|
|
| Linha 1: |
Linha 1: |
| Trabalho desenvolvido no semestre de 2022/1 pelo aluno Artur Uhlik Fröhlich para a disciplina de Métodos Computacionais da Física C, ministrada pelo Professor Heitor Carpes Marques Fernandes.
| |
|
| |
|
| === Introdução ===
| |
|
| |
| O problema escolhido foi a integração numérica da equação de Swift-Hohenberg em duas dimensões.
| |
|
| |
| Boa parte dos aspectos teóricos desse trabalho tem como base o livro ''Pattern Formation and Dynamics in Nonequilibrium Systems'' do Cross & Greenside <ref>Cross, M., & Greenside, H. (2009). Pattern Formation and Dynamics in Nonequilibrium Systems. Cambridge: Cambridge University Press. doi:10.1017/CBO9780511627200</ref>.
| |
|
| |
| Essa equação pode aparecer nos estudos sobre convexão, equações diferenciais não lineares, formação de padrões e sistemas de não-equilíbrio. Ela possui diferentes versões mas a escolhida para esse trabalho foi a seguinte:
| |
|
| |
| <math> \partial_{t}u = (r-1)u - 2\nabla^{2}u - \nabla^{4}u -u^{3} </math>
| |
|
| |
| .
| |
|
| |
| O contexto de derivação dessa equação foi a convexão de [https://en.wikipedia.org/wiki/Rayleigh%E2%80%93B%C3%A9nard_convection Rayleigh-Bénard]. Essa formulação tem virtudes mais analíticas do que práticas e apresenta vários aspectos comuns a modelos de formação de padrões e não é considerado uma descrição precisa de nenhum sistema experimental em específico.
| |
|
| |
| Modificações dessa equação na sua parte não linear e nos coeficientes dos operadores diferenciais geram uma família extensa de EDPs não lineares que então podem servir de base para modelos de sistemas físicos reais.
| |
|
| |
| === Integração em 1D ===
| |
|
| |
| O objetivo final é chegar na Equação de Swift-Hohenberg em duas dimensões mas antes é pertinente verificar a integração em uma dimensão.
| |
|
| |
| Para realizar a integração foram utilizadas as FFTs (Transformadas Rápidas de Fourier) e o método foi baseado nos vídeos e livro do Professor Steven Bruton <ref>Brunton, S., & Kutz, J. (2019). Frontmatter. In Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control (pp. I-Iv). Cambridge: Cambridge University Press.</ref>.
| |
|
| |
| O princípio do método é utilizar as transformadas para calcular as derivadas no espaço transformado (que são bem mais simples) e retornar com esses valores para o espaço cartesiano e então com as derivadas calculadas é realizada a evolução temporal utilizando o método de Euler explícito (no caso desse trabalho a integração em 1-D utilizou o integrador da biblioteca Scipy).
| |
|
| |
| Então antes de adentrar no código é preciso fazer a transformada da equação em 1-D, dado que:
| |
|
| |
| <math> \mathcal{F}\{u(x,t)\}=\hat{u}(k,t) </math>
| |
|
| |
| <math> \mathcal{F}\left\{\frac{d^{n}u}{dx^{n}}\right\} = (ik)^{n}\hat{u} </math>
| |
|
| |
| Então a equação fica:
| |
|
| |
| <math> \mathcal{F}\left\{\frac{du}{dt}\right\} = (r-1)\hat{u} + 2k^{2}\hat{u} - k^{4}\hat{u} - \hat{(u^{3})} </math>
| |
|
| |
| Dessa maneira transformamos uma equação diferencial parcial em uma equação diferencial ordinária, pois só possui a derivada temporal.
| |
|
| |
| Com isso é possível escrever um código capaz de fazer a transformada do estado, calcular as derivadas no espaço de Fourier e voltar para o espaço cartesiano e realizar a evolução temporal, tudo isso dentro de um passo da integração.
