偏微分方程数值解法python代码实现 |
您所在的位置:网站首页 › 差分法求解微分方程 › 偏微分方程数值解法python代码实现 |
0
分享至
用微信扫码二维码 分享至好友和朋友圈 1.偏微分方程基本知识 微分方程是指含有未知函数及其导数的关系式,偏微分方程是包含未知函数的偏导数(偏微分)的微分方程。 偏微分方程可以描述各种自然和工程现象, 是构建科学、工程学和其他领域的数学模型主要手段。科学和工程中的大多数实际问题都归结为偏微分方程的定解问题,如:波传播,流动和扩散,振动,固体力学,电磁学和量子力学,等等。 偏微分方程主要有三类:椭圆方程,抛物方程和双曲方程。 双曲方程描述变量以一定速度沿某个方向传播,常用于描述振动与波动问题。 椭圆方程描述变量以一定深度沿所有方向传播,常用于描述静电场、引力场等稳态问题。 抛物方程描述变量沿下游传播,常用于描述热传导和扩散等瞬态问题。 偏微分方程的定解问题通常很难求出解析解,只能通过数值计算方法对偏微分方程的近似求解。常用偏微分方程数值解法有:有限差分方法、有限元方法、有限体方法、共轭梯度法,等等。通常先对问题的求解区域进行网格剖分,然后将定解问题离散为代数方程组,求出在离散网格点上的近似值。 Python 语言求解偏微分方程的功能是比较弱的,主要有 Fipy, FEniCS 等有限元方法的工具包,另外还有机器学习工具如 Tensorflow 也可以进行偏微分方程的仿真模拟。但是,这些工具都不适合 Python 小白学习和使用,因此本篇采用比较简单的有限差分法对 5种典型的偏微分方程进行编程,通过案例讲解偏微分方程的数值解法。 2. 案例一:一维线性平流方程 2.1 一维线性平流方程的数学模型 平流过程是大气运动中重要的过程。平流方程(Advection equation)描述某一物理量的平流作用而引起局地变化的物理过程,最简单的形式是一维平流方程。 式中 u 为某物理量,v 为系统速度,x 为水平方向分量,t 为时间。 虽然该方程可以求得解析解: 考虑一维线性平流偏微分方程的数值解法,采用有限差分法求解。简单地, 采用一阶迎风格式的差分方法(First-order Upwind),一阶导数的差分表达式为: 于是得到差分方程: 即可递推求得该平流方程的数值解。 2.2 偏微分方程编程步骤 以该题为例一类有限差分法求解一维平流问题偏微分方程的步骤: 1.导入numpy、matplotlib 包; 2.定义初始条件函数 U(x,0); 3.输入模型参数 v, p,定义求解的时间域 (tStart, tEnd) 和空间域 (xMin, xMax),设置差分步长 dt, nNodes; 4.初始化; 5.递推求解差分方程在区间 [xa,xb] 的数值解,获得网格节点的处的 u(t) 值。 在例程中,设初值条件为 2.3 Python 例程:偏微分方程(一维平流方程) # mathmodel13_v1.py # Demo10 of mathematical modeling algorithm # Solving partial differential equations # 偏微分方程数值解法 import numpy as np import matplotlib.pyplot as plt # 1. 一维平流方程 (advection equation) # U_t + v*U_x = 0 # 初始条件函数 U(x,0) def funcUx0(x, p): u0 = np.sin(2 * (x-p)**2) return u0 # 输入参数 v1 = 1.0 # 平流方程参数,系统速度 p = 0.25 # 初始条件函数 u(x,0) 中的参数 tc = 0 # 开始时间 te = 1.0 # 终止时间: (0, te) xa = 0.0 # 空间范围: (xa, xb) xb = np.pi dt = 0.02 # 时间差分步长 nNodes = 100 # 空间网格数 # 初始化 nsteps = round(te/dt) dx = (xb - xa) / nNodes x = np.arange(xa-dx, xb+2*dx, dx) ux0 = funcUx0(x, p) u = ux0.copy() # u(j) ujp = ux0.copy() # u(j+1) # 时域差分 for i in range(nsteps): plt.clf() # 清除当前 figure 的所有axes, 但是保留当前窗口 # 计算 u(j+1) for j in range(nNodes + 2): ujp[j] = u[j] - (v1 * dt/dx) * (u[j] - u[j-1]) # 更新边界条件 u = ujp.copy() u[0] = u[nNodes + 1] u[nNodes+2] = u[1] # 绘图 plt.plot(x, u, 'b-', label="v1= 1.0") plt.axis((xa-0.1, xb + 0.1, -1.1, 1.1)) plt.xlabel("x") plt.ylabel("U(x)") plt.legend(loc=(0.05,0.05)) plt.title("Advection equation with finite difference method, t = %1.f" % (tc + dt)) plt.text(0.05,0.9,"youcans-xupt",color='gainsboro') plt.pause(0.001) tc += dt plt.show() 2.4 Python 例程运行结果 3. 