Tesi Uni 1997

PDF Page Organizer - Foxit Software
A mia Madre
Engineering is the profession in whi h

the knowledge of the Matemati al and Natural S ien es
gained by study, experien e and pra tise
is applied with judgement to develop ways to utilize,
e onomi ally, the materials and for es
of Nature
for the benets of Humankind.
L'ingegneria e quella professione in ui
la Conos enza delle S ienze Matemati he e Naturali
ottenuta attraverso lo studio, l'esperienza e la prati a
e appli ata on Giudizioallo sviluppo di modi di utilizzare,
e onomi amente, le materie e le forze
della Natura
a bene io dell'Umanita
Modelli di diusione
e introduzione ai modelli di tra o
"It is important to nd meaningful middle ground

betwenn pure mathemati s and tra engineering"
- Frank A. Haight -
1.1 Modelli di diusione

Negli ultimi de enni si e avuto un notevole sviluppo dell'utilizzo dei modelli matemati i di diusione
on oe ienti non lineari.
La maggior parte delle appli azioni di tali modelli trovano impiego nell'ambito dell'elettroni a
nei fenomeni di onduzione e dell'ingegneria dello stato solido nei pro essi te nologi i; tuttavia
i risultati ottenuti in queste aree spe i he si stanno diondendo in altri ampi dell'ingegneria
appli ata.
Nella letteratura spe ializzata si trovano vari esempi di possibili appli azioni in nuove aree
dei modelli di diusione e, vi eversa, sono altrettanto numerosi gli esempi in ui vi sono ri hiesti
ulteriori perfezionamenti di tali modelli nelle appli azioni in ui gia si utilizzano.
1

Uno degli s opi prin ipali di questa tesi e quello di sviluppare al uni metodi numeri i per la
soluzione di equazioni on oe ienti di diusione non lineari he trovano appli azioni soprattutto
nei sistemi he studiano la dinami a uido/solido e nei fenomeni di trasporto.
Il me anismo fondamentale he governa il omportamento dei sistemi uido/solido e inoltre
importante nella ri er a e nello sviluppo in dierenti aree delle s ienze appli ate: te nologie alimentari, ingegneria biomendi a, fenomeni di usso di tra o, onduzione nei dispositivi a semi onduttore sono solo al uni esempi, ve hi e nuovi, delle possibili appli azioni.
Riportiamo tre esempi ormai lassi i dell'utilizzo dei Modelli di Diusione per testimoniare
l'importanza sia stori a sia appli ativa hetali modelli hanno avuto nell'evoluzione dello studio di
nuove te nologie. Il aso lassi o della propagazione termi a o legge di Fourier (1822), la diusione
di atomi di drogante in substrati di semi onduttori o le osiddette leggi di Fi k (1855) ed inne i
fenomeni di trasporto in materiali semi onduttori.
Dal punto di vista stori o i primi passi si hanno on la formulazione fenomenologi a del usso
termi o ri avata da Fourier. Denito il usso termi o (unidimensionale) F (x) di alore tra due
sezioni parallele di un mezzo omogeneo, si ri ava la seguente equazione di evoluzione:

t
1 F
k 2
=
;
( ) x x2
(1:1:1)
dove e la temperatura, la densita del mezzo, k e la onduttivita termi a e il alore spe i o del
materiale studiato; i parametri utilizzati sono in prima approssimazione supposti ostanti rispetto
a . Tale equazione (modello) e basato sul modello di usso termi o di Fourier
F (x)
=k

;
x
essendo F il usso termi o.

Dal punto di vista matemati o, i modelli di diusione di atomi di drogante su un substrato di
semi onduttore utilizzati in mi roelettroni a sono del tutto simili: infatti i proli di drogaggio si
ri avano dalla I e II legge di Fi k (1855), in ui vengono deniti la grandezza del usso di parti elle
Capitolo 1
Modelli di Diusione e Introduzione ai Modelli di Tra o

i(x; t)
e la sua legge di variazione nel tempo; nel aso unidimensionale abbiamo:
8
>> i(x; t) =
><
>>
>: =
t

;
x
(1:1:2)
D
2
;
x2
dove D e il oe iente di diusione della sostanza diusa in un mezzo isotropi o (an he in questo
aso onsiderato in prima approssimazione ostante). Le equazioni di evoluzione he si sono ottenute
sono di tipo paraboli o a parametri ostanti e possiedono soluzioni analiti he per vari proli sia di
on entrazione he di temperatura.
Insieme a questi due fenomeni, l'appli azione he ha avuto maggiori sviluppi nel ampo dell'ingegneria elettroni a degli ultimi '50 anni e stato lo studio dei fenomeni di trasporto nei mezzi
semi onduttori: in questo ambito si sono ri avate equazioni di evoluzione di tipo misto onvettivo/diusivo, in ui l'analisi si e fo alizzata soprattutto sui oe ienti non lineari dei termini
dierenziali.
Riportiamo, sempre a titolo di esempio, quelle he sono le equazioni di base del modello di
onduzione in un semi onduttore. Partiamo dalla denizione di densita di orrente degli elettroni
n
e delle la une p
8
>>
<
>>
:
Jn
=qn nE + qDn r n
Jp
=qp nE + qDp r p
J ond
(1:1:3)
=Jn + Jp
dove osserviamo un termine di propagazione indotto dal ampo elettri o E e un termine di diffusione he dipende dal gradiente della on entrazione; n e p son rispettivamente la mobilita degli
elettroni e delle la une, mentre Dn e Dp sono i oe ienti di diusione. Nel aso unidimensionale
le equazioni (1:1:3) diventano
8
>
< Jn =qnnE + qDn n
x
>
: Jp =qpnE qDp p
(1:1:4)
x
da ui si ottengono le equazioni di ontinuita nell'ipotesi sempli ata di bassa iniezione di

ari a; queste sono del tipo
8 np
>> =Gn
>< t
>>
>: pn =G
p
t
np
np0
n
+ np n
E + E np + D 2 np ;
n
n
x
x2

x
(1:1:5)
pn
pn0
p
+ pn p
E + E pn + D

x
x
2 pn
;
x2
dove Gn e Gp rappresentano il tasso di generazione di elettroni e la une he si muovono nel semi onduttore generati da eventi esterni (per esempio e itazioni di origine otti a provo ate dall'impatto
on fotoni); i termini
pn pn0
p
np np0
n
sono i termini di ri ombinazione, dove pn0 e np0 sono le
on entrazioni di parti elle minoritarie all'equilibrio termi o ed p e n i tempi di vita medi degli
elettroni e la une.
Senza entrare nei dettagli della formulazione riportata, osserviamo la presenza dei due termini,
uno di tipo onvettivo
n
x ,
e l'altro di tipo diusivo
2n
x2 ,
he des rivono il sistema.
I tre esempi riportati sono dei modelli lineari on oe ienti ostanti; le soluzioni si possono
ri avare, an he dal punto di vista analiti o on gli strumenti di qualsiasi orso di Analisi Superiore.
Nei sistemi studiati nelle s ienze appli ate, quando si ha a he fare on mezzi reali, nas ono
vari problemi nella simulazione del omportamento dei materiali e dei parametri te nologi i he
li ontraddistinguono: lo sviluppo di leggi adeguate per des rivere i oe ienti ( he spesso sono
funzioni sia del tempo e dello spazio, sia della variabile di stato), e il onseguente studio di opportuni
algoritmi di risoluzione numeri a sono i prin ipali ampi di ri er a an ora aperti a nuove indagini.
Come sottolineato inizialmente, la letteratura riguardo tali problemi e vasta, ma in ompleta:
infatti o orre an ora approfondire tali argomenti, elaborare e sperimentare nuove te ni he numeri he e valutare aso per aso i possibili sviluppi.
Capitolo 1

In quest'ambito si possono introdurre gli sforzi e gli sviluppi nello studio del usso di tra o,
he data la natura del problema, ben si prestano ad implementazioni di nuove soluzioni nel ampo
della teoria della diusione. Uno degli aspetti importanti nell'analisi dei modelli e lo studio degli
eetti nonlineari della diusione.
Il fenomeno di diusione delle auto lungo un'arteria stradale nel tra o dei vei oli trova
un'analogia on il pro esso di diusione attraverso il quale la materia si sposta all'interno di un
mezzo poroso on leggi asuali ed a queso aspetto e dedi ato parte del ontenuto di questa tesi.
1.2 Dai modelli di diusione ai modelli di tra o

Lo studio del ontrollo del usso di tra o, ome abbiamo visto nella sezione pre edente, rappresenta un ampo di appli azione dei metodi della matemati a appli ata ad un problema tipi o
dell'ingegneria : l'ottimizzazione dei sistemi reali des ritte da equazioni non lineari on termini di
tipo onvettivo e diusivo.
Tali problemi, ome abbiamo visto, trovano appli azioni nei ampi dell'ingegneria elettroni a
e delle tele omuni azioni, non he nello studio della si a dello stato solido: dinami a nei semi onduttori, propagazione in bre otti he, propagazione del alore in materiali on proprieta non
lineari.
Quindi i metodi utilizzati in questo lavoro rappresentano oltre he la soluzione per un aso
reale spe i o, an he una valida tra ia teori a per ottimizzare e per sviluppare validi parallelismi
on gli altri ampi dell'ingegneria: le sinergie tra i diversi ampi della s ienza apli ata, he molto
spesso vengono separati, rappresentano una delle hiavi di svolta per ampi di appli azione he
hanno saturato ormai i loro strumenti d'indagine e di risoluzione tradizionali, ome l'ingegneria del
trasporti.
Ai modelli e ai metodi tipi i del ampo dell'elettroni a si aan ano gli strumenti dell'informati a, he svolgono un ruolo importante per la ri er a di soluzioni numeri he, an he quando i
modelli trattati non possiedono soluzioni analiti he.

Lo s opo di questo lavoro e quello di rendere noti gli sforzi nel ampo delle te ni he di elaborazione di modelli di diusione non lineari nell'ingegneria appli ata e di sperimentare nuove te ni he
di risoluzione numeri he, appli andoli al aso reale del problema del ontrollo del usso di tra o.
? ? ?
Dal punto di vista stori o, l'esigenza di ostruire modelli di usso di tra o nas e ben prima
he sorgessero i problemi di ongestione delle reti di omuni azione stradale.
Il problema del tra o automobilisti o n dai primi anni '50 ha rappresentato un ampo di
studio tipi o dell'ingegneria dei trasporti.
Lo studio delle sovrastrutture di omuni azione (strade, ponti, viadotti, trafori), i problemi
dell'organizzazione di reti di omuni azione dei trasporti, lo sviluppo di vetture e onomi he, meno
inquinanti, ad alte prestazioni e gli stessi problemi so iali derivanti da una so ieta dei trasporti
hanno rappresentato molte volte situazioni di " onne" per l'ingegnere: questi problemi hanno
spesso funzionato ome un laboratorio per sperimentare nuove invenzioni e nuove te hi he sui
metodi di indagine.
Un'immagine tipi a del paesaggio urbano ameri ano e quello delle ode interminabili sulle
"highstreet", superstrade, on de ine di orsie, he rappresentano il fallimento di una on ezione
antiquata di risolvere i problemi ingegneristi i. Fino ad oggi l'aumento del tra o e la ongestione delle reti di omuni azione e stato risolto aumentando la apa ita delle arterie stradali: una
soluzione ertamente piu immediata, ma he ha prodotto onseguenze dannose sia per il sistema
stesso (aumento della peri olosita, dell'inquinamento, alti osti di mantenimento) he per i sistemi
a questo onnessi ( itta invivibili, aumento di osti di trasporto e di ontrollo).
Non e un aso he i problemi inerenti ai sistemi di omuni azione dei trasporti siano apparsi
in regioni del mondo ad alta on entrazione te nologi a ed umana (a partire dagli Stati Uniti
no al Giappone ed all'Europa O identale) e non e un aso he i primi passi nello studio del
problema di tra o siano stati fatti dagli s ienziati e dagli ingegneri di questi Paesi: nella letteratura
spe ializzata i primi appro i a tali problemi sono stati ondotti da Lighthill e Whitman, he hanno
sviluppato modelli di diusione di tipo ma ros opi o, molto simili a quelli utilizzati nel ampo
Capitolo 1
Figura 1: Fenomeni di ongestione su una highstreet ameri ana
dell'elettroni a.
? ? ?
In modo analogo il problema della ongestione delle risorse delle reti di trasporto si puo osservare in molti aspetti della so ieta umana moderna: nelle reti di omuni azione, nello sviluppo
urbano, negli s ambi ommer iali, no alla produzione industriale: in ognuno di questi ampi stiamo osservando l'esaurirsi di risorse vitali per il orretto funzionamento dell'apparato te nologi o
e so iale.
Nas e in questo modo il bisogno di studiare dierenti metododologie per l'ottimizzazione dei
sistemi esistenti, non he l'esigenza di nuove soluzioni di progetto, si ome le te ni he tradizionali
non ries ono a dare piu risultati on reti. Tale problema non e, ome gia detto, relativo solo al
aso del ontrollo di tra o : se si pensa allo sviluppo he si e avuto nel "tra o" sulle linee
telefoni he da inizio se olo no ai giorni nostri, si potranno osservare numerose analogie: infatti
le te ni he numeri he di odi a dell'informazione per aumentare la apa ita delle reti di omuni azione nas evano dall'esigenza di ottimizzare l'utilizzo dei mezzi trasmissivi, he erano ormai
Figura 2: Congestione delle reti telefoni he ad inizio se olo
ongestionati (emblemati he sono le foto delle de ine di avi telefoni i lungo le strade degli '30), e
dello sviluppo di nuove te ni he numeri he implementate dal nuovo hardware.
? ? ?
Il problema del usso di tra o e un esempio tipi o di questa nuova tendenza. Esaurite le
Capitolo 1

metodologie di progetto ormai obsolete si er a tramite la ostruzione di un nuovo edi io teori o e
metodologi o di sfruttare le sinergie fra i vari ampi dell'ingegneria appli ata: matemati a appli ata,
s ienze informati he e metodi di ontrollo numeri o; te ni he e metodi nuovi e ve hi oordinate
insieme.
L'analisi he segue nei prossimi apitoli si pregge di des rivere il problema in termini hiari attraverso gli strumenti matemati i (modelli) e quelli te nologi i oggigiorno disponibili (simulazioni
al al olatore) e di valutare le future appl azioni, tramite soluzioni ingegneristi he ( ontrollo

elettroni o e me ani o), nei sistemi ostruiti nora.
La maggior enfasi he si e voluta dare allo studio dei modelli matemati i e della simulazione
del problema, nas e da un'appro io tipi o dell'ingegneria dell' elettroni a: in questi ampi e forte
l'intre io tra gli strumenti della matemati a appli ata e dell'informati a da una parte on la
risoluzione di problemi ingegneristi i dall'altra: una similitudine quindi sia di tipo formale (il tipo
di appro io matemati o), sia di tipo qualitativo (gli stessi strumenti di indagine), he fa ilita tale
tipo di indagine ad ingegneri del ramo elettroni o ed informati o.
La tra ia he si e seguita in questa tesi e quella di studiare il problema spe i o del ontrollo
e della simulazione del usso di tra o dando maggior enfasi a quelli he sono i passi prin ipali
della modellizzazione e delle te ni he numeri he di risoluzione del problema, er ando di sviluppare
al uni aspetti he di rimbalzo potrebbero essere sfruttati nel ampo dell'ingegneria elettroni a.
Non vi deve essere la supremazia di un parti olare ampo della onos enza ingegneristi a,
ma un giusto equilibrio tra gli strumenti disponibili: dalle risorse umane nello studio dei modelli
matemati i on ui si simulano i fenomeni te nologi i al al olatore, alla ri er a di strumenti di
ontrollo, per nire on il onfronto dei dati ottenuti sperimentalmente.
? ? ?
In sintesi, quindi, sono da sottolineare al uni aspetti fondamentali dell'appro io seguito:

1 base matemati a: abbiamo preso in prestito, ome punto di partenza, i risultati della Teoria
della Diusione per sviluppare dei modelli matemati i idonei al problema del usso di tra o
10

e nello stesso tempo abbiamo sviluppato al uni aspetti nuovi (non linearita, oe iente di
diusione non ostante);
2 l'ingegneria informati a: e il referente primo a ui si appoggia la base teori a matemati a
sviluppata per la risoluzione del problema; tale ampo e strettamente onnesso on lo studio
degli algoritmi utilizzabili per trovare le soluzioni;
3 le nozioni di ontrollo dei sistemi on ludono attraverso la sperimentazione (strumentazione,
misure elettroni he) gli ultimi passi per la soluzione del problema insieme allo sviluppo di
software appli ativi idonei a tale s opo.
Questi tre punti sono omplementari uno all'altro e solo dal onfronto di tutti e tre si possono
ottenere nuovi metodi di ottimizzazione per questotipo di problema dell'ingegneria appli ata.
Nell'impostare il problema matemati o o orre denire quelle he sono le variabili he meglio
des rivono il sistema si o; questo lo si puo fare tenendo onto an he degli sviluppi pre edenti
a quisiti nel ampo spe i o dell'ingegneria dei trasporti.
? ? ?
Nei modelli utilizzati si des rive il sistema tramite la densita n degli autovei oli e la velo ita
media v degli stessi. Tali variabili hanno un orispettivo immediato su quelli he sono i parametri
ingegneristi i per la gestione di un arteria stradale: infatti tradizionalmente quando si progettano
delle strade o orre tener onto dei osti di trasporto e della si urezza dell'automobilista, parametri
strettamente onnessi on il numero medio di automobili presenti sulla strada e on la velo ita di
ro iera. Nei libri spe ializzati sulla progettazione della apa ita delle reti stradali, sono questi i
fattori he vengono tenuti in onsiderazione ome spe i he del problema: riguardo una trattazione
piu esauriente sull'argomento si puo fare riferimento al testo [1
Fa iamo al uni esempi:
gli oneri dovuti al onsumo di arburante, all'usura dei pneumati i, allo stress me ani o sono
tutte funzioni della velo ita del mezzo; nel aso infatti di regimi troppo alti, dovuti alla densita
medio/bassa o alla grande apa ita della strada, tali oneri sono piu alti; ma aumentano an he se
Capitolo 1
11

si sforzano le vetture a ode interminabili (fenomeno della oda) a velo ita moderate. Quindi la
velo ita e una variabile he, partendo direttamente dalla funzione osto, i permette di garantire
e di ontrollare le spe i he di gestione del usso di tra o. Tramite la simulazione possiamo
rispondere a domande quali: qual'e la velo ita migliore he rende minimo il osto di trasporto ?
possibile,
A tale velo ita ome si omportano gli autovei oli su una strada di data apa ita ? E
tramite un ontrollo, garantire una velo ita he non produ a fenomeni di ongestione ?
vi sono an he oneri onnessi on il onfort e i ris hi del viaggio: tali parametri sono ontrollabili
mantenendo una densita massima permessa e quindi quindi tenendo sotto ontrollo il numero
massimo di vei oli presenti; quindi, quali sono le ondizioni in ui e garantita la apa ita
massima su una strada on aratteristi he note ? Con he frequenza devono essere regolati gli
a essi alla strada an he non i siano fenomeni di alta on entrazione ?
A anto allo studio delle variabili del modello vi e lo studio delle ondizioni iniziali. La sim-
ulazione sempli ata di un singolo tratto stradale puo essere agevolmente ampliata per des rivere
quei asi di usso di tra o su una rete reale: ma tale problema deve essere fatto tenendo ben
in onsiderazione le ondizioni di "interfa ia" ( ondizioni al ontorno) tra i singoli rami del grafo
generale.
I modelli he studieremo fanno riferimento a situazioni di alta densita di vei oli (modelli ma ros opi i): queste sono appli abili sia a sistemi autostradali di ollegamento tra due itta (quindi
tempi di per orrenza medio/lunghi e velo ita sostenute) in presenza di alte on entrazioni ( asi
patologi i del sistema), sia a situazioni tipi amente urbane (tempi ridotti, velo ita medio/basse) in
ui situazioni di alta on entrazione sono piu frequenti ( asi siologi i del sistema).
2
Modelli matemati i di
tra o vei olare
In ogni situazione si deve ripondere a quattro domande fondamentali:

Come, Per he, Quando e Dove ?
- M.F. -
2.1 Introduzione
Questo apitolo propone un review generale sui modelli matemati i, proposti in letteratura,
relativamente a modelli di tra o on e senza diusione. Lo s opo, oltre a quello di fornire una
sintesi dei risultati noti, e quello di denire la base di partenza per lo studio dei modelli proposti nell'ambito di questa tesi, basasti su una piu approfondita analisi dei fenomeni di diusione
nonlineare.
Tali modelli simulano il omportamento lungo un'arteria stradale dell'interazione tra gli automobilisti e si pongono ome ne quello di ottenere un ontrollo del usso di tra o agendo su
opportune grandezze si he quali la velo ita permessa, gli a essi ontrollati agli ingressi stradali,
l'aumento lo alizzato della apa ita delle strade.
1
2
Le soluzioni di tali modelli permettono di investigare situazioni dierenti del usso di tra o
lungo un autostrada, quali ad esempio la formazione di ode in aree a velo ita' ontrollata (jams
at bottlene ks), ode improvvise in situazioni apparentemente normali (phantom tra jams) o
il sorgere di situazioni riti he per al une ondizioni al ontorno, e . Attraverso tali modelli si
possono ottimizzare e migliorare le ondizioni di viabilita su infrastrutture esistenti on un impatto
minimo sull'ambiente ir ostante; oppure ontrollare direttamente, attraverso l'uso di omputer a
bordo, la dinami a del tra o.
?
Nello studio dell'ottimizzazione dei modelli ingegneristi i gio ano un ruolo importante da una
parte la des rizione analiti o-matemati a dei modelli stessi e dall'altra la loro simulazione numeri a al al olatore : infatti maggiore e l'a uratezza della des rizione del problema maggiori sono i
problemi he si in ontrano nella simulazione al al olatore ; vi eversa modelli approssimati di tale
problema non sempre produ ono soluzioni soddisfa enti dal punto di vista si o. Gli esempi di tale
ontrapposizione e tipi a dell'ottimizzazione dei sistemi elettroni i in ui le prestazioni dei sistemi
vengono des ritte tramite modelli dierenziali non banali, on ui si er a di simulare situazioni
si he non fa ilmente ri reabili in laboratorio: alti osti sperimentali per le attrezzature e tempi
lunghi per la ostruzione dei dispositivi sperimentali sono elementi tipi i nel ampo dell'ingegneria
appli ata. In questa hiave il problema del tra o presenta notevoli similitudine: i osti di simulazione sulle strutture reali sono enormi e non sempre si possono ostruire modelli di tali sistemi.
?
Prima di entrare nel dettaglio della formulazione dei metodi prin ipali o orre fare al une
onsiderazioni. Si distinguono nella ostruzione di un modello matemati o dierenti livelli di des rizione.
Da una parte abbiamo il livello mi ros opi o, dove l'evoluzione nel tempo di ogni vei olo e
des ritto dalle sue oordinate spaziali e dalla velo ita: molto ostoso dal punto di vista numeri o,
ma altrettanto pre iso nella des rizione.
I modelli ineti i, in ontrasto on la strutura dis reta dei modelli mis ros opi i, utilizzano un
Capitolo 2
Modelli Matemati i di Tra o Vei olare

tipo di des rizione omogenea su tutti gli autovei oli fa endo uso di funzioni di distribuzione, he
des rivono il numero di vei oli in un erto punto x e he viaggiano ad una erta velo ita v: tali
funzioni sono le grandezze he intervengono nelle equazioni di evoluzione del sistema (le variabili
di stato).
Per ultimi troviamo i modelli ma ros opi i. Poi he in al une ir ostanze non interessano le
grandezze spe i he di un sistema (posizione x e velo ita v di ogni singolo vei olo) si onsidera
l'evoluzione di grandezze ome la densita o la velo ita media.
Il ollegamento tra i sistemi ma ros opi i e ineti i e molto stretto, infatti le grandezze ma ros opi he si ottengono per integrazione di quelle ineti he.
La situazione di partenza piu sempli e da indagare nella teoria del tra o e quella nell' ipotesi
di tra o omogeneo: in tale situazione il usso di vei oli e uniforme e non dipende ne dallo spazio
ne dal tempo, ma solamente dal numero di vei oli presenti sull'arteria. In base a questa ipotesi
svilupperemo le simulazioni del problema.
?
Tradizionalmente (seguendo la tra ia del paragrafo pre edente) si sono seguiti tre appro i
per lo sviluppo di modelli di usso di tra o :
1. modelli mi ros opi i : sono stati sviluppati partendo dall'analisi delle interazioni me ani he
e psi ologi he he intervengono fra due soli vei oli e dalla des rizione del fenomeno on sistemi
non lineari di equazione dierenziale ordinarie ampliato ad un sistema di N vei oli;
2. modelli idrodinami i o ma ros opi i : si basano sulle equazioni di evoluzione della idrodinami a e sulla onservazione del numero di autovei oli: hanno in ontrato notevoli oppositori
per la loro approssimazione del aso reale e della loro appli abilita alla simulazione del usso
di tra o; si basano su modelli di trasporto on termini di tipo onvettivo e diusivo;
3. modelli ineti i ( o alla Boltzmann) : si basano fondamentalmente sulle equazioni di
Boltzmann per i gas e partono dall'analisi dell'interazione tra oppie di vei oli per giungere a
una serie di equazioni di evoluzione della funzione di distribuzione globale ( osi' ome vengono
utilizzate le equazioni di Boltzmann per lo studio dell'interazione di oppie di elelttroni e la loro
4
funzione di distrinbuzione). Rappresentano un aso intermedio tra i due appro i sopra itati
e er ano di arontare il problema bilan iando opportunamente i rispettivi vantaggi dei due
asi visti : sono meglio giusti ati dal punto di vista si o dei modelli ma ros opi i e d'altra
parte rispetto ai modelli mi ros opi i hanno tempi di simulazione de isamente minori.
Dal punto di vista stori o, i modelli di tipo mi ros opi o e quelli di tipo ma ros opi o partono
da due punti di vista de isamente indipendenti per innalzare il loro edi io teori o per la des rizione
del problema del usso di tra o : l'anello di unione fra i due e rappresentato dai modelli ineti i,
osi ome avviene nei modelli dinami i dei gas. Infatti i modelli ineti i si possono ri avare ( ome
abbiamo detto sopra) dai modelli mi ros opi i, mentre quelli ma ros opi i possono essere dedotti,
attraverso lo studio dei momenti delle funzioni di distribuzione, da quelli ineti i. L'analogia
on lo studio dei modellli dei gas sottolinea an ora una volta la possibilita di appli are te ni he,
metodologie ed esperienze ottenute nei ampi dell'elettroni a, della uidodinami a e dell'informati a
in sistemi he tradizionalmente non fanno uso di questi strumenti d'indagine.
2.2 Modellli idrodinami i di usso di tra o

La do umentazione sull'attivita di ri er a in questo ampo si puo trovare in molti libri spe ialisti i,
ome quello di Leutzba k, mentre un ottimo arti olo he riporta in modo on iso lo stato dell'arte
nora raggiunto e quello di Klar, Kune e Wegner.
I modelli ma ros opi i nas ono fondamentalmente on il lavoro di Whitham e Lighthill. I due
matemati i sviluppano il loro modello partendo della onservazione del numero di vei oli (Conser-
vation of Number of Vehi les) da ui si er a di ri avare delle equazioni di evoluzione per la densita
n e il momento nv degli stessi:
n

+ (nv) = 0
t x
(2:2:1)
L'assunzione di usso omogeneo di tra o da ui partono gli permette di onsiderare la velo ita v indipendente dal tempo e dallo spazio ma dipendente uni amente dalla densita n, per ui
Capitolo 2

si possono ri avare delle espressioni sempli i sui ui fare delle onsiderazioni dal punto di vista
fenomenologi o. In tal senso una prima espressione per v puo essere
v = ve ( ) = vM (1
=
n
nM
(2:2:2a)
(2:2:2b)
dove abbiamo introdotto la velo ita massima vM e la densita massima nM (bump to bump) he
si ottiene pensando di mettere paraurti ontro paraurti gli autovei oli. Infatti quando la densita
dei vei oli e ir a zero questi tenderanno ad assumere la massima velo ita loro onsentita, mentre
nel aso di alto tra o (jam tra ) si ridurra a zero. Da tali onsiderazioni si ri ava un'equazione
auto onsistente del tipo
n
+ vM [1
t
2 (n)
n
=0
x
(2:2:3)
la ui analisi la si puo ritrovare nel libro di Whitham sulla propagazione di onde non lineari.
Per al uni valori di n tale espressione puo avere ome soluzioni delle onde propagantesi nel
verso ontrario alla direzione del usso dei vei oli, per questo motivo Whitman stesso introdu e un
termine di diusione he i permette di ottenere delle soluzioni migliori per des rivere un sistema
si o e su ui si baseranno i nostri su essivi sviluppi:
n
+ vM [1
t
2 (n)
n
2n
=" 2
x
x
(2:2:4)
Sempre partendo dall'assunto di usso omogeneo di tra o si possono fare ulteriori onsiderazioni sulla forma analiti a della velovita v ; per esempio Kuhne e Rodinger hanno introdotto un
modello per l'espressione di v del tipo
v = ve ( ) = vM 1
2
(2:2:5)
l'idea e quella di partire da una forma analiti a molto sempli e on al uni parametri in ogniti ed
attraverso un pro edimento di interpolazione on urve ottenute sperimentalmente ottenere i valori
orrispondenti ai parametri; in questo modo si ottiene l'equazione di evoluzione :
6

n
+ vM 1
t
(n)1
2
2 n
2n
1 2 (n)1 1 2
=" 2
x
x
(2:2:6)
Un modello alternativo, ma he prende spunto dalla stressa idea, e stato introdotto da Kerner
e Konhauser, he in maniera simile hanno ri avato un'espressione parametri a di v del tipo:
v = ve ( ) = vM [( )
( M )
(2:2:7)
dove
( (n)) =
1
1 + exp [b1 ( (n)
(2:2:8)
b2 )
In tutti questi asi, ome si puo notare dalle espressioni ottenute, il sistema e nonlineare: infatti
ompare il prodotto di n o di una funzione di n per la sua derivata nello spazio.
Altri sviluppi possono essere derivati partendo da modelli in ui la velo ita v non e piu una
variabile indipendente, ma viene ri avata an he per questa una relazione di evoluzione dierenziale.
L'idea di partenza e quella di immaginare he la velo ita v abbia una legge di evoluzione in ui dopo
un tempo T (detto tempo di rilassamento) assume una ongurazione prestabilita, simile ai asi
pre edenti : ad ogni dis ontinuita la velo ita v reagis e al ambiamento raggiungendo un valore a
regime indipendente dal tempo e dalla posizione. Si ottiene pertanto
8
>
>
>
>
>
>
<
f n
+ vM (1
t
>
>
>
>
>
v
>
:
t
+v
2 )
n
2n
=" 2
x
x

v
n
1
=
+
v (1
x n x T M
2 )
(2:2:9)
v :
I modelli ma ros opi i hanno in ontrato numerosi oppositori, he hanno messo in dubbio al une
assunzione basilari per tale tipo di appro io al modello del usso di tra o. In sintesi i maggiori
limiti di tale analisi sono :
a) il usso del tra o (e quindi il numero di vetture he attraversa nell'unita di tempo una sezione
dello spazio) molto di ilmente si puo interpretare ome qual osa di ontinuo a meno he la
lunghezza della strada sia molto piu grande della dimensione degli autovei oli;
Capitolo 2

b) non si puo des rivere l'evoluzione dei vei oli tenedo onto uni amente del loro omportamento
me ani o : il legame tra guidatore-vei olo e molto stretto quindi o orre in ludere il omportamento soggettivo dei singoli individui nel sistema in modo piu hiaro; questo e un ulteriore
punto di vantaggio per lo sviluppo di modelli des rittivi di tipo diusivo.
In sintesi i modelli ma ros opi i er ano quindi di utilizzare una des rizione analiti a di tipo
me ani o per l'evoluzione degli autovei oli insieme ad una des rizione del omportamento dei
guidatori di tipo psi ologi o : infatti nell'ottimizzazione di ontrollo de tra o si ha a he fare
on vei oli he rispondono alle leggi me ani he della dinami a, ma oloro he li guidano rispondono al sistema attraverso reazioni puramente soggettive e soprattutto non deterministi he; tale
omportamento potrebbe essere interpretato ome un fenomeno di diusione on leggi pseudo asuli.
2.3 Modelli ineti i

