AppMetodiNumerici PDF

Memory
Metodi Analitici e Numerici per

l’Ingegneria Aerospaziale
http://aero.polimi.tripod.com
Corso del Prof. F.E.Saleri
A.A 2006/07
Questo lavoro non è stato corretto da alcun professore
quasi sicuramente contiene errori
nel caso ne trovassi qualcuno scrivimi a:
ingaer@gmail.com
questa raccolta di appunti è reperibile in forma gratuita1 al sito:

nessuno è autorizzato a ricavarne alcun tipo di guadagno
se non con esplicita autorizzazione dell’autore.
second edition
ultimo aggiornamento:
8 marzo 2008
1 fatto salvo per i costi di connessione

Indice
1 Analisi teorica del problema modello 4
2 Metodo delle Differenze Finite 7

2.1 Problema modello . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Esistenza, unicità e accuratezza della soluzione . . . . . 9
2.2 Problema completo a coefficienti costanti . . . . . . . . . . . . 11
2.3 Metodo dei coefficienti indeterminati . . . . . . . . . . . . . . 12
2.4 Condizioni al contorno . . . . . . . . . . . . . . . . . . . . . . 14
2.4.1 Condizioni di Dirichlet . . . . . . . . . . . . . . . . . . 14
2.4.2 Risoluzione del problema di Neumann . . . . . . . . . 14
2.4.3 Condizioni di Robin . . . . . . . . . . . . . . . . . . . 15
2.5 Differenze Finite su intervalli non equispaziati . . . . . . . . . 16
2.6 Problema completo a coefficienti variabili . . . . . . . . . . . . 17
2.7 Caso generale . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.8 Interpolazione polinomiale . . . . . . . . . . . . . . . . . . . . 19
2.9 Differenze Finite Compatte . . . . . . . . . . . . . . . . . . . . 20
3 Risoluzione dei sistemi lineari 23

3.1 Fattorizzazione . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Gauss MEG . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Thomas . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Metodi iterativi Richardson . . . . . . . . . . . . . . . . . . . 26
3.2.1 Metodo del Gradiente . . . . . . . . . . . . . . . . . . 28
3.2.2 Metodo del Gradiente Coniugato . . . . . . . . . . . . 30
3.3 Precondizionatori . . . . . . . . . . . . . . . . . . . . . . . . . 33
4 Differenze Finite 2D e 3D 36
1
INDICE
5 Spazi 42
5.1 Spazio L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2 Spazi H 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3 Spazi Xh1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.4 Proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.5 Spazio di Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . 44
6 Formulazioni deboli 45
6.1 Dirichlet Omogeneo . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Dirichlet Non Omogeneo . . . . . . . . . . . . . . . . . . . . . 46
6.3 Neumann Omogeneo . . . . . . . . . . . . . . . . . . . . . . . 47
6.4 Neumann Non Omogeneo . . . . . . . . . . . . . . . . . . . . 47
6.5 Funzionali e Forme . . . . . . . . . . . . . . . . . . . . . . . . 48
6.5.1 Funzionale . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.5.2 Forma . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.6 Lemma di Lax-Milgram . . . . . . . . . . . . . . . . . . . . . 50
6.6.1 Verifica delle ipotesi . . . . . . . . . . . . . . . . . . . 51
7 Metodo degli Elementi Finiti (Galerkin) 52

7.1 Convergenza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
7.1.1 Ordine di convergenza . . . . . . . . . . . . . . . . . . 55
7.2 Problemi di Diffusione-Trasporto(-Reazione) . . . . . . . . . . 56
7.3 Problema modello a trasporto dominante . . . . . . . . . . . . 57
7.3.1 Decentramento del metodo di Galerkin (UpWind) . . . 59
7.4 Problema modello a reazione dominante . . . . . . . . . . . . 60
7.4.1 Condensazione della matrice di massa (Mass-Lumping) 61
8 Discretizzazione di ordine 2 in spazio dipendenti dal tempo 63

8.1 Formulazione debole . . . . . . . . . . . . . . . . . . . . . . . 63
8.2 Discretizzazione in spazio con Elementi Finiti . . . . . . . . . 64
8.3 Discretizzazione in tempo con Differenze Finite . . . . . . . . 66
8.3.1 Eulero Esplicito . . . . . . . . . . . . . . . . . . . . . . 66
8.3.2 Eulero Implicito . . . . . . . . . . . . . . . . . . . . . . 66
8.3.3 Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . 66
8.3.4 Analisi di stabilità per il Θ-metodo . . . . . . . . . . . 67
8.4 Discretizzazione in tempo con Elementi Finiti . . . . . . . . . 76
8.4.1 Elementi Finiti discontinui . . . . . . . . . . . . . . . . 87
9 Temi d’esame 88
9.1 Temi del prof. F.Saleri . . . . . . . . . . . . . . . . . . . . . . 88
9.1.1 24.Nov.05 prova in itinere I . . . . . . . . . . . . . . . 88
Appunti 2 F.Cadei BS
INDICE
9.1.2 03.Feb.06 prova in itinere II . . . . . . . . . . . . . . . 89

9.1.3 22.Feb.06 appello d’esame . . . . . . . . . . . . . . . . 91
9.1.4 05.Lug.06 appello d’esame . . . . . . . . . . . . . . . . 92
9.1.5 01.Set.06 appello d’esame . . . . . . . . . . . . . . . . 93
9.1.6 08.Feb.07 prova in itinere II . . . . . . . . . . . . . . . 95
9.2 Tema del prof. P.Zunino . . . . . . . . . . . . . . . . . . . . . 97
9.2.1 19.Feb.08 appello d’esame . . . . . . . . . . . . . . . . 97
Capitolo 1
Analisi teorica del problema modello
(
−u00 = f in(0, 1)
u(0) = u(1) = 0
questo problema è adimensionale e omogeneo, con il problema omogeneo
ho una retta come soluzione −u00 = 0, u(0) = u0 , u(1) = u1 . Integrando
l’equazione si ottiene
Z x
u(x) = c0 + c1 x −
F (s) ds
0
Z s
con F (s) = f (t) dt
0
Z s
F (s) ds = integro per parti
0
Z x
x
sF 0 (s) ds

= sF (s) 0 −
0
Z x
= xF (x) − 0 − sf (s) ds
0
Z x Z x
= x f (s) ds − sf (s) ds
0 0
Z s Z x
F (s) ds = (x − s)f (s) ds
0 0
calcolo le costanti c0 e c1
Z 0
u(0) = 0 → c0 = 0 perchè
0
4
1. Analisi teorica del problema modello
Z 1
u(1) = 0 → c1 − (1 − s)f (s) ds = 0
0
Z 1
c1 = (1 − s)f (s) ds
0
Z 1 Z x
u(x) = x (1 − s)f (s) ds − (x − s)f (s) ds
0 0
Z x Z 1
= (x − xs − x + s)f (s) ds + x(1 − s)f (s) ds
0 x
Z x Z 1
= s(1 − x)f (s) ds + x(1 − s)f (s) ds
0 x
introduco la funzione di Green

(
s(1 − x) se s ∈ (0, x)
G(x.z) =
x(1 − s) se s ∈ (x, 1)
R1
u(x) = 0 G(x, s)f (s) ds
Figura 1.1: Funzione di Green.
G è simmetrica, positiva, continua ⇒ posso integrarla sempre, quindi u(x) ∃

se f è integrabile → f continua ∈ C 0
se f ∈ C 0 (0, 1) ⇒ ∃u ∈ C 2
ma −u00 = f se f è continua ⇒ u ∈ C 2 , se f ∈ C m ⇒ u ∈ C m+2 , sempre più

regolare.
Stima a priori, cerco la dipendenza continua dai dati, ossia se perturbo non
1. Analisi teorica del problema modello
voglio ottenere dati sballati

Z 1 Z 1

|u(x)| =
G(x, s)f (s) ds ≤
G(x, s) f (s) ds
0 0 | {z }
>0
1
Z

≤ max f (x)
G(x, s) ds
x∈(0,1) 0

kf k∞ ≡ max f (x)
x∈(0,1)
1
= kf k∞ x(1 − x)
2
1
max |u(x)| ≤ kf k∞ max x(1 − x)
x∈(0,1) 2 x∈(0,1)
da stimare max per x=1/2, G=1/4

1
kuk∞ ≤ kf k∞
8
considerando k·k∞ 1 la norma del massimo o norma infinito per una funzione.
Se perturbo f , u viene perturbata in modo proporzionale, nel caso di pertur-
bazione finita si ottengono risposte finite; dipendenza continua dei dati.
Proprietà di monotonia,se
f ≥0⇒u≥0
u → esiste unica, dipende con continuità dai dati.
Attenzione, già modificando il problema tutto questo discorso non funziona
più, es: −u00 + u0 = f .
1
la norma è un’applicazione da uno spazio di partenza a R, k · kV → R
a. kuk = 0 ⇔ u = 0
b. kαuk = |α|kuk ∀α ∈ R
c. ku + vk ≤ kuk + kvk ∀u, v ∈ V
Capitolo 2
Metodo delle Differenze Finite
Nei metodi numerici per la risoluzione di −u00 = f invece di calcolare l’inte-

grale si utilizza una sommatoria sui nodi di quadratura, sommatoria pesata.
X Z 1
wk G(xk , sk )f (sk ) ' G(x, s)f (s) ds
k 0
questo approccio viene trascurato perchè lungo; si utilizzano le Differenze

Finite.
2.1 Problema modello
−u00 = f x ∈ (0, 1)
la derivata è un operazione di passaggio al limite:
- 1◦ passo: discretizzo, non ho un continuo da 0 a 1 ma un insieme di
punti
x0 = 0 xN +1 = 1
00
−u (xi ) = f (xi ) i = 1...N
vengono esclusi gli estremi perchè sono fissate le condizioni al contorno,
semplificando xk = kh (distribuzione di nodi uniforme) h = N1
- 2◦ passo: approssimo,
−D2 ui = f (xi )
con D2 ui ≈ u00 (xi )
(
u(xi )−u(xi−1 )
approx decentrata indietro (o avanti)
u0 (xi ) = h
u(xi+1 )−u(xi−1 )
2h
approx centrata
7
2. Metodo delle Differenze Finite
si preferisce l’approssimazione centrata perchè più accurata

h2 00
u(xi−1 ) = u(xi ) − hu0 (xi ) + u (xi ) + . . .
2
h2
u(xi+1 ) = u(xi ) + hu0 (xi ) + u00 (xi ) + . . .
2
sommo e risolvo rispetto a u00 (xi )
1
u00 (xi ) = 2 u(xi+1 ) − 2u(xi ) + u(xi−1 ) + oh2 . . .

h
sostituendo l’approssimazione il problema diventa
(
− h12 ui+1 − 2ui + ui−1 = f (xi )

u0 = uN +1 = 0
h→0
cerco una funzione {uk }N +1 1
k=0 t.c. ui 6= u(xi ) con ui −→ u(xi )



 u0 = 0
1
− h2 (u0 − 2u1 + u2 ) = f (x1 )





− h12 (u1 − 2u2 + u3 ) = f (x2 )


..


 .
− h12 (uN −1 − 2uN + uN +1 ) = f (xN )






 uN +1 = 0
si ottiene un sistema lineare
N +1
~u = ui i=0
f~ =

0, f (x1 ), . . . , f (xN ), 0
 
h2 0 ··· ··· ··· 0
  ..
 −1 2 −1  .
 ..  ..
1  . −1 2 −1

.
A= 2
 
h  .. .. .. ..  ..
 . . . . 
 .
 .. 
 . −1 2 −1 
0 ··· ··· ··· 0 h2
si ottiene un metodo approssimato, Au = f , si può anche ridurre alle incog-
nite interne preoccupandosi di trattare opportunamente i termini noti. Con
questo metodo non si ottiene un funzione vera e propria, ma tanti punti, ~u è
una soluzione nodale.
1
ui è un’approssimazione di u(xi ), u(xi ) è il valore puntuale della soluzione, ui il valore
nello stesso punto dell’approssimazione
2.1.1 Esistenza, unicità e accuratezza della soluzione

∃!uh se A non è singolare.
A è simmetrica e definita positiva2
xT Ax ≥ 0 ∀x ∈ RN
=0 ⇔ x=0
verifico xT Ax ≥ 0
 
2 −1 · · · ··· 0 x1

..
−1 2 −1 . x2
  
  

xT Ax = [x1 , x2 , . . . , xN −1 , xN ]  .. . . .. .. ..
 .. 
 . . . . .

 . 
..

−1 2 −1  xN −1
 
.
 
0 · · · · · · −1 2 xN
 
2x1 − x2

 −x1 + 2x2 − x3 

= [x1 , x2 , . . . , xN −1 , xN ] 
 .. 
 . 

 −xN −2 + 2xN −1 − xN 
−xN −1 + 2xN
= 2x21 − x2 x2 − x1 x2 + 2x22 − x2 x3 . . . − xN −1 xN + 2x2N
= x21 + x21 − 2x1 x2 + x22 + x22 . . . − 2xN −1 xN + x2N + x2N
= x21 + (x1 − x2 )2 + (x2 − x3 )2 + . . . + (xN −1 − xN )2 + x2N
è sicuramente ≥ 0, qualsiasi vettore prendo e può essere = 0 solo nel caso

in cui il vettore sia identicamente nullo, grazie al primo e all’ultimo termine
⇒ A è definita positiva; ⇒ A è invertibile, ⇒ A è non singolare, ⇒ ∃!uh ,
⇒ esiste l’approssimazione alle Differenze Finite (ottimo, il problema iniziale
aveva una soluzione e la soluzione approssimata anche).
Dall’approssimazione nodale: uh (xi ) = ui dove uh (xi ) è la funzione dis-
cretizzata calcolata in xi mentre ui è la funzione approssimata; bisogna ac-
contentarsi di confrontare l’approssimazione con la funzione calcolata nei
nodi.
max |u(xi ) − uh (xi )|

i=1,...,N
= max |eh (xi )| ≡ keh kh,∞
i=1,...,N
h→0
keh kh,∞ −→ 0
2
autovalori con parte reale positiva
il metodo è convergente, l’errore tende a zero.
metodo è convergente ⇔ consistente e stabile

calcolo l’errore di consistenza3 , il metodo è consistente se l’errore di consis-
tenza tende a zero quando il parametro di discretizzazione (h) va a zero
h→0
τh −→ 0
u(xi+1 ) − 2u(xi ) + u(xi−1 )

τh (xi ) = − − f (xi )
h2
τh = max |τh (xi )| limitatore
i=1,...,N
sviluppo in serie in xi
1 h2 h3 h4
= − 2 u(xi ) + hu0 (xi ) + u00 (xi ) + u000 (xi ) + u0v (ξ) +
h 2 6 24
−2u(xi ) +
h2 h3 h4
+u(xi ) − hu0 (xi ) + u00 (xi ) − u000 (xi ) + u0v (η) − f (xi )
2 6 24
ξ ∈ (xi ; xi+1 )
η ∈ (xi−1 ; xi )
semplif icando
h2 0v
= −u00 (xi ) − u (ξ) + u0v (η) − f (xi )
24
−u00 (xi ) − f (xi ) = 0 perchè è il problema iniziale
h2 0v
= − u (ξ) + u0v (η)
24
xi−1 < α < xi+1 per il th. della media
2
h
= − 2u0v (αi )
24
h2
τh (xi ) = − u0v (αi )
12
u0v (αi ) non lo conosco e ne ho uno per intervallo
−u00 = f
−u0v = f 00
h2 00
= f (αi )
12
3
è l’errore che si commette chiedendo alla soluzione esatta di soddisfare lo schema
numerico
h2
τh (xi ) = max |f 00 (αi )|
12 i=1,...,N
meglio limitare con il massimo di tutti
2
h
τh = maxkf 00 k∞
12
h→0
τh −→ 0 con ordine 2
se : u ∈ C 4 oppure f ∈ C 2
kuh kh,∞ ≤ 18 kf k∞
la soluzione discreta è controllata dai dati4 .
Th. di convergenza
h→0
Se f ∈ C 2 uh −→ u
nei nodi di discretizzazione e
h2
ku − uh k ≤ kf 00 k∞
96
|{z}
8·12
2.2 Problema completo a coefficienti costanti

(
−νu00 + βu0 + σu = f in(0, 1)
u(0) = u(1) = 0
sostituisco (0,1) con una discretizzazione di passo h (vera solo nei nodi)
−νu00 (xi ) + βu0 (xi ) + σu(xi ) = f (xi ) i = 1, . . . , N
ora si sostituiscono le derivate con i rapporti incrementali, utilizzando rappor-

ti incrementali centrati anche per la derivata prima mantengo un’accuratezza
di convergenza sull’errore del second’ordine
ui+1 − 2ui + ui−1 ui+1 − ui−1
−ν 2
+β + σui = f (xi ) i = 1, . . . , N
h 2h
4
simile a: Ax = b
x = A−1 b
kxk ≤ kA−1 kkbk
la matrice A risulta essere

0
 
 ... ... ... 
 
β β
− hν2 − 2ν
+σ − hν2 +
 
 2h h2 2h 
 .. .. .. 
 . . . 
0
non è simmetrica.
2.3 Metodo dei coefficienti indeterminati

Il metodo dei coefficienti indeterminati è un modo per costruire rapporti
incrementali per differenze finite utilizzando sviluppi in serie relativi al nodo
d’interesse e con la possibilità di fissare l’ordine di convergenza dell’errore.
u0 (xi ) ' a−1 u(xi−1 ) + a0 u(xi ) + a1 u(xi+1 )
↓ ↓ ↓
1 1
− 0
2h 2h
oppure
1 1
− 0
h h
ne segue
q
X
0
u (xi ) ' ai−j u(xi−j )
j=−p
si può notare che questo metodo non dipende solo dai punti vicini al punto
di interesse, ma è estendibile a punti diversi e a più punti.
Il numero di nodi e la loro posizione sono gradi di libertà che vengono scelti
in modo da massimizzaare l’ordine dell’approssimazione; per es. si ricava
l’approssimazione di ordine massimo della derivata prima in xi con p = 1 e
q = 1 (3 nodi)
u0 (xi ) = a−1 u(xi−1 ) + a0 u(xi ) + a1 u(xi+1 )
l’errore di discretizzazione in questo caso è errore di troncamento
h2 h3
h i
τh (xi ) = u (xi ) − a−1 u(xi ) − hu0 (xi ) + u00 (xi ) − u000 (xi ) + . . .
0
2 6
+a0 u(xi )
h
0 h2 00 h3 000 i
+a1 u(xi ) + hu (xi ) + u (xi ) + u (xi ) + . . .
2 6
raccogliendo i termini simili
τh (xi ) = u(xi )( −a−1 − a0 − a1 ) +

| {z }
=0 condizione minimale
0
+u (xi )(1 + ha−1 − ha1 ) +
| {z }
=1 2a condizione
2 2
h h
+u00 (xi )(− a−1 − a1 ) +
| 2 {z 2 }
=0 3a condizione
3 3
h h
+u000 (xi )( a−1 − a1 ) + . . .
|6 {z 6 }
termine residuo
si intende minimizzare l’errore relativo all’approssimazione della derivata pri-

ma, le condizioni da imporre sono quindi: annullare il termine in u(xi ), porre
la 2a condizione = 0 è annullare l’errore dovuto al termine di derivata prima,
la 3a condizione = 0 serve ad aumentare l’ordine di convergenza dell’errore.
Non si possono imporre altre condizioni perchè il supporto è basato su 3 nodi,
si intuisce che per aumentare l’ordine di convergenza è necessario allargare il
supporto a più nodi per poter imporre più condizioni, ma questo da problemi
ai bordi del dominio. Il sistema ottenuto è
  
1
a−1 + a0 + a1 = 0
 a−1 = −a1
 a1 = 2h

ha−1 − ha1 = −1 −2ha1 = −1 a0 = 0
 h2
 h2
  1
− 2 a−1 − 2 a1 = 0 a−1 = − 2h
 
risulta uno schema centrato

ui+1 − ui−1
u0 (xi ) =
2h
l’errore di troncamento risulta
−1 h3
τh (xi ) ' u000 (xi )
h 6
τh (xi ) ' oh2
l’errore converge con ordine 2.
2.4 Condizioni al contorno

2.4.1 Condizioni di Dirichlet
Le condizioni al contorno di Dirichlet fissano i valori della funzione incognita
negli estremi 
00
−u = f

u(0) = u0

u(1) = u1

come già visto una volta scritta la matrice del sistema la prima e l’ultima
equazione possono passare al termine noto riducendo il problema ai nodi
interni.
2.4.2 Risoluzione del problema di Neumann

