Académique Documents
Professionnel Documents
Culture Documents
para
Equações Diferenciais
Graduação em Engenharia
CONTEÚDO
Lista de Figuras v
i
ii CONTEÚDO
3 Equações de Balanço 63
3.1 Equação da Continuidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Equações do Momentum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3 Equação de Energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4 Discretização 69
4.1 Discretização Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2 Discretização no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3 Expansões em Séries de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4 Técnica Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.5 Acurácia do Processo de Discretização . . . . . . . . . . . . . . . . . . . . . . . 74
4.6 Representação do Tipo Onda . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
CONTEÚDO iii
Bibliografia 149
Índice 151
iv CONTEÚDO
LISTA DE FIGURAS
v
vi LISTA DE FIGURAS
LISTA DE TABELAS
vii
viii LISTA DE TABELAS
CAPÍTULO 1
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
Vários problemas práticos de engenharia são descritos em termos de taxas de variação das
propriedades físicas do sistema que estamos interessados em estudar. Estas variações são,
normalmente, descritas empregando as leis fundamentais da física, mecânica, eletricidade, ter-
modinâmica, etc (vide a Tabela 1.1). Quando combinadas com as equações de balanço de
massa, momentum e energia elas resultam nas equações diferenciais que governam diferentes
fenômenos físicos. A partir da posterior integração destas equações, nós obtemos as funções
matemáticas que descrevem o estado do sistema, no tempo e no espaço, em termos da sua
massa, energia ou variação da quantidade de movimento.
Tabela 1.1: Exemplos de leis fundamentais que são escritas em termos de taxas de variação.
dv F
Segunda lei de Newton = velocidade (v), força (F )
dt m
e massa (m)
dT
Lei de Fourier ~q = −k condutividade térmica
dx
(k) e temperatura (T )
Como exemplo de uma equação diferencial ordinária, derivada de uma lei fundamental (lei
1
2
y
y
i+1
erro
verdadeiro
yi
xi x i+1 x
• Um erro de arredondamento devido ao fato do número limitado de digitos que são utili-
zados pelos computadores.
O erro de truncamento é composto de duas partes. Uma primeira, chamada de erro local de
truncamento, que resulta da aplicação local do método numérico para um único incremento. A
segunda é a parcela devida à propogação do erro de truncamento proveniente das aproximações
decorrentes dos incrementos anteriores. A soma destes dois erros fornece o erro global de
truncamento.
Expandindo em série de Taylor a função y, que possui as suas derivadas contínuas, em torno
do ponto xi ,
(n)
0 yi00 2 yi
yi+1 = yi + yi ∆x + ∆x + . . . + ∆xn + Rn
2 n!
onde y 0 = dy/dx e Rn representa o resto da série e é definido por
y (n+1) (ξ)
Rn = ∆xn+1
(n + 1)!
onde ξ está contido no intervalo de xi a xi+1 . Esta expansão ainda pode ser escrita numa forma
alternativa, se considerarmos que estamos tratando da equação diferencial ordinária y 0 = f (x, y)
f 0 (xi , yi ) f (n−1) (xi , yi )
∆x2 + . . . + ∆xn + O ∆xn+1
yi+1 = yi + f (xi , yi ) ∆x + (1.3)
2 n!
Comparando esta expansão com o método de Euler, Eq. (1.2), vemos que este último pode
ser escrito como
yi+1 = yi + f (xi , yi ) ∆x + Et
Capítulo 1. Equações Diferenciais Ordinárias 5
f 0 (xi , yi )
∆x2 + . . . + O ∆xn+1
Et =
2
Para valores suficientemente pequenos do incremento ∆x, os diferentes termos do erro decrescem
à medida que a sua ordem aumenta. Portanto, usualmente representamos o erro como
f 0 (xi , yi )
Ea = ∆x2
2
ou
Ea = O ∆x2
• A série de Taylor nos fornece somente uma estimativa do erro de truncamento local. Ela
não nos fornece o erro propagado, ou seja, o erro global de truncamento;
• Na prática, podemos trabalhar com funções que são mais complexas do que simples
polinômios. Como consequência, o cálculo das derivadas que aparecem na série de Taylor
podem não ser facilmente obtidas.
Apesar dessas limitações impedirem uma análise exata do erro, na maior parte dos problemas
de interesse a série de Taylor ainda pode nos fornecer informações valiosas sobre o comporta-
mento do método de Euler. Do desenvolvimento, em série de Taylor, pudemos verificar que o
erro local é proporcional ao quadrado do incremento de espaço e à derivada primeira da função
f (x, y). É possível mostrar, também, que o erro global de truncamento é de O(∆x) [1], ou seja,
ele é proporcional ao incremento de espaço. Estas observações nos levam a algumas conclusões
importantes:
• O método fornecerá resultados livres de erro caso o solução da equação diferencial ordi-
nária seja linear, uma vez que as derivadas de ordem superiores a um serão nulas.
para uma condição inicial y(a) = y0 . Os leitores interessados devem se reportar às referências
[2, 3] para maiores detalhes. Este assunto será retomado ao final deste capítulo.
f 00 (xi , yi )
Ea = ∆x3
6
Embora este método seja facilmente implementado no caso de funções polinomiais, a in-
clusão de termos de mais alta ordem pode não ser trivial no caso de estarmos considerando
equações diferenciais ordinárias mais complicadas. Em particular, este é o caso em se tratando
de equações diferenciais ordinárias que são funções de ambas as variáveis dependentes e inde-
pendentes, sendo necessário o emprego da regra da cadeia na determinação destas derivadas.
Por exemplo, a derivada primeira de f (x, y) será
∂f ∂f dy
f 0 (x, y) = +
∂x ∂y dx
enquanto que a derivada segunda seria dada por
∂f 0 ∂f 0 dy
f 00 (x, y) = +
∂x ∂y dx
com o grau de complexidade aumentando para as derivadas de mais alta ordem.
Assim sendo, alternativas foram pensadas para que possamos aumentar a performance dos
métodos one–step, sem que tenhamos que avaliar derivadas superiores a primeira ordem. Con-
forme veremos a seguir, estes métodos são comparáveis aos métodos que empregam termos de
mais alta ordem na série de Taylor.
y 0
y
i+1
yi
xi x i+1 x
avaliadas uma no ponto inicial e a outra no ponto final. A estimativa da inclinação é obtida,
então, a partir da média dos valores das duas derivadas, conforme mostrado esquematicamente
na Fig. 1.2.
No método de Euler, a inclinação é avaliada no ponto inicial
yi0 = f (xi , yi )
Enquanto que para o método de Euler esta seria a estimativa final, no método de Heun trata-se
de uma estimativa intermediária e ela é conhecida como a equação preditora. Ela fornece uma
estimativa de yi+1 com a qual determinamos uma estimativa da inclinação à curva no ponto
final do intervalo:
0 0
yi+1 = f (xi+1 , yi+1 )
Assim, as duas expressões para as inclinações podem ser combinadas a fim de obtermos um
valor médio para a inclinação no intervalo considerado:
yi0 + yi+1
0 0
f (xi , yi ) + f (xi+1 , yi+1 )
ȳ 0 = =
2 2
Este valor é, então, empregado na extrapolação linear de yi a yi+1 utilizando o método de Euler
0
f (xi , yi ) + f (xi+1 , yi+1 )
yi+1 = yi + ∆x
2
Capítulo 1. Equações Diferenciais Ordinárias 9
dy
= f (x)
dx
Esta equação pode ser resolvida por integração na forma:
Z yi+1 Z xi+1
dy = f (x) dx
yi xi
∆x
yi+1/2 = yi + f (xi , yi )
2
10 1.1. Métodos “One–Step”
Devemos notar que nestas expressões as funções ki são relações de recorrência. Isto quer dizer
que k1 aparece na equação para k2 , que aparece na equação para k3 e assim por diante. Tal
fato torna os métodos de Runge–Kutta eficientes ferramentas do cálculo numérico.
Vários tipos de métodos de Runge–Kutta podem ser imaginados a partir do emprego de
diferentes números de termos da função incremento. Devemos notar que o método de Runge–
Kutta de primeira ordem com n = 1 corresponde, de fato, ao método de Euler. Uma vez
escolhido o número n de termos, os valores de a, p e q são avaliados igualando a equação
generalizada do método de Runge–Kutta aos termos de uma expansão em série de Taylor.
Deste modo, ao menos para as versões de baixa ordem, o número de termos n normalmente
representa o ordem do método.
onde
k1 = f (xi , yi )
k2 = f (xi + c2 ∆x, yi + a21 k1 ∆x)
A fim de determinarmos os valores de b1 , b2 , c2 e a21 nós iremos expandir em série de Taylor
yi+1 e empregaremos f (xi , yi ) como sendo a derivada dy/dx
∆x2
yi+1 = yi + f (xi , yi )∆x + f 0 (xi , yi ) + O ∆x3
2
onde f 0 (xi , yi ) deve ser determinada a partir do emprego de:
∂f ∂f
df (xi , yi ) = dx + dy
∂x i ∂y i
ou ainda
0 df ∂f ∂f dy
f (xi , yi ) = = +
dx ∂x i ∂y i dx
∂f dy ∆x2
∂f
+ O ∆x3
yi+1 = yi + f (xi , yi )∆x + + (1.5)
∂x ∂y dx i 2
Em seguida, nós vamos expandir a equação geral (Eq. (1.4)) para o método de segunda
ordem, lembrando que
1 ∂ 2g 2 ∂ 2g ∂ 2g 2
∂g ∂g
g(x + r, y + s) = g(x, y) + r +s + r +2 rs + 2 s + ···
∂x ∂y 2! ∂x2 ∂x∂y ∂y
12 1.1. Métodos “One–Step”
Portanto,
∂f ∂f
+ O ∆x2
+ a21 k1 ∆x
k2 = f (xi , yi ) + c2 ∆x
∂x ∂y
Substituindo, agora, k1 e k2 na expressão geral (1.4) nós obtemos
∂f ∂f
yi+1 = yi + b1 ∆x f (xi , yi ) + b2 ∆x f (xi , yi ) + b2 c2 ∆x2 + b2 a21 ∆x2 f (xi , yi ) + O ∆x3
∂x ∂y
ou ainda, agrupando os termos de mesma ordem em ∆x
∂f ∂f
∆x2 + O ∆x3
yi+1 = yi + (b1 + b2 )f (xi , yi )∆x + b2 c2 + b2 a21 f (xi , yi ) (1.6)
∂x ∂y
Finalmente, comparando termo a termo as expansões (1.5) e (1.6), vemos que as seguintes
condições devem ser verificadas para que tenhamos a equivalência destas duas equações
b1 + b2 = 1
1
b2 c 2 =
2
1
b2 a21 =
2
Como existem quatro incógnitas e somente três equações, não há uma única solução que
satisfaça este sistema de equações. Necessitamos, portanto, especificar o valor de uma destas
incógnitas a fim de determinarmos as outras três. Em consequência, teremos uma família de
métodos de segunda ordem. Admitamos que nós especifiquemos o valor de b2 , das equações
acima obtemos
b1 = 1 − b2
1
c2 = a21 =
2b2
Devido ao fato de podermos escolher uma infinidade de valores para a2 , existirão uma infini-
dade de métodos de Runge–Kutta de segunda ordem, que fornecerão o mesmo resultado para
a solução da equação diferencial ordinária em se tratando de uma função f (x, y) constante,
linear ou quadrática. Entretanto, obteremos soluções diferentes quando esta função for mais
complicada. Em seguida, apresentaremos três dos métodos de segunda ordem mais comumente
utilizados:
Método de Heun (b2 = 1/2). Para b2 = 1/2 nós podemos resolver o sistema de equações e
obtemos b1 = 1/2 e c2 = a21 = 1. Substituindo esses resultados na equação geral obtemos:
1
yi+1 = yi + (k1 + k2 ) ∆x
2
onde
k1 = f (xi , yi )
Capítulo 1. Equações Diferenciais Ordinárias 13
Método do Polígono (b2 = 1). Caso assumamos que b2 = 1, então b1 = 0, c2 = a21 = 1/2
e a equação geral torna–se
yi+1 = yi + k2 ∆x
onde
k1 = f (xi , yi )
Método de Ralston (b2 = 2/3). Ralston (1962) e Ralston e Rabinowitz (1978) determina-
ram que para b2 = 2/3 obtemos o valor mínimo para o erro de truncamento para os algoritmos
de Runge–Kutta de segunda ordem. Para esta versão temos que b1 = 1/3 e c2 = a21 = 3/4
1
yi+1 = yi + (k1 + 2k2 ) ∆x
3
onde
k1 = f (xi , yi )
Para uma função f dependente unicamente de x, o método de terceira ordem reduz-se à regra de
Simpson (1/3) quando empregamos um polinômio interpolador de Lagrange de segunda ordem
Z b
yi+1 = yi + f (x) dx
a
onde Z b
∆x
I= f (x) dx ≈ [f (x0 ) + 4f (x1 ) + f (x2 )]
a 6
onde x0 e x2 representam os pontos inicial e final do intervalo ∆x.
Os métodos de Runge-Kutta de terceira ordem apresentam um erro local de O (∆x4 ) e um
erro global de O (∆x3 ) e os seus resultados são exatos quando a solução for cúbica.
dyn
= fn (x, y1 , y2 , . . . , yn )
dx
A fim de que possamos obter a solução de tal sistema, necessitamos fornecer n condições iniciais
para o valor inicial de x.
Todos os métodos estudados neste capítulo podem ser aplicados na resolução de sistemas
de equações. Alguns sistemas de aplicações em engenharia podem ser composto de centenas
de equações. Em cada caso, o procedimento adotado na resolução destes sistemas consiste na
aplicação dos métodos “one–step” a todas as equações a cada passo antes de prosseguirmos para
o passo posterior.
Para lidar com este problema, devemos proceder da seguinte forma: encontrar a expansão
da série de Taylor da solução exata, depois encontrar a expansão da série de Taylor para o
cálculo da solução aproximada utilizando o método de Runge-Kutta e, por fim, comparar as
duas expansões termo a termo de modo a que elas sejam equivalentes até o termo de O(∆xp+1 ).
Primeiro devemos encontrar a expansão para y que satisfaça o PVI (1.1)
dy
= f (y)
dx
com condição inicial dada por y(xn ) = yn e, então, uma formulação para as demais derivadas
dessa função
y 0 (x) = f (y(x)),
y 00 (x) = f 0 (y(x))y 0 (x)
= f 0 (y(x))f (y(x)),
y 000 (x) = f 00 (y(x))f (y(x))y 0 (x) + f 0 (y(x))f 0 (y(x))y 0 (x)
= f 00 (y(x))(f (y(x)), f (y(x))) + f 0 (y(x))f 0 (y(x))f (y(x)),
y IV (x) = f 000 f f f + 2f 00 f f 0 f + 2f 0 f 00 f f + f 0 f 0 f 0 f
= f 000 (f, f, f ) + 2f 00 f f 0 f + 2f 0 f 00 (f, f ) + f 0 f 0 f 0 f.
Capítulo 1. Equações Diferenciais Ordinárias 17
considerando somente os termos até a derivada terceira. Esses termos são, então, reescritos na
forma
y 0 (x) = f
y 00 (x) = f0 f
y 000 (x) = f00 (f, f) + f0 f0 f
A solução exata do problema de valor inicial y(x0 + ∆x) pode ser expandida em série de
Taylor em torno de x0 na forma
X α(ψ)∆xr(ψ)
y(x0 + ∆x) = y0 + F(ψ)(y0 )
ψ∈Ψ
r(ψ)!
cj cj 1 1
•@ • •@ • •@ •
@ @ @
@ ci ci @
1 1
@
•@ • @•
j −→ •@ • @• aij •@ • @•
3
@ @ @
@ @ @
@• @• @•
i bi 6
s
X
Φ(ψ) = bi c2i aij c2j γ(ψ) = 18
i,j=1
onde r(ψ) representa a ordem da árvore ψ (número de vértices ou nós da árvore), σ(ψ) a simetria
r(ψ)!
de ψ (a ordem do grupo de automorfismo), γ(ψ) a densidade da árvore ψ, α(ψ) = o
σ(ψ)γ(ψ)
r(ψ)!
número de combinações ordenadas em ψ, β(ψ) = o número de combinações não ordenadas
σ(ψ)
em ψ, F(ψ)(y 0 ) a diferencial elementar. O valor de γ(ψ) para cada árvore pode ser obtido da
seguinte forma, associamos um fator para cada vértice da árvore, as folhas possuem fator
unitário e todos os demais a soma dos fatores associados aos vizinhos para onde crescem mais
um, o produto de todos os fatores é o valor de γ(ψ). O polinômio Φ(ψ), peso elementar, é
construído a partir dos coeficientes de cada método, baseado em sua respectiva árvore, onde b
representa a raiz, c as folhas e A os vértices internos. Em seguida é fornecido um exemplo de
uma árvore na Fig. 1.3.
Por outro lado, também é possível expandir em série de Taylor a solução aproximada
X β(ψ)∆xr(ψ)
y1 = y0 + Φ(ψ)F(ψ)(y 0 )
ψ∈Ψ
r(ψ)!
ou ainda
X ∆xr(ψ)
y1 = y0 + Φ(ψ)F(ψ)(y 0 ) (1.8)
ψ∈Ψ
σ(ψ)
Como a obtenção das famílias de métodos de Runge-Kutta baseia-se no fato de que os
termos das séries de Taylor (Eqs. (1.7) e (1.8)) devam coincidir até o termo de ordem ∆xp ,
portanto, é necessário garantir que as condições de ordem [5]
1
Φ(ψ) = , ∀ r(ψ) ≤ p
γ(ψ)
sejam verificadas.
A Tabela 1.3 apresenta as funções F(ψ), Φ(ψ) e os valores de r(ψ), σ(ψ), γ(ψ), α(ψ) e β(ψ)
para uma expansão considerando somente os termos até quarta ordem.
Capítulo 1. Equações Diferenciais Ordinárias 19
• b1 + b2 = 1
• 1
• b2 c 2 =
2
chegamos à solução arbitrária em termos do parâmetro não nulo c2 , uma vez que temos duas
equações e três incógnitas,
0
c2 c2
1 1
1− 2c2 2c2
1
Escolhendo c2 = ou c2 = 1, obtemos dois casos especiais que são respectivamente as
2
20 1.2. Formulação de Butcher
formulações apresentadas nas regras do ponto médio e do trapézio desenvolvidas por [6]
0 0
1 1 1 1
2 2
1 1
0 1 2 2
Das expansões (1.7), (1.8) e da Tabela 1.3 podemos verificar que os resultados determinados,
nos exemplos mostrados, correspondem de fato às séries serem coincidentes. Para um método
de segunda ordem teremos que
∆xr(1) ∆xr(2)
y(x0 + ∆x) = y0 + F(1)(y0 ) + F(2)(y0 )
σ(1)γ(1) σ(2)γ(2)
∆x1 ∆x2 0
= y0 + f (y0 ) + f f (y0 )
1·1 1·2
e
∆xr(1) ∆xr(2)
y1 = y0 + Φ(1)F(1)(y0 ) + Φ(2)F(2)(y0 )
σ(1) σ(2)
∆x1 X ∆x2 X
= y0 + bi f (y0 ) + bi ci f 0 f (y0 )
1 1
verificando a exatidão do sistema obtido anteriormente para a determinações dos coeficientes.