I modelli ineti i sono un appro io alternativo ai modelli ma ros opi i visti nella sezione
pre edente e si basano fondamentalmente sulle equazioni di Boltzmann. I primi passi he hanno
seguito questo lone d`indagine alternativo risalgono al lavoro eseguito da Prigogine e alla su essiva
elaborazione di Paveri Fontana.
Nella sezione he segue si er hera di fare un riassunto della des rizione he ha eseguito Prigogine e la rielaborazione di Paveri Fontana, tenendo presente soprattutto la ostruzione del modello per des rivere le interazioni tra la me ani a del sistema e la simulazione del omportamento
umano.
ne essario prima di entrare nei parti olari della struttura del modello fare al une onsiderE
azioni sul per he si fa uso di una des rizione ineti a e su osa si intenda per modello ineti o del
usso di tra o. Nel tipo di problema he si aronta nei sistemi di ontrollo del tra o si ha a
he fare on relazioni tipi he dei modelli di Boltzmann. Le interazioni dei vei oli ( osi' ome le
interazioni fra parti elle di un gas) sono regolate sia da leggi della me ani a (deterministi he), sia
da omportamenti tipi i della dinami a delle popolazioni (dierenze aleatorie dei singoli elementi):
8
il omportamento soggettivo dei guidatori puo essere simulato fa endo riferimento a grandezze
statisti he (quali una funzione di distribuzione on ui si possono dis riminare le situazioni diverse
he si hanno nella realta), per le quali e ne essario ostruire un modello analiti o di tipo ineti o.
O orre trovare un'equazione di evoluzione in ui la variabile di lavoro sia una funzione di
distribuzione osi fatta
f (t; x; v) :
[0; T [0; ` [0; vM ! IR+
la quale i da il numero per entuale dei vei oli he ad un erto istante t sono nella posizione x ed
hanno una velo ita v. Se f e integrabile si possono ri avare le grandezze osservabili he si sono
utilizzate nei modelli idrodinami i. Infatti si ha la densita n(t; x) di vei oli ome
n = n(t; x) =
e la velo ita media
f (t; x; v) dv)
(2:3:1)
1
1
V = V (t; x) =
v f (t; x; v) dv
(2:3:2)
n(t; x) 0
A queste si possono aan are altre grandezze altrettanto interessanti ome la varianza della velo ita
Z
1
1
[v
n(t; x) 0
e la pressione della velo ita' (velo ity pressure)
= (t; x) =
P = P (t; x) = (t; x)n(t; x)
V (t; x)2 f (t; x; v) dv
[v
V (t; x)2 f (t; x; v) dv
(2:3:3)
(2:3:4)
Se si fa un'analogia on la me ani a lassi a dei gas si puo' parlare di massa, momento,

energia e pressione. Da questo punto di vista i modelli ma ros opi i possono essere utilizzati ome
riferimento per la simulazione dei modelli ineti i.
L'equazione di evoluzione he ha ri avato Prigogine per la funzione di distribuzione si basano
sulle seguenti ipotesi:
1. il usso e unidimensionale ed ogni vei olo e onsiderato ome un punto, ioe' la lunghezza di
ogni vei olo e tras urabile rispetto alla lunghezza della strada.
Capitolo 2

2. lo stato di ogni vei olo nell'istante t e' denito dalla sua posizione x 2 IR e dalla sua velo ita
v 2 [0; 1
u = u(x; v)
3. lo stato del sistema e dato dalla funzione di distribuzione f , on ui si denis e on il termine

fdxdv il numero di parti elle he nell'istante t sono nel volume dello spazio delle fasi [x; x +
dx[v; v + dv
4. l'equazione di bilan io he governa l'evoluzione di f e , ome nel aso delle equazione di Boltzmann, ottenuta dall'interazione tra i vei oli se ondo la relazione
f
f
+ v = JP [f
t
x
(2:3:5)
dove il termine JP [f e il tasso di ambiamento di f ed e dovuto sia al omportamento dei

guidatori sia alla me ani a delle interazioni tra oppie di vei oli.
A queste prime quattro ipotesi, he sono indipendenti dal omportamento dei guidatori e
possono essere onsiderate generali, Prigogine ne aggiunge altre due relative inve e al modelllo del
omportamento soggettivo dei guidatori;
5. il termine he des rive la ollisione tra individui e ottenuto ome somma di due termini
JP [f = Jr [f + Ji [f
(2:3:6)
dove Jr [f e il termine di rilassamento rispetto un erto programma di velo ita' , ed Ji [f e

dovuto all'interazione dei vei oli;
6. il termine Jr e in relazione al fatto he lungo la strada ogni individuo alla guida del suo vei olo
desidera mantenere una erta velo ita di ro iera , aratterizzata da una erta distribuzione
della velo ita f (x; v) : dopo ogni dis ontinuita lungo il per orso (l'in ontro on un'auto piu
lenta, la formazione di una oda, e ) assumera nuovamente tale velo ita, ma solo dopo un
erto istante T , detto apppunto tempo di rilassamento, he dipende dalla densita dei vei oli
presenti lungo la strada ed e uguale per ogni individuo
10
Jr [f =
(f (v)
f (t; x; v))
(2:3:7)
D'altra parte il termine Ji (f; f ) des rive l'interazione tra due vei oli, ioe' tra un test vehi le v e
un eld vehi le w; in seguito all'interazione si avra un aumento (sorpasso) o una diminuzione di
velo ita (in odamento) a se onda he le velo ita siano w > v o w < v. L'espressione diventa :
Ji [f = f (t; x; v)
(w
v)f (t; x; w) dw
(2:3:8)
an he in questo aso l'espressione del tasso di ambiamento dipende dalla densita. L'espressione
del modello diventa quindi

f f
+v = JP [f =
(f (v)
t x
1
+ f (t; x; v)
(w
f (t; x; v))
v)f (t; x; w) dw :
(2:3:9)
Si osservi he il termine di rilassamento non aveva molta importanza nel modello di Boltzmann
dei gas, mentre nel nostro aso o orre prevederne una des rizione a urata.
Infatti il modello dinami o dei gas non prevedeva lo studio dell'evoluzione del sistema quando
la densita delle parti elle era alta; nel nostro aso inve e i fenomeni piu interessanti si hanno quando
i vei oli raggiungono densita molto alte (tra jams): quindi o orre fare molta attenzione nel non
fare sempli azioni troppo gratuite.
Ci sono tuttavia an he dei punti deboli nel modello : in parti olare la distribuzione di velo ita'
desiderata e ssa e non dipende dal tipo di evoluzione, infatti dovrebbe essere una quantita' he
segue l'evoluzione dei vei oli inve e di essere un valore assegnato a priori. Da questa osservazione
nas ono gli ulteriori sviluppi realizzato da altri matemati i.
Al modello introdotto da Prigogine e stata fatta una sostanziale modi a nel lavoro di PaveriFontana. La riti a sulla rigidita dell'impostazione di Prigogine ha portato i suoi frutti : Paveri
Capitolo 2
11

Fontana introdu e una distribuzione g(t; x; v; w ) he des rive la distribuzione dei vei oli on velo ita v, ma on velo ita desiderata w: infatti lungo la strada ogni guidatore desidera mantenere
una erta velo ita (velo ita desiderata) he pero non sempre gli e permesso di mantenere, poi he
interagis e on altri individui (fenomeno delle ode, ingorghi, e ). Tale impostazione prevede una
des rizione piu a urata delle relazioni non puramente me ani he del fenomeno : e possibile in
tal modo introdurre un modello sul omportamento psi ologi o dei guidatori (behevior of drivers).
Le relazioni he unis e f a g e
f (t; x; v) =
g(t; x; v; v ) dv
(2:3:10)
mentre la distribuzione di velo ita' desiderata e'

f (t; x; v) =
g(t; x; v; v ) dv
(2:3:11)
Se introdu iamo tali modi he otteniamo una nuova eq. di evoluzione

g
g
+ v = J [g = Jr [g + Ji [g
t
x
(2:3:12)
L'operatore di ollisione e dato an he in questo aso da due termini, dove Ji ha esattamente la

forma ottenuta prima
Ji [f = g(t; x; v; v )
(w
v)g(t; x; w; v ) dw
(2:3:13)
mentre Jr , termine di rilassamento e legato all'a elerazione dei vei oli da un termine non lineare
Jr [f =

v
(w
v)f (t; x; v; v )
(2:3:14)
Il risultato e un'equazione di evoluzione del tipo

f f
+v +
t x v
= g(t; x; v; v )
(w
(w
v)f (t; x; v; v ) = JP F [f
v)g(t; x; wv ) dw :
(2:3:15)
12
L'operatore di ollisioni introdotto er a di tener onto del omportamento dei guidatori attraverso un tipo di relazione fenomenologi a : nel modello non si er a di giusti are a livello
mi ros opi o l'interazione des ritta e questo e uno dei difetti dell'analisi ineti a del ontrollo di
tra o e rappresenta una possibile via di sviluppo futura. Comunque l'analisi di Paveri Fontana
risulta un miglioramento e a e del modello di Prigogine.
Un appro io simile viene seguito an he da altri matemati i : Lampis propone delle modi he
per tener onto dell'eetto dei fenomeni di reazione di ode (queuening vehi les) lungo la strada.
L'idea e quella di introdurre una funzione di distribuzione g(v) per i vei oli in oda ed un nuovo
termine di interazione J [f; g; si distinguono ioe due tipi diversi di vei oli : quelli he viaggiano
primo un passo verso una des rizione dettagliata dei
in oda e quelli he viaggiano liberamente. E
fenomeni he intervengono sulla strada. Tale modello e stato studiato nell'ipotesi di usso omogeneo
e stazionario di tra o ed ha permesso al uni onfronti on misure ottenute sperimentalmente.
2.4 Confronto on i dati sperimentali

Alla validita delle argomentazioni n qui svolte (giusti ate o meno dal punto di vista si o) segue
sempre una veri a on i dati sperimentali per testarne l'a uratezza. Per ompletezza, riportiamo
al uni risultati ottenuti dagli studi analizzati in questo apitolo per osservare lo stato dei lavori in
questo ampo, fo alizzando l'attenzione su al uni risultati ottenti nei modelli ma ros opi i.
Come si puo vedere dalle gure riportate sono state simulate on metodi numeri i al une
situazioni di reazione di ode su un'autostrada. La situazione he si e simulata e il formarsi di zone
ad alta densita nelle vi inanze di un'area in ui la strada si ridu e di ampiezza e in ui e introdotto
un limite di velo ita. Dalle gure si puo osservare il nas ere di un fenomeno di in olonnamento
(tra jams) he si sviluppa nel tempo in direzione opposta all'area he forma il ollo di bottiglia
(bottlene k).
interessante ome problemi di questo tipo, non ottimizzabili se non attraverso degli esperE
imenti molto onerosi sul ampo, si possano eseguire al al olatore: la simulazione ome nuovo
Capitolo 2
13

strumento di veri a ed analisi puo dare notevoli aiuti in svariati ampi delle s ienze appli ate.
Figura 1: Formazione di ode dovute ad aree di tra o ontrollato (densita)
Figura 2: Formazione di ode dovute ad aree di tra o ontrollato (velo ita)
14
2.5 Sviluppi del problema: il termine di diusione

Come gia a ennato, gli sviluppi possibili nel ampo della Teoria della Diusione, in generale,
e nella teoria del Flusso di Tra o, in parti olare, las iano aperte nuove questioni.
O orre migliorare i modelli di diusione dal punto di vista analiti o e soprattutto implementare nuovi algoritmi per la risoluzione di queste migliorie.
la strada he si seguira e quella di dare maggior enfasi al termine di diusione introdotto
nel modello di Whitman; tale termine puo essere utile per des rivere quei omportamenti non
deterministi i di tipo diusivo, he aratterizzano il usso di tra o.
Nei fenomeni di interazione tra vei oli lungo una strada, an he in presenza di una on entrazione ostante di automobili ( n
x = 0), vi sono fenomeni di trasporto dovuto a ma hine he
viaggiano piu velo emente e superano le altre auto ( ome se esistesse un fenomeno di attraversamento); tale situazione e in analogia a quei fenomeni di diusione he intervengono negli spostamenti
di parti elle nella materia on leggi asuali.
Tale spiegazione trova ris ontro e fondamento ( ome abbiamo gia visto) nel fatto he il modello
di Whitman viene aggiunto il termine di diusione per ottenere soluzioni si amente a ettabili.
Il passo su essivo, quindi, e quello di sviluppare ulteriormente l'analisi del oe iente di
diusione, des rivendolo on una legge del tipo
= (n):
An he il termine di rilassamento T1 , aratterizzante il modello a due equazioni (2:2:9), va

approfondito in modo da in ludere eetti nonlineari.
Modelli di tra o
on oe iente di diusione non lineare
e problemi di simulazione
\Dierential equations arises naturally from attempts to understand

how the real world works
and from that understanding to predi t
how it will behave"
Numeri al Metods using Matlab - G. Lindel and J. Penny -
3.1 Modello idrodinami o di usso di tra o

Il Capitolo 2 ha proposto vati modelli di tipo idrodinami o ineti o per la simulazione del tra o
di autovei oli su strade. Tale presentazione ha fornito un quadro generale dello stato dell'arte su
questa temati a.
In questo apitolo approfondiremo la lasse dei modelli he saranno oggetto dello studio del
software appli ativo di ui al Capitolo 5 si fara riferimento. Come gia aermato nll'introduzione,
questo studio e la prima parte di un progetto piu ampio he inne dovra pervenire sia alla messa
a punto di modelli idonei, sia alla produzione di un software appli ativo.
1

In parti olare tratteremo modelli di tra o di tipo idrodinami o, s alare (quindi n e la sola
variabile dipendente) on termine di diusione non lineare. Quindi onsideriamo il usso di tra o
unidimensionale degli autovei oli lungo un'arteria autostradale ed indi hiamo on n = n(t; x) il
valore della on entrazione dei vei oli all'istante t e nel punto x, ompreso tra l'origine della strada
x = 0 e l'estremo opposto x = `.
In parti olare, il modello viene ostruito sulla base delle seguenti ipotesi:
a)
il usso di tra o e ontinuo lungo tutta l'arteria e la on entrazione di automobili n = n(t; x)

e una funzione ontinua 8t 2 [0; T e 8x 2 [0; `;
b)
gli automobilisti adattano istantaneamente la velo ita v = v(n), in modo dipendente dalla
on entrazione n(t; x) presente nel punto x e all'istante t; la velo ita puo variare da un valore
minimo v = 0, in una situazione di on entrazione massima nM (bump
to bump), no ad un
valore massimo permesso vM quando n = 0, ioe ondizione di strada libera. Nei dettagli un
modello analiti o e il seguente:
v = vM (1
)
n
)
nM
l'equazione di evoluzione di n e ottenuta attraverso la legge di onservazione
(3:1:1)
di massa
on
la presenza di un debole fenomeno di diusione aratterizzato da un oe iente non lineare
D = D(n) del tipo:

D = D(n) = "
n
(1
nM
n
);
nM
(3:1:2)
he simula il fenomeno asuale di attraversamento di auto he viaggiano a velo ita diversa da
v; il movimento sulla strada e dato dalla sovrapposizione di due fenomeni: il primo e quello
dello spostamento dovuto al omportamento globale degli automobilisti, dovuto alla velo ita v
vista nel punto b); il se ondo e un fenomeno di tipo diusivo appunto, meno mar ato, dovuto
al fatto he delle auto si muovono ad alta velo ita verso zone piu libere oppure rimangono
indietro rispetto ai raggruppamenti prin ipali; infatti D = D(n) vale zero sia in presenza di
oda quando n = nM sia in situazione di strada vuota n = 0.
L'equazione di evoluzione diventa pertanto:
Capitolo 3
Modelli di diusione non lineare e simulazioni
n

n
+ (vn) = (D(n) ):
t t
x
x
(3:1:3)
e sostituendo l'espressione di v(n) ri avata in (3.1.1), e quella di D(n) ri avata in (3.1.2) otteniamo
n n
n
n
+ vM (1 2 ) = (1
t
nM x
nM
n 2n
n n
) 2 + (1 2 )( )2 :
nM x
nM x
(3:1:4)
opportuno s rivereil modello di evoluzione in forma adimensionale nelle variabili:

E
n0 =
t
x
n
; t0 =
; x0 = :
nM
T
`
(3:1:5)
Pertanto si ottiene
n0 T vM
0 ) n0 = T n0 (1 n0 ) 2 n0 + T (1 2n0 )( n0 )2 :
+
(1
2
n
t0
`
x0 `2
x02 `2
x0
(3:1:6)
Se si pone
T vM
=1
`
) T = v` ;
M
(3:1:7)
e se si eliminano gli api i si ottiene
n
2n
n
n
+ (1 2n) = n(1 n) 2 + (1 2n)( )2 ;
t
x
x
x
(3:1:7)
dove
"T
1
="
2
`
vM `
(3:1:8)
e il parametro di diusione.
Di tale modello, utilizzando il metodo di ollo azione generalizzato, verra studiato il omportamento in al uni asi di parti olare interesse.
3.2 I parametri del modello

Nella sezione pre edente abbiamo elaborato l'equazione del modello in modo da ottenere un'equazione des rittiva he dipende solamente da un singolo parametro; infatti
n
n
2n
n
+ (1 2n) = n(1 n) 2 + (1 2n)( )2 ;
t
x
x
x
(3:2:1)
dove
T
1
=
`2
vM `
(3:2:2)
Abbiamo detto he vM rappresentala velo ita massima presunta quando la densita dei vei oli tende
a zero, ioe la strada e libera; ` e la lunghezza massima del tratto stradale simulato e T e il periodo
temporale massimo su ui viene osservato il sistema. Ri ordiamo an ora he il dominio spaziale
normalizzato viene suddiviso in N nodi (distribuiti se ondo Chebyshev o Equispaziati) e he quindi
dobbiamo tenere onto an he della distanza (massima e minina on Chebys hev) a ui orrisponde
tale dis retizzazione. Attraverso questi 4 parametri dobbiamo aratterizzare la natura si a del
modello ri avato.
Fatte queste premesse fa iamo al une ipotesi su tali valori per avere un punto di partenza per
i valori di simulazione. Consideriamo i seguenti valori di partenza:
vM = 100Km=h; ` = 100Km
(3:2:3)
quindi
vM
T =1
`
) T = v`
M
100Km
= 1h
100Km=h
(3:2:4)
da ui otteniamo

= 4
`vM 10 Km=h
10 3 [m=s:
(3:2:5)
Capitolo 3

Questi valori, an he se approssimativi, sono idonei ome ordini di grandezza al tipo di fenomeno
analizzato; infatti i modelli ma ros opi i, osi ome sono stati introdotti nel Capitolo 4, fanno
rifermiento a grandezze mediate on tempi di osservazioni lunghi, proprio per far in modo he il
modello rappresenti tali grandezze.
Nel modello non ompare espli itamente il valore nM della on entrazione massima di vei oli.
Tale valore si ottiene onsiderando la lunghezza media di un autovei olo sulla strada. Tale valore
puo essere ri avato in modo molto pre iso on delle sempli i te ni he statisti he: per il momento
onsideriamo un valore onservativo pari a `medio (vettura) = 5m da ui ri aviamo una densita
massima nM = 0:2[ auto

m . Nelle simulazioni eseguite i valori attorno ai quali abbiamo lavorato sono
stati dell'ordine di n 0:01; 0:05; 0:1, he denormalizzati orrispondono a ir a 2,10,20 auto ogni
1000 m. Tale valore va riferito an he alla velo ita on ui si muovono gli autovei oli poi he se
vM = 100Km=h e la velo ita media, il tempo ts di reazione in aso di brus hi rallentamenti e ir a

ts =
100[m
= 3:6[s
100[Km=h
(3:2:6)
. Questi valori sono molto grossolani ma danno utili informazioni sulla dinami a del sistema studiato
e he, ripeto , sono validi punti di partenza per le simulazioni svolte.
3.3 Coe iente di Diusione

Il oe iente he tiene onto dell'entita el termne di diusione e
1
"T
="
;
`
vM `
(3:3:1)
ove " e il oe iente di diusione vero e proprio.

