Numerik von Differentialgleichungen
|
|
- Teresa Sachs
- vor 7 Jahren
- Abrufe
Transkript
1 Numerik von Differentialgleichungen Einführung und Überblick Winfried Auzinger Institut für Analysis and Scientific Computing winfried Anwendungsgebiete der Mathematik, SS / 35
2 Einleitung In der VO Anwendungsgebiete der Technischen Mathematik wird an vielen Stellen auf mathematische Modelle Bezug genommen, die auf gewöhnliche oder partielle Differentialgleichungen (DGL) führen. Zugrunde liegt immer ein Modellierungsprozess; dieser führt (außer in Trivialfällen) nicht direkt zur Problemlösung, sondern nur auf eine zu lösende Gleichung. Wenn z.b. die unabhängige Variable der Zeit t entspricht, so erhält man eine Differentialgleichung immer dann, wenn die (zeitliche) Änderung eines Zustandes vom Zustand selbst abhängt, so dass Ableitungen (Geschwindigkeit, Beschleunigung,... ) in den Gleichungen auftreten (im Gegensatz zu algebraischen Gleichungen). 2 / 35
3 Einleitung Die mathematische Modellierung dient der Simulation eines realen Vorganges auf einem Computer z.b. um Vorhersagen über das Verhalten eines Systems zu gewinnen (wann ist die nächste Sonnenfinsternis?) oder aufwendige bzw. undurchführbare Experimente (1000 verschiedene Crashtests mit einem Testfahrzeug?!) virtuell durchführen zu können. Die Entwicklung auf dem Informatiksektor erlaubt immer komplexere Simulationen und die Numerik von Differentialgleichungen liefert eine der zentralen mathematischen Grundlagen, die diese erst ermöglichen. In den Medien liest und hört man meist nur von Prozessoren und Taktfrequenzen und coolen Grafiken etc. die Mathematik dahinter wird kaum wahrgenommen. 3 / 35
4 Einleitung Notation Einfachste Standardform einer gewöhnlichen DGL (ODE): y (t) = f (t, y(t)) für eine gesuchte Funktion y(t) (y = dy/dt). t... unabhängige Variable (in Anwendungen oft die Zeit, oder z.b. räumliche Koordinate) f (t, y)... gegebene Datenfunktion (ergibt sich aus zugrunde liegenden Modell) Gleiche Schreibweise für Systeme von DGL: mehrere DGL für mehrere gesuchte Funktionen y 1 (t),..., y n (t) simultan gegeben Gleichungen untereinander verkoppelt Hier: y = (y 1,..., y n ) und f = (f 1,..., f n )... vektoriell 4 / 35
5 Beispiel: Pendel Das mathematische Modell Mathematisches Modell für Pendelschwingung unter Einwirkung der Gravitation Punktmasse am Ende konzentriert (Modellvereinfachung!) Grundlage: 2. Newtonsches Gesetz ( Kraft = Masse Beschleunigung ) Variablen: Zeit t (z.b. in s), Auslenkungswinkel ϕ(t) DGL. 2. Ordnung (Notation: ϕ = Ableitung nach t) ϕ(t) = ω 2 sin(ϕ(t)) ω := g/l (g... Erdbeschleunigung, l... Pendellänge) 5 / 35
6 Beispiel: Pendel Die Differentialgleichung DGL ist nichtlinear in ϕ(t), Ordnung=2 ( ϕ tritt auf) Konkrete Lösung durch zusätzliche Vorgabe eines konkreten Anfangszustandes (Auslenkung ϕ(0), Winkelgeschwindigkeit ϕ(0) zum Zeitpunkt t = 0) Oft wird die Ableitung ψ(t) := ϕ(t) als eigenständige Zustandsvariable betrachtet. äquivalentes DGL-System 1. Ordnung: ϕ(t) = ψ(t) ψ(t) = ω 2 sin(ϕ(t)), d.h. y = (ϕ, ψ) und f (t, y) = f (y) = (ψ, ω 2 sin(ϕ)). Exakte Lösung kann nicht explizit formelmäßig angegeben werden. 6 / 35
7 Beispiel: Pendel Anmerkungen Viele vereinfachende Annahmen: Gesamte Masse im Endpunkt konzentriert Räumliche Ausdehnung klein, so dass Annahme g = const. gerechtfertigtm Starrer Körper (keine Verformungen) Reibungsfreie Aufhängung; kein Luftwiderstand Derartige Modellfehler hat man so gut wie immer; eine exakte formelmäßige Lösung wäre daher ohnehin nicht wirklich exakt. Numerische Approximation erforderlich in der Praxis der Normalfall. 7 / 35
8 Beispiel: Pendel Modellvereinfachung (Linearisierung) Für hinreichend kleine Auslenkungen ϕ(t): sin ϕ ϕ vereinfachte, linearisierte DGL ϕ(t) = ω 2 ϕ(t) mit exakter Lösung ϕ(t) = C 1 sin(ωt) + C 2 cos(ωt)... keine numerische Approximation erforderlich. Beachte jedoch: Auch sin, cos müssen am Computer approximiert werden! Grenze zwischen exakter und numerischer Lösung ist nicht ganz scharf definiert. Exakte Lösungsdarstellungen (sofern verfügbar) dienen eher zum theoretischen Verständnis; sie eignen sich auch oft nicht für die numerische Umsetzung. 8 / 35
9 Ein Urproblem : (Numerische) Integration Was heißt integrierbar? Einfacher Spezialfall einer DGL: Löse y (t) = f (t) ( f (t, y) f (t) ) Lösung zu Anfangswert y(0) = y 0 : y(t) = y 0 + t 0 f (τ) dτ... bestimmtes Integral von f Konkrete Darstellung mittels Stammfunktion F (t) von f (t) (d.h. F (t) f (t)) : y(t) = y 0 + (F (t) F (0)))... setzt voraus, dass F (t) explizit bekannt ist und Implementierung/Approximation von F am Rechner verfügbar ist (z.b. sin, cos,...) Jede (z.b.) stetige Funktion f (t) ist integrierbar, aber die Stammfunktion ist i.all.g. nicht explizit angebbar. 9 / 35