| |
|
| |
| O código é análogo ao que será apresentado posteriormente em duas dimensões então somente os resultados serão mostrados aqui (todos os códigos se encontram no link para o GitHub <ref> Link para o GitHub com todos os códigos: [https://github.com/Artur-UF/MetComp/tree/main/MetCompC/trabalho1 Repositório no GitHub] </ref>)
| |
|
| |
| Para testar o comportamento da equação perante diferentes valores do parâmetro r, teste esse inspirado pela análise de instabilidade linear feita no capítulo 2 do livro do Cross & Greenside, na qual é encontrado que o valor crítico de r é 0, e que para r<0 o estado tem uma evolução diferente em comparação com r>0, exemplos disso são as integrações a seguir:
| |
|
| |
| [[Arquivo:plot-1D-SH.png|1000px|thumb|center|Diferentes integrações da Equação de Swift-Hohenberg em uma dimensão usando r=-0.1 (azul) e r=0.1 (vermelho)]]
| |
|
| |
| Pode-se notar que para r<0 a solução se torna estável, estabiliza no 0, e para r>0 o estado é instável e se mantém em constante movimento mas com as "ondas" de magnitude constante.
| |
|
| |
| Com esses resultados podemos ir para a integração em duas dimensões.
| |
|
| |
| Para começar a explicar o código devemos discretizar o espaço de Fourier com os seus respectivos números de onda kappa para cada dimensão (já que o campo escalar tem duas dimensões a transformada retorna um campo também de duas dimensões só que no espaço de Fourier).
| |
|
| |
| Os parâmetros N e L determinam o tamanho do campo escalar e a sua definição, testes realizados com esse código retornam um limite inferior de aproximadamente de 0.39 no parâmetro dx.
| |
|
| |
| <source lang="python">
| |
| # Todos os parâmetros estão aqui:
| |
| N = 256
| |
| L = 100
| |
| dx = L/N
| |
| r = 0.25
| |
| dt = 0.0001
| |
| tf = 100
| |
| checkpoint = 500
| |
| # *-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*
| |
| x = np.arange(-L/2, L/2, dx)
| |
| y = np.arange(-L/2, L/2, dx)
| |
| size = len(x)
| |
|
| |
| # Os coeficientes
| |
| kx = 2 * np.pi * np.fft.fftfreq(N, d=dx)
| |
| ky = 2 * np.pi * np.fft.fftfreq(N, d=dx)
| |
| kappax, kappay = np.meshgrid(kx, ky)
| |
| </source>
| |
|
| |
| Em seguida está a função que utiliza a FFT para calcular o lado direito da equação. Com os métodos da biblioteca Scipy o campo escalar inicial será transformado e com ele serão aplicadas as propriedades das transformadas de Fourier para as derivadas da seguinte maneira.
| |
|
| |
| Dado que:
| |
|
| |
| <math> \mathcal{F}\{u(x,y,t)\}=\hat{u}(kx,ky,t) </math>
| |
|
| |
| <math> \mathcal{F}\{\partial^{n}u\} = (ik)^{n}\hat{u} </math>
| |
|
| |
| O lado direito da equação transformado então fica assim:
| |
|
| |
| <math> \mathcal{F}\{\partial_{t}u\} = (r-1)\hat{u} + 2kx^{2}\hat{u} + 2ky^{2}\hat{u} - kx^{4}\hat{u} - ky^{4}\hat{u} - 2kx^{2}ky^{2}\hat{u} - \hat{(u^{3})} </math>
| |
|
| |
| Todo esses termos ao lado direito foram chamados de RHS (Right Hand Side) e calculados na função seguinte.
