Escolar Documentos
Profissional Documentos
Cultura Documentos
Outubro de 2002
Aspectos Fractais em Sistemas Complexos
Outubro de 2002
RESUMO v
ABSTRACT vi
INTRODUCA~ O 1
I Conceitos Basicos 5
1 Aut^omatos Celulares 7
1.1 Aut^omatos Celulares Determinsticos . . . . . . . . . . . . . . . . . . . . . 7
1.2 Aut^omatos Celulares Probabilsticos . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Regras de Atualizac~ao . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Percolaca~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1 Percolaca~o Direcionada . . . . . . . . . . . . . . . . . . . . . . . . . 18
II Aplicac~oes 40
3 O Modelo de Domany-Kinzel 44
3.1 Diagrama de Fases e o Metodo do Expoente de Crescimento . . . . . . . . 45
3.1.1 Representac~ao de Interfaces . . . . . . . . . . . . . . . . . . . . . . 47
3.1.2 Espalhamento de Danos . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Expoentes de Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2.1 Esquemas de Atualizac~ao . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Prescric~oes Teoricas . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Aproximac~ao de Campo Medio Din^amico . . . . . . . . . . . . . . . . . . . 65
3.4 Distribuic~oes Quase-Estacionarias de Probabilidades . . . . . . . . . . . . . 68
3.4.1 Aproximac~ao de Um Stio . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.2 Aproximac~ao de Pares . . . . . . . . . . . . . . . . . . . . . . . . . 75
Ap^endices 108
D Ap^endice D 183
REFERE^ NCIAS BIBLIOGRA FICAS . . . . . . . . . . . . . . . . . . . . . . . . 185
iv
Resumo
A teoria do crescimento fractal e um dos mais fascinantes temas que surgiu na Fsica
durante a segunda metade do seculo XX, tanto pela interdisciplinaridade das suas apli-
cac~oes quanto pelo sucesso da teoria em descrever uma gama diversa de fen^omenos
apresentados por sistemas complexos. Neste trabalho, propomos uma sntese do tema
a partir do estudo de sistemas simples e de modelos discretos, de modo a constituir um
arcabouco teorico suciente para a analise detalhada de problemas aplicados, utilizan-
do calculos analticos e simulac~oes. A principal contribuica~o deste trabalho consiste em
utilizar conceitos fractais para analisar o crescimento de superfcies rugosas geradas por
sistemas fora do equilbrio. Nesse contexto, introduzimos um metodo alternativo para a
identicac~ao de transic~oes de fase a partir da medida de expoentes crticos, possibilitando
de maneira natural a vericac~ao de classes de universalidade e classicaca~o de varios tipos
de transic~oes. Outra contribuic~ao original e a introduc~ao de um modelo de deposic~ao no
qual pode-se escolher tanto a distribuic~ao de tamanhos para as partculas (agregados)
quanto a morfologia das mesmas. Inicialmente projetado para simular pers de solos, esse
modelo representa uma generalizaca~o para o crescimento de superfcies fractais, o que lhe
atribui versatilidade suciente para sua aplicac~ao em varios processos de deposica~o.
v
Abstract
The fractal growth theory is one of the most attractive subjects that arose in the Physics
during the second half of the 20th century, as much for the interdisciplinarity of its
applications how much for the success of the theory in describing a wide range of phe-
nomena present in complex systems. In this work, we propose a synthesis of the subject
from the study of simple systems and discrete models, in order to constitute a theoretic
background sucient for a detailed analysis of applied problems, using analytic calcu-
lations and simulations. The main contribution of this work consists of using fractal
concepts to analyze the growth of rough surfaces generated by nonequilibrium systems.
In this context, we introduce an alternative method to identify phase transitions using the
measure of critical exponents, making possible in natural way the verication of univer-
sality classes in these transitions. Another original contribution is the introduction of a
deposition model which allows the choice as of the particle (agregate) size distribution as
the agregate morfologies. Initially designed for simulate soil proles, this model represents
a generalization of the fractal surface growth, what ascribe to it enough versatility to its
application in several deposition processes.
vi
Introduc~ao
Desde sua origem, em meados do seculo XIX, a Fsica Estatstica tem desempenhado
um papel fundamental na descrica~o, compreens~ao e concepc~ao dos fen^omenos naturais.
Originalmente criada para tratar sistemas onde o numero de variaveis era proibitivamente
grande, a disciplina experimentou um notavel desenvolvimento a partir da segunda metade
do seculo XX, devido em grande parte ao advento dos computadores. Desde ent~ao, a
Mec^anica Estatstica tornou-se a principal ferramenta para lidar com a complexidade
em diversos sistemas, e a Simulaca~o computacional se rmou como uma nova ^enfase
na Fsica, ao lado da Teoria e do Experimento. Entre os varios conceitos oriundos dos
desdobramentos da teoria, alguns causaram um impacto profundo na Fsica e na ci^encia
em geral, caso da Geometria Fractal, da Teoria de Escala e do Caos, a ponto de podermos
falar de uma verdadeira mudanca de paradigma em curso.
Am de enriquecer esta discuss~ao, apresentamos no Ap^endice A deste trabalho um his-
torico da Fsica Estatstica a partir das suas origens, na Termodin^amica e na Teoria
Cinetica dos Gases, ate o
orescimento dos fractais no nal do seculo XX, apos o apogeu
experimentado pela Mec^anica Estatstica com as tecnicas do Grupo de Renormalizac~ao
e a Hipotese de Escala e Universalidade. Dessa forma, esperamos deixar claro quais as
principais motivac~oes que nos levaram a trabalhar com o tema desta Tese e tornar explcita
sua relev^ancia para as demais areas do conhecimento humano, ja que o intuito central
desse ap^endice e mostrar o papel historico da Fsica Estatstica na mudanca em nossa
concepc~ao da realidade.
Em particular, estaremos interessados na Teoria do Crescimento Fractal, tema que tem
despertado um interesse enorme nos ultimos anos, principalmente devido a aplicabilidade
desta teoria na descric~ao e analise de fen^omenos fora do equilbrio termodin^amico. Neste
trabalho, oferecemos uma sntese do assunto explorando aspectos fractais no crescimento
de superfcies rugosas, em processos de deposica~o de partculas e no estudo de transic~oes
de fase em aut^omatos celulares probabilsticos, onde apresentamos os artigos publicados
pelo autor, em colaborac~ao com os orientadores, nos ultimos dois anos.
Como e praxe em trabalhos dessa natureza, abordaremos no corpo da Tese apenas as
contribuic~oes originais do presente trabalho, deixando para os ap^endices o arcabouco
teorico necessario para a plena compreens~ao das aplicac~oes, mas cuja leitura pode ser
dispensada pelo leitor ja familiarizado com os topicos abordados. Dessa forma, apresen-
1
tamos nos ap^endices e na primeira parte (Conceitos Basicos) alguns sistemas simples,
modelos discretos e equac~oes contnuas, onde o nvel de complexidade permite o apare-
cimento de uma diversa gama de comportamentos, como transic~oes de fase de 1a e 2a
ordens, criticalidade auto-organizada e transico~es de enrugamento. Antes de fazermos a
apresentac~ao do corpo da Tese, introduziremos os assuntos abordados pelos ap^endices,
am de que o leitor possa avaliar a necessidade ou n~ao da leitura dos mesmos.
No Ap^endice B, apresentaremos um resumo da teoria das Transic~oes de Fase no contexto
da Fsica Estatstica do Equilbrio, onde fazemos uma revis~ao dos principais conceitos
termodin^amicos envolvidos, com atenca~o especial para sistemas magneticos. Nesse nte-
rim, apresentamos a teoria de Curie-Weiss para o magnetismo e a teoria de Landau para as
transic~oes de fase, onde mostramos como o comportamento dos sistemas na criticalidade
pode ser descrito por um conjunto de expoentes crticos. Em seguida, apresentamos o
modelo de Ising, o primeiro a ser resolvido exatamente em um caso n~ao-trivial e fornecer
expoentes crticos compatveis com os valores encontrados em experimentos em sistemas
reais. O modelo de Ising se tornou o principal modelo estudado pela Mec^anica Estatstica
e o estudo detalhado de suas propriedades na criticalidade levou ao desenvolvimento das
leis de escala e do grupo de renormalizac~ao. Dessa forma, ao nal da decada de 1970,
a Mec^anica Estatstica foi capaz de fornecer um panorama de classes de universalidade
para as transic~oes de fase, alem de um formalismo rigoroso que poderia ser aplicado tanto
a problemas no equilbrio quanto fora dele, tal como detalhado na ultima sec~ao desse
ap^endice.
Entretanto, este n~ao foi o unico desdobramento da teoria; as estruturas encontradas nos
sistemas em seus pontos crticos levou a descoberta de uma nova geometria na natureza,
a Geometria Fractal, capaz de descrever com alto grau de delidade tanto as estruturas
formadas na criticalidade quanto uma diversidade de formas encontradas na natureza.
No Ap^endice C, fazemos um breve apanhado desta geometria, com atenc~ao especial
ao estudo de superfcies auto-ans, o tema central das aplicac~oes desta Tese. Esta
geometria e intrinsecamente associada a criticalidade e fornece ferramentas essenciais
para quanticaca~o e plena compreens~ao dos fen^omenos crticos
Separamos o corpo da Tese em duas partes: na primeira parte apresentamos os conceitos
basicos indispensaveis para a total compreens~ao das aplicac~oes, mostradas na segunda
parte. No primeiro captulo, apresentamos os aut^omatos celulares, uma classe de modelos
intrinsecamente computacionais que possuem um amplo espectro de aplicac~oes, e nos quais
se concentra a maior parte das contribuico~es deste trabalho. Em particular, estaremos
interessados no estudo de dois aut^omatos celulares probabilsticos, cuja classe de univer-
salidade e a mesma apresentada pela percolaca~o direcionada, tema abordado na ultima
sec~ao desse captulo.
No segundo captulo, fazemos um breve estudo dos modelos de crescimento de superfcies,
abordando tanto modelos discretos quanto equaco~es contnuas de crescimento, bem como o
problema de geraca~o de numeros aleatorios. Mostraremos que a rugosidade das superfcies
2
geradas possuem propriedades de escala universais, as quais podem ser associadas a
expoentes crticos que governam o comportamento do sistema e caracterizam as diferentes
classes de universalidade associadas ao crescimento de superfcies.
Na segunda parte, apresentamos tr^es problemas aplicados onde utilizamos os conceitos e
as ferramentas apresentadas nos ap^endices e na primeira parte: o estudo de pers rugosos
gerados por aut^omatos celulares probabilsticos, as propriedades quase-estacionarias das
transic~oes para o estado absorvente presente nesses modelos e um modelo discreto para
simular pers de solos. Como ja dissemos, estes topicos relacionam-se diretamente com
os artigos cientcos publicados pelo autor durante o perodo de doutoramento.
No terceiro captulo, fazemos um estudo detalhado do aut^omato celular probabilstico
de Domany-Kinzel em uma dimens~ao (DKCA), um dos pricipais modelos da Mec^anica
Estatstica Fora do Equilbrio. Em cada uma das tr^es sec~oes desse captulo, exporemos o
conteudo de um artigo diferente, iniciando pelo estudo do diagrama de fases do DKCA.
Atraves do metodo do expoente de crescimento para identicac~ao de transic~oes de fase,
proposto pelo autor em colaborac~ao com o orientador, levantamos o diagrama de fases do
DKCA. O metodo consiste em medir o expoente de crescimento associado a representac~ao
de interfaces do DKCA que, na criticalidade, possui um maximo cujo valor esta associado
a classe de universalidade da percolaca~o direcionada. Alem do expoente de crescimento,
pode-se utilizar a representaca~o de interfaces para se determinar os outros expoentes
crticos associado ao crescimento de superfcies rugosas auto-ans, que e o objetivo da
sec~ao seguinte. Na ultima sec~ao do captulo, mostramos um estudo analtico do DKCA,
feito pelo autor em colaborac~ao com o coorientador, onde e apresentado um formalismo
para se estudar transico~es de fase para um estado absorvente em sistemas discretos que
apresentam um regime quase-estacionario (caso do DKCA).
No captulo seguinte, estudamos outro aut^omato celular probabilstico unidimensional
que pode ser considerado a extens~ao natural do DKCA pois, apesar de apresentar um
par^ametro a mais no diagrama de fases, encontra-se na mesma classe de universalidade.
Este modelo foi proposto originalmente considerando-se apenas um plano do espaco tri-
dimensional de par^ametros; neste trabalho estendemos a analise, esbocando o comporta-
mento do rico diagrama de fases do modelo em tr^es dimens~oes, que apresenta transic~oes
contnuas e descontnuas, uma linha de pontos tricrticos com um ponto bicrtico terminal
e uma transica~o reentrante para o espalhamento de danos. Algumas das caractersticas
descritas foram observadas pela primeira vez em diagramas de fase de aut^omatos celulares
e encontram-se em um artigo recentemente submetido para publicac~ao.
No quinto captulo, apresentaremos um modelo de deposic~ao de que considera partculas
(agregados) com diferentes tamanhos e morfologias, cuja motivac~ao inicial foi a simulac~ao
de pers de solos. Esse trabalho foi publicado apos um curto interc^ambio cientco do
autor no Instituto de Geologia da Universidade da Coru~na, Espanha, onde varios projetos
experimentais relacionados a esse tema t^em sido desenvolvidos.
3
Finalmente, apresentamos nossas conclus~oes e perspectivas no captulo nal, onde inclu-
mos um eplogo apontando alguns provaveis e outros desejaveis desdobramentos desta
Tese.
4
Parte I
Conceitos Basicos
5
Pre^ambulo
Uma denic~ao simplista, mas bastante disseminada, considera que sistemas complexos
s~ao redutveis a subsistemas simples que, quando concatenados, desencadeam um com-
portamento coletivo n~ao trivial. Tais subsistemas podem ser id^enticos ou diferentes,
frequetemente s~ao conectados de maneira n~ao trivial, podendo se diferenciar em partes,
componentes ou estruturas. Exemplos de sistemas complexos s~ao inumeros, e frequete-
mente envolvem disciplinas diversas como fsica, biologia, computac~ao, qumica, ci^encias
sociais, etc. Utilizando esta denic~ao, faremos nesta primeira parte uma descric~ao sucinta
de diferentes topicos dentro da Fsica Estatstica Fora do Equilbrio que,ao lado dos A-
p^endices B e C, constituem o arcabouco teorico suciente para a total compreens~ao das
aplicac~oes do trabalho.
Os dois captulos seguintes s~ao breves introduco~es para os assuntos mais intimamente
ligados as aplicac~oes da tese; inicialmente, apresentamos os aut^omatos celulares (CA),
que se tornaram um dos principais modelos da Fsica Estatstica Fora do Equilbrio,
apresentando uma vasta gama de aplicac~oes [183], e que corroborou para a incorporac~ao
dos conceitos fractais pelo meio cientco. Em particular, estaremos interessados no
estudo dos aut^omatos celulares probabilsticos (PCA's). Finalizamos com uma pequena
sec~ao onde apresentamos alguns dos principais conceitos em percolac~ao, sobretudo aqueles
relacionados a percolac~ao direcionada.
De fato, pode-se observar que a geometria fractal emerge naturalmente tanto nas imedia-
c~oes dos pontos crticos, nos padr~oes formados pelos CA e no aglomerado innito no limiar
de percolac~ao, quanto no crescimento de superfcies fora do equilbrio, tema do segundo
captulo desta parte. Para abranger os principais conceitos na analise do crescimento de
superfcies, apresentaremos os principais modelos discretos, as leis de escala e pot^encia
associadas ao comportamento da rugosidade, o limite contnuo descrito pelas equac~oes de
crescimento e casos especiais de rudos correlacionados, que fornecer~ao um panorama de
classes de universalidade para o crescimento de superfcies rugosas fora do equilbrio.
6
Captulo 1
Aut^omatos Celulares
kX
N 1
A matriz Tij e denida a partir das regras locais de transic~ao do CA que, em geral,
dependem do estado do stio, S , e de seus vizinhos.
Nos aut^omatos estudados por Wolfram, esta depend^encia se restringe aos primeiros vizi-
nhos
N
Y
Tij = p(Si jSj 1; Sj ; Sj+1) ; (1.2)
=1
onde p(Si jSj 1; Sj ; Sj+1) e a probabilidade local do stio estar no estado i dado que
sua vizinhanca estava na conguraca~o j no passo de tempo anterior. Como os CA's s~ao
determinsticos, p = 0 ou 1, de modo tal que cada regra pode ser identicada a um inteiro,
kX
3 1
n= S 0()k ; (1.3)
=0
Figura 1.1: Classes de CA's determinsticos. Mostramos em cada coluna dois exemplos de CA's na
mesma classe. Em A, temos a evoluc~ao para um estado homg^eneo; em B, evoluc~ao para estados simples
ou congurac~oes periodicas; em C formac~ao de pad~oes caoticos e em D, estruturas complexas localizadas.
(Retirada de [183].)
Espalhamento de Danos
De maior interesse fsico s~ao os padr~oes que apresentam evoluc~ao para padr~oes caoticos.
Para identicarmos se uma dada regra apresenta um regime caotico e preciso considerar
a evoluc~ao conjunta de um par de aut^omatos aos quais se aplica o metodo de propagac~ao
de danos. Esse metodo consiste em considerar duas replicas de um CA, onde em uma
delas e feita uma alterac~ao (dano), uma mudanca nos estados em um certo numero dos
stios; a seguir, ambas s~ao colocadas para evoluir no tempo sujeitas a mesma regra e a
dist^ancia de Hamming entre os CA's e medida ao longo do tempo,
N
X
DH = (i (t) i0 (t)) ; (1.4)
i
Figura 1.2: Espalhamento de danos em cada uma das classes mostradas na Figura 1.1. O dano e
provocado alterando-se o estado de um unico stio. Observe que na classe C o dano espalha por todo
o sistema, indicando a diverg^encia da dist^ancia de Hamming, o que e esperado em um regime caotico.
(Retirada de [183]).
Y N
W ( j 0) = ! ( i i j 0) (1.6)
i=1
onde !i(i j 0) e a probabilidade condicional de transic~ao para o estado i dado que
o sistema se encontrava na conguraca~o 0 no passo anterior. Desse modo, determinar
!i(i j 0) e condic~ao necessaria e suciente para se denir um PCA.
Neste trabalho, estaremos interessados em estudar dois diferentes PCA's: no aut^omato
celular de Domany-Kinzel (DKCA), o estado i depende apenas dos estados de seus
primeiros vizinhos no instante imediatamente anterior, !i(i j 0 ) = !DK (i j i0 1 ;i0+1 ).
Ja no caso do PCA com interac~oes de tr^es stios, o proprio nome revela a natureza das
taxas: !i(i j 0 ) = !3s(i j i0 1 ;i0 ; i0+1).
DKCA
Domany e Kinzel [46] introduziram os aut^omatos celulares probabilsticos em 1984, con-
siderando que as variaveis aleatorias discretas i poderiam assumir dois valores, tal como
12
nos aut^omatos estudados por Wolfram [183]. Os autores introduziram taxas de transic~ao
probabilsticas, !i(i j 0) = !DK (i j i0 1 ; i0+1) e que assumem uma forma totalstica,
p0 !(1 j 00) = 0;
p1 !(1 j 10) = !(1 j 01); (1.7)
p2 !(1 j 11) :
n t ; (1.9)
P (t) t ; (1.10)
13
onde ' 0:159 para a DP e = 1=2 para a CPD. Finalmente, o espalhamento de stios
ocupados em torno da origem e descrito por
R2 t ; (1.11)
onde = 1:279 para a DP e = 1 para a CDP. Dessa forma, para a CDP, a evoluc~ao
dos aut^omatos na criticalidade leva a formaca~o de domnios compactos, cujas fronteiras
executam caminhadas aleatorias sem tende^encia [46, 93, 43]. Na Figura 1.3 mostramos
algumas realizac~oes do DKCA no ponto crtico (p2 = 1; p1 = 1=2).
Figura 1.3: Espalhamento a partir de uma unica fonte para o DKCA, p2=1 e p1=1/2. Mostramos
quatro realizac~oes diferentes, considerando diferentes sementes para a gerac~ao da sequ^encia de numeros
aleatorios para a mesma condic~ao inicial. Note que a terceira amostra revela o comportamento da fronteira
entre os domnios como uma caminhada aleatoria, que eventualmente, pode se colapsar como nas outras
amostras.
p0 !(1 j 000) = 0;
14
p1 !(1 j 100) = !(1 j 010) = !(1 j 100); (1.12)
p2 !(1 j 110) = !(1 j 101) = !(1 j 011);
p3 !(1 j 111):
1.3 Percolac~ao
Percolac~ao signica, literalmente, passagem de agua atraves de um meio poroso. Do
mesmo modo que a difus~ao, a percolac~ao pode ser descrita por modelos estocasticos [167],
porem ha uma diferenca essencial quanto a localizac~ao da aleatoriedade: enquanto na
difus~ao um
udo aleatorio propaga-se em um meio determinstico, na percolac~ao um
udo determinstico escoa em um meio aleatorio.
No contexto de meios binarios desordenados, a percolac~ao esta associada a varios proces-
sos. Em todos eles, observamos a presenca de microestruturas formadas por aglomerados
de stios em um dado estado, cercados por aglomerados em outros estados, distribudos
aparentemente de maneira aleatoria para um observador macroscopico. Como exemplos
de tais sistemas podemos citar sistemas compostos por duas especies [162] (misturas
binarias, reaco~es qumicas), superfcies catalticas adsorventes, misturas de materiais
isolantes e condutores (onde ha uma transic~ao entre um comportamento global isolante
ou condutor), sistemas lacunares modelando sistemas porosos ou superfcies rugosas [128],
geis polimericos [117], din^amica de populaco~es [20], propagac~ao de doencas [165], fraturas
[120, 75], propagaca~o de inc^endios em
orestas [19], etc.
