Capı́tulo 1 Introducción Diversos procesos naturales e industriales de interés fı́sico; biologico, etc. son fenómenos de advección, difusión y reacción transitorios. Este es el caso, por ejemplo, del funcionamiento de los reactores quı́micos;la densidad de población de una especie natural o el estudio de la propagación de sustancias contaminantes en diferentes medios. La solución de dicha ecuación representa la concentración de la sustancia que se dispersa y es una información muy importante en el estudio de diversos problemas de interes ecológico como son: estimación del impacto ambiental por derrames de petroleo, ubicación optima de nuevas plantas industriales,determinación del sitio de una explosión nuclear y control de emisiones industriales. Debido a la complejidad de estos problemas no es posible en general obtener una solución analı́tica para la ecuación de difusión-advección-reacción, por lo que es necesario usar técnicas numéricas para hallar una solución aproximada. La modelización numérica de estas aplicaciones tecnológicas requiere del uso técnicas adecuadas para la resolución aducuada de las dificultades numéricas que se presentan debido a la propia naturaleza del problema traducido en la ecuación ası́ como de los problemas que surgen en el tratamiento numérico. Justificación del uso de Métodos Numéricos en la Solución de las EDP Los métodos de aproximación analt́ica a la solución de EDP, proporcionan frecuentemente información útil acerca del comportamiento de la solución en 5 6 valores crı́ticos de la variable dependiente, pero tienden a ser más difı́ciles de aplicar que los métodos numéricos. Entre las consideraciones que justifican el uso de métodos numéricos para solucionar ciertos tipos de ecuaciones diferenciales ordinarias y en derivadas parciales se encuentran: 1) Los datos de los problemas reales presentan siempre errores de medición, y el trabajo aritmético para la solución está limitado a un número finito de cifras significativas que resultan en errores de redondeo. Por lo tanto, incluso los métodos analı́ticos proporcionan resultados que son aproximaciones numéricas; 2) La evaluación numérica de las soluciones analı́ticas es a menudo una tarea laboriosa y computacionalmente ineficiente, mientras que los métodos numéricos generalmente proporcionan soluciones numéricas adecuadas, de manera más simple y eficiente (Smith, G. Numerical Solution of Partial Differential Equations: Finite Difference Methods. Oxford University Press, New York.1999.) 1. Introducción 1.1. 7 Objetivos Se plantea la resolución de la ecuación de advección difusión longitudinal;(se pueden usar para resolver problemas de adveccion difusion en 2D como en 3D );aplicando esquemas explicitos e implicitos en diferencias finitas. Presentar criterios de estabilidad sencillos, los cuales garantizan la estabilidad de los esquemas en diferencias finitas para resolver la ecuación de advección dispersión longitudinal; los criterios obtenidos deben garantizar la estabilidad y convergencia, como función de los numéros de Couran y Péclet, con todo esto se tiene a disposición métodos sencillos que son numéricamente estables y convergentes y aśi no se considera necesario recurrir a métodos más complicados para resolver la ecuación de advección dispersión para el caso unidimensional. 