Grupo2 - Ondas1

Integrantes do grupo: Rodrigo Zamin Ferreira (262692), Leonardo Xavier Rodrigues (262696), Maurício Gomes de Queiroz (264889) e Rodrigo Lopes de Sousa Silva (262705)

Introdução

A modelagem numérica vem se tornando cada vez mais uma ferramenta indispensável para um engenheiro. Tal modelagem pode trazer informações importantes para entender como melhor abordar o desenvolvimento de um projeto, neste caso, um que envolva ondas. Nós, como futuros engenheiros físicos, pensamos em trazer um problema mais "concreto", de engenharia costeira e portuária, que pode ou não surgir em nossas vidas profissionais mas cujo método de solução certamente estará presente. Aqui será apresentado um modelo baseado em uma condição inicial e um perfil topográfico do local estudado que descreve a evolução temporal de uma onda.

Inicialmente, para testarmos os diferentes métodos, utilizaremos a equação da onda em uma dimensão, que é uma equação diferencial parcial de segunda ordem, para modelarmos uma corda:

${\frac {\partial ^{2}u}{\partial t^{2}}}=c^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}$

em que $u(x,t)$ é o deslocamento vertical da corda, $c$ é a velocidade de propagação da onda e $0<x<L$, com $L$ o comprimento da corda.

Admitindo $c=1$,

${\frac {\partial }{\partial t}}{\Big (}{\frac {\partial u}{\partial t}}{\Big )}={\frac {\partial }{\partial x}}{\Big (}{\frac {\partial u}{\partial x}}{\Big )}$ .

Uma vez que os métodos citados abaixo são para equações de primeira ordem, é necessário separarmos a equação em um sistema de equações, fazendo a substituição $v={\frac {\partial u}{\partial t}}$ e $w={\frac {\partial u}{\partial x}}$, de forma que:

${\begin{cases}{\dfrac {\partial v}{\partial t}}={\dfrac {\partial w}{\partial x}}\\\\{\dfrac {\partial v}{\partial x}}={\dfrac {\partial w}{\partial t}}\\\end{cases}}$

As condições de contorno utilizadas aqui são $u(0,t)=u(L,t)=0$ (pontas fixas), e as condições iniciais são $u(x,0)=\sin {{\Big (}{\frac {\pi x}{L}}{\Big )}}$ e ${\frac {\partial u}{\partial t}}(x,0)=0$

Algoritmos

Apresentaremos aqui três abordagens diferentes para a solução da equação diferencial parcial apresentada, e após, seus respectivos erros associados. A respeito das discretizações, $j$ corresponde à posição, e $n$ representa o tempo.

Método de Lax-Friedrichs - ${\mathcal {O}}(\Delta x^{2},\Delta t)$

Esse método consiste em inicialmente discretizar as equações no esquema FTCS (Forward Time Centered Space), ou seja, discretizando a derivada temporal utilizando os tempos n e n+1 e a derivada espacial através das posições j-1 e j+1:

${\frac {1}{\Delta t}}(v_{j}^{n+1}-v_{j}^{n})={\frac {1}{2\Delta x}}(w_{j+1}^{n}-w_{j-1}^{n})$,

${\frac {1}{\Delta t}}(w_{j}^{n+1}-w_{j}^{n})={\frac {1}{2\Delta x}}(v_{j+1}^{n}-v_{j-1}^{n})$.

Resultando em

$v_{j}^{n+1}=v_{j}^{n}+{\frac {\Delta t}{2\Delta x}}(w_{j+1}^{n}-w_{j-1}^{n})$,

$w_{j}^{n+1}=w_{j}^{n}+{\frac {\Delta t}{2\Delta x}}(v_{j+1}^{n}-v_{j-1}^{n})$.

