas. assumir que a solução aproximada irá convergir para a solução exata no limite para ∆x e ∆t → 0. Admitindo-se que a acurácia possa ser determinada. a escolha conveniente das variáveis dependentes (por exemplo. descontinuidades podem aparecer no interior do domínio de resolução. Especificamente. Para problemas governados por equações diferenciais hiperbólicas. Esta característica é utilizada pela extrapolação de Richardson a fim de aumentarmos a acurácia da solução numa malha finita refinada. é a de aplicá-lo a um problema semelhante ao de interesse para o qual conheçamos a solução exata. numa malha finita. o que limitará a acurácia da solução numérica. Acurácia da Solução 92 5. Contudo. A eficiência computacional pode ser definida como sendo a acurácia alcançada por unidade de tempo de execução (tempo de CPU) [11]. não se deve empregar estes recursos sem que o tempo de execução e a eficiência computacional sejam considerados.

5α∆xb s − b 6 ∂x4 j a Ejn 0. que podem também apresentar um erro O (∆x4 ) com a aplicação da extrapolação de Richardson. obtidas empregando-se o esquema FTCS e dois incrementos de espaço ∆xa e ∆xb diferentes.Capítulo 5. Entretanto. sem a necessidade de aplicarmos a extrapolação de Richardson. 5α∆x2a Da decomposição da solução para ϕ = a ϕ = b ϕ (no caso limite quando os incrementos de tempo e espaço tenderem a zero) vemos que a + b = 1 e.n) "   2 b n #  b n n  a n   ∂ ϕ ∂ 2 aϕ ∂ ϕ ∂ ϕ a n b n −α a + b +b +a E + b E =0 a j j ∂t j ∂t j ∂x2 j ∂x2 j | {z } | {z }  2 n n =( ∂ϕ = ∂ ϕ ∂t )j ∂x2 j onde. O esquema FTCS é particular no sentido de que para s = 1/6 ele apresenta um erro da ordem de ∆x4 . Convergência. no caso de termos ∆xb = ∆xa /2. Portanto. Uma solução composta é então proposta na seguinte forma: ϕ = aa ϕ + b b ϕ onde a e b são coeficientes a serem determinados. este não é o caso de outros esquemas gerais para β 6= 0. Consistência e Estabilidade 93 maneira que cancelemos o primeiro termo do erro de truncamento.   a a ϕn+1 − s a ϕnj−1 − (1 − 2s)a ϕnj − s a ϕnj+1 j   + b b ϕn+1 − s b ϕnj−1 − (1 − 2s)b ϕnj − s b ϕnj+1 = 0 j Expandindo estes termos em série de Taylor em torno do ponto (j. a=− e 1 3 4 3 sendo que a solução composta deverá ter um erro de truncamento da ordem de ∆x4 para uma malha suficientemente refinada. Substituindo esta solução na equação algébrica resultante da discretização. o primeiro termo do erro de truncamento pode ser eliminado tomando–se a+0. Consideremos duas soluções da equação de difusão. mas para o mesmo valor de s. b= . 25b = 0.   4 a n   ∂ ϕ 1 4 + O ∆x = s− a 6 ∂x4 j   4 b n   ∂ ϕ 1 4 b n 2 + O ∆x Ej = 0.

Acurácia da Solução 94 No caso geral.5.4. a escolha dos coeficientes a e b será determinada pela potência P dos termos em ∆x do erro de truncamento (após conversão das derivadas temporais nas suas derivadas espaciais equivalentes) e da relação entre os espaçamentos das malhas: a = − " e ∆xa ∆xb 1 P # −1 P ∆xa ∆xb # b = " P ∆xa −1 ∆xb  .

6. Consequentemente.1) em série de Taylor. pode ser aplicada à equação de transporte bidimensional resultando em n−1 n n a(ρφ)n+1 jk + b(ρφ)jk + c(ρφ)jk + d [Lx (ρ u − αx Lx ) + Ly (ρ v − αy Ly )] φjk + n−1 e [Lx (ρ u − αx Lx ) + Ly (ρ v − αy Ly )] φjk =0 (6.1) onde [Lx (ρ u − αx Lx ) + Ly (ρ v − αy Ly )] φ corresponde à discretização dos seguintes termos espaciais     ∂ ∂ ∂ϕ ∂ ∂ϕ ∂ (ρ u ϕ) + (ρ v ϕ) − αx − αy ∂x ∂y ∂x ∂x ∂y ∂y Os parâmetros a. k. d e e devem ser determinados expandindo φ na Eq. φn+1 .CAPÍTULO 6 EQUAÇÃO DE TRANSPORTE LINEAR Do ponto de vista computacional a equação de transporte bidimensional     ∂(ρϕ) ∂ ∂ϕ ∂ϕ ∂ + ρ u ϕ − αx + ρ v ϕ − αy =0 ∂t ∂x ∂x ∂y ∂y contém os mesmos mecanismos de advecção e de difusão que os encontrados em problemas de transferência de calor e de massa. servirão de guia na escolha apropriada dos algoritmos que serão aplicados aos diferentes problemas de transporte. a três níveis de tempo. aparece do lado esquerdo da equação j algébrica resultante da discretização da equação diferencial parcial. as técnicas computacionais que são efetivas para essa equação. Após termos realizadas as respectivas expansões chegamos a   ∆t2 ∂ 2 (ρϕ) . (6. b.1 Métodos Explícitos Nos métodos explícitos uma única incógnita. c. Uma discretização geral. em torno do ponto (j. e requerendo que a equação resultante seja consistente com a equação de transporte. n).

.

n ∂(ρϕ) .

.

n n a (ρϕ)jk + ∆t .

+ .

+ · · · + b(ρϕ)njk ∂t jk 2 ∂t2 jk 95 .

Métodos Explícitos 96  ∆t2 ∂ 2 (ρϕ) .1.6.

.

n ∂(ρϕ) .

.

n +c − ∆t .

+ .

+ ··· ∂t jk 2 ∂t2 jk h i +(d + e) Lx (ρ u − αx Lx ) + Ly (ρ v − αy Ly ) ϕnjk ( in ∂h +e − ∆t Lx (ρ u − αx Lx ) ϕ + Ly (ρ v − αy Ly ) ϕ ∂t jk ) in ∆t2 ∂ 2 h Lx (ρ u − αx Lx ) ϕ + Ly (ρ v − αy Ly ) ϕ + ··· = 0 + 2 ∂t2 jk  (ρϕ)njk ou ainda. ∂(ρϕ) .

.

n ∆t2 ∂ 2 (ρϕ) .

.

n .

+ (a + c) .

Reagrupando os termos semelhantes dessa equação   2e ∆t2 ∂ 2 (ρϕ) . Exx e Eyy são os erros de truncamento introduzidos pela discretização das derivadas de primeira e segunda no espaço. respectivamente. Ey . + ∂t jk 2 ∂t2 jk      n ∂ ∂ ∂ϕ ∂ϕ (d + e) ρuϕ − αx + ρvϕ − αy + Ex + Ey + Exx + Eyy ∂x ∂x ∂y ∂y jk  n (a + b + c)(ρϕ)njk + (a − c)∆t +e∆t        ∂   − ∂ ρuϕ − αx ∂ϕ − ∂ ρvϕ − αy ∂ϕ +Ex + Ey + Exx + Eyy    ∂t  ∂x ∂x ∂y ∂y  | {z } = ∂(ρϕ) ∂t + ··· = 0 jk onde Ex .

.

n ∂(ρϕ) .

.

n n (a + b + c)(ρϕ)jk + (a − c)∆t .

+ a+c+ .

os parâmetros 0 1 1 Tomando a = (1 + γ)/∆t e e = β. para que essa equação seja consistente com a. em função somente de duas constantes γ e β n h i (ρφ)n+1 (ρφ)njk − (ρφ)n−1 jk − (ρφ)jk jk (1 + γ) −γ + (1 − β) Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φnjk ∆t ∆t . d e e devem satisfazer a   a+b+c = (a − c)∆t =  d+e = jk a equação de transporte. b. ∂t jk ∆t 2 ∂t2 jk     n ∂ ∂ϕ ∂ ∂ϕ +(d + e) ρuϕ − αx + ρvϕ − αy ∂x ∂x ∂y ∂y jk in in h h +(d + e) Ex + Ey + Exx + Eyy + e∆t Ex + Ey + Exx + Eyy + ··· = 0 jk Portanto. c. podemos obter a equação geral discretizada a três níveis de tempo para a equação de transporte linear.

3. resulta na equação de difusão unidimensional: ∂ 2ϕ ∂ϕ −α 2 =0 ∂t ∂x Para que possamos obter uma solução aproximada dessa equação. pelo menos parcialmente. no nível de tempo n + 1. Equação de Transporte Linear 97 h i +β Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φn−1 jk = 0 Fazendo variar os valores dos parâmetros γ e β recuperamos diferentes esquemas comumente encontrados na literatura. 6.3 Equação de Difusão Nessa seção. 6. os termos espaciais da equação de transporte são avaliados. Será dada uma maior atenção ao problema da estabilidade e da acurácia dos vários esquemas que serão estudados. na ausência do termo advectivo.2) jk = 0 6. obtemos a equação generalizada para o esquema implícito a três níveis de tempo n h i (ρφ)njk − (ρφ)n−1 (ρφ)n+1 jk jk − (ρφ)jk −γ + (1 − β) Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φnjk (1 + γ) ∆t ∆t h i + β Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φn+1 (6.Capítulo 6. Na prática. ela deve ser discretizada e da equação algébrica resultante obtemos o algoritmo numérico de resolução. Dos resultados já obtidos nesse capítulo.2 Métodos Implícitos Em se tratando dos esquemas implícitos. a equação de difusão (ρ = 1 e u = v = 0) será utilizada na obtenção de diferentes esquemas explícitos e implícitos. sabemos escrever a forma geral discretizada da equação de difusão empregando um esquema explícito a três níveis de tempo h i φn+1 − φnj φnj − φjn−1 j (1 + γ) −γ − α (1 − β)Lxx φnj + β Lxx φn−1 =0 j ∆t ∆t Podemos mostrar que essa equação é consistente com a equação de difusão e apresenta um erro de truncamento dado por   ∂ϕ .1 Equação de Difusão Unidimensional A equação de transporte unidimensional. Por último. A partir de um desenvolvimento semelhante ao empregado para os esquemas explícitos. isto nos leva a um acoplamento das equações algébricas e a necessidade de resolvermos um sistema algébrico de equações a fim de que avancemos no tempo. consideraremos o problema da implementação acurada das condições de contorno.

.

n ∆2 ∂ 2 ϕ .

.

n n n (1 + γ) ϕj + ∆t .

+ .

+ . . − ϕj ∂t j 2 ∂t2 j . .

6.3. Equação de Difusão 98     2 .

.

n  ∂ϕ .

.

n ∆2 ∂ 2 ϕ .

.

n ∂ ϕ .

n .

n n −γ ϕj − ϕj + ∆t .

− .

. + . . − α∆t (1 − β) .

+ Exx .

∂t j 2 ∂t2 j ∂x2 j j  2 .

    .

n .

n ∂ ϕ .

n ∂ ∂ 2 ϕ .

.

n .

.

−α∆tβ .

+ Exx .

− ∆t .

+ Exx .

∂ 2 ϕ . + . = 0 2 2 ∂x j ∂t ∂x j j j ou ainda. . .

.

n ∂ϕ .

.

n .

−α 2.

+ ∂t j ∂x j  1 + 2γ 2β + ∆t ∆t  .

n ∆t2 ∂ 2 ϕ .

.

n ∂Exx .

.

n .

− αE + αβ ∆t .

+ ··· = 0 .

.

3) Caso empreguemos o esquema de diferenças centradas na discretização do termo espacial  n  ϕj−1 − 2ϕnj + ϕnj+1 ∂ 2 ϕ . xx 2 ∂t2 j ∂t j j (6.

.

n ∆x2 ∂ 4 ϕ .

.

n α = α 2.

+α .

substituindo esse resultado na expressão do erro de truncamento da Eq. + ··· ∆x2 ∂x j 12 ∂x4 j {z } | =αExx Portanto.3)    1 + 2γ 2β ∆t2 ∂ 2 ϕ . (6.

.

n ∆x2 ∂ 4 ϕ .

.

∆x .n n 2 4 Ej = + − α + O ∆t .

.

escrevendo as derivadas temporais em termos das derivadas espaciais  4 . ∆t ∆t 2 ∂t2 j 12 ∂x4 j ou ainda.

  1 ∂ ϕ .

n 1 n 2 2 4 +γ+β− Ej = α s∆x + O ∆t . ∆x .

o erro de truncamento será de quarta ordem no espaço se escolhermos   1 1 β=− +γ− 2 12s Finalmente. 2 12s ∂x4 j e. que deve ser resolvida a fim de que determinemos as condições para que a condição de estabilidade seja verificada (1 + γ)G2 − [1 + 2γ + 2s(1 − β)(cos θ − 1)]G + [γ − 2sβ(cos θ − 1)] = 0 (6. obviamente. o algoritmo geral que se obtém para o esquema explícito a três níveis de tempo aplicado à equação de difusão é        1 + 2γ γ s n+1 n−1 n φj = φj − φj + (1 − β) φnj−1 − 2φnj + φnj+1 1+γ 1+γ 1+γ  +β s 1+γ  n−1 n−1 φj−1 − 2φjn−1 + φj+1  (6.4) Aplicando a análise de estabilidade de Von Neumann obtemos uma equação quadrática em G.5) .

Capítulo 6. a condição de estabilidade exige que s ≤ 0. esta condição impõe como restrição s ≤ 0. 34. 5 [11]. Equação de Transporte Linear 99 Assim sendo. para valores muito grandes de γ. Para γ = 0. Entretanto. Tomando no algoritmo (6. esse algoritmo será estável caso |G| ≤ 1 para todos os valores de θ.4) γ = 0 e β = 0 recuperamos o esquema FTCS já visto anteriormente  n n n φn+1 = (1 − 2s)φ + s φ + φ j j−1 j+1 j que apresenta como erro de truncamento  ∆t ∂ 2 ϕ .

.

n ∆x2 ∂ 4 ϕ .

.

n 2 4 n − α + O ∆t . ∆x Ej = .

.

2 ∂t2 j 12 ∂x4 j   4 .

 1 1 ∂ ϕ .

∆x .n 2 2 4 = α s∆x − + O ∆t .

Ele também é consistente com a equação de . φnj por 0. |G| ≤ 1. O esquema de Richardson pode ser modificado a fim de  torná-lo estável.5)   θ 2 2 G + 8s sen G−1=0 2 o que implica no fato de que esse esquema é incondicionalmente instável para s > 0. basta substituirmos. novamente. O esquema de Richardson é obtido se fizermos γ = −0. Aplicando. o esquema de DuFort– Frankel é estável para qualquer valor de ∆t. Da equação geral (6. a análise de estabilidade de Von Neumann [11] obtemos para o fator de amplificação √ 2s cos θ ± 1 − 4s2 sen 2 θ G= 1 + 2s Como |G| ≤ 1 para qualquer valor de θ caso s seja maior do que zero.4)  φn+1 = φn−1 − 4sφnj + 2s φnj−1 + φnj+1 j j Da análise de estabilidade obtemos da forma geral (6. se s ≤ 0. Portanto. (6. 5 φjn−1 + φn+1 j      1 − 2s 2s n+1 n−1 φj = φj + φnj−1 + φnj+1 1 + 2s 1 + 2s Esse esquema é conhecido como DuFort-Frankel. 5 e β = 0 na Eq. no seu algoritmo. 2 12s ∂x4 j Conforme já vimos. para γ = 0 e β = 0.5) escrita em termos de G. resulta na expressão   θ 2 G = 1 + 2s(cos θ − 1) = 1 − 4s sen 2 que para qualquer valor de θ satisfaz a condição de estabilidade. para s = 1/6 obtemos um erro de truncamento de O (∆t2 . ∆x4 ). Para tanto. 5. ele não apresenta nenhum interesse prático.

De modo análogo ao caso dos métodos explícitos. Equação de Difusão 100 p difusão.6. mas não será acurado para grandes valores de s ∆t.3. podemos escrever uma equação geral a três níveis de tempo para os métodos implícitos   φnj − φjn−1 φn+1 − φnj j −γ − α (1 − β)Lxx φnj + β Lxx φn+1 =0 (1 + γ) j ∆t ∆t Da análise de consistência podemos mostrar que esse esquema é consistente com a equação de difusão e possui o seguinte erro de truncamento   . Para s = 1/12 esse esquema apresenta um erro de truncamento da ordem de ∆x4 [11].

n 2β ∆t2 ∂ 2 ϕ .

