Sie sind auf Seite 1von 143

Grundlagen der

Numerischen Strömungsmechanik

Vorlesungsskript
Nikolaus Adams, Steffen Stolz, Philipp Schlatter,
Jörg Ziefle, Carlos Härtel, Leonhard Kleiser
Nomenklatur

Zeit t
räumliche Koordinaten (kartesisch) x, y, z
x1 , x2 , x3
x
Geschwindigkeiten u, v, w
u1 , u2 , u3
u
Wirbelstärke ω1 , ω2 , ω3
ω = rot u
Potential der Geschwindigkeit φ
u = grad φ
Schallgeschwindigkeit a  
a2 = ∂p p (id. Gas)
=γ̺
∂̺ s=const.
Dichte ̺
Druck p
Temperatur T
p
Entropie s = cv ln ̺γ

innere Energie e
Enthalpie h = e + p/̺
Totalenergie E = e + |u|2 /2
Totalenthalpie H = h + |u|2 /2

Wintersemester 2007/2008 (Version: 12/2012)


II

Vektor der Erhaltungsgrössen U = (̺, ̺u, ̺v, ̺w, ̺E)T


Vektoren der konvektiven Flüsse
(in x1 , x2 , x3 ) F , G, H
Vektoren der diffusiven (molekularen)
Flüsse (in x1 , x2 , x3 ) F d , Gd , H d

Wärmestrom qi = −κ ∂T
∂xi
q = −κ ∇T
Äussere Volumenkräfte fx , fy , fz
f1 , f2 , f3
f
Tensor der molekularen Spannungen τij
(s. Gleichungen) τ

Konstanten und Koeffizienten

Isentropenexponent γ
p
̺γ = const.
id. Gas: γ = cp /cv
Wärmeleitfähigkeit κ
dynamische Zähigkeit µ
µ
kinematische Zähigkeit ν= ̺
1
spezifische Wärme bei konstantem Volumen cv = γ−1 R
γ
spezifische Wärme bei konstantem Druck cp = γ−1 R

Gaskonstante R = cp − cv

Wintersemester 2007/2008 (Version: 12/2012)


III

Kennzahlen

Reynoldszahl Re
Machzahl Ma
Froudezahl Fr
c µ
Prandtlzahl Pr = pκ

Operatoren


Ableitung ∂j = ∂xj
2
Laplace-Operator ∆ = ∂x∂∂x = ∂j ∂j
j j

Gradient grad = (∂x , ∂y , ∂z )T



 
∂y uz − ∂z uy
Rotation rotu = ∂z ux − ∂x uz 
∂x uy − ∂y ux
Divergenz divφ = ∂x φ + ∂y φ + ∂z φ
p
Betrag eines Vektors |a| = a21 + a22 + a23

substantielle Ableitung im Geschw.feld u D ∂ ∂


Dt = ∂t + uj ∂xj

Mathematische Symbole

O() Landausches Ordnungssymbol a = O(x), x → x0


bedeutet: Es gibt eine
Konstante
a K, so dass
≤ K für x → x0 .
x

Wintersemester 2007/2008 (Version: 12/2012)


Inhaltsverzeichnis

1. Einführung 1
1.1. Vorbemerkung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Numerische Fluiddynamik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2. Grundgleichungen und abgeleitete Gleichungen 8


2.1. Navier-Stokes-Gleichungen und Euler-Gleichungen . . . . . . . . . . . . . . . 8
2.2. Laplace-Gleichung und Poisson-Gleichung . . . . . . . . . . . . . . . . . . . 10
2.3. Diffusionsgleichung und Grenzschichtgleichungen . . . . . . . . . . . . . . . 11
2.4. Advektionsgleichung und Wellengleichung . . . . . . . . . . . . . . . . . . . 12
2.5. Typklassifizierung partieller Differentialgleichungen . . . . . . . . . . . . . . 12
2.5.1. Elliptische partielle Differentialgleichungen . . . . . . . . . . . . . . . 16
2.5.2. Parabolische partielle Differentialgleichungen . . . . . . . . . . . . . . 18
2.5.3. Hyperbolische partielle Differentialgleichungen . . . . . . . . . . . . . 20

3. Diskretisierungsverfahren 28
3.1. Finite-Differenzen-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.1. Kompakte Finite-Differenzen-Verfahren . . . . . . . . . . . . . . . . 30
3.1.2. Modifizierte Wellenzahl . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.3. Finite-Differenzen-Verfahren für nicht-äquidistante Gitter . . . . . . . 33
3.2. Finite-Volumen-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3. Methode der gewichteten Residuen: Spektralverfahren . . . . . . . . . . . . . 35
3.3.1. Grundprinzip . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.2. Wahl der Gewichtsfunktionen . . . . . . . . . . . . . . . . . . . . . . 36
3.3.3. Wahl der Ansatzfunktionen . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.4. Pseudospektrale Auswertung der nichtlinearen Terme . . . . . . . . . 44
3.4. Finite-Elemente-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5. Eigenschaften und Analyse von Diskretisierungsverfahren . . . . . . . . . . . 50
3.5.1. Konsistenz und Konvergenz . . . . . . . . . . . . . . . . . . . . . . . 50
3.5.2. Stabilitätsbegriffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.3. Methoden zur Stabilitätsanalyse . . . . . . . . . . . . . . . . . . . . 58

4. Grundtypen von Lösungsverfahren 66


4.1. Hyperbolische Gleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.1.1. Wichtige Diskretisierungsschemata . . . . . . . . . . . . . . . . . . . 66
4.1.2. Analyse von Verfahren für lineare Gleichungen . . . . . . . . . . . . . 68
4.1.3. Nichtlineare Gleichungen und unstetige Lösungen . . . . . . . . . . . 74

Wintersemester 2007/2008 (Version: 12/2012)


V Inhaltsverzeichnis

4.2. Elliptische Gleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76


4.2.1. Iterative Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.2. Konvergenzbeschleunigung . . . . . . . . . . . . . . . . . . . . . . . 81
4.3. Parabolische Gleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

5. Berechnung inkompressibler Strömungen 89


5.1. Grundgleichungen in primitiven Variablen . . . . . . . . . . . . . . . . . . . . 89
5.2. Druckprojektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.3. Lösungsmethoden in primitiven Variablen . . . . . . . . . . . . . . . . . . . 91
5.3.1. Volldiskretisierte Gleichungen . . . . . . . . . . . . . . . . . . . . . . 92
5.3.2. Einflussmatrix-Methode . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.3.3. Zwischenschritt-Methode . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.4. Druckkorrektur-Methoden . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.5. Methode der künstlichen Kompressibilität . . . . . . . . . . . . . . . 95
5.4. Alternative Formulierungen der Bewegungsgleichung . . . . . . . . . . . . . . 95
5.4.1. Wirbelstärke-Vektorpotential-Formulierung . . . . . . . . . . . . . . . 96
5.4.2. Wirbelstärke-Geschwindigkeits-Formulierung . . . . . . . . . . . . . . 97

6. Turbulente Strömungen 98
6.1. Direkte Numerische Simulation . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.2. Reynolds-gemittelte Gleichungen und Turbulenzmodelle . . . . . . . . . . . . 101
6.2.1. Wirbelzähigkeitsmodelle (eddy-viscosity models) . . . . . . . . . . . . 102
6.2.2. Reynoldsspannungs-Modelle (Second-Order Closures) . . . . . . . . . 104
6.3. Grobstruktur-Simulation (Large-Eddy Simulation) . . . . . . . . . . . . . . . 104

7. Lagrangesche Methoden 108


7.1. Lattice-Boltzmann-Methoden - LBM . . . . . . . . . . . . . . . . . . . . . . 108
7.1.1. LBM für die 2D inkompressiblen Navier-Stokes-Gleichungen . . . . . 108
7.1.2. Analyse eines LBM-Verfahrens für die viskose Burgers -Gleichung . . 111
7.2. Smooth Particle Hydrodynamics . . . . . . . . . . . . . . . . . . . . . . . . 112

8. Übungsaufgaben 114
8.1. Rundungsfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.1.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.2. Typ von Differentialgleichungen . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.2.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.3. Fouriertransformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.3.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.4. Finite-Volumen-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.4.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.5. Finite-Elemente-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.5.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.6. Diskretisierungsverfahren für die Advektionsgleichung . . . . . . . . . . . . . 120
8.6.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

Wintersemester 2007/2008 (Version: 12/2012)


VI Inhaltsverzeichnis

8.6.2. Lösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121


8.7. Analyse von Finite-Differenzen-Verfahren . . . . . . . . . . . . . . . . . . . . 123
8.7.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.8. Lösungsverfahren für elliptische Gleichungen . . . . . . . . . . . . . . . . . . 126
8.8.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.9. Lösungsverfahren für parabolische Gleichungen . . . . . . . . . . . . . . . . . 127
8.9.1. Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

A. Matrix- und Vektor-Analysis 129


A.1. Vektor-Normen und Matrix-Normen . . . . . . . . . . . . . . . . . . . . . . 129
A.2. Normen für Funktionen und Gitterfunktionen . . . . . . . . . . . . . . . . . 131

B. Finite-Differenzen-Schemata 132
B.1. Finite-Differenzen-Verfahren zur Integration von gewöhnlichen Differential-
gleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
B.2. Finite-Differenzen-Schemata zur Diskretisierung von Ableitungsoperatoren . . 133
B.3. Finite-Differenzen-Schemata zur Diskretisierung der Advektionsgleichung . . . 135

Wintersemester 2007/2008 (Version: 12/2012)


1. Einführung
1.1. Vorbemerkung
In Fluiddynamik, Energie- und Verfahrenstechnik spielen Transport- und Austauschprozesse
eine grosse Rolle. Sie erscheinen in einer unüberschaubaren Vielfalt: Strömungen durch ein
Triebwerk, Verdampfung und Verbrennung von Treibstoff in einer Brennkammer, Mischen
von Komponenten in einem Rührkessel, Blutströmung in einem künstlichen Herzen, Kristall-
wachstum in einer Schmelze oder Bildung von Nanopartikeln in einem Flammreaktor sind
nur einige Beispiele.
Oft sind es Strömungsvorgänge, die den Austausch von Masse, Impuls und Energie durch
Konvektion und Diffusion bewerkstelligen. In anderen Fällen erfolgt der Transport durch
reine Diffusion oder Wärmeleitung. Phänomene wie Turbulenz, Oberflächenspannung, Kapil-
larität, Präsenz mehrerer Phasen, die Phasenübergänge Schmelzen/Erstarren und Verdamp-
fung/Kondensation, Strahlung, chemische Reaktionen (insbesondere Verbrennung), Massen-
kräfte, Fluid-Struktur-Wechselwirkung und viele mehr erfordern gegebenenfalls eine spezielle
Modellierung und können die theoretische Beschreibung wesentlich erschweren. Oft spielen
sich Phänomene gleichzeitig auf ganz unterschiedlichen Längen- und Zeitskalen ab. Zu der
dynamischen Komplexität der meist nichtlinear wechselwirkenden Phänomene kommt die
geometrische Komplexität der in der Praxis vorkommenden Konfigurationen.
Trotz des im Einzelfall hohen Schwierigkeitsgrads vieler Problemstellungen und erst un-
zureichend gelöster Probleme bei der Modellierung hat die numerische Berechnung oder Si-
mulation in der Energie- und Verfahrenstechnik heute bereits eine grosse Bedeutung erlangt,
die in der Zukunft noch weiter zunehmen wird. Grund dafür ist der dringende Bedarf nach
Analyse und Optimierung von Geräten und Prozessen in immer kürzerer Zeit und zu erträgli-
chen Kosten. Man erhofft sich von der numerischen Berechnung, wenn sie denn hinreichend
zuverlässig und effizient durchgeführt werden kann, grosse Vorteile im Vergleich zu einer
Entwicklung allein auf der Basis von Laborexperimenten oder gar aufwendigen Grossanlagen.
Die mathematische Formulierung der Aufgabenstellungen führt wie in der Numerischen
Fluiddynamik oft auf ein System partieller Differentialgleichungen, das zusammen mit Rand-
und ggf. Anfangsbedingungen gelöst werden muss. Dabei gibt es drei wichtige Grundtypen
von Vorgängen, die anhand einfacher Modellgleichungen studiert werden können und sich in
ihrer mathematischen Klassifikation unterscheiden:

• Konvektive Transportvorgänge
(Modell: Advektions- oder Wellengleichung; hyperbolischer Typ)

• Diffusive Vorgänge
(Modell: Wärmeleitungsgleichung; parabolischer Typ)

Wintersemester 2007/2008 (Version: 12/2012)


2 1 Einführung

• Gleichgewichtszustände nach Abklingen von Transienten


(Modell: Laplace- oder Poissongleichung; elliptischer Typ).

Vor diesem Hintergrund befasst sich diese Vorlesung mit einer Einführung in die Methoden
zur numerischen Lösung der genannten Grundaufgaben. Wir nehmen dabei meist Bezug auf
Fragestellungen der Fluiddynamik oder des Wärmetransports. Die besprochenen Methoden
sind jedoch universell und für eine Vielzahl von Problemen der Energie- und Verfahrenstechnik
einsetzbar.
Kapitel 2 der Vorlesung rekapituliert die Grundgleichungen und ihre Typklassifizierung, die
wichtig ist für die mathematisch sachgemässe Formulierung des zu lösenden Problems. So-
dann werden in Kapitel 3 die wesentlichen Diskretisierungsmethoden eingeführt. Der Schwer-
punkt liegt dabei auf den klassischen Differenzenverfahren. Besonderer Wert wird gelegt auf
den Stabilitätsbegriff. In Kapitel 4 werden dann speziell für die einzelnen Gleichungstypen
(hyperbolisch, elliptisch und parabolisch) geeignete Differenzenverfahren besprochen. Itera-
tive Verfahren zur Lösung diskretisierter elliptischer Gleichungen werden eingeführt. Kapitel
5 befasst sich mit der Berechnung inkompressibler Strömungen, wo sich spezielle Fragen
stellen bei der Behandlung der Kontinuitätsgleichung und der damit zusammenhängenden
Druckberechnung. Kapitel 6 gibt schliesslich eine Übersicht über verschiedene Ansätze zur
Modellierung der Turbulenz, die bei Strömungsberechnungen nicht selten ein grosses Problem
darstellt.

1.2. Numerische Fluiddynamik


Die Numerische Fluiddynamik (engl. Computational Fluid Dynamics, CFD) befasst sich mit
der Berechnung von Strömungen auf der Basis der grundlegenden Erhaltungsgleichungen
der Fluiddynamik. Diese Erhaltungsgleichungen werden numerisch diskretisiert und mit Hilfe
eines Computers näherungsweise gelöst. Neben analytischer Theorie und dem Experiment
stellt die Numerische Fluiddynamik heute eine eigenständige Methode zur Erforschung und
Vorhersage von Strömungsvorgängen dar, die sich seit etwa 1970 rasch entwickelt und heute
eine zentrale Bedeutung gewonnen hat, in der Forschung ebenso wie in praktischen Anwen-
dungen. Diese Entwicklung schreitet weiter rasch voran. Gründe dafür liegen zum einen in
dem seit mehreren Jahrzehnten anhaltenden exponentiellen Wachstum der verfügbaren Rech-
nerleistungen, siehe Bild 1.1. Der weltweit schnellste Grossrechner leistete Anfang 2003 ca.
70 Tflop/s nominelle Spitzenleistung und ca. 30 Tflop/s für Anwendungsprogramme. Man
rechnet bis zum Ende dieses Jahrzehnts mit Leistungen von 1Pflop/s (1015 flop/s). Wenn
auch dem einzelnen Ingenieur an seinem Arbeitsplatz nur ein Bruchteil einer solch extremen
Spitzenleistung zur Verfügung steht, steigt die für ihn verfügbare Leistung (z.B. ca. 1 Gflop/s
auf einem Laptop) doch mit derselben Geschwindigkeit an. Ebenso bedeutend ist aber auch
die Verbesserung der numerischen Techniken, siehe Bild 1.2.
Ein wesentlicher Grund für den Einsatz von CFD in der industriellen Praxis liegt darin,
dass CFD wesentlich schneller und kostengünstiger ist als etwa herkömmliche Verfahren,
die sich auf Laborexperimente mit eigens angefertigten Modellen abstützen. Geometrische
Konfigurationen und Strömungsparameter können in der Simulation leicht variiert werden.

Wintersemester 2007/2008 (Version: 12/2012)


3 1 Einführung

Abbildung 1.1.: Entwicklung der Rechnerleistung in flop/s (floating point operations per se-
cond). N=1: Rechenleistung des weltweit schnellsten installierten Rechners,
N=500: Rechenleistung des 500-schnellsten installierten Rechners, SUM:
Summe der 500 schnellsten Rechner (siehe http://www.top500.org/)

Abbildung 1.2.: Entwicklung der Effizienz von numerischen Verfahren (aus [Sch99])

Es lassen sich oft auch Parameterbereiche erschliessen, die sich im Labor gar nicht realisieren
lassen.
Berechnungen dreidimensionaler, reibungsbehafteter Strömungen in realistischen Konfi-
gurationen sind heute möglich geworden, wobei aber noch wesentliche Einschränkungen
gemacht werden müssen. CFD nach dem heutigen Stand ist immer noch keine ausgereif-
te Technologie, sondern ein Handwerk“, dessen sachgerechte Ausübung viel Verständnis

und Erfahrung erfordert, und zwar gleichermassen für die Strömungsvorgänge wie auch für
die numerischen Methoden. Die Anwendung der Numerischen Fluiddynamik für komple-
xe Strömungsprobleme ist notorisch schwierig, und es gibt noch gravierende grundlegende
Probleme zu lösen. Dementsprechend sind die Ergebnisse heutiger praktischer Strömungsbe-
rechnungen oft noch unsicher.
Es gibt mehrere Ursachen für die Schwierigkeiten mit CFD. Zum einen liegen sie an un-
vollkommenen theoretisch/mathematischen Modellen für wesentliche Strömungsphänomene
oder die Strömung beeinflussenden Prozesse, z. B.

Wintersemester 2007/2008 (Version: 12/2012)


4 1 Einführung

• Turbulenzmodellierung, inbesondere bei Strömungen mit Ablösung, Drall, laminar-


turbulentem Übergang oder Instationarität

• Mehrstoff- und Mehrphasenströmungen

• Strömungen mit chemischen Reaktionen (z. B. Verbrennung)

und viele mehr. Zum anderen gibt es auch numerisch-technische Probleme:

• Gittererzeugung

• Effizienz und Robustheit der iterativen Lösungsverfahren

• Der erforderliche Aufwand: Insbesondere bei dreidimensionalen (3-D) und erst recht
bei instationären Problemen können die verfügbaren Ressourcen (Speicher, Rechenzeit)
schnell um Grössenordnungen überstiegen sein.

Zwar gibt es heute vielfältige, auch kommerziell erhältliche CFD-Software, doch kann diese
in der Regel nicht einfach im Sinn von black-box tools“ eingesetzt werden. Das Wissen

um den sachgerechten Einsatz von CFD-Software ist das eigentliche Know-How“ eines

Anwenders. Solches Erfahrungswissen wird auch teilweise bereits systematisch gesammelt
und publiziert, siehe [ERC] und [QNE].

Zur numerischen Lösung eines Strömungsproblems sind grundsätzlich mehrere Schritte


notwendig, von der Definition des Problems bis hin zu der Auswertung der Ergebnisse. In
Abbildung 1.3 sind schematisch die wichtigsten Aufgaben dargestellt. Diese werden im fol-
genden näher erläutert.

• Definition des Strömungsproblems


Als erstes muss das Strömungsproblem genau definiert werden. Hierbei müssen die
Geometrie, die Randbedingungen, ggf. Anfangsbedingungen und die Parameter fest-
gelegt werden. Experimentelle Erkenntnisse beziehungsweise Erfahrungen aus beste-
henden numerischen Simulationen geben Aufschluss, welche Strömungsphänomene zu
erwarten sind und in Betracht gezogen werden müssen.

• Physikalische Modellierung
Gewisse Eigenschaften des Fluids, insbesondere die Schubspannungen, müssen model-
liert werden. Häufig wird für die Schubspannungen ein Newtonscher Ansatz verwen-
det, d. h. die Schubspannung ist proportional zur Scherrate und die Viskosität ist eine
Stoffgrösse des Fluids. Für komplexere Fluide wie Polymere, Suspensionen, etc. müssen
jedoch deren rheologische Eigenschaften berücksichtigt werden. Das Verhalten solcher
Fluide ist Gegenstand der Forschung in der Rheologie [Böh81]. Die Stoffgrössen wie
Viskosität, Wärmeleitfähigkeit, etc. hängen im allgemeinen von Druck und Tempera-
tur ab. Für viele Strömungsprobleme kann diese Abhängigkeit allerdings vernachlässigt
oder mit einfachen Gesetzen beschrieben werden.

Wintersemester 2007/2008 (Version: 12/2012)


5 1 Einführung

Experimenteller Einbli k

Physikalis hes Stromungsproblem


physikalis he Modellierung
Erfahrung / Optimierung

Physikalis hes Modell


mathematis he Modellierung

Mathematis hes Modell


Diskretisierung

Algebrais hes Glei hungssystem


Algorithmisierung

Losungsalgorithmus
Programmierung

Re henprogramm
Finitisierung, Re hnung

Numeris he L
osung

Fehlerabs hatzung Validierung

Sensibilitatsanalyse
Auswertung

Stromungsphysikalis hes Ergebnis

Abbildung 1.3.: Schritte zur numerischen Lösung eines Strömungsproblems

Bei reibungsbehafteten Strömungen unter Verwendung des Newtonschen Schubspan-


nungsansatzes spricht man von den Navier-Stokes-Gleichungen. Für Strömungen, bei
denen Reibung eine untergeordnete Rolle spielt, z. B. im ferneren Aussenbereich bei der
Umströmung eines Körpers, kann die Reibung (Schubspannungen) vernachlässigt wer-
den. In diesem Falle löst man die Euler-Gleichungen. Für drehungsfreie und reibungs-
freie Strömungen kann man die Gleichungen weiter vereinfachen und die Strömung mit
Hilfe eines Potentials beschreiben.
Für kleine Strömungsgeschwindigkeiten im Verhältnis zur Schallgeschwindigkeit, d. h.
für kleine Mach-Zahlen Ma, kann das Fluid als inkompressibel und die Dichte ρ
als konstant angenommen werden. Im Falle grösserer Mach-Zahlen, insbesondere für
Strömungsgeschwindigkeiten nahe der oder grösser als die Schallgeschwindigkeit, ist
eine kompressible Beschreibung unter Berücksichtigung der Energiegleichung und Zu-
standsgleichung erforderlich.
Man beobachtet grundsätzlich verschiedene Strömungsformen, z. B. laminare, tran-
sitionelle und turbulente Strömungen. Insbesondere für die Berechnung turbulenter

Wintersemester 2007/2008 (Version: 12/2012)


6 1 Einführung

Strömungen müssen in der Regel modifizierte Gleichungen mit entsprechenden Mo-


dellen zur Behandlung der Turbulenz verwendet werden, wie z. B. Reynolds-gemittelte
Navier-Stokes-Gleichungen (Reynolds-Averaged Navier-Stokes Equations, RANS) oder
gefilterte Gleichungen für die Grobstruktursimulation (Large-Eddy Simulation, LES).
Aufwendiger, und nur für einfache modellhafte Strömungsprobleme bei niedrigen
Reynoldszahlen durchführbar, sind Direkte Numerische Simulationen (Direct Nume-
rical Simulations, DNS), bei denen alle turbulenten Skalen aufgelöst werden und kein
Turbulenzmodell notwendig ist.

• Mathematische Modellierung
Das physikalische Modell muss mathematisch formuliert werden. Dafür sind passende
Grundgleichungen heranzuziehen, zum Beispiel im Falle inkompressibler Strömungen
die inkompressiblen Navier-Stokes-Gleichungen (Massen- und Impulserhaltung) für die
Strömungsgeschwindigkeiten und den Druck. Insgesamt besteht das mathematische
Modell in der Regel aus einem Anfangs-Randwert-Problem für ein nichtlineares Sy-
stem von partiellen Differentialgleichungen für die Strömungsgrössen (Geschwindigkei-
ten, Druck, Dichte usw.) mit stoffabhängigen Parametern oder Zusatzbedingungen.
Die sachgemässe Formulierung des mathematischen Modells erfordert besondere Auf-
merksamkeit.

• Diskretisierung
Für die numerische Lösung muss ein endliches Rechengebiet definiert und dieses ge-
gebenenfalls auf ein einfacher zu behandelndes Gebiet transformiert werden. In die-
sem Rechenbereich wird ein Gitter erzeugt, auf dem die zunächst kontinuierlichen
Gleichungen näherungsweise diskret gelöst werden. Dazu sind die Grundgleichungen
mit einem geeigneten numerischen Verfahren, z. B. Finite-Differenzen- oder Finite-
Volumen-Verfahren, zu diskretisieren. Man erhält so ein grosses, i. a. nichtlineares al-
gebraisches Gleichungssystem für die diskretisierten Grössen. In Abhängigkeit von der
Gitterfeinheit kann das Gleichungssystem sehr gross werden (bis zu vielen Millionen
von Unbekannten).

• Lösungsverfahren
Das aus der Diskretisierung erhaltene Gleichungssystem muss mit Hilfe eines Algorith-
mus entweder direkt, oder iterativ bis zum Erreichen eines Abbruchkriteriums, nähe-
rungsweise gelöst werden. Um eine effiziente Berechnung zu ermöglichen, muss die
Auswahl der Algorithmen auf die einzusetzende Rechnerarchitektur abgestimmt wer-
den.

• Programmierung
Vor der eigentlichen Programmierung des gesamten numerischen Prozesses ist ein Kon-
zept (Programmstruktur) festzulegen. Aufgrund der grossen Menge an zu speichernden
Daten (oft Gigabytes bis Terabytes) ist es wichtig, eine passende Datenstruktur sowohl
für Daten im Hauptspeicher als auch für auf Massenspeichern (Festplatte, Band, etc.)
zu speichernde Daten zu verwenden.

