Kurzzusammenfassung der numerischen

Methoden II und Anwendungsbeispiele für

Matlab und C++

Tobias Holzmann

Tobias.HolzmannHolzmann-cfd.de

13. August 2016

Inhaltsverzeichnis

1 Numerische Methoden II 2
1.1 Finite-Differenzen Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Finite Elemente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Einteilung der Probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Behandelte Probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Rechensterne für 1D Probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Diffusionsgleichung in Matlab 17

3 Gray-Scott-Modell 19

4 Anwendung der Numerischen Methoden II auf das  AFC Projekt 22

1
1 Numerische Methoden II
Wie, was, warum? Für was sind numerische Methoden gut?
In vielen naturwissenschaftlichen Bereichen sind physikalische Gesetze und Zusammenhänge
durch partielle Differenzialgleichungen gegeben. Vereinzelt können analytische Lösungen ge-
funden werden, sofern Vereinfachungen und Annahmen getroffen werden. Allgemein sind diese
Gleichungen jedoch nur numerische lösbar, weshalb numerische Methoden verwendet werden
müssen. Beispiele für die Anwendung numerischer Methoden:

• Maxwell-Gleichungen; siehe Vorlesung Magnetohydrodynamik bei Dr. Abdellah Kharicha

am Lehrstuhl SMMP

• Navier-Stokes-Gleichungen; siehe Vorlesung Grundlagen der numerischen Strömungsimulation

bei Prof. Dr. Andreas Ludwig am Lehrstuhl SMMP

• Flamelet-Gleichungen, Verbrennungslehre

• Chemische Reaktionsgleichungen (Katalyse)

• Alle in dieser Vorlesung besprochenen Problemstellungen

• usw.

Betrachtet man diverse partielle Gleichungen und Problemstellungen kann festgehalten wer-
den, dass alle Gleichungen einen ähnlichen Charakter haben. Allgemein werden die Probleme
in drei Kategorien eingeteilt:

• Parabolische Probleme

• Hyperbolische Probleme

• Eliptische Problem

Je nachdem was für Probleme gelöst werden, müssen bestimmte Kriterien beachtet werden.
Beispielsweise müssen für parabolische Probleme die lokalen Fourier Zahlen und für hyperbo-
lische Probleme die lokalen Courant-Friedrichs-Lewis Zahlen (oder einfach Courant Zahl) in
bestimmten Wertenbereichen liegen; die Wertebereiche sind auch abhängig von der räumlichen
Betrachtung (1D, 2D oder 3D).

1.1 Finite-Differenzen Methoden

Herleitungen von Finiten-Differenzen Methoden können anhand mehrerer Schematas durch-
geführt werden. Im Klartext werden die partiellen Differenzialgleichungen mithilfe von Diffe-
renzengleichungen approximiert. Es gibt verschiedene Approximationen wie beispielsweise die
Vorwärts-, Rückwärts- oder Zentraldifferenz. Ein Beispiel einer Diskretisierung für eine Funk-
tion φ(x) ist nachfolgend gegeben.
Zwei Hinweise:

2
 • Partielle Differenzengleichungen haben eine Gültigkeit im ganzen Kontinuum; Differen-
zengleichungen jedoch nur an diskreten Punkten

• Mithilfe eines Kontrollvolumens dV können anhand Differenzengleichungen partielle Diffe-

renzialgleichungen hergeleitet werden; Herleitungen aller relevanten Strömungsgleichungen
mit dieser Methode können in [Holzmann] eingesehen werden.

Grafische Herleitung
Abbildung 1.1 zeigt die Diskretisierung der Funktion φ(x). Bei der Diskretisierung gibt es zwei
Varianten a) äquidistante Gittermaschenweite (wie hier gezeigt); b) nicht-äquidistante Gitter-
maschenweite. Letzteres wird oft dann verwendet, wenn die Funktion lokal große Gradienten
aufweist, um eine eine genauere Auflösung der Gradienten zu erzielen. [Ferziger] beschreibt
zudem die Reduzierung numerischer Fehler durch Verwendung nicht äquidistante Gitterma-
schenweite.

y φi−1 φi
φ(x)
φi−1 φi+2
φi−2

i−2 i−1 i i+1 i+2 x

Abbildung 1.1: Räumlich Diskretisierung

Muss nun der Funktionswert der ersten oder zweiten Ableitung im diskreten Punkt i berechnet
werden, hat man verschiedene Möglichkeiten.
   2 
∂φ ∂ φ
∂x i ∂x2 i
Die erste Ableitung ist lediglich die Steigung der Funktion φ(x). Betrachten wir die lokale
Diskretisierung im Punkt i, so stellt die erste Ableitung die Tangente in diesem Punkt i zur
Funktion φ(x) dar. Die zweite Ableitung stellt geometrisch die Neigung der Tangente zur Kurve,
die die erste Ableitung darstellt, dar. In Abbildung 1.1 sind drei verschiedene Approximationen
um den Punkt i dargestellt:

• Grün: Rückwärtsdifferenz

• Gestrichelt: Vorwärtsdifferenz

• Rot: Zentraldifferenz

3
Wie erkennbar ist, stellt hier die Zentraldifferenz die genaueste Approximation der Steigung der
Tangente im Punkt i dar. Zudem ist offensichtlich, dass durch Gittermaschenweitenreduzierung
die Approximationen genauer werden. Ausgehend von der geometrischen Betrachtung können
folgende Approximationen hergeleitet werden.

Rückwärtsdifferenz:  
∂φ φi − φi−1
≈ (1.1)
∂x i xi − xi−1
Vorwärtsdifferenz:  
∂φ φi+1 − φi
≈ (1.2)
∂x i xi+1 − xi
Zentraldifferenz:  
∂φ φi+1 − φi−1
≈ (1.3)
∂x i xi+1 − xi−1
Die zweite Ableitung direkt zu diskretisieren ist nicht möglich [Ferziger]. Dies kann nur durch die
zur Hilfenahme der ersten Ableitungen durchgeführt werden. Hierbei können wieder verschie-
dene Approximationen hergeleitet und verwendet werden. Allgemein kann die zweite Ableitung
wie folgt hergeleitet werden:    
∂φ ∂φ
 2 
∂ φ ∂x i − ∂x i−1
≈ (1.4)
∂x2 i xi − xi−1
Je nach dem wie i und i − 1 definiert werden, wird die Vorwärts-, Rückwärts- und Zentraldif-
ferenz der zweiten Ableitung erhalten. Da wir die Diskretisierung der zweite Ableitung durch
zur Hilfenahme der erste Ableitung durchführen, nennt man die Diskretisierung der zweiten
Ableitung, äußere Diskretisierung, und die Diskretisierung der ersten Ableitung, innere Dis-
kretisierung. Die Unterscheidung ist wichtig, da für die innere und äußere Diskretisierungen
verschiedene Diskretisierungsmethoden verwendet werden können. Ein beispiel wäre wie folgt:
• Approximation der zweiten Ableitung via Zentraldifferenzen
• Approximation der ersten Ableitung via Vorwärts- und Rückwärtsdifferenz
Dies würde wie folgt aussehen:
   
∂φ ∂φ

∂2φ

∂x i+1 − ∂x i−1
≈ (1.5)
∂x2 i xi+1 − xi−1
 
∂φ φi − φi−1
≈ (1.6)
∂x i−1 xi − xi−1
 
∂φ φi+1 − φi
≈ (1.7)
∂x i+1 xi+1 − xi
Hier ist die erste Ableitung im Punkt i − 1 durch eine Vorwärtsdifferenz und im Punkt i + 1
durch eine Rückwärtsdifferenz approximiert. Die zweite Ableitung im Punkt i wird durch eine
Zentraldifferenz approximiert. Natürlich ist es auch möglich die ersten Ableitungen durch eine
Zentraldifferenz darzustellen. Dies würde allerdings bedeuten das wir weitere Punkte miteinbe-
ziehen, da eine Zentraldifferenz im Punkt i − 1 die Punkte i und i − 2 beinhaltet. Eine bessere
Alternative ist es, die ersten Ableitungen in den Punkten i− 21 und i+ 21 zu berechnen [Ferziger].
Diese Methode wird später zur Herleitung der Zentraldifferenz Approximation für die zweite
Ableitung für nicht-äquidistante Gittermaschenweite verwendet.