Para um método de terceira ordem, as condições necessárias agora são dadas por
• b1 + b2 + b3 = 1
• 1
• b2 c 2 + b3 c 3 =
2
• • 1
@• b2 c22 + b3 c23 =
3
•
• 1
• b3 a32 c2 =
6
sendo que alguns casos especiais podem ser recuperados em função dos resultados das tabelas
0 0 0
1 1 2 2 2 2
2 2 3 3 3 3
1 −1 2 2
3
0 2
3
0 −1 1
1 2 1 3 1
6 3 6
1 3 3 0 4 4
4 8 8
Capítulo 1. Equações Diferenciais Ordinárias 21
0
1 1
3 3
2 2
3
0 3
1 3
4
0 4
De forma análoga ao caso do método anterior, obtemos das expansões (1.7), (1.8) e da
Tabela 1.3 os desenvolvimentos em série de Taylor da solução exata e da solução aproximada,
fornecida por um método de Runge-Kutta de terceira ordem. Em se tratando da solução exata,
temos que
∆xr(1) ∆xr(2)
y(x0 + ∆x) = y0 + F(1)(y0 ) + F(2)(y0 )
σ(1)γ(1) σ(2)γ(2)
∆xr(3) ∆xr(4)
+ F(3)(y0 ) + F(4)(y0 )
σ(3)γ(3) σ(4)γ(4)
∆x1 ∆x2 0
= y0 + f (y0 ) + f f (y0 )
1·1 1·2
∆x3 00 ∆x3 0 0
+ f (f, f )(y0 ) + f f f (y0 )
2·3 1·6
∆xr(1) ∆xr(2)
y1 = y0 + Φ(1)F(1)(y0 ) + Φ(2)F(2)(y0 )
σ(1) σ(2)
∆xr(3) ∆xr(4)
+ Φ(3)F(3)(y0 ) + Φ(4)F(4)(y0 )
σ(3) σ(4)
∆x1 X ∆x2 X
= y0 + bi f (y0 ) + bi ci f 0 f (y0 )
1 1
∆x3 X 2 00 ∆x3 X
+ bi ci f (f, f )(y0 ) + bi aij cj f 0 f 0 f (y0 )
2 1
• b1 + b2 + b3 + b4 =1 (1.9)
• 1
• b2 c 2 + b3 c 3 + b4 c 4 = (1.10)
2
• • 1
@• b2 c22 + b3 c23 + b4 c24 = (1.11)
3
•
• 1
• b3 a32 c2 + b4 a42 c2 + b4 a43 c3 = (1.12)
6
• • • 1
@• b2 c32 + b3 c33 + b4 c34 = (1.13)
4
•
• • 1
@• b3 c3 a32 c2 + b4 c4 a42 c2 + b4 c4 a43 c3 = (1.14)
8
• •
@•
1
• b3 a32 c22 + b4 a42 c22 + b4 a43 c23 = (1.15)
12
•
•
• 1
• b4 a43 a32 c2 = (1.16)
24
Essas equações devem ser resolvidas em termos de c como parâmetros e no caso de b a partir
das Equações (1.9), (1.10), (1.11) e (1.13). Posteriormente, devemos determinar os coeficientes
da matriz A a partir das Eqs. (1.12), (1.14) e (1.15). E, finalmente, utilizar a Eq. (1.16)
para obtermos a condição de consistência em c. Esta condição de consistência é encontrada
para c4 = 1. Escrevendo em termos dos desenvolvimentos em série de Taylor
∆xr(4) ∆xr(5)
+ Φ(4)F(4)(y0 ) + Φ(5)F(5)(y0 )
σ(4) σ(5)
∆xr(6) ∆xr(7)
+ Φ(6)F(6)(y0 ) + Φ(7)F(7)(y0 )
σ(6) σ(7)
∆xr(8)
+ Φ(8)F(8)(y0 )
σ(8)
∆x4 X ∆x4 X
+ bi ci aij cj f 00 (f, f 0 f )(y0 ) + bi aij c2j f 0 f 00 (f, f )(y0 )
1 2
∆x4 X
+ bi aij ajk ck f 0 f 0 f 0 f (y0 )
1
e, em particular, c4 = 1.
Kutta [7] classificou todas as soluções possíveis para as condições de um método de quarta
ordem e, em particular, o famoso método clássico de quarta ordem já apresentado anteriormente
nesse capítulo
0
1 1
2 2
1
2
0 12
1 0 0 1
1 1 1 1
6 3 3 6
24 1.3. Métodos “Multistep”
dy
= f (x, y)
dx
Sabemos que a solução desta equação pode ser obtida mediante a sua integração entre os pontos
i e i+1 Z yi+1 Z xi+1
dy = f (x, y) dx
yi xi
Esta equação nos fornece a solução da equação diferencial ordinária caso a integral, do lado
direito do sinal de igualdade, possa ser avaliada e o valor futuro da variável dependente yi+1
pode ser determinado a partir do seu valor precedente yi e da resolução da integral de f (x, y).
Uma primeira possibilidade de avaliarmos a integral em (1.17) pode ser dada pela aplicação
de uma integração numérica como, por exemplo, a regra do trapézio, ou seja:
Z xi+1
f (xi , yi ) + f (xi+1 , yi+1 )
f (x, y) dx = ∆x
xi 2
que corresponde à equação corretora para o método de Heun. Do Cálculo Numérico [1] sabemos
que o erro de truncamento associado à regra do trapézio é dado por:
1 1
Ec = − ∆x3 f 00 (ξc ) = − ∆x3 y 000 (ξc )
12 12
onde o subscrito c indica o erro do corretor e ξc encontra–se no intervalo determinado por xi e
xi+1 .
Um procedimento similar pode ser empregado na obtenção do passo preditor, a partir de
uma integração entre os limites i − 1 e i + 1:
Z yi+1 Z xi+1
dy = f (x, y) dx
yi−1 xi−1
Preditor
0 m
yi+1 = yi−1 + 2∆xf (xi , yim )
1
Uma fórmula fechada é aquela onde os pontos correspondentes aos limites de integração são conhecidos, em
oposição ao caso da fórmula aberta, onde os limites de integração vão além dos pontos conhecidos.
26 1.3. Métodos “Multistep”
Corretor
j−1
j f (xi , yim ) + f (xi+1 , yi+1 )
yi+1 = yim + ∆x
2
onde o sobrescrito j denota que a equação corretora é aplicada iterativamente de j = 1 até
m
j = m para que possamos obter soluções refinadas. Portanto, os valores yim e yi−1 correspondem
aos valores finais do processo corretivo.
Conforme podemos observar a equação preditora depende do conhecimento prévio do valor
da variável dependente yi−1 a fim de que ela possa ser empregada. Esta informação não está
normalmente disponível em um típico problema de valor inicial. Por este motivo este método
é chamado de non–self–starting Heun [1].
Caso os passos preditor e corretor de um método multistep apresentem a mesma ordem do
erro de truncamento, uma estimativa do erro local de truncamento pode ser obtida durante o
processo computacional de obtenção da solução numérica. Esta informação pode, então, ser
empregada como um critério de ajuste do incremento.
Devido à existência do erro de truncamento sabemos que a solução numérica é uma aproxi-
mação da solução exata (yex = yi+1 + Et ) da equação diferencial ordinária, ou seja:
1
0
yex = yi+1 + ∆x3 y 000 (ξp ) (1.19)
3
e
1
m
yex = yi+1 − ∆x3 y 000 (ξc ) (1.20)
12
Subtraindo a Eq. (1.19) da Eq. (1.20) chegamos ao seguinte resultado
5
m
0 = yi+1 0
− yi+1 − ∆x3 y 000 (ξ)
12
onde ξ encontra-se agora no intervalo compreendido entre xi−1 e xi+1 . Esta equação pode ainda
ser reescrita na forma:
0 m
yi+1 − yi+1 1
= − ∆x3 y 000 (ξ)
5 12
Deste resultado podemos notar que ele é idêntico à expressão do erro de truncamento do
corretor, Ec , a menos do argumento da derivada terceira. Assumindo que a derivada terceira
de y não varie de forma apreciável sobre o intervalo entre xi−1 e xi+1 , podemos considerar como
sendo válida a seguinte igualdade:
m 0
yi+1 − yi+1
Ec ∼
=−
5
e a partir desta relação nós podemos estimar o erro de truncamento com base em duas quan-
tidades que já são calculadas pelo método numérico. Assim sendo, esta estimativa pode ser
empregada como um critério para ajustarmos o incremento ∆x de modo que o erro fique dentro
de uma faixa de valores aceitáveis.
Capítulo 1. Equações Diferenciais Ordinárias 27
As derivações dos erros Ep e Ec podem ser generalizadas uma vez conhecidos os erros
de truncamento das fórmulas de integração empregadas na avaliação das integrais do passo
preditor:
0 ηp
yex = yi+1 + ∆xn+1 y (n+1) (ξp )
δp
e do passo corretor:
m ηc
yex = yi+1 − ∆xn+1 y (n+1) (ξc )
δc
A partir do conhecimento destes valores os erros de truncamento do passo preditor pode ser
estimado como sendo dado por [1]:
ηp δc
yim − yi0
Ep = (1.21)
ηc δp + ηp δc
enquanto que no caso do passo corretor:
ηc δp
Ec ∼ m 0
=− yi+1 − yi+1 (1.22)
ηc δp + ηp δc
para a forma fechada, sendo n o número de segmentos empregados e os valores dos coeficientes
wk (k = −1, 0, 1, . . . , n) podem ser encontrados, por exemplo, na referência [1]. Nestas equações
temos que p = n + 1 se n for par e p = n caso n seja ímpar. Portanto, as fórmulas gerais de
Newton-Cotes são dadas por
n−1
X
wk f (xi−k , yi−k ) + O ∆xp+2
yi+1 = yi−n + ∆x (1.23)
k=0
Os valores dos coeficientes βk podem ser encontrados, para diferentes valores de n, na referên-
cia [1].
Um procedimento similar pode ser feito para obtermos a expressão geral para a fórmula
fechada, conhecida como a fórmula de Adams–Moulton. Neste caso, nosso ponto de partida
será um desenvolvimento em série de Taylor em torno do ponto xi+1
0 ∆x2 00 ∆x
3
yi = yi+1 − fi+1 ∆x + fi+1 − fi+1 + ...
2 6
Capítulo 1. Equações Diferenciais Ordinárias 29
0
onde devemos aproximar agora o valor da derivada fi+1 . Deste modo obtemos a fórmula fechada
geral de Adams de ordem n
n−1
X
βk fi+1−k + O ∆xn+1
yi+1 = yi + ∆x (1.26)
k=0
0 m 4
2fim − fi−1
m m
yi+1 = yi−3 + + 2fi−2 ∆x
3
enquanto que uma fórmula fechada com dois segmentos (três pontos) de Newton–Cotes (1.24)
(regra de Simpson 1/3), n=2, é empregada para o passo corretor:
j m 1 m j−1
fi−1 + 4fim + fi+1
yi+1 = yi−1 + ∆x
3
Para este método temos que os erros de truncamento preditor e corretor são de O(∆x5 ) e
ηp = 14, δp = 45, ηc = 1 e δc = 90 e, a partir das fórmulas gerais, os erros de truncamento
associados a estes dois passos podem ser determinados pelas Eqs. (1.21) e (1.22)
28 m
yi − yi0
Ep =
29
1 m
Ec ∼ 0
=− yi+1 − yi+1
29
e, para o passo corretor, uma fórmula de quarta ordem (n=4) do tipo Adams–Moulton (1.26)
j m 9 j−1 19 m 5 m 1 m
yi+1 = yi + f + fi − fi−1 + fi−2 ∆x
24 i+1 24 24 24
30 1.4. Convergência, Consistência e Estabilidade
Os erros de truncamento associados a estes dois passos são de O(∆x5 ) e dados por [1]
251 m
yi − yi0
Ep =
270
19 m
Ec ∼ 0
=− yi+1 − yi+1
270
uma vez que ηp = 251, δp = 720, ηc = 19 e δc = 720 para o método em questão.
À primeira vista pode parecer que o método de Milne é melhor que o método de quarta ordem
de Adams, visto que o primeiro necessita de menos avaliações da função f (x, y) e apresenta um
erro do passo corretor bem inferior ao do método de Adams. Embora essa conclusão aplique–
se a muitos casos, existem problemas para os quais o método de Milne apresenta resultados
numericamente inaceitáveis. Esta fraca performance se deve a uma instabilidade do método de
Milne, sendo oriunda especificamente do passo corretor [1].
dy
= f (x, y)
dx
para uma condição inicial dada por y(x0 ) = y0 e vamos assumir que a função f (x, y) satisfaz a
condição de Lipschitz em y. Uma função é dita satisfazer a condição de Lipschitz na variável y
em um conjunto D ⊂ R2 se
|f (x, y) − f (x, z)| ≤ L |y − z|
para alguma constante L > 0 e x, y e z ∈ D [3].
1.4.1.1 Convergência
Um método numérico é dito convergir se [3]
lim |y(xi ) − yi | = 0
i→∞
1.4.1.2 Consistência
Um método numérico é dito ser consistente se
Et
lim =0
∆x→0 ∆x
onde Et representa o erro de truncamento local do método do tipo diferenças que nós queremos
estudar. Esta condição implica no fato de que o erro de truncamento local de um método do
tipo diferenças deve ser pelo menos de O (∆x2 ) para que ele seja consistente.
Conforme nós já vimos, todos os métodos one-step podem ser postos na forma geral
onde φ(x, y, ∆x) é conhecida com a função incremento. A partir do desenvolvimento em série
de Taylor, em torno do ponto (xi , yi ), do lado esquerdo desta igualdade nós obtemos
0 ∆x2
yi + f (xi , yi )∆x + f (xi , yi ) + . . . = yi + φ(x, y, ∆x)∆x
2
32 1.4. Convergência, Consistência e Estabilidade
1.4.1.3 Estabilidade
Um método numérico do tipo diferenças é dito ser estável para um problema de valor inicial,
do tipo apresentado no início desta seção, se existir um ∆x0 > 0 tal que uma variação na
condição inicial, por uma quantidade fixa, produz uma variação limitada na solução numérica
para todo 0 < ∆x ≤ ∆x0 .
Antes de prosseguirmos com o nosso estudo da estabilidade, vamos enunciar o seguinte
teorema que será fundamental para que possamos garantir que um método numérico do tipo
diferenças seja convergente.
Teorema 3 (Asaithambi [3]) Um método numérico do tipo one-step é estável se ele for re-
gular.
Em seguida, veremos em que condições o método numérico pode ser considerado regular.
Da forma geral dos métodos one-step podemos dizer que ele será regular se a função incre-
mento satisfaz a condição de Lipschitz em y no domínio D = {(x, w)| x0 ≤ x ≤ X, −∞ < w <
∞, 0 < ∆x < ∆x0 } para algum ∆x0 > 0 de modo que a desigualdade abaixo é verificada
|φ(x, y, ∆x) − φ(x, z, ∆x)| ≤ M |y − z|
para y e z ∈ D e M é chamada de constante de Lipschitz para a função incremento φ(x, y, ∆x).
A prova deste teorema é relativamente simples e podemos demonstrá-la se nós considerar-
mos, mais uma vez, duas aproximações numéricas yi e zi geradas a partir da forma geral, de
modo que
|yi+1 − zi+1 | ≤ |yi − zi | + ∆x|φ(x, y, ∆x) − φ(x, z, ∆x)|
Como estamos considerando que o método numérico é regular
|yi+1 − zi+1 | ≤ |yi − zi | + ∆xM|yi − zi |
ou ainda
|yi+1 − zi+1 | ≤ (1 + ∆xM)|yi − zi |
Por indução podemos reescrever este resultado como
|yi+1 − zi+1 | ≤ (1 + ∆xM)i+1 |y0 − z0 |
1.4.2.1 Convergência
A mesma definição de convergência, aplicada aos métodos one-step, também se aplica ao
caso dos métodos multistep. Assim como no caso anterior, a fim de mostrarmos que um método
numérico do tipo diferenças é convergente, devemos estabelecer que ele é consistente e estável [3].
1.4.2.2 Consistência
Os métodos multistep, a exemplo dos métodos one-step, também podem ser postos numa
forma geral. A forma mais geral de um método (k + 1) multistep é dada por [3]
k
X k
X
yi+1 = αj yi−j + ∆x βj fi−j para i ≥ k
j=0 j=−1
onde para β−1 6= 0 nós obtemos um método implícito e para β−1 = 0 um método explícito.
Nesta equação os coeficientes α e β são escolhidos de modo a obtermos um método com a mais
alta ordem de acurácia possível. Entretanto, a escolha destes coeficientes baseada somente na
ordem de acurácia do método pode nos levar a métodos que não são estáveis.
Como nós sabemos que a solução exata menos a solução numérica é igual ao erro de trun-
camento, Et = yex (xi+1 ) − yi+1 ,
" k k
#
X X
Et = yex (xi+1 ) − αj yi−j + ∆x βj fi−j
j=0 j=−1
" k k
#
0
X X
= yex (xi+1 ) − αj yi−j + ∆x βj yi−j
j=0 j=−1
m
" k m k m−1
#
r r r
∆x (−j∆x) (−j∆x)
Et ∼
X X X X X
(r) (r) (r+1)
= yex − αj yex + ∆x βj yex
r=0
r! j=0 r=0
r! j=−1 r=0
r!
Capítulo 1. Equações Diferenciais Ordinárias 35
m
" k k
#
X X X ∆xr (r)
+ 1− αj (−j)r − r βj (−j)r−1 y
r=2 j=0 j=−1
r! ex
Deste resultado e da condição para que um método numérico seja consistente,
Et
lim =0
∆x→0 ∆x
vemos claramente que as seguintes igualdades devem ser verificadas para que um método mul-
tistep seja consistente:
Xk
αj = 1
j=0
k
X k
X
− jαj + βj = 1
j=0 j=−1
1.4.2.3 Estabilidade
Finalizando esta seção iremos abordar o problema da estabilidade dos métodos multistep. As
condições de estabilidade que devem ser verificadas pelos métodos multistep serão introduzidas
a partir do comportamento da solução numérica do seguinte problema trivial
dy
=0
dx
tendo por condição inicial y(0) = c e é evidente, para este problema, que f (x, y) = 0. Caso
a condição inicial seja introduzida sem nenhum erro de arredondamento, qualquer método
multistep forneceria a solução exata deste problema para todo i ≥ k. Por outro lado, se a
condição inicial estiver contaminada pelos erros de arredondamento, poderão ocorrer desvios
nas soluções numéricas. São estes desvios que nós queremos estudar aqui. Da equação geral
dos métodos multistep aplicada a este problema específico nós obtemos:
k
X
yi+1 = αj yi−j para i ≥ k
j=0
Usando o operador deslocamento E [3] a equação acima pode ser reescrita como
k
X
k+1
E yr − αj E k−j yr = p(E)yr = 0
j=0
onde o polinômio característico, p(λ), associado a esta equação de diferenças é dado por
" k
#
X
p(λ)yr = λk+1 − αj λk−j yr = 0
j=0
e cujas raízes (que podem ser complexas) são λ1 , λ2 , . . . , λk+1 . As condições de estabilidade
dos métodos multistep serão estabelecidas em função dessas raízes do polinômio característico,
de modo que os erros de arredondamento não cresçam exponencialmente [3].
Para uma equação linear de diferenças de ordem k do tipo
onde λj é uma raiz do polinômio característico e o polinômio pj (.) possui um grau a menos que
a multiplicidade das raízes do polinômio característico.
Portanto, caso todas as raízes fossem distintas nós poderíamos escrever a solução do pro-
blema de valor inicial, para λ1 ∼
= c, como [3]
k
X
yi = c + γj λij
j=2
onde o somatório pode ser visto como os erros de arredondamento associados à solução apro-
ximada. Deste resultado vemos que o erro de arredondamento irá crescer exponencialmente a
menos que |λj | ≤ 1 para j = 2, 3, . . . , k.
O próximo teorema generaliza este resultado e impõe as condições que devem ser verificadas
para que o método numérico seja estável
Teorema 5 (Asaithambi [3]) O método numérico multistep dado pela sua forma geral é
estável se e somente se ele satisfizer a condição da raiz:
|λj | ≤ 1, j = 1, 2, . . . , k
dp(λj )
|λj | = 1 ⇒ 6= 0
dλ
Capítulo 1. Equações Diferenciais Ordinárias 37
A primeira condição requer que todas as raízes do polinômio característico estejam contidas
no círculo {λ | |λ| ≤ 1} no plano complexo. A segunda condição estabelece que todas as raízes
que se encontram na fronteira do círculo unitário devem ser simples.
Um método multistep é dito ser fortemente estável se ele verifica a condição da raiz e
λ = 1 é a única raiz característica de módulo igual a um. Ele é dito ser fracamente estável se
satisfaz a condição da raiz e tem mais de uma raiz característica distinta com magnitude igual
a um. Por outro lado, ele será dito instável se ele não satisfizer a condição da raiz.
O último teorema a ser enunciado estabelece as condições para que tenhamos um método
multistep convergente
Como veremos mais adiante, as equações que governam o escoamento de fluidos e o trans-
porte de massa e energia são equações diferenciais parciais, contendo termos em derivadas
primeira e segunda nas coordenadas espaciais e, geralmente, em derivada primeira no tempo.
Nestas equações as derivadas no tempo aparecem como termos lineares, mas frequentemente as
derivadas espaciais estão associadas a termos não-lineares.
Neste capítulo, veremos como classificar as equações diferenciais parciais em elípticas, pa-
rabólicas e hiperbólicas. Em seguida elas serão examinadas segundo as suas características
matemáticas e físicas.
∂ϕ ∂ϕ
+c =0
∂t ∂x
governa a propagação de uma onda que se movendo da esquerda para a direita com uma
velocidade constante c.
39
40 2.1. Algumas Equações Diferenciais de Interesse
∂ϕ ∂ϕ ∂ 2ϕ
+ϕ =ν 2
∂t ∂x ∂x
governa a propagação não–linear de uma onda simples em uma dimensão com dissipação
viscosa.
4. A equação de Poisson
∂ 2ϕ ∂ 2ϕ
+ 2 = f (x, y)
∂x2 ∂y
que governa a distribuição de temperatura em um sólido com fontes de calor prescritas
pela função f (x, y). A equação de Poisson também determina o campo elétrico em uma
região contendo uma densidade de carga dada por f (x, y).
5. A equação de advecção–difusão
∂ϕ ∂ϕ ∂ 2ϕ
+u =α 2
∂t ∂x ∂x
que representa o transporte, unidimensional, por convecção e difusão da quantidade ϕ em
uma região que encontra-se em movimento com velocidade u. A quantidade α representa
o coeficiente de difusão.
6. A equação de Korteweg–de Vries
∂ϕ ∂ϕ ∂ 3ϕ
+ϕ +β 3 =0
∂t ∂x ∂x
que governa o movimento não–linear de ondas dispersivas.