.

n ∂ϕ .

.

n ∂ 2 ϕ .

.

n 1 + 2γ ∂Exx .

.

n .

− − αE − αβ∆t .

−α 2.

+ .

.

.

podemos escrever    2β ∆t2 ∂ 2 ϕ ... = 0 xx ∂t j ∂x j ∆t ∆t 2 ∂t2 j ∂t j j Empregando uma discretização do tipo diferenças centradas para os termos espaciais. + .

.

n ∆x2 ∂ 4 ϕ .

.

n 1 + 2γ n − − α Ej = .

.

∆x4 2 4 ∆t ∆t 2 ∂t j 12 ∂x j ou ainda. Ejn = α s ∆x 2  1 1 +γ−β− 2 12s   ∂ 4 ϕ . + O ∆t2 .

.

∆x .n 2 4 + O ∆t .

podemos escrever o seu algoritmo geral que é dado na seguinte forma  n+1 n (1 + γ + 2sβ)φn+1 − sβ φn+1 j j−1 + φj+1 = [1 + 2γ − 2s(1 − β)]φj  + s(1 − β) φnj−1 + φnj+1 − γφjn−1 (6.7) e devemos verificar a condição |G| ≤ 1. aplicando o método de Von Neumann. para todo θ. ∂x4 j 1 1 Um erro de truncamento de O (∆t2 . ∆x4 ) é obtido se tomarmos β = + γ − .6) fazendo γ = 0 e β = 1  n+1 n (1 + 2s)φjn+1 − s φn+1 + φ j−1 j+1 = φj Para estes valores de γ e β obtemos para o erro de truncamento    1 ∂ 4 ϕ . 2 12s Da equação discretizada a três níveis de tempo para os métodos implícitos.6) Procedendo com uma análise de estabilidade do algoritmo (6. para que tenhamos um esquema estável.6). O esquema totalmente implícito é obtido da equação geral a três níveis de tempo (6. obtemos uma equação quadrática em termos de G [1 + γ − 2sβ(cos θ − 1)]G2 − [1 + 2γ + 2s(1 − β)(cos θ − 1)]G + γ = 0 (6.

.

n 2 4 2 ∆t n 1+ + O ∆t . ∆x Ej = −α .

2 6s ∂x4 j .

Isto quer dizer que este esquema é incondicionalmente estável.   dJ−2 dJ−1            onde d2 = φn2 + sφn+1 . G= 1 [1 − 2s (cos θ − 1)] que verifica a condição de estabilidade para qualquer valor de θ e s > 0. Equação de Transporte Linear 101 Da análise de estabilidade de Von Neumann aplicada à Eq. 17]. . 5sφj−1 + (1 − s)φj + 0.. Uma introdução do que vem a ser o algoritmo de Thomas pode ser encontrada no Apêndice B. . . 5sφn+1 − 0.  . n+1/2 Ej = (−2s + 1 − 1 + 2s) ∆x2 ∂ 4 ϕ . .. 5sφj+1 Esse esquema apresenta um erro de truncamento da ordem de ∆t2 e ∆x2 . (6. Fica claro que a 1 J matriz dos coeficientes é tridiagonal e consequentemente podemos empregar o algoritmo de Thomas (ou TDMA) na sua resolução [11... . 5) n+1 n n n −0.    φJ−2 φJ−1 n+1            d2 d3 .. devemos considerar todos os nós da malha e as suas respectivas equações..7) obtemos o fator de amplificação para o esquema totalmente implícito (γ = 0 e β = 1) [1 − 2s (cos θ − 1)] G2 − G = 0 ou seja.. . para que possamos obter uma solução numérica. o sistema de equações pode ser escrito em termos da variável φn+1 na seguinte forma matricial j            1 + 2s −s −s 1 + 2s −s . para a equação de difusão... Uma alternativa ao esquema totalmente implícito seria o esquema de Crank–Nicolson (γ = 0 e β = 0. −s 1 + 2s −s −s 1 + 2s  φ2 φ3 . ...        φj  .Capítulo 6. −s 1 + 2s −s . dJ−1 = φnJ−1 + sφn+1 J sendo φn+1 e φn+1 conhecidos das condições de contorno do tipo Dirichlet.      =  dj  . . 1 dj = φnj .. 5sφn+1 j−1 + (1 + s)φj j+1 = 0. o que representa uma grande vantagem com relação ao esquema explícito FTCS.. Contudo.   . . Assim.

.

n+1/2 ∆t2 ∂ 3 ϕ .

.

n+1/2 ∆t ∂ 2 ϕ .

.

...n+1/2 − α + + .

.

.

determinado a partir do emprego do método de Von Neumann. dado por 1 + s(cos θ − 1) 1 − 2 s sen 2 (θ/2) G= = 1 − s(cos θ − 1) 1 + 2 s sen 2 (θ/2) . 8 ∂t2 j 12 ∂x4 j 24 ∂t3 j e um fator de amplificação.

Quando o problema que estamos resolvendo apresenta somente condições de contorno de Dirichlet e os seus valores exatos são fornecidos. teremos um erro de truncamento da ordem de ∆x2 .6. Generalizando esses resultados. infelizmente. 5∆x2 α(1 − 2β) se 0 ≤ β < 0. Esse esquema apresenta um erro de truncamento da ordem de ∆t2 e ∆x2 e é incondicionalmente estável [11]. A seguir. uma formulação especial deve ser adotada em se tratando dos pontos da fronteira. Nestes casos. a baixa acurácia da solução na fronteira irá afetar a acurácia da solução no interior do domínio de resolução para todos os instantes posteriores. agora. podemos concluir que este esquema é incondicionalmente estável para s > 0. 5 e β = 1. t) = c(t) ∂x Uma primeira possibilidade seria a de empregarmos uma formulação do tipo diferenças avançadas φn2 − φn1 = cn ∴ φn1 = φn2 − cn ∆x ∆x O maior inconveniente do emprego dessa discretização é que ela apresenta um erro de truncamento de primeira ordem em ∆x. podemos notar que este esquema encontra-se no limite da estabilidade incondicional e. caso o nosso problema seja governado para uma equação diferencial parcial parabólica. Crank–Nicolson (β = 0. Como o esquema de Crank–Nicholson apresenta uma acurácia no tempo da ordem de ∆t2 . Caso empreguemos um esquema de diferenças finitas centradas. Conforme já vimos. . 5 ≤ β ≤ 1. para uma condição de contorno do tipo Neumann. Equação de Difusão 102 Desse último resultado. aos nós interiores. Por exemplo. para condições do tipo Dirichlet não existem maiores problemas. O uso de algoritmos como os descritos nas seções anteriores é apropriado para os nós internos. a única fonte de erro que introduzimos é proveniente da discretização da equação diferencial que governa o fenômeno físico considerado. Dessas relações podemos obter as condições de estabilidade para os esquemas FTCS (β = 0). como devemos implementar uma condição de Neumann dada por: ∂ ϕ(0.3. Entretanto. Vejamos. o emprego destas formulações aos nós localizados nas fronteiras do domínio. exigem o conhecimento do valor da solução em pontos que estão situados fora do domínio de resolução. ele é muito popular e bastante empregado na resolução de equações diferenciais parabólicas. 5 e nenhuma restrição caso 0. Um esquema particularmente eficiente é o esquema totalmente implícito a três níveis de tempo com γ = 0. vamos considerar algumas situações nas quais erros adicionais são introduzidos devido à implementação das condições de contorno e inicial. 5) e totalmente implícito (β = 1). Entretanto. ele pode apresentar oscilações em algumas situações. Portanto. o esquema a três níveis de tempo pode ser mais eficiente. podemos mostrar que para γ = 0 e 0 ≤ β ≤ 1 a análise de Von Neumann prediz como condição para que o algoritmo seja estável ∆t ≤ 0.

6. em regime permanente. Equação de Transporte Linear 103 Portanto. onde J indica os últimos nós situados na fronteira do domínio.2 Equação de Difusão Unidimensional em Regime Permanente Antes de considerarmos o caso da equação de difusão bidimensional. Isto deve ser feito mediante o emprego de um esquema a dois níveis de tempo que tenha pelo menos a mesma acurácia do que o esquema a três níveis de tempo empregado.3. uma estratégia possível seria a de tomarmos a média dos valores de φ(0. Como. assim. 0) = φ0 (x). Caso estejamos empregando o esquema totalmente implícito. devemos empregar o método da Matriz na determinação das condições de estabilidade para o sistema completo de equações. mas retornarmos aos valores das condições de contorno apropriadas para os instantes de tempo subsequentes. Uma exceção seria o caso onde teríamos uma condição de contorno do tipo Dirichlet. 0) (fronteira e condição inicial) para o primeiro nível de tempo (n = 0). pode ser utilizado com o compromisso de que o segundo nível de tempo seja calculado numa malha refinada a fim de compensarmos a falta de acurácia. não causam nenhuma dificuldade de implementação para os esquemas a dois níveis de tempo. apresentando um . a condição de contorno é avaliada no tempo n + 1 e obtemos. é desejável que representemos a condição de contorno do tipo Neumann por uma formulação que tenha um erro de truncamento da mesma ordem do que o obtido para os pontos interiores. como o FTCS e o totalmente implícito (γ = 0 e β = 1). A extrapolação de Richardson também pode ser empregada com este propósito. φ(0. por exemplo. Empregando desta vez um formulação do tipo diferenças centradas φn2 − φn0 = cn ∴ φn0 = φn2 − 2cn ∆x 2∆x Uma expressão para φn+1 pode então ser obtida se nós estendermos o domínio computacio1 nal e aplicando a expressão utilizada para os pontos internos. Pode ser que o uso desta formulação venha a alterar as condições de estabilidade do algoritmo. Isto pode ser feito. O método de Crank-Nicolson é um exemplo de um esquema apropriado a dois níveis de tempo. empregamos a seguinte equação para j = 1 = −2scn ∆x + (1 − 2s)φn1 + 2sφn2 φn+1 1 e o erro de truncamento passa a ser de ordem de ∆t e ∆x2 para todos os pontos do domínio (internos e na fronteira). Condições iniciais do tipo φ(x. (1 + 2s)φn+1 − 2sφn+1 = φn1 − 2scn+1 ∆x 1 2 Essa metodologia também se aplica caso tenhamos condições de contorno do tipo Neumann para os pontos j = J. Esquemas a três níveis de tempo requerem informações para os dois níveis de tempo iniciais. Nesse caso. introduzindo um ponto fictício que se encontraria fora do domínio de resolução. em princípio. o método de Von Neumann só se aplica aos nós interiores.Capítulo 6. Alternativamente. No caso do esquema FTCS. 0) não coincidente com a condição inicial. um método de primeira ordem no tempo como o esquema FTCS. digamos em x = 0. vamos tratar do problema elíptico da equação de difusão unidimensional.

       +1 −2 +1   φj  =  dj         .   .3. Equação de Difusão 104 termo de fonte q d2 ϕ +q =0 dx2 Na discretização dessa equação vamos empregar uma aproximação da derivada segunda do tipo diferença centrada. dj = − . .   . Esta técnica pode ser aplicada aos métodos de diferenças finitas.. . Este tratamento geralmente consiste na quebra do algoritmo bidimensional em dois sub–algoritmos cujas incógnitas serão função unicamente de uma das direções dos eixos coordenados x e y...... ..       +1 −2 +1   φJ−2   dJ−2  +1 −2 φJ−1 dJ−1 com ∆x2 q2 ∆x2 qj ∆x2 qJ−1 d2 = − − φ1 . sendo que a matriz A e os vetores φ por      −2 +1 φ2 d2   φ3   d3   +1 −2 +1  .... .   ..    .3.   .    . a solução deste sistema algébrico pode ser obtida mediante a aplicação do algoritmo de Thomas. .3 Equação de Difusão Bidimensional Na Seção 6.  . ∆x2 qj αx Esse sistema de equações algébricas admite uma representação matricial do tipo φj−1 − 2φj + φj+1 = − ~ = d~ Aφ ~ e d~ são dados. . portanto. os esquemas implícitos são mais apropriados do que os esquemas explícitos. Conforme podemos observar a matriz A é tridiagonal e. teremos que adotar alguns procedimentos especiais se quisermos obter algoritmos que sejam eficientes na resolução do sistema algébrico de equações resultante da discretização da equação de difusão bidimensional.   . dJ−1 = − − φJ α α α onde φ1 e φJ são as condições de contorno impostas para j = 1 e j = J.6. para condições de contorno do tipo Dirichlet. .  . elementos finitos e volumes finitos. Na extensão do problema unidimensional ao caso bidimensional. 6.. descrito no Apêndice B.1 concluímos que para problemas apresentando mecanismos de dissipação significativos.3. em se tratando do esquema implícito.. de modo que a forma discretizada será dada por   φj−1 − 2φj + φj+1 + qj = 0 α ∆x2 α ou ainda.

agora. obtemos o esquema FTCS bidimensional para a equação de difusão  n   n  n φn+1 φj−1k − 2φnjk + φnj+1k φjk−1 − 2φnjk + φnjk+1 jk − φjk − αx − αy =0 ∆t ∆x2 ∆y 2 cujo algoritmo é n n n n n φn+1 jk = sx φj−1k + (1 − 2sx − 2sy )φjk + sx φj+1k + sy φjk−1 + sy φjk+1 onde sx = αx ∆t/∆x2 e sy = αy ∆t/∆y 2 .8) Empregando uma discretização do tipo diferenças centradas para os termos espaciais e tomando γ = 0 e β = 0 na Eq. n) nos indica que o algoritmo é consistente com a equação de difusão bidimensional e apresenta como erro de truncamento  ∆x2 ∂ 4 ϕ . levando em consideração que em se tratando do caso puramente difusivo não temos os termos advectivos n−1 n φnjk − φjk φn+1 jk − φjk −γ − (1 − β) (αx Lxx + αy Lyy ) φnjk (1 + γ) ∆t ∆t n−1 − β (αx Lxx + αy Lyy ) φjk =0 (6. A equação geral a três níveis pode ser estendida sem maiores dificuldades ao caso bibidimensional. Equação de Transporte Linear 105 Em duas dimensões. Uma expansão em série de Taylor em torno do ponto (j. (6. Iniciaremos considerando primeiramente os métodos explícitos.8).Capítulo 6. sabemos que o problema do transporte difusivo transiente é governado pela equação ∂ϕ ∂ 2ϕ ∂ 2ϕ − αx 2 − αy 2 = 0 ∂t ∂x ∂y acrescida das suas respectivas condições de contorno e inicial. Estenderemos. os resultados obtidos para a equação de difusão unidimensional ao caso bidimensional. k.

.

n ∆y 2 ∂ 4 ϕ .

.

n ∆t ∂ 2 ϕ .

.

n n Ejk = − α − α .

.

.

+ O ∆t2 . ∆y 4 x y 2 4 4 2 ∂t jk 12 ∂x jk 12 ∂y jk Aplicando o método de Von Neumann podemos mostrar que este algoritmo é estável se . ∆x4 .

   .

.

θ θy .

.

x 2 2 |G| = .

.

1 − 4sx sen − 4sy sen ≤1 2 2 .

donde −1 ≤ 1 − 4sx sen 2  θx 2  − 4sy sen 2  θy 2  ≤1 ou seja. podemos escrever a equação geral a três níveis de tempo para o esquema implícito n−1 n φn+1 φnjk − φjk jk − φjk (1 + γ) −γ − (1 − β) (αx Lxx + αy Lyy ) φnjk ∆t ∆t . Seguindo o mesmo procedimento que o adotado no caso da equação de transporte. 0 ≤ (sx + sy ) ≤ 0. 5.

6.4.9) Fazendo γ = 0 e β = 1 em (6. Métodos Multidimensionais de Fracionamento 106 − β (αx Lxx + αy Lyy ) φn+1 jk = 0 (6.9) e empregando um esquema de discretização do tipo diferenças centradas para os termos espaciais. obtemos o esquema totalmente implícito ! ! n+1 n+1 n+1 n+1 n+1 n+1 n φ − 2φ + φ φ − 2φ + φ φn+1 − φ jk j−1k jk j+1k jk−1 jk jk+1 jk − αx − αy =0 ∆t ∆x2 ∆y 2 cujo algoritmo correspondente é n+1 n+1 n+1 n+1 n −sx φn+1 j−1k + (1 + 2sx + 2sy )φjk − sx φj+1k − sy φjk−1 − sy φjk+1 = φjk Esse algoritmo também é consistente com a equação de difusão e possui o seguinte erro de truncamento  ∆x2 ∂ 4 ϕ .