Wintersemester 2007/2008 (Version: 12/2012)


7 1 Einführung

• Finitisierung, Rechnung
Die Darstellung der reellen Zahlen mit einer finiten Menge an Maschinenzahlen und
das Abbrechen von unendlichen Reihen durch endlich viele Auswertungen (etwa zur
Repräsentation elementarer Funktionen) kann man unter dem Begriff Finitisierung zu-
sammenfassen. Insbesondere kommt hier der Einfluss von Rundungsfehlern ins Spiel.
Die eigentliche Berechnung kann je nach Grösse des Problems, gewählten Modellen,
Lösungsverfahren und Rechnerleistung für einfache Fälle in wenigen Sekunden erledigt
sein oder aber bis zu mehreren Stunden oder gar Monaten dauern.

• Fehlerabschätzung
Die Analyse der numerischen Fehler bei der Diskretisierung, Algorithmisierung und
Finitisierung gibt Anhaltspunkte dafür, wie genau die numerische Lösung die exak-
te Lösung des mathematischen Modells approximiert. Die Approximation kann durch
Verfeinerung des Gitters oder unter Umständen durch Änderungen im numerischen
Verfahren verbessert werden. Realistische Fehlerabschätzungen sind aber in der Regel
sehr schwierig.

• Validierung
Die Validierung eines neu entwickelten Berechnungsprogramms und einer spezifischen
numerischen Lösung erfolgt durch den Vergleich mit Referenzlösungen, mit analyti-
schen Lösungen von Testproblemen, mit Ergebnissen anderer Codes und/oder mit
Ergebnissen aus Experimenten. Falls notwendig, muss das mathematische Modell und
das Lösungsverfahren angepasst oder korrigiert werden.

• Auswertung und Analyse


Die Auswertung der numerischen Lösung erfolgt entweder parallel zur Ausführung des
Programms (mitlaufend) oder in einem nachgeschalteten Schritt ( post-processing“

der gespeicherten Daten). Oft sind statistische Grössen wie Mittelwerte und turbu-
lente Fluktuationen von Interesse. Falls die Ergebnisse nicht im Gültigkeitsbereich der
physikalischen Modelle liegen, sind die Modelle dem Problem anzupassen und das
Strömungsproblem ist mit geänderten physikalischen Modellen erneut zu simulieren.
Ein Beispiel hierfür wäre, dass das Modell für die Schubspannung, respektive die Vis-
kosität, nur in einem eingeschränkten Temperaturbereich gültig ist, jedoch die Lösung
ausserhalb dieses Bereichs liegt.

[Böh81] G. Böhme. Strömungsmechanik nicht-newtonscher Fluide. Teubner, Stuttgart,


1981.

[ERC] ERCOFTAC. Best Practice Guidelines for Industrial Computational Fluid Dynamics.
http://www.ercoftac.org.

[QNE] QNET-CFD. QNET-CFD Network Newsletter. http://www.qnet-cfd.net.

[Sch99] M. Schäfer. Numerik im Maschinenbau. Springer, Berlin, 1999.

Wintersemester 2007/2008 (Version: 12/2012)


2. Grundgleichungen und abgeleitete
Gleichungen
Im folgenden werden die Grundgleichungen der Fluiddynamik und einige häufiger benutzte
abgeleitete Gleichungen zusammengestellt. Zur Herleitung wird auf die Literatur verwie-
sen [TAP97, SK80, KC02]. Ferner werden Aussagen zur Typklassifizierung partieller Diffe-
rentialgleichungen wiedergegeben, die für die sachgemässe mathematische Formulierung von
Strömungsproblemen wichtig sind.

2.1. Navier-Stokes-Gleichungen und Euler-Gleichungen


Man bezeichnet die differentiellen Erhaltungsgesetze für Masse, Impuls und Energie für ein
Newtonsches Fluid mit einem linearen Ansatz für die Schubspannungen und für die Wärme-
leitung (Ansatz von Fourier) oft auch generell als Navier-Stokes-Gleichungen. Manchmal
wird diese Bezeichnung auch im engeren Sinn lediglich für die Impulserhaltungsgleichun-
gen verwendet. Die kompressiblen Navier-Stokes-Gleichungen lassen sich in kompakter Form
schreiben als
∂U ∂(F − F d ) ∂(G − Gd ) ∂(H − H d )
+ + + = f , (2.1)
∂t ∂x1 ∂x2 ∂x3
wobei mit xi die Koordinatenrichtungen bezeichnet werden. In (2.1) sind folgende Definitio-
nen verwendet:

Vektor der Erhaltungsgrössen

U = (̺, ̺u, ̺v, ̺w, ̺E)T , (2.2a)

konvektiver Fluss in x1

F = (̺u, ̺u2 + p, ̺uv, ̺uw, u(E + p))T , (2.2b)

konvektiver Fluss in x2

G = (̺v, ̺vu, ̺v 2 + p, ̺vw, v(E + p))T , (2.2c)

konvektiver Fluss in x3

H = (̺w, ̺wu, ̺wv, ̺w2 + p, w(E + p))T , (2.2d)

Wintersemester 2007/2008 (Version: 12/2012)


9 2 Grundgleichungen und abgeleitete Gleichungen

diffusiver Fluss in x1
P3
F d = (0, τ11 , τ21 , τ31 , k=1 uk τk1 − q1 )T , (2.2e)

diffusiver Fluss in x2
P3
Gd = (0, τ12 , τ22 , τ32 , k=1 uk τk2 − q2 )T , (2.2f)

diffusiver Fluss in x3
P3
H d = (0, τ13 , τ23 , τ33 , k=1 uk τk3 − q3 )T , (2.2g)

volumenspezifische Massenquelle oder -senke, volumenspezifische Massenkraft,


volumenspezifische Energiequelle oder -senke

f . (2.2h)

Mit ρ wird die Dichte bezeichnet, mit u der Geschwindigkeitsvektor (u, v, w), mit E =
(e + u2 /2) die Totalenergie, e ist die massenspezifische innere Energie.
Zwischen den thermodynamischen Zustandsgrössen bestehen folgende Beziehungen:

Zustandsgleichung des thermisch idealen Gases


p
= RT , (2.3a)
̺
Zustandsgleichung des kalorisch idealen Gases cv = 0

e = cv T . (2.3b)

Für den Spannungstensor eines Newtonschen Fluids gilt unter Annahme der Stokes’schen
Hypothese:
  2
τ = µ ∇u + (∇u)T − µ div u I . (2.4a)
3
Für den Wärmeleitungsvektor gilt der Ansatz (nach Fourier)

q = −κ ∇T , (2.4b)
wobei mit κ die Wärmeleitfähigkeit bezeichnet wird.
Wenn keine Quellterme vorhanden sind, und man ausserdem die Reibung vernachlässigen
kann (z. B. für Strömungen mit sehr hoher Reynoldszahl in einiger Entfernung von festen
Wänden), kann man (2.1) vereinfachen zu den sogenannten Eulergleichungen

∂U ∂F ∂G ∂H
+ + + = 0. (2.5)
∂t ∂x1 ∂x2 ∂x3

Wintersemester 2007/2008 (Version: 12/2012)


10 2 Grundgleichungen und abgeleitete Gleichungen

Wenn man an Ausbreitungen von kleinen Störungen eines gegebenen Grundzustandes


interessiert ist, kann man (2.5) um diesen Zustand linearisieren. Bezeichnet man den Grund-
zustand als u0 = 0, p0 , ρ0 , die Störgrössen als u′ , p′ , ρ′ , dann erhält man (hier für eine
Raumdimension) die linearisierten Eulergleichungen

∂̺′ ∂u′
+ ̺0 =0 (2.6a)
∂t ∂x
∂u′ 1 ∂p′
+ =0 (2.6b)
∂t ̺0 ∂x
1 ∂p′ γ ∂̺′
− =0. (2.6c)
p0 ∂t ̺0 ∂t
Man erhält aus diesen Gleichungen ausserdem eine Wellengleichung für die Geschwindig-
keitsfluktuation
∂ 2 u′ p0 ∂ 2 u′
− γ =0. (2.7)
∂t2 ̺0 ∂x2
Wenn die substantielle Ableitung der Dichte Dρ/Dt = ∂ρ∂t + u∇ρ = 0 ist, d. h. die Dichte
eines Fluidpartikels sich entlang seiner Bahn nicht ändert, spricht man von einer inkom-
pressiblen Strömung. Nimmt man weiterhin die Stoffeigenschaften ν und κ als konstant an,
vereinfacht sich (2.1) zu
∇u = 0 (2.8a)
Du 1
= − ∇p + ν ∆u + f (2.8b)
Dt ̺
DT κ
= ∆T (2.8c)
Dt ̺cp
mit dem Wärmeübergangskoeffizienten κ/(̺cp ). Man beachte, dass nicht notwendigerweise
∇ρ = 0. In einem inkompressiblen Fluid behält lediglich jedes Fluidelement seine Dichte
bei. Konvektion und Diffusion von Wärme wird durch Gleichung (2.8c) beschrieben, welche
über das Geschwindigkeitsfeld u und ggf. in f enthaltene Auftriebskräfte mit (2.8a), (2.8b)
gekoppelt ist. Die Gleichungen (2.8a) und (2.8b) können jedoch unabhängig von (2.8c)
berechnet werden.

2.2. Laplace-Gleichung und Poisson-Gleichung


Eine weitere Vereinfachung der Bewegungsgleichungen wird erreicht, wenn man eine (bis
auf isolierte Punkte oder Kurven) drehungsfreie, reibungsfreie und barotrope Strömung an-
nimmt. In diesem Falle ist die Geschwindigkeit gleich dem Gradienten eines Potentialfeldes,
u = ∇Φ (Potentialströmung). Für Φ erhält man eine Form der Bernoulli-Gleichung für ein
kompressibles Fluid Z
∂Φ 1 2 dp
+ |∇Φ| + = g(t) . (2.9)
∂t 2 ̺

Wintersemester 2007/2008 (Version: 12/2012)


11 2 Grundgleichungen und abgeleitete Gleichungen

Nimmt man an, dass ∇u = 0 (inkompressibel), erhält man die Potentialgleichung

∆Φ = 0 . (2.10)

Für den Fall einer kompressiblen, stationären Strömung kann man die um eine konstante
Anströmung U∞ linearisierte Potentialgleichung für Störungen φ herleiten
∂2φ ∂2φ
(1 − Ma2∞ ) + 2 =0, (2.11)
∂x2 ∂y
p
wobei Ma∞ = U∞ / γp∞ /ρ∞ die Machzahl der Anströmung für ein ideales Gas ist.
Beachte, dass Gleichung (2.11) je nach Ma∞ den Gleichungstyp wechseln kann (siehe auch
Abschnitt 2.5):

Elliptischer Typ: Ma∞ < 1 (Unterschallströmung)

Hyperbolischer Typ: Ma∞ > 1 (Überschallströmung) .

Offenbar sind die Laplace-Gleichung

∆φ = 0 (2.12)

und die Poisson-Gleichung


∆φ = h (2.13)
von grosser Bedeutung für die Fluiddynamik. Die Lösung der Poisson-Gleichung ist ein wich-
tiger Bestandteil von Lösungsalgorithmen für die inkompressiblen Navier-Stokes-Gleichungen
(siehe Abschnitt 5). Diese Gleichungen sind vom elliptischen Typ.

2.3. Diffusionsgleichung und Grenzschichtgleichungen


Gleichungen, welche Ausgleichs- oder Diffusionsprozesse beschreiben, sind meist vom para-
bolischen Typ. Beispiele sind die Wärmeleitungsgleichung
∂T κ 2
= ∇ T (2.14)
∂t ρcp
mit der Wärmeleitfähigkeit κ und die Stofftransportgleichung mit dem Fickschen Gesetz für
die Diffusion
∂cA
= DAB ∇2 cA , (2.15)
∂t
worin cA die Konzentration des Stoffes A ist und DAB den Diffusionskoeffizienten des Stoffes
A durch den Stoff B bezeichnet.
Für den Grenzfall Re → ∞ kann man die Prandtlschen Grenzschichtgleichungen herleiten.
Sie lauten im stationären Fall (hier um die Temperaturgleichung (2.16d) erweitert angegeben)
∂u ∂v
+ =0 (2.16a)
∂x ∂y

Wintersemester 2007/2008 (Version: 12/2012)


12 2 Grundgleichungen und abgeleitete Gleichungen

∂p
=0 (2.16b)
∂y
∂u ∂u 1 ∂p ∂2u
u +v =− +ν 2 (2.16c)
∂x ∂y ̺ ∂x ∂y
∂T ∂T κ ∂2T
u +v = . (2.16d)
∂x ∂y ̺cp ∂y 2

2.4. Advektionsgleichung und Wellengleichung


Werden die Eulergleichungen (2.5) ohne Druckgradient mit u0 6= 0 linearisiert, bekommt
man für die Impulsgleichung
∂u′ ∂u′
+ u0 =0, (2.17)
∂t ∂x
die sogenannte Advektionsgleichung. Diese Gleichung ist von eminenter Bedeutung als
Testgleichung für numerische Verfahren zur Lösung der Euler- oder der Navier-Stokes-
Gleichungen. Die Wellengleichung für die Ausbreitung von Fluktuationen einer Grösse q in
einem ruhenden Medium wurde bereits in (2.7) angegeben. Man kann sie allgemein schreiben
als
∂2q 2
2∂ q
− a =0, (2.18)
∂t2 ∂x2
wobei a die Ausbreitungsgeschwindigkeit der Wellenlösung dieser Gleichung ist.

2.5. Typklassifizierung partieller Differentialgleichungen


Man definiert ein sachgemäss gestelltes Problem für ein System von (i.a. partiellen) Diffe-
rentialgleichung folgendermassen.

Definition 1. Ein System von Differentialgleichungen und die dazugehörigen Zusatzbedin-


gungen (Rand- und Anfangsbedingungen) konstituieren ein (im mathematischen Sinne) sach-
gemäss gestelltes Problem (engl. well-posed problem), wenn die folgenden drei Bedingungen
erfüllt sind:

(1) Es existiert eine Lösung.

(2) Die Lösung ist eindeutig.

(3) Die Lösung hängt stetig von den Anfangs- und Randdaten ab.

Wenn die sachgemässe Stellung eines Problems untersucht werden soll, ist es erforder-
lich, den Typ der zugrundeliegenden Differentialgleichung zu bestimmen. Dieser entscheidet
darüber, wie Anfangs- bzw. Randbedingungen sachgemäss zu stellen sind.

Wintersemester 2007/2008 (Version: 12/2012)


13 2 Grundgleichungen und abgeleitete Gleichungen

Lineare partielle Differentialgleichung erster Ordnung


Betrachten wir zunächst die lineare partielle Differentialgleichung erster Ordnung für eine
skalare Grösse u(x, t)
∂u ∂u
A +B =C . (2.19)
∂t ∂x
Wählt man eine Parametrisierung s einer Kurve in der (x, t)-Ebene, also x = x(s), t = t(s),
so erhält man für die Ableitung von u entlang der Kurve
du ∂u dt ∂u dx
= + . (2.20)
ds ∂t ds ∂x ds
Wählt man z. B. als Parametrisierung der Kurve die Variable t, so geht (2.20) über in

du ∂u ∂u dx
= + . (2.21)
dt x(t) ∂t ∂x dt

Vergleicht man die Gleichung (2.21) mit der Ausgangsgleichung (2.19), so findet man, dass
wenn
dx B
= (2.22a)
dt A
ist, auch
du C
= (2.22b)
dt x(t) A
gilt. Die Ableitung dx/dt definiert die charakteristische Kurve oder Charakteristik x(t) der
Gleichung (2.19). Die partielle Differentialgleichung 1. Ordnung, Gl. (2.19), wurde somit in
ein System von zwei gewöhnlichen Differentialgleichungen 1. Ordnung (2.22) überführt.

Lineare partielle Differentialgleichung zweiter Ordnung


Wir betrachten nun die lineare partielle Differentialgleichung zweiter Ordnung für u(x, y) in
den zwei unabhängigen Variablen x, y

∂2u ∂2u ∂2u


A + B + C +H = 0. (2.23)
∂x2 ∂x∂y ∂y 2

In Gleichung (2.23) sind A, B, C gegebene Koeffizienten, der Term H enthält alle Differen-
tiale, deren Ordnung kleiner als zwei ist. Sei nun durch yc (x) eine Kurve in der (x, y)-Ebene
gegeben, deren Steigung dyc/dx = λ beträgt. Differenziert man die partiellen Ableitungen
(∂u/∂x) und (∂u/∂y) längs dieser Kurve, so ergibt sich nach Kettenregel:

d(∂u/∂x) ∂2u ∂2u


= + λ (2.24a)
dx ∂x2 ∂x∂y

d(∂u/∂y) ∂2u ∂2u


= + λ. (2.24b)
dx ∂x∂y ∂y 2

Wintersemester 2007/2008 (Version: 12/2012)


14 2 Grundgleichungen und abgeleitete Gleichungen

Mit Hilfe dieser beiden Beziehungen lassen sich die Terme (∂ 2 u/∂x2 ) und (∂ 2 u/∂y 2 ) in
Gleichung (2.23) eliminieren, und man erhält
  
∂2u  2  d(∂u/∂x) d(∂u/∂y)
Aλ − Bλ + C − A +H λ+C = 0. (2.25)
∂x∂y dx dx

Wird die Kurve yc (x) derart gewählt, dass ihre Steigung λ die quadratische Gleichung

Aλ2 − Bλ + C = 0 (2.26)

erfüllt, so reduziert sich (2.25) auf


 
d(∂u/∂x) d(∂u/∂y)
A +H λ+C = 0. (2.27)
dx dx

Die aus den beiden Lösungen λ1,2 von (2.26) entstehenden Kurvenscharen yc1,2 (x) werden die
Charakteristiken der Gleichung (2.25) genannt. Die partielle Differentialgleichung (2.23) kann
durch die Einführung dieser Charakteristiken in ein System von zwei gekoppelten gewöhn-
lichen Differentialgleichungen für (∂u/∂x) und (∂u/∂y) längs der Kurven yc (x) überführt
werden. Anhand der Charakteristiken lässt sich die Typunterscheidung der Differentialglei-
chung (2.23) vornehmen.

Definition 2. Die partielle Differentialgleichung zweiter Ordnung (2.23) ist

(1) hyperbolisch, wenn zwei reelle Charakteristiken existieren (B 2 − 4AC > 0)

(2) parabolisch, wenn eine reelle Charakteristik existiert (B 2 − 4AC = 0)

(3) elliptisch, wenn die Charakteristiken komplex sind (B 2 − 4AC < 0).

System linearer partieller Differentialgleichungen erster Ordnung


Wir betrachten nun das System linearer partieller Differentialgleichungen erster Ordnung in
den zwei Variablen x, y mit n × n-Matrizen A, B

∂u ∂u
A + B =c. (2.28)
∂x ∂y

Gegeben sei eine Kurve f (x, y) = 0 in der (x, y)-Ebene mit der Parametrisierung s, also
x = x(s), y = y(s). Dann erhält man für die Ableitung von u entlang dieser Kurve

du ∂u dx ∂u dy
= + . (2.29)
ds ∂x ds ∂y ds

Wählt man als Parametrisierung der Kurve s = x, so geht das System (2.29) entlang der
Kurve f (x, y) = 0 über in
du ∂u dy ∂u
= + . (2.30)
dx f ∂x dx f ∂y

Wintersemester 2007/2008 (Version: 12/2012)


15 2 Grundgleichungen und abgeleitete Gleichungen

Das Differentialgleichungssystem (2.28) wird dann



∂u du
(B − λA) = −A +c , (2.31)
∂y dx f

wobei
dy
λ= .
dx f
Man sucht nun nach solchen Kurven, in deren Umgebung die Lösung u nicht eindeutig durch
die Kenntnis von u entlang der Kurve bestimmt ist. Das ist der Fall, wenn mit der Kenntnis
von du/dx|f der Wert von ∂u/∂y nicht eindeutig aus Gleichung (2.31) bestimmt werden
kann. Aus Gleichung (2.31) erkennt man, dass dies der Fall ist, wenn λ so gewählt wird, dass

Det(B − λA) = 0 . (2.32)

Dann hat Gleichung (2.31) entweder beliebig viele Lösungen oder keine Lösung, je nach
Beschaffenheit der rechten Seite.
Die Kurven f (x, y) = 0 mit dy/dx = λ nennt man die Charakteristiken des Sy-
stems (2.28), wenn Gleichung (2.32) erfüllt ist. Infolge der Unbestimmtheit von ∂u/∂y
nach Gleichung (2.31) entlang der Charakteristiken kann die Lösung u eine Unstetigkeit über
eine Charakteristik hinweg aufweisen. Eine Charakteristik kann daher zum Beispiel einen Be-
reich mit konstanter Lösung von einem Bereich mit einer nichtkonstanten Lösung trennen.
Dieses Verhalten einer Lösung nennt man hyperbolisch. Lösungen von hyperbolischen Glei-
chungen haben Wellencharakter, d. h. sie verhalten sich qualitativ ähnlich zu der Lösung der
Wellengleichung.
Die Ordnung der charakteristischen Gleichung (2.32) entspricht der Dimension n der Ko-
effizientenmatrizen, es gibt also n Eigenwerte.

Definition 3. Man unterscheidet für die Gleichung (2.28) folgende Fälle und definiert auf-
grund der Eigenwerte von Gleichung (2.32):

(1) Es gibt n reelle Eigenwerte und n linear unabhängige Eigenvektoren. Dann nennt
man (2.28) hyperbolisch.

(2) Es gibt n reelle Eigenwerte und weniger als n linear unabhängige Eigenvektoren. Dann
nennt man (2.28) parabolisch.

(3) Es gibt n komplexe (nicht reelle) Eigenwerte. Dann nennt man (2.28) elliptisch.

(4) Wenn reelle und komplexe Eigenwerte vorliegen, dann ist (2.28) vom gemischten Typ.
Sei z. B. n = 3 und λ1 = 1, λ2 = i, λ3 = −i, dann ist (2.28) vom Typ gemischt
hyperbolisch/elliptisch.

Lösungen elliptischer Gleichungen sind in der Regel stetig. Sie haben keinen Ausbreitungs-
charakter, sondern Potentialcharakter, d. h. eine lokale Störung wirkt sich sofort im ganzen
Lösungsgebiet aus. Parabolische Gleichungen haben Wärmeleitungscharakter, stellen also
einen ausgleichenden, nicht wellenartigen Ausbreitungsprozess dar.

Wintersemester 2007/2008 (Version: 12/2012)


16 2 Grundgleichungen und abgeleitete Gleichungen

Wenn das auftretende partielle Differentialgleichungssystem quasilinear ist, d. h. wenn A


und B ausser von x und y auch von u (aber nicht von den Ableitungen von u) abhängen, dann
überträgt man obige Überlegung unmittelbar, indem man nur die Lösung in einer Umgebung
eines Punktes (x, y) betrachtet (man linearisiert das Gleichungssystem). λ wird dann im
allgemeinen eine Funktion von u. Die Klassifikation entspricht unmittelbar derjenigen für
lineare Systeme aus Definition 3.
In den folgenden Abschnitten betrachten wir elliptische, parabolische und hyperbolische
Differentialgleichungen und ihre Anfangs- und Randbedingungen.

2.5.1. Elliptische partielle Differentialgleichungen


Statische physikalische Phänomene können oft durch elliptische Differentialgleichungen be-
schrieben werden. Die wichtigsten Beispiele elliptischer Differentialgleichungen in zwei Di-
mensionen sind die Poisson-Gleichung
∂2u ∂2u
+ 2 =f (2.33)
∂x2 ∂y
und die Laplace-Gleichung oder Potentialgleichung
∂2u ∂2u
+ 2 =0. (2.34)
∂x2 ∂y
Die Lösungen der Laplace-Gleichung bezeichnet man auch als harmonische Funktionen oder
Potentialfunktionen (siehe Funktionentheorie). In zwei Dimensionen sind die Lösungen der
Laplace-Gleichung gegeben durch die Realteile (oder Imaginärteile) analytischer Funktionen
der komplexen Variable z = x + iy.
x2

o) G

G G

∂G
C
CW
n
x1

Abbildung 2.1.: Definitionsbereich G mit Rand ∂G.

