Sei sulla pagina 1di 24

Universit`a degli Studi di Roma Tor Vergata

Facolt`a di Ingegneria

degli Studi di Roma Tor Vergata Facolt`a di Ingegneria Corso di Laurea Magistrale in Ingegneria Meccanica
degli Studi di Roma Tor Vergata Facolt`a di Ingegneria Corso di Laurea Magistrale in Ingegneria Meccanica

Corso di Laurea Magistrale in Ingegneria Meccanica

DMT a.a. 2012-2013

Esercitazioni dal corso di Dinamica e Modellistica della Turbolenza

Giulio Topazio matr. 0197585

giulio.topazio89@gmail.com

Alfredo Patrizi matr. 0194329 alfredo.patrizi@gmail.com

27 settembre 2013

INDICE

2

Indice

1 Esercitazione 1 - Attrattore di Lorenz

1.1 Metodo esplicito: Eulero forward

 

.

.

.

.

.

1.1.1

Simulazioni numeriche e risultati

.

1.2 Metodo implicito: mid-point

.

.

.

.

.

.

.

.

1.2.1

Simulazioni numeriche e risultati

.

1.3 Dominio di calcolo della soluzione

.

.

.

.

.

1.4 Distribuzione di probabilit`a

.

.

.

.

.

.

.

.

2 Esercitazione 2 - Equazione di Burgers

2.1 Integrazione nel dominio dei numeri d’onda

2.1.1 Simulazioni numeriche e risultati

2.2 Integrazione nello spazio fisico (x,t)

.

.

.

2.2.1 Simulazioni numeriche e risultati

.

.

.

Elenco delle figure

1 Soluzione con metodo esplicito, dt = 0.02.

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

.

.

Coordinata z.

Attrattore di Lorenz.

.

.

Coordinata z.

. Funzione densit`a di probabilit`a.

Ordine 1.

. Massimo ordine Andamento dei vari modi.

Ordine 2.

.

Coordinata x.

Coordinata y.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

Coordinata x.

Coordinata y.

. Attrattore di Lorenz.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. Trasferimento di energia ai modi

Dissipazione Dissipazione Dissipazione dell’energia: ν

Dissipazione dell’energia: ν = 10 3 m 2

.

.

.

.

.

.

.

.

.

.

.

.

.

.

s

.

.

.

.

.

.

= 10 2 m 2

s

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

 

5

.

.

.

.

.

.

.

.

.

.

.

5

.

.

.

.

.

.

.

.

.

.

.

6

.

.

.

.

.

.

.

.

.

.

.

9

.

.

.

.

.

.

.

.

.

.

.

10

.

.

.

.

.

.

.

.

.

.

.

13

.

.

.

.

.

.

.

.

.

.

.

13

 

18

 

.

.

.

.

.

.

.

.

.

18

.

.

.

.

.

.

.

.

.

.

.

18

.

.

.

.

.

.

.

.

.

.

.

21

.

.

.

.

.

.

.

.

.

.

.

22

.

.

.

.

.

.

.

.

.

.

.

6

.

.

.

.

.

.

.

.

.

.

.

7

.

.

.

.

.

.

.

.

.

.

.

7

.

.

.

.

.

.

.

.

.

.

.

8

.

.

.

.

.

.

.

.

.

.

.

8

.

.

.

.

.

.

.

.

.

.

.

11

.

.

.

.

.

.

.

.

.

.

.

11

.

.

.

.

.

.

.

.

.

.

.

12

.

.

.

.

.

.

.

.

.

.

.

12

.

.

.

.

.

.

.

.

.

.

.

15

.

.

.

.

.

.

.

.

.

.

.

16

.

.

.

.

.

.

.

.

.

.

.

17

.

.

.

.

.

.

.

.

.

.

.

17

.

.

.

.

.

.

.

.

.

.

.

19

.

.

.

.

.

.

.

.

.

.

20

.

.

.

.

.

.

.

.

.

.

.

20

.

.

.

.

.

.

.

.

.

.

.

21

.

.

.

.

.

.

.

.

.

.

.

23

.

.

.

.

.

.

.

.

.

.

.

23

ELENCO DELLE FIGURE

3

20 Fenomeno dell’aliasing.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

ELENCO DELLE FIGURE

4

I risultati esposti di seguito sono stati ottenuti attraverso l’implementa- zione degli algoritmi di calcolo necessari in codice C++, programmato uti- lizzando il compilatore Visual C++ 2010 su piattaforma Microsoft Windows

(x64).