Entretanto, ao se realizar uma análise de estabilidade de Von Neumann, conclui-se que esse método é instável . Para torná-lo estável, é necessário trocarmos os termos $v_{j}^{n}$ e $w_{j}^{n}$ por suas médias espaciais, chegando, assim, na expressão do esquema de Lax-Friedrichs:

$v_{j}^{n+1}={\Big (}{\frac {v_{j-1}^{n}+v_{j+1}^{n}}{2}}{\Big )}+{\frac {\Delta t}{2\Delta x}}(w_{j+1}^{n}-w_{j-1}^{n})$,

$w_{j}^{n+1}={\Big (}{\frac {w_{j-1}^{n}+w_{j+1}^{n}}{2}}{\Big )}+{\frac {\Delta t}{2\Delta x}}(v_{j+1}^{n}-v_{j-1}^{n})$.

Para obtermos o valor de $u_{j}^{n+1}$, que é o nosso objetivo, discretizamos a equação ${\frac {\partial u}{\partial t}}=v$

$u_{j}^{n+1}=u_{j}^{n}+v_{j}^{n}\Delta t$,

Embora as médias espaciais sejam necessárias para a estabilidade do método, elas introduzem um problema: surge um efeito chamado de dissipação numérica, ou seja, a amplitude da solução diminui com o tempo. Isso pode ser observado através da análise de Von Neumann ou de uma investigação da equação do esquema Lax-Friedrichs . Por este método, observa-se que ao inserirmos as médias, mudamos a equação original do problema, pois agora há também um termo do tipo difusivo (uma derivada segunda), com constante de difusão ${\frac {(\Delta x)^{2}}{2\Delta t}}$ .

Agora vamos unir todas as equações, utilizando, além da equação para $u$ obtida acima, as discretizações de $v={\frac {\partial u}{\partial t}}$ e $w={\frac {\partial u}{\partial x}}$

$v_{j}^{n}={\frac {1}{\Delta t}}(u_{j}^{n+1}-u_{j}^{n})$,

$w_{j}^{n}={\frac {1}{2\Delta x}}(u_{j+1}^{n}-u_{j-1}^{n})$.

Assim, obtemos

$u_{j}^{n+1}=u_{j}^{n}+{\Big (}{\frac {u_{j-1}^{n}+u_{j+1}^{n}}{2}}{\Big )}-{\Big (}{\frac {u_{j-1}^{n-1}+u_{j+1}^{n-1}}{2}}{\Big )}+{\frac {(\Delta t)^{2}}{4(\Delta x)^{2}}}{\Big (}u_{j-2}^{n-1}-2u_{j}^{n-1}+u_{j+2}^{n-1}{\Big )}$.

Método de Leapfrog - ${\mathcal {O}}(\Delta x^{2},\Delta t^{2})$

Neste método utilizamos os pontos intermediários na discretização das equações.

Para $v$ temos

${\frac {1}{\Delta t}}{\bigg (}v_{j}^{n+{\frac {1}{2}}}-v_{j}^{n-{\frac {1}{2}}}{\bigg )}={\frac {1}{\Delta x}}{\Big (}w_{j+{\frac {1}{2}}}^{n}-w_{j-{\frac {1}{2}}}^{n}{\bigg )}\Rightarrow v_{j}^{n+{\frac {1}{2}}}=v_{j}^{n-{\frac {1}{2}}}+{\frac {\Delta t}{\Delta x}}{\bigg (}w_{j+{\frac {1}{2}}}^{n}-w_{j-{\frac {1}{2}}}^{n}{\bigg )}$,

Para $w$ temos

${\frac {1}{\Delta x}}{\bigg (}v_{j+1}^{n+{\frac {1}{2}}}-v_{j}^{n+{\frac {1}{2}}}{\bigg )}={\frac {1}{\Delta t}}{\bigg (}w_{j+{\frac {1}{2}}}^{n+1}-w_{j+{\frac {1}{2}}}^{n}{\bigg )}\Rightarrow w_{j+{\frac {1}{2}}}^{n+1}=w_{j+{\frac {1}{2}}}^{n}+{\frac {\Delta t}{\Delta x}}{\bigg (}v_{j+1}^{n+{\frac {1}{2}}}-v_{j}^{n+{\frac {1}{2}}}{\bigg )}$,