Folgende Typen von Randbedingungen können auf dem Rand ∂G oder auf Abschnitten
des Randes vorgeschrieben werden, wobei in jedem Randpunkt genau eine Randbedingung
vorgeschrieben sein muss (siehe Figur 2.1):
Dirichlet-Randbedingung
u|∂G = gD (x, y), (2.35)

Wintersemester 2007/2008 (Version: 12/2012)


17 2 Grundgleichungen und abgeleitete Gleichungen

Neumann-Randbedingung
∂u
= gN (x, y), (2.36)
∂n ∂G

Robin-Randbedingung (gemischte Randbedingung)


 
∂u
+ αu = gR (x, y) . (2.37)
∂n ∂G

Um eine physikalische Analogie zu Hilfe zu nehmen, kann man sich vorstellen, Glei-
chung (2.33) beschreibe eine Temperaturverteilung, die sich unter dem Einfluss der Wärme-
quellen oder -senken f und der Randtemperatur g1 oder des Wärmeflusses g2 über den Rand
bei stationären Randbedingungen nach langer Zeit einstellt.
Wird nur eine Neumann-Randbedingung vorgeschrieben, dann erfordert die Existenz einer
Lösung, dass die Integrabilitätsbedingung
Z Z
f dV = gN dS (2.38)
G ∂G

erfüllt ist (Beweis mit dem Gauss’schen Integralsatz). Ausserdem ist die Lösung u dann nur
bis auf eine additive Konstante bestimmt. Man kann diese Beobachtungen mithilfe der phy-
sikalischen Analogie so verstehen, dass Wärmequellen in G so mit dem Wärmefluss über den
Rand im Gleichgewicht stehen müssen, dass eine stationäre Temperaturverteilung existiert.
Wenn nur Wärmequellen und der Wärmefluss über den Rand gegeben sind, dann kann die
Temperaturverteilung in G nur bis auf eine Konstante bestimmt sein.
Ein Merkmal der Lösungen u elliptischer Gleichungen ist, dass u glatter ist als f oder
gD , gN , gR : z. B. wenn f ∈ C s , dann ist u ∈ C s+2 für eine Gleichung zweiter Ordnung.
Lösungen der Laplace-Gleichung sind sogar beliebig oft differenzierbar (f ∈ C s bedeutet,
dass f s-mal stetig differenzierbar ist).
Alle oben genannten Randbedingungen erzeugen im allgemeinen gutmütige“ Lösungen

auch für allgemeinere elliptische Differentialgleichungen in der Nähe von glatten Abschnitten
der Berandung. In Randpunkten, in denen der Typ der Randbedingung wechselt, oder in
denen die Berandung nicht glatt ist, können sich Singularitäten in der Lösung bzw. ihren
Ableitungen ausbilden.
Für lineare elliptische Differentialgleichungen zweiter Ordnung gilt ein Maximumprinzip:
betrachtet man die Poisson-Gleichung (2.33), und erfüllt u die Bedingung

∂2u ∂2u
+ 2 ≥0
∂x2 ∂y
auf einem beschränkten Bereich G, dann nimmt u sein Maximum auf dem Rand ∂G an. Dies
ist eine Verallgemeinerung der Aussage, dass eine Funktion u(x) einer Variablen mit u′′ (x) >
0 auf einem abgeschlossenen Intervall ihr Maximum an einem Intervallende annimmt.

Wintersemester 2007/2008 (Version: 12/2012)


18 2 Grundgleichungen und abgeleitete Gleichungen

2.5.2. Parabolische partielle Differentialgleichungen


Ausgleichsvorgänge werden in der Physik oft durch parabolische Differentialgleichungen be-
schrieben. Die Wärmeleitungsgleichung ist das wichtigste Beispiel:

∂u ∂2u
=b 2 , (2.39)
∂t ∂x
wobei b = κ/(ρcp ) eine positive Konstante ist. Die Lösung des reinen Anfangswertproblems
für (2.39) auf dem unendlichen Intervall −∞ < x < ∞ veranschaulicht wichtige allgemeine
Eigenschaften der Lösungen parabolischer Gleichungen. Sie wird erhalten durch Separation
der Variablen und lautet
Z +∞
1 2 bt
u(x, t) = √ e|−ξ
{z
iξx
} û0 (ξ) e dξ , (2.40)
2π −∞
Dämpfungsterm

worin û0 (ξ) die Fouriertransformierte der Anfangsbedingung u(x, 0) = u0 (x) ist und ξ die
Wellenzahl (Fourier-Dualvariable). Offenbar wird die Fouriertransformierte û(ξ) mit t → ∞
exponentiell gedämpft, und zwar umso stärker, je grösser ξ 2 ist. Kurzwellige Lösungsanteile
(mit grosser Wellenzahl ξ) klingen also zeitlich schnell ab, sie werden dissipiert“. Dasselbe

kann man auch erkennen, wenn man die Fouriertransformation in (2.40) invertiert, wodurch
man erhält Z +∞
1 ′ 2
u(x, t) = √ e−(x−x ) /(4bt) u0 (x′ )dx′ . (2.41)
4πbt −∞
Zum Verhalten der Lösung für wachsendes t siehe Abbildung 2.2. Man erkennt anhand

0.3

t=1

0.2

0.1

t=5

-10 -5 0 5 10

Abbildung 2.2.: Lösung von (2.39) mit b = 1 und der Anfangsbedingung u0 (x) = δ(x)
(Dirac’sche δ-Funktion) zu den Zeiten t = 1 und t = 5.

von (2.40) und (2.41), dass u(x, t) ∈ C ∞ auf der Halbebene IR × (0, ∞).

Wintersemester 2007/2008 (Version: 12/2012)


19 2 Grundgleichungen und abgeleitete Gleichungen

o)S
S
x2

o)G

x1

Abbildung 2.3.: Definitionsbereich G mit Rand ∂G.

Für ein endliches x-Intervall benötigt ein korrekt gestelltes Problem eine Anfangsbedingung
u(x, 0) = u0 (x) (2.42a)
auf G und jeweils eine Randbedingung auf dem im Endlichen gelegenen Rand ∂Z des Zy-
linders Z = G × [0, tmax ] (siehe Abbildung 2.3). Die Randbedingungen können in Dirichlet-,
Neumann- oder Robin-Formulierung gegeben sein, es muss aber eine Verträglichkeitsbedin-
gung der Anfangs- und Randbedingungen erfüllt sein
 
∂u
+ αu = g(x, t)|∂S (2.42b)
∂n ∂S
und  
∂u0
+ αu0 = g(x, 0) . (2.42c)
∂n ∂G
Ein weiteres Beispiel einer parabolischen Differentialgleichung ist die Advektions-
Diffusions-Gleichung
∂u ∂u ∂2u
+a = b 2 , a, b konstant, b > 0 . (2.43)
∂t ∂x ∂x
Sie dient oft als Modellgleichung zum Studium von numerischen Verfahren zur Strömungs-
berechnung (vgl. Advektionsgleichung), da sie die beiden dafür wesentlichen Terme (Advek-
tionsterm und Reibungs- oder Diffusionsterm) enthält. Mittels der Transformation
ξ := x − at , w(ξ, t) := u(ξ + at, t)
kann (2.43) auf die Wärmeleitungsgleichung
∂w ∂2w
=b 2 (2.44)
∂t ∂ξ

Wintersemester 2007/2008 (Version: 12/2012)


20 2 Grundgleichungen und abgeleitete Gleichungen

in einem mit der konstanten Geschwindigkeit a bewegten Koordinatensystem zurückgeführt


werden.
Es gilt auch hier ein Maximumprinzip: die Lösung einer linearen homogenen parabolischen
Differentialgleichung 2. Ordnung, betrachtet auf dem beschränkten Gebiet (x, t) ∈ [a, b] ×
[0, T ], nimmt ihr Maximum auf den Linien t = 0, x = a, x = b an. Entsprechendes gilt für
das Minimum.

2.5.3. Hyperbolische partielle Differentialgleichungen


Hyperbolische partielle Differentialgleichungen beschreiben Ausbreitungsvorgänge mit Wel-
lencharakter, bei denen keine Diffusion auftritt. Wichtige Beispiele sind:
(1) Lineare Advektionsgleichung:
∂u ∂u
+a =0 , a = const.
∂t ∂x

(2) Wellengleichung:
∂2u 2
2 ∂ u
− b = 0 , b = const.
∂t2 ∂x2
(3) Lineares Differentialgleichungssystem:
∂ ∂
u+A u=0,
∂t ∂x
wobei die n × n-Matrix A n reelle Eigenwerte hat.

(4) Nichtlineare Differentialgleichung der Form:


∂u ∂f (u)
+ =0
∂t ∂x
(Erhaltungssatz, engl. conservation law ), z. B. die Burgers-Gleichung mit

u2
f (u) = .
2

Reines Anfangswertproblem für die lineare Advektionsgleichung


Das Anfangswertproblem (auch Cauchy-Problem genannt) lautet
∂u ∂u
+a = 0 , u(x, 0) = u0 (x) , − ∞ < x < +∞ (2.45)
∂t ∂x
Mit der Anfangsbedingung ergibt sich die Lösung der Differentialgleichung sofort als

u(x, t) = u0 (x − at) . (2.46)

Man erkennt, dass sich die Lösung des Anfangswertproblems (AWP) entlang der Charakteri-
stiken x = x+at mit der Advektionsgeschwindigkeit a verschiebt, siehe Bild 2.4. Desweiteren

Wintersemester 2007/2008 (Version: 12/2012)


21 2 Grundgleichungen und abgeleitete Gleichungen

x = x + at
u

x x

Abbildung 2.4.: Lösung der linearen Advektionsgleichung mittels Charakteristiken

hängt die Lösung nur von der Variablen ξ = x − at ab. Führt man wieder die Variablentrans-
formation
ξ := x − at , w(ξ, t) := u(ξ + at, t) = u0 (ξ)
durch, ergibt sich für die zeitliche Änderung von w bei festem ξ

∂w ∂u ∂u
= +a =0. (2.47)
∂t ξ ∂t ∂x

Die Lösung u(x, t) ist also konstant auf den Charakteristiken ξ = const. Durch Vergleich
mit der Advektionsgleichung (2.45) erhält man die gewöhnlichen Differentialgleichungen

dx
=a, x(t = 0) = x
dt Ch

und
du
=0, u(t = 0) = u0 (x) ,
dt
mit den Lösungen
x(t) = x + at , u(t) = u0 (x) .
Bemerkungen zum reinen Anfangswertproblem für die lineare Advektionsgleichung:

(1) Wenn die Anfangsverteilung stetig ist, dann ist die Lösung überall stetig.

(2) Unstetigkeiten können sich für eine lineare Advektionsgleichung nur entlang der Cha-
rakteristiken ausbreiten.

Anfangs-Randwert-Problem für die lineare Advektionsgleichung


Betrachten wir nun das Anfangs-Randwert-Problem (ARWP) für die lineare Advektionsglei-
chung auf einem endlichen Bereich,
∂u ∂u
+a =0, x0 ≤ x ≤ x1 (2.48)
∂t ∂x

Wintersemester 2007/2008 (Version: 12/2012)


22 2 Grundgleichungen und abgeleitete Gleichungen

x = x0 + at

x0 x1 x
RB
AB
Abbildung 2.5.: Charakteristiken für das ARWP zur linearen Advektionsgleichung mit a > 0.
An den schraffierten Rändern ist die Lösung vorzuschreiben.

mit der Anfangsbedingung

u(x, 0) = u0 (x) , x0 ≤ x ≤ x1 .

Im Falle a > 0 ist die Randbedingung am linken Rand vorzugeben,

u(x0 , t) = g(t)

. Die Gleichung der Charakteristiken ist wieder



dx
=a,
dt Ch

und es gilt du/dt = 0 entlang der Charakteristiken (siehe Figur 2.5). Die Lösung lautet
(
u0 (x − at) x ≥ x0 + at
u(x, t) = x−x0
g(t − a ) x < x0 + at .

Im Falle a < 0 (linkslaufende Charakteristiken) wären die Randbedingungen analog am


rechten Rand x = x1 vorzuschreiben.

Lineares Differentialgleichungssystem
Wir betrachten das lineare System von zwei partiellen Differentialgleichungen
     
∂ u1 a b ∂ u1
+ =0 (2.49)
∂t u2 b a ∂x u2

für 0 ≤ x ≤ 1. Die Eigenwerte der Koeffizientenmatrix ergeben sich als λ± = a ± b. Dieses


System kann man durch Einführen der charakteristischen Variablen

w+ = u1 + u2 , w− = u1 − u2

Wintersemester 2007/2008 (Version: 12/2012)


23 2 Grundgleichungen und abgeleitete Gleichungen

in zwei entkoppelte skalare Gleichungen in den charakteristischen Variablen w+ , w−


überführen:
∂w+ ∂w+
+ (a + b) =0 (2.50a)
∂t ∂x
∂w− ∂w−
+ (a − b) =0. (2.50b)
∂t ∂x
Entlang der Charakteristiken Ch+

dx dw+
=a+b gilt =0,
dt dt
entsprechend entlang der Charakteristiken Ch−

dx dw−
=a−b , =0.
dt dt
Damit das ARWP sachgemäss gestellt ist, muss auf jedem Rand die Anzahl der Randbe-
dingungen gleich der Anzahl der dort in das Gebiet eintretenden Charakteristiken sein. Im
Fall 0 < b < a laufen beide Charakteristiken Ch+ und Ch− nach rechts. In diesem Fall sind
beide Komponenten der Lösung, u1 und u2 , am linken Rand x = 0 vorzuschreiben, während
am rechten Rand x = 1 keine Vorgabe gemacht werden darf.
In dem im weiteren betrachteten Fall 0 < a < b läuft die Charakteristik Ch+ nach rechts
und Ch− nach links, siehe Abbildung 2.6. Also braucht man auf jedem der beiden Ränder
genau eine Randbedingung, die so formuliert sein muss, dass die Lösung im Gebiet 0 ≤ x ≤ 1
eindeutig ist.

Ch+

Ch-

x
x=0 x=1

Abbildung 2.6.: Anfangs- (AB) und Randbedingungen für das ARWP mit 0 < a < b.
RB+AB für Ch+ ; RB+AB für Ch− ;  RB in x = 0; • RB
in x = 1;  AB.

Das ARWP mit 0 < a < b ist mit Randbedingungen der Form

w+ (0, t) = α0 (t)w− (0, t) + β0 (t) f ür x = 0 (2.51a)

Wintersemester 2007/2008 (Version: 12/2012)


24 2 Grundgleichungen und abgeleitete Gleichungen

und
w− (1, t) = α1 (t)w+ (1, t) + β1 (t) f ür x = 1 (2.51b)
sachgemäss gestellt. Die Koeffizienten α0 (t) und α1 (t) können Konstanten oder Funktionen
der Zeit sein. Betrachten wir zum Beispiel den Fall mit der Randbedingung für u1 am linken
Rand x = 0
1
u1 (0, t) = β0 (t) (2.52a)
2
und der Randbedingung für u2 am rechten Rand x = 1
1
u2 (1, t) = β1 (t) . (2.52b)
2
Die entsprechenden Randbedingungen für die charakteristischen Variablen w+ = u1 + u2
und w− = u1 − u2 lauten

w+ (x = 0) = u1 (0, t) + u2 (0, t) = −w− (x = 0) + β0 (t) (2.53a)

sowie
w− (x = 1) = u1 (1, t) − u2 (1, t) = +w+ (x = 1) − β1 (t) . (2.53b)

Nichtlineare Differentialgleichung
Die bereits erwähnte Differentialgleichung (Erhaltungssatz)

∂u ∂
+ f (u) = 0 (2.54)
∂t ∂x
mit einer nichtlinearen, differenzierbaren Funktion f (u) kann stets auch in der quasilinearen
Form
∂u ∂u
+ f ′ (u) =0 (2.55)
∂t ∂x
geschrieben werden. Die Anfangsbedingung sei u(x, 0) = u0 (x). Die Wellengeschwindigkeit

a(u) := f ′ (u)

hängt nun von der Lösung u ab. Charakteristiken x(t) werden analog wie im linearen Fall
definiert durch
dx
= a(u(x, t)) , x(t = 0) = x . (2.56)
dt
Die Lösung u entlang einer Charakteristik ist wieder konstant, wie man durch Betrachtung
der Zeitfunktion
v(t) := u(x(t), t)
und Berücksichtigung von (2.55) erkennt:

dv dx ∂u ∂u ∂u ∂u
= · + = + f ′ (u) =0.
dt dt ∂x ∂t ∂t ∂x

Wintersemester 2007/2008 (Version: 12/2012)


25 2 Grundgleichungen und abgeleitete Gleichungen

Es folgt, dass die Charakteristiken (2.56) auch in diesem nichtlinearen Fall Geraden sind,

x(t) = x + f ′ (u0 (x)) · t, (2.57)

deren Steigung durch die Anfangsdaten bestimmt ist. Abhängig von den Anfangsdaten kann
es vorkommen, dass sich Charakteristiken nach einer endlichen Zeit t = tb schneiden: die Ein-
deutigkeit der Lösung geht dann verloren, die Welle bricht“, es bildet sich eine Unstetigkeit

(Stoss).
Ein Beispiel für die Burgers-Gleichung mit f (u) = u2 /2 und stückweiser linearer Anfangs-
verteilung u0 (x) ist in Abbildung 2.7 gezeigt. In diesem speziellen Fall schneiden sich die in
dem x-Intervall mit du0 /dx < 0 startenden Charakteristiken alle gleichzeitig zu einer Zeit
t = tb .

t u(x,tb)

tb
x

u(x,0)

0
x x

Abbildung 2.7.: Anfangsverteilung, Charakteristiken und Ausbildung einer Unstetigkeit in der


Lösung der Burgers-Gleichung nach endlicher Zeit tb .

Abhängigkeits- und Einflussbereich


Charakteristisch für eine hyperbolische Gleichung zweiter Ordnung oder ein System von
hyperbolischen Differentialgleichungen in den Variablen x, t ist, dass die Lösung u(x, t) in
einem Punkt (x, t) nur von den Werten in einem endlichen x-Intervall zu einem gewählten
Anfangszeitpunkt t < t abhängt. Dieser Bereich wird als Abhängigkeitsbereich des Punktes
(x, t) bezeichnet (Bild 2.8). Der Bereich der x − t−Ebene, welcher von der Lösung im
Punkt (x, t) beeinflusst wird, heisst Einflussbereich des Punktes (x, t). Abhängigkeitsbereich
und Einflussbereich werden durch die durch (x, t) gehenden Charakteristiken beschrnkt. Für
mehr als zwei unabhängige Variable gilt dies analog, der Abhängigkeitsbereich wird dann der
Schnitt zum Anfangszeitpunkt durch einen sogenannten Monge-Kegel, der Einflussbereich
ist ebenfalls ein Monge-Kegel. Im Fall der linearen Euler-Gleichungen spricht man auch vom
Mach-Kegel.

Wintersemester 2007/2008 (Version: 12/2012)


26 2 Grundgleichungen und abgeleitete Gleichungen

Einflussbereich

t P(x,t)

Abhangigkeitsbereich

0
x x

Abbildung 2.8.: Abhängigkeits- und Einflussbereich eines Punktes P (x, t).

Wintersemester 2007/2008 (Version: 12/2012)


27 2 Grundgleichungen und abgeleitete Gleichungen

[KC02] P. K. Kundu and I. M. Cohen. Fluid Mechanics. Academic Press, 2nd edition, 2002.

[SK80] H. Schade and E. Kunz. Strömungslehre. de Gruyter, 1980.

[TAP97] J. C. Tannehill, D. A. Anderson, and R. H. Pletcher. Computational Fluid Dynamics


and Heat Transfer. Taylor & Francis, Washington, London, 2nd edition, 1997.

Wintersemester 2007/2008 (Version: 12/2012)


3. Diskretisierungsverfahren
Die numerische Lösung von Strömungsproblemen erfordert eine Diskretisierung des Berech-
nungsgebietes und der Erhaltungsgleichungen. Für die erstgenannte Thematik der Gitterge-
nerierung wird auf die einschlägige Literatur verwiesen. Einige wichtige Methoden für die
Diskretisierung der Erhaltungsgleichungen werden in diesem Kapitel behandelt. Schliesslich
werden allgemeine Grundbegriffe von Diskretisierungsverfahren wie Konvergenz, Konsistenz
und Stabilität diskutiert, siehe dazu [LeV07].

3.1. Finite-Differenzen-Verfahren
Bei Finite-Differenzen-Verfahren werden Ableitungen einer Funktion u(x) in einem Punkt xi
mit Hilfe von Funktionswerten uj = u(xj ) auf einem diskreten Gitter mit der, wenn nicht an-
ders vermerkt, als konstant angenommenen Gitterweite h an der Stelle xj in der Umgebung
des Punktes xi approximiert. Formeln zur Approximation von Ableitungen lassen sich durch
Taylorentwicklungen herleiten. Für reine Anfangswertprobleme definiert man das Rechengit-
ter oft einfach als xj = jh mit j = . . . , −2, −1, 0, 1, 2, . . .. Funktionen wie uj = u(xj ), die
nur auf den Gitterpunkten xj definiert sind, nennt man Gitterfunktionen. Die nachfolgend
definierten Operatoren D− , D+ und D0 sind Approximationen für die 1. Ableitung von u,

′ ∂u
Dui ≈ u (xi ) = .
∂x xi
Man spricht von einem Differenzenschema n-ter Ordnung, wenn für den Approximationsfehler
gilt (jeweils für den Grenzübergang h → 0):
Dui − u′ (xi ) = O(hn ) ,
d. h. der Fehler geht gegen Null mit der n-ten Potenz von h.

D− : Linksseitiges Differenzenschema erster Ordnung:


ui − ui−1
D− ui := = u′ (xi ) + O(h) (3.1)
h
D+ : Rechtsseitiges Differenzenschema erster Ordnung:
ui+1 − ui
D+ ui := = u′ (xi ) + O(h) (3.2)
h
D0 : Zentrales Differenzenschema zweiter Ordnung:
ui+1 − ui−1
D0 ui = = u′ (xi ) + O(h2 ) . (3.3)
2h

Wintersemester 2007/2008 (Version: 12/2012)


29 3 Diskretisierungsverfahren

Beispiel 1. Approximationsfehler für das zentrale Differenzenschema zweiter Ordnung


  u(xi + h) − u(xi − h) ∂u
D0 u − u′ xi
= − (3.4)
2h ∂x xi
Mit der Taylorreihe für u um xi ergibt sich

∂u 1 2 ∂ 2 u 1 3 ∂ 3 u
u(xi + h) = u(xi ) + h + h + h + ...
∂x xi 2 ∂x2 xi 6 ∂x3 xi
∂u 1 ∂ 2 u 1 ∂ 3 u
u(xi − h) = u(xi ) − h + h2 2 − h3 3 + . . .
∂x xi 2 ∂x xi 6 ∂x xi
und damit der Approximationsfehler
  1 ∂ 3 u
D0 u − u′ xi
= h2 3 + . . . = O(h2 ). (3.5)
6 ∂x xi
Das zentrale Differenzenschema ist 2. Ordnung in h, d. h. der Fehler der Approximation wird
4 mal kleiner, wenn h halbiert wird.

Der Ableitungsoperator D kann als Matrix geschrieben werden. Es gilt damit für die Vek-
toren der Ableitungs- bzw. Stützstellenwerte:

u′num = D u. (3.6)

Die Matrix D ist für Finite-Differenzen-Verfahren i. A. (ohne Betrachtung von Randbedin-


gungen) eine Bandmatrix.
Die Differenzenapproximationen (3.1) - (3.3) lassen sich als Sekantensteigungen interpre-
tieren, siehe Abb. 7.1. Abb. 3.2 und Tabelle 3.1 zeigen Beispiele für den typischen Verlauf des
Fehlers der Approximation von Dui ≈ u′ (xi ). Man erkennt, dass der Fehler beim Verfahren
2. Ordnung bei Reduzierung der Schrittweite h schneller abnimmt.

h D+ D− D0
0.1 −4.2939 · 10−2 4.1138 · 10−2 −9.0005 · 10−4
0.05 −2.1257 · 10−2 2.0807 · 10−2 −2.2510 · 10−4
0.025 −1.0574 · 10−2 1.0462 · 10−2 −5.6280 · 10−5
0.0125 −5.2732 · 10−3 5.2451 · 10−3 −1.4070 · 10−5

Tabelle 3.1.: Fehler der verschiedenen Finite-Differenzen-Approximationen von u′ (xi ).

Weitere Finite-Differenzen-Schemata sind in Anhang B.1 angegeben. Besonders wichtig


sind die zentralen Differenzenschemata für die zweite Ableitung.

Wintersemester 2007/2008 (Version: 12/2012)


30 3 Diskretisierungsverfahren

u(x)
u
D+ui

D0ui

D−ui

x
xi−h xi xi+h

Abbildung 3.1.: Verschiedene Approximationen von u′ (xi ) interpretiert als


Sekantensteigungen.
−1
10
D+
Dui − u′ (xi )

D−
−2
10

−3
10

D3
D0
−4
10

10
1/h 100

Abbildung 3.2.: Fehler für D0 ui , D+ ui und D− ui dargestellt über 1/h in einem doppeltlo-
garithmischen Diagramm.

3.1.1. Kompakte Finite-Differenzen-Verfahren


Bei den Standard-Finite-Differenzen-Verfahren erzielt man eine Erhöhung der Genauigkeit
(Ordnung) des Verfahrens dadurch, dass man die Anzahl der benutzten Punkte zur Berech-
nung der Ableitung erhöht. Dadurch erhält man bei der Diskretisierung von Differentialglei-
chungen weitere Nebendiagonalen in der Ableitungsmatrix, was wiederum zu Problemen an
den Rändern, insbesondere Wänden, des Rechenbereichs führt.
Bei kompakten Finite-Differenzen-Verfahren, auch Padé-Verfahren genannt, hängen die
Werte der Ableitungen u′num von den Funktionswerten u in allen Punkten ab. Dies wird

Wintersemester 2007/2008 (Version: 12/2012)


31 3 Diskretisierungsverfahren

mittels einer impliziten Formulierung der Ableitungen in der Form


A · u′ num = B · u (3.7)
ermöglicht. Ein einfaches zentrales Schema 4. Ordnung ist gegeben durch
1 ′ 2 1 ui+1 − ui−1
u + u′ + u′ = . (3.8)
6 i−1,num 3 i,num 6 i+1,num 2h
Die Ableitungsmatrizen A und B sind in diesem Fall tridiagonal, während ein Standard-
Finite-Differenzen-Verfahren 4. Ordung eine pentadiagonale Ableitungsmatrix aufweist, sie-
he Gl. (B.11). Tridiagonale lineare Gleichungssysteme können besonders effizient (Aufwand
O(N )) mit dem Thomas-Algorithmus gelöst werden; für pentadiagonale Systeme gibt es
ebenfalls effiziente Lösungsmethoden.