.

n ∆y 2 ∂ 4 ϕ .

.

n ∆t ∂ 2 ϕ .

.

∆x . ∆y − α − α + O Ejk = − .n 2 4 4 n ∆t .

.

.

Na Figura 6.4 Métodos Multidimensionais de Fracionamento O problema da resolução do sistema algébrico oriundo da discretização da equação de difusão bidimensional. A dificuldade que encontramos no caso do esquema implícito bidimensional. que o fator de amplificação para o esquema totalmente implícito é dado por [1 − 2sx (cos θx − 1) − 2sy (cos θy − 1)] G = 1 ou ainda. o algoritmo de Thomas não pode ser utilizado neste caso. O emprego da eliminação de Gauss convencional torna–se proibitivo e mesmo o método de eliminação de Gauss para matrizes esparsas é inviável no caso de malhas refinadas. reside na fato de que para este algoritmo é possível renumerarmos os nós de maneira que tenhamos três termos na diagonal principal. mas os outros dois termos estarão deslocados da diagonal principal de uma quantidade igual ao número de nós internos do domínio. G=   1 + 4sx sen 2 θx 2 1   + 4sy sen 2 θy 2  e a condição de estabilidade é verificada para qualquer um dos valores de θx e θy se (sx + sy ) > 0. a fim de que avancemos de um incremento de tempo ∆t. 6. somente os termos associados a uma direção . Consequentemente.1 nós mostramos uma representação matricial do sistema algébrico oriundo da discretização da equação bidimensional de difusão. x y 2 ∂t2 jk 12 ∂x4 jk 12 ∂y 4 jk Podemos também mostrar. empregando um esquema implícito. mediante a aplicação da análise de estabilidade de Von Neumann. Para cada sub–nível de tempo. Neste exemplo nós empregamos uma malha com 4 X 4 nós e fizemos o índice i variar de 2 até 4 e j de 2 até 3. pode ser superado se fracionarmos o algoritmo de resolução em dois sub–níveis de tempo.

1: Exemplo da representação matricial.0 0 0 −Sx C −Sx 0 0 0 0 0 0 0 0 −Sy 0 C=1+2Sx+2Sy 0 0 −Sx C −Sx 0 0 0 −Sy 0 0 0 0 0 −Sy 0 0 0 −Sy 0 0 0 0 0 0 −Sy 0 0 0 −Sx C −Sx 0 0 0 −Sy 0 0 0 0 0 0 0 0 0 0 −Sy 0 0 0 −Sx C −Sx 0 0 0 −Sy C −Sx 0 0 0 −Sy 0 0 0 0 0 0 −Sy 0 0 0 −Sx 0 0 −Sy 0 0 0 −Sx C −Sx 0 0 0 −Sy 0 0 0 0 0 Figura 6. Equação de Transporte Linear 107 . 44 Φ Φ34 Φ24 Φ14 Φ53 Φ43 Φ33 Φ23 Φ13 Φ52 Φ42 Φ32 Φ22 Φ12 Φ51 Φ41 Φ31 Φ21 Φ11 n+1 43 Φ 33 Φ 23 Φ 42 Φ 32 Φ 22 Φ n Capítulo 6.

a solução do sistema de equações é determinada para φ∗jk e para um valor fixo de k (uma determinada linha). 5sy φn+1 jk−1 + (1 + sy )φjk − 0.11) Nesse caso.4. O algoritmo correspondente a esta primeira etapa é escrito na seguinte forma −0. somente três termos aparecerão implicitamente no lado esquerdo do sinal de igualdade no algoritmo. K − 1) empregando o algoritmo de Thomas.10) e (6. 5sy φnjk−1 + (1 − sy )φnjk + 0. O processo global é repetido para cada coluna j (j = 2. . . em seguida. Na sequência. A aplicação da técnica ADI ao algoritmo implícito implica na sua substituição por dois outros algoritmos que devem ser solucionados em sub–níveis de tempo diferentes. na segunda etapa. 5sx φ∗j+1k (6. A estabilidade global será determinada pelo produto dos fatores de amplificação.11) em separado. Os demais termos poderão ser agrupados de modo a permitir o emprego do algoritmo de Thomas. 5sx φj−1k + (1 − sx )φ∗jk + 0. introduziremos uma generalização aplicada ao caso dos esquemas a três níveis de tempo. somente os termos associados à direção do eixo x (valor constante de k) são avaliados em n + 1/2. A estabilidade do esquema ADI pode ser obtida com a aplicação do método de Von Neumann a cada um dos algoritmos (6. . a solução é desconhecida no nível de tempo n + 1 e conhecida em n + 1/2. Portanto. . 5sy φnjk+1 (6. Vamos estudá–la em detalhes e.10) resulta    θy 2 1 − 2sy sen  2  n   (6. . . . J − 1). . A solução é então obtida resolvendo os sistemas de equações associados a uma coluna j fixada. ∗ φn+1 jk − φjk − αx Lxx φ∗jk − αy Lyy φn+1 jk = 0 ∆t/2 Na primeira etapa a solução é conhecida no nível de tempo n e desconhecida no nível de tempo n + 1/2.12) G∗ =  G  θ x 2 1 + 2sx sen 2 . Nessa etapa. Durante a primeira etapa de resolução a seguinte discretização é empregada φ∗jk − φnjk − αx Lxx φ∗jk − αy Lyy φnjk = 0 ∆t/2 e.6. 5sx φ∗j−1k + (1 + sx )φ∗jk − 0.10) Assim. Métodos Multidimensionais de Fracionamento 108 particular do espaço são tratados implicitamente. Na segunda etapa empregamos o algoritmo n+1 n+1 ∗ −0. Do algoritmo (6. que é denotado pelo asterisco. 5sy φjk+1 = 0. Uma das mais conhecidas técnicas de fracionamento é a ADI (Alternating Direction Implicit). outros sistemas são resolvidos para φ∗jk e para cada linha k (k = 2. 5sx φ∗j+1k = 0.

que sabemos ter uma acurácia da ordem de (∆t2 . 25∆tαy Lyy φjk − φjk (6. 5αy Lyy φn+1 + φ jk jk ∆t e Explicitando φ∗jk ∗ n  φn+1 jk − 2φjk + φjk n = 0. 5αy Lyy φn+1 jk − φjk ∆t na Eq. 5 φn+1 jk + φjk − 0.14).10) e (6. obtemos o valor global do coeficiente de amplificação       θx θy 2 2 1 − 2sx sen    1 − 2sy sen 2  2      (6.13) Compondo esses dois resultados. (6. sy > 0.16) Substituindo esse resultado na Eq. 5 (αx Lxx + αy Lyy ) φnjk − 0.. ∆x2 . ∆y 2 ).11)  θx  1 − 2sx sen 2  ∗   =  G θ y 1 + 2sy sen 2 2  Gn+1 2  (6.15) (6. θx e θy .13).. Eqs.Capítulo 6. 4 ∂x2 ∂y 2 ∂t 4 ∂t3 . 25∆t2 αx αy Lxx Lyy ∆t Os primeiros termos do lado esquerdo do sinal de igualdade representam o esquema implícito de Crank–Nicolson. obtemos respectivamente: n  φn+1 jk − φjk n = αx Lxx φ∗jk + 0.16) obtemos   n+1 n n φ∗jk = 0.14) G=    θ θ x y 2 2 1 + 2sx sen 1 + 2sy sen 2 2 Da expressão (6. os algoritmos em separado são somente condicionalmente estáveis. Contudo. 5 (αx Lxx + αy Lyy ) φn+1 jk ∆t ! n+1 n − φ φ jk jk = −0.11). (6.12) e (6. (6. Como o termo do lado direito do sinal de igualdade é aproximadamente igual a    ∆t2 ∂ 3 φ ∆t2 ∂ 2 ∂ 2 ∂φ −αx αy = − + . (6. Eqs. Adicionando e subtraindo as duas equações discretizadas correspondentes aos dois subníveis. considerando em separado os fatores de amplificação dos dois algoritmos. Equação de Transporte Linear 109 enquanto que do algoritmo (6. vemos que enquanto o algoritmo global é incondicionalmente estável.15) resulta em n φn+1 jk − φjk − 0. constatamos que |G| ≤ 1 para qualquer valor de sx > 0.

é necessário que introduzamos condições de contorno para as variáveis φ∗jk que sejam compatíveis com a acurácia dos algoritmos resultantes do fracionamento. Passemos. podemos concluir que o esquema ADI em duas dimensões é incondicionalmente estável. y. n) jk φn+1 jk = φnjk  ∂φ . t) deve ser avaliada na forma   φ∗Jk = 0. 5 bn+1 + bnk − 0. possui acurácia de O (∆t2 . ∆x2 . Este método também pode ser estendido ao caso tridimensional. k. Para que tenhamos um erro de truncamento global de O (∆t2 ). Em três dimensões o método apresenta uma acurácia de segunda ordem no espaço e é apenas condicionalmente estável. Métodos Multidimensionais de Fracionamento 110 podemos concluir que o esquema composto é acurado de O (∆t2 . ∆y 2 ). sy e sz ≤ 1.6. vamos expandir φn+1 em série de Taylor em torno do ponto (j. uma condição de Dirichlet do tipo φ∗ (1. que no caso bidimensional se escreve na forma (1 + γ) n φnjk − φn−1 φn+1 jk jk − φjk −γ = (1 − β) (αx Lxx + αy Lyy ) φnjk ∆t ∆t + β (αx Lxx + αy Lyy ) φn+1 jk (6. t) = b(y.4. agora.17) n+1 Trabalharemos essa equação de forma a obtermos um algoritmo implícito em ∆φn+1 jk = φjk − φnjk . devendo ser fracionado em três sub–níveis (n + 1/3). Inicialmente. 25∆tαy Lyy bn+1 − bnk k k Finalmente. ∆x2 . ∆y 2 ) e apresenta uma resolução que possibilita o emprego do algoritmo de Thomas. à generalização do método de fracionamento aplicado ao caso do esquema geral de diferenças finitas a três níveis de tempo. 5 para que a estabilidade seja assegurada [11]. É necessário que tenhamos sx . Por exemplo.

.

n + ∆t .

temos que n+1 n n (1 + γ)∆φn+1 jk − γ∆φjk − ∆t (αx Lxx + αy Lyy ) φjk − β∆t (αx Lxx + αy Lyy ) ∆φjk = 0 ou ainda.17).   β∆t ∆t γ n+1 (αx Lxx + αy Lyy ) ∆φjk = (αx Lxx + αy Lyy ) φnjk + ∆φnjk 1− 1+γ 1+γ 1+γ onde ∆φnjk = φnjk − φn−1 jk . (6.18) . + O ∆t2 ∂t jk Empregando um esquema de diferenças avançadas na aproximação do termo de derivada de primeira ordem ! n+1  ∆φ jk n φn+1 + O ∆t2 jk = φjk + ∆t ∆t Substituindo este resultado na equação geral (6.

um esquema a dois níveis de tempo deve ser empregado a fim de que possamos avaliar a solução nos dois níveis de tempo iniciais. vemos aparecer um termo extra δ no lado esquerdo do sinal de igualdade  2 β∆t δ= αx αy Lxx Lyy ∆φn+1 jk 1+γ + Portanto. Equação de Transporte Linear 111 A fim de que possamos usar o algoritmo de Thomas. t) ∂y . t) .19) 1+γ onde. 5 o algoritmo a dois estágios é consistente com a equação diferencial parcial e possui um erro de truncamento de O (∆t2 . no segundo estágio empregamos   β∆t ∗ 1− αy Lyy ∆φn+1 jk = ∆φjk 1+γ e associado à cada coluna na direção do eixo y temos um sistema de equações cuja matriz dos coeficientes também é tridiagonal.18) deve ser substituída pela seguinte fatorização aproximada    β∆t β∆t ∆t 1− αx Lxx 1− αy Lyy ∆φn+1 (αx Lxx + αy Lyy ) φnjk jk − δ = 1+γ 1+γ 1+γ | {z } =∆φ∗jk γ ∆φnjk (6. ∂x ∂ φ(x. Veremos agora como proceder a fim de combinarmos condições de contorno do tipo Neumann com as técnicas de fracionamento. a Eq.Capítulo 6. ∆x2 . Por outro lado. ∆y 2 ) e é incondicionalmente estável. 0 ≤ y ≤ 1 as seguintes condições de contorno ∂ φ(1. Para a escolha particular de β = 0. No entanto. vamos impor para um domínio 0 ≤ x ≤ 1. Até aqui.19). y. enquanto que o ADI requer duas avaliações. A estrutura dessas equações é similar àquela do esquema ADI. (6. os métodos de fracionamento foram descritos e implementados para condições de contorno do tipo Dirichlet. (6. na Eq. isto quer dizer que a fatorização aproxima a equação implícita em ∆φn+1 com um jk erro da ordem de ∆t2 . 1. t) = g(y. A equação resultante da fatorização pode então ser implementada com o emprego de um algoritmo a dois estágios. 5 e γ = 0. t) = h(x. Durante o primeiro estágio devemos resolver   ∆t γ β∆t αx Lxx ∆φ∗jk = (αx Lxx + αy Lyy ) φnjk + ∆φnjk 1− 1+γ 1+γ 1+γ que dá origem a um sistema cuja matriz dos coeficientes é tridiagonal de equações associado à cada linha na direção do eixo x. A título de exemplo. Em se tratando do primeiro passo de tempo (n = 0). a presente implementação requer somente uma avaliação dos termos espaciais por passo de tempo.

Nos vários esquemas empregados anteriormente.4. φj+1k e φjk+1 podem ser avaliados empregando as seguintes igualdades φnJ+1k = φnJ−1k + 2∆x gkn . Portanto. t) são funções conhecidas. de modo análogo. os termos espaciais apresentaram uma acurácia de segunda ordem. Métodos Multidimensionais de Fracionamento 112 onde g(y. 2∆x Estas condições de contorno devem ser implementadas em conjunção com o esquema generalizado a dois níveis de tempo  ∗  ∆φj−1k − 2∆φ∗jk + ∆φ∗ j + 1k ∗ ∆φjk − β ∆t αx ∆x2   n   n φjk−1 − 2φnjk + ∆φn jk + 1 φj−1k − 2φnjk + ∆φn j + 1k + ∆t αy = ∆t αx ∆x2 ∆y 2 e ! n+1 n+1 ∆φn+1 jk + 1 jk−1 − 2∆φjk + ∆φ n+1 ∆φjk − β ∆t αy = ∆φ∗jk 2 ∆y Para os pontos que se encontram em x = 1 (j = J) e y = 1 (k = K). uma maneira acurada de implementarmos as condições de contorno do tipo Neumann deve empregar uma discretização de segunda ordem no espaço: φjk+1 − φjk−1 = hj (t) 2∆y φj+1k − φj−1k = gk (t) . t) e h(x.6. n+1 n+1 ∆φn+1 jk+1 = ∆φjk−1 + 2 ∆y ∆hj No primeiro estágio do fracionamento e para j = J devemos empregar   ∗ ∆φj−1k − ∆φ∗jk ∗ ∆φjk − 2 β ∆t αx ∆x2   n   n   φj−1k − φnjk + ∆x gkn φjk−1 − φnjk + ∆y hnj ∆gk∗ = 2∆t αx + αy + β αx ∆x2 ∆y 2 ∆x . ainda nos resta avaliarmos os termos ∆φ∗j+1k e ∆φn+1 jk+1 . Isto pode ser feito através das relações n+1 n ∆φn+1 j+1k = φj+1k − φj+1k n+1 = φj−1k − φnj−1k + 2 ∆x gkn+1 − gkn  n+1 = ∆φn+1 j−1k + 2 ∆x ∆gk e. φnjK+1 = φnjK−1 + 2∆y hnk Contudo.

de problemas que incluem a advecção. Equação de Transporte Linear 113 onde ∆gk∗ = (1 − β ∆t αy Lyy ) ∆gkn+1 Para o segundo estágio e k = K devemos usar ∆φn+1 jk − 2 β ∆t αy n+1 ∆φj−1k − ∆φn+1 jk 2 ∆y ! = ∆φ∗jk ∆hn+1 j + 2 β ∆y αy ∆y Caso g e h sejam constantes. O algoritmo FTCS aplicado à equação de advecção unidimensional (6. Esta é uma equação do tipo hiperbólica. Nesta seção.Capítulo 6.5 Equação de Advecção No estudo da equação de difusão nós examinamos previamente o comportamento dos termos de difusão ∂ 2 ϕ/∂x2 e ∂ 2 ϕ/∂y 2 . considerando a equação linear de advecção unidimensional ∂ϕ ∂ϕ +u =0 (6. Da teoria das equações diferenciais parciais sabemos que esta equação admite uma solução do tipo [18] ϕ(x.20) ∂t ∂x onde u é a velocidade e ϕ um campo escalar.20) resulta na seguinte equação algébrica  n  φn+1 − φnj φj+1 − φnj−1 j +u =0 ∆t 2∆x Essa equação pode ainda ser escrita na forma de um algoritmo  n n n φn+1 = φ − 0. Uma análise de consistência desse esquema nos mostra que ele é consistente com a equação de convecção e apresenta um erro de truncamento dado por ∆x2 ∂ 3 ϕ . iremos considerar os termos advectivos u ∂ϕ/∂x ou v ∂ϕ/∂y e veremos qual é a melhor maneira de tratá-los computacionalmente. 5C φ − φ j j+1 j−1 j onde C = u∆t/∆x é o número de Courant. Iniciaremos o nosso estudo. 6. os últimos termos do lado direito destas equações desaparecerão. 0) = f (x). t) = f (x − u t) para uma condição inicial dada por ϕ(x.