4
Taylor-Reihen Entwicklung
Anstelle der grafischen Herleitung ist es systematischer die Herleitung der Differenzen Appro-
ximationen mittels der Taylor-Reihe durchzuführen. Entwickelt man die Taylor-Reihe in der
Nähe vom Punkt xi folgt:
(x − xi )1 ∂φ (x − xi )2 ∂ 2 φ
   
φ(x) = φ(xi ) + +
1! ∂x i 2! ∂x2 i
(x − xi )3 ∂ 3 φ (x − xi )n ∂ n φ
   
+ + (1.8)
3! ∂x3 i n! ∂xn i
| {z }
Terme hoeherer Ordnung O

Bricht man nun nach der ersten Ableitung ab (Abbruchfehler), erhält man:
(x − xi )1 ∂φ
 
φ(x) = φ(xi ) + +O (1.9)
1! ∂x i
wobei O der Abbruchfehler darstellt. Stellt man nun nach der ersten Ableitung um
 
∂φ φ(x) − φ(xi ) O
= +  (1.10)
∂x i x − xi x − xi

und vernachlässigt die Terme höherer Ordnung O, erhält man folgenden Ausdruck:
 
∂φ φ(x) − φ(xi )
≈ (1.11)
∂x i x − xi
Je nach dem welche Beziehung man für x und xi einsetzt erhält man die oben genannten drei
Approximationen. Der große Vorteil ist, die Ausnutzung höherer Terme. Beispielsweise kann
die erste Ableitung genauer betrachtet werden, wenn Terme höherer Ordnung miteinbezogen
werden. Ein Beispiel wäre:
φ(xi ) − φ(xi−1 ) xi − xi−1 ∂ 2 φ (xi − xi−1 )2 ∂ 3 φ
     
∂φ
≈ − − (1.12)
∂x i xi − xi−1 2 ∂x2 i 6 ∂x3 i
Allerdings ist hier die Notwendigkeit gegeben, dass die Terme höherer Ordnung approximiert
werden müssen. Ein weiterer Vorteil der Taylor-Reihen-Entwicklung ist die Betrachtung des
Abbruchfehlers, auf den später näher eingegangen wird.
Hier wird zudem offensichtlich, wieso die erste Ableitung für die Diskretisierung der zweiten
Ableitung notwendig wird.

Polynomansatz
Eine weitere Möglichkeit die Approximation der Ableitung darzustellen, ist die Anpassung ei-
ner Interpolationsfunktion. Hierbei muss die Interpolationsfunktion an die Variablenwerte in
einigen Gitterpunkten angepasst und anschließend differenziert werden (je nach Betrachtung
der Ableitungsordnung). Wird eine lineare Interpolationsfunktion verwendet, erhält man die
Vorwärts-, Rückwärts- oder Zentraldifferenz-Approximation.
Einige weitere Ansätze sind in [Ferziger] gegeben. Wird beispielsweise eine Parabel durch die
Werte i − 1, i und i + 1 gelegt, erhält man nach längerer Herleitung die Approximation der
ersten Ableitung als:
φi+1 (∆xi )2 − φi−1 (∆xi+1 )2 + φ (∆xi+1 )2 − (∆xi )2
   
∂φ
= (1.13)
∂x i ∆xi+1 ∆xi (∆xi + ∆xi+1 )

5
Natürlich reduziert sich diese Gleichung bei äquidistanter Maschenweite zur Zentraldifferenz-
Approximation.

Abbruchfehler und Diskretisierungsfehler

Mithilfe der Taylor-Reihen Entwicklung kann eine Abschätzung des Abbruchfehlers (Abschei-
defehler, truncation error) getätigt werden. Wie der Name schon sagt, rührt er daher, dass
Terme vernachlässigt werden (Diskretisierungsfehler). Approximiert man die erste Ableitung
der Funktion φ(x) = sin(x) durch eine Aufwind-Differenz, folgt darauß:
φ(xi ) − φ(xi−1 ) xi − xi−1 ∂ 2 φ (xi − xi−1 )2 ∂ 3 φ
     
∂φ
≈ − − +O (1.14)
∂x i xi − xi−1 2 ∂x2 i 6 ∂x3 i
| {z }
Abbruch Terme
Da bei höheren Termen die Gittermaschenweite zur höheren Potenz steht, werden diese Ver-
nachlässigbar klein, sodass im Allgemeinen der erste fehlende Term die Fehlerdominanz be-
stimmt. Hier also die zweite Ableitung. Es folgt:
xi − xi−1 ∂ 2 φ
 
xi − xi−1
= sin(xi )00 (1.15)
2 ∂x2 i 2
Die zweite Ableitung von φ(x) = sin(x) → φ(x)00 = −sin(x). Im Vorlesungsbeispiel wurde
sin(x) an der Stelle x = 1 evaluiert. Der Abbruchfehler der hier abgeschätz wird ist:
xi − xi−1 xi − xi−1 0.1
sin(xi )00 = − sin(xi ) = − sin(1) = −0.042073
2 2 2
Es ist offensichtlich das der Fehlerbeitrag der dritte Ableitung eine Zehnerpotenz kleiner ist,
als die der Zweiten. Damit ist begründet, wieso Terme höherer Ordnung keine große Rolle in
der Fehleranalyse darstellen.
Als weiteres Beispiel wird die Funktion φ(x) = ex verwendet. Wird eine Vorwärts- oder
Rückwärtsdifferenz für die Approximation der ersten Ableitung verwendet, führt dies wieder
zum Sachverhalt, dass der Abbruchfehler proportional der zweiten Ableitung ist. Evaluiert man
den Funktionswert bei φ(1) folgt:
φ(x) = ex → φ(x)00 = ex
Bei einem Gitterabstand von 0.1 folgt ein Abbruchfehler von:
0.1
φ(1)00 = exp(1) = 0.13591
2
Verwendet man ein Zentraldifferenzenverfahren, so verschwindet die zweite Ableitung (Vorwärts-
und Rückwärtsdifferenzen haben unterschiedliche Vorzeichen → alle ungeraden Potenzen in der
Taylor-Reihe verschwinden; äquidistante Gittermaschenweite). Demnach ist der erste Abbruch-
term in der Zentraldifferenz Approximation proportional zur dritten Ableitung.
0.13
φ(1)000 = exp(1) = 0.0002265
12
Wie zu sehen ist, erhält man bei Verwendung der Zentraldifferenz Approximation wesentlich klei-
nere Abbruchfehler und damit ist das Ergebnis genauer. In anderen Worten, bei gleicher Gitter-
maschenweite ist die Approximation um drei Zehnerpotenzen genauer verglichen zur Vorwärts-
oder Rückwärtsdifferenz.
Hinweis: Es ist nicht immer die Regel, dass höhere Approximationsordnungen genauere Er-
gebnisse liefern. Daher wurde zu beginn der Vorlesung darauf hingewiesen, dass der theoretische
Unterbau der Finiten-Differenzen, verglichen mit denen der Finiten-Elementen, sehr lau ist.

6
Lösen des algebraischen Gleichungssystems (der Differenzengleichungen)
Für jeden diskreten Punkt erhalten wir ein Gleichungssystem mit den approximierten Diffe-
renzialgleichungen. Wir erhalten also ein Satz Gleichungen die genau der Anzahl der diskreten
Punkte entspricht. In einer Gleichung sind Informationen vom diskreten Punkt i und dessen
Nachbaren enthalten. Das zu lösende System wird oft wie folgt dargestellt:

Ax = b (1.16)

Hier stellt b ein Quellterm, x den Lösungsvektor und A die zu lösende Matrix dar.
Die Lösung des Matrixproblems könnte direkt mit der Inversen gefunden werden. Diese zu fin-
den ist jedoch oft schwer, mit hohem Aufwand verbunden oder kann überhaupt nicht gefunden
werden. Anstelle die Inverse zu finden, können andere Methoden zum Lösen des Matrixproblems
verwendet werden. Allgemein teilt man diese Methoden in direkte oder iterative (numerische)
Methoden ein. Hier ist die Vorlesung Matrix Algebra bei Prof. Dr. Arnold R. Kräuter zu emp-
fehlen.

Numerische Fehler
Da beim Lösen des Matrixproblems Zahlenwerte berechnet werden, die oft sehr viele Nach-
kommastellen aufweisen und diese aufgrund der Genauigkeit der Rechners abgeschnitten und
aufgerundet werden, werden diese Fehler als numerische Fehler bezeichnet. Schlüsselwörter:
C++, float, double, ... Genauigkeit, Mantisse etc.

Konsistenz
Konsistenz bedeutet, dass für gegen Null strebende Gitterabstände die diskretisierten Differen-
zengleichungen gegen die exakte partielle Differenzialgleichung läuft. Der Fehler zwischen
beiden wird (wie schon beschrieben) als Abbruchfehler bezeichnet.

Stabilität
Eine numerische Lösungsmethode wird als Stabil bezeichnet, wenn die Fehler die während des
Lösungsprozesses des Gleichungssystems auftreten nicht angefacht werden. Für zeitabhängige
Probleme garantiert die Stabilität, dass die verwendete Methode immer eine beschränkte Lösung
liefert solang die exakte Lösung auch beschränkt ist [Ferziger].
Für iterative Methoden (vor allem für stationäre Probleme), bedeutet Stabilität, dass die
Lösung nicht divergiert.
Die Stabilität ist eng mit den Eigenwerten der zu lösenden Matrix A verbunden. Sind einige
Eigenwerte > 1, folgt, dass sich der Fehler  aufschaukelt. Sind die Eigenwerte hingegen <
1, wird  abklingen. Das eigentliche Problem bei der Stabilitätsuntersuchung ist die Findung
der Eigenwerte der Matrix A. Alternativ ist es möglich die Eigenwerte durch die komplexe
Exponentialform:
φnj = σ n eiαj (1.17)
auszudrücken (von Neumann Methode). α repräsentiert die Wellenzahl, σ wurde in der Vor-
lesung mit ξ bezeichnet und stellt den Eigenwert dar. Für die Stabilitätsuntersuchung gibt es
folgende Lösungen a) die Lösungsmethodik kann bedingungslos instabil sein, sodass diese nutzlos
ist (der Fehler wird stets angefacht) oder b) die Lösungsmethodik ist bedingt stabil.

7
 Für Diffusions-Konvektions Problemen sollte die lokale Peclet-Zahl kleiner 2 sein:
u∆x
P ei = <2 (1.18)
Γ
Dominiert der Konvektionsterm (hyperbolische Probleme), so ergibt sich der Zusammenhang,
dass die Courant Zahl kleiner 1 sein sollte:
∆tu
Coi = <1 (1.19)
∆x
Bei dominierenden Diffusions-Problemen (parabolische Probleme), sollte die Fourier Zahl be-
stimmte Grenzen nicht überschreiben. Während der Vorlesung konnte folgender Zusammenhang
festgehalten werden:
∆tΓ
F oi = (1.20)
∆x2
1 1 1
F oi < (1D) F oi < (2D) F oi < (3D)
2 4 8
Es sei angemerkt, dass die Bedingung des Fourierkriteriums strenger ist als das Courant-
Kriterium.

Konvergenz
Unter Konvergenz versteht man das für gegen Null tendierende Gitterabstände das numerische
Lösungsverfahren gegen die exakte Lösung läuft. Nicht zu verwechseln mit Konsistenz.

Minimierungsproblem
Eine weitere Methodik zur Lösung partieller Differenzialgleichungen, können durch sogenannte
Minimierungsprobleme ausgedrückt werden. Man sucht ein Funktional das die partielle Diffe-
renzialgleichung minimiert. D.h. die erste Ableitung des Funktionals muss Null ergeben. Die
Herausforderung ist hier diejenige, dass das Funktional nicht nur an einem Wert evaluiert wer-
den muss sondern für alle diskreten Punkte.
Diese Methodik liefert letztlich den Basisgedanken für die Finiten-Elemente.

1.2 Finite Elemente

[Ferziger] bezeichnet den Unterschied zwischen der Finiten-Elemente Methode und der Finiten-
Volumen Methode (hier nicht erwähnt) durch die Multiplikation der konservativen Gleichungen
mit einer Interpolationsfunktion, welche nur lokal definiert ist. Die Finiten-Elementen Theo-
rie hat einen wesentlich besseren Unterbau der Grundlagen und erlaubt dadurch detailiertere
Schemata für die Herleitung verschiedener Approximationen bereit zu stellen und kann dadurch
wesentlich akribischer untersucht und beschrieben werden.
Die Finite Elemente Methode kann mit Hilfe von Minimierungsproblemen hergeleitet werden.

Herleitung am Beispiel des Wärmeleitungsproblems

In [Goering] ist ein Beispiel gegeben, dass die Herleitung der FE-Technik anhand eines Wärmelei-
tungsproblems (Diffusionsproblem) an einem 3D Körper mit dem Volumen V und der Ober-
fläche S veranschaulicht. Nachfolgend wird dieses Beispiel herangezogen, jedoch so verändert,
dass es nachvollziehbarer wird.

8
 Die partielle Differenzialgleichung zum Lösen des stationären Wärmeproblems lautet (wichtig
3D, wir sehen später warum):
∇ • (λ∇T ) = Q (1.21)
Hier ist Q ein Quellterm, T die Temperatur und λ die Wärmeleitfähigkeit des Festkörpers. Diese
Gleichung wird auch als strong formulation of the problem bezeichnet.
Die Grundidee der Finite Elemente Methode ist nun, die oben genannte partielle Differenzi-
algleichung in eine andere Gestalt zu überführen. Diese neue Form (die es herzuleiten gilt) wird
als weak formulation of the problem genannt.
Im nachfolgenden wird die oben genannte Gleichung durch mathematische (äquivalente) Ope-
rationen in die weak forumlation überführt. Unter Annahme einer konstanten Wärmeleitfähigkeit
ist es mögich diese aus dem Divergenzoperator herauszuziehen:

λ∇ • ∇T = Q (1.22)
Q
Nun teilen wir die ganze Gleichung durch λ und führen q = λ ein:

∇ • (∇T ) = q (1.23)

Anschließend multiplizieren wird die linke und rechte Seite mit φ, dessen Bedeutung derzeit
noch keine Rolle spielt, und integrieren über das Volumen V . Es folgt:
Z Z
φ∇ • (∇T ) dV = φq dV (1.24)
V V

Die erhaltene Gleichung kann mit den vorliegenden Termen nicht weiter modifiziert werden.
Daher behelfen wir uns mit der Produktregel; Informationen bezüglich den hier verwendeten
Operatoren und Produktregeln sind in [Holzmann] zu finden:

∇ • (φ∇T ) = ∇T • ∇φ + φ∇ • (∇T ) (1.25)

Wir bringen nun den ersten Term von der rechten Seite auf die Linke und setzen in Gleichung
(1.24) ein: Z Z
[∇ • (φ∇T ) − ∇T • ∇φ] dV = φq dV (1.26)
V V
Z Z Z
∇ • (φ∇T ) dV − ∇T • ∇φ dV = φq dV (1.27)
V V V
Nachfolgend können wir mit dem Gausschen Integralsatz (hier wichtig, 3D) den ersten Term
in Gleichung (1.29) in ein Oberflächenintegral überführen. Der Gaussche Integralsatz lautet:
Z Z
∇ • (φ∇T ) dV = φ∇T • n dS (1.28)
V S

Es folgt: Z Z Z
φ∇T • n dS − ∇T • ∇φ dV = φq dV (1.29)
S V V
In den letzten zwei Gleichungen stellt n den Vektor normal zur Oberfläche dar und ist stets
nach außen gerichtet. Damit stellt der erste Term auf der linken Seite den nach außen ge-
richtete Gradienten normal zur Oberfläche dar. Die Oberfläche des betrachteten Körpers wird

9
normalerweise mit Randbedingungen belegt. Daher teilen wir das Oberflächenintegral in die
zwei Randbedingungen (Dirichlet und Neumann) auf [Sayas]. Es folgt:
Z Z Z Z
φ∇T • n dSD + φ∇T • n dSN − ∇T • ∇φ dV = φq dV (1.30)
SD SN V V

Da wir den Gradienten außerhalb unseres Rechengebiets für Dirichlet Randbedingungen

nicht wissen, nehmen wir an, dass φ auf der Oberfläche SD Null ist.

φ=0 auf SD

Mit dieser Annahme entfällt der erste Term auf der linken Seite und wir erhalten die transfor-
mierte Gleichung: Z Z Z
∇T • ∇φ dV = φ∇T • n dSN − φq dV (1.31)
V SN V

Gleichung (1.31) wird nun als weak-formulation bezeichnet. Wir erkennen das auf der linken
Seite T und φ linear vorkommen. Daher wird dieser Term auch als Biliniearform bezeichnet.
Auf der rechten Seite haben wir eine Randbedingung und ein Quellterm.
Bezugnehmend auf [Goering] wird die Temperatur auf der Oberfläche S zu Null gesetzt
(Dirichlet). Damit entfällt der erste Term auf der rechten Seite und wir erhalten dieselbe
Gleichung wie in [Goering]: Z Z
∇T • ∇φ dV = − φq dV (1.32)
V V
Z   Z
∂T ∂φ ∂T ∂φ ∂T ∂φ
+ + dV = − φqdV (1.33)
V ∂x ∂x ∂y ∂y ∂z ∂z V
Nun ein paar weitere Informationen, die ein paar Eigenschaften näher erläutern:
• Wie wir gesehen haben, entfällt die Neumann-Bedingung aufgrund unserer Annahme.
Daher wird diese Randbedingung auch als natürliche Randbedinung bezeichnet

• Die Dirichlet Randbedingung ist notwendig und wird als essentielle Randbedingung
bezeichnet

• Was ist φ? φ wird als Testfunktion im Zusammenhang mit der weak-formulation be-
zeichnet und prüft die Gleichung die durch T beschrieben wird. Die Idee dabei ist letztlich
folgende: Anstelle Gleichung (1.21) so zu behandeln, als würde man diese in jedem diskre-
ten Raum exakt Punkt für Punkt evaluieren, ist die Methode der Finite Elemente eine Art
Mittelung. Damit ist klar was φ für eine Bedeutung hat; φ stellt eine Mittelungsfunktion
dar, mit der Gleichung (1.21) gewichtet wird. Die Funktion φ stellt keine Unbekannte
dar aber wird mit ein paar wichtigen Eigenschaften belegt. Die ersten haben wir bereits
kennengelernt; φ = 0 auf SD . Zudem muss die Gewichtungsfunktion eine differenzierbare
Funktion sein, die eine Gültigkeit im gesamten Raum/Volumen V besitzt. Ausgedrückt
wird dies durch φ ∈ V

• Wie bereits erwähnt wurde das Beispiel für ein 3D Körper durchgeführt. Wenn jedoch die
Domain nun eine Fläche (2D) ist, so ist es nicht mehr möglich über den Gausschen In-
tegralsatz das Volumenintegral in ein Oberflächenintegral überzuführen. Glücklicherweise
kann man bei einem 2D Problem, dass auf ein Flächenintegral hinausläuft, das Greens
Theorem verwenden. Das Greens Theorem wandelt ein Oberflächenintegral in ein Li-
nienintegral, oder ein Volumenintegral in ein Oberflächenintegral (Sonderform Gausscher

10
 Integralsatz) um. Das heißt, im Spezialfall für ein 3D Körper sind Gauss Theorem und
Greens Theorem identisch, daher ist es besser die Transformation durch die Verwendung
des Greens Theorems zu kennzeichnen.

Bezüglich der Vernetzung des Volumenkörpers oder Oberfläche, führt man weiterhin noch be-
liebige Funktionen ψ ein und drückt die interessierende Größe über eine Summe aller Knoten-
punkte und den Funktionen aus: Dabei gilt, dass ψi nur lokal definiert ist. D.h. ψj = 1 wenn
j = i und ist Null für alle anderen Indizes ψj = 0 ∀ j 6= i.

T = ψ1 T1 + ψ2 T2 + ψ3 T3 + ... + ψn Tn (1.34)

Interpolationsfunktion
Die beliebigen Funktionen ψ werden auch als Interpolationsfunktionen bezeichnet. Diese Funk-
tionen haben eine ganz spezielle Eigenschaft. Sie besitzen den Wert 1 genau, und nur genau, an
einem diskreten Punkt (Element) i und fallen zum Nachbarpunkt auf Null ab.
Beispiel: Im diskreten Punkt i ist die Interpolationsfunktion ψ = 1, in den benachbarten Wer-
ten ist ψ = 0. ψ ist somit nur lokal definiert. Der Vorteil der durch die Interpolationsfunktion ψ
entsteht ist folgender: Werte zwischen den Punkten können relativ einfach berechnet werden. Im
1D Fall ist dies relativ einfach darzustellen und verständlich sofern die Interpolationsfunktionen
linear sind und somit Dreiecke darstellen; siehe nachstehende Abbildung.

φ φi−2Ti−2 φi−1Ti−1 φi Ti φi−1Ti+1 φi+2Ti+2

1

i−3 i−2 i−1 i i+1 i+2 i+3 x

Abbildung 1.2: Interpolationsfunktionen und deren Gültigkeit

Die Interpolationsfunktionen werden auch als Hat-Functions bezeichnet. Sind Interpolations-

und Gewichtungsfunktion identisch, so nennt man die FEM Diskretisierung Galerkin Diskreti-
sierung; φ = ψ.

Steifigkeitsmatrix
Die Steifigkeitsmatrix der Elemente enthält die Informationen der einzelnen diskreten Elemen-
te und wird oft mit K gekennzeichnet. Eine kurze Herleitung der Steifigkeitsmatrix ist hier
0gegeben: http://www.fem-praxis.de/grundlagen/theorie/element-steifigkeitsmatrix/

Real- und Referenzraum

In der FE-Methode werden die Realräume, d.h. die korrekten Elemente die nach der Diskreti-
sierung erhalten werden, in ein Referenzraum überführt. Beispielsweise wird ein unregelmäßiges
Dreieck (Triangle im 2D Fall), in ein gleichmäßiges, bspw. gleichschenkliges Dreieck überführt.
Daher müssen Tranformationsregeln eingeführt und angewendet werden. Durch diese Transfor-
mation wird die Steifigkeitsmatrix wesentlich vereinfacht. Im Allgemeinen wird das komplexe
Problem im Realraum auf ein sehr einfaches Problem im Referenzraum umgemünzt.