案例二:一维热传导方程 3.1 一维热传导方程的数学模型 热传导方程描述一个区域内的温度随时间的变化,是典型的抛物型偏微分方程,也称为扩散方程。 一维热传导方程考虑各向同性的均匀细杆,在垂直于 x 轴的截面上的温度相同,细杆的圆周与周围环境无热交换,杆内无热源,则温度 u = u ( t , x ) u=u(t,x)u=u(t,x) 是时间变量 t 和水平方向空间变量 x 的函数。 式中 λ \lambdaλ 为热扩散率,取决于材料本身的热传导率、密度和热容。 考虑一维热传导偏微分方程的数值解法,采用有限差分法求解。简单地, 采用迎风法的三点差分格式,二阶导数的差分表达式为: 于是得到差分方程: 即可递推求得一维热传导方程的数值解。 3.2 偏微分方程编程步骤 以该题为例一类有限差分法求解一维平流问题偏微分方程的步骤: 1.导入numpy、matplotlib 包; 2.输入模型参数 L, lam,定义求解的时间域 (0, te) 和空间域 (0, L),设置差分步长 dt, dx; 3.初始化; 4.计算每一时点的边界条件 U[0,j],U[L,j]、每一位置的初始条件U[i,0]; 5.递推求解差分方程在空间域 [0, L] 的数值解,获得网格节点的处的 U(x,t) 。 在例程中,设初值条件为 u ( x , t = 0 ) = 0 u(x,t=0) = 0u(x,t=0)=0,边界条件为 u ( x a , t ) = F ( t ) , u ( x b , t ) = 0 u(x_a,t)=F(t), \ u(x_b,t)=0u(x a ,t)=F(t), u(x b,t)=0,在时间域 t ∈ ( 0 , 2.0 ) t\in(0,2.0)t∈(0,2.0)、空间域 x ∈ ( 0 , 1.0 ) x\in(0,1.0)x∈(0,1.0) 求数值解即温度分布。 (1)例程中的初始条件 U[i,0] 为常数,如果初始条件是 x 的函数 u(x,0),将该函数在初始条件语句赋值即可(参加例程中注释的语句)。 (2)例程中的边界条件,一端是 t 的函数 u(0,t),另一端是常数 u(L,t) =0,这些条件也可以根据具体问题设置为相应的常数或函数。 3.3 Python 例程:偏微分方程(一维热传导方程) # mathmodel13_v1.py # Demo10 of mathematical modeling algorithm # Solving partial differential equations # 偏微分方程数值解法 import numpy as np import matplotlib.pyplot as plt # 2. 一维热传导方程(抛物型偏微分方程) # pu/pt = l*p2u/px2 # 模型参数 L = 1.0 # 细杆长度 lam = 1.0 # 热扩散率 tc = 0 # 开始时间 te = 10.0 # 终止时间: (0, te) # 初始化 dx = 0.05 # 空间步长 dt = 0.001 # 时间步长 nNodes = round(L/dx) # 空间网格数 nSteps = round(te/dt) # 时序网格数 K = lam * dt/(dx**2) # lambda * dt/dx^2 U = np.zeros([nNodes+1, nSteps+1]) # 建立二维数组 # 边界条件 for j in np.arange(0, nSteps+1): # 时间序列 U[0,j] = 7.5 + (nSteps-j)/2000 * np.sin(j/1000)/(1+np.exp(-j)) U[nNodes,j] = 0.0 # 每一时点的边界条件 # 初始条件 for i in np.arange(0, nNodes): # 空间序列 # U[i,0]= 0.2*i*h*(L-i*h) # 初始条件是 x 的函数 U[i,0]= 0 # 每一位置的初始条件 # 时域差分法求解 for j in np.arange(0, nSteps): # 时间步长 for i in np.arange(1, nNodes): # 空间步长 U[i,j+1] = K*U[i+1,j] + (1-2*K)*U[i,j] + K*U[i-1,j] # 绘图 xZone = np.arange(0, (nNodes+1)*dx, dx) # 建立空间网格 tZone = np.arange(0, (nSteps+1)*dt, dt) # 建立空间网格 fig = plt.figure(figsize=(10, 6)) rect1 = [0.05, 0.2, 0.4, 0.65] # [左, 下, 宽, 高], 0.0~1.0 ax1 = plt.axes(rect1) for k in