.

n ∆t ∂ 2 ϕ .

.

n ∆t2 ∂ 3 ϕ .

.

n n Ej = .

+ .

+u .

= −u ∂t2 ∂x2 ∂t3 ∂x3 .. Das relações entre as derivadas no tempo e no espaço. ∆x2 )..20). 2 ∂t2 j 6 ∂t3 j 6 ∂x3 j apresentando uma acurácia de O (∆t. temos que 2 3 ∂ 2ϕ ∂ 3ϕ 2∂ ϕ 3∂ ϕ = u . oriundas da equação de advecção (6. + .

5. Equação de Advecção 114 Dessas relações podemos reescrever o erro de truncamento em função unicamente das derivadas espaciais  2  3 .6.

n ∆x ∂ 2 ϕ .

.

n ∆x n 2 ∂ ϕ.

Ej = u C 1−C .

+u .

Assumindo que a velocidade u seja positiva  n  φn+1 − φnj φj − φnj−1 j +u =0 ∆t ∆x ou ainda..21) produz como resultado ∂ϕ . (6. φn+1 = (1 − C) φnj + C φnj−1 j (6.. de ϕ na Eq. Uma expansão da solução exata em série de Taylor. aplicada ao esquema FTCS. chegamos à expressão do fator de amplificação: G = 1 − i C sen θ cujo módulo é |G| = q 12 + (C sen θ)2 Portanto. |G| ≥ 1 para qualquer valor de θ e o algoritmo é incondicionalmente instável! Uma alternativa ao emprego do esquema de diferenças finitas centradas na discretização do termo espacial. na forma de um algoritmo.21) Para uma velocidade u negativa devemos empregar φn+1 = (1 − |C|) φnj + |C| φnj+1 j No algoritmo (6.21) (u > 0) a solução φn+1 é determinada a partir dos valores conhecidos à j montante do nó e por essa razão ele é designado por Upwind. n). pode ser a fórmula de diferenças recuadas. + . em torno do ponto (j. 2 ∂x2 j 6 ∂x3 j Da análise de estabilidade de Von Neumann.

.

n ∆t ∂ 2 ϕ .

.

n ∆x ∂ 2 ϕ .

.

n ∆t2 ∂ 3 ϕ .

.

n ∂ϕ .

.

n .

+u .

+ .

−u .

+ .

∂t j ∂x j 2 ∂t2 j 2 ∂x2 j 6 ∂t3 j  ∆x2 ∂ 3 ϕ .

.

n 3 3 +u + O ∆t . ∆x =0 .

ela parece ser consistente com a equação ∂ϕ ∂ϕ ∂ 2ϕ +u −α0 2 = 0 ∂t ∂x ∂x ao invés da equação de advecção. 5 u ∆x(1 − C). o uso da formulação do tipo Upwind para o termo espacial e do tipo diferenças avançadas para o termo transiente introduziu uma difusividade artificial (numérica) α 0 = 0. ∆x2 ). Portanto. 6 ∂x3 j Caso essa equação seja interpretada como tendo um erro de truncamento de O (∆t2 . Fica claro que para C = 1 essa difusividade .

Essa desigualdade é conhecida como a condição de Courant–Friedrichs-Lewy (CFL). a expressão do fator de amplificação proveniente da análise de estabilidade de Von Neumann  G = 1 + C e−iθ − 1 = 1 + C (cos θ − isen θ − 1) = 1 + C (cos θ − 1) − iCsen θ cujo módulo é dado por |G| = p 1 − 4C(1 − C)sen 2 (θ/2) e a condição de estabilidade. é verificada se C ≤ 1.Capítulo 6. Equação de Transporte Linear 115 numérica vale zero. agora. essa condição expressa o fato de que uma partícula de fluido não deve viajar mais do que um incremento de espaço ∆x num intervalo de tempo ∆t. Ela se aplica. Fisicamente. O método Leapfrog emprega uma formulação de diferenças finitas centradas no tempo e no espaço  n  φn+1 − φn−1 φj+1 − φnj−1 j j +u =0 2∆t 2∆x o que resulta no algoritmo φn+1 = φn−1 − C φnj+1 − φnj−1 j j  Esse algoritmo é consistente com a equação de advecção e apresenta como erro de truncamento  2 3 . Determinemos. aos esquemas explícitos empregados na discretização de equações diferenciais hiperbólicas. o que não é surpreendente visto que para este valor o algoritmo fornece a solução exata do problema [11]. em geral. |G| ≤ 1.

 ∆x ∂ ϕ .

n ∆t2 ∂ 3 ϕ .

.

n n Ej = .

+u .

∆x4 3 3 6 ∂t j 6 ∂x j  2  3 . + O ∆t4 .

n  5 .

n ∆x4 ∆x 2 ∂ ϕ.

4 ∂ ϕ.

= u 1−C 1−C .

+u .

podemos notar que na determinação da solução φn+1 o algoritmo “salta” j sobre o valor da solução φnj . + ... tal fato está na origem do nome do esquema. Nesse esquema. 6 ∂x3 j 120 ∂x5 j e um fator de amplificação que é dado pelas raízes da equação quadrática G2 + 2 i C G sen θ − 1 = 0 ou seja. mas que para C > 1 temos que |G| > 1 para determinados valores de θ. Assim. caso a condição de CFL seja verificada. A estrutura deste . o esquema Leapfrog possui uma condição de estabilidade neutra [11]. G = −i C sen θ ± √ 1 − C 2 sen 2 θ Podemos mostrar que a condição |G| ≤ 1 é verificada caso C ≤ 1.

em alguns casos. aqueles governados pela equação de advecção. O método Leapfrog é recomendado para problemas hiperbólicos. A solução nos “quadrados pretos” são completamente independentes da solução nos “quadrados brancos”. ele necessita de um método alternativo para o primeiro passo de tempo. à obtenção de duas soluções para um mesmo problema [11]. como por exemplo. a partir do truncamento do desenvolvimento em série de Taylor n+1 φn+1 − φnj ∆t ∂ 2 ϕ ∆t 2 ∂ 2 ϕ ∂ϕ ∼ φj − φnj j − − u = = ∂t ∆t 2 ∂t2 ∆t 2 ∂x2 Introduzindo uma formulação por diferenças centradas na discretização da derivada segunda do termo espacial nós obtemos  1  1 φn+1 = φnj − C φnj+1 − φnj−1 + C 2 φnj−1 − 2φnj + φnj+1 j 2 2 Esse algoritmo é consistente com a equação de advecção e apresenta um erro de truncamento de O (∆t2 .5. Essa particularidade pode levar. Equação de Advecção 116 algoritmo implica no fato de que a malha é tratada como sendo um tabuleiro de xadrez. O método de Lax–Wendroff está baseado na obtenção de uma representação de segunda ordem do termo transiente (∂φ/∂t) da Eq. (6.6. Como esse método utiliza um esquema a três níveis de tempo.20). ∆x2 )  2  3 .

n ∆x ∂ 2 ϕ .

.

n ∆x 2 ∂ ϕ.

n 1−C Ej = (u C − u C) .

+u .

2 ∂x2 j 6 ∂x3 j  3  2  3 ... + .

n  4 .

n ∆x ∆x 2 ∂ ϕ.

2 ∂ ϕ.

1−C 1−C = u .

− uC .

. for verificada. a seguir. de modo a obtermos o algoritmo n+1 n n n −0. Veremos..2) tomando γ = 0 e β = 0. 25Cφj−1 + φj − 0. todos os esquemas considerados enquadram–se na categoria dos métodos explícitos. 25Cφj+1 . C ≤ 1. 6 ∂x3 j 24 ∂x4 j Da análise de estabilidade obtemos para o fator de amplificação G = 1 + C 2 (cos θ − 1) − i C sen θ   θ 2 2 = 1 − i C sen θ − 2 C sen 2 e o algoritmo será estável se a condição de CFL. 5Lx φnj + 0. sabemos que o esquema de Crank–Nicolson é recuperado da equação geral a três níveis de tempo (6. 25Cφn+1 + 0. 25Cφn+1 j−1 + φj j+1 = 0. Conforme já visto. Até aqui. 5  φn+1 − φnj j + u 0. 5Lx φn+1 =0 j ∆t onde adotaremos para o operador Lx um esquema de discretização do tipo diferenças centradas. + . um exemplo de um método implícito aplicado à equação de advecção.

Equação de Transporte Linear 117 o qual pode ser resolvido efetivamente pelo algoritmo de Thomas. Esse esquema é consistente com a equação de advecção e apresenta um erro de segunda ordem em ∆t e ∆x ∂ϕ .Capítulo 6.

.

n+1/2 ∂ϕ .

.

n+1/2 ∆t ∂ 2 ϕ .

.

n+1/2 ∆t2 ∂ 3 ϕ .

.

n+1/2 ∆x ∂ 2 ϕ .

.

n+1/2 +u .

+ + +C .

.

.

.

∂t j ∂x j 2 ∂t2 j 6 ∂t3 j 2 ∂t∂x j ∆x2 ∂ 3 ϕ .

.

n+1/2 ∆x ∂ 3 ϕ .

.

n+1/2 +u + . = 0 +∆t ...

.

4 ∂ 2 t∂x j 12 ∂x3 j ou ainda.  ∆t ∆t ∂ 2 ϕ .

.

n+1/2 ∆t2 ∂ 3 ϕ .

.

n+1/2 − + .

.

2 2 ∂t2 j 6 ∂t3 j ∆x2 ∂ 3 ϕ .

.

.n+1/2 +u(1 + 3C) + . = 0 ..

12 ∂x3 j ∂ϕ .

.

n+1/2 ∂ϕ .

.

n+1/2 + u + .

.

∂t j ∂x j  donde  ∆x2 ∂ 3 ϕ .

.

.n+1/2 = u 1 + 3C − 2C + . ..

Portanto. uma perturbação. aplicado à equação de advecção unidimensional. embora possa haver um ganho na acurácia como no caso do esquema de Crank–Nicolson [11]. 6. produz como fator de amplificação dado por 1 − 0. este é um comportamento típico de uma equação diferencial parabólica e não de uma equação hiperbólica. é muito importante que os esquemas numéricos não introduzam nenhuma dissipação . Entretanto. O emprego destes esquemas nos leva a um sistema de equações acopladas no nível de tempo n + 1. 5 i C sen θ n+1/2 Ej 2 Fica claro que |G| ≤ 1 para todo θ e o esquema de Crank–Nicolson. C ≤ 1 para a equação de advecção.6 Dissipação e Dispersão Numéricas Na prática. n + 1). aplicada a esse esquema. é incondicionalmente estável. O uso de esquemas implícitos em EDPs hiperbólicas produzem soluções que não são acuradas se ∆t (ou C) for grande. 5 i C sen θ G= 1 + 0. As soluções destas equações são caracterizadas por um trem de ondas que se propaga com pouca ou nenhuma perda de amplitude. j). devida por exemplo a um erro de arredondamento. Fisicamente. o uso de esquemas implícitos para equações hiperbólicas não é necessariamente vantajoso. Caso ∆t seja pequeno. Tipicamente os esquemas implícitos aplicados à equação de advecção produzem algoritmos que são incondicionalmente estáveis. muitos problemas são governados por sistemas de equações que são do tipo “hiperbólico” que possui pouca ou nenhuma dissipação. 12 ∂x3 j A análise de estabilidade de Von Neumann. não existe vantagem no que diz respeito à estabilidade. introduzida em um determinado nó (n. Portanto. afetará a solução em todos os outros nós no próximo nível de tempo (j.

para ondas planas governadas pela equação de Korteweg de Vries:   −Γ + i m u − β m2 − V = 0 que. temos que Γ(m) = 0 e V (m) = u. elas vão se dispersar uma vez que irão se deslocar com velocidades diferentes. ondas de qualquer comprimento de onda propagam-se com a mesma velocidade e sem amortecimento. Devemos também esperar que estes esquemas não alterem a velocidade de propagação destas ondas. podemos escrever a solução descrevendo uma onda plana que se propaga sujeita a uma dissipação e dispersão na forma: ϕ= ∞ X ϕm exp [−Γ(m)t ] exp {i m [x − V (m)t ]} m=−∞ onde ϕm é um valor real positivo. Por outro lado.6. a amplitude da onda fica inalterada e as ondas irão propagar com velocidades diferentes. Caso existam ondas de mais de um comprimento de onda. ou seja. eles não devem introduzir nenhuma dispersão artificial. dependendo do comprimento de onda de cada uma delas. é verificada fazendo: Γ(m) = 0 e V (m) = u − β m2 Neste caso. Consideremos agora duas equações que estão estreitamente relacionadas com a equação de advecção ∂ϕ ∂ 2ϕ ∂ϕ +u −α 2 =0 ∂t ∂x ∂x e ∂ϕ ∂ϕ ∂ 3ϕ +u +β 3 =0 ∂t ∂x ∂x A primeira equação é a de transporte unidimensional e a segunda a forma linear da equação de Kortewey de Vries. Γ(m) determina o quão rapidamente a onda vai se atenuar e V (m) é a velocidade de propagação da onda. Caso esta equação represente uma solução da equação de advecção. Para ondas planas governadas pela equação de transporte. da primeira equação obtemos:  α m2 − Γ + i [m(u − V )] = 0 e esta igualdade é verificada para: Γ(m) = α m2 e V (m) = u Isto quer dizer que a onda será atenuada pelo termo difusivo mas a velocidade de propagação não será alterada. m é um número de onda que está relacionado com o comprimento de onda λ (λ = 2π/m). ou seja. A mudança na velocidade de propagação será mais pronunciada para os . por sua vez.6. Como m = 2π/λ. os pequenos comprimentos de onda serão atenuados mais rapidamente do que os grandes comprimentos de onda. De um modo geral. Dissipação e Dispersão Numéricas 118 que não seja a física.

