Modelo de Turing: mudanças entre as edições

De Física Computacional
Ir para navegação Ir para pesquisar
Sem resumo de edição
Linha 20: Linha 20:
<math>v_t=D_v\nabla^2v + g(u,v)</math>
<math>v_t=D_v\nabla^2v + g(u,v)</math>


== Implementação ==
==Estabilidade e instabilidade no modelo de Turing==
 
Já vimos que o modelo de Turing depende de parâmetros <math>a,b,c,d</math>, de constantes <math>h</math> e <math>k</math> e dos coeficientes de difusão.
 
'''Afirmação''': Se <math>D_u=D_v=0</math>, temos (<math>v_{eq}, u_{eq})=(h,k)</math> como o único ponto de equilíbrio.
 
'''Demonstração''': Mostraremos que <math>(h,k)</math> é ponto de equilíbrio. De fato, ao aplicarmos esse ponto na equação do modelo de Turing, temos
 


=== Discretização - Método FTCS ===
<math>u_t\Bigg|_{u=k} = 0 = v_t\Bigg|_{v=h}</math>
Para resolver numericamente as equações de Turing iremos utiliza o método FTCS (''Forward Time Central Space''). O método FTCS é o mais simples e consiste em discretizar a derivada em <math>t</math> de forma não simetrizada. Obtemos as seguintes discretizações para uma função genérica <math>f(r,t)</math>




<math>\frac{\partial f}{\partial t} = \frac{f(r,t + dt) - f(r,t)}{dt}</math>
para mostrar que é único, suponha que existem dois pontos de equilíbrio, a saber, <math>(v_1,u_1)</math> e <math>(v_2,u_2)</math>. Vemos que, como as equações diferenciais em cada ponto fixo são iguais a zero, temos




<math>\frac{\partial^2 f}{\partial r^2} = \frac{f(r + dr,t) - 2f(r,t) + f(r + dr,t)}{dr^2}</math>
<math>a(u_1 - u_2) + b(v_1 - v_2) = 0</math>




Onde <math>\vec{r}</math> é o vetor posição, que neste trabalho utilizamos apenas duas dimensões, <math>\vec{r} = (x,y)</math>.
<math>c(u_1 - u_2) + d(v_1 - v_2) = 0</math>


Podemos discretizar as equações de Turing diretamente com o método FTCS. Talvez o único problema seja o laplaciano, porém basta escrever da forma


Consequentemente, devemos ter


<math>\nabla^2 f(r,t) = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}</math>


<math>\left(b-\frac{ad}{c}\right)(v_1-v_2)=0 \Longrightarrow v_1=v_2</math>.


Assim podemos utilizar a discretização simetrizada e obter


Do mesmo modo, <math>u_1=u_2</math>. Portanto, o ponto de equilíbrio é único nessas circunstâncias.


<math> \nabla^2 f(r,t) = \frac{f(x + dx,t) - 2f(x,t) + f(x + dx,t)}{dx^2} + \frac{f(y + dy,t) - 2f(y,t) + f(y + dy,t)}{dy^2}</math>
== Implementação ==


Então
=== Discretização - Método FTCS ===
Para resolver numericamente as equações de Turing iremos utiliza o método FTCS (''Forward Time Central Space''). O método FTCS é o mais simples e consiste em discretizar a derivada em <math>t</math> de forma não simetrizada. Obtemos as seguintes discretizações para uma função genérica <math>f(r,t)</math>


== Resultados ==


== Programas Utilizados ==
<math>\frac{\partial f}{\partial t} = \frac{f(r,t + dt) - f(r,t)}{dt}</math>


== Referências ==


<references/>
<math>\frac{\partial^2 f}{\partial r^2} = \frac{f(r + dr,t) - 2f(r,t) + f(r + dr,t)}{dr^2}</math>


==Estabilidade e instabilidade no modelo de Turing==


Já vimos que o modelo de Turing depende de parâmetros <math>a,b,c,d</math>, de constantes <math>h</math> e <math>k</math> e dos coeficientes de difusão.  
Onde <math>\vec{r}</math> é o vetor posição, que neste trabalho utilizamos apenas duas dimensões, <math>\vec{r} = (x,y)</math>.