Le condizioni di Neumann fissano i valori delle derivate della funzione u nei
nodi estremi, se applicate al problema modello generano infinite soluzioni in
quanto si ottiene una soluzione a meno di una costante che a questo punto
può assumere qualsiasi valore. Solitamente queste condizioni vengono appli-
cate ad esempio al problema −u00 + u = f oppure miste come nel problema
Dirichlet-Neumann. In questo caso si è interessati al metodo di risoluzione
più che alla soluzione stessa, verrà utilizzato quindi il problema modello con
condizioni al contorno miste del tipo Dirichlet-Neumann, la procedura resta
comunque completamente estendibile agli altri casi

00
−u = f

u(0) = u0

 0
u (1) = ϕ1
discretizzando si ottiene
 u −2u +u
−
i+1 i i−1
 h2
= f (xi ) i = 1, . . . , N
u(0) = u0

 0
u (1) ' approx opportuna = ϕ1
si utilizza il metodo dei coefficienti indeterminati per approssimare la derivata

prima ed ottenere uno schema accuarato almeno di ordine 2; è necessario
calcolare uno schema decentrato in quanto quello centrato è si accurato di
ordine 2 ma non applicabile agli estremi poichè si richiederebbe l’esistenza
del nodo xN +2 che non esiste
u0 (xN +1 ) ' a0 uN +1 + a1 uN + a2 uN −1 ≡ DuN +1

2 h→0
ai i=0 t.c. DuN +1 − u0 (xN +1 ) −→2 0
∼h
sviluppo in serie
DuN +1 = a0 uN +1 +
h2 h3
+a1 uN +1 − hu0N +1 + u00N +1 − u000 (ξ) + ξ ∈ (xN , xN +1 )

2 6
2
h h3
+a2 uN +1 − 2hu0N +1 + 4 u00N +1 − 8 u000 (η) + η ∈ (xN −1 , xN )

2 6
u0 (xN +1 ) − DuN +1 = −uN +1 (a0 + a1 + a2 ) +

+u0N +1 (1 + a1 h + 2a2 h) +
h2
−u00N +1 (a1 + 4a2 ) + o(h3 ak )
2 | {z }
termine dell0 errore
il termine relativo all’errore di troncamento mostra che al massimo l’errore

può convergere con ordine 3 rispetto ad h, non va trascurato che esiste un
termine ak legato ai valori dei coefficienti da determinare che può abbassare
tale ordine
  
1 3
a0 + a1 + a2 = 0
 a2 = 2h
 a0 = 2h

1
a1 h + 2a2 h = −1 a1 = −4a2 a2 = 2h
  
a1 + 4a2 = 0 a1 = − h2
  
3
u0 è un’approssimazione di ordine 2: o( hh ) → o(h2 )
u0 (xN +1 ) ' 2h3

uN +1 − h2 uN + 2h
1
uN −1
 u −2u +u
−
i+1 i i−1
 2h
=f
u(0) = u0

3
u
2h N +1
− h2 uN + 2h1
uN −1 = ϕ1
2.4.3 Condizioni di Robin

Le condizioni al contorno di Robin si possono vedere come il caso generale
da cui si possono ricavare le condizioni di Dirichlet e Neumann, sono della
forma 
00
−u = f su(0, 1)

α0 u(0) + β0 u0 (0) = ψ0

α1 u(1) + β1 u0 (1) = ψ1

con α0 , β0 , α1 , β1 ∈ R assegnati, considerando
βi = 0 Dirichlet
αi = 0 N eumann
2.5 Differenze Finite su intervalli non equis-

paziati
L’idea è di realizzare uno schema di calcolo che risolva più dettagliatamente
certe zone del dominio utilizzando pochi nodi dove non si è interessati a
maggior dettaglio. Il problema classico è la risoluzione dello strato limite
Figura 2.1: Strato limite e ipotesi di discretizzazione.
Figura 2.2: Esempio nodi non equispaziati.
si intende ricavare uno schema che approssimi la derivata prima in xi , possi-
bilmente del secondo ordine

h2i 00 h3
u(xi+1 ) = u(xi ) + hi u0 (xi ) + u (xi ) + i u000 (xi ) + . . .
2 6
2
h h3
u(xi−1 ) = u(xi ) − hi−1 u0 (xi ) + i−1 u00 (xi ) − i−1 u000 (xi ) + . . .
2 6
sottraendo la prima equazione dalla seconda
1
u(xi+1 ) − u(xi−1 ) = (hi + hi−1 )u0 (xi ) + u00 (xi )(h2i − h2i−1 ) + . . .
2
u(x i+1 ) − u i−1
u0 (xi ) '
hi + hi−1
il metodo è accurato di ordine 1 rispetto ad h, infatti l’errore di troncamento
risulta
1
τh = (ξ)(hi − hi−1 )
2 | {z }
h2 −h2
i i−1
hi −hi−1
τh ∼ o(h) con h = max(h).

Anche la derivata seconda va di ordine 1, per ottenere uno schema accurato
di ordine 2 è necessario passare ad un supporto a 5 nodi con uno schema
centrato
supp. UNIFORME supp. NON UNIFORME

3 nodi o(h2 ) 5 nodi o(h2 )
2.6 Problema completo a coefficienti variabili

0 0
−5 ν(x)u0 + β(x)u + σ(x)u = f (x)
| {z } | {z } | {z }
dif f usione trasporto reazione
si consideri il problema ridotto più semplice

0
ν(x)u0 = f (x)
si operi una sostituzione
( (
−ui−1
w(x) = ν(x)u0 (x) F.D. wi = ν(xi ) ui+12h
⇒ w −wi−1
−w0 (x) = f (x) centr. unif. − i+1
2h
= f (xi )
5
è necessario prestare attenzione al senso fisico dell’erquazione; −νu00 − ν 0 u0 potrebbe
non risolvere il problema d’interesse
lo schema è applicabile a tutti i nodi interni, quindi per i = 1, . . . , N

risostituendo
1
− 2
ν(xi+1 )(ui+2 − ui ) − ν(xi−1 )(ui − ui−2 ) = f (xi )
4h
si giunge a un metodo a 5 punti non applicabile ai nodi i = 1 e N − 1, inoltre
se ν diventa costante non si ottiene più il vecchio schema, c’è qual quadra
che non cosa.
Osservando lo schema ottenuto si può notare che la funzione u compare solo
nei nodi i − 2, i, i + 2, si può quindi pensare di ridefinire wi su nodi fittizi
ui+ 1 − ui− 1
2 2
wi = ν(xi )
h
la funzione u non esiste se non nei nodi, sostituendo, però, lo schema che si
ottiene è
−w0 (x) = f (x)

wi+ 1 − wi− 1
w0 (xi ) = 2 2
h
(ui+ 1 − ui ) − (ui − ui− 1 )
− 2 2
= f (xi )
h2
ν(xi+ 1 )(ui+1 − ui ) − ν(xi− 1 )(ui − ui−1 )
− 2 2
= f (xi )
h2
la funzione ν è valutata in xi± 1 , ma ν è una funzione nota e valutabile
2
ovunque, la funzione u è valutata su 3 nodi, l’ordine di accuratezza ottenuto
è o(h2 ) e per ν = cost si ottiene il vecchio schema (è stato presentato un
trucco per controllare l’ampiezza del supporto).
2.7 Caso generale

0
−νu0 + βu + σu = f
| {z }
f lusso
come prima

w = ν(x ) ui+ 12 −ui− 21 + β(x )u
(
w = −νu0 + βu i i h i i
wi+ 1 −wi− 1
−w0 + σu = f  2 2
+ σ(xi )ui = f (xi )
h
si consideri il termine di trasporto, in quanto il termine di diffusione è già

stato analizzato precedentemente
β(xi+ 1 )ui+ 1 − β(xi− 1 )ui− 1
··· + 2 2
+ · · · = f (x)
2 2
h
u è una funzione nodale, ne segue che non esiste sui nodi fittizi, il problema si
risolve approssimando il valore nel nodo fittizio con la media dei valori della
funzione nei nodi adiacenti
ui + ui+1
ui+ 1 '
2 2
viene utilizzata la media come valore approssimato della funzione nel nodo
fittizio, se β diventa costante si ritorna allo schema vecchio senza perturbare
l’ordine del sistema; va prestata attenzione al tipo di media da impiegare,
in quanto il problema potrebbe avere una direzione preferenziale, nel caso si
utilizzeranno dei pesi per il calcolo della media.
La stringa completa di un nodo interno risulta:
h βi− 1 νi− 1 νi+ 1 + νi− 1 βi− 1 − βi+ 1 βi− 1 νi− 1 i
... 2
− 2 ; 2 2 2
+ 2 2
+ σi ; − 2
− 2 ...
2
2h h h2 2h 2h h
2.8 Interpolazione polinomiale

Si creino xi nodi con i = 0, 1, . . . , n, f (xi ) è la valutazione della funzione
continua nei nodi di discretizzazione, si costruisca un polinomio interpolatore
n
Q
n f ∈ P tale per cui il suo valore nei nodi sia esatto
Y
f (xi ) = f (xi )
n
l’errore di interpolazione risulta

n
Y f n+1 (ξ) Y
err = f (x) − f (x) = (x − xk )
n
(n + 1)! k=0
se f ∈ C n+1 , massimizzo
Y
max |f (x) − f (x)| ≤ cn hn+1 max |f (x)n+1 |
x x
n
Y 0
Df (xi ) = f (xi ) i = 0, . . . , n
n
Y 00
2
D f (xi ) = f (xi )
n
scritto sulla base di Lagrange il polinomio interpolatore esiste unico

Y n
X
f (x) = f (xi )ϕi (x)
n i=0
(
n 1 se i = j
ϕ ∈ P t.c. ϕi (xi ) = δy =
0 altrimenti
n
Y x − xk
ϕi = polinomi caratteristici di Lagrange
x j − xk
k=06=j
n
X
Df (x) = f (xi )ϕ0i (x)
i=0
se valuto nel punto
Xn
Df (xk ) = f (xi )ϕ0i (xk )
i=0
da questo approccio si ottengono due pregi

1. si ottengono i coefficienti ovunque senza preoccuparsi del bordo
2. maxx |f 0 (x) − 0n f (x)| ≤ c̃n hn max|f n+1 (x)| l’errore è noto (anche se
Q
decade di un ordine rispetto ad h in quanto derivando si divide per h)
i difetti
1. si ottengono approssimazioni globali, il supporto è generato dal grado
che sto usando, non si sceglie il supporto
2. su griglie equispaziate all’aumentare del grado non migliora l’approssi-

mazione (oscillazioni tra i nodi)
rimangono comunque degli ottimi metodi spettrali, ma non usando griglie
equispaziate.
2.9 Differenze Finite Compatte

Solitamente si fissa il supporto e si pretende che
1
X
Dfi = aj f (xi+j )
j=−1
non si considerano i valori della funzione nei punti vicini.
Si consideri il problema
u0 = f
e lo si discretizzi nel seguente modo
X X X X
Dui = Sfi =⇒ Su0i = Dui
i i i i
In questo metodo si cerca di ricavare i coefficienti (pesi) direttamente mini-

mizzando l’errore di troncamento
1
X 1
X
0
τh (xi ) = bj f (x ) − aj f (xi+j )
| {zi+j}
j=−1 j=−1
sol. vera in schema num.
= b−1 f 0 (xi−1 ) +b0 f 0 (xi ) + b1 f 0 (xi+1 )
| {z } | {z }
2 2
f 0 (xi )−hf 00 (xi )+ h2 f 000 (xi )+... f 0 (xi )+hf 00 (xi )+ h2 f 000 (xi )+...
= −a−1 f (x ) −a0 f (xi ) − a1 f (xi+1 )

| {zi−1} | {z }
2 2
f (xi )−hf 0 (xi )+ h2 f 00 (xi )+... f (xi )+hf 0 (xi )+ h2 f 00 (xi )+...
(2.1)
il numero di termini da utilizzare nello sviluppo in serie dipende dal sup-

porto che si intende utilizzare, nel caso di supporto a tre nodi si generano
6 coefficienti, si possono scrivere fino a 6 equazioni; in realtà si utilizzano 5
equazioni tutte in funzione di uno dei coefficienti in quanto con 6 equazioni
si ottiene solo la soluzione banale. In questo caso quindi la serie va interrotta
al termine di derivata quarta, le equazioni si scrivono intese ad annullare
l’errore di troncamento


 f (xi ) a−1 + a1 + a0 = 0

0
f (xi ) b−1 + b1 + b0 + ha−1 − ha1 = 0



2 2
00
f (xi ) −hb−1 + hb1 − h2 a−1 − h2 a1 = 0
h2 2 3 3
 000
f (xi ) b + h2 b1 + h6 a−1 − h6 a1 = 0

2 −1


f 0v (x ) 3 3 4 4
− h6 b−1 + h6 b1 − h24 a−1 − h24 a1 = 0

i
 

 a −1 + a 1 + a 0 = 0 
b−1 = b1
 
b−1 + b1 + b0 + ha−1 − ha1 = 0  b0 = 4b1

 


−2b−1 + 2b1 − ha−1 − ha1 = 0 a1 = 3bh1
 
3b−1 + 3b1 + ha−1 − ha1 = 0 a−1 = − 3bh1

 


 


−4b + 4b − ha − ha = 0 a = 0 
−1 1 −1 1 0
b−1 Dfi−1 + b0 Dfi + b1 Dfi+1 = a−1 f (xi−1 ) + a0 f (xi ) + a1 f (xi+1 )

3b1 3b1
b1 Dfi−1 + 4b1 Dfi + b1 Dfi+1 = − f (xi−1 ) + f (xi+1 )
h h
se b1 6= 0 semplif ico
3h i
Dfi−1 + 4Dfi + Dfi+1 = f (xi+1 ) − f (xi−1 )
h
si ottiene uno schema su 3 nodi come desiderato, l’ordine di convergenza
dell’errore risulta essere
h h4 h4 h5 h5 i
τh ∼ f v − b−1 + b1 + a−1 − a1
| 24 {z 24 } 120 120
=0, b−1 =b1
h 3b1 h5 3b1 h5 i
fv − −
h 120 h 120
5
b1 h
− fv
40 h
τh ∼ o(h4 )
si deduce che si ottiene accuratezza di ordine 4 rispetto ad h con un supporto

di 3 nodi.
Il difetto di questo metodo è il non poter conoscere il valore della derivata in
un punto, da informazioni globali; inoltre come si generano Dfi−1 , Dfi , Dfi+1 ?
Per il problema modello
−u00 = f
u00 ' Su00
f ' Mu
00
−Su = M u
Sf = M u
risulta essere tutto noto eccezion fatta per la funzione u incognita.
Capitolo 3
Risoluzione dei sistemi lineari
Con i metodi appena visti si giunge a formulare il problema nella forma

Ax = b
è necessario quindi ottimizzare il processo di risoluzione, A è una matrice
tri-diagonale  
a11 a12 0
.
 a21 a22 . .
 

... ... ...
 
A= 



 . . . . .

. an−1n 
0 ann−1 ann
per risolvere il sistema in x è necessario invertire la matrice A, risulta più
comodo fattorizzarla e risolvere due sistemi tridiagonali.
3.1 Fattorizzazione
3.1.1 Gauss MEG
La fattorizzazione di Gauss1 consiste nello scomporre la matrice di partenza
in due matrici triangolari tali per cui sia verificato
  
1 0 ? ? ... ?
 ? 1 .. 
? . 

A = LU =  ..
 
 . . . .

 . .. ? 

? ... ? 1 0 ?
1
* Calcolo Numerico
23
3. Risoluzione dei sistemi lineari
il metodo di eliminazione di Gauss (MEG) perviene alla matrice triangolare

eliminando una colonna alla volta
Figura 3.1: Schema di fattorizzazione.
(k+1) (k) (k)

aij = aij − mij aij i, j = k + 1 . . . n
(k)
aik
mik = (k)
akk →pivot
se akk 6= 0
l’idea è quella di, anzichè invertire la matrice A per risolvere il sistema lineare,
risolvere due sistemi triangolari, computazionalmente meno oneroso
(
Ly = b
Ux = y
3.1.2 Thomas
Nel caso particolare di A tri-diagonale si può utilizzare una variante del
metodo di Gauss, l’algoritmo di Thomas, la fattorizzazione produrra matrici
del tipo
   
1 0 u11 u12 0
.
u22 . .
 l21 1   
L= ,U = 
   
. . . . . . . un−1n 

 . .  
0 lnn−1 1 0 unn
facendo il prodotto
1a r 1a c → u11 = a11
2a r 2a c → u12 = a12
2a r 4a c → u23 = a23
tutti gli elementi della sopradiagonale di U sono uguali a quella di A

2a r 1a c → l21 · u11 = a21
a21 a21
l21 = =
u11 a11 ←noto da prima
a a
2 r 2 c → l21 · a12 + u22 = a22
a21 a12
u22 = a22 −
a11
a a
3 r 3 c → l32 · u22 = a32
a32
l32 =
u22
ai+1,i ←noto a priori
li+1,i =
uii ←noto dal passo precendente
il costo computazionale è o(n).
Va ricordato che nel caso di matrici simmetriche e definite positive è parti-
colarmente efficiente la fattorizzazione di Cholesky
A = RT R con R triangolare superiore
In realtà si sta risolvendo un sistema perturbato (’60 Wilkinson)

P, L, U = lu(A)
con P si intende la matrice delle permutazioni

A + δA x + δx = b + δb
| {z }
x̂
si cerca di capire da cosa dipende la propagazione degli errori

kx − x̂k kδbk
δA = 0 ≤ K(A)
kxk kbk
con K(A) numero di condizionamento2 della matrice A,
K(A) = kAkkA−1 k
se A è s.d.p.
λmax (A)
K(A) =
λmin (A)
2
è un indice di quanto gli errori di approssimazione introdotti per effetto delle ap-
prossimazioni durante i calcoli influiscano sulla validità della soluzione trovata risolvendo
il sistema lineare
la matrice risulta ben condizionata se K(A) è vicino a 1.
kAxk2
kAk2 = sup = max kAxk2
kxk6=0 kxk2 kxk=1
con AT A raggio spettrale (autovalore massimo); nei casi di interesse, matrici

generate da metodi alle Differenze Finite si ottiene
2 −1
 
0
. .
 −1 . . . .
1  1

h→0
A= 2 K(A) ' 2 ⇒ K(A) −→ ∞

h  . .
. . . . −1 

h
0 −1 2
riducendo il l’intervallo h tra i nodi miglioro la discretizzazione e riduco

l’errore di troncamento ma si uccide la veridicità della soluzione trovata. Per
risolvere questo problema o si complica il metodo di risoluzione o si cambia
il metodo stesso.
3.2 Metodi iterativi Richardson
Ax = b
A = P −N splitting additivo
P x = b + Nx
dato x(0) si calcola per k = 0, 1, . . .
x(k+1) = P −1 (b + N x(k) )
ci si aspetta x(0) arbitrario, il metodo è computazionalmente poco oneroso,

convergente lim x(k) = x. P va scelta facile da invertire per alleggerire il
k→∞
metodo, vine scelta diagonale, tri-diagonale, triangolare (è l’unica matrice
che va invertita), ottimo se P = I
e(k) = x(k) − x
P (x − x(k+1) ) = N (x − x(k) )
−1
e(k+1) = P
| {zN} e(k)
matrice di iterazione
(k) (0)
e → 0 ∀e
kP −1 N k < 1 → ρ(P −1 N ) < 1
dove ρ è il raggio spettrale

P (x(k+1) − x(k) ) = b + N x(k) − P x(k)
= b − Ax(k)
= r(k)
r(k) è il residuo, è una misura dell’errore che si sta commettendo
r(k) = 0 se x(k) = x
si può pensare di introdurre un gdl, un acceleratore del metodo che potrà
essere stazionario o dinamico αk
P (x(k+1) − x(k) ) = αk r(k)
es. se P = I
x(k+1) = x(k) + αk r(k)
= x(k) + αk (b − Ax(k) )
= αk b + (I − Aαk )x(k)
Px = Nx + b
A = I −N
N = I −A
x = (I − A)x + b
B = I − αk A → ρ(B) < 1
si scelga αk affinchè ρ(B) sia opportunamente piccolo
|λ(B)| = |1 − αk λ(A)|
Figura 3.2: Andamento del raggio spettrale.
2
0 < α<
λmax
2
αott =
λmin + λmax
3.2.1 Metodo del Gradiente

É equivalente a Richardson non stazionario, ma migliore. L’ipotesi che
si avanza è quella di considerare solamente matrici A simmetriche definite
positive
Ax = b
equivale a trovare il minimo di un potenziale Φ(x)
1 T
Φ(x) = x Ax − xT b
2     
a11 · · · a1n x1 b1
1
= [x1 , . . . , xn ]  ... .. ..   ..  − [x , . . . , x ]  .. 