11
1.3 Einteilung der Probleme
Wie zu Beginn schon erwähnt wurde, können die Problemstellungen anhand den Gleichungen in
drei Kategorien eingeteilt werden. Mit anderen Worten bedeutet das, dass quasilinieare partielle
Differenzialgleichungen 2. Ordnung mit zwei unabhängigen Variablen mittels charakteristischen
Linien unterteilt werden. Diese Charakteristiken-Linien beschreiben die Informationsausbrei-
tung im Raum-Kontinuum. Die quasiliniearen partiellen Differenzialgleichungen 2. Ordnung
weisen zwei Sätze von Charakteristiken-Linien auf [Ferziger].

Hyperbolische Probleme
In hyperpolischen Problemen sind die Charakteristiken reel und unterschiedlich. Das heißt, dass
sich die Information mit endlicher Geschwindigkeit in Sätzen von Richtungen ausbreitet. Im 1D
Fall, bezogen auf einen diskreten Punkt im Lösungsfeld i, bedeutet das, dass Informationen
über die zu lösende Variable von der linken und rechten Seite eintreffen. Beispiel hier wäre eine
instationäre, nichtviskose kompressible Strömung, da sich Schallwellen und Stöße im ganzen
Lösungsgebiet ausbreiten.

Parabolische Probleme
Bei parabolischen Problemen degenerieren die Charakteristiken zu einem einzigen reelen Satz.
D.h. die Informationsausbreitung ist gerichtet und theoretisch unendlich schnell. Ein Beispiel
für die unendliche Ausbreitungsgeschwindigkeit kann an einem Biegebalken erläutert werden.
Ist die linke Seite fest eingespannt und wirkt auf der rechten Seite eine Kraft ein, so erfährt
unweigerlich nach der Kraftaufnahme (egal wie groß) die linke Seite eine Änderung (Momente,
Kräfte). Ein Beispiel der gerichteten Informationsausbreitung ist leicht zu erklären; Wärme fließt
immer von warm nach kalt; Konzentrationen gleichen sich immer von hohen zu niedrigen aus.
Probleme die solch eine gerichtete Informationsausbreitung haben und diffusive sind, werden
parabolische Probleme genannt.

Elliptische Probleme
Im elliptischen Fall sind die Charakateristiken-Linien imaginär oder komplex. D.h. es gibt keine
bevorzugte Ausbreitungsrichtung. [Ferziger] beschreibt zudem, dass in solchen Problemen, der
Informationsaustausch in alle Raumrichtungen gleich gut erfolgt. Zudem wird betont, dass insta-
tionäre Probleme nie rein elliptischer Natur sind. [Ferziger] erwähnt hierbei eine Strömungsform
mit Rezirkulationsgebiet. Die Informationen sind somit Stromauf- und Abwärts zu finden. Ein
Beispiel wäre hier auch der Biegebalken.

Zusammenfassend
Aufgrund der unterschiedlichen Problemstellungen und der damit verbundenen Natur des Pro-
blems, spiegelt sich auch die zu verwendende Lösungsmethodik wieder. Nicht jede Diskritisie-
rungsmethode ist für alle Problemstellungen gleich gut geeignet. Zudem besitzen viele Gleichun-
gen ein Mischmasch aus den oben genannten Einteilungen und es ist oftmals nicht eindeutig,
welches Problem zu Grunde liegt. Die Klassifizierung der Probleme ist oft hilfreich um diverse
Einhaltungskriterium zu garantieren (Fo, Co, Pe) und helfen bei der Auswahl der numerischen
Methoden.

12
1.4 Behandelte Probleme
Während der Vorlesung und Übung wurden folgende Probleme besprochen, selber hergeleitet
oder mittels vorgefertigten Programmen untersucht:

• stationäre Wärmeleitungsproblem via FD-Methode (elliptisches Problem, Diffusion; Tem-

peratur - von heiß nach kalt; Species - von hoher Konzentration zu geringer Konzentration)

• stationäre Poisson Gleichung FE-Methode (Elliptisches Problem)

• Helmholtz-Gleichung FE-Methode (stehende Welle, Eigenwertproblem)

• Konvektions-Diffusionsgleichung via FD-Methode; instationär; hyperbolisch-parabolisches

Problem; der parabolische Charakter kommt aus der Zeitdiskretisierung; die Lösung läuft
in eine Richtung von einem Zeitpunkt zum anderen [Ferziger].

• Wellengleichung via FD-Methode (Hyperbolisches Problem)

• Burgers-Gleichung mittels FD-Methode (Einführung in Charakteristiken-Linien; Schock-

welle; zwei Lösungen für einen Wert → nicht erlaubt, abschneiden und unten anfügen →
Abflachung)

• Traffic Jam via FD-Methoden (Charakteristiken-Linien in verschiedene Richtungen, Hy-

perbolisches Problem)

• Gray-Scott Model

Während der Übung wurden verschiedene numerische Methoden (Differenzen-Approximationen)

auf verschiedene Gleichungen angewendet und damit gespielt. Des Weiteren wurden Rechenster-
ne eingeführt, Fehleranalysen, Stabilitätsanalysen mittels der Methodik von Neumann, Konsi-
stenzüberprüfung und spezielle Methoden wie die Methoden von Godonov besprochen.

1.5 Rechensterne für 1D Probleme

Instationäre Diffusions Probleme

Fo 1 − 2F o Fo

Abbildung 1.3: Rechenstern, FTCS (Forward in Time Centered in Space); EXPLIZIT

13
 −F o 1 + 2F o −F o

Abbildung 1.4: Rechenstern, FTCS (Forward in Time Centered in Space); IMPLIZIT

− F2o 1 + Fo − F2o

Fo Fo
2 1 − Fo 2

Abbildung 1.5: Rechenstern, Crank-Nicholsen-Verfahren (Mittelung von beiden oben

genannten)

Instationäre Konvektions Probleme

Co
2 1 − Co
2

Abbildung 1.6: Rechenstern, FTCS (Forward in Time Centered in Space); EXPLIZIT

1 Co 1 Co
2 + 2 0 2 − 2

Abbildung 1.7: Rechenstern, Lax-Friedrichs-Verfahren (Mittelwert im zentralen Punkt) EX-

PLIZIT

Co 1 − Co not used

Abbildung 1.8: Rechenstern, Rückwärts-Differenz (Upwind-Verfahren) EXPLIZIT

14
 1

Co Co2 Co2
2 + 2 1 − Co2 − Co
2 + 2

Abbildung 1.9: Rechenstern, Lax-Wendroff-Verfahren (nimmt nicht das ganze arithmetrische

Mittel wie das Lax-Friedrichs Verfahren); EXPLIZIT

Folgendes Verfahren wurde nach einer Übung selber implementiert, lief jedoch nicht stabil.

