Elementi Finiti

Metodo degli Elementi Finiti
Matteo Boccafoli March 27, 2007
u1
(e)
u3 u(e)
3
(e)
e
1
u2
2
(e)
3 2
3 3
1
3
e
1 2 1
e
1 2
e
2
ii Copyright (c) 2005-2007 Matteo Boccafoli Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation les (the Software), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions: The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software. THE SOFTWARE IS PROVIDED AS IS, WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.
Contents
Indice generale Indice gure 1 Introduzione 2 Fondamenti teorici di FEM 1D 2.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Richiami e complementi di analisi . . . . . . . . . . . . . . . . . . . . 2.2.1 Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Integrazione per parti . . . . . . . . . . . . . . . . . . . . . . 2.2.3 Dierenziale totale e parziale di una funzione a due variabili . 2.2.4 C m () . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.5 Spazio vettoriale . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.6 Metrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.7 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.8 Integrale di Lebesgue e spazi Lp . . . . . . . . . . . . . . . . 2.2.9 Prodotto interno . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.10 Spazi di Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.11 Derivata debole . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.12 Spazi di Sobolev . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Formulazione variazionale . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Funzionale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2 Il simbolo variazionale . . . . . . . . . . . . . . . . . . . . . . 2.3.3 Formulazione variazionale . . . . . . . . . . . . . . . . . . . . 2.3.4 Minimizzazione di un funzionale . . . . . . . . . . . . . . . . 2.3.5 Relazione tra le formulazioni . . . . . . . . . . . . . . . . . . 2.4 Condizioni al Bordo . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Alcune formulazioni variazionali . . . . . . . . . . . . . . . . 2.4.2 Riassumendo . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5 Metodo variazionale di approssimazione . . . . . . . . . . . . . . . . 2.5.1 Funzioni lineari a tratti . . . . . . . . . . . . . . . . . . . . . 2.5.2 Metodo di Ritz-Galerkin . . . . . . . . . . . . . . . . . . . . . 2.6 Stima dellerrore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.2 Analisi dellerrore . . . . . . . . . . . . . . . . . . . . . . . . . 2.7 Ricapitolando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 FEM 1D in pratica 3.1 Formulazione variazionale . . . . 3.2 Funzione di approssimazione . . . 3.3 Generiamo la matrice di stiness 3.4 Generiamo il vettore di carico . . 3.5 Risolvere il sistema lineare . . . . 3.6 Un esecuzione . . . . . . . . . . . iv v 1 3 3 3 3 4 4 4 5 5 6 7 8 9 9 11 11 11 13 14 14 14 17 17 18 19 19 20 22 22 22 23 25 25 26 27 27 28 28
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . . iii
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
iv 3.7 3.8
CONTENTS Stima dellerrore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Consigli per lo sviluppo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 30 31 31 31 32 35 36 40 40 40 41 41 41 42 42 42 43 44 47
4 Fondamenti teorici di FEM 2D 4.1 Richiami e complementi di analisi . . . . . . . . . 4.1.1 Insieme aperto . . . . . . . . . . . . . . . 4.1.2 Derivazione e continuit` a . . . . . . . . . . 4.1.3 Curve . . . . . . . . . . . . . . . . . . . . 4.1.4 Integrazione . . . . . . . . . . . . . . . . . 4.1.5 Formula di Green . . . . . . . . . . . . . . 4.1.6 Teorema della divergenza e del gradiente . 4.2 Formulazione Variazionale . . . . . . . . . . . . . 4.3 Alcune formulazioni variazionali . . . . . . . . . . 4.3.1 Equazione di Poisson . . . . . . . . . . . . 4.3.2 Variante . . . . . . . . . . . . . . . . . . . 4.3.3 Problema di Neumann . . . . . . . . . . . 4.3.4 Tabella riassuntiva . . . . . . . . . . . . . 4.4 Metodo variazionale di approssimazione . . . . . 4.4.1 Triangolazione . . . . . . . . . . . . . . . 4.4.2 Metodo di Ritz-Galerkin . . . . . . . . . . A Riconoscimenti
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
List of Figures
2.1 2.2 2.3 2.4 2.5 2.6 3.1 3.2 3.3 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 Larea rosa rappresenta la distanza d1 (f, g ) in [a, b] . . . . . . . funzione u(x) = |x| . . . . . . . . . . . . . . . . . . . . . . . . . La funzione rosa vh ` e lineare a tratti. . . . . . . . . . . . . . . . (A) funzione di base 2 (x), (B) una lineare a tratti con relative Cerchio approssimanto da 6 triangoli (A) e da 9 (B) . . . . . . Errore in 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . funzioni di base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 10 19 20 22 23
Limmagine (A) mostra la decomposizione di in in (B) vengono poste in evidenza funzioni che generano un segmento ui . . . . . . . . . . . . . . . . . . . . . . . . . . . Funzione un lineare a tratti rossa e u soluzione reale in verde, con 11 nodi . . . . . . . Funzione un lineare a tratti rossa e u soluzione reale in verde, con 21 nodi . . . . . . .
le . . . . . .
26 29 30 31 32 37 37 38 39 43
(A),(B) e (C) rappresentano nelle varie metriche B1 (0, r), B2 (0, r) e B (0, r) . . . . . . . Linsieme B ` e un insieme connesso, mentre A non lo ` e. . . . . . . . . . . . . . . . . . . . . Integrazione di f (x) secondo Riemann, in azzurro i supxIj in rosa gli inf xIj . . . . . . . Integrazione di f (x, y ) secondo Riemann, in azzurro i sup(x,y)Ij Ji in rosa gli inf (x,y)Ij Ji in [a, b] [c, d], mentre la supercie A ` In rosa abbiamo caratterizzato la funzione f e ristretta alla solo proiezione sul piano di f . . . . . . . . . . . . . . . . . . . . . . . . . . . Rappresentazione del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Alcune triangolazioni (tratta da [BBM05]) . . . . . . . . . . . . . . . . . . . . . . . . . . . In rosa le singole (e) relative ad un elemento e, tutte le (e) generano (con opportune costanti che troveremo) la futura funzione u relativa ad e (u(e) ) denotata dal triangolo blu; in azzurro vi sono le (e) che generano u(e) . . . . . . . . . . . . . . . . . . . . . . . . .
43
vi
LIST OF FIGURES
Chapter 1
Introduzione
La neccessit` a, o leconomicit` a, di poter simulare degli avvenimenti sici, o valutare modelli dierenti mediante un elaboratore elettronico, solleva un interesse nella richiesta di software in settori come aereonautica, economia, edilizia, sica, metereologia, sociologia, etc.. Osservare lelasticit` a di un corpo, analizzare il comportamento di una struttura edilizia durante un avvenimento sismico, gestire il usso in una rete, sono tutti problemi problemi sici che si possono risolvere attraverso una particolare famiglia di equazioni, le equazioni dierenziali. F (t, u, u , u ) = 0 u (t) = et+sin(t/ log(t)) /2
Focalizziamo la nostra attenzione nel trovare la funzione u(t) la cui derivata i-esima deve essere uguale ad una funzione nota. Dato che queste equazioni quasi sempre - o almeno, nei casi interessanti - non sono risolubili in maniera algebrica1 , ci concentreremo prevalentemente nella loro soluzione numerica, attraverso uno dei vari metodi a nostra disposizione, chiamato metodo degli elementi niti (FEM ). In sintesi il metodo ` e composto dei seguenti passi: Riformuliamo il problema in forma variazionale, in modo da focalizzare la nostra attenzione sulla variazione dellincognita del problema. Fatto ci` o, andiamo a ricavare delle soluzioni dellequazione dierenziale solo in tutti i punti appartenenti a quella che chiamiamo discretizzazione del dominio, ovvero un campione del dominio. Inne, ricostruiamo una funzione approssimata dalle informazioni elaborate, la quale sar` a pi` u vicina alla soluzione reale allaumentare dei punti scelti per rappresentare il dominio. ` possibile trovare degli esempi di software e applicazioni pratiche che usano FEM Osservazione 1.1. E in un motore di ricerca di immagini le seguenti stringhe: nite element method, fem simulation, fem magnetic, fem naval, fem medical e fem uid.
1O
hanno forme indeterminate come u = e2t oppure ` e troppo costoso cimentarsi in una formula lunga due pagine
CHAPTER 1. INTRODUZIONE
Chapter 2
Fondamenti teorici di FEM 1D

Nel seguente capitolo tratteremo prevalentemente dei concetti in modo il pi` u possibile astratto da tutti i possibili casi di equazioni dierenziali. Per dedicare il capitolo successivo ad un esempio pratico.
2.1
Introduzione
Alcune equazioni dierenziali con condizioni al bordo possiamo risolverle analiticamente trovando una soluzione forte, o detta anche soluzione esatta. Quando percorriamo questa strada parliamo di formulazione forte del problema. Denizione 2.1 (formulazione forte). Dato un intervallo I , trovare u C (2) (I ) tale che ` e detta formulazione forte. Osservazione 2.1. La precedente denizione ` e legata ad un tipo di condizioni al bordo, detta di Dirichlet, ma possiamo anche avere altri tipi come verr` a mostrato in seguito (eq. 2.24). Se il procedimento matematico trova ostacoli in funzioni complesse come f (x) = ex , il cui integrale ` e indeterminato, possiamo avvicinarci ad una possibile soluzione, detta debole, approssimandola; per procedere ci sono due punti fondamentali: Un passaggio alla forma variazionale della equazione dierenziale data. Determinare un soluzione approssimata usando un metodo variazionale come il metodo di Ritz, il metodo di Galerkin, o altri metodi. Prima di procedere richiameremo delle nozioni presentate in altri corsi, in seguito parleremo di formulazione variazionale al ne di trattare il metodo variazionale dapprossimazione di Galerkin. Destiniamo alle ultime sezioni di questo capitolo temi come la stima dellerrore e gestione delle condizioni al bordo.
2
u = f u(0) = u(1) = 0
2.2
2.2.1
Richiami e complementi di analisi

Integrale
f (x) + g (x) dx =
c b
f (x) dx +
c
g (x) dx
(2.1)
f (x) g (x) dx =
a a
f (x) g (x) dx +
b
f (x) g (x) dx
abc
(2.2)
a f (x) dx = a
f (x) dx
(2.3)
CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D
2.2.2
Integrazione per parti
Nella formulazione variazionale di equazioni dierenziali viene fatto grande uso dellintegrazione per parti. f (x) g (x) dx = f (x) g (x) dx
b
f (x) g (x) dx
b
(2.4)
f (x) g (x) dx = f (b)g (b) f (a)g (a)

a a
f (x) g (x) dx
(2.5)
2.2.3
Dierenziale totale e parziale di una funzione a due variabili
Denizione 2.2 (derivata parziale). Si chiama derivata parziale rispetto ad x della funzione f (x, y ) ssato y = y0 f (x + x, y0 ) f (x, y0 ) lim x0 x e la indichiamo con f o fx . x In modo analogo, la derivata parziale rispetto ad y della funzione f (x, y ) ssato x = x0 ` e lim f (x0 , y + y ) f (x0 , y ) y
y 0
e la indichiamo con
f o fy . y
Denizione 2.3 (dierenziale parziale). Si chiama dierenziale parziale di una funzione a due variabili f (x, y ) rispetto alla variabile x relativamente al punto (x, y ) ed allincremento x f x x Analogamente rispetto a y f y y Denizione 2.4 (dierenziale totale). Si chiama dierenziale totale di una funzione a due variabili f (x, y ) relativamente al punto (x, y ) ed agli incrementi x e y df = f f x + y x y df .
Osservazione 2.2. Per incrementi x e y abbastanza piccoli f
2.2.4
C m ()
Denizione 2.5 (funzione continua). Una funzione f ` e detta continua in un punto c [a, b] e limxc f (x) f (c). Diremo che la funzione ` e continua in un intervallo I , se ` e continua per ogni punto di I . Denizione 2.6 (spazio funzionale). Un insieme di funzioni con un operazione ` e detto spazio funzionale o spazio di funzioni. Esempio 2.1. Linsieme delle funzioni continue in un dominio con operazioni classiche tra funzioni, denotato da C 0 () = {u|u continua in } ` e uno spazio funzionale.
2.2. RICHIAMI E COMPLEMENTI DI ANALISI Esempio 2.2. Anche lo spazio con anche la derivata prima continua in C 1 () = {u|u, u continue in } e anche lo spazio con tutte le derivate no allordine m continue in C m () = {u|u, u , . . . , u(m) continue in } sono spazi funzionali. Osservazione 2.3. Le funzioni elementari ex e sin(x) sono in C .
2.2.5
Spazio vettoriale
Denizione 2.7 (spazio vettoriale). Dato un insieme V e unoperazione + : V V V, (V, +) ` e un gruppo commutativo, i.e. u, v, w V vale: 1) (u + v) + w = u + (v + w) 2) e + v = v + e = v 3) v + v = 0V = 0 4) v + w = w + v e data un operazione con un campo K, denita come : K V V, e siano h, k K, valgono le seguente propriet` a: 1) h (v + w) = h v + h w 2) (h + k ) v = h v + k v 3) (h k ) v = h (k v) 4) 1 v = v Se per una struttura (V, +, ) si verica queste propriet` a allora lo chiameremo spazio vettoriale o lineare su K o K-spazio vettoriale, scrivendolo K s.v.. Esempio 2.3. C 1 ` e uno spazio vettoriale Denizione 2.8. La dimensione di uno spazio vettoriale ` e il numero di vettori necessari e sucienti per poterlo rappresentare. Denoteremo la dimensione di V K s.v. con dim V = n. Se n ` e nito allora parliamo di spazio nito dimensionale, altrimenti diciamo che ha innite dimensioni.
2.2.6
Metrica
Denizione 2.9 (distanza). Dato un insieme X chiamiamo distanza o metrica la funzione d : X X R tale che 1. x, y X d(x, y ) 0 2. d(x, y ) = 0 x = y 3. x, y X 4. x, y, z X d(x, y ) = d(y, x) d(x, y ) d(x, z ) + d(z, y )
Denizione 2.10 (spazio metrico). La struttura algebrica (X, d) dati dalla denizione precedente ` e chiamata spazio metrico. Esempio 2.4. In un intervallo I = [a, b] deniamo un distanza tra due funzioni come d1 (f, g ) = g (x)| dx. 1. f (x), g (x) (I, R) d1 (f, g ) 0
b a
|f (x)
f (x) g (x)
Figure 2.1: Larea rosa rappresenta la distanza d1 (f, g ) in [a, b] 2. d1 (f, g ) = 0 f = g 3. f, g (I, R) 4. f, g, h (I, R) d1 (f, g ) = d1 (g, f ) d1 (f, g ) d1 (f, h) + d1 (h, g )
Intuitivamente sembra tutto ovvio, ` e bene comunque svolgere almeno una dimostrazione. Prendiamo il punto 2 d1 (f, g ) = 0 f = g . b Dimostriamo un verso. Se d1 (f, g ) = 0 allora per denizione di d1 abbiamo a |f (x) g (x)| dx = 0; e vero se f = g . Laltro osservando che I (x) dx = 0 solo se (x) = 0, quindi |f (x) g (x)| = 0 che ` verso ` e esattamente il percorso inverso, se f = g o anche f g = 0 a maggior ragione |f (x) g (x)| = 0, b integrando entrambi i lati dellequazione otteniamo a |f (x) g (x)| dx = 0 ovvero d1 (f, g ) = 0. Esempio 2.5. Altri esempi di distanze:
b 1 /2
d2 (f, g ) =
a
|f (x) g (x)| dx
1/p
dp (f, g ) =
a
|f (x) g (x)| dx
d (f, g ) = max |f (x) g (x)|