. .  .  1 n  . 
2
an1 · · · ann xn bn
 
a11 x1 + · · · + a1n xn
1 ..
= [x1 , . . . , xn ]   − [x1 b1 + · · · + xn bn ]
 
2 .
an1 x1 + · · · + ann xn
1
= (a11 x21 + a12 x2 x1 + · · · + a1n xn x1 + a21 x1 x2 + · · · + ann x2n )
2
−(x1 b1 + · · · + xn bn )
si sta cercando il minimo del funzionale, questa espressione va quindi derivata
rispetto ad x e posta uguale a zero
∂Φ 1
= (2a11 x1 + a12 x2 + · · · + a1n xn + a21 x2 + a31 x3 + · · · + an1 xn ) − b1
∂x1 2
ma A = AT ⇒ aij = aji
1
= (2a11 + 2a12 x2 + · · · + 2an1 xn ) − b1
2
= a11 + a12 x2 + · · · + an1 xn − b1 = 0
è esattamente la prima equazione del sistema che si deve risolvere
⇒ ∇Φ = 0 se x è soluzione del sistema; trovare il minimo del potenziale è
come risolvere il sistema lineare
partendo da un x(0) arbitrario
x(k+1) = x(k) + d(k) · αk
un’interpretazione delle nuova posizione può essere intesa come: partire da un
punto x(k) , avanzare secondo una certa direzione d(k) per una certa quantità
αk ; nel metodo di Richardson la direzione di spostamento era il residuo
∇Φ(z) = Az − b
in x(k)
∇Φ(x(k) ) = Ax(k) − b = −r(k)
ne risulta che il residuo è la direzione di massima discesa verso il minimo.

Sulla direzione
x(k+1) = x(k) + αk r(k)

1 (k+1) T (k+1)
Φ x(k+1) = − x(k+1) T b

x Ax
2
1 (k) T T
x + αk r(k) A x(k) + αk r(k) − x(k) + αk r(k) b

=
2
1 (k) T (k) 1 1
= x Ax + αk r(k) T Ax(k) + x(k) T Aαk r(k) +
2 2 2
1
+ αk r(k) T Ar(k) − x(k) T b − αk r(k) T b
2
A è simmetrica ⇒ r(k) T Ax(k) = x(k) T Ar(k)
1 (k) T (k) 1
= x Ax + αk r(k) T Ax(k) + αk2 r(k) T Ar(k)
2 2
−x(k) T b − αk r(k) T b
= · · · + αk r(k) T (Ax (k)
| {z − }b) + · · ·
−r(k)
1 (k) T (k) 1
= x Ax − αk r(k) T r(k) + αk2 r(k) T Ar(k) − x(k) T b
2 2
si deriva e azzera per ottenere l’αk che minimizza Φ
dΦ
= −r(k) T r(k) + αk r(k) T Ar(k) = 0
dαk
r(k) T r(k)
αkott = (k) T (k)
r Ar
si è ottenuta l’espressione dinamica di αk .
Riassumendo: dato x(0) arbitrario, ∀k ≥ 0 fino a convergenza si dovrà
calcolare
r(k) T r(k)

αk = r(k) T Ar(k)
 si calcola αk
(k+1) (k) (k) si aggiorna la soluzione
x = x + αk r
si aggiorna il residuo

 (k+1)
r = b − Ax(k+1)
Si può pensare di ottimizzare il metodo, nel senso di ridurre il costo com-

putazionale, già da subito evitando di calcolare Ax(k+1) e riconducendo questo
calcolo a conti già eseguiti
r(k+1) = b − A(x(k) − αk r(k) )

= b − Ax(k) − αk Ar(k)
r(k+1) = r(k) − αk Ar(k)
in questo modo invece di calcolare Ax(k+1) e Ar(k) si calcola solo la seconda

e la si utilizza più volte.
Si tratti della convergenza: con la soluzione esatta il metodo si ferma
αk = 0 ⇔ r(k) = 0 ⇔ x(k) = x
Th. di convergenza
Il metodo del Gradiente converge ∀x(0) se A è simmetrica definita positiva e
inoltre k+1
(k+1) K(A) − 1
ke k2 ≤ ke(0) k2 ∀k ≥ 0
K(A) + 1
con: K(A) n◦ di condizionamento della matrice, per A s.d.p. K(A) = λλmax min
.
Questo risulta essere un metodo che converge lentamente per una matrice
mal condizionata, ad esempio per K(A) = 100 l’abbattimento dell’errore è
K(A)−1 99
K(A)+1
= 101 , è vicino a 1, se fosse 1 si inchioda e non converge. Più si
impiega a far convergere il metodo e più gli errori hanno modo di propagarsi.
3.2.2 Metodo del Gradiente Coniugato

Il potenziale Φ si può pensare come una vallata di sezione trasversale più
o meno ellittica e parabolica nella sezione longitudinale con al vertice la
soluzione esatta del problema di interesse. Per vallate lunghe e strette →
λmax λmin
K(A) grande, paraboloide ellittico

K(A) piccolo, paraboloide tondo
per velocizzare il raggiungimento del minimo posso pensare di non ripetere

le direzioni già percorse durante la discesa → direzioni ortogonali
r(k) T r(k+1) = 0
?
r(j) T r(k+1) = 0
si impone l’ortogonalità del residuo tra il passo k ed il passo k + 1, quello che

ci si chiede è: tutte le direzioni risulteranno ortogonali? No.
√
→ r(k) T r(k+1) = r(k) T r(k) − αk r(k) T Ar(k) = 0
localmente sono ottimale.
Figura 3.3: Direzioni ortogonali.
→ r(j) T r(k+1) 6= 0
αk non è tale da azzerare tutte le direzioni, risulteranno quindi ortogonali a
2 a 2.
Figura 3.4: Direzioni ortogonali a coppie.
Si ricercano direzioni tra loro tutte ortogonali in quanto muoversi secondo

queste direzioni in uno spazio di dimensione n porta il metodo a convergenza
in n passi.
dato x(0) arbitrario, k ≥ 0 αk =?
x(k+1) = x(k) + αk d(k)
d(k) = ? → dovranno essere ⊥, linearmente indip.
Si cerchi ancora il minimo del potenziale
1 (k) T T
Φ x(k+1) = x + αk d(k) A x(k) + αk d(k) − x(k) + αk d(k) · b

2
1 (k) T (k) 1
Ax + αk d(k) T Ax(k) − b − x(k) T b + αk2 d(k) T Ad(k)

= x
2 2
(k) T (k)
dΦ (k+1) d r
x = 0 ⇒ αk = (k) T (k)
dαk d Ad
∀d si intenda usare, ricavato αk resta da trovare d(k) , si utilizza il residuo
(k)
per trovare d in modo che siano ortogonali al residuo, il motivo è che r(k) è
una combinazione lineare di d
r(k+1) = b − Ax(k+1)
= b − A x(k) +αk d(k)

| {z }
= r(k) − αk Ad(k)
se
d(k) T r(k+1) = d(k) T r(k) − αk d(k) T Ad(k) = 0
la direzione d(k) risulta ⊥ a r(k+1) , se si riuscisse a trovare le nuove direzioni
ortogonali a tutte le precedenti si avrebbe la convergenza in n passi esatti.
?d(j) T r(k+1) = 0?, ci si chiede come devono essere fatte le d(j)
0 = d(j) T r(k) − αk d(j) T Ad(k)
si supponga di aver generato d⊥r al passo prima, allora d(j) T r(k) = 0, affinchè
tutte le d siano ortogonali al passo seguente
d(j) T Ad(k) = 0
le direzioni devono essere ortogonali rispetto ad A, A-ortogonali oppure A-

coniugate.
Avviando la procedura: parto da una direzione ortogonale al primo residuo
d(0) = r(0) inf atti r(0) T r(1) = 0 r(0) ⊥r(1)

ora si imponga che d(1) sia A-ortogonale a d(0)
0 = d(1) T Ad(0)
successivamente
d(2) T Ad(0) = 0
d(2) t.c.
d(2) T Ad(1) = 0
d(k) ?
all’aumentare dell’indice continuano ad aumentare le condizioni da soddis-

fare.
Se A è simmetrica e definita positiva esiste un teorema che dimostra che per
costruire direzioni A-ortogonali basta garantire le A-ortogonalità sull’ultima
coppia di direzioni perchè si parte da direzioni furbe r(k+1) , quello che si trova
è A-ortogonale a tutto il resto
d(k+1) = r(k+1) − βk d(k)

cerco βk := d(k) T Ad(k+1) = 0
d(k) T Ar(k+1) = βk d(k) T Ad(k)
d(k) T Ar(k+1)
βk =
d(k) T Ad(k)
βk è un parametro che A-ortogonalizza rispetto all’ultima direzione, è una
procedura che contiene gli errori di arrotondamento.
Th. di convergenza
Se A è s.d.p. il metodo del Gradiente Coniugato converge alla soluzione
esatta in al più n iterazioni3 , con n = dim(A) e A ∈ Rn×n .
Il difetto è che questo metodo converge alla soluzione esatta in n passi sola-
mente in aritmetica esatta; se si operano degli arrotondamenti l’iterata n non
ha ancora spaziato tutto Rn ; se si continua ad iterare con k > n si comincia
a fare danni. Il metodo si può fermare impostando il numero massimo di
iterate o controllando l’errore
K(A) − 1 k+1 (0)
p
(k+1)
ke kA ≤ p ke kA
K(A) + 1
p
ke(k+1) kA = e(k+1) T Ae(k+1)
si risente meno dell’errore grazie alla presenza della radice. Si può pensare di
ridurre l’errore agendo su K(A) con tecniche di precondizionamento. Altri
criteri d’arresto possono essere basati sul residuo, sulla prima iterata o sul
termine noto
a. kr(k) k ≤ tol kr(0) k
b. kx(k+1) − x(k) k2 ≤ tol ke(0) k
queste grandezze vanno valutate in un norma opportuna inoltre va consid-
erato che rispetto agli altri metodi d’arresto la scalatura del residuo è più
significativo perchè nei termini di accelerazione αk e βk .
Figura 3.5: Andamento del numero di iterate in funzione di K(A).
3.3 Precondizionatori
I precondizionatori sono un modo per ridurre il numero di condizionamento
della matrice di partenza. Una rappresentazione geometrica del numero di
condizionamento è la seguente
3
parte come metodo iterativo ed arriva come metodo diretto
Figura 3.6: Rappresentazione geometrica di K(A).
considerando I = {insieme delle matrici singolari } si può intendere il nu-

mero di condizionamento come la distanza tra la matrice A e questo insieme;
ora se consideriamo le approssimazioni introdotte dal sistema di calcolo (tron-
camenti ecc.) la matrice A cambia avvicinandosi sempre più all’insieme
I 4.
Ax = b 1 sol
(
∞ sol
Ab
bx = b
0 sol
Si può pensare di passare per via algebrica ad un problema equivalente (stessa

soluzione) ma meglio condizionato; partendo da
Ax = b
la strategia di pre-condizionamento trova P invertibile t.c.
K(P −1 A) K(A)
e risolve il sistema
P −1 Ax = P −1 b
Trovare P è un problema non lineare, la soluzione banale è data da P = A,
è inutile perchè è vero che
K(P −1 A) = 1 K(A)
ma invertire P significa invertire A che è il problema iniziale.
4
qual’ora vi entrasse la A risulterebbe singolare, quindi non invertibile e non si può
risolvere il problema.
P non deve essere solamente invertibile, deve anche essere facile da invertire
- Precondizionatore di Jacobi
P = PJ = diag(A)
se tutti gli ai 6= 0; è il più semplice → non funziona tranne quando le
matrici sono a prevalenza diagonale stretta5
n
X
|aii | > aij
j=1÷n6=i
- Precondizionatore in norma 2

P = diag kAi k2
con Ai si intende la riga i-esima di A; questa soluzione funziona par
matrici s.d.p. quando è forte la definita positività
- Precondizionatore tri-diagonale
o di Gauss-Sider; funziona male ed inoltre si perde di simmetria
- Precondizionatore da fattorizzazione di Gauss incompleta
P ' A = LU rimpiazzo L
eUe=P
cosı̀ invertendo P si devono risolvere solo 2 sistemi triangolari6
- Precondizionatore polinomiale o di Neumann
A = P − N = P I − P −1 N

−1 −1
A−1 = I − P −1 N P
X∞

= P −1 N P −1
k=0
troncando la serie si ottengono dei polinomi

q
X
−1

= P N P −1
k=0
metodo costoso converge per ρ P −1 N < 1 ossia per q = 1, 2.

5
per le differenze finite già non va bene
6
si riduce l’occupazione di memoria
Capitolo 4
Differenze Finite 2D e 3D
Il problema modello nel caso di problemi bidimensionali si presenta come

trovare u, Ω → R t.c.
( 2 2
−4u = − ∂∂xu2 − ∂∂yu2 = f in Ω
u = g su ∂Ω
Ω deve essere rettangolo e f, g funzioni note1 .

Problema alle derivate parziali: si sostituisce Ω con un insieme di punti, i
nodi di coordinate
(xi ; yj )
xi = 0, 1, . . . , N
yj = 0, 1, . . . , M
Figura 4.1: Discretizzazione in nodi.

1
problema di Laplace
36
4. Differenze Finite 2D e 3D
(
−4u(xi , yj ) = f (xi , yj ) nei pti interni
−4u = f →
u(xi , yj ) = g(xi , yj ) per (xi , yj ) ∈ ∂Ω
l’equazione funziona per i punti interni, la condizione al contorno per il bordo
∂ 2u ∂ 2u
− (x ,
i jy ) − (xi , yj ) = f (xi , yj )
∂x2 ∂y 2
separatamente si conoscono già le approssimazioni
Figura 4.2: Numerazione a 2 indici.
∂ 2u ui−1,j − 2ui,j + ui+1,j

− 2
(xi , yj ) = −
∂x h2x
∂ 2u ui,j−1 − 2ui,j + ui,j+1
− 2 (xi , yj ) = −
∂y h2y
ne segue
ui−1,j − 2ui,j + ui+1,j ui,j−1 − 2ui,j + ui,j+1
− 2
− = f (xi , yj )
hx h2y
si cerca la sparsità della matrice
(
− h12 ui−1,j − h12 ui,j−1 + 2ui,j h12 + 1 1 1

h2y
− u
h2x i+1,j
− u
h2y i,j+1
= f (xi , yj )
x y x
ui,j = g(xi , yj )
cambiando la numerazione si può semplificare la struttura della matrice
con questa tecnica si ottiene una matrice pentadiagonale del tipo
nel caso del problema completo a coefficienti costanti
∂u ∂u
−4u + βx + βy + σu = f
∂x ∂y
∂u uI+1 − uI−1
con =
∂x 2hx
∂u uI+(N +1) − uI−(N +1)
con =
∂y 2hy
Figura 4.3: Numerazione a 1 indice e schema a croce.
Figura 4.4: Sparsità della matrice con lo schema a croce.
e se ci fossero derivate miste

∂ 2u
(xI )
∂x∂y
∂u
∂ ∂u ∂y
(xI+1 ) − ∂u
∂y
(xI−1 )
(xI ) '
∂x ∂y 2hx
∂u uI+1+(N +1) − uI+1−(N +1)
con (xI+1 ) '
∂y 2hy
∂u uI−1+(N +1) − uI−1−(N +1)
con (xI−1 ) '
∂y 2hy
si può notare che le derivate miste allargano il supporto
Figura 4.5: Supporto per le derivate miste.
l’accuratezza è 2 rispetto ad h con h = max(hx , hy ); il passo variabile è

impiegato solitamente a blocchi e nei blocchi h rimane costante.
Per il problema

−∇ · ν∇u = f
(
w = ν∇u
−∇w = f
| {z }
∂w1 ∂w2
− − = f
∂x ∂y
∂u
w1 =
∂x
∂u
w2 =
∂y
si complica tutto.
Se Ω è arbitrario e non rettangolare
Figura 4.6: Dominio generico.
il primo modo per discretizzare il problema è approssimare il bordo al reticolo

di nodi che lo contiene interamente utilizzando la condizione al contorno sul
nuovo bordo (che risulterà squadrettato) e l’equazione del problema sui nodi
interni. Nonostante l’approssimazione del bordo migliora affinando il passo
risultano non definiti g, ν, f (spesso valori sperimentali) fuori dal dominio
fisico2 .
Si può pensare di utilizzare un metodo di calcolo combinato che utilizzi delle
griglie non equispaziate per descrivere il bordo e griglie equispaziate per i
nodi interni.
2
le condizioni al contorno sono valori sul bordo, il bordo squadrettato non è il bordo
del problema
Figura 4.7: Soluzione alternativa.
Per questo tipo di approccio si pagano due codici: strutturato per i nodi
interni e non strutturato sul bordo, in compenso il metodo funziona.
Un’ulteriore soluzione è la mappatura di Ω
Figura 4.8: Mappatura del dominio.
si cerca una mappa che faccia lavorare sul rettangolo, perchè sul dominio
rettangolare le differenze finite sono ottimali. I problemi che si incontrano
sono legati all’arrotolamento della discretizzazione, inoltre mappando si cam-
biano i sistemi di riferimento e le derivate includono derivate incrociate e con
direzione strane dudx
= dbx du
dx db
x
+ db
y du
dy db
y
.
Sul vero dominio la griglia si deforma e può creare accumulazioni inutili e
addirittura sforare il dominio stesso.
Figura 4.9: Deformazione del reticolo.
Nel caso di domini 3D tutto funziona come per i domini 2D, ma con una
direzione in più
Figura 4.10: Discretizzazione del dominio 3D.
si suddivide in cubetti e la soluzione è solo sui vertici, anche in questi casi

se compaiono derivate miste il supporto dallo schema a diamante (7 nodi)
diventa cubico.
Figura 4.11: Schema a diamante e diamante con derivate miste.
Anche per il 3D si può pensare ad una tecnica di mappatura, uno degli

impieghi è l’idrodinamica marina; si utilizzano le differenze finite mappate
perchè quando si ritorna al dominio fisico la mesh segue il fondo (Mappa σ).
Figura 4.12: Mesh nel dominio fisico.
Capitolo 5
Spazi
5.1 Spazio L2
Definizione dello spazio L2 (è uno spazio di Lebesgue)
Z 1
2 2
L(0,1) = v : v dx < ∞
0
Prodotto scalare in L2
Z 1
(v, w)L2(0,1) = vw dx
0
Norma in L2 s
q Z 1
kvkL2(0,1) = (v, v)L2(0,1) = v 2 dx
0
5.2 Spazi H 1
Definizione dello spazio H 1 (è uno spazio di Sobolev)

1 2 0 2
H(0,1) = v ∈ L(0,1) , v ∈ L(0,1)
Definizione dello spazio H01

H01(0,1) 1
= v ∈ H(0,1) , v(0) = v(1) = 0
42
5. Spazi
Prodotto scalare in H 1 e H01

Z 1 Z 1
(v, w) 1
H(0,1) = vw dx + v 0 w0 dx
0 0
Norma in H 1 e H01
s
q Z 1 Z 1
kvkH(0,1)
1 = (v, v)H(0,1)
1 = v2 dx + v 02 dx
0 0
kuk2H 1 = kuk2L2 + ku0 k2L2
5.3 Spazi Xh1

Definizione dello spazio Xh1

1 1 0
Xh = vh : vh |Ii ∈ P , vh ∈ C (0, L)
è un stottospazio di H 1
◦
Definizione dello spazio Xh1
◦

1 1
Xh = vh ∈ Xh , vh (0) = vh (L) = 0
5.4 Proprietà
Disuguaglianza di Cauchy-Schwartz
(v, w)L2(0,1) ≤ kvkL2(0,1) kwkL2(0,1)
Disuguaglianza di Poincaré
∃c > 0 (funzione solo nell’intervallo) t.c. ∀u ∈ H01(0,L)
kukL2(0,L) ≤ cku0 kL2(0,L)

Disuguaglianza tra spazi
ku0 kL2 kv 0 kL2 ≤ kukV kvkV
perchè la norma in V (H 1 o H01 ) contiene la stessa parte di quella in L2 più

un altro pezzo positivo
5. Spazi
5.5 Spazio di Hilbert

Caratteristiche dello spazio di Hilbert:
o Spazio vettoriale chiuso rispetto alla operazione somma, contiene l’ele-

mento nullo, unità ecc.
o Spazio normato ∃k · k V → R t.c.
1. kvkV ≥ 0 e kvkV = 0 ⇔ v = 0
2. kα · vkV = |α| · kvkV ∀α ∈ R, ∀v ∈ V
3. kv + wkV ≤ kvkV + kwkV ∀v, w ∈ V
o Il funzionale F : V → R è lineare e continuo ∃c > 0 t.c. |F (v)| ≤

ckvkV ∀v ∈ V
o Spazio in cui le successioni di Cauchy di elementi dello spazio conver-

gono a elementi dello spazio (spazi di Banach)
o Spazio chiuso rispetto al prodotto scalare (misuro gli angoli)
Capitolo 6
Formulazioni deboli
−u00 = f
moltiplico per la funzione test e integro
Z 1 Z 1
00
− u v dx = f v dx
0 0
integro per parti
Z 1 Z 1 h i1
00
− u v dx = u0 v 0 dx − u0 v
0 0 0
riscrivendo il problema
Z 1 h i1 Z 1
u v dx − u0 v =
0 0
f v dx
0 0 0
Il problema debole risulta equivalente al problema variazionale:

(
J(u) = min J(v) con
cercare u ∈ V : v∈V
1 R1
J(v) = 21 0 (v 0 )2 dx − 0 f v dx
R
Si supponga che u sia soluzione del problema variazionale, allora ponendo

v = u + δw si ha che
J(u) ≤ J(u + δw) ∀w ∈ V
si ricerca il minimo, quindi mediante rapporto incrementale, si deriva e

manda a zero
J(u + δw) − J(u)
lim =0
δ→0 δ
45
6. Formulazioni deboli
da cui
1 1
Z Z 1
0 2
J(u + δw) = [(u + δw) ] dx − f (u + δw) dx
2 0 0
1 1 02
Z Z 1 Z 1
2 02 0 0
= [u + δ w + 2δu w ] dx − f u dx − f δw dx
2 0 0 0
1 1 2 02
Z Z 1
0 0
= J(u) + [δ w + 2δu w ] dx − f δw dx
2 0 0
di conseguenza
1 1
J(u + δw) − J(u)
Z Z
1 02 0 0
= [δw + 2u w ] dx − f w dx
δ 2 0 0
passando al limite e imponendo che si annulli si ottiene

Z 1 Z 1
0 0
u w dx − f w dx = 0
0 0
ovvero u soddisfa il problema debole.
6.1 Dirichlet Omogeneo

u(0) = u(1) = 0 restringo la ricerca alle v : v(0) = v(1) = 0 semplificando
con le condizioni al contorno il problema diventa
trovare u ∈ H01 t.c. ∀v ∈ H01

Z 1 Z 1
0 0
u v dx = f v dx
0 0
6.2 Dirichlet Non Omogeneo

u(0) = g0 e u(1) = g1 sono le condizioni date al contorno riscrivo la soluzione
nella forma
◦
u(x) = u(x) + Rg
Riscrivendo il problema come soluzione del problema omogeneo
 ◦
− u00 = f


◦
u(0) =0
◦


u(1) = 0
e rilevamento del dato al contorno (definito perchè è una retta)


00
−Rg = 0

Rg (0) = g0

Rg (1) = g1

◦
trovare u ∈ H01 t.c. ∀v ∈ H01
Z 1 ◦ Z 1 Z 1
0 0
u v dx = f v dx − Rg0 v 0 dx
0 0 0
6.3 Neumann Omogeneo

−u00 +u = f formulazione del problema necessaria per avere una sola soluzione
u0 (0) = u0 (1) = 0 sono le condizioni date al contorno, moltiplicando per la
funzone test v e integrando per parti si ottiene
Z 1 h i1 Z 1 Z 1
0 0 0
u v dx − u v + uv dx = f v dx
0 0 0 0
semplificando con le condizioni al contorno il problema diventa
trovare u0 ∈ H 1 t.c. ∀v ∈ H 1
Z 1 Z 1 Z 1
0 0
u v dx + uv dx = f v dx
0 0 0
6.4 Neumann Non Omogeneo

u0 (0) = ψ0 e u0 (1) = ψ1 sono le condizioni date al contorno il probelma
assume la forma
trovare u ∈ H 1 t.c. ∀v ∈ H 1
Z 1 Z 1 Z 1
0 0
u v dx + uv dx = f v dx + ψ1 v(1) − ψ0 v(0)
0 0 0
6.5 Funzionali e Forme

6.5.1 Funzionale
Il funzionale è una generalizzazione della funzione, è un’applicazione che va
da uno spazio di funzioni a un numero reale
F :V →R
es.
1 1 2
Z
F (v) = |v| dx ∀v ∈ V
2 0
Z 1
F (v) = v dx
0
il primo esempio è un funzionale non lineare il secondo lineare, nel senso che
F (αv + βw) = αF (v) + βF (w)

∀α, β ∈ R
∀v, w ∈ V
L’integrale ha ragion d’essere in quanto distrugge la dipendenza da x restituen-

do un numero.
Riprendendo le formulazioni deboli si può mostrare:
Dirichlet Omogeneo
Z 1
F (v) = f v dx
0
f ∈ L2(0,1) assegnata
∀v ∈ H01 = V lineare
Dirichlet Non Omogeneo
Z 1 Z 1
F (v) = f v dx − Rg0 v 0 dx
0 0
2
f ∈ L(0,1) assegnata
1
Rg ∈ H(0,1)
∀v ∈ H01 = V lineare
Neumann Omogeneo
Z 1
F (v) = f v dx
0
f ∈ L2(0,1) assegnata
∀v ∈ H 1 = V lineare
Misura del Funzionale

Per valutare un funzionale gli si fa processare una funzione e se ne prende il
massimo, un po’ come si è fatto per le matrici
|F (v)|
|kF k| = sup
||v||V
si normalizza per svincolarsi dal caso particolare.
6.5.2 Forma
É un’applicazione binaria1 che va da una coppia di spazi ai numeri reali
a(·, ·) = V × W → R
ne è un esempio il prodotto scalare xT · y → R, si parte da due vettori e si
arriva ad un numero.
La differenza sostanziale tra Forme e Funzionali sta nel fatto che le forme
danno lo stesso peso agli argomenti che le processano mentre nei funzionali
la F è fissa e si da peso alla v
Z 1
f v dx = a(f, v) ∀f, v ∈ V
0
Z 1
f v dx = F (v) ∀v ∈ V
0
Riprendendo le formulazioni deboli
Dirichlet Omogeneo e Non Omogeneo

Z 1
a(u, v) = u0 v 0 dx
0
∀u, v ∈ H01
stessa forma ma cambia il funzionale
1
tratta 2 argomenti
Neumann Omogeneo e Non Omogeneo

Z 1 Z 1
0 0
a(u, v) = u v dx + uv dx
0 0
∀u, v ∈ H 1
Forme bilineari
Per forme bilineare si intendono lineari rispetto entrambi gli argomenti
a(αu + βw, v) = αa(u, v) + βa(w, v)

∀α, β ∈ R
∀u, v, w ∈ V
linearità I ◦ argomento
a(u, αv + βw) = αa(u, v) + βa(u, w)
∀α, β ∈ R
∀u, v, w ∈ V
linearità II ◦ argomento
Forme simmetriche
a(u, v) = a(v, u) ∀u, v ∈ V
6.6 Lemma di Lax-Milgram

Dato il problema
trovare u ∈ V t.c. a(u, v) = F (v) ∀v ∈ V
la soluzione ∃! se
1. V è uno spazio di Hilbert
2. la forma a : V × V → R è:
o bilineare: a(αu + βw, v) = αa(u, v) + βa(w, v) e

a(u, αv + βw) = αa(u, v) + βa(u, w)
∀α, β ∈ R e ∀u, v, w ∈ V
o continua: ∃M > 0 t.c. |a(u, v)| ≤ M kukV kvkV ∀v ∈ V
o coerciva: ∃α > 0 t.c. |a(u, u)| ≥ αkuk2V ∀u ∈ V
3. il funzionale F : V −→ R è lineare e continuo: ∃c > 0 t.c.

|F (v)| ≤ ckvkV ∀v ∈ V
6.6.1 Verifica delle ipotesi

Continuità della forma a(u, v)
∃M > 0 t.c. a(u, v) ≤ M kukV kvkV

Z L
a(u, v) = u0 v 0 dx = (u0 , v 0 )L2(0,L) ≤ M kukV kvkV
0
ku0 kL2(0,L) kv 0 kL2(0,L) ≤ M kukV kvkV
a(u, v) ≤ kukV kvkV M =1
Coercività della forma a(u, v)
∃α > 0 t.c. a(u, u) ≥ αkuk2V

Z L
a(u, u) = (u0 )2 dx = ku0 k2L2
(0,L)
0
con kuk2H 1 = kuk2L2 + ku0 k2L2
(0,L) (0,L) (0,L)
kuk2V ≤ CP2 ku0 k2L2 + ku0 k2L2

(0,L) (0,L)
kuk2V ≤ (1 + CP2 )ku0 k2L2

(0,L)
1
→ ku0 k2L2 ≤ kuk2V
(0,L) 1 + CP2
1
a(u, u) ≥ kuk2V
1 + CP2
| {z }
α
Continuità del funzionale F (v)
∃c > 0 t.c. F (v) ≤ ckvkV ∀v ∈ V

Z L
F (v) = f v dx = (f, v)L2(0,L) con f ∈ L2(0,L)
0
F (v) ≤ kf kL2(0,L) kvkL2(0,L)
| {z }
c
αkuk2V ≤ a(u, v) = F (v) ≤ ckukV
Capitolo 7
Metodo degli Elementi Finiti
(Galerkin)
Trovare u ∈ V t.c. a(u, v) = F (v) ∀v ∈ V

Il problema viene risolto limitando lo spazio V delle funzioni test da spazio
in infinite dimensioni a spazio finito di dimensione N (h) = dimVh < +∞,
h→0
l’approssimazione è interna Vh −→ V .
Il problema che risolve Galerkin è
trovare uh ∈ Vh t.c. a(uh , vh ) = F (vh ) ∀vh ∈ Vh
applicando il Lemma di Lax-Milgram ricavo la stabilità del sistema e la sua
controllabilità dai dati c e α
C
∃! la soluzione uh e inoltre kuh k < α
Utilizzo le basi dello spazio Vh per costruire u sugli elementi

N (h)
X
uh (x) = ϕi (x)ui
i=1
NX
(h)
a ui ϕi (x), vh = F (vh ) ∀vh ∈ Vh
i=1
N (h)
X
ui a(ϕi (x), vh ) = F (vh ) ∀vh ∈ Vh
i=1
se vale per tutte le funzioni di base l’ho controllata per tutto lo spazio
∀vh ∈ V → ∀ϕj ∈ B(Vh )
52
7. Metodo degli Elementi Finiti (Galerkin)
N (h)
X
ui a(ϕi (x), ϕj ) = F (ϕj ) j = 1, 2, ..., N (h)
i=1
per qualsiasi Vh Galerkin mi rimanda ad un sistema lineare, basta che la

→
− →
−
forma sia bilineare: A→
−
u = f con →−
u = ui , f = F (ϕi ), A = a(ϕi , ϕj )
Considero il problema modello −u00 = f in (0, L); devo calcolare

Z L Z L
a(ϕi , ϕj ) = ϕ0i ϕ0j dx e F (ϕj ) = f ϕj dx
0 0
prima scelgo le funzioni di base da utilizzare, utilizzo funzioni in Xh1 , polinomi

di primo grado sull’elemento con valore unitario sul vertice i-esimo e zero
altrove.
ϕi di base per Xh1 , sul vertice sono
(
1 i=j
ϕi (xj ) =
0 i 6= j
le funzioni ϕi (x) sull’elemento risultano essere

 x−xi−1
 xi −xi−1 se x ∈ (xi−1 , xi )

i+1 −x
ϕi (x) = xxi+1 −xi
se x ∈ (xi , xi+1 )

0 altrimenti

calcolo gli integrali

(
L
se j 6∈ (i − 1, i, i + 1)
Z
0
a(ϕi , ϕj ) = ϕ0i ϕ0j =
0 6= 0 altrimenti
in questo modo A è tridiagonale, sarebbe piena se avessi usato le basi di

Lagrange.
La forzante va approssimata e il funzionale calcolato con formule di quadratu-
ra numerica;
Z L Z xi+1 c
Y X
F (ϕi ) = f ϕi dx = f ϕi dx = f (x) = f (xi )ϕi (x)
0 xi−1 h i
X Z xi+1
≈ f (xα ) ϕj ϕi dx
j xi−1
Considero il caso di elementi tutti della stessa dimensione h

Z xi Z xi
0 0 1 1 1
ai,i−1 = a(ϕi−1 , ϕi ) = ϕi−1 ϕi dx = − · dx = −
xi−1 xi−1 h h h
1
ai,i+1 = ... = −
h Z
xi+1
2
ai,i = a(ϕi , ϕi ) = (ϕ0i )2 dx =
xi−1 h
il sistema lineare che si ottiene è
 
h 0 ··· ··· ··· 0
 .. 
 −1 2 −1 . 
 . .. 
 .
1  . −1 2 −1 .

A=  .

h  .. .. .. .. .
. ..

 . . 

 .. 
 . −1 2 −1 
0 ··· ··· ··· 0 h
il vettore delle incognite e del termine noto sono
   
u0 R g0
 u1   f ϕ1 
 .   .. 
 . 
. .
 
u= .  f =
   
 ..  .. 
 

R . 

 uN (h)   f ϕN (h) 
uN (h)+1 g1
porre attenzione al calcolo
R del termine noto, se uso la formula di quadratura
del trapezio ottengo f ϕi → hf (x)
L’errore di consistenza risulta:

τh = a(u, vh ) − F (vh )
= a(u, vh ) − a(uh , vh )
= a(u − uh , 0)
τh = 0
il metodo è fortemente consistente perchè non è necessario h → 0 per avere
errore di consistenza nullo.
Considerando la forma a(u − uh , 0) = 0 come prodotto scalare, il lemma di
Céa rivela che u − uh e Vh sono ortogonali, il metodo di Galerkin è la miglior
approssimazione di u, u − uh ⊥ Vh .
Figura 7.1: Significato geometrico del Lemma di Céa.
7.1 Convergenza
h→0
? ku − uh k2V −→ 0 ?
αku − uh k2V ≤ a(u − uh , u − uh ) coercività della forma bilineare

a(u − uh , u − vh + vh − uh )
a(u − uh , u − vh ) + a(u − uh , vh − uh )
a(u − uh , u − vh ) + a(u − uh , wh )
| {z }
0 per consistenza f orte
a(u − uh , u − vh )
αku − uh k2V ≤ M ku − uh kV ku − vh kV continuità della forma bilineare
M
ku − uh kV ≤ ku − vh kV ∀vh ∈ Vh
α
h→0
se Vh −→ V allora ku − uh k → 0 per h → 0
7.1.1 Ordine di convergenza

Le relazioni che reggono l’ordine di convergenza sono
ku − Πrh ukL2 ≤ chl+1 kukH s+1

ku − Πrh ukH 1 ≤ chl kukH s+1
con l = min(r, s), infatti utilizzando polinomi interpolanti di grado uno e

calcolando la norma in uno spazio di regolarita superiore a uno, non ci si può
aspettare k · kH 1 di ordine maggiore al primo. Si nota inoltre che l’errore in
norma L2 converge con un ordine in più, ciò è dovuto al fatto che H 1 chiede
una regolarità maggiore, per l’appunto sulla derivata prima e derivando si
divide per h.
7.2 Problemi di Diffusione-Trasporto(-Reazione)

−νu00 + βu0 + σu = f in (0, L)
con ν coefficiente di diffusione o viscosità, β coefficiente di trasporto e σ
coefficiente di reazione; considero ν > 0 e β, σ qualsiasi.
Considero il caso Dirichlet omogeneo e passo alla formulazione debole
Z L Z L Z L Z L
00 0
−ν u v dx + β u v dx + σ uv dx = f v dx ∀v ∈ H01 (0, L)
0 0 0 0
Z L h iL Z L Z L Z L
ν u0 v 0 dx − u0 v +β u0 v dx + σ uv dx = f v dx
0 0 0 0 0
| {z }
0 v∈H01
scelto lo spazio V devo verificare che tutti gli integrali esistano,

uso Lemma di Lax-Milgram
H01 è uno spazio di Hilbert
RL
se f ∈ L2 (0, L) ⇒ ∃ 0 f v dx
continuità di a(u, v)
Z L Z L Z L
0 0 0

|a(u, v)| ≤ ν u v dx + |β| u v dx + σ uv dx
0 0 0
applico la disuguaglianza di Cauchy − Schwartz
νku0 kL2 kv 0 kL2 + |β|ku0 kL2 kvkL2 + σkukL2 kvkL2
maggioro con norma in V e raccolgo
|a(u, v)| ≤ (ν + |β| + σ) kukV kvkV
| {z }
M
coercività di a(u, v)
|a(u, v)| ≥ αkuk2V ∀u ∈ V
Z L Z L Z L
0 2 0
ν (u ) dx + |β| u u dx + σ u2 dx
0 0 0
Z L
β
νku0 k2L2 + (u2 )0 dx + σkuk2L2
2
| 0 {z
| {z } | {z }
>0 } >0 trascuro
=0 Dirichlet omog.
ν
|a(u, v)| ≥ kuk2V
1 + CP
| {z }
α
per Lax-Milgram ⇒ ∃! soluzione, so anche che

kf kL2
kukV ≤
α
α dipende unicamente da ν, se ν → 0 non ho più il controllo sulla norma

della soluzione, Galerkin funziona per diffusione dominante.
Applico Galerkin
M (ν, β, σ)
ku − uh kV ≤ ku − vh k ∀vh ∈ Vh
α(ν)
per Mα
grande non controllo l’errore, questo avviene per problemi a trasporto
o reazione dominante: |β| ν o σ ν.
7.3 Problema modello a trasporto dominante

(
−u00 + βu0 = 0
u(0) = 1 u(1) = 0
cerco la soluzione fisica per β = 1 e → 0:
se = 0 il problema diventa u0 = 0, u è una retta orizzontale, per β > 0
come in questo caso viene trascinata la soluzione al contorno sinistro per poi
raccordarsi con la soluzione al contorno destro;
se = ∞ riscrivendo il problema −u00 + 1 u0 = 0 ottengo −u00 = 0, u è ancora
una retta e congiunge le soluzioni al contorno.
Figura 7.2: Soluzione fisica del problema.
Se faccio processare il problema al calcolatore ottengo delle oscillazioni della

soluzione che forniscono valori non fisici; questo accade fino a quando h ' ,
fastidioso.
Applico Galerkin al problema per trovare quando non ho oscillazioni spurie,
calcolo gli integrali per il termine di trasporto


ϕi−1 ϕi = − β2 ui−1
R 0
Z βui−1

β u0h ϕi → βui ϕ0i ϕi = 0
R
βui+1 ϕ0i+1 ϕi = β2 ui+1


 R
lo schema risulta
(
− h (ui+1 − 2ui + ui−1 ) + β2 (ui+1 − ui−1 ) = 0
u(0) = 1 u(L) = 0
raccolgo per termini simili

β β
ui+1 (− + ) + 2 ui + ui−1 (− − ) = 0
h 2 h h 2
Definisco il numero di Peclét (simile a Reynolds)
|β| |β|h
Pe = L P eh =
2ν 2ν
dove P eh è il numero di Peclét locale (sull’elemento).
h
Moltiplicando la riformulazione del problema per
ottengo
ui+1 (P eh − 1) + 2ui − ui−1 (1 + P eh ) = 0 i = 1, 2, . . . , N (h)
sfruttando l’analogia con le equazioni alle differenze ottengo
ui = c1 r0i + c2 r1i
| {z }
simile c1 eλ1 t +c2 eλ2 t
= rki+1 (P eh − 1) + 2rki − rki−1 (1 + P eh )

= semplifico per rki−1
= rk2 (P eh − 1) + 2rk − (1 + P eh )
−1 ± P eh
= r0,1 =
P eh − 1
1 + P eh i
ui = c1 + c2 ( )
1 − P eh
ricavo le costanti con le condizioni al contorno, la soluzione esplode quando
esplode il termine ( 1+P eh N (h)+1
1−P eh
) , non ho oscillazioni spurie per P eh < 1 ossia
h < 2, scomodo, ma è la soluzione migliore perchè quella di Galerkin come
dimostra il Lemma di Céa; il problema nasce dal fatto che il trasporto è
centrato, devo decentrare il trasporto.
7.3.1 Decentramento del metodo di Galerkin (UpWind)

Voglio decentrare lo schema di Galerkin perchè nei problemi a trasporto
dominante ha più importanza quello che succede prima di quello che succede
dopo.
Partendo dallo schema delle differenze finite decentrate indietro cerco un
legame con lo schema degli elementi finiti per decentrare indietro il problema
ui − ui−1 ui ui−1 ui−1
= − −
h h 2h 2h
ui ui−1 ui+1 ui+1 ui−1
= − + − −
h 2h 2h 2h 2h
1 2ui − ui−1 − ui+1 ui+1 − ui−1
= +
2 h 2h
ui − ui−1 h ui+1 − 2ui + ui−1 ui+1 − ui−1
= − +
h 2 h2 2h
il nuovo problema alle differenze finite diventa
βh ui+1 − 2ui + ui−1 ui+1 − ui−1
−( + ) 2
+β =0
2 h 2h
βh
νnumerica = +
2
βh
= (1 + )
2
νnum. = (1 + P eh )
non produce oscillazioni spurie per qualsiasi β e per P e > 0 perchè il numero
di Peclét del nuovo problema è sempre minore dell’unità
βh
P e∗ =
|{z} 2νnum.
nuovo problema
βh
=
2(1 + P eh )
P eh
P e∗ = <1 ∀h
1 + P eh
Decentrare gli elementi finiti significa cambiare la viscosità, la formulazione
debole al problema omogeneo di trasporto dominante diventa
Z L Z L
0 0
νnum. uh vh dx + β u0h vh dx = 0 ∀vh ∈ Vh
0 0
questo non è un metodo di Galerkin perchè modifico il problema, inoltre

sarebbe valido solo nel caso di ν, β costanti e h uniforme. Il metodo da un’ac-
curatezza al più di ordine uno; in realtà sto risolvendo un altro problema, il
mio schema è come se vedesse un problema centrato con altra viscosità, le
soluzioni sono vicine a quelle del mio problema quando h si avvicina all’ordine
di grandezza della viscosità fisica; in più dimensioni butto via tutto.
7.4 Problema modello a reazione dominante

(
−u00 + σu = 0
u(0) = 1 u(1) = 0
cerco la soluzione fisica per σ = 1 e → 0:
Figura 7.3: Soluzione fisica del problema.
analogamente al caso di trasporto dominante valuto la soluzione per = 0 e

= ∞ con le differenze finite ottengo la soluzione analitica, con gli elementi
finiti non succede, perchè la matrice di massa non è diagonale
Z Z L
σ uh vh = σ uh ϕi dx
0
|{z}
PN (h)+1
j=0 uj ϕj
Z L Z L Z L
= σ(ui−1 ϕi−i ϕi dx + ui ϕ2i dx + ui+1
ϕi+i ϕi dx)
0 0 0
Z xi Z xi+1 Z xi+1
2
= σ(ui−1 ϕi−i ϕi dx + ui ϕi dx + ui+1 ϕi+i ϕi dx)
xi−1 xi−1 xi
= utilizzo la quadratura di Simpson
Z
h 2 h
σ uh vh = σ(ui−1 + ui h + ui+1 )
6 3 6
è stata impiegata la quadratura di Simpson1 perchè il trapezio da integrale

nullo.
Lo schema risulta

h 2 h
− h (ui+1 − 2ui + ui−1 ) + σ (ui−1 + ui h + ui+1 ) = 0


| 6 3
{z 6}

 M matrice di massa
u(0) = 1 u(L) = 0
per = 0 trovo (
ui−1 + ui + ui+1 = 0
u(0) = 1 u(L) = 0
ho la soluzione a dente di sega ed è dovuto al fatto che la matrice di massa
non è diagonale.
7.4.1 Condensazione della matrice di massa (Mass-Lumping)

Approssimo M per quadratura numerica in modo da renderla diagonale, la
processo con funzioni a capanna fi ∈ Xh1 ne segue
Z L (
6= 0 se j ∈ (i − 1, i, i + 1)
mij = ϕi ϕj dx =
0 = 0 altrimenti
(
0 se j 6= i
m̃ij =
6= sej = i
in questo modo diagonalizzo M , inoltre volgio che kM − M̃ k = o(h) ossia

che l’errore vada almeno come l’errore di discretizzazione, uso la quadratura
del trapezio perchè usa direttamente i nodi di discretizzazione

1
Z R2 (xi − xi−1R)[ϕi−1 (xi−1 )ϕi (xi−1 ) + ϕi−1 (xi )ϕi (xi )] = 0
 6 i
j=
xi 2 xi+1 2 1
mij = ϕj ϕi ≈ ϕ + xi ϕi = 2 h · 2 · 1 = h = m̃ii
xi−1 i

1
2
(xi+1 − xi )[ϕi+1 (xi+1 )ϕi (xi+1 ) + ϕi+1 (xi )ϕi (xi )] = 0 j=6 i
si verifica facilmente che

1
X
m̃ii = mi,i+j
j=−1
l’elemento diagonale è la somma degli elementi della riga della matrice di

massa di partenza.
h
1
R P
f= k 6 [f (xk−1 ) + 4f (xk− 12 ) + f (xk )]
Il discorso funziona anche nel caso in cui si utilizzino f ∈ Xh2 , in questo

caso la formula di quadratura più appropriata è quella di Simpson in quanto
quadro su 3 punti.
Anche in questo caso esco dal metodo di Galerkin perchè non uso la forma
ed il funzionale esatti (motivo per cui Galerkin in teoria non è praticabile).
Capitolo 8
Discretizzazione di ordine 2 in spazio
dipendenti dal tempo
Problema parabolico
∂u
u00 +β |{z}
− ν |{z} u0 +σu = f u = u(x, t)
∂t 2 ∂u
∂ u
∂x2 ∂x
x ∈ (0, L) e t ∈ [0, T ]
mi occupo di coefficienti variabili al massimo dipendenti dal solo spazio:
ν = ν(x) β = β(x) σ = σ(x) f = f (x, t)
il dominio computazionale è Q = (0, L) × [0, T ]

Ho inoltre bisogno di condizioni iniziali e finali oltre che condizioni al bordo;
per quanto riguarda le condizioni finali si lascerà che il fenomeno venga guida-
to dalla forzante f (problema di controllo) non fissando condizioni finali che
renderebbero il problema mal posto; quelle iniziali sono del tipo
per t = 0 u(x, 0) = u(x);
per quanto riguarda le condizioni al bordo posso utilizzare condizioni di tipo:
Dirichlet u(x, t) = g(x, t), Neumann u0 (x, t) = ϕ(x, t) o miste.
8.1 Formulazione debole

∂u
+ Lu = f
∂t
è la formulazione forte, per passare alla debole, moltiplico per la funzione
test ed integro sul dominio Q
63
8. Discretizzazione di ordine 2 in spazio dipendenti dal tempo
Tipo 1
Z Z
∂u
( + Lu)v dQ = f v dQ
Q ∂t Q
significa che anche v = v(x, t), se faccio cosı̀ sembra che t non abbia verso, le
soluzioni dipendono dal anche dal futuro.
Tipo 2
fisso il tempo T
∀t ∈ [0, T ] cerco u(x, t) ∈ V t.c. ∀v = v(x) ∈ V
Z L Z L Z L
∂u
v dx + Luv dx = f v dx
0 ∂t 0 0
affetto Q per ogni istante temporale cosı̀ non integro su t.
A tempo congelato conosco tutto
Z L
∂u
v dx + a(u, v) = F (v)
0 ∂t
V? non dipende da t (
H 1 (0, L)
V =
H01 (0, L)
Ho soluzione quando
∀t ∈ (0, T ] vale l’hp di Lax-Milgram ⇒ ∃! della soluzione
la coercività diventa
R ∂u u=v
v −→ 12 ∂t
∂
u = 12 ∂t
∂
R 2
∂t
kuk2L2 u(t, 0) = u0 (x) indebolisco la coercività, ho
tralasciato t = 0 quindi fisso una condizione al contorno ∀x ∈ (0, L)
coercività debole:
a(u, u) + λkuk2L2 ≥ αkuk2V
8.2 Discretizzazione in spazio con Elementi

Finiti
Galerkin elementi finiti ∀t ∈ [0, T ], devo dare una dimensione finita a V
h→0
Vh t.c. dimVh = N (h) < +∞ e Vh −→ V
◦ ◦
ne segue che Vh è uno spazio Xh1 Xh1 Xhr
mi gioco lo spostamento dei nodi nel tempo, ma io voglio V fisso, in questo
modo si ottengono matrici di massa e rigidezza indipendenti dal tempo e si

possono calcolare una volta sola.
∀t ∈ (0, T ] cerco uh = uh (x, t) ∈ Vh t.c.

Z L
∂uh
vh dx + a(uh , vh ) = F (v) ∀vh ∈ Vh
0 ∂t
uh (x, 0) = u0 (x) ∀x ∈ (0, L)
in generale non posso scrivere u0 (x) in quanto è una funzione continua, va

quindi discretizzata, meglio scrivere uh (x, 0) = Πh u0 (x); eπ va come l’errore
dell’approssimazione del problema
N (h)
X
uh (x, t) = ui (t)ϕi (x)
i=1
ui (t) perchè devo sentire il tempo in qualche modo, ϕi (x) perchè Vh 6= V (x, t)
vh (x) = ϕi (x) ∀t ∈ (0, T ) trovare per i = 1, ..., N (h)

Z L N (h) NX(h) Z L
∂ X
uj (t)ϕj (x) ϕi (x) dx + a uj (t)ϕj (x), ϕi = f (x, t)ϕi (x) dx
0 ∂t j=1 j=1 0
N (h) N (h)
X ∂uj Z L X Z L
ϕj (x)ϕi (x) dx + uj (t) a(ϕj (x), ϕi ) = f (x, t)ϕi (x) dx
j=1
∂t 0 j=1
| {z } 0
| {z } kij
mij
uj = uj (t) dipende solo dal tempo, riscrivendo ~u(t) = uj (t) il problema

diventa (
M d~u
dt
+ K~u = F~ (t) t ∈ (0, T ]
~u(0) = ~u0,h
dove ~u0,h è l’interpolato i-esimo ~u0,ni = Πh u0 (ui ), si ottiene un sistema di
equazioni differenziali ordinarie, con M e K che non dipendono dal tempo,
vengono calcolate una volta sola per aver congelato la griglia di calcolo.
8.3 Discretizzazione in tempo con Differenze

Finite
8.3.1 Eulero Esplicito
esplicito perchè dipende solo dall’istante prima (derivo indietro), il problema
diventa 
n n
~u(t ) ' ~u t.c.

n−1 n
M ~u ∆t−~u + K~un = F~ (tn ) ∀n ≥ 0

~u0 = ~u0,h

risolvendo
M~un+1 = M~un − ∆tK~un + ∆tF~ (tn )
ad ogni passo devo risolvere un sistema lineare, M non dipende dal tempo
fattorizzo una volta per tutte e risolvo ad ogni passo sistemi triangolari M =
RT R Cholesky perchè M è sdp
oppure sostituisco M con M̃ usando mass − lumping, riduco la dimensione
dell’inversione all’inversione di una matrice diagonale.
8.3.2 Eulero Implicito

implicito perchè dipende, oltre che dall’istante precedente, anche da quello
attuale, il sistema è non lineare (derivo in avanti)
( n+1 n
M ~u ∆t−~u + K~un+1 = F~ (tn+1 )
~u0 = ~u0,h
1
∆t
M + K non è diagonale, ne diagonalizzabile, posso solo fattorizzare con
Cholesky o Gauss, quando le matrici sono grandi uso sistemi iterativi. E.E
ed E.I sono accurati di ordine 1, l’errore totale del sistema spazio-tempo è
una combinazione lineare dei due errori: ertot = chr +c̃δt la parte riguardante
il tempo è di ordine 1 mentre r può aumentare,
8.3.3 Crank-Nicolson
cerco l’ordine 2, combino E.E ed E.I. e genero i θmetodi θ[0, 1]
~un+1 − ~un
M + θK~un+1 + (1 − θ)K~un = θF~ (tn+1 ) + (1 − θ)F~ (tn )
∆t

θ = 1 Eulero Implicito

θ = 0 Eulero Esplicito

θ = 1/2 Crank − N icolson

oss.1 tutti i metodi della famiglia tranne per θ = 0 sono impliciti.

oss.2 tutti convergenti di oridne 1 eccetto per θ = 1/2 che è di ordine 2.
per Crank-Nicolson ho un difetto, ho delle oscillazione per dati iniziali dis-
continui, per questo motivo non uso esattametne θ = 1/2 quindi avrei ordine
1, ma ho una costante di convergenza alta.
Figura 8.1: Andamento dell’erore rispetto alla discretizzazione.
8.3.4 Analisi di stabilità per il Θ-metodo

(
y 0 (t) = f (t, y(t)) t>0
Pb. di Cauchy
y(0) = y0
Per Zero stabilità si intende stabilità su intervalli limitati, ossia in un
intervallo limitato la soluzione non deve andare all’infinito.
|ỹ(t) − y(t)| ≤ c|ŷ0 − y0 |
Con l’Assoluta stabilità si pretende che
∃∆t0 > 0 : ∀∆t < ∆t0

n→∞
un −→ 0
(
y 0 (t) = λy(t) t>0
y(0) = y0
λ ∈ C quindi se R(λ) < 0 y(t) = eλt e
lim y(t) = 0
t→∞
Assoluta Stabilità per Eulero Implicito

1 n+1
(u − unh , vh ) + a(un+1
h , vh ) = (f
n+1
, vh ) ∀vh ∈ Vh
∆t h
RL
unh = 0 (un+1
h − unh )vh
prendendo f ≡ 0 elimino la parte non lineare
vh = un+1
h è la soluzione al tempo attuale
1 n+1 n+1 1 n n+1

(uh , uh ) + a(un+1 n+1
h , uh ) = (u , u )
∆t ∆t h h
per disug. Cauchy − Schwartz
1 n+1 2 1 n+1
kuh kL2 (0,L) + a(un+1 n+1
h , uh ) ≤ ku kL2 (0,L) kunh kL2 (0,L)
∆t ∆t h
per disug. Y ang [2ab ≤ a2 + b2 ]
1 1
kun+1 2 n 2

≤ h kL2 (0,L) + kuh kL2 (0,L)
∆t 2
per la coercivita0
1 n+1 2
≥ ku k 2 + αkun+1
h kV
2
≤
∆t h L (0,L)
per def. di k · kV
1 n+1 2
≥ ku k 2 + αkun+1 2
h kL2 (0,L) ≤
∆t h L (0,L)
rif ormulando
1 1
kun+1 2 n+1 2
h kL2 (0,L) + αkuh kL2 (0,L) ≤ kun k2 2
2∆t 2∆t h L (0,L)
1◦ kun+1 2 n 2
h kL2 (0,L) ≤ kuh kL2 (0,L) come per la soluzione analitica per f = 0 la
soluzione è controllata dai dati iniziali
1
2◦ kun+1 2
h kL2 (0,L) ≤ kunh k2L2 (0,L) va a zero per n → ∞ ∀∆t
1 + 2α∆t
| {z }
<1 ∀∆t
Eulero Implicito è incondizionatamente (∀∆t) Assolutamente Stabile.
Caso Generale Θ(0,1)

f ≡ 0 autovalori/autovettori Ax = λx, nel caso di forma bilineare?
a(w, v) = λ(w, v) ∀v ∈ V
se ∃, w è l’autofunzione rispetto all’autovalore λ

cerco x t.c. y T Ax = λy T x ∀y; ho ∞ λ
Passo al discreto
a(wh , vh ) = λh (wh , vh ) ∀vh ∈ Vh

| {z }
K rigidezza
λih ne ho in numero finito = alla dimensione dello spazio
K w~h = λh M w~h
se inverto M ho la ricerca di autovalori classica
(M −1 K)w~h = λh w~h
in questo modo ho tanti λh quanto la dimensione dello spazio

voglio a( , ):
simmetrica, per godere delle proprietà della matrice A per l’Asintotica Sta-
bilità;
a(v, u) = a(u, v) ∀u, v ∈ V
linearmente indipendenti {w~hi }i , forniscono una base per Vh 6= Vh = xi
N (h)
che è complicata da calcolare

ortogonale, (
1 se j = i
(whj , whi )L2 (0,L) = δji =
0 se j 6= i
(whj , whi ) nel senso degli Elementi Finiti, M=I

oss.1
N (h)
X
un+1
h = un+1
j whj (x)
j=i
N (h)
1 X n+1 j
( u wh (x), whi (x)) +
∆t j=i j
N (h)
X
θ · a( un+1
j whj (x), whi (x)) +
j=i
N (h) N (h)
X 1 X n j
(1 − θ) · a( unj whj (x), whi (x)) = ( u w (x), whi (x))
j=i
∆t j=i j h
ho il θ-metodo con sostituite le funzioni a capanna con quelle nuove

6= 0 solo per i = j, semplificazioni dovute all’ortonormalità
a(wj , wi ) = λj (whj , whi )
1 n+1 j i 1 n
ui (wh , wh ) +θ · un+1 λi + (1 − θ) · uni λi = u
∆t | {z } i
∆t i
1
riordinando
un+1 n
h (1 + ∆tθλi ) = ui (1 − (1 − θ)∆tλi )
1 − (1 − θ)∆tλi n
un+1
h = uh ∀i = 1 . . . N (h)
1 + ∆tθλi
oss.2 voglio un+1
h → 0 per n → ∞
1 − (1 − θ)∆tλ
i
<1

1 + ∆tθλi

| {z }
>0
|1 − (1 − θ)∆tλi | < 1 + ∆tθλi i = 1 . . . N (h)

se θ ∈ [ 21 , 1] la disequazione è soddisfatta
per 12 < θ < 1 incondizionatamente assolutamente stabile, per gli altri valori
avrò limitazioni su ∆t
Chiarimenti sulla stabilità

(
y 0 (t) = f (t, y(t))
Pb. di Cauchy
y(0) = y0 t ∈ (0, T ]
metodi numerici: consistenti + stabili −→ converge
consistenti: errore di troncamento
es. Eulero Esplicito
un+1 = un + ∆tf (tn , un )
y(tn+1 )−y(tn )
τn (∆t) = ∆t
= f (tn , u(tn ))
lim τn (∆t) = 0
∆t→0
stabili: zero-stabilità, stabilità su intervalli limitati

es. Eulero Esplicito
(
un+1 = un + ∆tf (tn , un ) e.e. imperturbato
u0 = y0
(
zn+1 = zn + ∆tf (tn , zn ) + δn e.e. perturbato
z0 = y0 + δ0
si possono aggiungere altre perturbazioni durante la risoluzione (arrotonda-

menti ecc.).
sono zero-stabile se riesco a controllare la soluzione a partire dai dati, se:
|δ0 |, |δ1 |, . . . , |δn | ≤ ⇒ |un − zn | ≤ c
volere che si verifichi con tutti i ∆t è esagerato → mi basta che si verifichi
∀∆t ≤ ∆t0
zero-stabilità: proprietà di essere controllato dai dati; es. il valore degli

zeri delle parabole, mentre il numero di radici non è controllabile dai dati
continuamente, ad un certo punto scatto da 2 a 1 a 0.
I metodi a un passo sono zero-stabili, se:
- f ∈ C 0 rispetto ad entrambi gli argomenti

∂f
- ∂y
∈ C0
oppure
- f Lipschitziana rispetto al 2◦ argomento se ∃c > 0

|f (t, y(t)) − f (t, z(t))| ≤ c|y(t) − z(t)|
due derivate finite, è Lipschitziana ma non derivabile.
sottraggo i primi elementi dei sistemi
|un+1 − zn+1 | = |un − zn | + ∆t[f (tn , un ) − f (tn , zn )]

| {z }
≤c|un −zn |
|un+1 − zn+1 | = (1| +{zc∆t})|un − zn |

c
L’asintotica stabilità è la stabilità su intervalli illimitati


0
y (t) = f| (t,{z
 y(t))
}
t>0
λy(t)

y(0) = y
0
λy(t) è la scelta del problema a cui applicare la soluzione con λ ∈ C R(λ) < 0
(non è un esempio, è il problema sul quale si studia l’assoluta stabilità)
(
y 0 (t) = λy(t) t→∞
y(t) = eλt −→ 0
y(0) = y0
Figura 8.2: Scelta del problema per lo studio della asintotica stabilità.
metodo numerico è asintoticamente stabile se (riproduce all’infinito la soluzione)

∀∆t ≤ ∆t0 accade che lim un = 0
n→∞
Eulero Esplicito è asintoticamente stabile
un+1 = un + hf (tn , un )
un+1 = un + hλun
= un (1 + hλ)
hλ )n+1
= u0 (1 + |{z}
z
Figura 8.3: Zona di asintotica stabilità.
in questo caso h = ∆t per