L’analisi statistica, ove richiesta, `e stata condotta sempre attraverso ap- posite funzioni del listato C++. La sola rappresentazione grafica `e stata realizzata attraverso software commerciali (Excel, Matlab) o freeware (gnu- plot).

1. Esercitazione 1 - Attrattore di Lorenz

5

1 Esercitazione 1 - Integrazione numerica del- le equazioni dell’attrattore di Lorenz

L’esercitazione si propone di risolvere, previa integrazione numerica, il seguente sistema di equazioni:

  x˙

= σ(y x) ρx y xz

y˙ =

 

z˙ = βz + xy

(1)

Successivamente, si richiede di computare i momenti della distribuzione

di probabilit`a per i valori di x, y, z, fino al generico ordine k.

Si riportano di seguito i risultati ottenuti utilizzando per l’integrazio- ne numerica, rispettivamente, metodo esplicito (Eulero forward ) e implicito (midpoint).

1.1 Metodo esplicito: Eulero forward

Il metodo si basa sull’approssimazione della derivata prima della generi-

ca funzione u(x) a variabile indipendente x mediante lo sviluppo di Taylor

(arrestato al primo ordine) nel punto x 0 ; in particolare, introducendo una

discretizzazione per x del tipo x = ix, vale:

δu

δx

| i =

u i u i1

x

+ o(∆x)

(2)

Le equazioni dell’attrattore di Lorenz divengono dunque:

  x i = x i1 + σ(y i1 x i1 )∆t


y i = y i1 + (ρx i1 y i1 x i1 z i1 )∆t

z i = z i1 + (βz i1 + x i1 y i1 )∆t

(3)

Segue l’estratto dal listato di codice che implementa la funzione per l’integrazione numerica delle equazioni attraverso il metodo in esame.

void

explicitIntegration(double

* x,

double

* y,

double

* z,

double

x0,

double

y0,

double

z0)

{

x[0]

=

x0;

y[0]

=

y0;

1.1

Metodo esplicito: Eulero forward

6

z[0]

=

z0;

for(int

i

=

1;

i<gI_steps;

i++)

{

x[i]

=

x[i-1]+

gD_deltaT * gD_sigma * (y[i-1]-x[i-1]);

y[i]

=

y[i-1]+

gD_deltaT * (gD_rho * x[i-1]-y[i-1]-x[i-1] * z[i-1]); =

z[i-1]+

z[i]

gD_deltaT * (-gD_beta * z[i-1]+x[i-1] * y[i-1]);

}

 

}

Listato 1: La funzione explicitIntegration().

1.1.1 Simulazioni numeriche e risultati

La soluzione ottenuta con metodo esplicito non `e incondizionatamen- te stabile; si pu`o dimostrare infatti che il limite di stabilit`a si ha per un dt = 0.0192625. Si riporta un esempio computato utilizzando il suddetto metodo di Eulero “in avanti” con uno step d’integrazione pari a 0.02.

“in avanti” con uno step d’integrazione pari a 0 . 02. Figura 1: Soluzione con metodo

Figura 1: Soluzione con metodo esplicito, dt = 0.02.

A scopo dimostrativo sono state calcolate le soluzioni a partire da con-

dizioni iniziali uguali a meno di una variazione di ordine 10 5 su y 0 : i corri-

spondenti grafici mostrano nei valori di x, y e z variazioni di ordine 10.

Si riporta inoltre un plot 3d dell’attrattore di Lorenz integrato con e senza

perturbazione iniziale.

1.1

Metodo esplicito: Eulero forward

7

1.1 Metodo esplicito: Eulero forward 7 Figura 2: Coordinata x. Figura 3: Coordinata y.

Figura 2: Coordinata x.

1.1 Metodo esplicito: Eulero forward 7 Figura 2: Coordinata x. Figura 3: Coordinata y.

Figura 3: Coordinata y.

1.1

Metodo esplicito: Eulero forward

8

1.1 Metodo esplicito: Eulero forward 8 Figura 4: Coordinata z. Figura 5: Attrattore di Lorenz.

Figura 4: Coordinata z.

1.1 Metodo esplicito: Eulero forward 8 Figura 4: Coordinata z. Figura 5: Attrattore di Lorenz.

Figura 5: Attrattore di Lorenz.