| |
|
| |
| <source lang="python">
| |
|
| |
| def rhs(u, kappax, kappay, r):
| |
| '''
| |
| Calcula o lado direito da EDP
| |
| '''
| |
| kpx2 = np.power(kappax, 2)
| |
| kpx4 = np.power(kappax, 4)
| |
| kpy2 = np.power(kappay, 2)
| |
| kpy4 = np.power(kappay, 4)
| |
| uhat = fft2(u)
| |
| uhat3 = fft2(u**3)
| |
| duhatx2 = kpx2 * uhat
| |
| duhaty2 = kpy2 * uhat
| |
| duhatx4 = kpx4 * uhat
| |
| duhaty4 = kpy4 * uhat
| |
| duhatxy = kpx2 * kpy2 * uhat
| |
| duhat = (r - 1)*uhat + 2*duhatx2 + 2*duhaty2 - duhatx4 - duhaty4 - 2*duhatxy - uhat3
| |
| dut = ifft2(duhat)
| |
| return dut.real
| |
|
| |
| </source>
| |
|
| |
| Como essa função retorna nosso vetor de estado no espaço cartesiano isso possibilita a realização da evolução temporal da equação utilizando o método de Euler explícito, a partir da criação de um estado inicial (um campo escalar que nesse caso foi inicializado utilizando uma distribuição uniforme de números aleatórios).
| |
|
| |
|
| |
| <source lang="python">
| |
|
| |
| # Matriz do estado inicial
| |
| u0 = np.random.uniform(-1, 1, (size, size))
| |
|
| |
| # Array da evolução temporal
| |
| track = [copy.deepcopy(u0)]
| |
|
| |
| # A integração ocorre aqui
| |
| c = 0
| |
| t = np.arange(0, tf, dt)
| |
| for ti in t:
| |
| c += 1
| |
| u0 += dt * rhs(u0, kappax, kappay, r)
| |
| if c % checkpoint == 0:
| |
| track.append(copy.deepcopy(u0))
| |
| if ti % 2 == 0:
| |
| print(f't = {ti}')
| |
|
| |
| </source>
| |
|
| |
| === Resultados ===
| |
|
| |
| Foi realizada a integração com diferentes valores de r para testar as características vistas em uma dimensão, abaixo está o resultado de uma integração usando um r<0:
| |
|
| |
| [[Arquivo:SH-plot.png|500px|thumb|center|Integração de Swift-Hohenberg em 2D utilizando r=-0.25]]
| |
|
| |
| Parece uma imagem chata e sem graça mas o que ela nos mostra é que o estado evoluiu para uma solução estável em 0, assim como encontrado em 1 dimensão anteriormente.
| |
|
| |
| Realizando a integração com um valor de r>0 obtemos o seguinte:
| |
|
| |
| [[Arquivo:SH-OFplot.png|500px|thumb|center|Integração de Swift-Hohenberg em 2D utilizando r=0.25 e dt=0.0001]]
| |
|
| |
| Podemos ver que para um r>0 o estado não atinge o equilíbrio e evolui constantemente, exemplificando mais uma vez o resultado obtido em 1D.
| |
|
| |
| Outra característica interessante de se notar em 2D se chama "coarsening" que pode ser traduzida como "engrossamento". Esse é o efeito que vemos na evolução do padrão no qual ele vai aumentando as áreas de domínio das suas faixas.
| |
|
| |
| Podemos ver a evolução desses padrões no vídeo da integração gerado por um dos códigos presentes no [https://raw.githubusercontent.com/Artur-UF/MetComp/main/MetCompC/trabalho1/SH_r0.25_t100/SH-anim.mp4 GitHub].
| |
|
| |
| Outro exemplo desse efeito (coarsenning) também pode ser visto na literatura:
| |
|
| |
| [[Arquivo:sh-literat.png|500px|thumb|center|Simulação da equação de Swift-Hohenberg em uma grande geometria periódica de tamanho 256 × 256 com r = 0.25, começando com condições iniciais aleatórias . O aumento do tamanho médio do domínio no painel (a) no tempo 10 para o painel (b) no tempo 10000 é o chamado “coarsening”<ref>K. R. Elder, Jorge Viñals, and Martin Grant. Dynamic scaling and quasi-ordered states in the 2-dimensional Swift-Hohenberg equation. Phys. Rev. A, 46(12):7618–29, 1992.</ref>.)]]
| |
|
| |
| === Referências ===
| |
| <references/>
| |