7. A equação de Helmholtz
∂ 2ϕ ∂ 2ϕ
+ 2 + k2ϕ = 0
∂x2 ∂y
que governa o movimento de ondas harmônicas, sendo k o parâmetro de frequência. Como
exemplo temos a propagação de ondas acústicas.
Capítulo 2. Equações Diferenciais Parciais 41
8. A equação biharmônica
∂ 4ϕ ∂ 4ϕ
+ 4 =0
∂x4 ∂y
que determina as linhas de corrente para escoamentos com muito baixo número de Rey-
nolds, governado pela equação de Stokes.
9. Equação do telégrafo
∂ 2ϕ ∂ϕ 2
2∂ ϕ
+ a + b ϕ = c
∂t2 ∂t ∂x2
que governa a transmissão de impulsos elétricos num fio longo com uma certa distribuição
de capacitância, indutância e resistência. As aplicações desta equação também incluem
o movimento de uma corda com uma força de amortecimento proporcional à velocidade
e a condução de calor com uma velocidade de propagação térmica finita.
2.2 Classificação
Uma simples classificação das equações diferenciais parciais é possível no caso das equações
lineares de segunda ordem,
∂ 2u ∂ 2u ∂ 2u ∂u ∂u
A 2
+ B + C 2
+D +E + Fu + G = 0
∂x ∂x∂y ∂y ∂x ∂y
onde A, B, . . ., G são constantes. Três categorias podem ser distinguidas:
Como podemos observar, a classificação depende somente dos coeficientes dos termos de deri-
vadas de maior ordem nas variáveis independentes.
Caso os coeficientes A, B, . . ., G sejam funções de x, y, ∂u/∂x ou ∂u/∂y, a classificação
pode ser aplicada, contanto que A, B e C tenham uma interpretação local. Isto implica no fato
de que a classificação das equações pode mudar em diferentes partes do domínio de resolução.
As diferentes categorias de EDPs (Equações Diferenciais Parciais) podem ser, grosseira-
mente, associadas aos diferentes tipos de escoamentos. Em geral, problemas dependentes do
tempo estão associados a EDPs do tipo parabólico ou hiperbólico. EDPs parabólicas governam
escoamentos contendo mecanismos de dissipação, como a dissipação viscosa e térmica. Neste
caso, os gradientes decrescerão para valores crescentes do tempo, se as condições de contorno
42 2.2. Classificação
não forem dependentes do tempo. Não havendo mecanismos de dissipação, a solução terá uma
amplitude constante no caso de uma EDP linear e poderá aumentar caso ela seja não-linear.
Esta solução é governada por EDPs do tipo hiperbólicas. As EDPs elípticas estão normalmente
associadas a problemas em regime permanente e de equilíbrio. Entretanto, alguns problemas
em regime permanente são descritos por EDPs parabólicas (escoamento do tipo camada limite)
e EDPs hiperbólicas (escoamento supersônico não-viscoso).
Em se tratando de sistemas de equações diferenciais, a classificação não pode ser feita
mediante uma simples inspeção das equações. Usualmente é necessário examinarmos as carac-
terísticas associadas às equações, a fim de determinarmos de maneira correta a classificação.
∂u ∂u
A +B =C (2.1)
∂t ∂x
na qual A, B e C podem ser funções de t, x e u, mas não podem ser funções das derivadas
da variável dependente u, pois elas podem ser descontínuas nas características. Suponhamos,
agora, que u seja especificado ao longo de uma curva L no plano t − x, Fig. 2.1. Vamos também
introduzir, neste plano, uma curva característica C que intercepta a curva L no ponto p de
coordenadas (xp ,tp ), conforme representado na Fig. 2.1. Ao longo da curva característica C
temos que [9]
∂u ∂u
du = dt + dx (2.2)
∂t ∂x
para dt e dx infinitesimais.
Combinando as Eqs. (2.1) e (2.2) de modo a eliminarmos o termo ∂u/∂t
dx B ∂u du C
− = −
dt A ∂x dt A
Para que ∂u/∂x possa ser indeterminado ao longo da curva C, devemos fazer
dx B
=
dt A
Capítulo 2. Equações Diferenciais Parciais 43
xp p
tp t
du C
=
dt A
ao longo da característica. A resolução numérica desta equação fornece o valor de u.
Da integração da equação que define a curva característica vemos que existe uma infinidade
de curvas características no plano t − x. Em particular, para B/A =constante, temos que as
características são retas e as suas equações são dadas por:
B
x(t) − x0 = (t − t0 )
A
onde as constantes x0 e t0 representam as coordenadas de um ponto qualquer sobre a caracte-
rística.
Finalizando, o conhecimento do valor de u no ponto p sobre a curva L, que intercepta a
curva característica C, permite que determinemos a variável dependente u mediante a resolução
de dois problemas de valor inicial (PVI):
dx B
=
dt A
x(tp ) = xp
∂u ∂ξ ∂u ∂η ∂u
= +
∂x ∂x ∂ξ ∂x ∂η
∂u ∂ξ ∂u ∂η ∂u
= +
∂y ∂y ∂ξ ∂y ∂η
∂ 2u
∂ξ ∂ ∂η ∂ ∂ξ ∂ ∂η ∂
= + + u
∂x2 ∂x ∂ξ ∂x ∂η ∂x ∂ξ ∂x ∂η
∂ 2u
∂ξ ∂ ∂η ∂ ∂ξ ∂ ∂η ∂
= + + u
∂y 2 ∂y ∂ξ ∂y ∂η ∂y ∂ξ ∂y ∂η
∂ 2u
∂ξ ∂ ∂η ∂ ∂ξ ∂ ∂η ∂
= + + u
∂x∂y ∂x ∂ξ ∂x ∂η ∂y ∂ξ ∂y ∂η
Assim, podemos reescrever a EDP (2.3) na forma
∂ 2u 2
0 ∂ u
2
0∂ u
A0 2
+ B + C 2
+ H0 = 0
∂ξ ∂ξ∂η ∂η
onde,
2 2
0 ∂ξ ∂ξ ∂ξ ∂ξ
A =A +B +C
∂x ∂x ∂y ∂y
0 ∂ξ ∂η ∂ξ ∂η ∂ξ ∂η ∂ξ ∂η
B = 2A +B + + 2C
∂x ∂x ∂x ∂y ∂y ∂x ∂y ∂y
2 2
0 ∂η ∂η ∂η ∂η
C =A +B +C
∂x ∂x ∂y ∂y
Destes resultados vemos que o discriminante B 0 2 − 4A0 C 0 pode ser obtido a partir da relação
2
B 0 − 4A0 C 0 = J 2 B 2 − 4AC
∂x ∂y
onde o vetor ~q tem como componentes u(x, y) e v(x, y).
Vamos determinar, em seguida, quais são as condições para que tenhamos somente as dife-
renciais totais: ∂u ∂u
∂x ∂y
du dx
=
dv ∂v ∂v dy
∂x ∂y
ao longo das direções características dy/dx. Para o sistema de equações dado, isto é equivalente
a procurarmos multiplicadores L1 e L2 . Para tanto, vamos multiplicar a primeira componente
escalar da equação vetorial (2.7) por L1 , a segunda por L2 e adicionarmos ambas as equações
resultantes
∂u ∂u ∂v ∂v ∂u ∂u ∂v ∂v
L1 A11 + B11 + A12 + B12 + L2 A21 + B21 + A22 + B22 =
∂x ∂y ∂x ∂y ∂x ∂y ∂x ∂y
= L1 D1 + L2 D2
ou ainda,
∂u ∂u
(L1 A11 + L2 A21 ) + (L1 B11 + L2 B21 ) +
∂x ∂y
∂v ∂v
+ (L1 A12 + L2 A22 ) + (L1 B12 + L2 B22 ) = m1 du + m2 dv
∂x ∂y
Das relações das diferenciais totais, m1 du + m2 dv, vemos que
L1 A11 + L2 A21 = m1 dx
L1 B11 + L2 B21 = m1 dy
L 1 A12 + L2 A22 = m2 dx
L1 B12 + L2 B22 = m2 dy
e a condição para que tenhamos uma solução não-trivial deste sistema é a de que
dy
det A − B = 0
dx
ou ainda,
2
dy dy
(A11 A22 − A21 A12 ) − (A11 B22 − A21 B12 + B11 A22 − B21 A12 ) +
dx dx
+ (B11 B22 − B21 B12 ) = 0
A classificação do sistema de equações será dada em função das raízes desta equação do
segundo grau:
i) elíptico, se o discriminante for negativo e as duas raízes complexas;
ii) parabólico, se o discriminante for nulo e uma raiz real;
iii) hiperbólico, se o discriminante for positivo e as duas raízes reais.
Estes resultados podem ser generalizados para o caso de sistemas com n equações diferenciais
de primeira ordem com duas variáveis independentes. O caráter do sistema de equações será
determinado pelas n raízes da equação
dy
det A − B = 0
dx
ou seja:
i) elíptico, se não forem obtidas raízes reais;
ii) parabólico, se obtivermos m raízes reais (1 ≤ m ≤ n − 1) e nenhuma raiz complexa for
obtida;
iii) hiperbólico, se forem encontradas n raízes reais.
Para grandes sistemas de equações, algumas raízes podem ser complexas e outras reais, o
que representa um sistema misto. Na prática, a divisão mais importante é dada entre siste-
mas elípticos e não-elípticos, uma vez que estes últimos permitem um comportamento do tipo
evolução no tempo.
A classificação acima também se aplica a sistemas de equações com derivadas de segunda
ordem, uma vez que podemos introduzir variáveis auxiliares a fim de transformá-los em sistemas
maiores de primeira ordem. Entretanto, existe o risco de obtermos matrizes A e B singulares
e cuidado deve ser tomado para que evitemos que isto aconteça.
Para sistemas de equações de primeira ordem com mais de duas variáveis independentes:
∂~q ∂~q ∂~q ~
A +B +C =D
∂x ∂y ∂z
Capítulo 2. Equações Diferenciais Parciais 49
com λx , λy e λz definindo as direções normais a uma determinada superfície no ponto (x, y, z).
Esta equação fornece, portanto, as condições para que esta superfície seja uma superfície ca-
racterística.
F [P (D)f ] = P (iσ)F(f )
ou ainda,
σx σx
−A −B − C û = 0
σy σy
onde û = F(u) é a transformada de Fourier de u(x, y) e a natureza desta equação depende das
raízes deste polinômio, ou seja, dos coeficientes A, B e C conforme descrito na Seção 2.2.
Este método de obtenção do polinômio característico se aplica para A, B e C funções das
variáveis independentes. Caso estes coeficientes sejam funções das variáveis dependentes, é ne-
cessário “congelarmos” os seus valores locais antes de aplicarmos a transformada de Fourier [11].
iii) a solução computacional depende continuamente dos dados iniciais e das condições de
contorno numéricas.
~s ∂R
~n
Nas condições auxiliares ii) e iii), ∂ /∂~n denota a derivada normal direcionada de dentro para
fora do domínio de resolução e ∂ /∂~s indica a derivada tangencial, Fig. 2.2.
Existem três tipos de problemas associados às condições auxiliares: o problema de valor
de contorno (PVC), onde as condições são impostas na fronteira do domínio; o problema de
valor inicial (PVI), onde as condições são fornecidas para um tempo inicial fixado; e o problema
misto, onde impomos uma condição inicial e condições de contorno. Normalmente, os problemas
de contorno estão associados aos problemas elípticos, o problema de valor inicial às equações
hiperbólicas e o problema misto às equações parabólicas. Entretanto, as equações hiperbólicas
também podem admitir condições do tipo inicial e de contorno. Um problema de valor inicial
só será bem-posto para sistemas hiperbólicos e um problema de contorno só será bem-posto
para sistemas elípticos.
Na maior parte dos escoamentos, cujas soluções são obtidas a partir das equações de Navier-
Stokes em termos das variáveis primitivas (u, v, p, etc.), pelo menos uma componente do vetor
velocidade ou a pressão são dadas na fronteira. Este é um exemplo de uma condição de Dirichlet
para a velocidade ou a pressão. No caso do escoamento potencial não-viscoso de um fluido
compressível, a condição ∂φ/∂~n = 0 na superfície do sólido é um exemplo de uma condição
do tipo Neumann. Condições do tipo mista não são comuns em mecânica dos fluidos, mas
ocorrem com frequência em problemas de transferência de calor. Condições de Dirichlet podem
ser aplicadas computacionalmente de maneira exata. Entretanto, as condições de Neumann
ou de Robin só podem ser introduzidas de maneira aproximada, acarretando, assim, num erro
numérico.
Capítulo 2. Equações Diferenciais Parciais 53
ξ = x + ct
η = x − ct
de modo que v(ξ, η) = u(x, t). Após substituição na equação da onda (2.8)
∂ 2v
−4c2 =0
∂ξ∂η
ou ainda,
∂ ∂v
=0 (2.9)
∂η ∂ξ
Podemos verificar facilmente que a Eq. (2.9) admite como solução
t C D
Domínio
de
Dependência
α β
Domínio
de
Influência
A B
x - ct x + ct x
i i i i
sendo f e g funções de classe C 2 arbitrárias. Então, a solução de d’Alembert pode ser escrita
como
u(x, t) = f (x + ct) + g(x − ct)
Vamos agora utilizar as condições iniciais
u(x, 0) = s(x)
∂
u(x, 0) = r(x)
∂t
para determinarmos as funções f e g, supondo que s(x) é de classe C 2 e r(x) de classe C 1 em
−∞ < x < +∞. Aplicando estas condições, obtemos
u(x, 0) = f (x) + g(x) = s(x)
u(x, 0) = f (x) + g(x) = s(x)
1 x
Z
f (x) − g(x) = r(s)ds + K
c 0
Capítulo 2. Equações Diferenciais Parciais 55
1 x
Z
1
g(x) = s(x) − r(s)ds − K
2 c 0
Portanto,
1 x+ct
Z
1
f (x + ct) = s(x + ct) + r(s)ds + K
2 c 0
1 0
Z
1
g(x − ct) = s(x − ct) + r(s)ds − K
2 c x−ct
Substituindo estes resultados na solução de d’Alembert, obtemos a forma final da solução
da equação da onda (2.9)
1 x+ct
Z
1
u(x, t) = s(x + ct) + s(x − ct) + r(s)ds (2.10)
2 c x−ct
1
u(x, t) = [sen π(x + ct) + sen π(x − ct)]
2
ou ainda, utilizando a relação trigonométrica sen (a ± b) = sen (a) cos(b) ± cos(a)sen (b),
que representa a propagação de uma onda senoidal sem atenuação, conforme podemos atestar
da sua representação gráfica mostrada na Fig. 2.4.
56 2.4. Equações Diferenciais Hiperbólicas
Equação da Onda
1
0.8
0.6
0.4
0.2
u(x,t)
−0.2
−0.4
−0.6
−0.8
−1
1
0.5
x 6 8 10
2 4
0 0
t
P
P B
A B
A
B
A
C 0110
1010
1010
1010 P
1010
1010
1010
1010
000000000000000000
111111111111111111
10x=0
A
000000000000000000B
111111111111111111 x
111
000
D 00
11 F
000
111 00
11
000
111 Domínio de Dependência
00
11
000
111
t=t 111
00
11
i 000 00
11
000
111 00
11
000
111
000
111
A B 00
11
00
11
000
111 00
11
u(0,t)=f(t) 111
000 00
11
000
111
000
111 00
11
00
11
u(1,t)=g(t)
000
111 00
11
000
111 00
11
000
111
000
111 00
11
00
11
t1
010 000
111
000
111 00
11
00
11
10100000
11111 000
111
00000000000000000000
11111111111111111111
000
111 00
11
0 0000000000000000000011
C11111111111111111111
00E
x
00000000000000000000
11111111111111111111
x=0 u(x,0)=u (x) x=1
0
Esta solução, que apresenta um decaimento exponencial, contrasta com a solução puramente
oscilatória da equação da onda, conforme representado na Fig. 2.8.
1
Obtida, por exemplo, a partir do Método de Separação de Variáveis [13].
Capítulo 2. Equações Diferenciais Parciais 59
00000000000000000000
11111111111111111111
D 11111111111111111111
00000000000000000000
111
000
0000000000000000000011
1111111111111111111100
000
111 00
11
C
000
111 00
11
000
111
000
111 00
11
00
11
000
111
000
111 00
11
00
11
000
111
000
111 P
00
11
00
11
000
111 00
11
000
111
000
111 00
11
00
11
000
111 00
11
000
111 00
11
000
111 00
11
y1
000
111
000
111 00
11
00
11
0 000
111 00
11
0
1 000
111 00
11
0
1
00000
11111 00000000000000000000
11111111111111111111
000
111 00B
11
0
1 A11111111111111111111
00000000000000000000
x
00000000000000000000
11111111111111111111
Figura 2.10: Domínio computacional para uma EDP elíptica.
onde 4AC < B 2 , um importante princípio de máximo existe: os valores máximos e mínimos
de φ devem ocorrer na fronteira ∂R do domínio, exceto no caso trivial onde φ é constante.
Sabemos que as EDPs elípticas apresentam características que são complexas e não podem
ser representadas no domínio computacional que é real. Portanto, na dinâmica dos fluidos a
identificação destas direções características não apresenta nenhuma utilidade prática.
o que implica numa restrição para as condições de contorno do tipo Neumann, caso as equações
sejam as de Laplace ou de Poisson.
CAPÍTULO 3
EQUAÇÕES DE BALANÇO
Na obtenção das equações de balanço, vamos requerer que a massa e a energia sejam con-
servadas e que a taxa de variação da quantidade de movimento (momentum) seja igual ao
somatório das forças agindo sobre o corpo. Como resultado teremos 5 equações de balanço: 1
equação da continuidade, 3 equações de balanço de momentum e 1 equação de energia
onde ~n é a normal unitária à superfície do volume de controle, direcionada de dentro para fora.
Usando o teorema de Gauss, esse resultado pode ser expresso na forma
Z
∂ρ
+ ∇ · (ρ~v ) dV = 0
V ∂t
Agora, como o volume de controle V é arbitrário,
∂ρ
+ ∇ · (ρ~v ) = 0
∂t
ou ainda,
∂ρ Dρ
+ ∇ρ · ~v +ρ∇ · ~v = + ρ∇ · ~v = 0
|∂t {z } Dt
=Dρ/Dt
63
64 3.2. Equações do Momentum
onde ~t é o vetor tensão tal que ~tdS fornece a força dF~ exercida sobre um elemento de área
dS e f~ é o vetor força externa. A primeira integral, do lado direito do sinal de igualdade da
Eq. (3.1), representa a contribuição devida às forças de superfície e a segunda à contribuição
das forças externas agindo sobre o corpo.
Podemos mostrar [14] que o vetor tensão pode ser expresso em termos do tensor de tensões
T na forma ~t = T ~n, com as componentes do tensor sendo representadas pela matriz
σxx τxy τxz
[Tij ] = τyx σyy τyz
τzx τzy σzz
onde σ representa as tensões normais e τ as tensões de cisalhamento.
Substituindo o vetor tensão ~t na equação integral (3.1) temos que
Z Z Z
d
ρ~v dV = T ~n dS + ρf~ dV
dt V S V
ou ainda, Z
∂~v ∂ρ ~
ρ + (∇~v ) ~v +~v + ∇ · (ρ~v ) −∇ · T − ρf dV = 0
V ∂t ∂t
| {z } | {z }
=D~v /Dt =0
Assim, visto que a integração é válida para qualquer tamanho do volume de controle,
D~v
ρ = ∇ · T + ρf~ (3.2)
Dt
Da teoria das equações constitutivas, sabemos que a forma mais geral de representação do
tensor de tensões para um fluido stokesiano é [15]:
2
T = −P I + f D = −P I + f0 I + f1 D + f2 D
1
∇~v + ∇~v T é o tensor taxa de deformação e
onde P é a pressão termodinâmica, D =
2
fi (i = 0, 1, 2) são funções dos invariantes principais do tensor taxa de deformação.
Um fluido é dito ser stokesiano se ele satisfaz as seguintes hipóteses [16]:
D~v
= −∇P + ∇ (λ∇ · ~v ) + ∇ · µ ∇~v + ∇~v T + ρf~
ρ
Dt
66 3.3. Equação de Energia
D~v
ρ = −∇P + (λ + µ)∇ (∇ · ~v ) + µ∇ · ∇~v + ρf~
Dt
Em se tratando de um fluido incompressível, ∇ · ~v = 0, e essa equação fica reduzida à forma
D~v
ρ = −∇P + µ∇ · ∇~v + ρf~
Dt
que é conhecida como a equação de Navier-Stokes para um fluido newtoniano incompressível.
Z Z
d 1 ∂ 1 1
ρ e + ~v · ~v dV = ρ e + ~v · ~v + ~v · ∇ e + ~v · ~v dV
dt V 2 V ∂t 2 2
| {z }
D 1
= Dt ( 2 )
e+ ~
v ·~
v
Z
1 ∂ρ
+ e + ~v · ~v + ∇ · (ρ~v ) dV
V 2 ∂t
| {z }
=0
Sendo o volume V qualquer, concluímos que o integrando deve ser identicamente nulo
D 1
ρ e + ~v · ~v = −∇ · ~q + ∇ · T~v + ρ ~v · f~ + ρQ
Dt 2
De
ρ = −∇ · ~q + tr T ∇~v + ρQ
Dt
Esta equação ainda pode ser escrita em termos da pressão termodinâmica P e do tensor extra
de tensões S ≡ T + P I [14], de maneira que
De
ρ = −∇ · ~q − P ∇ · ~v + tr S∇~v + ρQ (3.5)
Dt
~q = −k∇T
Nessas equações, o termo tr( S∇~v ) é chamado de potência de tensão por unidade de volume
e representa a energia dissipada devido à existência do atrito viscoso.
