‫‪ ‬‬

‫روش ﻋﺪدي ‪  GDQ‬‬

 ‫ﻣﻘﺪﻣﻪ‬

‫روﺷﻬﺎي ﻋﺪدي ﺣﻞ ﻣﻌﺎدﻻت دﻳﻔﺮاﻧﺴﻴﻞ ﺟﺰﺋﻲ ﻧﻘﺶ ﻣﻬﻤﻲ را در ﺑﺴﻴﺎري از ﻋﻠﻮم ﻓﻴﺰﻳﻚ‪،‬‬

‫ﻣﻬﻨﺪﺳﻲ و ﺑﻴﻮﻟﻮژي ﻣﺎﻧﻨﺪ ﭘﻴﺶ ﺑﻴﻨﻲ وﺿﻊ ﻫﻮا‪ ،‬ﺗﺌﻮري ﻛﻨﺘﺮل ﺑﻬﻴﻨﻪ و ﻏﻴﺮه ﺑﺎزي ﻣﻲﻛﻨﻨﺪ‪ .‬از آﻧﺠﺎﻳﻲ‬

‫ﻛﻪ ﺣﻞ ﻣﻌﺎدﻻت دﻳﻔﺮاﻧﺴﻴﻞ ﭘﺎرهاي‪ ،‬دﺷﻮار و ﻳﺎ ﻏﻴﺮ ﻣﻤﻜﻦ ﻣﻲﺑﺎﺷﺪ ﻣﻲﺗﻮان ﻣﻌﺎدﻻت ﻣﻮرد ﻧﻈﺮ را ﺑﺎ‬

‫اﺳﺘﻔﺎده از روشﻫﺎي ﻋﺪدي‪ ،‬ﺳﺎده و ﺑﻪ ﻣﻌﺎدﻻﺗﻲ ﻗﺎﺑﻞ ﺣﻞ ﺗﺒﺪﻳﻞ ﻧﻤﻮد؛ ﻛﻪ اﻟﺒﺘﻪ اﻳﻦ اﻣﺮ‪ ،‬ﺳﺒﺐ اﻳﺠﺎد‬

‫ﻣﻘﺪاري ﺧﻄﺎ در ﻣﺤﺎﺳﺒﺎت ﻣﻲﺷﻮد‪ .‬ﻳﻜﻲ از اﻳﻦ روشﻫﺎي ﻋﺪدي‪ ،‬روش ﻣﺮﺑﻌﺎت ﺗﻔﺎﺿﻠﻲ‪ (DQ) 1‬ﻣﻲ‪-‬‬

‫ﺑﺎﺷﺪ ﻛﻪ در اﻳﻦ روش‪ ،‬ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ ‪n‬ام ﺗﺎﺑﻊ ﭘﻴﻮﺳﺘﺔ )‪ f(x,r‬ﻧﺴﺒﺖ ﺑﻪ ‪ x‬در ﻧﻘﻄﻪ ‪ xi‬ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮع‬

‫ﺧﻄﻲ از ﻣﻘﺎدﻳﺮ ﺗﺎﺑﻊ وزن در ﻫﻤﺔ ﻧﻘﺎط ﻧﻮﺷﺘﻪ ﻣﻲﺷﻮد‪.‬‬

‫روش ‪ DQ‬اوﻟﻴﻦ ﺑﺎر ﺗﻮﺳﻂ ‪ Bellman‬و ‪ Casti ‬در ﺳﺎل ‪ 1971‬در ﻣﻘﺎﻟﻪاي ﺗﺤﺖ ﻋﻨﻮان‬

‫‪ Differential quadrature and long term integration‬اراﺋﻪ ﮔﺮدﻳﺪ]‪ [24‬و ﺑﻌﺪﻫﺎ ﺗﻮﺳﻂ ‪Bert‬‬

‫و ‪ Malik‬ﺑﺮاي ﺣﻞ ﻣﻌﺎدﻻت ﻣﻜﺎﻧﻴﻚ ﺟﺎﻣﺪات اﺳﺘﻔﺎده ﺷﺪ‪  .‬ﺟﺰﺋﻴﺎت ﮔﺴﺘﺮش اﻳﻦ روش در‬

‫ﻣﻜﺎﻧﻴﻚ ﺟﺎﻣﺪات را ﻣﻲﺗﻮان در ﻣﻘﺎﻟﻪاي ﻛﻪ ﺗﻮﺳﻂ ‪ Bert‬و ‪ Malik‬اراﺋﻪ ﮔﺮدﻳﺪ ﻳﺎﻓﺖ‪ .‬روش ‪DQ‬‬