Uma congurac~ao do sistema e denida pelo conjunto de stios ocupados em uma rede
com N stios. Chamando de = (1 ; :::; N ) uma dada congurac~ao, cada stio tem uma
probabilidade p de estar no estado j = 1, e q 1 p de estar no estado j = 0. Portanto,
a probabilidade de uma dada conguraca~o ocorrer e dada por,
coincide quase com certeza com a probabilidade de ocupac~ao p. Por outro lado, o teorema
do limite central garante que as
utuac~oes s~ao da ordem N 1=2 . A media de uma func~ao
de estado f e dada por,
X
hf i = f ()P () : (1.14)
Denominamos por limite de percolac~ao o limiar que separa dois comportamentos distintos
do sistema; acima deste limite uma fase percola por todo o sistema enquanto abaixo dele
n~ao ha percolaca~o. Considerando-se sistemas discretos, podemos classicar em quatro os
tipos de percolac~ao:
Percolac~ao de stios - neste caso, cada stio possui uma probabilidade p de estar
ocupado, e 1 p de estar vazio. Cada stio e estatisticamente independente dos outros
e existe um valor crtico, pc, acima do qual uma fase percola por todo o sistema,
correspondendo ao \aglomerado innito" formado pela uni~ao de stios ocupados
primeiros vizinhos entre si.
Percolac~ao de ligac~oes - neste caso, a ligac~ao entre dois stios estara presente
com probabilidade pb e ausente com probabilidade 1 pb ; as ligac~oes s~ao id^enticas
entre si e estatisticamente independentes. Acima de pcb, ha um caminho de ligac~oes
presentes conectando stios primeiros vizinhos que estende-se por todo o sistema.
Percolac~ao de stios e ligac~oes - este caso e a combinac~ao dos dois casos consi-
derados acima.
Percolac~ao direcionada - pode ser denida do mesmo modo que a percolac~ao
de stios, ligaco~es, ou de stios e ligaco~es, porem as conex~oes so s~ao permitidas se
possurem uma orientaca~o pre-denida.
P (p) (p pc) :
D = d (1.16)
Do mesmo modo, !(1 j 10) = !(1 j 01) = pq. Obviamente, !(1 j 00) = 0, pois um stio
so esta conectado a um stio da camada 0 se pelo menos um de seus primeiros vizinhos
tambem estiver. No limite l ! 1, a grandeza Pl () representa a probabilidade de ocorrer
o aglomerado innito: se Pl = 1, ha percolac~ao; caso Pl = 0, n~ao ha percolac~ao.
Notamos que a percolac~ao direcionada pode ser exatamente mapeada no DKCA se zer-
mos as seguintes associac~oes,
p1 = pq ;
p2 = pq(2 q) : (1.19)
As transformac~oes inversas s~ao q = (2p1 p2)=p1 e p = p21 =(2p1 p2 ), e n~ao ha uma
correspond^encia biunvoca entre elas, ja que o aut^omato de Domany-Kinzel e mais a-
brangente. Dois casos particulares de interesse s~ao a percolac~ao de stios, q = 1, que
19
corresponde a linha p2 = p1 do DKCA, e a percolac~ao de ligac~oes, p = 1, que corresponde
a linha p2 = 2p1 p21.
Devido a orientaca~o preferencial das ligac~oes, os aglomerados formados na percolac~ao
direcionada apresentam dois comprimentos de correlac~ao caractersticos, um paralelo a
orientac~ao das ligaco~es, k, e outro perpendicular, ?. Como na percolac~ao tradicional,
esses comprimentos de correlaca~o divergem a medida que se aproximam do limite de
percolac~ao, sendo governados por dois expoentes crticos,
? jp pcj? ; (1.20)
k jp pcjk ; (1.21)
20
Captulo 2
W4 (L; t) ;
K (L; t) = W (2.2)
2 (L; t)
2
4000
3000
h(i) 2000
1000
0
0 50 100 150 200 250
i
Figura 2.1: Pers gerados pela deposic~ao aleatoria em um substrato com L = 256. A cada 100 passos
a cor das partculas e trocada.
seus momentos mpares s~ao nulos. Ja a curtose esta relacionada a forma do decaimento
da distribuic~ao em relac~ao a media e e facil mostrar que e nula para uma distribuic~ao
gaussiana [167]; de fato, na distribuica~o gaussiana todos os cumulantes s~ao nulos para
n > 2.
Voltemos agora ao problema original; considerando um tamanho de rede xo, digamos
L = 1024, podemos fazer um algoritmo e simular a deposic~ao aleatoria de um grande
numero de partculas, digamos 1010 partculas, e vericar o comportamento da rugosidade,
do coeciente de assimetria e da curtose. Esse sera o objetivo da proxima sec~ao.
2
10
1
10
β=0.5047(9)
w(L,t)
0 2e+09 4e+09 6e+09 8e+09 1e+10
800
0
10
600
400
-1
10
200
-2 0
10 0 2 4 6 8 10
10 10 10 10 10 10
particulas depositadas
Figura 2.2: Evoluc~ao da rugosidade para a deposic~ao aleatoria em um substrato com L=1024 stios
usando a rotina tipo In+1 = AIn + B , em escala logartmica. No detalhe, a mesma curva em escala
linear. Note que o perodo do gerador e exatamente 231 ' 2:15 109.
s~ao o custo computacional para gerar uma sequ^encia (o tempo gasto para produzi-la) e
o limite de conabilidade do gerador (perodo dentro do qual a sequ^encia produzida e
realmente aleatoria). Neste trabalho, optamos por utilizar um gerador bastante rapido
(baixo custo computacional), que considera uma rotina do tipo
simulacao
1/2
y=t
3 regressao linear (lei de potencia)
10
β=0.48837(15)
2
10
w(L,t)
1
10
0
10
0.0
1 2e+09 4e+09 6e+09 8e+09 1e+10
-1
10 3 4 5 6 7 8 9 10
10 10 10 10 10 10 10 10
particulas depositadas
Figura 2.3: Evoluc~ao da rugosidade para a deposic~ao aleatoria para uma unica amostra, usando uma
rotina mista, em escala logartmica. Alem dos dados simulacionais (linha cheia) mostramos a regress~ao
linear (linha tracejada) e a curva y = t , onde =1/2, deslocada para cima para melhor comparac~ao
com os dados. No detalhe, as mesmas curvas em escala normal, sem deslocamento. Note que a
inclinac~ao fornecida pela regress~ao e ligeiramente menor que 1/2, indicando que o artifcio de realizar
trocas periodicas de semente n~ao impede totalmente o desenvolvimento de correlac~oes para um numero
muito grande de partculas ( 109).
aleatorios [144, 160], mas, sistematicamente essas rotinas alternativas s~ao muito mais
lentas que a ja citada para a gerac~ao de cada numero. Desse modo, optamos pelo segundo
caminho, fazendo uma troca de semente na rotina a cada 107 numeros sorteados, ou seja, a
cada 107 partculas depositadas a semente In usada no algoritmo de gerac~ao de numeros
aleatorios e substituda aleatoriamente por outra, usando um segundo algoritmo. Este
novo algoritmo e do tipo In+1 = CIn, onde C = 65539 e um outro numero magico; este
algoritmo possui um limite de conabilidade cerca de 10 vezes menor que o primeiro.
Na Figura 2.3 mostramos o comportamento da rugosidade considerando a mistura de
sementes. Logo, utilizando a rotina mista descrita acima, podemos gerar uma sequ^encia
muito grande de numeros descorrelacionados entre si e depositar uma enorme quantidade
de partculas aleatoriamente (> 1012 partculas).
Na Figura 2.4, vericamos o comportamento da curtose e do coeciente de assimetria
para a distribuica~o de alturas utilizando a rotina mista. Verica-se que esses coecientes
tendem a zero, o que signica que a distribuica~o de alturas aproxima-se de uma distribui-
c~ao gaussiana a medida que o numero de partculas aumenta. Esse comportamento e o
esperado para uma sequ^encia espacial e temporalmente descorrelacionada - rudo branco.
Portanto, vericamos que para este modelo simples de deposic~ao que a gerac~ao de numeros
aleatorios e um problema crtico, porem contornavel. O comportamento da interface
produzida indica que ha um crescimento indenido da rugosidade com o tempo, segundo
uma lei de pot^encia, e que a distribuica~o de alturas se aproxima de uma distribuic~ao
gaussiana, como esperado para um modelo de deposic~ao sem correlac~oes espaciais ou
temporais.
25
1.0
0.5
0.0
K
-0.5
0.2
0.0
S
-0.2
-0.5 6 7 8 9
10 10 10 10
particulas depositadas
Figura 2.4: Evoluc~ao do coeciente de assimetria e da curtose para a distribuic~ao de alturas na deposic~ao
aleatoria, usando uma rotina mista, em escala semi-logartmica. Note que, mesmo para uma unica
amostra, a distribuic~ao de alturas tende para uma distribuic~ao gaussiana.
100
50
0
0 64 128 192 256
i
Figura 2.5: Pers gerados pela DARS. A cada 10 camadas depositadas a cor das partculas e trocada.
Note que os pers s~ao bem mais suaves que na DA e novamente ocorre a conservac~ao da altura media.
saturac~ao apos um certo tempo, denominado tempo de saturac~ao (ou de crossover), t.
Portanto, o comportamento da rugosidade para este modelo depende da escala temporal
de observac~ao. E importante notar que logo no incio da deposic~ao, a inclinac~ao da curva
w t, e maior que nos tempos seguintes. Esse comportamento denota a propagac~ao
das correlac~oes no sistema: inicialmente, com o substrato liso e aus^encia de correlac~oes
a deposic~ao se da id^enticamente como na DA (w t1=2 ); a medida que o numero de
partculas depositadas aumenta, as correlac~oes comecam a crescer, diminuindo o ritmo de
crescimento da rugosidade (w t1=4 ); nalmente, as correlac~oes atingem o tamanho do
sistema fazendo com que a rugosidade entre em um regime estacionario.
Para escalas temporais longas, a rugosidade apresenta depend^encia com o tamanho do
sistema, como observamos na Figura 2.7-A. A medida que o tamanho do sistema cresce,
o tempo de saturac~ao aumenta e, tambem, o valor da rugosidade de saturac~ao. Portanto,
podemos sintetizar o comportamento da rugosidade neste modelo atraves de tr^es expoen-
tes crticos:
0
10
1/4
t
w(L,t)
-1
10 1/2
t
tX
-2
10 -4 -2 0 2 4 6
10 10 10 10 10 10
t
Figura 2.6: Evoluc~ao da rugosidade para a DARS. O tamanho do sistema e L =1024 e o resultado
representa a media sobre 100 amostras. Note que ocorre a saturac~ao da rugosidade para tempos acima
do tempo de crossover, indicado por t ; este comportamento da rugosidade evidencia sua lei de escala.
(Mostramos a curva da rugosidade para valores de tempo menores que 1 am de realcar a propagac~ao
das correlac~oes no sistema).
Family e Vicsek [53] propuseram uma lei de escala capaz de colapsar as varias curvas
obtidas em 2.7-A em uma unica funca~o. O metodo proposto baseia-se na observac~ao
de que a rugosidade normalizada pela rugosidade de saturac~ao e uma func~ao do tempo
normalizado pelo tempo de crossover, portanto
w(L; t) f t ; (2.6)
w(L; 1) t
onde f (u) e uma func~ao de escala; substituindo as relaco~es 2.4 e 2.5 em 2.6, teremos a
relac~ao de escala de Family-Vicsek:
w(L; t) L f t : (2.7)
Lz
Como esperado, a forma da func~ao de escala f (u) depende do regime de escala observado:
f (u) uw , para u << 1, e f (u) = const:, para u >> 1. A validade desta func~ao de
28
A
w(L,t)
0.0
10
0 2 4
10 10 10
t
-1.0
10 B
0.5
w(l,t) / L
-2.0
10 0 2 4
10 10 10
t
-1
10 C
0.5
w(L,t) / L
L = 128
L = 512
L = 1024
-2
10 -6 -4 -2 0
10 10 2 10 10
t/L
Figura 2.7: Colapso das curvas w(L; t) t para a DARS. Em A observamos varias curvas para
diferentes tamanhos de sistema; em B, realizamos a normalizac~ao das rugosidades de saturac~ao; em
C, normalizamos o tempo, obtendo uma unica curva colapsada. (Baseado na ref. [13]).
escala pode ser observada na Figura 2.7-B e 2.7-C. Nota-se que, com as denic~oes acima,
os tr^es expoentes crticos n~ao s~ao independentes entre si, ja que no limite de u ! 1
deveremos ter a concord^ancia dos dois comportamentos: t L . Portanto, utilizando
2.5 conclumos que
z = : (2.8)
w
Esta relac~ao envolvendo os tr^es expoentes crticos e valida em qualquer processo que
obedeca a lei de escala (2.7).
Os expoentes da classe de universalidade do modelo DARS concordam com os obtidos
analiticamente atraves da abordagem de equaco~es de crescimento, tratada da proxima
sec~ao, e que fornece os seguintes valores (em d = 1): = 1=2, = 1=4 e z = 2. Podemos
notar pelas Figuras 2.6 e 2.7, que as simulaco~es conrmam estes valores, mesmo em
um sistema n~ao t~ao grande (L = 1024). A evoluca~o do coeciente de assimetria e da
curtose est~ao mostrados na Figura 2.8; notamos que a distribuic~ao de alturas se aproxima
rapidamente de uma distribuic~ao gaussiana. Esse e o comportamento esperado para a
distribuic~ao de alturas no estado estacionario, onde o perl obtido pode ser mapeado em
uma caminhada aleatoria, cujo perl possui H = 1=2, indicando a aus^encia de correlac~oes
espaciais. A evoluc~ao do expoente de Hurst e mostrada na Figura 2.8; nota-se que o valor
do expoente de Hurst se aproxima do valor esperado, H = 1=2, somente apos o sistema
entrar no estado estacionario. Essa observac~ao e valida para a maioria dos modelos de
crescimento fora de equilbrio e o valor do expoente de Hurst so se iguala ao expoente da
rugosidade no estado estacionario. No proximo captulo, veremos modelos que possuem
29
50
40 S
30 K
S, K
20
10
-10 1 2 3 4 5 6 7 8
10 10 10 10 10 10 10 10
0.80
0.60
0.40
H
0.20
0.00 3 4 5 6 7 8
10 10 10 10 10 10
particulas depositadas
Figura 2.8: Acima: evoluc~ao do coeciente de assimetria e curtose no modelo DARS em func~ao do
tempo, para um sistema com L = 1024 stios. Note como a distribuic~ao de alturas tende rapidamente
para uma distribuic~ao gaussiana apos o primeiro passo de tempo. Abaixo: evoluc~ao do expoente de Hurst
em func~ao do tempo; o expoente de Hurst so assume o valor esperado (H = 1=2), no estado estacionario.
h(t) = Ft ; (2.14)
31
e para o valor quadratico medio teremos hh2(~x; t)i = F 2t2 + 2Dt. Esse resultado implica
no seguinte comportamento para a rugosidade da interface
p p
w(t) = hh2 i hhi2 = 2Dt ; (2.15)
r2 h ! r02h0 b 2 r2h ;
r4 h ! r4h0 b 4 r4 h :
Fazendo b ! 1, o termo r4h claramente tende a zero mais rapidamente que r2h,
justicando a aproximac~ao. A equaca~o mais simples compatvel com as simetrias do
sistema, capaz de descrever o crescimento de uma interface e a equac~ao EW.
Por ser linear, e possvel obter a soluca~o exata da equac~ao EW atraves da analise de
Fourier [127, 13]. Optaremos por obter os expoentes de escala desta equac~ao atraves de
um elegante argumento de escala [13]; consideremos a transformac~ao de escala,
~x ! b~x ~x0 ;
h ! b h h0 ;
t ! bz t t0 :
@ =b z@ ; (2.19)
@t0 @t
@2 = b 2 @2 : (2.20)
@~x02 @~x2
33
A reescala do rudo sera obtida usando a propriedade da func~ao delta d(a~x) = 1=ad ~x,
Como queremos que esta equac~ao seja invariante segundo estas transformaco~es (ja que a
interface e auto am), os expoentes dos coecientes b ser~ao todos nulos; logo,
z=2; = 2 2d ; (2.24)
o que fornece
=24d : (2.25)
processo podem apresentar reentr^ancias, o que diminui a densidade do bulk, fazendo com
que a altura media cresca bem mais rapido do que a taxa de deposic~ao - Figura 2.9.
Para obter o termo adicional a ser adicionado a equac~ao EW, am de descrever a DB,
consideraremos o `crescimento lateral' da interface produzido pela regra de deposic~ao;
na Figura 2.10, representamos esquematicamente o crescimento lateral produzido pela
deposic~ao de uma partcula.
Pelo teorema de Pitagoras, teremos,
Para rh << 1, podemos expandir o ultimo termo da equac~ao acima. Desse modo,
@h(~x; t) = v + v (rh)2 + ;
@t 2
esta equac~ao sugere um termo n~ao linear da forma (rh)2 para representar o crescimento
lateral. Generalizando este resultado, teremos,
Figura 2.10: Crescimento Lateral. As linhas paralelas tracejadas correspondem as posic~ao da interface
antes e depois da deposic~ao de um partcula, que causa uma variac~ao de altura na interface de h, e a
fronteira se desloca de vt. (Retirada de [13])
A presenca do termo n~ao linear e uma evidente quebra em relac~ao a simetria up-down. A
causa desta quebra pode ser associada a exist^encia de uma `forca dirigida' (driving force),
perpendicular a interface, que seleciona uma direca~o preferencial para o seu crescimento.
Uma soluc~ao completa desta equaca~o para qualquer dimens~ao ainda n~ao foi obtida, mas
para d = 1 pode-se obter o seguinte resultado [13],
+z =2 ; (2.29)
e valida em qualquer dimens~ao [13, 117]. Dessa maneira, ha uma nova classe de univer-
salidade que engloba o modelo DB. Na Figura 2.11 apresentamos o comportamento da
rugosidade na DB. Os expoentes crticos obtidos pela simulac~ao concordam com a previs~ao
teorica.
w(L,t)
1/3
t
tX
0
10 0 1 2 3 4 5
10 10 10 10 10 10
t
Figura 2.11: Evoluc~ao da rugosidade no modelo DB. Note o comportamento inicial da rugosidade
crescendo com uma inclinac~ao t1=2 , indicando um crescimento inicial aleatorio, como esperado. Os
par^ametros s~ao os mesmos usados na Figura 2.5.
< (~(x); t)(~(x)0 ; t0) > j~x ~x0 j2 djt t0j2
x t 1 : (2.32)
37
Utilizando o argumento de escala apresentado anteriormente para a equac~ao EW, podemos
obter os expoentes de escala no caso do rudo correlacionado (CEW),
= x + 2t + 2 2 d e z = 2 .
Note que se considerarmos x = t = 0, obtemos novamente os expoentes da classe EW.
Para a equac~ao KPZ com rudo correlacionado (CKPZ) n~ao ha soluc~ao exata. Resultados
analticos em d = 1 [13] indicam o comportamento dos expoentes crticos separadamente,
considerando as duas possibilidades de correlac~ao. Para o rudo espacialmente corre-
lacionado (CeKPZ), os expoentes crticos permanecem os mesmos da classe KPZ para
x 0 = 1=4; para 0 < x < 1, o rudo modica os expoentes, que s~ao funca~o de x
Para x > 1, o expoente de rugosidade se torna maior que 1 e, neste regime, o termo
rh ! b 1 rh cresce sob reescalonamento, indicando que os termos de ordem superior
devem ser considerados na equaca~o KPZ. E necessario comentar que ainda n~ao ha estudos
criteriosos em relac~ao a correc~ao das aproximaco~es envolvidas nestes resultados, estando
este topico ainda em aberto e, portanto, trabalhos analticos e numericos abordando este
tema podem fornecer resultados uteis.
Considerando o rudo temporalmente correlacionado (CtKPZ), o problema de se obter os
expoentes analiticamente em uma dimens~ao e ainda mais complicado; isto deve-se ao fato
que a invari^ancia Galileana n~ao se mantem, implicando na renormalizaca~o do coeciente
da equac~ao KPZ. Resultados numericos [13] indicam que o rudo temporalmente corre-
lacionado so altera os expoentes no intervalo 0:167 < t < 0:5, fornecendo
Tabela 2.1: Sumario das Classes de Universalidade para Modelos de Crescimento de Superfcies.
Classe z H
RD - 1/2 - 0
EW 2 d=2 2 d=4 2 H=
KPZ (d=1) 1/2 1/3 3/2 H=
CEW (d=1) x + 2t + 2 2 d =z 2 -
CeKPZ (d=1) 1 + 2x3 2 =z 1+ 2 2x
3 -
CtKPZ (d=1) 1:60t + 0:22 (1+2t )(t ) -
2(t )+1
Se por um lado a adoc~ao de diferentes rudos permite uma variedade fenomenologica maior,
por outro tambem introduz uma diculdade crescente na identicac~ao das diferentes
38
classes de universalidade. A diversidade de resultados experimentais e de modelos discre-
tos t^em mantido a quest~ao da exist^encia destas classes ainda em aberto. Na Tabela 2.1
apresentamos uma sntese das classes de universalidades estudadas neste captulo.
39
Parte II
Aplicac~oes
40
Introduc~ao
43
Captulo 3
O Modelo de Domany-Kinzel
44
Como no DKCA a atualizaca~o dos stios e feita de forma sncrona, teremos
Y N
W (j0) = w ( j0)
i i ; (3.3)
i=1
onde wi(i j0) 0 e a probabilidade condicional de transic~ao para que o estado do stio
i, no tempo tP+ 1, seja i dado que no tempo t o sistema estava na congurac~ao 0.
Obviamente, i wi(i j0) = 1.
No DKCA, s~ao permitidos dois estados para a variavel i: 0 e 1 - estados vazio e ocupado,
respectivamente. As probabilidades de transic~ao no DKCA s~ao as mesmas para qualquer
stio, e possuem a forma
Na subsec~ao 1.2.1, ja mostramos que as probabilidades wDK s~ao totalsticas e, atraves
das relac~oes (1.7), podemos resumir o espaco de par^ametros do sistema em um diagrama
de fases bidimensional. Como o DKCA e um modelo essencialmente computacional,
apresentaremos nas proximas sec~oes como se obter o diagrama de fases do DKCA a partir
de simulac~oes e um estudo numerico da classe de universalidade do modelo; na ultima
sec~ao faremos um estudo analtico do DKCA, e mostraremos algumas aproximac~oes para
se obter o diagrama de fases. Cabe ressaltar que esta ordem coincide com a ordem
cronologica dos artigos apresentados.