CAPÍTULO 4
DISCRETIZAÇÃO
O processo de se obter uma solução computacional, das EDPs que governam os fenômenos
físicos, consiste de duas etapas. Na primeira devemos converter as equações diferenciais parciais
e as condições inicial e de contorno num sistema discreto de equações algébricas. Esta primeira
etapa é conhecida como a discretização das equações diferenciais. A segunda etapa se resume
no processo de obtenção de uma solução computacional do sistema de equações algébricas, via
o emprego de uma técnica de resolução numérica.
A discretização dos termos da equação diferencial acarreta na sua substituição por expressões
algébricas que correlacionam os valores nodais numa malha finita. Esta etapa introduz um erro
de truncamento. Na resolução do sistema algébrico de equações discretizadas, também podemos
introduzir um erro numérico que é, em geral, desprezível em comparação ao erro introduzido
pela discretização. Entretanto, este erro pode ser considerável se o método empregado na
resolução do sistema algébrico não for estável.
A fim de se converter uma(s) EDP(s) em um sistema algébrico de equações (ou um sistema
de equações diferenciais ordinárias), podemos dispor de várias possibilidades de escolha. As
mais conhecidas são o método de diferenças finitas, de elementos finitos, de volumes finitos e o
método espectral.
Na prática, as derivadas com respeito ao tempo são discretizadas quase que exclusivamente
pelo método de diferenças finitas. Na discretização das derivadas espaciais, todos os métodos
citados acima são empregados.
O processo de discretizarmos uma EDP que governa, por exemplo, o escoamento de um
fluido, significa que substituímos o problema de acharmos uma solução exata e contínua, pelo de
procurarmos uma solução aproximada discreta, ou seja, determinamos os valores aproximados
nos nós da malha (Fig. 4.1) onde ∆x representa o incremento de espaço e ∆t o incremento de
tempo.
A determinação precisa do valor da solução aproximada entre os pontos nodais não é óbvia.
Deveríamos esperar que a solução aproximada variasse suavemente entre os pontos da malha.
Em princípio, qualquer valor da solução aproximada, num ponto entre os nós, pode ser obtido
69
70 4.1. Discretização Espacial
∆x
t
N
∆t
N-1
n=0
j=0 1 2 3 4 M-1 M x
φn+1
j = φnj + (La φj )n ∆t
e
∞ n
∆tm ∂ m ϕ
X
ϕn+1
j =
m=0
m! ∂tm j
são empregadas nesse processo.
Essas séries podem ser truncadas para qualquer número de termos, sendo o erro de trun-
camento dominado pelo próximo termo na expansão se ∆x 1 e ∆t 1. Assim, podemos
escrever por exemplo
n n
∆x2 ∂ 2 ϕ
n n ∂ϕ
+ O ∆x3
ϕj+1 = ϕj + ∆x + 2
∂x j 2 ∂x j
em torno do ponto (j,n) e reagrupando os termos, nós obtemos a aproximação conhecida como
backward difference ou diferença recuada
n
∂ϕ ∼ φnj − φnj−1
=
∂x j ∆x
φn+1
n
∂ϕ ∼ j − φnj
=
∂t j ∆t
que introduz um erro da ordem de ∆t, assumindo que ∆t 1 e que as derivadas de maior
ordem são limitadas.
onde a, b e c são valores a serem determinados e o termo O (∆xm ) indica o erro introduzido
pela aproximação.
Expandindo ϕnj−1 e ϕnj+1 em série de Taylor em torno do ponto (j,n)
n n
∆x2 ∂ 2ϕ
∂ϕ
ϕnj+1 ϕnj + O ∆x3
= + ∆x +
∂x j 2 ∂x2 j
n n
∆x2 ∂ 2ϕ
∂ϕ
ϕnj−1 = ϕnj − ∆x + O ∆x3
+
∂x j 2 ∂x2 j
1 1
Fazendo a + b + c = 0 e (−a + c)∆x = 1, resulta em a = c −
e b = −2c + para qualquer
∆x ∆x
2
valor de c. Escolhendo c de maneira que o termo em ∆x desapareça (c = −a), obtemos a
Capítulo 4. Discretização 73
aproximação com o menor erro de truncamento possível para uma formulação a três pontos, ou
1
seja, c = −a = e b = 0. Substituindo estes valores na expressão geral (4.1)
2∆x
ϕnj+1 − ϕnj−1 ∆x2 ∂ 3 ϕ n
n
∂ϕ
= − + ...
∂x j 2∆x 6 ∂x3 j
Primeiramente, vamos expandir em série de Taylor ϕnj+1 e ϕnj+2 em torno do ponto (j,n)
n n n
∆x2 ∂ 2 ϕ ∆x3 ∂ 3 ϕ
n n ∂ϕ 4
ϕj+1 = ϕj + ∆x + + + O ∆x
∂x j 2 ∂x2 j 6 ∂x3 j
n n n
(2∆x)2 ∂ 2ϕ (2∆x)3 ∂ 3ϕ
∂ϕ
ϕnj+2 ϕnj + O ∆x4
= + 2∆x + +
∂x j 2 ∂x2 j 6 ∂x3 j
Comparando os dois lados da equação, vemos que as seguintes condições devem ser impostas
para que tenhamos o menor erro de truncamento
a+b+c=0
b∆x + 2c∆x = 1
b∆x2 c (2∆x)2
+ =0
2 2
74 4.5. Acurácia do Processo de Discretização
Essa fórmula tem um erro de truncamento de ordem igual ao da aproximação por diferença
centrada.
Caso queiramos incluir mais termos na representação, como por exemplo,
n
∂ϕ ∼
= aφnj + bφnj+1 + cφnj+2 + dφnj+3
∂x j
ϕ = ax2 + bx + c
uma vez que todos os termos contidos na expansão do erro de truncamento são nulos
ϕnj+1 − ϕnj−1 ∆x2 ∂ 3 ϕ n
n
φnj+1 − φnj−1
∂ϕ
= + + . . . =
∂x j 2∆x 6 ∂x3 j 2∆x
| {z }
=0
Em geral, uma avaliação do erro de truncamento fornece uma aproximação do erro numérico
se a malha for suficientemente refinada. Entretanto, uma avaliação completa dos termos da
série de Taylor do erro de truncamento só é possível a partir do conhecimento da solução exata.
Uma maneira direta de se avaliar a acurácia das várias fórmulas de discretização é a de
considerarmos uma determinada função analítica e compararmos o valor da sua derivada com
os valores fornecidos pelos diferentes esquemas de discretização. Como exemplo, vamos supor
que a solução analítica seja dada por ϕ = exp(x) e vamos aferir a acurácia de 5 esquemas
diferentes de diferenças finitas:
Avançada
n n
ϕnj+1 − ϕnj ∂ 2ϕ
∂ϕ ∆x
= − + ...
∂x j ∆x 2 ∂x2 j
Recuada
n n
ϕnj − ϕnj−1 ∆x ∂ 2ϕ
∂ϕ
= + + ...
∂x j ∆x 2 ∂x2 j
n n
ϕnj+1 − ϕnj−1 ∆x2 ∂ 3ϕ
∂ϕ
= − + ...
∂x j 2∆x 6 ∂x3 j
n n
−1, 5ϕnj + 2ϕnj+1 − 0, 5ϕnj+2 ∆x2 ∂ 3ϕ
∂ϕ
= + + ...
∂x j ∆x 3 ∂x3 j
n n
ϕnj−2 − 8ϕnj−1 + 8ϕnj+1 − ϕnj+2 ∆x4 ∂ 5ϕ
∂ϕ
= + + ...
∂x j 12∆x 30 ∂x5 j
1
Caso Derivada |Erro| |Erro de truncamento|
exata 2,7183 – –
ser grandes e um incremento ∆x menor do que 0, 1 deve ser empregado a fim de que o erro
possa ser aproximado pelo primeiro termo da expansão.
Grosseiramente, podemos expressar o erro computado diretamente como [11]
E = A (∆x)k
√
onde i = −1 e m é o número de onda que está relacionado com o comprimento de onda λ na
forma λ = 2π/m. Nessa equação αm determina o quão rapidamente a amplitude de onda irá
se atenuar e um é a velocidade de propagação da onda.
No caso do movimento de uma onda plana, representada por (4.3), não apresente dissipação
e a onda se propague com velocidade constante u, nós teremos ao invés da solução precedente
∞
X
ϕ(x, t) = ϕm eim(x−ut)
m=−∞
1
Primeiro termo da expansão do erro de truncamento.
78 4.6. Representação do Tipo Onda
A acurácia das diferentes aproximações por diferenças finitas das derivadas de ϕ pode ser
determinada, por exemplo, se considerarmos que a solução é dada por
ou seja, a solução representa uma onda que se propaga com velocidade constante u na direção x
e para um valor fixo de x o movimento é periódico e o período é dado por P = 2π/um. Devemos
ressaltar que comprimentos de onda menores do que λ = 2∆x não podem ser representados
numa malha discreta [11].
Para um dado ponto (j,n) da malha, os valores exatos da primeira e segunda derivadas da
solução (4.4) são dados por
∂ϕ
= im eim(xj −utn )
∂x n,j
e
∂ 2 ϕ 2
= (im) eim(xj −utn )
∂x2 n,j
Substituindo a solução (4.4) nas representações por diferenças finitas a 3 pontos das deri-
vadas primeira e segunda n
∂ϕ ∼ ϕnj+1 − ϕnj−1
=
∂x j 2∆x
2 n
∂ ϕ ∼ ϕnj−1 − 2ϕnj + ϕnj+1
=
∂x2 j ∆x2
obtemos, respectivamente,
n
eim(xj −utn ) eim∆x − e−im∆x
∂ϕ
=
∂x j 2∆x
n
eim(xj −utn ) eim∆x − 2 + e−im∆x
∂ 2ϕ
=
∂x2 j ∆x2
Assim, as relações de amplitude entre as representações exata e numérica dessas derivadas
são dadas por n
∂ϕ
eim(xj −utn ) eim∆x − e−im∆x
∂x j sen (m∆x)
= =
∂ϕ 2im∆x e im(x j −utn ) m∆x
∂x n,j
2 n
∂ ϕ
2
eim(xj −utn ) eim∆x − 2 + e−im∆x
∂x2 j sen (0, 5m∆x)
= =
∂ 2 ϕ −m2 ∆x2 eim(xj −utn ) 0, 5m∆x
2
∂x n,j
Capítulo 4. Discretização 79
Uma importante questão, que diz respeito às soluções computacionais, é a de sabermos que
garantia nós temos de que a solução numérica será próxima da solução exata da(s) EDP(s)
e em que condições ela coincide com a solução exata. A segunda parte desta questão pode
ser respondida superficialmente, exigindo que a solução numérica aproximada deva convergir
para a solução exata à medida que os incrementos da malha tendam a zero. No entanto,
é muito difícil estabelecer diretamente a convergência. A maneira indireta de se garantir a
convergência é a de requerermos que o sistema algébrico de equações, obtido a partir do processo
de discretização, seja consistente com as equações diferenciais que governam os fenômenos que
estamos interessados em resolver. A consistência implica no fato de que podemos reverter o
processo de discretização e obtermos equações diferenciais parciais que devem representar as
equações que governam os problemas estudados. Além disso, para que haja convergência, o
algoritmo utilizado na obtenção da solução do sistema algébrico de equações deve ser estável.
Podemos dizer, então, que a consistência mais a estabilidade asseguram a convergência. As
condições para que este enunciado se verifique são dadas pelo teorema de Lax.
Na prática, é muito difícil obtermos resultados analíticos que descrevam o comportamento
teórico da solução numa malha de dimensões finitas. A maioria dos resultados teóricos úteis são
estritamente aplicados no limite quando os incrementos (de tempo e espaço) da malha tendem
a zero.
5.1 Convergência
A solução aproximada, proveniente da resolução do sistema algébrico resultante do processo
de discretização, é dita convergir caso ela tenda para a solução exata da equação diferencial
parcial à medida que ∆t e ∆x tendam a zero.
81
82 5.2. Consistência
A diferença entre a solução exata da EDP e a solução exata do sistema de equações algébricas
é chamada de erro de resolução:
enj = ϕ(xj , tn ) − φnj
Por solução exata do sistema algébrico, queremos dizer que é aquela obtida sem que nenhum
erro numérico seja introduzido, tais como erros de arredondamento. A magnitude do erro da
solução depende tipicamente dos incrementos ∆t e ∆x e do valor das derivadas de mais alta
ordem, obtidas no processo de aproximação por diferenças finitas.
Provar que a solução de um sistema algébrico de equações converge para a solução de uma
equação diferencial parcial é, em geral, muito difícil mesmo para os casos mais fáceis [11].
5.2 Consistência
O sistema de equações algébricas é dito ser consistente com a equação diferencial parcial,
do qual ele é originário, se no limite para os incrementos de tempo e espaço tendendo a zero, o
sistema algébrico é equivalente à EDP em cada ponto da malha.
Obviamente que a consistência é necessária para que a solução aproximada (numérica) con-
virja para a solução exata da equação diferencial parcial considerada. Contudo, esta condição
não é suficiente, pois o fato de termos um sistema de equações algébricas consistente com a
EDP para ∆t e ∆x → 0, não implica necessariamente que a solução do sistema convirja para
a solução da equação diferencial parcial. Conforme indicado pelo teorema de Lax, consistência
e estabilidade são ambas necessárias para que tenhamos a convergência.
O mecanismo de teste da consistência requer a substituição da solução exata nas equações
algébricas resultantes da discretização e a posterior expansão dos valores nodais em série de
Taylor em torno de um determinado ponto. Para que haja consistência, a expressão resultante
deve ser posta na forma da equação diferencial parcial original acrescida de termos adicionais.
Capítulo 5. Convergência, Consistência e Estabilidade 83
A natureza destes termos deve ser tal que eles fiquem reduzidos a zero à medida que a malha
é refinada.
∂ϕ ∂ 2ϕ
−α 2 =0
∂t ∂x
onde α é o coeficiente de difusão.
Para efetuarmos a resolução numérica desta equação, devemos proceder à discretização das
derivadas de primeira ordem no tempo e de segunda ordem no espaço. Uma maneira simples de
discretizarmos esta equação é a de utilizarmos um esquema de diferenças avançadas no tempo e
um esquema de diferenças centradas no espaço, conforme as técnicas apresentadas no capítulo
anterior. Este processo de discretização nos leva ao esquema FTCS:
φn+1
j = sφnj−1 + (1 − 2s)φnj + sφnj+1
onde s = α∆t/∆x2 e esta equação se aplica a todos os nós internos. Os valores iniciais e
de contorno de φ devem ser fornecidos. O processo de resolução é repetido avançando-se no
tempo (n = 1, 2, . . .), até que o tempo final seja alcançado. O esquema de discretização no
tempo empregado é dito ser explícito, uma vez que os valores de φ para o tempo n + 1 são
completamente determinados a partir dos valores de φ conhecidos no tempo n.
Substituindo na equação discretizada a solução exata ϕ, nós obtemos:
ϕn+1
j = sϕnj−1 + (1 − 2s)ϕnj + sϕnj+1
ou ainda n n
∂ 2ϕ
∂ϕ
−α + Ejn = 0
∂t j ∂x2 j
onde n n
∂ 2ϕ ∆x2 ∂ 4ϕ
∆t
Ejn + O ∆t2 , ∆x4
= −α
2 ∂t2 j 12 ∂x4 j
84 5.2. Consistência
Deste resultado, fica claro que à medida que os incrementos da malha se tornam cada vez
menores, o erro de truncamento tenderá a zero para um ponto fixo (j,n). No limite, conforme
∆t e ∆x → 0, o esquema FTCS será equivalente à equação de difusão. Esta propriedade é
chamada de consistência.
Como a solução ϕ satisfaz a equação de difusão,
∂ 2ϕ ∂ ∂ 2ϕ ∂ 2 ∂ϕ 4
2∂ ϕ
= α = α = α
∂t2 ∂t ∂x2 ∂x2 ∂t ∂x4
e o erro de truncamento pode ser reescrito como:
4 n
α∆x2
n 1 ∂ ϕ
+ O ∆t2 , ∆x4
Ej = s− 4
2 6 ∂x j
−sφn+1 n+1
j−1 + (1 + 2s)φj − sφn+1 n
j+1 = φj
Para que possamos mostrar a consistência desta formulação, devemos substituir a solução
exata nesta equação e expandirmos os diferentes termos em série de Taylor em torno do ponto
(j,n) n n n
∆t2 ∂ 2 ϕ ∆t3 ∂ 3 ϕ
n+1 n ∂ϕ
ϕj = ϕj + ∆t + + + ···
∂t j 2 ∂t2 j 6 ∂x3 j
n " n #2
n+1 n ∂ ∂ 1 ∂ ∂
ϕj−1 = ϕj + ∆t − ∆x ϕ+ ∆t − ∆x ϕ
∂t ∂x j 2! ∂t ∂x j
" n #3
1 ∂ ∂
+ ∆t − ∆x ϕ + ···
3! ∂t ∂x j
Capítulo 5. Convergência, Consistência e Estabilidade 85
n " n #2
∂ ∂ 1 ∂ ∂
ϕn+1
j+1 = ϕnj + ∆t + ∆x ϕ+ ∆t + ∆x ϕ
∂t ∂x j 2! ∂t ∂x j
" n #3
1 ∂ ∂
+ ∆t + ∆x ϕ + ···
3! ∂t ∂x j
Após substituição destes resultados
n n n
∂ 2ϕ ∂ 2ϕ
n+1 ∂ϕ ∆t
−sϕj−1 + (1 + 2s)ϕn+1
j − sϕn+1
j+1 − ϕnj = −α +
∂t j ∂x2 j 2 ∂t2 j
n n n n
∆t2 ∂ 3ϕ ∂ ∂ 2ϕ ∆x2 ∂ 4 ϕ ∆t2 ∂ 2 ∂ 2 ϕ
+ − α∆t −α −α
6 ∂t3j ∂t ∂x2 j 12 ∂x4 j 2 ∂t2 ∂x2 j
n n n
∆t3 ∂ 3 ∂ 2 ϕ ∆t∆x2 ∂ ∂ 4 ϕ ∆x4 ∂ 6 ϕ
−α −α −α
6 ∂t3 ∂x2 j 12 ∂t ∂x4 j 360 ∂x6 j
n n
∆t∆x2 ∂ 4 ∂ 2 ϕ ∆t2 ∆x2 ∂ 2 ∂ 4 ϕ
−α −α + ··· = 0
24 ∂t4 ∂x2 j 48 ∂t2 ∂x4 j
Como a solução ϕ deve satisfazer à equação de difusão,
∂ϕ ∂ 2ϕ ∂ 2ϕ 4
2∂ ϕ ∂ 3ϕ 6
3∂ ϕ
= α 2; = α ; = α
∂t ∂x ∂t2 ∂x4 ∂t3 ∂x6
podemos escrever o erro de truncamento somente em termos das derivadas com relação ao
tempo n 2 n
∂ϕ ∂ ϕ
−α + Ejn = 0
∂t j ∂x2 j
onde, n 3 n
∂ 2ϕ ∆t2
∆t 1 1 1 ∂ ϕ
Ejn =− 1+ − 1+ + + ···
2 6s ∂t2 j 3 4s 120s 2 ∂t3 j
Da expressão do erro de truncamento, vemos claramente que Ejn tenderá a zero conforme
∆t → 0 e a equação coincidirá com a equação de difusão.
5.3 Estabilidade
O conceito de estabilidade está relacionado com o crescimento, ou decaimento, dos erros
introduzidos em qualquer estágio da computação. Neste contexto, os erros aqui referidos não
são aqueles devidos a uma lógica incorreta, mas sim aqueles devidos ao fato do computador
trabalhar com um número finito de casas decimais. Na prática, cada operação realizada pelo
computador resulta num valor com um número finito de algarismos significativos, o que introduz
86 5.3. Estabilidade
um erro de arredondamento. Portanto, a solução numérica não é na realidade φnj , mas sim (φ∗ )nj ,
que é a solução numérica do sistema algébrico.
Um determinado método é dito ser estável se o efeito acumulativo produzido por todos os
erros de arredondamento, devido à implementação do algoritmo, é desprezível.
Podemos mostrar que para equações algébricas lineares, provenientes do processo de dis-
cretização, o erro correspondente satisfaz às mesmas equações algébricas homogêneas. Como
exemplo, consideraremos o esquema FTCS aplicado à equação de difusão:
φn+1
j = sφnj−1 + (1 − 2s)φnj + sφnj+1
(φ∗ )n+1
j = s(φ∗ )nj−1 + (1 − 2s)(φ∗ )nj + s(φ∗ )nj+1
ξjn+1 = sξj−1
n
+ (1 − 2s)ξjn + sξj+1
n
onde ξ é o erro introduzido em cada ponto da malha ξjn = φnj −φ∗ nj . Assumindo que inicialmente
sejam fornecidos os valores de contorno e inicial, os erros iniciais ξj0 (j = 2, 3, . . . , J − 1) e os
erros introduzidos nos contornos ξ1n e ξJn (n = 0, 1, 2 . . .) desta equação são nulos. Portanto, a
menos que erros de arredondamento sejam introduzidos, a partir do cálculo dos valores de φnj
nos nós interiores, os erros resultantes na resolução permanecerão nulos.