xI
Osservazione 2.4. La distanza d2 (f, g ) ` e la pi` u usata, perch e ha il prodotto scalare tra funzioni.
2.2.7
Norma
:VR
Denizione 2.11 (norma). Dato V un K s.v., chiamiamo norma su V un applicazione tale che: 1. x V x 0 2. x = 0 x = 0 3. x V, a K 4. x, y V a x = |a| x x + y x + y detta disuguaglianza triangolare
Osservazione 2.5. x y denisce una distanza tra due punti x, y
2.2. RICHIAMI E COMPLEMENTI DI ANALISI Esempio 2.6. Norma in C 0 (): u(x) = d(u, ) = max |u(x)|
x
dove ` e usato come elemento nullo dello spazio funzionale C 0 . u(x) u(x) u(x) a u(x) u(x) + v (x) 0 = 0 u(x) = 0 = |a| u(x) aR u(x) + v (x)
Osservazione 2.6. La denizione di norma ` e strettamente associata ad uno spazio vettoriale a dierenza della distanza. Denizione 2.12 (spazio normato). Si chiama spazio normato la struttura algebrica data dalla quaterna (V, +, , ), con (V, +, ) uno K spazio vettoriale. Esempio 2.7. Oltre al precedente esempio, anche C m ` e uno spazio normato con rispettiva distanza d(u, v ) = max max D|a| u| D|a| v |
0|a|m x
e norma u(x) = max max D|a| u|

0|a|m x
La norma ` e un concetto astratto che ci consente di misurare o porre a confronto elementi di uno stesso spazio. Esempio 2.8. Se abbiamo Rn possiamo denire la norma
n 1/p
Lp = x
=
i=1
|xi |
Con p = 1 ` e detta norma di Manhattan, se p = 2 ` e detta norma euclidea ed inne abbiamo la norma del massimo o di Chebichev con p = . Teorema 2.1 (Weierstrass). Uno spazio normato X ha dimensione vettoriale nita se e solo se ad ogni successione {xn } X ` e possibile ricavare una sottosuccessione convergente in X . Denizione 2.13 (successione di Cauchy). Dato uno spazio normato X , una successione {xn } X si chiama di Cauchy se xn xm 0 con n, m Denizione 2.14 (spazio di Banach). Uno spazio normato X ` e detto spazio di Banach, o completo, se tutte le sue successioni di Cauchy a valori in X convergono in X .
2.2.8
Integrale di Lebesgue e spazi Lp
Lintegrazione classica di Riemann-Cauchy, viene presentato nel corsi di base di analisi matematica. Le carenze di alcuni punti utili per un analisi funzionale ha creato la necessit` a di introdurre uno strumento pi` u potente e essibile. Osservazione 2.7. Abbiamo che gli integrali deniti secondo Riemann sono compresi nella denizione di Lebesgue ma non ` e vero il viceversa. O in altre parole una funzione integrabile secondo Riemann lo ` e anche secondo Lebesgue, il viceversa non vale. Denizione 2.15 (Spazi Lp ). Denotiamo con Lp linsieme delle funzioni I R C il cui modulo ha potenza p-esima integrabile secondo Lebesgue. Lp (I ) = {f : I R|
I
|f (x)|p dx < +}
(2.6)
Osservazione 2.8. Per p 1 gli spazi sono dotati di norma, quando p = 2 anche di un prodotto scalare. Si presti attenzione allanalogia con gli spazi euclidei [?] la norma generalizza il concetto di modulo, ed il prodotto scalare tra funzioni generalizza il concetto di prodotto scalare tra vettori.
2.2.9
Prodotto interno
Denizione 2.16. Data una qualsiasi coppia di elementi x, y V K s.v. il prodotto interno, o prodotto scalare, ` e un applicazione x, y : V V K tale che: 1. x, x 0 x V 2. x, x = 0 x = 0 3. x + z, y = x, y + z, y 4. x, y = x, y 5. x, y = y, x x, y, z V K
x, y V,
x, y V
Esempio 2.9. Norma indotta dal prodotto scalare in Rn x = x1 , x2 , . . . , xn

t
Rn
y = y1 , y 2 , . . . , y n
n
Rn
x, y = xt y =
i=1
xi yi
(2.7)
Esempio 2.10. Prodotto interno in L2 f, g =

I
f (x) g (x) dx
Sono rispettate : f, f 0 f, g f, g f, g + w Osservazione 2.9. u (x)v (x) dx

I
= = =
f, f = 0 f = 0 g, f f, g = f, g f, g + f, w
=
I
f (x) v (x) dx f, v
1 2
u ,v Osservazione 2.10. denotiamo u =
u, u = u, u
e u
= u, u .
Teorema 2.2 (disugualianza di Cauchy-Schwarz). | u, v | u, u

1 2
v, v
1 2
= u v
(2.8)
Dimostrazione 2.2.1. Ci costruiamo la funzione quadratica: f () = = = = = = = u + v , u + v per def. 2.16 3. per def. 2.16 3.
u, u + v + v, u + v
per def. 2.16 3. u, u + u, v + v, u + v, v per def. 2.16 4. 2 u, u + u, v + v, u + v, v per def. 2.16 5. u, u + u, v + u, v + 2 v, v u 2 + 2 u, v + 2 v 2 per oss. 2.10
u, u + u, v + v, u + v
a 2 + 2 b + c
2.2. RICHIAMI E COMPLEMENTI DI ANALISI Ora calcoliamo il discriminante 0 b2 4ac 0 (2 u, v )2 4 v, v u, u 4 u, v

2
0 0 4 v, v u, u v, v u, u v
2
4 v, v u, u 4 u, v 2 u, v u, v u, v
2 2 2
u
2
2 2
| u, v |
v u
Teorema 2.3. In ogni spazio vettoriale con prodotto scalare ha norma indotta dal prodotto scalare u = u, u
1 2
Dimostrazione 2.3.1. Per denizione di norma e di prodotto interno abbiamo che le prime tre propriet` a sono identiche, mentre per provare che con il prodotto scalare possiamo indurre una norma dobbiamo provare u+v = u + v a maggior ragione se u+v u+v = = = = = = u+v
2
1 2
( u + v, u + v
)2
u + v, u + v u + v, u + u + v, v u, u + v, u + u, v + v, v u 2 + 2 u, v + v 2 per Couchy-Swartz u
2
+2 u v + v
= ( u + v )2 = ( u + v )( u + v )
2.2.10
Spazi di Hilbert
Denizione 2.17. Uno spazio di Banach con prodotto interno ` e detto spazio di Hilbert Osservazione 2.11. Rivedendo lesempio 2.10, possiamo aermare che L2 ` e uno spazio di Hilbert.
2.2.11
Derivata debole
Denizione 2.18 (derivata debole). Sia u : I = [a, b] R e C 1 (I ) dico che u ` e derivabile in senso debole su I se g L2 (I ) | u = g
I I
C 1 (I ) (a) = (b) = 0 in questo caso g si chiama derivata in senso debole, o derivata debole, di u. Osservazione 2.12. Nella precedente denizione abbiamo che g = u u dx = u(b)(b) u(a)(a)
I I
(2.9)
u dx =
I
u dx
Osservazione 2.13. Sebbene non ` e stato specicato u C 1 ([a, b]).
10
Proposizione 2.4. Se u ` e derivabile in senso classico allora ` e derivabile in senso debole. Dimostrazione 2.4.1. Supponiamo u C 1 (I ) u in senso classico. Moltiplichiamo per una funzione (x) C 1 (I ) e con (0) = (1) = 0, e integrando:
b a
u dx = u(b)(b) u(a)(a)
b a
b a
u dx per parti eq. 2.5 e eq. 2.9 per denizione di derivata debole quindi u ` e derivabile anche in senso debole
u dx = g=u
b a
u dx
Osservazione 2.14. Quindi abbiamo dedotto che se u ` e derivabile in senso classico, allora lo ` e anche in senso debole, il viceversa ` e falso. Esempio 2.11. u(x) = |x| nellintervallo I =] 1, 1[, non ha derivata ovunque dato che u (0), vedi g. 2.2
f (x) = |x|
Figure 2.2: funzione u(x) = |x| Seguendo la denizione 2.18, prendiamo C 1 ([1, 1]]) con le condizioni al bordo (1) = (1) = 0.
1 1
u(x) (x) dx
1
=
1 0
|x| (x) dx
1
=
1
(x) (x) dx +
0 0
(x) (x) dx
per eq. 2.2

1
(2.10) per parti eq. 2.5
[x(x)]0 1
1 0
(x) (x) dx + [x(x)]1 0

0 1
(x) (x) dx
=
1 0
(x) (x) dx
0 1
(x) (x) dx 1 (x) dx

0
(1) = (1) = 0 svolto la derivata
=
1 0
1 (x) dx
1
= =
(x) dx +
1 0 0
(x) dx
1
per eq. 2.3 raccolto (2.11)
(x) dx
1 0
(x) dx
se prendiamo g (x) = oppure g (x) = 1 1 x ]0, 1] x [1, 0] 1 1 x [0, 1] x [1, 0[
2.3. FORMULAZIONE VARIAZIONALE allora lequazione 2.11 ` e equivalente a

1
11
g (x)(x) dx
1
Osservazione 2.15. Il passaggio dellequazione 2.10 ` e ottenuto per denizione di valore assoluto e prestando attenzione al dominio dove integriamo. Se integriamo in un intervallo positivo, x [0, 1], sappiamo che la x ` e positiva, viceversa in [1, 0] la x ` e negativa.
2.2.12
Spazi di Sobolev
H 0 (I ) = {u L2 (I )} = L2 (I )
Introduciamo i seguenti spazi Con la derivata prima debole H 1 (I ) = {u L2 (I )|u debole} = {u L2 (I )|g L2 (I ) per cui
I
u=
I
g C 1 (I ) (a) = (b) = 0}
Con valore nullo al bordo

1 H0 (I ) = {u H 1 (I )|u(a) = u(b) = 0}
Osservazione 2.16. se prendiamo un insieme di funzioni la cui derivata prima ` e continua a tratti, questo ` e un sottoinsieme di V = {u C (I )|u continua a tratti} H 1 (I )
2.3
2.3.1
Formulazione variazionale
Funzionale
Useremo il termine funzionale per descrivere funzioni i cui argomenti sono funzioni, ma non ` e da confondere con la funzione composta dove loutput di una funzione diventa linput di una altra. Nel funzionale la funzione stessa ` e concepita come una variabile. Nel nostro caso useremo quasi sempre funzionali deniti da integrali.
b
I (u) =
a
F (x, u, u ) dx
I (u) restituir` a un valore al variare della funzione u. Esempio 2.12. Data la seguente equazione dierenziale: con condizioni al bordo di Dirichlet u(0) = 0 possiamo vederla come F : R3 R da cui il funzionale I (u) =
0
d du a(x) dx dx
f (x) = 0
(2.12)
u(1) = 0
(2.13)
F (x, u(x), u (x)) =
du d a(x) dx dx
1
f (x)
u : [0.0, 1.0] R
F (x, u, u ) dx
Denizione 2.19 (funzionale lineare). Un funzionale l(u) ` e detto essere lineare se e solo se soddisfa la relazione: l( u + v ) = l(u) + l(v ) per ogni scalare e in R e per ogni u e v in di uno spazio vettoriale.
12
Esempio 2.13. Per vericare che il seguente funzionale