3.1.2. Modifizierte Wellenzahl


Eine einfache und aufschlussreiche Möglichkeit, die Genauigkeit eines Finite-Differenzen-
Verfahrens zu analysieren, ist das Prinzip der modifizierten Wellenzahl oder Fourier-Analyse.
Man betrachtet hierzu eine einzelne Fouriermode einer mit 2π periodischen Funktion u(x),
u(x) = ûeiξx , (3.9)
mit der Wellenzahl ξ und der (im allgemeinen komplexen) Amplitude û. Die erste Ableitung
nach x ist gegeben durch
u′ (x) = iξ ûeiξx . (3.10)
Eine numerische Approximation der Ableitung an xj wird ebenso mittels einer Fouriermode
dargestellt,
Duj = ûDeiξx =: iξ̃ ûeiξx . (3.11)
Unter Verwendung von h = 2π/N (N sei die Anzahl der Gitterpunkte) ergibt sich z.B. für ein
Finite-Differenzen-Verfahren für Duj die modifizierte Wellenzahl ξ̃ dieses Verfahrens durch
Deiξx
ξ̃(ξ) = −i . (3.12)
eiξx
˜ = ξ.
Für eine exakte Differentiation ist also ξ(ξ)
Beispiel 2. Zentrale Differenzen 2. Ordnung für die 1. Ableitung:
Einsetzen von Gl. (3.9) in das Differenzenschema ergibt
u(xj + h) − u(xj − h) û  iξ(xj +h) 
D0 uj = = e − eiξ(xj −h)
2h 2h

= ûD0 eikx = i sin ξh .
h
(3.13)
Aus Gln. (3.10) und (3.12) erhält man desweiteren
˜
ξ(ξ)h = sin (ξh)
Oft ersetzt man ξ ′ = ξh, ξ˜′ = ξ̃h und erhält somit ξ˜ = sin ξ .

Wintersemester 2007/2008 (Version: 12/2012)


32 3 Diskretisierungsverfahren

Beispiel 3. Analog findet man für das kompakte zentrale Differenzenschema 4. Ordnung
mit Gl. (3.9)
u′ (xj + h) + u′ (xj − h) 2u′ (xj ) u(xj + h) − u(xj − h)
+ = ⇒
6 3  2h
1 iξh 2 û  iξh 
iξ̃ û (e + e−iξh ) + = e − e−iξh .
6 3 2h
Die modifizierte Wellenzahl ist dann
3 sin ξ ′
ξ˜′ = .
cos ξ ′ + 2

0.8π

0.6π
ξ̃h
0.4π

0.2π

0
0 0.2π 0.4π 0.6π 0.8π π
ξh
Abbildung 3.3.: Modifizierte Wellenzahl zentraler Finite-Differenzen-Schemata;
explizites Verfahren 2. Ordnung, explizites Verfahren 4. Ordnung
und kompaktes Verfahren 4. Ordnung, exakte Differentiation.

Die modifizierte Wellenzahl für das explizite zentrale Finite-Differenzen-Schema 2. und 4.


Ordnung nach Gleichungen (B.10) bzw. (B.11) sowie für das kompakte Finite-Differenzen-
Schema nach Gl. (3.8) ist in Abbildung 3.3 dargestellt. Die Abweichung von ξ˜ von der exakten
Differentiation ξ˜ = ξ ist ein Mass für den Diskretisierungsfehler. Das explizite Verfahren
2. Ordnung approximiert für ξh ≤ 0.2π, das explizite Verfahren 4. Ordnung für ξh ≤ 0.4π
und das kompakte Verfahren für ξh ≤ 0.6π die Ableitung mit guter Näherung. Für nicht-
zentrale Verfahren ist die modifizierte Wellenzahl komplex.
Beispiel 4. Für die linksseitige Differenzen 1. Ordnung erhält man

ξ˜′ = 1 − e−iξ = 1 − cos ξ ′ + i sin ξ ∈ C| .

Man kann einen Zusammenhang zwischen der Ordnung des Approximationsfehlers und
der modifizierten Wellenzahl herleiten. Dazu betrachtet man einen Fourieransatz für u, die
exakte Ableitung u′ex und die numerische Approximation der Ableitung u′num

u= ûeiξx
u′ex = û′ex eiξx = iξ ûeiξx
u′num = û′num eiξx = iξ̃ ûeiξx ,

Wintersemester 2007/2008 (Version: 12/2012)


33 3 Diskretisierungsverfahren

welcher in die Gleichung für den Approximationsfehler n-ter Ordnung

dn+1 u
u′num − u′ex = O(hn ) = Chn
dxn+1
eingesetzt wird. Man erhält daraus

iξ̃ ûk − iξ û = Chn (iξ)n+1 û


ξ̃
= 1 + Chn in ξ n = 1 + O(ξ n ) ,
ξ

d. h. das führende Glied der Taylorentwicklung von ξ̃/ξ − 1 hat die Ordnung des Approxima-
tionsfehlers.

3.1.3. Finite-Differenzen-Verfahren für nicht-äquidistante Gitter


Zur numerischen Berechnung einer Strömung kann es von Vorteil sein, nicht-äquidistante
Gitter zu verwenden. Dadurch kann das Gitter z. B. in den wandnahen Gebieten verfeinert
und die dort auftretenden hohen Gradienten können besser aufgelöst werden, als es mit
äquidistantem Gitter bei ähnlicher Anzahl an Gitterpunkten möglich wäre. Umgekehrt kann
durch eine angepasste Koordinatentransformation (engl. mapping ) unnötig hohe Auflösung
in Gebieten, wo sie nicht notwendig ist, vermieden werden. Finite-Differenzen-Verfahren sind
i.a. jedoch für äquidistante Gitter konstruiert und können für nicht-äquidistante Gitter nicht
ohne Anpassung angewandt werden. Häufig wird daher der nicht-äquidistante physikalische
Raum in einen äquidistanten Rechenraum transformiert, siehe Abbildung 3.4. Eine Koordinate

111
000
1010
000
111
000
111 10 1010 10 10 10 10
10000000000000000000000000000000 1010 1010
000
111
000
111 10101010 10101010 1010 1010 1010 1010
111111111111111111111111111111 10 10
physikalischer Raum
1010 hi hi+1 x
1010
10
110010
000
111
000
111 0
1
10000000000000000000000000000000
000
111
000
111 1010 10 10 10 10 1010 1010 1010 1010 1010
0
1 0
1 0
1 0
1
111111111111111111111111111111 Rechenraum
000
111 10 10 10 10 10 10 10 10 10 10
h= const. ξ

Abbildung 3.4.: Transformation nicht-äquidistanter Gitter im physikalischen Raum in äqui-


distante im Rechenraum.

x im physikalischen Raum wird als Funktion der Koordinaten x′ des Rechenraums dargestellt,

x = x(x′ ) . (3.14)

Die Ableitung einer Funktion nach xi formt man dann mit Hilfe der Kettenregel um, so dass
für einen allgemeinen 3D-Fall

∂(·) ∂(·) ∂x′1 ∂(·) ∂x′2 ∂(·) ∂x′3


= + + (3.15)
∂xi ∂x′1 ∂xi ∂x′2 ∂xi ∂x′3 ∂xi

gilt.

Wintersemester 2007/2008 (Version: 12/2012)


34 3 Diskretisierungsverfahren

Beispiel 5. Transformation der ersten Ableitung (1D):


∂Φ ∂Φ ∂x′
= . (3.16)
∂x ∂x′ ∂x
Beispiel 6. Transformation der zweiten Ableitung (1D):
   
∂2Φ ∂ ∂Φ ∂x′ ∂ 2 Φ ∂x′ 2 ∂Φ ∂ 2 x′
= = + ′ . (3.17)
∂x2 ∂x ∂x′ ∂x ∂x′2 ∂x ∂x ∂x2

Die Transformation x(x′ ) zwischen physikalischem Raum und Rechenraum sollte glatt
sein, d. h. die Schrittweite hi sollte sich kontinuierlich ändern, damit die Genauigkeitsord-
nung des Verfahrens im Rechenraum erhalten bleibt. Sprunghafte Änderungen der Schritt-
weite hi reduzieren die Genauigkeit des Verfahrens bezüglich x. Aus diesem Grund werden
häufig trigonometrische oder hyperbolische Funktionen (z. B. sin, cos oder tanh) als Ab-
bildungsfunktionen verwendet, da diese beliebig oft differenzierbar sind. Verwendet man ein
nicht-äquidistantes Gitter ohne Transformation, reduziert sich im Allgemeinen die formale
Genauigkeitsordnung des numerischen Verfahrens bezüglich x ebenfalls.
Beispiel 7. Man betrachte das zentrale Differenzenschema 2. Ordnung
ui+1 − ui−1
Dui = .
xi+1 − xi−1
Der Approximationsfehler ergibt sich mit hi = xi − xi−1 zu

 ′
 h2i+1 − h2i ∂ 2 u
Du − u x = − + O(h2i ) .
i 2(hi+1 + hi ) ∂x2 i
Sei nun hi+1 = rhi . Es folgt für den Approximationsfehler

 ′
 (1 − r) ∂ 2 u
Du − u x = hi + O(h2i ) .
i 2 ∂x2 i

Bei einem äquidistanten Gitter ist r = 1 und damit der Approximationsfehler O(h2i ). Für
ein nicht-äquidistantes Gitter mit r 6= 1 ergibt sich jedoch für den Approximationsfehler
O(hi ). Weiter kann man erkennen, dass für nahezu äquidistante Gitter (r ≈ 1) der Einfluss
des Terms mit O(hi ) kleiner ist als für das links- oder rechtsseitige Differenzenschema 1.
Ordnung.

3.2. Finite-Volumen-Methode
Das gesamte Gebiet G, auf dem die Gleichungen gelöst werden, wird in disjunkte Teilbereiche
(Kontrollvolumina) Gj unterteilt, siehe Abbildung 3.5. Die integrale Form der Erhaltungs-
gleichung wird nun für die einzelnen Kontrollvolumina (KV) formuliert [VM95]. Die KV
können sehr flexibel gestaltet und angeordnet werden, z. B. quaderförmig oder als Tetra-
eder, strukturierte oder unstrukturierte Gitter, adaptive Gitter, etc. Die integrale Form der

Wintersemester 2007/2008 (Version: 12/2012)


35 3 Diskretisierungsverfahren

Erhaltungsgleichung entspricht einer Integration der Grundgleichungen in Erhaltungsform


(konservative Form) über die KV, wobei die Volumenintegrale in Oberflächenintegrale nach
dem Gauss’schen Satz umgeschrieben werden (u ist eine skalare Erhaltungsgrösse):
Z
∂u
+ divF (u) = 0 dVj (3.18)
∂t
Gj
Z I
d
udV + F (u) · n dS = 0 . (3.19)
dt Gj ∂G j

Die Erhaltungsgleichungen sind bei dem Finite-Volumen-Verfahren


H (FVM) auch im diskre-
ten Sinne erfüllt. Die Oberflächenintegrale F (u) · n dS sind zu diskretisieren, was z. B.
mit der Trapez- oder Simpson-Regel geschehen kann. Als Rechenvariable wählt man das
Volumenmittel Z Z
1
uj = udV , Vj := dV .
Vj G j Gj

111111
000000
000000
111111
000000
111111
000000
111111
000000
111111
∂G j → 111111
000000
Gj
000000
111111

Abbildung 3.5.: Schematische Darstellung der Finite-Volumen-Methode.

3.3. Methode der gewichteten Residuen: Spektralverfahren


3.3.1. Grundprinzip
Gegeben sei das Anfangs-Randwert-Problem einer Differentialgleichung

P (u) = 0 im Gebiet G (3.20)

für eine Funktion u(x, t) mit der Randbedingung B(u) = 0 auf dem Rand ∂G des Gebietes
G und der Anfangsbedingung u(x, 0) = u0 (x) zum Zeitpunkt t = 0.
Bei der Methode der gewichteten Residuen (MGR) wird eine Näherungslösung uN (x, t)
der Differentialgleichung als kontinuierliche Funktion angesetzt und wie folgt als endliche
Reihe geschrieben
N
X
uN (x, t) = uR (x, t) + ak (t) · φk (x) , (3.21)
k=0

mit

Wintersemester 2007/2008 (Version: 12/2012)


36 3 Diskretisierungsverfahren

uN (x, t) die Näherungslösung;


uR (x, t) eine (i. a. leicht zu findende) Funktion,
welche die Randbedingungen B(uR ) = 0 erfüllt;
φk (x) gegebene Ansatzfunktionen ( trial functions“),

welche homogene Randbedingungen erfüllen;
ak (t) die gesuchten Entwicklungskoeffizienten.

Die Ableitungen der Funktion uN kann man direkt gewinnen aus (hier für uR = 0)
N
X
∂p dp
u N = ak (t) · φk (x) .
∂xp dxp
k=0

Entwickelt man die Ableitungen wieder nach den Ansatzfunktionen, so benutzt man die
Schreibweise
XN′
∂p (p)
p
uN = ak (t) · φk (x)
∂x
k=0
(N ′ kann von N verschieden sein).

Definition 4. Residuum.
Der Fehler, der sich beim Einsetzen des Ansatzes (3.21) in die Differentialgleichung (3.20)
ergibt, wird als Residuum R(x, t) bezeichnet, d. h.

R(x, t) := P (uN (x, t)) . (3.22)

Zur Bestimmung der noch unbekannten Koeffizienten ak wird bei der MGR verlangt, dass
das mit N + 1 linear unabhängigen Gewichtsfunktionen ( test functions“) wj (x) gewichtete

Residuum bei Integration über G verschwindet, d. h. dass gilt
Z
wj (x) · R(x, t) dx = 0 , j = 0, ..., N . (3.23)
G

oder kürzerR geschrieben unter Verwendung des Skalarproduktes für reelle Funktionen f und
g (f, g) = G f · g dx

(R, wj ) = 0 , j = 0, ..., N

Es wird damit gefordert, dass das Residuum zu allen Testfunktionen orthogonal ist.

3.3.2. Wahl der Gewichtsfunktionen


Galerkin-Verfahren:
Beim Galerkin-Verfahren werden in Gleichung (3.23) als Gewichtsfunktionen wj die Ansatz-
funktionen φj gewählt:
wj = φj , j = 0, ..., N .

Wintersemester 2007/2008 (Version: 12/2012)


37 3 Diskretisierungsverfahren

Kollokations-Verfahren:
Hier werden in G N + 1 Kollokationspunkte“ x0 , ..., xN gewählt und es wird verlangt, dass

das Residuum an den Kollokationspunkten verschwindet:

R(xj ) = 0 , j = 0, ..., N .

Die zugehörigen Gewichtsfunktionen in (3.23) haben hier also die Form

wj = δ(x − xj ) , j = 0, ..., N ,

wobei δ die Diracsche Deltafunktion bezeichnet.

Methode der kleinsten Fehlerquadrate:


Es werden diejenigen Koeffizienten bestimmt, für die das Quadrat des Residuums integriert
über G minimal wird: Z
!
R2 dx = min , j = 0, ..., N .
{aj }
G

Die Gewichtsfunktionen in (3.23) lassen sich dann in der Form


∂R
wj = , j = 0, ..., N
∂aj
schreiben.

Teilbereichsmethode:
Für das Gebiet G wird eine Zerlegung: G = G0 ∪ G1 ∪ G2 ∪ ... ∪ GN in (nicht notwendig
disjunkte) Teilgebiete Gj vorgenommen. Die Gewichtsfunktionen wj (x) in Gleichung (3.23)
sind definiert als

1 für x ∈ Gj
wj (x) = für j = 0, ..., N .
0 sonst
Das Residuum soll also in jedem der Teilgebiete verschwinden,
Z
R(x)dx = 0 , j = 0, ..., N .
Gj

Beispiel 8. Linearer Fall


Lineare Differentialgleichungen lassen sich auf die Form

P (u) = Lu − r

bringen. Dabei stellt L einen linearen Operator und r, die Inhomogenität, eine nicht von u
abhängige Funktion dar. Setzt man das zugehörige Residuum

R(x) = LuN − r

Wintersemester 2007/2008 (Version: 12/2012)


38 3 Diskretisierungsverfahren

in Gleichung (3.23) ein und entwickelt u gemäss Gleichung (3.21), so erhält man für den
Vektor der Koeffizienten a = (a0 , ..., aN )T das lineare Gleichungssystem
N
X Z Z
ak wj · Lφk (x) dx = wj · (r − LuR ) dx , j = 0, ..., N (3.24)
k=0 G G

oder in abgekürzter Schreibweise: A a = s mit


Z Z
Ajk = wj · Lφk (x) dx ; sj = wj · (r − LuR ) dx .
G G

A und s nehmen für die verschiedenen Verfahren die folgenden Formen an:
R R
Galerkin-Verfahren: Ajk = φj Lφk dx sj = φj (r − LuR ) dx
Kollokations-Verfahren: Ajk = Lφk (xj ) sj = r(xj ) − LuR (xj )
R R
Kleinste Fehlerquadrate: Ajk = Lφj Lφk dx sj = Lφj · (r − LuR ) dx
R R
Teilbereichsmethode: Ajk = Lφk dx sj = (r − LuR ) dx .
Gj Gj

3.3.3. Wahl der Ansatzfunktionen


Bei Spektralmethoden wählt man als Ansatzfunktionen typischerweise glatte (meist beliebig
oft differenzierbare), globale, d. h. in ganz G definierte Funktionen [CHQZ88].

Beispiele für häufig verwendete Reihenansätze


Fourier-Reihen
Zur Approximation von periodischen Funktionen u(x) = u(x + L) eignen sich Fourier-Reihen
besonders. Die Entwicklung erfolgt hierbei nach trigonometrischen Funktionen. Mit der De-
finition der Grundwellenzahl α := 2π/L erhält man
X
uN (x) = ck eikαx , wobei ck ∈ C. (3.25)
|k|≤K

In der Summe treten 2K + 1 Summanden auf. Eine alternative Bezeichnung der Summen-
grenzen ist |k| ≤ N/2 mit N = 2K. Für reelles uN gilt c−k = c∗k (z ∗ ist die zu z konjugierte
komplexe Zahl) und (3.25) ist äquivalent zur reellen Schreibweise
K
a0 X
uN (x) = + (ak cos kαx + bk sin kαx)
2
k=1

mit ak = (c+k + c−k ) , bk = i (c+k − c−k ) .

Wintersemester 2007/2008 (Version: 12/2012)


39 3 Diskretisierungsverfahren

Chebyshev-Polynome
Die Chebyshev-Polynome sind für |x| ≤ 1 definiert durch
Tk (x) = cos(k arccos x) , k = 0, 1, 2, ...
Die ersten vier Polynome sind:
T0 (x) = 1 T1 (x) = x

T2 (x) = 2x2 − 1 T3 (x) = 4x3 − 3x .


Es gilt die Rekursionsformel:
Tk+1 (x) + Tk−1 (x) = 2 x Tk (x) , k ≥ 1 . (3.26)

0.75

0.5

0.25

-1 -0.5 0.5 1
-0.25

-0.5

-0.75

-1

Abbildung 3.6.: Die Chebyshev-Polynome T1 bis T6 .

Einige wichtige Eigenschaften von Tk sind:


• Die Polynome sind – in Abhängigkeit von k – gerade oder ungerade Funktionen, d. h.
Tk (−x) = (−1)k Tk (x) .

• Insbesondere gilt für die Randpunkte −1, +1: Tk (±1) = (±1)k .


• Die Polynome sind bezüglich des Skalarprodukts
Z1
f (x)g(x)
(f, g) := √ dx
1 − x2
−1

im Intervall [−1, +1] orthogonal. Es gilt


Z1
Tk (x) Tl (x) π
(Tk , Tl ) = √ dx = ck δk,l ; k, l = 0, 1, 2, ...
1−x 2 2
−1

mit c0 ≡ 2, ck ≡ 1 für k ≥ 1 , wobei δk,l das Kroneckersymbol bezeichnet.

Wintersemester 2007/2008 (Version: 12/2012)


40 3 Diskretisierungsverfahren

Für die Auswertung einer endlichen Chebyshev-Reihe


N
X
uN (x) = ak Tk (x) (3.27)
k=0

bei gegebenen ak gilt der (numerisch stabile) Algorithmus:

BN +1 := 0 , BN := aN
Bk := ak + 2x Bk+1 − Bk+2 , k = N−1, ..., 1
uN (x) = a0 − B 2 + B 1 x .

Die sogenannten Gauss-Lobatto-Stützstellen sind gegeben durch


πj
xj = cos . (3.28)
N
dieser Stützstellen kann die diskrete Ableitungsmatrix in u′N = D uN , also
Bezüglich P

uN (xi ) = j Dij uN (xj ), angegeben werden als

 ci (−1)i+j

 c j xi −xj
, i 6= j

 − xi
2(1−x2i )
, 1≤i=j ≤N −1
Dij = , (3.29)

 2N 2 +1
, i=j=0

 6
 2N 2 +1
− 6 , i=j=N

wobei 
2, ν = 0, N
cν = .
1, 1≤ν ≤N −1
Hinweis: Es empfiehlt sich, die Dij in doppelter Genauigkeit zu berechnen.
Beispiel 9. Vergleich zwischen Chebyshev-Spektral- und Finite-Differenzen-Verfahren

Wir betrachten eine Modellgleichung

u′′ (x) − H 2 · u(x) = −1 , |x| ≤ 1 (3.30)

mit den Randbedingungen u(±1) = 0 . Die exakte Lösung ist gegeben durch
 
cosh Hx
u(x) = 1 − /H 2 (3.31)
cosh H

und hat für H ≫ 1 eine dünne Grenzschicht der Dicke O(1/H), siehe Abbildung 3.7.
Der maximale Fehler ǫmax für das Chebyshev-Kollokations-Verfahren (KOL), das Finite-
Differenzen-Verfahren 2. Ordnung mit äquidistantem Gitter (FD) sowie mit nicht-äquidistan-
tem angepasstem Gitter (FDV) ist in Abbildung 3.8 dargestellt. Das Chebyshev-Verfahren
zeigt eine deutlich höhere Konvergenzordnung (log(ǫmax ) ∝ −N 2 /H) als die Finite-
Differenzen-Verfahren (log(ǫmax ) ∝ − log N 2 ). Man spricht bei dem Chebyshev-Verfahren

Wintersemester 2007/2008 (Version: 12/2012)


41 3 Diskretisierungsverfahren

H= 100
1

H= 3 H= 30
0.8
H= 10
0.6
u(x)
u(0) H= 1
0.4

0.2

0
0 0.2
x 0.4 0.6 0.8 1

Abbildung 3.7.: Exakte Lösung der Modellgleichung (3.30) für verschiedene H.

von exponentieller oder spektraler Konvergenz. Mit äquidistantem Gitter ist der Fehler des
Finite-Differenzen-Verfahrens in diesem Fall stets grösser als mit dem Chebychev-Verfahren.
Auf einem angepassten, nicht-äquidistanten Gitter kann der Fehler des FDV allerdings im
Vergleich zu FD deutlich reduziert werden und ist für eine sehr kleine Punkteanzahl gar
geringer als bei dem Chebychev-Verfahren.
-1
10

ǫmax FDV KOL


FD

-2
10 Chebyshev-SM

∼ 1
2
M

-3
10

-4
10

single precision

double precision

-5
10 2 3 4
10 10 10 10
N
Abbildung 3.8.: Qualitatives Verhalten des maximalen Fehles ǫmax für ein generisches Mo-
dellproblem; KOL: Chebyshev-Kollokation, FD: Finite Differenzen mit äqui-
distantem Gitter, FDV: Finite Differenzen mit nicht-äquidistantem, angepas-
stem Gitter.

Legendre-Polynome
Die Legendre-Polynome sind für |x| ≤ 1 definiert durch die Rekursionsformel:

kLk (x) = (2k − 1)xLk−1 (x) − (k − 1)Lk−2 (x) , k ≥ 2 .

Wintersemester 2007/2008 (Version: 12/2012)


42 3 Diskretisierungsverfahren

Die ersten drei Polynome sind gegeben durch

L0 (x) = 1
L1 (x) = x
1
L2 (x) = (3x2 − 1) . (3.32)
2

0.75

0.5

0.25

-1 -0.5 0.5 1
-0.25

-0.5

-0.75

-1

Abbildung 3.9.: Die Legendre-Polynome L1 bis L6 .

Einige wichtige Eigenschaften von Lk sind:

• Die Polynome sind – in Abhängigkeit von k – gerade oder ungerade Funktionen, d. h.

Lk (−x) = (−1)k Lk (x) .

• Insbesondere gilt für die Randpunkte −1, +1: Lk (±1) = (±1)k .

• Die Polynome sind bezüglich des Skalarprodukts

Z1
(f, g) := f (x)g(x) dx
−1

im Intervall [−1, +1] orthogonal. Es gilt

Z1
2
(Lk , Ll ) = Lk (x) Ll (x) dx = δk,l , k, l = 0, 1, 2, ...
2k + 1
−1

wobei δk,l das Kroneckersymbol bezeichnet.

Wintersemester 2007/2008 (Version: 12/2012)


43 3 Diskretisierungsverfahren

Für die Auswertung einer endlichen Legendre-Reihe


N
X
uN (x, t) = ak Lk (x) (3.33)
k=0

bei gegebenen ak gilt nach dem Clenshaw-Algorithmus :

BN +1 := 0 , BN := aN
2k+1
Bk := ak + k+1 x Bk+1 − (k + 1)Bk+2 , k = N−1, ..., 1
uN (x) = a0 − B 2 + x B 1 .

Die sogenannten Gauss-Lobatto-Stützstellen sind gegeben durch

x0 = −1 , xN = 1 , L′N (xj ) = 0 , j = 1, . . . , N − 1 . (3.34)

Bezüglich dieser Stützstellen kann die diskrete Ableitungsmatrix in u′N = D uN angegeben


werden als 
 1 LN (xi )

 xi −xj LN (xj ) , i 6= j
 1
Dij = − 14 (N + 1)N , i=j=0 (3.35)

 + (N + 1)N , i =j=N

 4
0, sonst .