In linea di prin ipio si potrebbero assegnare ad ", e quindi ad dei valori dedotti dalla si a
mole olare. Tuttavia non e osi. Il vei olo possiede un guidatore he tende ad agevolare il fenomeno
di diusione e questo possibile solo in erti tipi di strada. Ovvero res e al res ere della larghezza
della srada stessa.

Pertanto, oerentemente agli s opi della tesi, intenderemo ome un paramentro aratteristi o del modello da valutarsi suu base sperimentale. I programmi s ienti i lo tratteranno ome
parametro libero per le prove di simulazione.
3.4 Problemi di simulazione

In vista dello sviluppo del software appli ativo, o orre individuare tutta una serie di problemi
ampione (fra i molti possibili) per eettuare delle simulazioni idonee an he ad un'analisi riti a
del modello stesso.
Nei fatti i programmi s ienti i potranno trattare vari problemi diversi da quelli des ritti
nel seguito. Si tratta omunque di problemi al valore iniziale ed al ontorno, on ondizioni alla
Diri helet e alla Neumann.
3.5 Simulazione: problemi di Diri hlet

3.5.1 Condizione al ontorno os illante
Poniamo ome ondizioni al ontorno le funzioni
(t) =u(t; 0) = a + bsin(t)

(t) =u(t; 1) = a
(3:5:1:1)
dove a; b sono stati s elti in modo he a b > 0 e a + b < 1, ioe in modo da mantenersi nell'intervallo
di esistenza di n0 ; ome ondizione iniziale abbiamo posto:
u(0; xi ) = a
per i = 0; :::; N;
ioe partiamo da una ondizione di on entrazione ostante lungo il tratto di strada.
(3:5:1:2)
Capitolo 3

Nelle simulazioni abbiamo ontrollato il omportamento del modello al variare sia della frequenza (il parametro Ti nel programma), sia la variare del valore di . Abbiamo ar ato situazioni
in ui si potessero veri are situazioni di over ow, oppure situazioni in ui il modello si fosse omportato in modo anormale.
Nel Capitolo 5 ad ogni simulazione verra allegata una s heda he des rivera le ondizioni di
studio e i problemi in ontrati.
3.5.2 Condizione al ontorno impulsiva
Abbiamo posto ome ondizione al ontorno due funzioni del tipo
(t) = u(t; 0) =
( a + bsin(t)
1
per t < ;

0 per t ;
(3:5:2:1)
(t) = u(t; 1) = a
(3:5:2:2)
ome ondizione iniziale abbiamo posto an ora:
u(0; xi ) = a
per i = 1; :::; N
1;
(3:5:2:3)
An he in questo aso abbiamo ontrollato ome si omporta il problema al variare di e .

3.5.3 Condizione impulsiva on restringimento
Abbiamo simulato il problema di un restringimento lungo il tratto stradale, fa endo variare il

parametro in un intervallo in mezzo lungo la strada. In questo aso abbiamo simulato osa a ade
nella situazione in ui la velo ita media dimimuis e per un tratto lungo la strada; tale diminuzione
omporta una diminuzione del oe iente onvettivo del problema ( he on la normalizzazione
avevamo posto uguale ad 1) ed un aumento del parametro .
In sintesi abbiamo posto le seguenti modi he: nella situazione normale abbiamo posto
n
n
2n
n
= (1 2n) + n(1 n) 2 + (1 2n)( )2 ;
t
x
x
x
(3:5:3:1)

dove
=
se si diminuis e la velo ita vM di un fattore
T
1
=
2
`
vM `
(3:5:3:2)
otteniamo:
1
n
2n
n
n
= ( )(1 2n) + n(1 n) 2 + (1 2n)( )2 ;
t
x
x
x
(3:5:3:3)
dove
T
=
`2
vM `
(3:5:3:4):
Metodi Numeri i per la soluzione

di equazioni non lineari alle derivate spaziali:
Metodi di ollo azione generalizzati
4.1 Introduzione
La risoluzione di problemi matemati i non banali molto raramente pres inde dall'utilizzo di metodi
di al olo numeri o approssimato: questo avviene soprattutto in quei ampi delle s ienze appli ate
dove i modelli he si utilizzano devono des rivere sistemi si i reali e simulare me anismi e fenomeni
omplessi.
An he nel aso in ui lo studio del modello puo essere arontato on metodi analiti i, spesso
la rappresentazione della soluzionee limitata a sempli i geometrie spaziali oppure ad ipotesi molto
restrittive sulle proprieta dei oe ienti di diusione.
In altri termini, le soluzioni analiti he dei modelli lassi i (vedi sezione 1.1), sono appli abili
solo a sistemi di equazione dierenziali e on ondizioni al ontorno lineari. Questa puo essere una
limitazione molto grande in questi sistemi in ui il oe iente di diusione dipende fortemente
dalla on etrazione dei diondenti.
La soluzione delle equazioni matemati he, he des rivono situazione prati he e reali, e possibile
solo attraverso i metodi di analisi numeri a.
1
Quindi a anto al problema fondamentale del ostruire un modello matemati o vi e il problema

altrettanto basilare della s elta di opportuni metodi di risoluzione numeri a: questi due aspetti
opportunamente bilan iati fanno la fortuna di un modello matemati o e ne in uenzano tutti i suoi
sviluppi futuri.
Oggiggiorno, on la potenza di al olo raggiunta dai moderni al olatori, i metodi numeri i
stanno a quistando nuova fortuna, rivoluzionando gli strumenti di indagine ed aumentando onsiderevolmente le possibilita oerte dai ve hi e nuovi metodi numeri i.
Molto spesso la maggior parte degli s ienziati e degli ingegneri nei loro esperimenti ha bisogno
di risolvere problemi he non hanno soluzioni analiti he esatte; an or piu spesso questi devono
ondurre i loro esperimenti sotto ondizioni di lavoro he si avvi inano il piu possibile alle soluzioni
analiti he, allontanandosi dalla situazione reale. Con i metodi numeri i non 'e bisogno di onos ere
la soluzione esatta, ma si puo direttamente ostruire l'esperimento sulla tra ia del sistema reale.
?
E opportuno introdurre brevemente al uni aspetti fondamentali he in generale aratterizzano

un modello matemati o, prima di parlare nei dettagli di metodi di risoluzione.
Un modello matemati o e aratterizzato dai seguenti elementi:
a) una variabile di stato funzione del tempo t e dello spazio x; y; z
u = u(t; x; y; z )
b)
on la quale si des rivono le grandezze si he he aratterizzano il sistema reale; per esempio

una variabile di stato potrrebbe essere la temperatura di un orpo T = T (t; x; y; z), oppure la
densita di un uido n = n(t; x; y; z);
una legge di evoluzione he des rive il sistema
F [u = 0
in ui F e un operatore integro-dierenziali e on ui si er ano di modellizzare i me anismi

di funzionamento (legge di evoluzione, onservazione della massa) del sistema in esame; tale
Capitolo 4
Metodi di Collo azione generalizzati
legge, solo in teoria e in al uni asi parti olari, si presenta in forma lineare, ma in generale nei
problemi delle s ienze appli ate presenta delle forti non linearita;
an he il sistema possa essere matemati amente onsistente ( ioe he ammetta soluzione) o orrono tante ondizioni al ontorno quanti sono gli operatori dierenziali presenti; tali
ondizioni si distinguono, in generale, in problemi al valore iniziale e/o in problemi on ondizioni al ontorno.
Questi tre punti sono le omponenti fondamentali per la des rizione di un modello metemati o su
ui si basano tutte le su essive onsiderazioni riguardo i metodi numeri i; ioe a anto al modello
o orre ottimizzare, tenendo onto della forma analiti a, del tipo di simulazione da eettuare e delle
ondizioni al ontorno da rispettare, i metodi di risoluzione numeri i. Mentre nel aso dei problemi
lineari si utilizzano metodi omputazionali di tipo analiti o, nel aso dei problemi non lineari ( he
interessano il ampo dell'ingegneria), sovente si ha a he fare on metodi numeri i prodotti ad ho
per i problemi stessi e non sempre generalizzabili in lassi di problemi omogenee.
Infatti per al une lassi di problemi sono stati introdotti numerosi metodi ed algoritmi numeri i
di risoluzione per er are di ottenere soluzioni si amente a ettabili, tenendo onto degli errori
imputabili sia ai al olatori sia agli algoritmi stessi; ma gli algoritmi produ ono soluzioni non ottime
e si deve tenere onto sempre dell'e ienza del sistema.
O orre osservare he i problemi non lineari in generale hanno soluzioni analiti he non banali,
ioe non risolvibili in forma hiusa: quindi tramite l' al al olatore si utilizzano te ni he numeri he
per ottenere soluzioni approssimate dove il margine di errore diventa una variabile importante nella
valutazione dei risultati ingegneristi amente ababili (signi a mantenere l'errore introdotto degli
algoritmi al di sotto degli errori ingegneristi i di spe i a), an he per he in generale non si hanno
riferimenti on ui onfrontare la pre isione, ma si possiede uni amente il ris ontro prati o on i
dati sperimentali.
4.2 Modelli dierenziali di quadratura
Uno dei metodi piu omunemente utilizzati per risolvere i problemi dierenziali non lineari al
valore iniziale e il osiddetto Metodo di ollo azione e interpolazione. Tale metodo trova
numerose appli azioni in vari ampi dell'ingegneria (termodinami a, uidodinami a, elettromagnetismo), dove si in ontrano spesso funzioni di evoluzione on forti non linearita, dovute alla natura
dei sistemi si i studiati.
L'algoritmo su ui si basa tale metodo si puo suddividere nei seguenti passi:
il dominio delle variabili spaziali x; y ontinuo viene dis retizzato in un numero di punti nito
(tale pro edimento e detto Collo azione) xi e yj del dominio di esistenza;
ii) la variabile dipendente he des rive il modello u = u(t; x; y) e interpolata ed approssimata
tramite i valori uij (t) = u(t; xi ; yj ) della stessa nei punti di ollo azione (Interpolazione);
tipi amente si utilizzano per le interpolazioni i polinomi di Lagrange e di Berstain oppure le
funzioni Sin ;
iii) le derivate spaziali sono approssimate utilizzando le interpolazioni del punto ii);
iv) il problema on valori al ontorno e trasformato nel problema al valore iniziale on equazioni
dierenziali ordinarie, he des rivono l'evoluzione dei valori uij (t) di u nei nodi. Le ondizioni al
ontorno vengono impostate nei nodi della ollozazione sul ontorno del dominio delle variabili
indipendenti x; y.
v) La soluzione del problema on valori al ontorno e ottenuto quindi risolvendo i problemi al
valore iniziale itato nel punto iv) e interpolando la soluzione ottenuta utilizzando le te ni he
del punto ii).
Quindi in sintesi tale metodo trasforma un modello ontinuo non lineare ( on inniti gradi di liberta) nelle variabili x e y in un modello dis reto ( on un numero nito di gradi di liberta - i nodi -)
e nello stesso tempo trasforma il problema al valore al ontorno in tanti problemi al valore iniziale
on equazioni dierenziali ordinarie su i nodi niti.
i)
Capitolo 4
Assume notevole importanza in queste lassi di metodi la famiglia di interpolanti he si utilizzano

per la risoluzione numeri a: infatti in generale le funzioni del modello analiti o vengono approssimate ed interpolate (vedi punto i) e ii)) utilizzando una delle famiglie di funzioni (polinomiali,
splines, trigonometri he): ma quanto e a urata tale des rizione ?
E opportuno introdurre prima di pro edere qual he nozione sulla pre isione spettrale. L'aggettivo spettrale e utilizzato in ampo matemati o per indi are una misura dell'errore introdotto on
le te ni he di approssimazione numeri a: ioe onsiderata una famiglia di funzioni approssimanti
se l'errore di approssimazione de res e piu velo emente di qualsiasi potenza del numero di punti di
ollo azione rispetto a funzioni innitamente derivabili (di lasse C 1). In termini matemati i si
s rive:
se
n%
allora
kf fnk & 0
Tale denizione nei asi prati i puo servire ome punto di riferimento: nel aso reale a volte i si
a ontenta he gli errori ommessi de res ano in modo meno velo e; per questo motivo parleremo
piu avanti e in modo piu dettagliato di metodi pseudospettrali.
Senza entrare nel merito della validita di tali metodi, i sono molti esempi in letteratura he
possono testimoniare l'e ienza di tale impostazione.
Nell'utilizzare tali te ni he di risoluzione esistono pero al uni asi in ui si hanno delle di olta;
sono due prin ipalmente le situazioni in ui tali te ni he hanno forti limiti:
a. on riferimento al problema di Diri hlet, l'interpolazione lassi a di Lagrange non puo essere
utilizzata in domini spaziali non niti e on soluzioni rapidamente os illanti; in questo aso si
utilizzano funzioni interpolanti del tipo Sin ;
b. il problema della stima dell'errore introdotto al ontorno: e basilare stimare l'errore introdotto
dall'algoritmo per poter valutare in modo oerente i risultati ottenuti: infatti uno dei maggiori
errori di valutazione he si ompie nell'implementazione al al olatore e proprio l'ordine di
grandezza degli errori degli algoritmi di risoluzione.
4.3 Metodo della Collo azione Pseudospettrale
Dai miglioramenti del metodo dell'interpolazione e ollo azione e stato derivato il metodo della
ollo azione pseudospettrale, he nora e stato utile per la risoluzione di un gran numero di problemi non lineari delle s ienze appli ate e sembra essere uno strumento e a e per una vasta gamma
di problemi prati i. Tale metodo er a di bilan iare la sempli ita dell'impostazione numeri a on
le ondizioni stringenti dei metodi spettrali (vedi denizione sopra).
Prima di arontare i vari passi seguiti nella ostruzione dei Metodi di tipo Collo azione o Pseudospettrali, o orre pre isare he in generale il problema matemati o da risolvere viene ridotto in
forma normale, ioe le variabili del modello vengono fatte variare in intervallil (quando e possibile)
unitari:infatti se si ha a he fare on domini dis reti nello spazio l'intervallo di studio viene ridotto,
tramite opportune operazioni di s alamento, nell'intervallo [0; 1 per ottenere da una parte la massima pre isione del al olatore e dall'altra una generalizzazione dello studio del problema spe i o
he fa riferimento a parametri diversi (una volta studiato la soluzione in un intervallo base si puo
tramite pro edimento opposto riportare i valori ad ogni aso parti olare). Tale pro edimento viene
utilizzato sovente an he per he si ha una rappresentazione quasi immediata dell'errore ommensso.
Per esempio onsideriamo il aso in ui la relazione tra u = u(t; x; y) e il dominio delle variabili
t,x e y sia denito in questo modo
[0; T [xm ; xM [ym; yM ! [min; MAX
allora si puo normalizzare in modo he si abbia
[0; 1 [0; 1 [0; ` ! [0; 1
dove
x
`= M
yM
xm
:
ym
Capitolo 4
4.4 Te ni a del metodo pseudospettrale: Collo azione ed Interpolazione
Nelle risoluzioni numeri he al al olatore lo spazio ontinuo delle variabili viene suddiviso in un
insieme di punti niti ( ome abbiamo gia sottolineato): tale pro edimento non e banale e risulta
molto importante per l'ottimizzazione e la stabilita della soluzione. Consideriamo la variabile
u = u(t; x) on t e x deniti sul rettangolo [0; 1 [0; 1 in modo he per ogni t 2 [0; 1 u sia in
relazione uno a uno tra [0; 1,[0; 1 in [0; 1.
Consideriamo allora la ollo azione
i = 0; 1; :::; n + 1 :
Ix = fx0 = 0; :::; xi ; :::; xn+1 = 1g
(4:4:1)
he puo essere sempli emente equispaziata, per esempio

1
xi = ih; h =
n+1
(4:4:2)
oppure utilizzando la ollo azione alla Chebishev, i nodi possono addensarsi agli estremi
xi = sin(ih)
(4:4:3)
. In generale u = u(t; x) puo essere interpolata e approssimata on i polinomi di Lagrange

m
X
u(t; x)
= um(t; x) = Li(x)ui (t)
i=0
oppure on funzioni di tipo Sin

u(t; x)
= un(t; x) =
nX
+1
i=0
Si (x; h)ui (t)
(4:4:4)
(4:4:5)
dove ui (t) = u(t; xi) e i polinomi di Lagrange e le funzioni Sin sono dati rispettivamente dalle
seguenti espressioni
(x x1) : : : (x xi
Li (x) =
(xi x1 ) : : : (xi xi
1
1
)(x
)(xi
xi+1 ) : : : (x xn )
xi+1 ) : : : (xi xn )
(4:4:6)
e
sin zi ;
Si (x; h) =
zi

zi = (x ih)
h
(4:4:7)
Le espressioni sopra possono essere utilizzate nell'approssimare le derivate parziali della variabile
u sui nodi
nX
+1
r u
(r )

ahi
(n)uh (t) ;
(
t
;
x
)
i =
xr
h=0
r = 1; 2; : : : ;
(4:4:8)
dove
dr L
a(hir) (n) = rh (xi ) ;
dx
(4:4:9)
dr Sh
(x ) ;
dxr i
(4:4:10)
nel aso di polinomi di Lagrange, e

a(hir) (n) =
nel aso di funzioni Sin .