1
l() =
0
f (x) (x) dx
` e lineare, procediamo come segue:

1
l( + )
=
0 1
f (x) ((x) + (x)) dx f (x)(x) + f (x)(x)) dx

0 1 1
= =
0
f (x)(x) +
0 1
f (x)(x)) dx
1
=
0
f (x)(x) +
0
f (x)(x)) dx
= l() + l() Denizione 2.20 (funzionale bilineare). Un funzionale B (u, w) ` e detto essere bilineare se ` e lineare in ognuno degli argomenti u e w: B ( u + v, w) = B (u, w) + B (v, w) B (u, w + z ) = B (u, w) + B (u, z ) Esempio 2.14. Un esempio di funzionale bilineare ` e dato da
1
B (, u) =
0
(x) u (x) dx
Verichiamo la linearit` a per largomento

1
B ( + , u)
=
0 1
((x) + (x)) u (x) dx (x) u (x) + (x) dx

0 1 1
= =
(x) u (x) +
0 0
(x) dx
= B (, u) + B (, u)
Verichiamo la linearit` a per largomento u(x)

1
B (, u + w)
=
0 1
(x) (u (x) + w (x)) dx (x)u (x) + (x)w (x)) dx

0 1 1
= =
(x)u (x) +
0 0
(x)w (x)) dx
= B (, u) + B (, w)
Denizione 2.21 (funzionale simmetrico). Un funzionale B (u, v ) ` e detto essere simmetrico se per ogni argomenti u e v : B (u, v ) = B (v, u) Queste denizioni sono utili per poter riformulare il problema in altre forme, come pu` o mostrare lesempio seguente.
2.3. FORMULAZIONE VARIAZIONALE
13
Esempio 2.15. Se moltiplichiamo lequazione 2.12 per una funzione di test v (x), la quale ` e due volte dierenziabile e rispetta le condizione (al bordo) v (0) = 0 e v (1) = 0, otteniamo 0 0 d du a(x) f (x) dx dx d du = v a vf dx dx dx = v (x) dx
integrando lequazione ottenuta e usando le condizioni al bordo, otteniamo la forma variazionale (eq. 2.17)
1
v
0 1
du d a dx dx dx
vf
1
dx = 0
per eq. 2.1 per parti eq. 2.5 v (0) = v (1) = 0
(2.14) (2.15) (2.16) (2.17)
v
0 1
du d a dx dx
vf dx = 0
0 1
a
0
dv du dx + v (1)a(1)u (1) v (0)a(0)u (0) dx dx

1
vf dx = 0
0 1
a
0
dv du dx dx dx
vf dx = 0
0
Possiamo ora ricavare

1
B (v, u) l(v )
=
0
dv du dx dx dx vf dx
=
0
Osservazione 2.17. La funzione u ` e un incognita , ovvero non ` e una funzione data a priori e dobbiamo ricavarla, mentre conosciamo f (x) e a(x) e v la scegliamo opportunamente. Osservazione 2.18. Abbiamo riformulato la forma variazionale 2.17 in termini di un funzionale bilineare e di uno lineare; quanto svolto ci permette di usare delle propriet` a relative alla forma bilineare simmetrica al ne di risolvere il problema.
2.3.2
Il simbolo variazionale
Mostriamo ora un punto di vista diverso, tratto da [Red84], in cui studiamo il comportamente del funzionale F che denotiamo con F = F (x, u, u ). Dato un x arbitrariamente ssato, F dipender` a da u e u . Denotiamo con u la variazione di u, il cambiamento ottenuto sar` a uguale a un v con costante u = v ` e chiamato simbolo variazionale. In altre parole, con u identichiamo una variazione ammissibile nella funzione u(x) ssato un valore della variabile indipendente x. Quando varier` a u di un u, abbiamo anche una variazione di F (dipendendo da u). Possiamo allora dire che al variare di u e u avremo una variazione di F , in analogia al dierenziale totale per una funzione a due variabili (def. 2.4), F F u + u F = u u possiamo notare una somiglianza tra la precedente variazione e il dierenziale totale dF dF = F F F dx + du + du x u u
Essendo la variabile indipendete x ssata durante la variazione da u a u + u, possiamo porre dx = 0 rendendo evidente il legame tra F e dF . agisce come un operatore dierenziale; le leggi di somma, prodotto, rapporto, potenza e altro sono completamente simili alle corrispondenti leggi di dierenziazione.
14
Esempio 2.16. Se prendiamo F1 = F1 (u) e F2 = F2 (u), allora 1. (F1 F2 ) = F1 F2 2. (F1 F2 ) = F2 F1 + F1 F2 3. F1 F2 = F2 F1 F1 F2 2 F2
n1 4. (F1 )n = nF1 F1
Inoltre, loperatore variazionale pu` o commutarsi con gli operatori di integrazione e dierenziale. d d dv du (u) = (v ) = = v = u = dx dx dx dx
b b
(2.18)
u(x) dx =
a
u(x) dx
(2.19)
2.3.3
1 1
Denizione 2.22 (formulazione variazionale). Trovare us tale che C (1) ([0, 1]) (0) = (1) = 0 u (x) (x) dx =
0 0
f (x) (x) dx
` e detta formulazione o problema variazionale, o debole. O denotata in forma di funzionale al variare di u come
1 1
F (u) =
0
u (x) (x) dx
0
f (x) (x) dx = B (u, v ) l(u)
(2.20)
Ottenuta con lo stesso procedimento dellequazione 2.17. Osservazione 2.19. Il nome formulazione debole ` e calzante1 se si nota che nellequazione precedente la continuit` a richiesta per la u ` e di un ordine inferiore rispetto def. 2.1. Inoltre si osservi lanalogia con la derivata debole 2.18.
2.3.4
Minimizzazione di un funzionale
1 V : {v |v C 0 ([0, 1]) v H0 }
Denizione 2.23 (problema di minimizzazione). Lo spazio lineare
e la funzione lineare F : V R denita come F (v ) = 1 2

1 1
v v dx
0 0
vf =
1 B (v, v ) l(v ) 2
(2.21)
Trovare u V tale che F (u) F (v ) per ogni v V
2.3.5
Relazione tra le formulazioni
Ora osserviamo le analogie tra le formulazioni del problema di partenza 2.1 nello stile seguito in [Joh90] p. 16-18. Soluzione forte e variazionale Nellesempio 2.15 abbiamo mostrato che la soluzione u del problema in forma forte 2.1 ` e anche soluzione del problema in forma variazionale 2.22.
1 come
fa notare [Red84] a pag. 26
2.3. FORMULAZIONE VARIAZIONALE
15
Soluzione variazionale e del problema di minimizzaione Ora mostriamo che i problemi in forma variazionale 2.22 e problemi di minimizzazione 2.23 hanno le stesse soluzioni. 1 e possiamo porre w = us Assumiamo che us sia una soluzione di 2.22, consegue che abbiamo H0 1 tale che = us + w e w H0 . F () = F (us + w) 1 1 1 = (us (x) + w (x)) (us (x) + w (x)) dx (us (x) + w(x))f (x) dx 2 0 0 1 1 1 us (x)us (x) + 2us (x)w (x) + w (x)w (x) dx us (x)f (x) + w(x)f (x) dx = 2 0 0 1 1 1 1 = us (x)us (x) + us (x)w (x) + w (x)us (x) + w (x)w (x) dx us (x)f (x) dx w(x)f (x) dx 2 0 0 0 1 1 1 1 1 1 1 us (x)us (x) dx + 2us (x)w (x) dx + w (x)w (x) dx us (x)f (x) + w(x)f (x) dx = 2 0 2 0 2 0 0 1 1 1 1 1 1 1 = us (x)us (x) dx 2us (x)w (x) dx + w (x)w (x) dx + w(x)f (x) dx us (x)f (x) + 2 0 2 0 2 0 0
F (us )
F (us )
Soluzione problema di minimizzaione e variazionale Ora vediamo che se um ` e soluzione di un 1 problema di minimizzazione allora se prendiamo una funzione H0 e R sicuramente F (um ) F (um + ) = = = =
1 1 1 (um + ) (um + ) dx (um + )f dx 2 0 0 1 1 1 (um um + 2 um + 2 ) dx um f + f dx 2 0 0 1 1 1 1 1 1 um um dx + dx um f dx + f dx um dx + 2 2 0 2 0 0 0 1 1 1 1 1 1 1 um um dx + um dx + 2 dx um f dx f dx 2 0 2 0 0 0 0 g ()
Studiamo il comportamento di g al variare di . Possiamo vedere che c` e minimo con = 0 per cui g (0) = 0 Osservando anche che
1 1 1 1 1
(2.22)
g (0) =
0
um dx +
0
dx
0
f dx =
0
um dx
0
f dx
(2.23)
valendo 2.22 e 2.23 allora abbiamo

1 1
um
0 1 0
f dx = um dx =
0
1
f dx
0
che corrisponde al nostro problema in forma variazionale 2.22. Soluzione variazionale ` e unica Supponiamo che esistano due soluzioni variazionale e vediamo se sono la stessa. 1 1 1 1 1 1 1 Siano us1 , us2 H0 tali che 0 us1 1 dx = 0 f 1 dx 1 H0 e 0 us2 2 = 0 f 2 2 H0 .
16
1 Osservazione 2.20. Essendo per ogni 1 , 2 , us1 , us2 H0 pu` o anche essere che 1 = 2 = us1 us2 .
Osservazione 2.21. Se a = b e c = d allora a c = b d Nel primo passaggio uso losservazione 2.21 e nel secondo 2.20:
1 0 1 0 1 1 1
us1 1 dx
1
us2 2 dx
=
0 1
f 1 dx
0
f 2 dx
1
us1 (us1 us2 ) dx

1 0
us2 (us1 us2 ) dx
=
0 1
f (us1 us2 ) dx
0
f (us1 us2 ) dx
us1 us1 us1 us2 us2 us1 + us2 us2 dx

1 0
=
0
f us1 f us2 f us1 + f us2 dx 0 0

1
us1 us1 2us2 us1 + us2 us2 dx

1 0
= =
(us1 us2 )2 dx
Sappiamo che us1 (x) us2 (x) = (us1 us2 ) (x) e che 0 (us1 us2 )2 dx = 0 se e solo se us1 us2 = 0. Ne segue che us1 us2 = 0. Ma cosa signica che la derivata prima ` e zero? ne deduciamo che la dierenza tra le due funzioni u s1 u s2 ` e costante nellintervallo [0, 1], diciamo us1 us2 = k . Sapendo che appartengono entrambe a 1 allora us1 (0) = us2 (0) = 0 abbiamo che k = 0, ovvero us1 = us2 . H0 Soluzione variazionale e soluzione forte
1
Supponiamo che us sia abbastanza regolare2 per soddisfare

1
us dx
0 1
=
0 1
f dx f dx
0
0 1
us dx =
1
per parti 2.5 e (0) = (1) = 0
us dx
0 1
f dx =
0 0 0
0 1
us + f dx = (us + f ) dx =
0 1 (us 0
Abbiamo come conseguenza che
+ f ) dx = 0 solo se us + f = 0 in [0, 1].
Dimostrazione 2.4.2. Assumiamo che non sia vero, quindi w = (us + f ) continua in [0, 1] e w > 0 in un 1 sotto intervallo [x1 , x2 ] e 0 (us + f ) dx = 0. Ora scegliamo tra le possibili funzioni (x) = (x x1 )2 (x x2 )2 , continua nellintervallo e omogenea rispetto alle condizioni al bordo. Per lipotesi abbiamo:
1
=
0
(u + f ) dx
x2
avendo (x) = 0 fuori da [x1 , x2 ] avendo lipotesi (us + f ) > 0
=
x1
(u + f ) dx.
x2
>
x1
dx
essendo > 0 e > 0
> 0
2
contraddizione
quindi che esiste us e sia continuo
2.4. CONDIZIONI AL BORDO
17
Ricapitolando Abbiamo mostrato come la soluzione della formulazione forte 2.1 ` e anche soluzione della formulazione debole 2.22 e del problema di minimizzazione 2.23. Inne abbiamo visto che la soluzione e, se sucientemente continua, anche una soluzione per la formulazione del problema variazionale 2.22 ` forte 2.1. Osservazione 2.22. I passaggi sono strettamente relativi al problema posto allinizio 2.1 con condizioni di Dirichlet. Analogamente per altri problemi possiamo intraprendere lo stesso tipo di sentiero per mostrare lequivalenza tra le tre formulazioni, relativamente allequazione dierenziale e alle condizioni al bordo.
2.4
Condizioni al Bordo
In precedenza ci siamo riferiti quasi sempre a condizioni al bordo di Dirichlet; possiamo anche riferirci ad altri tipi come u(0) = 0 u(0) = 0 u (0) = k1 u(1) = 0 u (1) = k2 u (1) = k2 (di Dirichlet) (di miste) (di Neumann) (2.24) (2.25) (2.26)
Il tipo di condizioni al bordo ` e fondamentale per poter creare la formulazione variazionale ed in seguito per giustapporle in quella che verr` a chiamata matrice di stiness. Mostriamo in seguito alcune varianti.
2.4.1
1)
Alcune formulazioni variazionali