Para $u$ temos

$v_{j}^{n+{\frac {1}{2}}}={\frac {\partial u}{\partial t}}{\bigg |}_{j}^{n+{\frac {1}{2}}}={\frac {1}{\Delta t}}(u_{j}^{n+1}-u_{j}^{n})\Rightarrow u_{j}^{n+1}=u_{j}^{n}+v_{j}^{n+{\frac {1}{2}}}\Delta t$,

Utilizando o fato de que

$v_{j}^{n+{\frac {1}{2}}}={\frac {1}{\Delta t}}(u_{j}^{n+1}-u_{j}^{n})$,

$w_{j+{\frac {1}{2}}}^{n}={\frac {1}{\Delta x}}(u_{j+1}^{n}-u_{j}^{n})$,

chegamos na equação para $u_{j}^{n+1}$

$u_{j}^{n+1}=2u_{j}^{n}-u_{j}^{n-1}+{\frac {(\Delta t)^{2}}{(\Delta x)^{2}}}(u_{j+1}^{n}-2u_{j}^{n}+u_{j-1}^{n})$,

o que é equivalente a discretizarmos a equação da onda diretamente, utilizando que, para uma função $f(x)$,

${\frac {d^{2}f}{dx^{2}}}{\bigg |}_{j}={\frac {1}{(\Delta x)^{2}}}(f_{j-1}-2f_{j}+f_{j+1})$,

sendo $j$ a discretização em $x$.

Método de Lax-Wendroff de Dois Passos - ${\mathcal {O}}(\Delta x^{2},\Delta t^{2})$

O primeiro passo consiste em calcular o valor de $v^{n+{\frac {1}{2}}}$ e $w^{n+{\frac {1}{2}}}$ utilizando o método de Lax-Friedrichs, para posterior cálculo de $v^{n+1}$ e $w^{n+1}$:

$v_{j+{\frac {1}{2}}}^{n+{\frac {1}{2}}}={\frac {1}{2}}(v_{j+1}^{n}+v_{j}^{n})+{\frac {\Delta t}{2\Delta x}}(w_{j+1}^{n}-w_{j}^{n})$,

$v_{j-{\frac {1}{2}}}^{n+{\frac {1}{2}}}={\frac {1}{2}}(v_{j}^{n}+v_{j-1}^{n})+{\frac {\Delta t}{2\Delta x}}(w_{j}^{n}-w_{j-1}^{n})$,

$w_{j+{\frac {1}{2}}}^{n+{\frac {1}{2}}}={\frac {1}{2}}(w_{j+1}^{n}+w_{j}^{n})+{\frac {\Delta t}{2\Delta x}}(v_{j+1}^{n}-v_{j}^{n})$,

$w_{j-{\frac {1}{2}}}^{n+{\frac {1}{2}}}={\frac {1}{2}}(w_{j}^{n}+w_{j-1}^{n})+{\frac {\Delta t}{2\Delta x}}(v_{j}^{n}-v_{j-1}^{n})$,

Agora, no tempo $n+1$:

$v_{j}^{n+1}=v_{j}^{n}+{\frac {\Delta t}{\Delta x}}{\bigg (}w_{j+{\frac {1}{2}}}^{n+{\frac {1}{2}}}-w_{j-{\frac {1}{2}}}^{n+{\frac {1}{2}}}{\bigg )}$,

$w_{j}^{n+1}=w_{j}^{n}+{\frac {\Delta t}{\Delta x}}{\bigg (}v_{j+{\frac {1}{2}}}^{n+{\frac {1}{2}}}-v_{j-{\frac {1}{2}}}^{n+{\frac {1}{2}}}{\bigg )}$,

Agrupando as equações,

$w_{j}^{n+1}=w_{j}^{n}+{\frac {\Delta t}{\Delta x}}{\Bigg [}{\frac {1}{2}}(v_{j+1}^{n}-v_{j-1}^{n})+{\frac {\Delta t}{2\Delta x}}(w_{j+1}^{n}-2w_{j}^{n}+w_{j-1}^{n}){\Bigg ]}$,