Desse modo, obtemos processos de crescimento e a natureza das correlac~oes pode ser
investigada pela analise da rugosidade, denida pela equaca~o (C.11). De fato, am de
47
esquema simetrico
1500
1000
altura
500
0
3000
esquema nao−simetrico
2500
2000
altura
1500
1000
500
0
0 200 400 600 800 1000
Figura 3.2: Evoluc~ao dos pers gerados pela representac~ao de interfaces. Acima: pers gerados no
esquema simetrico em uma rede com L = 1000. Abaixo: pers gerados pelo esquema n~ao-simetrico,
L = 1000. Ambas as guras possuem a mesma condic~ao inicial e s~ao submetidos a mesma sequ^encia de
numeros aleatorios, e os pers mostrados foram tomados nos mesmos instantes de tempo em ambos os
casos. Cada perl corresponde a 1000 passos de tempo.
4
10
p2 = 0.95
3
10
p1 = 0.2
p1 = 0.5
p1 = 0.59
2
10 p1 = 0.595 (transicao)
p1 = 0.60
δw (L,t)
p1 = 0.8
1
10
0
10
-1
10 0 1 2 3 4 5
10 10 10 10 10 10
time steps
Figura 3.3: Evoluc~ao da
utuac~ao da rugosidade w(L; t) com o tempo t em um graco log log, para
p2 =0.95 e cinco diferentes valores de p1 . Usamos L =10000 e 50 amostras. Note que a transic~ao de
fases ocorre quando a rugosidade passa a crescer sem saturac~ao (p1 = 0.595 - simbolos cheios).
para se atualizar o DKCA: no esquema simetrico, os stios pares (mpares) s~ao atualizados
nos passos de tempo pares (mpares); no n~ao-simetrico, todos os stios s~ao atualizados em
cada passo de tempo, mas os primeiros vizinhos de um stio (i; t+1) s~ao (i 1; t) e (i; t). No
esquema simetrico, w = 0:81(2), compatvel com a previs~ao da classe de universalidade
da percolac~ao direcionada (w 0:84) [41]; ja no esquema n~ao simetrico, w = 0:61(2).
Na proxima sec~ao, mostraremos argumentos teoricos que mostram que esse valor tambem
pode ser obtido a partir da classe DP [10].
49
Uma analise de escala com tamanhos nitos pode ser feita para o expoente w e mostra
que a largura do maximo tende a zero a medida que o tamanho do sistema tende para
innito. O valor do expoente de crescimento aproxima-se de w 0:83(2) na transic~ao
congelada/ativa para o esquema simetrico e e aproximadamente o mesmo para todos os
valores p2 6= 1.
O valor de w > 1=2 indica uma tend^encia de crescimento das \pontas" dos pers, e pode
ser interpretado como uma tend^encia de conservac~ao dos stios ativos no sistema. Na
criticalidade, apenas alguns stios permanecem ativos (veremos na ultima sec~ao que no
ponto crtico hN i ! 0), o que contribui para o crescimento da rugosidade. Na fase ativa
ha uma alta densidade de stios ativos, mas descorrelacionados, o que faz que a altura de
cada stio, hi(t), cresca aleatoriamente resultando em w = 1=2.
0.85
0.75 p2 = 0.1
p2 = 0.3
p2 = 0.5
p2 = 0.7
p2 = 0.9
0.65
β
0.55
0.45
0.60 0.70 0.80 0.90 1.00
p1
Figura 3.4: Evoluc~ao do expoente de crescimento w como func~ao de p1, na transic~ao congelada/ativa,
considerando os dois esquemas de atualizac~ao; o tamanho do sistema e L =10000 e cinco diferentes
valores de p2 s~ao considerados. O maximo de w indica a transic~ao. O esquema simetrico e representado
por smbolos cheios e o esquema n~ao-simetrico por smbolos vazios. As linhas s~ao apenas guias para os
olhos.
50
3.1.2 Espalhamento de Danos
Martins et al [115] foram os primeiros a usar a tecnica de espalhamento de danos para
mostrar que a regi~ao ativa do DKCA pode ser dividida em duas fases, uma caotica e outra
n~ao-caotica. O par^ametro de ordem dessa transic~ao e a diferenca entre duas replicas com
congurac~oes iniciais levemente diferentes, como antecipamos no captulo 1. Aqui, a
tecnica consiste em deixar um aut^omato evoluir ate o estado quase-estacionario, quando
cria-se uma replica onde o estado de alguns stios e alterado (dano). Submetendo as duas
replicas, uma com estados i (t) e a outra com estados %i (t), a mesma din^amica, mede-se
a diferenca entre os estados correspondentes em cada aut^omato,
A frac~ao de stios cujos estados s~ao diferentes nas duas replicas corresponde a dist^ancia
de Hamming,
DH (t) = L1
X
i (t) :
i
Desse modo, o perl gerado pelo aut^omato da diferenca entre as replicas comporta-se
exatamente como os pers gerados na subseca~o anterior: na fase n~ao-caotica a rugosidade
atinge um valor de saturaca~o, enquanto na fase caotica a rugosidade cresce indenidamen-
te. Esse comportamento e esperado, uma vez que a diferenca entre as replicas se anula na
fase n~ao caotica, o que implica em nenhuma contribuica~o para o vetor de alturas hi(t), e
e positiva na fase caotica, o que implica em uma contribuica~o persistente para o vetor de
alturas. Novamente, o expoente w passa por um maximo exatamente na transica~o e seu
valor depende do esquema utilizado.
Na Figura 3.5 mostramos w p1 para a transic~ao caotica/n~ao-caotica, no esquema
simetrico. Para obtermos essa gura, usamos um aut^omato com L = 104 e deixamos o
sistema evoluir por 104 passos de tempo; ent~ao, criamos uma replica com um \dano inicial"
51
p2 = 0
0.72 p2 = 0.1
p2 = 0.15
p2 = 0.2
0.62
β
0.52
0.42
0.80 0.85 0.90 0.95
p1
devido a mudanca no estado de aproximadamente 10% dos stios. A partir desse ponto,
deixamos as replicas evolurem com a mesma din^amica durante 105 passos de tempo, e a
diferenca entre as replicas e medida. Uma media sobre 50 realizac~oes aleatorias diferentes
foi considerada para os estados iniciais.
Neste ponto temos que enfatizar a quest~ao da din^amica de evoluc~ao conjunta de dois
aut^omatos. Tome [62, 164] estudou detalhadamente essa evoluc~ao conjunta e mostrou
que ha pelo menos duas prescric~oes diferentes: a prescric~ao A, usada por Martins et
al. [115], considera a atualizac~ao de ambas as replicas usando sempre o mesmo numero
aleatorio, z; a prescric~ao B, introduzida por Kohring e Schereckenberg [94], implica que
algumas vezes dois diferentes numeros aleatorios s~ao usados, z1 e z2 , para se atualizar as
replicas. Isso ocorre quando (i 1 +i+1 ) = 1 e (%i 1 +%i+1) = 2, ou vice-versa. Realizamos
simulac~oes considerando as duas prescric~oes e vericamos que elas resultam em diferencas
signicativas na fronteira entre as fases caotica e n~ao-caotica no diagrama de fases do
DKCA, como mostrado na Figura 3.6. Essas diferencas no diagrama foram apontadas por
Bagnoli [14], que estudou o espalhamento de danos no DKCA utilizando uma aproximac~ao
de campo medio; Atman e Moreira [8] conrmaram essa previs~ao numericamente.
No diagrama da Figura 3.6, mostramos uma terceira prescric~ao, C, na qual tr^es numeros
aleatorios podem ser sorteados, z1 , z2 e z3 , para atualizar o sistema. Denindo Ui =
i 1 + 2 i+1 e Vi = %i 1 + 2 %i+1 , temos os seguintes casos:
p2
0.4
0.2
0.0
0.50 0.60 0.70 0.80 0.90 1.00
p1
Figura 3.6: Diagrama de fases do DKCA obtido atraves do metodo do expoente de crescimento. Note que
as tr^es prescrico~es levam a diferentes fronteiras para a transic~ao caotica/n~ao-caotica. Para p2 =0 temos
p1c =0.809(1) e para p1 =1 temos p2c =0.3135(10), e as fronteiras de todas as prescric~oes se encontram
nesses pontos.
Uma historia hNS no esquema n~ao simetrico pode ser denida da mesma maneira e ha
uma correspond^encia biunvoca entre as historias nos dois esquemas, dada por
Desde que as probabilidades de transica~o s~ao as mesmas nos dois esquemas, as pro-
babilidades de historias correspondentes tambem ser~ao. Estendendo-se a analise para
fronteiras periodicas, notamos que, se o esquema simetrico esta denido em um anel de L
stios, ent~ao o esquema n~ao-simetrico correspondente possui 2L stios; para o mapeamento
denido acima, iS = 2iNS t (mod 2L).
Uma consequ^encia imediata desta correspond^encia e que todas as propriedades de escala
(e.g., expoentes crticos), bem como propriedades n~ao universais (e.g., fronteiras entre as
fases congelada, ativa, e caotica no diagrama p1 p2) s~ao id^enticas nos dois esquemas.
Naturalmente, historias correspondentes nos dois esquemas parecem diferentes: o esquema
n~ao simetrico equivale a um referencial em rotaca~o no qual as dist^ancias s~ao reescaladas
por um fator de 1/2. Logo, para p1 =1=2 e p2 =1, uma interface entre domnios de 1's e
0's executa uma caminhada aleatoria sem tend^encia no esquema simetrico, enquanto no
esquema n~ao-simetrico tal caso corresponde a uma interface com media velocidade igual
a 1/2. O \cone de luz" i = t no esquema simetrico se torna o par de linhas i = 0 e i = t
no esquema n~ao-simetrico. Veremos que essas diferencas entre os referenciais implica em
importantes consequ^encias para a din^amica da superfcie no esquema n~ao-simetrico.
Apos a aplicac~ao da representac~ao de superfcies, detalhada na sec~ao anterior, as diferencas
entre os dois esquemas de atualizac~ao cam explcitas. Na Figura 3.8, mostramos a
evoluc~ao espaco-temporal do aut^omato e os pers gerados pela representac~ao de interfaces,
na regi~ao de criticalidade (p2 = 0:5; p1 = 0:75), em cada esquema. E evidente como
diferentes esquemas levam a pers totalmente diferentes. (Na gura foi escolhida a
condic~ao inicial com apenas um stio ativo para realcar a evoluc~ao dos aut^omatos e dos
pers.)
55
Figura 3.8: Representac~ao de interfaces gerada pelos padr~oes espaco-temporais do DKCA, utilizando
diferentes esquemas de atualizac~ao: o esquema simetrico e mostrado na esquerda e o n~ao-simetrico na
direita. Paineis superiores: padr~oes espaco-temporais do aut^omato. Stios com a cor negra est~ao ativos
e o tempo cresce no sentido vertical para cima. Paineis inferiores: representac~ao de interfaces aplicada
aos padr~oes mostrados acima. Aqui o eixo y corresponde a altura h(i; t) dos pers e o eixo x corresponde
as posic~oes na rede. A cor de preenchimento e trocada a cada 50 passos de tempo para evidenciar a
evoluc~ao temporal da rugosidade. O tamanho do sistema e L=500 para o esquema simetrico e L=250
para o n~ao-simetrico; 900 passos de tempo s~ao mostrados. Ambos os sistema est~ao muito proximos a
criticalidade (p2 =0.5, p1 =0.75), na fase ativa.
Espalhamento de Danos
Ja mostramos na sec~ao anterior como podemos usar o metodo do expoente de crescimento
para estudar a propagac~ao de danos no DKCA. No momento em que o dano e feito,
o sistema se encontra no estado quase-estacionario e a alterac~ao aleatoria nos stios
introduzida pelo dano muito provavelmente perturba o valor estacionario da densidade de
partculas e das func~oes de correlaca~o. Isso introduz uma assimetria indesejavel entre
as replicas, uma vez que a din^amica de espalhamento de danos estara misturada a
relaxac~ao do sistema de volta ao estado estacionario (na replica alterada). Am de evitar
tais complicac~oes e visando preservar a densidade quase-estacionaria de stios ativos no
56
momento em que o dano e feito, introduzimos o \dano por rotac~ao", que consiste em criar
uma replica cuja conguraca~o foi girada 180o em relac~ao ao aut^omato original, em um
determinado tempo t0 apos o sistema ter chegado ao estado quase-estacionario.
Portanto,
sujeita a condico~es periodicas de contorno. Isso representa um dano inicial grande ( com
dist^ancia de Hamming ' 2(1 ), onde e a densidade estacionaria de partculas), que
e estatisticamente uniforme ao longo do sistema.
< (x; t); (x0; t0) > jx x0 j 2=? jt t0j 2=k ; (3.12)
Tomamos o limite inferior da integral como !0 1 pois a equac~ao (3.12) e valida para
jt t0 j> 1, quando o comportamento de escala domina o decaimento exponencial das
correlaco~es para grandes separaco~es espaciais e temporais. Esse resultado implica que
a rugosidade de um substrato innito (L ! 1), para o esquema simetrico, obedeca a
seguinte lei de pot^encia,
w = 1 = 1 10::733825(3)
27649(2) ' 0:84053(2) :
k
resultando em
Z t Z
w2(t) = d dt0h(2x ; )(2x t0 ; t0)i
Z t
0 0
Z
= d d!h( !; t0 + !)(; t0)i ; (3.17)
0 0
t 2 2 (1 = k +1=? ) :
w ' 0:58846(2) ;
L=10000
0.70 L=5000
L=2000
L=1000
L=500
βω L=200
0.60 L=100
0.50
0.40
0.70 0.75 0.80 0.85 0.90
p1
Figura 3.9: Expoente de crescimento w no DKCA para varios tamanhos de sistemas, no esquema
simetrico. Note que w atinge um maximo na transic~ao congelada/ativa e depende fortemente da tamanho
do sistema. O ponto de transic~ao foi escolhido como o ponto de maximo no valor de w em um sistema
com L =10000, onde a transic~ao e bastante localizada. No exemplo considerado, p2 =0.5 e p1 =0.749.
3.2.3 Resultados
Na Tabela 3.1 resumimos os resultados obtidos para os expoentes de escala nas transic~oes
congelada/ativa e caotica/n~ao-caotica no DKCA, e comparamos com os valores das classes
de universalidade DP e CDP.
Nas simulac~oes, os expoentes foram obtidos diretamente das relaco~es(como detalharemos
em seguida): w(L; 1) L , valida em tempos longos; w(L; t) tw , valida em tempos
curtos; e t(L) Lz . Os resultados mostram uma forte depend^encia em relac~ao ao
esquema de atualizac~ao utilizado - simetrico ou n~ao-simetrico. Considerou-se 10000, 5000,
2500, 1000, 500, 250 e 100 amostras no ponto crtico (pc2; pc1) em sistemas com L = 50, 100,
61
1.0
L=100
L=200
0.8 L=500
L=1000
L=2000
L=5000
0.6
L
tX
ρ(t)
2 3 4
10 10 10
6
10
0.4
z = 1.567(9)
5
10
tx
4
0.2 10
3
10
0.0 0 2 4 6
10 10 10 10
t
Figura 3.10: Expoente din^amico z para a representac~ao de interfaces do DKCA. Mostramos a evoluc~ao
temporal da densidade (t) de amostras ativas, em sistemas de diversos tamanhos, para o esquema
simetrico (p2 =0.5, p1 =0.749). A linha horizontal ressalta o valor = 1=2, que corresponde ao tempo
de crossover. No detalhe mostramos o tempo de crossover t em func~ao do tamanho dos sistemas.
A inclinac~ao dessa curva fornece o valor do expoente din^amico z . As barras de erro s~ao calculadas
considerando-se um erro de 1% no numero de amostras congeladas em um dado tempo.
200, 500, 1000, 2000 e 5000 stios, respectivamente. As condic~oes iniciais s~ao distribuic~oes
aleatorias com 50% dos stios ativos.
Para determinar o tempo de crossover, t(L), acompanhamos o comportamento da frac~ao
de amostras com pelo menos um stio ativo ao longo do tempo (vide Figura 3.10). O tempo
de crossover e denido como o momento no qual metade do numero inicial de amostras
atingem o estado congelado, no ponto crtico. No detalhe da Figura 3.10, mostramos o
comportamento tipo lei de pot^encia do tempo de crossover em func~ao do tamanho do
sistema; a inclinac~ao deste graco corresponde ao expoente z.
A rugosidade de saturac~ao e obtida apos todas as amostras atingirem o estado absorvente,
e se fazer a media dos valores nais das rugosidades. O expoente e medido a partir
da inclinac~ao do graco w(L; 1) L, em escala logartmica. Na Figura 3.11 mostramos
os resultados para a rugosidade de saturaca~o nos seguintes casos: percolac~ao direcionada
(p2 =0:5, p1 =0:749, esquema simetrico), DP (p2 =0; p1 =0:8095, espalhamento de danos),
CDP (p2 =1, p1 =0:5, simetrico) e DP n~ao-simetrica (p2 =0:5, p1 =0:749).
Para vericar a escala de Family-Vicsek na criticalidade, usamos os valores medidos para
os expoentes de escala para colapsar as varias curvas de rugosidade, obtidas em sistemas
com diferentes tamanhos, em uma unica curva, como mostrado na Figura 3.12. Note que
este colapso corrobora a hipotese de Family-Vicek.
O expoente de Hurst foi medido segundo o procedimento explicado no Ap^endice C.1. Os
resultados mostrados na Tabela 3.1 correspondem a uma media sobre 100 condic~oes iniciais
aleatorias, em sistemas com L =10000. Observa-se uma mudanca signicativa no expoente
62
6
10
4
10
wsat(L) 2
10
0
10
100 1000 10000
L
Figura 3.11: Expoente de rugosidade para o DKCA na representac~ao de interfaces. Quatro casos s~ao
mostrados: percolac~ao direcionada (p2 =0.5, p1 =0.749 simetrico), DP (p2 =0, p1 =0.8095 espalhamento
de danos), percolac~ao direcionada compacta (p2 =1, p1 =0.5 simetrico) e n~ao-simetrico DP (p2 =0.5,
p1 =0.749). A linha corresponde a regress~ao linear considerando uma lei de pot^encia e fornece o valor
do expoente de rugosidade . As barras de erro s~ao os desvios padr~ao na rugosidade de saturac~ao das
amostras consideradas em cada tamanho de sistema.
Esquema Simetrico
Os resultados para os expoentes crticos no esquema simetrico concordam com os valores
da classe DP, exceto no ponto terminal p2 = 1 onde os valores da classe CDP foram
obtidos. Os pontos de transica~o (pc2; pc1) s~ao determinados atraves do metodo do expoente
de crescimento [8] (Figura 3.9), que consiste basicamente em xar p2 e variar p1 ate o
maximo do expoente w ser atingido, como descrito na sec~ao anterior.
E importante notar que os expoentes w e z medidos na transic~ao caotica/n~ao-caotica
em p2 = 0 s~ao levemente diferentes daqueles medidos longe da criticalidade. Isso pode
representar uma evid^encia de correlaco~es de longo alcance devido a coincid^encia das
transic~oes de espalhamento de danos e a transic~ao congelada/ativa, como apontado por
Grassberger [68], mas tambem e consistente com correc~oes de escala. Ate o momento n~ao
fomos capazes de distinguir esses efeitos, atraves de resultados analticos ou simulacionais.
63
5
10
3 p2=0.5
10
p1=0.749
w(L,t)
1
10
-1
10 0 2 4 6
10 10 10 10
t
-1
1.315
10
L=100
w(L,t)/L
-3 L=200
10 L=500
L=1000
L=2000
L=5000
L=10000
-5
10 -5 -3 -1 1
10 10 10 10
1.567
t/L
Figura 3.12: Escala de Family-Vicsek. Painel superior: rugosidade dos pers gerados em diferentes
tamanhos de sistemas. Inferior: colapso das curvas acima usando os expoentes medidos atraves das
simulac~oes, na criticalidade (p2 =0.5, p1 =0.749).
Esquema N~ao-simetrico
Uma mudanca signicativa no enrugamento ocorre no esquema n~ao-simetrico, como mos-
trado na Figura 3.13; observamos dois regimes de crescimento da rugosidade: um regime
fortemente correlacionado ( 0:65), para tempos t< L, e um regime fracamente cor-
relacionado ( 0:45), para tempos longos. Novamente, esse comportamento pode ser
entendido considerando o esquema n~ao-simetrico como uma deposic~ao em um referecial
em movimento. As correlaco~es inerentes da din^amica s~ao propagadas no referencial em
movimento ate alcancarem o tamanho do sistema; ent~ao, as correlac~oes devido as regras
locais do aut^omato passam a dominar, diminuindo a taxa de crescimento da rugosidade.
Esses dois regimes implicam que n~ao e possvel colapsar todas as curvas de rugosidade
usando a relac~ao de escala de Family- Vicsek.
Regime fracamente
10
3 correlacionado
2
10 Regime
w(L,t) fortemente
correlacionado
1 Esquema Nao-Simetrico
10
p2=0, p1=0.8095
L=50
0 L=500
10 L=5000
-1
10 0 2 4 6 8
10 10 10 10 10
t
onde j = (i t)=2 ; mod L=2. Esta transformaca~o e permitida no DKCA uma vez que,
de fato, coexistem duas sub-redes distintas no aut^omato: a dos stios pares que possuem
vizinhos mpares e vice-versa. Utilizando as relac~oes (3.1) e (3.3) podemos escrever para
a distribuic~ao de probabilidades de um stio,
XX
Pt+1 (i) = wDK (i ji0 ; i0+1 )Pt(i0 ; i0+1) : (3.22)
i0 i0+1
Novamente, com auxlio da Tabela 3.2, teremos para um par de stios ativos
Pt+1 (1; 1) = p21Pt (0; 1; 0) + p21Pt (1; 0; 1) + p22 Pt(1; 1; 1) + 2p1p2 Pt(0; 1; 1) : (3.26)
Obviamente
que considera a probabilidade conjunta de uma congurac~ao como o produto das pro-
babilidades individuais, ou seja, que as probabilidades de ocupac~ao de cada stio sejam
independentes entre si.