u = f u(0) = u(1) = 0 x I =]0, 1[ f C (I ) f L2 (I ) u C 2 (I )
(2.27)
1 (I ) Abbiamo visto (esempio 2.15) che H0 1 1
us dx =
0 0
f dx
(2.28)
se ` e vero allora ` e lo stesso che dire che f ` e la derivata debole di us . Essendo f continua ha derivata, ovvero f = (us ) quindi us C 2 (I ) ossia us ` e la soluzione forte. 2) u + u = f u(0) = u(1) = 0
1 Per ogni H0 (I )
x I =]0, 1[ f C (I ) f L2 (I ) u C 2 (I )
(2.29)
u + u
1 0 1
= f
1
u + u dx =
0 1
f f
0 1
(u + u) dx =
0 1 1
0 1
u dx +
0 1
u dx =
0 1
f f
0 1
u (1)(1) + u (0)(0) +
0 1
u dx +
0 1
u dx = u dx =
0 0
u dx +
0
se ` e vero allora ` e lo stesso che dire che f ` e la derivata debole di us . Essendo f continua ha derivata, ovvero f = (us ) quindi us C 2 (I ) ossia us ` e la soluzione forte. abbiamo che ` e equivalente a trovare 1 u H0 (I ) per
18 3) u + u = f u (0) = u (1) = 0
x I =]0, 1[ f C (I ) f L2 (I ) u C 2 (I )
(2.30)
Osservazione 2.23. Il problema ` e in forma simile a quello di 2), ma a dierenza del precedente ci sono dierenti condizioni al bordo. Supponiamo che u ` e una soluzione forte u + u
1 0 1
= f
1
u + u dx =
0 1
f f
0 1
(u + u) dx =
0 1 1
0 1
u dx +
0 1
u dx =
0 1
f f
0 1
u (1)(1) + u (0)(0) +
0 1
u dx +
0 1
u dx = u dx =
0 0
u dx +
0
Abbiamo usato le condizioni al bordo u (0) = u (1) = 0, 1 Se prendiamo il problema di trovare la soluzione forte allora equivale a trovare u H 1 (I ) : 0 u + 1 u dx = 0 f . Viceversa, se u H 1 soddisfa la formulazione variazionale allora u ` e un solo elemento della formulazione forte.
1 1
u dx =
0 0
(f u) dx
C (I )
per denizione di derivata debole (2.18) (u ) = f + u quindi u C (I ) e u C 2 (I ). 4) u = f u(0) = u (1) = 0 x I =]0, 1[ f C (I ) f L2 (I ) u C 2 (I ) (2.31)
soluzione non unica u = f u (0) = u (1) = 0 x I =]0, 1[ f C (I ) f L2 (I ) u C 2 (I ) (2.32)
Se f = 0 allora u = 0 con u (0) = u (1) = 0 sono tutte le innite soluzioni u(x) = k .
2.4.2
Riassumendo
Osservazione 2.24. Nelle precedente formulazioni variazionali ci sono molti punti di contatti e analogia con cui vengono trattati i problemi. Osservazione 2.25. Tutte le formulazioni presentato sono di equazioni dierenziali di secondo ordine, o anche di ordine pari, con il funzionale B bilineare e l lineare. Osservazione 2.26. Uniformit` a con gli appunti e altri testi denoteremo la forma bilineare B (u, ) = a(u, )
2.5. METODO VARIAZIONALE DI APPROSSIMAZIONE Problema 1) 2) 3) 4) u 1 H0 (I ) 1 H0 (I ) H 1 (I ) {u H 1 (I )|u(0) = 0} B (u, ) = 1 u dx 0 1 u + u dx 0 1 u + u dx 0 1 u dx 0
19
Table 2.1: Spazi funzionali ove giace la soluzione al problema in forma variazionale e funzionale bilineare
2.5
Metodo variazionale di approssimazione
Lobiettivo di un metodo variazionale di approssimazione ` e trovare, da uno spazio innito dimensionale, una soluzione in uno spazio nito dimensionale. Prendiamo in generale un qualsiasi spazio dimensionale nito Vh = span(1 , . . . , m ) con le funzioni di base 1im (x) V . Osservazione 2.27. Lo spazio Vh ` e un sottospazio nito dimensionale di V , questultimo uno spazio m innito dimensionale. Vh = span(1 , . . . , m ) = {vh | vh = i=0 i i } V .
1 Osservazione 2.28. In base alla tabella 2.1, possiamo prendere V = H0 ([0, 1]) o V = H 1 ([0, 1]), in relazione al problema trattato
Al ne di aver riferimenti pratici, o meglio visivi, con ci` o che stiamo trattando, introduciamo il concetto di funzione lineare a tratti, per dedicarci in seguito al metodo di Ritz e quello di Galerkin.
2.5.1
Funzioni lineari a tratti
Prendiamo un sottospazio nito dimensionale Vh di uno spazio innito dimensionale V , i.e. Vh V . Possiamo prendere come Vh un insieme di funzioni lineari a tratti partizionando lintervallo [0, 1] in intervallini Ij di lunghezza hj come mostrato in gura 2.3. Pi` u precisamente essendo xi i punti della
vh
0 = x0
x1
x2 x3
x4
x5
x6
x7 = 1
Figure 2.3: La funzione rosa vh ` e lineare a tratti. partizione, con i = 0, . . . , m + 1, abbiamo Ij = [xj 1 , xj ] e hj = xj xj 1 con j = 1, . . . , m + 1. Prendiamo Vh come linsieme delle funzioni vh lineari in ogni intervallo Ij , continue in [0, 1] e con vh (0) = vh (1) = 0. e scelta appositamente da noi Osservazione 2.29. Si tenga presente che la propriet` a vh (0) = vh (1) = 0 ` per trattare un problema con condizioni al bordo di Dirichlet. Si pu` o variare questa condizione in modo da avere un funzione lineare a tratti omogenea con il problema dato, ovvero con stesso tipo di gestione delle condizioni al bordo (vedi gura 2.4 (B)). Se prendiamo una funzione di base j V con j = 1, . . . , m denita come j (xi ) : 1 0 i=j j=i i, j = 1, . . . , m
20
possiamo rappresentare vh Vh come combinazione lineare delle funzioni di base i

m
vh =
i=1
i (x)
x [0, 1]
dove ` e il valore vh (xi ).
2 (x)
vh
0 = x0
x1
x2 x3

x4 = 1
0 = x0
x1
x2 x3

x4 = 1
Figure 2.4: (A) funzione di base 2 (x), (B) una lineare a tratti con relative funzioni di base
Abbiamo introdotto il concetto di funzione lineare a tratti. Luso di questo strumento nel metodo degli elementi niti in dimensione 1 sar` a concentrato nel trovare i valori di = u(xi ) ricostruendo un approssimazione uh della soluzione forte u.
2.5.2
Metodo di Ritz-Galerkin
Consideriamo il problema variazionale di trovare la soluzione u tale che a(u, v ) = l(v ) (2.33)
per le funzioni v dierenziabili due volte e omogenee rispetto alle condizioni al bordo poste nel problema. Quando il a ` e bilineare e simmetrica e l ` e lineare allora il problema ` e equivalente alla minimizzazione del funzionale quadratico 1 I (u) = a(u, u) l(u) 2 Il metodo di Ritz ` e unapprosimazione dellequazione 4.17 nella forma della serie nita
n
(2.34)
un = 0 +
j =1
cj j
(2.35)
2.5. METODO VARIAZIONALE DI APPROSSIMAZIONE dove le costanti cj sono dette coecienti di Ritz, scelti in modo che per v = i=1...n a(un , v ) a(un , i )
n
21
= l(v ) = l(i ) = l(i )
v = i eq. 4.18 esplicito
a(0 +
j =1
cj j , i )
a(0 + c1 1 + + cn n , i ) = l(i ) per linearit` a 2.19 a(0 , i ) + c1 a(1 , i ) + + cn a(n , i ) = l(i ) ovvero
n
a(0 , i ) +
j =1 n
cj a(j , i ) cj a(j , i )
j =1
= l(i )
ci` o che ` e noto a destra
= l(i ) a(0 , i ) i {1, . . . , n}
Quindi abbiamo n equazioni, una per ogni i n c a(j , 1 ) = l(1 ) a(0 , 1 ) j =1 j . . . n c a( , ) = l( ) a( , )

j =1 j j n i 0 n
esplicitando c a(1 , 1 ) + + cn a(n , 1 ) = l(1 ) a(0 , 1 ) 1 . . . c a( , ) + + c a( , ) = l( ) a( , ) 1 1 n n n n n 0 n ovvero in forma matriciale a(1 , 1 ) . . . ... .. . a(1 , n ) . . . l(1 ) a(0 , 1 ) a(n , 1 ) c1 . . . . . . . .= . a(n , n ) cn l(n ) a(0 , n ) (2.36)
3
AC =F
Chiamiamo A matrice di stiness ed F il vettore di carico . Osservazione 2.30. Trovare i valori di ci che soddisfano il sistema equivale a trovare i valori di u(xi ) e relativa funzione lineare a tratti un 4.18. Per questo motivo talvolta scriveremo A U = F . Il metodo di Ritz pu` o essere visto come trovare i ci che sono soluzione dellequazione 4.18 determinandoli come minimizzazione del funzionale I (u) dellequazione 2.34. Ci sono una sequenza di passaggi (vedi [Red84] pag. 37-38) i quali ci consentono mi mettere in evidenza la condizione necessaria perch e il metodo di Ritz funzioni correttamente, ovvero che il funzionale a sia bilineare e simmetrico. Inoltre la funzione di approssimazione i deve: essere omogenea rispetto alle condizioni al bordo essere sucientemente dierenziabile in modo da soddisfare la forma bilineare linsieme {i } sia completo (vedi 2.14). Queste condizioni ci garantiscono la convergenza della soluzione un , ricavata applicando il metodo, relativamente alla soluzione forte u, con laumentare di n. La sezione ` e intitolata Metodi di Ritz-Galerkin per il seguente motivo. Il metodo di Galerkin ` e un caso particolare, o meglio una delle tante varianti, del method of wieghted residuals 4 o conosciuto anche come metodo di Petrov-Galerkin. Quando lequazione dierenziale si presenta di grado pari allora ci si riduce al metodo di Ritz ottenendo una matrice simmetrica.
lettera F ` e usata per la presenza della funzione nota f in l(i ) traducibile nel metodo dei residui pesati. Si tratta nel prendere il problema posto nella forma forte prendendo un come u; essendoci una dierenza, o meglio errore, tra le due funzioni allora avremmo che E un f = R 0. A questo punto moltiplichiamo E per una funzione di residuo i la quale consente che la loro integrazione deve essere I i (x)E (x, ci ) = 0. Il metodo di Galerkin ` e il caso particolare in cui i = i .
4 3 la
22
Osservazione 2.31. Rivedendo losservazione 2.25, possiamo dire che i problemi presenti nella tabella 2.1 sono tutti risolubili con il metodo che abbiamo presentato. Osservazione 2.32. Libri diversi hanno lievi dierenze nel presentare il metodo, convergono tutti nel considerare la ricerca del problema di minimizzazione di in uno spazio nito dimensionale come metodo di Ritz trovare uh Vh : F (uh ) F (v ) v Vh e la ricerca di una soluzione al problema posto in forma variazionale in uno spazio nito dimensionale come metodo di Galerkin trovare uh Vh : a(uh , v ) = l(u) v Vh Inoltre la variet` a dei problemi e delle approssimazioni consente un panorama ampio di scelta e combinazioni.
2.6
2.6.1
Stima dellerrore
Introduzione
Possiamo commettere errori di approssimazione del dominio (bordo), errori di integrazione numerica (formulazione variazionale), aritmetici (soluzione del sistema di equazioni) ed inne errori nellapprossimare la soluzione. Ma quando ci riferiamo alla analisi o stima dellerrore ` e esclusivamente tra la soluzione approssimata e quella forte. Prima di proseguire, ` e interessante riportare un esempio tratto da Reddy pag. 3 [Red84]
Figure 2.5: Cerchio approssimanto da 6 triangoli (A) e da 9 (B)
Esempio 2.17. Determinare larea di un cerchio di raggio r rappresentandolo come una collezione di triangoli. Possiamo osservare nella gura 2.5, senza entrare nel dettaglio, che allaumentare dei triangoli migliora lapprossimazione del poligono e diminuisce lerrore denotato dallarea rosa. Con lo stesso concetto di base possiamo analizzare la bont` a di un approssimazione.
2.6.2
Analisi dellerrore
Se prendiamo un equazione dierenziale di cui possiamo trovare una soluzione esatta u e vi applichiamo il metodo otterremo una soluzione approssimata u Come visto nellesempio precedente, lerrore ` e dato dalla soluzione esatta, o reale, e lapprossimata; per stimarla ci sono varie vie, tra queste le pi` u usate in generale sono la norma, o distanza, in L2 : Denizione 2.24 (norma L2 ). norma L2 : u u
0
b a
|u u |2 dx
1 2
2.7. RICAPITOLANDO
23
a = x0
Figure 2.6: Errore in 1D
xn = b
Abbiamo due tipi di impiego della stima dellerrore. Una relativa alla bont` a del metodo conoscendo la soluzione esatta, ci serve per analizzare la correttezza del software realizzato o per attuare stime sul numero di intervallini che posso dare buoni risultati. Laltra ` e nella realizzazione di un metodo adattivo che ad ogni passo controlla se, rispetto alle soluzioni precedenti, c` e una riduzione sensibile dellerrore; ovvero confronta le due soluzioni approssimate a step i dierenti dove al crescere di i aumenta il numero degli intervalli, i.e. |u i+1 u i |. Per esempio nella gura 2.6 potrebbe essere ripartizionato solo il primo intervallino per poter diminuire lerrore rappresentato dallarea rosa.
2.7
Ricapitolando
Abbiamo un equazione dierenziale con condizioni al bordo da risolvere, riformuliamo il problema in forma variazionale; suddividiamo lintervallo in elementi, anche in modo non uniforme, al ne di generare lequazione in forma matriciale relativa ai punti di discretizzazione. Il sistema nale risolto ci restituisce le soluzioni esatte nei punti della partizione e ci consente di delineare una approssimazione che sar` a vicina alla soluzione reale al crescere della ranazione della partizione.
24
Chapter 3
FEM 1D in pratica
Includiamo in questa sezione un esempio di implementazione in maxima di un risolutore di problema. Una sua generalizzazione per vari problemi ` e lasciata al lettore.
3.1
Scegliamo un problema, per esempio prendiamo il problema visto in 2.4.1, u = f u(0) = u(1) = 0 Prendiamo f (x) = x + 3 di cui possiamo ricavare la soluzione forte u(x) = x3 + 9x2 5x + 6 3 (3.1)
Osservazione 3.1. Il problema sopra esposto equivale a trovare il comportamento di una corda elastica sottoposta ad una forza f , generalmente consideriamo u e non u per una questione di convenzione relativa al fatto che la forza (tipo di gravita) si usa indicarla dallalto verso il basso. Nel caso di una svista di non considerare il segno, si avr` a un equazione simmetrica rispetto allasse x: u(x) = + x3 + 9x2 5x 6 3
Ne ricaviamo la forma variazionale come visto in precedenza