$v_{j}^{n+1}=v_{j}^{n}+{\frac {\Delta t}{\Delta x}}{\Bigg [}{\frac {1}{2}}(w_{j+1}^{n}-w_{j-1}^{n})+{\frac {\Delta t}{2\Delta x}}(v_{j+1}^{n}-2v_{j}^{n}+v_{j-1}^{n}){\Bigg ]}$,

E finalmente temos a equação unificada em u, utilizando a expressão para $v_{j}^{n+1}$ e as discretizações de $v={\frac {\partial u}{\partial t}}$ e $w={\frac {\partial u}{\partial x}}$, como obtidas na seção sobre o Método de Lax-Friedrichs:

$u_{j}^{n+1}=u_{j}^{n}+v_{j}^{n}\Delta t$

$u_{j}^{n+1}=2u_{j}^{n}-u_{j}^{n-1}+{\frac {(\Delta t)^{2}}{2(\Delta x)^{2}}}{\Bigg [}{\frac {1}{2}}u_{j+2}^{n-1}-{\frac {1}{2}}u_{j-2}^{n-1}+u_{j+1}^{n}-u_{j+1}^{n-1}-2u_{j}^{n}+u_{j}^{n-1}+u_{j-1}^{n}-u_{j-1}^{n-1}{\Bigg ]}$,

Programas

Ao implementarmos o método, surgem dois problemas: o problema não é auto-inicializável, pois para calcularmos o valor de $u_{j}^{1}$, necessitamos de $u_{j}^{-1}$ (além de $u_{j}^{0}$). Entretanto, isto é rapidamente solucionado quando discretizamos a condição inicial de que ${\frac {\partial u}{\partial t}}(x,0)=0$:

${\frac {1}{2\Delta t}}(u_{j}^{1}-u_{j}^{-1})=0\Rightarrow u_{j}^{1}=u_{j}^{-1}$,

ou seja, para o cálculo de $u_{j}^{-1}$, utilizamos que $u_{j}^{1}=u_{j}^{-1}$. Através do método de Leapfrog, dessa forma conseguimos isolar $u_{j}^{-1}$:

$u_{j}^{-1}=2u_{j}^{0}-u_{j}^{-1}+{\frac {(\Delta t)^{2}}{(\Delta x)^{2}}}(u_{j+1}^{0}-2u_{j}^{0}+u_{j-1}^{0})$,

$u_{j}^{-1}=u_{j}^{0}+{\frac {(\Delta t)^{2}}{2(\Delta x)^{2}}}(u_{j+1}^{0}-2u_{j}^{0}+u_{j-1}^{0})$.

Porém, isso não ocorre com os outros dois métodos, pois surgem termos em diferentes posições para o tempo $n=0$ (de $u_{-2}^{0}$, $u_{-1}^{0}$, até $u_{2}^{0}$), sendo necessário resolvermos o sistema como um todo simultaneamente, ou seja, teríamos que inverter uma matriz. Por isso, foi utilizado o método de Leapfrog para o cálculo de $u_{j}^{-1}$ em todos os métodos, devido a sua simplicidade.

Além disso, são necessários valores de $u_{-1}^{n}$ e de $u_{j_{max}+1}^{n}$, com $j_{max}$ correspondendo a $x=L$, para calcularmos $u_{1}^{n}$ e $u_{j_{max}}^{n}$, para qualquer tempo, utilizando os métodos de Lax-Wendroff de dois passos e Lax-Friedrichs. A solução a este problema foi utilizarmos

$u_{-1}^{n}=-u_{1}^{n}$

$u_{j_{max}+1}^{n}=-u_{j_{max}-1}^{n}$.

Pensando na condição inicial $u(x,0)=\sin {{\Big (}{\frac {\pi x}{L}}{\Big )}}$, e estendendo para além da corda (pensando no seno de $-\infty <x<\infty$), observamos que ela respeita as equações acima.

