Autovalores do Laplaciano - Departamento de Matemática - UFMG
Autovalores do Laplaciano - Departamento de Matemática - UFMG Autovalores do Laplaciano - Departamento de Matemática - UFMG
Rodney Josué Biezuner 123 Como u é um ponto de mínimo para F , 0 é um ponto de mínimo para g, logo g ′ (0) = 〈u ′ , v ′ 〉 − 〈f, v〉 L 2 = 0. O problema variacional é chamado método de Galerkin, enquanto que o problema de minimização é chamado método de Ritz. Coletivamente, eles são chamados simplesmente de método de Ritz-Galerkin. 6.1.2 Elementos Finitos Lineares por Partes Vamos agora construir um subespaço Vh de dimensão finita de V consistindo das funções lineares por partes em [0, 1]. Seja 0 = x0 < x1 < x2 < . . . < xn < xn+1 = 1 uma partição do intervalo [0, 1] em n+1 subintervalos Ij = [xj−1, xj] de comprimento hj = xj −xj−1. Defina Vh = {v ∈ V : v é linear em Ij para j = 0, . . . , n} . (6.6) Observe que para descrever uma função v ∈ Vh é suficiente conhecer os n valores v (x1) , . . . , v (xn). Introduzimos uma base B = {ϕ1, . . . , ϕn} ⊂ Vh para Vh declarando 1 se i = j, ϕj (xi) = (6.7) 0 se i = j, (note que como estas funções são não-negativas, esta base é evidentemente não-ortogonal). Assim as funções v de V têm a representação v = v (x1) ϕ1 + . . . + v (xn) ϕn. (6.8) As funções ϕ1, . . . , ϕn são chamadas funções base. Note que dim Vh = n. Observe que estas funções têm suporte compacto, e que o suporte está contido em dois subintervalos adjacentes. Se uh ∈ Vh satisfaz o problema variacional 〈u ′ h, v ′ 〉 L 2 = 〈f, v〉 L 2 para todo v ∈ Vh, (6.9) então em particular ′ u h, ϕ ′ j L2 Escrevendo = 〈f, ϕj〉 L2 para todo j = 1, . . . , n. (6.10) ou uh = uh (x1) ϕ1 + . . . + uh (xn) ϕn uh = u1ϕ1 + . . . + unϕn, (6.11) onde denotamos ui = uh (xi), obtemos um sistema linear nas incógnitas u1, . . . , un: A matriz do sistema n i=1 ′ ϕ i, ϕ ′ j L2 ui = 〈f, ϕj〉 L2 para j = 1, . . . , n. (6.12) A = ⎡ ⎢ ⎣ 〈ϕ ′ 1, ϕ ′ 1〉 L 2 . . . 〈ϕ ′ 1, ϕ ′ n〉 L 2 . . . . 〈ϕ ′ n, ϕ ′ 1〉 L 2 . . . 〈ϕ ′ n, ϕ ′ n〉 L 2 ⎤ ⎥ ⎦ (6.13) é uma matriz simétrica porque ϕ ′ i , ϕ′ j L2 = ϕ ′ j , ϕ′ i L2. Ela é chamada a matriz de rigidez e o vetor ⎡ ⎤ b = ⎢ ⎣ 〈f, ϕ1〉 L 2 . . 〈f, ϕn〉 L 2 ⎥ ⎦
Rodney Josué Biezuner 124 é chamado o vetor de carga, terminologia emprestada das primeiras aplicações do método de elementos finitos em mecânica de estruturas; o método foi inventado por engenheiros para tratar de tais problemas na década de 1950. As entradas da matriz de rigidez podem ser facilmente calculados. Primeiro observe que ′ ϕ i, ϕ ′ j L2 = 0 se |i − j| > 1, porque, neste caso, onde ϕ ′ i não se anula, ϕ′ j se anula, e vice-versa. Em particular, segue que a matriz A é uma matriz esparsa tridiagonal. A escolha especial de Vh e das funções base garantiu a esparsidade da matriz de rigidez. Os elementos da diagonal principal da matriz de rigidez são dados por 〈ϕ ′ i, ϕ ′ i〉 L 2 = xi+1 ϕ xi−1 ′ i (x) 2 xi 1 dx = xi−1 h2 i dx + xi+1 enquanto que os elementos das diagonais secundárias são dados por Resumindo, ′ ϕ i, ϕ ′ i+1 L2 = xi+1 ϕ ′ i (x) ϕ ′ xi+1 i+1 (x) dx = xi ′ ϕ i, ϕ ′ j L2 = ⎧ ⎪⎨ ⎪ ⎩ xi xi 1 h 2 i+1 − 1 1 hi+1 1 + hi 1 se i = j, hi+1 − 1 se |i − j| = 1, hi+1 0 se |i − j| > 1. dx = 1 hi+1 hi + 1 , hi+1 dx = − 1 hi+1 . (6.14) A matriz de rigidez também é positiva definida, Se ξ = (ξ1, . . . , ξn) ∈ Rn é um vetor não-nulo e v = n ξiϕi, temos 〈Aξ, ξ〉 = n aijξiξj = i,j=1 No caso especial em que n i,j=1 ′ ϕ i, ϕ ′ j L2 n ξiξj = ξiϕ i=1 ′ i, hi = xi − xi−1 = 1 =: h, n + 1 n j=1 ξjϕ ′ j L 2 = 〈v ′ , v ′ 〉 L 2 > 0. a matriz de rigidez é exatamente a matriz de discretização de diferenças finitas centradas: 1 h2 ⎡ 2 −1 ⎤ ⎢ −1 ⎢ ⎣ 2 −1 −1 . .. . .. . .. . .. −1 −1 2 −1 ⎥ . ⎥ ⎦ −1 2 6.2 O Caso Bidimensional Nesta seção, desenvolveremos métodos de elementos finitos para resolver o problema de Dirichlet para a equação de Poisson em um domínio Ω ⊂ R2 : −∆u = f em Ω, (6.15) u = 0 sobre ∂Ω, onde f é uma função contínua. i=1
- Page 73 and 74: Rodney Josué Biezuner 72 De fato,
- Page 75 and 76: Rodney Josué Biezuner 74 Além dis
- Page 77 and 78: Rodney Josué Biezuner 76 de uma ma
- Page 79 and 80: Rodney Josué Biezuner 78 donde n |
- Page 81 and 82: Rodney Josué Biezuner 80 3.10 Teor
- Page 83 and 84: Rodney Josué Biezuner 82 Da defini
- Page 85 and 86: Rodney Josué Biezuner 84 3.6.1 Esq
- Page 87 and 88: Capítulo 4 Métodos Iterativos par
- Page 89 and 90: Rodney Josué Biezuner 88 4.1.2 Mé
- Page 91 and 92: Rodney Josué Biezuner 90 ou seja,
- Page 93 and 94: Rodney Josué Biezuner 92 4.2.1 Con
- Page 95 and 96: Rodney Josué Biezuner 94 para t su
- Page 97 and 98: Rodney Josué Biezuner 96 4.7 Corol
- Page 99 and 100: Rodney Josué Biezuner 98 Por outro
- Page 101 and 102: Rodney Josué Biezuner 100 Suponha
- Page 103 and 104: Rodney Josué Biezuner 102 ou Se λ
- Page 105 and 106: Rodney Josué Biezuner 104 Para o c
- Page 107 and 108: Rodney Josué Biezuner 106 Reciproc
- Page 109 and 110: Rodney Josué Biezuner 108 Temos ω
- Page 111 and 112: Rodney Josué Biezuner 110 se ∆x
- Page 113 and 114: Rodney Josué Biezuner 112 A escolh
- Page 115 and 116: Rodney Josué Biezuner 114 a conver
- Page 117 and 118: Rodney Josué Biezuner 116 ou e k+1
- Page 119 and 120: Rodney Josué Biezuner 118 4.31 Cor
- Page 121 and 122: Capítulo 5 Métodos Multigrid 5.1
- Page 123: Rodney Josué Biezuner 122 6.1 Prop
- Page 127 and 128: Rodney Josué Biezuner 126 como vé
- Page 129 and 130: Rodney Josué Biezuner 128 No caso
- Page 131 and 132: Rodney Josué Biezuner 130 Prova. C
- Page 133 and 134: Rodney Josué Biezuner 132 onde é
- Page 135 and 136: Rodney Josué Biezuner 134 7.3 Coro
- Page 137 and 138: Rodney Josué Biezuner 136 Como seg
- Page 139 and 140: Rodney Josué Biezuner 138 Prova. O
- Page 141 and 142: Capítulo 8 Métodos Numéricos par
- Page 143 and 144: Rodney Josué Biezuner 142 o maior
- Page 145 and 146: Rodney Josué Biezuner 144 com q1
- Page 147 and 148: Rodney Josué Biezuner 146 e depois
- Page 149 and 150: Rodney Josué Biezuner 148 8.3.2 Im
- Page 151 and 152: Rodney Josué Biezuner 150 Pode-se
- Page 153 and 154: Rodney Josué Biezuner 152 Observe