Aplicando a aproximac~ao (3.28) nas equaco~es (3.23) e (3.24), e fazendo as substituic~oes,
xt = Pt (1) e (1 xt ) = Pt(0), teremos para a aproximac~ao de um stio,
xt+1 = p2x2t + 2p1xt (1 xt ) : (3.29)
66
No estado estacionario (xt+1 = xt = x), esta equac~ao se torna,
As soluc~oes para a equac~ao (3.30) correspondem as duas fases possveis para o DKCA: a
fase congelada (x = 0), e a fase ativa, onde
x = 22pp1 p1 : (3.31)
1 2
A transic~ao de fase ira ocorrer quando x ! 0 na fase ativa; logo, para p1 = 1=2.
Considerando agora a aproximac~ao no nvel de pares,
onde usamos a melhor estimativa para Pt (; 0; 00) dados Pt (; 0), ou seja, considerando
as probabilidades de pares como independentes a menos do stio central que, obviamente,
deve ser o mesmo para os dois pares.
Fazendo zt = Pt (1; 1) e considerando as substituico~es ja mencionadas, teremos que a
equac~ao (3.27) se torna
Pt (1; 0) = xt zt ; (3.33)
zt+1 = p21 (xt x zt) + 2p1p2 (xt x zt )zt + p21 (x1t xzt ) + p22 zxt :
2 2 2
(3.34)
t t t t
z = p1 22pp1 x ; (3.35)
2 1
x = p2((2
p1 1)2 + p1 (3p1 2) :
p1 1)(2p1 p2 ) (3.36)
67
Novamente, a transic~ao sera obtida no limite x ! 0, resultando em
0.8
0.6
p2
0.4
Simulacional
0.2 Aproximacao de um sitio
Aproximacao de pares
0.0
0.0 0.2 0.4 0.6 0.8 1.0
p1
Figura 3.14: Diagrama de fases do DKCA obtido pela aproximac~ao de campo medio, considerando um
stio e um par, e pelas simulac~oes.
onde y = N 0 =L. Logo, as taxas de transic~ao na aproximac~ao de um stio s~ao dadas por
onde, St+1 = St , e
L
X
=1 W (0jN )p(N ) : (3.44)
N =1
70
Restrito aos estados 1; :::; N , p e um autovetor da matriz W cujo autovalor correspondente
e . O tempo de sobreviv^encia, , de um estado quase-estacionario e dado por,
= ln1 : (3.45)
0.10
p2=0.5
p1=0.5
P(N)
0.05
delta inicial
a
depois da 1 iteracao
a
depois da 10 iteracao
th
depois da 20 iteracao
th
depois da 50 iteracao
th
depois da 100 iteracao
0.00
0 20 40 60 80 100
N
71
Essa relac~ao sugere o seguinte esquema iterativo
40 p1=0.5
0.06
p2=0.5
30
<N>
0.04
γ
20
0.02
10
0.00 0
0 50 100 0 50 100
1.60 1.2
1.40 0.8
m
1.00 -0.2
0 50 100 0 50 100
t t
0.40
p2=0.5, p1=0.1
p2=0.5, p1=0.4
p2=0.5, p1=0.49
0.30 p2=0.5, p1=0.51
p2=0.5, p1=0.6
p2=0.99, p1=0.51
p2=0.99, p1=0.6
P(N)
p2=0.99, p1=0.9
0.20
0.10
0.00
0 20 40 60 80 100
N
Figura 3.17: Distribuic~oes quase-estacionarias em varios pontos do diagrama de fases do DKCA, para
L=100.
Entretanto, na fase ativa QS exp[const: (p1 p1c)L], enquanto R varia suavemente
com p1, p2 , e L. Isso leva a uma clara separaca~o de escalas temporais, QS R , para
sistemas nitos sucientemente grandes. (Por exemplo, para L = 100, p1 = 0:6 e p2 = 0:5,
QS ' 2000 enquanto R ' 8.)
Na Figura 3.18 mostramos a densidade QS de stios ativos (N ) versus p1 na aproximac~ao
de um stio, para diversos tamanhos de sistemas. Pode-se vericar a converg^encia para
73
a previs~ao determinstica da aproximaca~o de campo medio. A raz~ao entre os momentos,
m p1, tambem e mostrada, no detalhe da Figura 3.18, para os mesmos tamanhos de
sistemas. Os dados para L = 103 a 105 (vide Figura 3.19) indicam que no ponto crtico,
para L ! 1, a raz~ao entre os momentos se aproxima do valor 1.660, encontrado tambem
para o processo de contato (PC) e no processo de Malthus-Verhulst (MVP) [44]. A raz~ao
entre os momentos parece aproximar desse mesmo valor limite ao longo de toda a linha
crtica, para p2 < 1. Esse comportamento sugere que a distribuic~ao QS crtica tenha a
seguinte forma de escala, para L ! 1
onde P (u) e uma func~ao de escala. Na Figura 3.20 comparamos (para p1 = p2 = 0:5),
hN i p(N ) como func~ao de N=hN i, para sistemas com L= 103, 104, e 105, do mesmo modo
que a func~ao de escala exata encontrada para os processos PC e PMV [44].
0.8
1.8
1.6
0.6
1.4 m
1.2
ρ(N)
0.4
0.10 0.30 0.50 0.70 0.90
1.0 p2=0.5
p1
L = 10
L = 20
L = 40
L = 80
0.2
L = 100
L = 200
L = 500
L = 1000
Aprox. de um sitio
0.0
0.1 0.3 0.5 0.7 0.9
p1
Figura 3.18: Densidade quase-estacionaria para o DKCA, na aproximac~ao de um stio, para varios
tamanhos de sistemas. No detalhe mostramos a raz~ao entre momentos m versus p1 para os mesmos
tamanhos de sistemas.
E interessante notar que a distribuica~o QS para o DKCA tem a mesma forma de escala
encontrada no PC e no PMV, embora no ponto crtico do DKCA, o maximo de p(N )
ocorre para N > 1. A posic~ao desse maximo varia muito lentamente com o tamanho
do sistema (aproximadamente ln L), de modo que sua posic~ao quase n~ao se altera no
limite L ! 1. Uma explicac~ao provavel para esse comportamento no DKCA e que as
transic~oes para o estado absorvente s~ao possveis para varios valores de N , enquanto no
PC essa transic~ao so e possvel para N = 1.
No detalhe da Figura 3.20, mostramos para varios valores de p2 , as curvas hN i p(N )
N=hN i, para p1 = 0:5, L = 2000. O colapso dos dados conrmam a hipotese de escala,
74
exceto para p2 ' 1. Esse comportamento distinto e esperado, ja que p2 = 1 corresponde
a uma outra classe de universalidade, a percolac~ao direcionada compacta, como veremos
em detalhe na proxima seca~o, e possui dois estados absorventes.
1.70
Aprox. de pares
Aprox. de um sitio
1.60
m
1.50
1.40
1.30
0.00 0.10 0.20 0.30
-1/2
L
Figura 3.19: Raz~ao entre os momentos m, no ponto crtico (p1 =p2=1/2 na aproximac~ao de um stio
e p1 =0.6306, p2 =0.5 na aproximac~ao de pares), versus L 1=2 . Cada ponto neste graco corresponde
ao valor quase-estacionario da raz~ao entre momentos, obtido na criticalidade, em cada uma das
aproximac~oes. Note que no caso da aproximac~ao de pares, o valor esperado para o sistema innito e
atingido rapidamente com o aumento dos tamanhos da rede.
Para qualquer congurac~ao inicial n~ao concentrada em N = 0, o sistema evolui para
a distribuica~o QS; portanto, esta e independente da condic~ao inicial. (A unicidade da
distribuic~ao QS e esperada no caso do DKCA, que possui apenas um estado absorvente
e um estado ativo. Distribuico~es QS n~ao unicas podem ser observadas em processo nos
quais o estado ativo apresenta uma quebra de simetria.)
Os metodos direto e iterativo levam (como deveriam) para a mesma distribuic~ao QS. Para
0:4 < a < 0, observamos que o metodo iterativo converge para o estado QS levemente
mais rapido que o metodo direto (que requer cerca de 30% menos passos). Em contraste
com o caso onde t e contnuo, no qual o esquema iterativo pode ser ordens de magnitude
mais rapido que a integraca~o da equaca~o mestra [44, 39], aqui o ganho em eci^encia e bem
mais modesto. Isto n~ao causa surpresa, uma vez que, no caso contnuo, o enorme ganho
de eci^encia no metodo iterativo e devido ao pequeno tempo requerido para manter a
estabilidade numerica, em relac~ao ao metodo direto de integrac~ao.
De fato, a identidade (3.51) ja havia sido antecipada na sec~ao anterior atraves da relac~ao
(3.34). Nessas relac~oes, z, k, e v representam as densidades no tempo t + 1, enquanto as
variaveis do lado direito das equaco~es s~ao dadas por, t = N 0 =L e zt = Z 0 =L.
Figura 3.21: Relac~oes de recorr^encia para as densidades de pares. Mostramos na gura as cinco
congurac~oes possveis para se obter um par de stios ativos no tempo t + 1; e facil ver que cada uma
destas congurac~oes equivale a um termo da equac~ao (3.34). Para se obter as relac~oes para k e v basta
proceder de modo equivalente.
77
onde k = + z. O primeiro fator (entre colchetes) e o produto de todas as probabilidades
de pares dividida pelo produto de todas as probabilidades de um stio, exatamente como
na aproximaca~o utilizada na seca~o anterior. O segundo fator e uma correc~ao necessaria
para a normalizac~ao de Q (Veja Ap^endice D). Esse fator de correc~ao corresponde a media
para as diferentes maneiras de se escolher a posic~ao inicial em uma anel. No caso do
numero de pares assumir seus valores esperados (Z = Lz, etc.), o fator de correc~ao e
unitario.
A taxa de transic~ao na aproximac~ao de pares e o produto entre a probabilidade congu-
racional, Q(N; Z ; ; z), e o numero de conguraco~es, (N; Z ; L), possuindo exatamente
N stios ativos e Z pares ativos. Portanto, em um anel de L stios,
onde () denota a exclus~ao de um unico termo N = N 0, Z = Z 0. Uma express~ao para este
fator combinatorio e derivada no Ap^endice G. (Note que =0 para valores de N e Z fora
dos limites mostrados na Tabela 3.3.)
Finalmente, a evoluc~ao temporal da distribuica~o de probabilidades na aproximac~ao de
pares e dada por
X
pt+1 (N; Z ) = W (N; Z jN 0; Z 0) pt (N 0; Z 0) : (3.57)
N 0 ;Z 0 =2N 0 Z 0N
2.0
1.8
0.6
1.6 m
1.4
1.2
ρ(N)
0.4 1.0
0.2 0.4 0.6 0.8 1.0
p1
p2=0.5
Aprox. de pares
0.2 L = 10
L = 20
L = 50
L = 100
L = 160
L = 200
0.0
0.1 0.3 0.5 0.7 0.9
p1
79
Figura 3.23: Distribuic~ao QS de densidades de pares, condicionada a estados ativos, na criticalidade
(p2 = 0:5, p1 = 0:6306).
80
Captulo 4
O caso p3 = 1 foi recentemente estudado por Bagnoli et al. [15], onde os autores
encontraram um rico diagrama de fases, possuindo dois estados absorventes, transic~oes
de primeira e segunda ordem, um ponto bicrtico e uma fase caotica (associada ao espa-
lhamento de danos). Exceto pela linha p2 = 1 no DKCA, este e o modelo mais simples
a exibir uma transica~o de primeira ordem [15]. Os estados absorventes s~ao o estado
0 ou congelado, correspondendo a conguraca~o sem nenhum stio ativo, e o estado 1,
correspondendo a congurac~ao onde todos os stios est~ao ativos. Como no DKCA, o
par^ametro de ordem e a densidade de stios ativos, e os autores usaram aproximac~oes de
campo medio (considerando um stio), simulaco~es e argumentos teoricos analogos a teoria
de campos para estudar o modelo. A partir de agora nos referiremos a este modelo como
BPCA. Neste trabalho, apresentamos resultados recem submetidos para arbitragem [11],
onde estendemos a analise do BPCA considerando dois casos: o ja estudado p3 = 1, que
corresponde a um modelo tipo magnetico, e o caso p3 = 0, que representa um modelo tipo
jogo-da-vida, em alus~ao ao aut^omato introduzido por Conway [37, 17].
81
Neste captulo, estudamos as transic~oes de fase e o comportamento crtico da atividade
e do espalhamento de danos usando aproximac~oes de campo medio (considerando um
stio e um par), e simulac~oes, para p3 = 0 e p3 = 1. Para construir o diagrama de
fases empregamos o metodo do expoente de crescimento na representac~ao de interfaces do
BPCA, tal como mostrado na seca~o 3.1, e vericamos que o metodo e capaz de identicar
todas as transic~oes. Utilizando as aproximac~oes de campo medio, mostramos que ha uma
linha de pontos tricrticos no espaco de fases, que esbocamos usando a aproximac~ao de
pares. Para p3 = 0, observamos uma transica~o reentrante na regi~ao caotica.
4.1 O Modelo
O PCA unidimensional com interaco~es de tr^es stios (BPCA) foi proposto por Bagnoli
et al. [15], considerando um anel de L stios (i = 1; 2; :::; L), com condic~oes periodicas
de contorno. Cada stio i pode estar em dois estados, denotados convenientemente por
i = 0; 1. A congurac~ao do sistema no tempo t e dada por, fi (t)g. Em contraste com
os aut^omatos determinsticos estudados por Wolfram, o BPCA e estocastico, e as regras de
atualizaca~o do sistema s~ao dadas por probabilidades condicionais; em particular, o estado
do stio i no tempo t + 1 depende dos estados i 1 (t), i (t) e i+1 (t), via probabilidade de
transic~ao, P (i(t +1)ji 1 (t); i (t); i+1 (t)). Como ja dissemos, a ultima assume a forma
totalstica, i.e., depende apenas da soma Si = i 1 (t) + i(t) + i+1 (t). Escolhendo S = 0,
i (t + 1) = 0 com probabilidade 1 e restam apenas tr^es par^ametros, que denem as
probabilidades de transic~ao:
P (1j0; 0; 1) = P (1j0; 1; 0) = P (1j1; 0; 0) p1 ;
P (1j0; 1; 1) = P (1j1; 0; 1) = P (1j1; 1; 0) p2 ;
P (1j1; 1; 1) p3 :
Evidentemente, P (0ji 1; ; i+1 ) = 1 P (1ji 1; i; i+1 ).
Dependendo do valor de (p1; p2 ; p3), o estado assintotico (t ! 1) do sistema pode estar na
fase congelada, com todos os stios no estado 0, na fase 1 com todos os stios no estado 1,
ou na fase ativa, onde a densidade estacionaria de stios ativos e diferente de 0 ou 1. Como
ja dissemos, a determinaca~o completa do diagrama de fases no espaco tridimensional de
par^ametros e um problema bastante custoso. Estaremos interessados aqui principalmente
nos casos p3 = 1 e p3 = 0. No primeiro, o modelo possui os dois estados absorventes
citados acima, uma regi~ao ativa, e uma regi~ao caotica (associada ao espalhamento de
danos). Nesse caso o PCA e equivalente a um modelo tipo magnetico. Para p3 = 0, o
estado 1 n~ao e mais absorvente (embora o estado congelado continue sendo), o modelo
possui tambem uma fase ativa e apresenta uma fase caotica reentrante. O caso p3 = 0
descreve uma situac~ao onde o excesso de indivduos provoca a sua destruic~ao, analogo ao
considerado no jogo-da-vida de Conway [37, 17].
As transic~oes entre as fases ativa/absorvente s~ao de segunda ordem, caracterizadas por
82
expoentes crticos dentro da classe de universalidade da percolac~ao direcionada. A tran-
sic~ao congelada/plena e descontnua [15], e os expoentes s~ao aqueles da percolac~ao di-
recionada compacta. As transic~oes de espalhamento de danos (DS) tambem pertencem
a classe DP, consistente com a previs~ao de Grassberger [67]. O encontro de duas linhas
crticas em uma transic~ao descontnua dene um ponto bicritico, como o encontrado no
BPCA para p3 = 1 [15]. Para p3 < 1, a fase 1 n~ao e mais absorvente, de modo que
uma das fronteiras (i.e., entre a fase ativa e a fase 1) deixa de estar presente. Usando
aproximac~oes de campo medio, mostramos que o ponto bicrtico e na verdade o termino
de uma linha de pontos trcriticos: para p3 < 1, mas sucientemente proximo a 1, a
transic~ao congelada/ativa e descontnua para p1 < pt e contnua para p pt , onde pt e o
ponto tricrtico correspondente.
onde wi(i j0) 0 e a probabilidade condicional de que um stio i esteja ativo no tempo
t + 1, dada a congurac~ao 0 no passo de tempo precedente. As probabilidades wi s~ao
translacionalmente invariantes e, de fato, dependem somente dos estados i 1, i e i+1
no passo de tempo anterior,
onde Pt (i0 1; i0 ; i0+1) e a distribuica~o para um conjunto de tr^es stios. A evoluc~ao da
distribuic~ao para dois stios e dada por,
XXXX
Pt+1 (i; i+1 ) = w3s(iji0 1 ; i0 ; i0+1 )
i0 1 i0 i0+1 i0+2
w3s(i+1 ji0 ; i0+1; i0+2 )Pt(i0 1 ; i0 ; i0+1 ; i0+2) : (4.5)
t+1 = t [32 (p3 + 3p1 3p2) + 6 (p2 2p1) + 3p1] +
(t )2 [3 (p3 + 3p1 3p2) + 3(p2 2p1)] +
(t )3 [p3 + 3p1 3p2] ; (4.7)
onde os coecientes a( ), b( ) e c podem ser associados a estabilidade das soluc~oes.
Inicialmente, consideraremos a soluc~ao = 0; a condic~ao de estabilidade, a( ) < 1, e
obedecida para p1 < 1=3. No caso de a( ) = 1 (p1 = 1=3), a soluc~ao sera estavel somente
para b( ) < 0; logo, para esse caso, p3 < 2=3. Se a( ) = 1 e b( ) = 0, a condic~ao de
estabilidade passa a ser c < 0, resultando em p3 < 1. Logo, a soluc~ao = 0 e sempre
estavel para p1 < 1=3, p2 < 2=3 e p3 < 1. O ponto (1/3, 2/3, 1) corresponde ao ponto
tricrtico nesta aproximac~ao.
Se considerarmos agora a soluca~o, = 1, a condic~ao de estabilidade a( ) < 1 exige
que p3 p2 < 1=3. No caso a() = 1 (p3 = p2 + 1=3), a condic~ao b( ) < 0 implica em
p2 p1 > 1=3. Para a( )=1 e b( )=0, a condica~o de estabilidade c< 0 resulta em p3 < 1.
Portanto, o ponto (1/3, 2/3, 1) e tambem um ponto tricrtico para a soluc~ao =1! Logo,
o ponto (1/3, 2/3, 1) corresponde na realidade a um ponto bicrtico, como Bagnoli et al.
ja haviam mostrado. De fato, a soluc~ao =1 e absorvente apenas para p3 =1 (desde que
para p3 < 1, a din^amica da atualizaca~o do sistema destroi a fase plena); portanto, esta
soluc~ao e estavel somente para p2 > 2=3, p3 =1.
No caso 0 < < 1, a condic~ao de estabilidade a( ) < 1 implica em uma inequac~ao
de segundo grau em relac~ao a . Considerando a = 1, podemos resolver a equac~ao
correspondente, e obtemos
p
(2p1 p2) (p2 2p1)2 (p3 + 3p1 3p2 )(3p1 1)
= p3 3p1 3p2 :
Note que se anula na linha (1=3; 2=3; p3). E facil ver que a soluc~ao positiva, + , e
valida para qualquer valor de (p1; p2; p3 ), mas a soluca~o negativa, , e valida apenas
para p2 < 2p1. Considerando o plano p1 =1=3, a linha de transic~ao para p2 > 2=3 coincide
com a linha onde a raiz quadrada se anula, ja que a densidade n~ao pode assumir valores
85
complexos, 2 R . Isso implica em uma transica~o de fase descontnua para p2 > 2=3, e a
linha (1=3; 2=3; p3) corresponde a linha de pontos tricrticos no espaco de fases (p1; p2; p3 ),
para a aproximaca~o de um stio.
Como nas simulaco~es consideramos os casos p3 = 1 e p3 = 0, vamos resumir o comporta-
mento do diagrama de fases utilizando o criterio de estabilidade analisado acima. Para
p3 =1, a equaca~o (4.7) pode ser escrita como,
(3p1 3p2 + 1)2 + (3p2 6p1) + 3p1 1 = 0 : (4.8)
Para p2 > 2=3 e p1 < 1=3, temos uma transica~o de descontnua separando a fase congelada
da fase 1 (ambas estaveis). Nessa regi~ao, possui duas bacias de atrac~ao, correspondentes
as fases absorventes, e uma linha de pontos xos instaveis que representa a fronteira entre
as fases. Escolhendo-se a densidade inicial de stios 0 =1=2, a linha de transic~ao e dada
por p2 = 1 p1 .
No caso p3 = 0, teremos
(3p1 3p2 )2 + (3p2 6p1 ) + (3p1 1) = 0 : (4.10)
p3=1
Fase 1 Aprox. de um sitio
0.8 Aprox. de pares
Simulacional
0.6
p2
Fase
0.4
Congelada
Fase
0.2
Ativa
0.0
0.0 0.2 0.4 0.6 0.8 1.0
p1
Figura 4.1: Diagrama de fases para o BPCA, p3 = 1. As soluc~oes obtidas nas aproximac~oes de um stio
e um par s~ao comparadas com os resultados simulacionais.