1.2. Extructura del trabajo En el capitulo I hacemos un resumen de algunas definiciones y propiedades del análisis funcional ası́ como del método de diferencias finitas para ser aplicados a problemas de advección difusión para el caso unidimensional. En el capitulo II presentamos el modelo matemático a estudiar ası́ como a manera de motivación algunas aplicaciones diversas y luego vemos la existencia y unicidad de la solución de nuestra ecuación modelo. En el capitulo III Presentamos a la ecuación Advección difusión transitoria y realizamos su correspondiente análisis numérico, nos ocupamos de la estabilidad la consistencia y la convergencia para los esquemas explicito e implicito de Crank Nicolson respectivamente, necesarios para realizar la implementación computacional y ver algunos experimentos. En el capitulo IV hacemos referencia a la resolución numérica de los grandes sistemas de ecuaciones lineales y revisamos los métodos iterativos más importantes para tratar sistemas de ecuaciones lineales, en especial los sistemas simétricos y definidos positivos que surgen en el tratamiento numérico de las ecuaciones diferenciales, en nuestro caso la ecuación de advección difusión unidimensional. En el capitulo V damos algunos ejemplos numéricos sobre la ecuación de advección difusión teniendo en cuenta el correspondiente análisis numérico hecho en el capitulo III dode nos ocupamos de la estabilidad la consistencia 8 1.3. Preliminares y la convergencia para los esquemas explicito e implicito de Crank Nicolson respectivamente. 1.3. 1.3.1. Preliminares Definiciones Soporte Compacto sea Ω ⊂ <n , Ω es un conjunto abierto y una función f : Ω → < el soporte se denota y define: Sop(f ) = {x ∈ Ω/f (x) 6= 0} Espacio C∞ 0 (Ω) Dado Ω ⊆ <n abierto C0∞ (Ω) = {f ∈ C ∞ /Sop(f ) es compacto} = D(Ω) Espacio Ck∞ (Ω) Sea K un conjunto compacto tal que K ⊂ Ω C0∞ (Ω) Representa al espacio vectorial de las funciones de prueba que son nulas fuera de K Distribución Un funcional lineal f definido en el espacio de las funciones de prueba en Ω es una distribución en Ω cuando para todo compacto K de Ω existe una constante c > 0 y un entero m > 0 (dependiendo de K en general ), tales que |(f, u)| ≤ ckukK,m para todo u en Ck∞ (Ω) y kukK,m = max|Dp u(x)|; x ∈ K, |p| ≤ m Convergencia Puntual en D0 (Ω) Una suceción (fm )m∈N de D0 (Ω) converge para la distribución f cuando para todo ϕ ∈ C0∞ (Ω) se verifica lı́m (fm , ϕ) = (f, ϕ) m→∞ 1. Introducción 9 Cuando este es el caso escribiremos lı́m fm = f en D0 (Ω) m→∞ Espacios Lp (Ω) sea Ω ⊂ <n f medible y 0 < p < ∞ Z p p L (Ω) = f medible/ |f | < ∞ kf k = (|f |p )1/p Ω Desigualdad de Yung Si 0 < p < ∞ 1 p + 1 q =1 entonces ab ≤ ap p + bq ∀a q ≥ 0, b ≥ 0 Desigualdad de Holder Para 1 ≤ p, q ≤ ∞ tal que 1 = p1 + 1q f g ∈ L1 (Ω) si f ∈ Lp (Ω) y g ∈ Lp (Ω) entonces kf gkL1 (Ω) ≤ kf kLp (Ω) kgkLq (Ω) y Espacio L1loc (Ω) Sea Ω ⊂ <n f medible , f es localmente integrable en Ω si Z |f (x)|dx < ∞ ∀K ⊂ Ω compacto K L1loc (Ω) = {f medible /f es integrable } Para 1 < p < ∞ Lploc (Ω) Z = {f medible / |f (x)|p dx < ∞∀K ⊂ Ω compacto } K Teorema 1 Si f y g ∈ L1loc (Ω) entonces Tf = Tg ( en el esentido de las distribuciones ) Si y sólo si f=g 10 1.3. Preliminares Espacios de Sobolev W k,p (Ω) = {f ∈ Lp (Ω)/Dα f ∈ Lp (Ω) , ∀α ∈ N n 0 ≤ |α| ≤ k} Si p = 2 entonces W k,2 (Ω) = H k (Ω) Observaciones 1) El espacio W k,p (Ω) es un espacio vectorial. 