Solução e Análise de erros

Primeiramente, apresentamos abaixo as soluções geradas pelos programas, em comparação com a solução analítica, e, em seguida, será mostrada a análise de erros.

Comparação da solução analítica com as soluções numéricas

Aqui já podemos observar o que foi comentado na seção sobre o método de Lax-Friedrichs: devido à dissipação numérica inerente ao método, há uma diminuição da amplitude da onda ao longo do tempo, embora ela mantenha sua forma. Isso interferirá na análise do erro deste método, o que será apresentado na sequência.

A análise de erros se torna mais evidente durante a escolha do parâmetro $k$, onde $k={\frac {\Delta t}{\Delta x}}$. Valores grandes trazem pouca acurácia, e valores pequenos necessitam de muito poder de computação (tempo e dinheiro).

A partir do cálulo da solução analítica da equação da onda, podemos calcular quanto o valor obtido pelos métodos difere da solução real, o que leva a uma visualização do erro corrente em cada método de integração. Nesse caso, a solução é $u(x,t)=\cos {{\Big (}{\frac {\pi t}{L}}{\Big )}}\sin {{\Big (}{\frac {\pi x}{L}}{\Big )}}$ .

O erro foi obtido efetuando uma média espacial, ou seja, o programa foi evoluindo até um tempo final $t_{f}=100$, e, em $t=t_{f}$, foi feita uma média sobre o valor absoluto da diferença entre a solução analítica e a numérica. Aqui variamos o valor de $\Delta t$, fixando $\Delta x=1$, de forma que $k=\Delta t$.

Comparação do erro global entre os três métodos estudados com escala logarítimica em ambos os eixos

Podemos observar que os erros crescem à medida que o parâmetro k se torna maior, como seria de se esperar.

Além disso, sabendo a ordem do erro dos métodos, podemos determinar a inclinação da reta que melhor se ajusta aos pontos. Se um método tem erro de ordem $(\Delta t)^{n}$

$\varepsilon _{l}=\alpha (\Delta t)^{n}$ em que $\varepsilon _{l}$ é o erro local, ou seja, o erro de um passo do método, e $\alpha$ é uma constante. Assim, o erro global $\varepsilon _{g}$, ou seja, o erro após N passos, é dado por

$\varepsilon _{g}=N\varepsilon _{l}=N\alpha (\Delta t)^{n}$

Como $N={\frac {t_{f}}{\Delta t}}$, $\varepsilon _{g}={\frac {t_{f}}{\Delta t}}\alpha (\Delta t)^{n}=\alpha t_{f}(\Delta t)^{n-1}$ Logo, se o erro local é de ordem $(\Delta t)^{n}$, o erro global (que é o que calculamos aqui) é de ordem $(\Delta t)^{n-1}$. Além disso, como utilizamos escala logarítmica para representar os resultados, a função do erro global se torna

$\log {\varepsilon _{g}}=\log {\alpha t_{f}(\Delta t)^{n-1}}$

$\log {\varepsilon _{g}}=\log {\alpha t_{f}}+(n-1)\log {(\Delta t)}$

Ou seja, a inclinação do gráfico do erro global é $n-1$.

Observamos que se determinarmos a reta que melhor se ajusta às curvas dos métodos de Leapfrog e Lax-Wendroff, ela tem inclinação aproximada de 1, já que os métodos são de ordem $(\Delta t)^{2}$. Com relação ao gráfico do erro do método de Lax-Friedrichs, é mais complicado de fazer sua análise, uma vez que há o efeito de dissipação numérica, que se intensifica para valores menores de $\Delta t$. Podemos observar nos dados que o ponto de máximo na parte esquerda do gráfico corresponde a um erro de aproximadamente $0,63$, que é a média da solução analítica no tempo $t=t_{f}$ (conforme solução analítica, a amplitude no tempo $t=100$ é $\cos {{\Big (}{\frac {100\pi }{49}}{\Big )}}\approx 1$, e a média de $\sin {{\Big (}{\frac {\pi x}{L}}{\Big )}}$ vale ${\frac {2}{\pi }}\approx 0.64$). Isso significa que, devido à dissipação, a solução numérica é praticamente 0 frente à solução analítica na parte esquerda do gráfico.