Um algoritmo numérico que não introduza dissipação e nem dispersão numéricas. ondas de pequeno comprimento de onda irão se propagar mais lentamente. Neste mesmo intervalo de tempo.6. A dissipação está associada ao aparecimento de termos com derivadas espaciais de ordem par. podemos considerar separadamente os componentes da série de Fourier. o componente m da solução aproximada sofrerá um decréscimo de amplitude dado por exp [−Γ(m)∆t ] e terá avançado de uma distância igual a V (m)∆t. enquanto que a dispersão está associada aos termos com derivadas espaciais de ordem ímpar. Este erro de truncamento é tipicamente formado por sucessivas derivadas de alta-ordem pares e ímpares. Da análise de consistência das equações discretizadas.1 Análise de Fourier Informações quantitativas sobre a dissipação e a dispersão numéricas podem ser obtidas se compararmos. caso β seja positivo. 6. De maneira análoga ao caso da representação da solução exata. A relação entre estes termos e a dissipação e dispersão numéricas será vista mais adiante. as representações em série de Fourier das soluções exata e aproximada. Podemos formalmente definir a dissipação como sendo a atenuação da amplitude das ondas planas e a dispersão como sendo a propagação de ondas planas com diferentes comprimentos de onda e velocidades. sabemos que estas equações são equivalentes às equações diferenciais originais acrescidas de um erro de truncamento.Capítulo 6. vamos aplicar este resultado ao caso do esquema “upwind”: Gm = 1 + C [cos(m∆x) − 1] − i C sen (m∆x) . Podemos obter expressões para Γ(m) e V (m) se substituirmos a representação em série de Fourier da solução aproximada no algoritmo computacional e construirmos a relação de amplitude do componente m para um simples passo de tempo Gm = φm exp [−Γ(m) (t + ∆t)] exp {i m [x − V (m) (t + ∆t)]} φm exp [−Γ(m)t ] exp {i m [x − V (m)t ]} = exp [−Γ(m)∆t ] exp [−i mV (m)∆t ] A título de exemplo. o componente m da solução exata da equação de advecção unidimensional (Γ(m) = 0 e V (m) = u). podemos dizer alguma coisa sobre o papel das derivadas de mais alta ordem. Equação de Transporte Linear 119 pequenos comprimentos de onda. terá mantido a sua amplitude constante e terá avançado de uma distância igual a u ∆t. Durante um intervalo de tempo ∆t. Assim. para um algoritmo particular. podemos introduzir uma representação em série de Fourier para a solução aproximada φ= ∞ X φm exp [−Γ(m)t ] exp {i m [x − V (m)t ]} m=−∞ Caso a equação algébrica do algoritmo considerado seja linear. deverá ter Γ(m) igual a zero e V (m) igual a velocidade u. Dos dois exemplos anteriores.

vemos que o fator decrescerá ou permanecerá inalterado caso Γ(m) ≥ 0. portanto. 5 m ∆x) Desta representação do fator de amplificação. para pequenos valores do comprimento de onda. A velocidade de propagação V (m) está associada à fase ωm do fator de amplificação Gm na forma:   −C sen (m∆x) −1 ωm = −m V (m) ∆t = tg 1 + C [cos(m∆x) − 1] Observamos que como Gm é um número imaginário. Gm = a + i b. conforme esquematizado na Figura 6. Dissipação e Dispersão Numéricas 120 Im |Gm | b ωm a Re Figura 6. sabemos que ωex = −m u ∆t = −C m ∆x.6. No caso da solução exata. a velocidade de propagação (ou a fase) é acurada para valores pequenos de m ∆x e o erro crescerá à medida que m ∆x → π. . isto é. o ângulo de fase é obtido através da relação: tg ωm = b/a. Deste resultado podemos escrever q −Γ(m)∆t {1 + C [cos(m∆x) − 1]}2 + [−C sen (m∆x)]2 |Gm | = e = = p 1 − 4C(1 − C)sen 2 (0. Notamos também que a atenuação será máxima para m ∆x = π.     ωm V −1 −C sen (m∆x) −1 = = tg ωex u C m ∆x 1 + C [cos(m∆x) − 1] Assim.2. que representa exatamente o mesmo resultado que o obtido pela análise de estabilidade de Von Neumann para o fator de amplificação. podemos dizer que a instabilidade esta associada a uma dissipação negativa. Assim.6.2: Ângulo de fase.

o menor comprimento de onda que pode ser representado numa malha finita é λ = 2∆x e este valor corresponde a m ∆x = π. devemos obter uma expressão do erro de truncamento na seguinte forma: La (φ) = L(φ) + E(φ) = 0 onde na equação algébrica a solução aproximada φ foi expandida em série de Taylor. uma vez que o desenvolvimento em série de Taylor pressupõe ∆t e ∆x pequenos. Isto nos sugere que um exame do erro de truncamento também possa nos permitir um identificação da tendência da dissipação e da dispersão numéricas de um algoritmo computacional particular. Ela é chamada de equação modificada e é a equação que de fato devemos resolver.2 Equação Modificada Vimos nas seções anteriores que a dissipação e a dispersão numéricas podem estar associadas com a ocorrência das derivadas espaciais de segunda e terceira ordem respectivamente. A equação modificada também pode ser empregada para se demonstrar a consistência e a acurácia do algoritmo computacional. em ∆x. . Do nosso desenvolvimento prévio do erro de truncamento sabemos que: L(ϕ) = La (ϕ) − Ejn (ϕ) = 0 Na aplicação desta técnica. Assim.Capítulo 6. permitem a obtenção de expressões para a dissipação e a dispersão para diferentes algoritmos e para qualquer valor de m ∆x. a equação algébrica. Grandes comprimentos de onda correspondem a m ∆x → 0. 6. o erro de truncamento deve ser interpretado de uma forma especial. Na equação modificada as derivadas de ordem par estão associadas à dissipação e as de ordem ímpar à dispersão numéricas. caso seja fornecido um número suficiente de condições de contorno. Equação de Transporte Linear 121 A introdução da representação em série de Fourier para as soluções exata e numérica e a conseqüente determinação do fator de amplificação. Conforme já havíamos tido a oportunidade de verificar.6. Esta equação deve ser trabalhada a fim de que E(φ) contenha somente derivadas espaciais. podemos deduzir as propriedades dissipativas e dispersivas do esquema algébrico para grandes comprimentos de onda. devemos diferenciar La (φ) repetidamente no intuito de eliminarmos as derivadas temporais. acima. dos resultados mostrados. considerando os termos pares e ímpares de mais baixa ordem. O comportamento para pequenos comprimentos de onda não é descrito. para o componente m. do erro de truncamento. ou seja. Assumiremos que L(ϕ) = 0 representa a equação diferencial original e que La (φ) = 0 representa a formulação oriunda da discretização da equação diferencial. Este desenvolvimento contrasta com o anterior. Portanto. A equação L(φ) + E(φ) = 0 é uma equação diferencial com um número infinito de termos. devemos esperar que os pequenos comprimentos de onda sejam os mais afetados caso o esquema numérico introduza dissipação e dispersão numéricas. Entretanto. no qual empregávamos L(ϕ) = 0 na simplificação do erro de truncamento. para este fim. Neste sentido.

. ∂ 3φ + ... 3 ∆t ∂ 3 φ ∂ 2φ 3 ∆t ∂ φ + u − + ... ∂x3 e. . ∆x2 ). = 0 ∂t ∂x |2 ∂t2 6 ∂t3{z 6 ∂x3 } =E(φ) as derivadas temporais são eliminadas mediante a derivação da equação acima e vamos considerar. explicitando-se o erro de truncamento E(φ) = u C  3 ∆x ∂ 2 φ ∆x2 2 ∂ φ + u 1 + 2C + .6. enquanto que a análise de Fourier só pode ser aplicada às equações lineares... ∂t2 ∂x2 ∂x3 Substituindo–se estes resultados na expressão do erro 2 3 2 3 ∂φ ∆x2 ∂ 3 φ ∂φ ∆t ∂ 2 φ 3 ∆t ∂ φ 3 ∆t ∂ φ +u + u2 + u − u + u + . A técnica da equação modificada pode ser estendida ao caso das equações não lineares. os termos até segunda ordem: ∆t ∂ 3 φ ∆t2 ∂ 4 φ ∆x2 ∂ 3 − − − u 2 ∂t3 6 ∂t4 6 ∂x3   2 ∆t ∂ 3 φ ∆t ∂ ∂ 2 φ 2∂ φ = u − + u + . Dissipação e Dispersão Numéricas 122 Empregando a técnica da equação modificada ao esquema FTCS ∂φ ∂φ ∆t ∂ 2 φ ∆t2 ∂ 3 φ ∆x2 ∂ 3 φ +u + + +u + ..... 2 ∂x2 6 ∂x3 Esta equação é consistente com a equação de advecção e apresenta uma acurácia de O (∆t. ∂x2 2 ∂x3 2 ∂t3 ∂ 3φ ∂ = −u 3 ∂t ∂x = −u3  ∂ 2φ ∂t2  ∆x2 ∂ 3 ∆t ∂ 4 φ ∆t2 ∂ 5 φ − −u − 2 ∂t4 6 ∂t5 6 ∂x3  ∂ 2φ ∂t2  + .. somente....6.. 2 ∂ 3φ ∂ 2φ 2∂ φ 3 = u + u ∆t + . ∂x2 2 ∂x ∂t2 2 ∂t3 ∂ 2φ ∂ = −u ∂t2 ∂x = u2  ∂φ ∂t   ∂φ ∂t  + . portanto. = 0 3 ∂t ∂x | 2 ∂x2 2 ∂x3 6 ∂x3 {z 6 ∂x } =E(φ) ou ainda... O erro de truncamento apresenta um termo de dissipação numérica de primeira ordem e um termo de dispersão numérica de segunda ordem.

Em muitos problemas de transporte (mecânica dos fluidos. Em uma dimensão esta equação é dada por: d2 ϕ dϕ −α 2 =0 u dx dx sendo que ela representa o balanço. 5P ec ) φj+1 = 0 onde P ec = u∆x/α é o número de Péclet de célula definido em termos de ∆x. transferência de calor. . ondas que se propagam sem amortecimento. combinada com uma camada limite adjacente a x = 1. para valores elevados de u/α. para grandes valores de u/α. etc). Equação de Transporte Linear 6. os mecanismos de dissipação só são importantes numa fina camada adjacente à fronteira. Lembremo–nos que as soluções exatas da equação de advecção são. A equação de transporte apresentará. um comportamento similar ao da equação de advecção. Como no caso da equação de difusão. a equação de transporte é parabólica e requer o mesmo tipo de condições de contorno e inicial. A fim de examinarmos o comportamento das soluções computacionais desta equação. Para α igual a viscosidade dinânica ν temos o número de Reynolds de célula Rec . Empregando formulações do tipo diferenças centradas na discretização dos termos espaciais da equação de advecção–difusão em regime permanente. vamos considerar que u e α são constantes. A equação de transporte em regime permanente é um modelo útil para ilustrarmos este fenômeno. 0. então. Caso tenhamos como condições de contorno para 0 ≤ x ≤ 1 ϕ(0) = 0 e ϕ(1) = 1.Capítulo 6. obtemos o seguinte algoritmo: − (1 + 0. Portanto. tipicamente.7 123 Equação de Transporte Unidimensional A equação de transporte unidimensional é escrita na forma ∂ϕ ∂ϕ ∂ 2ϕ +u −α 2 =0 ∂t ∂x ∂x onde ϕ é um campo escalar passivo que está sendo advectado com uma velocidade conhecida u e sendo dissipado. em regime permanente. podemos esperar que os dois primeiros termos desta equação predominem. 5P ec ) φj−1 + 2φj − (1 − 0. podemos esperar que as soluções da equação de transporte se comportem como ondas que se propagam com pequenos amortecimentos. Entretanto. entre a advecção e a difusão. 0 a solução exata desta equação é dada por: ϕ(x) = eux/α − 1 eu/α − 1 onde esta solução é caracterizada por uma distribuição uniforme de ϕ.

  .        a b c   φJ−2   0  a b φJ−1 −cφJ onde a = −(1 + 0. Consideremos uma equação diferencial parcial do tipo ∂ϕ = L(ϕ) ∂t .    . b = 2 e c = −(1 − 0... ....       a b c    φj  =  0    ..   . . em torno do ponto j. Equação de Transporte Unidimensional 124 Uma expansão em série de Taylor. Do cálculo dos autovalores da matriz A. Quando as equações são escritas para todos os nós da malha. ... vemos que eles serão reais se a c ≥ 0. soluções oscilatórias poderão ser evitadas se P ec ≤ 2. Também é possível. caso representemos o sistema de equações na forma Aφ = d.6. os autovalores da matriz dos coeficientes têm muito a nos dizer sobre o comportamento da solução numérica. as soluções oscilatórias coincidem com a existência de autovalores complexos da matriz dos coeficientes.. = 0 dx dx 6 dx3 apresentando uma acurácia de segunda ordem em ∆x. para este caso relativamente simples.. os autovalores da matriz tridiagonal podem ser determinados analiticamente:   √ jπ λj = b + 2 a c cos J −1 para j variando de 1 a J −2. Por ser uma matriz tridiagonal... 5P ec ). obtermos uma solução exata para o sistema de equações:  j−1 1 − 0.   .   ..  . podemos empregar o algoritmo de Thomas na obtenção da solução deste sistema de equações:      b c φ2 −aφ1  a   φ3   0  b c   . Deste resultado. Portanto. 5P ec onde K1 e K2 são escolhidos de maneira a satisfazerem as condições de contorno.    . Assim. indica que este algoritmo é consistente com a equação de advecção–difusão u dϕ d2 ϕ ∆x2 d3 ϕ −α 2 +u + . vemos claramente que a solução apresentará oscilações caso P ec > 2.  . . ou seja: a c = (1 + 0. 5P ec ) (1 − 0.. nos deparamos com uma matriz dos coeficientes que é tridiagonal.   . 5P ec ). Em geral. 5P ec ) ≥ 0 cuja restrição é verificada para P ec ≤ 2. 5P ec φj = K1 + K2 1 + 0..7.   . Neste caso em questão..

Equação de Transporte Linear 125 com as seguintes condições inicial e de contorno: ϕ(~r. t) t>0 Após termos procedido a uma discretização do operador diferencial espacial. Do Cálculo. sabemos que a solução geral da equação diferencial ordinária será dada por ¯ = φ(t) N  X C0j e λj t j=1 s¯j − λj  ~vj Da condição inicial para t = 0 podemos determinar a constante C0j C0j = φ0j + s¯j λj . 0) = f (~r ) t=0 ϕ(~r. podemos também escrever s= N X s¯j ~vj j=1 Inserindo estes vetores na equação diferencial ordinária dφ¯j = λj φ¯j + s¯j dt uma vez que a matriz dos coeficientes é diagonalizada pelas matrizes Q cujas colunas são formadas pelos autovetores da matriz dos coeficientes −1 Q AQ = D onde D é uma matriz diagonal cujos elementos da diagonal principal são os autovalores da matriz A. obtemos o seguinte sistema de equações diferenciais ordinárias: dφ = Aφ + s dt Considerando que os autovetores ~vj da matriz dos coeficientes formam uma base vetorial completa para o espaço de funções avaliadas nos nós da malha.Capítulo 6. podemos escrever a solução exata da equação diferencial ordinária como uma combinação linear destes vetores φ= N X φ¯j (t)~vj j=1 Assumindo que s é independente do tempo. t) = g(~r.

o uso do esquema “Upwind” de primeira ordem. todos os autovalores da matriz serão reais. Para u positivo. portanto. para que tenhamos soluções que sejam acuradas. previnirá a existência de soluções oscilatórias. somente. primeira ordem em ∆x. chegamos a forma final da solução ¯ = φ(t) N  X j=1 φ0j e λj t   s¯j λj t − e − 1 ~vj λj Desta solução. Equação de Transporte Unidimensional 126 Assim. Uma expansão em série de Taylor (em torno do ponto j) indica que este algoritmo é consistente com a equação de advecção–difusão e possui uma acurácia de. nos sugerem que uma representação do esquema “Upwind” empregando quatro pontos deve ser necessária. O comportamento oscilatório da representação empregando diferenças centradas e a natureza muito dissipativa do esquema “Upwind”. 5P ec ) φj − φj+1 = 0 Do cálculo dos autovalores da matriz A a c = − (1 + P ec ) (−1) = 1 + P ec > 0 e. introduziu uma difusividade artificial α 0 = 0. deveríamos ter α 0 = 0. Caso este esquema seja tratado como sendo de segunda ordem em ∆x. De fato. A substituição da representação por diferenças centradas por um esquema do tipo “Upwind” na discretização da equação de convecão–difusão. a seguinte representação deve ser apropriada: dϕ ∼ = a φj−2 + b φj−1 + c φj + d φj+1 dx Expandindo ϕ em série de Taylor em torno do ponto j dϕ . ele será consistente com a seguinte equação diferencial ordinária u d2 ϕ dϕ − α (1 + 0.7. 5P ec ) 2 = 0 dx dx ou seja. Portanto. a fim de que possamos obter resultados que sejam satisfatórios. 5αP ec . 5 P ec  1 que é muita mais restritiva do que a condição P ec ≤ 2. para u > 0. podemos concluir que as soluções oscilatórias estão associadas à existência de autovalores complexos da matriz dos coeficientes e que estas oscilações serão limitadas caso a parte real dos autovalores seja negativa. para o termo advectivo. neste caso temos o seguinte algoritmo − (1 + P ec ) φj−1 + 2 (1 + 0.6.

.

dϕ .

.

∆x2 d2 ϕ .

.

.

= (a + b + c + d)ϕj + (d − 2a − b)∆x .

+ (4a + b + d) .

dx j dx j 2 dx2 j .

Equação de Transporte Linear 127 ∆x3 d3 ϕ .Capítulo 6.

.

.

. Aplicando o método da equação modificada. c e d em termos de a   1 1 + 3a . 6 dx3 j Para que a igualdade seja verificada. temos que determinar os coeficientes mediante a resolução do sistema abaixo   a+b+c+d = 0 (d − 2a − b)∆x = 1  4a + b + d = 0 +(d − 8a − b) Resolvendo para os coeficientes b. 5)P ec ] φj−1 + (2 + σP ec ) φj 3 h σ  i − 1+ 0. c = 3a. obtemos o seguinte algoritmo para a equação de advecção– difusão: σ P ec φj−2 − [1 + (σ + 0.. Além do mais. Empregando esta representação para o termo advectivo e uma discretização por diferenças centradas para o termo difusivo. 5 apresenta uma acurácia de terceira ordem em ∆x. + . para σ = 0. podemos obter a equação que é de fato resolvida por este algoritmo [11]:   dφ d2 φ ∆x2 d3 φ 1 ∆x3 d4 φ u − α 2 + u(1 − 2σ) + u 2σ − dx dx 6 dx3 P ec 12 dx4 ∆x4 d5 φ + ··· = 0 120 dx5 Vemos que esta equação é consistente com a equação de advecção–difusão e para o valor particular σ = 0. O parâmetro σ controla esta modificação e para σ = 0 recuperamos o esquema de diferenças centradas. esta expressão deve ser substituída por   dϕ ∼ φj+1 − φj−1 φj−1 − 3φj + 3φj+1 − φj+2 +σ = dx 2∆x 3∆x Estas representações foram escritas de propósito como sendo uma modificação da representação por diferenças centradas. d = −a b=− 2∆x 2∆x Fazendo a = σ/3∆x dϕ ∼ φj+1 − φj−1 +σ = dx 2∆x  φj−2 − 3φj−1 + 3φj − φj+1 3∆x  No caso de u ser negativo. 5 +u(1 − 10σ) . onde a matriz A é tetradiagonal. 5 P ec φj+1 = 0 3 Esta estrutura introduz uma complicação adicional que é a de se resolver um sistema Aφ = d.

introduziu um termo de dissipação e um termo de dispersão. esta equação será consistente com a seguinte equação diferencial parcial: ∂ϕ ∂ 2 ϕ ∆t ∂ 2 ϕ ∂ϕ +u −α 2 + =0 ∂t ∂x ∂x 2 ∂t2 Isto quer dizer que um termo adicional. podemos obter a equação modificada em termos somente das derivadas espaciais   2 2 ∂φ ∆x2 ∂ 3 φ ∂φ 0 ∂ φ 3 ∆t +u − (α − α ) 2 − uα∆t + u −u ∂t ∂x ∂x 3 6 ∂x3   4 2 ∆x2 ∂ φ 2 2 2 4 3 2 ∆t∆x + 0.n). Assim. Uma expansão em série de Taylor em torno do ponto (j. tempo. percebemos que o uso de um esquema de discretização de primeira ordem no. Equação de Transporte Unidimensional 128 e P ec = 1 temos um esquema de quarta ordem em ∆x. foi incluído na equação diferencial parcial que é consistente com o algoritmo FTCS. para que a dissipação numérica não seja comparável à difusão física 2α α 0  α ∴ ∆t  2 u ou ainda. ∆x2 ). abordaremos agora a equação de transporte unidimensional em regime transiente. 5C)φnj−1 + (1 − 2s)φnj + (s − 0. Portanto. previamente interpretado como o primeiro termo do erro de truncamento.6. veremos os esquemas implícitos. ∆x2 ). Seguindo o desenvolvimento apresentado anteriormente. o valor de P ec dependerá da solução local. = 0 12 6 ∂x4 onde α 0 = u2 ∆t/2. indica que este algoritmo é consistente com a equação de transporte apresentando um erro de truncamento de O (∆t. 5C)φnj+1 j onde s = α∆t/∆x2 e C = u∆t/∆x. 5α ∆t − u α∆t + 0. 2 P ec  C Estas restrições são um grande incentivo para que utilizemos esquemas de discretização de segunda ordem para o termo transiente da equação de transporte. em seguida. O esquema FTCS aplicado à equação de transporte unidimensional produz: φn+1 − φnj φnj+1 − φnj−1 φnj+1 − 2φnj + φnj−1 j +u −α =0 ∆t 2∆x ∆x2 donde obtemos o algoritmo φn+1 = (s + 0. . Considerando que o erro de truncamento seja de O (∆t2 . Nestes casos. Visto alguns casos aplicados à equação de advecção–difusão em regime permanente. Em se tratando de problemas advectivos não lineares. ambos de primeira ordem em ∆t.. não será possível obtermos um esquema de quarta ordem para todo o domínio computacional..7. 25u ∆t − α +u + . Iniciaremos com o estudo de alguns esquemas explícitos e.

Capítulo 6. ∆x). Equação de Transporte Linear 129 A análise de estabilidade de Von Neumann aplicada ao esquema FTCS produz o seguinte resultado: G = 1 − 2s(1 − cos θ) − i Csen θ A condição de estabilidade |G| ≤ 1 implica nas seguintes restrições [11]: 0 ≤ C 2 ≤ 2s ≤ 1 Estritamente falando. para u positivo. Da análise de estabilidade de Von Neumann p −B ± B 2 + 4 (1 − 4s2 ) G= 2(1 + 2s) onde B = −(4 s cos θ − i 2 C sen θ). aplicando a técnica da equação modificada [11] obtemos: ∂φ ∂φ ∂ 2φ ∆x ∂ 2φ +u −α 2 −u (1 − C) 2 ∂t ∂x ∂x 2 ∂x . Caso optemos pela utilização do esquema do tipo “Upwind” na discretização do termo advectivo. precisamos assegurar que ∆t  ∆x (C 2  1) para que este algoritmo seja consistente com a equação de transporte. estas condições permitem soluções estáveis para P ec = C/s > 2. Podemos mostrar que para C ≤ 1 o algoritmo é estável e não existem restrições impostas em s [11]. o que introduz a possibilidade de obtermos soluções oscilatórias. Tal fato representa na prática uma restrição muito severa. Por outro lado. para estes valores do número de Péclet de célula devemos obter soluções que não são acuradas. temos que a equação discretizada é dada na seguinte forma: φn+1 − φnj φnj − φnj−1 φnj−1 − 2φnj + φnj+1 j +u −α =0 ∆t ∆x ∆x2 cujo algoritmo associado é: φn+1 = (s + C)φnj−1 + (1 − 2s − C)φnj + sφnj+1 j Expandindo em série de Taylor. podemos mostrar que esta equação é consistente com a equação de transporte unidimensional com um erro de O (∆t. Do esquema de DuFort–Frankel aplicado à equação de transporte unidimensional nós obtemos:  φnj+1 − φn+1 φn+1 − φn−1 + φjn−1 + φnj−1 φnj+1 − φnj−1 j j j +u −α =0 2∆t 2∆x ∆x2 cujo algoritmo correspondente é:       2s + C 1 − 2s 2s − C n+1 n n φj+1 + φj−1 + φn−1 φj = j 1 + 2s 1 + 2s 1 + 2s Uma expansão em série de Taylor indica que ao contrário do caso da equação de difusão. Contudo.

5 u ∆x(1 − C) Para que este esquema gere soluções acuradas. obtemos para o fator de amplificação:  G = 1 + 2 0. 5 C 2 + 2s φnj−1 − 2φnj + φnj+1 j Da equação modificada.. Este resultado é consideravelmente mais restritivo do que o correspondente obtido para a equação de difusão. Equação de Transporte Unidimensional    ∂ 3φ ∆x2 2 − αC∆x − u 1 − 3C + 2C + . ∆x2 ) [11]    ∂ 3φ ∂φ ∂φ ∂ 2φ ∆x2 2 2 +u − α 2 − u s ∆x − u 1−C + . ou ainda. podemos mostrar que este algoritmo é consistente com a equação de transporte unidimensional. As maiores restrições encontradas no que diz respeito à obtenção de soluções acuradas. via o método de Von Neumann..7. reside no fato de empregarmos aproximações de primeira ordem das derivadas parciais. 5 C 2 + s (cos θ − 1) − i C sen θ . não introduz uma difusividade numérica e apresenta um erro de truncamento de O (∆t2 . = 0 6 ∂x3 Podemos perceber que este esquema de discretização introduz um termo de dissipação numérica de primeira ordem em ∆x: α 0 = 0. P ec  2 1−C Do cálculo do fator de amplificação..130 6. o esquema de Lax–Wendroff fornece uma maneira de obtermos um algoritmo que possui acurácia de segunda ordem no tempo e no espaço φn+1 − φnj φnj+1 − φnj−1 φnj−1 − 2φnj + φnj+1 j +u −α ∆t 2∆x ∆x2 ∆x φnj−1 − 2φnj + φnj+1 −u C =0 2 ∆x2 ou ainda. Neste sentido. na forma de um algoritmo    φn+1 = φnj − 0. = 0 ∂t ∂x ∂x 6 ∂x3 Aplicando a análise de estabilidade de Von Neumann. temos que G = 1 − (2s + C)(1 − cos θ) − i C sen θ e para que a condição de estabilidade seja verificada q |G| = [1 − (2s + C)(1 − cos θ)]2 + C 2 sen 2 θ ≤ 1 Esta desigualdade é satisfeita se 2s+C ≤ 1. 5 C φnj+1 − φnj−1 + 0. devemos exigir que α 0  α..

5u + ∆t 2∆x 2∆x −0. O uso de formulações do tipo diferenças centradas na discretização dos operadores espaciais. 5 ≤ β ≤ 1 quando aplicados à equação de difusão. 5. ele é chamado de Crank– Nicolson. evitamos o problema da difusão artificial que aprecem devido aos termos de primeira ordem no erro de truncamento. = 0 ∂t ∂x ∂x 6 2 ∂x3 12 ∂x4 Podemos constatar que esta equação é consistente com a equação de transporte e apresenta um erro de truncamento da ordem de ∆t2 e ∆x2 . Entretanto.Capítulo 6. vamos utilizar o esquema implícito geral a dois níveis de tempo na discretização da equação de transporte unidimensional φn+1 − φnj j + (1 − β) (uLx − αLxx ) φnj + β (uLx − αLxx ) φn+1 =0 j ∆t Este esquema é conhecido pelo nome de trapezoidal e. 5C)φn+1 j−1 + 2(1 + s)φj j+1 = (s + 0. Agora. |G| ≤ 1. 5C)φnj+1 Empregando a técnica da equação modificada. para que não tenhamos soluções oscilatórias devemos verificar a seguinte condição de restrição: P ec ≤ 2. nos conduz às seguintes restrições [11]:  0 ≤ C 2 ≤ 2 0. nós obtemos: G= 1 − s(1 − cos θ) − i 0. na forma de um algoritmo n+1 n −(s + 0.. . para β = 0. 5α n+1 + φn+1 φnj−1 − 2φnj + φnj+1 φn+1 j−1 − 2φj j+1 + ∆x2 ∆x2 ! =0 ou ainda. 5C)φj−1 +2(1 − s)φnj + (s − 0. Da determinação do fator de amplificação. embora originariamente ele tenha sido desenvolvido para a equação de difusão [11]. Assim. obtemos [11]:   2  4 ∂φ ∂φ ∂ 2φ C 2 ∂ 3φ ∆x2 2 ∆x 2 ∂ φ +u −α 2 +u 1+ − α 1 + 3C + . 5Csen θ e a condição de estabilidade é verificada sem que nenhuma restrição seja imposta sobre os valores de C e s. 5C)φn+1 − (s − 0. tivemos a oportunidade de verificarmos que os esquemas a dois níveis de tempo são incondicionalmente estáveis para 0. 5 C 2 + s ≤ 1 No decorrer deste curso. resulta na seguinte equação algébrica: ! n+1 φn+1 − φnj φnj+1 − φnj−1 φn+1 j+1 − φj−1 j + 0. 5Csen θ 1 + s(1 − cos θ) + i 0. via o método de Von Neumann.. Equação de Transporte Linear 131 e a condição de estabilidade.

5Csen θ| ( )1/2 [1 − s(1 − cos θ)]2 + (0. 5C + σC)φnj−1 3 3   σC n +(2 − 2s − σC)φj + s − 0. na discretização do termo advectivo. Equação de Transporte Unidimensional 132 Da análise de Fourier podemos também determinar o fator de amplificação Gm e o ângulo de fase ωm : |1 − s(1 − cos θ) − i 0. 5Csen θ)2 |Gm | = e ωm = tg −1  −C sen θm 1 − [s (1 − cos θm )]2 − (0. por exemplo. 5Csen θm )2  Uma outra alternativa ao emprego de uma formulação por diferenças centradas. 5Csen θ| |1 + s(1 − cos θ) + i 0. A equação equivalente que é efetivamente resolvida numericamente é obtida a partir do emprego da técnica da equação modificada [11]   ∂φ 1 − 2σ C 2 ∂ 3 φ ∂φ ∂ 2φ 2 +u − α 2 + u∆x + ∂t ∂x ∂x 6 12 ∂x3 . 5α ∆x2 ∆x2 ! Escrevendo este resultado na forma de um algoritmo σC n+1 n+1 φ − (s + 0.6. 5C + σC)φn+1 j−1 + (2 + 2s + σC)φj 3 j−2   σC σC n n+1 − s − 0. Este sistema deve ser resolvido a cada passo de tempo com o emprego. 5u + ∆t 2∆x 2∆x n+1 n+1 − φn+1 φnj−2 − 3φnj−1 + 3φnj − φnj+1 φn+1 j−2 − 3φj−1 + 3φj j+1 +0. 5uσ + 3∆x 3∆x ! n+1 + φn+1 φnj−1 − 2φnj + φnj+1 φn+1 j−1 − 2φj j+1 + =0 −0. seria o emprego de uma discretização do tipo “Upwind” a quatro pontos. do algoritmo de Thomas generalizado.7. 5Csen θ)2 = [1 + s(1 − cos θ)]2 + (0. Para um valor de u positivo: ! n+1 n+1 n n n φ − φ φn+1 − φ φ − φ j j+1 j−1 j+1 j−1 j + 0. 5C + φnj+1 3 Este algoritmo produz um sistema de equações cuja matriz dos coeficientes é tetradiagonal. 5C + φj+1 =− φj−2 + (s + 0.

5Cy ) φnjk−1 + (sy − 0. no caso unidimensional. Equação de Transporte Linear ∆x3 −u P ec  1 − 2σP ec C 2 + 12 4 133  ∂ 4φ + . 5Cy ) φnjk+1 . σ ≥ −3/P ec [11]. = 0 ∂x4 Nesta equação. Em duas dimensões sabemos que a equação de transporte linear se escreve na seguinte forma: ∂ϕ ∂ϕ ∂ϕ ∂ 2ϕ ∂ 2ϕ +u +v − αx 2 − αy 2 = 0 ∂t ∂x ∂y ∂x ∂y Devemos também esperar que os mesmos tipos de restrições encontradas. o termo dispersivo pode ser eliminado com a escolha de σ = 0. 5 +   − cos θ) (1 − cos θ) + iCsen θ 0. Para escoamentos nos quais P ec  1.Capítulo 6. ou seja. são comparáveis às encontradas quando do estudo da equação de difusão. Tomaremos como exemplo de aplicação de um método explícito a versão bidimensional do esquema FTCS. 6. 5Cx ) φj−1k + (1 − 2sx − 2sy ) φjk + (sx − 0. existam como condição para que haja estabilidade no problema bidimensional. Para este valor de σ e para grandes valores do número de Péclet de célula. empregado na discretização da equação de transporte bidimensional:  n   n  n φn+1 φj+1k − φnj−1k φjk+1 − φnjk−1 jk − φjk +u +v ∆t 2∆x 2∆y  n   n  φj−1k − 2φnjk + φnj+1k φjk−1 − 2φnjk + φnjk+1 −αx − αy =0 ∆x2 ∆y 2 Desta equação resulta o algoritmo n n n φn+1 jk = (sx + 0. u∆x3 /P ec = α∆x2 . a condição de estabilidade é assegurada caso σ ≥ −3s.8 Equação de Transporte Bidimensional As complicações adicionais que encontraremos. na passagem do caso unidimensional ao bidimensional.  1− s+  G= 1+ s+ σC (1 3 σC (1 3   − cos θ) (1 − cos θ) − iCsen θ 0. 5Cx ) φj+1k + (sy + 0. 25C 2 . 5 + σC (1 3 σC (1 3  − cos θ)  − cos θ) Portanto.. 5 + 0.. o termo dissipativo de mais baixa ordem introduz uma dissipação positiva. Da análise de estabilidade de Von Neumann temos que  iθ −iθ  h  i e −e σC −i2θ −iθ iθ −iθ iθ − 3e − e − C +s e −2+e 2− 3 e 2   i G= h −i2θ − 3e−iθ − eiθ ) + C eiθ −e−iθ − s (e−iθ − 2 + eiθ ) (e 2 + σC 3 2 ou ainda.