10 Ein Urproblem : (Numerische) Integration Numerische Integration Integration erfordert numerische Approximation für (i) das Integral (ii) t 0 f (τ) dτ die Stammfunktion F (t). oder (i) ist die allgemeinere Strategie: Man verwendet Approximationsmethoden, die sich (im Prinzip) für beliebige Integranden einsetzen lassen. Approximationsprinzip: Diskretisierung, z.b. t f (τ) dτ f (t i ) t i 0 i über einem geeignet gewählten Gitter {t i }. Die nachfolgende betrachteten Verfahren für DGL basierend auf der Idee der Diskretisierung angewendet auf die DGL (oder eine äquivalente Integralgleichung). 10 / 35
11 Ein Urproblem : (Numerische) Integration Lineare Differentialgleichungen Die Lösung y(t) einer linearen DGL, z.b. y (t) = a y(t) + b(t) kann ebenfalls direkt als Integral angegeben werden: y(t) = e ta y 0 + t 0 e (t τ)a b(τ) dτ Dennoch ist direkte Diskretisierung der DGL (siehe unten) meist sinnvoller. Für Systeme linearer DGL, z.b. (y(t) R n ) y (t) = A y(t) + b(t) gilt analog y(t) = e ta y 0 + t 0 e (t τ)a b(τ) dτ Auswertung der Matrix-Exponentialfunktion e ta (Lösung des homogenen Problems) ist i. allg. nichttrivial. 11 / 35
12 Numerischer Zugang: Diskretisierung Euler-Verfahren Basierend auf der Approximation y y(t + h) y(t) (t), h ersetzt man die DGL über einem Gitter {t i = i h} durch die Differenzengleichung mit Schrittweite h, ỹ i ỹ i 1 = f (t i 1, ỹ i 1 ), i = 1, 2,... h Rekursion für die Näherungswerte ỹ i y(t i ) : ỹ i = ỹ i 1 + h f (t i 1, ỹ i 1 ), i = 1, 2,... Approximationsfehler ( lokaler Diskretisierungsfehler ) in jedem einzelnen Schritt: y(t + h) y(t) y (t) = O(h) für h 0 h 12 / 35
13 Numerischer Zugang: Diskretisierung Fehlerbetrachtung Lokaler Diskretisierungsfehler: Genauere Darstellung (a priori - Schätzung) : y(t + h) y(t) h y (t) = h y (t) + O(h 2 ) für h 0 A priori : Zeigt qualitativ, wie lokaler Fehler von h und der (unbekannten) Lösung y(t) abhängt. Dies ist jedoch (klarerweise) keine berechenbare Größe. A priori Schätzungen dienen dem theoretischen Verständnis und bilden die theoretische Basis für die Konstruktion praktikabler a posteriori Schätzer. Der wirkliche (globale) Fehler ist ỹ i y(t i ) =?, i = 1, 2, / 35
14 Numerischer Zugang: Diskretisierung Stabilität und Konvergenz Die Frage nach der Stabilität eines Verfahrens ist omnipräsent in der Numerik: Diverse unvermeidliche Fehler (lokale Fehler, auch: Modellungenauigkeiten, Approximationsfehler bei Auswertung der Datenfunktionen,... ) sollen sich nicht unnatürlich stark auf auf das Endergebnis auswirken. Satz: Das explizite Euler-Verfahren ist stabil. (Eigentlich: stabil für nicht allzu große Schrittweiten h.) Beweis: Studium der Differenzengleichung für den globalen Fehler und a priori Abschätzung seiner Lösung. Folgerung: Für den globalen Fehler ỹ i y(t i ) gilt ỹ i y(t i ) = O(h) für h 0 d.h. das Verfahren ist konvergent von der Ordnung / 35
15 Numerischer Zugang: Diskretisierung FAQ, (i): Relevante Fragen zu Diskretisierungsverfahren Welches Diskretisierungsverfahren eignet sich für welche Klasse von Differentialgleichungen? Das Super-Universalverfahren gibt es nicht. beliebig hoher Ordnung p > 1. Fehlerverhalten: ỹ i y(t i ) = O(h p ). Bei einem Verfahren z.b. 4. Ordnung (p = 4, z.b. klassisches Runge-Kutta -Verfahren) geht der Fehler auf das (ca.) 2 p = fache, also um einen Faktor 1/16 zurück, wenn die Schrittweite h halbiert wird. höherer Rechenaufwand pro Schritt lohnt sich. Aber: Wird ineffizienter für schwierigere Probleme mit Glattheitsdefekten. Weitere Problematik: Abklingverhalten mit stark gedämpfter Dynamik kann Instabilität verursachen. 15 / 35
16 Numerischer Zugang: Diskretisierung Beispiel: Flug einer Rakete im inhomogenen Gravitationsfeld Differentialgleichung für die Flughöhe h = h(t) : h (t) = g r 2 (r + h(t)) 2, g = Erdbeschleunigung r = Erdradius Grafik zeigt exakte Lösung, Euler-Approximation und Runge-Kutta Approximation angewendet auf äquivalentes System 1. Ordnung, mit Geschwindigkeit h (t) = v(t) als eigener Variable. 16 / 35
17 Numerischer Zugang: Diskretisierung Beispiel: Gedämpfter Oszillator (Pendel, kleine Auslenkung, mit Reibung) Differentialgleichung für den Winkel ϕ(t) : ϕ(t) + 2ρ ϕ(t) + ω 2 ϕ(t) = 0, ρ = Dämpfungsparameter ω = Eigenfrequenz Grafik zeigt exakte Lösung, Euler-Approximation und Runge-Kutta Approximation, angewendet auf äquivalentes System 1. Ordnung, für den Fall ρ = ω 0. Beide Verfahren verhalten sich instabil, obwohl exakte Lösung sehr stabil (glatter Verlauf, leicht abklingend). 17 / 35
18 Numerischer Zugang: Diskretisierung FAQ, (ii): Relevante Fragen zu Diskretisierungsverfahren... Beispiel für steifes Verhalten: Originalproblem ist super-stabil, Störungen werden sehr schnell weggedämpft Aber: Verfahren reagieren empfindlich auf Störungen (falls nicht h extrem klein) Abhilfe: Z.B. modifiziertes, implizites Euler-Verfahren: ỹ i ỹ i 1 = f (t i, ỹ i ), i = 1, 2,... h Differenzengleichung ist implizit, d.h. die Bestimmung von ỹ i für gegebenes ỹ i 1 erfordert die Lösung einer Gleichung (i. allg. eines Systems): Löse z h f (t i, z) = ỹ i 1 ỹ i = z. 18 / 35
19 Numerischer Zugang: Diskretisierung FAQ, (iii): Relevante Fragen zu Diskretisierungsverfahren Wie kann man sicherstellen, dass wichtige probleminhärente Eigenschaften auch in der numerischen Lösung möglichst getreu wiedergegeben werden? Beispiel Reibungsfrei schwingendes Pendel: Beispiel für ein konservatives mechanisches System, dessen gesamte (potentielle + kinetische) Energie über die Zeit hinweg konstant ist. Zur verlässlichen numerischen Integration über längere Zeiten: Benötige Verfahren, die ebenfalls energieerhaltend sind. Die Euler-artigen Verfahren sind dafür ungeeignet. Es wurden spezielle Verfahren für diesen Zweck entwickelt. Anwendung: Z.B. in der Astronomie, exakte langfristige Vorhersage von Planetenbahnen. 19 / 35
20 Numerischer Zugang: Diskretisierung Beispiel: Die äußeren Planeten im Sonnensystem Beispiel: c E. Hairer, C. Lubich, E. Wanner Grafik zeigt verschiedene (qualitativ falsche und richtige) Simulationen der Planetenbahnen (Langzeitverhalten). (J=Jupiter, S=Saturn, U=Uranus, N=Neptun, P=Pluto) 20 / 35
21 Numerischer Zugang: Diskretisierung FAQ, (iv): Relevante Fragen zu Diskretisierungsverfahren Wie kann man den Fehler a posteriori, d.h. für eine konkret berechnete Näherungslösung verlässlich berechenbar schätzen? Eine Möglichkeit (Grundidee Rückwärtsanalyse): Interpretiere die berechnete Folge von Näherungswerten ỹ i (bzw. eine die ỹ i interpolierende Funktion ỹ(t)) als Lösung einer gestörten DGL. Der Störungsterm lässt sich mit Hilfe der ỹ i und der gegebenen DGL berechnen bzw. genau schätzen. verschiedene Techniken, um aus dieser Störung auf ihren Effekt (= globaler Fehler!) zurückzuschließen. Allerdings auch hier nicht 100% Sicherheit auch Fehlerschätzer operiert diskret und unterliegt einem (allerdings geringeren) Diskretisierungsfehler. 21 / 35
22 Numerischer Zugang: Diskretisierung FAQ, (v): Relevante Fragen zu Diskretisierungsverfahren Wie ist die (im allgemeinen variable) Schrittweite h (= h i ) zu wählen, damit man eine vorgegebene Genauigkeitsforderung möglicht verlässlich und ohne unnötig hohen Rechenaufwand erfüllt? Die Grundlage dafür besteht in einer verlässlichen a-posteriori Fehlerschätzung (siehe oben). Darauf basierend wurden verschiedene Algorithmen entwickelt, bei denen versucht wird, die Schrittweite so zu steuern, dass der Fehler möglichst gleichmäßig kontrolliert wird. adaptive Methoden 22 / 35
23 Randwertprobleme Problemtyp; Beispiel Randbedingungen (an mehreren Stellen) ergeben globales Problem Beispiel: Poisson-Gleichung (1D, linear) u (x) = f (x), x (a, b) + Randbedingungen am Rand des Intervalles [a, b], z.b. u(a) = α, u(b) = β Anwendung: Z.B. in Mechanik Lösung u(x)... Verformung einer gespannten, elastischen Saite, wobei f (x) = gegebene Dichtefunktion, beschreibt load Allgemeiner: Nichtlineares Problem (z.b. nichtlineares Spannungs-Verformungs-Verhalten) u (x) = f (x, u(x), u (x)), x (a, b) 23 / 35
24 Randwertprobleme Numerische Behandlung: Z.B. Differenzenverfahren für u (x) = f (x, u(x), u (x)) Approximiere Ableitung über diskretem Gitter {x i }, Schrittweite h Z.B. mit x i = a + i h : u (x i ) u(x i 1) 2u(x i ) + u(x i+1 ) h 2... Ergibt großes (algebraisches) Gleichungssystem für die u i u(x i ): u i 1 2u i + u i+1 h 2 = f (x i, u i, u i u i 1 h ), i = 1, 2,... + Randbedingungen System A u = F (u), u = (u i ) R n ; A R n n Allgemeiner: Schrittweite h = h i variabel Adaptivität 24 / 35
25 Randwertprobleme Großes, schwach besetztes Gleichungssystem Systemmatrix A (entspricht Approximation von u ): A = h Gleichungssystem ist schwach besetzt (tridiagonal), leicht lösbar falls n nicht extrem groß. Beachte: n für h 0. Benötige Stabilität für numerische Umsetzbarkeit am Digitalrechner Konvergenz der Approximation für h 0 Stabilität: Untersuchung der Inversen A 1 für h 0 das ist Lineare Algebra. 25 / 35
26 Partielle Differentialgleichungen (PDE) Stationäre Probleme Beispiel: Poisson-Gleichung (2D, linear) u(x, y) = f (x, y), (x, y) Ω R 2 ( u := ( ) u = u xx + u yy... Laplace-Operator ), + Randbedingungen am Rand des Gebietes Ω Ein Anwendungsbeispiel: Lösung u(x, y)... Verformung einer gespannten, elastischen Membran, wobei f (x, y) = gegebene Dichtefunktion, beschreibt load Poisson Gleichung tritt auch auf in Strömungsmechanik, Elektrostatik,... Analog in 3D 26 / 35
27 Partielle Differentialgleichungen (PDE) Stationäre Probleme: FD-Verfahren (i) Approximiere die PDE durch eine partielle Differenzengleichung über einem diskreten Gitter {x i, y j } Ω h h... führt auf großes lineares Gleichungssystem für die u i,j u(x i, y j ); sehr groß im 3D-Fall 27 / 35