range(0,nSteps+1,round(nSteps/5)): ax1.plot(xZone, U[:,k], label=r"x={}".format(k/nSteps)) ax1.set_ylabel('u(x,t)') ax1.set_xlabel('x') ax1.set_xlim(0,L) ax1.set_ylim(-1,12) ax1.set_title("Temperature distribution along t-axis") ax1.legend(loc='upper right') rect2 = [0.55, 0.2, 0.4, 0.65] # [左, 下, 宽, 高], 0.0~1.0 ax2 = plt.axes(rect2) for k in range(0,nNodes+1,round(nNodes/5)): # U[nNodes,k] = 0.0 ax2.plot(tZone, U[k,:], label=r"t={}".format(k/nNodes)) ax2.set_ylabel('u(x,t)') ax2.set_xlabel('t') ax2.set_xlim(0,te) ax2.set_ylim(-1,12) ax2.set_title("Temperature distribution along x-axis") ax2.legend(loc='upper right') plt.show() 3.4 Python 例程运行结果 4. 案例三:二维双曲型方程 4.1 二维波动方程的数学模型 波动方程(wave equation)是典型的双曲形偏微分方程,广泛应用于声学,电磁学,和流体力学等领域,描述自然界中的各种的波动现象,包括横波和纵波,例如声波、光波和水波。 考虑如下二维波动方程的初边值问题: 式中:u 是振幅;c 为波的传播速率,c 可以是固定常数,或位置的函数 c(x,y),也可以是振幅的函数 c(u)。 考虑二维波动偏微分方程的数值解法,采用有限差分法求解。简单地, 采用迎风法的三点差分格式, 将上述的偏微分方程离散为差分方程 : 化简后得到: 即可递推求得二维波动方程的数值解。 为了保证算法的收敛性,迎风法的三点差分格式要求步长比小于 1: 4.2 偏微分方程编程步骤 以该题为例一类有限差分法求解二维波动问题偏微分方程的步骤: 导入numpy、matplotlib 包; 输入模型参数 c,定义求解的时间域 (0, te) 和空间域 (0,1); 初始化,设置差分步长 dt, dx, dy,检验步长比以保证算法的稳定性; 计算初值条件U[0]、U[1]; 递推求解差分方程在空间域 [0, 1]*[0, 1] 的数值解,获得网格节点的处的 U(t,x,y) 。 在例程中,取初始条件为 u ( x , y , 0 ) = s i n ( 6 π x ) + c o s ( 4 π y ) u(x,y,0)=sin(6\pi x)+cos(4\pi y)u(x,y,0)=sin(6πx)+cos(4πy),边界条件为 u ( 0 , y , t ) = u ( 1 , y , t ) = 0 u(0,y,t)=u(1,y,t)=0u(0,y,t)=u(1,y,t)=0, u ( x , 0 , t ) = u ( x , 1 , t ) = 0 u(x,0,t)=u(x,1,t)=0u(x,0,t)=u(x,1,t)=0,在时间域 t ∈ ( 0 , 1.0 ) t\in(0,1.0)t∈(0,1.0)、空间域 x ∈ ( 0 , 1.0 ) , y ∈ ( 0 , 1.0 ) x\in(0,1.0),\ y\in(0,1.0)x∈(0,1.0), y∈(0,1.0) 求数值解即振动状态。 4.3 Python 例程 # mathmodel13_v1.py # Demo10 of mathematical modeling algorithm # Solving partial differential equations # 偏微分方程数值解法 # 4. 二维波动方程(双曲型二阶偏微分方程) # p2u/pt2 = c^2*(p2u/px2+p2u/py2) import numpy as np import matplotlib.pyplot as plt # 模型参数 c = 1.0 # 波的传播速率 tc, te = 0.0, 1.0 # 时间范围,0 xa, xb = 0.0, 1.0 # 空间范围,xa ya, yb = 0.0, 1.0 # 空间范围,ya # 初始化 c2 = c*c # 方程参数 dt = 0.01 # 时间步长 dx = dy = 0.02 # 空间步长 tNodes = round(te/dt) # t轴 时序网格数 xNodes = round((xb-xa)/dx) # x轴 空间网格数 yNodes = round((yb-ya)/dy) # y轴 空间网格数 tZone = np.arange(0, (tNodes+1)*dt, dt) # 建立空间网格 xZone = np.arange(0, (xNodes+1)*dx, dx) # 建立空间网格 yZone = np.arange(0, (yNodes+1)*dy, dy) # 建立空间网格 xx, yy = np.meshgrid(xZone, yZone) # 生成网格点的坐标 xx,yy (二维数组) # 步长比检验(r>1 