Denindo z P (1; 1), e notando que P (1)= P (1; 0)+ P (1; 1), podemos escrever
k P (1; 0) = P (0; 1) = z ;
87
e v P (0; 0) = 1 2 + z. As relaco~es de recorr^encia para a densidade de stios ativos,
, e para a densidade de pares ativos, z, s~ao
= p3 zt + p2 2zt (t zt ) + (1t zt ) +
2 2
t+1
t t t
+p1 2( t zt )(1 2 t + z t ) (
+ t zt )2
; (4.13)
1 t t
Iterando-se essas relac~oes numericamente ate o estado estacionario ser atingido, podemos
construir o diagrama de fases na aproximaca~o de pares. Resultados para p3 =1 e p3 =0 s~ao
mostrados nas Figuras 4.1 e 4.2. Usando a aproximaca~o de pares, equaco~es (4.13) e (4.14),
encontramos numericamente a linha de pontos crticos para p3 < 1, como mostrado na
Figura 4.3. Na regi~ao p3 < 1 a fase plena desaparece, e a linha de transica~o descontnua
para a fase absorvente encontra a linha de transic~ao contnua nos pontos tricrticos.
1.0
p3=0
0.8 aprox. de um sitio
aprox. de pares
simulacional
0.6
Fase Fase
p2
0.4
Congelada Ativa
0.2
0.0
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
p1
Figura 4.2: Diagrama de fases para o BPCA, p3 = 0. Note que a aproximac~ao de um stio prev^e um
ponto tricrtico unindo as transic~oes contnua (linha cheia) e descontnua (linha tracejada). Esta previs~ao
desaparece na aproximac~ao de pares.
88
z
zz
z 1.0
z
z
z
z 0.8
z
z
zz
0.6
zz
z p3
0.4
0.0
0.1 0.2
0.2
p1 0.3
0.0
0.4
0.8 1.0
0.5 0.6
0.2 0.4
0.0
p2
Figura 4.3: Superfcie crtica e linha de pontos tricrticos para o BPCA, na aproximac~ao de pares.
4.2.3 Espalhamento de Danos
Bagnoli et al. [15] derivou aproximaco~es de campo medio para a transic~ao de espalhamento
de danos (DS), no caso p3 = 1, mostrando que existe uma regi~ao caotica na fase ativa
do BPCA. Para obter a aproximac~ao de um stio para o BPCA, em p3 = 0, usamos a
abordagem apresentada por Tome [164]; denotando as congurac~oes em cada replica por
fig e fig, a dist^ancia de Hamming e dada por
Ht = h(i i)2 i ; (4.15)
onde
Y
W (; j 0; 0 ) = $(i; i j i0 1 ; i0 ; i0+1; i0 1 ; i0; i0+1 ) ; (4.17)
i
Tabela 4.2: Probabilidades conjuntas de transic~ao para dois BPCA sujeitos ao mesmo rudo.
i , i (1,1,1;1,1,1) (1,1,1;1,1,0) (1,1,1;1,0,0) 1,1,1;0,0,0
1,1 p3 min (p2; p3) min (p1 ; p3) 0
1,0 0 b b' p3
0,1 0 c c' 0
0,0 1 p3 1-min (p2 ; p3) 1-min (p1; p3) 1 p3
i , i (1,1,0;1,1,0) (1,1,0;1,0,0) (1,1,0;0,0,0)
1,1 min (p1; p2) 0 p1
1,0 b" p2 0
0,1 c" 0 0
0,0 1-min (p1 ; p2) 1 p2 1-p1
i, i (1,0,0;1,0,0) (1,0,0;0,0,0) (0,0,0;0,0,0)
1,1 p2 0 0
1,0 0 p1 0
0,1 0 0 0
0,0 1 p2 1-p1 1
Pt (1; 1) = xt t e Pt(0; 0) = 1 xt t ;
0.75
p2=0.9
0.55
p3=0
ρ,ψ
0.35
0.15
-0.05
0.75
p2=0.5
0.55
ρ,ψ
0.35
0.15
-0.05
0.55
0.45 p2=0.25
0.35 ρ
ρ,ψ
0.25 ψ
0.15
0.05
-0.05
0.0 0.2 0.4 0.6 0.8
p1
Figura 4.4: Densidade de stios ativos e dist^ancia de Hamming na aproximac~ao de campo medio,
considerando um stio para p3 =0.
t+1 = 3 t f3 j p1 p2 j 2
t + [(p2 2p1) 3 j p1 p2 j +3(p1 p2)xt ] t (4.22)
91
+[(p1 + p2 3 j p1 p2 j)x2t + (3 j p1 p2 j 2p1 )xt + p1]g :
Essa equac~ao pode ser iterada numericamente usando os valores estacionarios de xt obtidos
a partir da equac~ao (4.10); existem tr^es possibilidades para as soluc~oes conjuntas das
equac~oes (4.10) e (4.22): x = = 0, correspondendo a fase congelada; x = 0; 6= 0,
correspondendo a fase ativa; e x; 6= 0, correspondendo a fase caotica. Na Figura 4.4
mostramos as soluc~oes estacionarias para essas equac~oes para tr^es diferentes valores de
p2, onde podemos vericar cada um dos comportamentos descritos acima; para p2 =0:25,
o ponto crtico para a transic~ao absorvente coincide com o obtido para a transic~ao DS
e ambas s~ao contnuas; para p2 = 0:5, observamos que as duas transic~oes ocorrem em
pontos distintos, mas ainda s~ao contnuas. Para p2 =0:9, as transic~oes voltam a coincidir,
mas agora s~ao descontnuas.
Na Figura 4.5, mostramos a linha de transica~o DS nesta aproximac~ao; note que para
p2 > p1, e sempre positivo, se x > 0. Isso implica que a linha de transic~ao DS, para
p2 > p1, recai na transic~ao descontnua analisada na primeira subsec~ao.
1.0
0.8
0.6
p2
0.4
0.2 p3=0
Transicao DS
Transicao absorvente
0.0
0.0 0.2 0.4 0.6 0.8 1.0
p1
4.3 Simulac~oes
Construmos o diagrama de fases do BPCA, para p3 = 0 e p3 = 1, usando simulac~oes
de sistemas com ate L = 104 stios, com condico~es periodicas de fronteira. Aplicamos
o metodo do expoente de crescimento [8] para localizar as linhas de transica~o, como
mostrado na Figura 4.7. A condica~o inicial nessas simulac~oes e um estado aleatorio com
50% de stios ativos. O diagrama de fases para os casos p3 = 1 e p3 = 0 s~ao mostrados
92
1.0
0.8
0.6
p2
0.4
p3=0
0.2
Transicao DS
Transicao absorvente
0.0
0.3 0.5 0.7 0.9
p1
Figura 4.6: Linha de transic~ao DS, para p3 = 0, obtido por simulac~ao. Observamos o comportamento
reentrante tal como na aproximac~ao de um stio (gura 4.5.
nas Figuras 4.1 e 4.2, respectivamente. Como esperado, comparada com a simulac~ao, a
previs~ao da aproximac~ao de pares e melhor que no caso de um stio.
Qualitativamente, o diagrama de fases para p3 = 0 e quase id^entico ao apresentado pelo
DKCA [8, 115]; a principal diferenca e que a regi~ao ativa e bem maior no caso do BPCA.
Para p3 = 1, a aproximac~ao de pares fornece uma previs~ao melhor para a transic~ao,
embora a posic~ao do ponto bicrtico permaneca a mesma, p1 = 1=3; p2 = 2=3, tal como
encontrado na aproximac~ao de um stio. Nas simulac~oes, o ponto bicrtico e localizado
na posic~ao (p1 =0.460(3), p2=0.540(3)). E importante notar que ha apenas tr^es transic~oes
neste diagrama: entre as fases absorventes congelada/fase 1 (descontnua), e as de segunda
ordem entre as fases ativa/fase 1 e congelada/ativa. Todas as transic~oes s~ao localizadas
utilizando-se o metodo do expoente de crescimento, demonstrando que o metodo e capaz
de detectar tanto transico~es de primeira quanto de segunda ordem.
Os diagramas de fase para as transic~oes de espalhamento de danos s~ao mostrados nas
Figuras 4.6 e 4.8, para p3 = 0 e p3 = 1, respectivamente. No caso p3 = 1, conrmamos
os resultados de Bagnoli et al. [15], mas alguns comentarios s~ao necessarios; no artigo
citado, os autores comentam que as regi~oes de caos que aparecem ao longo da linha
de transic~ao entre as fases congelada/ativa aparecem devido a diverg^encia do tempo de
relaxac~ao ou ao fato de pequenas diferencas nas congurac~oes iniciais poderem levar o
sistema a um estado absorvente diferente. Na Figura 4.9, comparamos as transic~oes DS
obtidas quando usamos (1) o dano por \rotac~ao", apresentado no captulo anterior, e (2)
um dano aleatorio, onde trocamos o valor do estado em 10% dos stios de um aut^omato no
estado estacionario e medimos a evoluca~o da dist^ancia de Hamming. Conclumos que os
domnios caoticos observados por Bagnoli et al. sobre as linhas de transic~ao absorventes
93
0.9
p3=1
0.8 p2=1
p2=0.75
p2=0.5
p2=0.1
0.7
βw
0.6
0.5
0.4
0.2 0.3 0.5 0.6 0.7 0.8 0.9 1.0
p1
1.0
0.8
p3=1
0.6
p2
0.4
Transicao absorvente
0.2
Transicao DS
0.0
0.0 0.2 0.4 0.6 0.8 1.0
p1
Cabe ressaltar que o metodo do expoente de crescimento aplicado as transic~oes descont-
94
nuas e utilizado apenas para identicar as transico~es, pois n~ao ha uma denic~ao para os
expoentes crticos em transico~es descontnuas, como existe para as transic~oes contnuas.
O valor ' 1 encontrado nas simulac~oes e compatvel com a previs~ao para a classe CDP
(como discutido na subsec~ao 3.2.2), tendo em vista que o expoente (sec~ao 1.2) que
governa a densidade de stios ativos e igual a 0.
0.80
βw
0.60
0.40
0.55 0.65 0.75 0.85 0.95
p1
Figura 4.9: Metodo do expoente de crescimento para a transic~ao DS considerando dois modos diferentes
para se fazer o dano inicial, para p3 = 1. Os resultados indicam que ha apenas uma linha de trasic~ao
caotica, sem a presenca de \ilhas" da regi~oes caoticas como armado por Bagnoli et al [15].
95
Captulo 5
Modelo discreto gerador de pers auto-ans
de solos
Os conceitos da geometria fractal t^em sido largamente usados para descrever e quanticar
a irregularidade na natureza, e propriedades auto-ans foram recentemente identicadas
em varios terrenos terrestres [45] e pers de solos [116]. Diversos trabalhos na ci^encia dos
solos incorporam a geometria fractal na descrica~o e modelagem de propriedades e processos
fsicos do solo e para quanticar a variabilidade espacial dos solos [187, 138, 63, 114].
Uma propriedade muito importante intimamente relacionada a geometria fractal e a
rugosidade supercial do solo, denida como a congurac~ao do microrel^evo do solo. A
rugosidade supercial do solo exerce grande in
u^encia na inltrac~ao de agua, processos
erosivos e efeitos de escoamento. Sua quanticac~ao e importante para a compreens~ao
do comportamento do solo durante processos de degradac~ao, como eros~ao pluvial ou
mudancas abruptas tais como aquelas introduzidas pela aragem [172]. Nos ultimos anos,
um esforco consideravel tem sido feito para simular a estrutura dos solos e, entre os varios
modelos propostos, ha aqueles que simulam a distribuic~ao de tamanhos das partculas
[114], a rugosidade supercial do solo [187, 32], a morfologia da estrutura de poros [139],
etc. As principais propriedades consideradas nesses modelos s~ao a dimens~ao fractal da
superfcie do solo, D, a distribuica~o dos tamanhos das partculas (PSD), a distribuic~ao
de tamanhos dos poros, alem, claro, da rugosidade supercial.
Neste captulo propomos um modelo simples, denido em uma rede, para simular a
estrutura de um solo e reproduzir sua rugosidade supercial. Basicamente, utilizamos
as ideias de crescimento fractal de superfcies [13] para gerar pers aproximadamente
auto-ans, no sentido que as propriedades de escala desses pers s~ao validas somente
em uma faixa limitada de valores. A dimens~ao fractal dos pers gerados foi medida
e comparada com os dados experimentais. As duas principais contribuic~oes de nosso
modelo e considerar uma distribuica~o no tamanho das partculas segundo uma dada lei
de pot^encia e permitir diferentes morfologias para os agregados. Ate onde sabemos,
essas caractersticas n~ao haviam sido consideradas ainda por nenhum outro modelo e s~ao
96
responsaveis pela estrutura dos \solos" gerados em nosso modelo.
O captulo esta organizado da seguinte maneira: na sec~ao a seguir, apresentamos uma
descric~ao detalhada do modelo, onde mostraremos como obter a distribuic~ao de tamanhos
em lei de pot^encia e descrevemos os algoritmos utilizados para gerar as morfologias dos
agregados. Tambem apresentamos um breve sumario da teoria de crescimento fractal de
superfcies. Em seguida, apresentamos os resultados considerando diferentes dimens~oes
de fragmentaca~o e varios tamanhos maximos para os agregados. Finalmente, na ultima
sec~ao, apresentamos nossas conclus~oes e perspectivas.
5.1 O Modelo
A principal motivaca~o para denirmos o modelo encontra-se na capacidade do mesmo em
reproduzir as principais propriedades observadas em solos agrcolas, como auto-anidade e
estrutura de poros. O modelo deve possuir tambem alguns par^ametros de controle, como
a dimensionalidade da distribuica~o dos tamanhos das partculas (agregados) que ser~ao
depositados e a massa do maior agregado. Apenas com esses dois par^ametros esperamos
reproduzir a variabilidade estrutural observada em solos naturais.
5
10
4
10
3
10
N(r>R)
2
10
1
10
0
10
1 10 100 1000
M
A distribuic~ao dos tamanhos dos agregados possui a forma de uma lei de pot^encia [138,
97
63], cujo expoente, Df , e um dos par^ametros do sistema, e e chamada de dimens~ao de
fragmentac~ao. Em contraste com os modelos classicos denidos em uma rede, nos quais
todas as partculas tem a mesma morfologia, esse modelo simula a variabilidade de solos
naturais gerando agregados atraves de um dado algoritmo. Neste trabalho, consideramos
dois algoritmos diferentes: um considerando a percolac~ao de ligac~oes e outro construdo
a partir do modelo de Eden.
As principais vantagens em se trabalhar com modelos denidos na rede s~ao a simplicidade
para se montar os algoritmos e a velocidade de execuc~ao dos programas, o que possibilita
a simulac~ao de sistemas relativamente grandes (ate L = 105 stios) e deposic~ao de uma
enorme quantidade de partculas ( 109). Essa quantidade de partculas depositadas
s~ao necessarias am de se evitar o efeito de uma adic~ao constante de microvariabilidade
aleatoria, representada pela morfologia dos agregados.
Figura 5.2: Morfologias geradas pelo algoritmo de percolac~ao de ligac~oes. Acima: Algumas morfologias
para Mmax=50, tr^es agregados s~ao mostrados. Note a estrutura porosa e o formato aleatorio,
caractersticas observadas em solos. Abaixo: Algumas morfologias para Mmax=500.
N (r > R ) R Df ; (5.1)
onde N (r > R) e o numero acumulado de partculas (ou agregados) com raio r maior que
R, e Df e a dimens~ao de fragmentaca~o da distribuic~ao de tamanhos das partculas (PSD).
Existe alguma controversia na literatura a respeito da faixa de valores permitidos para
Df . Tyler e Wheatcraft [168] argumentam que Df < 3, pois, considerando-se as hipoteses
usuais (densidade constante, partculas esfericas, etc.) a distribuic~ao de massas escala
com M (r > R) RD R3 Df , onde D e dimens~ao fractal do solo e somente os valores
Df < 3 teriam sentido fsico, considerando uma distribuic~ao fractal. Martin e Taguas [114]
98
apresentaram varios argumentos matematicos suportando essa conjectura e realizaram
simulac~oes de algumas PSD. Entretanto, existem varios resultados experimentais que
apontam para o contrario, conforme o apresentado por Perfect e Kay [138], onde a
faixa dos valores encontrados foi 2:6 < Df < 3:5. Gimenez et al [2] tambem armam
que n~ao ha uma nenhuma relaca~o experimental entre a dimens~ao fractal e a dimens~ao
de fragmentac~ao. Neste trabalho, consideramos que a hipotese de densidade constante
n~ao deve manter-se valida a medida que o raio medio das partculas cresca, devido a
presenca de poros na estrutura. Portanto, dimens~oes de fragmentac~ao maiores que tr^es
s~ao possveis, a princpio.
Uma classicaca~o geral para a classicaca~o dos tamanhos dos agregados e a seguinte [129]
areia: 50 < r < 2000m
aluvi~ao: 2 < r < 50m
argila: r < 2m.
As percentagens de cada tamanho de agregado pode variar bastante em solos reais. Nemes
et al [129] propuseram uma padronizac~ao para a classicac~ao dos solos europeus utilizando
varios dados experimentais.
Os dois par^ametros do modelo s~ao a dimens~ao de fragmentac~ao, Df , e o numero de massa
maximo permitida para os agregados, Mmax . A cada instante de tempo, o algoritmo
sorteia um numero de massa, M ; se M > 1, uma congurac~ao aleatoria e selecionada de
acordo com a morfologia desejada; neste trabalho, utilizamos a percolac~ao de ligac~oes,
99
onde a congurac~ao de um agregado corresponde a um aglomerado com tamanho M ,
e o modelo de Eden do tipo C, tal como descrito na sec~ao 2.1, onde depositamos M
partculas em uma rede quadrada com uma semente ocupando o stio central (simetria
esferica). Nas Figuras 5.2 e 5.4, mostramos algumas das possveis morfologias para os
agregados. Com apenas esses par^ametros, o modelo e capaz de reproduzir de maneira
simples a variabilidade estrutural encontrada nos solos naturais.
Na Figura 5.1 apresentamos uma PSD tpica gerada pelo algoritmo do modelo. Essa PSD
e construda considerando que os agregados podem ser aproximados por discos, de tal
modo que existe uma relaca~o direta entre a massa e o raio do agregado, que e utilizada
para se construir a PSD.
Figura 5.4: Morfologias geradas pelo modelo de Eden. Acima: Possveis morfologias para M = 50. Tr^es
agregados s~ao mostrados em cada caso. Note que com o algoritmo de Eden os agregados formados s~ao
menos fragmentados e possuem uma simetria esferica predominante, mais proximos dos encontrados em
solos reais.
Figura 5.5: A) Deposic~ao de 5000 partculas com o algoritmo de Eden, em uma rede com L=100,
Mmax=10 e Df =3.0; B) o mesmo, para 2500 partculas depositadas e Df = 1.
5.2 Resultados
Realizamos simulac~oes utilizando substratos unidimensionais com ate L = 105 sitos, mas
na maioria das amostras usamos L = 103. Os resultados correspondem a uma media sobre
20 amostras para cada par de valores dos par^ametros, onde cada uma delas possui uma
sequ^encia de deposic~ao propria para os agregados. O numero de agregados depositados
em cada amostra foi de N = 108, mas em alguns casos utilizamos ate 109 partculas.
Calculamos a rugosidade, w(L; t), denida por
L
w2(L; t) = 1X h
2
i (t) h(t) ; (5.2)
L i=1
em func~ao dos par^ametros do modelo, como mostrados nas Figuras 5.6 e 5.7, considerando
a percolac~ao de stios e o modelo de Eden, respectivamente. Note que a rugosidade
101
de saturaca~o e atingida apos cerca de N 107 partculas depositadas. A dimens~ao
fractal do perl nal e estimada utilizando-se o expoente de Hurst, H , tal qual detalhado
no Ap^endice C. O expoente de Hurst esta associado a dimens~ao fractal via a relac~ao
D = 2 H , onde d = 2 e a dimens~ao de imers~ao dos pers. Alem do metodo da analise
de
utuac~oes sem tend^encia (apresentada no Ap^endice C e introduzida por Moreira et al
[121]), utilizamos o metodo do semivariograma, que usa a func~ao correlac~ao de alturas e
e o metodo usualmente empregado nos experimentos.
100
Df = 1.5
Nmax = 01
Nmax = 05
Nmax = 10
Nmax = 50
10
Nmax = 100
Nmax = 500
Nmax = 1000
w(L,t)
1
0.55
0.45
slope
0 0.35
0.25
0.15
0 0 2 4 6 8
10 10 10 10 10
numero de particulas depositadas
Figura 5.6: Rugosidade dos pers simulados, considerando varios valores para Mmax e Df = 3:0. Note
a variaca~o da inclinac~ao das curvas de rugosidade entre as linhas pontilhadas mostradas. A inclinac~ao
de uma dada curva e medida xando-se a escala de medida (regua) e fazendo a media das inclinac~oes
obtidas considerando-se diferentes pontos iniciais entre as duas linhas pontilhadas.
M max =1
M max = 10
M max = 50
1
M max = 100
10 M max = 500
M max = 1000
Rugosidade
0
10
0.40
0.30
β
-1
10
0.20
0.10
-2
10 0 2 4 6 8
10 10 10 10 10
agregados depositados
Figura 5.7: Rugosidade dos pers simulados, considerando varios valores para Mmax e Df = 3:0, para
o modelo de Eden. As caractersticas observadas s~ao as mesmas encontradas com o modelo de percolac~ao
de ligac~oes.
valores para a massa maxima permitida para os aglomerados. Pode-se observar que a
curva correspondente a Mmax = 1 comporta-se exatamente como a DARS (apresentada
no captulo 4), independentemente do algoritmo utilizado, como esperado.
A faixa de valores obtidos para H e mostrada na Figura 5.8, para o algoritmo de percolac~ao
de ligac~oes, onde tambem mostramos a depend^encia do expoente de crescimento, w , com
os par^ametros do modelo. Pode-se concluir que o aumento da massa maxima permitida
tem efeitos similares ao decrescimo da dimens~ao de fragmentac~ao: ambos introduzem
correlaco~es n~ao lineares no sistema (indicadas pelo valor do expoente w ), alterando a
classe de universalidade da deposica~o. Por outro lado, a dimens~ao fractal n~ao mostra
uma depend^encia t~ao forte com os valores dos par^ametros. Para o modelo de Eden os
resultados s~ao similares, como mostrado na Figura 5.9.