Il valore dei oe ienti dipende, da ome si puo vedere, dal numero dei punti di ollo azione
e dal tipo di ollo azione utilizzata. Sviluppando i al oli si ottengono per i polinomi di Lagrange
i seguenti risultati
Q
(xiQ) ; a = X 1 ;
ahi =
(4:4:11)
ii
(xh xi ) (xh)
h6 i xi xh
(1)
(1)
dove
Y
(xi) = (xi
p6=i
xp ) ;
(xh ) =
p6=h
(xh
xp ) :
(4:4:12)
I oe ienti di ordine superiore si possono ottenere dalla seguente formula ri orsiva

ahir
( +1)
= r ahi ahir
( )
(r 1)
+ xahhi xi
a(iir+1) =
X (r+1)
a
:
h6=i
hi
(4:4:13)
Capitolo 4
Simili al oli si possono ottenere nel aso delle funzioni Sin

8
( 1)i j ;
(1)
>
>
a
=
>
ji h(i j )
>
>
>
>
>
>
>
>
>
>
>
>
<
2( 1)i j+1
aii = 0 ;
a(2)
ji = h2 (i j )2 ;
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
: a(3)
ji =
( 1)i
h
h3
(i
a(2)
ii =
h)3
2
1
3 h
i h
(4:4:14)
;
aii = 0 :
In generale, Le interpolazioni di tipo Sin ri hiedono una ollo azione di tipo equispaziata,
mentre le ollo azioni di tipo Chebishe sono utilizzate per i polinomi di Lagrange. La s elta puo
essere estesa ad un'ampia s elta di funzioni interpolanti. Infatti in generale si parla di interpolazione
del tipo
nX
+1
u(t; x)
= un (t; x) = i(x)ui (t) ;
i=0
i (xi ) = 1 ;
i (xj ) = 0 ;
(4:4:15)
dove rappresenta una qualsiasi funzione interpolante ( di Lagrange o Sin , ma an he splines o

spezzate. Malgrado l'ampia s elta e vero tuttavia he si ottiene un'a uratezza maggiore a oppiando non asualmente il tipo di ollo azione on le funzioni interpolanti; tale problema verra
arontato nella sezione dedi ata allo studio dell'errore.
Lo stesso tipo di pro edimento si puo utilizzare per funzioni on due variabili spaziali. Consideriamo il aso in ui u = u(t; x; y) sia denita su [0; 1 [0; 1 [0; ` in modo tale he per t 2 [0; 1,
u sia in relazione uno a uno tra [0; 1 [0; ` e [0; 1. Inoltre onsideriamo la ollo azione
i = 0; 1; :::; n + 1 : Ix = fx0 = 0; :::; xi ; :::; xn+1 = 1g
(4:4:16)
j = 0; 1; :::; m + 1 : Iy = fy0 = 0; :::; yi ; :::; yn+1 = `g
(4:4:17)
da ui segue on i polinomi di Lagrange

i=X
n+1 mX
+1
nm
u = u(t; x; y)
u
(
t;
x;
y
)
=
Li (x)Lj (y)uij (t) ;
=
i=0 j =0
(4:4:18)
10
on le funzioni Sin
n+1 m+1
XX
u = u(t; x; y)
Si (x; h)Sj (y; h)uij (t) ;
= unm(t; x; y) =
i=0 j =0
(4:4:19)
e an he in modo misto
n+1 m+1
XX
u = u(t; x; y)
Li (x)Sj (y; h)uij (t) :
= unm(t; x; y) =
i=0 j =0
(4:4:20)
nX
+1 m
+1
X
nm
Si (x; h)Lj (y)uij (t) ;
u = u(t; x; y)
u
(
t;
x;
y
)
=
=
i=0 j =0
dove uij (t) = u(t; xi ; yj ). In parti olare
u(t; xi ; yj )
= unn (t; xi ; yj )
(4:4:21)
(4:4:22)
Tali interpolazioni ome nel aso unidimensionale possono essere utilizzazate per approssimare
le derivate parziali sui nodi. In parti olare per i polinomi di Lagrange
nX
+1
r u

a(hir) uhj (t) ;
(
t; xi ; yj ) =
r
x
h=0
mentre le derivate miste
mX
+1
r u

b(kjr) uik (t) ;
(
t; xi ; yj ) =
r
y
k=0
+1
nX
+1 m
X
2u

a b u (t) ;
(t; x ; y )
xy i j = h=0 k=0 hi kj hk
(4:4:23)
(4:4:24)
dove i oe ienti a e b sono dati dalle espressioni riportate nelle equazioni 2-10 e 2-13 he dipendono
dal tipo di interpolazione.
Fa iamo le seguenti osservazioni: - da ome si puo vedere dall'equazioni, sia in una he in due
dimensioni l'interpolazione e soddisfatta sui nodi deniti
ui (t) = un (t; xi ) ;
uij (t) = unm (t; xi ; yj ) ;
(4:4:25)
mentre le derivate parziali sono solo approssimate (sempre sui nodi). - quando i problemi non sono
deniti esattamente su domini rettangolari i metodi di interpolazione devono essere mofdi ati:
Capitolo 4
11
pensiamo ad esempio a problemi in oordinate polari; nello stesso modo o orre introdurre delle
modi he per i domini non niti. - o orre stimare l'errore he interviene nelle approssimazioni.
Questi punti verranno svolti nelle sezioni su essive.
4.5 Problemi non lineari ai valori iniziali e al ontorno in una dimensione
I problemi he si devono arontare nella risoluzione di sistemi dierenziali del se ondo ordine si
possono sintetizzare nelle due forme lassi he di Diri hlet e in quelle di Neumann.
Nel primo aso entrano tutti quei problemi in ui le ondizioni al ontorno sono imposte
direttamente sulle variabili di stato, ioe sperimentalmente si ries ono a misurare le variazioni di
u(t; x) direttamente sul bordo del dominio di esistenza: per esempio la temperatura sui lati di un
muro, o la densita di vei oli all'imbo o di un'autostrada).
Nel se ondo aso rientrano quei problemi in ui le ondizioni vengono imposte sulla derivata
della variabile di stato: son questi i asi in ui si amente non si ha a esso direttamente on
una misurazione al valore della variabile di stato; quindi si misurano grandezze ome il usso (per
esempio la orrente ai api di un onduttore, il usso degli aotovei oli lungo un'arteria). Dal punto
di vista ingegneristi o queste due tipologie di problema esauris ono, singolarmente o a oppie,
la maggior parte delle asisti he possibili: per questo motivo sono state sviluppate te ni he e
pro edimenti he si fo alizzano su questi due asi.
Quindi in questa sezione sviluppiamo i passi prin ipali dei metodi lassi i di quadratura per
problemi al valore iniziale, des ritti da equazioni alle derivate parziali del se ondo ordine.
Sviluppiamo tutti gli aspetti he i serviranno ome punto di partenza nell'arontare i problemi
non lineari on metodi pseudospettrali: introdu iamo questo aso sia per vedere prati amente
un'esempio di appli azione del metodo sia ome tra ia per su essivi dis ussioni. In parti olare
onsideriamo un'equazione di stato adimensionata on le variabili normalizzate ( i mettiamo in una
12
situazione il piu generale possibile)

u = u(t; x)
: [0; 1 [0; 1 ! [0; 1 ;
(4:5:1)
e un'equazione di evoluzione alle derivate parziali del se ondo ordine:

u
t
2u
u
= (t; x) u
+
(t; x) 2 + f t; x; u;
;
x
x
x
(4:5:2)
dove , e f sono funzioni he dipendono dalle variabili del loro argomento e il parametro di
perturbazione ` non e ne essariamente pi olo.
O orre a questo punto introdurre le ondizioni al ontorno an he l'equazione possa essere
risolta: stori amente si distinguono tre lassi prin ipali, denominati a se onda del matemati o he
ne ha studiato per primo le soluzioni:
Problema di Diri helet
Problema di Neumann
Problema Misto
4.5.1 Problema di Diri hlet
Consideriamo l'equazione di partenza

u = u(t; x)
: [0; 1 [0; 1 ! [0; 1 ;
(4:5:1:1)
e un'equazione di evoluzione alle derivate parziali del se ondo ordine:

u
t
2u
u
= (t; x) u
+
(t; x) 2 + f t; x; u;
;
x
x
x
(4:5:1:2)
on le ondizioni iniziali per la variabile temporale del tipo

u(0; x) = (x) ;
x 2 [0; 1 ;
(4:5:1:3)
e le ondizioni al ontorno per le variabili spaziali (dette appunto ondizioni di Diri hlet)
u(t; 0) = (t)
and u(t; 1) = (t) ;
f t 2 [0; 1 ;
(4:5:1:4)
Capitolo 4
13
dove , e sono funzioni lentamente variabili in x e t rispettivamente. I passi he si seguono per

la risoluzione di tale problema sono :
step 1. la variabile spaziale e dis retizzata nell'insieme Ix ;
step 2. la variabile dipendente u = u(t; x) e interpolata ed approssimata dai valori ui (t) = u(t; xi ),
ome in 2.3 e 2.4, an he le funzioni he moltipli ano le derivate vengono approssimate tenendo
onto della ollo azione dei punti xi;
step 3. il problema al valore al ontorno e trasformato nel problema al valore iniziale he des rive
l'evoluzione di ui(t) di u sui nodi; le ondizioni iniziali al ontorno sono imposte sui nodi he
stanno sul onne del dominio delle variabili indipendenti, ad ogni istante dis reto t;
step 4. la soluzione del problema al ontorno e ottenuto inne interpolando la soluzione ottenuta nel
punto 2.
I passi pre edenti portano ad un sistema di equazioni alle derivate parziali della variabile u nei
nodi, he si possono s rivere nella forma integrale he segue
8
u0 (t) =(t) ;
>
>
>
>
>
>
>
>
>
:::
>
>
>
>

Z t
n
>
X
>
>
>
>
ui (t) =(xi ) +
(s; xi ) H (S ) + aji uj (s)
>
>
<
0
j =1

n
n
>
X
X
>
(2)
>
>
+(s; xi) K (s) + aji uj (s) + "f s; xi ; ui; H (s) + ajiuj (s) ds ;
>
>
>
>
j =1
j =1
>
>
>
>
>
>
:::
>
>
>
>
>
>
:
(4:5:1:5)
un+1 (t) = (t)
dove
H (s) = a0i (s) + a(n+1)i (s)
(4:5:1:6a)
(2)
K (s) = a(2)
0i (s) + a(n+1)i (s)
(4:5:1:6b)
14
mentre i oe ienti aij sono dati dall'espressione riportata nella sezione

4.5.2 Problema di Neumann
Consideriamo allo stesso modo l'equazione di partenza

u = u(t; x)
: [0; 1 [0; 1 ! [0; 1 ;
(4:5:2:1)
e l'equazione di evoluzione alle derivate parziali del se ondo ordine:

u
t
u
= (t; x) u
+ (t; x) x
+ f
x
2
t; x; u;
u
;
x
(4:5:2:2)
on le ondizioni iniziali per la variabile temporale del tipo

u(0; x) = (x) ;
f x 2 [0; 1 ;
(4:5:2:3)
e le ondizioni al ontorno nella forma di Neumann

u
(t; 0) = (t)
x
and
u
(t; 1) = (t) ;
x
f t 2 [0; 1 ;
(4:5:2:4)
dove e sono funzioni lentamente variabili nel tempo.

Il problema puo essere svolto seguendo la tra ia del problema di Diri hlet: la dierenza
onsiste solo nella prima e nell'ultima equazione. Si ottiene infatti il seguente risultato:
Capitolo 4
15
8

nX
+1
>
1
>
>
u0 (t) =
ah0 uh ;
(t)
>
>
>
a00
>
h
=1
>
>
>
>
>
>
:::
>
>
>
>

Z t
>
n
>
X
>
>
>
ui (t) ='(xi ) +
(s; xi ) H (S ) + aji uj (s)
>
>
<
0
j =1

n
n
>
X
X
>
>
(2)
>
+(s; xi) K (s) + aji uj (s) + "f s; xi ; ui; H (s) + ajiuj (s) ds ;
>
>
>
>
j =1
j =1
>
>
>
>
>
>
:::
>
>
>
>
>

n
>
X
>
1
>
>
ah(n+1) uh :
>
: un+1 (t) = a(n+1)(n+1) (t)
(4:5:2:5)
h=0
4.5.3 Problema Misto
Il problema misto si risolve utilizzando le ondizioni di Diri hlet da un estremo del dominio e le
ondizioni di Neumann dall'altro, seguendo le espressioni utilizzate nei due punti pre edenti.
In queste tre situazioni ri adono la maggior parte dei problemi di tipo ingegneristi o e sono la
base per qualsiasi implementazione on metodi numeri i.
?
Osservazioni
1) Le interpolazioni on le funzioni Sin sono ostruite in modo he aii = 0, quindi le oordinate

lo ali non danno nessun ontributo alle derivate spaziali: bisogna tenerne onto soprattutto se
dobbiamo risolvere il problema di Neumann.
2) Le ondizioni al ontorno espresse on funzioni non lineari vengono risolte prendendo ad
ogni passo di integrazione la variabile dipendente del passo pre edente.
4.5.4 Domini non limitati
Con ludiamo questa sezione a ennando ai problemi deniti su domini illimitati. Si possono
utilizzare dei pro edimenti simili a quelli visti in pre edenza fa endo in modo di trasformare, tramite
16
opportuni ambiamenti di variabile, l'intervallo di lavoro. Partiamo an he in questo aso da un

esempio: onsideriamo in parti olare il problema al valore iniziale
k = 0; : : : ; q + 1
I1 = fx0 = 0; : : : ; xk ; : : : ; xq+1 = 1g :
(4:5:4:1)
denito nel semispazio x 2 [0; 1) on ondizioni iniziali

u(0; x) = '(x) ;
IR ! IR
(4:5:4:2)
e ondizioni al ontorno
u(t; 0) = (t) ;
xlim
!1 u(t; x) = 0 :
(4:5:4:3)
Utilizzando dei ambiamenti di variabile otteniamo

ex 1
z= x
;
e +1
1 + z = (z ) ;
(4:5:4:4)
1 z
in modo he x 2 [0; 1) ) z 2 [0; 1). L'equazione di evoluzione puo essere ris ritta nella forma
u
t
= 21 (1
u
z )(t; (z ))
z
2
x = log
+ (t; (z)) 14 (1
2 2
2u
z 2
1 z(1
2
u
z)
z
2
1 (1 z ) u :
(4:5:4:5)
2
z
L'appli azione di tale metodo i porta ad un sistema di equazioni dierenziali ordinaria per i =
0; : : : ; n + 1 in modo he
+f
t; (z ); u;
u0 (t) = (t) ;
un+1 = 0:
(4:5:4:6)
Questo metodo ha il vantaggio he a nodi equispaziati per la variabile z orrisponde una

dis retizzazione della variabile x in modo he
i"
) (xi xi ) " ;
1
Questo e un metodo onsistente per valori he de res ono verso zero all'innto.
(4:5:4:7)
Capitolo 4
17
L'esempio prodotto in questa sezione sottolinea maggiormente l'importanza della valutazione

dell'errore di interpolazione delle soluzioni ottenute on le te ni he utililizzate.
4.6 Metodi di Risoluzione in due dimensione spaziali
Consideriamo an he in questo aso un esempio: partiamo dall'equazione di evoluzione on due

variabili spaziali
u
u
2u
u
=
1 (t; x; y) + 2 (t; x; y) + 1 (t; x; y) 2
t
x
y
x
2
2u
+2 (t; x; y) yu2 + 3 (t; x; y) xy
u u
+ f t; x; y; u; x
;
;
y
(4:6:1)
dove u e la variabile dipendente

u = u(t; x; y)
: [0; 1 [0; 1 [0; ` ! [ 1; 1 ;
(4:6:2)
o piu in generale
u = u(t; x; y)
: [0; 1 D ! IR ;
(4:6:3)
dove il ontorno di D viene indi ato o on D.

