Lösung von partiellen Differentialgleichungen mit Numpy und Scipy: Ein Schritt-für-Schritt-Ansatz

Partielle Differentialgleichungen (PDEs) sind von grundlegender Bedeutung für die Modellierung verschiedener physikalischer Phänomene wie Wärmeübertragung, Wellenausbreitung und Strömungsdynamik. Die Verwendung von Python-Bibliotheken wie NumPy und SciPy vereinfacht den Prozess der numerischen Lösung dieser Gleichungen. Dieser Artikel bietet einen schrittweisen Ansatz zur Lösung von PDEs mit diesen Werkzeugen.

Das Einrichten des Problems

Beginnen Sie mit der Definition der PDE und der Domäne, z. B. die eindimensionale Wärmegleichung:

∂u/∂t = α ∂2u/∂x2

Geben Sie Anfangsbedingungen, Randbedingungen und Parameter wie die thermische Diffusivität an α.

Diskretisierung der Domain

Teilen Sie den räumlichen Bereich mit NumPy-Arrays in diskrete Punkte, z. B. ein Raster von Punkten:

importieren numpy als np

x = np.linspace(0, 1, 100)

Stellen Sie den Zeitschritt und die Gesamtsimulationszeit ein, um die numerische Stabilität und Genauigkeit zu steuern.

Umsetzung der numerischen Methode

Für die Wärmegleichung wird die Temperatur an jedem Punkt durch ein explizites Schema aktualisiert:

u new = u + r * (u[i+1] - 2*u[i] + u[i-1])

Dabei ist r ein Stabilitätsparameter, der als α * dt / dx2 berechnet wird.

Die Simulation ausführen

Iterieren Sie über Zeitschritte, aktualisieren Sie das Lösungsarray bei jeder Iteration. Verwenden Sie NumPy-Operationen für die Effizienz:

für n in range(steps):

  u[1:-1] = u[1:-1] + r * (u[2:] - 2*u[1:-1] + u[:-2])

Wenden Sie nach jedem Update Randbedingungen an, um die Problemeinschränkungen beizubehalten.

Visualisierung der Ergebnisse

Verwenden Sie Bibliotheken wie Matplotlib, um die Temperaturverteilung über die Zeit zu visualisieren, zeichnen Sie den Anfangs- und Endzustand auf, um den Diffusionsprozess zu beobachten.

Beispielcode:

import matplotlib.pyplot as plt

plt.plot(x, u)