‫ﻣﻲﺗﻮاﻧﺪ در ﺣﻞ ﻣﻌﺎدﻻت ﻣﻘﺪار ﻣﺮزي و ﻣﻘﺪار اوﻟﻴﻪ ﺑﺎ ﻃﺒﻴﻌﺖ ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ ﺑﻪ ﻛﺎر رود‪ .‬ﻳﻜﻲ‬

‫از ﺗﻔﺎوتﻫﺎي اﻳﻦ روش ﺑﺎ ﺳﺎﻳﺮ روشﻫﺎي ﻋﺪدي ﻫﻤﺎﻧﻨﺪ روش اﺟﺰاي ﻣﺤﺪود و روش ﺗﻔﺎﺿﻞ ﻣﺤﺪود‬

‫اﻳﻦ اﺳﺖ ﻛﻪ در آﻧﻬﺎ ﺑﺮاي رﺳﻴﺪن ﺑﻪ دﻗﺖ ﻣﻮرد ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎت ﺑﺎﻳﺪ در ﻧﻘﺎط زﻳﺎدي اﻧﺠﺎم ﮔﻴﺮد وﻟﻲ در‬

‫اﻳﻦ روش ﺑﺎ ﺗﻌﺪاد ﻧﻘﺎط ﻧﺴﺒﺘﺎً ﻛﻤﻲ ﻧﺘﺎﻳﺠﻲ ﺑﺎ دﻗﺖ ﺑﺎﻻ ﺑﻪ دﺳﺖ ﺧﻮاﻫﺪ آﻣﺪ و در ﻧﺘﻴﺠﻪ ﻫﻢ در زﻣﺎن‬

‫ﻣﺤﺎﺳﺒﻪ و ﻫﻢ ﺣﺎﻓﻈﻪ ﻣﻮرد ﻧﻴﺎز ﺑﺮاي ذﺧﻴﺮه اﻃﻼﻋﺎت ﺻﺮﻓﻪ ﺟﻮﻳﻲ ﺧﻮاﻫﺪ ﺷﺪ‪ .‬روش‪ GDQ2‬در واﻗﻊ‬

‫ﺗﻌﻤﻴﻢ ﻳﺎﻓﺘﻪ روش ‪ DQ‬ﻣﻲﺑﺎﺷﺪ ﻛﻪ در زﻳﺮ ﺑﻪ ﻃﻮر ﻣﻔﺼﻞ راﺟﻊ ﺑﻪ آن ﺑﺤﺚ ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫‪                                                            ‬‬
‫‪1‬‬
‫‪‐ Differential Quadrature‬‬
‫‪2‬‬
‫‪‐ Generalized Differential Quadrature ‬‬

‫‪2 ‬‬
‫‪ ‬‬
 ‫روش ‪GDQ‬‬

‫در اﻳﻦ روش‪ ،‬ﻣﺸﺘﻖ ﺗﺎﺑﻊ ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﻲﮔﺮدد‪:‬‬

‫اﻟﻒ( ‪ f‬ﺗﺎﺑﻌﻲ از ‪x‬‬

‫‪1, … ,‬‬ ‫‪1‬‬ ‫)‪(1-3‬‬

‫ب( ‪ f‬ﺗﺎﺑﻌﻲ از ‪ x‬و ‪y‬‬

‫‪,‬‬ ‫‪,‬‬ ‫‪1, … ,‬‬ ‫‪1‬‬ ‫)‪(2-3‬‬

‫‪,‬‬ ‫‪,‬‬ ‫‪1, … ,‬‬ ‫‪1‬‬ ‫)‪(3-3‬‬

‫‪1, … ,‬‬ ‫‪1‬‬ ‫)‪(4-3‬‬

‫‪,‬‬ ‫‪,‬‬ ‫‪1, … ,‬‬ ‫‪1‬‬

‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺷﻜﻞ ﻣﺎﺗﺮﻳﺴﻲ ﻣﺸﺘﻘﺎت ﻣﺮﺗﺒﻪ اول و دوم ﺗﺎﺑﻊ ‪ f‬در راﺳﺘﺎي ‪ x‬ﺑﺎ اﻧﺘﺨﺎب ﭘـﻨﺞ ﮔـﺮه‬
‫ﺑﻪ ﺻﻮرت زﻳﺮ ﻧﺘﻴﺠﻪ ﻣﻲﺷﻮد‪:‬‬