则算法不稳定) r = 4 * c2 * dt*dt / (dx*dx+dy*dy) print("dt = {:.2f}, dx = {:.2f}, dy = {:.2f}, r = {:.2f}".format(dt,dx,dy,r)) assert r < 1.0, "Error: r>1, unstable step ratio of dt2/(dx2+dy2) ." rx = c*c * dt**2/dx**2 ry = c*c * dt**2/dy**2 # 绘图 fig = plt.figure(figsize=(8,6)) ax1 = fig.add_subplot(111, projection='3d') # ax2 = fig.add_subplot(122, projection='3d') # 计算初始值 U = np.zeros([tNodes+1, xNodes+1, yNodes+1]) # 建立三维数组 U[0] = np.sin(6*np.pi*xx)+np.cos(4*np.pi*yy) # U[0,:,:] U[1] = np.sin(6*np.pi*xx)+np.cos(4*np.pi*yy) # U[1,:,:] surf = ax1.plot_surface(xx, yy, U[0,:,:], rstride=2, cstride=2, cmap=plt.cm.coolwarm) # wframe = ax2.plot_wireframe(xx, yy, U[0], rstride=2, cstride=2, linewidth=1) # 有限差分法求解 for k in range(2,tNodes+1): if surf: ax1.collections.remove(surf) # 更新三维动画窗口 for i in range(1,xNodes): for j in range(1,yNodes): U[k,i,j] = rx*(U[k-1,i-1,j]+U[k-1,i+1,j]) + ry*(U[k-1,i,j-1]+U[k-1,i,j+1])\ + 2*(1-rx-ry)*U[k-1,i,j] -U[k-2,i,j] surf = ax1.plot_surface(xx, yy, U[k,:,:], rstride=2, cstride=2, cmap='rainbow') # wframe = ax2.plot_wireframe(xx, yy, U[k,:,:], rstride=2, cstride=2, linewidth=1, cmap='rainbow') ax1.set_xlim3d(0, 1.0) ax1.set_ylim3d(0, 1.0) ax1.set_zlim3d(-2, 2) ax1.set_title("2D wave equationt (t= %.2f)" % (k*dt)) ax1.set_xlabel("x-youcans") ax1.set_ylabel("y-XUPT") plt.pause(0.01) plt.show() 4.4 Python 例程运行结果 5. 案例四:二维抛物型方程 5.1 二维热传导方程的数学模型 热传导方程(heat equation)是典型的抛物形偏微分方程,也成为扩散方程。广泛应用于声学,电磁学,和流体力学等领域,描述自然界中的各种的波动现象,包括横波和纵波,例如声波、光波和水波。 考虑如下二维热传导方程的初边值问题: 式中 λ \lambdaλ 为热扩散率,取决于材料本身的热传导率、密度和热容;q v 是热源强度,可以是恒定值,也可以是时间、空间的函数。 考虑二维抛物型偏微分方程的数值解法,采用有限差分法求解。将上述的偏微分方程离散为差分方程 : 化简后得到: 即可递推求得二维波动方程的数值解: 5.2 偏微分方程编程步骤 以该题为例一类有限差分法求解二维波动问题偏微分方程的步骤: 导入numpy、matplotlib 包; 输入热传导参数、热源参数等模型参数,定义求解的时间域 (0, te) 和空间域; 初始化,设置差分步长 dt, dx, dy,计算三对角系数矩阵 A、B,差分系数 rx, ry, ft; 计算初始条件 U 0 U_0U 0 递推求解差分方程在空间域的数值解,更新边界条件,获得网格节点的处的 U ( x , y ) U(x,y)U(x,y); 绘制等温云图。 例程求解一个薄板受热的温度分布问题,其初始条件为 t I n i = 25 tIni =25tIni=25,边界条件为 t B o u n d = 25 tBound = 25tBound=25,热源为 Q v QvQv,在空间域 x ∈ ( 0 , 16 ) , y ∈ ( 0 , 12 ) x\in(0,16),\ y\in(0,12)x∈(0,16), y∈(0,12) ,时间域 t ∈ ( 0 , 5 ) t\in(0,5)t∈(0,5) 求数值解即温度分布。 对于外加热源,例程中给出了三种情况:(1)恒定热源,(2)热源功率(或开关)随时间变化,(3)热源位置随时间变化(从 (x0,y0) 以速度 (xv,yv) 移动,以模拟焊接加热的情况)。 