103
0.7 0.5
0.6 A 0.4
B
0.5
β
0.3
0.4
0.2
0.3
Mmax = 100 Mmax = 100
0.2 -1 0 1 0.1 -1 0 1
10 10 10 10 10 10
Df Df
0.80
0.70 C 0.45 D
Df = 3.0 Df = 3.0
0.60
0.35
H
β
0.50
0.25
0.40
0.30 0.15
1 10 100 1000 1 10 100 1000
Mmax Mmax
Figura 5.8: Sumario dos expoentes crticos medidos, considerando-se os agregados gerados pela
percolac~ao de ligac~oes. A) e C): Comportamento de expoente de Hurst com os par^ametros do modelo.
Note que n~ao existe nenhuma depend^encia forte do valor do expoente com os par^ametros. A faixa dos
valores experimentais e 0:3 < H < 0:7. B) e D): Comportamento de expoente de crescimento com os
par^ametros do modelo. Aqui existe uma depend^encia do valor de w com o raio maximo das partculas:
a medida que o raio aumenta, o expoente de crescimento tambem aumenta, ate atingir o valor esperado
para a deposic~ao n~ao linear. A depend^encia de w como a dimens~ao de fragmentac~ao e exatamente o
inverso.
0.35
0.30 A
Df = 3.0
β
0.25
0.20
0.15
1 10 100 1000
0.70
B
0.60
Df = 3.0
H
0.50
0.40
0.30
1 10 100 1000
Mmax
Figura 5.9: Sumario dos expoentes obtidos considerando-se os agregados gerados pelo modelo de Eden.
Pode-se vericar que as caractersticas observadas nesse caso s~ao analogas as vericadas no caso da
percolac~ao de stios (gura 5.8).
104
Captulo 6
Conclus~oes e Perspectivas
Perpectivas
Nossas perspectivas se concentram na simulaca~o do aut^omato de Domany-Kinzel em d =
2, trabalho que ja se encontra em curso, na realizac~ao de simulac~oes para identicar a
superfcie crtica no espaco tridimensional de par^ametros do BPCA e a simulac~ao do
modelo de pers de solos sobre um substrato bidimensional.
Apesar de apresentar uma aplicabilidade maior, a simulac~ao de sistemas bidimensionais
demanda recursos computacionais mais robustos, como ja destacamos no texto. Em
particular, no DKCA bidimensional a atualizaca~o de cada stio depende do estado de
seus quatro vizinhos no instante de tempo anterior. Dessa forma, se consideramos regras
totalsticas e p0 = 0, existem tr^es par^ametros independentes e, a exemplo do BPCA, o
diagrama de fases e tridimensional. Para contornar essa diculdade, pretendemos estudar
o caso onde p3 =1 p1, o que reduz o diagrama de fase apenas a um plano; esse escolha e
feita a partir de criterios de simetria. E interessante notar que na classe de universalidade
DP, 1 ' 0:55; 0:27 e 0 para d = 2; 3 e 4, respectivamente. Logo, esperamos que a
cuspide no valor de w seja bem menos pronunciada em d = 2 e que w decresca na
107
transic~ao de fases em d = 3.
Outras perspectivas possveis se concentram na aplicac~ao do metodo do expoente de
crescimento em outros modelos, onde poderia ser aplicado para a determinac~ao de tran-
sic~oes de fase. Resultados preliminares de simulac~oes mostram que o metodo pode ser
aplicado com sucesso na detecc~ao da transica~o de fases no modelo de Ising; dessa forma,
o metodo poderia ser aplicado tambem no modelo de Blume-Capel (que e uma extens~ao
do modelo de Ising), onde ha uma controversia a respeito da localizac~ao das linhas de
transic~ao do diagrama de fases [99].
Para o BPCA, nossas expectativas se concentram na determinac~ao simulacional da su-
perfcie crtica no espaco tridimensional de par^ametros, o que permitiria a vericac~ao da
linha de pontos tricrticos. Caso seja conrmada por simulac~oes, esta transic~ao colocaria
por terra uma conjectura apresentada por Hinrichsen [82], na qual o autor arma que,
em d = 1, n~ao seria possvel a exist^encia de uma transic~ao descontnua entre uma fase
absorvente e uma ativa.
Para o modelo de solos, nossas expectativas se concentram na simulac~ao da deposic~ao de
agregados com d = 3 sobre substratos bidimensionais, o que seria bem mais verossmel
do ponto de vista experimental. Outra perspectiva e simular o efeito da chuva sobre os
pers gerados, am de vericar a depend^encia do expoente de Hurst com o volume de
chuva, conforme vericado experimentalmente por Vivas Miranda [172]. De fato, esse era
o objetivo inicial do interc^ambio realizado pelo autor e e uma das perspectivas desejaveis
a que nos referimos inicialmente. Dentro dessa mesma categoria esta nossa expectativa
da simulaca~o de outros sistemas utilizando nosso modelo, como por exemplo a deposic~ao
de polmeros, onde poderia-se um algoritmo de morfog^enese apropriado.
108
Ap^endice A
Historico: o Nascimento de uma Nova
Ci^encia
Nesta epoca a Igreja representava um forte entrave para o pensamento cientco; exemplo
disso foi a rejeic~ao medieval ao atomismo, devido ao seu pretenso carater atesta. Segundo
um antigo argumento do poeta romano Lucrecio(99-55 AC), se considerarmos que o
mundo natural se resume apenas a `materia (partculas) e ao movimento', poder-se-ia
dispensar a exist^encia de agentes sobrenaturais e tambem a ideia de que tudo se mantem
unido gracas a um substrato de forcas e eteres. Para um pensador medieval, era natural
explicar a exist^encia de um universo regular e harm^onico nesse cenario; por outro lado,
seria dicil de crer que partculas soltas no espaco vazio, sujeitas apenas a seus proprios
movimentos aleatorios e a colis~oes com outras partculas, poderiam resultar na harmonia
celeste observada. Curiosamente, so a partir do incio do seculo XVII foi que o atomismo
passou a ser entronizado, gracas a um argumento proposto por Pierre Gassendi (1592-
1655), no qual os atomos n~ao determinavam seu proprio movimento mas eram postos
a se mover por Deus, como em um intricado mecanismo. Esta gura de um `Deus
relojoeiro', desenvolvida principalmente por Robert Boyle (1627-1691), foi uma das ideias
mais populares da epoca e ajudou a realcar uma concepc~ao mecanicista da Natureza:
esta seria colocada em movimento por Deus em perpetum mobile, e estaria sujeita as leis
fsicas, que poderiam ser determinadas segundo o metodo criado por Galileu.
113
Os principais responsaveis pelo mecanicismo - alem de Galileu - foram Descartes, Boyle
e Newton. Apos a proposica~o do empirismo por Francis Bacon (1561-1626), patrono da
Real Acad^emia de Ci^encias da Inglaterra, Renee Descartes (1596-1650) em seu Discurso
sobre o Metodo (1637) sustentou que as teorias deveriam ser preferencialmente deduzidas
a partir de fundamentos auto-evidentes no lugar da observac~ao, elevando o papel da
raz~ao em detrimento do experimento, o que deu origem a dicotomia empirismo versus
pensamento apriorstico. Apesar de n~ao ser atomista, Descartes contribuiu para esta
ideia, pois acreditava que o espaco era preenchido por partculas de todos os tamanhos,
sem limitaca~o (na direc~ao do continuum aristotelico), que se movimentariam presas a
vortices, em turbilh~oes que se repetiriam em todas as escalas. Para suportar suas criativas
ideias, Descartes prop^os um `princpio de conservac~ao' do que chamou de `movimento' -
o produto escalar entre massa e velocidade (mv). A vers~ao correta deste princpio e
a conhecida Lei de Conservaca~o do Momento Linear, enunciada por Christian Huygens
(1629-1695), John Wallis e Christopher Wren em 1668.
E importante ressaltar a import^ancia das ideias de Descartes para o desenvolvimento
posterior da ci^encia, ja que desde ent~ao o objetivo da maioria dos cientistas foi corroborar
ou confrontar as ideias cartesianas. Isto se aplica ao trabalho de Huyguens, que deixou
uma importante contribuica~o na conceituaca~o da vis viva (ou mv2), uma quantidade
alternativa ao movimento cartesiano e que tambem seria candidata a uma lei de conserva-
c~ao. De fato, Gottfried Wilhelm Leibnitz (1646-1716) desenvolveria essa ideia, enunciando
em 1693 o \princpio de conservac~ao da energia mec^anica", que consistia na soma da vis
viva com a energia gravitacional dos corpos. Mais tarde, no seculo XIX, o termo \teoria
da vis viva" foi associado a hipotese de que o calor contido em um corpo devia-se ao
movimento de suas moleculas - explicando-se da sua posterior denominac~ao como energia
cinetica.
E interessante notar que a unica propriedade que Bernoulli deu para suas partculas
foi o di^ametro d; para ele, a massa das partculas era innitesimal e, estranhamente,
seria possvel que um numero innito de partculas ocupasse um volume nito, pois a
transfer^encia de momento devido a impactos individuais n~ao era levada em conta na
equac~ao de estado.
Depois de Bernoulli, tardou para que houvesse avancos signicativos na teoria, e estes
vieram do desenvolvimento da qumica, com os trabalhos de Dalton, Gay-Lussac e Avo-
gadro; em meados do seculo XIII, especulava-se que o ar seria composto por dois gases,
nitrog^enio e oxig^enio, que quando separados possuam densidades diferentes, a mesma
temperatura e press~ao. Este ultimo havia sido proposto por Antoine Laurent Lavoisier
(1743-1794) para explicar a combust~ao no lugar da teoria do phlogiston medieval. Com a
proposic~ao da estequiometria por J. B. Richter (1762-1807), capaz de quanticar as reac~oes
qumicas, passou-se um perodo onde se desejou conhecer as propriedades dos gases e de
suas misturas. John Dalton (1766-1844) estabeleceu a `lei das press~oes parciais' baseando-
se em um modelo newtoniano para gases, porem com uma modicac~ao: em uma mistura
de gases, a forca repulsiva so existiria entre moleulas de um mesmo gas, sendo inexistente
para o outro tipo. Dalton foi ainda o responsavel por idealizar a primeira teoria at^omica,
ao se concentrar na quest~ao dos pesos moleculares dos elementos; para ele, cada elemento
deveria possuir um peso caracterstico e, ao reagirem, diferentes elementos se combinariam
na proporc~ao de suas massas. Tal raciocnio levou Dalton a escrever uma tabela para os
elementos, na ordem crescente de seus pesos at^omicos, e teorizar acerca da maneira pela
qual os elementos se combinariam.
Joseph Louis Gay-Lussac (1778-1850) foi um qumico franc^es responsavel por tr^es desco-
bertas no estudo de gases: o estabelecimento da ja citada lei de expans~ao termica para um
gas (lei de Charles); o estudo da expans~ao livre de um gas no vacuo, no experimento que
leva seu nome; e a descoberta da \lei de combinaca~o de volumes", que estabelecia que, nas
reac~oes gasosas, os reagentes e produtos estavam relacionados entre si por raz~oes entre
numeros inteiros. Esta descoberta indicava que o volume de um gas era proporcional
somente ao numero de partculas nele contido, a temperatura e press~ao xas, e n~ao
da forma ou peso do gas, como propusera Dalton. Portanto, dois litros de hidrog^enio
poderiam ser combinados com um litro de oxig^enio para a formac~ao de dois litros de
agua, ou seja, cada `partcula' de oxig^enio se partiria em duas, uma para cada molecula
de agua, o que implicava que uma molecula do gas poderia conter mais de um atomo.
Mesmo antes de colocada em sua forma nal, com o trabalho de Amadeo Avogadro (1776-
1856) em 1811, Dalton rechacou a ideia de que volumes id^enticos de gases diferentes
conteriam o mesmo numero de partculas; alem disso, para ele a ideia de que dois atomos
117
de um elemento poderiam se combinar formando uma molecula era impensavel, ja que
atomos do mesmo tipo deveriam se repelir, segundo o modelo newtoniano . Com a hipotese
de Avogadro de que todo gas possui o mesmo numero de moleculas, se mantidos xos a
press~ao, o volume e a temperatura, e a correc~ao na teoria at^omica de Dalton oriunda do
trabalho de Gay-Lussac, foi possvel determinar as formulas moleculares corretas para as
subst^ancias bem como seus pesos moleculares, mas este sistema so foi aceito apos Stanislao
Cannizzaro (1826-1910) apresenta-lo em 1860 em uma forma fechada.
Outra contribuic~ao importante para o desenvolvimento da moderna Teoria Cinetica foi
dada por John Herapath (1790-1868), mas sua historia e um dos exemplos de como
um paradigma vigente pode condenar um cientista ao ostracismo. A despeito de sua
excentricidade (o que de modo algum pode ser motivo para desabonar um cientista!),
Herapath pode ser enquadrado como um cientista amador que nutria desejos de publicar
seus trabalhos acerca do comportamento de partculas nas proximidades do Sol, nos
Philosophical Transactions da Real Academia Inglesa. De fato, em seu trabalho Herapath
obteve uma relac~ao correta entre press~ao, volume e velocidade de um gas, escrevendo
a relac~ao: PV / T 2 , onde T / mv era chamada de \temperatura verdadeira" por
Herapath. Entretanto, Humphry Davy, um ilustre qumico que havia sido recem eleito
presidente da Real Academia e que defendia a ideia do calor como uma forma de movi-
mento molecular e n~ao como uma subst^ancia, foi decisivo para selar a sorte do manuscrito.
Apesar de em seu trabalho Herapath suportar esta ideia atraves de um formalismo
matematico preciso, Davy alegou uma relut^ancia em aceitar que todo o calor de um
gas era devido a seu movimento molecular, o que implicaria em um valor mnimo para a
temperatura (zero absoluto)! Alem disso, Davy demonstrava repugn^ancia pela ideia da
teoria cinetica de partculas livres se movendo no espaco vazio, com nenhuma interac~ao
a n~ao ser choques ocasionais! O artigo de Herapath foi rejeitado, o manuscrito se tornou
propriedade da Real Academia e, como era norma, n~ao foi devolvido a seu autor.
Mais tarde, apesar de ter publicado outros artigos em revistas menores e um livro de
dois volumes (Mathematical Physics) onde retomava sua teoria cinetica, o trabalho de
Herapath permaneceu totalmente desconhecido da comunidade cientca. Inicialmente, o
unico cientista conhecido que demonstrou ter lido seu livro foi James Prescott Joule, mas
depois William Thomson e James Clerk Maxwell o citariam tambem. Apesar de estar
em desacordo com a hipotese de Avogadro, o trabalho de Herapath corroborou a ideia do
calor como uma forma de movimento molecular, uma discuss~ao que ocupava lugar central
em seu tempo.
Nesse momento, todos os elementos para se escrever uma teoria cinetica para o calor
estavam postos, e provavelmente Ampere iria prop^o-la (anal ele ja havia contribudo
com uma teoria cinetica para o magnetismo na decada anterior), mas ele faleceu em 1836.
Cabe ressaltar aqui o trabalho de James Waterston (1811-1883), que tambem acabou
relegado ao ostracismo devido a uma recusa da Real Sociedade Brit^anica. Waterston
submeteu um artigo a Acad^emia em 1845, onde invocava a teoria ondulatoria do calor
para suportar suas observaco~es, e apresentava uma vers~ao do que seria conhecido depois
como o \teorema da equipartica~o" [25], mas suas conclus~oes jamais foram publicadas so
s~ao reconhecidas hoje gracas aos historiadores da ci^encia.
Talvez a historia da Mec^anica Estatstica teria sido outra caso esse artigo de Waterston
tivesse sido aceito. No trabalho de 1845, \Sobre a Fsica dos Meios compostos de Moleculas
Livres e Perfeitamente Elasticas em um Estado de Movimento, Waterston apresenta
tr^es postulados que alguns anos mais tarde seriam \descobertos" por outros fsicos que
se tornariam famosos: inicialmente, Waterston armava que o calor seria um tipo de
movimento das menores partes dos corpos (moleculas); as moleculas deveriam se mover
muito rapidamente, e em diversas direco~es, o que levaria a colis~oes frequentes, de tal
modo que as propriedades do sistema em qualquer instante podem ser obtidas fazendo-
se simplesmente uma media sobre todos os estados moleculares possveis - uma vers~ao
primaria da hipootese ergodica; nalmente, como consequ^encia dos dois primeiros postu-
lados, na mistura de moleculas com diferentes massas em equilbrio termico, cada tipo de
partcula tem a mesma energia cinetica media - equivalente ao teorema da equipartic~ao.
O estilo axiomatico de Waterston, que hoje parece atraente, lhe era bastante desfavoravel
na epoca, ao ponto do arbitro do artigo ter alegado \total falta de sentido" nas colocac~oes
de Waterston, em mais uma clara evid^encia de como um paradigma vigente e resistente
aos novos conceitos.
120
Somente apos a consolidac~ao da 1a Lei da Termodin^amica, a partir da decada de 1850,
e que Rudolf Clausius (1822-1888) comecou a publicar a serie de artigos que estabeleceu
as equaco~es basicas do que chamamos hoje de \Termodin^amica do Equilbrio"; alguns
anos depois, William Thomsom (1824-1907) (mais tarde denominado por \Lord Kelvin")
publicou independentemente uma teoria similar, onde pela primeira vez apresentava uma
exposic~ao geral do princpio da dissipac~ao da energia e estabelecia uma escala absoluta de
temperatura (escala Kelvin). Ao lado de William John Macquorn Rankine (1820-1872),
Kelvin e Clausius s~ao apontados como os fundadores da termodin^amica.
A primeira Lei da termodin^amica nada mais e do que um caso especial da Lei da conserva-
c~ao da energia, e estabelece que a energia E de um sistema pode ser alterada adicionando-
se calor, q, ao sistema, ou fazendo com que este realize trabalho, w; dessa forma, a primeira
Lei pode ser escrita como,
E = q w = q P V ;
A denic~ao do livre caminho medio (L = kV=Nd2, onde k 1), foi logo utilizada por
Maxwell, que demonstrou que este poderia ser relacionado a viscosidade de um
udo.
Desse modo, seria possvel estimar o di^ametro de uma molecula. Em 1859, James Clerk
Maxwell era um estudante brilhante, recem premiado por um ensaio sobre os aneis de
Saturno, escreveu uma carta para George Gabriel Stokes, ent~ao uma sumidade no estudo
da din^amica de
udos, onde utilizava o conceito do livre caminho medio para mostrar
que a viscosidade de um
udo seria independente de sua densidade. Stokes refutou a
carta, apontando para experimentos com p^endulos onde supostamente a viscosidade iria
para zero em baixas densidades. Desse modo, em 1860 Maxwell publicou seu artigo
sobre \Ilustrac~oes da Teoria Din^amica dos Gases", onde armava que sua previs~ao para a
viscosidade dos gases n~ao era corroborada por experimentos. No artigo, pela primeira vez
foi apresentado um esquema geral no qual a difus~ao, a viscosidade e a conduc~ao de calor
eram vistos como casos especiais de processos gerais onde quantidades como a energia e
o momento eram transportados pelo movimento molecular.
Maxwell ent~ao decidiu realizar experimentos cuidadosos (o que ainda n~ao havia sido feito)
para medir os efeitos da temperatura e densidade na viscosidade de um
udo, e concluiu
que a viscosidade se mantinha constante para uma larga faixa de densidades. Dessa forma,
Maxwell demonstrou que a interpretaca~o dos experimentos com o p^endulo e que estava
errada, pois baseava-se na logica de que, para a densidade zero, o p^endulo caria oscilando
indeterminadamente. Neste mesmo ano (1860), Maxwell apresentaria uma formulac~ao
bem mais robusta da teoria, na qual demonstraria que todas as propriedades do gas
poderia ser obtida a partir da distribuica~o das velocidades no gas.
Josef Loschmidt, um cientista austraco, utilizou o resultado obtido por Maxwell para
a viscosidade ( / L / V=Nd2) para calcular o di^ametro de uma molecula de \ar",
obtendo o resultado d ' 10 9 m, apenas quatro vezes maior do que os dados atuais.
Esse valor resultava em um numero de 2 1018 moleculas por centmetro cubico (0o C, 1
atm), proximo do valor atual (2:687 1019). A partir de ent~ao, varias estimativas para
o tamanho dos atomos foram feitas utilizando-se a teoria cinetica dos gases, mas a mais
importante contribuic~ao deste perodo foi colocar o atomo como uma entidade real passvel
de ser medida (muito embora n~ao fosse visvel). Essa vis~ao seria fortemente contestada
anos mais tarde por Ernst Mach e Wilhelm Ostwald, que proporiam o banimento dos
atomos das teorias cientcas estabelecidas.
123
A.2 Da Termodin^amica a Fsica Estatstica: os Pri-
mordios de uma Teoria Probabilstica sob a E gide
do Determinismo.
Na sec~ao anterior vimos como o paradigma aristotelico foi demovido pela estrutura teorico-
lososca de Descartes e pelas soluc~oes consistentes de problemas mec^anicos e oticos
apresentadas por seus sucessores - como Huyguens. A mec^anica newtoniana surgiu como
paradigma dominante a partir da publicaca~o dos Principia em 1687, ate chegar a seu
clmax em 1900, quando chegou-se a acreditar que todos os problemas fsicos poderiam
ser resolvidos caso fossem conhecidas as forcas atuando sobre o sistema considerado e suas
propriedades em um dado instante, pois seu estado poderia ser determinado em qualquer
instante subsequente atraves das equaco~es de movimento do sistema.
Portanto, ate o incio do seculo XIX, o axioma basico da maioria dos cientistas era que os
fen^omenos naturais seriam rigorosamente determinados pelo conhecimento completo do
estado de um sistema em um dado instante de tempo, e pelas leis da fsica - determinismo.
Para um gas, se as posico~es e velocidades de cada molecula for conhecida, poder-se-ia
utilizar as equaco~es de movimento para obter o estado do sistema em qualquer instante
posterior. De fato, essa informac~ao e literalmente impossvel de ser adquirida, devido
ao enorme numero de variaveis envolvidas, o que favorece um tratamento estatstico do
problema. Apesar de Clausius ter usado argumentos estatsticos para derivar sua formula
para o livre caminho medio, foi Maxwell quem converteu a teoria cinetica em uma doutrina
essencialmente estatstica.