28 Partielle Differentialgleichungen (PDE) Stationäre Probleme: FD-Verfahren (ii) System-Matrix mit spezieller Struktur: T I I T I A = R n2 n 2 mit T = 1 h I T I I T R n n / 35
29 Partielle Differentialgleichungen (PDE) Stationäre Probleme: Finite-Elemente - Methoden (FEM, (i) Approximiere die Lösung in einem endlich-dimensionalen Raum von approximierenden Funktionen (z.b. stückweise linear, polynomial über kleinen Teilgebieten, den Finiten Elementen ), wobei verschiedene Kriterien für die Approximation, z.b. Minimierung eines gewissen Fehlerfunktionals ( Variationsrechnung) Flexibel anpassbar an allgemeine Geometrien große, schwach besetzte Gleichungssysteme Adaptivität Wesentlich: Geeignete Datenstrukturen für Umsetzung am Digitalrechner 29 / 35
30 Partielle Differentialgleichungen (PDE) Stationäre Probleme: Finite-Elemente - Methoden (FEM, (ii) Beispiel: Poisson-Gleichung mit unglatter Lösung Welche Mathematik brauchen wir dafür: Höhere Analysis (insbesondere Variationsrechnung), Funktionalanalysis, Approximationstheorie, Lineare Algebra / 35
31 Partielle Differentialgleichungen (PDE) Instationäre Probleme Problemtypen Wärmeleitungsgleichung (Diffusionsgleichung): Wellengleichung: t u(x, t) = x u(x, t) + Verallgemeinerungen 2 t 2 u(x, t) = x u(x, t) Diskretisierung in Ort x R d (d = 1, 2, 3) und t R (simultan oder nacheinander ) Je nach Typ verschiedene Zugänge erforderlich Weiters: Nichtlineare Effekte, z.b. Schockwellen (Überschall) Systeme von PDEs, z.b. Navier-Stokes, Maxwell-Gleichungen / 35
32 Partielle Differentialgleichungen (PDE) Instationäre Probleme Beispiel: Schrödinger-Gleichung (i) Grundgleichung der Quantenmechanik (n Elektronen): i t ψ(x, t) = H(ψ(x, t)) für die komplexwertige Wellenfunktion ψ. Dabei ist: t... Zeit x = (x 1,..., x n ), x j R 3... Position der Elektronen ψ(x, t) beschreibt die Wahrscheinlichkeitsdichte dafür, dass sich zum Zeitpunkt t die Teilchen (Elektronen) an den betreffenden Positionen x j befinden. Numerische Behandlung durch direkte Diskretisierung hoffnungslos, weil extrem hochdimensional: x R 3n! State of the art : Spezielle approximierende Ansatzfunktionen, dann erst Diskretisierung. 32 / 35
33 Partielle Differentialgleichungen (PDE) Instationäre Probleme Beispiel: Schrödinger-Gleichung (ii) Eine Lösung der homogenen Schrödinger-Gleichung ( ein free particle, 1D, Re ψ(x, t) ): Zeitintegration: aufwendig; für die Integrationsschritte sind effiziente Approximationsverfahren erforderlich. 33 / 35
34 Partielle Differentialgleichungen (PDE) Lösung großer Gleichungssysteme Fast überall treten sehr große Gleichungssysteme auf (nach Linearisierung): A u = b Direkte Lösung oft langsam und/oder speicherintensiv Alternative: Iterative Verfahren Z.B. iterative Minimierung einer Residualnorm Ax b Beispiel: cg-verfahren für positiv definite Systeme: # cg for A.x=b, starting from x[0] r[0] := b-a.x[0]; d[0] := r[0]; for i=0,1,... do alpha[i] := (r[i],r[i])/(a.d[i],d[i]) x[i+1] := x[i]+alpha[i]*d[i] r[i+1] := r[i]-alpha[i]*a.d[i] beta[i] := (r[i+1],r[i+1])/(r[i],r[i]) d[i+1] := r[i+1] + beta[i]*d[i] end Aber: Muss problemabängig angepasst werden für vernünftige Konvergenzrate. 34 / 35
35 Definition der Numerik? Numerische Mathematik ; Scientific Computing... nicht nur Rundungsfehler und so... Die Numerik ist der konstruktive Zweig der Mathematik, der sich mit der konkreten rechnerischen Lösung von Problemen befasst, insbesondere mittels Algorithmen, die sich auf Digitalrechnern implementieren lassen. Konstruktivität, Effizienz und stabile Umsetzung erfordert durchwegs Approximation. Die Numerik ist die Freundin der Angewandten Mathematik. Sie gilt aber auch ein eigenständiges mathematisches Teilgebiet (Numerische Mathematik). Entwicklung eng verbunden mit der Existenz und Weiterentwicklung des Digitalcomputers. Scientific Computing : der zur Implementierung auf Hochleistungsrechnern hin orientierte, praktische und angewandte Aspekt der Numerik. 35 / 35
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
MehrNumerische Verfahren
Numerische Verfahren Numerische Methoden von gewöhnlichen Differentialgleichungen (AWP) Prof. Dr.-Ing. K. Warendorf, Prof. Dr.-Ing. P. Wolfsteiner Hochschule für Angewandte Wissenschaften München Fakultät
MehrKapitel 3. Diskretisierungsverfahren. 3.1 Elliptische Differentialgleichung
Kapitel 3 Diskretisierungsverfahren 3.1 Elliptische Differentialgleichung Wir beschränken uns auf elliptische Randwertaufgaben. Gesucht ist eine Funktion u (x, y) in R 2, welche die allgemeine partielle
MehrRheinisch-Westfälische Technische Hochschule. Gegeben seien eine gewöhnliche Dierentialgleichung (DGL) und ein Anfangswert. γ l K l.