5.3 Python 例程 # mathmodel13_v1.py # Demo10 of mathematical modeling algorithm # Solving partial differential equations # 偏微分方程数值解法 # 5. 二维热传导方程(抛物型二阶偏微分方程) # pu/p2 = c*(p2u/px2+p2u/py2) import numpy as np import matplotlib.pyplot as plt def showcontourf(zMat, xyRange, tNow): # 绘制等温云图 x = np.linspace(xyRange[0], xyRange[1], zMat.shape[1]) y = np.linspace(xyRange[2], xyRange[3], zMat.shape[0]) xx,yy = np.meshgrid(x,y) zMax = np.max(zMat) yMax, xMax = np.where(zMat==zMax)[0][0], np.where(zMat==zMax)[1][0] levels = np.arange(0,100,1) showText = "time = {:.1f} s\nhotpoint = {:.1f} C".format(tNow, zMax) plt.clf() # 清除当前图形及其所有轴,但保持窗口打开 plt.plot(x[xMax],y[yMax],'ro') # 绘制最高温度点 plt.contourf(xx, yy, zMat, 100, cmap=plt.cm.get_cmap('jet'), origin='lower', levels = levels) plt.annotate(showText, xy=(x[xMax],y[yMax]), xytext=(x[xMax],y[yMax]),fontsize=10) plt.colorbar() plt.xlabel('Xupt') plt.ylabel('Youcans') plt.title('Temperature distribution of the plate') plt.draw() # 模型参数 uIni = 25 # 初始温度值 uBound = 25.0 # 边界条件 c = 1.0 # 热传导参数 qv = 50.0 # 热源功率 x0, y0 = 0.0, 3.0 # 热源初始位置 vx, vy = 2.0, 1.0 # 热源移动速度 # 求解范围 tc, te = 0.0, 5.0 # 时间范围,0 xa, xb = 0.0, 16.0 # 空间范围,xa ya, yb = 0.0, 12.0 # 空间范围,ya # 初始化 dt = 0.002 # 时间步长 dx = dy = 0.1 # 空间步长 tNodes = round(te/dt) # t轴 时序网格数 xNodes = round((xb-xa)/dx) # x轴 空间网格数 yNodes = round((yb-ya)/dy) # y轴 空间网格数 xyRange = np.array([xa, xb, ya, yb]) xZone = np.linspace(xa, xb, xNodes+1) # 建立空间网格 yZone = np.linspace(ya, yb, yNodes+1) # 建立空间网格 xx,yy = np.meshgrid(xZone, yZone) # 生成网格点的坐标 xx,yy (二维数组) # 计算 差分系数矩阵 A、B (三对角对称矩阵),差分系数 rx,ry,ft A = (-2) * np.eye(xNodes+1, k=0) + (1) * np.eye(xNodes+1, k=-1) + (1) * np.eye(xNodes+1, k=1) B = (-2) * np.eye(yNodes+1, k=0) + (1) * np.eye(yNodes+1, k=-1) + (1) * np.eye(yNodes+1, k=1) rx, ry, ft = c*dt/(dx*dx), c*dt/(dy*dy), qv*dt # 计算 初始值 U = uIni * np.ones((yNodes+1, xNodes+1)) # 初始温度 u0 # 前向欧拉法一阶差分求解 for k in range(tNodes+1): t = k * dt # 当前时间 # 热源条件 # (1) 恒定热源:Qv(x0,y0,t) = qv, 功率、位置 恒定 # Qv = qv # (2) 热源功率随时间变化 Qv(x0,y0,t)=f(t) # Qv = qv*np.sin(t*np.pi) if t1。除非找到专业课程教材或范文中有相关内容可以参考套用,否则不建议小白自己摸索,这些问题不是调整参数试试就能试出来的。 特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。 Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services. /阅读下一篇/ 返回网易首页 下载网易新闻客户端 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |