Sei sulla pagina 1di 6

MODELLISTICA E SIMULAZIONE

G. & L. Celentano

1. Introduzione
(Si consiglia di leggere anche l’introduzione del Vol. II)

I modelli matematici riguardano diverse discipline, a partire da quelle considerate tradizionalmente più quantitative,
come la fisica e la chimica, fino a quelle che, come la biologia, la medicina e l’ecologia, hanno conosciuto uno
sviluppo più recente, anche a causa della loro maggiore complessità. Più recente ancora è l’uso sistematico di modelli
matematici in settori che coinvolgono decisioni da parte dell’uomo, quali l’economia, la finanza, la politica.

Accanto ai più noti modelli deterministici, che rappresentano processi di tipo causa-effetto, si sono sviluppati negli
ultimi anni altri modelli che descrivono sistemi che mostrano un comportamento intrinsecamente aleatorio (sistemi
stocastici) o descrivono algoritmi (automi).

Il modello è un’astrazione matematica che stabilisce una ”analogia”, una corrispondenza con il sistema “reale”. Esso
è, dunque, una rappresentazione idealizzata della “realtà” e si esprime attraverso delle relazioni logico-matematiche
tra le variabili caratteristiche del sistema. Se esso “evolve” nel tempo dicesi dinamico.

I modelli matematici offrono numerosi vantaggi. Ad esempio:

 permettono di ridurre o evitare esperimenti reali, che spesso sono molto costosi e poco affidabili;
 sono più sintetici ed accurati rispetto ad altri modelli (verbali, testuali, grafici, ecc.);
 consentono di unificare culture a prima vista diverse (*);
 è possibile modellare un sistema non solo applicando opportunamente le usuali leggi scientifiche, ma
addirittura usando tecniche di identificazione a scatola nera, basate sulla sola conoscenza di serie storiche
ingresso-uscita;
 lo sforzo di modellazione di un qualsiasi sistema consente di comprenderne meglio il funzionamento;
 un modello matematico di un sistema consente di ottimizzare più facilmente la progettazione delle parti di
nuova concezione;
 è possibile fare una scelta ottima dei componenti multiuso, disponibili sul mercato, per l’assemblaggio di un
sistema complesso;
 si possono sviluppare efficienti algoritmi di supervisione, diagnosi e controllo di sistemi di produzione
automatica di beni e di erogazione di servizi;
 le nuove tecnologie elettroniche ed informatiche al tempo d’oggi consentono di realizzare facilmente
sofisticatissimi sistemi, o sue parti, a partire dal loro modello matematico, anche se esso non è basato sulle
usuali leggi scientifiche;
 vi sono molti risultati teorici di analisi e di sintesi per i modelli matematici;
 vi sono diversi pacchetti software che consentono di studiare facilmente i modelli matematici
(MATLAB/Simulink, Matematica, Octave, Labview, LogicWorks, Spice, Dymola, Nastran, SolidWorks,
ecc.).

(*) Come sarà mostrato in seguito e nel Vol. II, discretizzando eventualmente le diverse grandezze di un sistema rispetto alle
variabili spaziali e/o rispetto alla variabile temporale, moltissimi sistemi, basati sulle usuali leggi scientifiche e/o sulla logica e/o
su algoritmi ricorsivi e non, si possono descrivere mediante due equazioni del tipo: x(t )' f (t, x(t ), u(t )),
y(t ) (t, x(t ), u(t )) , ove t è il “tempo” continuo o discreto, u è l’ingresso (causa, funzione indipendente, ...), y è l’uscita
(effetto, funzione dipendente, …), x è lo stato (condizione all’istante t , grandezza di sintesi del “passato”, …) ed x (t )' denota
la velocità di variazione di x (t ) , se il tempo è continuo, lo stato prossimo, cioè il valore di x all’istante successivo a quello t , se
il tempo é discreto.
2
G. & L. CELENTANO

Principi di Kirchhoff generalizzati

Primo principio di Kirchhoff. Per ogni nodo ( cfr. Fig. 79) è nulla la somma delle variabili di flusso

 ()ih  0 ,
dove le variabili ih , misurate rispetto ad un arbitrario verso di riferimento, vanno prese con il segno (+) se il
relativo verso (di riferimento) è entrante e col segno (-) se uscente.

i1 i2

nodo
i5
 i3
i4
Figura 79. Nodo
Il verso di i (di riferimento o convenzionale) in genere non può coincidere con il verso effettivo in quanto
esso non sempre è noto a priori e/o perché varia nel tempo. Il valore di i è positivo se il verso effettivo
coincide con quello di riferimento, negativo in caso contrario.
Secondo principio di Kirchhoff. Per ogni maglia (cfr. Fig. 81), scelto un arbitrario verso di percorrenza
con il quale viene determinato un ordine di successione dei nodi, è nulla la somma di tutte le variabili di
potenziale vij tra due nodi consecutivi

 (  )v ij
0 ,

dove le variabili vij vanno prese con il segno + se il verso i j coincide con quello di percorrenza della
maglia, con il segno – in caso contrario.

