You are on page 1of 27

Numeriko modeliranje

Predavanje 1:
1. Uvod u numeriku elektromagnetiku
2. Metod Monte-Carlo
3. Metod konanih diferencija
4. Metod konanih volumena
5. Metod konanih elemenata
6. Metod graninih elemenata
Direktna metoda graninih elemenata
Indirektna metoda graninih elemenata
7. Magnetna polja:
Stacionarna magnetna polja
Tranzijentna magnetna polja u vremenskoj domeni
Stacionarna AC magnetna polja u frekventnoj domeni
8. Elektrina polja:
Stacionarna elektrina polja
Stacionarna elektrina provodna (strujna) polja
Stacionarna AC elektrina polja u frekventnoj domeni
9. Elektromagnetna polja:
Visoko frekventna elektromagnetna polja u vremenskoj domeni
Stacionarna AC elektromagnetna polja u frekventnoj domeni
10. Termika polja:
Tranzijentna termika polja
Stacionarna termika polja
11. Uzajamno spregnuta polja

1. Uvod u numeriku elektromagnetiku


Numerike metode koje se koriste za rjeavanje polja su:

Metod Monte Carlo


Metod konanih diferencija
Metod konanih volumena
Metod konanih elemenata
Metod graninih elemenata
Kombinirane metode (npr. Hibridna metoda graninih i konanih elemenata)
U zavisnosti od promjene fizikalnih osobina, polja mogu biti:

Linearna (npr. stacionarno elektrino polje sa konstantnom dielektrinom


permitivnosti)
Nelinearna (npr. stacionarno magnetno polje sa nelinearnom karakteristikom
1
magnentne reluktancije u funkciji od magnetne indukcije = = ( B) )

Domeni u kojem se rjeavaju polja mogu biti:
Vremenski domen kod kojih je izvor zadan sa funkcijom nesinusoidalnog ili
sinusoidalnog oblika
Frekventni domen kod kojih je izvor zadan iskljuivo sa sinusoidalnom
funkcijom. Uvodi se kompleksni fazor kao nepoznata veliina.

U okviru ovog predmeta razmatrat emo numeriko rjeavanje slijedeih polja:


Magnetna polja
Elektrina polja
Elektromagnetna polja
Termika polja
Uzajamno spregnuta polja

1.1. Pregled vektorske analize i teorije polja


Da bi mogli uopte pristupiti bilo kojem rjeavanju polja potrebno je dobro
razumjevanje vektorske analize i teorije polja. Zato emo sada navesti osnovne
pojmove iz ove oblasti.

1.1.1. Hamiltonov operator


U teoriji polja razlikuju se tri pojma Hamiltonovog operatora, a to su:

Hamiltonov nabla operator ;


Hamiltonov operator skalarne funkcije, odnosno gradijent skalara i
Hamiltonov operator vektorske funkcije, odnosno divergencija vektora.

Hamiltonov nabla operator u Cartesianovom sistemu koordinata

Hamiltonov operator u Cartesianovom sistemu koordinata, dat je sa:

r r r
= i+ j+ k (1.12.)
x y z

Hamiltonov nabla operator u cilindrinom sistemu koordinata

Uvedimo smjenu:
r = x2 + y2
y
= arc tg (1.13.)
x
te moemo pisati:

r x x
= = = cos
xx2 + y2 r
r y
= = sin
y r
y sin
= 2 =
x r r
x cos
= =
y r 2 r
r sin
= + = cos
x x r x r r

r cos
= + = sin + (1.14.)
y y r y r r

Uvrtavanjem izraza (1.12.), u izraz (1.10.), slijedi:

r r r sin r cos r r
= i+ j + k = cos i + sin + j + k
x x x r r r r z
(1.15.)
Poto vai: r r r
i = cos i r sin i
r r r
j = sin i r + cos i
r r
k = iz (1.16.)

slijedi izraz za Hamiltonov nabla operator , u cilindrinom sistemu koordinata:

sin r r
(cos ir sin i ) +

= cos
r r
cos r r r
(sin ir + cos i ) + i z

+ sin + (1.17.)
r r z
r 1 r r
= ir + i + i z
r r z
Hamiltonov operator skalarne funkcije (grad skalara)
u Cartesianovom sistemu koordinata

Poslije primjene Hamiltonovog operatora nad skalarnom funkcijom , moemo pisati


izraz za gradijent skalara:

r r r
grad = = i + j+ k (1.18.)
x y z

Hamiltonov operator skalarne funkcije u cilindrinom sistemu koordinata

Poslije primjene Hamiltonovog operatora, nad skalarnom funkcijom , moemo


pisati izraz za gradijent skalara u cilindrinom koordinatnom sistemu:

r 1 r r
grad = = ir + i + iz (1.19.)
r r z

Hamiltonov operator vektorske funkcije (div vektora)


u Cartesianovom sistemu kordinata
r
Poslije raunanja skalarnog proizvoda Hamiltonovog operatora i vektora v , dobit
emo izraz za divergenciju vektora:

r r r r r r
div v = v = i + ( r r
j + k vx i + v y j + vz k )
x y z
r v v v
div v = x + y + z (1.20.)
x y z

Hamiltonov operator vektorske funkcije u cilindrinom sistemu kordinata

Uvedimo smjenu:

v x = v r cos v sin
v y = v r sin + v cos
vz = vz (1.21.)

Poslije uvrtavanja smjene (1.21.) u izraz (1.20.), dobit emo slijedei izraz za
divergenciju vektora u cilindrinom koordinatnom sistemu:

r 1
div v = (r vr ) + 1 v + v z (1.22.)
r r r z
1.1.2. Laplaceov operator
U teoriji polja razlikuju se dva pojma Laplaceovog operatora, a to su Laplaceov
operator skalarne funkcije i Laplaceov operator vektorske funkcije.

Laplaceov operator skalarne funkcijeu Cartesianovom sistemu kordinata

Laplaceov (dabla) operator skalarne funkcije , definisan je kao divergencija


gradijenta skalara , odnosno kao skalarni proizvod Hamiltonovog operatora i
gradijenta skalara , na slijedei nain:

r r r r r r
= = div grad = i + j + k i+ j+ k=
x y z x y z
(1.23.)
2 2 2
= 2 + 2 + 2
x y z

Laplaceov operator (Laplasijan) skalarne Funkcije


u cilindrinom sistemu kordinata

Koristei izvedene izraze u cilindrinom sistemu koordinata za gradijent i


divergenciju, moemo izvesti izraz za Laplaceov operator skalara u cilindrinom
koordinatnom sistemu, na slijedei nain:

r 1 r r 1 1
2 2
= div grad = div ir + i + iz = r + 2 +
r r z r r r r 2 z 2
(1.24.)

Laplaceov operator vektorske funkcijeu Cartesianovom sistemu koordinata


r
Laplasijan vektora v , moe se dobiti na slijedei nain:

r r r r r r r r r r
v = 2 v = ( )v = i + j + k i + ( r r
)
j + k v x i + v y j + v z k =
x y z x y z
2 2 r
( )
2 r r
= 2 + 2 + 2 v x i + v y j + v z k =
x y z
r v y v y v y r 2vz 2vz 2vz
2 2 2
2v 2vx 2vx r
= 2x + + i + 2 + + j + k
x x 2 + y 2 + z 2
x y 2 z 2 y 2 z 2
r r r
= v x i + v y j + v z k
(1.25.)

gdje su:
2vx 2vx 2vx
v x = + + 2
x 2 y 2 z
2vy 2vy 2vy
v y = + +
x 2 y 2 z 2
2vz 2vz 2vz
v z = + + (1.26.)
x 2 y 2 z 2

Laplaceov operator vektorske funkcije u cilindrinom sistemu koordinata

Da bi odredili Laplasijane vr , v i v z u cilindrinom koordinatnom sistemu,


potrebno je uvrstiti funkcije vx, vy i vz izraene u cilindrinim koordinatama
izrazom u opi izraz za Laplasijan skalara u cilindrinom koordinatnom sistemu. Za
vrijednost skalara, u izrazu (1.23.), uzimaju se respektivno funkcije vx, vy i vz, a
parcijalno diferenciranje tih funkcija se vri po cilindrinim koordinatama. Tako smo
odredili Laplasijane v x , v y i v z u funkciji od cilindrinih koordinata.

Koristei jednadbe transformiranja Laplasijana v x , v y i v z iz Cartesianovog u


cilindrini koordinatni sistem, date sa:

v r = v x cos + v y sin
v = v x sin + v y cos
v z = v z (1.27.)

dobijamo:
1 v r 2 v v z
2 2
1
v r = (r v r ) + 2 2 2 + 2
r r r r r z
1 v
2
v 2 v
v = (r v ) + 12 2 + 22 r + 2
r r r r r z
1 v z 1 v z v z
2 2
v z = r + + 2 (1.28.)
r r r r 2 2 z
r
Laplaceov operator vektora v , u cilindrinom koordinatnom sistemu, izgleda ovako:
r r r r
v = v r ir + v i + v z i z (1.29.)

1.1.3. Stokesov izvod


U teoriji polja, veoma esto se koristi diferencijalni operator pod nazivom Stokesov
odnosno materijalni izvod.Postoji Stokesov izvod skalarne funkcije i Stokesov izvod
vektorske funkcije.
Opi izraz za Stokesov izvod u Cartesianovom sistemu koordinata

Stokesov izvod D/Dt, u Cartesianovom sistemu koordinata, dat je sa:

( )
D r r r r r r
= + v x i + v y j + v z k i + j + k = + v x + vy + vz (1.30.)
Dt t x y z t x y z

Opi izraz za Stokesov izvod u cilindrinom sistemu koordinata

Poslije uvrtavanja izraza za Hamiltonov operator s cilindrinim koordinatama, u


opi izraz za Stokesov izvod (1.29.), dobit emo izraz za Stokesov izvod u
cilindrinom koordinatnom sistemu:

r r r r r 1 r r
= + v = + (v r ir + v ir + v z ir ) ir +
D
i + i z =
Dt t t r r z
(1.31.)
v
= + vr + + vz
t r r z

Stokesov izvod skalarne funkcije u Cartesianovom sistemu koordinata

Poslije primjene izraza za operator Stokesovog izvoda D/Dt, nad skalarnom


funkcijom T, moemo pisati:

DT T T T T
= + vx + vy + vz (1.32.)
Dt t x y z

Stokesov izvod skalarne funkcije u cilindrinom sistemu koordinata

Poslije primjene izraza za operator Stokesovog izvoda D/Dt s cilindrinim


koordinatama nad skalarnom funkcijom T, moemo pisati:

DT T T v T T
= + vr + + vz (1.33.)
Dt t r r z

Stokesov izvod vektorske funkcije u Cartesianovom sistemu koordinata

Poslije primjene izraza za operator Stokesovog izvoda D/Dt, nad vektorskom


r
funkcijom v , moemo pisati:

D r Dv x r Dv y r Dv z r
v = i + j+ k (1.34.)
Dt Dt Dt Dt
gdje su:
Dvx vx v v v
= + vx x + v y x + v z x
Dt t x y z
Dv y v y v y v y v y
= + vx + vy + vz
Dt t x y z
Dv z v z v v v
= + vx z + v y z + vz z (1.35.)
Dt t x y z

Stokesov izvod vektorske funkcije u cilindrinom sistemu koordinata

Da bi odredili Stokes ove izvode Dvx/Dt, Dvy/Dt i Dvz/Dt u cilindrinom


koordinatnom sistemu, potrebno je uvrstiti vx, vy i vz izraene u cilindrinim
koordinatama u opi izraz za Stokes-ov izvod skalara u cilindrinom koordinatnom
sistemu, datog s (1.32.). Za vrijednosti skalara u izrazu (32.), uzimaju se respektivno
funkcije vx, vy i vz, a parcijalno diferenciranje tih funkcija se vri po cilindrinim
koordinatama. Tako smo odredili Stokesove izvode Dvx/Dt, Dvy/Dt i Dvz/Dt u
funkciji od cilindrinih koordinata.Koristei jednadbe transformiranja Stokesovih
izvoda Dvx/Dt, Dvy/Dt i Dvz/Dt iz Cartesianovog u cilindrini koordinatni sistem, date
sa:
Dv r Dv x Dv y
= cos + sin
Dt Dt Dt
Dv Dv x Dv y
= sin + cos
Dt Dt Dt
Dv z Dv z
= (1.36.)
Dt Dt
dobijamo:
Dv r v r v v v r v v
= + vr r + 2 + vz r
Dt t r r r z
Dv v v v v v r v
= + vr + + v + v z
Dt t r r r z
Dv z v z v v v z v
= + vr z + + vz z (1.37.)
Dt t r r z
r
Stokesov izvod vektora v , u cilindrinom koordinatnom sistemu, izgleda ovako:
r
Dv Dv r r Dv r Dv z r
= ir + i + iz (1.38.)
Dt Dt Dt Dt

1.1.4. Gradijent divergencije vektorske funkcije


r
Operator gradijent divergencije vektorske funkcije v , dat je sa:
r r
grad div v = (v ) (1.39.)
Cartesianov sistem koordinata

Poslije uvrtavanja izraza sa Cartesianovim koordinatama za gradijent skalara i


divergenciju vektora u izraz (1.38.), moemo pisati:

r r r r v x v y v z
grad div v = i + j + k + + =
x x x x y z
2 v x 2 v y 2 v z r 2 v x 2 v y 2 v z r 2 v x 2 v y 2 v z r
= 2 + + i + + + j + + + k
x x y x z xy y 2 y z xz yz z 2

(1.40.)

Cilindrini koordinatni sistem

Poslije uvrtavanja izraza s cilindrinim koordinatama za gradijent skalara i


divergenciju vektora (1.21.), u izraz (1.39.), moemo pisati:

r r 1 r r 1 (r v r ) 1 v v z
grad div v = ir + i + i z + + =
r r z r r r z
v 1 v r 2 v r 1 v 1 2 v 2 v z r
= r2 + + + + ir +
r r r r 2 r 2 r r rz
(1.41.)
1 v r 1 2 v r 1 2 v 1 2 v z r
+ 2 + + 2 + i +
r r r r
2
r z
1 v r 2 v r 1 2 v 2 v z r
+ + + + i
2 z
r z rz r z z

1.1.5. Rotor vektorske funkcije


r
Operator rotora vektorske funkcije a , dat je sa:
r r
rot a = a (1.42.)

Cartesianov sistem koordinata

Poslije uvrtavanja izraza sa Cartesianovim koordinatama za operator nabla i


r
vektorsku funkciju a u izraz (1.42.), moemo pisati:
r r r
i j k
r a z a y r a x a z r a y a x r
rot a = = i + j + k (1.43.)
x y z y z z x x y
ax ay az

Cilindrini koordinatni sistem


Poslije uvrtavanja smjena u izraz (1.43.), dobit emo slijedei izraz za rotor
r
vektorske funkcije a u cilindrinom koordinatnom sistemu:

r 1 a z a r a r a z r 1 (r a ) a r r
rot a = i r + i + iz (1.44.)
r z z r r r

2. Metod Monte-Carlo
2.1. Uvod

Metoda Monte Carlo je numerika metoda koja se zasniva na primjeni sluajnih


veliina. Jo 1899.godine Lord Rayligh je u svom radu On James Bernoullis
Theorem in Probabilites, uveo pojam sluajnog puta pri rjeavanju parabolinih
diferencijalnih jednadbi. Courant, Friedrichs i Lewy, 1928.godine uveli su rjeavanje
diferencijalnih jednadbi eliptinog tipa, a Kolmogorov, 1931. godine, uveo je
rjeavanje integro diferencijalnih jednadbi primjenom sluajnog puta. Interesantan je
nastanak imena ove metode.
U Drugom svjetskom ratu ova se je metoda skrivala pod ifrom Monte
Carlo, da bi se tek 1949. godine u radovima J. von Neumanna i S. Ulama ozvaniilo
njeno ime. Postoji nekoliko naina zadavanja sluajnih veliina odnosno sluajnih
brojeva.
Mi ne moemo znati koliko e iznositi vrijednost sluajne veliine, ali
moemo procijeniti vjerovatnou pojave odreenih vrijednosti. Najee se koriste
sluajni brojevi ija vrijednost varira u intervalu od 0 do 1.
Postoje gotovi potprogrami u kojima su ugraeni algoritmi generiranja sluajnih
brojeva prema uniformnoj raspodjeli gdje izvueni brojevi imaju proizvoljnu vrijednost
od 0 do 1:
u Fortranu se sluajni broj SB moe izraunati pozivanjem podprograma:
CALL Random_Number (SB)
U MATLabu se sluajni brojevi pozivaju naredbom:
A=rand(m,n)
Pri emu se izvueni sluajni brojevi od 0 do 1 smjetaju u dvodimenzionalnu
matricu A reda mxn.

U Metodi Monte Carlo postoje tri vrste modela za rjeavanje Laplaceove jednadbe, a
to su:

Floating Random Walk Methods FRWM metod sa promjenljivim korakom


sluajnog puta
Random Walk Methods RWM metod sa konstantnim korakom sluajnog
puta
Marcov Chain Monte Carlo MCMC metod Markovljevih lanaca
2.2. Floating Random Walk Methods FRWM metod
Ovaj metod se jo naziva Metoda Monte Carlo sa promjenljivim korakom sluajnog
puta. Promatrajmo na slici 2.1., primjer prorauna 2-D elektrostatikog polja
primjenom FRWM metode. Sluajni put zaponimo u taki promatranja nepoznate
funkcije potencijala Q. Opiimo oko take Q krunicu iji poluprenik R odgovara
minimalnom rastojanju izmeu take Q i granice domena. Odaberimo sluajni broj
SB. Ugao se rauna na slijedei nain:
= 2 SB (2.1.)

Slika 2.1. Metoda Monte Carlo sa primjenom promjenljivog koraka sluajnog puta

Sada se moe proraunati prva taka Q1na sluajnom putu. Ponovimo opisani postu-
pak sa krunicom stavljajui da nova taka Q1 odgovara centru nove krunice. Dobit
emo novu taku Q2 sluajnog puta. Jedan sluajni put emo zavriti u taki Pi granice
proraunskog domena kada novoformirana krunica bude imala radijus manji od
zadanog Rmin. Vidimo da su duine koraka jednog sluajnog puta l QQ , l Q Q ,..., l Q P
1 1 2 m i

openito razliite.

Napravimo na opisani nain N sluajnih puteva od take Q do take Pi na


granici domena, u kojima je poznat Dirichletov potencijal P . Sada moemo izvriti
i

procjenu srednje vrijednosti potencijala u taki promatranja Q, na slijedei nain:


1 N
Q = Pi . (2.2.)
N i =1
2.3 Random Walk Methods RWM metod
Ovaj metod se jo naziva Metoda Monte Carlo sa konstantnim korakom sluajnog
puta.

Slika 2.2. Metoda Monte Carlo sa konstantnom veliinom koraka sluajnog puta Pi na
granici domena u kojima je poznat Dirichletov potencijal Pi

Promatrajmo na slici 2.2., primjer prorauna 2-D elektrostatikog polja. Potrebno je


proraunati potencijal u taki promatranja Q. Izdijelimo unutranjost promatranog do-
mena kvadratnom mreom. Na vanjskoj granici u takama Pi nalaze se narinuti Dirich-
letovi granini uvjeti, a u ostalim takama na otvorenim granicama vladaju homogeni
Neumannovi uvjeti. Primijenimo varijantu metode Monte Carlo sa konstantnom
veliinom koraka sluajnog puta (takozvana Random Walk Methods). Postoji bezbroj
puteva koji vode od take Q do neke take Pi na granici proraunskog domena, u
kojoj je poznata vrijednost funkcije potencijala. Krenimo iz take Q i primijenimo
proceduru sluajnog puta od take Q do take Pi. Napravimo odreeni broj sluajnih
opita odabira sluajnih brojeva.
Definirajmo pravac kretanja u tekuem koraku sluajnog puta u funkciji od vrijednos-
ti sluajnog broja SB, na slijedei nain:
1
IF 0 < SB THEN vri se pomjeranje za +x
4

1 2
IF < SB THEN vri se pomjeranje za + y
4 4
2 3
IF < SB THEN vri se pomjeranje za x
4 4
3
IF < SB < 1 THEN vri se pomjeranje za y. (2.3.)
4

Poslije odreenog broja sluajnih opita doi emo sluajnim putem u taku Pina
granici domena, gdje emo zavriti i-ti sluajni put. Napravimo N sluajnih
puteva gdje emo doi u N taki.Sada moemo izvriti procjenu srednje vrijednosti
potencijala u taki promatranja Q, primjenom izraza (2.1.).

Slika 2.3. Primjer prorauna elektrostatikog polja primjenom RWM

Primjer
Promatrajmo na slici 2.3., primjer prorauna 2-D elektrostatikog polja. Potrebno je
metodom Monte Carlo sa istim korakom sluajnog puta proraunati vrijednost
potencijala u taki promatranja Q u unutranjosti domena. Prvo emo unutranjost
domena izdijeliti pravilnom kvadraturnom mreom. Iz take Q kreui se sluajnim
putevima po stranicama kvadratne mree, doi emo na granicu domena. U takama
na granici domena su narinuti Dirichletovi uvjeti, a na otvorenim granicama vladaju
homogeni Neumannovi uvjeti.
Zadavanje Dirichletovih graninih uvjeta
Usvojimo slijedee oznake:
N100 % broj napravljenih sluajnih puteva od take Q promatranja potencijala do
neke take na graninoj liniji sa narinutim Dirichletovim potencijalom =
100 %.
N0 % broj napravljenih sluajnih puteva od take Q promatranja potencijala do
neke take na graninoj liniji sa narinutim Dirichletovim potencijalom =
0 %.
N ukupan broj sluajnih puteva od take Q promatranja potencijala do bilo
koje take sa narinutim potencijalom, a moe se izraunati na slijedei nain:
N = N 0 % + N100 % (2.4.)
100% Dirichletov potencijal 100 %.
0% Dirichletov potencijal 0 %.

Prema metodi Monte Carlo potencijal take Q se moe priblino izraunati na


slijedei nain:
1 N100% N 0%

Q = 100% + 0% (2.5.)
N i =1 i =1

Zadavanje homogenih Neumannovih uvjeta na otvorenim granicama


Promatrajmo na slici 2.3., kretanje sluajnog puta od take Q kada u jednom trenutku
doemo na otvorenu granicu na kojoj vlada homogeni Neumannov uvjet
(/n) = 0. Isprekidanim crtama je oznaen naredni korak sluajnog puta. Iskoristit
emo zadatu osobinu (/n) = 0 ekvipotencijalne linije da dolazi pod pravim uglom
na otvorenu granicu. Zbog toga emo u taki na otvorenoj granici, umjesto da se
kreemo isprekidanom linijom, vratiti se unazad u unutranjost domena za veliinu
jednog koraka kvadratne mree. Nastavit emo sluajni put sve dotle dok ne doemo
na neku taku na granici domena u kojoj je narinut poznat Dirichletov potencijal.

Raunarski program MMC.f90


Sada emo izvriti kodiranje opisane procedure metode Monte Carlo. Oznaimo na
slici 3.6. dvodimenzionalnim indeksima (i, j) kvadratnu mreu unutranjosti domena
prorauna elektrostatikog polja razmatranog primjera. Raunarski program napisan u
Fortranu, izgleda ovako:

!___________PROGRAM MMC.f90
OPEN (7,file='IZLAZ')
Imax = 9
Jmax = 9
!___________Zadavanje maksimalnog broja sluajnih puteva
Nmax = 200000
!___________Uitavanje indeksa take promatranja Q potencijala sluajnih puteva
DO 1 JQ = 8,1,-1
DO 1 IQ = 1,8
IF (IQ.LE.5.AND.JQ.LE.5) GOTO 1
suma = 0.
N=0
4 CONTINUE
I = IQ
J = JQ
!___________Odabir sluajnog broja
2 CALL Random_Number (SB)
!___________Definiranje kriterija pravca koraka sluajnog puta
!__________________Prirataj koraka sluajnog puta za +Dx
IF ((SB.GT.0.).AND.(SB.LE.1./4.)) THEN
I = I+1
!_________________________Zadavanje Dirichletovih potencijala 0 %
IF (I.EQ.Imax) THEN
suma = suma+0.
GOTO 3
ELSE
GOTO 2
END IF
END IF
!__________________Prirataj koraka sluajnog puta za +Dy
IF ((SB.GT.1./4.).AND.(SB.LE.1./2.)) THEN
J = J+1
!_________________________Zadavanje Dirichletovih potencijala 0 %
IF (J.EQ.Jmax) THEN
suma = suma+0.
GOTO 3
ELSE
GOTO 2
END IF
END IF
!__________________Prirataj koraka sluajnog puta za -Dx
IF ((SB.GT.1./2.).AND.(SB.LE.3./4.)) THEN
I = I-1
!_________________________Zadavanje lijeve otvorene granice (j/n)=0
IF (I.EQ.-1) I = I+2
!_________________________Zadavanje Dirichletovih potencijala 100 %
IF ((I.EQ.5).AND.(J.LE.5)) THEN
suma = suma+100.
GOTO 3
ELSE
GOTO 2
END IF
END IF
!__________________Prirataj koraka sluajnog puta za -Dy
IF ((SB.GT.3./4.).AND.(SB.LE.1.)) THEN
J = J-1
!_________________________Zadavanje donje otvorene granice (j/n)=0
IF (J.EQ.-1) J = J+2
!_________________________Zadavanje Dirichletovih potencijala 100 %
IF ((I.LE.5).AND.(J.EQ.5)) THEN
suma = suma+100.
GOTO 3
ELSE
GOTO 2
END IF
END IF
3 CONTINUE
N = N+1
Potencijal= suma/FLOAT (N)
IF (N.LT.Nmax) THEN
GOTO 4
ELSE
WRITE (*,*) 'Potencijal u taki:',IQ,JQ,' iznosi:',Potencijal
WRITE (7,*) 'Potencijal u taki:',IQ,JQ,' iznosi:',Potencijal
END IF
1 CONTINUE
STOP
END

Slika 4. Indeksiranje mree kretanja sluajnim putem razmatranog primjera

Rezultati proraunatih vrijednosti potencijala u vorovima prikazani su na slici 2.5.