Como mostrado por Brush [25], uma revis~ao de Herschel sobre o trabalho de Quetelet
sobre estatstica (onde o autor usava extensivamente a distribuic~ao normal, recentemente
apresentada por Gauss e Adrian, que seria chamada posteriormente de gaussiana) exerceu
grande in
u^encia sobre o jovem Maxwell, a ponto deste armar em uma comunicac~ao
privada que \... a verdadeira logica para esse mundo e o Calculo de Probabilidades...". O
passo crucial foi utilizar a distribuica~o gaussiana para obter a distribuic~ao de velocidades
das moleculas em um gas; desse modo, Maxwell prop^os que o numero de moleculas com
velocidades entre v e v + v seria proporcional a v2e v = , onde 0 < v < 1 e =
2 2
2kB T=m.
A import^ancia da distribuica~o de Maxwell foi mostrar que as propriedades de um gas
dependem da forma da distribuica~o (que varia com a temperatura), alem da velocidade
media das moleculas. A derivaca~o de Maxwell para sua distribuic~ao n~ao foi muito
persuasivo inicialmente, tanto que alguns anos mais tarde ele escreveria outro artigo,
onde tentava demonstrar que uma vez que o sistema atingisse tal distribuic~ao, ela n~ao
seria perturbada pelas colis~oes entre as partculas, uma quest~ao n~ao abordada no primeiro
artigo.
124
De fato, o trabalho inicial de Maxwell sobre a teoria cinetica, em particular a introduc~ao
da lei de distribuic~ao de velocidades, parece mais derivar-se da Teoria de Probabilidades
do que uma analise mec^anica do movimento: cada componente de velocidade de cada
molecula e considerada uma variavel aleatoria estatisticamente independente dos outros
componentes e tambem das outras moleculas. Mais tarde, tentaria justicar essa pre-
sunc~ao com o raciocnio das colis~oes moleculares, mas mesmo assim tinha de considerar
as velocidades entre as partculas que colidem independentes entre si. Por outro lado, o
determinismo era essencial na segunda parte da teoria, onde podia-se calcular quantidades
macroscopicas (omo a viscosidade e a condutividade termica), e compara-las com os
experimentos.
Logo apos a nova formulaca~o da Segunda Lei por Clausius em 1865, Maxwell iniciou em
1867 um debate sobre a interpretaca~o estatstica da irreversibilidade, com seu famoso
\dem^onio". Supondo um aparato onde dois volumes de um gas, com temperaturas
diferentes, s~ao colocados em duas c^amaras conectadas por uma porta sem atrito, na
qual situa-se um minusculo dem^onio, que pode identicar as velocidades das moleculas
que est~ao ao seu redor; Maxwell argumenta que se o dem^onio fazer com que as moleculas
mais lentas do gas mais quente passe para o outro lado, e as moleculas com maior energia
cinetica do lado mais frio passe para o gas mais quente, haveria uma violac~ao da Segunda
Lei. Dessa forma, Maxwell conclui que a Segunda Lei n~ao possui validade absoluta,
dependeria da n~ao exist^encia de tal dem^onio, ou seja, a Lei so e valida para sistemas
macroscopicos, ja que representa apenas o comportamento mais provavel do sistema. O
dem^onio de Maxwell representa tambem um novo modelo fundamental para processos
irreversveis, pois traduz o
uxo de calor na mistura entre moleculas. Anos mais tarde,
Maxwell repudiaria o determinismo no nvel molecular, e no seu artigo Atomo , publicado
em 1875 na Enciclopedia Bri^anica, defenderia a desordem molecular como necessaria para
que o sistema pudesse se comportar irreversivelmente
Porem, somente apos o trabalho do fsico austraco Ludwig Boltzmann (1844-1906) e
que a distribuica~o de Maxwell foi consagrada. O objetivo dos estudos de Boltzmann
era derivar a segunda lei da termodin^amica a partir das leis da mec^anica, que o levou a
desenvolver um tratamento geral para o estado de equilbrio termico. Boltzmann estende
a lei de distribuica~o de Maxwell para o caso em que existe um campo gravitacional
presente. Utilizando notaca~o moderna, o argumento de Boltzmann foi introduzir um
fator exponencial para a probabilidade relativa de se encontrar uma partcula em uma
posic~ao onde a energia potencial V : e V=kB T ; este e o conhecido fator de Boltzmann.
Desse modo, o fator de Boltzmann combinado a distribuic~ao de Maxwell fornecem as
probabilidades para qualquer estado da materia (uma vez que a interac~ao com outras
partculas pode ser descrita como um potencial). De forma sintetica, o princpio basico
stica arma que
da mec^anica estatP P
a probabilidade relativa de um estado molecular com
energia total E = (mv =2) + V e e E=kB T .
2
Boltzmann so provou este princpio em casos especiais, mas suas tentativas de justica-lo
125
s~ao bastante esclarecedoras; inicialmente Boltzmann utilizou um argumento cinetico para
obter a equac~ao integro-diferencial que governa a distribuic~ao de velocidades, f, em um
gas onde
R
ocorrem colis~oes entre as parculas. Boltzmann mostrou que ha uma quantidade,
H = f log f, que sempre decresce com o tempo, a menos que f seja a distribuic~ao de
Maxwell, para a qual H e minimo. Este e o famoso \teorema H de Boltzmann", e e
natural fazer a identicac~ao H / S , onde S e a entropia, de tal forma que o teorema H
corrobora a hipotese de que a entropia e sempre crescente para processos termodin^amicos.
Um segundo argumento introduzido por Boltzmann utiliza a hipotese de probabilidades
iguais a priori, e esclarece porque um sistema em equilbrio deve obedecer a distribuic~ao
de Maxwell para as velocidades, alem de explicar o fato paradoxal de que a energia total
do sistema se mantem xa, mesmo com as velocidades podendo variar entre 0 < v < 1.
Inicialmente, Divide-se o gas em J partes, cada qual possuindo um valor e de energia
de modo tal que E = Je. A seguir, Boltzmann dene um microestado do sistema como
a congurac~ao onde J1 partes da energia do sistema P
s~ao atribudas a partcula 1, J2 a
partcula 2, ..., JN a partcula N , de tal modo que Ji = J . Boltzmann postula que cada
microestado tem a mesma probabilidade de ocorrer, de tal forma que a probabilidade de
que uma dada partcula tenha energia Ji e e proporcional ao numero de microestados nos
quais a partcula i tenha essa quantidade de energia (ou seja, somando-se sobre todas
as maneiras de se distribuir J Ji para N 1 partculas). No limite J ! 1, e ! 0
e N ! 1, com E=N xo, a distribuica~o de Maxwell emerge naturalmente (os calculos
para essa demonstrac~ao s~ao muito complicados para serem reproduzidos aqui), e pode-se
vericar que, no equilbrio, esta distribuica~o possui o maior numero de microestados, e
portanto, e a mais provavel de ser encontrada.
Comparando os resultados das duas abordagens, Boltzmann concluiu que o processo de
aproximac~ao irreversvel para o estado de equilbrio, o qual e um tpico processo de
aumento de entropia, corresponde a transic~ao de microestados menos provaveis para
microestados mais provaveis, de tal modo que a entropia poderia ser considerada como
uma medida da probabilidade. Em particular, se
e a probabilidade de um macroestado
(ou seja, proporcional ao numero de microestados correspondendo aquele macroestado),
ent~ao sua entropia e proporcional ao logaritmo de
(am de preservar a propriedade de
aditividade da entropia). Em notac~ao moderna,
S = KB log
;
P = e( )= ;
onde e uma constante a ser determinada tal que a integral de P sobre todos os estados
seja igual a 1. Gibbs tambem deniu um \ndice de probabilidade", = logP , de modo
tal que se comparamos estas denic~oes com as leis termodin^amicas identicamos com a
temperatura, e com a entropia.
128
A Mec^anica Estatstica de Gibbs era capaz de fornecer todas as propriedades do sistema
a partir de uma unica funca~o, a \integral de fases", ou integral de estados,
Z
Z =e = = e = ;
onde a letra Z vem do alem~ao Zustand - estado. Por exemplo, a energia media pode ser
calculada,
Z
= P ;
Essa abordagem foi bastante utililizada pelos fsicos nas primeiras decadas do seculo XX,
como Einstein, Planck, Ornstein e Ehrenfest entre outros, e foi muito importante para o
nascimento da fsica qu^antica. Em particular, Planck em 1924 iria utilizar pela primeira
P E=k T
vez o termo \func~ao partic~ao" (Zustandssumme) para Z = e B .
Tal como Planck, Einstein era um fervoroso defensor do determinismo (sua frase mais
famosa, \Deus n~ao joga dados", expressa bem sua crenca), porem o trabalho desses
autores desempenhou um papel central na derrocada nal do paradigma newtoniano-
cartesiano. Apesar de modernamente associarmos apenas a teoria da relatividade com
o m da hegemonia da Fsica Classica, durante a decada de 1930 a Fsica Qu^antica
tambem representava um grande desao para os fsicos. De fato, por ter seus fundamentos
estabelecidos primeiramente, a teoria da relatividade serviu como modelo para o desen-
volvimento da Fsica Qu^antica. Prova disso e o enunciado do princpio de incerteza de
Heisenberg, onde o autor compara a impossibilidade de se falar de simultaneidade entre
eventos diferentes, localizados a grandes dist^ancias do observador, com a impossibilidade
de se obter simultaneamente a posica~o e velocidade de uma partcula com precis~ao, em
escalas muito pequenas de observac~ao.
Em 1916, Einstein escreveria um outro artigo onde deriva a distribuic~ao de Planck para a
radiac~ao de corpo negro considerando a possibilidade de emiss~ao estimulada e espont^anea
de radiac~ao; esse artigo e considerado como a emacipac~ao nal da Fsica Qu^antica em
relac~ao a Mec^anica Classica, e alguns anos mais tarde, Max Born armaria que a derivac~ao
de Einstein era um passo decisivo em direc~ao ao indeterminismo.
Max Born, ao lado de Niels Bohr, Erwin Schordinger e Werner Heisenberg, foram
os responsaveis pela interpretac~ao de Copenhagem, que propunha uma interpretac~ao
probabilstica para as leis da natureza, em oposic~ao a vis~ao determinista defendida por
Einstein e Planck. Esses autores s~ao tambem os responsaveis pela fundac~ao da Mec~anica
Qu^antica em 1926, considerada a disciplina mais bem sucedida da Fsica ate hoje.
132
onde a e b s~ao constantes caractersticas de cada gas.
A equac~ao de van der Waals e capaz de descrever o comportamento de um sistema
gasoso proximo a transic~ao de fases - na criticalidade. O ponto crtico e denido como os
valores de T e P para os quais a distinc~ao entre as fases lquida e gasosa desaparecem,
e foi descoberto por Cagniard de la Tour, um fsico franc^es, em 1822. Em 1863, T.
Andrews demonstrou que uma subst^ancia no estado supercrtico passa continuamente da
fase lquida para gasosa, considerando-se variac~oes apropriadas de T e P . Finalmente, em
1873 van der Waals apresenta sua teoria, desenvolvida especicamente para satisfazer as
observac~oes de Andrews.
Figura A.1: Diagrama de
uidos na teoria de van der Waals. A construc~ao de Maxwell tambem e
mostrada, conectando os pontos O e D.
O modelo de Ising
Como o proprio autor arma em seu artigo de 1925, o modelo foi originalmente proposto
por Wilhelm Lenz, ent~ao orientador de Ernst Ising na universidade de Hamburgo. Denido
sobre uma rede regular com N stios, o modelo consiste em assumir que em cada stio ha
uma variavel i (i = 1; :::; N ) que pode ocupar dois estados. ( Originalmente o modelo
foi proposto para sistemas magneticos, ent~ao a variavel em quest~ao era o spin de cada
molecula, e que poderia ter duas orientaco~es: para cima, i = 1, ou para baixo, i = 1).
Para cada uma das 2N conguraco~es do sistema pode-se associar uma energia, escrita na
forma de um hamiltoniano,
X X
H= Ji j + H i ;
hi;j i i
Uma verdadeira revoluc~ao, segundo Cyril Domb, aconteceria em 1942, quando Lars
Onsager apresentou a soluca~o exata do modelo de Ising em duas dimens~oes. Onsager
demonstrou que o modelo apresentava uma transic~ao de fase, e obteve os valores exatos
para os principais expoentes crticos. A soluc~ao de Onsager representa o auge da Mec^anica
Estatstica, pois pela primeira vez foi possvel utilizar os metodos estatsticos para solu-
cionar um modelo em um caso n~ao trivial.
Historicamente, podemos remontar os primordios desta Teoria aos trabalhos de Vold [174]
e Eden [47], que foram os primeiros a simular uma din^amica de crescimento capaz de
descrever superfcies observadas no cotidiano - a formac~ao de uma col^onia de celulas e a
sedimentac~ao em um sistema coloidal, respectivamente. A despeito da caracterizac~ao
correta das superfcies obtidas - o termo \fractal" so surgiria cerca de duas decadas
depois com a obra de Mandelbrot [107] - estes trabalhos continham em sua ess^encia o
objetivo almejado por todos os outros estudos que lhes sucederam: conhecer o mecanismo
responsavel pela formaca~o de estruturas complexas, tais como as que encontramos dia-
riamente na observaca~o da natureza. Neste ponto vale destacar a import^ancia crucial da
invenc~ao do computador para este ramo da Ci^encia, ja que ambos os trabalhos utilizaram
simulac~oes para corroborar as hipoteses teoricas levantadas. Particularmente no trabalho
de Eden, o computador permitiu um enriquecimento signicativo do estudo devido a
possibilidade de visualizac~ao das superfcies simuladas, conceito que foi incorporado de-
nitivamente nos trabalhos posteriores. A possibilidade de se utilizar computadores para
estudar problemas complexos criou uma nova ^enfase na Ci^encia, e em particular na Fsica:
a Simulac~ao, que ao lado da Teoria e do Experimento, forma o tripe que sustenta a Teoria
do Crescimento Fractal. Atualmente, existe uma quarta ^enfase incipiente, defendida
principalmente por D. P. Landau, que e a Visualizac~ao. Intrinsecamente computacio-
nal, esta ^enfase e essencial no tratamento de sistemas complexos, onde a analise pura dos
dados e das grandezas obtidas n~ao e suciente para abstrair a din^amica dos processos, e
somente atraves da Visualizaca~o e possvel colmatar as lacunas deixadas pelas outras tr^es
^enfases.
141
Ap^endice B
Pode-se dividir as teorias das transico~es de fase em dois perodos: a era Classica, emblema-
tizada pela teoria fenomenologica de Landau, e a era Moderna. A fase Classica iniciou-se
com o trabalho de van der Waals para
uidos, e engloba, alem da teoria classica de
Landau, a teoria de Curie-Weiss para sistemas magneticos e a teoria de Ornstein-Zernike
para a func~ao correlaca~o de pares. Apesar de alguma controversia [158], a era Moderna
tem como marco inicial a soluca~o de Onsager para o modelo de Ising bidimensional, em
1944, a primeira soluc~ao rigorosa da mec^anica estatstica para um modelo n~ao trivial.
Outro trabalho marcante deste perodo, mas de menor monta, foi apresentado por E. A.
Guggenheim em 1945, estabelecendo a \lei dos estados correspondentes" que mostra um
comportamento universal para diversos
uidos.
Porem, a maioria dos autores concorda que a consolidac~ao da era Moderna so veio a partir
da decada de 1960, com o trabalho de varios pesquisadores tais como L.P. Kadano,
M. Fisher, C. Domb, B. Widom, entre outros. Desde ent~ao, novas tecnicas permitiram
um estudo mais detalhado da criticalidade, estabelecendo leis de escala e classes de
universalidade para os expoentes crticos, em um movimento que culminou com o grupo
de renormalizac~ao, proposto por K. Wilson na decada de 70 [179]. Essa nova abordagem
apresentou uma justicativa para as leis de escala e para o carater universal dos expoentes
crticos, alem de fornecer um esquema geral para se obter seus valores, e continua sendo
aplicada extensivamente em diversos sistemas [102].
t
X t
X
dU = T dS + Pk dXk = Pk dXk ; (B.1)
k=1 k=0
@U :
Pk = @X (B.2)
k
P
O termo TdS corresponde ao
uxo de calor para o sistema em considerac~ao e t1 Pk dXk ao
trabalho exercido pelo mesmo. A relaca~o funcional que associa os par^ametros extensivos
aos intensivos e chamada de equac~ao de estado. Seguem-se da propriedade de homogenei-
dade em primeira ordem, a equaca~o de Euler,
t
X
U= Pk Xk ; (B.3)
0
e a relac~ao de Gibbs-Duhem,
t
X
Xk dPk = 0 : (B.4)
0
144
Considerando agora o caso particular de um sistema magnetico, onde a equac~ao funda-
mental e da forma U = U (S; M; N ), a 1a Lei da Termodin^amica se torna,
e, portanto,
T = @U
@S
@U
; H = @M @U
; = @N ; (B.5)
M;N S;N S;M
Transformac~oes de Legendre
Uma transformac~ao de Legendre pode ser feita trocando-se (s + 1) variaveis extensivas
X0; :::; Xs pelas variaveis intensivas P0; :::; Ps atraves da seguinte funca~o,
s
X
U [P0 ; :::; Ps] = U Pk Xk ; (B.6)
k=0
com s < t. As variaveis naturais dessa funca~o s~ao P0; :::; Ps e Xs+1; :::; Xt, onde
Consequentemente,
s
X t
X
dU [P0 ; :::; Ps] = ( Xk ) dPk + Pk dXk : (B.9)
0 s+1
A A(T; M; N ) = U TS : (B.10)
145
(ii) a energia livre de Gibbs,
G G(T; H; N ) = U TS MH ; (B.11)
Consequentemente,
dG = S dT M dH + dN ; (B.12)
dA = S dT + H dM + dN : (B.13)
e
S = @G
@T H;N ;
@G
M = @H ; @G
= @N ; (B.14)
T;N
T;H
@A
S = @T ; @A
H = @M ; @A
= @N ;: (B.15)
M;N T;N T;M
Relac~oes de Maxwell
A partir da equac~ao (B.9), podemos escrever as derivadas cruzadas do potencial U [P0 ; :::; Ps]
como,
Desse modo, utilizando as denic~oes B.14 e B.15 e possvel escrevermos varias relac~oes de
Maxwell (B.16) e (B.18) para sistemas magneticos, como por exemplo,
@S @M
@H T;N = @T H;N ; (B.19)
@S @
@N T;M = @T M;N ; etc: (B.20)
146
Func~oes Resposta
A partir das relac~oes desenvolvidas ate agora, podemos escrever algumas derivadas termo-
din^amicas que podem facilmente ser medidas experimentalmente, e portanto de interesse
fsico. Estas derivadas s~ao conhecidas por func~oes resposta: para sistemas magneticos,
temos a capacidade termica, Cx, que mede a variaca~o de temperatura devido a um estmulo
na forma de calor (com a grandeza x = H ou M mantida constante), e as susceptibilidades
y , onde y = T ou S ), que mede a resposta do magnetizac~ao do sistema devido a estmulos
externos. Essas funco~es resposta s~ao denidas por,
CH @S @E
T @T = @T = T @T 2 ;@ 2G
(B.21)
H H 2 H
CM T @T@S = @U = T @ A ; (B.22)
M
@T M
2
@T 2 M
T @M = @ G ; (B.23)
@H T @H 2
2 T
S @M = @ E : (B.24)
@H S @H 2 S
T T Tc = TT 1: (B.25)
c c
Consideremos uma func~ao, f ( ), positiva e contnua para valores pequenos de , e que
exista o limite,
lim ln f ( ) : (B.26)
!0
( ) ; (B.27)
148
onde e o par^ametro de ordem normalizado. Para
uidos, L G, onde a densidade
da fase lquida e gasosa s~ao denotadas pelas letras L e G, respectivamente; em sistemas
magneticos, m = M0 (T )=M0(0).
A capacidade termica, tanto no caso de sistemas magneticos como no de
uidos, diverge
com o expoente ,
CH ( ) 0 T < Tc ;
CH T > Tc : (B.28)
KT ; T ( )
0 T < Tc ;
KT ; T
T > Tc : (B.29)
Y ; 1
T = Tc; (B.30)
149
onde d e a dimensionalidade do sistema.
A determinac~ao numerica dos expoentes crticos e o principal objetivo das tecnicas e apro-
ximac~oes que estudaremos neste captulo. Antes de prosseguir com essa determinac~ao,
escreveremos algumas relaco~es entre eles, que ser~ao uteis para avaliar os resultados forne-
cidos pelos modelos apresentados na proxima sec~ao. A primeira delas, a desigualdade de
Rushbrooke, foi apresentada de forma inusitada pelo autor em um seminario, onde estavam
sendo apresentados calculos analticos para os expoentes crticos [158]. Considerando o
fato que CM deve ser positiva, temos que
@M 2
T
CH @T H
T ; (B.33)
+ 2 + 2 : (B.34)
Outras desigualdades de interesse, mas que n~ao nos preocuparemos em fornecer uma
derivac~ao por ora, s~ao as desigualdades de Grits,
(1 + ) 2 0 ; (B.35)
( 1)
0 ; (B.36)
( + 1) (2 0)( 1) ; (B.37)
a desigualdade de Fisher,
(2 ) ; (B.38)
d 0 2 0 ;
d 2 : (B.39)
onde os coecientes (A0 ; A1; :::) s~ao func~oes de T , e que tambem podem ser expandidos
em torno de Tc,
1
X
Aj = aj0 + aj1(T Tc) + aj2(T Tc )2 + : : : = ajk (T Tc)k : (B.41)
k=0
Geralmente desprezamos os termos de ordem igual ou superior a dois nesta equac~ao, ja
que, por hipotese, T ' Tc.
Na expans~ao (B.40), consideraremos que Aj = 0 para j mpar, pois o potencial deve ser
simetrico em relaca~o ao par^ametro de ordem. Desse modo, as denic~oes (B.15) e (B.40),
onde M , resultam em
@A = 2A (T ) + 4A (T ) 3 + : : : (B.42)
2 4
@
H (M; T ) = 2[a20 + a21 (T Tc) + : : :] + 4[a40 + a41 (T Tc) + : : :] 3 + O[ 5] (B.43)
Para H = 0, essa equac~ao possui tr^es soluc~oes reais: = 0, para T > Tc, que corresponde
a fase desordenada e, para T < Tc,
1=2
= 2aa21 (Tc T )1=2 ; (B.45)
40
indicando que o par^ametro de ordem espontaneamente deixa de ser nulo na regi~ao sub-
crtica. O comportamento crtico e governado pelo expoente = 1=2, valor caracterstico
da teoria classica.