5v∆y (Cy − 1) Os erros introduzidos por estes termos são particularmente severos quando a direção do escoamento principal faz um ângulo de 45o com relação ao eixo ordenado Ox. a análise de estabilidade de Von Neumann chegamos à expressão do fator de amplificação: G = 1 + 2sx (cos θx − 1) + 2sy (cos θy − 1) − i Cx sen θx − i Cy sen θy Para que o esquema seja estável. ∆x2 sy = αy ∆t . 5 e (Cx + Cy )2 ≤2 (sx + sy ) Caso sx = sy = s. as difusividades artificiais seriam dadas neste caso por: α0 x = −0. 5vCy ∆y. 5uCx ∆x e α0 y = −0. onde o fator de amplificação é dado por q |G| = [1 + 2sx (cos θx − 1) + 2sy (cos θy − 1)]2 + (−Cx sen θx − Cy sen θy )2 o que resulta nas seguintes restrições [11] (sx + sy ) ≤ 0. 5u∆x (Cx − 1) e α0 y = −0.6. Caso o esquema “Upwind” seja empregado na discretização dos termos advectivos. ∆y 2 Cx = u ∆t . o emprego de formulações de primeira ordem para os termos transiente e advectivos introduzem termos de dissipação (e dispersão) artificial. . então devemos ter que s ≤ 0. devemos verificar a seguinte desigualdade |G| ≤ 1. na discretização da equação de transporte bidimensional.8. ∆x Cy = v ∆t ∆y Expandindo em série de Taylor a solução aproximada e empregando a técnica da equação modificada. O uso de métodos implícitos. faz com que evitemos grande parte das dificuldades apresentadas pelos métodos explícitos com relação às questões de estabilidade. De modo análogo ao caso unidimensional. nós obtemos: ∂φ ∂φ ∂φ ∂ 2φ ∂ 2φ +u +v − (αx − α0 x ) 2 − (αy − α0 y ) 2 ∂t ∂x ∂y ∂x ∂y     2 2 ∆x2 ∂ 3 φ ∆y 2 ∂ 3 φ 3 ∆t 3 ∆t −u −v − αx u∆t + u − αy v∆t + v + ··· = 0 3 6 ∂x3 3 6 ∂y 3 onde α0 x = −0. Em contrapartida. eles introduzem maiores dificuldades no que diz respeito à resolução eficiente do sistema de equações algébricas oriundo do processo de discretização. Efetuando. 25 e esta condição é duas vezes mais severa que a restrição correspondente ao caso unidimensional. mais uma vez. Equação de Transporte Bidimensional 134 onde sx = αx ∆t .

Este algoritmo é consistente com a equação de transporte bidimensional e apresenta um erro de truncamento de O (∆t2 . 5 [11]. β = 0.Capítulo 6. A análise de estabilidade aplicada às equações oriundas do fracionamento nos leva a uma equação quadrática em G. β = 1. 0) [11]. ∆y 2 ) para os esquemas a dois níveis de tempo (γ = 0. 5) e três níveis de tempo (γ = 0. mais uma vez. . Equação de Transporte Linear 135 Escrevendo a formulação geral para uma representação do termo transiente a três níveis de tempo h i ∆φn+1 ∆φnjk jk −γ = (1 − β) (uLx − αxLxx ) + (vLy − αy Lyy ) φnjk (1 + γ) ∆t ∆t h i +β (uLx − αxLxx ) + (vLy − αy Lyy ) φn+1 jk onde n+1 n ∆φn+1 jk = φjk − φjk e n−1 ∆φnjk = φnjk − φjk A inclusão dos termos advectivos u Lx e v Ly não é um empecilho para que possamos aplicar as técnicas de fracionamento introduzidas anteriormente neste curso. A resolução desta equação indica que este algoritmo é incondicionalmente estável para β ≥ 0. ∆x2 . 5. nós obtemos para a equação de transporte bidimensional:       γ β ∗ ∆t (uLx − αx Lxx ) ∆φjk = ∆φnjk 1+ 1+γ 1+γ  h i ∆t + (uLx − αx Lxx ) + (vLy − αy Lyy ) φnjk 1+γ e     β ∗ 1+ ∆t (uLy − αx Lyy ) ∆φn+1 jk = ∆φjk 1+γ Portanto. o fracionamento possibilita que a resolução do sistema de equações algébricas seja obtida a partir da resolução de sub-sistemas tridiagonais de equações associadas às linhas e colunas da malha. Utilizando a mesma técnica de fracionamento que a empregada no esquema geral a três níveis de tempo.

Equação de Transporte Bidimensional .136 6.8.

y.APÊNDICE A O MÉTODO DE SEPARAÇÃO DE VARIÁVEIS O método de separação de variáveis aplica-se na resolução de equações diferenciais parciais lineares e homogêneas.1). y. y e z. t) = ψ(x. esta igualdade só é verificada se ambos os lados forem iguais a uma constante:   1 1 dφ 1 ∂ 2ψ ∂ 2ψ ∂ 2ψ = + 2 + 2 = −λ2 α Γ dt ψ ∂x2 ∂y ∂z 137 . z. z)Γ(t) Substituindo esta decomposição na equação diferencial (A.1) onde φ = φ(x. com condições de contorno homogêneas. z. O método será aplicado ao caso de um problema tridimensional e em coordenadas retangulares 1 ∂φ ∂ 2φ ∂ 2φ ∂ 2φ = + + 2 α ∂t ∂x2 ∂y 2 ∂z (A. Portanto. o lado esquerdo é função somente da variável t enquanto que o lado direito é função unicamente das variáveis x. z. z) Partiremos do do princípio que este problema admite uma separação de variáveis na forma [13] φ(x. y. y. obtemos   1 1 dΓ 1 ∂ 2ψ ∂ 2ψ ∂ 2ψ = + 2 + 2 α Γ dt ψ ∂x2 ∂y ∂z Nessa equação. t) e com condições de contorno homogêneas e inicial dadas por no contorno Si e para t > 0 : ki ∂φ + hi φ = 0 ∂ni para t = 0 : φ(x. 0) = F (x. y.

138 Temos. A solução completa φ = φ(x. d2 X + β 2X = 0 2 dx d2 Y + γ 2Y = 0 dy 2 d2 Z + η2Z = 0 dz 2 onde β 2 + γ 2 + η 2 = λ2 Podemos mostrar que estas equações representam problemas de autovalores [19]. t) são as autofunções associadas ao problema que queremos resolver. Y (γ. t) é construída a partir da superposição linear das soluções Γ(t). y. as constantes de separação assumem todos os valores entre zero e o infinito e a superposição é feita a partir de uma integração sobre todos os valores. x). t) e Z(η. Quando a região de resolução do problema é finita. caso a região seja infinita ou semi-infinita. os autovalores assumem valores discretos e a superposição das soluções é feita através do somatório de todos os valores permitidos de βn . obtemos o seguinte resultado 1 d2 Y 1 d2 Z 1 d2 X + + + λ2 = 0 X dx2 Y dy 2 Z dz 2 (A. z) = X(x)Y (y)Z(z) Após substituição na equação de Helmhotz (A. facilmente. z) admite também uma separação de variáveis na forma (A. z) satisfazem às seguintes equações 1 dΓ + αλ2 = 0 Γ dt e ∂ 2ψ ∂ 2ψ ∂ 2ψ + 2 + 2 + λ2 ψ = 0 2 ∂x ∂y ∂z onde a segunda equação é conhecida como a equação de Helmhotz. Por outro lado. onde X(β.2) ψ(x.2). x). γm e ηp . y. z. que as funções Γ(t) e ψ(x. X(β. t) e Z(η. então. t). y. Vemos.3) só é verificada se cada termo for igual a uma constante de separação arbitrária. y. A igualdade em (A. que o problema em Γ(t) dΓ = −αλ2 dt Γ possui uma solução do tipo Γ(t) = e−αλ t = e−α(β 2 2 +γ 2 +η 2 )t . Y (γ. A função ψ(x.3) onde cada termo é função de uma única variável independente.

y)dy = 0 Z C Z(ηm . x)dx = N (βm ) para m = n 0 B Z  0 para m 6= n N (γm ) para m = n  0 para m 6= n N (ηm ) para m = n Y (γm . y)Z(ηp . Cmnp = 1 N (βm )N (γn )N (ηn ) Z 0 A Z 0 B Z 0 C X(βm . na superposição de soluções. z)Z(ηn . y. no caso de uma região finita.5) estes operadores integrais e obtemos.Apêndice A. sendo definidas como Z A N (βm ) = [X(βm . z 0 )F (x0 . y)Z(ηp . y)Z(η. x0 )Y (γn . x)X(βn . z)]2 dz N (ηm ) = 0 Com a finalidade de determinarmos os coeficientes Cmnp . então. y)X(γn . z 0 )dx0 dy 0 dz 0 . z) 2 2 2 (A. z)dz = 0 onde as integrais definem um produto interno e N representa as normas provenientes deste produto interno. y 0 )Z(ηp . y)]2 dy N (γm ) = 0 C Z [Z(ηm . γ. os coeficientes Cmnp podem ser determinados se fizermos uso das propriedades de ortogonalidade das autofunções. x)]2 dx 0 B Z [Y (γm . (A. será dada por φ(x. Aplicando a condição inicial para t = 0. no caso da região finita F (x.  Z A 0 para m 6= n X(βm . x)Y (γn . z) = ∞ X ∞ X ∞ X Cmnp X(βm .5) m=1 n=1 p=1 Nessa equação. y.4) m=1 n=1 p=1 Em se tratando de uma região infinita. η)e−α(β +γ +η )t X(β. mas não satisfazem necessariamente a condição inicial. z. O Método de Separação de Variáveis 139 e a solução completa. t) = ∞ X ∞ X ∞ X Cmnp e−α(βm +γn +ηp )t X(βm . z) (A. Z ∞Z ∞Z ∞ 2 2 2 φ= C(β. y 0 . aplicamos em ambos os lados da Eq. z)dβdγdη 0 0 0 Essas soluções satisfazem a equação diferencial e as condições de contorno. x)Y (γ. x)Y (γn .

exponencial. sendo a solução dada por: φ(x. z) através da resolução de uma sequência de problemas mais simples. z) ∂ni para t = 0 : φ(x. potência. t) + s X j=0 φ0j (x. y. 0) = F (x. x)Y (γn . circular Legendre. circular Bessel. Tabela A. y 0 . potência Lamé Baer Quando a equação diferencial parcial e/ou as condições de contorno não forem homogêneas. y. circular Lamé.4) φ(x.140 Substituindo. circular. z. circular Legendre. Sistema de Coordenadas 1 Retangular 2 Circular-cilíndrico 3 Elíptico-cilíndrico 4 Parabólico-cilíndrico 5 Esférico 6 Esferoidal Achatado 7 Esferoidal Oblongo 8 Parabólico 9 Cônico 10 Elipsoidal 11 Paraboloidal Solução Exponencial. com condições de contorno não-homogêneas e inicial dadas por no contorno Si e para t > 0 : ki ∂φ + hi φ = fi (x. z) . z. z) α ∂t k onde φ = φ(x. todos estes resultados na Eq. y. circular Weber. t) = φh (x. circular Mathie. (A. z 0 )F (x0 .1: Separação da equação de Helmohtz. circular Legendre. z. z 0 )dx0 dy 0 dz 0 0 Estudos sobre a separabilidade da equação de Helmhotz mostraram que a sua separação em equações diferenciais ordinárias é possível em 11 sistemas de coordenadas ortogonais. z. y. z) N (βm )N (γn )N (ηn ) C X(βm .1 [13]. y. y 0 )Z(ηp . y. t). nós ainda podemos obter uma solução do problema 1 1 ∂φ = ∇2 φ + g(x. y. y. conforme mostrado na Tabela A. agora. y)Z(ηp . y. t) = ∞ X ∞ X ∞ X 2 2 2 e−α(βm +γn +ηp )t m=1 n=1 p=1 A Z 0 Z 0 B Z 1 X(βm . x0 )Y (γn . hiperbólica Bessel. z.

y. . 2. 1. y. z) é a solução do problema não-homogêneo em regime permanente 1 ∇2 φ0j + δ0j g(x. y. . O Método de Separação de Variáveis 141 nesta equação φ0j (x. z) ∂ni onde i = 1. t) será a solução do seguinte problema homogêneo ki 1 ∂φh = ∇2 φh α ∂t ∂φh + hi φh = fi (x. . j = 0. s. mas com condições de contorno homogêneas. 3. z) ∂ni P para t = 0 : φh (x. z) = 0 k com as seguintes condições de contorno em Si ∂φ0j + hi φ0j = δij fi (x. 0) = F − sj=0 φ0j no contorno Si : ki Podemos notar que a solução do problema em regime permanente corresponde a um conjunto de equações. s. .. . y. . y. y. 2. z. z. sendo s igual ao número de fronteiras da região e δij o delta de Kronecker. . corresponde ao problema em regime permanente com um termo fonte na equação diferencial. representam as soluções de problemas sem o termo fonte e com uma única condição de contorno não-homogênea [13]. As funções φ0j (x. y. A função φh (x. A função φ0j (x. . 2. .Apêndice A. . z) para j = 1. y. . . z) para j = 0.

142 .

nem sempre garantida. linha a linha. A principal vantagem destes métodos é que somente os coeficientes não nulos do sistema de equações precisam ser armazenados. Da aplicação destas técnicas resultou na obtenção de um sistema algébrico linear de equações que necessita ser resolvido. Os métodos de Jacobi e Gauss-Seidel são fáceis de serem implementados. na resolução de problemas bidimensionais e.1 O Algoritmo de Thomas O algoritmo de Thomas é utilizado quando queremos resolver sistemas algébricos do tipo A~ ϕ = d~ 143 . B. Thomas desenvolveu uma técnica para resolver rapidamente sistemas tridiagonais. é obtida após um grande número de iterações. mas pode ser aplicado iterativamente. Como simples exemplos.APÊNDICE B ALGORITMO DE THOMAS No decorrer do nosso curso. eles não são os mais apropriados para a resolução destes sistemas. A principal desvantagem destes métodos é o grande número de informações que devemos armazenar na memória do computador. temos o método de Cramer de inversão de matrizes e o método de Gauss. Exemplos bem conhecidos destes métodos são o método de Jacobi e o método de Gauss-Seidel ponto a ponto. de métodos diretos. Existem duas famílias de técnicas de resolução de sistemas algébricos lineares. Os métodos iterativos baseiam-se na aplicação repetitiva de algoritmos relativamente simples. mas podem apresentar uma convergência lenta quando os sistemas de equações forem muito grandes. Por este motivo. Este algoritmo é chamado de algoritmo de Thomas ou TDMA (Tri-Diagonal Matrix Algorithm). discutimos sobre algumas das possibilidades de discretização da equação de transporte. A convergência. O algoritmo TDMA é na realidade um método de resolução direto para problemas unidimensionais. por isso. que são os métodos diretos e os indiretos ou iterativos. é largamente empregado. Em 1949.