Rheinisch-Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Numerische Mathematik II Wintersemester 2009 Priv. Doz. Dr. Helmuth Jarausch Dr. KarlHeinz Brakhage Übung :
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrSimulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
Mehru(x, 0) = g(x) : 0 x 1 u(0, t) = u(1, t) = 0 : 0 t T
8.1 Die Methode der Finiten Differenzen Wir beschränken uns auf eindimensionale Probleme und die folgenden Anfangs und Anfangsrandwertprobleme 1) Cauchy Probleme für skalare Erhaltungsgleichungen, also
MehrDipl.-Ing. Christoph Erath 10. November FVM-BEM Kopplung. Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln?
Dipl.-Ing. Christoph Erath 10. November 2007 FVM-BEM Kopplung Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln? Seite 2 FVM-BEM Kopplung 10. November 2007 Dipl.-Ing. Christoph Erath
MehrSimulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
MehrLineare Gleichungssysteme Hierarchische Matrizen
Kompaktkurs Lineare Gleichungssysteme Hierarchische Matrizen M. Bebendorf, O. Steinbach O. Steinbach Lineare Gleichungssysteme SIMNET Kurs 24. 27.4.26 / 6 Numerische Simulation stationäre und instationäre
MehrNumerische Verfahren
Numerische Verfahren Numerische Methoden von gewöhnlichen Differentialgleichungen (AWP) Prof. Dr.-Ing. K. Warendorf, Prof. Dr.-Ing. P. Wolfsteiner Hochschule für Angewandte Wissenschaften München (FH)
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
MehrODE-Solver. Inhalt. Einleitung. grundlegende Algorithmen. weiterführende Algorithmen
Martin Reinhardt angewandte Mathematik 8. Semester Matrikel: 50108 ODE-Solver 11. Mai 2011 Inhalt Einleitung grundlegende Algorithmen weiterführende Algorithmen Martin Reinhardt (TUBAF) 1 Orientierung
MehrSimulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 2. Teil 2-1 1) Welche Garantie
MehrDas mathematische Pendel
1 Das mathematische Pendel A. Krumbholz, S. Effendi 25. Juni 2013 2 Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis 1 Einführung 3 1.1 Das mathematische Pendel........................... 3 1.2
Mehr5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
Mehr2. Elementare Lösungsmethoden
H.J. Oberle Differentialgleichungen I WiSe 2012/13 2. Elementare Lösungsmethoden A. Separierbare Differentialgleichungen. Eine DGL der Form y (t) = f(t) g(y(t)) (2.1) mit stetigen Funktionen f : R D f
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differenzialgleichungssysteme 5.1-1 1.1 Grundlagen
MehrPartielle Differentialgleichungen. Hofer Joachim/Panis Clemens
9.11.2010 Contents 1 Allgemein 2 1.1 Definition................................................. 2 1.2 Klassifikation............................................... 2 1.3 Lösbarkeit.................................................
Mehr2. Quasilineare PDG erster Ordnung
H.J. Oberle Differentialgleichungen II SoSe 2013 2. Quasilineare PDG erster Ordnung Eine skalare PDG erster Ordnung hat die allgemeine Form F (x, u(x), u x (x)) = 0. (2.1) Dabei ist u : R n G R die gesuchte
MehrGrundlagen der Numerischen Mathematik Sommersemester Kapitel 0. Jun.-Prof. Dr. Thorsten Raasch (JGU Mainz) 23. April 2014
Grundlagen der Numerischen Mathematik Sommersemester 2014 Kapitel 0 Jun.-Prof. Dr. Thorsten Raasch Johannes Gutenberg-Universität Mainz Institut für Mathematik 23. April 2014 Numerik Was ist das? Was ist
MehrNumerische Mathematik I: Grundlagen
Numerische Mathematik I: Grundlagen 09.10.2017 Inhalt der Lehrveranstaltung Inhaltlich sollen Sie in der Lehrveranstaltung Numerische Mathematik I insbesondere vertraut gemacht werden mit der Numerik linearer
MehrNumerische Lösung von Differentialgleichungen
Numerische Lösung von Differentialgleichungen Matheseminar 2017 Daniel Jodlbauer 9. Juni 2017 Überblick Motivation Voraussetzungen / Wiederholung Differentialgleichungen Lösungsverfahren Differentialgleichungen?
MehrDifferentialgleichungen sind überall!
Differentialgleichungen sind überall! Helmut Abels Fakultät für Mathematik Universität Regensburg Folien und Co.: http://www.uni-r.de/fakultaeten/nat Fak I/abels/Aktuelles.html Tag der Mathematik am Albrecht-Altdorfer-Gymnasium
MehrUnstetige Galerkin-Verfahren und die lineare Transportgleichung. Tobias G. Pfeiffer Freie Universität Berlin
Unstetige Galerkin-Verfahren und die lineare Transportgleichung Tobias G. Pfeiffer Freie Universität Berlin Seminar DG-Verfahren, 26. Mai 2009 , Voraussetzungen & Ziele Voraussetzungen Kenntnisse in Numerik
MehrNumerik gewöhnlicher Differentialgleichungen
Numerik gewöhnlicher Differentialgleichungen 4.4 Anfangsrandwertprobleme Die Diskretisierung von zeitabhängigen partiellen Differentialgleichungen mit der Linienmethode führt auf Systeme gewöhnlicher Dgl
MehrGewöhnliche Differentialgleichungen am Beispiel des harmonischen Oszillators
Gewöhnliche Differentialgleichungen am Beispiel des harmonischen Oszillators Horst Laschinsky 12. Oktober 1999 Inhaltsverzeichnis 1 Gewöhnliche lineare homogene Differentialgleichungen 2. Ordnung mit konstanten
MehrSeminar: Integralgleichungen (WS 06/07)
Seminar: Integralgleichungen (WS 06/07) Numerische Behandlung der Fredholmschen Integralgleichung - Teil 1 Melanie Seifried Erik Ivar Fredholm (1866-1927) Schwedischer Mathematiker, der große Beiträge
MehrEinführung in die Numerik strukturerhaltender Zeitintegratoren. Leonard Schlag 6. Dezember 2010
Einführung in die Numerik strukturerhaltender Zeitintegratoren Leonard Schlag 6. Dezember 2010 1 Inhaltsverzeichnis 1 Einführung in die Numerik strukturerhaltender Zeitintegratoren 3 1.1 Häuge Problemstellung:
MehrHamilton-Systeme. J. Struckmeier
Invarianten für zeitabhängige Hamilton-Systeme J. Struckmeier Vortrag im Rahmen des Winterseminars des Instituts für Angewandte Physik der Johann-Wolfgang-Goethe-Universität Frankfurt a.m. Hirschegg, 04.