2
0 < ∆t <
|λ|
condizione di asintotica stabilità per Eulero Esplicito
Eulero Implicito
un+1 = un + ∆tλun+1
un
=
1 − ∆tλ
u0
=
(1 − ∆tλ)n+1
sempre < 1, incondizionatamente asintoticamente stabile ∀∆t perchè R(λ) <
0
In questo caso
y 0 (t) = f (t, y(t))
λ? da T aylor
∂f
y 0 (t) ' f (t̄, y(t̄)) + (t̄, y(t̄))(y(t) − y(t̄))
∂y
∂f
y 0 (t) = (t̄, y(t̄))y(t)
∂y
tronco brutalmente perchè ai fini della stabilità mi serve solo λ
∂f
y 0 (t) = (t̄, y(t̄)) y(t)
∂y
| {z }
λ
θ-metodo
1 n+1 1 n
ui + θλi un+1 + (1 − θ)λi uni = u
∆t i
∆t i
un+1
i (1 + ∆tθλi ) = uni [1 − (1 − θ)λi ∆t]
1 − (1 − θ)λi ∆t n
un+1
i = ui
1 + ∆tθλi
asintoticamente stabile se
|1 − (1 − θ)λi ∆t|
< 1
|1 + ∆tθλi |
1 − (1 − θ)λi ∆t
−1 < < 1
1 + ∆tλi θ
−1 − θλi ∆t < 1 − (1 − θ)λi ∆t < 1 + θλi ∆t
| {z }
1+θλi ∆t−λi ∆t
il termine di destra è uguale al termine centrale a meno di una quantità

sempre positiva, questa parte di disequazione è quindi sempre verificata, per
quanto riguarda il primo termine:
−2 < −λi ∆t + 2θλi ∆t
−2 < ∆tλi (2θ − 1)
considerando il secondo termine positivo, la disequazione è verificata, poichè
∆t e λi sono positivi
2θ − 1 ≥ 0
1
θ ≥
2
questa trattazione indica che per

θ∈ [ 21 , 1]
↓ ↓
C.N. E.I.
il θ-metodo è incondizionatamente asintoticamente stabile tranne E.E..
I θ-metodi sono tutti metodi impliciti (tranne Eulero Esplicito) e incondizion-
atamente asintoticamente stabili, quale scelgo? Per θ = 1/2 (Crank Nicol-
son) il metodo è di ordine 2, in realtà non utilizzo esattamente questo valore
ma θ appena maggiore per evitare oscillazioni spurie a fronte di dati iniziali

discontinui; è vero che perdo l’ordine 2 ma la costante di convergenza è alta.
Altro caso è quando
2θ − 1 < 0
−2 < ∆tλi (2θ − 1)
2
∆t < per i = 1 . . . N (h)
λi (1 − 2θ)
passo alla restrizione massima
2
∆t <
λmin (1 − 2θ)
λmin ' h−2
∆t ' c(θ)h2
limite di discretizzazione tempo-spazio; condizione di stabilità
θ∈ [0 , 1/2)
↓
E.E.
per questi valori di θ il metodo è condizionatamente asintoticamente stabile,
e sono tutti metodi accurati di ordine 1 rispetto a ∆t.
Esplicito VS Implicito
costo ridotto risolvo pb. non lineare
∆t < ch2 cmq limitato
devo fare un’analisi a pieno per capire chi mi limita meno.
Di solito la fisica → h piccoli;
se mi servono anche ∆t piccoli uso E.E. perchè cosı̀ non mi incasino con dei
sistemi non lineari;
se non necessito di ∆t piccoli posso pagare solo la non linearità senza forzar-
mi a ∆t piccoli inutilmente.
Metodi a più passi

I metodi a un passo hanno la soluzione dipendente solo da un passo temporale
precedente; i metodi a più passi considerano un supporto più ampio

multipasso o multistep lineari

deve ricostruirsi delle condizioni iniziali

ordini elevati con asintotica stabilità incondizionata

In ambiente Matlab: Runge-Kutta ode23, ode45.

Il θ-metodo risolve problemi parabolici mediante differenze finite.
8.4 Discretizzazione in tempo con Elementi

Finiti
∂u
+ Lu = f
∂t
. &
discretizzo discretizzo
in spazio in tempo
E.F. o D.F. D.F.
dagli anni ’70 approccio monolitico spazio-temporale

...agli elementi finiti
Idea: ottenere una formulazione debole in spazio-tempo e discretizzare quella

 ∂u
−un = f
 ∂t |{z}
 in (0, 1) × (0, T ] → Q

Lu

u(x, 0) = u0 (x) x ∈ (0, 1)

u(0, t) = u (1, t) = 0
1 t ∈ (0, T ]
la formulazione debole è
Z Z Z
∂u n
v(x, t) dQ − u v(x, t) dQ = f v(x, t) dQ
Q ∂t Q Q
∀v ∈ V → da precisare
Z 1 Z T Z 1Z T Z 1Z T
∂u n
( v(x, t) dt) dx − u v(x, t) dt dx = f v(x, t) dt dx
0 0 ∂t 0 0 0 0
| {z }
potrei integrare
Z 1 Z T Z 1 Z T Z T Z 1 Z T
∂u 0 0
h
0
i1
v dt dx + u v dt dx − uv dt = f v(x, t) dt dx
0 0 ∂t 0 0 0 0 0 0
adesso scelgo V , per la parte spaziale V → H01 perchè so che u al bordo è

nulla (lo zero sta per la condizione iniziale che è una sorta di condizione al
contorno)
V = H01 (0, 1) × H 1 (0, T )
| {z } | {z }
spazio tempo
∂u
per il tempo ho bisogno di H 1 perchè ho bisogno che esista la derivata ∂t
cerco u = u(x, t) ∈ V t.c. u(x, 0) = u0 (x) ∀x ∈ (0, 1)
Z 1 Z T Z 1 Z T Z 1 Z T
∂u 0 0
v dt dx + u v dt dx = f v dt dx
0 0 ∂t 0 0 0 0
∀v = v(x, t) ∈ V
Ho due possibilità per simmetrizzare la formulazione
1◦ integro per parti nel tempo
Z 1Z T Z 1Z T Z 1 h iT
∂u ∂v
v dt dx = − u dt dx + uv dx
0 0 ∂t 0 0 ∂t 0 0
Z 1 h iT Z 1 Z 1 considerando
uv dx = u(x, T )v(x, T ) dx − u(x, 0) v, (x, 0) dx
0 0 0 0 | {z }
| {z } u0 (x)
istante f inale | {z }
noto
cosı̀ facendo tolgo u(x, 0) = u0 (x) ∀x ∈ (0, 1); questo sistema disturba in
senso fisico perchè sposta la derivata prima da u a v (cambia il segno del
tempo).
2◦ ricavo il rilevamento
◦
u(x, t) = u(x, t) + R
R è il rilevamento del dato iniziale, semplice 1D e Dirichlet omogeneo, se non
omogeneo 2 rilevamenti, 1 del dato iniziale e 1 dato al bordo Rg
Voglio approssimare (usa forma non simmetrica) in spazio e in tempo, voglio
l’approssimazioni di Galerkin
H→0
VH ⊂ V t.c. dimVH = N (H) < Q+∞ con VH −→ V
cerco u ∈ VH t.c. uH (x, 0) = H u0 ∀x ∈ (0, 1)
R 1 R T ∂uH H R1RT
0 0
v dt dx + · · · = 0 0 f vH dt dx
∂t H
∀vH ∈ VH
siamo nell’ambito di elementi finiti 2D

un esempio di VH è
VH ⊂ (H 1 )2 = H 1 (0, 1) × H 1 (0, T )
VH = {vH : vH |k ∈ Pr , vH ∈ C 0 (Q)} + condizioni al bordo
dove k è un elemento della griglia e con C 0 (Q) si intende complessivamente

continuo, con r = 1 ottengo polinomi interpolatori di grado uno
nel caso 2D
posso discretizzare come mi pare ma devo considerare il fatto che le figure
scelte poi vanno discretizzate, se utilizzo elementi discretizzabili con polinomi
Figura 8.6: Griglia 2D.
di primo grado già posso avere 2 figure (triangoli e quadrati); se già posso
segliere 2 forme, come fa VH ad essere unico?
p(x, y) = x + y
q(x, y) = xy +y
|{z}
grado 2
entrambi i polinomi sono P1

cosa intendo per grado? devo distinguere tra grado complessivo (grado max
dei monomi) e grado riferito a ciascuna variabile
P1 saranno i polinomi complessivamente di grado 1 e saranno della forma
p(x, y) = a0 + a1 x + a2 y
godono di 3gdl facile pensare ai valori dei vertici in un elemento triangolare

Q1 saranno i polinomi con grado rispetto a ogni variabile uguale a 1 e saranno
della forma
q(x, y) = a0 + a1 x + a2 y + a3 xy
4gdl per essere definiti, quadrilateri
Attenzione: non sempre si possono associare i gdl ai vertici dell’elemento
Figura 8.7: Es. di discretizzazione con triangoli e regolarità richiesta.
ma il dominio è spazio-temporale
espandendo le funzioni a capanna nel caso 2D ottengo delle piramidi di valore
unitario al vertice e zero ovunque
Figura 8.8: Dipendenza del presente dal futuro.
Figura 8.9: Es di funzione a capanna nel 2D.
inoltre il n◦ di facce può cambiare: piramidi diverse tra loro. Fissata la

funzione di base, questa, interagisce con tutte quelle che confinano con lei,
appare evidente la dipendenza di punti a passi temporali successivi che in-
fluiscono sul passo temporale attuale, non deve succedere; *avrei soluzioni
che dipendono dal futuro. Faccio un passo indietro e scelgo come supporto
elementi quadrilateri disposti in modo efficace
Figura 8.10: Elementi quadrilateri.
questi elementi sfruttano delle funzioni di base che non possono essere a
capanna, risultano essere iperboli. Queste superfici non sono piane, essendo
iperboli non è detto che per 2 punti ho una solo iperbole che ci passa.
Figura 8.11: Soluzione generica per elementi quadrilateri.
Se l’elemento k è rettangolo questo non può succedere, con 2 iperboli su ret-

tangoli i punti in comune sono collegati da rette e si incollano con continuità,
è un’eccezione alla regola.
Figura 8.12: Caso particolare per elementi quadrilateri.
Il prodotto di funzioni in t lineari e in x lineari.

Posso eliminare la dipendenza dal futuro?
La dipendenza si elimina modificando Galerkin di prima con l’approssimazione
globale; se invece di integrare da 0 a T integro un passo temporale alla volta
in modo da ottenere i passi temporali più avanzati incogniti e noti tutti gli
altri.
Z T M X−1 Z tj+1
=
0 j=0 tj
il primo passo parte dalle condizioni iniziali

Y
t0 uH (x, t0 ) = u0 (x) x ∈ (0, 1)
|{z}
0 H
impongo la continuità tra uH e le condizioni iniziali

Z t1 Z 1 Z t1 Z 1 Z t1 Z 1
∂uH 0
vH dt dx+ uh vH dt dx = f vH dt dx ∀vH ∈ VH
t0 0 ∂t t0 0 t0 0
| {z }
esagerato
Figura 8.13: Primo passo.
le vH che vengono dopo t1 non mi servono; devo incollare tutte le striscioline.

N (H)
X
uH (x, t) = uj ϕj (x, t)
j=1
lineare in sapzio × lineare in tempo
Figura 8.14: Schema soluzione.
(tk − t)(xs − x)
ϕ(x, t) = ϕ(xs+1 , tk+1 ) =
(xs − xs+1 )(tk − tk+1 )
| {z }
normalizzato a 1 in xs+1 ,tk+1
il termine (tk − t) è nullo sul lato (xs ÷ xs+1 ), tk , mentre il termine (xs − x) è
nullo sul lato xs , (tk ÷ tk+1 ). Se la griglia è uniforme in spazio h e in tempo
∆t
1
ϕ(x, t) = (tk − t)(xs − x) H = max(h, ∆t)
h∆t
N (H)
∂uH X ∂ϕj
= uh (x, t)
∂t j=1
∂t
|{z}
1
± ∆t
risolvo effettivamente i nodi interni (vedi Figura 8.13, quadratini)

R t1 R xs+1 ∂ϕt1 ,s−1 ∂ϕ ∂ϕ 1 ,s+1

t0 xs−1
ut1 ,s−1 +ut1 ,s ∂tt1 ,s + ut1 ,s+1 t∂t ϕt1 ,s dx dt
| ∂t
{z }
1
∆t
R t1 R xs
1
∆t
ut1 ,s−1 xsh−x ϕt1 ,s dx dt + . . .
t0 xs−1
divido il dominio di integrazione del secondo termine
Figura 8.15: Schema di un elemento.
R t1 R xs R t1 R xs+1
... + 1
∆t t0 xs−1
ut1 ,xs x−xhs−1 ϕt1 ,s + ∆t
1
t0 xs
ut1 ,xs xs+1h −x ϕt1 ,s +
1
R t1 R xs+1
+ ∆t t0 xs
ut1 ,xs+1 x−x
h
s
ϕt1 ,s
l’unico contributo temporale arriva da ϕt1 ,s

Z t1
t − t0 xs xs − x x − xs−1
Z
◦ 1
1 term. = ut1 ,s−1 dx dt +
∆t t0 ∆t xs−1 h h
| {z }
∆t/2
t1 xs
t − t0 x − xs−1 x − xs−1
Z Z
◦ 1
2 term. + ut1 ,s dx dt +
∆t t0 ∆t xs−1 h h
t1 xs+1
t − t0 xs+1 − x xs+1 − x
Z Z
1
3◦ term. + ut1 ,s dx dt +
∆t t0 ∆t xs h h
Z t1
t − t0 xs+1 x − xs xs+1 − x
Z
1
4◦ term. + ut1 ,s+1 dx dt
∆t t0 ∆t xs h h
valutando gli integrali si ottiene

Z xs
1 1
= 2
ut1 ,s−1 (xs − x)(x − xs−1 ) dx+ → h3
2h x 6
Z xs−1
1 s
1
+ 2 ut1 ,s (x − xs−1 )2 dx+ → h3
2h x 6
Z s−1
xs+1
1 1
+ 2 ut1 ,s (xs+1 − x)2 dx+ → h3
2h xs 6
Z xs+1
1 1
+ 2 ut1 ,s+1 (x − xs )(xs+1 − x) dx → h3
2h xs 6
h h h
= ut1 ,s−1 + ut1 ,s + ut1 ,s+1
12 3 12
non ho più Eulero Implicito, il rapporto incrementale è ottenuto dai termini
u... meno h h h
− ut ,s−1 + ut0 ,s + ut0 ,s+1
12 0 3 12
sulla prima striscia, dopodichè vanno incollati gli strati.
ϕ sono il prodotto cartesiano di funzioni di base a capanna nel tempo per
quelle nello spazio
tempo 1
uH (x, t) = u1h (x) ψ1 (t) +u0h (x) ψ0 (t)
| {z } | {z }
t−t0 t1 −t
∆t ∆t
Figura 8.16: Proiezione sul tempo di ϕ.
NX
(h) NX
(h)
= u1j ϕj (x) ψ1 (t) + u0j ϕj (x) ψ0 (t)
j=0 j=0
unendo i pedici di ϕj e ψi ottengo la notazione di prima, ora parto dalla
formulazione debole
Z t1 Z 1 Z t1 Z xj+1
∂uH ∂uH
vH dx dt = ϕh (x) dx ψ1 (t) dt
t0 0 ∂t t0 xj−1 ∂t
Z t1 Z xj+1 h
dψ1 dψ0 i
= u1h (x) + u0h (x) ϕj (x) dt ψ1 dt
t0 xj−1 dt | {z } dt
noto
Z t1 Z xj+1
dψ1 (t)
= ψ1 (t) dt u1h (x)ϕj (x) dx +
t0 dt xj−1
Z t1 Z xj+1
dψ0 (t)
+ ψ0 (t) dt u0h (x)ϕj (x) dx
t0 dt xj−1
Z xj+1 NX (h)
1
= u1i ϕi (x) ϕj (x) dx −
2 xj−1
| i=0 {z }
u1h (x)
Z xj+1 N (h)
1 X
− u0i ϕi (x)ϕj (x) dx
2 xj−1 i=0
precedentemente sono stati fatti tutti i conti portando fuori le serie ecc.
R xj+1
M = (mij ) = xj−1 ϕi ϕj
u1 = u1j , u0 = u0j
1 1
M u1 − M u0
|2 {z 2 }
∂uH
∂t
Z t1 Z 1 Z t1 Z xj+1
u0H vH
0
= u0H ϕ0j (x)ψ1 (t)
t0 0 t0 xj−1
Z t1 Z xj+1 h 0 0 i
= u1h (x) ψ1 (t) + u0h (x) ψ0 (t) ϕ0h ψ1 (t)
t0 xj−1
Z t1 2
Z xj+1 0
= ψ1 (t) dt u1h (x) ϕ0j (x) dx +
| t0 {z } xj−1
Simpson, esatto per f 2

Z t1 Z xj+1 0
+ ψ0 (t)ψ1 (t) dt u0h (x) ϕ0j (x) dx
| t0 {z } xj−1
Simpson
Z xj+1 N (h) Z xj+1 N (h)

∆t 1 X ∆t X
= 1+4· u1i ϕ0i (x)ϕ0j (x) dx + u0i ϕ0i (x)ϕ0j (x) dx
6 4 xj−1 i=0
6 xj−1 i=0
in questo modo si ottiene
R xj+1
ϕ0i ϕ0j

K = (kij ) = xj−1
∆t ∆t
Ku1 + Ku0
|3 {z 6 }
−uh




1
2
M u1 + 21 M u0 + ∆t
3
u1 K + ∆t 6
u0 K = F 1
t xj+1
F 1 = Fh1 = t01 xj−1
 R R



 f ϕj ϕi

devo aggiungere la condizione iniziale
Y
0



 u = u0

 h

 | {z }

noto, va al termine noto
Figura 8.17: Polinomio approssimante.

e arrivo al costo computazionale di Eulero Implicito
1 ∆t 1 1 ∆t 0
M+ K u = F1 + M + K u
2 3 2 6
si ottiene un’accuratezza di ordine 1 in tempo e 1 in spazio perchè interpolo
linearmente.
Per passare alle strisce successive è semplice, partendo da t0 noto si è ricavato
t1 , a questo punto si ripete il procedimento partendo da t1 noto e calcolando
t2 .
Si può pensare di aumentare l’ordine di convergenza passando al secondo
ordine in spazio ma non in tempo perchè l’andamento dell’errore è dato dalla
combinazione lineare degli errori in spazio e tempo
err = c1 ∆t + c2 h
aumentando l’ordine di convergenza si intende ottenere

err = c1 ∆t2 + c2 h2
si può pensare di ottenere questo aggiungendo gradi di libertà
Figura 8.18: Elementi finiti quadrilateri di grado 2.
dalla figura si nota che esiste una dipendenza dai tempi successivi, t0 vede
t1/2 e t1 e cosı̀ via
Z t1 Z 1
∂uH
vH vH = ϕj (x)ψ1/2 (t), ϕj (x)ψ1 (t)
t0 0 ∂t
Z t1 Z xj+1
0 dψ0 1/2 dψ1/2 dψ1
= ψ1 (t) uh (x) + uh (x) + u1h ϕj dx dt
t0 xj−1 dt dt dt
1/2
uH (x, t) = u0h (x)ψ0 (t) + uh (x)ψ1/2 (t) + u1h (x)ψ1 (t)
Z t1
dψ0
α1,0 = ψ1 (t)
dt
Z xj+1 t0 Z xj+1 Z xj+1
0 1/2
= α1,0 uh ϕh dx + α1,1/2 uh ϕh dx + α1,1 u1h ϕj dx
xj−1 xj−1 xj−1
X
u0h (x) = u0i ϕi (x)
i
allora

0 1/2 1 1
α1,0 M u + α1,1/2 M u + α1,1 M u = F per ψ1 (t)ϕj (x)

α1/2,0 M u0 + α1/2,1/2 M u1/2 + α1/2,1 M u1 = F 1/2

 0 Q
u = h u0
è un sistema a blocchi che va risolto cosı̀ com’è ed è pesante, il costo è molto
più alto rispetto a Crank-Nicolson

α1,1/2 M α1,1 M
α1/2,1/2 M α1/2,1 M
è una matrice che non si riesce a diagonalizzare.
8.4.1 Elementi Finiti discontinui

Un altro modo per approcciare il problema è l’impiego di Elementi Finiti
Discontinui
Figura 8.19: Elementi discontinui di ordine zero, 1gdl.
Per crescere di ordine di convergenza nel tempo uso questo tipo di elementi
finiti perchè a parità di gradi di libertà guadagno un ordine di convergenza.
Figura 8.20: Elementi discontinui di ordine uno, 2gdl.
Capitolo 9
Temi d’esame
In questa sezione si intede inserire alcuni temi d’esame delle sessioni passate1
del prof. F.Saleri ed uno del prof. P.Zunino.
9.1 Temi del prof. F.Saleri

