Metode Runge-Kutta
Bab ini dikhususkan untuk memecahkan persamaan diferensial biasa dalam bentuk
d
y = f(x . y)
d
x
Dalam Chap. 1, kami menggunakan metode numerik untuk menyelesaikan
persamaan tersebut untuk kecepatan dari penerjun jatuh. Ingat bahwa
metode itu dari bentuk umum
GAMBAR 25.1
penggambaran grafis y
dari metode satu-
langkah.
y
saya + 1 = ysaya + h
slope =
x x
saya saya + 1 x
ukuran langkah = h
707
708 METODE RUNGE-KUTTA
diprediksi
kesalahan
Benar
x x x
saya saya + 1
GAMBAR 25.2
Metode Euler.
φ = f(xsaya . ysaya )
ysaya +1 = ysaya +
f(xsaya . ysaya )h (25.2)
Karena itu,
= 5.875
Solusi yang benar pada x = 1.0 adalah 3,0, dan oleh karena itu, persen
kesalahan relatif -95,8%. perhitungan diulang, dan hasilnya disusun dalam
Tabel 25.1 dan Gambar. 25,3. Perhatikan bahwa,
Persen Kesalahan
Relatif
h = 0,5
0
0 2 4 x
GAMBAR 25,3
d
x
Jelas, kasus yang lebih umum (dan lebih umum) melibatkan Odes yang
bergantung pada kedua x dan y,
d
y = f(x . y)
d
x
Seperti yang kita kemajuan melalui ini bagian dari teks, contoh kita akan
semakin melibatkan Odes yang bergantung pada kedua independen dan
variabel dependen.
Solusi numerik dari Odes melibatkan dua jenis kesalahan (recall Chaps 3
dan 4.):
y = f(x . y) (25,3)
di mana y = dy/dxdan x dan y adalah independen dan variabel dependen,
respec-tively. Jika solusi-bahwa adalah, fungsi menggambarkan perilaku
y-telah derivatif terus menerus, dapat diwakili oleh ekspansi deret Taylor
tentang nilai awal (xsaya, ysaya), Seperti pada [recall Eq. (4.7)]
y(n
y )
s s
a a
y y
a a
y y yh h2 hn R
saya sa (25.4)
+
+1= ya 2! + · + n! + n
saya +
di mana h = xsaya+1 - xsaya dan Rn = istilah sisanya, yang
didefinisikan sebagai
y(n+1)
f (xsaya . f (n-1)(xsaya . hn +
ysaya +1 = ysaya + f(xsaya y ) ysaya ) HAI(hn+1) (25,6)
saya
. ysaya )h + 2! h2 + · + n!
f (xsaya .
ysaya )
Et = 2! h2 + · + HAI(hn+1) (25,7)
di mana Et =benar kesalahan pemotongan lokal. Untuk h cukup kecil,
kesalahan dalam istilah dalam Persamaan. (25,7) biasanya menurun
dengan meningkatnya order (ingat Contoh 4.2 dan diskusi accompa-
Nying), dan hasilnya sering direpresentasikan sebagai
f (xsaya .
ESebu y ) 2
saya
ah = 2! h (25,8)
712 METODE RUNGE-KUTTA
atau
(E25.2
f (xsaya . ysaya ) = -6x2 + 24x- 20 .2)
dan f (xsaya, ysaya) Adalah turunan kedua ODE yang
(E25.2
f (xsaya . ysaya ) = -12x+ 24 .3)
dan f (3)(xsaya, ysaya) Adalah turunan ketiga ODE yang
(E25.2
f (3)(xsaya . ysaya ) = -12 .4)
Kita bisa menghilangkan persyaratan tambahan (yaitu, turunan keempat
dan lebih tinggi) dari Persamaan. (E25.2.1) menjadi penyebab untuk kasus
ini mereka sama dengan nol. Perlu dicatat bahwa untuk fungsi lain
(misalnya, fungsi transendental seperti sinusoid atau eksponensial) ini
tidak akan neces-sarily benar, dan istilah tingkat tinggi akan memiliki nilai
nol. Namun, untuk kasus ini, pers. (E25.2.1) melalui (E25.2.4) benar-
benar mendefinisikan kesalahan pemotongan untuk satu aplikasi dari
metode Euler.
-6(0.0)2 + 24(0.0) -
(E25.2
20
E (0.5)2 2.5 .5)
t.
2 = 2 =-
Untuk jangka orde ketiga:
-12(0.0) + 24
Et.3 = 3 = 0.5 6
(0.5)
yang persis kesalahan yang terjadi pada langkah awal Contoh 25,1.
Perhatikan bagaimana
E t.2 > Et.3 > Et.4 , Yang mendukung pendekatan diwakili oleh
Persamaan. (25,8).
0.25.
714 METODE RUNGE-KUTTA
y
h = 0,5
h = 0.25
4
solusi yang
benar
0
0 2 4 x
(Sebuah)
y
0
2 4 x
perkira
an
Benar
- 0,5
(B)
GAMBAR 25.4
Tangga
5 50 500 5000
100
Absolute persen kesalahan relatif
10
1
0,1
1 0,1 0.01 0,001
ukuran langkah
716 METODE RUNGE-KUTTA
Selanjutnya, ada sejumlah isu yang berkaitan dengan cara kita telah
menyiapkan iterasi. Misalnya, bahwa ukuran langkah itu harus dibuat
sangat kecil untuk mendapatkan yang lebih baik accu-cabul. Dalam kasus
tersebut, karena setiap nilai yang dihitung ditampilkan, jumlah output val-
ues mungkin sangat besar. Selanjutnya, algoritma ini didasarkan pada
asumsi bahwa interval perhitungan dibagi secara merata ukuran langkah.
Akhirnya, akumulasi x di garis x= x + dx dapat dikenakan mengkuantisasi
kesalahan dari jenis yang sebelumnya dibahas dalam
GAMBAR 25,6
xi 0
xf 4
'Menginisialisasi
variabel x xi
y1
'Mengatur langkah
ukuran dan menentukan'
sejumlah langkah
perhitungan dx 0,5
nc (xf xi) / dx
'keluaran kondisi
awal PRINT x, y
'Loop untuk menerapkan
metode Euler' dan
menampilkan hasil
DOFOR i 1, nc
xx dx
PRINT x, y
END DO
METODE 25,1 EULER'S 717
Detik. 3.4.1. Misalnya, jika dx diubah menjadi 0,01 dan standar IEEE
floating point rep-resentation digunakan (sekitar tujuh signifikan digit),
hasilnya di akhir dengan f-tion akan 3,999997 daripada 4. Untuk dx=
0.001, itu akan menjadi 3,999892!
GAMBAR 25,7
(A) Utama atau “driver” Program (B) rutin ke Take One Keluaran
Langkah
IF (x xend) EXIT
END DO
END SUB
END SUB
dv c (E25.4
dt = g - m v .1)
GAMBAR 25,8
y
60
linear
40
nonlinear
20
0 15
t
0 5 10
25,2 MEMPERBAIKI METODE EULER'S 719
Larutan. Hasil untuk kedua linear dan model nonlinear ditampilkan pada
Gambar. 25,8 dengan ukuran integrasi langkah dari 0,1 s. Plot pada
Gambar. 25,8 juga menunjukkan overlay dari apa-lution dari model linear
untuk tujuan perbandingan.
Hasil dari dua simulasi menunjukkan bagaimana meningkatkan
kompleksitas untuk-mulation dari gaya drag mempengaruhi kecepatan
penerjun. Dalam hal ini, kecepatan terminal diturunkan karena resistensi
yang disebabkan oleh ketentuan tingkat tinggi dalam Pers. (E25.4.2).
f (xsaya .
ysaya +1 = ysaya + f(xsaya y ) 2
saya
. ysaya )h + 2! h (25,11)
f (x
ESebuah = saya .
y
saya )
h3 6
Meskipun penggabungan istilah tingkat tinggi cukup sederhana untuk
menerapkan untuk polinomial, inklusi mereka tidak begitu sepele ketika
ODE yang lebih rumit. Dalam partic-ular, Odes yang merupakan fungsi
dari kedua variabel dependen dan independen membutuhkan diferensiasi
rantai-aturan. Sebagai contoh, turunan pertama f (x, y) adalah
f(x
φ (xsaya . ysaya ) = ∂ . y) + ∂ f(x . y) dy
x∂ ydx
Untuk metode Euler standar kita akan berhenti pada titik ini. Namun,
dalam metode Heun ini ysaya0+1 dihitung dalam Persamaan. (25,13)
bukanlah jawaban akhir, tetapi prediksi menengah. Ini sebabnya kami
telah membedakannya dengan superscript 0. Persamaan (25.13) disebut
prediktor
GAMBAR 25,9
penggambaran grafis dari metode Heun ini. (A) Predictor dan (b) korektor.
y
slope = f (xsaya + 1. y0saya + 1)
slope =
f (xsaya, ysaya)
x x x
saya saya + 1
(Sebuah)
f (xsaya, ysaya) + F
y slope (xsaya + 1, ysaya0 + 1)
=
2
x x x
saya saya + 1
(B)
25,2 MEMPERBAIKI METODE EULER'S 721
(25,14)
GAMBAR 25.10
y
y +hf (.
yf (
s x s
saya + x
a a
s s
y y
a a
a a
1 y y
)
a a
+
1
.
y
0
s
a
y
a
+
1
)
722 METODE RUNGE-KUTTA
1 15
yb
en
x ar yHeun | t| (%) yHeun | t| (%)
2.000000
0 0 2.0000000 0.00 2.0000000 0.00
6.194631
1 4 6.7010819 8.18 6.3608655 2,68
14.84392
2 19 16.3197819 9.94 15.3022367 3,09
33.67717
3 18 37.1992489 10.46 34.7432761 3.17
75.33896
4 26 83.3377674 10.62 77.7350962 3.18
25,2 MEMPERBAIKI METODE EULER'S 723
Catatan bahwa ini adalah hasil yang akan diperoleh dengan metode Euler
standar. Nilai sebenarnya pada Tabel 25.2 menunjukkan bahwa sesuai
dengan persen kesalahan relatif dari 19,3 persen.
which is closer to the true average slope of 4.1946. This result can then be
substituted into the corrector [Eq. (25.16)] to give the prediction at x = 1
y1 = 2+ 4.701082(1) = 6.701082
which represents a percent relative error of −8.18 percent. Thus, the Heun
method without iteration of the corrector reduces the absolute value of the
error by a factor of 2.4 as com-pared with Euler’s method.
Now this estimate can be used to refine or correct the prediction of y 1
by substituting the new result back into the right-hand side of Eq. (25.16):
4e 0.8( 0.5(6.70108
3 1) 2)
+ −
y1 = 2+ 2 1=
which represents an absolute percent relative error of 1.31 percent. This
result, in turn, can be substituted back into Eq. (25.16) to further correct:
4e 0.8( 0.5(6.27581
3 1) 1)
+ − 1=
y1 = 2+ 2 6.382129
which represents an |εt | of 3.03%. Notice how the errors sometimes grow
as the iterations proceed. Such increases can occur, especially for large
step sizes, and they prevent us from drawing the general conclusion that
an additional iteration will always improve the result. However, for a
sufficiently small step size, the iterations should eventually converge on a
single value. For our case, 6.360865, which represents a relative error of
2.68 percent, is attained after 15 iterations. Table 25.2 shows results for
the remainder of the computation using the method with 1 and 15
iterations per step.
= f(xi ) + f(xi
+1)
y y 2 h (25.18)
i i+
+1
724 RUNGE-KUTTA METHODS
Notice the similarity between the right-hand side of Eq. (25.18) and the
trapezoidal rule [Eq. (21.3)]. The connection between the two methods can
be formally demonstrated by starting with the ordinary differential
equation
dy
= f(x )
yi +1 xi +1
dy = f(x ) dx
(25.19)
y x
i i
which yields
xi +1
yi +1 − yi = f(x ) dx
(25.20)
Fi
or
xi +1
yi +1 = yi + f(x ) dx
(25.21)
2. i
Now, recall from Chap. 21 that the trapezoidal rule [Eq. (21.3)] is defined
as
f(xi ) +
xi
x
i f(x ) dx f(xi +1)
+1 = ∼
2 h (25.22)
where h = xi +1 − xi . Substituting Eq. (25.22) into Eq. (25.21)
yields
f(xi ) + f(xi
y y +1) h (25.23)
i +1= i + 2
which is equivalent to Eq. (25.18).
f
(ξ ) 3
Et = − 12 h (25.24)
where ξ is between xi and xi+l. Thus, the method is second order because
the second deriva-tive of the ODE is zero when the true solution is a
quadratic. In addition, the local and global errors are O(h3) and O(h2),
respectively. Therefore, decreasing the step size decreases the error at a
faster rate than for Euler’s method. Figure 25.11, which shows the result
of using Heun’s method to solve the polynomial from Example 25.1
demonstrates this behavior.
yi +1/2 = yi + f(xi , yi h
) 2 (25.25)
25.2 IMPROVEMENTS OF EULER’S METHOD 725
Euler’s method
Heun’s method
x x
i i + 1/2 x
(a)
y Slope = f (x i + 1/2, yi
+ 1/2)
x x
i i+1 x
(b)
726 RUNGE-KUTTA METHODS
y
= f(xi +1/2, yi +1/2)
i +1/2 (25.26)
which is assumed to represent a valid approximation of the average slope
for the entire in-terval. This slope is then used to extrapolate linearly from
xi to xi+l (Fig. 25.12b):
y
i +1= yi + f(xi +1/2, yi
+1/2)h (25.27)
Observe that because yi+l is not on both sides, the corrector [Eq. (25.27)]
cannot be applied iteratively to improve the solution.
b
−
f(x ) dx = (b a) f(x1)
a
where x1 is the midpoint of the interval (a, b). Using the nomenclature for
the present case, it can be expressed as
xi +1
∼
f(x ) dx = h f(xi +1/2)
A i
Substitution of this formula into Eq. (25.21) yields Eq. (25.27). Thus, just
as the Heun method can be called the trapezoidal rule, the midpoint
method gets its name from the underlying integration formula upon which
it is based.
Both the Heun method with a single corrector and the midpoint method
can be easily pro-grammed using the general structure depicted in Fig.
25.7. As in Fig. 25.13a and b, simple routines can be written to take the
place of the Euler routine in Fig. 25.7.
25.2.4 Summary
h
ynewySlope
h
xxh
xx h
END
SUB
END SUB
FIGUR
SUB Midpoint (x, y, h, ynew)
E 25.13
ymydydx h2
CALL Derivs(x h, ye,
dy2dx) slope (dy1dx
SUB HeunIter (x, y, h, ynew) dy2dx) 2 ye y slope h iter
iter 1
es 0.01
ye yeold
maxit 20 ea 100%
ye
CALL Derivs(x, y, dy1dx)
IF (ea es OR iter maxit) EXIT
yeydy1dx h END DO
ynew ye
iter 0
xx h
DO
END SUB
yeold ye
Pseudocode to implement the (a) simple Heun, (b) midpoint, and (c)
iterative Heun methods.
(Sec. 25.3.4) that the improved accuracy is usually worth the effort.
Although there are cer-tain cases where easily programmable techniques
such as Euler’s method can be applied to advantage, the Heun and
midpoint methods are generally superior and should be imple-mented if
they are consistent with the problem objectives.
As noted at the beginning of this section, the Heun (without iterations),
the midpoint method, and in fact, the Euler technique itself are versions of
a broader class of one-step approaches called Runge-Kutta methods. We
now turn to a formal derivation of these techniques.
k1 = f(xi , yi ) (25.29a)
k2 = f(xi + p1h, yi + q11k1h) (25.29b)
k3 = f(xi + p2h, yi + q21k1h + q22k2h) (25.29c)
.
.
.
k
n = f(xi + pn−1h, yi + qn−1,1k1h + qn−1,2k2h + · · · +
q
n−1,n−1kn−1h) (25.29d)
where the p’s and q’s are constants. Notice that the k’s are recurrence
relationships. That is, k1 appears in the equation for k2, which appears in
the equation for k3, and so forth. Because each k is a functional evaluation,
this recurrence makes RK methods efficient for computer calculations.
a1 + a2 = 1 (25.31)
1
a2 p1 = 2 (25.32)
1
a2q11 = 2 (25.33)
25.3 RUNGE-KUTTA METHODS 729
(B25. + x +y x ! 1.6)
The basic strategy underlying Runge-Kutta
k2 = f(xi + p1 h, yi + q11 k1 h) 1.3)
methods is to use alge-braic manipulations to
To use Eq. (B25.1.1) we have to determine solve for values of a1, a2, p1, and q11 that make
values for the con-stants a1, a2, p1, and q11. To do Eqs. (B25.1.1) and (B25.1.6) equivalent.
[Eq. (25.11)] expand Eq. (25.1.3). The Taylor series for a two-
variable function is defined as [recall Eq. (4.26)]
f (xi, yi
yi +1 = yi + f(xi, yi ) (B25. g(x + r, y + s) = g(x , y) + r ∂g + s ∂g + · · ·
)
h+ 2! h2 1.4) ∂x ∂y
q11 y
∂
f ∂f
Applying this method to expand Eq. (B25.1.3)
(B25.
gives
1.7)
a1 = 1− a2 (25.34)
1
1 1
yi +1 = yi + 2k1 +2 k2 h (25.36)
wher
e
k1 = f(xi , yi ) (25.36a)
k
2 = f(xi + h, yi + k1h) (25.36b)
Note that k1 is the slope at the beginning of the interval and k2 is the slope
at the end of the interval. Consequently, this second-order Runge-Kutta
method is actually Heun’s tech-nique without iteration.
yi +1 = yi + k2h 1
1
k2 = f xi + 2 h, yi + 2 k1h
If a2 is assumed to be 1, then a1 = 0, p1 = q11
This is the midpoint method. = 1/2,
(25.37)
(25.37a)
(25.37b)
Ralston’s Method (a2 = 2/3). Ralston (1962) and Ralston and Rabinowitz
(1978) determined that choosing a2 = 2/3 provides a minimum bound on
the truncation error for the second-order RK algorithms. For this version,
a1 = 1/3 and p1 = q11 = 3/4 and yields
y
i
+1 = yi + 3k1 + 3k2 h (25.38)
1 2
where
= f(xi , (25.38
k1 yi ) a)
(25.38
k2 = f xi + 4 h, yi + 4k1h b)
3 3
25.3 RUNGE-KUTTA METHODS 731
Problem Statement. Use the midpoint method [Eq. (25.37)] and Ralston’s
method [Eq. (25.38)] to numerically integrate Eq. (PT7.13)
Solution. The first step in the midpoint method is to use Eq. (25.37a) to
compute
Notice that this estimate of the slope is much closer to the average value
for the interval (4.4375) than the slope at the beginning of the interval
(8.5) that would have been used for Euler’s approach. The slope at the
midpoint can then be substituted into Eq. (25.37) to predict
y(0.5) = 1+ 4.21875(0.5) = 3.109375 εt =3.4%
The computation is repeated, and the results are summarized in Fig. 25.14
and Table 25.3.
FIGURE 25.14
Analyti
cal
y
Euler
Heun
Midpoi
nt
Ralston
4
0
0 2 4 x
732 RUNGE-KUTTA METHODS
Second-
Order
Heun Midpoint Ralston RK
| t|
x ytrue y | t| (%) y | t| (%) y (%)
For Ralston’s method, k1 for the first interval also equals 8.5 and
[Eq. (25.38b)] k2 = −2(0.375)3 + 12(0.375)2 − 20(0.375) + 8.5=
2.58203125
The average slope is computed by
A = 1 (8.5) + 2 (2.58203125) = 4.5546875
33
which can be used to predict
The computation is repeated, and the results are summarized in Fig. 25.14
and Table 25.3.
For n = 3, a derivation similar to the one for the second-order method can
be performed. The result of this derivation is six equations with eight
unknowns. Therefore, values for two of the unknowns must be specified a
priori in order to determine the remaining parame-ters. One common
version that results is
1
yi +1 = yi + 6 (k1 +4k2 +k3)h (25.39)
where
(25.39
k1 = f(xi , yi ) a)
25.3 RUNGE-KUTTA METHODS 733
k2 = f xi + 2h, yi + 2k1h (25.39b)
1 1
The most popular RK methods are fourth order. As with the second-order
approaches, there are an infinite number of versions. The following is the
most commonly used form, and we therefore call it the classical fourth-
order RK method:
1
y y
i +1= i + 6(k1 + 2k2 + 2k3 + k4)h (25.40)
where
FIGURE 25.15
y
k2
k3
k1
k1 k2
k3
k4
h
x x
xi i+1/2 i+1 x
734 RUNGE-KUTTA METHODS
= f(xi + h, yi +
k4 k3h) (25.40d)
Notice that for ODEs that are a function of x alone, the classical
fourth-order RK method is similar to Simpson’s 1/3 rule. In addition, the
fourth-order RK method is simi-lar to the Heun approach in that multiple
estimates of the slope are developed in order to come up with an improved
average slope for the interval. As depicted in Fig. 25.15, each of the k’s
represents a slope. Equation (25.40) then represents a weighted average of
these to arrive at the improved slope.
Problem Statement.
Solution.
3. Equations (25.40a) through (25.40d ) are used to compute k1 = 8.5, k2
= 4.21875, k3 =
4.21875 and k4 = 1.25, which are substituted into Eq. (25.40) to yield
[8.5 + 2(4.21875) + 2(4.21875) + 0.
y(0.5) = 1+ 6 1.25] 5
1
3. 3.21875
xii For this case, the slope at the beginning of the interval is computed as
10
0
Persen kesalahan relatif
1 Euler
Heun
10- 2
10- 4 RK-3d
RK-4
10- 6
Tukang
daging
Upaya
GAMBAR 25.16
metode. Hasilnya disajikan pada Gambar. 25.16, di mana kita telah diplot
nilai absolut dari persen kesalahan relatif versus upaya komputasi.
kuantitas yang terakhir ini equiva-dipinjamkan kepada jumlah evaluasi
fungsi yang diperlukan untuk mencapai hasil, seperti dalam
= f h
b-
Upa Sebua (E25.8
ya n h .1)
Misalnya 25,8 dan Gambar. 25.16 mungkin akan membawa kita untuk
menyimpulkan bahwa tingkat tinggi RK tech-tehnik selalu metode yang
disukai. faktor Namun, lain seperti pemrograman
25,4 SISTEM PERSAMAAN 737
ymyk1 h2
ymyk2 h2
yeyk3 h
ynewyslope h
xx h
END SUB
GAMBAR 25.17
Seperti dengan semua metode dibahas dalam bab ini, teknik RK cocok
baik ke dalam algoritma gen-eral diwujudkan dalam Gambar. 25,7.
Gambar 25.17 menyajikan pseudocode untuk menentukan kemiringan
klasik keempat-order metode RK [Eq. (25,40)]. Subrutin untuk
menghitung lereng untuk semua versi lain dapat dengan mudah diprogram
dengan cara yang sama.
dy1
Semua metode yang dibahas dalam bab ini untuk persamaan tunggal dapat
diperpanjang dengan sys-tem yang ditunjukkan di atas. aplikasi teknik
dapat melibatkan ribuan simultan equa-tions. Dalam setiap kasus, prosedur
untuk memecahkan sistem persamaan hanya melibatkan menerapkan-ing
teknik satu langkah untuk setiap persamaan pada setiap langkah sebelum
melanjutkan ke langkah berikutnya. Hal ini diilustrasikan oleh contoh
berikut untuk metode Euler sederhana ini.
dy1 dy2
d d = 4 - 0.3thn2 -
x = -0.5y1 x 0.1thn1
x y1 y2
0 4 6
0,5 3 6.9
1.0 2,25 7,715
8,4452
1,5 1,6875 5
9.0940
2.0 1.265625 87
Perhatikan bahwa salah satu metode RK tingkat tinggi dalam bab ini dapat
diterapkan untuk sistem persamaan. Namun, perawatan harus diambil
dalam menentukan lereng. Gambar 25.15 sangat membantu dalam
memvisualisasikan cara yang tepat untuk melakukan hal ini untuk metode
keempat-order. Yaitu, pertama kita lereng-velop de untuk semua variabel
di nilai awal. lereng ini (satu set k1'S) kemudian digunakan untuk
membuat prediksi dari variabel dependen pada titik tengah dari interval.
Nilai-nilai titik tengah yang pada gilirannya digunakan untuk menghitung
satu set lereng di titik tengah (k 2'S). Ini lereng baru kemudian dibawa
kembali ke titik awal untuk membuat satu set prediksi titik tengah yang
mengarah pada prediksi kemiringan baru di titik tengah (k3'S). Ini
kemudian digunakan untuk membuat prediksi pada akhir interval yang
digunakan untuk mengembangkan lereng pada akhir interval (k4'S).
Akhirnya, k ini digabungkan menjadi satu set fungsi peningkatan [seperti
dalam Persamaan. (25,40)] dan dibawa kembali ke awal untuk membuat
prediksi final. Contoh berikut menggambarkan pendekatan.
25,4 SISTEM PERSAMAAN 739
Larutan.
Pertama, kita harus memecahkan semua lereng di awal interval:
k
1.1 =
k
1.2 f 1(0. 4. 6) = -0.5(4) = -2
=
f 2(0. 4. 6) =4 -0.3(6) -0.1(4) =1.8
0.
h 5
y1 +
k1.1 2 = 4 + (-2) 2 = 3.5
0.
h 5
y2 + =6+ =
k1.2 2 (1.8) 2 6.45
yang dapat digunakan untuk menghitung set pertama lereng titik tengah,
0.
h 5
+
y
1 k2.1 2 = 4+ (-1.75) 2 = 3.5625
h 0.5
+ + =
y2 k2.2 2 = 6 (1.715) 2 6.42.875
yang dapat digunakan untuk menghitung set kedua
lereng titik tengah,
k
3.
1 = f1(0.25. 3.5625. 6.42.875) = -1.78.125
k
3.
2 = f2(0.25. 3.5625. 6.42.875) = 1.715.125
Ini digunakan untuk menentukan prediksi pada akhir interval
x y1 y2
0 4 6
6.8576
0,5 3.115234 70
7.6321
1.0 2.426171 06
8.3268
1,5 1.889523 86
8.9468
2.0 1.471577 65
1. Ada n persamaan.
dy1 dy2 =
dx = y2 dx -16.1thn1
d d = -16.1
x = y4 x sin(y3)
(A) Utama atau “driver” Program (B) rutin ke Take One Keluaran
Langkah
Interval
n jumlah persamaan
keluaran
variabel
m 0
xpm x
xi nilai awal independen
DOFOR i
variabel
1,
n
xf nilai akhir variabel
ypsaya m
independen
yisaya
dx ukuran langkah ysaya yisaya
perhitungan
END DO AKHIR
MELAKUKAN
xendx xout
h dx
MM1
xpm x
DOFOR i 1, n
ypsaya mysaya
END DO
IF (x xf) EXIT
END DO
HASIL DISPLAY
ymsaya ysaya k2saya * h
SUB Integrator (x, y, n, h, xend) / 2 END DO
4 4
y1
2 2
y3
y1. y3
y 0 y 0
y2. y4
-2 -2
y y
2 4
-4 -4
0 1 2 3 4 0 1 2 3 4
x x
(Sebuah) (B)
GAMBAR 25.19
Larutan.
A Hasil yang dihitung untuk model linear dan nonlinear hampir identik
(Gambar. 25.19a). Hal ini seperti yang diharapkan karena ketika
perpindahan awal kecil,
~
dosa (Θ) = θ .
φ Ketika perpindahan awal adalah π /4 =0.785398, solusi yang jauh
berbeda dan perbedaan diperbesar sebagai waktu menjadi lebih besar
dan lebih besar (Gambar. 25.19b). Hal ini diperkirakan karena asumsi
bahwa dosa (θ) = θ miskin ketika theta besar.
Untuk saat ini, kami telah menyajikan metode untuk memecahkan Odes
yang mempekerjakan ukuran langkah konstan. Untuk sejumlah besar
masalah, ini dapat mewakili keterbatasan yang serius. Sebagai contoh,
misalkan kita mengintegrasikan sebuah ODE dengan larutan jenis
digambarkan dalam Gambar. 25.20. Untuk sebagian besar dari jangkauan,
solusi perubahan secara bertahap. Perilaku tersebut menunjukkan bahwa
ukuran langkah yang cukup besar dapat digunakan untuk memperoleh
hasil yang memadai. Namun, untuk wilayah lo-calized dari x= 1,75 x
=2,25, solusinya mengalami perubahan mendadak. Konsekuensi praktis
berurusan dengan fungsi tersebut adalah bahwa ukuran langkah yang
sangat kecil akan diperlukan untuk secara akurat menangkap perilaku
impulsif. Jika algoritma langkah-ukuran yang konstan dipekerjakan, lebih
kecil ukuran langkah yang diperlukan untuk wilayah perubahan mendadak
harus diterapkan untuk seluruh perhitungan. Sebagai konsekuensi, ukuran
langkah yang jauh lebih kecil dari yang diperlukan-dan, karenanya, lebih
banyak perhitungan-akan sia-sia di daerah perubahan bertahap.
25,5 METODE ADAPTIVE RUNGE-KUTTA 743
0 1 2 3 x
GAMBAR 25.20
saya = f(x ) dx
Sebuah
d
y = f(x )
d
x
untuk y (b) diberikan awal kondisi y (a) = 0. Jadi, teknik berikut dapat em-
ployed untuk secara efisien mengevaluasi integral tertentu yang
melibatkan fungsi yang umumnya halus namun pameran daerah perubahan
tiba-tiba.
= y2 - y1 (25,43)
Selain memberikan kriteria untuk kontrol langkah-ukuran, Persamaan.
(25,43) juga dapat digunakan untuk cor-rect y2ramalan. Untuk keempat-
order RK versi, koreksi adalah
y2 ← y2
+ 15 (25,44)
dan
409
+ 6 k5h
253
x y 2
.
k1 0 2
0
9
k2 0,4 3.2
.
k3 0,6 4,20883 8
3
k4 1.2 7.228398
1
+
k5 2 15,42765
1
k6 1,75 12,17686 1
0
.
Ini kemudian dapat digunakan untuk menghitung
1
keempat-order prediksi
3
37 250 .
37 62 4.359.8
y1 = 2 + 8 3 + 1 83
bersama dengan formula
kelima-order:
= 2 + 2825 18.575
y1 3 +
237 2 = ing untuk
14.83.677 mencapai hal
14.336 4 ini:
mensimulasikan func-tion i
E
N
D
D
O
(b) Adaptive Langkah Rutin
hnxt=keselamatan * emax-
0,2*h ELSE
hnxt=4. * h
END IF
x=x+hy=ytemp
END
Beradaptasi
Pseudocode untuk (a) program driver dan (b) adaptif langkah rutin
untuk memecahkan ODE tunggal.
dy 2
+ = 0.6y 10e-(x-2) /[2 (0,075) 2] (E25
dx
y= 0.5e-0.6x (E25
10
0
0 2 4x
(Sebuah)
0
0 2 4x
(B)
R 25,23
entuk lonceng fungsi memaksa yang menginduksi perubahan mendadak dalam larutan dari ODE [Eq. (E25.14.1)]. (B) Solusinya. P
-size rutin.
Berikutnya, algoritma pada Gambar. 25,21 dan 25,22 dikembangkan ke dalam program komputer dan
digunakan untuk memecahkan masalah yang sama. Sebuah ukuran langkah awal 0,5 dan ε = 0,00005 dipilih.
Hasilnya ditumpangkan pada Gambar. 25.23b. Perhatikan bagaimana langkah-langkah besar yang diambil dalam
daerah perubahan bertahap. Kemudian, di sekitar x = 2, langkah-langkah yang menurun ke ac-
commodate sifat tiba-tiba dari fungsi memaksa.
Utilitas dari skema integrasi adaptif jelas tergantung pada sifat dari
fungsi yang dimodelkan. Ini sangat menguntungkan bagi mereka solusi
dengan peregangan halus panjang dan wilayah singkat perubahan
mendadak. Selain itu, ia memiliki utilitas pada mereka uations sit mana
ukuran langkah yang benar tidak diketahui apriori. Untuk kasus ini,
sebuah rou- tine adaptif akan “merasa” jalan melalui solusi sementara
menjaga hasil dalam erance tol- diinginkan. Dengan demikian, akan
berjinjit melalui daerah perubahan tiba-tiba dan melangkah keluar cepat
ketika variasi menjadi lebih bertahap.
750 RUNGE-KUTTAMETODE
MASALAHS
25.1 Memecahkan masalah nilai awal selama rentang x = 0 ke 1 menggunakan ukuran langkah 0,2
berikut selama interval dari dengan y (0) = 2 dan
t= 0 sampai 2 mana y (0) = 1. Tampilan semua z(0) = 4.
hasil Anda pada grafik yang sama.
= (1 + 2x) y
dx
(a) Analitis.
(b) Metode Euler.
(c) Heun ini Metode tanpa korektor tersebut.
(d) Metode Ralston ini.
25.9 Jika ε 0,001, menentukan apakah penyesuaian ukuran menduplikasi hasil pada Tabel 25.2.
langkah adalah 25.14 Mengembangkan program komputer yang
=
diperlukan untuk Contoh 25,12. user-friendly untuk keempat-order metode RK
25.10 Menggunakan pendekatan RK-Fehlberg klasik. Menguji program dengan menduplikasi
= =
untuk melakukan tion calcula- sama seperti Exam- ple 25,7.
pada Contoh 25,12 dari x 0 ke 1 dengan h 1. 25.15 Mengembangkan program komputer yang
25.11 Menulis program komputer berdasarkan user-friendly untuk sistem persamaan
Gambar. 25,7. Antara lain, menempatkan menggunakan keempat-order metode RK.
pernyataan dokumentasi seluruh program Gunakan program ini untuk menduplikasi
untuk mengidentifikasi apa setiap bagian ini perhitungan pada Contoh 25.10.
dimaksudkan untuk mencapai. 25.16 Gerak dari sistem pegas-massa teredam (.
25.12 Uji program yang dikembangkan di Gambar P25.16) digambarkan oleh persamaan
Prob. 25.11 oleh duplicat- ing perhitungan diferensial biasa berikut:
dari Contoh 25,1 dan 25,4.
d 2x dx
25.13 Mengembangkan program yang user-
friendly untuk metode Heun dengan korektor
berulang. Menguji program dengan
Bandingkan metode dengan memplot solusi. m dt2 + C dt + kx = 0
25.4Memecahkan masalah berikut dengan
di mana x = perpindahan dari posisi kesetimbangan (m), t =
metode keempat-order RK: = = ·
waktu
d2y dy
+ 0.5 dx + 7y = 0 dy 3
dx2
= Y sin(T) y (0) = 1
di mana =
y (0) = 4dan y '(0) = 0. = dt
m c
Gunakan orde ketiga metode RK dengan ukuran langkah 0,5.
25.7 Gunakan (a) Euler dan (b) keempat-order metode RK untuk memecahkan
dy
dx= -2y + 4e-x
dz yz2
=-
dx 3
MASALAH 751
25.17 Jika air dikeringkan dari tangki (0) = 1,5 dan x (0) = 6
dt
silinder vertikal dengan terbuka-ing katup di
dasar, air= akan mengalir cepat ketika tangki Perhatikan bahwa ω 1. Membusuk persamaan
=
penuh dan memperlambat karena terus menguras. menjadi dua orde pertama persamaan ferential
Ternyata, tingkat di mana tingkat tetes air adalah: dif-. Setelah dekomposisi, memecahkan sistem
dari t 0 sampai 15 dan plot hasil.
dy = -
25.19 Dengan asumsi tarik yang sebanding
d 2x dx
+ (5x) dt + (x + 7) sin (ωt) = 0
dt2
dimana
dx
di mana
=p populasi,
= kgm tingkat pertumbuhan
=
maksimum dalam kondisi terbatas un-, dan
PMAX daya dukung. Mensimulasikan populasi =
r
= =
dunia 1950-2000 menggunakan salah satu
metode numerik yang dijelaskan dalam bab ini.
H Mempekerjakan kondisi awal berikut dan nilai-
nilai parameter untuk simulasi Anda: p0 (tahun
1950) 2555 juta orang, kgm 0,026 / tahun, dan
Gambar P25.20
PMAX 12.000 juta orang. Memiliki fungsi
Sebuah tangki bulat.
menghasilkan output yang sesuai dengan tanggal
untuk data populasi diukur sebagai berikut.
25.21 Model logistik digunakan untuk Mengembangkan plot simulasi Anda bersama
mensimulasikan penduduk seperti di dengan data.
dp
= kgm (1 - p / pmax) p
dt
3
di mana v = atas kecepatan (m / s), t = waktu (s),
x = ketinggian (m) diukur ke atas dari permukaan
bumi, g (0) = percepatan tional gravita- di
lubang (m2), G = konstanta gravitasi (= 9,81 m / daerah datar dan curam selama x daerah yang
relatif singkat:
s2), Dan H = kedalaman cairan di dalam tangki.
Gunakan salah satu dari
metode numerik yang dijelaskan dalam bab ini 1 1
f (x)
untuk menentukan berapa lama waktu yang = +
(x- 0.9)2+ 0.04-6
(x- 0.3)2+
dibutuhkan untuk air mengalir keluar dari
0.01
diameter tangki 3-m
dengan ketinggian awal 2,75 m. Perhatikan Tentukan nilai integral tertentu dari fungsi ini
bahwa lubang memiliki diameter 3 cm dan C = antara usia x = 0 dan 1 dengan menggunakan
0,55. metode RK adaptif.
Kekakuan dan Metode tahapan
Bab ini meliputi dua bidang. Pertama, kami menjelaskan Odes kaku. Ini
adalah kedua individu dan sistem Odes yang memiliki komponen baik
cepat dan lambat untuk solusi mereka. Kami memperkenalkan gagasan
teknik solusi implisit sebagai salah satu obat yang biasa digunakan untuk
masalah ini. Kemudian kita membahas metode multi langkah. Algoritma
ini menyimpan informasi dari langkah-langkah sebelumnya untuk lebih
efektif menangkap lintasan solusi. Mereka juga menghasilkan perkiraan
kesalahan pemotongan yang dapat digunakan untuk mengimplementasikan
adaptive control langkah-size.
26,1 KEKAKUAN
Kekakuan adalah masalah khusus yang dapat timbul dalam larutan tions
equa- diferensial biasa. Sebuah sistem yang kaku adalah salah satu yang
melibatkan cepat berubah komponen bersama-sama dengan orang yang
pelan-pelan berubah. Dalam banyak kasus, komponen yang berbeda-beda
cepat transien singkat yang mati pergi dengan cepat, setelah itu solusinya
menjadi didominasi oleh komponen perlahan-lahan bervariasi. Meskipun
fenomena transien ada untuk hanya sebagian pendek dari interval
integrasi, mereka bisa mendikte langkah waktu untuk seluruh solusi.
Baik individu dan sistem Odes bisa kaku. Contoh dari ODE kaku
tunggal
dy
d = -1000y + 3000 - 2000e-t (26.1)
t
dy
= -ay (26.3)
dt
752
26,1 KEKAKUAN 753
y
3
2
1
1
0
0 0.01 0.02
0
0 2 4t
GAMBAR 26.1
Plot dari solusi kaku dari ODE tunggal. Meskipun solusi tampaknya mulai 1,
sebenarnya ada transien cepat dari y = 0 ke 1 yang terjadi dalam waktu kurang
dari 0,005 satuan waktu. sementara ini jelas hanya ketika respon tersebut dilihat
pada skala waktu yang lebih baik dalam inset.
Jika y (0) = y0, kalkulus dapat digunakan untuk menentukan solusi yang
y = Y0e-di
ysaya1
DYI
=
+ Dt
yi
h
atau
yi1= yi(1 - ah) (26.4)
Stabilitas formula ini jelas tergantung pada ukuran langkah h.| -Artinya,
| 1
||→∞ →∞
ah harus kurang dari 1. Dengan
demikian, jika h> 2 / a, yi karena saya .
Untuk bagian transien cepat dari Persamaan. (26,2), kriteria ini dapat
=
digunakan untuk menunjukkan bahwa ukuran langkah untuk menjaga
stabilitas harus <2/1000 0.002. Selain itu, perlu dicatat
bahwa, sedangkan kriteria ini menjaga stabilitas (yaitu, solusi dibatasi),
ukuran langkah yang lebih kecil akan diperlukan untuk mendapatkan
solusi yang akurat. Jadi, meskipun sementara terjadi hanya sebagian kecil
dari interval integrasi, ia mengendalikan ukuran langkah maksimum.
Dangkal, Anda mungkin mengira bahwa rutinitas langkah-size adaptif
dijelaskan pada akhir bab terakhir mungkin menawarkan solusi untuk
dilema ini. Anda mungkin berpikir bahwa mereka akan menggunakan
langkah-langkah kecil selama transien cepat dan langkah-langkah besar
sebaliknya. Namun, hal ini tidak terjadi, karena kebutuhan stabilitas akan
masih memerlukan menggunakan langkah-langkah yang sangat kecil di
seluruh solusi.
754 KEKAKUAN DAN tahapan METODE
ysaya1 dysaya
=
yi 1h dt
+
Ini disebut, metode backward, atau implisit Euler. Mengganti Persamaan. (26.3) hasil
ysaya1 yi
= (26,5)
1 + ah
Pernyataan masalah. Gunakan kedua eksplisit dan implisit metode Euler untuk
memecahkan
dy
d = -1000y + 3000 - 2000e-t
t
Larutan.
y
1,5
h= 0,0015
0,5 Tepat
h = 0,0005
0
0 0,002 0.004 0,006 t
y(Sebuah)
2
Tepat
h = 0.05
0
0 0,1 0,2 0,3 0,4 t
(B)
GAMBAR 26.2
Solusi dari ODE “kaku” dengan (a) dan (b) metode Euler implisit eksplisit.
ketidakstabilan diinduksi untuk Euler eksplisit, solusi numerik trek baik pada hasil analisis.
dy1
= -5y1 + 3y2 (26.6a)
dt
dy2
= 100y1 - 301y2 (26.6b)
dt
Untuk kondisi awal y1 (0) = 52,29 dan y2 (0) = 83,82, solusi yang tepat adalah
Metode sebuah Euler implisit untuk sistem dapat dirumuskan untuk contoh hadir
sebagai
26.2 bertingkatMETODE
Ingat bahwa pendekatan Heun menggunakan metode Euler sebagai prediktor [Eq.
(25,15)]:
y y
GAMBAR 26.3
xsaya xsaya+ 1 x xsaya- 2 xsaya- 1 xsaya xsaya+ 1 x
penggambaran grafis dari (B)
(Sebuah)
perbedaan mendasar antara
(a) satu langkah dan (b)
metode multi langkah
untuk memecahkan Odes.
2
Dengan demikian, prediksi dan korektor memiliki kesalahan pemotongan
lokal O (h2) dan O (h3), ulang spectively. Hal ini menunjukkan bahwa
prediktor adalah link lemah dalam metode karena memiliki kesalahan
terbesar. Kelemahan ini penting karena efisiensi langkah korektor
berulang tergantung pada keakuratan prediksi awal. Akibatnya, salah satu
cara untuk meningkatkan metode Heun adalah untuk mengembangkan
prediktor yang memiliki kesalahan lokal O (h3). Hal ini dapat plished
accom- dengan menggunakan metode Euler dan lereng di yi, dan
informasi tambahan dari titik sebelumnya yi-1, seperti dalam
. mΣ
predictor: =m y+ fxsaya
y0saya1saya-1 , y2h
saya (26,13)
. m Σ. j-1 Σ
j m fx,
sayasaya 1, y
y+ fx saya+ saya1
Korektor: y= Y+
+saya
saya1 h
2
(untuk j = 1, 2, ..., m) (26,14)
758 KEKAKUAN DAN tahapan METODE
y Slope = f (xsaya1saya1
, y0 )
xsaya-1
xsaya xsaya1 x
(Sebuah)
f(xsaya, ysaya) + F (xsaya1 , y0 )
y slope = saya1
2
xsaya1 x
xsaya
(B)
GAMBAR 26.4
Sebuah gambaran grafis dari metode Heun non-self-mulai. (A) Metode titik tengah
yang digunakan sebagai prediktor. (B) Aturan trapesium yang bekerja sebagai
korektor a.
ysay saya1
|εa|=. j- yj -1 .100%
a1
(26,15)
. .
. ysaya1 .
y1 = 2 +
1
4e0,8 (0)0,5 (2) 4e0.8 (1)0,5 (5,607005)
- + -
1 = 6,549331
2
y2 = 2 +
1
3 4e0.8 (1)0,5 (6,549331)
+ -
1 = 6,313749
2
yang lebih unggul prediksi 12,08260 (εt =18%) yang dihitung dengan
=
metode Heun asli. Korektor pertama menghasilkan 15,76693 (εt 6,8%),
=-
dan erations itu-berikutnya berkumpul di hasil yang sama seperti yang
diperoleh dengan metode Heun diri mulai: 15,30224 (εt 3,1%). Seperti
langkah sebelumnya, laju konvergensi dari tor correc- agak membaik
karena prediksi awal yang lebih baik.
Derivasi dan Kesalahan Analisis Predictor-Korektor Rumus. Kita baru saja em- konsep
grafis ployed untuk menurunkan non-self-mulai Heun. Kami sekarang
akan menunjukkan bagaimana persamaan yang sama dapat diturunkan
secara matematis. derivasi ini sangat menarik karena mengikat bersama-
sama ide-ide dari kurva fitting, integrasi numerik, dan Odes. The ercise
mantan juga berguna karena memberikan prosedur sederhana untuk
mengembangkan metode multi langkah yang lebih tinggi-order dan
memperkirakan kesalahan mereka.
derivasi ini didasarkan pada pemecahan ODE umum
dy
= f(X, y)
dx
760 KEKAKUAN DAN tahapan METODE
ysaya1 xs
dy=
a f (x, y) dx
yi y
a
1
xi
yi1 = Yi + xs
a f (x, y) dx (26,16)
y
a
1
∫
xi
ysaya1
f (xi, yi) + f(xi1, yi1)
= h
+
yi 2
1 1
Ec = - 12h3y (3)(ξ)=
c - h123fjj(Ξ) c (26,18)
dimana subscript c menunjuk bahwa ini adalah kesalahan dari korektor tersebut.
Pendekatan serupa dapat digunakan untuk menurunkan prediksi
tersebut.
∫ Untuk
∫ kasus ini, batas integrasi adalah dari i - 1 ke i + 1:
ysaya1 xs
dy=
a f (x, y) dx
ysaya-1 y
a
1
xs
ay
a-1
dimana subscript p menunjuk bahwa ini adalah kesalahan dari prediksi tersebut.
Dengan demikian, prediktor dan korektor untuk metode Heun non-
self-mulai memiliki kesalahan kation trun- dari urutan yang sama. Selain
meningkatkan akurasi prediksi, fakta ini memiliki manfaat tambahan yang
terkait dengan kesalahan analisis, sebagaimana diuraikan dalam bagian
berikutnya.
Benar value = y0
1 3 (3)
say
a1
+ hy
3 (Ξ)
p (26,22)
5 3 (3)
− ys
0 = ym 0
ay - 12 hy (Ξ) (26,24)
saya 1
a1
y0 - y
saya1=
saya 1 5 h3y (3)(Ξ) (26,25)
1
-
12
Perhatikan bahwa tangan kanan sisi pers. (26,18) dan (26,25) adalah
identik, dengan kecuali bagi argumen dari turunan ketiga. Jika turunan
ketiga tidak berbeda apprecia- Bly selama interval tersebut, kita dapat
mengasumsikan bahwa sisi kanan adalah sama, dan karena itu, sisi kiri
juga harus setara, seperti dalam
y0
− ysa
(26,26)
Ec = - saya 1 ya1
m
Dengan demikian, kami telah tiba di suatu hubungan yang dapat digunakan untuk
memperkirakan pemotongan per-langkah
kesalahan atas dasar dua kuantitas-prediktor ) Dan korektor ) -Yang adalah
(y0 yang (ym
rutin oleh-produk dari saya 1 sa
perhitungan. ya
1
762 KEKAKUAN DAN tahapan METODE
6.360.865 - 5.607005
Ec= - = - 0.1507722
5
Pada xi + l = 2, prediktor memberikan 13,44346 dan hasil korektor 15,30224, yang dapat
digunakan untuk menghitung
15.30.224 - 13,44346
Ec= - = - 0.3717550
5
yang juga lebih baik dibandingkan dengan kesalahan yang tepat, Et = 14,84392-15,30224 =
-,4583148.
← ym − ysa
ym ya1
(26,27)
ysaya1- s 0
saya 1 a 5
y
a
1
12
.
h3y (3)(Ξ)= -5 ysa0 - ymΣ
s
a
(26,28)
yang, Dengan asumsi bahwa y (3) (ξ) ~ = y (3) (ξp) , Dapat diganti
dalam Persamaan. (26,21) untuk memberikan4
. s s
ep= 5 ym-
a y0Σ
a (26,29)
4
y0←y 0 + .Ym - y0Σ (26,30)
say say s s
a1 a1
5 a a
Larutan. Seperti pada Contoh 26.3, hasil prediksi awal adalah 5,607005.
Karena pra dictor pengubah [Eq. (26,30)] membutuhkan nilai-nilai dari
iterasi sebelumnya, itu tidak bisa em-ployed untuk meningkatkan hasil
awal ini. Namun, Eq. (26.27) dapat digunakan untuk mengubah nilai
dikoreksi dari 6,360865 (εt = -2,684%), seperti dalam
Menerapkan korektor yang memberikan yield hasil dari 15,21178 (εt = -2,48%), yang repre-
sents perbaikan atas Contoh 26,3 karena pengurangan kesalahan global. Akhirnya, hasil ini dapat diubah dengan menggunakan Persa
15,21178-13,59423
y2m= 15 . 21.178 - = 14.88.827 εt= -0.30%
5
GAMBAR 26.5
Urutan formula yang digunakan untuk menerapkan metode Heun non-self-mulai.
Perhatikan bahwa korektor perkiraan kesalahan dapat digunakan untuk memodifikasi
korektor tersebut. Namun, karena hal ini dapat mempengaruhi stabilitas korektor ini,
modifikator tidak termasuk dalam algoritma ini. Estimasi kesalahan korektor termasuk
karena utilitas untuk penyesuaian langkah-size.
predictor:
(Simpan hasil sebagai y 0saya 0 dimana subscript u menunjuk bahwa variabel tersebut tidak
+1, u
=y
saya+ dimodifikasi.)
1
Predictor Modifier:
4
y0 1 ← y0 1, u + (ym - y 0 )
saya+ saya+ 5- s i, u
a
y
a
,
u
Korektor:
(Untuk j
saya+1 = saya+-saya-saya+1 =
Error Check:
j j-1
|
y saya+1
|εa| = - - yj -saya+1 |
ysaya+1
(Jika |εa| >kriteria kesalahan, mengatur j = j +1 dan ulangi korektor; jika εa≤ kriteria
kesalahan, simpan hasil sebagai
m= ymsaya.)
ysaya
+1, u
E 1 m 0
c=---5(ysaya+1,u-ysaya+1,u)
(Jika perhitungan adalah untuk melanjutkan, mengatur i = saya + 1 dan kembali ke
prediktor.)
26.2 METODE banyak tahap 765
Interpolasi
x
(Sebuah)
y
x
(B)
y
x
(C)
GAMBAR 26.6
Sebuah plot yang menunjukkan bagaimana strategi mengurangi separuh-menggandakan
memungkinkan penggunaan nilai-nilai (b) dihitung sebelumnya untuk metode multi
langkah orde ketiga. (A) mengurangi separuh; (C) penggandaan.
y
ysaya+ 1 = ysaya - 2 +∫ xsaya + 1
xsaya- 2
f(X, y) dx
y
ysaya+ 1 = ysaya + ∫xsaya + 1
xsaya
f(X, y) dx
GAMBAR 26,7
Ilustrasi perbedaan mendasar antara integrasi Newton-Cotes dan Adams untuk- Mulas.
(A) Newton-Cotes formula menggunakan serangkaian poin untuk mendapatkan
perkiraan terpisahkan selama beberapa segmen. Perkiraan tersebut kemudian digunakan
untuk proyek di seluruh rentang. (B) The Adams formula menggunakan serangkaian
poin untuk mendapatkan perkiraan terpisahkan untuk segmen tunggal. Perkiraan
tersebut kemudian digunakan untuk proyek di seluruh segmen.
Newton-Cotes Rumus.Beberapa formula yang paling umum untuk
memecahkan dif- biasapersamaan ferential didasarkan pada pas sebuah+ n
derajat interpolasi polinomial untuk n 1 nilai-nilai yang diketahui dari y
dan kemudian menggunakan persamaan ini untuk menghitung integral.
Sebagaimana dibahas pra viously di Chap. 21, rumus integrasi Newton-
Cotes didasarkan pada proach ap- tersebut. formula ini terdiri dari dua
jenis: bentuk terbuka dan tertutup.
Terbuka Rumus. Untuk n sama spasi titik data, rumus terbuka dapat
dinyatakan dalam bentuk larutan sebuah ODE, seperti yang dilakukan
sebelumnya untuk Eq. (26,19). Persamaan umum untuk tujuan ini adalah
∫ xsaya1
ysaya1= ysaya- xsay fn (x) dx (26,31)
n+ a-n
ysaya1
3h
= + Fi-1)
+ 2 (fi
ysay
a -2
dan untuk n = 3,
ysaya1
4h
= − fs + 2 s ) (26,33)
+ 3 (2
ysay ay f a
fi
a -3 a- y
1 a-
2
ysaya1 h
= + Fi + 1)
+ 2(fi
yi
ysaya1
h
= +4 +
s ) (26,35)
+ 3(f
ysay fi fsay
a
a -1 y a1
a-
1
yang setara dengan 1/3 aturan Simpson. Persamaan (26.35) digambarkan pada
Gambar. 26.8b.
Adams Rumus. Jenis lain dari formula integrasi yang dapat digunakan
untuk memecahkan Odes adalah formula Adams. Banyak algoritma
komputer yang populer untuk solusi multi langkah Odes didasarkan pada
metode ini.
y =y
say s fsayaj2 fsayajj3
a1 a
+ Fh
s
a
+ 2 h + 6 h + ···
yang juga dapat ditulis sebagai
. Σ
yi1 = Yi + h
h h2
j + 3!jj fsaya+
fi+ 2 fsaya
(26,36)
···
26,2 METODE banyak tahap 769
GAMBAR 26.8
penggambaran grafis dari terbuka dan tertutup formula integrasi Newton-Cotes. (A)
Rumus terbuka ketiga [Eq. (26,33)] dan (b) Simpson 1/3 aturan [Eq. (26,35)].
Ingat dari Sec. 4.1.3 bahwa perbedaan mundur dapat digunakan untuk
mendekati turunan:
saya - fsaya -1 jj
fj = f s
a h + f2saya h + O(h2)
yang dapat disubstitusikan ke Persamaan. (26,36),
. Σ Σ Σ
h fi - fi-1 f 2 h2 jj
a
jj
s say s
y =y 3 2 a1 2 a-1 12 a
say s
+ h. f - f
a1 a
Σ + 5 h3 f
jj + O(h4)
770 KEKAKUAN DAN tahapan METODE
5
2 3/2 -1/2 3 jj
2- h f (Ξ)
9
3 23/12 -16/12 5/12 h4f (3)
(Ξ)
-1-2
251
4 55/24 -59/24 37/24 -9/24 h5f (4)(Ξ)
475
5 1901/720 -2774/720 2616/720 -1274/720 251/720 -2-4h6f (5)(Ξ)
19.087
6 4277/720 -7923/720 9982/720 -7298/720 2877/720 -475/720 - - h7f(6)
60,4 80
-
72-0
-
14-40
Formula ini disebut orde kedua terbuka rumus Adams. Terbuka Adams
formula juga disebut sebagai rumus Adams-Bashforth. Akibatnya,
Persamaan. (26,37) kadang-kadang disebut kedua rumus Adams-
Bashforth.
Tingkat tinggi Adams-Bashforth formula dapat dikembangkan dengan
menggantikan perkiraan perbedaan tinggi- ke Persamaan. (26,36). The n-
order terbuka rumus Adams dapat mewakili keadaan dibenci secara umum
sebagai
.
n-1 n1
+
yi1= Yi + h βk fi-k+ O(h ) (26.38)
k= 0
fsayaj
fjj
ysaya= ysaya 1- fsaya 1h + 1h2 -saya 1h3 + ···
2 3!
Pemecahan untuk l hasil yi +
.
yi1 = Yi + h
Σ
h
fsaya1- 2 jfsaya
h2 jj (26.39)
fsaya 1+ ···
1+ 6
jj 1
saya 1- fsaya + 2
j
f = f a1
say
h + fsaya
2 h + O(H)
26,2 METODE banyak tahap 771
GAMBAR 26,9
penggambaran grafis dari terbuka dan tertutup formula integrasi Adams. (A) keempat
Adams- Bashforth rumus terbuka dan (b) keempat Adams-Moulton ditutup rumus.
Formula ini disebut orde kedua ditutup rumus Adams atau yang kedua
rumus Adams- Moulton. Juga, perhatikan bahwa aturan trapesium.
The n-order ditutup rumus Adams dapat ditulis secara umum sebagai
.
n-1 n1
Hubungan antara nilai sebenarnya, pendekatan, Kesalahan pemotongan dari korektor yang:
dan kesalahan prediktor dapat direpresentasikan
secara umum sebagai
ηc δp . say Σ
ηp Ec ~=-ηcδp+ηp
0
δc
pemotongan untuk baik terbuka Newton- Cotes
(Tabel 21.4) atau Adams-Bashforth (Tabel 26.1)
prediktor,
ηcδp+ηp
δc
dilakukan dalam derivasi dari Persamaan. Persamaan (B26.1.4) dan (B26.1.5) adalah versi
(26,24), Persamaan. (B26.1.1) bisa sub- tracted umum Fiers memodi- yang dapat digunakan
dari Persamaan. (B26.1.2) untuk menghasilkan untuk meningkatkan algoritma bertingkat. Untuk
ηc+ ηp δc / δp ple exam-, metode Milne memiliki ηp = 14, δp =
0
45, ηc = 1, δc = 90. Sub
0= - hn1 y(n+1)(ξ) stituting nilai-nilai ini ke pers. (B26.1.4) dan
ysaya (B26.1.5) menghasilkan pers. (26,43) dan
ym (B26.1.3)
- (26,42), masing-masing. pengubah serupa dapat
saya 1 1 δc
+
Sekarang, membagi persamaan dengan ηc ηpδc / dikembangkan untuk pasangan lain dari formula
δp, mengalikan terakhir terbuka dan tertutup yang memiliki kesalahan
Istilah oleh δp / δp, dan menata ulang pemotongan lokal urutan yang sama.
memberikan perkiraan lokal
19
4 9/24 19/24 -5/24 1/24 - h5f(4)(Ξ)
-2-4
27
5 251/720 646/720 -264/720 106/720 -19/720 - h6f(5)(Ξ)
dari urutan yang sama, pengubah dari jenis yang tercantum dalam
Gambar. 26,5 dapat dimasukkan untuk meningkatkan akurasi dan
memungkinkan kontrol langkah-size. Kotak 26.1 memberikan persamaan
umum untuk ini Fiers memodi-. Pada bagian berikut, kami menyajikan
dua yang paling umum tingkat tinggi pendekatan tahapan: Metode Milne
dan metode keempat-order Adams.
Milne Metode. Milne Metode adalah metode tahapan yang paling umum
berdasarkan rumus integrasi Newton-Cotes. Ia menggunakan tiga titik
Newton-Cotes rumus terbuka sebagai prediktor:
m 4h . m Σ
0
ysay
=y say + 3 2 fm
s - fm
say + 2 fsay (26.40)
a1 a-3 a a-1 a-2
dan tiga titik Newton-Cotes ditutup rumus (1/3 aturan Simpson) sebagai korektor
suatu:
h
j m .
ysay = ysay + 3 fm+
say 4 fm
s + fj-1Σ
a
say (26,41)
a1 a-1 a-1 a1
28
.
ep= ym- y0Σ (26.42)
29 say saya
1. Σ
va (26,43)
E c~=-
0
29
− ys
m
ay
s
a1
a
y
a
1
ple 25,5] untuk menghitung nilai yang tepat di xi-3 = -3, xi-2 = -2, dan xi-1 = -1 dari yi-3 =
-4,547302, yi-2 = -2,306160, dan yi-1 = -,3929953, masing-masing.