Mehr4.8.1 Shortley Weller-Approximation Interpolation in randnahen Punkten... 81
Inhaltsverzeichnis 1 Partielle Differentialgleichungen und ihre Typeneinteilung... 1 1.1 Beispiele... 1 1.2 Typeneinteilungen bei Gleichungen zweiter Ordnung.................. 5 1.3 Typeneinteilungen bei
Mehr5. Die eindimensionale Wellengleichung
H.J. Oberle Differentialgleichungen II SoSe 2013 5. Die eindimensionale Wellengleichung Wir suchen Lösungen u(x, t) der eindimensionale Wellengleichung u t t c 2 u xx = 0, x R, t 0, (5.1) wobei die Wellengeschwindigkeit
Mehr- 1 - angeführt. Die Beschleunigung ist die zweite Ableitung des Ortes x nach der Zeit, und das Gesetz lässt sich damit als 2.
- 1 - Gewöhnliche Differentialgleichungen Teil I: Überblick Ein großer Teil der Grundgesetze der Phsik ist in Form von Gleichungen formuliert, in denen Ableitungen phsikalischer Größen vorkommen. Als Beispiel
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrKurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren
Kurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren Was sind typische qualitative Aussagen bei gewöhnlichen Differentialgleichungen der Form x (t) = f(t, x)? (1) 1. Andere
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 4. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix,
MehrEinführung FEM 1D - Beispiel
p. 1/28 Einführung FEM 1D - Beispiel /home/lehre/vl-mhs-1/folien/vorlesung/4_fem_intro/deckblatt.tex Seite 1 von 28 p. 2/28 Inhaltsverzeichnis 1D Beispiel - Finite Elemente Methode 1. 1D Aufbau Geometrie
Mehrx 2 y + xp(x)y + q(x)y = 0, (1) wobei p(x) = Satz: Falls ρ 1, ρ 2 R, mit ρ 1 ρ 2 so gibt es für 0 < x < R ein Fundamentalsystem von (1) der Gestalt
Kurze Zusammenfassung der Vorlesung 6 Am Anfang werden wir einbisschen mehr den Potenzreihenansatz besprechen. Abgewandelter Potenzreihenansatz In Verallgemeinerung der Eulerschen Differentialgleichung
Mehr10 Stabilität und steife Systeme
Numerik II 34 Stabilität und steife Systeme Inhalt. Absolute Stabilität. Was sind steife Differentialgleichungen?.3 Weitere Stabilitätsbegriffe Stabilität und steife Systeme TU Bergakademie Freiberg, SS
MehrDifferentialgleichungen I
Universität Hamburg Fachbereich Mathematik Differentialgleichungen I Hans Joachim Oberle Vorlesung an der TUHH im Wintersemester 2012/13 Literatur. R. Ansorge, H.J. Oberle, K. Rothe, Th. Sonar: Mathematik
Mehr6 Gewöhnliche Differentialgleichungen
6 Gewöhnliche Differentialgleichungen Differentialgleichungen sind Gleichungen in denen nicht nur eine Funktion selbst sondern auch ihre Ableitungen vorkommen. Im einfachsten Fall gibt es eine unabhängige
MehrNumerik II Numerik Elliptischer Differentialgleichungen
Numerik II 207 12 Numerik Elliptischer Differentialgleichungen 12 Numerik Elliptischer Differentialgleichungen TU Bergakademie Freiberg, SS 2010 Numerik II 208 12.1 Die Laplace-Gleichung in einem Quadrat
MehrNebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26. Oktober 2016 Motivation Die rigorose Analyse von Algorithmen erfordert
MehrLösung der harmonischen Oszillator-Gleichung
Lösung der harmonischen Oszillator-Gleichung Lucas Kunz 8. Dezember 016 Inhaltsverzeichnis 1 Physikalische Herleitung 1.1 Gravitation................................... 1. Reibung.....................................
MehrExtrapolationsverfahren
Extrapolationsverfahren Vortrag im Rahmen des Seminars Numerik gewöhnlicher Differentialgleichungen unter der Leitung von Prof. Peter Bastian WS 2010/11 Marlene Beczalla 21.12.2010 1. Beschreibung des
MehrDas Geheimnis. der Kaffeetasse
Das Geheimnis der Kaffeetasse Uttendorf 2005 Lutz Justen Überblick Der Kaffeetasseneffekt was ist das? Einige (nicht-numerische!) Experimente Modellierung: Lineare Elastizitätsgleichung Numerik: FEM Testrechnungen
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 8 Partielle
Mehr6. Lineare DGL-Systeme erster Ordnung
HJ Oberle Differentialgleichungen I WiSe 22/3 6 Lineare DGL-Systeme erster Ordnung A Allgemeines Wir betrachten ein lineares DGL System erster Ordnung y (t = A(t y(t + b(t (6 und setzen voraus, dass die
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
MehrExplizite gewöhnliche Differentialgleichung 1. Ordnung mit Anfangsbedingung
Explizite gewöhnliche Differentialgleichung 1. Ordnung mit Anfangsbedingung Gesucht ist eine Funktion y(x), welche erfüllt y = f(x,y) y(x 0 ) = y 0 Differentialgleichung Anfangsbedingung Wenn f in x stetig
MehrMathematik I+II. für FT, LOT, PT, WT im WS 2015/2016 und SS 2016
Mathematik I+II für FT, LOT, PT, WT im WS 2015/2016 und SS 2016 I. Wiederholung Schulwissen 1.1. Zahlbereiche 1.2. Rechnen mit reellen Zahlen 1.2.1. Bruchrechnung 1.2.2. Betrag 1.2.3. Potenzen 1.2.4. Wurzeln
Mehr2. Numerische Verfahren für AWPe 2.1 Das Euler-Verfahren
2.1 Das Euler-Verfahren Wir betrachten das AWP y = f (t, y), y(t 0 ) = y 0. (AWP) Unter den Voraussetzungen von Satz 1.1 besitzt es eine eindeutige Lösung, sagen wir über dem Intervall I. Wir wollen diese
MehrDifferentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
MehrÜbung zur Numerik linearer und nichtlinearer Parameterschätzprobleme A. Franke-Börner, M. Helm
Übung zur Numerik linearer und nichtlinearer Parameterschätzprobleme A. Franke-Börner, M. Helm Numerik Parameterschätzprobleme INHALT 1. 1D Wärmeleitungsgleichung 1.1 Finite-Differenzen-Diskretisierung
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Gewöhnliche Differentialgleichungen Prof.