Il metodo di risoluzione e analogo a quello on una sola variabile spaziale; an he in questo
aso o orre distinguere i due problemi rispetto alle ondizioni iniziali: il Problema di Diri hlet e
di Neumann. Consideriamo prima il problema al valore iniziale on ondizioni iniziali
u(0; x; y) = '(x; y) ;
x; y 2 D ;
(4:6:4)
e le ondizioni di Diri hlet al ontorno

t 2 [0; 1; x; y 2 D
u(t; x; y) = (t; x; y 2 D) :
(4:6:5)
18
la soluzione si puo ottenere utilizzando l'interpolazione in due dimensioni he porta ad un sistema

di (n + 2)(n + 2) equazioni alle derivate parziali he orrispondono ai punti di ollo azione (xi; yj );
otteniamo
uij
u
=
1 (t; xi ; yj ) ij
t
x
+ (t; xi ; yj ) uyij + (t; xi ; yj ) xuij
2
+2 (t; xi ; yj ) yu2ij
2
uij
+ 3(t; xi ; yj ) xy
+ f t; xi; yj ; uij ; uxij ; uyij
(4:6:6)
dove
le ondizioni iniziali sono '(xi ; yj )

e le ondizioni al ontorno:
uij (t) = (t; xi ; yj 2 D) :
(4:6:7)
Il problema on le ondizioni di Neumann

t 2 [0; 1; x; y 2 D
u
(t; x; y) = (t; x; y 2 D) :
x
(4:6:8)
porta a simili sviluppi impostando pero in questo aso le ondizioni sulle derivate spaziali.
4.7 Sistemi integrodierenziali
Il dis orso sull'appli azione dei metodi pseudospettrali non sarebbe ompleto senza un breve enno
alla risoluzione sistemi intergrodienziali. An he in questo aso si trovano moltissime appli azioni
per il metodo di Collo azione. Seguiamo per sempli ita la tra ia di un modello ineti o parti olare:

+ a(t; u) u
f (t; u) = J [f
t
Z Z
D D
(v; w) (v; w; u)f (t; v)f (t; w) dv dw f (t; u)
(u; w)f (t; w) dw ;
(4:7:1)
Capitolo 4
19
dove u; v; w 2 D. Come aso parti olare,se D = [0; 1, a = 0, e

Z
0
(v; w; u) du = 1 ;
f v; w 2 [0; 1 [0; 1 ;
(4:7:2)
si puo ritrovare il modello proposto da Jager e Segel in [JAa. La variabili u ha il signi ato di
variabile di stato di un individuo he fa parte di una popolazione omogenea di soggetti interagenti.
(v; w) e il tasso di in ontro tra individui nello stato v e w, rispettivamente e (v; w; u) e la densitz'a
di probabilita he dopo un in ontro tra gli individui nello stato v e w, l'individuo nello stato v nis a
nello stato w. Sotto al une ipotesi, la soluzione soddisfa la relazione
d
dt
f (t; u) du = 0 ; f (t; u) 0 :
(4:7:3)
Consideriamo il problema al valore iniziale

8 f
>
>
(t; u) =J [f (t; u)
>
>
>
< t
>
>
>
>
>
:
(4:7:4)
f0 (u) =f (0; u) ;
dove J [f rappresenta il termine a destra dell'Eq. (6.1). Consideriamo la ollo azione della variabile
u
i = 0; : : : ; m
e l'approssimazione di f
Iu = fu1 = 0; : : : ; ui ; : : : ; :um = 1g ;
X
f (t; u)
= f m(t; u) = i(u)fi (t)
i=1
(4:7:5)
(4:7:6)
dove fi(t) = f (t; ui) e i sono dei polinomi fondamentali, (per esempio di Lagrange o le funzioni Sin ). Se seguiamo i passi svolti nelle sezioni pre edenti arriviamo al sistema di equazioni
dierenziali
m
m X
m
m
X
X
X
dfi
(
t) = a(t; ui ) aij uj +
G
f
(
t
)
f
(
t
)
f
(
t
)
Lip fp(t) ;
ipq p q
i
dt
p=0 q=0
p=0
j =0
(4:7:7)
20
dove
Gipq =
Z 1Z
0
(v; w) (v; w; ui )p (v)q (w) dv dw ;
e
Lip =
(ui ; w)Lp (w) dw :
(4:7:8)
(4:7:9)
Come si puo osservare il metodo della Collo azione si puo utilizzare an he nella risoluzione di
problemi integrodierenziali.
4.8 Metodi Runge-Kutta
I metodi numeri i per la risoluzione di equazioni dierenziali ai valori iniziali del tipo
8
>
< dy
>
:
dt
= f (t; y);
y(0) = y0 ;
(4:8:1)
sono molto importanti per la soluzione di problemi di tipo ingegneristi o.

Gli algoritmi numeri i orono, nelle diverse situazioni sperimentali, soluzioni approssimate dei
problemi on errori di al olo non sempre ontenibili entro le spe i he del problema: tuttavia la
loro utilita e notevole ( ome lo dimostrano la loro diusione in tutti i ampi delle s ienze appli ate),
an he se i loro limiti orono sovente des rizioni grossolane. Quindi da una parte 'e il problema
degli errori e dei tempi ma hina dei al olatori, dall'altra l'e ienza stessa del metodo numeri o,
he non si basa sulla rappresentazione ideale delle leggi analiti he, ma sulla loro approssimazione
dis reta.
I metodi he generalmente si utilizzano sono i Metodi di Eulero, di Eulero-Cau hy, di
Runge-Kutta o i Metodi previsore- orrettore. Ognuno di questi presenta in varie situazioni un'e ienza dipendente dalla sempli ita d'utilizzo e dalla pre isione ottenuta: e ienza
lo fa preferire e s egliere tra gli altri.
Capitolo 4
21
La possibilita odierna di avere al olatori di grande potenza a osti ontenuti rivaluta ontinuamente le possibilita oerte dai metodi mumeri i. Tra questi, quelli he orono maggiori vantaggi sia
dal punto di vista della sempli ita dell'algoritmo, sia dal punto di vista della pre isionedei risultati
sono i Metodi Runge Kutta.
Questa famiglia di algoritmi hanno dimostrato la loro robustezza nel trattare problemi differenziali in appli azioni di tipo ingegneristi o. La loro sempli ita li rende altrettanto duttili an he
in situazioni riti he: infatti spesso si utilizzano tali metodi on te ni he di autodimensionamento
del passo di integrazione per renderli piu e ienti.
Per introdurre le relazioni del programma s ienti o utilizzato, verranno illustrati di seguito,
on un sempli e appro io, i passi prin ipali per derivare l'algoritmo Runge-Kutta del 2o grado ed
inne verra riportata la struttura ompleta dell'algoritmo Runge-Kutta del 4o ordine.
L'equazione dierenziale (4.8.1) viene approssimata nella forma
dy
dt
= f (t; y) )
he in forma numeri a diventa

yn+1 = yn +
y (t ) =
Z tn+1
tn
f (t)dt
f (t; y)dt
(4:8:2)
(4:8:3)
Il metodo Runge-Kutta approssima la soluzione (.3) on uno sviluppo n serie di Taylor della funzione
f (t; y) nel punto intermedio dell'intervallo di integrazione
df
f (t; y) f (tn+ 12 ; yn+ 21 ) + (t tn+ 12 )
dt
(4:8:4)
Si ome l'integrale di (t tn 12 ) si annulla quando lo si valuta nel punto intermedio tra tn e tn ,

si puo utilizzare, senza perdere di pre isione, solo il primo termine della (:4):
+2
f (t; y) f (tn+ 12 ; yn+ 21 )
yn+1 yn + h f (tn+ 12 ; yn+ 12 ) =

= yn + h f (tn + h2 ; yn+ 21 )
(4:8:5)
22
L'errore he si produ e nella ostruzione e dell'ordine di O(h ) ed e piu pre iso dei metodi
utilizzati piu diusi (Eulero, Eulero-Cau hy).
Il passo su essivo e quello di approssimare yn 21 on l'algoritmo di Eulero, e si ottiene
3
yn+ 12
dy h
t = yn + ( )
' yn + dy
dt
dt 2
(4:8:6)
' yn + 21 hf (tn; yn )
yn+1 ' yn + K2
(4:8:7a)
h
K2 = hf (tn + ; yn+ K21 )
2
(4:8:7b)
K1 = hf (tn ; yn )
(4:8:8 )
Dalle relazioni ottenute si puo osservare he tale algoritmo ri hiede la onos enza del valore
della derivata di f nel punto nale e enel punto intermediodell'intervallo di integrazione ed il valore
della funzione y(t) nel punto iniziale dello stesso: quindi si uramente partendo dalle ondizione
iniziali note, l'algoritmo si autogenera. Le po heipotesi fatte sulla funzione f i permettono di
appli are tale metodo on funzioni del tutto generali, e quindi si ha possibilita di appli arlo an he
a sistemi non lineari.
L'ulteriore sviluppo dei passi po anzi seguiti i porta al Metodo Runge-Kutta del 4o ordine,
he generalmente ore un ottimo ompromesso tra robustezza, pre isione (O(h )) e sempli ita.
Si fa uso di quattro gradienti, ioe di quattro termini per approssimare il omportamento di
f (t; y) nel punto intermedio (tn 21 ; yn 21 ). La sua forma numeri a e:
5
1 (K + 2(K + K ) + K )
6
= hf (tn ; yn)
yn+1 = yn +
K1
h
K2 = hf (tn + ; yn+ K21 )
2
h
K3 = hf (tn + ; yn+ K22 )
2
K4 = hf (tn + h; yn + K3 ):
(4:8:8a)
(4:8:8b)
(4:8:8 )
(4:8:8d)
(4:8:8e)
Capitolo 4
23
4.9 Problemi di onvergenza
Una volta ostruito il modello maemati o he des rive il sistema (modello ineti o, ma ros opi o o
mi ros opi o) o orre "testare" numeri amente il omportamento della simulazione al al olatore:
questo e un punto fondamentale in vista an he dello sviluppo su essivo di un software appli ativo
he onsenta di elaborare delle simulazioni e a i del problema studiato. Il al olo dell'errore deve
essere studiato attentamente per due motivi prin ipali:
livello di a uratezza: il valore dell'errore i da un'informazione diretta del livellodi a uratezza delle soluzioni ottenute tramite il al olatore; questo e un indi e di adabilita dei
risultati qualitativi ottenuti.
tempi di al olo: lo studio dell'errore i porta an he ad ottimizzare i parametri di al olo
(numero di nodi, passo di integrazione dt) in modo da ottimizzare le prestazioni del sistema
e ridurre il tempo ma hina per raggiungere il grado di a uratezza voluto. Quali sono le
prin ipali ause d'errore ? Nelle sezioni pre edenti abbiamo visto he i metodi numeri i di
Collo azione ed Interpolazione sono ostruiti in modo he la soluzione al olata e la soluzione
esatta oin idino solo nei punti di ollo azione: negli intervalli tra i nodi tale uguaglianza non
e garantita dal metodo di interpolazione (vedi gura).
Inoltre il al olo dei valori delle derivate (an h'esso per ostruzione) non e esatto neppure sui
punti di ollo azione stessi: questi due fattori, uniti agli inevitabili errori di approssimazione dei
dati e a quelli di rappresentazione dei al olatori,generano lo squilibrio tra la soluzione reale er ata
e quella virtuale ottenuta.
Non e nostro ompito entrare nel merito dello studio teori o della propagazione dell'errore
negli algoritmi di al olo utilizzati, ne addentrar i nella teoria degli errori: pero e opportuno a
questo punto della dissertazione fare delle utili onsiderazioni sulle possibilita oerte dal metodo di
Collo azione per er are di rendere adabili le soluziono ottenute.
24
4.10 Analisi della stabilita
Una volta s elto il metodo di Collo azioe ed Interpolazione, o orre studiare attentamente la giusta
ombinazione di tre aspetti fondamnetali:
a) tipologia di Collo azione e famiglia di Interpolanti;
b) numero di nodi;
) passo di integrazione nel tempo.
4.10.5 Collo azione ed Interpolazione
Nelle sezioni pre edenti abbiamo des ritto le te ni he numeri he he si utilizzano una volta determinate le ongurazioni spaziale dei nodi (Chebishev, Equispaziata) e la famiglia di interpolanti
(Lagrange, Sin ).
Ma quali sono le ondizioni della s elta di un tipo od un altro di questi riteri ?
Tali s elte non sono denibili a priori, ma dipendono, in generale, dal tipo di evoluzione he si
prevede abbia il fenomeno studiato.
Infatti quando si ha he fare on fenomeni di tipo sinusoidale la s elta delle famiglie di interpolanti ri ade sui polinomi trigonometri i; si e osservato an he he quando le soluzioni er ate sono
dei fenomeni ondosi, le funzioni Sin approssimano meglio la soluzione; negli altri asi la s elta
ri ade sull'uso dei polinomi di Lagrange, i quali si dimostrano tanto adabili quanto sempli i
nell'implementazione al al olatore.
Quindi riassumendo:
a. segnali on omponenti ad alte frequenze periodi he:funzioni di Fourier;
b. segnali ondosi on propagazione : funzioni Sin ;
. segnali lentamente variabili : funzioni di Lagrange.
Capitolo 4
25

4.10.6 Tipo di ollo azione
La s elta viene imposta sia dal tipo di funzione interpolante s elto sia dalle ondizioni al ontorno
del modello studiato, mentre il numero he deve essere dispari per ovvi motivi si determina on
me anismi he vedremo nella prossima sezione.
Con le funzioni di tipo Sin e on quelle trigonometri he si usa generalmente la ollo azione di
tipo equispaziata, in ui l'intervallo spaziale viene suddiviso in tanti intervalli di ampiezza uguale;
al ontrario la ollo azione tipo Chebyshev tende ad addensare i nodi agli estremi dell'intervallo
di studio ed e adatta a problemi in ui le ondizioni al ontorno variano velo emente.
Si pensi all'estremita di onduttore in ui viene iniettata una orrente impulsiva:questo e un
esempio di problema tipo Chebyshev; mentre nel aso di un onduttore termi o in ui viene imposta
una temperatura ostante ai lati i troviamo in una situazione tipo equispaziata.
Questi due tipi di ollo azione possono essere utilizzati in modo ongiunto: infatti sta alla
bravura dello sperimentatore prevedere zone dell'intervallo spaziale in ui il sistema e riti o (punti
di dis ontinuita, punti di forti non linearita) oppure, al ontrario, regioni dove l'evoluzione e quasi
lineare o lentamente variabile; nel primo aso si provvedera ad addensare la ollo azione, nel se ondo
aso a diminuirla, diminuendo il osto numeri o ed aumentando l'a uratezza. L'intervallo spaziale
viene suddiviso in tanti sottointervalli in ui si ottimizza la pro edura: gli intervalli vengono uniti
da nodi in omune in ui si impongono le ondizioni di ongruenza.
Merita un'osservazione il aso parti olare in ui l'evoluzione del sistema e di tipo ondoso:
in questi asi o orre produrre una ollo azione di tipo dinami a, in ui i nodi si addensano e
si muovono er ando di seguire il fenomeno: per esempio nel ampo della propagazione in bra
otti a su mezzi fortemente non lineari si ha la "propagazione solitoni a" he e un tipi o esempio di
ollo azione dinami a. In fenomeni di questo tipo vi sono funzioni interpolanti he si prestano piu
di altri ad individuare tali fenomeni ondosi: Sin , Ondine,e .
In on lusione, la s elta delle interpolanti e del tipo di ollo azione non e rigida, ome abbiano
detto sopra, ma ri ade soprattutto sulla onos enza (an he se approssimata) e sulla pre isione del
fenomeno in esame. Sottolineo an ora una volta ome i metodi pseudospettrali sono delle te ni he
26
Figura 4.10.1: Interpolazione tipo Lagrange
Figura 4.10.2: Interpolazione tipo Sin
Capitolo 4
27
Figura 4.10.3: Confronto dell'errore di rappresentazione nei due asi
numeri he he si adattano di volta in volta ai problemi studiati: tali metodi sono utili strumenti
ma ome tali seguono l'esperienza e l'intuizione dell'ingegnere.
4.10.7 Determinazione del numero di nodi e del passo di integrazione
S elte le funzioni interpolanti e il tipo di ollo azione, il passo su essivo e quello di veri are la
stabilita e la onvergenza dell'algoritmo sul problema in esame: sottolineo questo punto per he e
opportuno ri ordare he tale appro io non e generale ome lo possono essere i metodi di risoluzione
di problemi lineari, ma e strettamente onnesso alla natura del problema trattato.
Nei modelli piu sempli i, dove a volte si onos ono soluzioni analiti he pre ise (an he se si amente non idonee) si possono veri are le apa ita di stabilita e onvergenza direttamente su queste:
l'esame dell'errore e dato in questo aso dalla dierenza tra i valori al olati on l'algoritmo e i
valori della soluzione analiti a.
Ma in generale non si hanno mai soluzioni analiti he.
La selezione del numero di n nodi e del passo di integrazione t nel tempo puo presentare molte
28
di olta: tale problema non e stato risolto pienamente dal punto di vista teori o (per questo motivo
si parla di metodi Pseudospettrali), ma sono state sviluppate al une te ni he omputazionali, he
possonodare utili indi azioni per l'ottimizzazione del al olo.
Consideriamo per esempio il problema al valoe iniziale visto in pre edenza ome utile tra ia
per illustrare i passi da seguire:
step 1 si ssa il numero di nodi n e si al ola per valori t de res enti la quantita:
dh = kuh uh + tk
step 2
ioe la distanza, in norma, tra i valori di u(t; xi ) al olati on passo h e quelli al olati on
passo h + t; indi hiamo on hn il passo di integrazione per ui tale dierenza i soddisfa, ioe
il primo valore di h tale he
dh = kuh uh + tk = k
dove k e il valore stabile raggiunto; in teoria dovrebbe tendere a zero, in prati a i si puo
fermare al grado di a uratezza in ui si stabilizza, per esempio alla terza ifra de imale;
si in rementa il numero di nodi e si pro ede ome nel passo 1; tale pro edimento si itera no
a quando si raggiunge an he in questo aso l'a uratezza limite, e ioe:
dh = kun un + 1k ; h = hn :
In questo modo si puo ostuire un'utile rappresentazione dell'andamento del omportamento