Figura 81. Maglia


3
G. & L. CELENTANO
4
G. & L. CELENTANO

In maniera più specifica, un modello elettro-termico di una rete elettrica può essere ottenuto come segue. Data
una rete composta da: i) resistori, condensatori (anche parassiti), induttori, doppi bipoli induttivi, …, n-poli (bipoli,
tripoli, …) non lineari descritti da modelli algebrici, basati anche su interpolazioni ottimizzate di dati sperimentali; ii)
generatori di tensione e di corrente effettivi u _ ; iii) eventuali generatori virtuali di tensione e di corrente u _ v , che
simulano l’interazione con altre reti (cfr. Fig. 83) :

xi
xj

xl ( )
xk xh
ui yi
zi

xn ( )
xm ( )
uj
or zi zl
zj zk yj
NL NL or zl
xo ( ) x p ( )
 or z k

yiv u jv
u iv y jv
Figura 83. Schema generale di una rete elettrica

i) introdurre come variabili di stato x _ le tensioni ai capi dei condensatori, le correnti negli elementi induttivi e le
temperatore di quei componenti i cui modelli elementari dipendono sensibilmente dalle loro temperature; ii) introdurre
come variabili ausiliarie z _ le correnti o le tensioni relative ai componenti algebrici; iv) scrivere i principi di
Kirchhoff e le equazioni dei bilanci termici; v) eliminare le variabili ausiliarie; vi) esplicitare le rimanenti equazioni
rispetto alle derivate delle variabili di stato x _ e ricavare le uscite reali y _ e virtuali y _ v in funzione delle
variabili di stato, degli ingressi reali u _ e virtuali u _ v e della temperatura ambiente u  a .

Così facendo il modello elettrotermico della rete risulta della forma:

x  f ( x, u), y  ( x, u)

o, se tutti i componenti sono lineari, della forma:


x  Ax  Bu, y  Cx  Du .

Si fa notare esplicitamente che: i) le condizioni iniziali dei modelli ingresso-stato-uscita sono variabili fisiche
facilmente misurabili; ii) i modelli ingresso-stato-uscita non contengono le derivate di u e sono più stabili
numericamente rispetto ai modelli ingresso-uscita; iii) un modello non lineare può essere facilmente linearizzato
mediante i comandi Matlab trim e linmod (cfr. programmi mod_lin_bjt.m, lin_amp_nl.m e lin_aereo.m degli
Autori); iv) la risposta in frequenza di un modello lineare o linearizzato si può ottenere facilmente con il comando
Matlab bode o bode_as.m degli Autori.
5
G. & L. CELENTANO

Figura 85. Sistemi analoghi

 G1  G12 G12  1 G1 
 0 u 
 x1   C1 C1   x  C C1   1 
x    G  1   1
G  G12   x2  
 u2 .
G2   
 2  12
 2
1
u 
 C2  0 C2   3 
 C2  C2
6
G. & L. CELENTANO
Elementi di calcolo numerico
Interpolazione
L’interpolazione può essere facilmente fatta con i comandi Matlab: polyfit, interp1 (approssimazione lineare a tratti),
interpn, spline (approssimazione con tratti di polinomi di terzo grado uniti in modo da avere una funzione con
derivata seconda continua e quindi senza punti angolosi).

Un limite superiore del valore assoluto dell’errore che si commette nel generico intervallo [ti , ti  T ] con
l’interpolazione lineare risulta
T2
e max Y (t ) .
8

Si veda il programma interp_spline.m degli Autori.

Derivazione numerica
Alcune formule di derivazione numerica di una funzione Y di cui si conoscono i valori Yi in punti equidistanti con
passo T  ti 1  ti , ottenute utilizzando le formule di interpolazione di Lagrange, sono:

due punti: Y1'  Y2'  (Y2  Y1 ) T , e  Y (2)T 2

Y1'  ( 3Y1  4Y2  Y3 ) (2T ), e  Y (3)T 2 3


tre punti: Y2'  (Y3  Y1 ) (2T ), e  Y (3)T 2 6
Y3'  (Y1  4Y2  3Y3 ) (2T ), e  Y (3)T 2 3,

in cui e è l’errore e Y ( k ) è la derivata k  esima in un opportuno punto.

Yi ' 1  Yi ' 1 Yi 1  2Yi  Yi 1


Yi 
''
 .
2T T2

Integrazione numerica di un’equazione differenziale


L’integrazione numerica dell’equazione differenziale (vettoriale)

x(t )  f (t, x(t )), x(t0 )  x0

può essere eseguita con vari metodi. Un metodo che consente di valutare l’errore di troncamento è quello di Runge-
Kutta-Merson:

 K1  Tf (kT , x (kT )) 3
 K  Tf (kT  T 3, x (kT )  K ) 3
 2 1

 K 3  Tf (kT  T 3, x (kT )  ( K1  K 2 ) 2) 3
 K  Tf (kT  T 2, x (kT )  3K 8  9 K 8) 3
 4 1 3

 K5  Tf (kT )  T , x (kT )  9 K 3 2  6 K 4 ) 3

e  max K1 (i )  9 K 3 (i ) 2  4 K 4 (i )  K5 (i ) 2 .
i

Tale metodo consente di aggiustare il passo in modo da rendere l’errore non superiore a un prefissato  .