1 1
us dx =
0 0
f dx
Osservazione 3.2. Ai ni dellimplementazione ` e pi` u comodo porla in termini di un funzionale per poter generare la matrice di stiness e il vettore forza da funzioni che possiamo sostituire in base al problema trattato. a(us , ) = l() con
1
a(us , ) =
0
us dx
1
e l() =
0
f dx
25
26
CHAPTER 3. FEM 1D IN PRATICA
3.2
Funzione di approssimazione
Possiamo partizionare lintervallo [0, 1] in vari modi come x : SORT(APPEND(MAKELIST(RANDOM(1.0),n,1,16),[0.0,1.0])); x : SORT(APPEND(MAKELIST(n/10,n,1,9),[0.0,1.0])); Le parti precedenti di codice sono dei parametri che daremo in pasto alla funzione che ora andiamo a creare. /* Il fantastico mondo dei commenti annidati di maxima KILL(all); /* ripuliamo tutte le precedenti associazioni fatte LOAD("fem1d_dirichlet.mc"); /* file dove salviamo quanto segue f(x) :=1; xx: SORT([ 0.0,1.0,0.5,0.25,0.75]); u: fem1d_dirichlet(f,xx); fem1d_dirichlet(f,lx) := BLOCK( /* dentro a BLOCK il separatore e la virgola , [dist,genK,genF,x,h], /* tutte le variabili locali RATPRINT:FALSE, /* evitiamo un output verboso */ */ */ */ */ */
Inoltre per controllare eventuali errori creiamo una funzione di proiezione x(i) e una funzione h(i) per ottenere li-esima distanza: N : LENGTH(x)-1 , x(i):=IF i<1 OR i>N+1 THEN PRINT("x(",i,") range error") ELSE RATEXPAND(lx[i]), h(i):=IF i<1 OR i>N THEN PRINT("h(",i,") range error") ELSE RATEXPAND(lx(i+1)-lx(i)), Tra le possibili funzioni di approssimazione che possiamo usare, decidiamo di usare quella trattata nella sezione 2.5.1.
1 2
(1)
2 (x) 1
(2)
1 1
(1)
u1
(1)
u = un
0 = x0 (0)
x1 (1)
x2 x3
x4 = 1
0 = x0
x1 (1)
x2 x3
x4 = 1
Figure 3.1: Limmagine (A) mostra la decomposizione di in in (B) vengono poste in evidenza le funzioni che generano un segmento ui Se osserviamo meglio linuenza di nella creazione della soluzione approssimata, vedi gura 4.2; possi notare che per un singolo tratto ue relativo ad un elemento (e) vi sono due funzioni che lo generano, ( e) ( e) che chiamiamo 1 e 2 . (e1) ( e) ue (x) = ce1 2 + ce 1 (3.2)
3.3. GENERIAMO LA MATRICE DI STIFFNESS inne possiamo esplicare 1,2 1 = quindi (e1) 2 e (x) : 1 ( e) 1 xe1 < x < xe x = xe xe < x < xe+1
( e) ( e)
27
xe+1 x xe+1 xe
2 =
( e)
x xe xe+1 xe
(3.3)
(3.4)
Possiamo o fare delle osservazioni sulla funzione di base, aermando che i = 1/hi oppure lasciarlo calcolare allelaboratore. /* implementate per sport, visto che usiamo direttamente 1/h(i) */ phi(x):= MAKELIST( IF x(e) <= x AND x <=x(e+1) THEN [ (x(e+1)-x)/(x(e+1)-x(e)) , (x-x(e))/(x(e+1)-x(e)) ] ELSE [0.0,0.0] ,e,1,N), Diffphi(x) := MAKELIST( IF x(e) <= x AND x <=x(e+1) THEN [ -1/h(e) , 1/h(e) ] ELSE [0.0,0.0],e,1,N),
3.3
Generiamo la matrice di stiness
Possiamo generare la matrice di stiness come segue: /* Matrice di stiffness */ genK[i,j]:= IF i=j AND i=1 THEN ROMBERG( IF i=j AND i=N+1 THEN ROMBERG( IF i=j THEN ROMBERG( ROMBERG( IF i=j-1 THEN ROMBERG( IF i=j+1 THEN ROMBERG( ELSE 0 , K: GENMATRIX(genK, N+1, N+1),
RATEXPAND((1/h(i))2) ,x, x(i),x(i+1)) RATEXPAND((1/h(i-1))2) ,x, x(i-1),x(i)) RATEXPAND((1/h(i))2) ,x, x(i),x(i+1)) + RATEXPAND((1/h(i-1))2) ,x, x(i-1),x(i)) RATEXPAND(-1/h(i)*1/h(i)) ,x, x(i),x(i+1)) RATEXPAND(-1/h(j)*1/h(j)) ,x, x(j),x(j+1))
ELSE ELSE ELSE ELSE
Osservazione 3.3. Volendo potevamo richiamare Diffphi, oppure creare una funzione a(phi(i),phi(j)) implementandola in base al problema. In questo caso amiamo risparmiare cicli di clock.
3.4
Generiamo il vettore di carico

xe+1 xe
Con FF(e) ` e dato da l(e ) = FF(e):=
f (x)(x) dx relativamente ad un elemento, o intervallo, e.
[ ROMBERG( RATEXPAND(f(x)*(x(e+1)-x)/(x(e+1)-x(e))), x, x(e), x(e+1)) , ROMBERG( RATEXPAND(f(x)*( x-x(e))/(x(e+1)-x(e))), x, x(e), x(e+1)) ], genF(i) := IF i=1 THEN FF(i)[1] + p[1] ELSE IF NOT i=N+1 THEN FF(i-1)[2] + FF(i)[1] ELSE FF(i-1)[2] + p[2] , F: MAKELIST(RATEXPAND(genF(n)),n,1, N+1),
28
Osservazione 3.4. Nel codice compaiono p[1] e p[2] che rappresentano uno strumento per gestire il comportamento delle derivate negli estremi. Ai ni della soluzione di trovare un di questo problema non sono importanti e vengono in molti libri omesse, focalizzando il risultato solo nelle equazioni dove compaiono le incognite che ci interessano. Al ne di creare una applicazione essibile che tiene conto di tutte le condizioni pu` o dare soddisfazione prenderle in considerazione sin da subito.
3.5
Risolvere il sistema lineare
Ora abbiamo tutto per poter risolvere il sistema lineare, potremmo risolverlo nello stile di Matlab, o Octave, usando U: K-1 . F, oppure U: INVERSE(K) . F,. Preferiamo limitare lerrore numerico e risparmiare tempo di calcolo usando la funzione SOLVE:
/* creiamo la lista di incognite $u_i$ o $c_i$ list_u : MAKELIST(u[i],i,1,N+1), /* creiamo la lista di equazioni $K.U=F$ list_eq : MAKELIST(K[i].list_u=F[i],i,1,N+1), /* applichiamo le condizioni al bordo list_u[1] : p[1], list_u[LENGTH(list_u)] : p[2], list_eq:EV(list_eq,u[1]=0), list_eq:EV(list_eq,u[LENGTH(list_u)]=0), /* finalmente solve KU=F sol:SOLVE(list_eq,list_u),
*/
*/ */ */ */ */ */ */
/* incognita u(0)=p_1 /* incognita u(1)=p_2 /* u(0)=0 /* u(1)=0
/* creiamo il vettore delle soluzioni relative alla partizione list_x */ u_tilde : MAKELIST(IF i=1 OR i>N THEN 0 ELSE RHS(sol[1][i]) ,i,1,N+1), RETURN(FLOAT(u_tilde) /* e lo restituiamo al chiamante */ ) /* chiusura di BLOCK( */
3.6
Un esecuzione
Avviamo maxima caricando la funzione che abbiamo scritto, scegliamo una funzione f (x) = x + 3 e partizioniamo in 11 punti equidistanti.
KILL(all); LOAD("fem1d_dirichlet.mc"); f(x):=x+3; x:SORT(APPEND(MAKELIST(n/10,n,1,9),[0.0,1.0])); c:fem1d_dirichlet(f,x); TEX(u); FPPREC: 4; TEX(K);
otterremo come risultato c : [0.0, 0.1515, 0.272, 0.3605, 0.416, 0.4375, 0.424, 0.3745, 0.288, 0.1635, 0.0] Tratto dalla matrice di stiness che osserviamo essere trilineare e simmetrica come ci aspettavamo:
3.7. STIMA DELLERRORE

fem 0.45 u_n u 0.4
29
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 0 0.2 0.4 0.6 0.8 1
Figure 3.2: Funzione un lineare a tratti rossa e u soluzione reale in verde, con 11 nodi K: 10.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0 0 0 0 0 0 0 0 0 0 10.0 20.0 10.0
t
0 0 0 0 0 0 0 0 0 10.0 10.0
F : [p1 + 0.1517, 0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39, p2 + 0.1983] Se ranando ulteriormente la partizione con 21 elementi
un : [0.0, 0.0795625, 0.1515, 0.2156875, 0.272, 0.3203125, 0.3605, 0.3924375, 0.416, 0.4310625, 0.4375, 0.4351875, 0.424, 0.4038125, 0.3745, 0.3359375, 0.288, 0.2305625, 0.1635, 0.0866875, 0.0] otteniamo maggiore vicinanza alla soluzione forte (eq. 3.1), come si pu` o direttamente osservare in gura 3.3.
3.7
Stima dellerrore
Volendo si possono automatizzare le stime degli errori, per molte equazioni, creando un modulo basato sulla seguente intuizione. phi(x,i):= /* gestirla */ c:u, u_tilde(x) := phi(x,0) + sum(c[i]*phi(x,i),i,2,N), /* u de gsol bc1 reale */ : -diff(y,xi,2)=f(xi), : ode2(de,y,xi), : EV(gsol, [y=0, xi = 0]), /* u(0.0)=0 */
30
fem 0.45
u_n u 0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 0 0.2 0.4 0.6 0.8 1
Figure 3.3: Funzione un lineare a tratti rossa e u soluzione reale in verde, con 21 nodi bc2 : EV(gsol, [y=0, xi = 1]), /* u(1.0)=0 */ csol : solve([bc1, bc2], [%K1, %K2]), u_real(xi):= RHS(EV(gsol, csol)), /* con unopportuna phi converge */ err:SQRT(ROMBERG( (u_real(xi)-u_tilde(xi))2 , xi, 0.0, 1.0)), PRINT("Errore in L_2 : ", err),
3.8
Consigli per lo sviluppo
Come visto nel corso di Analisi Numerica, un implementazione di un algoritmo pu` o essere soggetta ad errori di diversa natura. Gli errori numerici pi` u classici fatti nella progettazione del metodo sono i seguenti: Conversioni da classi di numeri ad altre, come float e double, con linguaggi come C++. Integrazione numerica. Esistono vari metodi e parametri per rendere minimo lerrore. Risolvere un sistema di equazione con luso di una matrice inversa A U = F U = A1 F al posto di usare il metodi di fattorizzazione LU o QR od altre funzioni stabili rese disponibili dalla piattaforma di sviluppo. Osservazione 3.5. La rappresentazione su un monitor attuale avviene mediante luso dei pixel, i quali permettono una rappresentazione discreta delle nostre funzioni. Se raniamo molto la nostra partizione a video, la funzione reale e la poligonale ottenuta applicando il metodo degli elementi niti saranno sovrapposte, sebbene non siano identiche.
Chapter 4
Fondamenti teorici di FEM 2D