Wintersemester 2007/2008 (Version: 12/2012)


44 3 Diskretisierungsverfahren

3.3.4. Pseudospektrale Auswertung der nichtlinearen Terme


Die spektrale Auswertung von nichtlinearen Termen erfordert eine grosse Anzahl von Ope-
rationen. Betrachten wir z. B. die Burgers-Gleichung als Beispiel für eine nichtlineare Diffe-
rentialgleichung, welche gegeben ist durch

∂u 1 ∂(u · u) ∂u ∂u
+ = +u = 0 , 0 ≤ x ≤ 2π . (3.36)
∂t 2 ∂x ∂t ∂x
Die Länge des periodischen Rechengebiets ist L = 2π und somit die Grundwellenzahl α = 1.
Die Diskretisierung der Burgers-Gleichung (3.36) soll mit Hilfe eines Fourier-Galerkin-
Spektralverfahrens erfolgen. Die Ansatzfunktionen sind demnach gegeben durch φk (x) = eikx
und als Testfunktionen wird wl (x) = φl (x) = eilx verwendet. Der Reihenansatz für u(x, t)
ist
K
X K
X
u(x, t) = ûk (t)φk (x) = ûk (t)eikx . (3.37)
k=−K k=−K

Setzt man den Reihenansatz (3.37) in die Burgers-Gleichung (3.36) ein, ergibt sich
K
X K
X K
X
dûk dφm (x)
φk (x) + ûk φk (x) ûm =0. (3.38)
dt dx
k=−K k=−K m=−K

Multiplikation mit den Testfunktionen und Integration über das Gebiet 0 ≤ x ≤ 2π unter
Verwendung der Orthogonalitätsbedingung
Z 2π
φk (x)φ−l (x)dx = 2πδkl
0

resultiert in der Bestimmungsgleichung für die Koeffizienten ûl ,

XK
dûl
+ i m ûk ûm = 0 . (3.39)
dt k=−K
m+k=l
|m|≤K

Aufgrund der Summe in Gl. (3.39), die für alle |l| ≤ K ausgewertet werden muss, ist
die Anzahl der Operationen O(K 2 ), welches für grosse K der zeitaufwendigste Teil der
numerischen Lösung darstellt.
Mit Hilfe pseudospektraler Auswertung, welche in Abbildung 3.10 illustriert ist, kann für
grosse K die Anzahl der notwendigen Operationen reduziert werden. Die zeitbestimmende
Operation ist die Fast-Fourier Transformation (FFT), deren Aufwand proportional zu K log K
ist. Bei der pseudospektralen Auswertung des nichtlinearen Terms w′ = ∂u·v ∂x werden die
beiden Faktoren zuerst von der Darstellung im Spektralraum in den Realraum transformiert.
Das Produkt wj = uj · vj wird nun im Realraum ausgewertet, wo es eine lokale Operation ist
und O(K) Operationen benötigt. Zur Differentiation wird das Produkt anschliessend zurück
in den Spektralraum transformiert, in dem durch Multiplikation jedes Koeffizienten mit ik
die spektrale Ableitung des Produkts berechnet werden kann.

Wintersemester 2007/2008 (Version: 12/2012)


45 3 Diskretisierungsverfahren

Spektralraum Realraum
−1
FFT - uj , vj
ûk , v̂k
Multiplikation
im Realraum
?
ŵk  FFT wj = uj · vj
spektrale
Differentation
? FFT−1 -
ŵk′ = ikŵk wj′
∂u·v
Abbildung 3.10.: Pseudospektrale Auswertung von w′ = ∂x .

Bei der pseudospektralen Auswertung treten jedoch sogenannte Aliasing-Fehler auf, da


bei der Berechnung des Produkts im Realraum jede Fourier-Mode von ûk (|k| ≤ K) mit
jeder Mode von v̂m (|m| ≤ K) multipliziert wird und sich dadurch höhere Fourier-Moden
l = k + m > K ergeben, die dann fälschlicherweise als Anteile in den Moden |l| ≤ K
abgebildet werden (engl. aliasing ). Es gibt mehrere Vorgehensweisen, um Aliasing-Fehler zu
vermeiden bzw. zu reduzieren. Eine Möglichkeit ist 3/2-Regel, bei der das Produkt auf einem
Gitter höherer Auflösung (Faktor 3/2 in jede Richtung) gebildet wird und anschliessend die
Reihe spektral abgeschnitten wird, so dass |l| ≤ K gilt, siehe hierzu [CHQZ88].

Wintersemester 2007/2008 (Version: 12/2012)


46 3 Diskretisierungsverfahren

3.4. Finite-Elemente-Methode
Im Gegensatz zu der Finite-Differenzen- und Finite-Volumen-Methode, bei denen die Lösung
auf einem Gitter approximiert wird, wird bei der Finite-Elemente-Methode (FEM) – ähnlich
wie bei den Spektralmethoden – die Lösung als Linearkombination von Ansatzfunktionen
φj (x) (hier auch shape functions genannt) dargestellt,
N
X
uN (x, t) = uR (x, t) + aj (t) · φj (x) . (3.40)
j=0

Anders als bei den Spektralverfahren sind bei FEM allerdings die Ansatzfunktionen nur auf
Teilgebieten G e des Rechengebiets G und nicht auf dem gesamten Gebiet G als von null
verschieden definiert.
R Formal sind sie in G\G e als null definiert, also für alle x ∈ G, so dass
man Integrale G . . . dx über das ganze Gebiet G ausführen kann. Die Teilbereiche G e werden
so gewählt, dass die Vereinigung aller Teilbereiche G e und deren Ränder ∂G e identisch ist
mit dem gesamten Rechengebiet G und dessen Rand ∂G.
Bei der FEM werden als Ansatzfunktionen Polynome niedrigen Grades p gewählt, die auf
jedem der Elemente lokal definiert sind. Ein Standardbeispiel sind eindimensionale lineare
Ansatzfunktionen, lineare Lagrange-Elemente (siehe Abbildung 3.11)
 x−xj−1
 xj −xj−1 xj−1 ≤ x ≤ xj



φj (x) = xxj+1
j+1 −x
−xj xj ≤ x ≤ xj+1 (3.41)




0 sonst .
Die Punkte xj und xj+1 bezeichnet man als Knoten des Elementes G e . Im allgemeinen
benötigt man für die Bestimmung eines Polynoms p-ter Ordnung p + 1 Knoten.

1
φj

G e−1 Ge G e+1
xi xi+1
Abbildung 3.11.: Eindimensionale lineare Ansatzfunktionen.

Den Abbruchfehler E = uN (x) − u(x) für die Darstellung einer Funktion u(x) erhält man
durch Betrachten der Taylorentwicklung der Funktion u(x) in einem Punkt xi ,

∂u 1 2 ∂ 2 u
u(xi + h) = u(xi ) + h + h + ··· . (3.42)
∂x xi 2 ∂x2 xi
Polynomglieder in Gleichung (3.42), deren Grad kleiner oder gleich dem Grad p der Ansatz-
funktionen ist, werden exakt approximiert, so dass sich ein Abbruchfehler
E = O(hp+1 )

Wintersemester 2007/2008 (Version: 12/2012)


47 3 Diskretisierungsverfahren

ergibt; hierbei sei h ein Mass für die Grösse des Elementes. Der Abbruchfehler für Ableitungen
∂d
∂xd
der Funktion u(x) ist entsprechend E = O(hp+1−d ).
Zur Bestimmung der unbekannten Koeffizienten aj verwendet man bei FEM oft eine
Galerkin-Formulierung, d. h. die Testfunktionen sind identisch mit den Ansatzfunktionen,
wj (x) = φj (x), siehe Kapitel 3.3.2. Für eine Differentialgleichung

P (u) = 0 im Teilgebiet G e , (3.43)

ergeben sich mit Gl. (3.23) N + 1 Gleichungen für die N + 1 Unbekannten aj ,


Z
φk (x) · P (uN (x, t)) dx = 0 , k = 0, ..., N . (3.44)
Ge

Betrachten wir nun die Konvergenz von uN gegen die exakte Lösung u der Differential-
gleichung (3.43), so muss der Abbruchfehler für u und auch für alle in der diskretisierten
Differentialgleichung (3.44) vorkommenden Ableitungen mindestens von der Ordnung O(h)
∂d
sein. Sei die höchste in der diskretisierten Differentialgleichung auftretende Ableitung ∂x d,
so muss
p+1−d≥1 , bzw. p≥d (3.45)
sein.
Mittels partieller Integration der Gleichung (3.44) kann die höchste Ableitung und damit
der Polynom-Grad der Ansatzfunktionen reduziert werden.
Beispiel 10. Finite-Elemente-Diskretisierung einer Differentialgleichung 2. Ordnung

Gegeben sei das Anfangs-Randwert-Problem (ARWP) für u(x, t),

∂u ∂ 2 u
− 2 =0, 0≤x≤1 (3.46)
∂t ∂x
mit den Randbedingungen

∂u
u(0, t) = 1 , =0 (3.47)
∂x x=1

und entsprechenden Anfangsbedingungen u(x, 0) = u0 (x). Das Problem wird unter Ver-
wendung der linearen Lagrange-Elemente gelöst, siehe Gl. (3.41)P
und Bild 3.11. Wie später
gezeigt wird, können die Randbedingungen in diesem Falle mit N j=0 aj (t) · φj dargestellt
werden und es kann uR = 0 gesetzt werden, also
N
X
uN (x, t) = aj (t) · φj . (3.48)
j=0

Einsetzen des Ansatzes in die Differentialgleichung ergibt für das Residuum


N 
X 
daj d2 φj
R(x, t) = φj − aj (t) . (3.49)
dt dx2
j=0

Wintersemester 2007/2008 (Version: 12/2012)


48 3 Diskretisierungsverfahren

Multiplikation mit den Gewichtsfunktionen und Integration über das Gebiet resultiert in

Z1 N
X Z1
daj
φk (x) · R(x, t)dx = φj (x)φk (x)dx −
dt
0 j=0 0
N
X Z1 (3.50)
d2 φj
aj (t) φk (x) 2 dx
dx
j=0 0
= 0 , k = 0, ..., N ,

wobei der Term mit der zweiten Ableitung der Ansatzfunktion mittels partieller Integration
umgeformt werden kann,

Z1   Z1
d2 φj dφj 1 dφk dφj
φk (x) 2 dx = φk (x) − dx . (3.51)
dx dx 0 dx dx
0 0

Die Neumann-Randbedingung lässt sich leicht durch Umformen des Randterms in Gl. (3.51)
implementieren,
 1
dφj  1
aj φk (x) = a′j φk (x)φj 0 . (3.52)
dx 0

a′j sind die Entwicklungskoeffizienten der Ableitung ∂u∂x der Funktion u(x, t). Die Dirichlet-
Randbedingung wird durch Ersetzen der Entwicklungsgleichung für den Knoten bei x = 0
aufgeprägt.
Die höchste auftretende Ableitung der modifizierten Gleichung ist 1. Ordnung (d = 1) an-
statt 2. Ordnung bei der ursprünglichen Differentialgleichung (3.46). Für die Konvergenz des
Verfahrens genügen demnach mit Gl. (3.45) die gewählten Ansatzfunktionen erster Ordnung.
Durch Auswerten der Integrale in Gl. (3.50) und Zeitdiskretisierung erhält man ein Glei-
chungssystem für die Koeffizienten aj , welches mit üblichen Lösungsverfahren gelöst werden
kann.

Wie zuvor gezeigt, ist der Abbruchfehler einer Differentialgleichung d-ten Grades von der
Ordnung O(hp+1−d ). Es gibt daher prinzipiell zwei Möglichkeiten, die nachfolgend erläutert
werden, um die Genauigkeit des Verfahrens zu erhöhen:

• h-Methode“

Bei der h-Methode erhöht man die Anzahl der Elemente G e im Gebiet G. Als Folge der
Verfeinerung verkleinert sich die Elementgrösse h und dadurch der Abbruchfehler.

• p-Methode“

Anstelle einer Verfeinerung des Gebietes kann die Genauigkeit auch durch Verwendung
von Ansatzfunktion höherer Ordnung p verbessert werden.

Als Ansatzfunktionen höherer Ordnung können Lagrange-Polynome p-ten Grades verwen-


det werden. Die Lagrange-Polynome φk (x) haben die Eigenschaft, dass sie an den Knoten

Wintersemester 2007/2008 (Version: 12/2012)


49 3 Diskretisierungsverfahren

xj mit j 6= k verschwinden. Für den Knoten xk gilt φk (xk ) = 1. Die Lagrange-Polynome


vom Grad p sind gegeben durch

Yp
x − xj
φk (x) = . (3.53)
j=0
xk − xj
j6=k

Lagrange-Polynome 1. bis 3. Grades für ein Element G e mit 2 bis 4 Knoten sind in Abbil-
dung 3.12 dargestellt.

1
(a)
0.5

−0.5
0 1

(b) 1

0.5

−0.5
0 1 2

(c) 1

0.5

−0.5
|{z }|0 1
{z 2 }|3 {z }
G e−1 Ge G e+1
Abbildung 3.12.: Eindimensionale Lagrange-Elemente; (a) 1. Ordnung (p=1), (b) 2. Ordnung
(p=2), (c) 3. Ordnung (p=3).

Sehr eng verwandt mit den Finite-Element- sind die Spektral-Elemente-Methoden (SEM).
Bei SEM wird das Rechengebiet ebenfalls in einzelne Elemente zerlegt, und es wird lokal ein
Spektralansatz mit orthogonalen Polynomen (meist Legendre-Polynomen) verwendet. Diese
sind typischerweise 4. bis ca. 10. Ordnung und damit höher als bei FEM. Eine ausführliche
Darstellung gibt [DFM02].

Wintersemester 2007/2008 (Version: 12/2012)


50 3 Diskretisierungsverfahren

3.5. Eigenschaften und Analyse von Diskretisierungsverfahren


Im folgenden werden Finite-Differenzen-Verfahren betrachtet, jedoch gelten die Einlassungen
sinngemäss auch für andere Verfahren. Ebenfalls werden nur Anfangswert-Probleme betrach-
tet, da sich die Darstellung für Anfangs-Randwert-Probleme nicht grundsätzlich unterschei-
det. Es ist aber für die Methoden zur Stabilitätsanalyse in Abschnitt 3.5.3 zu beachten,
dass aus der Stabilität des Anfangswert-Problems nicht grundsätzlich auch die Stabilität des
Anfangs-Randwert-Problems folgt.
Wir betrachten folgendes Anfangswert-Problem für eine Funktion u(x, t)

P(x, t, ∂x , ∂t )[u] = f , u(x, 0) = g , (3.54)

das mit der Diskretisierung

PN (x, t, h, τ )[uN ] = fN , uN (x, 0) = gN (3.55)

approximiert wird, wobei uN (xj , tn ) eine an den Stellen xj , tn definierte Gitterfunktion ist,
siehe Skizze 3.13. Im folgenden beschränken wir uns auf Finite-Differenzen-Schemata, glei-
ches gilt sinngemäss auch für andere Diskretisierungsverfahren. Im Unterschied hierzu sind
t

tn+1

tn

xj−1 xj xj+1 x

Abbildung 3.13.: Skizze für die Definition der Gitterfunktion uN auf den Stützstellen xj = jh
und tn = nτ .

bei der Methode der gewichteten Residuen die Ansatzfunktionen nicht nur an diskreten Stel-
len, sondern auf dem ganzen Definitionsbereich der Differentialgleichung definiert (allerdings
erfolgt die Auswertung bzw. die diskrete Repräsentation ebenfalls oft nur an Knotenpunk-
ten eines Gitters). Finite-Differenzen- oder Finite-Volumen-Verfahren liefern hingegen von
vornherein nur eine Gitterfunktion als Approximation der Lösung.

3.5.1. Konsistenz und Konvergenz


Wir betrachten nun, wie die Differentialgleichung (3.54) und die Differenzengleichung (3.55)
zusammenhängen.

Wintersemester 2007/2008 (Version: 12/2012)


51 3 Diskretisierungsverfahren

Diskretisierung
?

P[u] = f  Konsistenz - PN [uN ] = fN

Stabilität
? ?
Konvergenz
exakte Lösung u  Näherungslösung uN

Definition 5. Abbruchfehler.
Man definiert den lokalen Abbruchfehler (engl. truncation error) der Diskretisierung (3.55)
für eine ausreichend glatte Funktion v(x, t) und die zugehörige Gitterfunktion vN als

T (xj , tn ) = P[v]|xj ,tn − PN [vN ]|xj ,tn . (3.56)

Der Abbruchfehler ist ein Mass für den Fehler, den man beim Ersetzen der Differential-
gleichung (3.54) durch die Differenzengleichung (3.55) begeht.

Beispiel 11. Abbruchfehler bei der Diskretisierung einer gewöhnlichen Differentialgleichung:

d2 u
= f (x)
dx2
d2 u
P[u] =
dx2
zentrale Differenzen 2. Ordnung:
uj+1 − 2uj + uj−1
PN [uN ]|xj =
h2
Abbruchfehler:

d2 u uj+1 − 2uj + uj−1 1 2 (IV )
T (xj ) = 2 − 2
= h u (xj ) + · · · = O(h2 ) .
dx xj h 12

Beispiel 12. Abbruchfehler bei der Diskretisierung einer partiellen Differentialgleichung:


∂u ∂u
+ =0
∂t ∂x

Wintersemester 2007/2008 (Version: 12/2012)


52 3 Diskretisierungsverfahren

FTBS - Diskretisierung (forward-time, backward-space, d. h. Zeitintegration mit dem explizi-


ten Eulerverfahren und linksseitige Differenzen 1. Ordnung für die räumliche Diskretisierung):

un+1
j − unj unj − unj−1
+ =0
τ h
Abbruchfehler:

T (xj , tn ) = P[u]|xj ,tn− PN [uN ]|xj ,tn


1 1
= − τ ∂tt u(xj , tn ) + h∂xx u(xj , tn ) + · · ·
2 2
= O(τ ) + O(h) .

Definition 6. Konsistenz.
Gegeben sei die Differentialgleichung (3.54) und ein Finite-Differenzen-Schema (3.55). Das
Finite-Differenzen-Schema heisst konsistent mit der Differentialgleichung, wenn gilt:

kT (xj , tn )k ≤ C(tn )(hp + τ q ) (3.57)

mit C, p, q > 0. In diesem Fall geht kT k → 0 für h, τ → 0. Man bezeichnet p, q auch als
die Konsistenzordnung der räumlichen bzw. zeitlichen Diskretisierung. (k · k ist eine sinnvoll
definierte Norm, vergleiche Anhang A.1.)
Konsistenz bedeutet also Verträglichkeit des Differenzenschemas mit der Differentialglei-
chung und ist eine Minimalforderung für ein sinnvolles numerisches Verfahren.
Beispiel 13. Siehe Beispiel 11. Die Konsistenzordnung ist p = 2 mit
1 2 (IV )
kT (xj )k = kh u (xj )k ≤ Ch2 .
12

Beispiel 14. Siehe Beispiel 12. Die Konsistenzordnung ist p = 1, q = 1 mit


1
kT (xj , tn )k = kτ ∂tt u(xj , tn ) + h ∂xx u(xj , tn )k ≤ C(τ + h) .
12

Definition 7. Konvergenz.
Gegeben sei das Anfangswert-Problem (3.54) mit der Lösung u(x, t) und das Finite-
Differenzen-Schema (3.55). Das Finite-Differenzen-Schema heisst konvergent, wenn für alle
xj und tn
kunj − u(xj , tn )k ≤ C(hp + τ q ) , (3.58)

mit C, p, q > 0 für h, τ → 0. Man nennt p, q dann auch die Konvergenzordnung in x bzw.
in t.

Wintersemester 2007/2008 (Version: 12/2012)


53 3 Diskretisierungsverfahren

Ein konsistentes Schema ist nicht notwendigerweise auch konvergent. Konsistenz bedeutet,
dass die diskreten Operatoren sinnvolle Approximationen der Differentialoperatoren sind;
Konvergenz bedeutet jedoch die viel stärkere Aussage, dass die diskrete Lösung für h, τ → 0
gegen die exakte Lösung konvergiert.
Beispiel 15. Das Lax-Friedrichs-Schema für die Advektionsgleichung

∂t u + a∂x u = 0

ist gegeben durch


1 1
un+1
j = (unj+1 + unj−1 ) − λ(unj+1 − unj−1 ) ,
2 2
mit λ = aτ /h = const. Für eine ausreichend glatte Funktion v(x, t) erhält man dann als
Abbruchfehler
1 1 h2 1
T (tn ) = ∂t v + a∂x v + τ ∂tt v − ∂xx v + a h2 ∂xxx v + · · ·
2 2 τ 6
− ∂t v − a∂x v
1 1 h
= τ ∂tt v − a ∂xx v + · · · .
2 2 λ
Die Konsistenzordnung ist p = 1, q = 1. Numerische Experimente zeigen, dass z. B. für
λ = 1.6 der Fehler kuN − uk unbeschränkt zunimmt, das Verfahren ist also instabil. Für
λ = 0.8 jedoch ist das Verfahren stabil.

3.5.2. Stabilitätsbegriffe
Aus Beispiel 15 erkennt man, dass noch ein weiterer Begriff nötig ist, um die Eigenschaften
numerischer Diskretisierungsverfahren zu charakterisieren, die Stabilität. Der Begriff der Sta-
bilität wird oft in vielerlei Bedeutung benutzt. Stabilität lässt sich allgemein umschreiben als
begrenztes Störungswachstum“. Viele unterschiedliche Präzisierungen (Stabilitätsbegriffe)

wurden in der Literatur eingeführt, um verschiedenen Situationen gerecht zu werden. Hier
behandeln wir zwei Begriffe: die Lax-Richtmyer- (LR-) Stabilität und die asymptotische Sta-
bilität. Dabei wird im folgenden die Betrachtung eingeschränkt auf Einschrittverfahren und
das reine Anfangswert-Problem für eine lineare Differentialgleichung mit konstanten Koeffizi-
enten. Einige Bemerkungen zu möglichen Verallgemeinerungen sind auf Seite 56 angegeben.
Es kann für inhomogene Probleme gezeigt werden, dass, wenn PN [uN ] = 0 stabil ist, auch
PN [uN ] = fN stabil ist, d. h. für Stabilitätsuntersuchungen ist es ausreichend, homogene
Probleme zu betrachten [GKO95]. Wir beschränken uns zunächst auf sogenennte Einschritt-
verfahren, d.h. solche Verfahren, die zur Berechnung der Lösung zum neuen Zeitpunkt tn+1
lediglich die Lösung zu dem vorhergegangenen Zeitpunkt tn benötigen. Wir schreiben daher
die untersuchten Einschrittverfahren für die Differentialgleichung

P[u] = 0 (3.59)

als
PN [uN ] = 0 , (3.60a)

Wintersemester 2007/2008 (Version: 12/2012)


54 3 Diskretisierungsverfahren

die in expliziter Form dargestellt werden können als

un+1
N = G(h, τ ) unN (3.60b)

mit der Anfangsbedingung u0N . Auch bei der Verwendung impliziter Schemata zur Zeitintegra-
tion kann die Diskretisierung in die Form der Gleichung (3.60b) gebracht werden. G wird als
Schrittoperator oder Verstärkungsmatrix bezeichnet. Letztere Bezeichnung wird klar, wenn
man realisiert, dass G auf einem (unendlichen) Vektor uN , der die Gitterfunktion, welche die
Differenzengleichung löst, operiert.
Ausgehend von der Startlösung u0N kann die Lösung zur Zeit t = nτ geschrieben werden
als
n−1
unN = GuN = . . . = Gn u0N . (3.61)
Wird die Anfangsbedingung u0N mit einer kleinen Grösse ε gestört, so erhält man

ũnN = Gn u0N + ε , (3.62)

und im linearen Fall gilt dann


ũnN − unN = Gn ε. (3.63)
Die Potenzen Gn der Verstärkungsmatrix beschreiben also die Fortpflanzung von Störungen
und sind somit entscheidend für die Stabilität.

Lax-Richtmyer-Stabilität
Definition 8. Lax-Richtmyer (LR) Stabilität.
Man betrachtet das Finite-Differenzen-Schema (3.60) in einem endlichen Zeitbereich 0 ≤
tn = nτ ≤ T . Das Schema heisst Lax-Richtmyer (LR) -stabil, wenn es für alle h, τ in einem
gewissen Stabilitätsbereich S := {(h, τ ) | 0 < h ≤ h0 , 0 < τ ≤ τ0 } positive Konstanten
Ks , αs gibt, so dass
kGn (h, τ )k ≤ Ks eαs nτ (3.64a)
oder
kuN (tn )k ≤ K(T ) kuN (0)k (3.64b)

mit K(T ) = Ks eαs T und für alle Anfangsbedingungen uN (0).

Definition 3.64 besagt, dass die numerische Lösung uN (tn ) gleichmässig beschränkt ist auf
dem endlichen Intervall 0 ≤ tn = nτ ≤ T , unabhängig von h, τ . Oft lässt sich die Forderung
nach der Beschränktheit (3.64) nur erfüllen, wenn zwischen τ und h eine Relation

τ ≤ λhp (3.65)

mit Konstanten λ > 0 und p, der Ordnung der Differentialgleichung, besteht.

Wintersemester 2007/2008 (Version: 12/2012)


55 3 Diskretisierungsverfahren

Äquivalenztheorem von Lax-Richtmyer


Ohne Beweis geben wir einen zentralen Satz an, welcher Konvergenz, Konsistenz und Stabiliät
verknüpft; für einen Beweis siehe z. B. [RM65, Str89, GKO95].

Satz 1. Äquivalenztheorem von Lax-Richtmyer


Wenn ein lineares Finite-Differenzen-Schema (3.60) konsistent ist mit ei-
nem sachgemäss gestellten linearen Anfangswert-Problem, dann ist LR-Stabilität
notwendig und hinreichend für Konvergenz.

Neben der LR-Stabilität werden weitere Stabilitätsbegriffe verwendet. Besonders im Zu-


sammenhang mit der Matrix-Methode (siehe Kapitel 3.5.3) wird der Begriff der asymptoti-
sche Stabilität benutzt.