1.2

Metodo implicito: mid-point

9

1.2 Metodo implicito: mid-point

Utilizzando la medesima simbologia adottata nel paragrafo precedente, il

metodo si basa sull’approssimazione della derivata prima u˙ i nel punto i 1 (punto medio tra i 1 e i). Il metodo `e detto implicito in quanto presume

la conoscenza del valore della derivata nel punto di arrivo (i); ci`o comporta

l’esigenza di risoluzione per via iterativa, a vantaggio, tuttavia, di un ordine

di accuratezza pari a 2.

2

δu

δx

|

u i u i1

o(∆x 2 )

x

Nel listato, per il generico istante temporale i, ad ogni iterazione k viene assunto, come stima per ciascuna delle variabili x, y, z, il valore medio tra il valore calcolato nel ciclo immediatamente precedente ed il valore iniziale, essendosi preliminarmente posto quest’ultimo pari a quello computato nel passo temporale i 1.

2 =

1

(4)

i

+

x predict =

0.5(x temp + x i1 )

(5)

In particolare nela precedente `e possibile calcolare x temp , mediante l’in- troduzione di un opportuno fattore di sottorilassamento α, come segue:

x temp = (1 α)x

k

i

+ αx

k1

i

(6)

L’iterazione prosegue fintanto che non si giunge a convergenza secondo una prestabilita soglia di tolleranza. Il sistema da risolvere numericamente diventa quindi:


 

x i x i1

t

y i y i1

t

z i z i1

t

= σ(y p x p )

= ρx p y p x p z p

= βz p + x p y p

(7)

void

midPoint(double

* x,

double

* y,

double

* z,

double

x0,

double

y0,

double

z0)

{

char

tempString[1000];

double

xP,

yP,

zP,

underRelaxationFactor

=

0;

x[0]

=

x0;

y[0]

=

y0;

z[0]

=

z0;

1.2

Metodo implicito: mid-point

10

double

xT,

yT,

zT,

conv

=

0.00000001;

for(int

i

=

1;

i<gI_steps;

i++)

{

 

x[i]

=

x[i-1];

y[i]

=

y[i-1];

z[i]

=

z[i-1];

do

{

 

xT

yT

zT

xP

(1-underRelaxationFactor) * x[i] underRelaxationFactor * xT; =

=

(1-underRelaxationFactor) * y[i] underRelaxationFactor * yT; =

(1-underRelaxationFactor) * z[i] underRelaxationFactor * zT; =

+

+

+

yP

=

=

(x[i-1]+xT) * 0.5; (y[i-1]+yT) * 0.5;

zP

(z[i-1]+zT) * 0.5;

x[i]

=

x[i-1]

+

gD_deltaT * gD_sigma

* (yP

-

xP);

-

 

y[i]

=

y[i-1]

+

gD_deltaT * (gD_rho * xP

-

yP

xP * zP);

z[i]

=

z[i-1]

+

gD_deltaT * (-gD_beta * zP

+

xP * yP);

 
 

}

while

(abs((x[i]-xT))

>

conv

||

abs((y[i]-yT))

>

conv

||

 

abs((z[i]-zT))

>

conv);

 

}

}

Listato 2: La funzione midPoint().

1.2.1 Simulazioni numeriche e risultati

Analogamente al caso della soluzione calcolata con metodo esplicito, si riportano gli andamenti di x, y, z a partire da condizioni iniziali imperturbate e perturbate. Ancora, a una variazione di ordine 10 5 su y 0 corrispondono variazioni di ordine 10 in x, y, z.

1.2

Metodo implicito: mid-point

11

1.2 Metodo implicito: mid-point 11 Figura 6: Coordinata x. Figura 7: Coordinata y.

Figura 6: Coordinata x.

1.2 Metodo implicito: mid-point 11 Figura 6: Coordinata x. Figura 7: Coordinata y.

Figura 7: Coordinata y.

1.2

Metodo implicito: mid-point

12

1.2 Metodo implicito: mid-point 12 Figura 8: Coordinata z. Figura 9: Attrattore di Lorenz.

Figura 8: Coordinata z.

1.2 Metodo implicito: mid-point 12 Figura 8: Coordinata z. Figura 9: Attrattore di Lorenz.

Figura 9: Attrattore di Lorenz.

1.3

Dominio di calcolo della soluzione

13

1.3 Dominio di calcolo della soluzione

Sono state eseguite anche diverse runs del listato andando a modificare la sola estensione del dominio di integrazione (fino 500, 5000 e 50000 unit`a temporali, con dt = 0.005), a parit`a di ciascuno degli altri parametri. Seguono le tabelle con le rispettive medie e deviazioni standard.