− 21 Co 2Co 1 − 32 Co not used

Abbildung 1.10: Rechenstern, Two-Point-Upwind (Rückwärts-Differenz); EXPLIZIT

Stationäre Probleme
Die Rechensterne sehen für die stationären Problem ähnlich aus, wobei hier nicht in der Zeit
vorangeschritten wird. D.h. die Zeitableitung in den Gleichungen fällt heraus, das jedoch ein
Problem mit sich bringt. Der Zeitschritt kann als eine Art Limitierung der neu berechneten
Größe angesehen werden; das Anwachsen oder Absinken. Mit anderen Worten, der Zeitschritt
lässt nur eine gewisse Änderung des neuen Wertes φni zu. Da dieser Umstand bei stationären
Problemen nicht gegeben ist, ist eine sogenannte Unterrelaxation notwendig. Dies limitiert den
neuen Wert φn+1i wie folgt:
φn+1
i = φni + (φn+1
i − φni )α (1.35)
Hier stellt α den Unterrelaxationsfaktor dar uns muss zwischen 0 < α < 1 liegen. Die Grenzwerte
für α können direkt gesehen werden und interpretiert werden. Erlaubt man dem Lösungsverfahren
die generische Variable φ im vollen Umfang mit dem neu berechneten Wert zu ersetzen, kann
dies zu Instabilitäten führen (sehr häufig der Fall).

Kopplung von instationären Problemen mit stationären Ansätzen (in Anlehnung an die
NS-Gleichungen
Da für instationäre Probleme der Zeitschritt ein limitierender Faktor ist, kann man die Ansätze
von stationären Problemen (Unterrelaxation) mit den transienten verknüpfen. Dies erlaubt es
wesentlich größere Zeitschrittweiten zu wählen. Allgemein wird wie folgt vorgegangen. In jedem
Zeitschritt wird die Lösung wie ein stationäres Problem behandelt. Die Berechnung der Lösung
im Zeitschritt wird mit Unterrelaxationsfaktoren durchgeführt, damit die durch den größeren
Zeitschritt verursachte mögliche Instabilität nicht auftritt, und vereinigt somit Methoden für in-
stationäre und stationäre Probleme. Für die Navier-Stokes Gleichungen werden diese Methoden
wie folgt bezeichnet:
• PISO := Pressure Implicit with Splitting of Operators
• SIMPLE := Semi-Implicit Method of Pressure Linked Equations

15
 • PIMPLE := Merged PI(SO) + (SI)MPLE

Hier ist der PISO Algorithmus für transiente, der SIMPLE für stationäre und der PIMPLE die
Kombination beider. Die Lösung der Navier-Stokes-Gleichungen erforder zudem eine besondere
Aufmerksamkeit des Druckes; daher wurden die hier vorgeschlagenen Methoden erwähnt. Für
die Probleme, die in der Vorlesung behandelt worden sind, sind diese Methoden nicht notwendig.

16
2 Diffusionsgleichung in Matlab
In Matlab wurde folgende Diffusionsgleichung mittels dem expliziten und impliziten Verfahren
umgesetzt:
∂φ ∂2φ
= D 2 + φs
∂t ∂x
Im folgenden Abschnitt wird die Herleitung der expliziten Methode sowie die Entwicklung der
Matrix A, welche für die implizite Berechnung benötigt wird, aufgezeigt. In der oben genannten
Gleichung stellt φ eine beliebige Größe dar, D ist der Diffusionskoeffizient und φs stellt einen
expliziten Quellterm dar. Die Gleichung wird mittels der Euler (Zeit) und einer Zentraldifferenz-
Approximation diskretisiert.

Explizit
Die explizite Gleichung ist relativ einfach herzuleiten.

φn+1 − φni φn − 2φni + φni+1

i
= D i−1 + φs
∆t ∆x2
Diese Gleichung kann direkt berechnet werden, nachdem wird nach der Unbekannten auflösen:
D∆t n
φn+1
i = 2
(φi−1 − 2φni + φni+1 ) + ∆tφs + φni
∆x
| {z }
Fo

φn+1
i = F o(φni−1 − 2φni + φni+1 ) + ∆tφs + φni
Wird die Klammer aufgelöst, erhält man die Analogie zum ersten Rechenstern auf Seite 13.

φn+1
i = F oφni−1 − 2F oφni + F oφni+1 + ∆tφs + φni

Das parabolische Problem hat die Restriktion das für 1D Berechnung die Fourier-Zahl kleiner
gleich 0.5 sein muss. Anderenfalls ist dieses Verfahren instabil.

Implizit
Die Lösung der Gleichung mittels der impliziten Methodik erlaubt größere Fourier-Zahlen und
dadurch größere Zeitschritte. Hierfür muss die Matrix A erstellt werden.

φn+1 − φni φn+1 − 2φn+1 + φn+1

i
= D i−1 i i+1
+ φs
∆t ∆x2
Nun bringen wir die Unbekannten auf die linke Seite:
D∆t n+1
φn+1
i = (φ − 2φn+1 + φn+1 n
i+1 ) + ∆tφs + φi
∆x2 i−1 i

D∆t n+1
φn+1
i − (φ − 2φn+1 + φn+1 n
i+1 ) = ∆tφs + φi
∆x2 i−1 i

17
 φn+1
i − F oφn+1 n+1
i−1 + 2F oφi − F oφn+1 n
i+1 = ∆tφs + φi

−F oφn+1 n+1
i−1 + (2F o + 1)φi − F oφn+1 n
i+1 = ∆tφs + φi

Man erkennt deutlich den Rechenstern für die implizite Methode von Seite 13. Der Wert φn+1
i ist
abhängig von den linken und rechten Nachbarpunkten. Entsprechend erhalten wir eine Tridia-
gonalmatrix. Die Einträge in der Matrix sind die Koeffizienten von den benachbarten Punkten
und dem Wert am Punkt i selbst. Dadurch sieht die Matrix A wie folgt aus (hier ein Beispiel
mit 7 diskreten Punkten):

−F o
 
2F o + 1 0 0 0 0 0

 −F o 2F o + 1 −F o 0 0 0 0 


 0 −F o 2F o + 1 −F o 0 0 0 


 0 0 −F o 2F o + 1 −F o 0 0 


 0 0 0 −F o 2F o + 1 −F o 0 

 0 0 0 0 −F o 2F o + 1 −F o 
0 0 0 0 0 −F o 2F o + 1

Nun ist es möglich das Gleichungssystem das aus den einzelnen algebraischen Gleichungen
besteht zu lösen. Das zu lösende System ist Ax = b. b ist in dem oben genannten Fall wie
folgt:  n 
φ1 + ∆tφs
 φn2 + ∆tφs 
 n 
 φ3 + ∆tφs 
 n 
b=  4φ + ∆tφ s


 φn + ∆tφs 
 5 
 φn + ∆tφs 
6
φn7 + ∆tφs
Allerdings müssen für den ersten und letzten Wert noch zusätzlich die Randbedingungen hinzu-
gefügt werden, sodass diese Einträge letztlich wie folgt definiert sind (Dirichlet-Randbedingung):

φn1 + ∆tφs + RBleft

φn7 + ∆tφs + RBright

x stellt den Vektor der Unbekannten dar. Dieses Gleichungssystem kann nun durch Direkte-
oder Iterative Lösungsmethoden berechnet werden.
Die explizite und implizite Variante wurde in Matlab umgesetzt.

18
3 Gray-Scott-Modell
Während der Vorlesung wurde versucht das Gray-Scott-Modell umzusetzen, jedoch wurden
die zu erwarteten Muster nicht erhalten. Daher wurden die Gleichungen nochmals intensiver
analysiert und danach zuerst in OpenFOAM und dann in Matlab implementiert. Das Gray-
Scott-Modell ist eine Diffusions-Reaktionsgleichung von zwei Spezies A und B:
∂A
= Da ∇ • (∇A) − AB 2 + f (1 − A) (3.1)
∂t
∂B
= Db ∇ • (∇B) + AB 2 − (k + f )B (3.2)
∂t
In dieser Gleichung ist anzumerken, dass diese gekoppelt sind und die zweite Gleichung im
zweiten Term auf der rechten Seite einen nicht linearen Term enthält. Mit dieser recht simplen
Gleichung erhält man sehr komplexe und interessante Konzentrationsmuster. Diese Gleichung
kann für weitere Analysen numerischer Methoden herangezogen werden.
Nachfolgend wird die explizite und implizite Methode hergeleitet und zudem die Matrix her-
geleitet. Verwendet wurde eine Zentraldifferenzen Approximation für den Diffusionsgleichung.