Os dois métodos mais comuns utilizados na análise de estabilidade são o método da matriz
e o método de Von Neumann. Ambos os métodos baseiam-se na predição de quando haverá
um crescimento do erro existente entre a verdadeira solução do algoritmo numérico e a solução
que é realmente calculada, isto é, incluindo os erros de arredondamento.
Uma maneira alternativa de interpretação da análise de estabilidade é a de supormos que as
condições iniciais podem ser representadas por uma série de Fourier. Nesta série, cada harmô-
nico, ou modo, irá crescer ou decrescer de acordo com a equação discretizada. Caso um modo
particular possa crescer ilimitadamente, a solução discretizada possui uma solução instável.
Esta interpretação da estabilidade é explorada diretamente pelo método de Von Neumann.
φn+1
j − φnj
− αβLxx φn+1
j − α(1 − β)Lxx φnj = 0
∆t
onde Lxx φj = (φj−1 − 2φj + φj+1 ) /∆x2 , α é a difusividade térmica e β é um parâmetro que
controla o tipo de esquema de discretização no tempo. Para β = 0 obtemos o esquema explícito
e para β = 1 um esquema totalmente implícito.
Capítulo 5. Convergência, Consistência e Estabilidade 87
Para este esquema geral de discretização a dois níveis de tempo, o erro numérico deve
satisfazer a uma equação equivalente à equação discretizada:
n+1
−sβξj−1 + (1 + 2sβ)ξjn+1 − sβξj+1
n+1 n
= s(1 − β)ξj−1
sendo que esta equação é apropriada para os pontos internos da malha. Caso tenhamos con-
dições de contorno do tipo de Dirichlet, não são necessárias equações extras para os pontos
externos. Quando ela for aplicada a todos os pontos j = 2, 3, . . . , J − 1, podemos escrevê-la na
forma matricial
Aξ~n+1 = B ξ~n
ou ainda
ξ~n+1 = A−1 B ξ~n
onde as duas matrizes são dadas por:
1 + 2sβ −sβ
−sβ 1 + 2sβ −sβ
A=
... ... ... ... ...
−sβ 1 + 2sβ −sβ
−sβ 1 + 2sβ
e
1 − 2s(1 − β) s(1 − β)
s(1 − β) 1 − 2s(1 − β) s(1 − β)
B=
... ... ... .. ..
. .
s(1 − β) 1 − 2s(1 − β) s(1 − β)
s(1 − β) 1 − 2s(1 − β)
O algoritmo numérico será estável se a magnitude dos autovalores de A−1 B for limitada a
unidade. Devido à estrutura das matrizes A e B, neste exemplo, esta condição é equivalente a
(λB )
j
≤ 1, 0
(λA )j
Como estas matrizes são tridiagonais e simétricas, é possível obtermos uma expressão ana-
lítica para o cálculo dos seus autovalores [11]
2 jπ
(λA )j = 1 + 4sβsen
2(J − 1)
2 jπ
(λB )j = 1 − 4s(1 − β)sen
2(J − 1)
88 5.3. Estabilidade
ou seja,
1 − 4s(1 − β) ≤ 1 + 4sβ
1 − 4s(1 − β) ≥ −1 − 4sβ
Da primeira equação temos que s ≥ 0, o que é sempre verificado. Da segunda condição obtemos
s ≤ 0, 5/(1 − 2β) caso β seja menor do que 0,5 e o esquema é incondicionalmente estável para
β ≥ 0, 5.
∂ϕ
=δ em x = 0
∂x
Esta condição de contorno pode ser implementada a partir da introdução de um ponto
fictício, tal que:
∂ϕ φ2 − φ0
=δ∼ =
∂x 1 2∆x
ou ainda,
φ0 = φ2 − 2δ∆x
Aplicando esta condição, para o ponto j = 1, na equação que governa a distribuição do erro
Aξ~n+1 = B ξ~n + C
Capítulo 5. Convergência, Consistência e Estabilidade 89
onde,
1 + 2sβ −2sβ
−sβ 1 + 2sβ −sβ
A=
.. .. .. .. ..
. . . . .
−sβ 1 + 2sβ −sβ
−sβ 1 + 2sβ
1 − 2s(1 − β) 2s(1 − β)
s(1 − β) 1 − 2s(1 − β) s(1 − β)
B=
.. .. .. .. ..
. . . . .
s(1 − β) 1 − 2s(1 − β) s(1 − β)
s(1 − β) 1 − 2s(1 − β)
−2sδ∆x
0
C=
..
.
0
0
Como no caso anterior, a condição de estabilidade requer que λA−1 B ≤ 1, 0.
No caso geral, para os quais não existam formas explícitas para o cálculo dos autovalores
de A−1 B, será conveniente escrevermos
−1
ξ~n+1 = Dξ~n + A C
onde D = A−1 B. O valor máximo dos autovalores de D pode ser obtido, por exemplo, pelo
método das potências [11].
Para que o algoritmo seja estável, para qualquer valor de θ, devemos verificar a condição
|G| ≤ 1, 0. Analisando os casos limites
θ
sen =0 ∴ G=1
2
e
θ 1 − 4s(1 − β)
sen = ±1 ∴ G=
2 1 + 4sβ
obtemos como condição de estabilidade s ≥ 0, caso G ≤ 1, 0. Caso G ≥ −1, 0, devemos verificar
a seguinte desigualdade:
1 − 4s(1 − β) ≥ −1 − 4sβ
ou seja, s ≤ 0, 5/(1 − 2β).
Estes resultados estão de acordo com aqueles obtidos pelo método da matriz. Para equações
mais complicadas pode ser necessário, na determinação do critério de estabilidade, que tenhamos
que avaliar G para várias faixas de θ, β e s.
Para algoritmos que utilizam três níveis de tempo, uma equação quadrática em G deverá
ser resolvida para que possamos obter condições de estabilidade. Para uma grande parte dos
problemas de escoamento de fluidos, trabalhamos com sistemas de equações ao invés de uma
única equação. Nestes casos, a análise de Von Neumann nos levará a uma matriz de amplificação
G no lugar do coeficiente de amplificação. A condição de estabilidade será dada por λm ≤ 1, 0
ϕ = aa ϕ + b b ϕ
onde a e b são coeficientes a serem determinados. Substituindo esta solução na equação algébrica
resultante da discretização,
onde, 4 a n
a 1 ∂ ϕ
Ejn 0, 5α∆x2a 4
= s− + O ∆x a
6 ∂x4 j
4 b n
b n 2 1 ∂ ϕ 4
Ej = 0, 5α∆xb s − + O ∆x b
6 ∂x4 j
Da decomposição da solução para ϕ = a ϕ = b ϕ (no caso limite quando os incrementos de
tempo e espaço tenderem a zero) vemos que a + b = 1 e, no caso de termos ∆xb = ∆xa /2, o
primeiro termo do erro de truncamento pode ser eliminado tomando–se a+0, 25b = 0. Portanto,
1
a=−
3
e
4
b=
3
sendo que a solução composta deverá ter um erro de truncamento da ordem de ∆x4 para uma
malha suficientemente refinada. O esquema FTCS é particular no sentido de que para s = 1/6
ele apresenta um erro da ordem de ∆x4 , sem a necessidade de aplicarmos a extrapolação de
Richardson. Entretanto, este não é o caso de outros esquemas gerais para β 6= 0, que podem
também apresentar um erro O (∆x4 ) com a aplicação da extrapolação de Richardson.
94 5.4. Acurácia da Solução
No caso geral, a escolha dos coeficientes a e b será determinada pela potência P dos termos
em ∆x do erro de truncamento (após conversão das derivadas temporais nas suas derivadas
espaciais equivalentes) e da relação entre os espaçamentos das malhas:
1
a = − " P #
∆xa
−1
∆xb
e P
∆xa
∆xb
b = " P #
∆xa
−1
∆xb
CAPÍTULO 6
EQUAÇÃO DE TRANSPORTE LINEAR
95
96 6.1. Métodos Explícitos
∆t2 ∂ 2 (ρϕ) n
∂(ρϕ) n
+c (ρϕ)njk
− ∆t + + ···
∂t jk 2 ∂t2 jk
h i
+(d + e) Lx (ρ u − αx Lx ) + Ly (ρ v − αy Ly ) ϕnjk
(
∂h in
+e − ∆t Lx (ρ u − αx Lx ) ϕ + Ly (ρ v − αy Ly ) ϕ
∂t jk
)
∆t2 ∂ 2 h in
+ Lx (ρ u − αx Lx ) ϕ + Ly (ρ v − αy Ly ) ϕ + ··· = 0
2 ∂t2 jk
ou ainda,
∂(ρϕ) n ∆t2 ∂ 2 (ρϕ) n
(a + b + c)(ρϕ)njk + (a − c)∆t + (a + c) +
∂t jk 2 ∂t2 jk
n
∂ ∂ϕ ∂ ∂ϕ
(d + e) ρuϕ − αx + ρvϕ − αy + Ex + Ey + Exx + Eyy
∂x ∂x ∂y ∂y jk
n
∂ − ∂ ρuϕ − αx ∂ϕ − ∂ ρvϕ − αy ∂ϕ +Ex + Ey + Exx + Eyy
+e∆t + ··· = 0
∂t ∂x
∂x ∂y ∂y
| {z }
∂(ρϕ)
= ∂t jk
onde Ex , Ey , Exx e Eyy são os erros de truncamento introduzidos pela discretização das derivadas
de primeira e segunda no espaço, respectivamente. Reagrupando os termos semelhantes dessa
equação
2e ∆t2 ∂ 2 (ρϕ) n
n ∂(ρϕ) n
(a + b + c)(ρϕ)jk + (a − c)∆t + a+c+
∂t jk ∆t 2 ∂t2 jk
n
∂ ∂ϕ ∂ ∂ϕ
+(d + e) ρuϕ − αx + ρvϕ − αy
∂x ∂x ∂y ∂y jk
h in h in
+(d + e) Ex + Ey + Exx + Eyy + e∆t Ex + Ey + Exx + Eyy + ··· = 0
jk jk
Portanto, para que essa equação seja consistente com a equação de transporte, os parâmetros
a, b, c, d e e devem satisfazer a
a+b+c = 0
(a − c)∆t = 1
d+e = 1
(ρφ)n+1 n
jk − (ρφ)jk (ρφ)njk − (ρφ)n−1
jk
h i
(1 + γ) −γ + (1 − β) Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φnjk
∆t ∆t
Capítulo 6. Equação de Transporte Linear 97
h i
+β Lx (ρu − αx Lx ) + Ly (ρ v − αy Ly ) φn−1
jk = 0
∂ϕ n ∆t2 ∂ 2 ϕ n
2 n
∂ ϕ n
−γ ϕnj
− ϕnj
+ ∆t − + . . . − α∆t (1 − β) + Exx
∂t j 2 ∂t2 j ∂x2 j j
2
∂ ∂ 2 ϕ n
∂ ϕ n n n
−α∆tβ + Exx − ∆t + Exx + . . . = 0
2
∂x j j ∂t ∂x j2 j
ou ainda,
∂ 2 ϕ n ∆t2 ∂ 2 ϕ n
∂ϕ n 1 + 2γ 2β n ∂Exx n
−α 2 + + − αE + αβ ∆t + ··· = 0 (6.3)
xx
∂t j ∂x j ∆t ∆t 2 ∂t2 j ∂t j
j
1 + 2γ 2β ∆t2 ∂ 2 ϕ n ∆x2 ∂ 4 ϕ n
n 2 4
Ej = + − α + O ∆t , ∆x
∆t ∆t 2 ∂t2 j 12 ∂x4 j
Finalmente, o algoritmo geral que se obtém para o esquema explícito a três níveis de tempo
aplicado à equação de difusão é
n+1 1 + 2γ n γ n−1 s
φnj−1 − 2φnj + φnj+1
φj = φj − φj + (1 − β)
1+γ 1+γ 1+γ
s n−1
− 2φjn−1 + φj+1
n−1
+β φj−1 (6.4)
1+γ
Aplicando a análise de estabilidade de Von Neumann obtemos uma equação quadrática em
G, que deve ser resolvida a fim de que determinemos as condições para que a condição de
estabilidade seja verificada
Assim sendo, esse algoritmo será estável caso |G| ≤ 1 para todos os valores de θ. Para γ = 0,
esta condição impõe como restrição s ≤ 0, 34. Entretanto, para valores muito grandes de γ, a
condição de estabilidade exige que s ≤ 0, 5 [11].
Tomando no algoritmo (6.4) γ = 0 e β = 0 recuperamos o esquema FTCS já visto anteri-
ormente
φn+1 n n n
j = (1 − 2s)φ j + s φj−1 + φj+1
n ∆t ∂ 2 ϕ n ∆x2 ∂ 4 ϕ n 2 4
Ej = − α + O ∆t , ∆x
2 ∂t2 j 12 ∂x4 j
4
2 1 1 ∂ ϕ n 2 4
= α s∆x − + O ∆t , ∆x
2 12s ∂x4 j
p
difusão, mas não será acurado para grandes valores de s ∆t. Para s = 1/12 esse esquema
apresenta um erro de truncamento da ordem de ∆x4 [11].
De modo análogo ao caso dos métodos explícitos, podemos escrever uma equação geral a
três níveis de tempo para os métodos implícitos
φn+1
j − φnj φnj − φjn−1
− α (1 − β)Lxx φnj + β Lxx φn+1
(1 + γ) −γ j =0
∆t ∆t
Da análise de consistência podemos mostrar que esse esquema é consistente com a equação de
difusão e possui o seguinte erro de truncamento
∂ 2 ϕ n 2β ∆t2 ∂ 2 ϕ n
∂ϕ n 1 + 2γ n ∂Exx n
−α 2 + − − αE − αβ∆t + ... = 0
xx
∂t j ∂x j ∆t ∆t 2 ∂t2 j ∂t j
j
Empregando uma discretização do tipo diferenças centradas para os termos espaciais, podemos
escrever
2β ∆t2 ∂ 2 ϕ n ∆x2 ∂ 4 ϕ n
n 1 + 2γ
+ O ∆t2 , ∆x4
Ej = − 2
− α 4
∆t ∆t 2 ∂t j 12 ∂x j
ou ainda,
∂ 4 ϕ n
1 1
Ejn 2 2 4
= α s ∆x +γ−β− + O ∆t , ∆x
2 12s ∂x4 j
1 1
Um erro de truncamento de O (∆t2 , ∆x4 ) é obtido se tomarmos β = + γ − .
2 12s
Da equação discretizada a três níveis de tempo para os métodos implícitos, podemos escrever
o seu algoritmo geral que é dado na seguinte forma
e devemos verificar a condição |G| ≤ 1, para todo θ, para que tenhamos um esquema estável.
O esquema totalmente implícito é obtido da equação geral a três níveis de tempo (6.6)
fazendo γ = 0 e β = 1
(1 + 2s)φjn+1 − s φn+1 n+1 n
j−1 + φ j+1 = φj
1 ∂ 4 ϕ n
n 2 ∆t 2 4
Ej = −α 1+ + O ∆t , ∆x
2 6s ∂x4 j
Capítulo 6. Equação de Transporte Linear 101
Da análise de estabilidade de Von Neumann aplicada à Eq. (6.7) obtemos o fator de amplificação
para o esquema totalmente implícito (γ = 0 e β = 1)
[1 − 2s (cos θ − 1)] G2 − G = 0
ou seja,
1
G=
[1 − 2s (cos θ − 1)]
que verifica a condição de estabilidade para qualquer valor de θ e s > 0. Isto quer dizer que
este esquema é incondicionalmente estável, o que representa uma grande vantagem com relação
ao esquema explícito FTCS.
Contudo, para que possamos obter uma solução numérica, para a equação de difusão, de-
vemos considerar todos os nós da malha e as suas respectivas equações. Assim, o sistema de
equações pode ser escrito em termos da variável φn+1
j na seguinte forma matricial
n+1
−s
1 + 2s φ2 d2
−s 1 + 2s −s φ3 d3
.. .. ..
.. ..
. . .
.
.
−s 1 + 2s −s φj = dj
... ... ... . .
.. ..
−s 1 + 2s −s φJ−2 dJ−2
−s 1 + 2s φJ−1 dJ−1
onde
d2 = φn2 + sφn+1
1 ; dj = φnj ; dJ−1 = φnJ−1 + sφn+1
J
sendo φn+1
1 e φn+1
J conhecidos das condições de contorno do tipo Dirichlet. Fica claro que a
matriz dos coeficientes é tridiagonal e consequentemente podemos empregar o algoritmo de
Thomas (ou TDMA) na sua resolução [11, 17]. Uma introdução do que vem a ser o algoritmo
de Thomas pode ser encontrada no Apêndice B.
Uma alternativa ao esquema totalmente implícito seria o esquema de Crank–Nicolson (γ = 0
e β = 0, 5)
Desse último resultado, podemos concluir que este esquema é incondicionalmente estável para
s > 0.
Como o esquema de Crank–Nicholson apresenta uma acurácia no tempo da ordem de ∆t2 ,
ele é muito popular e bastante empregado na resolução de equações diferenciais parabólicas.
Entretanto, podemos notar que este esquema encontra-se no limite da estabilidade incondicional
e, infelizmente, ele pode apresentar oscilações em algumas situações. Nestes casos, o esquema a
três níveis de tempo pode ser mais eficiente. Um esquema particularmente eficiente é o esquema
totalmente implícito a três níveis de tempo com γ = 0, 5 e β = 1. Esse esquema apresenta um
erro de truncamento da ordem de ∆t2 e ∆x2 e é incondicionalmente estável [11].
Generalizando esses resultados, podemos mostrar que para γ = 0 e 0 ≤ β ≤ 1 a análise de
Von Neumann prediz como condição para que o algoritmo seja estável
0, 5∆x2
∆t ≤ se 0 ≤ β < 0, 5
α(1 − 2β)
e nenhuma restrição caso 0, 5 ≤ β ≤ 1. Dessas relações podemos obter as condições de esta-
bilidade para os esquemas FTCS (β = 0), Crank–Nicolson (β = 0, 5) e totalmente implícito
(β = 1).
Quando o problema que estamos resolvendo apresenta somente condições de contorno de
Dirichlet e os seus valores exatos são fornecidos, a única fonte de erro que introduzimos é
proveniente da discretização da equação diferencial que governa o fenômeno físico considerado.
A seguir, vamos considerar algumas situações nas quais erros adicionais são introduzidos devido
à implementação das condições de contorno e inicial.
O uso de algoritmos como os descritos nas seções anteriores é apropriado para os nós internos.
Entretanto, o emprego destas formulações aos nós localizados nas fronteiras do domínio, para
uma condição de contorno do tipo Neumann, exigem o conhecimento do valor da solução em
pontos que estão situados fora do domínio de resolução. Portanto, uma formulação especial
deve ser adotada em se tratando dos pontos da fronteira.
Conforme já vimos, para condições do tipo Dirichlet não existem maiores problemas. Veja-
mos, agora, como devemos implementar uma condição de Neumann dada por:
∂
ϕ(0, t) = c(t)
∂x
Uma primeira possibilidade seria a de empregarmos uma formulação do tipo diferenças avan-
çadas
φn2 − φn1
= cn ∴ φn1 = φn2 − cn ∆x
∆x
O maior inconveniente do emprego dessa discretização é que ela apresenta um erro de trun-
camento de primeira ordem em ∆x. Caso empreguemos um esquema de diferenças finitas
centradas, aos nós interiores, teremos um erro de truncamento da ordem de ∆x2 . Por exemplo,
caso o nosso problema seja governado para uma equação diferencial parcial parabólica, a baixa
acurácia da solução na fronteira irá afetar a acurácia da solução no interior do domínio de
resolução para todos os instantes posteriores.
Capítulo 6. Equação de Transporte Linear 103
termo de fonte q
d2 ϕ
α +q =0
dx2
Na discretização dessa equação vamos empregar uma aproximação da derivada segunda do
tipo diferença centrada, de modo que a forma discretizada será dada por
φj−1 − 2φj + φj+1
α + qj = 0
∆x2
ou ainda,
∆x2 qj
φj−1 − 2φj + φj+1 = −
α
Esse sistema de equações algébricas admite uma representação matricial do tipo
~ = d~
Aφ
sendo que a matriz A e os vetores φ~ e d~ são dados, para condições de contorno do tipo Dirichlet,
por
−2 +1
φ2 d2
+1 −2 +1 φ3 d3
. .
... ... ...
. .
. .
+1 −2 +1 φj = dj
.. .. .. . .
.. ..
. . .
