Equação de Swift-Hohenberg 2D
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, Cross & Greenside [1].
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:
na qual a dinâmica depende somente do parâmetro r.
O contexto de derivação dessa equação foi a convexão de Rayleigh-Bénard. Essa formulação possui 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 [2].
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:
,
.
Então a equação fica:
.
Dessa maneira transformamos uma equação diferencial parcial em uma equação diferencial ordinária, pois só possui a derivada temporal. Nesse caso de integração numérica ficamos com um sistema de várias equações diferenciais ordinárias para cada .
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 [3])
Para testar o comportamento da equação perante diferentes valores do parâmetro , 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 é 0, e que para ><0 o estado tem uma evolução diferente em comparação com >0, exemplos disso são as integrações a seguir:
Pode-se notar que para <0 a solução se torna estável, estabiliza no 0, e para >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.
Integração em 2D
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.
# 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)
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:
O lado direito da equação transformado então fica assim:
Todo esses termos ao lado direito foram chamados de RHS (Right Hand Side) e calculados na função seguinte.
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
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).
# 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}')
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:
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:
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 GitHub.
Outro exemplo desse efeito (coarsenning) também pode ser visto na literatura:
Referências
- ↑ Cross, M., & Greenside, H. (2009). Pattern Formation and Dynamics in Nonequilibrium Systems. Cambridge: Cambridge University Press. doi:10.1017/CBO9780511627200
- ↑ 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.
- ↑ Link para o GitHub com todos os códigos: Repositório no GitHub
- ↑ 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.