‫اﻟﻒ( ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول در راﺳﺘﺎي ‪x‬‬

‫‪3 ‬‬
‫‪ ‬‬
 ‫ب( ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم در راﺳﺘﺎي ‪x‬‬

‫ﺗﻌﻴﻴﻦ ﻣﺨﺘﺼﺎت ﮔﺮهﻫﺎ‬

‫ﻣﺮﺣﻠﻪ اول در اﻳﻦ روش اﻧﺘﺨﺎب ﻣﺨﺘﺼﺎت ﮔﺮهﻫﺎ ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﻃﺮﻳﻘﻪ اﻳﻦ اﻧﺘﺨﺎب از رواﺑﻂ زﻳﺮ ﺑﻪ دﺳﺖ‬
‫ﻣﻲآﻳﺪ‪:‬‬

‫‪ (1‬ﻧﻘﺎط ﺑﺎ ﻓﻮاﺻﻞ ﻣﺴﺎوي‬

‫‪i 1‬‬ ‫)‪(5-3‬‬

‫‪a‬‬ ‫‪1, … ,‬‬
‫‪N 1‬‬
‫‪i 1‬‬ ‫)‪(6-3‬‬
‫‪b‬‬ ‫‪1, … ,‬‬
‫‪N 1‬‬
‫‪ (2‬ﻧﻘﺎط ﺑﺎ ﻓﻮاﺻﻞ ﻧﺎﻣﺴﺎوي‬

‫‪i‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪1, … ,‬‬ ‫)‪(7-3‬‬
‫‪2‬‬ ‫‪N‬‬ ‫‪1‬‬
‫‪i‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪1, … ,‬‬ ‫)‪(8-3‬‬
‫‪2‬‬ ‫‪N‬‬ ‫‪1‬‬

‫ﻛﻪ در ﻋﺒﺎرات ﻓﻮق ‪ a‬و‪ b‬ﺑﻪ ﺗﺮﺗﻴﺐ ﻃﻮل ﺑﺎزه ﻣﻮرد ﻧﻈﺮ در راﺳﺘﺎﻫﺎي ‪ x‬و‪ y‬و ‪ Nx‬و ‪ Ny‬ﺑﻴﺎن ﻛﻨﻨﺪه ﺗﻌﺪاد‬

‫ﮔﺮهﻫﺎ در راﺳﺘﺎﻫﺎي ﻣﺬﻛﻮر ﻣﻲﺑﺎﺷﻨﺪ‪ .‬اﻳﻦ ﻧﻘﺎط ﺑﻪ ﻋﻨﻮان ﻧﻘﺎط ‪ Chebyshev-Gauss-Lobatto‬ﺷـﻨﺎﺧﺘﻪ‬

‫ﻣﻲﺷﻮﻧﺪ‪ .‬ﺗﻘﺴﻴﻢ ﺑﻨﺪي ﻓﻮق اوﻟﻴﻦ ﺑﺎر ﺗﻮﺳﻂ ‪ Richards‬و ‪ Shu‬ﭘﻴﺸﻨﻬﺎد ﺷﺪ‪ .‬ﺗﺤﻘﻴﻘﺎت ﻧﺸـﺎن ﻣـﻲدﻫـﺪ‬

‫ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻘﺴﻴﻢ ﺑﻨﺪي ﻣﺬﻛﻮر ﻣﻲﺗﻮان ﺑﻪ ﻧﺘﺎﻳﺠﻲ ﺑﺎ دﻗﺖ ﺑﺎﻻﺗﺮ دﺳﺖ ﻳﺎﻓﺖ‪ ،‬ﻟﺬا در اﻳـﻦ ﭘـﺮوژه از‬

‫اﻳﻦ ﻧﻮع ﺗﻘﺴﻴﻢ ﺑﻨﺪي اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬ﺑﺮاي ﻣﺜﺎل اﮔﺮ ‪ a=1‬و ‪ b=1‬ﺑﺎﺷﺪ و ﺗﻌـﺪاد ﮔـﺮهﻫـﺎ را در ﻫـﺮ دو‬