Tabella 1: Valori medi e deviazioni standard per t = 500, dt = 0.005

time

=

500.000000,

dt

=

0.005

< x > < y > < z >

=

-0.430321,

SDx

=

9.027859

=

-0.430707,

SDy

=

10.454852

=

30.609365,

SDz

=

9.685412

Tabella 2: Valori medi e deviazioni standard per t = 5000, dt = 0.005

time

=

5000.000000,

deltaT

=

0.005

< x > < y > < z >

=

0.102233,

SDx

=

9.035895

=

0.102108,

SDy

=

10.451678

=

30.613749,

SDz

=

9.665703

Tabella 3: Valori medi e deviazioni standard per t = 50000, dt = 0.005

time

=

50000.000000,

dt

=

0.005

< x > < y > < z >

=

-0.052813,

SDx

=

9.033357

=

-0.052792,

SDy

=

10.460466

=

30.594805,

SDz

=

9.686376

1.4 Distribuzione di probabilit`a

Sia per le soluzioni ottenute con il metodo di Eulero in avanti che per quelle computate implicitamente, `e stata condotta un’analisi statistica sulla distribuzione di valori per le coordinate x, y e z, calcolandone le rispettive funzioni di distribuzione di probabilit`a ed i momenti teorici centrati nel valore

1.4

Distribuzione di probabilit`a

14

atteso, fino al generico ordine k, attraverso gli appositi metodi probDensity()

e probMomentum().

double

* probDensity(double

nRanges)

* x,

int

startValue,

int

steps,

int

{

double

* probFunction

=

new

double[nRanges]();

double

max

=

maximumValue(x,

startValue,

steps),

min

=

minimumValue(x,

startValue,

steps);

 

for(int

i

=

startValue;

i

<

steps;

i++)

{

bool

tempCheck

=

false;

 

for(int

k

=

0;

k

<

nRanges

&&

!tempCheck;

k++)

if(x[i]>=min+k * (max-min)/nRanges

&&

x[i]

<

min+(k+1) * (max-min)/nRanges)

}

{

probFunction[k]

tempCheck

+=

=

true;

1;

}

return

probFunction;

}

double

** probMomentum(double

* x,

double

* probX,

int

startValue,

int

steps,

int

nRanges,

int

order)

{

 

double

double

** probMomentum =

max

=

new

maximumValue(x,

double * [order];

startValue,

steps),

min

=

minimumValue(x,

startValue,

steps),

avg

=

average(x,

startValue,

steps)

;

for(int

j

=

0;

j

<

order;

j++)

 

{

probMomentum[j]

=

new

double[nRanges];

 

for(int

i

=

0;

i

<

steps;

i++)

 

for(int

k

=

0;

k

<

nRanges;

k++)

if(x[i]>=min+k * (max-min)/nRanges min+(k+1) * (max-min)/nRanges)

&&

x[i]

<

 

probMomentum[j][k]

+=

pow(x[i]-avg,

j);

 

}

return

probMomentum;

 

}

Listato 3: Le funzioni probDensity() e probMomentum().

Segue il grafico dell’andamento della funzione distribuzione di probabilit`a; i valori delle ascisse risultano centrati nei rispettivi valori medi.

1.4

Distribuzione di probabilit`a

15

1.4 Distribuzione di probabilit`a 15 Figura 10: Funzione densit`a di probabilit`a. Si riportano invece di seguito,

Figura 10: Funzione densit`a di probabilit`a.

Si riportano invece di seguito, ancora a titolo dimostrativo, alcuni gra- fici delle funzioni integrande per il calcolo dei momenti di distribuzione di probabilit`a:

ordine 1: il grafico `e esemplificativo dell’andamento della funzione in- tegranda per momenti di ordine dispari; la distribuzione risulta sim- metrica rispetto allo zero ed il momento centrato `e dunque nullo per ciascuna coordinata;

ordine 2: il grafico `e esemplificativo dell’andamento della funzione inte- granda per momenti di ordine pari; i momenti centrati in x, y, z risul- tano pari alle rispettive varianze, come si deduce confrontando i valori dei primi con i valori delle deviazioni standard calcolate con funzioni appositamente dedicate;

1.4

Distribuzione di probabilit`a

16

Tabella 4: Valori medi, deviazioni standard e momenti del primo e secondo ordine per t = 50000, dt = 0.005

time

=

50000.000000,

dt

=

0.005

< x >

=

-0.059689,

SDx

=

9.201369

< y >

=

-0.059824,

SDy

=

10.552230

< z >

=

31.485401,

SDz

=

9.193244

I

x

M

-0.000020

II

M

x

84.665358

=

=

M

I

-0.000031

M

II

111.349276

=

=

y

I

M

z

-0.000031

y

II

M

z

84.515324

=

=

II 111.349276 = = y I M z -0.000031 y II M z 84.515324 = =

Figura 11: Ordine 1.

1.4

Distribuzione di probabilit`a

17

1.4 Distribuzione di probabilit`a 17 Figura 12: Ordine 2. Si `e infine valutato il massimo ordine

Figura 12: Ordine 2.

Si `e infine valutato il massimo ordine di validit`a della statistica graficando i valori delle funzioni integrande dei momenti statici di ordini superiori. Il grafico di seguito riportato evidenzia che la statistica `e da non ritenersi pi`u valida a partire dall’ordine 27.

che la statistica `e da non ritenersi pi`u valida a partire dall’ordine 27. Figura 13: Massimo

Figura 13: Massimo ordine ammissibile.

2. Esercitazione 2 - Equazione di Burgers

18

2 Esercitazione 2 - Integrazione numerica del- l’equazione di Burgers

L’esercitazione ha come scopo l’integrazione numerica della seguente equa- zione nota come equazione di Burgers:

δu

δt

+

u δu

δx

=

ν δ 2 u δx 2

(8)

La relazione monodimensionale appena esposta `e di notevole importanza in quanto presenta le principali caratteristiche delle equazioni di Navier-Stokes fatta eccezione per il termine di pressione. L’integrazione verr`a condotta in due modi differenti: dapprima si cercher`a la soluzione nel dominio dei numeri d’onda, limitando cio`e l’ad un numero discreto di modi, procedendo poi all’integrazione nello spazio fisico (x,t).

2.1 Integrazione nel dominio dei numeri d’onda

Ipotizzando una opportuna soluzione serie di seni

u(x, t) =

k=1

A k (t)sin(kx)

(9)

si giunge, mediante l’utilizzo delle propriet`a di ortogonalit`a delle funzioni seno, ad una soluzione del tipo:

˙

A k +

m=1

m( A m A km

2

+

A m A k+m

2

A m A mk

2

)

= νk 2 A k

(10)

2.1.1 Simulazioni numeriche e risultati

L’equazione (10) `e stata integrata limitando il numero di infiniti a 3 modi e a 150 modi. Il grafico seguente mostra l’andamento dei suddetti modi nel tempo nella circostanza in cui l’energia venisse immessa al solo modo A(1) al tempo iniziale ( tutti gli altri valori di A(i, t 0 ) sono nulli).

2.1

Integrazione nel dominio dei numeri d’onda

19

2.1 Integrazione nel dominio dei numeri d’onda 19 (a) Infinito a 3 modi. (b) Infinito a

(a) Infinito a 3 modi.

nel dominio dei numeri d’onda 19 (a) Infinito a 3 modi. (b) Infinito a 150 modi.

(b) Infinito a 150 modi.

Figura 14: Andamento dei vari modi.

2.1

Integrazione nel dominio dei numeri d’onda

20

Si riporta anche un grafico che mostra il trasferimento di energia per istanti successivi a i modi caratterizzati da numeri d’onda maggiori (cascata diretta dell’energia). La soluzione proposta riguarda il caso di “infinito ”a 150 modi ma ne vengono riportati, per ovvie ragioni, soltanto 14.

ma ne vengono riportati, per ovvie ragioni, soltanto 14. Figura 15: Trasferimento di energia ai modi

Figura 15: Trasferimento di energia ai modi successivi.

La validazione del metodo `e stata condotta andando a computare l’ef- fettiva dissipazione di energia durante il fenomeno. L’energia in questione `e calcolabile dalla somma dei quadrati delle ampiezze dei singoli modi.

questione `e calcolabile dalla somma dei quadrati delle ampiezze dei singoli modi. Figura 16: Dissipazione dell’energia.

Figura 16: Dissipazione dell’energia.