dell'algoritmo utilizzato: ben inteso he tale metodo non da nessuna stima quantitativa degli errori, ma rappresenta uni amente un pro edimento prati o ed un modo e a e per selezionarela
oppia di valori n e t.
Fa iamo al une onsiderazioni su al uni esempi. Consideriamo la tabella in gura 4.10.4: da
tale tabella, abbiamo detto, si ottengono utili informazioni sulla onvergenza e sulla stabilita
dell'algoritmo al vaiare di n e t; ma si ome non sempre si hanno dei livelli di pre isione de res enti o orre fermarsi, quando e possibile, al grado di a uratezza ompatibile on il problema
studiato. Si distinguono nella tabella al une regioni:
Capitolo 4
29
Figura 4.10.4: Tabella
Regione
A: aumentando il numero di nodi o orre partire on un passo di integrazione sempre piu pi olo,
an he non intervengano problemi di over ow;
Regione B:
ssato il numero di nodi, in rementando il passo t si ottengono valori sempre piu pre isi (il
termine pre iso in questo ontesto signi a he, non potendo fare un onfronto on la soluzione
analiti a esatta, si onsidera signi ativa la stabilizzazione attorno ad un valore.);
Regione C :
Regione
lungo la diagonale otteniamo tutti i valori he hanno la stessa pre isione (per esempio la terza
e quarta ifra de imale) ed indi ano esattamente il osto in termini di al olo;
D: se leggiamo il valore lungo le righe della tabella, ioe ssato il passo di integrazione e fa endo
variare il numero di nodi, otteniamo utili informazioni sulla stabilita (vedi gura 4.10.4). Al une onsiderazioni sull'errore: se onsideriamo, per esempio, un problema di tipo ineti o su
modelli di popolazione, l'errore potrebbe an he essere grossolano (dell'ordine dell'1 10%); al
ontrario in problemi di tipo ingegneristi o il livello di errore deve essere mantenuto al disotto
delle spe i he di progetto (in generale dell'ordine dell'0:1 0:01%).
30
Ri ordiamo he la determinazione di n e di t va vista nella prospettiva di studiare il problema

a due o a tre dimensioni spaziali: in questo aso ad ogni aumento lineare della dimensione si ha un
aumento esponenziale del numero di nodi e quindi un aumento esponenziale del tempo ma hina
ne essario all'algoritmo. Quindi lo studio del modello ad una dimensione e un passo importante
sia dal punto di vista dello studio del modello sempli ato sia per l'ottimizzazione sul modello
ompleto del sistema reale.
Figura 4.10.5: Gra o dn vs: n
Si possono fare utili onsiderazioni an he sul gra o dn vs: n. Non sempre l'andamento di dn
e de res ente all'aumentare di n (vedi gura 4.10.5); on i metodi di Collo azione e Interpolazione
sovente i si trova davanti a situazioni dierenti.
Nella gura 4.10.5 si vede una possibile ongurazione: l'algoritmo ha un andamento di tipo
spettrale o quasi spettrale solo nella prima regione, per un intervallo di nodi nito; anzi inizialmente
si possono avere dei fenomeni di os illazione, quando nel sistema i sono an ora forti errori dovuti
prin ipalmente al basso numero di nodi e quindi alla distanza tra i punti xi ed xi + 1. Sempre
Capitolo 4
31
in gura, si puo osservare he ad un intervallo di quasi stabilita, aumentando il numero di nodi,

segue una regione nuovamente di instablita, in ui intervengono gli inevitabili errori ma hina. Le
onsiderazioni fatte sopra i fanno apire quanto lavoro i sia an ora da fare sulla messa a punto
dei metodi pseudospettrali e quanto siano importanti i dati sperimentali per veri arne l'e a ia:
tali pro edimenti nas ono dall'impossibilita di risolvere in maniera teori a i problemi inerenti alla
soluzione dei modelli di diusione non lineari.
Comunque tali metodi rappresentano, in molte ir ostanze, una via e a e ed e iente, sia
dal punto di vista qualitativo he quantitativo, rispetto ai metodi tradizionali.
4.11 Esempio di appli azione: Modello lineare di diusione/ onvezione
Riportiamo, a puro titolo di esempio, uno studio sulla propagazione dell'errore nel aso di un
problema he abbia soluzione analiti a, sia nel aso di interpolazione di tipo Lagrange sia nel aso
di interpolazione di tipo Sin . Consideriamo l'equazione:
u u
+
t x
u
= x
4exp( 4t)exp[ 200(x :5)
2
[401 400(x :5) 16 10 (x :5) ;

4
(4:11:1)
on ondizione iniziale
u(0; x) = exp[
200(x :5) ;
2
8x 2 [0; 1
(4:11:2)
e ondizione al ontorno alla Diri hlet

u(t; 0) = u(t; 1) = exp(
50)exp[ 4t;
8t 2 [0; 1:
(4:11:3)
Il problema osi ome e formaulato ammette una soluzione analiti a he vale

u(t; x) = exp(
4t)exp[ 200(x :5) :

2
(4:11:4)
32
Se utilizziamo le te ni he di risoluzione numeri he he abbiamo utilizzato nelle sezioni pre edenti,

possiamo fare un onfronto tra i risultati numeri i ottenuti on le interpolazioni tipo Lagrange o
tipo Sin su 21 nodi, e la soluzione analiti a. Le gure in questa sezione sono appunto il risultato
di questa analisi.
Figura 4.11.1: Soluzione analiti a
Se utilizziamo la norma L1 l'errore introdotto nei due tipi di interpolazione valgono rispettivamente
ku(0; x) un (0; x)k :05;
(4:11:5)
ku(0; x) un(0; x)k :005;
(4:11:6)
per l'interpolazione di Lagrange, e
per l'interpolazione tipo Sin . I risultati ottenuti per questo aso spe i o non sono generalizzabili
ma, ome si puo vedere, il tipo di analisi gra a i da informazioni sull'e ienza del metodo e del
Capitolo 4
33
Figura 4.11.2: Soluzione on polinomi di Lagrange
Figura 4.11.3: Soluzione on funzioni Sin
34
tipo di interpolazione s elta.
Figura 4.11.4: Errore di rappresentazione on polinomi di Lagrange
Capitolo 4
35
Figura 4.11.5: Errore di rappresentazione on funzioni Sin
5
Programmi s ienti i
e software appli ativo
\Engineers solve real world problems

using s ienti prin iples from dis iplines thet in lude
mathemati s, physi s, omputer s ien e, hemistry and biology.
It is the variety of subje ts and hallenge of real problems
that makes engineering so interesting and so rewarding."
--
5.1 Introduzione
In questo Capitolo viene des ritto il software utilizzato per le simulazioni del modello studiato e
vengono gettate le basi per lo sviluppo futuro del software appli ativo.
Nei dettagli, s'introdu ono brevemente al uni aspetti della programmazione s ienti a (linguaggi, algoritmi, visualizzazione dei dati e simulazioni); in parti olar modo si analizza il programma s ienti o in BASIC e il simulatore in MATLAB.
Si tra iano le linee guida dello s hema di funzionamento del programma he risolve il modello
studiato nel Capitolo 3 e risolto on i metodi numeri i spiegati nel Capitolo 4 (infatti per la
1

formulazione analiti a del problema si rimanda alle sezioni dei due Capitoli).
Il dis orso viene arontato in modo he si pongano le basi per il futuro sviluppo di software
appli ativo: sotto questa hiave di lettura infatti vengono risolti tutti i problemi legati alla programmazione s ienti a pura, mentre si las iano aperte tutte le possibilita per le future implementazioni
on linguaggi piu sosti ati. Non viene urato l'aspetto user, tranne nel simulatore in MATLAB.
A anto alla spiegazione degli algoritmi utilizzati si fa enno alle possibili variazioni apportabili:
infatti si vuole dare una base di partenza sia per oloro he vogliono sviluppare ulteriormente il
modello di usso di tra o, sia per oloro he vogliono sviluppare altri tipi di modelli a questo
simili.
5.2 Cal olo numeri o tramite sistemi di al olo automati o
La ontinua evoluzione delle potenze delle ma hine di al olo stanno in uenzando profondamente
il rapporto tra i modelli matemati i e la loro simulazione.
Metodi ed algoritmi he po hi anni fa non venivano utilizzati per i loro alti osti di sviluppo,
adesso non solo vengono usati, ma si er a di migliorarne ulteriormente l'e ienza e la omplessita.
Il legame tra la te ni a di al olo, i metodi dell'analisi numeri a e della matemati a appli ata,
la teoria della programmazione automati a e dei linguaggi e divenuto molto stretto: nas e quindi
l'esigenza di una strategia globale he er hi di ottimizzare i vari aspetti delle dis ipline numeri he.
I linguaggi di programmazione hanno fatto notevoli passi avanti sia dal punto di vista della
fa ilita d'uso, sia dal punto di vista della velo ita d'ese uzione: la standardizzazione di al uni linguaggi non e andata a dis apito delle dis ipline s ienti he (an he per hee tali linguaggi vengono
sviluppati in tali aree). Il liguaggio C, il C++, il BASIC orono enormi potenzialita an he ai programmatori inesperti, nel ampo dello studio degli algoritmi di al olo. An he le nuove possibilita
oerte da pa hetti software ad ho sono res iute: Matlab, Ex el orono strumenti sia di programmazione (Matlab) sia di gra a (Matlab, Ex el, Gnuplot) adeguati allo sviluppo di simulazioni
numeri he.
Capitolo 5
Programmi s ienti i e software appli ativo

Sostanzialmente i linguaggi software e gli strumenti hardware devono orire al uni requisiti
fondamentali:
tipi di variabili s ienti i:
in ampo numeri o si utilizzano rappresentazioni dei numeri
parti olari; sono divenuti usuali rappresentazoni numeri he di tipo oating point a 8, 16, 32
byte, he permettono il al olo on pre isioni sempre res enti;
grandi volumi di memoria:
an he in questo senso a orre he i al olatori abbiano grosse
apa ita di immagazzinamento per elaborare in modo e iente e velo e gli algoritmi numeri i;
potenza di al olo:
potenza e sinonimo di velo ita, quindi di tempi di attesa e osti di
sviluppo bassi; l'e onomi ita dei al olatori da tavolo, sempre piu e ienti, ha permesso
l'utilizzo degli strumenti del al olo numeri o in molti settori della s ienza appli ata non in lini
all'integrazione numeri a.
Quindi, sostanzialmente, vento a adere (almeno per le situazioni di simulazione normali)
il problema dell'e onomi ita del al olo, nas e il problema dell'integrazione e dello sviluppo di
algoritmi e ienti. Le potenzialita oerte da struenti quali Internet, permette la nas ita e lo
sviluppo di ban he dati, in ui si ra olgono, tradotti in vari linguaggi, le maggiori routines di al olo
in ir olazione; il problema importante diventa quindi l'ottimizzazione delle te ni he numeri he
riferite al problema studiato.
L'uni o indirizzo he o orre tenere nel ostruire un programma di simulazione e quello di
reare per quanto e possibile programmi ben strutturati: o orre ioe far largo uso di pro edure
e di strutture a blo hi, in modo da poter adattare velo emente i programmi studiati ai asi
parti olari. Osserviamo per esempio in gura: ogni singolo blo o puo essere di volta in volta
trasformato (persino durante l'ese uzione della simulazione) per ontenere di volta in volta il tipo
di ollo azione, di interpolante, l'algoritmo e il passo di integrazione piu e ienti.
5.3 Programma in BASIC: introduzione
Per eettuare la simulazione del modello introdotto nel Capitolo 3 abbiamo utilizzato al une routines s ritte in linguaggio BASIC, utilizzando ome interprete il QBASIC della Mi rosoft. La s elta
di questo tipo di linguaggio e stata fatta per due motivi prin ipali:

sempli ita d'uso, per oloro he volessero sviluppare, on gli stessi modelli, altri tipi di problemi;
futuro sviluppo di programmi \user" nel linguaggio Visul Basi ; in questo modo vengono forniti
tutte le basi del software s ienti o per il lavoro su essivo, he verra sviluppato nel seguito
del progetto.
Nei paragra seguenti analizzeremo i singoli moduli e le subroutines, he ompongono il pro-
gramma di simulazione, sottolineando soprattutto la loro funzione logi a e il loro interfa iamento
nel programma prin ipale.
Dall'analisi ompiuta si potranno fa ilmente sintetizzare programmi di simulzione on altri
linguaggi (C,
C++, routines MATLAB, Visual Basi ).
In questa sezione vogliamo sottolineare
maggiormente il ruolo svolto dai blo hi logi i e la loro individuazione per fa ilitare meglio la
omprensione dei metodi numeri i utilizzati e fa ilitarne i su essivi sviluppi.
Nella g. 1 e stato riprodotto il diagramma funzionale del programma di simulazione (e non il
diagramma di usso) e l'interfa iamento dei vari blo hi.
Per lo sviluppo dei problemi inerenti all'ottimizzazione del programma dal punto di vista
software si rimanda alla sezione Programma
in C: sviluppi.
5.3.1 Routines di ollo azione

Le righe he abbiamo utilizzato ( ollo azione di Chebyshev ed equispaziata) sono po he righe di
istruzione, ma sono di importanza basilare per il funzionamento del programma e per ottimizzare
problemi parti olarmente omplessi.
Tale blo o di istruzione si trova prima dell'algoritmo di al olo delle matri i delle derivate
della lasse di interpolanti utilizzate: si vedano a questo proposito le funzioni ri avate nel Capitolo
Capitolo 5
Figura : Diagramma funzionale

4.
Nel nostro aso abbiamo utilizzato un tipo di ollo azione stati a e del tutto generale: ssato
una volta per tutte il numero di nodi, la distribuzione nel dominio spaziale rimane invariata per
tutta l'elaborazione su essiva.
Nel Capitolo 4 abbiamo a ennato alla possibilita di implementare programmi di ollo azione
spe i a (nei asi di fenomeni di parti olare interesse, punti di dis ontinuita, on forti non linearita,
he si trovassero in mezzo al dominio spaziale) oppure di ollo azione dinami a (in ui i fenomeni
singolari si muovessero nello spazio e nel tempo): tutto questo avviene nei asi in ui si vogliono
ottimizzare lo studio di modelli in situazioni riti he. In questi asi questo blo o di istruzioni,
insieme alle routines interpolanti, deve essere inserito nel \loop del tempo": per ogni passo di
integrazione nel tempo o orre reinterpolare i valori ottenuti dal blo o di integrazione e ri ollo are
i nodi per pro edere nel i lo. In g. 2 e stato s hematizzato tramite al uni gra i tale situazione.
Nel programma BASIC il odi e utilizzato e il seguente:
130
140
145
150
160
170
180
190
INPUT "Numero di nodi [11"; nx: nx1 = nx - 1