Asymptotische Stabilität
Die asymptotische Stabilität ist geeignet für die Charakterisierung der Stabilität für zeitlich
nicht anwachsende Lösungen, auch auf einem zeitlich nicht begrenzten Bereich.

Definition 9. Asymptotische Stabilität.


Das Verfahren (3.60) heisst M-stabil, wenn eine Konstante C unabhängig von n existiert,
so dass für festes h, τ
kGn k ≤ C f ür n → ∞ . (3.66)

Da τ fest bleibt, erstreckt sich hier der betrachtete zeitliche Integrationsbereich bis ins
Unendliche.
Eine notwendige Bedingung für die asymptotische Stabilität ist offensichtlich

|λi | ≤ 1, (3.67)

wobei λi die Eigenwerte von G bezeichnen. Diese Bedingung ist im allgemeinen noch nicht
hinreichend. Hinreichend wird sie aber, wenn die Verstärkungsmatrix G normal, d. h. zu einer
Diagonalmatrix ähnlich ist. Eine hinreichende Bedingung für asymptotische Stabilität ist

kGk ≤ 1 , (3.68)

da stets kGn k ≤ kGkn .


Eine notwendige und hinreichende Bedingung für die asymptotische Stabilität ist, dass
bei einer normalen Matrix G höchstens für einen Eigenwert einfacher Vielfachheit gilt

|λi | = 1

und für die restlichen Eigenwerte


|λi | < 1.

Wintersemester 2007/2008 (Version: 12/2012)


56 3 Diskretisierungsverfahren

Weitere Stabilitätsbegriffe
Oft verwendet man im Zusammenhang mit der Stabilität weitere Bezeichnungen:

(1.) Unbedingt stabil: stabil für alle h, τ .

(2.) Bedingt stabil: stabil für bestimmte h, τ bzw. Kombinationen davon, z. B. τ /h ≤ C,


CFL-Bedingung (siehe Kapitel 4.1.2).

(3.) Absolut stabil: Der sehr wichtige Begriff der absoluten Stabilität ist nur für gewöhnliche
Differentialgleichungen definiert, siehe [LeV07] und die nachfolgenden Beispiele 17
und 16. Man betrachtet die skalare Testgleichung u′ = λu (Dahlquist-Gleichung) mit
λ ∈ C| . Der Schrittoperator des numerischen Integrationsverfahrens sei G(λτ ). Der
Bereich {z | |G(z)| < 1} der komplexen Ebene heisst Bereich der absoluten Stabilität
des Verfahrens.
Das Verfahren heisst absolut stabil, falls der Bereich der absoluten Stabilität die ge-
samte linke Halbebene umfasst und damit beliebige Zeitschritte für abklingende Lösun-
gen ermöglicht. Ein absolut stabiles Verfahren integriert eine exponentiell abklingende
Lösung derart, dass ihre Amplitude in jedem Schritt abnimmt. Asymptotische Stabilität
ist eine notwendige Bedingung für absolute Stabilität, aber nicht hinreichend.

Beispiel 16. In Abbildung 3.14 sind exemplarisch die Bereiche der absoluten Stabilität für
die Runge-Kutta-Verfahren verschiedener Ordnung aufgetragen, welche aus der Betrachtung
der linearen Testgleichung u′ = λu hervorgehen (siehe auch Abschnitt 3.5.3, Linienmethode).
Für ein Runge-Kutta-Verfahren mit Ordnung p ergibt sich allgemein

z2 z3 zp
|G(z)| = |1 + z + + + ... + | < 1 (3.69)
2 6 p!
als Bedingung für den Bereich absoluter Stabilität. Für Runge-Kutta-Verfahren mit p = 4
(vergleiche Anhang B.1) liegt die Stabilitätsgrenze für reelles z bei −2.79 und für imaginäres
z bei ±2.83i.

In der Einleitung wurde erwähnt, dass die Betrachtungen eingeschränkt waren auf Ein-
schrittverfahren und reine Anfangswert-Probleme für lineare Differentialgleichungen mit kon-
stanten Koeffizienten. Für die allgemeineren Fälle machen wir folgende Bemerkungen:

(1.) Mehrschrittverfahren werden formal ähnlich behandelt, wenn man uN ersetzt durch
einen entsprechend verlängerten Vektor von Gitterfunktionen, der als Komponenten
die vom Mehrschrittverfahren benutzten Werte früherer Zeitschritte enthält.

(2.) Für lineare Probleme mit variablen Koeffizienten ist die Fouriermethode (siehe unten)
schwieriger anzuwenden. Man kann aber zeigen, dass unter bestimmten Zusatzannah-
men aus der Stabilität für konstante Koeffizienten auch Stabilität für variable Koef-
fizienten folgt [RM65, Str89, GKO95]. Ausserdem kann man direkte Methoden, z. B.
die Energiemethode, anwenden.

Wintersemester 2007/2008 (Version: 12/2012)


57 3 Diskretisierungsverfahren

i Im(z )

Re(z )

Abbildung 3.14.: Bereiche der absoluten Stabilität (|G(z)| < 1) für Runge-Kutta-Verfahren
der Ordnung p = 1, 2, 3 und 4 in der komplexen z-Ebene mit z = λτ .

(3.) Für nichtlineare Probleme kann gezeigt werden, da unter bestimmten Zusatzbedingun-
gen (ausreichend glatte Lösungen) die Stabilität für das nichtlineare Problem aus der
Stabilität für das lineare Problem folgt [GKO95].
(4.) Die Behandlung von Randbedingungen kann einen entscheidenden Einfluss auf die
Stabilität haben. Die Stabilität des Anfangswert-Problems ist nur eine notwendige Be-
dingung für die Stabilität des Anfangs-Randwert-Problems. Hinreichende Bedingungen
können mit der GKS-Theorie (Gustafsson, Kreiss und Sundström) oder – falls anwend-
bar – mit der Energiemethode gewonnen werden [RM65, Str89, GKO95]. Werden die
Randbedingungen in den Schrittoperator G eingebaut, so kann man die nachfolgend
besprochene Matrix-Methode heranziehen.
(5.) Systeme von Differentialgleichungen versucht man durch Diagonalisierung zu entkop-
peln, oder man versucht sie so zu symmetrisieren, dass die Energiemethode anwendbar
wird.
Beispiel 17. Stabilitätsbereich eines Mehrschrittverfahrens.Der Bereich der absoluten Sta-
bilität des Adams-Bashforth-Verfahrens 3. Ordnung für die Differentialgleichung u′ = f (u)
 
n+1 n 23 n 16 n−1 5 n−2
u =u +τ f (u ) − f (u ) + f (u ) (3.70)
12 12 12
kann für f (u) = λu mit dem Ansatz un+1 = Gun mit G = eiφ , wobei φ ∈ R (Grenze
der absoluten Stabilität |G(φ)| = 1, d. h. rein imaginärer Exponent) bestimmt werden. Man
erhält für die Grenze des Stabilitätsbereichs in parametrischer Form
12(e3iφ − e2iφ )
z = λτ = , (3.71)
23e2iφ − 16eiφ + 5
was in Abbildung 3.15 dargestellt ist. Vergleiche auch Abbildung 3.14 für die Runge-Kutta-
Verfahren unterschiedlicher Ordnung.

Wintersemester 2007/2008 (Version: 12/2012)


58 3 Diskretisierungsverfahren

iIm(z)

0.6

0.4

0.2

Re(z)
-0.5 -0.4 -0.3 -0.2 -0.1 0.1
-0.2

-0.4

-0.6

Abbildung 3.15.: Bereich der absoluten Stabilität des Adams-Bashforth Verfahrens 3. Ord-
nung in der komplexen z-Ebene mit z = λτ .

3.5.3. Methoden zur Stabilitätsanalyse


Matrix-Methode
Die sogenannte Matrix-Methode ist so allgemein, dass man formal mit ihr auch Anfangs-
Randwert-Probleme behandeln kann. Jedoch ist es meist schwierig, Stabilität für alle (h, τ ) ∈
S zu zeigen. Gegeben seien die Gitterfunktionen unN als Lösung des homogenen Finite-
Differenzen-Schemas (3.60)
un+1
N = G(h, τ )unN , (3.72)
wobei der Differenzenoperator G(h, τ ) hier Matrixgestalt hat (G multipliziert den Vektor
unN , um den Lösungsvektor un+1
N zu erhalten). Daraus folgt (siehe Gleichung (3.61))

unN = Gn u0N . (3.73)

Offenbar ist (3.60) LR-stabil genau dann, wenn eine Abschätzung gilt

kGn k ≤ K(T ) (3.74)

für alle (h, τ ) ∈ S und 0 ≤ nτ ≤ T , gemäss der Stabilitätsbedingung (3.64b). Eine hinrei-
chende Bedingung für LR-Stabilität ist gegeben durch

kGk ≤ 1 + O(τ ) , (3.75)

denn daraus folgt mit n ≤ N, T = N τ und 1 + x ≤ ex die Abschätzung


 
n n n T n T
kG k ≤ kGk ≤ (1 + Cτ ) = 1 + C ≤ eC N n ≤ eCT =: K(T ) , (3.76)
N

wobei C die Konstante in (3.75) ist.

Wintersemester 2007/2008 (Version: 12/2012)


59 3 Diskretisierungsverfahren

Eine notwendige Bedingung für LR-Stabilität ist gegeben durch das von-Neumann-
Kriterium
ρ(G) ≤ 1 + O(τ ) , (3.77)
worin ρ(G) der Spektralradius der Matrix G ist, welcher definiert ist als Betrag des be-
tragsmässig grössten Eigenwerts. Das kann man erkennen durch folgende Überlegung:

kGn vk kGn wk
kGn k = sup ≥ = |λmax |n = ρ(G)n , (3.78)
v kvk kwk

wenn man w als den zum betragsmaximalen Eigenwert |λmax | von G zugehörigen Eigenvektor
nimmt. (Das Supremum sup ist definiert als die kleinste obere Schranke (vgl. max).) Damit
gilt offensichtlich
kGn k ≥ ρ(G)n (3.79)
und somit mit tn = nτ , K = K(T ). Nach der Definition gemäss Gl. (3.64) kann dann stets
ein K(T ) gefunden werden, für das gilt
 
1/N τ /T ln K
ρ(G) ≤ K =K = exp τ · ≤ 1 + Cτ (3.80)
T

für 0 < τ ≤ τ0 , wobei C eine geeignet gewählte Konstante ist. Also ist bei Vorliegen von
LR-Stabilität auch (3.77) erfüllt.
Um die Frage zu beantworten, unter welchen Bedingungen das von-Neumann-Kriterium
(3.77) auch ein hinreichendes Kriterium für LR-Stabilität ist, geht man aus von

ρ(G) ≤ kGk , (3.81)

einer Relation gültig für alle Matrixnormen (n = 1 in Gl. (3.78)). Betrachtet man nun die
L2 -Norm und nimmt an, dass G diagonalisierbar ist,

G = T −1 ΛT , (3.82)

erhält man folgende Abschätzung

ρ(G) ≤ kGk2 ≤ kT −1 k2 kΛk2 kT k2 , (3.83)

die auf die Identität


ρ(G) = kGk2 (3.84)
führt, wenn kT k2 = 1, das heisst wenn G unitär diagonalisierbar ist. Das ist der Fall, wenn
G eine sogenannte normale Matrix ist, d. h.

GG⋆ = G⋆ G (3.85)

erfüllt ist, wobei G⋆ die komplex-konjugiert transponierte Matrix von G ist. Es ist dann
insbesondere kT k2 gleichmässig, d.h. unabhängig von h und τ , beschränkt.

Wintersemester 2007/2008 (Version: 12/2012)


60 3 Diskretisierungsverfahren

Beispiel 18. Betrachtet wird das Finite-Differenzen-Schema


τ n
un+1 = unj + (u − unj−1 ) (3.86)
j
2h j+1
für die Stützstellen xj , j = 0, . . . , N . An den Rändern wird das Schema modifizert, um zu
vermeiden, dass Gitterpunkte x−1 und xN +1 benötigt werden,
τ τ
un+1
0 = un0 + (u1 − u0 ) , un+1
N = unN + (uN − uN −1 ) . (3.87)
h h
Der Differenzenoperator G ist nicht normal

GG⋆ 6= G⋆ G , (3.88)

wie man durch Ausrechnen der ersten paar Matrixelemente zeigen kann. Also liefert das
von-Neumann-Kriterium in diesem Fall keine hinreichende Bedingung für LR-Stabilität.

Beispiel 19. Betrachtet man Beispiel 18 jetzt mit periodischen Randbedingungen, d. h.


unj = unj+N , dann kann man das innere Schema (3.86) auch über den Rand hinaus fortsetzen,
und G wird eine sogenannte zyklische Matrix, d. h. eine Matrix, bei der sich alle Einträge
mit zunehmendem Zeilenindex um je eine Spalte nach rechts verschieben: was den rechten
Rand der Matrix überschreitet, kommt am linken Rand wieder herein. In diesem Fall ist das
von-Neumann-Kriterium eine hinreichende Bedingung für LR-Stabilität.

Wir haben also gesehen, dass für Differenzenoperatoren PN [uN ], die auf normale Matrizen
G(h, τ ) führen, das von-Neumann-Kriterium notwendig und hinreichend für LR-Stabilität ist.
Wir schränken nun die Betrachtung weiter ein auf zyklische Matrizen G, wie sie typischer-
weise bei der Anwendung von Finite-Differenzen-Verfahren auf Probleme mit periodischen
Rändern auftreten. Allgemein gilt, dass zyklische Matrizen normale Matrizen sind. Eine zy-
klische N × N Matrix  
c0 c1 · · · cN −1
cN −1 c0 · · · cN −2 
 
 ..  (3.89)
 . 
c1 c2 · · · c0
ist vollständig beschrieben durch die Elemente einer Zeile c0 , . . . , cN −1 . Die Eigenwerte einer
zyklischen N × N Matrix kann man allgemein berechnen als
N
X −1
λk = cj ei2πkj/N k = 0, . . . , N − 1 . (3.90)
j=0

Beispiel 20. Für Beispiel 19 erhält man mit c0 = 1, c−1 := cN −1 = −τ /(2h), c1 = τ /(2h)
und cj = 0 sonst
 
τ i2πk/N −i2πk/N τ 2πk
λk = 1 + (e −e ) = 1 + i sin . (3.91)
2h h N

Wintersemester 2007/2008 (Version: 12/2012)


61 3 Diskretisierungsverfahren

uj

x0 xj xN

Abbildung 3.16.: Periodische Gitterfunktion uN .

Die Eigenvektoren einer zyklischen Matrix bilden die Fouriermatrix. Die Fouriertransfor-
mation eines 2π-periodischen Lösungsvektors entspricht der Multiplikation mit der Fourier-
matrix. Die Fouriertransformation des Differenzenoperators G(h, τ ), welcher die Form einer
zyklischen Matrix hat, entspricht somit der seiner Diagonaltransformation. Man kann also
das von-Neumann-Kriterium (3.77) bezüglich des Spektralradius von G(h, τ ) auch über-
prüfen, indem man die Fouriertransformierte von uN untersucht. Diese Vorgehensweise ist
Gegenstand der Fouriermethode oder von-Neumann-Methode, die wir nun beschreiben. Man
beachte, dass der Index k des Eigenwerts λk der Wellenzahl ξ einer Fourierreihendarstellung
der Gitterfunktion uN entspricht, mehr dazu im folgenden Abschnitt.

Von-Neumann-Methode
Die Stabilitätsanalyse nach von Neumann ist die aus praktischer Sicht bedeutendste und am
meisten verwendete Form. Sie gilt zunächst nur das reine Anfangswertproblem für lineare
Differentialgleichungen mit konstanten Koeffizienten. Das Anfangswertproblem (auf einem
unendlichen Gebiet) wird numerisch meist durch ein periodisches Gebiet mit sogenannten
periodischen Randbedingungen dargestellt (im mathematischen Sinne sind dies allerdings
keine Randbedingungen).
Gegeben sei eine 2π-periodische Gitterfunktion uN an N + 1 Stellen 0 ≤ xj = jh =
2πj/N ≤ 2π, j = 0, . . . , N , siehe Skizze 3.16. Man setzt zunächst eine Fourierreihe an für
uN
N/2
X
n
uj = ûn (ξ)eiξxj . (3.92)
ξ=−N/2

Setzt man diese für uN in (3.60b) ein, dann erhält man


N/2 N/2
X X
n+1 iξxj
û (ξ)e = ûn (ξ){G}eiξxj (3.93)
ξ=−N/2 ξ=−N/2

Wintersemester 2007/2008 (Version: 12/2012)


62 3 Diskretisierungsverfahren

für alle Stellen j = 0, . . . , N . Der Term {G}eiξxj bedeutet dabei, dass der durch G beschrie-
bene Differenzenoperator auf eiξxj angewendet wird anstelle auf unj . Man erreicht dadurch,
dass räumliche und zeitliche Entwicklung der Lösung separiert werden. Die Wellenzahl ξ liegt
in dem Intervall 0 ≤ |ξ| ≤ N/2 = π/h. Man bezeichnet die grösste auftretende Wellenzahl
π/h auch als Nyquist-Wellenzahl. Um die weitere Notation zu vereinfachen, nehmen wir nun
an, dass G(h, τ ) eine zyklische Matrix ist und dass man alternativ schreiben kann

un+1
N = GunN , (3.94)

oder äquivalent
νr
X
un+1
j = Aν unj+ν . (3.95)
ν=−νl

Aν sind somit die nicht-verschwindenden Elemente einer Zeile der Matrix G, zentriert um
die Hauptdiagonale.
Beispiel 21. Betrachten wir als Beispiel wieder das Schema (3.86)
τ n
un+1 = unj + (u − unj−1 ) . (3.96)
j
2h j+1
Dann ist νl = 1, νr = 1, A−1 = −τ /2h, A0 = 1, A1 = τ /2h.
Mit dieser Notation erhält man für die Fouriertransformierte von (3.60) den Ausdruck
N/2 N/2
X X
n+1 iξxj
û (ξ)e = ûn (ξ){G}eiξxj
ξ=−N/2 ξ=−N/2
N/2 νr N/2
X X X (3.97)
= ûn (ξ)eiξxj Aν eiνξ = eiξxj ûn (ξ)Ĝ(ξ) .
ξ=−N/2 ν=−νl ξ=−N/2
| {z }
=:Ĝ(ξ)

Ĝ(ξ) bezeichnet man als das Symbol des Finite-Differenzen-Schemas. Wegen der zwischen
uN und seiner Fouriertransformierten gültigen Parseval-Relation
X
kunN k2 = |ûn (ξ)|2 , (3.98)
k

erhält man LR-Stabilität nach (3.64a) genau dann, wenn für alle |ξ| ≤ N/2 eine Abschätzung

|Ĝn (ξ)| ≤ Ks eαs nτ (3.99)

besteht, und hieraus das oben schon im Rahmen der Matrixmethode angegebene von-
Neumann-Kriterium
max |Ĝ(ξ)| ≤ 1 + O(τ ) . (3.100)
ξ
| {z }
=ρ(G)

Wintersemester 2007/2008 (Version: 12/2012)


63 3 Diskretisierungsverfahren

Beispiel 22. Gegeben sei das Anfangswertproblem für die skalare Advektionsgleichung
∂u ∂u
+a =0. (3.101)
∂t ∂x
Zeitintegration mit dem expliziten Euler-Verfahren zusammen mit zentralen Differenzen
2. Ordnung für die räumliche Diskretisierung (FTCS) liefert die diskretisierte Gleichung
un+1
j − unj unj+1 − unj−1
+a =0. (3.102)
τ 2h
Einsetzen des Fourier-Ansatzes und getrennte Betrachtung der individuellen Gleichungen für
jede Fourier-Mode (lineares Problem) liefert für alle ξ
û(ξ)n+1 − û(ξ)n a 2πξ
+ û(ξ)n 2i sin(ξ ′ ) = 0 , ξ ′ := ξh = .
τ 2h N
Mit

û(ξ)n+1 = Ĝ(ξ)û(ξ)n und σ =
h
erhält man für den Betrag des Verstärkungsfaktors Ĝ
|Ĝ(ξ)|2 = 1 + σ 2 sin2 (ξ ′ ) > 1 .
Das obige Diskretisierungsverfahren ist im Fall der skalaren Advektionsgleichung also stets
instabil (nach Lax-Richtmyer und asymptotisch).

Methode der modifizierten Differentialgleichung


Bei dieser Methode der Stabilitätsanalyse werden die führenden Fehlerterme der Diskretisie-
rung mitberücksichtigt. Damit kann bestimmt werden, welche modifizierte Differentialglei-
chung durch das Differenzenschema approximiert wird.
Beispiel 23. Es soll die skalare Advektionsgleichung (3.101) mit explizitem Euler-Verfahren
in der Zeit und zentralen Differenzen im Raum (Schema (3.102)) betrachtet werden. Der
Abbruchfehler ergibt sich zu
1 1
T (xj , tn ) = − τ ∂tt u(xj , tn ) − h2 a∂xxx u(xj , tn ) + O(τ 2 , h4 ) .
2 6
Aus der Differentialgleichung (3.101) folgt
∂tt u = a2 ∂xx u,
was auf die modifizierte Differentialgleichung
1
∂t u + a∂x u = − a2 τ ∂xx u + O(τ 2 , h2 )
2
führt, d. h. es wird effektiv eine Advektions-Diffusions-Gleichung mit Viskosität νeff = − 21 a2 τ
approximiert. Da νeff < 0, ist die Lösung dieser modifizierten Differentialgleichung stets
instabil (engl. ill-posed). Dieses Ergebnis ist konsistent mit der von-Neumann-Analyse aus
Beispiel 22.

Wintersemester 2007/2008 (Version: 12/2012)


64 3 Diskretisierungsverfahren

Beispiel 24. Die Aufwind-Diskretisierung der Gleichung (3.101) (siehe Beispiel 12) führt auf
die modifizierte Differentialgleichung
 
1 1
∂t u + a∂x u = ah − a2 τ ∂xx u + O(τ 2 , h2 ) (3.103)
2 2

mit νeff = a2 (h − a∆t). Die Bedingung νeff ≥ 0 liefert als Stabilitätskriterium σ = aτ


h ≤ 1.
Dies ist konsistent mit dem CFL-Kriterium (siehe auch Kapitel 4.1.2).

Der Faktor νeff wird auch als numerische Viskosität bezeichnet. Obwohl die numerische
Viskosität die numerische Lösung verfälschen kann, hat sie aber auch die willkommene Eigen-
schaft, den Einfluss von Rundungsfehlern zu dämpfen. Bei manchen Diskretisierungsverfahren
(insbesondere auch bei reibungsfreien Problemen, etwa bei der Lösung der Euler-Gleichung)
wird deshalb ein solcher numerischer Dämpfungsterm mit Absicht zusätzlich in das Schema
eingeführt (künstliche Viskosität). Dessen Grösse (Wert des numerischen Verfahrens) muss
empirisch bestimmt werden [Hir90].

Linienmethode
Man kann die räumliche und zeitliche Diskretisierung zum Zwecke der Stabilitätsuntersu-
chung auch separat betrachten. Wenn man in der Differentialgleichung (3.59) zunächst nur
die auftretenden räumlichen Ableitungen diskretisiert, die Zeitableitung aber weiterhin kon-
tinuierlich betrachtet, dann erhält man die sogenannte Semidiskretisierung dieser Gleichung.
Nehmen wir der Einfachheit halber an, dass nur eine Zeitableitung erster Ordnung ∂u/∂t
in (3.59) auftritt, also
∂u
= L(u) . (3.104)
∂t
Dann schreiben wir in Analogie zu dem Einschrittverfahren (3.60) für die Semidiskretisierung

duN
= LN (h)uN . (3.105)
dt
Offenbar hat man durch die Diskretisierung der räumlichen Ableitungen die partielle Dif-
ferentialgleichung (3.59) in ein System von gewöhnlichen Differentialgleichungen für die
zeitabhängige Gitterfunktion uN (t) transformiert. Dieses kann mit einem Standardverfahren
zur Integration gewöhnlicher Differentialgleichungen (z. B. Runge-Kutta) behandelt werden.
Zur Stabilitätsuntersuchung kann man (wenn die oben genannten Gültigkeitsvoraussetzun-
gen erfüllt sind) die Fouriermethode anwenden, wobei nun aber die Amplitude û(ξ, t) eine
kontinuierliche Funktion der Zeit t ist. Man erhält
dû
= L̂N (ξ)û(ξ, t) , (3.106)
dt

wobei L̂N hier zu verstehen ist als das Symbol der Semidiskretisierung. Um Stabilität sicher-
zustellen, muss dann für jede einzelne Gleichung des Systems L̂N (ξ) im Stabilitätsbereich
des Integrationsverfahrens liegen, welchen man durch die Betrachtung der skalaren, linearen

Wintersemester 2007/2008 (Version: 12/2012)


65 3 Diskretisierungsverfahren

Testgleichung (Dahlquist-Gleichung) u′ = λu, λ = const. bestimmen kann (siehe absolute


Stabilität weiter oben).
Eine entsprechende Erweiterung gilt auch für Mehrschrittverfahren, z. B. das Adams-
Bashforth-Verfahren (Beispiel 17) oder das Runge-Kutta-Verfahren (Beispiel 16).

[CHQZ88] C. Canuto, M. Y. Hussaini, A. Quarteroni, and T. A. Zang. Spectral Methods in


Fluid Dynamics. Springer, Berlin, Germany, 1988.

[DFM02] M. O. Deville, P. F. Fischer, and E. H. Mund. High-Order Methods for Incom-


pressible Fluid Flow. Cambridge University Press, Cambridge, 2002.

[GKO95] B. Gustafsson, H.-O. Kreiss, and J. Oliger. Time Dependent Problems and Dif-
ference Methods. John Wiley & Sons, New York, 1995.

[Hir90] C. Hirsch. Numerical Computation of Internal and External Flows. John Wiley
& Sons, Chichester, 1990.