+1 −2 +1 φJ−2 dJ−2
+1 −2 φJ−1 dJ−1
com
∆x2 q2 ∆x2 qj ∆x2 qJ−1
d2 = − − φ1 ; dj = − ; dJ−1 = − − φJ
α α α
onde φ1 e φJ são as condições de contorno impostas para j = 1 e j = J.
Conforme podemos observar a matriz A é tridiagonal e, portanto, a solução deste sistema
algébrico pode ser obtida mediante a aplicação do algoritmo de Thomas, descrito no Apêndice B.
φn+1 n n n n n
jk = sx φj−1k + (1 − 2sx − 2sy )φjk + sx φj+1k + sy φjk−1 + sy φjk+1
n ∆t ∂ 2 ϕ n ∆x2 ∂ 4 ϕ n ∆y 2 ∂ 4 ϕ n
+ O ∆t2 , ∆x4 , ∆y 4
Ejk = 2
− α x 4
− αy 4
2 ∂t jk 12 ∂x jk 12 ∂y jk
Aplicando o método de Von Neumann podemos mostrar que este algoritmo é estável se
2 θ x 2 θy
|G| = 1 − 4sx sen − 4sy sen ≤1
2 2
donde
2 θx 2 θy
−1 ≤ 1 − 4sx sen − 4sy sen ≤1
2 2
ou seja, 0 ≤ (sx + sy ) ≤ 0, 5.
Seguindo o mesmo procedimento que o adotado no caso da equação de transporte, podemos
escrever a equação geral a três níveis de tempo para o esquema implícito
φn+1 n
jk − φjk
n−1
φnjk − φjk
(1 + γ) −γ − (1 − β) (αx Lxx + αy Lyy ) φnjk
∆t ∆t
106 6.4. Métodos Multidimensionais de Fracionamento
Esse algoritmo também é consistente com a equação de difusão e possui o seguinte erro de
truncamento
n ∆t ∂ 2 ϕ n ∆x2 ∂ 4 ϕ n ∆y 2 ∂ 4 ϕ n 2 4 4
Ejk = − − αx − αy + O ∆t , ∆x , ∆y
2 ∂t2 jk 12 ∂x4 jk 12 ∂y 4 jk
ou ainda,
1
G=
θx θy
1 + 4sx sen 2 + 4sy sen 2
2 2
e a condição de estabilidade é verificada para qualquer um dos valores de θx e θy se (sx + sy ) > 0.
A dificuldade que encontramos no caso do esquema implícito bidimensional, reside na fato
de que para este algoritmo é possível renumerarmos os nós de maneira que tenhamos três termos
na diagonal principal, mas os outros dois termos estarão deslocados da diagonal principal de
uma quantidade igual ao número de nós internos do domínio. Na Figura 6.1 nós mostramos uma
representação matricial do sistema algébrico oriundo da discretização da equação bidimensional
de difusão. Consequentemente, o algoritmo de Thomas não pode ser utilizado neste caso.
O emprego da eliminação de Gauss convencional torna–se proibitivo e mesmo o método de
eliminação de Gauss para matrizes esparsas é inviável no caso de malhas refinadas.
... −sy ... −sx 1 + 2(sx + sy ) −sx ... −sy ...
φj,k = dj,k
.. .. .. .. ..
. . . . . .. ..
.
.
−sy ... −sx 1 + 2(sx + sy ) −sx ... −sy 0
φJ−2,K−1
dJ−2,K−1
−sy ... −sx 1 + 2(sx + sy ) −sx ... −sy
φJ−1,K−1 dJ−1,K−1
Compondo esses dois resultados, Eqs. (6.12) e (6.13), obtemos o valor global do coeficiente de
amplificação
θy θx
2 2
1 − 2sy sen 2 1 − 2sx sen
2
G= (6.14)
2
θx
2
θy
1 + 2sx sen 1 + 2sy sen
2 2
Da expressão (6.14), constatamos que |G| ≤ 1 para qualquer valor de sx > 0, sy > 0, θx e
θy . Contudo, considerando em separado os fatores de amplificação dos dois algoritmos, vemos
que enquanto o algoritmo global é incondicionalmente estável, os algoritmos em separado são
somente condicionalmente estáveis.
Adicionando e subtraindo as duas equações discretizadas correspondentes aos dois sub-
níveis, Eqs. (6.10) e (6.11), obtemos respectivamente:
φn+1 n
jk − φjk
= αx Lxx φ∗jk + 0, 5αy Lyy φn+1 n
jk + φjk (6.15)
∆t
e
φn+1 ∗ n
jk − 2φjk + φjk
= 0, 5αy Lyy φn+1 n
jk − φjk (6.16)
∆t
Explicitando φ∗jk na Eq. (6.16) obtemos
φn+1 n
jk − φjk
− 0, 5 (αx Lxx + αy Lyy ) φnjk − 0, 5 (αx Lxx + αy Lyy ) φn+1
jk
∆t
n+1
!
n
φ jk − φ jk
= −0, 25∆t2 αx αy Lxx Lyy
∆t
Os primeiros termos do lado esquerdo do sinal de igualdade representam o esquema implícito de
Crank–Nicolson, que sabemos ter uma acurácia da ordem de (∆t2 , ∆x2 , ∆y 2 ). Como o termo
do lado direito do sinal de igualdade é aproximadamente igual a
∆t2 ∂ 2 ∂ 2 ∂φ ∆t2 ∂ 3 φ
−αx αy = − + ...
4 ∂x2 ∂y 2 ∂t 4 ∂t3
110 6.4. Métodos Multidimensionais de Fracionamento
φn+1 n
jk − φjk φnjk − φn−1
jk
(1 + γ) −γ = (1 − β) (αx Lxx + αy Lyy ) φnjk
∆t ∆t
∂φ n
φn+1 φnjk + O ∆t2
jk = + ∆t
∂t jk
(1 + γ)∆φn+1 n n n+1
jk − γ∆φjk − ∆t (αx Lxx + αy Lyy ) φjk − β∆t (αx Lxx + αy Lyy ) ∆φjk = 0
ou ainda,
β∆t n+1 ∆t γ
1− (αx Lxx + αy Lyy ) ∆φjk = (αx Lxx + αy Lyy ) φnjk + ∆φnjk (6.18)
1+γ 1+γ 1+γ
A fim de que possamos usar o algoritmo de Thomas, a Eq. (6.18) deve ser substituída pela
seguinte fatorização aproximada
β∆t β∆t ∆t
1− αx Lxx 1− αy Lyy ∆φn+1
jk − δ = (αx Lxx + αy Lyy ) φnjk
1+γ 1+γ 1+γ
| {z }
=∆φ∗jk
γ
+ ∆φnjk (6.19)
1+γ
onde, na Eq. (6.19), vemos aparecer um termo extra δ no lado esquerdo do sinal de igualdade
2
β∆t
δ= αx αy Lxx Lyy ∆φn+1
jk
1+γ
Portanto, isto quer dizer que a fatorização aproxima a equação implícita em ∆φn+1 jk com um
erro da ordem de ∆t2 .
A equação resultante da fatorização pode então ser implementada com o emprego de um
algoritmo a dois estágios. Durante o primeiro estágio devemos resolver
β∆t ∆t γ
1− αx Lxx ∆φ∗jk = (αx Lxx + αy Lyy ) φnjk + ∆φnjk
1+γ 1+γ 1+γ
que dá origem a um sistema cuja matriz dos coeficientes é tridiagonal de equações associado à
cada linha na direção do eixo x.
Por outro lado, no segundo estágio empregamos
β∆t ∗
1− αy Lyy ∆φn+1
jk = ∆φjk
1+γ
e associado à cada coluna na direção do eixo y temos um sistema de equações cuja matriz dos
coeficientes também é tridiagonal.
A estrutura dessas equações é similar àquela do esquema ADI. No entanto, a presente im-
plementação requer somente uma avaliação dos termos espaciais por passo de tempo, enquanto
que o ADI requer duas avaliações.
Para a escolha particular de β = 0, 5 e γ = 0, 5 o algoritmo a dois estágios é consistente
com a equação diferencial parcial e possui um erro de truncamento de O (∆t2 , ∆x2 , ∆y 2 ) e é
incondicionalmente estável. Em se tratando do primeiro passo de tempo (n = 0), um esquema
a dois níveis de tempo deve ser empregado a fim de que possamos avaliar a solução nos dois
níveis de tempo iniciais.
Até aqui, os métodos de fracionamento foram descritos e implementados para condições de
contorno do tipo Dirichlet. Veremos agora como proceder a fim de combinarmos condições
de contorno do tipo Neumann com as técnicas de fracionamento. A título de exemplo, vamos
impor para um domínio 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 as seguintes condições de contorno
∂ ∂
φ(1, y, t) = g(y, t) ; φ(x, 1, t) = h(x, t)
∂x ∂y
112 6.4. Métodos Multidimensionais de Fracionamento
∆φn+1 n+1 n
j+1k = φj+1k − φj+1k
n+1
− φnj−1k + 2 ∆x gkn+1 − gkn
= φj−1k
= ∆φn+1 n+1
j−1k + 2 ∆x ∆gk
e, de modo análogo,
∆φn+1 n+1 n+1
jk+1 = ∆φjk−1 + 2 ∆y ∆hj
onde
∆gk∗ = (1 − β ∆t αy Lyy ) ∆gkn+1
Para o segundo estágio e k = K devemos usar
n+1
!
∆φj−1k − ∆φn+1
jk ∆hn+1
j
∆φn+1
jk − 2 β ∆t αy 2
= ∆φ∗jk + 2 β ∆y αy
∆y ∆y
Caso g e h sejam constantes, os últimos termos do lado direito destas equações desaparecerão.
ϕ(x, t) = f (x − u t)
φn+1 n n n
j = φ j − 0, 5C φj+1 − φ j−1
n ∆t ∂ 2 ϕ n ∆t2 ∂ 3 ϕ n ∆x2 ∂ 3 ϕ n
Ej = + +u + ...
2 ∂t2 j 6 ∂t3 j 6 ∂x3 j
apresentando uma acurácia de O (∆t, ∆x2 ).
Das relações entre as derivadas no tempo e no espaço, oriundas da equação de advec-
ção (6.20), temos que
∂ 2ϕ 2
2∂ ϕ ∂ 3ϕ 3
3∂ ϕ
= u ; = −u
∂t2 ∂x2 ∂t3 ∂x3
114 6.5. Equação de Advecção
Dessas relações podemos reescrever o erro de truncamento em função unicamente das derivadas
espaciais
∆x ∂ 2 ϕ n
2
n ∆x 3 n
2 ∂ ϕ
Ej = u C +u 1−C + ...
2 ∂x2 j 6 ∂x3 j
Da análise de estabilidade de Von Neumann, aplicada ao esquema FTCS, chegamos à ex-
pressão do fator de amplificação:
G = 1 − i C sen θ
cujo módulo é q
|G| = 12 + (C sen θ)2
Portanto, |G| ≥ 1 para qualquer valor de θ e o algoritmo é incondicionalmente instável!
Uma alternativa ao emprego do esquema de diferenças finitas centradas na discretização do
termo espacial, pode ser a fórmula de diferenças recuadas. Assumindo que a velocidade u seja
positiva
φn+1 − φnj
n
φj − φnj−1
j
+u =0
∆t ∆x
ou ainda, na forma de um algoritmo,
φn+1
j = (1 − C) φnj + C φnj−1 (6.21)
φn+1
j = (1 − |C|) φnj + |C| φnj+1
∂ϕ n ∂ϕ n ∆t ∂ 2 ϕ n ∆x ∂ 2 ϕ n ∆t2 ∂ 3 ϕ n
+u + −u +
∂t j ∂x j 2 ∂t2 j 2 ∂x2 j 6 ∂t3 j
∆x2 ∂ 3 ϕ n 3 3
+u + O ∆t , ∆x =0
6 ∂x3 j
Caso essa equação seja interpretada como tendo um erro de truncamento de O (∆t2 , ∆x2 ), ela
parece ser consistente com a equação
∂ϕ ∂ϕ ∂ 2ϕ
+u −α0 2 = 0
∂t ∂x ∂x
ao invés da equação de advecção. Portanto, o uso da formulação do tipo Upwind para o termo
espacial e do tipo diferenças avançadas para o termo transiente introduziu uma difusividade
artificial (numérica) α 0 = 0, 5 u ∆x(1 − C). Fica claro que para C = 1 essa difusividade
Capítulo 6. Equação de Transporte Linear 115
numérica vale zero, o que não é surpreendente visto que para este valor o algoritmo fornece a
solução exata do problema [11].
Determinemos, agora, a expressão do fator de amplificação proveniente da análise de esta-
bilidade de Von Neumann
G = 1 + C e−iθ − 1
= 1 + C (cos θ − isen θ − 1)
= 1 + C (cos θ − 1) − iCsen θ
Esse algoritmo é consistente com a equação de advecção e apresenta como erro de trunca-
mento
∆t2 ∂ 3 ϕ n
2 3
n ∆x ∂ ϕ n
+ O ∆t4 , ∆x4
Ej = 3
+u 3
6 ∂t j 6 ∂x j
2
∆x 3 n
2 ∂ ϕ ∆x4 5 n
4 ∂ ϕ
= u 1−C +u 1−C + ...
6 ∂x3 j 120 ∂x5 j
G2 + 2 i C G sen θ − 1 = 0
ou seja, √
G = −i C sen θ ± 1 − C 2 sen 2 θ
Podemos mostrar que a condição |G| ≤ 1 é verificada caso C ≤ 1, mas que para C > 1 temos
que |G| > 1 para determinados valores de θ. Assim, caso a condição de CFL seja verificada, o
esquema Leapfrog possui uma condição de estabilidade neutra [11].
Nesse esquema, podemos notar que na determinação da solução φn+1 j o algoritmo “salta”
sobre o valor da solução φnj , tal fato está na origem do nome do esquema. A estrutura deste
116 6.5. Equação de Advecção
algoritmo implica no fato de que a malha é tratada como sendo um tabuleiro de xadrez. A
solução nos “quadrados pretos” são completamente independentes da solução nos “quadrados
brancos”. Essa particularidade pode levar, em alguns casos, à obtenção de duas soluções para
um mesmo problema [11].
Como esse método utiliza um esquema a três níveis de tempo, ele necessita de um método
alternativo para o primeiro passo de tempo. O método Leapfrog é recomendado para problemas
hiperbólicos, como por exemplo, aqueles governados pela equação de advecção.
O método de Lax–Wendroff está baseado na obtenção de uma representação de segunda
ordem do termo transiente (∂φ/∂t) da Eq. (6.20), a partir do truncamento do desenvolvimento
em série de Taylor
n+1
∂ϕ ∼ φj − φnj ∆t ∂ 2 ϕ φn+1
j − φnj ∆t 2 ∂ 2 ϕ
= − = − u
∂t ∆t 2 ∂t2 ∆t 2 ∂x2
Introduzindo uma formulação por diferenças centradas na discretização da derivada segunda
do termo espacial nós obtemos
1 1
φn+1 = φnj − C φnj+1 − φnj−1 + C 2 φnj−1 − 2φnj + φnj+1
j
2 2
Esse algoritmo é consistente com a equação de advecção e apresenta um erro de truncamento
de O (∆t2 , ∆x2 )
∆x ∂ 2 ϕ n
2
n ∆x 3 n
2 ∂ ϕ
Ej = (u C − u C) +u 1−C + ...
2 ∂x2 j 6 ∂x3 j
2
3 n
3
∆x 2 ∂ ϕ ∆x 4 n
2 ∂ ϕ
= u 1−C − uC 1−C + ...
6 ∂x3 j 24 ∂x4 j
Da análise de estabilidade obtemos para o fator de amplificação
G = 1 + C 2 (cos θ − 1) − i C sen θ
2 2 θ
= 1 − i C sen θ − 2 C sen
2
e o algoritmo será estável se a condição de CFL, C ≤ 1, for verificada.
Até aqui, todos os esquemas considerados enquadram–se na categoria dos métodos explíci-
tos. Veremos, a seguir, um exemplo de um método implícito aplicado à equação de advecção.
Conforme já visto, sabemos que o esquema de Crank–Nicolson é recuperado da equação geral
a três níveis de tempo (6.2) tomando γ = 0 e β = 0, 5
φn+1
j − φnj
+ u 0, 5Lx φnj + 0, 5Lx φn+1
j =0
∆t
onde adotaremos para o operador Lx um esquema de discretização do tipo diferenças centradas,
de modo a obtermos o algoritmo
−0, 25Cφn+1 n+1
j−1 + φj + 0, 25Cφn+1 n n n
j+1 = 0, 25Cφj−1 + φj − 0, 25Cφj+1
Capítulo 6. Equação de Transporte Linear 117
ou ainda,
∆t ∆t ∂ 2 ϕ n+1/2 ∆t2 ∂ 3 ϕ n+1/2
∂ϕ n+1/2 ∂ϕ n+1/2
+ u + − +
∂t j ∂x j 2 2 ∂t2 j 6 ∂t3 j
∆x2 ∂ 3 ϕ n+1/2
+u(1 + 3C) + ... = 0
12 ∂x3 j
donde
n+1/2 ∆x2 ∂ 3 ϕ n+1/2
2
Ej = u 1 + 3C − 2C + ...
12 ∂x3 j
A análise de estabilidade de Von Neumann, aplicada a esse esquema, produz como fator de
amplificação dado por
1 − 0, 5 i C sen θ
G=
1 + 0, 5 i C sen θ
Fica claro que |G| ≤ 1 para todo θ e o esquema de Crank–Nicolson, aplicado à equação de
advecção unidimensional, é incondicionalmente estável.
Tipicamente os esquemas implícitos aplicados à equação de advecção produzem algoritmos
que são incondicionalmente estáveis. Entretanto, o uso de esquemas implícitos para equações
hiperbólicas não é necessariamente vantajoso. O emprego destes esquemas nos leva a um
sistema de equações acopladas no nível de tempo n + 1. Portanto, uma perturbação, devida
por exemplo a um erro de arredondamento, introduzida em um determinado nó (n, j), afetará
a solução em todos os outros nós no próximo nível de tempo (j, n + 1). Fisicamente, este é um
comportamento típico de uma equação diferencial parabólica e não de uma equação hiperbólica.
O uso de esquemas implícitos em EDPs hiperbólicas produzem soluções que não são acuradas
se ∆t (ou C) for grande. Caso ∆t seja pequeno, C ≤ 1 para a equação de advecção, não existe
vantagem no que diz respeito à estabilidade, embora possa haver um ganho na acurácia como
no caso do esquema de Crank–Nicolson [11].
que não seja a física. Devemos também esperar que estes esquemas não alterem a velocidade
de propagação destas ondas, ou seja, eles não devem introduzir nenhuma dispersão artificial.
De um modo geral, podemos escrever a solução descrevendo uma onda plana que se propaga
sujeita a uma dissipação e dispersão na forma:
∞
X
ϕ= ϕm exp [−Γ(m)t ] exp {i m [x − V (m)t ]}
m=−∞
onde ϕm é um valor real positivo, m é um número de onda que está relacionado com o com-
primento de onda λ (λ = 2π/m), Γ(m) determina o quão rapidamente a onda vai se atenuar
e V (m) é a velocidade de propagação da onda. Caso esta equação represente uma solução da
equação de advecção, temos que Γ(m) = 0 e V (m) = u, ou seja, ondas de qualquer comprimento
de onda propagam-se com a mesma velocidade e sem amortecimento.
Consideremos agora duas equações que estão estreitamente relacionadas com a equação de
advecção
∂ϕ ∂ϕ ∂ 2ϕ
+u −α 2 =0
∂t ∂x ∂x
e
∂ϕ ∂ϕ ∂ 3ϕ
+u +β 3 =0
∂t ∂x ∂x
A primeira equação é a de transporte unidimensional e a segunda a forma linear da equação
de Kortewey de Vries. Para ondas planas governadas pela equação de transporte, da primeira
equação obtemos:
α m2 − Γ + i [m(u − V )] = 0
Γ(m) = α m2 e V (m) = u
Isto quer dizer que a onda será atenuada pelo termo difusivo mas a velocidade de propagação
não será alterada. Como m = 2π/λ, os pequenos comprimentos de onda serão atenuados mais
rapidamente do que os grandes comprimentos de onda. Por outro lado, para ondas planas
governadas pela equação de Korteweg de Vries:
−Γ + i m u − β m2 − V = 0
Γ(m) = 0 e V (m) = u − β m2
Neste caso, a amplitude da onda fica inalterada e as ondas irão propagar com velocidades
diferentes, dependendo do comprimento de onda de cada uma delas. Caso existam ondas de
mais de um comprimento de onda, elas vão se dispersar uma vez que irão se deslocar com
velocidades diferentes. A mudança na velocidade de propagação será mais pronunciada para os
Capítulo 6. Equação de Transporte Linear 119
pequenos comprimentos de onda. Assim, caso β seja positivo, ondas de pequeno comprimento
de onda irão se propagar mais lentamente.
Podemos formalmente definir a dissipação como sendo a atenuação da amplitude das ondas
planas e a dispersão como sendo a propagação de ondas planas com diferentes comprimentos
de onda e velocidades. Dos dois exemplos anteriores, podemos dizer alguma coisa sobre o papel
das derivadas de mais alta ordem. A dissipação está associada ao aparecimento de termos com
derivadas espaciais de ordem par, enquanto que a dispersão está associada aos termos com
derivadas espaciais de ordem ímpar.