2.2

Integrazione nello spazio fisico (x,t)

21

Viene infine valutata la soluzione u(x, t) serie di seni. Il grafico che segue riporta l’andamento della suddetta a 3 diversi intervalli temporali. Si osserva un’appiattimento della curva attorno al valore x = π, corrispondente alla met`a del dominio spaziale(D = [0, 2π]). Ci`o `e giustificabile ancora una volta dal meccaniscmo di cascata dell’energia: andando avanti nel tempo l’energia viene trasferita a strutture sempre pi`u piccole cui corrispondono gradienti sempre pi`u ripidi.

pi`u piccole cui corrispondono gradienti sempre pi`u ripidi. Figura 17: Dissipazione dell’energia. 2.2 Integrazione

Figura 17: Dissipazione dell’energia.

2.2 Integrazione nello spazio fisico (x,t)

In questa sezione l’equazione (8) verr`a risolta direttamente nello spazio fisico utilizzando il metodo di integrazione esplicito di Adams-Bashforth. Il metodo qui proposto `e un metodo detto multistep poich`e, nella scrittura delle equazioni alle differenze che lo caratterizza, sono coinvolti pi`u valori, calcolati agli istanti precedenti, della serie che rappresenta la soluzione: per il generico sistema di equazioni differenziali

{y˙} = {f ({y} , t)}

(11)

al passo n + k la soluzione `e approssimata attraverso l’uso di combinazioni

lineari delle funzioni y ed f valutate ai passi n + j con j = 0, 1, indica il numero di passi del metodo.

, k dove k

2.2

Integrazione nello spazio fisico (x,t)

22

Nel caso in esame `e stato utilizzato un metodo al secondo ordine la cui forma generale `e la seguente:

y n = y n1 + h 3 f(x n1 , y n1 ) h 1 2 f(x n2 , y n2 )

2

(12)

La soluzione dell’equazione di Burgers viene definita nell’intervallo [0, 2π] e si ipotizza che la soluzione sia periodica in x con media nulla. Come nel caso di integrazione nel dominio dei numeri d’onda la soluzione u(x, t) si pu`o espandere con una serie di seni del tipo:

u(x, t) =

k=1

A k (t)sin(kx)

(13)

la

cui dinamica temporale della soluzione `e tenuta in conto dai coefficien-

ti

A k (t). Si pongano nulle le soluzioni per x

=

0

e

x

=

2π

(condizioni a

contorno).

2.2.1 Simulazioni numeriche e risultati

Per la prima integrazione si `e costruita una griglia di calcolo spazio- temporale uniforme. Il passo temporale di integrazione fissato `e di ∆t =

0.001s, mentre il passo di integrazione spaziale `e ∆x =

100000.

Il grafico che segue riporta, come nel caso dell’integrazione dell’equazione

di Burgers nel dominio dei numeri d’onda, l’andamento della suddetta a 5

diversi intervalli temporali. Si osserva un’appiattimento della curva attorno

al valore x = π, corrispondente alla met`a del dominio spaziale(D = [0, 2π]).

Ci`o `e giustificabile ancora una volta dal meccaniscmo di cascata dell’energia:

andando avanti nel tempo l’energia viene trasferita a strutture sempre pi`u

piccole cui corrispondono gradienti sempre pi`u ripidi.

Il primo grafico riporta l’andamento della soluzione per valori di viscosit`a

cinematica ν = 10 2 m 2

evidentemente troppo elevati in quanto si osserva

steps con steps =

2π

s

un forte smorzamento (riduzione dell’ampiezza dell’oscillazione) per tempi brevi.

2.2

Integrazione nello spazio fisico (x,t)

23

2.2 Integrazione nello spazio fisico (x,t) 23 Figura 18: Dissipazione dell’energia: ν = 10 − 2

Figura 18: Dissipazione dell’energia: ν = 10 2 m 2

s

Si `e poi diminuito il valore di viscosit`a per osservare una dinamica “pi`u lenta ”. Se ne riporta l’andamento nel grafico che segue.

”. Se ne riporta l’andamento nel grafico che segue. Figura 19: Dissipazione dell’energia: ν = 10

Figura 19: Dissipazione dell’energia: ν = 10 3 m 2

s

Infine si `e variato, a parit`a di tutti gli altri parametri, l’intervallo tempo-

2.2

Integrazione nello spazio fisico (x,t)

24

rale di integrazione riducendolo oltre il limite dell’aliasing. Si pu`o osservare l’instabilit`a del fenomeno notando che l’ampiezza della soluzione diverge.

l’instabilit`a del fenomeno notando che l’ampiezza della soluzione diverge. Figura 20: Fenomeno dell’ aliasing .

Figura 20: Fenomeno dell’aliasing.