[RM65] R. D. Richtmyer and K. W. Morton. Difference Methods for Initial-Value Pro-


blems. John Wiley & Sons, New York, 2nd edition, 1965.

[Str89] J. C. Strikwerda. Finite Difference Schemes and Partial Differential Equations.


Wadsworth & Brooks/Cole, Belmont, 1989.

[TAP97] J. C. Tannehill, D. A. Anderson, and R. H. Pletcher. Computational Fluid Dy-


namics and Heat Transfer. Taylor & Francis, Washington, London, 2nd edition,
1997.

[VM95] H. K. Versteeg and W. Malalasekera. An Introduction to Computational Fluid


Dynamics – The Finite Volume Method. Longman, Essex, 1995.

[LeV07] R. J. LeVeque. Finite difference methods for ordinary and partial differential
equations. SIAM 2007.

Wintersemester 2007/2008 (Version: 12/2012)


4. Grundtypen von Lösungsverfahren
4.1. Hyperbolische Gleichungen
Die Grundlagen der hyperbolischen Differentialgleichungen wurden im Kapitel 2.5.3 bespro-
chen. Zur numerischen Lösung von hyperbolischen Gleichungen bieten sich Charakteristiken-
verfahren oder Differenzenschemata (siehe Kapitel 4.1.1) an.
Charakteristikenverfahren wurden früher insbesondere zur Lösung der eindimensionalen in-
stationären Euler-Gleichungen und für stationäre zweidimensionale, reibungsfreie Überschall-
strömungen angewendet [TAP97]. Dabei werden die Gleichungen auf die charakteristischen
Variablen transformiert und das entstehende System wird zusammen mit den Gleichungen für
die Charakteristiken numerisch integriert. So wird die numerische Lösung auf eine Integrati-
on von gekoppelten gewöhnlichen Differentialgleichungen zurückgeführt, die im allgemeinen
iterativ gelöst werden müssen. Im Falle von drei oder mehr unabhängigen Variablen wird das
Charakteristikenverfahren jedoch kompliziert. Charakteristikenverfahren sind heute weitge-
hend durch die einfachere direkte Diskretisierung der Ausgangsgleichungen ersetzt worden.

4.1.1. Wichtige Diskretisierungsschemata


Betrachtet wird als Modell die lineare Advektionsgleichung für eine Funktion u(x, t)
∂u ∂u
+a =0 (4.1)
∂t ∂x
mit konstantem a, der Anfangsbedingung u(x, 0) = g(x) und gegebenenfalls Randbedin-
gungen an dem Rand mit eintretender Charakteristik (sachgemäss gestelltes Problem). Die
Lösung des reinen Anfangswertproblems ist u(x, t) = g(x − at).
Im folgenden werden einige wichtige Finite-Differenzen-Schemata für hyperbolische Glei-
chungen eingeführt und ihre Eigenschaften kurz charakterisiert. Für Stabilitätsbetrachtungen
(siehe Kapitel 4.1.2) führt man die nach Courant, Friedrichs und Lewy benannte CFL-Zahl
σ = a ∆t/h (4.2)
ein. Weitere Eigenschaften, insbesondere Amplituden- und Phasenfehler bei der Berechnung
wellenförmiger Lösungen, werden in Kapitel 4.1.2 besprochen. Eine ausführliche Diskussion
findet man z. B. in [TAP97].

Aufwind-Verfahren erster Ordnung mit explizitem Euler-Verfahren


Das Aufwind-Verfahren erster Ordnung lautet
un+1
j − unj a + |a|  a − |a| 
= − unj − unj−1 − unj+1 − unj . (4.3)
τ 2h 2h

Wintersemester 2007/2008 (Version: 12/2012)


67 4 Grundtypen von Lösungsverfahren

Für die räumliche Diskretisierung werden im Falle a > 0 linksseitige Differenzen verwen-
det (zweiter Summand in Gleichung (4.3) verschwindet, FTBS für forward-time, backward-
space), für a < 0 rechtsseitige Differenzen (erster Summand verschwindet). Dieses Verfahren
ist von der Ordnung O(τ, h) und ist stabil für |σ| ≤ 1 (siehe auch Kapitel 3.5). Die modifi-
zierte Differentialgleichung lautet (siehe Kapitel 3.5.3)

∂u ∂u |a|h ∂2u
+a = (1 − |σ|) 2 + ... . (4.4)
∂t ∂x 2 ∂x
Der führende Fehlerterm ist dissipativ und führt zu einer ausgeprägten Verschmierung von
starken Gradienten in der Lösung, weshalb das Verfahren nur beschränkt einsetzbar ist (vgl.
Abb. 4.2a). Bei diesem Verfahren wird für den Sonderfall |σ| = 1 die exakte Lösung erhalten.

Leapfrog-Verfahren
Das Leapfrog-Verfahren

un+1
j − ujn−1 a
= − ( un − unj−1 ) (4.5)
2τ 2h j+1
ist von zweiter Ordnung im Raum und in der Zeit und ist stabil für |σ| ≤ 1. Die modifizierte
Gleichung für das Leapfrog-Verfahren lautet

∂u ∂u ah2 2 ∂3u
+a = (σ − 1) 3 + ... . (4.6)
∂t ∂x 6 ∂x
Der führende Fehlerterm ist dispersiver Natur. Die Amplitude sinusförmiger Wellen bleibt
exakt erhalten (kein Amplitudenfehler). Dies hat allerdings auch Nachteile: numerische Fehler
werden nicht gedämpft (vgl. Abb. 4.2b).

Zentrales Differenzenverfahren mit explizitem Eulerverfahren


Das zentrale Differenzenverfahren
un+1
j − unj a
= − ( un − unj−1 ) (4.7)
τ 2h j+1
ist von zweiter Ordnung im Raum in Kombination mit dem expliziten Eulerverfahren für die
Zeitintegration (FTCS, forward-time centered-space), und ist unbedingt instabil (vgl. Kapitel
3.5.3). Die modifizierte Gleichung für dieses Differenzenverfahren lautet

∂u ∂u a2 τ ∂ 2 u
+a =− + ... . (4.8)
∂t ∂x 2 ∂x2
Der führende Fehlerterm ist dissipativ mit negativer Diffusionskonstante −a2 τ /2. Eine solche
Gleichung kann nicht auf ein sachgemäss gestelltes Problem führen; darin spiegelt sich die
unbedingte Instabilität wider.

Wintersemester 2007/2008 (Version: 12/2012)


68 4 Grundtypen von Lösungsverfahren

Lax-Wendroff-Verfahren
Aus obigem zentralen Differenzenverfahren (4.7) kann ein bedingt stabiles Verfahren gewon-
nen werden, wenn ein zusätzlicher Dämpfungsterm eingeführt wird. Dies führt auf das viel
benutzte Lax-Wendroff-Verfahren
un+1
j − unj a a2 τ n
= − ( unj+1 − unj−1 ) + (u − 2 unj + unj+1 ) . (4.9)
τ 2h 2h2 j−1
Das Lax-Wendroff-Verfahren ist von zweiter Ordnung im Raum und in der Zeit, und ist stabil
für |σ| ≤ 1. Die modifizierte Gleichung für das Lax-Wendroff-Verfahren lautet

∂u ∂u ah2 2 ∂3u
+a = (σ − 1) 3 + ... . (4.10)
∂t ∂x 6 ∂x
Man erkennt, dass der Fehlerterm in (4.8) durch den Zusatzterm in (4.9) kompensiert wurde.

MacCormack-Verfahren
Das MacCormack-Verfahren ist ein zweistufiges Prädiktor-Korrektor-Verfahren“. Der

Prädiktor-Schritt“ für die zunächst berechnete Zwischenlösung lautet


ũn+1
j = unj − ( unj+1 − unj ) , (4.11a)
h
und der Korrektor-Schritt“

1h n aτ i
un+1
j = uj + ũn+1
j − ( ũ n+1
j − ũ n+1
j−1 ) . (4.11b)
2 h
Für die lineare Advektionsgleichung ist das MacCormack-Verfahren identisch mit dem Lax-
Wendroff-Verfahren und somit stabil für |σ| ≤ 1.

4.1.2. Analyse von Verfahren für lineare Gleichungen


CFL-Bedingung
Wir betrachten als Modellgleichung wiederum die skalare Advektionsgleichung
∂u ∂u
+a =0 (4.12)
∂t ∂x
auf x ∈ IR mit a > 0 und u(x, 0) = g(x).
Für die analytische Lösung von Gleichung (4.12) wird das analytische Abhängigkeitsge-
biet mittels der Charakteristiken x(t) = x + at bestimmt. Das numerische Abhängigkeits-
gebiet des Punktes P (siehe Skizze 4.1) umfasst diejenigen Punkte in der diskretisierten
x-t-Ebene, von denen die numerische Lösung im Punkt P abhängt. Es ist durch den Diffe-
renzenstern ( stencil“) des Verfahrens gegeben. Die sogenannte CFL-Bedingung besagt, dass

das numerische Abhängigkeitsgebiet das analytische umfassen muss, also die Charakteristiken
der Differentialgleichung innerhalb des numerischen Abhängigkeitsgebiets liegen müssen. Die

Wintersemester 2007/2008 (Version: 12/2012)


69 4 Grundtypen von Lösungsverfahren

n+1
P (xj,tn+1)
t
Charakteristik
x +at
¢t

tn
a¢t

xj- 1 ¢x xj xj+1

Abbildung 4.1.: Skizze zur CFL-Bedingung für ein 3-Punkt-Schema.

CFL-Bedingung ist notwendig (jedoch nicht hinreichend) für die Stabilität der numerischen
Diskretisierung. Durch die CFL-Bedingung wird impliziert, dass für ein 3-Punkte-Schema die
Informationen in einem Zeitschritt τ durch die analytische Lösung nicht weiter transportiert
werden als die Gitterweite h, d. h. |a|τ ≤ ∆x. Die liefert eine Begründung für die notwendige
Stabilitätsbedingung eines 3-Punkte-Schemas der Art (4.3), (4.5), (4.9), (4.11)

|a|τ
|σ| = ≤1 (4.13)
h
mit der CFL-Zahl σ.

Amplituden- und Phasenfehler


Wir betrachten die Advektionsgleichung (4.12) mit in x-Richtung periodischen Randbedin-
gungen mit der Periodenlänge L und stellen die exakte Lösung mit einem Fourier-Ansatz
dar, wobei es genügt, sich auf eine einzelne Fouriermode

u = e−iωt eiξx (4.14)

zu beschränken. Dabei ist ξ = (2π/L)k ∈ IR mit k ∈ Z die Wellenzahl und ω ∈ IR die


Kreisfrequenz. Falls die Anfangsbedingung g(x) = u(x, 0) = eiξx ist, löst der Ansatz die
Advektionsgleichung unter der Bedingung

ω = aξ , (4.15)

wie man durch Einsetzen von (4.14) in (4.12) sofort bestätigt. Gleichung (4.15) ist die exakte
Dispersionsbeziehung, die den Zusammenhang zwischen Frequenz ω und Wellenlänge oder
Wellenzahl ξ beschreibt.
Die numerische Lösung eines Einschritt-Diskretisierungsschemas für (4.12) auf dem Gitter
xj = jh, ∆x = L/N , X
un+1
j = Gji (h, τ )uni (4.16)
i

Wintersemester 2007/2008 (Version: 12/2012)


70 4 Grundtypen von Lösungsverfahren

mit der Verstärkungsmatrix Gji , wird in Analogie zur exakten Lösung (4.14) dargestellt als
n
unj = e−iω̃t eiξxj , (4.17)

mit einer noch zu charakterisierenden, i. a. komplexen Dispersionsbeziehung

ω̃ = ω̃(ξ) = ω̃r + iω̃i ∈ C| . (4.18)

Es ergibt sich damit X


n+1 n
e−iω̃t eiξxj = Gji e−iω̃t eiξxi (4.19)
i

und mit tn+1


= tn + τ und Division durch eiξxj weiter für den Verstärkungsfaktor Ĝ der
Fouriermode X
e−iω̃τ = Gji eiξ(xi −xj ) =: Ĝ(ξ) (4.20)
i

(Die Abhängigkeit von j verschwindet in dem betrachteten Fall aufgrund der Periodizität
des Rechengebiets). Es folgt
1 1 1
ω̃ = ω̃r + iω̃i = i ln Ĝ = − arg(Ĝ) + i ln |Ĝ| , (4.21)
τ τ τ
wobei arg(eiφ ) = φ bedeutet. Mittels der Dispersionsbeziehung (4.15) ist die exakte Phasen-
geschwindigkeit gegeben durch
ω
cph := = a , (4.22)
ξ
die Phasengeschwindigkeit der numerischen Approximation durch
ω̃r
c̃ph := . (4.23)
ξ

Verglichen mit der (rein reellen) exakten Dispersionsbeziehung (4.15) verursacht der Ima-
ginärteil ω̃i eine Abweichung der Amplitude der numerischen Lösung von derjenigen der
exakten Lösung. Falls ω̃i < 0, nimmt die Amplitude der numerischen Lösung ab mit zuneh-
mendem t, falls ω̃i > 0, nimmt sie zu.
Es ist zweckmässig, die Veränderung von Amplitude und Phase über einen Zeitschritt τ
hinweg ins Verhältnis zu setzen mit den entsprechenden Werten der exakten Lösung (4.14).
Diese ändert sich über einen Zeitschritt gemäss (4.14) um den Faktor

Ĝex = e−iωτ , (4.24)

also ist |Ĝex | = 1 und arg(Ĝex ) = −ωτ . Wir definieren das Amplitudenverhältnis eines
Diskretisierungsverfahrens als

|Ĝ| eω̃i τ
Eamp := = = eω̃i τ (4.25)
|Ĝex | 1

Wintersemester 2007/2008 (Version: 12/2012)


71 4 Grundtypen von Lösungsverfahren

und sein Phasenverhältnis

arg(Ĝ) −ω̃r τ ω̃r c̃ph


Eph := = = = , (4.26a)
arg(Ĝex ) −ωτ ω cph

oder mit ω = aξ nach (4.15) und σ = aτ /h auch

arg(Ĝ)
Eph = . (4.26b)
−σξh
Deren Abweichung vom Idealwert 1 bezeichnen wir als Amplitudenfehler Eamp − 1 bzw. als
Phasenfehler Eph − 1. Amplitudenfehler werden auch dissipative Fehler und Phasenfehler
dispersive Fehler genannt. Letztere Bezeichnung bezieht sich auf den Zusammenhang mit
dem Phänomen der Dispersion, welches bedeutet, dass sich unterschiedliche Frequenzen mit
unterschiedlichen Geschwindigkeiten ausbreiten.
Im allgemeineren Fall besteht eine Lösung nicht nur aus einer einzelnen harmonischen Wel-
le wie in (4.14), sondern sie setzt sich aus vielen Fouriermoden unterschiedlicher Wellenlänge
zusammen. Die Lösung kann auch als Wellengruppe oder Wellenpaket lokalisiert sein. Die
Ausbreitungsgeschwindigkeit eines lokalisierten Wellenpakets ist nicht gegeben durch die
Phasengeschwindigkeit cph , sondern durch die Gruppengeschwindigkeit cgr = ∂ω/∂ξ. Für
den speziellen Fall der linearen Advektionsgleichung erhält man cph = cgr . Allerdings ist im
allgemeinen für die numerische Diskretisierung ω̃ = ω̃(ξ), d. h. verschiedene Fouriermoden,
charakterisiert durch ihre Wellenzahl ξ, bewegen sich mit unterschiedlichen Phasengeschwin-
digkeiten, und im allgemeinen ist cgr 6= cph .
In Abbildung 4.2 sind die Auswirkungen der beiden Fehlerarten Amplituden- und Pha-
senfehler anhand eines Beispiels demonstriert. Die Anfangsbedingung, und damit auch die
exakte Lösung, besteht aus einem Rechteckpuls, der sich für t > 0 nach rechts verschiebt.
Während der Amplitudenfehler des stark dissipativen Aufwind-Verfahrens eine Verschmierung
der Lösung bewirkt (Abflachen der Flanken), erzeugt das dispersive Leapfrog-Verfahren re-
gelmässige Oszillationen um die exakte Lösung, die im Bereich der Unstetigkeiten besonders
stark ausgeprägt sind.
Wir sehen uns nun die Amplituden- und Phasenfehler einiger Diskretisierungsverfahren an.

Beispiel 25. Lax-Friedrichs-Schema für die Advektionsgleichung.


1 n  σ n 
un+1
j = uj+1 + unj−1 − uj+1 − unj−1 (4.27)
2 2
wobei die CFL-Zahl wieder gegeben ist als
τ
σ=a .
h
Das Verfahren ist von der Ordnung O(τ, h2 /∆t) und deshalb nur bedingt konsistent (vgl.
Beispiel 15 in Kap. 3.5). Es ist stabil unter der Bedingung

|σ| ≤ 1 .

Wintersemester 2007/2008 (Version: 12/2012)


72 4 Grundtypen von Lösungsverfahren

1.5 1.5

1 1

u(x)0.5 u(x)0.5

0 0

−0.5 −0.5
a) 0 2 4 6 8 10 b) 0 2 4 6 8 10
x x

Abbildung 4.2.: Schematische Darstellung der numerischen Lösung der Advektionsgleichung


mit einer Rechtecksfunktion als Anfangsbedingung. a) Dissipatives Schema
(Aufwind im Raum, expliziter Euler in der Zeit) und b) dispersives Schema
(Leapfrog).

Dies ist bemerkenswert, da das Verfahren aus dem instabilen FTCS-Verfahren, Gl. (4.7),
durch Ersetzen von unj durch den Mittelwert der benachbarten Stützstellenwerte hervorge-
gangen ist. Der Verstärkungsfaktor der Diskretisierung ist

Ĝ(φ) = cos φ − iσ sin φ , φ = ξ∆x , 0 ≤ φ ≤ π .

Ausserdem erhält man das Amplitudenverhältnis

Eamp = |Ĝ| = | cos2 φ + σ 2 sin2 φ|1/2

und das Phasenverhältnis


arctan(σ tan φ)
Eph = .
σφ
Der Verlauf dieser Grössen ist in Abbildung 4.3 dargestellt. Für kleine σ ist der Amplituden-
σ=1
1 6

5
σ = 0.25
0.8
4
Eamp0.6 Eph
3
0.4 σ = 0.25 2
0.2 1
σ=1
a) 0.5 1 1.5 2 2.5 3 b) 0.5 1 1.5 2 2.5 3
φ φ

Abbildung 4.3.: a) Amplitudenverhältnis Eamp und b) Phasenverhältnis Eph für das Lax-
Friedrichs-Schema, für σ = 0.25, 0.5, 0.75, 1. Die Abweichung vom Idealwert
1 stellt den Amplitudenfehler bzw. Phasenfehler dar.

fehler, d. h. die Abweichung von Eamp vom Idealwert 1, beträchtlich gross (ausser für φ → 0

Wintersemester 2007/2008 (Version: 12/2012)


73 4 Grundtypen von Lösungsverfahren

oder π). Der Phasenfehler, d. h. die Abweichung von Eph vom Idealwert 1, ist (ausser für
φ → 0) für kleinere σ ebenfalls erheblich. Da er positiv ist, läuft die berechnete Welle der
exakten weit voraus.

Beispiel 26. Aufwind-Verfahren erster Ordnung mit explizitem Euler-Verfahren


(FTBS-Schema) für die Advektionsgleichung, Gleichung 4.12

un+1
j = unj − σ unj − unj−1 (4.28)
mit σ = aτ /h und a > 0. Der Verstärkungsfaktor der Diskretisierung ergibt sich nun zu

Ĝ(φ) = 1 − σ + σ cos φ − iσ sin φ , φ = ξh (4.29)

(siehe Abbildung 4.4). Wie oben schon erwähnt, ist dieses Verfahren (ausser für den Grenzfall
σ = 1) ebenfalls stark dissipativ.
σ=1
1 1.4
σ = 0.75
0.8 σ = 0.25, 0.75 1.2
1
Eamp0.6 Eph 0.8 σ = 0.5, 1
0.4 0.6

0.2 σ = 0.5 0.4


0.2
σ = 0.25
a) 0.5 1 1.5 2 2.5 3 b) 0.5 1 1.5 2 2.5 3
φ φ

Abbildung 4.4.: a) Amplitudenverhältnis Eamp und b) Phasenverhältnis Eph für das FTBS
(Aufwind-)Schema, für σ = 0.25, 0.5, 0.75, 1.

Beispiel 27. Lax-Wendroff-Schema für die Advektionsgleichung.

σ n σ2
un+1
j (uj+1 − unj−1 ) + (unj−1 − 2unj + unj+1 ).
= −unj − (4.30)
2 2
mit σ = aτ /h. Der Verstärkungsfaktor berechnet sich zu

Ĝ = 1 − σ 2 (1 − cos φ) − iσ sin φ , φ = ξh , (4.31)

siehe Abbildung 4.5. Der Amplitudenfehler ist gegenüber dem Aufwind-Verfahren deutlich
reduziert. Der Phasenfehler ist überwiegend negativ (nachlaufende Wellen).

Wintersemester 2007/2008 (Version: 12/2012)


74 4 Grundtypen von Lösungsverfahren

σ=1
1 1.4

0.8
σ = 0.25 1
1.2
σ=1
Eamp 0.6 Eph 0.8
0.4 0.6

0.2
σ = 0.75 0.4
0.2
σ = 0.25
a) 0.5 1 1.5 2 2.5 3 b) 0.5 1 1.5 2 2.5 3
φ φ

Abbildung 4.5.: a) Amplitudenverhältnis Eamp und b) Phasenverhältnis Eph für das Lax-
Wendroff Schema, für σ = 0.25, 0.5, 0.75, 1.

4.1.3. Nichtlineare Gleichungen und unstetige Lösungen


Für nichtlineare Probleme mit glatten Lösungen werden die gleichen Verfahren angewandt,
die auch bei linearen Problemen zum Einsatz kommen. Allerdings erfordern zeitlich implizite
Verfahren die Lösung grosser nichtlinearer Gleichungssysteme, weshalb man meist explizite
Verfahren verwendet und die erforderlichen kleineren Zeitschritte in Kauf nimmt. Bei Ver-
wendung von Aufwindverfahren für nichtlineare Probleme hängt das numerische Verfahren –
entsprechend den Charakteristiken – von der Lösung ab.
Bei Lösung hyperbolischer Gleichungen können sich auch bei glatten Anfangs- und Rand-
bedingungen nach endlicher Zeit Unstetigkeiten entwickeln – Wellen können sich aufsteilen
und brechen“, die Eindeutigkeit der Lösung geht verloren. Als einfaches Modell für eine

nichtlineare Gleichung betrachten wir die Burgers-Gleichung
∂u ∂u
+u =0 (4.32)
∂t ∂x
mit der Anfangsbedingung
u(x, 0) = u0 (x) . (4.33)
Gl. (4.32) kann man durch Einführen von Charakteristiken x(t) in ein System von zwei
gewöhnlichen Differentialgleichungen umformen,
dx
= u(x, t) (4.34a)
dt
du ∂u dx ∂u
= + =0. (4.34b)
dt ∂t dt ∂x
Gleichung (4.34a) beschreibt die Charakteristiken x(t) von (4.32) und (4.34b) die Ände-
rung von u(x(t), t) entlang dieser Charakteristiken, welche notwendigerweise verschwindet,
wie schon in Kapitel 2.5.3 allgemein gezeigt. Folglich sind nach (2.57) die Charakteristiken
Geraden der Form x(t) = x + u0 (x) · t. Auch wenn die Anfangsbedingung u0 (x) glatt ist,
aber irgendwo ∂u0 (x)/∂x = u′0 (x) < 0, bildet sich nach endlicher Zeit eine Unstetigkeit aus
(vgl. Abbildung 2.7 im Kapitel 2.5.3). Zum Beweis betrachte man zwei Charakteristiken

x1 (t) = x̄1 + u0 (x̄1 )t , x2 (t) = x̄2 + u0 (x̄2 )t , (4.35)

Wintersemester 2007/2008 (Version: 12/2012)


75 4 Grundtypen von Lösungsverfahren

worin x̄1 und x̄2 die x-Achsenabschnitte der Charakteristiken zum Zeitpunkt t = 0 sind.
Fordert man nun x1 = x2 und setzt x̄1 =
barx und x̄2 = x̄ + dx̄, so erhält man für den Zeitpunkt des Schneidens
 
u0 (x̄ + dx̄) − u0 (x̄) −1
t=− . (4.36)
dx̄
Führt man nun den Grenzübergang dx̄ → 0 durch, so erhält man für den Zeitpunkt t, zu
dem sich die beiden unmittelbar benachbarten Charakteristiken kreuzen,
1
t=− (4.37)
u′0 (x̄)

und damit den Zeitpunkt, zu dem das erste Überkreuzen von Charakteristiken auf dem
betrachteten Intervall auftreten kann,
1
Tb = − . (4.38)
minx u′0 (x)
Da die Lösung entlang jeder Charakteristik konstant ist, i.a. aber von Charakteristik zu
Charakteristik variiert, wird sie im Schnittpunkt mehrdeutig (Singularität).
Die Geschwindigkeit s, mit der sich eine Unstetigkeit

ul , x < st
u(x, t) = (4.39)
ur , x > st

mit ul > ur ausbreitet, kann man wie folgt berechnen. Man integriert Gleichung (4.32) über
ein Intervall [−xm , xm ], das die Unstetigkeit enthält
Z
d xm 1 1
u(x, t)dx = (u2l − u2r ) = (ul + ur )(ul − ur ) . (4.40)
dt −xm 2 2

Für die Lösung (4.39) gilt aber auch


Z xm
u(x, t)dx = (xm + st)ul + (xm − st)ur , (4.41)
−xm

woraus man erhält


Z
d xm d d
u(x, t)dx = xm (ul + ur ) + (st(ul − ur )) = s(ul − ur ) . (4.42)
dt −xm dt dt

Aus dem Vergleich von (4.40) und (4.42) ergibt sich für die Ausbreitungsgeschwindigkeit
1
s = (ul + ur ) . (4.43)
2
Dies ist die Rankine-Hugoniot-Bedingung für die Burgers-Gleichung. Da die Lösung u(x, t)
auf den Charakteristiken konstant ist, können sich Unstetigkeiten nur entlang von ihnen bzw.
ihren Schnittpunkten ausbreiten.