Da análise de consistência das equações discretizadas, sabemos que estas equações são equi-
valentes às equações diferenciais originais acrescidas de um erro de truncamento. Este erro de
truncamento é tipicamente formado por sucessivas derivadas de alta-ordem pares e ímpares. A
relação entre estes termos e a dissipação e dispersão numéricas será vista mais adiante.
Caso a equação algébrica do algoritmo considerado seja linear, podemos considerar separa-
damente os componentes da série de Fourier.
Durante um intervalo de tempo ∆t, o componente m da solução aproximada sofrerá um
decréscimo de amplitude dado por exp [−Γ(m)∆t ] e terá avançado de uma distância igual a
V (m)∆t. Neste mesmo intervalo de tempo, o componente m da solução exata da equação de
advecção unidimensional (Γ(m) = 0 e V (m) = u), terá mantido a sua amplitude constante
e terá avançado de uma distância igual a u ∆t. Um algoritmo numérico que não introduza
dissipação e nem dispersão numéricas, deverá ter Γ(m) igual a zero e V (m) igual a velocidade
u.
Podemos obter expressões para Γ(m) e V (m) se substituirmos a representação em série
de Fourier da solução aproximada no algoritmo computacional e construirmos a relação de
amplitude do componente m para um simples passo de tempo
φm exp [−Γ(m) (t + ∆t)] exp {i m [x − V (m) (t + ∆t)]}
Gm =
φm exp [−Γ(m)t ] exp {i m [x − V (m)t ]}
Im
|Gm |
b
ωm
a Re
que representa exatamente o mesmo resultado que o obtido pela análise de estabilidade de Von
Neumann para o fator de amplificação. Deste resultado podemos escrever
q
|Gm | = e−Γ(m)∆t
= {1 + C [cos(m∆x) − 1]}2 + [−C sen (m∆x)]2
p
= 1 − 4C(1 − C)sen 2 (0, 5 m ∆x)
Na aplicação desta técnica, devemos obter uma expressão do erro de truncamento na seguinte
forma:
La (φ) = L(φ) + E(φ) = 0
onde na equação algébrica a solução aproximada φ foi expandida em série de Taylor. Esta
equação deve ser trabalhada a fim de que E(φ) contenha somente derivadas espaciais. Neste
sentido, devemos diferenciar La (φ) repetidamente no intuito de eliminarmos as derivadas tem-
porais. Este desenvolvimento contrasta com o anterior, no qual empregávamos L(ϕ) = 0 na
simplificação do erro de truncamento.
A equação L(φ) + E(φ) = 0 é uma equação diferencial com um número infinito de termos.
Ela é chamada de equação modificada e é a equação que de fato devemos resolver, caso seja
fornecido um número suficiente de condições de contorno. A equação modificada também pode
ser empregada para se demonstrar a consistência e a acurácia do algoritmo computacional. Na
equação modificada as derivadas de ordem par estão associadas à dissipação e as de ordem ímpar
à dispersão numéricas. Assim, considerando os termos pares e ímpares de mais baixa ordem,
em ∆x, do erro de truncamento, podemos deduzir as propriedades dissipativas e dispersivas
do esquema algébrico para grandes comprimentos de onda. O comportamento para pequenos
comprimentos de onda não é descrito, uma vez que o desenvolvimento em série de Taylor
pressupõe ∆t e ∆x pequenos.
122 6.6. Dissipação e Dispersão Numéricas
∂φ ∂φ ∆t ∂ 2 φ ∆t2 ∂ 3 φ ∆x2 ∂ 3 φ
+u + + +u + ... = 0
∂t ∂x |2 ∂t2 6 ∂t3{z 6 ∂x3 }
=E(φ)
as derivadas temporais são eliminadas mediante a derivação da equação acima e vamos consi-
derar, somente, os termos até segunda ordem:
∂ 2φ ∆t ∂ 3 φ ∆t2 ∂ 4 φ ∆x2 ∂ 3
∂ ∂φ ∂φ
= −u − − − u + ...
∂t2 ∂x ∂t2 ∂t3 6 ∂t4 6 ∂x3 ∂t
2
∆t ∂ ∂ 2 φ ∆t ∂ 3 φ
2∂ φ
= u + u − + ...
∂x2 2 ∂x ∂t2 2 ∂t3
∂ 2φ 3
3 ∆t ∂ φ ∆t ∂ 3 φ
= u2 + u − + ...
∂x2 2 ∂x3 2 ∂t3
∂ 3φ ∂ 2φ ∆t ∂ 4 φ ∆t2 ∂ 5 φ ∆x2 ∂ 3 ∂ 2φ
∂
3
= −u − − −u + ...
∂t ∂x ∂t2 2 ∂t4 6 ∂t5 6 ∂x3 ∂t2
∂ 3φ
= −u3 + ...
∂x3
e, portanto,
∂ 2φ 2
2∂ φ 3 ∂ 3φ
= u + u ∆t + ...
∂t2 ∂x2 ∂x3
Substituindo–se estes resultados na expressão do erro
∂φ ∂φ ∆t ∂ 2 φ 2 3
3 ∆t ∂ φ
2 3
3 ∆t ∂ φ ∆x2 ∂ 3 φ
+u + u2 + u − u + u + ... = 0
∂t ∂x | 2 ∂x2 2 ∂x3 {z 6 ∂x
3 6 ∂x3 }
=E(φ)
∆x ∂ 2 φ ∆x2 3
2 ∂ φ
E(φ) = u C + u 1 + 2C + ...
2 ∂x2 6 ∂x3
Esta equação é consistente com a equação de advecção e apresenta uma acurácia de O (∆t, ∆x2 ).
O erro de truncamento apresenta um termo de dissipação numérica de primeira ordem e um
termo de dispersão numérica de segunda ordem.
A técnica da equação modificada pode ser estendida ao caso das equações não lineares,
enquanto que a análise de Fourier só pode ser aplicada às equações lineares.
Capítulo 6. Equação de Transporte Linear 123
∂ϕ ∂ϕ ∂ 2ϕ
+u −α 2 =0
∂t ∂x ∂x
onde ϕ é um campo escalar passivo que está sendo advectado com uma velocidade conhecida u
e sendo dissipado. A fim de examinarmos o comportamento das soluções computacionais desta
equação, vamos considerar que u e α são constantes. Como no caso da equação de difusão, a
equação de transporte é parabólica e requer o mesmo tipo de condições de contorno e inicial.
Entretanto, para valores elevados de u/α, podemos esperar que os dois primeiros termos desta
equação predominem. A equação de transporte apresentará, então, um comportamento similar
ao da equação de advecção. Lembremo–nos que as soluções exatas da equação de advecção
são, tipicamente, ondas que se propagam sem amortecimento. Portanto, para grandes valores
de u/α, podemos esperar que as soluções da equação de transporte se comportem como ondas
que se propagam com pequenos amortecimentos.
Em muitos problemas de transporte (mecânica dos fluidos, transferência de calor, etc),
os mecanismos de dissipação só são importantes numa fina camada adjacente à fronteira. A
equação de transporte em regime permanente é um modelo útil para ilustrarmos este fenômeno.
Em uma dimensão esta equação é dada por:
dϕ d2 ϕ
u −α 2 =0
dx dx
sendo que ela representa o balanço, em regime permanente, entre a advecção e a difusão. Caso
tenhamos como condições de contorno para 0 ≤ x ≤ 1
ϕ(0) = 0 e ϕ(1) = 1, 0
eux/α − 1
ϕ(x) =
eu/α − 1
onde esta solução é caracterizada por uma distribuição uniforme de ϕ, combinada com uma
camada limite adjacente a x = 1, 0.
Empregando formulações do tipo diferenças centradas na discretização dos termos espaciais
da equação de advecção–difusão em regime permanente, obtemos o seguinte algoritmo:
onde P ec = u∆x/α é o número de Péclet de célula definido em termos de ∆x. Para α igual a
viscosidade dinânica ν temos o número de Reynolds de célula Rec .
124 6.7. Equação de Transporte Unidimensional
Uma expansão em série de Taylor, em torno do ponto j, indica que este algoritmo é consis-
tente com a equação de advecção–difusão
dϕ d2 ϕ ∆x2 d3 ϕ
u −α 2 +u + ... = 0
dx j dx j 6 dx3 j
apresentando uma acurácia de segunda ordem em ∆x.
Quando as equações são escritas para todos os nós da malha, nos deparamos com uma matriz
dos coeficientes que é tridiagonal, caso representemos o sistema de equações na forma Aφ = d.
Por ser uma matriz tridiagonal, podemos empregar o algoritmo de Thomas na obtenção da
solução deste sistema de equações:
−aφ1
b c φ2
a b c φ3 0
. .
... ... ...
. .
. .
a b c φj = 0
.. .. .. . .
.. ..
. . .
a b c φJ−2 0
a b φJ−1 −cφJ
onde a = −(1 + 0, 5P ec ), b = 2 e c = −(1 − 0, 5P ec ). Neste caso em questão, os autovalores da
matriz tridiagonal podem ser determinados analiticamente:
√
jπ
λj = b + 2 a c cos
J −1
para j variando de 1 a J −2. Também é possível, para este caso relativamente simples, obtermos
uma solução exata para o sistema de equações:
j−1
1 − 0, 5P ec
φj = K1 + K2
1 + 0, 5P ec
onde K1 e K2 são escolhidos de maneira a satisfazerem as condições de contorno. Deste resul-
tado, vemos claramente que a solução apresentará oscilações caso P ec > 2. Portanto, soluções
oscilatórias poderão ser evitadas se P ec ≤ 2. Do cálculo dos autovalores da matriz A, vemos
que eles serão reais se a c ≥ 0, ou seja:
a c = (1 + 0, 5P ec ) (1 − 0, 5P ec ) ≥ 0
dφ̄j
= λj φ̄j + s̄j
dt
uma vez que a matriz dos coeficientes é diagonalizada pelas matrizes Q cujas colunas são
formadas pelos autovetores da matriz dos coeficientes
−1
Q AQ = D
onde D é uma matriz diagonal cujos elementos da diagonal principal são os autovalores da
matriz A.
Do Cálculo, sabemos que a solução geral da equação diferencial ordinária será dada por
N
X
λj t s̄j
φ̄(t) = C0j e − ~vj
j=1
λj
Desta solução, podemos concluir que as soluções oscilatórias estão associadas à existência de
autovalores complexos da matriz dos coeficientes e que estas oscilações serão limitadas caso a
parte real dos autovalores seja negativa.
A substituição da representação por diferenças centradas por um esquema do tipo “Upwind”
na discretização da equação de adveccão–difusão, para u > 0, prevenirá a existência de soluções
oscilatórias. De fato, neste caso temos o seguinte algoritmo
− (1 + P ec ) φj−1 + 2 (1 + 0, 5P ec ) φj − φj+1 = 0
a c = − (1 + P ec ) (−1) = 1 + P ec > 0
dϕ d2 ϕ
u − α (1 + 0, 5P ec ) 2 = 0
dx dx
ou seja, o uso do esquema “Upwind” de primeira ordem, para o termo advectivo, introduziu
uma difusividade artificial α 0 = 0, 5αP ec . Portanto, para que tenhamos soluções que sejam
acuradas, deveríamos ter
0, 5 P ec 1
que é muita mais restritiva do que a condição P ec ≤ 2.
O comportamento oscilatório da representação empregando diferenças centradas e a natu-
reza muito dissipativa do esquema “Upwind”, nos sugerem que uma representação do esquema
“Upwind” empregando quatro pontos deve ser necessária, a fim de que possamos obter resulta-
dos que sejam satisfatórios. Para u positivo, a seguinte representação deve ser apropriada:
dϕ ∼
= a φj−2 + b φj−1 + c φj + d φj+1
dx j
Expandindo ϕ em série de Taylor em torno do ponto j
dϕ dϕ ∆x2 d2 ϕ
= (a + b + c + d)ϕj + (d − 2a − b)∆x + (4a + b + d)
dx j dx j 2 dx2 j
Capítulo 6. Equação de Transporte Linear 127
∆x3 d3 ϕ
+(d − 8a − b) + ...
6 dx3 j
Para que a igualdade seja verificada, temos que determinar os coeficientes mediante a resolução
do sistema abaixo
a+b+c+d = 0
(d − 2a − b)∆x = 1
4a + b + d = 0
Fazendo a = σ/3∆x
dϕ ∼ φj+1 − φj−1 φj−2 − 3φj−1 + 3φj − φj+1
= +σ
dx 2∆x 3∆x
No caso de u ser negativo, esta expressão deve ser substituída por
dϕ ∼ φj+1 − φj−1 φj−1 − 3φj + 3φj+1 − φj+2
= +σ
dx 2∆x 3∆x
Estas representações foram escritas de propósito como sendo uma modificação da representação
por diferenças centradas. O parâmetro σ controla esta modificação e para σ = 0 recuperamos
o esquema de diferenças centradas.
Empregando esta representação para o termo advectivo e uma discretização por diferenças
centradas para o termo difusivo, obtemos o seguinte algoritmo para a equação de advecção–
difusão:
σ
P ec φj−2 − [1 + (σ + 0, 5)P ec ] φj−1 + (2 + σP ec ) φj
3
h σ i
− 1+ 0, 5 P ec φj+1 = 0
3
Esta estrutura introduz uma complicação adicional que é a de se resolver um sistema Aφ = d,
onde a matriz A é tetradiagonal.
Aplicando o método da equação modificada, podemos obter a equação que é de fato resolvida
por este algoritmo [11]:
d2 φ ∆x2 d3 φ ∆x3 d4 φ
dφ 1
u − α 2 + u(1 − 2σ) + u 2σ −
dx dx 6 dx3 P ec 12 dx4
∆x4 d5 φ
+u(1 − 10σ) + ··· = 0
120 dx5
Vemos que esta equação é consistente com a equação de advecção–difusão e para o valor parti-
cular σ = 0, 5 apresenta uma acurácia de terceira ordem em ∆x. Além do mais, para σ = 0, 5
128 6.7. Equação de Transporte Unidimensional
φn+1
j = (s + 0, 5C)φnj−1 + (1 − 2s)φnj + (s − 0, 5C)φnj+1
∆x2 2
4
2 2 2 4 3 2 ∆t∆x ∂ φ
+ 0, 5α ∆t − u α∆t + 0, 25u ∆t − α +u + ... = 0
12 6 ∂x4
onde α 0 = u2 ∆t/2. Assim, percebemos que o uso de um esquema de discretização de primeira
ordem no, tempo, introduziu um termo de dissipação e um termo de dispersão, ambos de
primeira ordem em ∆t. Portanto, para que a dissipação numérica não seja comparável à
difusão física
2α
α 0 α ∴ ∆t 2
u
ou ainda,
2
P ec
C
Estas restrições são um grande incentivo para que utilizemos esquemas de discretização de
segunda ordem para o termo transiente da equação de transporte.
Capítulo 6. Equação de Transporte Linear 129
0 ≤ C 2 ≤ 2s ≤ 1
Estritamente falando, estas condições permitem soluções estáveis para P ec = C/s > 2, o que
introduz a possibilidade de obtermos soluções oscilatórias. Contudo, para estes valores do
número de Péclet de célula devemos obter soluções que não são acuradas.
Do esquema de DuFort–Frankel aplicado à equação de transporte unidimensional nós obte-
mos:
φn+1 − φn−1 φnj+1 − φn+1 + φjn−1 + φnj−1
j j φnj+1 − φnj−1 j
+u −α =0
2∆t 2∆x ∆x2
cujo algoritmo correspondente é:
n+1 2s − C 2s + C 1 − 2s
φj = n
φj+1 + n
φj−1 + φn−1
j
1 + 2s 1 + 2s 1 + 2s
Uma expansão em série de Taylor indica que ao contrário do caso da equação de difusão,
precisamos assegurar que ∆t ∆x (C 2 1) para que este algoritmo seja consistente com a
equação de transporte. Tal fato representa na prática uma restrição muito severa.
Da análise de estabilidade de Von Neumann
p
−B ± B 2 + 4 (1 − 4s2 )
G=
2(1 + 2s)
onde B = −(4 s cos θ − i 2 C sen θ). Podemos mostrar que para C ≤ 1 o algoritmo é estável e
não existem restrições impostas em s [11].
Caso optemos pela utilização do esquema do tipo “Upwind” na discretização do termo ad-
vectivo, para u positivo, temos que a equação discretizada é dada na seguinte forma:
φn+1
j − φnj φnj − φnj−1 φnj−1 − 2φnj + φnj+1
+u −α =0
∆t ∆x ∆x2
cujo algoritmo associado é:
φn+1
j = (s + C)φnj−1 + (1 − 2s − C)φnj + sφnj+1
Expandindo em série de Taylor, podemos mostrar que esta equação é consistente com a
equação de transporte unidimensional com um erro de O (∆t, ∆x). Por outro lado, aplicando
a técnica da equação modificada [11] obtemos:
∂φ ∂φ ∂ 2φ ∆x ∂ 2φ
+u −α 2 −u (1 − C) 2
∂t ∂x ∂x 2 ∂x
130 6.7. Equação de Transporte Unidimensional
∆x2 ∂ 3φ
2
− αC∆x − u 1 − 3C + 2C + ... = 0
6 ∂x3
Podemos perceber que este esquema de discretização introduz um termo de dissipação numérica
de primeira ordem em ∆x:
α 0 = 0, 5 u ∆x(1 − C)
Para que este esquema gere soluções acuradas, devemos exigir que α 0 α, ou ainda,
2
P ec
1−C
Do cálculo do fator de amplificação, via o método de Von Neumann, temos que
φn+1
j − φnj φnj+1 − φnj−1 φnj−1 − 2φnj + φnj+1
+u −α
∆t 2∆x ∆x2
∆x φnj−1 − 2φnj + φnj+1
−u C =0
2 ∆x2
ou ainda, na forma de um algoritmo
Da equação modificada, podemos mostrar que este algoritmo é consistente com a equação
de transporte unidimensional, não introduz uma difusividade numérica e apresenta um erro de
truncamento de O (∆t2 , ∆x2 ) [11]
∂ 2φ ∆x2 ∂ 3φ
∂φ ∂φ 2 2
+u − α 2 − u s ∆x − u 1−C + ... = 0
∂t ∂x ∂x 6 ∂x3
G = 1 + 2 0, 5 C 2 + s (cos θ − 1) − i C sen θ
Capítulo 6. Equação de Transporte Linear 131
0 ≤ C 2 ≤ 2 0, 5 C 2 + s ≤ 1
No decorrer deste curso, tivemos a oportunidade de verificarmos que os esquemas a dois ní-
veis de tempo são incondicionalmente estáveis para 0, 5 ≤ β ≤ 1 quando aplicados à equação de
difusão. Agora, vamos utilizar o esquema implícito geral a dois níveis de tempo na discretização
da equação de transporte unidimensional
φn+1
j − φnj
+ (1 − β) (uLx − αLxx ) φnj + β (uLx − αLxx ) φn+1
j =0
∆t
Este esquema é conhecido pelo nome de trapezoidal e, para β = 0, 5, ele é chamado de Crank–
Nicolson, embora originariamente ele tenha sido desenvolvido para a equação de difusão [11].
O uso de formulações do tipo diferenças centradas na discretização dos operadores espaciais,
resulta na seguinte equação algébrica:
!
φn+1
j − φnj φnj+1 − φnj−1 φn+1 n+1
j+1 − φj−1
+ 0, 5u +
∆t 2∆x 2∆x
!
φnj−1 − 2φnj + φnj+1 φn+1 n+1
j−1 − 2φj + φn+1
j+1
−0, 5α + =0
∆x2 ∆x2
ou ainda, na forma de um algoritmo
∂ 2φ 2
C 2 ∂ 3φ ∆x2 4
∂φ ∂φ 2 ∆x 2 ∂ φ
+u −α 2 +u 1+ − α 1 + 3C + ... = 0
∂t ∂x ∂x 6 2 ∂x3 12 ∂x4
Podemos constatar que esta equação é consistente com a equação de transporte e apresenta um
erro de truncamento da ordem de ∆t2 e ∆x2 . Assim, evitamos o problema da difusão artificial
que aprecem devido aos termos de primeira ordem no erro de truncamento.
Da determinação do fator de amplificação, via o método de Von Neumann, nós obtemos:
e a condição de estabilidade é verificada sem que nenhuma restrição seja imposta sobre os
valores de C e s. Entretanto, para que não tenhamos soluções oscilatórias devemos verificar a
seguinte condição de restrição: P ec ≤ 2.
132 6.7. Equação de Transporte Unidimensional
∂ 2φ 1 − 2σ C 2 ∂ 3 φ
∂φ ∂φ 2
+u − α 2 + u∆x +
∂t ∂x ∂x 6 12 ∂x3
Capítulo 6. Equação de Transporte Linear 133
∆x3 1 − 2σP ec C 2 ∂ 4φ
−u + + ... = 0
P ec 12 4 ∂x4
Nesta equação, u∆x3 /P ec = α∆x2 . Para escoamentos nos quais P ec 1, o termo dispersivo
pode ser eliminado com a escolha de σ = 0, 5 + 0, 25C 2 . Para este valor de σ e para grandes
valores do número de Péclet de célula, o termo dissipativo de mais baixa ordem introduz uma
dissipação positiva.
