Discover millions of ebooks, audiobooks, and so much more with a free trial

Only $11.99/month after trial. Cancel anytime.

Einführung in die numerische Strömungsmechanik
Einführung in die numerische Strömungsmechanik
Einführung in die numerische Strömungsmechanik
Ebook167 pages37 minutes

Einführung in die numerische Strömungsmechanik

Rating: 1 out of 5 stars

1/5

()

Read preview

About this ebook

Die Eigenschaften und Auswirkungen von Strömungen sind in vielen Bereichen der Naturwissenschaften und des Ingenieurwesens von Bedeutung – ihre Vorhersage kann durch analytische, experimentelle und numerische Strömungsmechanik erreicht werden. Karim Ghaib führt in diesem essential in die numerische Strömungsmechanik ein. Nach einem Überblick über mathematische Grundlagen formuliert der Autor die Erhaltungsgleichungen der Strömungsmechanik und erläutert Turbulenzmodelle. Er beschreibt die wichtigsten numerischen Methoden und gibt im Anschluss Arten und Beurteilungskriterien der Rechennetze an. Dieses essential ist somit sowohl dem Einsteiger als auch dem Anwender auf dem Gebiet der numerischen Strömungsmechanik zu empfehlen.

LanguageDeutsch
Release dateJul 4, 2019
ISBN9783658269234
Einführung in die numerische Strömungsmechanik

Related to Einführung in die numerische Strömungsmechanik

Related ebooks

Mechanical Engineering For You

View More

Related articles

Reviews for Einführung in die numerische Strömungsmechanik

Rating: 1 out of 5 stars
1/5

1 rating0 reviews

What did you think?

Tap to rate

Review must be at least 10 words

    Book preview

    Einführung in die numerische Strömungsmechanik - Karim Ghaib

    © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

    Karim GhaibEinführung in die numerische Strömungsmechanikessentialshttps://doi.org/10.1007/978-3-658-26923-4_1

    1. Mathematische Grundlagen

    Karim Ghaib¹  

    (1)

    Zwingenberg, Deutschland

    Karim Ghaib

    1.1 Differenzialrechnung für Funktionen von einer Variablen

    Die Strömungsmechanik beruht auf der Differenzialrechnung. In diesem und dem folgenden Abschnitt wird die Differenzialrechnung in kurzer Fassung beschrieben.

    Differenzierbarkeit einer Funktion

    Eine Funktion $$ f(x) $$ ist im Punkt $$ x_{0} $$ differenzierbar, wenn der Grenzwert

    $$ \mathop { \lim }\limits_{\Delta x \to 0} \left( {\frac{\Delta y}{\Delta x}} \right) = \mathop { \lim }\limits_{\Delta x \to 0} \left( {\frac{{f\left( {x_{0} + \Delta x} \right) - f\left( {x_{0} } \right)}}{\Delta x}} \right) $$

    (1.1)

    vorhanden ist.

    Man bezeichnet den Grenzwert als die erste Ableitung oder als der Differenzialquotient der Funktion $$ f\left( x \right) $$ an der Stelle $$ x_{0} $$ und kennzeichnet ihn durch $$ y^{\prime}\left( {x_{0} } \right) $$ , $$ f'\left( {x_{0} } \right) $$ oder $$ \left. {\frac{dy}{dx}} \right|_{{x = x_{0} }} $$ .

    Geometrisch kann man die Ableitung wie folgt interpretieren. Eine Sekante $$ S $$ wird durch die Punkte $$ P $$ und $$ Q $$ der Funktion $$ f(x) $$ festgelegt. Man stellt sich vor, $$ Q $$ wandert auf der Kurve der Funktion und strebt gegen $$ P $$ . Die Steigung von $$ S $$ geht so in die Steigung der Tangente $$ T $$ über. Die Ableitung der Funktion $$ f(x) $$ an der Stelle $$ x_{0} $$ ist demnach die Steigung der Tangente an die Kurve im Punkt $$ P $$ (Abb. 1.1).

    ../images/485918_1_De_1_Chapter/485918_1_De_1_Fig1_HTML.png

    Abb. 1.1

    Differenzenquotient als Sekantensteigung

    Rechenregeln bei der Differenziation

    Faktorenregel

    Ein konstanter Faktor $$ C $$ darf beim Differenzieren vorgezogen werden:

    $$ y = Cf\left( x \right) \Rightarrow y^{\prime} = Cf^{\prime}\left( x \right) $$

    (1.2)

    Summenregel

    Eine Summe von Funktionen darf gliedweise differenziert werden:

    $$ y = f_{1} \left( x \right) + \ldots + f_{n} \left( x \right) \Rightarrow y^{\prime} = f^{\prime}_{1} \left( x \right) + \ldots + f^{\prime}_{n} \left( x \right) $$

    (1.3)

    Produktregel

    Eine Funktion, die ich sich als Produkt von zwei Funktionen schreiben lässt, darf man differenzieren folgendermaßen:

    $$ y = u\left( x \right)v\left( x \right) \Rightarrow y^{\prime} = u^{\prime}\left( x \right)v\left( x \right) + u\left( x \right)v^{\prime}\left( x \right) $$

    (1.4)

    Quotientenregel

    Eine Funktion, die sich als Quotient zweier Funktionen darstellen lässt, darf man differenzieren wie folgt:

    $$ y = \frac{u\left( x \right)}{v\left( x \right)} \Rightarrow y^{\prime} = \frac{{u^{\prime}\left( x \right)v\left( x \right) - u\left( x \right)v^{\prime}\left( x \right)}}{{v^{2} \left( x \right)}} $$

    (1.5)

    Kettenregel

    Sind $$ y = f\left( u \right) $$ und $$ u = g\left( x \right) $$ differenzierbar, ist

    $$ y = f\left( {g\left( x \right)} \right) $$

    folgendermaßen differenzierbar:

    $$ y = f\left( {g\left( x \right)} \right) \Rightarrow y^{\prime} = f^{\prime}\left( {g\left( x \right)} \right).g^{\prime}\left( x \right) $$

    (1.6)

    Höhere Ableitungen

    Durch Differenzieren einer Funktion erhält man die erste Ableitung. Wenn die differenzierte Funktion wieder differenzierbar ist, erhält man aus ihr die 2. Ableitung:

    $$ y^{\prime\prime} = f^{\prime\prime}\left( x \right) = \frac{d}{dx}\left( {f^{\prime}\left( x \right)} \right) = \frac{d}{dx}\left( {\frac{dy}{dx}} \right) $$

    (1.7)

    Durch wiederholtes Differenzieren gelangt man zu den Ableitungen höherer Ordnung:

    $$ y^{\prime \prime \prime } = f^{\prime \prime \prime } \left( x \right) = \frac{d}{dx}\left( {f^{\prime \prime \left( x \right)} } \right) = \frac{d}{dx}\left( {\frac{{d^{2} y}}{{dx^{2} }}} \right) $$

    (1.8)

    $$ y^{n} = f^{n} \left( x \right) = \frac{d}{dx}\left( {f^{n - 1} \left( x \right)} \right) = \frac{d}{dx}\left( {\frac{{d^{n - 1} y}}{{dx^{n - 1} }}} \right) $$

    (1.9)

    Tangente und Normale

    Die Kurve in Abb. 1.2 sei durch die Funktion $$ y = f\left( x \right) $$ definiert. $$ P\left( {x_{0} ,y_{0} } \right) $$ sei ein Punkt auf der Kurve. Die Tangente in $$ P $$ besitzt die Gleichungen:

    ../images/485918_1_De_1_Chapter/485918_1_De_1_Fig2_HTML.png

    Abb. 1.2

    Tangente und Normale in einem Punkt einer Kurve

    $$ m_{t} = f^{\prime}\left( {x_{0} } \right) $$

    (1.10)

    $$ m_{t} = \frac{{y - y_{0} }}{{x - x_{0} }} $$

    (1.11)

    Somit gilt die Gleichung für die Tangente:

    $$ y = \left( {x - x_{0} } \right)f^{\prime}\left( {x_{0} } \right) + y_{0} $$

    (1.12)

    Die Normale in $$ P $$ verläuft senkrecht zur Tangente und besitzt daher das negative Reziproke der Tangentensteigung:

    $$ m_{n} = - \frac{1}{{m_{t} }} $$

    (1.13)

    Somit gilt die Gleichung für die Normale:

    $$ y = y_{0} - \frac{{x - x_{0} }}{{f^{\prime}\left( {x_{0} } \right)}} $$

    (1.14)

    1.2 Differenzialrechnung für Funktionen von mehreren Variablen

    Funktion von mehreren Variablen

    Unter einer Funktion von mehreren unabhängigen Variablen versteht man eine Funktionsvorschrift, die jedem $$ n $$ -Tupel ( $$ x_{1} $$ , $$ x_{2} $$ , …, $$ x_{n} $$ ) aus einer Menge $$ M $$ genau eine Zahl $$ z $$ aus einer Menge $$ N $$ zuordnet:

    $$ y = f(x_{1} ,x_{2} , \ldots ,x_{n} ) $$

    (1.15)

    Im Gegensatz zu Funktionen mit mehr als zwei Variablen lassen sich Funktionen zweier unabhängiger Variablen grafisch darstellen. Abb. 1.3 zeigt

    $$ z = x^{2} + y^{2} $$

    als Beispiel einer Funktion von mehreren Variablen. Die Fläche, die als Funktionsgraph bezeichnet wird, spiegelt einen Verlauf der Funktion wider.

    ../images/485918_1_De_1_Chapter/485918_1_De_1_Fig3_HTML.png

    Abb. 1.3

    Geometrische Darstellung der Funktion z = x² + y²

    Partielle Differenzierbarkeit einer Funktion

    Eine Funktion

    $$ f(x_{1} ,x_{2} , \ldots ,x_{n} ) $$

    ist im Punkt

    $$ \left( {x_{1p} ,x_{2p} , \ldots ,x_{np} } \right) $$

    partiell nach $$ x_{1} $$ differenzierbar, wenn die nur von $$ x_{1} $$ abhängige Funktion

    $$ f\left( {x_{1} ,x_{2p} , \ldots ,x_{np} } \right) $$

    den Grenzwert

    $$ \frac{\partial f}{{\partial x_{1} }}\left( {x_{1} ,x_{2} , \ldots ,x_{n} } \right) = \mathop { \lim }\limits_{{\Delta x_{1} \to 0}} \left( {\frac{{f\left( {x_{1p} + \Delta x_{1} ,x_{2p} , \ldots ,x_{np} } \right) - f\left( {x_{1p} ,x_{2p} , \ldots ,x_{np} } \right)}}{{\Delta x_{1} }}} \right) $$

    (1.16)

    besitzt. Man bezeichnet den Grenzwert als die partielle Ableitung der Funktion

    $$ f\left( {x_{1} ,x_{2} , \ldots ,x_{n} } \right) $$

    nach $$ x_{1} $$ im Punkt

    $$ \left( {x_{1p} ,x_{2p} , \ldots ,x_{np} } \right) $$

    .

    Zur Unterscheidung der partiellen Ableitung einer Funktion mehrerer Variablen von der Ableitung einer Funktion einer Variable verwendet man die Schreibweisen: $$ f_{{x_{1} }} $$ , $$ \frac{\partial f}{{\partial x_{1} }} $$ .

    Analog ist

    $$ f\left( {x_{1} ,x_{2} , \ldots ,x_{n} } \right) $$

    nach $$ x_{2} $$ im Punkt

    $$ \left( {x_{1p} ,x_{2p} , \ldots ,x_{np} } \right) $$

    partiell differenzierbar, wenn

    Enjoying the preview?
    Page 1 of 1