153
Figura B.2: Diagrama de fases de um
uido na teoria de Landau. Na gura podemos observar como
os mnimos no diagrama de energia livre se colapsam no ponto crtico, marcando a transic~ao de segunda
ordem. Ja para as transic~oes de primeira ordem (linhas cheias), as duas fases (mnimos) coexistem mas,
se deslocamos o sistema em direc~ao a uma das fases, o mnimo correspondente se torna mais profundo,
denotando que a fase em quest~ao se torna mais estavel. (Retirada de [29]).
onde consideramos termos ate terceira ordem na equac~ao (B.41). Para T < Tc,
2
CM = T (2a02 + 6a03(T Tc) + : : :) T a 21 + 6a222a a21 (T Tc) + : : :
2a40 40
154
2a02 + a21 +O[(T Tc)]
2
= T 2a40
resultando em
= T 2a02 + 2aa21 + O[(T Tc)] +T 18aa21 (T Tc)
2 3 1
CH 4a21(T Tc)
40 40
a
= T 2a02 + 4 a21 + O[(T Tc)]) : (B.49)
40
obviamente, = 0 = 0.
40
Veremos a seguir outras duas teorias classicas (assim denominadas por fornecerem os
mesmos valores para os expoentes crticos) que podem ser consideradas casos especiais da
teoria de Landau. Inicialmente, estudaremos a teoria de campo medio para sistemas
magneticos; em seguida, introduzimos a func~ao correlac~ao de pares e mostramos as
principais previs~oes da teoria de Ornstein-Zernike para os expoentes crticos associados a
ela.
x = g BH
k T ; (B.51)
B
podemos escrever a func~ao partic~ao como uma soma sobre os (2s + 1)N estados possveis
para o sistema
s
X s
X PN m
Z= ::: ex i=1 i : (B.52)
m1 = s mN = s
N
Y 1=2
X x
Z= ( exmi ) = 2N coshN 2
: (B.53)
i=1 mi = 1=2
156
portanto, o par^ametro de ordem do sistema (a magnetizac~ao espont^anea) sera dada por
M (T; H ) = @G = Nk @ ln Z
B
@H @H
= M0 Bs(sx) ; (B.56)
a soluc~ao desta equac~ao pode ser obtida numericamente, tal como mostrado na Figura
B.3. Para T > Tc somente existe a soluca~o m = 0; para T < Tc, alem da soluc~ao trivial
ha ainda duas outras soluco~es simetricas.
Os expoentes crticos na teoria de campo medio para sistemas magneticos s~ao obtidos a
partir da expans~ao em series para a tangente hiperbolica, valida para pequenos valores
de m,
0 (H + m) = tanh 1 m = m + m3 + m5 : : : ;
3 5
(B.61)
N
X
n(r) = (r ri) ; (B.64)
i=1
UN UN (r1; :::; rN ; p1; :::; pN ) ; edN rdN p = dr1 : : : drN dp1 : : : dpN :
159
Considerando sistemas uniformes, invariantes em relac~ao a translac~oes, podemos escrever
(B.67) como
hn(r)n(r0)i = hn(r)ihn(r0)i = n2 ;
G (r) jT =T r
c
(d 2)+ ; (B.78)
161
no lugar da relac~ao (B.77). Desse modo, o limite classico e compatvel com o valor = 0,
completando a previs~ao para os principais expoentes crticos na Teoria Classica.
X N
X
H= J i j H i ; (B.79)
<i;j> i=1
onde a soma no primeiro termo do lado direito e feita sobre os pares de primeiros vizinhos,
representa o valor do spin na rede d dimensional, J e a constante de acoplamento
e H e o campo aplicado; se J > 0, o sistema e ferromagnetico, e a congurac~ao de
menor energia ocorre quando os spins est~ao alinhados entre si. Ja para J < 0, o sistema
e antiferromagnetico, e a conguraca~o de menor energia ocorre para um alinhamento
alternado, onde stios vizinhos s~ao ocupado por spins com valores opostos.
Solucionar o modelo de Ising em determinada dimens~ao consiste em escrever uma equac~ao
para a func~ao partic~ao can^onica,
X
ZN = Z (T; H; N ) = e 0 H ; (B.80)
fi g
Pode-se utilizar o metodo da matriz transfer^encia [141] para demonstrar que o modelo de
Ising em d = 1 n~ao apresenta transica~o de fase para Tc > 0.
Para d = 2, a soluc~ao de Onsager prev^e uma temperatura crtica positiva, em contraposic~ao
ao caso d = 1. Alem disso, Onsager demonstrou a diverg^encia logaritmica do calor
especco na criticalidade; este resultado e compatvel com o valor = 0, e permite
concluir que a energia livre n~ao e analtica em Tc, em contraste direto com a hipotese de
Landau. Essas conclus~oes foram obtidas por Onsager para o modelo de Ising em duas
dimens~oes na rede quadrada, considerando apenas interac~oes entre primeiros vizinhos e
campo externo nulo.
Uma analise completa da soluc~ao do modelo de Ising em duas dimens~oes escapa do escopo
deste trabalho, e nos preocuparemos apenas em apresentar seus principais resultados. Um
formalismo mais acessvel para se obter as relac~oes reproduzidas aqui e o introduzido por
Schultz et al. [152], que tambem pode ser encontrado em varios textos modernos em
Mec^anica Estatstica [141, 150]. Nesse formalismo, o calculo dos autovalores da matriz
transfer^encia e reduzido a diagonalizaca~o do hamiltoniano de um sistema de fermions
interagentes. (A matriz transfer^encia e escrita na forma de matrizes de Pauli, nas quais
se aplicam as transformac~oes de Jordan-Wigner para se obter o sistema de fermions.)
163
Os valores dos expoentes crticos s~ao mostrados na Tabela B.2, onde mostramos tambem
a faixa dos resultados experimentais e as previs~oes para os expoentes em d = 3. Em
tr^es dimens~oes, ha varios metodos numericos para se obter uma estimativa precisa dos
expoentes, que concordam tanto com os valores obtidos experimentalmente quanto com os
resultados simulacionais. Os metodos de aproximac~oes sucessivas s~ao os mais utilizados,
entre os quais as expans~oes em series de pot^encias e o grupo de renormalizac~aos~ao os mais
frequentes.
O modelo de Ising generalizado permite-nos ainda vericar a robustez das classes de
universalidade para os expoentes crticos. De fato, pouqussimos fatores s~ao relevantes na
determinac~ao destes expoentes, entre eles:
i - a dimensionalidade do sistema;
164
ii - a dimensionalidade do par^ametro de ordem;
iii - o alcance das interac~oes microscopicas.
Cabe destacar tambem que, pela primeira vez na historia da ci^encia, a simulac~ao com-
putacional ocupou um papel central na compreens~ao de fen^omenos e na quanticac~ao de
par^ametros fsicos. Desde ent~ao, a Simulac~ao passou a constituir uma das tr^es ^enfases
fundamentais da Fsica, ao lado da Teoria e do Experimento.
onde todas as anomalias do sistema s~ao descritas pela parte singular, Gs.
A hipotese de escala (ou de homogeneidade) consiste em supor que a energia livre seja
uma func~ao homog^enea em relaca~o as variaveis relevantes,
Escolhendo, s j j= 1 e H = 0, teremos
m= r +1
s m(sign(); 0) ; (B.86)
Portanto, = (r + 1)=s.
166
Da mesma forma, podemos obter a susceptibilidade magnetica,
(; 0) =j j 2r +1
s (1; 0); (B.88)
CH (; 0) =j j 2s+1
s CH (1; 0); (B.89)
fornece = 2 + 1=s.
Por outro lado, se que agora escolhemos =j H j 1=r , para = 0, teremos
m(0; H ) =j H j r +1
r m(0; 1) ; (B.90)
logo, = r=(r + 1). Desse modo, se utilizarmos as express~oes acima para os expoentes
crticos e facil mostrar que
+ 2 + = 2 ;
e que
( 1) = ;
m(; H ) = r+1m(s; r H )
= j j m 1; j Hj+
= j j m
H
j j+
: (B.91)
m/ H :
+
167
B.5.2 Hipotese de Escala para a Func~ao Correlac~ao
Iremos agora discutir a hipotese de escala para a func~ao correlac~ao de pares; vimos na
teoria de Ornstein-Zernike que, para H = 0 e T = Tc, a func~ao correlac~ao de pares
apresenta um comportamento do tipo lei de pot^encia,
N N N
N (; H ) = @m = N0 h 0 hX
N X X
@H i j iN N i=1 i j=1 j i :
ih (B.96)
T i;j =1
Portanto,
N N
N (T; H ) = N 0 X X
GN (i; j ) = 0 GN (1; j ) :
i;j =1 j =1
168
Para N ! 1,
N
X
(T; H ) = 0 G (r) : (B.97)
r
X N
X
H= J i j H i ; (B.99)
<i;j> i=1
denido sobre uma rede regular onde cada spin esta separado por uma dist^ancia a0 . A
diverg^encia do comprimento de correlaca~o na criticalidade, a0, permite-nos denir
blocos de spin, de comprimento L a0, e contendo Ld spins, nos quais a magnetizac~ao
e uniforme. O novo hamiltoniano para o sistema de blocos e id^entico ao hamiltoniano
original, porem com novos par^ametros J~ e H~ para os spins do bloco, B = 1. Desse
modo, o problema se torna descobrir as relac~oes entre os novos par^ametros e os anteriores.
169
O par^ametro J esta relacionado diretamente com a temperatura crtica do modelo de Ising;
portanto, precisamos obter relac~oes entre os par^ametros que denem o sistema reescalado
por um fator b, (~; H~ ), e os par^ametros do sistema original, (; H ), que obedecam as
simetrias exigidas,
H~ (; H; b) = H~ (; H; b)
~(; H; b) = ~(; H; b) ;
H~ = bx H ; (B.100)
~ = by : (B.101)
As unicas condic~oes sobre x e y e que sejam positivos, o que faz com que o sistema do
blocos esta sempre mais afastado da criticalidade que o original.
Desse modo, podemos escrever a energia livre para o sistema de blocos,
(~; H~ ) ;
g(~; H~ ) = GN=L d
Logo, y = 1= .
170
O calor especco pode ser escrito como,
cH = @@g2 j j
2 d
y 2 ; (B.106)
" + O("2)
21 + 12 (B.107)
21 6" + O("2) (B.108)
6" + O("2) (B.109)
1 + 6 + O("2) : (B.110)
Se observarmos a Tabela B.2, estas relac~oes fornecem valores proximos aos obtidos por
simulac~ao para d = 3.
171
Ap^endice C
Fractais
Figura C.1: Fractal de Vicsek. Em a) temos o processo conhecido por dizimac~ao e em b) o processo
de crescimento. Note que em a) a extens~ao linear L ( a largura do objeto ) e xa, enquanto em b) ela e
crescente.
Ha pelo menos dois criterios para se diferenciar as estruturas fractais. O primeiro deles diz
respeito a origem da estrutura, se matematica ou natural: enquanto as do primeiro tipo s~ao
obtidas a partir de relac~oes matematicas, frequentemente construdas recursivamente, as
do segundo tipo correspondem as formas encontradas na natureza. A principal diferencia-
c~ao entre estes dois tipos de estruturas e que, no caso das geradas naturalmente, existem
escalas de corte inferior e superior, ou seja, as propriedades fractais so s~ao observadas
dentro de uma faixa limitada de escalas. Ja nos fractais matematicos, a recursividade
permite construir estruturas com innitas hierarquias, como podemos observar explorando
as maravilhosas pinturas do conjunto de Mandelbrot [64, 135]. Nesse tipo de estrutura,
existe apenas uma escala de corte, superior ou inferior, dependendo do tipo de recur-
sividade utilizada para se gerar o fractal. Na Figura C.1 mostramos os dois principais
metodos utilizados para se construir fractais matematicos recursivamente.
O segundo criterio de classicaca~o para estruturas fractais considera sua natureza, se
determinstica ou aleatoria. Fractais matematicos podem ser determinsticos ou aleato-
rios, como mostrado nas Figuras C.1 e C.2, porem fractais naturais s~ao necessariamente
aleatorios. Exemplos de fractais belssimos, de todos os tipos, s~ao facilmente encontrados
na rede mundial de computadores (internet) 1 , e tambem podem ser encontrados em
textos basicos [28, 108, 117, 135, 163, 170].
174
Figura C.2: Fractal Aleatorio. Construdo por dizimac~ao este exemplo mostra um crescimento aleatorio;
a cada passo sorteiam-se cinco stios para serem ocupados aleatoriamente, resultando em uma forma auto-
am.
suas propriedades tem sido um dos principais problemas em matematica. Prova disso que
podemos facilmente enumerar mais de dez diferentes dimens~oes (Euclidiana, de Hausdor,
fractal, topologica, de contagem de caixas, de imers~ao, de informac~ao, etc.), mas todas
est~ao relacionadas de alguma forma. Ainda n~ao ha uma denic~ao rigorosa de dimens~ao
fractal, mas existe um certo consenso em considerar a denic~ao de Mandelbrot, baseada
na dimens~ao de Hausdor-Besicovitch apresentada em meados dos anos 30 por Felix
Hausdor e no conceito matematico de medida. Entretanto, a dimens~ao fractal tambem
esta relacionada ao metodo de contagens de caixas (box countig), com a dimens~ao de
divisores ( dimens~ao de compassos) e a dimens~ao de autosimilaridade [135].
Mostraremos aqui uma vers~ao simplicada da dimens~ao de Hausdor- Besicovitch utili-
zando o metodo de contagem de caixas [135]. Inicialmente, precisamos denir a dimens~ao
topologica, dt , como a soma de uma unidade a dimens~ao do menor conjunto que, subtrado
de outro conjunto conexo, deixa-o desconexo. Por denic~ao, a dt de um ponto e igual a
0; desse modo, ao retirarmos um ponto de uma reta obteremos duas semi-retas, logo,
a dt de uma reta e igual a 1, dt = 2 para um plano, etc. A dimens~ao euclidiana, d, e
a que aproxima-se mais de nossa noca~o intuitiva e corresponde a dimens~ao de imers~ao:
d = 0 para um ponto, d = 1 para uma reta, d = 2 para um plano, etc. Para esclarecer
a diferenca entre a dimens~ao euclidiana e topologica, imagine o leitor uma armac~ao de
um oculos feita de objetos matematicos (semi-retas, crculos, etc.); claramente, dt = 1,
enquanto a dimens~ao de imers~ao obviamente e d = 3!
De um modo geral, a medida M de um objeto qualquer pode ser feita atraves do metodo
de contagem de caixas (box counting)
Md = N ()d ; (C.1)
onde N () e o menor numero de caixas d-dimensionais, com extens~ao linear , necessario
para recobrir todo o objeto. Para objetos triviais, quando tende a zero, N () d , de
modo que a medida e sempre nita nesse limite. Para objetos fractais, N () D , para
! 0, de tal modo que,
N () d ! 01; ; se d<D;
se d > D :
175
A dimens~ao de Hausdor, df 2 R , corresponde a dimens~ao contnua na qual ocorre o
salto no valor da medida, de tal forma que se o recobrimento for feito com \caixas" com
dimens~ao df = D a medida e nita. Podemos obter numericamente o valor da dimens~ao
fractal de um objeto atraves da express~ao,
quando esse limite existir. Na maioria absoluta dos casos, df = D (casos em que df 6= D
s~ao discutidos por Falconer [51]).
Em resumo, para objetos triviais a dimens~ao de Hausdor corresponde a dimens~ao de
imers~ao, D = d; para objetos n~ao triviais - fractais - temos, dt < D d, onde geralmente
D e um numero n~ao inteiro. A dimens~ao fractal caracteriza um objeto de modo unico,
e e uma das caractersticas marcantes destas estruturas, ao lado da autosimilaridade ou
autoanidade, conceitos a serem abordados na proxima subsec~ao.
onde H e o expoente de Hurst, ou expoente auto-am, que fornece uma medida qualitativa
da rugosidade da func~ao h(x). Esta equaca~o e obtida diretamente da denic~ao de func~ao
auto-am, onde reescalamos a direca~o x por bx e a direc~ao de h por bH h. Uma conse-
qu^encia importante desta denica~o e que o fator de escala da diferenca de alturas,
entre dois pontos separados pela dist^ancia ` j x1 x2 j, para uma func~ao auto am sera
(`) `H : (C.4)
D=d H : (C.5)
a ) 103.0
0.0
2.5
10
b ) 102.2
0.0
1.8
10
c ) 101.7
1.3
10
0.0 200.0 400.0 600.0 800.0 1000.0
Figura C.4: Func~ao de Weierstrass: Observamos nesta gura a func~ao de Weierstrass para b = 3=2,
com H = 0:1 em a), H = 0:5 em b) e H = 0:9 em c). Nota-se claramente que quanto menor o valor de
H , maior a dimens~ao da curva, explicitando os comportamentos persistente e antipersistente.
Func~ao de Weierstra
Primeiramente, consideremos a func~ao de Weierstra, uma func~ao contnua em toda parte
e sem derivada em nenhum ponto; este \monstro" matematico ilustra bem as propriedades
de auto-anidade que aludimos anteriormente. A func~ao de Weierstrass e dada pela serie
de Fourier
1
c(t) =
X 1 cos(bnt) ; (C.6)
1 b
(2 df )n
n=
onde 1 < df < 2 ; b > 1. E facil vericar que a funca~o c(t) e contnua em todo
ponto, porem sua derivada sempre diverge ! Podemos demonstrar a auto-anidade desta
func~ao utilizando as frequ^encias bn , que variam de 0 a 1 em progress~ao aritmetica ( nesse
sentido a func~ao de Weierstra n~ao possui escala!). Suponha que facamos a transformac~ao
n ! n + 1; logo
1
c(t) = b (2 df )
X 1 cos(bn+1t) :
n= 1 b(2 df )n
Desse modo,
H = 2 df : (C.8)
Gaxeta de Sierpinski
Proposta pelo matematico pol^ones Waclaw Sierpinski em 1916, esta estrutura fractal
pode ser entendida como a extens~ao do conjunto de Cantor para d > 1: em d = 2 temos
os tapetes de Sierpinski, e para d = 3, as esponjas cuja representante mais famosa e
a esponja de Merger [135]. Desse modo, pode-se utilizar a ideia proposta por Cantor
e estendida por Sierpinski para construir uma innidade de estruturas, com dimens~oes
entre 0 < D < 3, como exemplicado na Figura C.5. Essas estruturas exibem claramente
uma das caractersticas marcantes de objetos fractais: a presenca de lacunas (vazios) em
todas as escalas de observaca~o!
Figura C.5: Tri^angulo de Sierpinski. Mostramos seis iterac~oes utilizando o processo de dizimac~ao.
E facil perceber que, no limite do numero de iterac~oes indo para innito, havera \vazios" de todos os
tamanhos na estrutura. Retirada de [135]
180
A rugosidade e o principal par^ametro utilizado para avaliar o comportamento temporal
das correlaco~es espaciais dentro do sistema.
Para calcularmos a dimens~ao fractal de uma interface utilizaremos o metodo apresentado
por Moreira et al [122], que determina o expoente de Hurst de um perl a partir de sua
rugosidade. Basicamente, o metodo consiste em medir a rugosidade da interface em torno
da melhor reta que passa por um conjunto de pontos, exatamente como no metodo de
analise sem tend^encia de
utuac~oes [121]. A rugosidade w(L; ; t) na escala e dada por
L
1 X
w(L; ; t) = L wi(; t) ; (C.12)
i=1
onde ai() e bi () s~ao os coecientes lineares de ajuste para o intervalo [i ; i + ], centrado
em i. Utilizando a relac~ao (C.4), teremos que
w() H : (C.14)
Esta relac~ao e utilizada para se determinar o expoente de Hurst dos pers gerados no
crescimento de superfcies.
O valor do expoente de Hurst fornece informaco~es a respeito da morfologia do perl: para
H = 1=2, a interface n~ao apresenta nenhuma tend^encia e pode ser mapeada exatamente
em uma caminhada aleatoria (random walk); para H < 1=2, temos um comportamento
anti-persistente da interface, ou seja, a medida que nos deslocamos no eixo x, a altura
h(x)
utua rapidamente para cima e para baixo, sem tend^encia evidente (Figura C.4
A); ja para H > 1=2, temos um comportamento persistente, indicando tend^encias bem
denidas na interface, que se aproxima de uma linha (d=1), como pode ser observado na
Figura C.4 - C. Existem provas rigorosas para se mostrar esses comportamentos do perl
em func~ao de H [7, 56].
O comportamento auto-am nas superfcies geralmente e observado apenas dentro de uma
faixa de valores, k < x < k+ e ? < h < ?+, onde k e ?+ denotam as escalas de corte
inferior e superior, respectivamente, na direca~o paralela ou perpendicular a superfcie.
Para estruturas auto-ans, esses comprimentos se relacionan-se do seguinte modo [117],
+ !H
? k+
? =
k :
181
Nos processos de crescimento de superfcies, a relac~ao acima pode ser escrita como,
!
? (t) = + ?
+
H
= A(t)kH ;
?= k (C.15)
k
? k ;
182
Ap^endice D
Ap^endice D
Neste ap^endice mostramos como calcular (N; Z ; L), o numero de congurac~oes possveis
para que exatamente N stios e Z pares de primeiros vizinhos estejam ativos em um anel
com L stios. Observando que a funca~o geratriz associada,
X
(x; y; L) = (N; Z ; L)xZ yN ;
N;Z
(x; y; L) = Tr T L (D.2)
= L1 + L2 ; (D.3)
183
de modo que
L=2 2n L=2 n
L1 + L2 =2
X L 1+ xy (1 xy)2 +4y ; (D.6)
n=0
2n 2 4
levando a
L=2 X
2n L=X
2 nX
2p L
L1 + L2 = 2yL=2
X L 2n 2 n 2p ( 1)q (xy)m+q : (D.7)
n=0 m=0 p=0 q=0
2n m p q (4y)n+p
184
Refer^encias Bibliogracas
196