Da análise de estabilidade de Von Neumann temos que
h iθ −iθ i
σC −i2θ −iθ e −e −iθ
iθ
iθ
2− 3 e − 3e − e − C 2
+s e −2+e
G= h i
2 + σC (e−i2θ − 3e−iθ − eiθ ) + C eiθ −e−iθ − s (e−iθ − 2 + eiθ )
3 2
ou ainda,
σC σC
1− s+ 3
(1 − cos θ) (1 − cos θ) − iCsen θ 0, 5 + 3
(1 − cos θ)
G= σC
σC
1+ s+ 3
(1 − cos θ) (1 − cos θ) + iCsen θ 0, 5 + 3
(1 − cos θ)
∂ϕ ∂ϕ ∂ϕ ∂ 2ϕ ∂ 2ϕ
+u +v − αx 2 − αy 2 = 0
∂t ∂x ∂y ∂x ∂y
Devemos também esperar que os mesmos tipos de restrições encontradas, no caso unidimensi-
onal, existam como condição para que haja estabilidade no problema bidimensional.
Tomaremos como exemplo de aplicação de um método explícito a versão bidimensional do
esquema FTCS, empregado na discretização da equação de transporte bidimensional:
φn+1 n n
φj+1k − φnj−1k
n
jk − φjk φjk+1 − φnjk−1
+u +v
∆t 2∆x 2∆y
n
φj−1k − 2φnjk + φnj+1k
n
φjk−1 − 2φnjk + φnjk+1
−αx − αy =0
∆x2 ∆y 2
Desta equação resulta o algoritmo
φn+1 n n n
jk = (sx + 0, 5Cx ) φj−1k + (1 − 2sx − 2sy ) φjk + (sx − 0, 5Cx ) φj+1k
onde
∆t ∆t ∆t ∆t
sx = αx ; sy = αy ; Cx = u ; Cy = v
∆x2 ∆y 2 ∆x ∆y
Expandindo em série de Taylor a solução aproximada e empregando a técnica da equação
modificada, nós obtemos:
∂φ ∂φ ∂φ ∂ 2φ ∂ 2φ
+u +v − (αx − α0 x ) 2 − (αy − α0 y ) 2
∂t ∂x ∂y ∂x ∂y
2
∆x2 ∂ 3 φ 2
∆y 2 ∂ 3 φ
3 ∆t 3 ∆t
− αx u∆t + u −u − αy v∆t + v −v + ··· = 0
3 6 ∂x3 3 6 ∂y 3
onde α0 x = −0, 5uCx ∆x e α0 y = −0, 5vCy ∆y.
De modo análogo ao caso unidimensional, o emprego de formulações de primeira ordem para
os termos transiente e advectivos introduzem termos de dissipação (e dispersão) artificial. Caso
o esquema “Upwind” seja empregado na discretização dos termos advectivos, as difusividades
artificiais seriam dadas neste caso por:
Os erros introduzidos por estes termos são particularmente severos quando a direção do escoa-
mento principal faz um ângulo de 45o com relação ao eixo ordenado Ox.
Efetuando, mais uma vez, a análise de estabilidade de Von Neumann chegamos à expressão
do fator de amplificação:
Para que o esquema seja estável, devemos verificar a seguinte desigualdade |G| ≤ 1, onde o
fator de amplificação é dado por
q
|G| = [1 + 2sx (cos θx − 1) + 2sy (cos θy − 1)]2 + (−Cx sen θx − Cy sen θy )2
(Cx + Cy )2
(sx + sy ) ≤ 0, 5 e ≤2
(sx + sy )
Caso sx = sy = s, então devemos ter que s ≤ 0, 25 e esta condição é duas vezes mais severa
que a restrição correspondente ao caso unidimensional.
O uso de métodos implícitos, na discretização da equação de transporte bidimensional, faz
com que evitemos grande parte das dificuldades apresentadas pelos métodos explícitos com
relação às questões de estabilidade. Em contrapartida, eles introduzem maiores dificuldades no
que diz respeito à resolução eficiente do sistema de equações algébricas oriundo do processo de
discretização.
Capítulo 6. Equação de Transporte Linear 135
Escrevendo a formulação geral para uma representação do termo transiente a três níveis de
tempo
∆φn+1
jk ∆φnjk h i
(1 + γ) −γ = (1 − β) (uLx − αxLxx ) + (vLy − αy Lyy ) φnjk
∆t ∆t
h i
+β (uLx − αxLxx ) + (vLy − αy Lyy ) φn+1
jk
onde
∆φn+1 n+1 n
jk = φjk − φjk e n−1
∆φnjk = φnjk − φjk
A inclusão dos termos advectivos u Lx e v Ly não é um empecilho para que possamos aplicar
as técnicas de fracionamento introduzidas anteriormente neste curso. Utilizando a mesma
técnica de fracionamento que a empregada no esquema geral a três níveis de tempo, nós obtemos
para a equação de transporte bidimensional:
β ∗ γ
1+ ∆t (uLx − αx Lxx ) ∆φjk = ∆φnjk
1+γ 1+γ
h
∆t i
+ (uLx − αx Lxx ) + (vLy − αy Lyy ) φnjk
1+γ
e
β ∗
1+ ∆t (uLy − αx Lyy ) ∆φn+1
jk = ∆φjk
1+γ
Portanto, mais uma vez, o fracionamento possibilita que a resolução do sistema de equações
algébricas seja obtida a partir da resolução de sub-sistemas tridiagonais de equações associadas
às linhas e colunas da malha.
Este algoritmo é consistente com a equação de transporte bidimensional e apresenta um erro
de truncamento de O (∆t2 , ∆x2 , ∆y 2 ) para os esquemas a dois níveis de tempo (γ = 0, β = 0, 5)
e três níveis de tempo (γ = 0, 5, β = 1, 0) [11].
A análise de estabilidade aplicada às equações oriundas do fracionamento nos leva a uma
equação quadrática em G. A resolução desta equação indica que este algoritmo é incondicio-
nalmente estável para β ≥ 0, 5 [11].
136 6.8. Equação de Transporte Bidimensional
APÊNDICE A
O MÉTODO DE SEPARAÇÃO DE
VARIÁVEIS
137
138
1 d2 X 1 d2 Y 1 d2 Z
+ + + λ2 = 0 (A.3)
X dx2 Y dy 2 Z dz 2
onde cada termo é função de uma única variável independente. A igualdade em (A.3) só é
verificada se cada termo for igual a uma constante de separação arbitrária,
d2 X
2
+ β 2X = 0
dx
d2 Y
+ γ 2Y = 0
dy 2
d2 Z
+ η2Z = 0
dz 2
onde
β 2 + γ 2 + η 2 = λ2
Podemos mostrar que estas equações representam problemas de autovalores [20], onde
X(β, x), Y (γ, t) e Z(η, t) são as autofunções associadas ao problema que queremos resolver.
A solução completa φ = φ(x, y, z, t) é construída a partir da superposição linear das soluções
Γ(t), X(β, x), Y (γ, t) e Z(η, t). Quando a região de resolução do problema é finita, os auto-
valores assumem valores discretos e a superposição das soluções é feita através do somatório
de todos os valores permitidos de βn , γm e ηp . Por outro lado, caso a região seja infinita ou
semi-infinita, as constantes de separação assumem todos os valores entre zero e o infinito e a
superposição é feita a partir de uma integração sobre todos os valores.
Vemos, facilmente, que o problema em Γ(t)
dΓ
= −αλ2 dt
Γ
possui uma solução do tipo
Γ(t) = e−αλ t = e−α(β )t
2 2 +γ 2 +η 2
Apêndice A. O Método de Separação de Variáveis 139
Essas soluções satisfazem a equação diferencial e as condições de contorno, mas não satisfa-
zem necessariamente a condição inicial. Aplicando a condição inicial para t = 0, na superposição
de soluções, no caso da região finita
∞ X
X ∞ X
∞
F (x, y, z) = Cmnp X(βm , x)Y (γn , y)Z(ηp , z) (A.5)
m=1 n=1 p=1
Nessa equação, os coeficientes Cmnp podem ser determinados se fizermos uso das propriedades
de ortogonalidade das autofunções,
Z A
0 para m 6= n
X(βm , x)X(βn , x)dx =
0 N (βm ) para m = n
Z B
0 para m 6= n
Y (γm , y)X(γn , y)dy =
0 N (γm ) para m = n
Z C
0 para m 6= n
Z(ηm , z)Z(ηn , z)dz =
0 N (ηm ) para m = n
onde as integrais definem um produto interno e N representa as normas provenientes deste
produto interno, sendo definidas como
Z A
N (βm ) = [X(βm , x)]2 dx
0
Z B
N (γm ) = [Y (γm , y)]2 dy
0
Z C
N (ηm ) = [Z(ηm , z)]2 dz
0
Com a finalidade de determinarmos os coeficientes Cmnp , aplicamos em ambos os lados da
Eq. (A.5) estes operadores integrais e obtemos, então,
Z A Z B Z C
1
Cmnp = X(βm , x0 )Y (γn , y 0 )Z(ηp , z 0 )F (x0 , y 0 , z 0 )dx0 dy 0 dz 0
N (βm )N (γn )N (ηn ) 0 0 0
140
Quando a equação diferencial parcial e/ou as condições de contorno não forem homogêneas,
nós ainda podemos obter uma solução do problema
1 ∂φ 1
= ∇2 φ + g(x, y, z)
α ∂t k
onde φ = φ(x, y, z, t), com condições de contorno não-homogêneas e inicial dadas por
∂φ
no contorno Si e para t > 0 : ki + hi φ = fi (x, y, z)
∂ni
através da resolução de uma sequência de problemas mais simples, sendo a solução dada por:
s
X
φ(x, y, z, t) = φh (x, y, z, t) + φ0j (x, y, z)
j=0
Apêndice A. O Método de Separação de Variáveis 141
1
∇2 φ0j + δ0j g(x, y, z) = 0
k
com as seguintes condições de contorno em Si
∂φ0j
ki + hi φ0j = δij fi (x, y, z)
∂ni
onde i = 1, 2, . . . , s; j = 0, 1, 2, . . . , s; sendo s igual ao número de fronteiras da região e δij o
delta de Kronecker.
A função φh (x, y, z, t) será a solução do seguinte problema homogêneo
1 ∂φh
= ∇2 φh
α ∂t
∂φh
no contorno Si : ki + hi φh = fi (x, y, z)
∂ni
ϕ = d~
A~
143
144 B.1. O Algoritmo de Thomas
aj φn+1
j = bj φn+1 n+1
j+1 + cj φj−1 + dj
e da relação
φn+1 n+1
j−1 = Pj−1 φj + Qj−1
PJ = 0 e QJ = φn+1
J
A fim de que o algoritmo seja convergente, a matriz A não deve ser mal-condicionada. Para
tanto, basta ela ser do tipo diagonal dominante [11]
aj > c j + b j
Finalizando, o algoritmo para aplicarmos a técnica TDMA pode ser resumido por:
4. Fazer QJ = φn+1
J ;
aP φP = aW φW + aE φE + aS φS + aN φN + b
Para que possamos resolver este sistema, o método TDMA é aplicado ao longo de uma linha
escolhida, digamos por exemplo a linha norte-sul (n − s). Com esta finalidade, a equação
discretizada e reescrita na forma
−aS φS + aP φP − aN φN = aW φW + aE φE + b
146 B.2. O Método TDMA Linha a Linha
y
norte
x
i sul
onde o lado direito desta equação é assumido ser temporariamente conhecido, a partir dos
valores determinados na iteração precedente. Esta equação encontra-se na forma da equação
apresentada quando da introdução do algoritmo de Thomas, com cj ≡ aS , aj ≡ aP , bj ≡ aN e
dj ≡ aW φW +aE φE +b. Desta maneira, nós podemos resolver o sistema de equações ao longo da
direção n − s para a linha escolhida e para valores de j = 2, 3, 4, . . . , J − 1, conforme mostrado
na Fig. B.1. Este procedimento prosseguirá com a sua aplicação às demais linhas na mesma
direção e, caso desejado, o mesmo procedimento poderá ser aplicado à direção leste-oeste.
A convergência do método linha a linha é rápida, uma vez que as informações provenien-
tes das condições de contorno são transmitidas para o interior do domínio numa única vez,
não importando a quantidade de nós existentes ao longo da linha considerada. Entretanto,
a velocidade de transmissão na outra direção do espaço será a mesma do método ponto por
ponto. Para evitarmos este inconveniente, o método é aplicado às duas direções do espaço de
maneira alternada [17]. Associado a este fato, a direção de varredura (isto é, a sequência na
qual as linhas são escolhidas) pode ser importante em alguns casos [17]. Nas nossas aplicações,
aplicaremos o método TDMA alternadamente nas duas direções do espaço e a varredura será
feita de cima para baixo e de baixo para cima no caso da direção y e da esquerda para direita
e vice-versa no caso da direção x do espaço.
Apêndice B. Algoritmo de Thomas 147
B.3 Relaxação
Na resolução iterativa do sistema algébrico de equações ou no tratamento de não-linearidades,
com frequência devemos empregar um processo de sub-relaxação ou de sobre-relaxação. Este
procedimento visa a evitarmos que o algoritmo de resolução empregado seja instável. A sobre-
relaxação é empregada normalmente em conjunção com o método de Gauss-Seidel, resultando
num esquema conhecido como SOR (Sucessive Over-Relaxation). A sub-relaxação é empregada
normalmente no caso de problemas não-lineares, a fim de evitarmos a divergência do processo
iterativo de resolução do sistema de equações.
Existem muitas maneiras de introduzirmos a relaxação e nós vamos apresentar aqui uma
delas. Partindo-se da equação de transporte discretizada
X
aP φP = avi φvi + b
ou ainda,
aP X aP
φP = avi φvi + b + (1 − γ) φ∗P
γ γ
para γ compreendido entre 0 e 1, temos uma sub-relaxação enquanto que para γ superior a 1
teremos uma sobre-relaxação.
Primeiramente, nós devemos observar que, uma vez alcançada a convergência, ou seja,
φP torna-se igual a φ∗P , da equação acima podemos verificar que nós recuperamos a equação
discretizada original. Qualquer esquema de relaxação deve apresentar essa propriedade.
Não existe uma regra geral para a melhor escolha do valor de γ. O valor ótimo depende de
vários fatores, tais como a natureza do problema em questão, o número de pontos da malha,
o espaçamento da malha e do procedimento iterativo utilizado [17]. O valor de γ não precisa
ser o mesmo durante todo o processo de cálculo, com o seu valor podendo variar para cada
iteração.
148 B.3. Relaxação
BIBLIOGRAFIA
[1] Steven C. Charpa and Raymond P. Canale. Numerical Methods for Engineers. Applied
Mathematics Series. McGraw–Hill Book Company, 1990.
[2] M. Cristina C. Cunha. Métodos Numéricos. Editora da UNICAMP, 2003.
[3] N. S. Asaithambi. Numerical Analysis. Saunders College Publishing, 1995.
[4] J. C. Butcher. Numerical Methods for Ordinary Differential Equation. Wiley, 2003.
[5] J. C. Butcher. General linear methods. Acta Numerica, pages 157–256, 2006.
[6] C. Runge. Ueber die numerische auflösung von differentialgleichungen. Mathematische
Annalen, 46:167–178, 1895.
[7] W. Kutta. Beitrag zur näherungsweisen integration totaler differentialgleichungen. Zeit.
Math. Physik, 46:435–453, 1901.
[8] John C. Tannehill, Dale A. Anderson, and Richard H. Pletcher. Computational Fluid
Mechanics and Heat Transfer. Computational and Physical Processes in Mechanical and
Thermal Sciences. Taylor & Francis, 1997.
[9] Armando de Oliveira Fortuna. Técnicas Computacionais para Dinâmica dos Fluidos.
EDUSP, Editora da Universidade de São Paulo, 2000.
[10] Djairo Guedes de Figueiredo. Análise de Fourier e Equações Diferenciais Parciais. Projeto
Euclides. IMPA, CNPq, 1987.
[11] C. A. J. Fletcher. Computational Techniques for Fluid Dynamics, volume 1. Springer-
Verlag, 1991.
[12] Luiz Adauto Medeiros and Nirzi G. de Andrade. Iniciação às Equações Diferenciais Par-
ciais. Livros Técnicos e Científicos Editora S.A., 1978.
149
150 BIBLIOGRAFIA
[13] M. Necati Özisik. Heat Conduction. John Wiley & Sons, 1980.
[14] John C. Slattery. Momentum, Energy, and Mass Transfer in Continua. McGraw-Hill
Kogakusha, 1972.
[15] E. W. Billington and A. Tate. The Physics of Deformation and Flow. McGraw-Hill, 1981.
[16] Aris Rutheford. Vectors, Tensors and Basic Equations of Fluid Mechanics. Prentice-Hall,
1962.
[17] S. V. Patankar. Numerical Heat Transfer and Fluid Flow. Hemisphere Publishing Corpo-
ration, 1980.
[18] Randall J. Leveque. Finite Volume Methods for Hyperbolic Problems. Cambridge Univer-
sity Press, 2002.
[19] C. Hirsch. Numerical Computation of Internal and External Flows, volume 1. John Wiley
& Sons, 1988.
151
152 Índice
biharmônica, 41 incompressível, 64
constitutiva, 65 laminar, 91
corretora, 9, 25 não-linear, 82
da continuidade, 63, 66, 68 supersônico não-viscoso, 77
de Burger, 40 turbulento, 91
de convecção–difusão, 40 viscoso, 77
de difusão, 84, 86 esquema
de difusão de calor, 58 a cinco pontos, 75, 79
de difusão unidimensional, 83 a dois níveis de tempo, 86, 90
de energia, 68 a dois pontos, 75
de Helmholtz, 40 a três níveis de tempo, 91
de Korteweg–de Vries, 40 a três pontos, 75, 78
de Laplace, 51, 60, 62 explícito, 83, 86
de Navier-Stokes, 66 FTCS, 83, 86
de Poisson, 40, 62 implícito, 84, 86
de Stokes, 41 estabilidade, 6, 32, 35, 74, 81, 82, 85, 89, 92
diferencial ordinária de primeira ordem, existência, 51
2
diferencial ordinária de segunda ordem, fórmula
2 a cinco pontos, 75
diferencial parcial, 39, 81, 82 a dois pontos, 75
diferencial parcial de segunda ordem, 44 a três pontos, 73
discretizada, 83, 86, 87 aberta, 25
do balanço de energia, 67 de Adams–Bashforth, 28
do telégrafo, 41 de Adams–Moulton, 28
linear da onda, 39, 53 de alta ordem, 76
preditora, 8, 25 de baixa ordem, 76
equações de balanço, 63 de d’Alembert, 55
de integração de Adams, 27
erro
de integração de Newton–Cotes, 27
computado, 76
fechada, 25
da solução, 92
fator de amplificação, 90
de arredondamento, 4, 82, 86
fluido
de resolução, 82
incompressível, 67, 68
de truncamento, 3, 71, 73, 74, 76, 84, 85,
newtoniano, 65
92
stokesiano, 65
do passo corretor, 25, 27
função incremento, 10
do passo preditor, 25, 27
global de truncamento, 4 Hadamard, 51
local de truncamento, 4 harmônico, 86
local de truncamento aproximado, 5
numérico, 69, 87 incremento, 4
escoamento de espaço, 5, 69, 82
Índice 153
Jacobiano, 46 nós, 69
número
lei de Fourier, 68 de onda, 77
de Reynolds, 77
método
não-unicidade, 51
da matriz, 86, 88, 91
das potências, 89 onda
de Adams de quarta ordem, 30 amplitude, 77
de diferenças finitas, 69 dispersiva, 40
de elementos finitos, 69 grande comprimento, 77, 79
de Euler, 3 harmônica, 40
de Euler modificado, 9 pequeno comprimento, 77, 79
de Hamming, 30 plana, 77
de Heun, 7, 13 propagação, 39
de mais alta ordem, 7, 27 propagação não-linear, 40
de Milne, 29 senoidal, 55
de primeira ordem, 5 simples, 40
de Ralston, 13 velocidade de propagação, 53, 77
de Runge–Kutta de primeira ordem, 11 operador
de Runge-Kutta, 10 algébrico, 70
de Runge-Kutta de quarta ordem, 14 diferencial, 70
de Runge-Kutta de segunda ordem, 11
de Runge-Kutta de terceira ordem, 13 período, 78
de segunda ordem, 9 polinômio
de volumes finitos, 69 característico, 49
de Von Neumann, 86, 89, 90 interpolador de Lagrange, 14
do polígono, 13 ponto médio, 9
do ponto médio, 25 pontos nodais, 70
espectral, 69 potência de tensão, 68
multistep, 24 precisão, 74
non–self–starting Heun, 26 pressão
one-step, 3 média, 65
malha, 69 termodinâmica, 65, 67
grosseira, 77, 79 primeira
não-uniforme, 73 fórmula aberta de Newton–Cotes, 25
refinada, 75, 76, 79 lei da termodinâmica, 66
uniforme, 70 problema
matriz bem-posto, 50
de amplificação, 91 de valor de contorno, 52
154 Índice