'''Afirmação''': Se <math>D_u=D_v=0</math>, temos (<math>v_{eq}, u_{eq})=(h,k)</math> como o único ponto de equilíbrio.
Podemos discretizar as equações de Turing diretamente com o método FTCS. Talvez o único problema seja o laplaciano, porém basta escrever da forma


'''Demonstração''': Mostraremos que <math>(h,k)</math> é ponto de equilíbrio. De fato, ao aplicarmos esse ponto na equação do modelo de Turing, temos


<math>u_t\Bigg|_{u=k} = 0 = v_t\Bigg|_{v=h}</math>
<math>\nabla^2 f(r,t) = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}</math>


para mostrar que é único, suponha que existem dois pontos de equilíbrio, a saber, <math>(v_1,u_1)</math> e <math>(v_2,u_2)</math>. Vemos que, como as equações diferenciais em cada ponto fixo são iguais a zero, temos


<math>a(u_1 - u_2) + b(v_1 - v_2) = 0</math>
Assim podemos utilizar a discretização simetrizada e obter


e


<math>c(u_1 - u_2) + d(v_1 - v_2) = 0</math>
<math> \nabla^2 f(r,t) = \frac{f(x + dx,t) - 2f(x,t) + f(x + dx,t)}{dx^2} + \frac{f(y + dy,t) - 2f(y,t) + f(y + dy,t)}{dy^2}</math>


Consequentemente, devemos ter
Então


<math>\left(b-\frac{ad}{c}\right)(v_1-v_2)=0 \Longrightarrow v_1=v_2</math>.
== Resultados ==


Do mesmo modo, <math>u_1=u_2</math>. Portanto, o ponto de equilíbrio é único nessas circunstâncias.
== Programas Utilizados ==


== Referências ==
== Referências ==


<references/>
<references/>

Edição das 10h52min de 22 de novembro de 2020

EM CONSTRUÇÃO

Equação de Turing

Simulações computacionais que envolvem equações diferenciais parciais (EDP's) são usualmente modeladas através da discretização das variáveis espaciais e temporais. Algumas dessas equações descrevem comportamentos difusivos no sistema, sendo chamadas de equações de difusão. Tais equações envolvem variáveis de estado que apresentam variações temporal e espacial e coeficientes de difusão no sistema, além de outros parâmetros que influenciam na evolução dos estados. Dentro desse ramo de equações, encontra-se o Modelo de Turing, desenvolvido por Alan Turing, que utiliza como base a concentração de espécies em um sistema, avaliando sua reação, difusão e variação espacial e temporal. São muitas as aplicações do modelo, principalmente em ramos como biologia e química, envolvendo problemas com formação de padrões[1]. A seguir, descrevemos sua formulação matemática.

Sejam e as concentrações das espécies que serão analisadas. Sejam e parâmetros e e constantes. Os coeficientes de difusão são e , cada um associado a uma das concentrações[2]. O Modelo de Turing é dado pelas EDP's



Note que certa parte de cada equação depende apenas dos parâmetros e das concentrações. Podemos, portanto, utilizar funções de variáveis e para descrever o sistema[3], de modo que


Estabilidade e instabilidade no modelo de Turing

Já vimos que o modelo de Turing depende de parâmetros , de constantes e e dos coeficientes de difusão.

Afirmação: Se , temos ( como o único ponto de equilíbrio.

Demonstração: Mostraremos que é ponto de equilíbrio. De fato, ao aplicarmos esse ponto na equação do modelo de Turing, temos



para mostrar que é único, suponha que existem dois pontos de equilíbrio, a saber, e . Vemos que, como as equações diferenciais em cada ponto fixo são iguais a zero, temos




Consequentemente, devemos ter


.


Do mesmo modo, . Portanto, o ponto de equilíbrio é único nessas circunstâncias.

Implementação

Discretização - Método FTCS

Para resolver numericamente as equações de Turing iremos utiliza o método FTCS (Forward Time Central Space). O método FTCS é o mais simples e consiste em discretizar a derivada em de forma não simetrizada. Obtemos as seguintes discretizações para uma função genérica




Onde é o vetor posição, que neste trabalho utilizamos apenas duas dimensões, .

Podemos discretizar as equações de Turing diretamente com o método FTCS. Talvez o único problema seja o laplaciano, porém basta escrever da forma



Assim podemos utilizar a discretização simetrizada e obter


Então

Resultados

Programas Utilizados

Referências

  1. https://en.wikipedia.org/wiki/Turing_pattern
  2. H. Sayama, "Introduction to the Modeling and Analysis of Complex Systems", p. 260. Open SUNY Textbooks, Geneseo, NY, 2015.
  3. J. Jost, "Partial Differential Equations", 3ed, p.140. Springer Science+Business Media, New York, 2013.