Nel seguente capitolo vediamo dei concetti su funzioni a due o pi` u variabili, per trattare in seguito la formulazione variazionale di un problema e la sua approssimazione nel metodo visto in una dimensione.
4.1
Richiami e complementi di analisi
Ora richiamiamo e presentiamo concetti relativi a funzioni a due variabili reali o anche denite in sottoinsiemi di R2 f : A R2 R e funzioni a pi` u variabili reali. Come notazione useremo x = (x1 , . . . , xn ) Rn .
4.1.1
Insieme aperto
Denizione 4.1 (Boccia). Dato uno spazio vettoriale V e una distanza d, quindi (X, d) ` e uno spazio metrico, x V, r R+ . Diciamo boccia aperta, o sfera aperta, linsieme dei punti x1 compresi entro un raggio r da un centro x B (x, r) = {x1 V : d(x, x1 ) < r}
Figure 4.1: (A),(B) e (C) rappresentano nelle varie metriche B1 (0, r), B2 (0, r) e B (0, r) Denizione 4.2 (Insieme aperto). A R2 si dice aperto se x A R2 |(y1 x1 )2 + (y2 x2 )2 } B (x, ) A : B (x, ) = {(y1 , y2 )
Denizione 4.3 (insieme chiuso). Un insieme A ` e detto chiuso se ` e il complementare di uno aperto A. 31
32
Denizione 4.4 (punto interno). Un punto x A si dice interno ad un insieme E A se esiste B (x, > 0) contenuta in E . Indichiamo linsieme dei punti interni ad E con Int(E ). Denizione 4.5 (punto esterno). Un punto x A si dice esterno rispetto ad un insieme E A se appartiene a Int(E ). Denizione 4.6 (punto di frontiera). Un punto si dice di frontiera se per ogni > 0 se e solo se x A: B (x, ) B (x, ) E = B (x, ) E =
Indichiamo con F r(E ), o E , linsieme dei punti di frontiera. Osservazione 4.1. Un insieme A ` e chiuso se e solo se F r(A) A. Esempio 4.1. Prendiamo come esempio un ellisse A = {(x, y )|x2 + 2 y 2 3} Avremo F r(A) = {(x, y )|x2 + 2 y 2 = 3} Int(A) = {(x, y )|x2 + 2 y 2 < 3} A = {(x, y )|x2 + 2 y 2 > 3} Denizione 4.7 (insieme limitato). Un insieme A R2 ` e detto limitato se ` e contenuto da una boccia B (0, r). Denizione 4.8 (insieme compatto). Quando un insieme ` e chiuso e limitato lo chiamiamo insieme compatto. Denizione 4.9 (insieme convesso). Quando la congiunzione di due punti qualsiasi di un insieme non esce dallinsieme stesso, parliamo di un insieme convesso. Denizione 4.10 (insieme connesso). Se esiste una spezzata a tratti tra due punti qualsiasi di un insieme, tale che ogni segmento non esca dallinsieme stesso, allora parliamo di un insieme connesso.
Figure 4.2: Linsieme B ` e un insieme connesso, mentre A non lo ` e.
4.1.2
Derivazione e continuit` a
Riprendiamo il concetto di continuit` a su R. Denizione 4.11. Diciamo che una funzione f : I R ` e continua su x I se e solo se limxx f (x) = f (x) ovvero > 0 > 0 : x I |x x| = |f (x) f (x)| < Denizione 4.12. In R2 parliamo di continuit` a se data f : A R2 R, con A aperto, abbiamo che limxx f (x) = f (x) ovvero > 0 > 0 : x B (x, ) f (x) f (x)| < Denizione 4.13. Sia A un aperto e f : A R2 R, diciamo che f C 1 (A) se esistono e sono continue f f (x), (x) x A. x1 x2
4.1. RICHIAMI E COMPLEMENTI DI ANALISI Abbiamo che se f C 1 (A) allora f (x) per ogni versore v e per ogni punto x A con v
33
f (x + hv) f (x) f = (x) = f (x), v h0 h v lim con = ,..., x1 xn

t
(4.1)
f (x) =
f (x, y ) f (x, y ) , x y
(4.2)
v = (1, 0) f (x), v =
f (x, y ) (x, y ) x
v = (0, 1) f (x), v =
f (x, y ) (x, y ) y
2 2 f (0, 0) e con il versore v = ( , ) di Esempio 4.2. Studiamo il comportamento di v 2 2 f (x, y ) f (x, y ) f (x, y ) = sin(x + y ) + 3x2
xy x2 y 2
(4.3) (4.4) (4.5)
= x cos y + e = e
Prendiamo 4.3, abbiamo due modi per muoverci. In uno, ne osserviamo il limite come mostrato nel primo elemento dellequazione 4.1: f (x) v f (x + tv) f (x) t0 t f ((0, 0) + (t 22 , t 22 )) f (0, 0) lim t0 t 2 sin((0 + t 2 ) + (0 + t 22 )) + 3(0 + t 22 )2 lim t0 t 2 sin(2 t 2 ) + 3(t 22 )2 lim t0 t 2 sin(t 2) + 3 t 42 lim t0 t 3 2 sin(t 2) + 2 t lim t0 t lim
= = = = = =
Abbiamo che per Taylor sin(t t quindi sin(t

t0
2)
+ O(t) =
2 + O(1) =
lim
3 3 2 2) + t2 2 = lim 2 + 2 t 2 t0 t t
34
CHAPTER 4. FONDAMENTI TEORICI DI FEM 2D Laltra forma di risoluzione ` e dato usando lultima parte dellequazione 4.1: f (x) v = = = = = = = f (x), v 2 2 f (0, 0), ( , ) 2 2 f (0, 0) f (0, 0) , x y
t
per eq. 4.2 ,( 2 2 , ) 2 2
2 2 ((cos(x + y ) + 6x)(0,0) , (cos(x + y ))(0,0) )t , ( , ) 2 2 2 2 (cos(0 + 0) + 6 0, cos(0 + 0))t , ( , ) 2 2 2 2 (1, 1), ( , ) 2 2 2 2 2 + =2 = 2 2 2 2
Prendiamo 4.4 usando solo il metodo delle derivate parziali f (x) v = = = = f (0, 0) f (0, 0) , x y
xy t
,(
2 2 , ) 2 2
xy t
2 2 ((1 cos y + y e )(0,0) , (x( sin y ) + x e )(0,0) ) , ( , ) 2 2 2 2 (0, 0)t , ( , ) 2 2 0
Prendiamo 4.5 usando solo il metodo delle derivate parziali f (x) v = = = = f (0, 0) f (0, 0) , x y ((2x e (0, 0)t , ( 0
x2 y 2 t
2 2 ,( , ) 2 2
x2 y 2
)(0,0) , (2y e
2 2 , ) 2 2
2 2 )(0,0) ) , ( , ) 2 2
t
Esempio 4.3. f (x, y ) = sin y + 3x + exy studiare
f (x) con x = (1, 0) e v = ( 23 , 1 2) v t f f (1, 0) f (1, 0) 3 1 (x) = , ,( , ) v x y 2 2 3 1 xy xy t , ) = ((3 + y e )(1,0) , (cos y + x e )(1,0) ) , ( 2 2 3 1 = ((3, 1)t , ( , ) 2 2 3 1 3 3+2 = 3 + = 2 2 2
Denizione 4.14. Sia f : A R2 R, diciamo che f C 2 se esistono e sono continue 2f 2f , , in ogni punto di A yx y 2
2f 2f , , x2 xy
4.1. RICHIAMI E COMPLEMENTI DI ANALISI Teorema 4.1 (Schwartz). Dato un aperto A Rn e una funzione f : A R abbiamo 2f 2f (x) = (x) xi xj xj xi
35
Denizione 4.15 (Hessiana). Sia A un aperto di Rn e f C 2 , chiamiamo Hessiana la seguente matrice: 2 f 2f . . . x x1 x1 n x1 . . .. . Hessf (x) = . . . . 2 2 f f . . . x x1 xn n xn Teorema 4.2 (Formula di Taylor). Per f (x) C 2 (]a, b[) e x ]a, b[ f (x) = f (x) + f (x) + f (x) (x x)2 + o(|x x|2 ) 2
Per un aperto A Rn con x, x A e f C 2 allora f (x) = f (x) + f (x), x x + 1 Hessf (x)(x x), (x x) + o( (x x)2 + (x x)2 ) 2
4.1.3
Curve
Denizione 4.16 (parametrizzazione). Sia I = [a, b], : I R2 con = (1 .2 ), diciamo che ` e una parametrizzazione se 1. C 1 (I ) con 1 , 2 che sono in C 1 2. (t) = 0 t I
Esempio 4.4. Possiamo rappresentare una circonferenza con una funzione parametrica (t) = (cos t, sin t) con t [0, 2 ]. In gnuplot ` e possibile visualizzarla con set parametric; set trange [-pi:pi]; plot sin(t), cos(t); Denizione 4.17. Se I = [a, b] e J = [, ] con : I R2 e : J R2 , allora se f : I J con f C 1 (I ) iniettiva tale che 1. f (I ) = J e f (t) > 0 2. (t) = (f (t)) t Esempio 4.5. Le seguenti curve sono equivalenti: (t) = (s, 1 s2 ) con s [1, 1] (t) = (cos t, sin t) con t [0, ] In gnuplot ` e possibile visualizzarla con set parametric; set trange [0:pi] ; plot cos(t),sin(t) e set parametric; set trange [-pi:pi]; plot -t, sqrt(1-t**2) Denizione 4.18. Chiamiamo F linsieme delle parametrizzazioni C 1 . Con F/ indichiamo la classe delle relazioni di equivalenza. Denizione 4.19. Deniamo curva regolare di classe C 1 (orientata) un elemento del la classe di equivalenza F/ . Denizione 4.20. Se = [] F/ , con : I Rn diremo che ` e una parametrizzazione del la curva . Denizione 4.21 (curva semplice). Se abbiamo una parametrizzazione ` e iniettiva di una curva, questa ` e detta semplice t
36
Denizione 4.22 (curva semplice aperta). Una curva semplice parametrizzata da : [a, b] = I Rn e (a) = (b) allora la curva ` e detta curva semplice aperta. Denizione 4.23 (curva semplice chiusa). Una curva semplice parametrizzata da : [a, b] = I Rn e (a) = (b) allora la curva ` e detta curva semplice chiusa. Denizione 4.24. Sia g : A R2 R con g C (A) e sia = [] F/ allora
b
g ds =
a b
g ((t)) (t) dt g ((t))( 1 (t)2 + 2 (t)2 dt

a
Osservazione 4.2. In particolare con g (x, y ) = 1 e () = norma. Esempio 4.6. Con g (x, y ) = x + y e (cos t, sin t) allora
2
1 ds =
b a
1 (t)2 + 2 (t)2 dt con
1 (t)2 + 2 (t)2
g ds =
0 2
g (cos t, sin t)( ( sin)2 (t) + cos2 (t) dt g (cos t, sin t)( 1 dt cos t + sin t dt
0 2 2
=
0 2
= =
0
cos t dt +
0
sin t dt
2 = [ sin t]2 0 + [cos t]0 = sin 2 sin 0 + cos 2 cos 0
00+11=0
Osservazione 4.3. Si osservi la lunghezza della curva del precedente esempio ` e