Explizit
Das lösen beider Gleichungen ist mittels dem expliziten Verfahren sehr einfach durchzuführen.
Für die Spezies A erhält man folgende Gleichung:
An+1 − Ani Da
i
= (An − 2Ani + Ani+1 ) − Ani (Bin )2 + f (1 − Ani ) (3.3)
∆t ∆x2 i−1
An+1
i = F oAni−1 − 2F oAni + F oAni+1 − Ani (Bin )2 ∆t + f (1 − Ani )∆t + Ani (3.4)
Analog erhält man die Gleichung für die zweite Spezies B:

Bin+1 = F oBi−1
n
− 2F oBin + F oBi+1
n
+ Ani Bin Bin ∆t − (k + f )Bin ∆t + Bin (3.5)

Diese Gleichungen sind in Matlab umgesetzt und erzielen interessante Reaktionsmuster. Wichtig
ist den Zeitschritt klein zu halten, da keine direkte Kopplung beider Gleichungen implementiert
ist. Beide werden sequenziell gelöste und dann der nächste Zeitschritt eingeleitet. Ggf. ist die
fehlende Kopplung das Problem, dass die explizite und implizite Berechnungsvariante andere
Lösungen erzielen.
Zudem wurde versucht eine Matrix-Lösung für die explizite Methode zu implementieren (ohne
Erfolg). Es soll jedoch die Matrix Herleitung gezeigt werden.

An+1
i = F oAni−1 − 2F oAni + F oAni+1 − Ani (Bin )2 ∆t + f (1 − Ani )∆t + Ani (3.6)
An+1
i = F oAni−1 − 2F oAni + F oAni+1 − Ani (Bin )2 ∆t + f ∆t − f ∆tAni + Ani (3.7)
An+1 Ani−1 − 2F oAni + F oAni+1 + −(Bin )2 ∆t − f ∆t + 1 Ani + f ∆t


i = (3.8)
| {z } | {z }
schwach besetzte TDM Beitrag zur Hauptdiagonalen
n+1 n
A = MA + f ∆t (3.9)

19
Die Matrix für Gleichung B ist:

Bin+1 = F oBi−1
n
− 2F oBin + F oBi+1
n
+ Ani Bin Bin ∆t − (k + f )Bin ∆t + Bin (3.10)
Bin+1 = F oBi−1
n
− 2F oBin + F oBi+1
n
+ Ani Bin Bin ∆t − kBin ∆t − f Bin ∆t + Bin (3.11)
Bin+1 = F oBi−1
n
− 2F oBin + F oBi+1
n
+ [An B n ∆t − k∆t − f ∆t + 1] Bin (3.12)
| {z } | i i {z }
schwach besetzte TDM Beitrag zur Hauptdiagonalen
n+1 n
B = MB (3.13)

Implizit
Die implizite Berechnung benötigt die Kenntnis der Matrix M für beide Gleichungssysteme.
Die Herleitung wird kurz gegeben. Diese Methode wurde als dritte Möglichkeit in Matlab im-
plementiert. Es soll jedoch darauf hingewiesen werden, dass die Lösung des Matrizenproblems
mit iterativen Lösern getätigt werden sollte.

An+1 − Ani Da
i
= (An+1 − 2An+1 + An+1 n+1
i+1 ) − Ai (Bin )2 + f (1 − An+1 ) (3.14)
∆t ∆x2 i−1 i i

An+1
i = F oAn+1 n+1
i−1 − 2F oAi + F oAn+1 n+1
i+1 − Ai (Bin )2 ∆t + f ∆t − f An+1
i ∆t + Ani (3.15)
−F oAn+1
i−1 + 2F oAi
n+1
− F oAn+1
i+1 + Ai
n+1
+ An+1
i (Bin )2 ∆t + f An+1
i ∆t = f ∆t + Ani (3.16)
−F oAn+1 n+1
− F oAn+1 n 2
 n+1
= f ∆t + Ani

i−1 + 2F oAi i+1 + 1 + (Bi ) ∆t + f ∆t Ai (3.17)
| {z } | {z }
schwach besetzte TDM Beitrag zur Hauptdiagonalen

Das zu lösende System für die Spezies A lautet:

MAn+1 = (An + f ∆t) (3.18)

| {z }
b

In analoger Vorgehensweise erhält man das Matrixsystem für die Spezies B:

MB n+1 = B n (3.19)

Die Matrix zur Spezies B sieht wie folgt aus

n+1
−F oBi−1 + 2F oBin+1 − F oBi+1
n+1
+ [1 + Ani Bin ∆t + (k + f )∆t] Bin+1 = Bin (3.20)
| {z } | {z }
schwach besetzte TDM Beitrag zur Hauptdiagonalen

Gray-Scott-Modell und OpenFOAM

Eine wesentlich bessere Variante zur Implementierung solcher Modelle ist die Verwendung der
Open Source Toolbox OpenFOAM. Das Modell kann unter www.holzmann-cfd.de herunterge-
laden und kompiliert werden.

20
21
4 Anwendung der Numerischen Methoden II
auf das AFC Projekt
Für das AFC Projekt kann die Vorlesung der numerischen Methoden wunderbar angewen-
det werden. Dabei stellt das AFC Projekt die Programmierung einer Open Source Toolbox für
chemisch reagierende Gasgemische dar, die die Theorie der laminaren Flammenflächen verwen-
det. Die Abkürzung bedeutet: Automatic Flamelet Creator. Die Toolbox berechnet anhand der
Flamelet-Gleichungen die Chemie und tabelliert die Ergebnisse als sogenannte Look-Up-Tables,
welche im späteren CFD-Code (OpenFOAM®) verwendet werden können.
Die Flamelet-Theorie beschreibt die chemischen Reaktionen innerhalb einer dünnen Flam-
menfläche. Die Gleichungen die gelöst werden müssen, werden Flamelet-Gleichungen genannt.
Aufgrund der Tatsache, dass die Gleichungen lediglich von dem Mischungsbruch Z abhängig
sind, vereinfacht sich die Berechnung erheblich und kann auf eine 1D Berechnung reduziert
werden. Beispielsweise ist die Temperaturgleichung wie folgt definiert:
∂T ρχ ∂ 2 T
−ρ + ω̇ = 0 (4.1)
∂t 2 ∂Z 2
T stellt die Temperatur, t die Zeit, Z den Mischungsbruch und ω̇ ein Quellterm dar, der die
Reaktionsenthalpie berücksichtigt. Eine ähnliche Gleichung kann für die Species Erhaltungsglei-
chung aufgestellt werden. Bei den Gleichungen handelt es sich um Diffusionsgleichungen, somit
ein klassisches parabolisches Problem, bei der die Fourier-Zahl ein wichtiges Kriterium für die
Stabilität des numerischen Verfahrens darstellt.
Zum Lösen dieser Gleichung wird ein Zentrales-Differenzen Verfahren auf die zweite Ableitung
und das explizite Euler Verfahren auf die Zeitableitung angewendet.

Zeitliche Diskretisierung
Die zeitliche Diskretisierung im diskreten Punkt i ist einfach herzuleiten:
 n+1
− Tin
  
∂T Ti
ρ =ρ (4.2)
∂t i ∆t
Hier stellt n den alten und n+1 den neuen Temperatur Wert im Punkt i dar.