Larutan.Prediktor [Eq. (26.40)] digunakan untuk menghitung nilai pada x = 1:
4 (1)
y10 = - 4. 54.730 +[2 (3) - 1,99381 + 2 (1,96067)] = 6,02272 εt= 2.8%
3
Korektor [Eq. (26,41)] kemudian digunakan untuk menghitung
1
y11 = - 0. 3929953 + [1,99381 + 4 (3) + 5,890802] = 6,235210 εt= -0.66%
3
Hasil ini dapat diganti kembali ke Persamaan. (26,41) untuk iteratif memperbaiki perkiraan. Proses ini konvergen pada nilai koreksi akhir
Nilai ini lebih akurat daripada perkiraan sebanding 6.360865 (εt = -2,68%)
diperoleh sebelumnya dengan metode Heun non-self-mulai (Contoh 26,2 melalui 26,4).
Hasil untuk langkah-langkah yang tersisa adalah y (2) = 14,86031 (εt = -0,11%), y (3) = 33,72426
(Εt = -0,14%), dan y (4) = 75,43295 (εt = -0,12%).
774 KEKAKUAN DAN tahapan METODE
251
.
ep= ym- y0Σ (26,46)
270 c saya
270
.
19 v 0
E=-
m sa − ys
saya1 ya Σ
ay (26,47)
a1
. Σ
0 55 59 37 9
1 y = 2 + 13-1 . 993.814 +1 . 960.667 -2 . 6365228 = 6 .007.539
24 24 24 24
εt= 3.1%
yang sebanding dengan tapi agak kurang akurat dibandingkan hasil dengan menggunakan metode Milne. Korektor [Eq. (26,45)] kemudian digu
. Σ
1 9 19 5 1
1y = 2 + 15 . 898.394 +3 -1 993.814 +1 . 960.666 = 6 .253.214
24 24 24 . 24
εt= -0.96%
sebanding dengan tetapi kurang akurat dibandingkan dengan hasil menggunakan metode Milne. Hasil ini dapat diganti kembali ke Persamaan. (26,45)
Proses konvergen pada nilai koreksi akhir 6.214424 (εt = 0,32%), yang merupakan tuduhannya
Hasilnya tingkat tapi sekali lagi agak lebih rendah daripada yang diperoleh dengan metode Milne.
26,2 METODE banyak tahap 775
dy
= -y
dx
0,005
Metode Milne
Benarlarutan
0
5 10 x
776 KEKAKUAN DAN tahapan METODE
di tanda. Dengan x = 10, kesalahan relatif telah meningkat ke 2831 persen dan nilai prediksi
akan jauh lebih dapat diterima. Al meskipun kesalahan juga tumbuh, itu akan melakukannya pada tingkat yang lambat. Selain itu, perbedaan tidak aka
m - ym m-fmΣ
j = 9y s + 3h.yj-1 + 2 f
y1 a
1 5 (4)
Ec = 40 hy (ξ) c
9
.
ep= ym- y0Σ
E 112 .va 0
Σ
c= - − ysaya1
121
m
s
a
y
a
1
MASALAHS
dy dy
dt = -100,000y + 99,999e-t
= 30(sin t - y) + 3 cos t
dt
(a)Memperkirakan langkah-ukuran yang
dibutuhkan untuk menjaga stabilitas
menggunakan metode Euler eksplisit.
(b)Jika y=(0) 0, gunakan Euler implisit =
26.3 mengingat
dx1
= 999x1 + 1999x2
dt
dx2
= -1000x1 - 2000x2
dt
dt = -0.5y + e-t
Gunakan ukuran
= langkah 0,5 dan
= nilai-nilai awal y (2,5) = 0,48, y (3) = g
¨
0.333333, y (3,5) 0,244898, dan y (4) 0,1875. (εs 1%), dan (b) keempat-order metode Adams (εs
Mendapatkan lutions begitu- Anda menggunakan 0,01%). [Catatan: jawaban yang tepat diperoleh
teknik berikut: (a) metode Heun non-self-mulai secara analitik adalah y (4,5) 0,148148 dan y (5)
= persen benar kesalahan relatif εt
0.12.] Hitunglah θ- l θ = 0
=
untuk=hasil Anda. =
Biarkan= θ (0) =0 dan θ˙ (0) 0,25 rad / s.
26,7 Memecahkan masalah awal-nilai dari x = 0 Memecahkan menggunakan metode apapun stud-
hingga ied dalam bab ini. Plot sudut terhadap waktu dan
x = 0,75: ve- locity sudut terhadap waktu. (Petunjuk:
dy 2 Membusuk kedua-order ODE.)
d2y dy
= -1001 dx - 1000y
dx2
dy
= -10y
dt
Ingat dari diskusi kita pada awal Bagian Ketujuh bahwa persamaan
diferensial biasa disertai dengan kondisi tambahan. Kondisi ini digunakan
untuk mengevaluasi konstanta integrasi yang mengakibatkan selama solusi
dari persamaan. Untuk persamaan n-order, kondisi n diperlukan. Jika
semua kondisi yang ditentukan pada nilai yang sama dari variabel
independen, maka kita berhadapan dengan masalah awal-nilai (Gambar.
27.1a). Untuk saat ini, materi dalam Bagian Ketujuh telah dikhususkan
untuk jenis masalah.
GAMBAR 27.1
Awal-nilai terhadap masalah dy1
= F (t,112
y, y)
dt
nilai boundary-. (A) Sebuah dy2
= F (t,212
y, y)
dt
independen.
0 L x
(B)
778
27,1 METODE UMUM UNTUK MASALAH BATAS-NILAI 779
Sebaliknya, ada aplikasi lain yang kondisi tidak diketahui pada satu
titik, melainkan, yang dikenal di nilai yang berbeda dari variabel
independen. Karena nilai-nilai ini seringkali ditentukan pada titik-titik
ekstrim atau batas-batas sistem, mereka lazim disebut sebagai masalah
batas-nilai (Gambar. 27.1b). Berbagai aplikasi teknik signifikan jatuh
dalam kelas ini. Dalam bab ini, kita membahas dua pendekatan umum
untuk mendapatkan solusi mereka: metode penembakan dan terbatas-
perbedaan ap- proach. Selain itu, kami menyajikan teknik untuk
mendekati tipe khusus masalah batas-nilai: penentuan nilai eigen. Tentu
saja, eigenvalues juga memiliki banyak Penerapan-penerapan di luar yang
melibatkan masalah batas-nilai.
Pada bagian berikut, masalah yang sama akan diselesaikan dengan menggunakan
pendekatan numerik.
GAMBAR 27.2
Sebuah batang seragam noninsulated diposisikan antara dua badan dari suhu konstan
tetapi berbeda. Untuk ini kasus T1> T2 dan T2> Ta.
TSebuah
T1 T2
TSebuah
x=0 x=L
780 BATAS-NILAI DAN eigen MASALAH
dT
=z (E27.1.1)
dx
dz
dx = hj(T- T)S (E27.1.2)
e
dan
z (0) = 20 T (10) = 285,8980
20- 10
z (0)= 10+ (200- 168.3797)= 12,6907
285.8980 - 168.3797
Nilai ini kemudian dapat digunakan untuk menentukan solusi yang tepat, seperti yang
digambarkan pada Gambar. 27.3c.
27,1 METODE UMUM UNTUK MASALAH BATAS-NILAI 781
200
100
0
(Sebuah)
200
100
0
(B)
200
100
0
0 2 4 6 8 10
(C)
GAMBAR 27.3
Penembakan Metode: (a) pertama “shot,” (b) kedua “ditembak”, dan (c) tepat akhir “hit.”
Fungsi f (x)=0. Sekarang, mari kita gunakan Contoh 27.1 untuk memahami
bagaimana metode pengambilan gambar dapat menampilkannya kembali
dalam bentuk ini.
Pertama, mengakui bahwa solusi dari pasangan persamaan diferensial
juga merupakan “fungsi” dalam arti bahwa kita menebak kondisi pada
akhir kiri bar, z0, dan integrasi menghasilkan prediksi suhu di sebelah
kanan -Hand akhir, T10. Dengan demikian, kita bisa memikirkan integrasi
sebagai
T10 = F (z0)
200 = f (z0)
Jika kita berkendara fungsi baru ini ke nol, kita akan mendapatkan solusi.
Contoh berikutnya illus- trates pendekatan.
d2 T jj 4
+ h (Ta- T )= 0
dx 2
di mana= HJJ
× 10-08 Mei. Sekarang, meskipun masih tidak representasi
yang sangat baik dari trans panas fer, persamaan ini cukup mudah untuk
memungkinkan kita untuk menggambarkan bagaimana metode
pengambilan gambar dapat digunakan untuk memecahkan dua titik
masalah nonlinear batas-nilai. Kondisi Masalah ing remain- yang
sebagaimana ditentukan dalam Contoh 27.1.
Larutan. Persamaan orde kedua dapat dinyatakan sebagai dua Odes orde pertama:
dT
=z
dx
dz
dx = HJJ(T- TS )4
e
T.°C
200
linear
100
nonlinear
0
0 5 10 z
GAMBAR 27.4
Hasil dengan menggunakan metode penembakan untuk memecahkan masalah nonlinier.
DASAR. Fungsi terintegrasi persamaan berdasarkan dugaan awal untuk z (0) dan
kembali suhu di x = 10. Perbedaan antara nilai ini dan tujuan 200
buah sel spreadsheet. Excel Solver kemudian dipanggil untuk menyesuaikan nilai z (0) sampai perbedaan didorong ke nol.