9.1.1 24.Nov.05 prova in itinere I
Esercizio
Si consideri il seguente problema ai limiti
 2
d d
− dx2 u − 100 dx u = 0
 x ∈ (0, 1)
d 100e100
dx
u(0) = 1−e100 (9.1)

u(1) = 0

1. Si riporti la discretizzazione alle differenze finite di tipo upwind per il

problema (1) su una grigli auniforme di passo h con Nh + 1 nodi. In
che senso tale discretizzazione introduce diffuzione artificiale?
2. Per N − h = 10 e Nh = 100 si disegni la soluzione ottenuta usando
una discretizzazione upwind e una discretizzazione centrata del secondo
ordine e si confrontino i grafici ottenuti con la soluzione esatta u:
e−100x − e−100
u(x) =
1 − e−100
Cosa si può dire nei due casi? (Si utilizzino i programmi upwind.m e
centrate.m dopo averne letto l’help.)
1
paragrafo 8.4 pagina 79 all’*, altrimenti...
88
9. Temi d’esame
3. Per entrambi gli schemi si disegni in scala logaritmica l’errore in norma

infinito al variare di h per Nh = 10, 20, 40, 80, 160, 320, 640, 1280, 2560.
Si calcoli inoltre l’ordine p approssimato di convergenza e se ne riportino
gli ultimi due valori calcolati. Si commentino i risultati ottenuti.
Domanda 1.
1. 7 pt. Si imposti il problema del calcolo della derivata prima di una
funzione f sufficientemente regolare in un punto x ∈ R con il metodo
dei coefficienti indeterminati usando al più i nodi x − h1 − h2 , x − h1 e
x, essendo h1 e h2 due quantità positive assegnate.
2. 1 pt. Di che ordine è il metodo ottenuto? Quanto deve essere regolare

f?
3. 2 pt. Se ne calcoli l’errore di arrotondamento.
Domanda 2.
1. 5 pt. In cosa differisce il metodo del gradiente coniugato da quello del
gradiente?
2. 3 pt. Si riporti il risultato di convergenza del metodo del gradiente

coniugato.
3. 2 pt. Per il problema modello −u00 +u0 = 1 in (0, 1) con u(0) = u0 (1) = 0
si riporti il metodo delle differenze finite centrato su una griglia uni-
forme di N nodi di passo h > 0 e si dica se il metodo del gradiente
coniugato può essere applicato per la risoluzione del corrispondente
sistema lineare.
9.1.2 03.Feb.06 prova in itinere II

Domanda 1.
RL
Si consideri un problema della forma: trovare u ∈ H 1 (o, L) tale che 0
u0 v 0 dx+
RL RL
0
uv dx = 0 f v dx per ogni v ∈ H 1 (0, L).
1. 1 pt. Come è definito lo spazio H 1 (0, L) e che tipo di condizioni al

bordo soddisfa u per il problema −u00 + u = f ?
2. 2 pt. Si dimostri che la forma bilineare associata è coerciva.
9. Temi d’esame
3. 3 pt. Si riporti la formulazioni di Galerkin-elementi finiti quadratici,

definendo esplicitamente lo spazio Xh2 .
4. 4 pt. Si dimostri che il metodo di Galerkin è convergente.
Domanda 2.
1. 3 pt. Si riporti un esempio di problema parabolico, precisando le
condizioni che lo rendono ben posto.
2. 4 pt. Se ne riporti la discretizzazione in tempo con il metodo di Eulero

esplicito ed in spazio con il metodo degli elementi finiti di grado r. Che
tipo di sistema is deve risolvere ad ogni passo temporale?
3. 2 pt. É necessario imporre delle restrizioni sui passi di discretizzazione

in spazio ed in tempo per garantire la stabilità? Di quale ordine risulta
complessivamente il metodo introdotto?
Esercizio
Si consider il problema ai limiti seguente
 0
1 0 1 1 2 1
 − u + u = x2 cosh 2 x x∈ ,1
 x2 2


u 21 = sinh 18 (9.2)


u(1) = sinh 1


2
1. Scrivere la formulazione debole del problema, individuando lo spazio

funzionale corretto, la forma bilineare e il funzionale associati.
2. Mostrare come l’errore in norma H 1 (1/2, 1) del metodo di Galerkin

elementi finiti dipende dalla funzione µ(x) = 1/x2 .
3. Verificare che u(x) = sinh(1/2x2 ) è soluzione debole del problema (1).
4. Si risolva il problema (1) con Mlife1D su una griglia uniforme di passo

h = 0.1, 0.05, 0.025, 0.0125 utilizzando elementi finiti lineari. Si riporti-
no i valori dell’errore in norma H 1 (1/2, 1) ed L2 (1/2, 1) al variare di
h. Si stimi l’ordine di convergenza nelle due norme e si riporti, nei due
casi, l’ultimo valore calcolato. La stima teorica è rispettata?
9. Temi d’esame
9.1.3 22.Feb.06 appello d’esame

Domanda 1.
1. 3 pt. Si riporti l’algoritmo del metodo del gradiente per un sistema
simmetrico e definito positivo.
2. 3 pt. Quando si definisce un valore x(k) ottimale rispetto ad una

direzione d in un metodo di discesa?
3. 2 pt. A quale proprietà deve soddisfare una direzione per essere con-
siderata ottimale?
4. 2 pt. Si riportino le stime per l’errore dei metodi del gradiente e del
gradiente coniugato.
Domanda 2.
1. 3 pt. Si dimostri il lemma di Céa e se ne dia una interpretazione
geometrica.
2. 3 pt. Si enunci il lemma di Lax-Milgram.
3. 2 pt. Si dimostri che se u ∈ V è soluzione debole del problema, torvare

u ∈ V tale che a(u, v) = F (v) ∀v ∈ V , e se sono soddisfatte le ipotesi
del lemma di Lax-Milgram allora kukV ≤ kF k/α, dove α è la costante
di coercività della forma bilineare e k · k è la norma del funzionale.
4. 2 pt. In cosa consiste il metodo della diffusione artificiale? É un metodo

per il quale vale ancora il lemma di Céa?
Esercizio
si consideri il problema ai limiti seguente:

− ex2 u0 0 = 2

(9.3)
u(−1) = 1 , u0 (0) = 0
e
1. Scrivere la formulazione debole del problema, individuando lo spazio

funzionale coorretto, la forma bilineare e il funzionale associati.
2. Mostrare come l’errore in norma H 1 (−1, 0) del metodo di Galerkin

2
elementi finiti dipende dalla funzione µ(x) = ex .
9. Temi d’esame
3. Calcolare e riportare tutti gli errori in norma H 1 (−1, 0) su una griglia

uniforme di passo h = 0.1, 0.05, 0.025, 0.0125 utilizzando elementi finiti
2
lineari, sapendo che la soluzione esatta è ex . Stimare inoltre l’ordine
di convergenza, e riportare tutte le stime ottenute.
4. Scrivere la discretizzazione alle differenze finite del problema, utiliz-
zando una griglia uniforme di passo h e lo schema centrato del secon-
do ordine. Per la discretizzazione della condizione di Neumann in 0,
utilizzare il seguente shema decentrato:
−3u(x) + 4u(x − h) − u(x − 2h)
u0 (x) ≈
2h
dopo aver verificato che è del secondo ordine. Risolvere il problema
discreto cosı̀ ottenuto, utilizzando un passo h=0.1. Riportare tutti i
comandi utilizzati e l’approssimazione calcolata in 0.
9.1.4 05.Lug.06 appello d’esame

Domanda 1.
Si consideri il seguente problema ai limiti:

0 0
 −(νu − βu) = f
 x ∈ (0, 1)
u(0) = 0 (9.4)
 0
−νu (1) + βu(1) = 0

con ν e β costanti positve e f = f (x) ∈ L2 (0, 1).

1. Scrivere la formulazione debole di (1).
2. Dimostrare che il problema (1) ammette un’unica soluzione.
3. Riportare il sirultato di convergenza più generale per il metodo di
Galerkin.
Domanda 2.
1. Si riporti il metodo del gradiente coniugato per un sistema lineare
Ax=b, precisando di che tipo deve essere la matrice A ∈ Rn×n .
2. Dopo quante iterazioni il metodo del gradiente coniugato converge
sicuramente? Quale disuguaglianza soddisfa l’errore?
3. Si stimi, in termine di n, il numero di poerazioni che tale metodo
richiede ad ogni passo e si individui l’operazione più costosa.
9. Temi d’esame
Esercizio
Si consideri il problema ai limiti seguente:
( 10x
−u00 = −100 ee10 −1 x ∈ (0, 1)
(9.5)
u(0) = 0, u(1) = 1
Si supponga di utilizzare una griglia non uniforme di n + 1 nodi 0 = x0 <
x1 < · · · < xn−1 < xn = 1, composta da n sottointervalli di ampiezza
hi = xi − xi−1 , per i = 1, 2, . . . , n.
1. Calcolare l’errore di troncamento τ u(x) = D2 u(x)−u00 (x), dove D2 u(x)
è l’approssimazione della derivata seconda di u, data da
ui−1 ui ui+1
D2 u(xi ) = 2 −2 +2 (9.6)
hi (hi+1 + hi ) hi hi+1 hi+1 (hi+1 + hi )
con ui = u(xi ). In che sensolo schema è del primo ordine? Sotto quali
condizioni su u questo è vero?
2. Si riporti la matrice A ed il termine noto b che si ottengono discretiz-
zando il problema (2) con lo schema (3).
3. Si scelga ora xi = ln(1 + (e − 1)(i/n)), per i = 0, 1, . . . , n. Per
n = 4, 8, 16, 32, 64, si calcolino con MATLAB la soluzione {ui }i=1,...,n
ottenuta discretizzando il problema (2) con lo schema (3) e l’errore di
norma infinito, sapendo che la soluzione esatta è data da:
e10x − 1
uex (x) =
e10 − 1
Si riporti, per tutti i 5 casi, il valore della soluzione calcolata in x1
e gli errori calcolati in norma infinito. Si disegni l’errore ottenuto in
scala logarirmica al variare di n. Che ordine di convergenza si osserva
(rispetto ad n−1 ? Perchè? Si ricorda che in un intorno di zero vale la
seguete formula:
x2
ln(1 + x) = x − + O(x3 )
2
9.1.5 01.Set.06 appello d’esame

Domanda 1.
Si approssimi con uno schema alle differenze finite compatte la derivata sec-
onda di una funzione f = f (x), definita su tutto R, in un punto xi ∈ R,
supponendo che D2 fi dipenda al più dai valori di f e di f 00 nei nodi xi−2 , xi−1
e xi . Di che ordine risulta lo schema?
9. Temi d’esame
Domanda 2.
Si consideri il seguente problema parabolico:
∂

 ∂t
u + Lu = f (x, t) ∈ (0, 1) × (0, T )

 u(0) = 0 t ∈ (0, T )
(9.7)


 u(1) = 0 t ∈ (0, T )
x ∈ (0, 1)

u(x, 0) = u0 (x)
1. Si scriva la formulazione debole del problema (1) per ogni t ∈ (0, T ) e la

corrispondente discretizzazione in spazio con il metodo degli elementi
finiti.
2. Si riporti la discretizzazione con il metodo di Crank-Nicholson. Di

quale ordine risulta lo schema?
Esercizio
Si consideri il problema ai limiti seguente
(
−u00 + 4u = 4sign(x)(2x2 − 1) x ∈ (−1, 1)
(9.8)
u(−1) = −1, u(1) = 1
1. Mostrare che il problema ammette come soluzione debole la seguente

funzione
e2x − e−2x
u(x) = − 2 + 2|x|x
e − e−2
2. Utilizzando MLife1D si risolva il problema su una griglia uniforme di
passo h = 0.2, 0.1, 0.05 impiegando elementi finiti lineari e quadratici.
Si riportino gli errori in norma H 1 ottenuti. Si stimino e si riportino gli
ordini di convergenza in norma H 1 . Si commentino i risultati ottenuti.
3. A quale spazio di Sobolev apparterrà la soluzione analitica?
4. Scrivere una funzione che calcoli l’integrale, approssimato mediante la

regola dei trapezi, di una funzione f = f (x) su un generico intervallo
(a, b): [int] = trapezi(f,a,b). Usare tale funzione per calcolare la
matrice di massa M delle funzioni di bale si P1 sulla griglia della figura
seguente
Si riporti la matrice M ottenuta. Come risulta tale matrice?
9. Temi d’esame
9.1.6 08.Feb.07 prova in itinere II

In allegato per questo tema d’esame è disponibile la correzione.
Tabella per identificare gli indici iN , iC della domanda 4.

A B C D E F G H I ecc.
1 2 3 4 5 6 7 8 9 ecc.
Domanda 1.
1. Sia data la forma a(·, ·) : H01 (0, 1) × H01 (0, 1) → R
Z 1 Z 1
0 0
a(u, v) := u v dx + β u0 v dx ∀u, v ∈ H01 (0, 1)
0 0
dove e β sono parametri reali e positivi. Dimostrare che a(u, v) è

coerciva nella norma k · kH 1 (o,1) . Enunciare e giustificare con rigore
matematico tutti i passaggi.
2. Sia data la funzione f ∈ L?2(0, 1) ed il corrispondente funzionale F (·) :

L2 (0, 1) → R definito da,
Z 1
F (v) := f v dx ∀v ∈ L2 (0, 1)
0
Dimostrare che F (v) è lineare e limitato giustificando con rigore matem-

atico ogni passaggio.
Domanda 2.
1. Dato un opportuno spazio di funzioni V , data una forma a(·, ·) : V ×
V → R ed un funzionale F (·) : V → R:
9. Temi d’esame
a Enunciare con rigore matematico le ipotsi su V, a(·, ·, ), F (·) nec-

essarie affinchè il problema: trovare u ∈ V tale che a(u, v) =
F (v), ∀v ∈ V , ammetta un’unica soluzione.
b Nel caso specifico in cui V := H 1 (0, 1) ed F (·) sia il funzionale
definito nella domanda 1.2, dimostrare che esiste una costante
positiva C tale che:
kukH 1 (0,1) ≤ Ckf kL2 (0,1)
2. Sia a(u, v) la forma bilineare definita della domanda 1.1 e sia F (v) il
funzionale definito nella domanda 1.2. Sia data una partizione unifome
di (0, 1) in N sottointervalli di lunghezza h = 1/N , definita dai vertici
1
xi , i = 0, . . . , N e sia Xh,0 ⊂ H01 (0, 1) lo spazio delle funzioni continue
e lineari a tratti sulla suddetta partizione che inoltre si annullano agli
estremi x0 = 0 e xN = 1. Il seguente problema:
1 1
trovare uh ∈ Xh,0 (0, 1) tale che a(uh , vh ) = F (vh ), ∀vh ∈ Xh,0 (0, 1)
è equivalenteP a determinare i valori ui := uh (xi ), i = 1, . . . , N − 1 tali

−1
che uh (x) = N i=1 ui ϕ̂i (x) dove {ϕ̂1 , . . . , ϕ̂N −1 } è la base lagrangiana
1
di Xh,0 (0, 1). Le incognite ui soddisfano una relazione del tipo,
c1 ui+1 + c0 ui + c−1 ui−1 = Fi i = 1, . . . , N − 1
Determinare l’espressione dei coefficienti c1 , c0 , c−1 in funzione di , β, h.
Domanda 3.
Dato il problema:



∂
∂t
u − u00 = f (x, t) ∈ (0, 1) × (0, T )
u(0, t) = u(1, t) = 0

u(x, 0) = u0 (x)

1. Scrivere la generica equazione del sistema lineare che si ottine discretiz-

zando in tempo con il θ-metodo ed in spazio con elementi finiti lineari
su una griglia uniforme in spazio e in tempo.
2. Per quali valori di θ il θ-metodo risulta incondizionatamente assolu-

tamente stabile? Come varia l’ordine di accuratezza al variare del
parametro realte θ?
9. Temi d’esame
Domanda 4.
Sia dato il seguente problema di diffusione e trasporto
(
−u00 + βu0 = 0, x ∈ (0, 1)
u(0) = 0, u(1) = 1
che ammette la soluzione esatta
βx
1−e
u(x) = β
1 − e
dove = ln(i100
N )+1
e β = ln(iC ) + 1. Si vuole approssimare la soluzione di
tale problema tramite il metodo degli elementi finiti lineari su una partizione
uniforme di (0, 1) in N sottointervalli di lunghezza h.
1. Definire e calcolare il valore di h∗ tale per cui il suddetto metodo
produce una soluzione non oscillante per ogni h ∈ (0, h∗ ).
2. Siano uh,1 e uh,2 le soluzioni del metodo degli elementi finiti lineari appli-
cato al problema in esame utilizzando rispettivamente N1 = ceil(10/h∗ )
e N2 = ceil(20/h∗ ) sottointervalli. Utilizzare il programma Mlife per
calcolare ku − uh,i kL2 (0,1) e ku − uh,i kH 1 (0,1) con i = 1, 2. Riportare i
valori ottenuti.
3. Utilizzando i valori ku − uh,i kL2 (0,1) e ku − uh,i kH 1 (0,1) con i = 1, 2,
calcolare l’ordine di convergenza effettivo rispetto ad h del metodo in
esame e confrontarlo con quello previsto dalla teoria nelle corrispon-
denti norme. Riportare l’ordine di convergenza effettivo e teorico sia
per la norma k · kL2 (0,1) che per la norma k · kH 1 (0,1) .
9.2 Tema del prof. P.Zunino

9.2.1 19.Feb.08 appello d’esame
Domanda 1.
1. Mostrare con rigore matematico sotto quali ipotesi lo spazio V , la forma
a(·, ·) e il funzionale F (·) tali per cui a(·, ·) = F (·) in V producono
una soluzione unica
2. (
−u00 + σu = 0
u(0) = 0, u0 (1) = 0
Definire uno spazio V opportuno per risolvere il problema ai limiti.
9. Temi d’esame
Domanda 2.
1. Dati V, a(·, ·), F (·) del problema della Domanda 1., spiegare la formu-
lazione del metodo agli elementi finiti di Galerkin.
h→0
2. Mostrare che per kv − vh kV −→ 0 allora ku − uh kV → 0.
3. Approssimando con uh ∈ Xhr , si mostri l’andamenteo in k · kL2 e k · kH 1

dell’errore, mostrare la dipendenza da h e la regolarità richiesta su u.
Domanda 3.
1. Scrivere uno schema centrato per approssimare Dc2 f (xi ) con
1 − x3
f= −1<x<1
1 + x2
2. Ricavare a, b, c, d in modo che

2
Dl,r = afx0 + bfx0 +h + cfx0 +2h + dfx0 +3h
approssimi opportunamente la derivata di f ai bordi.
Domanda 4.
Con lo schema centrato ricavato alla Domanda 3.1
1. Formulare uno schema per risolvere


00
−u + σu = 0

u(−1) = 0

u(1) = 1

2. Ricavare A,u,b il problema al punto 1 per risolverlo con il sistema

lineare
Au = b
Domanda 5.
Sia dato il seguente problema di diffusione e reazione
(
−u00 + σu = 0, x ∈ (0, 1)
u(0) = 0, u(1) = 1
9. Temi d’esame
che ammette la soluzione esatta

eαx − e−αx
u(x) =
eα − e−α
dove = ln(i100
N )+1
e σ = (ln(iC )+1)·100. Si vuole approssimare la soluzione di
tale problema tramite il metodo degli elementi finiti lineari su una partizione
uniforme di (0, 1) in N sottointervalli di lunghezza h.
1. Risolvere il problema con Mlife utilizzano un numero di elementi pari

a N1 = 10, N2 = 20 e n1 = 100, n2 = 200 con H = 1/Ni e h = 1/ni .
2. Riportare i valori degli errori in norma k · Ni kH 1 e k · ni kH 1 .
3. Calcolare gli ordini di convergenza approssimati pH e ph , motivare

inoltre i risultati ottenuti sono simili a quelli che ci si aspetta dalla
teoria.

"!"#$%'&()+*,%-./0()132,4562,7567,2,298
:<;>=?=A@CBED);GFH@
IE%KJA0LLM%&A0(NO$0P./RQS!+%K()UT,L$5O!0 i , i $0LLM%$#VW%K$%'X
N C
Y Z [ \ ] ^ _ ` a b c d e f g I h i
j 7 k X l m 8 4 n j 2 j,j j 7 j k j X j l j m j 8 j 4 jn 7,2 7j
o'p
rqs o qutvwt
xM%$%K.y%LM%Hz{|"O# f ∈ L2 (0, 1)
"$L!"#(/(/O})&?#$0x.)~zw|"O#S%KLO F (·) : L2 (0, 1) → R
$Q.)'$%5
Z 1
F (v) := f v dx, ∀v ∈ L2 (0, 1).
0
\ V',}/./(y%K()U!) F (v)
L+%K()~LV.y%K.)T,})./RQS!+%K$W!"#(/T9#()~VW%K.)0VW%K./O!"#T,&S%#})}y%KT,T,O
p p sHH
F (v) L+%K(),
Z 1 Z 1 Z 1
F (αv + βv) = f (αv + βv) = α fv + β f v = αF (v) + βF (v).
0 0 0
LV.y%K.)&A#O!) }/S%
a 5z%K././ 5T,(y%K|"OU%KLLM%$5O}/T,Sf %K∈T,LML%K(0,
|%W1)$5 [ %K!)x|FP(v)|
!0≤%K(/|9M kvkL (0,1)
F (v) 2
2
|F (v)| = |
Z 1
f v| ≤ kf kL2 (0,1) kvkL2 (0,1)
$%!0}y0T, M = kf kL2 (0,1) .
0
j
o'p
rqs o qutvO
\ K% .)3#&&?#(/./-}/&S%K|"O3$5z{|"O# V ?$%K.y%S%Wz#(/VW% a(·, ·) : V × V → R "$zw|"O#S%KLO
F (·) : V → R

%9 ] P!0M%K()H!"#-(/T9#()1VW%K.)0VW%K./O!"LO1&A#.)"}/}/ V a(·, ·) "$ F (·) "!""})}y%K(/O%'!y LA&()#J5
LO0VW%5C./()+*,%K() u ∈ V .y%KLO!y a(u, v) = F (v), ∀v ∈ V %KVV'0./.y% O!+%}y#L|"O#,
J d 0LA!+%#})}/&A"!0RQS!"H!0 V := H 1 (0, 1) "$ F (·) }/M%ULSzw|"O#S%KLO1$Q.)0LLM%U$#VW%K$% j j
$5V',}/./(y%K()U!y"}/O}/.)1S%'!",}/.y%KP.)~&A,}/./*,% C .y%KLO!y,
kukH 1 (0,1) ≤ Ckf kL2 (0,1) .
p p sHH

%9 a LLO0VVW%~$5 b %¡x c LT,(y%KV¢%#})}/O!0(y%!)>L&()#JLO0VW%'"}y%KV'G%KVV'0./.)> O!+%U})#L|"O#N})#./.)
LO~}y0T,0P./&A#.)"}/
• V
}/&S%K|"O$5 ` LJ?0(/.+ +* *90() }/&S%K|"O$#.y%K.)H$5?&()x$#./.)})!+%KLM%K() (·, ·) !)£$5!"
S%#(/VW% k · k V
V
•
a A
L w
z

"
| O
#
S
K
% O
L F (·)
L+%K()LV.y%K.)}/*9"$%LM%$#VW%K$% j j
b %zw#(/VW% JL+%K() j !"#P./xS% 79£!"#()"!0*#% k9 e * *90()&?0(#T, u, v, w ∈ V
•
*#%KLT9#'LOa(·, })0T,·)0P ./&()#&(/O0.y¤5
(1) a(αu + βv, w) = αa(u, w) + βa(v, w), ∀α, β ∈ R,
a(u, αv + βw) = αa(u, v) + βa(u, w), ∀α, β ∈ R,
(2) ∃M > 0
+. ¥!, a(u, v) ≤ M kuk kvk ,
(3) ∃α > 0
+
. ¥
,
! 2
a(v, v) ≥ αkvk .
V V
J>E#O!y u ∈ H 1(0, 1) %KLLO#(y% ¦P$5S})#./.)LO~&A#.)"}/$0LLO0VVW%W$5 b %¡ c LT,(y%KV

#./.)0M%KV' u ∈ L2 (0, 1)
αkuk2H 1 (0,1) ≤ a(u, u) = F (u) ≤ kf kL2 (0,1) kukL2 (0,1) ≤ kf kL2 (0,1) kukH 1 (0,1) ,
$%!0E})0T,$5()0./.y%KV'0P.)HL(/O}/L.y%K.)'!"# C = 1/α

7
o'p
rqs o q§?vwt
xM%'$%K.y%LM%zw#(/VW% a(·, ·) : H01 (0, 1) × H01 (0, 1) → R

Z 1 Z 1
a(u, v) := 0 0
u v dx + β u0 v dx ∀u, v ∈ H01 (0, 1),
0 0
$*9 })#N&S%K(y%KV'0./(/ ()+%KL5C&?,})./*x \ V',}/./(y%K()¨!y !" 0()!0*#%N0LLM%>#(/VW%
})}©%KT,T,v)
] P !0M%K()βUT,}/./RQS!+%K()!"#(/T9#()~VW%K.)0VW%K./O!"W./././&S%#a(u, k·kH 1 (0,1)
p p sHH

i#T,LM%KV'$5V',})./(y%K()~!)1"}/O}/.)ªS%!",}/.y%KP.) .y%KLOª!y .)00$!"#P.)
!y, α>0 a(v, v) ≥ αkvk2H 1 (0,1)
Z 1
a(v, v) = kv kL2 (0,1) + β 0
v 0 v dx ∀v ∈ H01 (0, 1).
Y S %KL|"|"M%KV'«})0&S%K(y%K.y%KV'0P.)ª$5¬.)0(/V%KLª})"!"#$rV'0VUJ() _ (y%K|"O%KLLM% $5O}/T,S%KT,LM%K|%r$5
0
#!+%K(),
∀v ∈ H01 (0, 1), ∃Cp > 0
.+¥!, kvk 0
L (0,1) ≤ Cp kv kL (0,1) ,
#./.)0M%KV'WLM%})0T,0P.)H}/./VW%5z0(/O#()&A0(>L&(/V'.)0(/V,
2 2
kv 0 kL2 (0,1) = 12 kv 0 kL2 (0,1) + 21 kv 0 kL2 (0,1) ≥ 21 kv 0 kL2 (0,1) + 1

2Cp kvkL2 (0,1) ≥ 1
2 min(1, C1p )kvk2H 1 (0,1) .
0(NL}y"!"#$.)0(/V,./(y%KV.)LM%Hz#(/VULM%W$5P.)0T,(y%K|"O#H&?0(>&S%K(/./%KJJM%KV'
Z 1 Z 1 Z 1
vv=−0
vv + 0
[v 2 ]10 ⇒ v 0 v = 0, ∀v ∈ H01 (0, 1).
0 0 0
[ #VHJS%K$¦x"}/./(/O}/L.y%K./E#./.)0M%KV''5Q!y,
1 2
a(v, v) ≥ 2 min(1, Cp )kvkH 1 (0,1) ,
$%!0(/O}/L.y%!) α=
min(1, C1p )

2
k
o'p
rqs o q§?vO
xM% a(u, v) LM%3z#(/VW%JL+%K()3$Q.y%-0LLM%$#VW%K$%75 j '})M% F (v) LCzw|"O#S%KLOW$Q.)0LLM%
$#VW%K$% j j xM%$%K.y%3S%3&S%K(/./|"O#Rz#(/V'$5 (0, 1) N })#./.)#x.)0(/*#%KLL¨$5CLT,0|"|% h =
$Q.y%®$%K>*90(/./O!0 -}/M% 1 LO®}/&S%K|"O®$0LLOzw|"O#
!"#x./P1L+%K(/%H./(y%K././x}/i,LLM%i }/=$0,$0../..y.%, &SN%K(/./|"O#UX!)h,01(0,1)
#L./()⊂}/H%K0(0,P1)LLM%K3%KT,L"}/./()0V x = 0
1/N 1
x =1
a L})0T,0x.)&()#JLO0VW%5 0
N
./()+*,%K() 1 (0, 1)
uh ∈ Xh,0
.y%KLO~!y 1 (0, 1)
a(uh , vh ) = F (vh ), ∀vh ∈ Xh,0

$"*9¦x *,%KLO0P.)G%1$0.)0(/VSLM%ª%K()JSG%#})*#%KLM%KLO#T,(/(y %KuT,i M:= .y%KLS!y u (x) = PN −1 u ϕ̂ (x)
%KS%$5 X 1 (0, 1) b >!"#T,.) u }yx$h$5O}¯z%KªSi=1%1()0LM%Ki |"Oi#
uh (xi ), i = 1, . . . , N −1
{ϕ̂1 , . . . , ϕ̂N −1 }
$0L./&? h,0 i
c1 ui+1 + c0 ui + c−1 ui−1 = Fi , i = 1, . . . , N − 1.

\ 0.)0(/VS%K()UL¥"}/&()"})}/O#$0!" W!0O0P./ c1 , c0 , c−1
zw|"O#$5 , β
"$ h
p p sHH
a S%K|"././.)W,}y})0(/*xM%KV'!y~})0T,0x./&()#JLO0VE}y#"¦P*,%KLO0P./
a(uh , vh ) = F (uh ) ⇒ a(uh , ϕ̂i ) = F (ϕ̂i ), i = 1, . . . , N − 1.
,})././M%KV'' a(uh , ϕ̂i )
L¥"}/&()"})}/O#,
N
X −1
uh = uj ϕ̂j (x)
j=1
$#&A'%"*90(ª$Q.) Fi = F (ϕ̂i )
#./.)0M%KV'
ui−1 a(ϕ̂i−1 , ϕ̂i ) + ui a(ϕ̂i , ϕ̂i ) + ui+1 a(ϕ̂i+1 , ϕ̂i ) = Fi , i = 1, . . . , N − 1,
$%!0E}/$"$5!"$5()0./.y%KV'0P.)!),
1 1
β
Z Z
c−1 =a(ϕ̂i−1 , ϕ̂i ) = +β ϕ̂0i−1 ϕ̂0i
ϕ̂0i−1 ϕ̂i = − − ,
0 0 h 2
Z 1 Z 1
2
c0 =a(ϕ̂i , ϕ̂i ) = ϕ̂0i ϕ̂0i + β ϕ̂0i ϕ̂i = ,
0 0 h
Z 1 Z 1
β
c1 =a(ϕ̂i+1 , ϕ̂i ) = ϕ̂0i+1 ϕ̂0i + β ϕ̂0i+1 ϕ̂i = − + .
0 0 h 2
X
o'p
rqs o q±°
xM%$%K.y%®S%z{|"O# v ∈ H s(0, 1) !"# s ∈ N, s ≥ 2 ²xM%$%K.y%S%³&S%K(/./|"O#-Rz#(/V'$5
})#./.)#P.)0(/*,%KLLE$5LT,0|"|% h = 1/N $0././ I , j = 1, . . . , N ¨xM%'$%K.)LO}/&S%K|"O'$0T,L
0LO0V'0x./NQ./$5T,(y%#$ r
(0, 1) j
Xhr (0, 1) := {vh ∈ C 0 (0, 1); vh |Ij ∈ Pr (Ij ), j = 1, . . . , N }

~})M% πr v L x.)0(/&?#LM%Kx.)H$5 v X r (0, 1)
h h
%9 a ´¦x"}/.)&A#.)"}/T900(y%KLE0P!0M%K()3!"#®(/T9#()VW%K.)0VW%K./O!"¬#&&A#(/./'VW%KT,T,O#(y%K|"O#&?0(
L¥0(/()#()U$5x.)0(/&?#LM%K|"O# kv − πr vk 2
k(v − πr v)0 k 2

h L (0,1) h L (0,1)
J \ %K.y% v ∈ H 7(0, 1) ªQS})}y%K.) h 5O$0x./RQS!+%K()H%KLLM%L!"$5.y%KL})./V'~$0LL¥0(/()#()U¦xS%KLO L?T,(y%#$
r
&µ!"#P*90O0P.)H&A0(G%K&&(),})}/VW%K() v ./(y%KV.)~L P.)0(/&A#LM%KP.) πr v _ }/./RQS!+%K()ULM%(/O}/&?,}).y%5
h
p p sHH

%9Gx./V'$0LL¥0(/()#()U$5x.)0(/&?#LM%K|"O#,
k(v − πhr v)0 kL2 (0,1) ≤Chl kvkH s (0,1) ,
kv − πhr vkL2 (0,1) ≤Chl+1 kvkH s (0,1) ,
$*9 l = min(r, s − 1) C $5O!+%S%T900(/O!+%!",}/.y%KP.)U&?,})./*#%5
J \ %K.y% v ∈ H 7 (0, 1) %KLLM%L!"W$5¨¦P"}).)}/./V''}/$"$5!"'!y'LCT,(y%#$ r = s − 1 = 6 ¦x0LLO
!yG&A0(/V'0./.)G$5?}¯zw(/./.y%K()GLM%V'0T,LOLM%~()0T9#LM%K(/.y¤$0LLM%~z{|"O# v ¦xS%K$HLM%}/* #LO£%K&&(),}y}/VW%K()
./(y%KV.)L P.)0(/&A#LM%KP.) πr v
h
l
o'p
rqs o q·¶
xM%'$%K.)L})0T,0P.)&()#JLO0VW%'$5$5R¸A}/O#1./(y%#}/&A#(/.)

−u00 + βu0 = 0, x ∈ (0, 1),
u(0) = 0, u(1) = 1,
!yU%KVV'0./.)LM%}y#L|"O#"}y%K./.y%5
βx
1 − exp
u(x) = β
,
1 − exp
$ *9 = (log(i ) + 1) · 10−2 β = log(i ) + 1 "})})0$ i , i T,L$5O!0S!"#(/(/O}/&A#$0P./%KLLO>*9,}/./()

|"M%KL$0L#V'N'$0L¨!"#T,#V'(/O})&?0././*,C%KV'0P.) LM%3z{N|"O#C log $5O!+%-LCLO#TP%K(/./V'¬S%K./(y%KLO

x*x#LO1%K&&(),})}/VW%K()£LM%H})#L|"O#£$5?.y%KLO£&()#JLO0VW%./(y%KV.)ªLSV'0.) $$0T,L?0LO0V'0x./Q./?L+%K(/
})-S%&S%K(/./|"O#Rz#(/V'$5 (0, 1) N })#./.)#P.)0(/*,%KLLE$5LT,0|"|% h
%9 \ Q()'!+%KLO!"#LM%K()'L¹*#%KLO#()$5 h∗ .y%KLO&?0(~!0CL}/$$0./.)V'0.)x$&() $5!"S%})#L|"O#
#¬,})!0LLM%Kx.)&A0(N#T, h ∈ (0, h∗ )
JxM%K u "$ u LOG})#L|"O#A$0LV'0.) $$0T,L?0LO0V'0x./Q./?L+%K(/%K&&LO!+%K.)%KL?&()#JLO0VW%
"}y%KV'h,1 ./L|"|h,2
%K$~(/O}/&A0././*#%KV'0x.) ∗ ∗ }y#./.)#P.)0(/*,%KLL
LM%z{|"O#º#»5¼,½3$5O!+%L6%K(/()#.)#$%KV'N01x=.)³ceil(10/h
%KLL x.)0()}/) !"!"N"})2}/*9=Pceil(20/h
h£./L|"|%K()) L¹&()#T,(y%KVVW%
¾ ½¼¿ »&?0(!+%KLO!"#LM%K() ku − uh,ik ku − u k !"# i = 1, 2 ÀgG&?#(/.y%K()*,%KLO#(/
#./.)0P./ 2L (0,1) 1
h,i H (0,1)
!hG./L|"|%K$*,%KLO#(/ ku − u k ku − u k &?0( i = 1, 2 C!+%KLO!"#LM%K()'L¥#()$53$5

!"#P*90(/T90|%W¸A0././*9(/O})&?0./h,i .)'%#L$ (0,1)
2

$ 0

L '
V 0
)
.
$

1
"

h,i H (0,1)
y
} K
% '
V ~
~
!"#5zw()#P.y%K(/LO!"#¦P0LLO&()0* O}/.)
$%KLLM%£.)"#(/M%G0LLO!"#(/(/O}/&A#$0P./#(/V',¹gG&?#(/.y%K()ÁL¥#()$5$5 !"#x*90(/T90|%~¸0././*9ª.)"#(/O!"
h
}/M%&A0(>LM%#(/VW% k · k !)~&A0(>LM%#(/VW% k · k
L2 (0,1) H 1 (0,1)
p p sHH iN = . . . . . . . . . ; iC = . . . . . . . . .

\ Q|"O#H!+%KLO!"#LO3$5 h∗ ÁP./() $5!0M%KV'LEPV'0()$5E"!0LO0. βh U&A#M%KV''LM%!"#$5|"O#
P e∗ = βh < 1
∗ $%!0})(/O!+%"*,% h∗ = 2 Pe = 2
2 β
ku − uh,1 kL2 (0,1) = . . . . . . . . . ku − uh,2 kL2 (0,1) = . . . . . . . . .
ku − uh,1 kH 1 (0,1) = . . . . . . . . . ku − uh,2 kH 1 (0,1) = . . . . . . . . .
e ()$5U$5!"#P*90(/T90|%W¸A0././*9W0LLM%#(/VW% k · k
L (0,1) . . . . . . . . . 2
e ()$5U$5!"#P*90(/T90|%'.)"#(/O!"'0LLM%#(/VW% k · k
L (0,1) . . . . . . . . .
2
e ()$5U$5!"#P*90(/T90|%W¸A0././*9W0LLM%#(/VW% k · k
H (0,1) . . . . . . . . . 1
e ()$5U$5!"#P*90(/T90|%'.)"#(/O!"'0LLM%#(/VW% k · k .........
H 1 (0,1)

AppMetodiNumerici PDF

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

AppMetodiNumerici PDF

Caricato da

Copyright:

Formati disponibili

Memory

Metodi Analitici e Numerici per

questa raccolta di appunti è reperibile in forma gratuita1 al sito:

1 fatto salvo per i costi di connessione

1 Analisi teorica del problema modello 4

2 Metodo delle Differenze Finite 7

3 Risoluzione dei sistemi lineari 23

7 Metodo degli Elementi Finiti (Galerkin) 52

8 Discretizzazione di ordine 2 in spazio dipendenti dal tempo 63

9.1.2 03.Feb.06 prova in itinere II . . . . . . . . . . . . . . . 89

introduco la funzione di Green

Figura 1.1: Funzione di Green.

G è simmetrica, positiva, continua ⇒ posso integrarla sempre, quindi u(x) ∃

ma −u00 = f se f è continua ⇒ u ∈ C 2 , se f ∈ C m ⇒ u ∈ C m+2 , sempre più

voglio ottenere dati sballati

da stimare max per x=1/2, G=1/4

Nei metodi numerici per la risoluzione di −u00 = f invece di calcolare l’inte-

questo approccio viene trascurato perchè lungo; si utilizzano le Differenze

si preferisce l’approssimazione centrata perchè più accurata

2.1.1 Esistenza, unicità e accuratezza della soluzione

è sicuramente ≥ 0, qualsiasi vettore prendo e può essere = 0 solo nel caso

max |u(xi ) − uh (xi )|

il metodo è convergente, l’errore tende a zero.

metodo è convergente ⇔ consistente e stabile

u(xi+1 ) − 2u(xi ) + u(xi−1 )

la soluzione discreta è controllata dai dati4 .

2.2 Problema completo a coefficienti costanti

−νu00 (xi ) + βu0 (xi ) + σu(xi ) = f (xi ) i = 1, . . . , N

ora si sostituiscono le derivate con i rapporti incrementali, utilizzando rappor-

la matrice A risulta essere

2.3 Metodo dei coefficienti indeterminati

raccogliendo i termini simili

τh (xi ) = u(xi )( −a−1 − a0 − a1 ) +

si intende minimizzare l’errore relativo all’approssimazione della derivata pri-

risulta uno schema centrato

l’errore converge con ordine 2.

2.4 Condizioni al contorno

2.4.2 Risoluzione del problema di Neumann

si utilizza il metodo dei coefficienti indeterminati per approssimare la derivata

del nodo xN +2 che non esiste

u0 (xN +1 ) ' a0 uN +1 + a1 uN + a2 uN −1 ≡ DuN +1

u0 (xN +1 ) − DuN +1 = −uN +1 (a0 + a1 + a2 ) +

il termine relativo all’errore di troncamento mostra che al massimo l’errore

u0 (xN +1 ) ' 2h3

2.4.3 Condizioni di Robin

con α0 , β0 , α1 , β1 ∈ R assegnati, considerando

2.5 Differenze Finite su intervalli non equis-

Figura 2.1: Strato limite e ipotesi di discretizzazione.

Figura 2.2: Esempio nodi non equispaziati.

si intende ricavare uno schema che approssimi la derivata prima in xi , possi-

bilmente del secondo ordine

τh ∼ o(h) con h = max(h).

supp. UNIFORME supp. NON UNIFORME

2.6 Problema completo a coefficienti variabili

si consideri il problema ridotto più semplice

lo schema è applicabile a tutti i nodi interni, quindi per i = 1, . . . , N

−w0 (x) = f (x)

2.7 Caso generale

si consideri il termine di trasporto, in quanto il termine di diffusione è già

2.8 Interpolazione polinomiale

l’errore di interpolazione risulta

scritto sulla base di Lagrange il polinomio interpolatore esiste unico

da questo approccio si ottengono due pregi