Slika 2.5. Vrijednosti proraunatih potencijala u vorovima razmatranog primjera

2.3 Markovljevi lanci Monte Carlo - MCMC metod


Markovljevi procesi su procesi ije budue stanje zavisi samo od trenutnog stanja,
procesi vremenski nezavisni o svakom prethodnom stanju. U funkciji su dviju
sluajnih varijabli: stanja sistema i vremena posmatranja, a kako obje varijable mogu
biti ili diskretne ili kontinuirane sluajne varijable, razlikujemo etiri tipa modela.
Model diskretnih stanja i kontinuiranog vremena naziva se Markovljev proces, a
model diskretnih stanja i diskretnog vremena Markovljev lanac.
Dakle, sluajni proces je Markovljev, ako uvjetna distribucija sluajne varijable {X
(t), tT }, uz danu prolost zavisi samo o prethodnom uzorku:
P { X (tn +1 ) = xn +1 | X (t1 ) = x1 , X (t2 ) = x2 ,..., X (tn ) = xn } =
(2.6)
= P { X (tn +1 ) = xn +1 | X (tn ) = xn } ,

pri emu je t1 < t2 < ... < tn < tn +1 .

Markovljev lanac dobiva se na nain da se diskretizira i varijabla vremena.


Stoga je Markovljev lanac stohastiki proces s diskretnim stanjima koji mora
zadovoljavati sljedea svojstva:

1. Svaki rezultat pripada konanom skupu svih moguih rezultata { x1 , x2 ,..., xm }


nazvanom prostorom stanja sistema, npr. ako je rezultat n-tog eksperimenta
xitadaemo rei da se sistem nalazi u stanju xiu vremenu n ili nakon n-tog
eksperimenta,odnosno n-tog koraka.

2. Rezultat bilo kojeg eksperimenta zavisi samo od rezultata prethodnog


eksperimenta, a ne o rezultatima prethodnih eksperimenata. Na taj je nain sa
svakim parom stanja { xi , x j } dana vjerovatnost pijda se rezultat xj dogodio
neposredno nakon rezultata xi.

Formalno zapisano, za Markovljev lanac { X n , n 0} , n N , vremenski


konstantna vjerovatnost prijelaza iz stanja xi u stanje xjdana je sa:

{ }
P X n +1 = x j | X 1 = xi1 , X 2 = xi2 ,..., X n = xi = P { X n +1 = x j | X n = xi } = pij . (3.11)

Markovljev lanac u kojem ishod eksperimenta zavisi samo o jednom


prethodnom rezultatu naziva se Markovljev lanac prvog reda. Kako prijelazne
vjerovatnosti ne zavise o vremenu, tj. o rednom broju eksperimenta (n) mogue ih je
smjestiti u kvadratnu stohastiku prijelaznu matricuPreda mxm :

X n +1
p11 p12 L p1m
p p22 L p2 m
P = X n 21 (2.7)
M M O M

pm1 pm 2 L pmm

Svakom stanju xi odgovara i-ti redak { pi1 , pi 2 ,..., pim } prijelazne matrice P, to
znai da ukoliko je sistem u stanju xi, taj redak daje sve mogue vjerovatnosti
zbivanja svih moguih rezultata idueg eksperimenta.

U Markovljevom lancu k-tog reda, stanje procesa zavisi o k prethodnih stanja:


{ }
P X n +1 = x j | X n k = xi1 , X n k +1 = xi2 ,..., X n = xi = pi1i2 ...in j . (2.8)

Matrica prijelaza za Markovljev lanac k-tog reda je k-dimenzionalna, gdje


svaka dimenzija predstavlja prethodno stanje procesa. Kao i u Markovljevom lancu
prvog reda zbir elemenata posljednje dimenzije, tj. zbir vjerovatnosti za sva mogua
budua stanja mora biti jednak jedinici pi1i2 ...in j = 1 .
j

Ako pretpostavimo da ima nf slobodnih (ili neapsorpcionih) taaka i np fiksnih


(propusnih ili apsorpcionih1) taaka, veliina prijelazne matrice je reda nxn gdje je:

n = n f + np . (2.9)

Neka su apsorpcione take prvo numerisane, a neapsorpcione posljednje, nxn


prijelazna matrica (3.12) postaje:

I 0
P= , (2.10)
R Q

gdje matrica R (reda nf x np) predstavlja vjerovatnou kretanja estice od


neapsorpcione take do apsorpcione; matrica Q (nf x nf) predstavlja vjerovatnou
kretanja estice od jedne do druge neapsorpcione take; matrica I (np x np) je
identitetna matrica koja predstavlja prijelaz izmeu apsorpcionih taaka; matrica 0 je
nulta matrica koja pokazuje da nema prijalaza od apsorpcionih do neapsorpcionih
taaka. Laplaceova jednaina:
2V = 0 (2.11)
moe se pisati kao:

V ( x, y ) = p x +V ( x + , y ) + p x V ( x , y ) + p y +V ( x, y + ) + p y V ( x, y ) (2.12)

gdje je:
1
px + = px = p y + = p y = . (2.13)
4

Za rjeavanje Laplaceove jednaine (2.11), dobivamo elemente matrice Q iz (3.18)


kao:

1
, ako je i direktno vezano sa j
Qij = 4 .
0, ako je i = j ili i nije direktno vezano sa j

1
Apsorpciona taka je ona taka u koju pristigne sluajno-hodajua estica gdje se apsorbuje.
Isto primjenimo na Rij izuzev da je j apsorpciona taka. Za svaki apsorpcioni
Markovljev lanac, I Q ima inverziju. Ova se obino oznaava kao fundamentalna
matrica:
N = (I - Q)1 (2.14)

gdje je Nij srednji broj puteva.

Apsorpciona vjerovatnoa matrice B je, [9]

B = NR , (2.15)

gdje je Rij vjerovatnoa da sluajna estica polazei iz neapsorpcione take i zavri


na apsorpcionoj taki j. Matrica B je reda nf x np.
np

B
j =1
ij = 1, i = 1, 2,..., n f (2.16)

Ako Vf i Vp sadre potencijale slobodnih i fiksnih taaka, tada je, [9]:

Vf = B Vp (2.17)

Jednaina (3.22) se moe pisati i kao:

np

Vi = Bij V j , i = n p + 1,..., n (2.18)


j =1

gdje je Vi potencijal na nekoj slobodnoj taki i. Jednaina (2.17) ili (2.18) omoguuje
rjeenje u svim slobodnim takama odjednom.

Alternativni put da se dobije rjeenje jednaine (3.22) je da se iskoristi osobina


matrice prijelaznih vjerovatnosti P. Kada se matrica P pomnoi sa sobom vie puta
dobivamo:

I 0
n
lim
P n = (2.19)
B 0
Tako je:
Vp n p
V I 0 Vp
V = P V = B 0 V (2.20)
f f f
n
Primjer 1
U ovom primjeru se razmatra beskonano dugaak provodni kanal sa pravouglim
presjekom. Kanal sa gornje strane je prikljuen na 100 V, dok su stranice i dno
uzemljeni kako je prikazano na slici 2.6. Treba odrediti potencijal sredinje take.

Matematski problem je postvaljen po jednaini (3.16). Jednaina (3.25) je predmet


graninih uslova gdje je:

V (0, y ) = V (a, y ) = V ( x, 0) = 0 i V ( x, a ) = 100 (2.21)

i treba da odredimo potencijal take V (a / 2, a / 2) . Moe se uzeti da je a=1, ali nije


neophodno.

Slika 2.62D primjer [9]

Tano rjeenje se dobiva koritenjem analitikog izraza za proraun potencijala


homogenog polja, primjenom metode odvajanja varijabli:

n x n y
400
sin sinh
a , n = 2k 1

a
V ( x, y ) = (2.22)
k =1 n sin(n )

Iz izraza (2.22) slijedi vrijednost traenog rjeenja potencijala take 5: V5=25V.

Da bi se upotrijebila tehnika Markovljevog lanca, potrebno je numerisati take kao na


slici 2.6. Taka 5 je jedina slobodna taka, tako da je nf=1, np=4. Matrica prijelazne
vjerovatnosti je:
1 2 3 4 5
1 1 0 0 0 0
2 0 1 0 0 0
(2.23)
P=3 0 0 1 0 0
4 0 0 0 1 0
5 1/ 4 1/ 4 1/ 4 1/ 4 0

Odakle slijedi:

Q = 0, N = (I - Q)1 = 1 (2.24)

R = [1/ 4 1/ 4 1/ 4 1/ 4] (2.25)

B=NR (2.27)

V1
V
Vf = B Vp = [1/ 4 1/ 4 1/ 4 1/ 4] 2 (2.28)
V3

V4
Moemo pisati :

1 1 1 1
V f = V5 = 100 + 0 + 0 + 0 = 25, 0 V (2.29)
4 4 4 4

to se slae sa tanim rjeenjem jednaine.

Mada metod daje tana rjeenja u ovom sluaju, to se ne moe garantirati iz


jednostavnog primjera, te e u nastavku biti razmotren sloeniji primjer. Ako se
koristi metod konstatnog sluajnog koraka (RWM) i raspodjeli se 1000 estica iz
take 5, dobije se broj estica apsorbovanih na granici kao N1=252, N2=251,
N3=250, N4=247 tako da se tim metodom dobiva:

V5 = ( 252 100 + 251 0 + 250 0 + 247 0 ) = 25, 2 V (2.30)

koje je manje tano rjeenje u odnosu na ono dobiveno MCMC metodom i predmet je
sluajnosti.
Primjer 2

Ovo je isti problem kao u primjeru 1, izuzev da sada raunamo potencijale u takama
(a/3,a/3), (a/3,2a/3), (2a/3,a/3) i (2a/3,2a/3). U ovom sluaju imamo da je nf=4, np=8
kao to se vidi na slici 2.7.

Slika 2.7 2D primjer

Matrica prijelazne vjerovatnosti je:

1 2 3 4 5 6 7 8 9 10 11 12
1 1 0 0 0 0 0 0 0 0 0 0 0
2 0 1 0 0 0 0 0 0 0 0 0 0
3 0 0 1 0 0 0 0 0 0 0 0 0
4 0 0 0 1 0 0 0 0 0 0 0 0
5 0 0 0 0 1 0 0 0 0 0 0 0
(2.31)
6 0 0 0 0 0 1 0 0 0 0 0 0
P=
7 0 0 0 0 0 0 1 0 0 0 0 0
8 0 0 0 0 0 0 0 1 0 0 0 0
9 1/ 4 0 0 0 0 0 0 1/ 4 0 1/ 4 1/ 4 0
10 0 1/ 4 1/ 4 0 0 0 0 0 1/ 4 0 0 1/ 4
11 0 0 0 0 0 1/ 4 1/ 4 0 1/ 4 0 0 1/ 4
12 0 0 0 1/ 4 1/ 4 0 0 0 0 1/ 4 1/ 4 0

Iz matrice P dobivamo matrice R i Q:


1 2 3 4 5 6 7 8
9 1/ 4 0 0 0 0 0 0 1/ 4
10 0 1/ 4 1/ 4 0 0 0 0 0 (2.32)
R=
11 0 0 0 0 0 1/ 4 1/ 4 0
12 0 0 0 1/ 4 1/ 4 0 0 0

9 10 11 12
9 0 1/ 4 1/ 4 0
10 1/ 4 0 0 1/ 4 (2.33)
Q=
11 1/ 4 0 0 1/ 4
12 0 1/ 4 1/ 4 0

Fundamentalna matrica N dobiva se kao:

1
1 1/ 4 1/ 4 0 7 2 2 1
1/ 4 1 0
1/ 4 7 1 2
1 1 2
N = (I - Q) = = (2.34)
1/ 4 0 1 1/ 4 6 2 1 7 2

0 1/ 4 1/ 4 1 1 2 2 7

Apsorpciona matrica vjerovatnosti B dobiva se kao:

1 2 3 4 5 6 7 8
9 7 / 24 1/12 1/12 1/ 24 1/ 24 1/12 1/12 7 / 24
10 1/12 7 / 24 7 / 24 1/12 1/12 1/ 24 1/ 24 1/12 (2.35)
B = NR =
11 1/12 1/ 24 1/ 24 1/12 1/12 7 / 24 7 / 24 1/12
12 1/ 24 1/12 1/12 7 / 24 7 / 24 1/12 1/12 1/ 24

Sada koristimo jednainu (2.18) da bi dobili potencijale slobodnih taaka. Na


primjer:

7 1 1 1 1 1 7 7
V9 = V1 + V2 + V3 + V4 + V5 + V6 + V7 + V8 (2.36)
24 12 12 14 24 12 12 24

Poto je V1=V2=100 V i V3=V4=...=V8 slijedi :


7 1
V9 = 100 + 100 = 37,5 V (2.37)
24 12

Zbog simetrije je V9=V10=37,5 V.

Slino je:

1 1
V11 = V12 = 100 + 100 = 12,5 V (2.38)
24 12

Tabela 2. uporeuje ove rezultate sa rezultatima koji su se dobili metodom


konanih razlika (sa 10 iteracija), metodom Monte Carlo (RWM metod sa 500000
sluajnih puteva) i tanim rjeenjem dobiveno koristei jednainu (3.27). Evidentno je
da se rjeenje dobiveno koristei Markovljeve lance dobro slae sa tanim rjeenjem i
rjeenjima dobivenim koristei metod konanih razlika i RWMMC metod.

Tabela 12. Usporedba rezultata potencijala raunatih razliitim metodama


Taka Metod RWM Tano rjeenje RWMMC
konanih
razlika
9 37,499 37,500 38,074 37,500
10 37,499 37,500 38,074 37,500
11 12,499 12,500 11,924 12,500
12 12,499 12,500 11,924 12,499

Kod programa MCMC.m

% PROGRAM MCMC.m za proraun 2D elektrosatatikih polja sa metodom


% Markovljevi lanci Monte Carlo
% formiranje matrice P
for i=1:8
P(i,i)=1;
end
P(9,1)=1/4;
P(9,8)=1/4;
P(9,10)=1/4;
P(9,11)=1/4;
P(10,2)=1/4;
P(10,3)=1/4;
P(10,9)=1/4;
P(10,12)=1/4;
P(11,6)=1/4;
P(11,7)=1/4;
P(11,9)=1/4;
P(11,12)=1/4;
P(12,4)=1/4;
P(12,5)=1/4;
P(12,10)=1/4;
P(12,11)=1/4;
P
% formiranje matrica R i Q
R(1,1)=1/4;
R(1,8)=1/4;
Q(1,2)=1/4;
Q(1,3)=1/4;
R(2,2)=1/4;
R(2,3)=1/4;
Q(2,1)=1/4;
Q(2,4)=1/4;
R(3,6)=1/4;
R(3,7)=1/4;
Q(3,1)=1/4;
Q(3,4)=1/4;
R(4,4)=1/4;
R(4,5)=1/4;
Q(4,2)=1/4;
Q(4,3)=1/4;
R
Q
% formiranje matrice I
for j=1:4
I(j,j)=1;
end
I
% formiranje matrice N=inv(I-Q)
N=inv(I-Q);
N
% formiranje matrice B=N*R
B=N*R;
B
% unoenje Dirichletovih graninih uvjeta
V(1)=100;
V(2)=100;
for i=3:8
V(i)=0;
end
V
% izraunavanje potencijala sredinjih taaka 9, 10, 11 i 12
Potencijal=B*V';
for i=1:4
V(i+8)=Potencijal(i);
end
V
Slika 2.8 Pokretanje koda i rjeenje u matlabu