TRABAJO DE AMPLIACION
Resumen
Recibido 00/00/2016
Aceptado 00/00/2016 La parametrizacion del comportamiento de los fluidos complejos ha sido durante muchos anos
un problema tratado por cientficos e ingenieros de variados campos. Esto se debe a que es muy
difcil sino imposible obtener un modelo fsico universal de su comportamiento al fluir. Es por
ello que existen distintos modelos aproximados que buscan ajustarse de la mejor forma posible
a los comportamientos de la mayor cantidad posible de materiales. Uno de ellos es el modelo
de Maxwell Generalizado, que modela el comportamiento viscoelastico de los materiales y que
es el que voy a analizar desde la perspectiva del proceso de ajuste a los datos experimentales.
INTRODUCCION
N
0
X gk (k )2
G () = (1)
1 + (k )2
k=1
N
X gk k
G00 () = (2)
1 + (k )2
k=1
2.La segunda parte de la iteracion consistira en Para los tiempos de relajacion he decidido uti-
modificar los tiempos de relajacion (k ) para cada lizar una distribucion homogenea de de frecuencias
termino. Esta modificacion es mas sensible que la caractersticas en el rango de los datos.
del modulo gk ya que podemos interpretarla como
un desplazamiento de la curva que cada termino. Mnimos locales.
Para modificar el parametro k trabajaremos di-
rectamente con la frecuencia en el eje de abscisas En este primer modelo del algoritmo es habi-
para mas comodidad, llamaremos frecuencia carac- tual que aun proveyendo un numero considerable de
terstica del termino a: terminos obtengamos soluciones como esta:
1 1
c = =
c
1 1
= 2 = c
c c c2
Figura 10: Ajuste con diez terminos.
= 2 c (5)
Modificaremos la frecuencia caracterstica de cada Esto se debe a dos situaciones analogas. En una el
termino en pasos discretos y obtendremos el incre- algoritmo tiende a anular un termino reduciendo su
mento o decremento equivalente del tiempo de re- gk hasta 0. Esto lo hace porque si en algun momento
lajacion de cada termino. Esto facilita el analisis al ese termino llega a un punto donde cualquier interac-
algoritmo entendiendo que incrementar la frecuencia cion lo hace incrementar el error, acaba siendo mas
caracterstica supone desplazar puntos clave de las comodo reducirlo y trabajar con menos terminos con
curvas en el sentido positivo del eje de abscisas. los cuales obtienes mas error pero una percepcion de
su decremento.
Numero de terminos.
CONCLUSIONES
Referencias
[1] Departamento de Fsica aplicada
II,,Universidad de Malaga,Teora de
errores..
ANEXO
function [ X ] = Ajustar(XDATA,YDATA,X0,r_min,N)
n=size(X0);
parametros=X0;
r=1;
h=animatedline(1,1,'MaximumNumPoints',50);
while r>r_min&iteracion<=N;
iteration=iteration+1;
lerr=error(XDATA,YDATA,parametros);
lr=0.2;
while lr>0
for i=1:n(1)
aux=parametros;
err2=error(XDATA,YDATA,parametros);
aux(i,1)=aux(i,1)+1e-2;
err1=error(XDATA,YDATA,aux);
derr=err2-err1;
parametros(i,1)=parametros(i,1)+derr/abs(derr+1e-9)*1e-2;
parametros(i,1)=(parametros(i,1)>0)*parametros(i,1)+(parametros(i,1)<=0)*1e-12;
end
err2=error(XDATA,YDATA,parametros);
lr=(lerr-err2)/lerr;
lerr=err2;
end
lr=1;
while lr > 0
for i=1:n(1)
aux=parametros;
err2=error(XDATA,YDATA,parametros);
aux(i,2)=aux(i,2)+1e-5*aux(i,2)2;
err1=error(XDATA,YDATA,aux);
derr=(err2-err1);
parametros(i,2)=parametros(i,2)+derr/abs(derr+1e-12)*parametros(i,2)2*1e-5;
parametros(i,2)=(parametros(i,2)>0)*parametros(i,2)+(parametros(i,2)<=0)*1e-12;
end
err2=error(XDATA,YDATA,parametros);
lr=(lerr-err2)/lerr;
lerr=err2;
end
addpoints(h,iteration,r);
drawnow
r=abs(ERR-err2)/ERR;
ERR=err2;
%Algoritmo corrector
for i=1:n(1)
if( parametros(i,1)<1e-2)
[e,y]=maxerror(XDATA,YDATA,parametros);
parametros(i,1)=0.5*abs(e);
parametros(i,2)=1/XDATA(y);
end
end
end
X=parametros;
display(iteration);
display(ERR);
createfigure(XDATA,[YDATA(:,1),FG1(parametros,XDATA)], [YDATA(:,2),FG2(parametros,XDATA)]);
end
function err=error(XDATA,YDATA,parametros)
err=sum([err1,err2]);
end
function [e,y]=maxerror(XDATA,YDATA,parametros)
err1=(YDATA(:,1)-FG1(parametros,XDATA));
err2=(YDATA(:,2)-FG2(parametros,XDATA));
err=max([err1,err2]);
[e,y]=max(err);
end
n=size(X);
YDATA=0;
for i=1:n(1)
YDATA=YDATA+X(i,1).*(XDATA.*X(i,2)).2./(1+(XDATA.*X(i,2)).2);
end
end
for i=1:n(1)
YDATA=YDATA+X(i,1).*XDATA*X(i,2)./(1+(XDATA.*X(i,2)).2);
end
end