2) Dα f son derivadas en el sentido de las distribuciones; para cada W k,p (Ω) definimos la norma de f dada por, XZ p kf kk,p = |Dα f (x)|p dx |α|≤k Ω Teorema 2 El espacio de Sovlolev es de Banach. Espacio Hok (Ω) Designamos por Hok (Ω) la adherencia de Cok (Ω) en H k (Ω) es decir Hok (Ω) Hok (Ω) = Cok (Ω) Corolario D(Ω) es denso en Hok (Ω) Teorema 3 Desigualdad de Sobolev Suponga 1 ≤ p < n y 1q = p1 − n1 y co = n ϕ ∈ D(R se tiene : (n−1)p ((n−p) n co X |ϕ| ≤ kDi ϕkLp (Rn n i=1 entonces, para cada 1. Introducción 1.3.2. 11 Método de Diferencias Finitas Este método de diferencias finitas consiste en reemplazar un dominio continuo espacio tiempo por un conjunto de puntos (cada uno de ellos llamados nodos) llamado malla o red computacional; plantearemos los esquemas de diferencias en cada uno de los nodos interiores del mallado teniendo en cuenta las moléculas computacionales. Es decir tenemos que prescindir de la ecuación (es) en derivadas parciales por un sistema de ecuaciones algebraicas, pues se aproximan a los operadores diferenciales por diferencia finita, de esta forma se obtiene una ecuación algebraica en cada punto de la malla, estas ecuaciones algebraicas involucran los valores de las funciones en el punto considerado y en sus vecinos cercanos (llamado molécula computacional). De esta manera nuestro problema se transforma en uno de álgebra matricial. Vamos a trabajar en un dominio Ω = [a, b] × [c, d] acotado en R2 con las particiones siguientes a = x0 < x 1 < x 2 < · · · < x M = b c = t0 < t1 < t2 < · · · < tm = d Donde el tamaño de los pasos ∆t, ∆x,puede ser homogéneo o no, si lo tomamos homogéneo en este caso tenemos ∆x = xi − xi−1 = b−a =h M ∆t = tj − xj−1 = d−c =k m Tenemos entonces el dominio discreto. D = {(xi , tj )/i = 0, 1, 2, ...M, j = 0, 1, 2, ...m} Obtención de fórmulas en diferencis finitas para la aproximación de derivadas de funciones La forma más usual para obtener expresiones en diferencias finitas de los valores de las derivadas de funciones consiste en combinar de forma adecuada desarrollos en serie de Taylor de dichas funciones. Ello exige, admitir cierta regularidad para las funciones con las que se opere en el sentido de exigir que la función pueda desarrollarse en serie de Taylor 12 1.3. Preliminares Figura 1.1: Ej. de malla de diferencias finitas con nodo central (xo , yo ) hasta el último término que nos interese y siendo h > 0 y k > 0,consideremos los desarrollos en series: 3 3 4 4 2 ∂2 u(x∗ ,y ∗ )+ h6 ∂ 3 u(x∗ ,y ∗ )+ h24 ∂ 4 u(x∗ ,y ∗ )+... ∂x2 ∂x ∂x (1.1) 3 4 3 4 2 ∂2 u(x∗ ,y ∗ )− h6 ∂ 3 u(x∗ ,y ∗ )+ h24 ∂ 4 u(x∗ ,y ∗ )−... ∂x2 ∂x ∂x (1.2) 3 4 3 4 2 ∂2 u(x∗ ,y ∗ )+ k6 ∂ 3 u(x∗ ,y ∗ )+ k24 ∂ 4 u(x∗ ,y ∗ )+... ∂y 2 ∂y ∂y (1.3) 3 3 4 4 2 ∂2 u(x∗ ,y ∗ )− k6 ∂ 3 u(x∗ ,y ∗ )+ k24 ∂ 4 u(x∗ ,y ∗ )... ∂y 2 ∂y ∂y (1.4) ∂ u(x∗ +h,y ∗ )=u(x∗ ,y ∗ )+h ∂x u(x∗ ,y ∗ )+ h2 ∂ u(x∗ −h,y ∗ )=u(x∗ ,y ∗ )−h ∂x u(x∗ ,y ∗ )+ h2 ∂ u(x∗ ,y ∗ +k)=u(x∗ ,y ∗ )+k ∂y u(x∗ ,y ∗ )+ k2 ∂ u(x∗ ,y ∗ −k)=u(x∗ ,y ∗ )−k ∂y u(x∗ ,y ∗ )+ k2 2 ∂2 ∂2 u(x∗ ,y ∗ )+hk ∂x∂y u(x∗ ,y ∗ )+ ∂x2 3 3 2 3 2 k2 ∂ 2 ∂3 u(x∗ ,y ∗ )+ h6 ∂ 3 u(x∗ ,y ∗ )+ h2 k ∂2 u(x∗ ,y ∗ )+ hk2 u(x∗ ,y ∗ )+ 2 ∂y 2 ∂x ∂x ∂y ∂x∂y 2 ∂ ∂ u(x∗ +h,y ∗ +k)=u(x∗ ,y ∗ )+h ∂x u(x∗ ,y ∗ )+k ∂y u(x∗ ,y ∗ )+ h2 + ∂3 ∗ ∗ + k63 ∂y 3 u(x ,y )+··· (1.5) 2 ∂2 ∂2 u(x∗ ,y ∗ )−hk ∂x∂y u(x∗ ,y ∗ )+ ∂x2 2 2 3 3 2 3 2 3 k ∂ ∂ u(x∗ ,y ∗ )+ h6 ∂ 3 u(x∗ ,y ∗ )− h2 k ∂2 u(x∗ ,y ∗ )+ hk2 u(x∗ ,y ∗ )− 2 ∂y 2 ∂x ∂x ∂y ∂x∂y 2 ∂ ∂ u(x∗ +h,y ∗ −k)=u(x∗ ,y ∗ )+h ∂x u(x∗ ,y ∗ )−k ∂y u(x∗ ,y ∗ )+ h2 + ∂3 ∗ ∗ − k63 ∂y 3 u(x ,y )+··· (1.6) 1. Introducción 13 2 ∂2 ∂2 u(x∗ ,y ∗ )−hk ∂x∂y u(x∗ ,y ∗ )+ ∂x2 2 2 3 3 2 3 2 3 k ∂ ∂ u(x∗ ,y ∗ )− h6 ∂ 3 u(x∗ ,y ∗ )+ h2 k ∂2 u(x∗ ,y ∗ )− hk2 u(x∗ ,y ∗ )+ 2 ∂y 2 ∂x ∂x ∂y ∂x∂y 2 ∂ ∂ u(x∗ ,y ∗ )+k ∂y u(x∗ ,y ∗ )+ h2 u(x∗ −h,y ∗ +k)=u(x∗ ,y ∗ )−h ∂x + ∂3 ∗ ∗ + k63 ∂y 3 u(x ,y )+··· (1.7) 2 ∂2 ∂2 u(x∗ ,y ∗ )+hk ∂x∂y u(x∗ ,y ∗ )+ ∂x2 3 2 3 3 2 k2 ∂ 2 ∂3 u(x∗ ,y ∗ )− h6 ∂ 3 u(x∗ ,y ∗ )− h2 k ∂3 u(x∗ ,y ∗ )− hk2 u(x∗ ,y ∗ )− 2 ∂y 2 ∂x ∂x ∂y ∂x∂y 2 ∂ ∂ u(x∗ −h,y ∗ −k)=u(x∗ ,y ∗ )−h ∂x u(x∗ ,y ∗ )−k ∂y u(x∗ ,y ∗ )+ h2 + 3 − k63 partial ∂y 3 (1.8) u(x∗ ,y ∗ )+··· Con los ocho desarrollos anteriores podemos obtener diferentes formas de aproximar las derivadas parciales (de primer y segundo orden ) de la función u en el punto (x∗ , y ∗ ) . En efecto de (1) puede despejarse la primera derivada parcial de u respecto a x obtenindose u(x∗ + h, y ∗ ) − u(x∗ , y ∗ ) h ∂ 2 h2 ∂ 3 ∂ ∗ ∗ u(x∗ , y ∗ ) = − u(x , y ) − − ··· ∂x h 2 ∂x2 6 ∂x3 Es decir: ∂u u(x∗ + h, y ∗ ) − u(x∗ , y ∗ ) ≈ (1.9) ∂x h Es una fórmula en diferencias finitas progresiva, aproxima la derivada parcial respecto a x de la función u en (x∗ , y ∗ ) con error de truncatura: Etr = 0(h) De (2) tenemos : u(x∗ , y ∗ ) − u(x∗ − h, y ∗ ) ∂u ≈ ∂x h (1.10) Es una fórmula de diferencias finitas progresiva, con un error de truncatura: Etr = (h) Restando (2) de (1) obtendramos la fórmula centrada 14 1.3. Preliminares u(x∗ + h, y ∗ ) − u(x∗ − h, y ∗ ) ∂u ≈ ∂x 2h Con error de truncatura Etr = o(h2 ) (1.11) De(3)y (4) se tiene para aproximar la primera derivada parcial respecto a y las fórmulas y errores. Progresiva ∂u u(x∗ , y ∗ + k) − u(x∗ , y ∗ ) ≈ (1.12) ∂y k Etr = 0(k) Regresiva ∂u u(x∗ , y ∗ ) − u(x∗ , y ∗ − k) ≈ ∂y h (1.13) Etr = 0(k) Centrada u(x∗ , y ∗ + k) − u(x∗ , y ∗ − k) ∂u ≈ ∂y h (1.14) Etr = 0(k 2 ) Para aproximar la segunda derivada parcial de u respecto a x en el punto (x , y ∗ ) podrı́a, sumarse (11) con (12) lo que nos conducira a la fórmula. Centrada ∂u2 u(x∗ − h, y ∗ ) − 2u(x∗ , y ∗ ) + u(x∗ + h, y ∗ ) ≈ (1.15) ∂x2 h2 ∗ Etr = 0(h2 ) Y sumando (3) con (4) se obtendrá. u(x∗ , y ∗ − k) − 2u(x∗ , y ∗ ) + u(x∗ , y ∗ + k) ∂u2 ≈ ∂y 2 k (1.16) Etr = 0(k 2 ) Para aproximar la segunda derivada cruzada podran sumarse (5) y (8) y a esto restarle (6) y (7) y tendremos: 1. Introducción 15 ∂2u u(x∗ + h, y ∗ + k) − u(x∗ − h, y ∗ + k) − u(x∗ + h, y ∗ − k) + u(x∗ − h, y ∗ − k) ≈ ∂x∂y 4hk (1.17) k3 h3 2 Etr = 0( , h , hk, k 2 , ) k h GENERALIDADES SOBRE EL TRATAMIENTO DE UN PROBLEMA DE EVOLUCIÓN El tratamiento numérico mediante diferencias finitas de este tipo de problemas se fundamenta en dos pasos: en primer lugar se produce a realizar una discretización temporal del problema y tras ello se realiza una discretización espacial, mediante un esquema de diferencias finitas como los esquemas planteados. Siendo sencilla la idea sobre la que se sustenta los esquemas