2
( sin)2 (t) + cos2 (t) dt = 2

0
in altre parole, quando g = 1 abbiamo la lunghezza della curva. inoltre () = () Osservazione 4.4. Se abbiamo due parametrizzazioni equivalenti (t) = (f (t)) allora si osservi che
b
g ds =
a b
g ((t))( 1 (t)2 + 2 (t)2 dt
(t) = (f (t)) (t) = (f (t)) f (t) f (t) = s ds = f (t)dt
=
a
g ( (f (t)))( 1 (f (t))2 + 2 (f (t))2 f (t) dt g ( (s))( 1 (s)2 + 2 (s)2 ds
4.1.4
Integrazione
Riprendiamo lintegrazione secondo Riemann per funzioni con una variabile. Deniamo una partizione di un itervallo I = [a, b] come = {xi R | a = x1 < x2 < < xn = b} Somme inferiori s(f, ) =
j =1 n xIj
inf f (x)(xj xj 1 )
4.1. RICHIAMI E COMPLEMENTI DI ANALISI
37
f (x)
a = x1
xi1 xi
xn = b
Figure 4.3: Integrazione di f (x) secondo Riemann, in azzurro i supxIj in rosa gli inf xIj Somme superiori
n
S (f, ) =
sup f (x)(xj xj 1 )
j =1 xIj
Denizione 4.25 (Riemann integrabile 1D). Diciamo che f ` e Riemann integrabile su [a, b], e scriveremo b f R([a, b]), se sup s(f, ) = inf S (f, ) = a f (x) dx o anche se > 0 : S (f, ) s(f, ) < Teorema 4.3. In un intervallo I si ha C (I ) R(I ).
f (x, y )
d c
a b
Figure 4.4: Integrazione di f (x, y ) secondo Riemann, in azzurro i sup(x,y)Ij Ji in rosa gli inf (x,y)Ij Ji Nel caso di funzioni a due variabili f : [a, b] [c, d] R con [a.b] partizionata come x = {xi R | a = x1 < x2 < < xn = b} [c, d] partizionata come y = {yi R | a = y1 < y2 < < yp = b}
38 e = x y . Somme inferiori s(f, ) =

j =1 i=1
p (x,y )Ij Ji
inf
f (x, y ) (xj xj 1 ) (yi yi1 )
Somme superiori
n p
S (f, ) =
sup
j =1 i=1 (x,y )Ij Ji
f (x, y ) (xj xj 1 ) (yi yi1 )
Denizione 4.26 (Riemann integrabile 2D). Diciamo che f ` e Riemann integrabile su [a, b] [c, d], e scriveremo f R([a, b] [c, d]), se sup s(f, ) = inf S (f, ) = [a,b][c,d] f (x, y ) dx dy o anche se > 0 : S (f, ) s(f, ) <
in [a, b] [c, d], mentre la supercie A ` Figure 4.5: In rosa abbiamo caratterizzato la funzione f e ristretta alla solo proiezione sul piano di f Denizione 4.27. Se A R2 con A [a, b] [c, d] limitato e una funzione f : A R allora possiamo crearci una funzione (x, y ) A (x, y ) = f (x, y ) f 0 (x, y ) [a, b] [c, d] \ A C ([a, b] [c, d]) e tale che f f (x, y ) dx dy =
A [a,b][c,d]
(x, y ) dx dy f
R([a, b] [c, d]) vedi gura 4.5. Diremo che f R(A) se f Denizione 4.28 (x-semplice e y-semplice). Dato un insieme A R2 si dir` a x-semplice se ` e del tipo A = {(x, y ) R2 |x [a, b].g1 (x) y g2 (x)} con g1 , g2 : [a, b] R continue. Dato un insieme A R2 si dir` a y-semplice se ` e del tipo A = {(x, y ) R2 |y [c, d].h1 (x) x h2 (x)} con h1 , h2 : [c, d] R continue. Denizione 4.29 (insieme semplice). Se A ` e o x-semplice o y-semplice allora ` e detto semplice. Denizione 4.30 (insieme regolare). Un insieme che ` e unione di insiemi semplici ` e detto regolare. Teorema 4.4. Se A R2 ` e x-semplice e B A con f C (B ) allora f R e
b g2 (x)
f (x, y ) dx dy =
A a g1 (x)
f (x, y ) dy
dx
Se A R2 ` e y-semplice e B A con f C (B ) allora f R e

d h2 (x)
f (x, y ) dx dy =
A c h1 (x)
f (x, y ) dx
dy
4.1. RICHIAMI E COMPLEMENTI DI ANALISI Esercizio 4.1. Dato A = {(x, y )|(x 1)2 + y 2 1, y 2 x2 } calcoliamo
A
39 1 dx dy .
Osservazione 4.5. dobbiamo calcolare un area di un cerchio di raggio 1 e centro (1, 0) intersecata con la parabola y 2 x3 che equivale a y x3/2 . Vogliamo gli y x3/2 e che sia dentro la circonferenza. conosciamo il valore di 3/4 di circonferenza
11111 00000 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 B 00000 11111 00000 11111 00000 11111
AB
Figure 4.6: Rappresentazione del problema (A B ) essere 3/4 e cercheremo di calcolare B . Ricaviamo il punto di intersezione (x 1)2 + y 2 = 1 y 2 = x3 (x 1)2 + y 2 = 1 y = x3/2 x(x2 + x 2) + 1 = 1 y = x3/2 (x 1)2 + (x3/2 )2 = 1 y = x3/2 x(x2 + x 2) = 0 y = x3/2 x2 2x + 1 + x3 = 1 y = x3/2
x(x + 2)(x 1) = 0 vera per x = 0, x = 2 , x = 1; accettiamo la positiva x = 1 sostituiamo a y 2 = x3 e otteniamo il punto di intersezione (1, 1), vedi gura 4.6. Osservazione 4.6. Abbiamo quindi che larea di A = 3/4 + B con B = {(x, y )|0 x 1, 0 y < x3 / 2 }
= {(x, y )|0 x 1,
1 x3/2
0 y < x3 / 2 }
=
0 1
(
0
1 dy ) dx 2 2 x5 5
1
=
0
x3/2 dx =
2 5
=
0
2 5
abbiamo quindi che A = (A B ) + B = 3/4 +
Esempio 4.7. Prendiamo come sottinsieme di R2 linsieme A = {(x, y )|x2 + y 2 4y + 2x + 4 0} m(A) = A 1 dx dy Svolgiamo il completamento dei quadrati ottenendo: x2 + y 2 4y + 2x + 4 = = = = (x2 + 2x) + (y 2 4y ) + 4 (x2 + 2x + 1) 1 + (y 2 4y + 4) 4 + 4 (x2 + 2x + 1) + (y 2 4y + 4) 1 (x + 1)2 + (y 2 2)2 1
Abbiamo (x + 1)2 + (y 2 2)2 = 1 che sappiamo essere un cerchio con centro (1, 2) e raggio 1 Deduciamo che larea ` e /2 senza usare lintegrale
40
4.1.5
Formula di Green
Lequivalente del teorema per parti in Rn Teorema 4.5 (Formula di Green). Sia un insieme regolare di R2 e siano v C 1 (R2 ) e u C 2 (R2 ). Allora u ds (4.6) u(x, y )v (x, y ) dx dy + u(x, y ), v (x, y ) dx dy = v n con n il versore normale esterno al bordo di A denotato da . Il simbolo ` e detto Laplaciano e equivale u(x, y ) = 2u 2u + 2 x2 y
da riguardare e vedere se porla dopo la divergenza
4.1.6
Teorema della divergenza e del gradiente
Un equivalente del teorema per parti in Teorema 4.6 (della divergenza). div (F) dx dy =

F dx dy =
n F ds
(4.7)
dove n denota la normale unitaria direzionale sul bordo di , denotato da , e loperatore = , x y

t
4.2
Formulazione Variazionale
Denizione 4.31 (formulazione forte). Dato un aperto regolare e una funzione f C (), chiamiamo lequazione di Poisson : u = f (4.8) u =0
Trovare u C
(2)
() ` e detta formulazione forte.
Osservazione 4.7. Tranne nel caso in cui sia una circonferenza, non possiamo scrivere una soluzione esplicita. Nello stesso stile della formulazione variazionale in 1D data una qualsiasi funzione (x, y ) che sia continua in con x e y continue a tratti in e (x, y ) = 0 sul bordo . 2 u(x, y ) 2 u(x, y ) x2 y 2 u u u
= f (x, y ) = f = f =
moltiplicando per
f f
= =
per la formula di Green 4.6 = 0 sul bordo
u n
u,
f f
u,
Abbiamo quindi ricavato a(u, ) =
u,
l() =
(4.9)
4.3. ALCUNE FORMULAZIONI VARIAZIONALI
41
1 Denizione 4.32 (formulazione variazionale). Trovare u H0 () tale che soddis a(u, ) = a() 1 H0 () ` e detta formulazione variazionale.
Osservazione 4.8. Analogamente al caso 1D possiamo dimostrare che una soluzione della formulazione forte ` e anche una soluzione debole, ed il viceversa se abbiamo u abbastanza regolare.
4.3
Alcune formulazioni variazionali
Analogamente al caso monodimensionale abbiamo alcuni problemi che possiamo trattare.
4.3.1
Equazione di Poisson
Abbiamo gi` a visto lequazione di Poisson: u = f u =0
(4.10)
la cui formulazione variazionale ` e data da 2 u(x, y ) 2 u(x, y ) x2 y 2 u u
= f (x, y ) = f = f =
moltiplicando per
f f
u n
u,
= =
u,
u,
l() =
(4.11)
4.3.2
Variante
Troviamo la formulazione variazionale di u + u = f u =0
(4.12)
abbiamo che 2 u(x, y ) 2 u(x, y ) +u x2 y 2 u + u u + u
= f (x, y ) = f =
moltiplicando per f f
u +
u u
= =
u n
u,
f f
u, +

42 Abbiamo quindi ricavato a(u, ) =
u, +
l() =
(4.13)
4.3.3
Problema di Neumann
u + u = f u =g n
Troviamo la formulazione variazionale di (4.14)
abbiamo che 2 u(x, y ) 2 u(x, y ) +u x2 y 2 u + u u + u
= f (x, y ) = f =
moltiplicando per f f
u +
u u
= =
per la formula di Green 4.6 u = g sul bordo n g
u n
u,
f f +
u, +

u, +
l() =
f +
(4.15)
4.3.4
Tabella riassuntiva
Nelle precedente formulazioni variazionali ci sono molti punti di contatti e analogia con cui vengono trattati i problemi. Problema Poisson Variante Neumann u 1 H0 (I ) 1 H0 (I ) H 1 (I ) a(u, ) = u, u, + u u, + u
Table 4.1: Spazi funzionali ove giace la soluzione al problema in forma variazionale e funzionale bilineare
4.4
Metodo variazionale di approssimazione
Prendiamo in generale un qualsiasi spazio dimensionale nito Vh = span(1 , . . . , m ) con le funzioni di base 1im (x) V . Osservazione 4.9. Lo spazio Vh ` e un sottospazio nito dimensionale di V , questultimo uno spazio innito m dimensionale. Vh = span(1 , . . . , m ) = {vh | vh = i=0 i i } V .
1 Osservazione 4.10. Per il problema trattato V = H0 ().
Seguendo le orme di quanto presentato in 1D vediamo lanalogo della funzione interpolante in 2D, per dedicarci in seguito al metodo di Ritz e quello di Galerkin per il problema posto.
4.4. METODO VARIAZIONALE DI APPROSSIMAZIONE
43
4.4.1
Triangolazione
Prendiamo un sottospazio nito dimensionale Vh di uno spazio innito dimensionale V , i.e. Vh V . Possiamo prendere come Vh un insieme di triangoli K , partizionando laperto regolare . Pi` u precisamente, chiamiamo triangolazione Tn = {K1 , . . . , Kn } con Ki Kj = , e denotiamo i nodi interni con N1 , . . . , Nm . Otteniamo come unione di triangoli Kj Tn
n
=
i=1
Ki = K1 Kn
Possiamo vedere alcuni esempi come mostrato in gura 4.7.

1 ciclo3
1 cerchio-10-8 0.8 0.6 0.4 0.2 0
1 grid-3
0.8
0.8
0.6
0.6
0.4
-0.2 -0.4
0.4
0.2
-0.6 -0.8
0.2
0 0 0.2 0.4 0.6 0.8 1
-1 -1 -0.5 0 0.5 1
0 0 0.2 0.4 0.6 0.8 1
Figure 4.7: Alcune triangolazioni (tratta da [BBM05]) Per descrivere tutte le funzioni che entrano in gioco dobbiamo limitarci a considerare un solo elemento Ki e. Se interpoliamo la funzione con lo spazio {1, x, y } u(x, y ) = c1 + c2 x + c3 y (4.16)
in un singolo triangolo allora abbiamo tre punti (xi , yi ) i = 1, 2, 3. Possiamo ricavare u(xi , yi ) = ui , vedi gura 4.8. Questo ci mette nelle condizioni di dover determinare le costanti c1 , c2 , c3 in un sistema
3 2
3 1 2 1 2 3 1 2
u1 1
3
(e)
u3 (e) u (x, y )
3
(e)
u2
1 2
(e)
Figure 4.8: In rosa le singole (e) relative ad un elemento e, tutte le (e) generano (con opportune costanti che troveremo) la futura funzione u relativa ad e (u(e) ) denotata dal triangolo blu; in azzurro vi sono le (e) che generano u(e) di equazioni u1 = u(x1 , y1 ) = c1 + c2 x1 + c3 y1 u2 = u(x2 , y2 ) = c1 + c2 x2 + c3 y2 u3 = u(x3 , y3 ) = c1 + c2 x3 + c3 y3 u1 1 x1 y1 c1 u2 = 1 x2 y2 c2 u3 1 x3 y3 c3 Risolvendo lequazione troviamo i ci i quali sostituiti allequazione 4.16 ci permette di trovare i 1
( e) ( e)
= = =
2 3
( e)
( e)
1 ((x2 y3 x3 y2 ) + (y2 y3 )x + (x3 x2 )y ) 2 Ae 1 ((x3 y1 x1 y3 ) + (y3 y1 )x + (x1 x3 )y ) 2 Ae 1 ((x1 y2 x2 y1 ) + (y1 y2 )x + (x2 x1 )y ) 2 Ae
44 Con 2Ae area del triangolo e
1 x1 2Ae = 1 x2 1 x3
y1 y2 y3
Osservazione 4.11. La numerazione ` e in senso antiorario, altrimenti il valore ottenuto ` e opposto di segno1 . Osservazione 4.12. Abbiamo che i (xj , yj ) = i (Nj ) = ij Inoltre
3 i=1
1 0
1=j i=j
i (Nj ) = 1.
Possiamo rappresentare vh Vh come combinazione lineare delle funzioni di base i