Nesse curso.. −cJ−1 aJ−1 −bJ−1 −cJ aJ φ1 φ2 ..     bj dj + cj Qj−1 n+1 n+1 φj = φj+1 + aj − cj Pj−1 a −c P | {z } | j {zj j−1 } =Pj =Qj ..  −bj ...    φJ−1 φJ n+1            d1 d2 . . pela seguinte equação algébrica n+1 − cj φn+1 − bj φn+1 (B.1. empregando um esquema implícito e para o caso unidimensional. 1 O método de resolução pode ser descrito como um processo desenvolvido em duas etapas. −cj aj .   . Para j = 1.        φj  . Este método é uma adaptação do método de Gauss. .. .B. Esse sistema algébrico pode ser representado matricialmente na forma            a1 −b1 −c2 a2 −b2 . vimos que o resultado da discretização das equações de transporte pode ser representada..      =  dj  . b1 = 0 e d1 = φn+1 .. O Algoritmo de Thomas 144 onde a matriz A é tridiagonal. devemos tomar a1 = 1.  .1) j−1 + aj φj j+1 = dj com os pontos da malha sendo numerados de 1 a J. .... .. .1) obtemos. . Na primeira.   dJ−1 dJ            onde c1 = 0 e bJ = 0. mediante um pouco de algebrismo. a partir de operações de eliminação realizadas sobre a matriz A. .. obtemos o seguinte sistema φn+1 = Pj φn+1 j j+1 + Qj caso tenhamos Pj e Qj na forma Pj = bj aj − cj Pj−1 Qj = dj + cj Qj−1 aj − cj Pj−1 Podemos obter essas expressões para Pj e Qj partindo da forma geral da equação discretizada n+1 aj φn+1 = bj φn+1 j j+1 + cj φj−1 + dj e da relação n+1 φn+1 + Qj−1 j−1 = Pj−1 φj Após substituição da expressão de φn+1 j−1 na equação geral discretizada (B.

podemos determinar os valores de P1 e Q1 b1 P1 = a1 d1 Q1 = a1 Para j = 1. podemos tomar a1 = 1. conforme já mencionado. 1 A segunda etapa. Como bJ = 0. a matriz A não deve ser mal-condicionada. Lembrando que c1 = 0. temos que PJ = 0 e QJ = φn+1 J A fim de que o algoritmo seja convergente. do algoritmo. Algoritmo de Thomas 145 Essas são relações de recorrência para P e Q.Apêndice B. consiste na resolução do sistema de equações algébricas de maneira recursiva para j = J até j = 1. basta ela ser do tipo diagonal dominante [11] . b1 = 0 e d1 = φn+1 . Para tanto.

.

.

.

.

.

.

aj .

> .

c j .

+ .

b j .

a equação discretizada e reescrita na forma −aS φS + aP φP − aN φN = aW φW + aE φE + b . Finalizando. B. o método TDMA é aplicado ao longo de uma linha escolhida. 6. digamos por exemplo a linha norte-sul (n − s). Calcular P1 e Q1 através das suas relações. Calcular todos os Pj e Qj com j = 2 até j = J. Calcular as variáveis para os pontos J − 1 até 1. B. Com esta finalidade.2 O Método TDMA Linha a Linha No caso da resolução de problemas bidimensionais. 3. uma combinação conveniente do método direto TDMA com o método iterativo de Gauss-Seidel pode ser formada. 4. Estimar o campo de variáveis inicial. o algoritmo para aplicarmos a técnica TDMA pode ser resumido por: 1. 2. Consideremos a malha mostrada na Fig. 5. Checar a convergência (no caso do método iterativo).1 e a forma geral bidimensional da equação de transporte discretizada aP φP = aW φW + aE φE + aS φS + aN φN + b Para que possamos resolver este sistema. Fazer QJ = φn+1 J .

1. Esta equação encontra-se na forma da equação apresentada quando da introdução do algoritmo de Thomas. . conforme mostrado na Fig. 3. Nas nossas aplicações. a sequência na qual as linhas são escolhidas) pode ser importante em alguns casos [17]. . Entretanto. aplicaremos o método TDMA alternadamente nas duas direções do espaço e a varredura será feita de cima para baixo e de baixo para cima no caso da direção y e da esquerda para direita e vice-versa no caso da direção x do espaço. não importando a quantidade de nós existentes ao longo da linha considerada. com cj ≡ aS . . bj ≡ aN e dj ≡ aW φW +aE φE +b. 4. o método é aplicado às duas direções do espaço de maneira alternada [17].B. O Método TDMA Linha a Linha 146 y j norte x i sul Pontos calculados nesta iteração Pontos conhecidos da iteração precedente Figura B. o mesmo procedimento poderá ser aplicado à direção leste-oeste.1: Método TDMA linha a linha. a partir dos valores determinados na iteração precedente. . . caso desejado. B. Este procedimento prosseguirá com a sua aplicação às demais linhas na mesma direção e. Para evitarmos este inconveniente. a velocidade de transmissão na outra direção do espaço será a mesma do método ponto por ponto. a direção de varredura (isto é. J − 1. Associado a este fato. onde o lado direito desta equação é assumido ser temporariamente conhecido.2. Desta maneira. nós podemos resolver o sistema de equações ao longo da direção n − s para a linha escolhida e para valores de j = 2. aj ≡ aP . uma vez que as informações provenientes das condições de contorno são transmitidas para o interior do domínio numa única vez. A convergência do método linha a linha é rápida.

temos uma sub-relaxação enquanto que para γ superior a 1 teremos uma sobre-relaxação. Qualquer esquema de relaxação deve apresentar essa propriedade. O valor de γ não precisa ser o mesmo durante todo o processo de cálculo. Partindo-se da equação de transporte discretizada X aP φP = avi φvi + b que pode ainda ser posta na forma P φP = avi φvi + b aP nós introduziremos a variável φ∗P que assumirá o valor de φP na iteração precedente e o coeficiente de relaxação γ de forma que esta equação pode ser reescrita como P  avi φvi + b ∗ ∗ φP = φP + γ − φP aP ou ainda. Existem muitas maneiras de introduzirmos a relaxação e nós vamos apresentar aqui uma delas. A sub-relaxação é empregada normalmente no caso de problemas não-lineares. O valor ótimo depende de vários fatores. . Algoritmo de Thomas B. uma vez alcançada a convergência. o espaçamento da malha e do procedimento iterativo utilizado [17]. X aP aP φP = avi φvi + b + (1 − γ) φ∗P γ γ para γ compreendido entre 0 e 1.Apêndice B. o número de pontos da malha. φP torna-se igual a φ∗P . nós devemos observar que. da equação acima podemos verificar que nós recuperamos a equação discretizada original. Primeiramente. Não existe uma regra geral para a melhor escolha do valor de γ. com o seu valor podendo variar para cada iteração. a fim de evitarmos a divergência do processo iterativo de resolução do sistema de equações. Este procedimento visa a evitarmos que o algoritmo de resolução empregado seja instável. A sobrerelaxação é empregada normalmente em conjunção com o método de Gauss-Seidel. ou seja. tais como a natureza do problema em questão. resultando num esquema conhecido como SOR (Sucessive Over-Relaxation).3 147 Relaxação Na resolução iterativa do sistema algébrico de equações ou no tratamento de não-linearidades. com frequência devemos empregar um processo de sub-relaxação ou de sobre-relaxação.

Relaxação .148 B.3.

Numerical Methods for Ordinary Differential Equation. 46:435–453. [6] C. Editora da Universidade de São Paulo. [5] J. [2] M. 2003. 1997. Zeit. Runge. Taylor & Francis. A. 2003. 1901. Charpa and Raymond P. Acta Numerica. SpringerVerlag. 1987. Anderson. Cristina C. Projeto Euclides. 1895. volume 1.. Physik. [11] C. Dale A. Análise de Fourier e Equações Diferenciais Parciais. 1978.A. Asaithambi. Fletcher. J. Iniciação às Equações Diferenciais Parciais. General linear methods. Técnicas Computacionais para Dinâmica dos Fluidos. Computational Fluid Mechanics and Heat Transfer. Canale. 1995. Beitrag zur näherungsweisen integration totaler differentialgleichungen. Computational and Physical Processes in Mechanical and Thermal Sciences. S. Cunha. Ueber die numerische auflösung von differentialgleichungen. and Richard H. pages 157–256. McGraw–Hill Book Company. [4] J. Pletcher. Math. de Andrade. 1991. 2006. Applied Mathematics Series. Tannehill. 149 . Computational Techniques for Fluid Dynamics.BIBLIOGRAFIA [1] Steven C. Numerical Methods for Engineers. Mathematische Annalen. [9] Armando de Oliveira Fortuna. Livros Técnicos e Científicos Editora S. Métodos Numéricos. [3] N. Butcher. [8] John C. IMPA. Wiley. Numerical Analysis. Saunders College Publishing. EDUSP. 46:167–178. 1990. [10] Djairo Guedes de Figueiredo. Editora da UNICAMP. [12] Luiz Adauto Medeiros and Nirzi G. CNPq. Butcher. 2000. Kutta. C. [7] W. C.

[14] John C. and Mass Transfer in Continua. Finite Volume Methods for Hyperbolic Problems. CNPq. 2002. Billington and A. .150 BIBLIOGRAFIA [13] M. Slattery. 1962. Tensors and Basic Equations of Fluid Mechanics. [16] Aris Rutheford. V. W. Energy. 1981. [19] Valéria Iório. Patankar. McGraw-Hill. 1980. IMPA. [18] Randall J. [15] E. 1991. EDP Um Curso de Graduação. Prentice-Hall. Momentum. Cambridge University Press. The Physics of Deformation and Flow. Necati Özisik. Leveque. Tate. [17] S. John Wiley & Sons. Heat Conduction. 1980. Vectors. Numerical Heat Transfer and Fluid Flow. Hemisphere Publishing Corporation. 1972. McGraw-Hill Kogakusha.

31. 84. 6 instável. 45. 3. 73. 83 centrada. 42. 55 derivada material. 89. 52. 58. 79. 52. 87 de estabilidade. 86 de Fourier. 53 baixa ordem. 50. 45. 89–91 autovalores. 53 parabólica. 77. 92 convergência. 83 condição de contorno. 86 discriminante. 66 interna. 61. 59. 86. 60 hiperbólica. 45. 61. 45. 40 domínio computacional. 59. 61. 75. 56. 45 algébrica homogênea. 74. 41. 51 condicionalmente estável. 56. 74 difusividade térmica. 69. 89. 45. 72. 61 de dependência. 78. 92 alta ordem. 54. 82 análise de estabilidade. 10. 84. 92 EDP elíptica. 2. 74. 56. 10. 88 de Robin. 77. 59. 52. 91 de Neumann. 44 classificação das EDPs. 64 acurácia. 82. 71. 10. 83 finita. 92 de Dirichlet. 86 151 . 61 momentum linear. 53. 86 algébrica linear. 51. 71–73. 49 de Von Neumann. 74. 77 capacidade térmica. 89–91 curvas características. 52. 2. 41. 59.ÍNDICE critério de estabilidade. 51. 81. 59. 31. 79. 81. 92 condições auxiliares. 41 coeficiente de difusão. 6 condutividade térmica. 58 energia cinética. 64 diferença avançada. 88. 68 choque. 46 dissipação viscosa. 53 de influência. 42. 90 discretização. 10. 82 recuada. 50. 87. 66 equação a N variáveis independentes. 35. 91 d’Alembert. 82. 68 consistência. 61 inicial. 74. 81. 74. 34. 56.

25 de Adams–Bashforth. 25 fator de amplificação. 51 fórmula a cinco pontos. 76 da solução. 75 a três pontos. 40 de Korteweg–de Vries. 65 stokesiano. 82 supersônico não-viscoso. 86 FTCS. 86 incremento. 28 de alta ordem. 76. 2 diferencial parcial. 75. 85. 68 de Burger. 92 do passo corretor. 86 de resolução. 60. 41 linear da onda. 86 de difusão de calor. 8. 86 implícito. 63. 62 de Navier-Stokes. 92 de arredondamento. 4 local de truncamento aproximado. 83. 35. 27 do passo preditor. 4. 58 de difusão unidimensional. 27 global de truncamento. 63 erro computado. 25 equações de balanço. 71. 74. 68 de Helmholtz. 91 não-linear. 75 a dois pontos. 67. 69. 5 numérico. 81. 79 a dois níveis de tempo. 41 diferencial ordinária de primeira ordem. 2 diferencial ordinária de segunda ordem. 4 de espaço. 4 local de truncamento. 65 função incremento. 89. 91 viscoso. 87 do balanço de energia. 67 do telégrafo. 76 de d’Alembert. 82. 64 laminar. 51. 51 harmônico. 82. 55 de integração de Adams. 87 escoamento incompressível. 74. 75. 76 de baixa ordem. 6. 90 fluido incompressível.Índice 152 biharmônica. 81. 66. 65 corretora. 90 a dois pontos. 40. 25. 9. 40 de difusão. 62 de Stokes. 83. 82 . 84. 73. 28 de Adams–Moulton. 82 diferencial parcial de segunda ordem. 73 aberta. 44 discretizada. 39. 75 a três níveis de tempo. 83. 84. 27 de integração de Newton–Cotes. 66 de Poisson. 86 estabilidade. 40 de convecção–difusão. 68 newtoniano. 78 explícito. 41 constitutiva. 10 Hadamard. 84. 40 de Laplace. 83 de energia. 25 da continuidade. 39. 53 preditora. 77 esquema a cinco pontos. 86. 25. 3. 27 fechada. 91 a três pontos. 86. 5. 69. 77 turbulento. 32. 92 existência. 85. 82 de truncamento.

40 pequeno comprimento. 69 de elementos finitos. 65 termodinâmica. 39 propagação não-linear. 40 senoidal. 30 de Heun. 76. 13 de mais alta ordem. 89. 77. 3 de Euler modificado. 40 velocidade de propagação. 71 simétrica. 10 de Runge-Kutta de quarta ordem. 77. 9 pontos nodais. 78 Jacobiano. 50 de valor de contorno. 24 non–self–starting Heun. 5 de Ralston. 25 espectral. 11 de Runge-Kutta. 73 refinada. 77 operador algébrico. 52 . 79 não-uniforme. 68 precisão. 82 instabilidade. 26 one-step. 88. 87 tridiagonal. 79 uniforme. 74 pressão média. 13 de Runge–Kutta de primeira ordem. 77 não-unicidade. 3 malha. 68 método da matriz. 70 potência de tensão. 89 integração de Euler. 70 diferencial. 14 de Runge-Kutta de segunda ordem. 65. 86. 67 primeira fórmula aberta de Newton–Cotes. 7. 86. 77 dispersiva. 9 de Hamming. 11 de Runge-Kutta de terceira ordem. 69 número de onda. 78 polinômio característico. 69 de Euler. 13 do ponto médio. 69 de Von Neumann. 13 de segunda ordem. 69 multistep. 79 harmônica. 87 movimento periódico. 40 grande comprimento. 77 propagação. 49 interpolador de Lagrange. 51 lei de Fourier. 25 lei da termodinâmica. 70 período. 69 grosseira. 91 onda amplitude. 46 nós. 55 simples. 29 de primeira ordem. 30 de diferenças finitas. 91 das potências. 7. 27 de Milne. 69. 90 do polígono. 77. 53. 77 de Reynolds.Índice 153 de tempo. 89 de Adams de quarta ordem. 14 ponto médio. 66 problema bem-posto. 75. 70 matriz de amplificação. 9 de volumes finitos. 79 plana.

77. 89. 2 vetor fluxo de energia. 4. 7 de Simpson (1/3). 82. 83 regra da cadeia. 48 solução aproximada. 65 dinâmica. 48 hiperbólico. 64 extra de tensões. 60 transiente. 71–73. 68 viscosidade de volume. 82 de transporte. 49 técnica geral. 11. 69. 65 teorema da divergência. 86 numérica. 63 regime permanente. 65 . 66 de Gauss. 86. 82–84 sistema algébrico. 92 do sistema algébrico. 83 instável. 90 de Taylor. 4 série de Fourier. 63 de Green. 52 misto. 81. 83. 2 independente. 59. 86 inicial. 66 transformação de coordenadas. 66 trabalho. 86 exata. 82. 62 de Lax. 67 taxa de deformação. 48 parabólico. 14 do trapézio. 82. 46 valor de contorno. 64 tensor de tensões. 56. 2. 53. 52 quantidade de movimento. 73 tensões de cisalhamento. 71 resto da série. 64.Índice 154 de valor inicial. 2. 86 variável dependente. 2. 42. 64. 82. 24. 81 de EDPs. 81. 81. 64 normais. 56. 83. 14 elíptico. 72. 75. 84 de equações diferenciais. 47 de equações algébricas. 86 superfície característica. 82.