MehrEin Blick über den Tellerrand... mit FreeFem++
Ein Blick über den Tellerrand... mit FreeFem++ Eine Einführung und etwas Theorie Steffen Weißer Universität des Saarlandes 30. Oktober 2015 Gliederung 1 Zum Seminar 2 Was ist eine PDE? 3 Etwas Funktionalanalysis
MehrX.4 Elektromagnetische Wellen im Vakuum
X.4 Elektromagnetische Wellen im Vakuum 173 X.4 Elektromagnetische Wellen im Vakuum In Abwesenheit von Quellen, ρ el. = 0 j el. = 0, nehmen die Bewegungsgleichungen (X.9) (X.11) für die elektromagnetischen
Mehr7 Das Eulersche Polygonzugverfahren
35 7 Das Eulersche Polygonzugverfahren Lösungen von Differentialgleichungen sind nur in speziellen Fällen explizit angebbar; oft können nur Approximationen an Lösungen numerisch berechnet werden. In diesem
MehrDifferenzialgleichungen
Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Differenzialgleichungen Übersicht Grundsätzliches 1 Grundsätzliches Problemstellung Richtungsfeld Beispiel 2 Eulerverfahren Heunverfahren
MehrAnalysis. Lineare Algebra
Analysis Ableitung Ableitungsregeln totale und partielle Ableitung Extremwertbestimmung Integrale partielle Integration Substitution der Variablen Koordinatentransformationen Differentialgleichungen Lineare
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrDifferentialgleichungen sind überall!
Differentialgleichungen sind überall! Helmut Abels Fakultät für Mathematik Universität Regensburg Folien und Co.: http://www.uni-regensburg.de/mathematik/mathematik-abels/aktuelles/index.html Schnupperstudium
MehrNebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 25.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 25. Oktober 2017 Motivation Die rigorose Analyse von Algorithmen erfordert
MehrKapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:
Mehr(t - t ) (t - t ) bzw. δ ε. θ ε. (t - t ) Theorie A (WS2005/06) Musterlösung Übungsblatt ε= 0.1 ε= t ) = lim.
Theorie A (WS5/6) Musterlösung Übungsblatt 7 6..5 Θ(t t [ t t ) = lim arctan( ) + π ] ε π ε ( ) d dt Θ(t t ) = lim ε π vergleiche Blatt 6, Aufg. b). + (t t ) ε ε = lim ε π ε ε + (t t ) = δ(t t ) Plot von
MehrErgänzende Materialien zur Vorlesung Theoretische Mechanik, WS 2005/06
Ergänzende Materialien zur Vorlesung Theoretische Mechanik, WS 2005/06 Dörte Hansen Seminar 8 1 d Alembertsches Prinzip und Lagrangegleichungen 1. Art Teil II 2 Das d Alembertsche Prinzip für N-Teilchensysteme
Mehrh n = (t t 0 )/n Bevor wir diesen Satz beweisen, geben wir noch einen Hilfssatz an, der eine wichtige Abschätzung liefert.
Kapitel 4 Berechnung von Lösungen 41 Die Euler sche Polygonzugmethode Die Grundlage dieser Methode ist die einfache Beobachtung, dass f(u, t) in der Nähe eines Punktes als nahezu konstant angesehen werden
Mehr4. Ausblick. 4.1 Lineare dynamische Analysen 4.2 Nichtlineare Analysen 4.3 Weitere Anwendungen Höhere Festigkeitslehre 3.
4. Ausblick 4.1 Lineare dynamische Analysen 4.2 Nichtlineare Analysen 4.3 Weitere Anwendungen 3.4-1 4.1 Lineare dynamische Analysen Beschleunigungen: Bei linearen dynamischen Analysen hängen die Knotenpunktsverschiebungen
MehrMATHEMATISCHE METHODEN DER PHYSIK 1
MATHEMATISCHE METHODEN DER PHYSIK 1 Helmuth Hüffel Fakultät für Physik der Universität Wien Vorlesungsskriptum Sommersemester 2012 Version vom 08-03-2012 Inhaltsverzeichnis 1 Lineare gewöhnliche Differentialgleichungen
MehrKlausur: Differentialgleichungen Version mit Lösungen
Universität Kassel Fachbereich 10/16 Dr. Sebastian Petersen 16.03.2016 Klausur: Differentialgleichungen Version mit Lösungen Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede
MehrFinite Elemente am Beispiel der Poissongleichung
am Beispiel der Poissongleichung Roland Tomasi 11.12.2013 Inhalt 1 2 3 Poissongleichung Sei R n ein Gebiet mit abschnittsweise glattem Rand und f L 2 (). Wir suchen u : R, so dass u = f in, u = 0 Physikalische
MehrStudienschwerpunkt Numerische Mathematik
Studienschwerpunkt Numerische Mathematik Ralf Hiptmair Seminar for Applied Mathematics, ETH Zürich Wahlfachvorstellung SS 25 R.Hiptmair (SAM, ETH Zürich) Numerische Mathematik SS 25 / 3 Vorlesungsangebot
Mehr2.3.1 Explizite Runge-Kutta-Verfahren
Somit ist y(t + h) = y + hf(t, y ) + h (f t (t, y ) + f y (t, y )f(t, y )) + O(h 3 ) Setzen wir Φ(t, y, h) := f(t, y) + h (f t(t, y) + f y (t, y)f(t, y)), so erhalten wir ein Verfahren mit der Konsistenzordnung
Mehr7. Die eindimensionale Wärmeleitungsgleichung
H.J. Oberle Differentialgleichungen II SoSe 2013 7. Die eindimensionale Wärmeleitungsgleichung Als Beispiel für eine parabolische PDG betrachten wir die eindimensionale Wärmeleitungsgleichung u t (x, t)
MehrAusblick. 1. Lineare dynamische Analysen 2. Nichtlineare Analysen 3. Weitere Anwendungen. Prof. Dr. Wandinger 5. Ausblick FEM 5-1
Ausblick 1. Lineare dynamische Analysen 2. Nichtlineare Analysen 3. Weitere Anwendungen Prof. Dr. Wandinger 5. Ausblick FEM 5-1 1. Lineare dynamische Analysen Beschleunigungen: Bei linearen dynamischen
MehrC7 Differentgleichungen (DG) C7.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: Ort: Geschwindigkeit:
C7 Differentgleichungen (DG) C7.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) [Stoffgliederung im Skript für Kapitel
MehrNUMERISCHE VERFAHREN für Naturwissenschaftler und Ingenieure
NUMERISCHE VERFAHREN für Naturwissenschaftler und Ingenieure Eine computerorientierte Einführung Von Prof. Dr. sc. nat. HUBERT SCHWETLICK Prof. Dr. sc. nat. HORST KRETZSCHMAR Mit 74 Bildern und 34 Tabellen
MehrDifferenzialgleichungen erster Ordnung
Differenzialgleichungen erster Ordnung Fakultät Grundlagen Mai 2011 Fakultät Grundlagen Differenzialgleichungen erster Ordnung Übersicht Grundsätzliches 1 Grundsätzliches Geometrische Deutung Numerik 2
MehrInstitut für Angewandte und Numerische Mathematik
Institut für Angewandte und Numerische Mathematik Wer sind wir? Was tun wir? PD Dr. Tilo Arens 0 PD Dr. Tilo Arens - Institut für Angewandte und Numerische Mathematik PD Dr. Tilo Arens KIT Die Forschungsuniversität
MehrAufwand und Komplexität Vorlesung vom Komplexität und Effizienz
Aufwand und Komplexität Vorlesung vom 15.12.17 Komplexität und Effizienz Aufwand: Anzahl dominanter Operationen (worst-case). Beispiel. Landau-Symbol O(n). Beispiel. Definition: Aufwand eines Algorithmus.
MehrModell der Punktmasse
Kinematik Die Kinematik (kinema, griech., Bewegung) ist die Lehre von der Bewegung von Punkten und Körpern im Raum, beschrieben durch die Größen Weg (Änderung der Ortskoordinate) s, Geschwindigkeit v und
MehrBlatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
MehrPartielle Differentialgleichungen
Partielle Differentialgleichungen Michael Hinze (zusammen mit Peywand Kiani) Department Mathematik Schwerpunkt Optimierung und Approximation, Universität Hamburg 13.,15. und 29. Mai 2009 Transversalschwingungen
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrHörsaalübung 6 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 28/29 Dr. Hanna Peywand Kiani Hörsaalübung 6 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Autonome Systeme, Stabilität Die ins
Mehr2. Lagrange-Gleichungen
2. Lagrange-Gleichungen Mit dem Prinzip der virtuellen Leistung lassen sich die Bewegungsgleichungen für komplexe Systeme einfach aufstellen. Aus dem Prinzip der virtuellen Leistung lassen sich die Lagrange-Gleichungen
MehrGewöhnliche Differentialgleichungen
Gewöhnliche Differentialgleichungen 10. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 22. Mai 2014 Gliederung 1 Aufgabenstellung und Interpretation
MehrSysteme gewöhnlicher Di erentialgleichungen. Ordnung
Systeme gewöhnlicher Di erentialgleichungen. Ordnung Systeme. Ordnung De nition Für eine gegebene n n-matrix A(x) =(a ij (x)) n i,j=, deren Elemente Funktionen von x sind und einer gegebenen rechten Seite
MehrProjektarbeit Simulation eines Mathematischen Pendel
Vorlesung: Numerische Mathematik SS04 Projektarbeit Simulation eines Mathematischen Pendel Heinrich Mellmann Matey Mateev Leiter: Dr. René Lamour 15. Oktober 2004 2 Inhaltsverzeichnis 1 Aufgabenstellung
MehrGewöhnliche Differentialgleichungen Woche 10. Spezielles für zweite Ordnung
d Gewöhnliche Differentialgleichungen Woche 0 Spezielles für zweite Ordnung 0. Phasenebene Wenn wir die autonome Differentialgleichung zweiter Ordnung u (t = f (u(t, u (t (0. studieren wollen, ist ein
MehrMathematik und Nanotechnologie: Warum werden Computer immer kleiner?
1 Mathematik und Nanotechnologie: Warum werden Computer immer kleiner? Ansgar Jüngel Institut für Analysis und Scientific Computing www.juengel.at.vu (einige Bilder sind aus urheberrechtlichen Gründen
MehrAdaptivität II - Theorie
Adaptivität II - Theorie Hubertus Bromberger, Manuel Nesensohn, Johannes Reinhardt, Johannes Schnur 8. November 2007 Fazit des ersten Vortrages Ein geeignet verfeinertes Gitter ermöglicht massive Einsparung
Mehrν und λ ausgedrückt in Energie E und Impuls p
phys4.011 Page 1 8.3 Die Schrödinger-Gleichung die grundlegende Gleichung der Quantenmechanik (in den bis jetzt diskutierten Fällen) eine Wellengleichung für Materiewellen (gilt aber auch allgemeiner)
MehrÜbungen zur Theoretischen Physik 2 Lösungen zu Blatt 13
Prof. C. Greiner, Dr. H. van Hees Sommersemester 014 Übungen zur Theoretischen Physik Lösungen zu Blatt 13 Aufgabe 51: Massenpunkt auf Kugel (a) Als generalisierte Koordinaten bieten sich Standard-Kugelkoordinaten
Mehr