‫راﺳﺘﺎ ﺑﺮاﺑﺮ ‪10‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد‪ ،‬ﺷﺒﻜﻪﺑﻨﺪي ﺑﺎ ﻓﻮاﺻﻞ ﻏﻴﺮ ﻣﺴﺎوي ﺑﻪ ﺻﻮرت ﺷﻜﻞ )‪ (1-3‬ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬

‫‪4 ‬‬
‫‪ ‬‬
 ‫ﺷﻜﻞ)‪ :(1-3‬ﺷﺒﻜﻪﺑﻨﺪي ﺑﺎ ﻓﻮاﺻﻞ ﻧﺎﻣﺴﺎوي‬

‫ﻫﻤﺎنﻃﻮر ﻛﻪ ﻣﺸﺎﻫﺪه ﻣﻲﻛﻨﻴﺪ ﮔﺮهﻫﺎ در ﻧﺰدﻳﻜﻲ ﻣﺮزﻫﺎ ﺑﻪ ﻫﻢ ﻧﺰدﻳﻜﺘﺮ ﻣﻲﺑﺎﺷﻨﺪ و در ﻧﻘﺎط دور از ﻣـﺰر‬

‫ﻓﺎﺻﻠﻪ ﺑﻴﺸﺘﺮي از ﻳﻜﺪﻳﮕﺮ دارﻧﺪ‪.‬‬

‫‪ (4-3‬ﺗﻌﻴﻴﻦ ﺿﺮاﻳﺐ وزﻧﻲ‬

‫ﺿﺮاﻳﺐ وزﻧﻲ ﻣﻮرد اﺳﺘﻔﺎده در اﻳﻦ روش از رواﺑﻂ زﻳﺮ ﺑﻪ دﺳﺖ ﻣﻲآﻳﻨﺪ‪:‬‬

‫ﺑﺮاي ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول ﻣﻲﺗﻮان ﻧﻮﺷﺖ‪:‬‬

‫‪,‬‬ ‫‪1, … ,‬‬ ‫)‪(9-3‬‬

‫‪,‬‬ ‫‪1, … ,‬‬ ‫)‪(10-3‬‬

‫ﻛﻪدر رواﺑﻂ ﻓﻮق‪:‬‬

‫)‪(11-3‬‬

‫)‪(12-3‬‬

‫‪5 ‬‬
‫‪ ‬‬
 ‫و ﺑﺮاي ﻣﺸﺘﻘﺎت ﺑﺎﻻﺗﺮ‪:‬‬

‫‪,‬‬ ‫‪1, … ,‬‬ ‫)‪(13-3‬‬

‫‪,‬‬ ‫‪1, … ,‬‬ ‫)‪(14-3‬‬

‫ﻫﻤﭽﻨﻴﻦ دارﻳﻢ‪:‬‬

‫)‪(15-3‬‬
‫‪1, … ,‬‬
‫‪1,2, … ,‬‬ ‫‪1‬‬

‫)‪(16-3‬‬
‫‪1, … ,‬‬
‫‪1,2, … ,‬‬ ‫‪1‬‬

‫ﺑﺮاي روﺷﻦ ﺷﺪن ﻣﻄﻠﺐ ﻣﻌﺎدﻟﻪ دﻳﻔﺮاﻧﺴﻴﻞ ﻣﺮﺗﺒﻪ اول زﻳﺮ ﺑﺎ اﺳﺘﻔﺎده از روش ‪ GDQ‬در ﺑﺎزه‬

‫‪ 0‬ﺣﻞ ﺷﺪه اﺳﺖ‪.‬‬ ‫‪1‬‬

‫‪sin x‬‬ ‫‪0‬‬ ‫‪y 0‬‬ ‫‪1‬‬

‫ﻣﻲ ﺑﺎﺷﺪ‪ .‬اﻣﺎ ﺑﺎ اﺳﺘﻔﺎده از روش‬ ‫‪cos‬‬ ‫ﻫﻤﺎن ﻃﻮر ﻛﻪ ﻣﻲ داﻧﻴﺪ ﺟﻮاب دﻗﻴﻖ اﻳﻦ ﻣﻌﺎدﻟﻪ ﺑﺮاﺑﺮ‬