Gambar. 27,4 bersama dengan kasus linear asli. Seperti mungkin pected mantan, kasus nonlinier melengkung lebih dari model linear. Hal ini disebabk
d2T Tsaya 1-
= 2Tsaya +
dx2
Tsaya -1
Lembu2
Persamaan ini berlaku untuk setiap node interior batang. Pertama dan
terakhir node interior, Ti-1 dan Ti + 1, masing-masing, yang ditentukan
oleh kondisi batas. Oleh karena itu, set yang dihasilkan dari linear aljabar
persamaan akan tridiagonal. Dengan demikian, hal itu dapat diatasi dengan
algoritma efisien yang tersedia untuk sistem seperti (Sec. 11.1).
dari Gambar. 27.2. Menggunakan empat node interior dengan panjang segmen Ox = 2 m hasil dalam
Berikut persamaan:
⎡ ⎤⎧ T ⎫
2.04 -1 0 0 ⎪ 1 40.8
-1 2.04 -1 0 ⎨⎬
T2 ⎨⎬
0,8
⎥ =
⎣ 0 -12.04 ⎦
- 1T 3 ⎪⎪⎪⎪0.8
0 0 -1 2.04T 4 ⎩⎭⎩⎭ 200.8
perbedaan finite-.
x Benar Cara Menembak TerbatasPerbedaan
0 40 40 40
2 65,9518 65,9520 65,9698
4 93,7478 93,7481 93,7785
6 124.5036 124.5039 124.5382
8 159.4534 159.4538 159.4795
10 200 200 20
0
27.1 METODE UMUM UNTUK MASALAH BATAS-NILAI 785
d 2T j
0 = dx2 + h (T∞ - T )
dT
(0) = T j
Sebuah
dx
T (L) = Tb
-
Perhatikan bahwa node imajiner (1) berbaring di sebelah kiri akhir
batang ini diperlukan untuk persamaan ini. Meskipun titik eksterior ini
mungkin tampak untuk mewakili kesulitan, itu benar-benar berfungsi
sebagai kendaraan untuk menggabungkan kondisi batas turunan ke dalam
masalah. Hal ini dilakukan dengan mewakili turunan pertama di x dimensi
di (0) oleh perbedaan berpusat
dT T1 - T-1
dx = 2Ox
T-1 dT
=
− 2Ox dx
T1
(2 + hjOx 2) T0 dT
- =
− 2Ox (27.3b)
2T1 hjLembu2
dx
T∞
27.2 eigenvalueMASALAH
Sistem seperti ini disebut homogen karena kehadiran dari vektor{}B pada
sisi kanan persamaan tersebut. Jika persamaan yang terdiri dari sistem
tersebut adalah linear di- tergantung (yaitu, memiliki determinan nol),
mereka akan memiliki solusi yang unik. Dengan kata lain, ada satu set x
nilai-nilai yang akan membuat keseimbangan persamaan.
Sebaliknya, sistem aljabar linier homogen memiliki bentuk
umum [A] {X} = 0
Meskipun solusi trivial (yaitu, solusi selain semua x 0)=dari sistem tersebut
mungkin, mereka umumnya tidak unik. Sebaliknya, persamaan simultan
membangun tionships eratnya antara x yang dapat dipenuhi oleh berbagai
kombinasi nilai-nilai.
masalah nilai eigen terkait dengan rekayasa biasanya dari bentuk umum
. . . .
m1 m2
(Sebuah)
0 x
m1 m2
(B)
0 x
0 x1 0 x2
GAMBAR 27,5
Memposisikan massa dari keseimbangan menciptakan kekuatan dalam mata air yang
pada rilis menyebabkan osilasi massa. Posisi massa dapat dirujuk ke koordinat lokal
dengan asal-usul di posisi keseimbangan masing-masing.
d2x1
m1 dt2 = -Kx1 + k(x2 - x1)
dan
d2x2
m2 dt2 = -k(x2 - x1) - kx2
d2x1
m1 dt2 - k(-2x1+ x2)= 0 (27.5a)
d2x2
m2 dt2 - k(x1- 2x2)= 0 (27.5b)
Dari teori getaran, diketahui bahwa solusi untuk EQ. (27,5) dapat mengambil
bentuk
2π
ω=T (27.7)
p
Σ
k 2k 2
2 m2 2 =0 (27.9b)
- m A1 +. -ω
SEBUAH
Perbandingan Persamaan. (27,9) dengan Persamaan. (27.4) menunjukkan bahwa pada
saat ini, solusi telah
direduksi menjadi masalah nilai eigen.
(10 - ω2) A1 - 5 A2 = 0
-5 A1 +(10 - ω)
2 A2 = 0
(ω2)2 - 20ω2 + 75 = 0
TF = 1,625
TF = 2,815
t
(Sebuah)modus pertama (B)modus kedua
GAMBAR 27.6
Modus utama dari getaran dua massa yang sama dihubungkan oleh tiga mata identik antara dinding tetap.
di salah satu dari dua mode. Semua konfigurasi lainnya yang akan menyebabkan superposisi dari mode (ingat Chap. 1
d2 y M
= EI (27.10)
dx 2
d 2y 2
+ Py = 0 (27,11)
dx 2
790 BATAS-NILAI DAN eigen MASALAH
P P
y
(0, 0)
y
x
M
P'
(L, 0)
P'
x
GAMBAR 27,7 (Sebuah) (B)
(A) Sebuah batang
ramping. (B) Diagram
tubuh gratis-dari batang.
dimana
P
p2 =
(27,1
E 2)
I
0.
Menurut kondisi kedua [Eq. (27.13b)],
n
π
L
GAMBAR 27,8
Empat pertama eigen untuk batang ramping dari Gambar. 27,7.
n2π2 EI
P= untuk n = 1, 2, 3, ... (27,17)
L2
Ini dapat dianggap beban karena tekuk karena mereka mewakili tingkat di
mana kolom bergerak ke setiap konfigurasi tekuk berhasil. Dalam arti
praktis, biasanya nilai pertama yang menarik karena kegagalan biasanya
akan terjadi ketika kolom pertama gesper. Dengan demikian, beban kritis
dapat didefinisikan sebagai
π2 EI
P=
L2
n p, m- P,
2 kN
1 1,047 137,078
2
2 2,094 548,311
4
3 3,141 1233.701
6
4 4,188 2193.245
8
5 5,236 3426.946
0
6 6,283 4934.802
2
Larutan.Persamaan (27,16) dan (27,17) dapat digunakan untuk menghitung
7 7,330 6716.814
4
8 8,377 8772.982
6
h2 saya
⎢ -1 (2 - h2p2) -1 0 ⎬
⎥⎨y2 = 0 (27,19)
⎣ ⎦
0 -1 (2 - h2p2) -1 ⎪y
⎩
3
⎪⎭y
4
0 0 -1 (2 -
h2p2)
Larutan.
(a) Menulis Persamaan. (27,18) untuk satu simpul hasil interior (h = 3/2)
-(2-2,25 p)2y1 = 0
2-2,25 p2 = 0
= untuk p
dan memecahkan 0,9428, yaitu sekitar 10 persen kurang
±
dari nilai yang tepat dari 1,0472 diperoleh pada Contoh 27.4.
(b) Untuk dua node interior (h = 3/3), Persamaan. (27,18) ditulis sebagai
Σ
(2 - p2) -1 Σ.y Σ = 0
1
-1 (2 - p2)
y2
Perluasan determinan memberikan
(2 - p2) 2 - 1 = 0
=±
yang dapat diselesaikan untuk ±p 1 dan 1,73205. Dengan demikian, nilai eigen
pertama sekarang sekitar
4,5 persen rendah dan nilai eigen kedua diperoleh bahwa sekitar 17 persen
rendah.
(c) Selama tiga poin interior (h = 3/4), Persamaan. (27,18) hasil
⎡ ⎤ ⎫
2-0,5625 p2 -1 0 ⎨⎧y1 ⎬
2
⎣ -1 2- 0.5625 p -1 ⎦ y2 =0 (E27.6.1)
0 -1 2- 0.5625 p
⎩y ⎭
3
determinan dapat ditetapkan sama dengan nol dan diperluas untuk memberikan
Hasil menerapkan metode polinomial untuk kolom aksial dimuat. Angka-angka dalam kurung merupakan nilai absolut dar
inomial
Berikutnya, sisi kanan dinormalkan dengan 1,778 untuk membuat elemen terbesar
sama dengan
⎧1,778
⎨ ⎧1
⎫ 0 = ⎫⎨
⎬ 0⎬
⎩ 1.778
1.778⎭ ⎩1
⎭
Oleh karena itu, estimasi nilai eigen untuk iterasi kedua adalah 3,556,
yang dapat em-ployed untuk menentukan estimasi error
.556-1,778 .
|ε | =. 3 100% = 50%
S
e
. 3,556 .
⎧⎪⎨
-4.445⎬⎪⎫
4.445⎭⎪
Dengan demikian, faktor normalisasi konvergen pada nilai 6,070 (= 2,46372) diperoleh
di bagian (c) dari Contoh 27,6.
⎡
[A] -1 = 0,281
0,422 0,281 0,141 ⎤
0,562 0,281 ⎦
⎣
0,141 0,281 0,422
Menggunakan format yang sama seperti pada Contoh 27,9, metode daya dapat
diterapkan untuk matriks ini.
iterasi pertama:
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.88 ⎨0.751⎫⎬
⎤⎧⎨1⎫⎬ 4⎫⎬
1,124
0,141 0,281 0,422 ⎩1 ⎩ ⎩
0.884 0.751⎭
⎭
Kedua iterasi: ⎭
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.70 ⎨0.715⎫⎬
⎤⎧⎨0.751⎫⎬ 4⎫⎬
1 0,984
⎡0 ⎧ ⎧
.422 0,281 0,141 ⎨0.68 ⎨0.709⎫⎬
⎤⎧⎨0.715⎫⎬ 4⎫⎬
1 0,964
k=
1
k=
1
27.3.1 Excel
27.3.2 MATLAB
dx
dy
= 1.2x - 0.6xy
dt = -0.8y + 0.3xy
dt
= x 2 dan
di mana = y 1= di t 0. Seperti yang akan kita lihat dalam bab
GAMBAR 27.9
Solusi model predator-mangsa dengan MATLAB.
GAMBAR 27.10
Negara-ruang plot Model predator-mangsa dengan MATLAB.
Selain itu, juga instruktif untuk menghasilkan plot negara-ruang, yaitu plot dari variabel independen de- dibandingkan satu sama