INPUT "Collo azione ( )hebishev o (e)quispaziata ( /e)";distr
IF distr <> " " AND distr <> "e" THEN GOTO 140
pi = 3.1415926
FOR i = 1 TO nx
IF distr = "e" THEN x(i) = ax + (bx - ax) * (i - 1) / nx1
IF distr = " " THEN x(i) = .5 * (ax + bx - (bx - ax) * COS((i - 1) * pi / nx1))
NEXT i
5.3.2 Routines di interpolazione

Tali routines provvedono al al olo delle matri i he si utilizzano per il al olo delle derivate delle
funzioni interpolanti. Per la formulazione analiti a del problema si veda il Capitolo 4, in ui si sono
fatti esempi di possibili famiglie di interpolanti.
Nel problema di simulazione abbiamo utilizzato la la famiglia di interpolanti di Lagrange:
omunque sono disponibili presso qualsiasi testo spe ializzato o ban a dati le routines delle prin ipali
famiglie di interpolanti. Nel nostro aso, il odi e utilizzato nel programma e:
210 REM *********************************************
211 REM * CALCOLO pi1=PI' *
212 REM *********************************************
Capitolo 5
Figura 2: Esempio di reinterpolazione e ollo azione dinami a

220
230
240
250
260
270
280
290
300
310
311
312
320
330
340
350
360
370
380
381
382
390
400
410
420
430
650
652
653
660
670
680
690
700
710
720
730
...
FOR i = 1 TO nx
pi1(i) = 1
FOR k = 1 TO nx
IF k <> i THEN pi1(i) = pi1(i) * (x(i) - x(k))
NEXT k
NEXT i
FOR i = 1 TO nx
FOR j = 1 TO nx
IF i = j THEN GOTO 370
REM *********************************************
REM * CALCOLO GLI ELEMENTI NON DIAGONALI *
REM *********************************************
d(j, i) = 1
FOR k = 1 TO nx
IF k <> i AND k <> j THEN d(j, i) = d(j, i) * (x(j) - x(k))
NEXT k
d(j, i) = d(j, i) / pi1(i)
NEXT j
REM *********************************************
REM * CALCOLO DEGLI ELEMENTI SULLA DIAGONALE *
REM *********************************************
d(i, i) = 0
FOR k = 1 TO nx
IF k <> i THEN d(i, i) = d(i, i) + 1 / (x(i) - x(k))
NEXT k
NEXT i
REM *********************************************
REM * MATRICE DELLE DERIVATE SECONDE *
REM *********************************************
FOR i = 1 TO nx
FOR j = 1 TO nx
d2(i, j) = 0
FOR k = 1 TO nx
d2(i, j) = d2(i, j) + d(i, k) * d(k, j)
NEXT k
NEXT j
NEXT i
5.3.3 Algoritmo di integrazione: Runge-Kutta

Fa endo riferimento al Capitolo 4, alla sezione Metodi Runge-Kutta, abbiamo implementato l'algoritmo Runge-Kutta del 4o ordine. An he in questo aso tale blo o si puo sostituire on altri algoritmi di integrazione nel tempo (Eulero,
Eulero-Cau hy, predittore- orrettore);
i metodi numeri i
Capitolo 5

di ollo azione generalizzati sono molto duttili per quanto riguarda l'implementazione, poi he il
problema viene suddiviso in singoli blo hi, autonomi dal punto di vista software, ( ollo azione,
interpolazione, integrazione)
fa ilmente interfa iabili.
Prima di eseguire tale blo o o orre introdurre tutti i parametri he aratterizzano il modello,
soprattutto la ondizione iniziale n(0; x), da ui parte il al olo dell'algoritmo Runge-Kutta:
...
REM * VALORI INIZIALI u(0,X) *
1010 t = 0
1020 iprint = 1
1030 FOR ix = 1 TO nx
1040 u(ix) = beta
1050 NEXT ix
...
Nel odi e he segue sono da sottolineare le frequenti hiamate alla subroutine del modello
(GOSUB
3000),
quindi o orre in aso di traduzione on altri linguaggi fare un po d'attenzione (vedi
Programma in C: sviluppi):
...
930 h2 = dt / 2
940 h6 = dt / 6
..
2001 REM * Fourth-order Runge-Kutta
2010 FOR i = 2 TO nx1
2020 urk(i) = u(i)
2040 NEXT i
2050 GOSUB 3000
2060 t = t + h2
2070 FOR i = 2 TO nx1
2080 k1(i) = rhs(i): urk(i) = u(i)
2100 NEXT i
2110 GOSUB 3000
2120 FOR i = 2 TO nx1
2130 k2(i) = rhs(i): urk(i) = u(i)
2150 NEXT i
2160 GOSUB 3000
2170 t = t + h2
2180 FOR i = 2 TO nx1
2190 k3(i) = rhs(i): urk(i) = u(i)
2210 NEXT i
2220 GOSUB 3000
2230 FOR i = 2 TO nx1
subroutine *
+ h2 * k1(i)
+ h2 * k2(i)
+ dt * k3(i)
10

2240
2260
2280
2291
2295
2299
k4(i) = rhs(i)
u(i) = u(i) + h6 * (k1(i) + 2 * (k2(i) + k3(i)) + k4(i))
NEXT i
REM * End of Runge-Kutta routine *
RETURN
END
5.3.4 Routines di des rizione del modello

Il problema generi o al valore iniziale e del tipo:
8
>
< dy
= f (t; y);
dt
>
: y(0) = y0;
(5:2:1)
dove f (t; y) e la funzione he des rive il sistema. Nel nostro aso il nostro modello e osi fatto:
n
n
2 n
n
=g(t; x; n) + h(t; x; n) 2 + d(t; x; n)( )2 =
t
x
x
x
2
n
n
n
n
= + (1 2n) = n(1 n) 2 + (1 2n)( )2 :
t
x
x
x
(5:2:2)
Tale blo o deve fornire all'algoritmo di integrazione nel tempo i valori di ui ne essita: abbiamo
visto ome nell'algoritmo Runge-Kutta questo blo o viene ri hiamato 4 volte per al olare i quattro
gradienti (k1,
k2, k3 e k4).
In questo blo o si devono inserire tutti i ondizionamenti del problema studiato: o orre
trasformare le aratteristi he della simulazione in altrettante istruzioni software. I blo hi prin ipali
in ui e suddiviso sono:
1)
ondizioni al ontorno : si devono denire le funzioni del problema di Diri hlet o di Neumann; le righe di odi e nel programma BASIC nel aso del problema di Diri hlet on funzione
as illante su un lato sono:
...
3010 u(1) = beta + gamma * SIN(Ti * pi * t): urk(1) = u(1)
3020 u(nx) = beta: urk(nx) = u(nx)
...
e nel aso di funzione impulsiva:

...
Capitolo 5
11

3010 IF t < 1 / Ti THEN
u(1) = beta + gamma * SIN(Ti * pi * t)
ELSE
u(1) = beta
END IF
urk(1) = u(1)
u(nx) = beta: urk(nx) = u(nx)
...
Queste righe di odi e sono esattamente all'inizio del blo o, poi he an he questi due valori
sono ne essari per il al olo eettuato in 2;
2)
al olo delle derivate : ogni volta he si valuta la funzione del modello si devono al olare
i valori delle derivate utilizzando le matri i al olate nel blo o degli interpolanti; vediamo:
...
3050
3060
3070
3080
3090
3100
3110
3120
...
3)
FOR ix = 2 TO nx1
du(ix) = 0
ddu(ix) = 0
FOR kx = 1 TO nx
du(ix) = du(ix) + d(ix, kx) * urk(kx)
ddu(ix) = ddu(ix) + d2(ix, kx) * urk(kx)
NEXT kx
NEXT ix
la des rizione matemati a del modello: o orre implementare tramite opportune istruzioni software il omportamento del modello:
...
3130 FOR ix = 2 TO nx1
3200 rhs(ix)=-(1-2*urk(ix))*du(ix)
+alpha*(urk(ix)*(1-urk(ix))*ddu(ix)+du(ix)*du(ix)*(1-2*urk(ix)))
3210 NEXT ix
3290 RETURN
9299 END
...
4)
i parametri: e una ulteriore modi a delle righe di odi e del punto 3; infatti se si vogliono impostare ondizioni parti olari nel sistema (per esempio la dipendenza dallo spazio dei parametri
del modello)
o orre aggiungere delle righe di odi e parti olari. Per esempio:
....
3130 FOR ix = 2 TO nx1
12

IF (ix = 5 OR ix = 6 OR ix = 7) THEN
REM nel tratto a valo ita piu bassa
rhs(ix) = -(1 / psi) * (1 - 2 * urk(ix)) * du(ix)
+ psi * alpha * (urk(ix) * (1 - urk(ix)) * ddu(ix) + du(ix) * du(ix) * (1 - 2 * urk(ix)))
ELSE
REM nel tratto normale
rhs(ix) = -(1 - 2 * urk(ix)) * du(ix)
+ alpha * (urk(ix) * (1 - urk(ix)) * ddu(ix) + du(ix) * du(ix) * (1 - 2 * urk(ix)))
END IF
3210 NEXT ix
...
dove si e implementata la ondizione in ui vi sia una diminuzione di velo ita in un tratto di strada
(nodi 5,6 e 7).
5.4 Programma di simulazione on MATLAB
Sempre in vista di una futura implementazione software on un programma appli ativo (enon pura : MATLAB

mente s ienti o), si e programmato un simulatore in linguaggio s ript di MATLAB
e un pa hetto software per il al olo s ienti o prodotto da The Math Works,In . Il lavoro eseguito
e stato svolto nei seguenti passi:
1. traduzione in MATLAB s ript dell'algoritmo di risoluzione;
2. reazione di una sempli e interfa ia \user";
3. reazione di al une routines di visualizzazione per analizzare il omportamento del modello
on i omandi di Matlab.
5.5 Programma in C: sviluppi
6
Simulazioni
In questo apitolo vengono riportati i risultati delle simulazioni fatte on il software svilupato.
La des rizione dei programmi software e dei problemi simulati e stata fatta nel Capitolo 5.
I gra i sono stati ottenuti dalla su essiva elaborazione dei le di output generati dal programma Basi attraverso l'utilizzo del programma MATLAB . A anto ad ogni gruppo di gra i
e stata redatta una s heda riepilogativa he sottolinea al une osservazioni sul problema spe i o.
6.1 Problemi di Diri hlet
a Condizione al ontorno os illante al variare di : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Figura 1

b Condizione al ontorno os illante al variare di : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Figura 2
Condizione al ontorno impulsiva : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Figura 3
d Condizione al ontorno impulsiva: presenza di restringimenti : : : : : : : : : : : : : : : : : : : : : : : Figura 4
Figura 1: Problema di Diri hlet on ondizione al ontorno os illanti
Capitolo 6
Simulazioni
Figura 2: Problema di Diri hlet on ondizione al ontorno os illanti
Figura 3: Problema di Diri hlet on ondizione al ontorno impulsiva
Capitolo 6
Simulazioni
Figura 4: Problema di Diri hlet on ondizione al ontorno impulsiva on e senza presenza di restringimento

Tesi Uni 1997

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesi Uni 1997

Caricato da

Copyright:

Formati disponibili

PDF Page Organizer - Foxit Software

PDF Page Organizer - Foxit Software

Engineering is the profession in whi h

PDF Page Organizer - Foxit Software

"It is important to nd meaningful middle ground

1.1 Modelli di di usione

PDF Page Organizer - Foxit Software

essendo F il usso termi o.

Modelli di Di usione e Introduzione ai Modelli di Tra o

PDF Page Organizer - Foxit Software

e la sua legge di variazione nel tempo; nel aso unidimensionale abbiamo:

PDF Page Organizer - Foxit Software

da ui si ottengono le equazioni di ontinuita nell'ipotesi sempli ata di bassa iniezione di

sono i termini di ri ombinazione, dove pn0 e np0 sono le

e l'altro di tipo di usivo

he des rivono il sistema.

Modelli di Di usione e Introduzione ai Modelli di Tra o

PDF Page Organizer - Foxit Software

1.2 Dai modelli di di usione ai modelli di tra o

PDF Page Organizer - Foxit Software

Modelli di Di usione e Introduzione ai Modelli di Tra o

PDF Page Organizer - Foxit Software

Figura 1: Fenomeni di ongestione su una highstreet ameri ana

PDF Page Organizer - Foxit Software

Figura 2: Congestione delle reti telefoni he ad inizio se olo

Modelli di Di usione e Introduzione ai Modelli di Tra o

PDF Page Organizer - Foxit Software

al al olatore) e di valutare le future appl azioni, tramite soluzioni ingegneristi he ( ontrollo

In sintesi, quindi, sono da sottolineare al uni aspetti fondamentali dell'appro io seguito:

PDF Page Organizer - Foxit Software

Modelli di Di usione e Introduzione ai Modelli di Tra o

PDF Page Organizer - Foxit Software

PDF Page Organizer - Foxit Software

In ogni situazione si deve ripondere a quattro domande fondamentali:

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

2.2 Modellli idrodinami i di usso di tra o

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

2.3 Modelli ineti i

[0; T [0; ` [0; vM ! IR+

e la velo ita media

P = P (t; x) = (t; x)n(t; x)

V (t; x)2 f (t; x; v) dv

V (t; x)2 f (t; x; v) dv

Se si fa un'analogia on la me ani a lassi a dei gas si puo' parlare di massa, momento,

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

3. lo stato del sistema e dato dalla funzione di distribuzione f , on ui si de nis e on il termine

dove il termine JP [f e il tasso di ambiamento di f ed e dovuto sia al omportamento dei

dove Jr [f e il termine di rilassamento rispetto un erto programma di velo ita' , ed Ji [f e

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

mentre la distribuzione di velo ita' desiderata e'

Se introdu iamo tali modi he otteniamo una nuova eq. di evoluzione

L'operatore di ollisione e dato an he in questo aso da due termini, dove Ji ha esattamente la

Il risultato e un'equazione di evoluzione del tipo

2.4 Confronto on i dati sperimentali

Modelli Matemati i di Tra o Vei olare

PDF Page Organizer - Foxit Software

Figura 1: Formazione di ode dovute ad aree di tra o ontrollato (densita)

1.1 Modelli di diusione

Modelli di Diusione e Introduzione ai Modelli di Tra o

da ui si ottengono le equazioni di ontinuita nell'ipotesi sempli ata di bassa iniezione di

e l'altro di tipo diusivo

Modelli di Diusione e Introduzione ai Modelli di Tra o

1.2 Dai modelli di diusione ai modelli di tra o

Modelli di Diusione e Introduzione ai Modelli di Tra o

Modelli di Diusione e Introduzione ai Modelli di Tra o

Modelli di Diusione e Introduzione ai Modelli di Tra o

e la velo ita media

P = P (t; x) = (t; x)n(t; x)

3. lo stato del sistema e dato dalla funzione di distribuzione f , on ui si denis e on il termine

dove il termine JP [f e il tasso di ambiamento di f ed e dovuto sia al omportamento dei

dove Jr [f e il termine di rilassamento rispetto un erto programma di velo ita' , ed Ji [f e

L'operatore di ollisione e dato an he in questo aso da due termini, dove Ji ha esattamente la

Il risultato e un'equazione di evoluzione del tipo

Figura 1: Formazione di ode dovute ad aree di tra o ontrollato (densita)

Figura 2: Formazione di ode dovute ad aree di tra o ontrollato (velo ita)

2.5 Sviluppi del problema: il termine di diusione

\Dierential equations arises naturally from attempts to understand

Numeri al Metods using Matlab - G. Lindel and J. Penny -

il usso di tra o e ontinuo lungo tutta l'arteria e la on entrazione di automobili n = n(t; x)

l'equazione di evoluzione di n e ottenuta attraverso la legge di onservazione

la presenza di un debole fenomeno di diusione aratterizzato da un oe iente non lineare

he simula il fenomeno asuale di attraversamento di auto he viaggiano a velo ita diversa da

Modelli di diusione non lineare e simulazioni

opportuno s rivereil modello di evoluzione in forma adimensionale nelle variabili:

Modelli di diusione non lineare e simulazioni

vM = 100Km=h e la velo ita media, il tempo ts di reazione in aso di brus hi rallentamenti e ir a

3.3 Coe iente di Diusione

ove " e il oe iente di diusione vero e proprio.

(t) =u(t; 0) = a + bsin(t)

ioe partiamo da una ondizione di on entrazione ostante lungo il tratto di strada.

Modelli di diusione non lineare e simulazioni

An he in questo aso abbiamo ontrollato ome si omporta il problema al variare di e .

Quindi a anto al problema fondamentale del ostruire un modello matemati o vi e il problema

E opportuno introdurre brevemente al uni aspetti fondamentali he in generale aratterizzano

in ui F e un operatore integro-dierenziali e on ui si er ano di modellizzare i me anismi

4.2 Modelli dierenziali di quadratura

he puo essere sempli emente equispaziata, per esempio

. In generale u = u(t; x) puo essere interpolata e approssimata on i polinomi di Lagrange