numéricos en diferencias finitas para la resolucin aproximada de problemas evolutivos como el antes planteado, aparecen nuevas cuestiones que será necesario analizar tales como, ¿Qué relación debe haber entre el tamaño de paso temporal y los tamaños de discretización espacial para garantizar la convergencia ?; ¿Qué error es de esperar que tengan las soluciones obtenidas mediante este este esquema numérico ? ¿cúal es la diferencia entre la solución exacta unj sobre los puntos de la malla y la solución aproximada Ujn ? etc. DEFINICIÓN (ERROR DE TRUNCAMIENTO τ ) Dado el problema Lu = f L : Operador diferencial, complementado con ciertas condiciones del problema lleva a Lh U = fh Lh :Aproximación al operador diferencial. Definimos error de truncatura como Lh u − fh = τ El cuál es la cantidad por la que solucion exacta no satisface el esquema numérico (Es lo que hay que eliminar a la EDP para para obtener las ecuaciones discretas) 16 1.3. Preliminares DEFINICIÓN (CONSISTENCIA) Un método es consistente con el problema en una cierta norma discreta de <n cuando ∆t, ∆x → 0 λ = cte. si n lı́m máx {kτ k} = 0 ∆x→0 ∆t→0 0≤n∆t≤T DEFINICIÓN (ESTABILIDAD) El concepto de Estabilidad de un esquema númerica nos permite analizar como pequeños errores iniciales se trasmiten en las sucesivas etapas de calculo de la solución aproximada. EL MÉTODO DE VON NEUMANN La idea de Von Neumann consiste en el estudio de las soluciones exactas del tipo u(x, y) = f (t)eikx de la ecuación en derivadas parciales. Al sustituir en la misma encontramos el valor de f (t) , una vez conocidas las propiedades de las soluciones exactas de la ecuación en derivadas parciales se trata de ver si el esquema en en derivadas cumple las propiedades discretas análogas √ n ikj∆x tomando soluciones discretas Uj = fn e con i = −1 Dado que al pasar a la ecuación discreta se pierde el caracter exacto de la solución, lógicamente tendremos una diferencia cuantitativa entre la sollucion numérica y la exacta. Lo que se pretende con el análisis de estabilidad es decidir si al menos las propiedades cualitativas de f (t) son conservadas por su aproximación discreta fn . DEFINICIÓN (CONVERGENCIA DEL ESQUEMA ) Diremos que un esquema numérico es convergente si en un punto cualquiera del dominio (x, t) ∈ (0, L)x(0, T ) se cumple que la solución aproximada en este punto tiende a la solución de la ecuación en derivadas parciales cuando ∆x → 0, ∆y → 0 para un valor fijo de los valores iniciales. Teorema 4 Teorema de Lax Dado un problema de valores iniciales bien planteado matemáticamente y una aproximación en diferencias finitas a él que satisface la condici’on de 1. Introducción 17 consistencia, entonces la estabilidad es condicion necesaria y suficiente para la convergencia. Consistencia + Estabilidad=Convergencia Ejemplo Como ejemplo presentamos el siguiente: Teorema Análisis de la Ecuación de Advección Difusión Transitorio La ecuación de convección difusión ∂u ∂2u ∂u +α =β 2 ∂t ∂x ∂x x ∈ h0, bi t ∈ [0, T ] Con el esquema explicito: Cr Cr m+1 m m m Uj = λ+ Uj−1 + (1 − 2λ) Uj + λ − Uj+1 2 2 Es Consistente de orden 1 para el tiempo y de orden 2 para el espacio. ∆t Pe = Es Estable para 0 < Cr ≤ P2e < 1 14 ≤ λ < 12 donde Cr = α ∆x ∆x Cr α β λ = Pe y Es Convergente. 18 1.3. Preliminares