- Page 155 and 156: Referências Bibliográficas [Asmar
- Page 157: Rodney Josué Biezuner 156 [Thomas2
Rodney Josué Biezuner 123<br />
Como u é um ponto <strong>de</strong> mínimo para F , 0 é um ponto <strong>de</strong> mínimo para g, logo g ′ (0) = 〈u ′ , v ′ 〉 − 〈f, v〉 L 2 = 0.<br />
<br />
O problema variacional é chama<strong>do</strong> méto<strong>do</strong> <strong>de</strong> Galerkin, enquanto que o problema <strong>de</strong> minimização é<br />
chama<strong>do</strong> méto<strong>do</strong> <strong>de</strong> Ritz. Coletivamente, eles são chama<strong>do</strong>s simplesmente <strong>de</strong> méto<strong>do</strong> <strong>de</strong> Ritz-Galerkin.<br />
6.1.2 Elementos Finitos Lineares por Partes<br />
Vamos agora construir um subespaço Vh <strong>de</strong> dimensão finita <strong>de</strong> V consistin<strong>do</strong> das funções lineares por partes<br />
em [0, 1]. Seja<br />
0 = x0 < x1 < x2 < . . . < xn < xn+1 = 1<br />
uma partição <strong>do</strong> intervalo [0, 1] em n+1 subintervalos Ij = [xj−1, xj] <strong>de</strong> comprimento hj = xj −xj−1. Defina<br />
Vh = {v ∈ V : v é linear em Ij para j = 0, . . . , n} . (6.6)<br />
Observe que para <strong>de</strong>screver uma função v ∈ Vh é suficiente conhecer os n valores v (x1) , . . . , v (xn). Introduzimos<br />
uma base B = {ϕ1, . . . , ϕn} ⊂ Vh para Vh <strong>de</strong>claran<strong>do</strong><br />
<br />
1 se i = j,<br />
ϕj (xi) =<br />
(6.7)<br />
0 se i = j,<br />
(note que como estas funções são não-negativas, esta base é evi<strong>de</strong>ntemente não-ortogonal). Assim as funções<br />
v <strong>de</strong> V têm a representação<br />
v = v (x1) ϕ1 + . . . + v (xn) ϕn. (6.8)<br />
As funções ϕ1, . . . , ϕn são chamadas funções base. Note que dim Vh = n. Observe que estas funções têm<br />
suporte compacto, e que o suporte está conti<strong>do</strong> em <strong>do</strong>is subintervalos adjacentes.<br />
Se uh ∈ Vh satisfaz o problema variacional<br />
〈u ′ h, v ′ 〉 L 2 = 〈f, v〉 L 2 para to<strong>do</strong> v ∈ Vh, (6.9)<br />
então em particular ′<br />
u h, ϕ ′ <br />
j L2 Escreven<strong>do</strong><br />
= 〈f, ϕj〉 L2 para to<strong>do</strong> j = 1, . . . , n. (6.10)<br />
ou<br />
uh = uh (x1) ϕ1 + . . . + uh (xn) ϕn<br />
uh = u1ϕ1 + . . . + unϕn, (6.11)<br />
on<strong>de</strong> <strong>de</strong>notamos ui = uh (xi), obtemos um sistema linear nas incógnitas u1, . . . , un:<br />
A matriz <strong>do</strong> sistema<br />
n<br />
i=1<br />
′<br />
ϕ i, ϕ ′ <br />
j L2 ui = 〈f, ϕj〉 L2 para j = 1, . . . , n. (6.12)<br />
A =<br />
⎡<br />
⎢<br />
⎣<br />
〈ϕ ′ 1, ϕ ′ 1〉 L 2 . . . 〈ϕ ′ 1, ϕ ′ n〉 L 2<br />
.<br />
.<br />
.<br />
.<br />
〈ϕ ′ n, ϕ ′ 1〉 L 2 . . . 〈ϕ ′ n, ϕ ′ n〉 L 2<br />
⎤<br />
⎥<br />
⎦ (6.13)<br />
é uma matriz simétrica porque ϕ ′ i , ϕ′ <br />
j L2 = ϕ ′ j , ϕ′ <br />
i L2. Ela é chamada a matriz <strong>de</strong> rigi<strong>de</strong>z e o vetor<br />
⎡ ⎤<br />
b =<br />
⎢<br />
⎣<br />
〈f, ϕ1〉 L 2<br />
.<br />
.<br />
〈f, ϕn〉 L 2<br />
⎥<br />
⎦