Räumliche Diskretisierung für nicht-äquidistante Gitter

Zum besseren Verständnis, kann die händisch Herleitung im Anhang hinzugezogen werden, da
im Folgenden die Herleitungen der Differenzen-Approximationen mittels der intuitive zu ver-
endende Methodik mittels Graphen geschieht. Alternative kann die Taylor-Reihen Entwicklung
verwendet werden (dies stellt eine wesentlich systematischere Vorgehensweise dar).
Bei der räumlichen Diskretisierung gibt es viele Möglichkeiten der Diskretisierung. Wie be-
reits erwähnt soll hier eine Zentrales-Differenzen verfahren angewendet werden. Wir betrachten
zunächste die zweite Ableitung:
∂2T
∂Z 2

22
Geometrisch betrachtet stellt die zweite Ableitung die Steigung der Tangente zur Kurve, die
die erste Ableitung darstellt, dar. Daher kann die zweite Ableitung durch die Verwendung der
ersten Ableitung im Punkt i dargestellt werden:
∂T ∂T



∂Z i − ∂Z i−1
 2 
∂ T
≈ (4.3)
∂Z 2 i Zi − Zi−1
Wie zu erkennen ist, können für die äußere und innere Approximation verschiedene Diskreti-
sierungen verwendet werden. Die äußere Diskretisierung stellt der oben genannte Ausdruck dar;
hier wurde eine Rückwärts-Differenzen-Approximation verwendet (i und i−1 ). Die Vorwärts-
Differenzen-Approximation würde wie folgt aussehen:
∂T ∂T



∂Z i+1 − ∂Z i
 2 
∂ T
≈ (4.4)
∂Z 2 i Zi+1 − Zi
Da wir uns bereits für eine Zentral-Differenzen-Approximation entschieden haben, lautet die
Approximation der zweiten Ableitung im Punkt i wie folgt:
∂T ∂T



∂Z i+1 − ∂Z i−1
 2 
∂ T
≈ (4.5)
∂Z 2 i Zi+1 − Zi−1
Nun benötigen wir die Approximation der ersten (inneren) Ableitungen. Hier ist es nicht zwin-
gend notwendig eine Zentral-Differenzen-Approximation durchzuführen. Es können beliebig an-
dere Approximationen verwendet werden. Wird eine Zentral-Differenzen-Approximation ver-
wendet, bedeutet dies, dass im Punkt i−1 und i+1 die erste Ableitung berechnet werden muss.
Damit ergibt sich folgender Zusammenhang:
 
∂T Ti − Ti−2
≈ (4.6)
∂Z i−1 Zi − Zi−2
 
∂T Ti+2 − Ti
≈ (4.7)
∂Z i+1 Zi+2 − Zi
Wie erkennbar ist, werden zusätzliche Stützstellen (i−2 und i+2 ) benötigt. Daher ist es sinnvoller
die ersten Ableitungen nicht im Punkt i−1 und i+1 zu berechnen sondern in den Punkten i− 1
2
und i+ 1 . Dies bedeutet, dass sich die zweite Ableitung wie folgt verändert:
2

∂T ∂T



∂Z i+ 12 − ∂Z i− 12
 2 
∂ T
≈ (4.8)
∂Z 2 i Zi+ 1 − Zi− 1
2 2

Entsprechend muss die erste Ableitung in den neuen Stützstellen approximiert werden. Es folgt:
 
∂T Ti − Ti−1
≈ (4.9)
∂Z i− 1 Zi − Zi−1
2
 
∂T Ti+1 − Ti
≈ (4.10)
∂Z i+ 1 Zi+1 − Zi
2

Nun können die ersten Ableitungen in die Approximation der zweiten Ableitung eingesetzt
werden, es folgt:
Ti+1 −Ti Ti −Ti−1
Zi+1 −Zi − Zi −Zi−1
 2 
∂ T
≈ (4.11)
∂Z 2 i Zi+ 1 − Zi− 1
2 2

Weiterhin gilt:

23
 • Zi− 1 = Zi − 12 (Zi − Zi−1 )
2

• Zi+ 1 = Zi + 12 (Zi+1 − Zi )
2

Daraus folgt:
Ti+1 −Ti

∂2T

Zi+1 −Zi − ZTii −T i−1
−Zi−1
≈ (4.12)
∂Z 2 Zi + 12 (Zi+1 − Zi ) − Zi − 12 (Zi − Zi−1 )
 
i
Ti+1 −Ti Ti −Ti−1
Zi+1 −Zi − Zi −Zi−1
 2 
∂ T
≈ 1 (4.13)
∂Z 2 i 2 (Zi+1 − Zi−1 )
Damit ist die Zentral-Differenzen-Approximation der zweiten Ableitung für nicht-äquidistante
Gitter hergeleitet.

Kontrolle mittels Annahme von äquidistanten Abständen

Werden äquidistante Abstände angenommen, so vereinfacht sich Gleichung (4.13), da folgende
Sachverhalte gelten:
• (Zi − Zi−1 ) = ∆Z
• (Zi+1 − Zi ) = ∆Z
• 1
2 (Zi+1 − Zi−1 ) = ∆Z
Es folgt:
Ti+1 −Ti
∂2T − Ti −T i−1
 
∆Z ∆Z
≈ (4.14)
∂Z 2 i ∆Z
 2  Ti+1 −Ti −Ti +Ti−1
∂ T ∆Z
≈ (4.15)
∂Z 2 i ∆Z
 2 
∂ T Ti+1 − 2Ti + Ti−1
2
≈ (4.16)
∂Z i ∆Z 2
Wie zu sehen ist, wird durch die Verwendung von äquidistanten Gittern die bekannte Formulie-
rung der Approximation der zweiten Ableitung erhalten und somit wurde die Korrektheit der
hergeleiteten Approximation der zweiten Ableitung für nicht äquidistante Gittermaschenweite
bestätigt.
Da die Berechnung im Open Source Programm, AFC, durch ein nicht-äquidistantes Git-
ter, durchgeführt wird, wird Formulierung (4.13) implementiert. Die Verwendung der nicht-
äquidistanten Maschenweite rührt daher, da vor allem im Bereich der stöchiometrischen Mi-
schung die Gradienten starken Änderungen unterworfen sind. Durch eine lokale Netzverfeinerung
werden diese besser aufgelöst und zudem stellt dies eine Reduktion der Diskretisierungsfehler
dar. Um zu überprüfen, ob die implementierte Gleichung korrekt arbeitet, wird anstelle von
Gleichung (4.1) folgendes Gleichungssystem zu Testzwecken gelöst:
∂T ∂2T
− =0 (4.17)
∂t ∂Z 2
Das Ergebnis der Berechnung ist nachfolgend dargestellt. Das grüne Profil stellt die Anfangs-
bedingung dar, wobei am linken und rechten Rand feste Temperaturwerte vorgegeben werden.
Die Lösung des Systems stellt eine Gerade dar. Jede rote Linie stellt dabei einen Zeitschritt
dar.

24
Abbildung 4.1: AFC Berechnung von Gleichung (4.17)

25
Literaturverzeichnis

[Holzmann] T. Holzmann: Mathematics, Numerics, Derivations and OpenFOAM, Open

Source (2016)

[Ferziger] J.H. Ferziger, M. Perić: Numerische Strömungsmechanik, Springer-Verlag

Berlin Heidelberg (2008)

[Goering] H. Goering, L. Tobiska, H-G. Roos: Die Finite-Elemente-Methode für

Anfänger, WILEY-VCH Verlag GmbH Weinheim (2010)

[Sayas] F-J. Sayas: A gentle introduction to the Finite Element Method, (2008)

26