Simulação de Propagação de Onda 2D no Mar Dependente de Topografia

O modelo mais simples para a propagação de onda dependente da topografia parte da equação da onda , incluindo uma velocidade dependente da posição, da forma $gH(x,y,t)$.

${\frac {\partial ^{2}u}{\partial t^{2}}}={\Big (}{\frac {\partial }{\partial x}}gH(x,y,t){\frac {\partial u}{\partial x}}{\Big )}+{\Big (}{\frac {\partial }{\partial y}}gH(x,y,t){\frac {\partial u}{\partial y}}{\Big )}-{\frac {\partial ^{2}H}{\partial t^{2}}}$ ,

Sendo $H(x,y,t)$ uma representação da profundidade em águas calmas, $g$ a aceleração da gravidade e $u(x,y,t)$ a elevação da água em relação ao nível de águas calmas. Em uma situação real, pode-se obtê-la por mapeamento eletrônico do terreno por sistema de sonar. A dependência em $t$ de $H(x,y,t)$ permite um modelo no qual o terreno se modifica com o tempo. Isto é, pode-se observar o efeito que o deslocamento de placas tectônicas, deslizamentos, e até explosões provocam no comportamento das ondas na costa de um país e o reconhecimento de áreas críticas. Entretanto, utilizaremos aqui $H=H(x,y)$, sem dependência no tempo, e mudaremos as condições iniciais para a modelagem do problema, além de usarmos $g=1$, para simplificarmos as expressões.

Exemplo de mapeamento de terreno sub - calota polar feito por AUV (autonomous underwater vehicle)

Como primeira abordagem visando uma análise em 2D, a integração da equação em 1D (mesmo sendo uma situação muito idealizada) já traz resultados interessantes. Pode ser mostrado que a velocidade da onda pode ser dada por $v={\sqrt {gH}}$, para o caso em que $\lambda <<H$ . Como o período da onde não se altera , quanto menor a profundidade, menor a velocidade, e menor o seu comprimento de onda. Além disso, devido à conservação de energia, e supondo que a extensão da frente de onda não seja alterada, é obtida a chamada Lei de Green:

${\frac {A_{2}}{A_{1}}}={\Bigg (}{\frac {H_{1}}{H_{2}}}{\Bigg )}^{\frac {1}{4}}$

em que $A$ é a amplitude da onda. Logo, quanto menos profundo, maior a amplitude da onda. Esta informação por si só ajuda na construção de proteção contra quebra de ondas, pois é obtido o tamanho que as mesmas atingem. Nos gráficos podemos observar esses efeitos, já que a medida que a profundidade diminui, a amplitude da onda cresce e o comprimento de onda diminui.

Pontos visitados por simulação em 1D

Simulação em 1D de ondas perto da margem

E no caso em que simulamos uma fina camada de líquido, podemos ver a diminuição de velocidade da onda e o aumento de sua amplitude:

Simulação em 1D de ondas perto da margem, com camada fina de líquido

É importante notar o quão poderosa é a integração de equações parciais na vida de um engenheiro.

Estendendo o algoritmo de Leapfrog à situação 2D, obtemos, para uma condição inicial de uma gaussiana com média 0 e desvio padrão 1, tanto em $x$ quanto em $y$, e $H(x,y)=1$:

Simulação em 2D de ondas em águas com profundidade constante, visão de cima

Simulação em 2D de onda em águas com profundidade constante, visão em ângulo

Podemos então, analisar como a mesma condição inicial se porta quando $H(x,y)$ descreve uma gaussiana na origem:

Simulação em 2D de ondas em águas com gaussiana na origem, visão de cima

Simulação em 2D de onda em águas com gaussiana na origem, visão em ângulo

Perfil da onda em sua diagonal:

Perfil da onda em sua diagonal no tempo de simulação igual a 300