m
vh =
i=1
i (x, y )
(x, y )
dove ` e il valore vh (xi , yi ) = vh (Ni ). Abbiamo introdotto una delle possibili discretizzazioni di . C` e anche la possibilit` a di usare altre forme di ripartizione di un aperto regolare, per un approfondimento si rimanda a [Red84] pag. 199-204 e [Joh90] pag. 68-79.
4.4.2
Metodo di Ritz-Galerkin
Grazie ad una buona generalizzazione nel caso monodimensionale possiamo riprendere velocemente i passaggi fondamentali per soermarci sul problema dellindicizzazione delle funzioni di interpolazione. Consideriamo il problema variazionale di trovare la soluzione u tale che a(u, v ) = l(v ) (4.17)
per le funzioni v dierenziabili due volte e omogenee rispetto alle condizioni al bordo poste nel problema. Quando il a ` e bilineare e simmetrica e l ` e lineare. Il metodo di Ritz ` e unapprosimazione dellequazione 4.17 nella forma della serie nita
n
un = 0 +
j =1
cj j
(4.18)
dove le costanti cj sono scelte in modo che per v = i=1...n a(un , v ) a(un , i )
n
= l(v )d = l(i )d
v = i dopo alcuni passaggi
cj a(j , i )
j =1
= l(i ) a(0 , i ) i {1, . . . , n}
Quindi abbiamo n equazioni, una a(1 , 1 ) . . .
per ogni i, che possono essere poste nella seguente forma matriciale . . . a(n , 1 ) c1 l(1 ) a(0 , 1 ) . . . .. . . . . . .= . a(n , n ) cn l(n ) a(0 , n ) (4.19)
a(1 , n ) . . .
AC =F
Osservazione 4.13. Trovare i valori di ci che soddisfano il sistema equivale a trovare i valori di u(xi ) e relativa funzione lineare a tratti un 4.18. Per questo motivo talvolta scriveremo A U = F .
1 programmatore
avvisato
4.4. METODO VARIAZIONALE DI APPROSSIMAZIONE
45
Il punto dolente ` e riuscire a trovare un assemblamento dei triangoli. Abbiamo unindicizzazione globale dei punti Ni e una locale relativa ai singoli elementi e, abbiamo dei punti al bordo che vanno trascurati conoscendone il valore. Si pu` o generalizzare un concetto di mappa tra gli indici dei nodi dei singoli elementi e gli indici globali, in modo da giustapporre le matrici di stiness locali Ae (relative al singolo elemento e). In pratica dobbiamo tenere conto che un elemento della matrice di stiness globale ` e generato da un somma di elementi relativi ai singoli triangoli a(i , j ) =
K Tn
aK (i , j )
Osservazione 4.14. Un modo per ridurre il numero di sviste e la prolissit` a della mappatura, ` e dato da una griglia uniforme di punti, vedi terza immagine di gura 4.7, con diagonali tutte poste nella stessa direzione. Grazie al fatto che in una griglia uniforme un nodo Nj interno ha sempre 6 triangoli/elementi da inuenzare, a dierenza di una triangolazione non uniforme dove non ` e detto a priori.
46
Appendix A
Riconoscimenti
Per la stesura di questo documento hanno giocato un ruolo fondamentale la documentazione posta nella bibliograa1 , in particolar modo il Reddy [Red84] per la prolissit` a e ricchezza desempi e le dispense [zhia] come terzo ottimo punto di riferimento e raronto. Il documento ` e scritto dopo aver seguito il corso di Analisi 2 presso il Corso di Laurea in Informatica nellA.A. 2004/2005, tenuto dalla Prof.ssa Vania Sordoni e Dot.ssa Maria Carla Tesi, che desidero ringraziare. Il percorso di apprendimento di questi concetti e di sviluppo del software ` e stato condiviso con Mattia Belletti e Matteo Montin, con i quali mi sento in debito. Inoltre, se in questo documento c` e qualcosa di corretto e gradevole si deve ringraziare Matteo che prestandomi gli appunti del corso mi ha permesso di dissipare dilemmi; Mattia per i suggerimenti, osservazioni e segnalazioni. Ovviamente, la presenza di eventuali errori ` e da imputarsi solo a me. Riconosco2 , che questo documento potrebbe contenere altre 40 pagine relativa ad un esempio pratico del metodo nel caso bidimensionale3 e a parti teoriche destinata a equazioni di quarto grado o dimostrazioni di convergenza4 .
1 sebbene in questa versione non lho ancora completata. Per una carenza di connessione ad internet e tempo per reperire i link esatti. 2 sebbene non sia un riconoscimento in senso di ringraziamento 3 probabilmente detraibili dalla relazione del progetto con opportune censure ;-) 4 potenzialmente inseribili in seguito
47
48
APPENDIX A. RICONOSCIMENTI
Bibliography
[BBM05] Mattia Belletti, Matteo Boccafoli, and Matteo Montin, Relazione progetto di analisi 2, http://mboccafo.web.cs.unibo.it/project/unibo/an2/an2.pdf, 2005. [Bel04] [Boc05] Mattia Belletti, Appunti di analisi matematica, http://gforge.students.cs.unibo.it/projects/analisi/, 2001-2004. Matteo Boccafoli, Matematica discreta appunti http://gforge.students.cs.unibo.it/projects/matedisc/, 2002-2005. ed esercizi,
[Com95] Valeriano Comincioli, Analisi numerica, metodi modelli applicazioni, McGraw-Hill, 1995. [Joh90] [Red84] [Sor05] [zhia] [zhib] [zhic] Claes Johnson, Numerica solution of partial dierential equation by nite element method, Cambridge University Press, 1990. J. N. Reddy, The introduction to the nite element method, McGraw-Hill, 1984. Vania Sordoni, Corso di analisi 2 a.a. 2004/2005 - complementi di analisi, 2005. http://www4.ncsu.edu/zhilin/TEACHING/MA587/notes1.pdf. http://www4.ncsu.edu/zhilin/TEACHING/MA587/notes0.pdf. http://www4.ncsu.edu/zhilin/TEACHING/MA587/notes6.pdf.
49
Index
C 0 (), 4 C 1 , 32 C 1 (), 5 C 2 , 34 C (), 5 C m (), 5 Hess, 35 Int(E ), 32 R(I ), 37 aperta curva semplice, 36 aperto insieme, 31 area triangolo, 44 Banach spazio di, 7 base funzione di, 19 boccia, 31 carico vettore di, 21 Cauchy, 8 successione di, 7 Cauchy-Schwarz disugualianza di, 8 chiusa curva semplice, 36 chiuso insieme, 31 compatto insieme, 32 connesso insieme, 32 continua funzione, 4, 32 convesso insieme, 32 costanti di Ritz, 21, 44 curva regolare, 35 semplice, 35 semplice aperta, 36 semplice chiusa, 36 50 debole formulazione, 14, 41 soluzione, 3 derivata parziale, 4 dierenziale parziale, 4 dimensione spazio vettoriale, 5 distanza, 5, 6 disuguaglianza triangolare, 6 disugualianza di Cauchy-Schwarz, 8 divergenza teorema, 40 equazione di Poisson, 40 esterno punto, 32 formula di Taylor, 35 formulazione debole, 14, 41 forte, 3, 40 variazionale, 14, 41 forte formulazione, 3, 40 soluzione, 3 frontiera insieme dei punti di, 32 punto di, 32 funzionale, 11 bilineare, 12 lineare, 11 simmetrico, 12 spazio, 4 funzione composta, 11 continua, 4, 32 di base, 19 di test, 13 lineare a tratti, 19 Hessiana matrice, 35 Hilbert
INDEX spazio di, 9 insieme aperto, 31 chiuso, 31 compatto, 32 connesso, 32 convesso, 32 dei punti di frontiera, 32 limitato, 32 punti interni, 32 regolare, 38 semplice, 38 integrabile secondo Riemann, 37 interno punto, 32 limitato insieme, 32 lineare a tratti funzione, 19 matrice di stiness, 21 Hessiana, 35 Metodo di Ritz, 20, 44 metodo di Galerkin, 21 di Petrov-Galerkin, 21 metrica, 5 minimizzazione problema di, 14 norma, 6 del massimo, 7 di Chebichev, 7 di Manhattan, 7 euclidea, 7 parametrizzazione, 35 parametrizzazioni equivalenti, 35 Petrov-Galerkin metodo di, 21 Poisson equazione di, 40 problema di minimizzazione, 14 variazionale, 14, 41 prodotto per scalari, 5 punto di frontiera, 32 esterno, 32 interno, 32 regolare curva, 35 insieme, 38 Riemann integrabile secondo, 37 Ritz costanti di, 21, 44 Metodo di, 20, 44 scalari prodotto per, 5 Schwartz teorema di, 35 Schwarz, 8 semplice curva, 35 insieme, 38 sfera, 31 simbolo variazionale, 13 soluzione debole, 3 forte, 3 spazio completo, 7 di Banach, 7 di funzioni, 4 di Hilbert, 9 nito dimensionale, 5 funzionale, 4 linearR, 5 metrico, 5 normato, 7 vettoriale, 5 stiness matrice di, 21 successione di Cauchy, 7 Taylor formula di, 35 teorema della divergenza, 40 di Schwartz, 35 di Weierstrass, 7 test funzione di, 13 tratti funzione lineare a, 19 triangolazione, 43 triangolo area, 44 variazionale formulazione, 14, 41 problema, 14, 41
51
52 simbolo, 13 vettore di carico, 21 Weierstrass teorema di, 7 x-semplice, 38 y-semplice, 38
INDEX

Elementi Finiti

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Elementi Finiti

Enviado por

Direitos autorais:

Formatos disponíveis

Metodo degli Elementi Finiti

Matteo Boccafoli March 27, 2007

CONTENTS Stima dellerrore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Consigli per lo sviluppo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 30 31 31 31 32 35 36 40 40 40 41 41 41 42 42 42 43 44 47

Fondamenti teorici di FEM 1D

Richiami e complementi di analisi

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

Integrazione per parti

f (x) g (x) dx = f (b)g (b) f (a)g (a)

Dierenziale totale e parziale di una funzione a due variabili

Osservazione 2.2. Per incrementi x e y abbastanza piccoli f

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

d (f, g ) = max |f (x) g (x)|

Osservazione 2.5. x y denisce una distanza tra due punti x, y

e norma u(x) = max max D|a| u|

Integrale di Lebesgue e spazi Lp

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

Esempio 2.9. Norma indotta dal prodotto scalare in Rn x = x1 , x2 , . . . , xn

Esempio 2.10. Prodotto interno in L2 f, g =

Sono rispettate : f, f 0 f, g f, g f, g + w Osservazione 2.9. u (x)v (x) dx

u ,v Osservazione 2.10. denotiamo u =

Teorema 2.2 (disugualianza di Cauchy-Schwarz). | u, v | u, u

2.2. RICHIAMI E COMPLEMENTI DI ANALISI Ora calcoliamo il discriminante 0 b2 4ac 0 (2 u, v )2 4 v, v u, u 4 u, v

Osservazione 2.13. Sebbene non ` e stato specicato u C 1 ([a, b]).

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

per eq. 2.2

(2.10) per parti eq. 2.5

(x) (x) dx + [x(x)]1 0

(x) (x) dx 1 (x) dx

(1) = (1) = 0 svolto la derivata

per eq. 2.3 raccolto (2.11)

se prendiamo g (x) = oppure g (x) = 1 1 x ]0, 1] x [1, 0] 1 1 x [0, 1] x [1, 0[

2.3. FORMULAZIONE VARIAZIONALE allora lequazione 2.11 ` e equivalente a

Con valore nullo al bordo

F (x, u(x), u (x)) =

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

Esempio 2.13. Per vericare che il seguente funzionale

` e lineare, procediamo come segue:

f (x) ((x) + (x)) dx f (x)(x) + f (x)(x)) dx

Verichiamo la linearit` a per largomento

((x) + (x)) u (x) dx (x) u (x) + (x) dx

Verichiamo la linearit` a per largomento u(x)

(x) (u (x) + w (x)) dx (x)u (x) + (x)w (x)) dx

2.3. FORMULAZIONE VARIAZIONALE

per eq. 2.1 per parti eq. 2.5 v (0) = v (1) = 0

(2.14) (2.15) (2.16) (2.17)

dv du dx + v (1)a(1)u (1) v (0)a(0)u (0) dx dx

Possiamo ora ricavare

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

Esempio 2.16. Se prendiamo F1 = F1 (u) e F2 = F2 (u), allora 1. (F1 F2 ) = F1 F2 2. (F1 F2 ) = F2 F1 + F1 F2 3. F1 F2 = F2 F1 F1 F2 2 F2

f (x) (x) dx = B (u, v ) l(u)

Denizione 2.23 (problema di minimizzazione). Lo spazio lineare

e la funzione lineare F : V R denita come F (v ) = 1 2

Trovare u V tale che F (u) F (v ) per ogni v V

Relazione tra le formulazioni

fa notare [Red84] a pag. 26

2.3. FORMULAZIONE VARIAZIONALE

valendo 2.22 e 2.23 allora abbiamo

CHAPTER 2. FONDAMENTI TEORICI DI FEM 1D

us1 (us1 us2 ) dx

us2 (us1 us2 ) dx

us1 us1 us1 us2 us2 us1 + us2 us2 dx

f us1 f us2 f us1 + f us2 dx 0 0

us1 us1 2us2 us1 + us2 us2 dx