‫‪ GDQ‬و ﺑﺎ ﺗﻌﺪاد ﮔﺮه ‪ N=5‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪1‬‬ ‫‪0‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪0.1464‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪2‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪0.5000‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪3‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪0.8536‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪4‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪cos‬‬ ‫‪π‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪1‬‬

‫‪6 ‬‬
‫‪ ‬‬
 0 0.1464 0 0.5 0 0.8536 0.1464 1 0.0625

0.1464 0 0.1464 0.5 0.1464 0.8536 0.1464 1 0.0312

0.5 0 0.5 0.1464 0.5 0.8536 0.5 1 0.0312

0.8536 0 0.8536 0.1464 0.836 0.5 0.8536 1 0.0312

1 0 1 0.1464 1 0.5 1 0.8536 0.0625

13.6569

2.3431

3.4142

2.8284

1.4142

0.5858

7 
 
 1

2.8284

2.8284

0.5858

1.4142

2.8284

3.4142

2.3431

13.6569

11

1.4142

1.33 15

1.4142

11

8 
 
 ‫‪sin‬‬ ‫‪0‬‬

‫‪sin‬‬ ‫‪0‬‬

‫‪sin‬‬ ‫‪0‬‬

‫‪sin‬‬ ‫‪0‬‬

‫‪sin‬‬ ‫‪0‬‬

‫‪1.4142‬‬ ‫‪2.8284‬‬ ‫‪1.4142‬‬ ‫‪0.5858‬‬ ‫‪3.4116‬‬

‫‪2.8284‬‬ ‫‪1.3‬‬ ‫‪15‬‬ ‫‪2.8284‬‬ ‫‪1.009‬‬
‫‪1.4142‬‬ ‫‪2.8284‬‬ ‫‪1.4142‬‬ ‫‪3.4142‬‬ ‫‪0.57‬‬
‫‪2.3431‬‬ ‫‪4‬‬ ‫‪13.6569‬‬ ‫‪11‬‬ ‫‪1.017‬‬

‫ﺑﻄﻮر ﻣﺎﺗﺮﻳﺴﻲ ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪1.4142‬‬ ‫‪2.8284‬‬ ‫‪1.4142 0.5858‬‬ ‫‪3.2683‬‬

‫‪2.8284‬‬ ‫‪1.3e 15‬‬ ‫‪2.8284‬‬ ‫‪1‬‬ ‫‪1.4794‬‬
‫‪1.4142‬‬ ‫‪2.8284‬‬ ‫‪1.4142 3.4142‬‬ ‫‪0.1676‬‬
‫‪2.3431‬‬ ‫‪4‬‬ ‫‪13.6569‬‬ ‫‪11‬‬ ‫‪1.8415‬‬

‫ﻛﻪ از ﺣﻞ آن ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪0.9694‬‬ ‫‪0.1464‬‬ ‫‪cos 0.1464‬‬ ‫‪0.9893‬‬

‫‪0.8457‬‬ ‫‪0.5‬‬ ‫‪cos 0.5‬‬ ‫‪0.8786‬‬
‫‪0.6265‬‬ ‫‪0.8536‬‬ ‫‪cos 0.8536‬‬ ‫‪0.6573‬‬
‫‪0.5094‬‬ ‫‪1‬‬ ‫‪cos 1‬‬ ‫‪0.5403‬‬

‫از ﻣﻘﺎﻳﺴﻪ ﺟﻮاب ﻫﺎي ﺑﻪ دﺳﺖ آﻣﺪه از روش ﺗﺤﻠﻴﻠﻲ ﺑﺎ روش ﻋﺪدي ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﺟﻮاب ﻫﺎ‬
‫ﺧﻴﻠﻲ ﺑﻪ ﻫﻢ ﻧﺰدﻳﻚ ﻣﻲ ﺑﺎﺷﻨﺪ و اﺧﺘﻼف ﻣﻮﺟﻮد را ﻣﻲ ﺗﻮان ﺑﺎ زﻳﺎد ﻛﺮدن ﺗﻌﺪاد ﮔﺮه ﻫﺎ ﺑﻪ ﺣﺪاﻗﻞ‬
‫رﺳﺎﻧﺪ‪.‬‬

‫‪ ‬‬

‫‪9 ‬‬
‫‪ ‬‬