Wintersemester 2007/2008 (Version: 12/2012)


76 4 Grundtypen von Lösungsverfahren

Für eine weitergehende Diskussion und die numerische Behandlung allgemeiner nichtlinea-
rer skalarer hyperbolischer Probleme und von Systemen sei auf [LeV92, LeV02] verwiesen.
Falls Unstetigkeiten in der Lösung auftreten, wie etwa in kompressiblen Strömungen mit
Verdichtungsstössen, müssen diese speziell behandelt werden, um genaue und oszillations-
freie Lösungen zu erhalten. Hierfür kommen z. B. TVD-Verfahren (total variation diminis-
hing ) oder ENO-Verfahren (essentially non-oscillatory ) zum Einsatz. Zur Thematik dieser
stossauflösenden Verfahren (shock-capturing methods) existiert eine umfangreiche Literatur
([TAP97, Hir90, LeV92, LeV02]).

4.2. Elliptische Gleichungen


Für elliptische Differentialgleichungen wird an jedem Randpunkt eine Randbedingung (Dirich-
let, Neumann oder Robin) vorgegeben, um ein sachgemäss gestelltes Problem zu formulieren,
siehe Kapitel 2.5.1. Elliptische Probleme treten z.B. auf bei der Berechnung von Potential-
strömungen, bei der Berechnung des Drucks in inkompressiblen Strömungen, und insbe-
sondere bei der impliziten Zeitintegration von parabolischen Gleichungen. Für die letztere
Aufgabe ist die Effizienz des in jedem Zeitschritt eingesetzten elliptischen Lösungsverfahrens
von besonderer Bedeutung.
Als wichtiges Standard-Beispiel soll im folgenden die Poisson-Gleichung in zwei Dimensio-
nen
∂2φ ∂2φ
∆φ ≡ + 2 =f (4.44)
∂x2 ∂y
betrachtet werden. Diskretisiert man die Poisson-Gleichung (4.44) auf einem rechteckigen
Gebiet mit zentralen Differenzen 2. Ordnung, so erhält man für die diskrete Lösung φj,k bei
einer äquidistanten Stützstellenverteilung mit h = ∆y = h die Gleichung (5-Punkte-Formel,
Differenzenstern) das Gleichungssystem

(φj+1,k − 2 φj,k + φj−1,k ) + (φj,k+1 − 2 φj,k + φj,k−1 ) = h2 · fj,k (4.45)

mit j = 1, ..., N und k = 1, ..., M . Wenn man die diskrete Lösung φj,k und die Inhomogenität
h2 fj,k als eindimensionale Vektoren anordnet, so erhält man ein lineares Gleichungssystem
mit Dimension N M × N M der Form

Aφ = b , (4.46)

das für φ gelöst werden muss. Dabei besteht der Vektor φ aus den Lösungen an den einzelnen
Punkten,
φ = (φ1,1 , . . . , φ1,M , φ2,1 , . . . , φ2,M , . . . , φN,1 , . . . , φN,M )T . (4.47)
| {z } | {z } | {z }
M M M

Ausgeschrieben hat das Gleichungssystem für die Punkte im Innern des Rechengebiets die

Wintersemester 2007/2008 (Version: 12/2012)


77 4 Grundtypen von Lösungsverfahren

Form
 .. .. ..    . 
. . . φ1,1 ..
 .     
 .. ..
.
.. .
. ..
..
.   ..   .. 
  .   . 
  2 
 1 1 −4 1 1   φj,k  = h  fj,k . (4.48)
 .. .. .. .. ..   ..   . 
 . . . . 
.  .   .. 
  
.. .. .. φN,M
..
. . . .

Die diskretisierten Randbedingungen sind zusätzlich in das Gleichungssystem einzutragen.


Die Koeffizientenmatrix ist also nur dünn besetzt und hat eine spezielle Gestalt, die zur Kon-
struktion effizienter Lösungsverfahren ausgenutzt werden kann. Zur Lösung können direkte
oder iterative Verfahren verwendet werden.
Direkte Verfahren für eine vollbesetzte Matrix sind bei mehrdimensionalen Problemen
im allgemeinen zu aufwendig; die LU-Zerlegung/Gauss-Elimination einer allgemeinen
 Matrix
mit anschliessender Berechnung eines Lösungsvektors benötigt O (M N )3 Fliesskomma-
Operationen (zum Vergleich: Die Lösung eines tridiagonalen Gleichungssystems der Dimen-
sion N M × N M mit dem Thomas-Algorithmus benötigt nur O(N M ) Operationen).
Es wurden jedoch einige spezielle direkte Verfahren entwickelt, die auf die Struktur des
Gleichungssystems (4.45) zugeschnitten sind und dadurch sehr effizient werden (schnelle
elliptische Löser, Fast Poisson Solvers). Beispiele sind das Verfahren nach Hockney oder die
zyklische Reduktion/rekursive Zerlegung. Dabei gilt, dass diese direkten Methoden in endlich
vielen Schritten auf die exakte Lösung des Gleichungssystems führen [Wes01].

4.2.1. Iterative Verfahren


Im allgemeinen ist man zur Lösung der diskretisierten Poisson-Gleichung, von der Gleichung
(4.45) einen wichtigen Spezialfall darstellt, auf iterative Verfahren angewiesen. Iterative Ver-
fahren zur Lösung eines linearen Gleichungssystems (4.46) werden im folgenden behandelt,
wobei A zunächst eine allgemeine Matrix ist. Die Spezialisierung auf die besondere Form des
Gleichungssystems (4.45) wird dann ebenfalls jeweils angegeben.
Ausgangspunkt der iterativen Verfahren ist eine Zerlegung der Koeffizientenmatrix A in
zwei Matrizen N und P
A = N −P , (4.49)
wobei die Matrix N so gewählt werden sollte, dass sie einfach zu invertieren“ ist. Das lineare

Gleichungssystem kann damit umgeschrieben werden als

Nφ = Pφ + b . (4.50)

Hieraus wird das folgende Iterationsschema abgeleitet:

N φ(m+1) = P φ(m) + b (4.51)

bzw.
φ(m+1) = N −1 P φ(m) + N −1 b . (4.52)

Wintersemester 2007/2008 (Version: 12/2012)


78 4 Grundtypen von Lösungsverfahren

Zur Bewertung der Genauigkeit der Iterationslösung φ(m) kann ihr Residuum R(m) be-
trachtet werden. Das Residuum ist der Fehler, der sich beim Einsetzen der aktuellen Lösung
φ(m) in das Gleichungssystem ergibt,

R(m) := A φ(m) − b , (4.53)

was mit (4.49) und (4.50) auch geschrieben werden kann als

R(m) = N ( φ(m) − φ(m+1) ) = A(φ(m) − φ) = A ε(m) . (4.54)

Voraussetzung für die Konvergenz des Iterationsverfahrens ist, dass der Fehler ε(m) = φ(m) −
φ mit zunehmendem m gegen Null geht. Es gilt nach Gleichung (4.51) und (4.52)

ε(m+1) = φ(m+1) − φ = G φ(m) + N −1 b − G φ − N −1 b = Gm+1 ε(0) . (4.55)

Daraus erkennt man, dass die Potenzen der Iterationsmatrix G = N −1 P entscheidend sind
für die Konvergenz der Iterationsvorschrift (man vergleiche den Begriff der M-Stabilität im
Kapitel 3.5.2). Eine notwendige und hinreichende Bedingung ist dadurch gegeben, dass der
Spektralradius der Matrix G kleiner als eins ist, d. h. dass gilt

ρ(G) = max( |λi (G)| ) < 1 mit G = N −1 P . (4.56)


i

Wichtige Iterationsverfahren

Nomenklatur: D Matrix der Diagonalelemente von A


L linke untere Dreiecksmatrix von A
U rechte obere Dreiecksmatrix von A
A=L+D+U

• Jacobi-Verfahren
Beim Jacobi-Verfahren wird als Matrix N die Diagonalmatrix D gewählt:

N =D , P = −(L + U ) . (4.57)

Die Iterationsvorschrift des Jacobi-Verfahrens lautet dementsprechend


(m+1)
X (m)
φi = ( bi − Aij φj ) / Aii . (4.58)
j6=i

Für das Beispiel der mit finiten Differenzen diskretisierten Poisson-Gleichung (4.45)
nimmt das Jacobi-Verfahren die folgende Form an

(m+1) 1  (m) (m) (m) (m)



φj,k = φj,k+1 + φj,k−1 + φj+1,k + φj−1,k − h2 fj,k . (4.59)
4

Wintersemester 2007/2008 (Version: 12/2012)


79 4 Grundtypen von Lösungsverfahren

Der Spektralradius des Jacobi-Verfahrens für Gleichung (4.59) ist [Moi01]


 
1 π π π2 1 1
ρ(GJ ) = cos + cos ≈1− + . (4.60)
2 M N 4 M2 N2
Er ist kleiner als eins, so dass das Verfahren konvergiert, aber die Konvergenz ist für
grosse M und N sehr langsam.

• Gauss-Seidel-Verfahren
Beim Gauss-Seidel-Verfahren wird für die Matrizen N und P gewählt:

N =D + L , P = −U . (4.61)

Die Iterationsvorschrift des Gauss-Seidel-Verfahrens lautet also


i−1
X N
X
(m+1) (m+1) (m)
φi = ( bi − Aij φj − Aij φj ) / Aii . (4.62)
j=1 j=i+1

Die bereits bekannten Werte der neuen Iterationsstufe m + 1 werden also sofort ver-
wendet. Dies lässt eine raschere Konvergenz erwarten, was auch tatsächlich zutrifft.
Für die diskretisierte Poisson-Gleichung (4.45) erhält man das Iterationsschema

(m+1) 1  (m) (m+1) (m) (m+1)



φj,k = φj,k+1 + φj,k−1 + φj+1,k + φj−1,k − h2 fj,k . (4.63)
4
Der Spektralradius des Gauss-Seidel-Verfahrens nach (4.63) ist [Moi01]
 2 1   
π π 2 π2 1 1
ρ(GGS ) = ρ(GJ ) = cos + cos ≈1− + , (4.64)
4 M N 2 M2 N2
so dass die Konvergenz doppelt so schnell ist wie beim Jacobi-Verfahren.
Wie am Beispiel von Gleichungen (4.60) und (4.64) gezeigt, ist der Spektralradius ρ
der Iterationsmatrix üblicherweise nur wenig kleiner als 1. Daher ist die Konvergenzge-
schwindigkeit nach Gleichung (4.55) nicht sehr hoch und sie verschlechtert sich stark
mit Verfeinerung des Gitters (wachsende M , N ).
Beispiel 28. Es soll mittels des Jacobi- respektive des Gauss-Seidel-Verfahrens der
Iterationsfehler ε um einen Faktor 10k reduziert werden, d. h.

kεk = kφ − φ(m) k ≤ ρ(G)m kε(0) k ≤ 10−k kε(0) k. (4.65)

Es ist also ρ(G)m ≤ 10−k und mit Gl. (4.60) und (4.64) für M ∝ N

m ∝ kN 2 . (4.66)

Daraus folgt, dass die Konvergenzgeschwindigkeit des Jacobi- und Gauss-Seidel-


Verfahrens umso kleiner ist (d.h. es sind umso mehr Iterationen notwendig), je feiner
die Diskretisierung gewählt wird.

Wintersemester 2007/2008 (Version: 12/2012)


80 4 Grundtypen von Lösungsverfahren

• Iterationsverfahren mit Überrelaxation (Successive Over-Relaxation, SOR)


(m+1) (m)
Beim SOR-Verfahren wird φi als gewichtete Summe von φi und dem Wert
(m+1)
φi,GS des Gauss-Seidel-Verfahrens berechnet:
(m+1) (m+1) (m)
φi = ω φi,GS + (1 − ω) φi . (4.67)

Der Parameter ω wird als Relaxationsfaktor bezeichnet und wird dazu verwendet, den
Spektralradius zu minimieren. Notwendige Bedingung für die Konvergenz ist 0 < ω <
2. Der optimale Wert für ω ist auflösungsabhängig und wird in der Regel im Bereich
1.7-1.9 gewählt [Moi01]. Für den Fall N = M erhält man bei optimalem Wert von
ω = ωopt = 2/(1 + sin π/N ) für den Spektralradius
1 − sin π/N 2π
ρ(GSOR,opt ) = ωopt − 1 = ≈1− , (4.68)
1 + sin π/N N
also eine erhebliche Verbesserung gegenüber (4.64). Für die Matrizen N und P gilt
1 1−ω
N= D +L , P = D −U . (4.69)
ω ω
Die Iterationsvorschrift des SOR-Verfahrens lautet deshalb
i−1
X N
X
(m+1) (m+1) (m) (m)
φi = ω(bi − Aij φj − Aij φj ) / Aii + (1 − ω)φi .
j=1 j=i+1

Löst man die diskretisierte Poisson-Gleichung (4.45) gemäss dem SOR-Verfahren, so


erhält man das Iterationsschema
(m+1) 1  (m) (m+1) (m) (m+1)

φj,k = ω φj,k+1 + φj,k−1 + φj+1,k + φj−1,k − h2 fj,k
4
(m)
+(1 − ω) φj,k . (4.70)

• Verfahren der konjugierten Gradienten (Conjugate Gradient Method)


Für symmetrische, positiv definite Matrizen A, also wenn gilt

A = AT und φT A φ > 0 für alle φ 6= 0 ,

kann das Konjugierte-Gradienten-Verfahren unmittelbar angewendet werden. Nicht


symmetrische Matrizen können symmetrisiert werden, wodurch jedoch die Konvergen-
zeigenschaften (Konditionszahl κ = |λmax |/|λmin |, siehe Kapitel 4.2.2) verschlechtert
werden 
A φ = b −→ AT A φ = AT b , κ(AT A) = κ(A)2 . (4.71)

Das Konjugierte-Gradienten-Verfahren ist (zusammen mit einer geeigneten Vorkondi-


tionierung) extrem effizient. Es kann gezeigt werden, dass das Verfahren mit einer
endlichen Anzahl von Iterationsschritten zur exakten Lösung konvergiert. Das Glei-
chungssystem A φ = b wird nach dem folgenden Algorithmus gelöst

Wintersemester 2007/2008 (Version: 12/2012)


81 4 Grundtypen von Lösungsverfahren

m = 0 ; φ(0) = 0 ; r (0) = b
while r(m) 6= 0
m=m+1
if m = 1
ψ (1) = r(0)
else
β = (r (m−1) )T r (m−1) /(r (m−2) )T r (m−2)
ψ (m) = r (m−1) + βψ (m−1)
end
α = (r(m−1) )T r(m−1) /(ψ (m) )T A ψ (m)
φ(m) = φ(m−1) + αψ (m)
r(m) = r (m−1) − αA ψ (m)
end
φ = φ(m) .

• Weitere Iterationsverfahren
In der Praxis werden zahlreiche weitere Iterationsverfahren angewendet [Hir90, Wes01,
Fle91]. Einige Beispiele seien hier erwähnt:
1. Linieniteration
Für die Linieniteration wird eine Raumrichtung ausgezeichnet, z. B. j = const.
Entlang dieser Linie werden die neuen Iterationswerte durch simultane direkte (im-
plizite) Berechnung bestimmt. Die Erfahrung zeigt, dass diese Verfahren doppelt
so schnell konvergieren wie das Gauss-Seidel-Verfahren. Die Auswahl der Lini-
enrichtung geschieht nach den Eigenschaften der Lösung, z. B. in wandnormaler
Richtung für die Berechnung von Grenzschichten.
2. ADI-Verfahren (alternating direction implicit)
Das ADI-Verfahren ist eng verknüpft mit der Linieniteration: Während bei der Li-
nieniteration die Vorzugsrichtung fest bleibt, wird beim ADI-Verfahren in aufein-
anderfolgenden Iterationsschritten die Richtung abgewechselt. Die Konvergenz-
geschwindigkeit wird dadurch ebenfalls verbessert.
3. SLOR (successive line over-relaxation) Das SLOR-Verfahren besteht aus einer
Kombination des SOR-Verfahrens mit der Linieniteration.

4.2.2. Konvergenzbeschleunigung
Man kann bei den besprochenen Iterationsverfahren beobachten, dass bei einer festen Gitter-
auflösung das Residuum R während der ersten Iterationen schnell abnimmt, aber eine deutli-
che Verlangsamung der Konvergenzgeschwindigkeit bei späteren Iterationsschritten auftritt,

Wintersemester 2007/2008 (Version: 12/2012)


82 4 Grundtypen von Lösungsverfahren

siehe Abbildung 4.6. Dieses Verhalten rührt hauptsächlich davon her, dass die langwelli-
gen Anteile der Lösung nur sehr langsam konvergieren. Durch geschickte Kombination von
Iterationen auf Gittern mit verschiedenen Auflösungen kann aber eine signifikante Konver-
genzbeschleunigung erreicht werden (siehe nachfolgenden Abschnitt Mehrgitterverfahren“).

−1
10

R
−2
10

0 10 20 30
m

Abbildung 4.6.: Konvergenzverhalten des Residuums R über der Anzahl der Iterationen m der
iterativen Lösung eines Gleichungssystems mit dem Jacobi-Verfahren,
Gauss-Seidel-Verfahren und SOR-Verfahren

Die Konvergenz der Iterationsverfahren kann durch verschiedene Methoden beschleunigt


werden, die auch miteinander kombiniert werden können.

Vorkonditionierung (preconditioning)
Wir betrachten das lineare Gleichungssystem
Aφ = b . (4.72)
Die Konvergenz der verschiedenen Iterationsverfahren hängt wesentlich von der Konditions-
zahl κ der Matrix A ab. Die Konditionszahl ist definiert durch
|λmax |
κ(A) := ≥1,
|λmin |
wobei |λmax | der betragsmässig maximale Eigenwert und |λmin | der betragsmässig minimale
Eigenwert von A ist. Für κ → 1 wird ein optimales Konvergenzverhalten erreicht. Um die
Konditionszahl einer Matrix zu verbessern, kann man mit Hilfe einer nicht singulären Matrix
C vom System (4.72) auf ein transformiertes System
(C A) φ = C b
übergehen. Die Matrix C ist dabei möglichst so zu wählen, dass
κ(C A) ≪ κ(A)

Wintersemester 2007/2008 (Version: 12/2012)


83 4 Grundtypen von Lösungsverfahren

gilt. Beispiele für die Vorkonditionierungsmatrix C sind

1. die Inverse der Diagonalen von A,



1/Ai,j , i=j
Ci,j :=
0 , sonst

(jede Zeile wird durch ihr Diagonalelement dividiert),

2. die Inverse der Zeilensummen von A (Äquilibrieren, ergibt optimale Konditionszahl),


!−1
X
Ci,j := |Ai,k | δij .
k

Mehrgitterverfahren (multigrid methods)


Kurzwellige Anteile des Fehlers ε werden durch die Iterationen relativ schnell reduziert
(Dämpfung). Die Konvergenz der Iterationsverfahren wird jedoch oft durch niederfrequente
Störungen, die auf feinen Gittern nur langsam abklingen, beeinträchtigt. Man kann durch
geschickte Verwendung mehrerer geschachtelter Gitter unterschiedlicher Feinheit dieses Pro-
blem stark abmildern. Beim Mehrgitterverfahren führt man auf dem feinsten Gitter einige
Iterationsschritte durch (Relaxation) und geht dann auf ein nächstgröberes Gitter über (Re-
striktion). Auf diesem gröberen Gitter werden dann mit den interpolierten Daten des feineren
Gitters als Startlösung einige Iterationsschritte durchgeführt. Danach erfolgt wiederum eine
Restriktion auf ein noch gröberes Gitter mit anschliessender Relaxation. Der Vorgang wird
bis zur Restriktion auf das gröbste Gitter wiederholt, auf dem dann das Gleichungssystem
direkt oder iterativ gelöst wird. Die Lösung auf dem gröbsten Gitter wird dann auf das
nächst feinere Gitter interpoliert (Prolongation) und als Startlösung für die Relaxation auf
dem feineren Gitter benutzt. Dieser Vorgang wird bis zur Relaxation auf dem feinsten Gitter
durchgeführt. Das Vorgehen mit dieser Gitteranordnung heisst V-Zyklus“.

Es gibt viele verschieden Varianten des oben dargestellten Verfahrens. So kann man z. B.
nach einer Restriktion und Relaxation auf dem gröberen Gitter einen Prolongationsschritt mit
anschliessender Relaxation auf ein feineres Gitter folgen ( W-Zyklus“) lassen. Eine weitere

Variante besteht darin, dass man mit der Relaxation auf dem gröbsten Gitter startet und
dann auf jeweils feinere Gitter übergeht.
In der Praxis sind Mehrgitterverfahren weit verbreitet, weil mit ihnen eine sehr hohe Kon-
vergenzbeschleunigung erreicht werden kann [Wes92, Hir90]. Gerade für Anwendungen in der
Fluiddynamik sind die damit verbundenen Effizienzsteigerungen essentiell. Es ist jedoch zu
beachten, dass die dazugehörenden Algorithmen schwierig zu implementieren sind [Moi01].

4.3. Parabolische Gleichungen


Die Grundlagen der parabolischen Gleichungen, z. B. die Diffusionsgleichung und die Wärme-
leitungsgleichung, wurden bereits im Kapitel 2.5.2 besprochen. Für ein sachgemäss gestelltes
(well-posed) parabolisches Problem sind Anfangs- und Randbedingungen erforderlich. Ein für

Wintersemester 2007/2008 (Version: 12/2012)


84 4 Grundtypen von Lösungsverfahren

die Fluiddynamik wichtiges Beispiel parabolischer Gleichungen sind die Grenzschichtgleichun-


gen. Eine ausführliche Darstellung von Grenzschichtberechnungen gibt das Buch [CC99].
Es ist aufschlussreich, zunächst eine Semidiskretisierung einer parabolischen Gleichung zu
betrachten. Dabei bleibt die Zeitkoordinate noch kontinuierlich, und die räumliche Diskre-
tisierung liefert ein System gewöhnlicher Differentialgleichungen (Linienmethode, vgl. Kapi-
tel 3.5.3).

Beispiel 29. Als Beispiel soll die Diffusions- oder Wrmeleitungsgleichung

∂u ∂2u
=ν 2 (4.73)
∂t ∂x
auf einem periodischen Gebiet 0 ≤ x ≤ L betrachtet werden. Als Semidiskretisierung mit
zentralen Differenzen 2. Ordnung in x mit Schrittweite h = L/N erhält man das System
gewöhnlicher Differentialgleichungen für die Funktionen uj (t) ≈ u(xj , t)

duj ν
= 2 (uj+1 − 2uj + uj−1 ) . (4.74)
dt h
Wir führen den Fourieransatz
uj (t) = ûk (t)eikαxj (4.75)
und die Bezeichnungen α = 2π/L, ξk = kα,

ξk′ = kαh = ξk h , k = 1, . . . , N/2 (4.76)

ein (es genügt, Werte k > 0 zu betrachten). Der Phasenwinkel ξk′ liegt innerhalb 0 ≤ ξk′ ≤ π.
Durch Einsetzen von (4.75) in (4.74) kann das System auf Diagonalform gebracht werden,
dûk ν 
=− 2
2 − 2 cos ξk′ ûk . (4.77)
dt ∆x
Es folgt daraus
2ν 
λk = − 2
1 − cos ξk′ < 0 (4.78)
h
mit den Eigenwerten λk des diagonalen Systems. Für ξk′ ≪ 1 gilt λk ≈ −νξk2 = −νk2 α2 .
Die Lösungen ûk (t) von (4.77) sind offensichtlich

ûk (t) = ûk (0) · eλk t (4.79)

und klingen mit der Zeit exponentiell ab. Für den betragsmässig maximalen und minimalen
Eigenwert λk ergibt sich (k = N/2 bzw. k = 1)

4ν 4ν ν 4π 2 4π 2
|λmax | = 2
= 2 N2 , |λmin | ≈ = ν . (4.80)
∆x L h2 N 2 L2
Man kann erkennen, dass das Verhältnis
|λmax |
= O(N 2 ) ≫ 1
|λmin |

Wintersemester 2007/2008 (Version: 12/2012)


85 4 Grundtypen von Lösungsverfahren

ist. Das Differentialgleichungssystem (4.77) wird daher auch als steif bezeichnet, d. h. es
sind in der Lösung gemäss (4.79) Anteile mit stark unterschiedlichem Dämpfungsverhalten
enthalten. Als Folge davon wird bei der Zeitintegration der Zeitschritt bestimmt durch die
am stärksten gedämpften Anteile, wenn nicht spezielle Stabilitätseigenschaften des Zeitinte-
grationsschemas gegeben sind (z. B. absolute Stabilität).
Aufgrund der Überlegungen aus Kapitel 3.5.2 muss für eine stabile Zeitintegration z = λk τ
für alle k innerhalb des Stabilitätsgebiets S des Integrationsverfahrens liegen, also insbeson-
dere
|λmax | τ ≤ Smax , (4.81)
wobei Smax die Stabilitätsgrenze auf der negativen reellen Achse bezeichnet. Daraus ergibt
sich
Smax 1
τ≤ ∝ h2 ∝ 2 . (4.82)
|λmax | N
Der Zeitschritt ist daher τ = O(h2 ) für bedingt stabile Verfahren mit endlicher Stabilitäts-
grenze Smax ; die Zeitintegration wird daher sehr aufwendig für h → 0. (Vergleiche dazu die
weniger restriktive CFL-Bedingung für hyperbolische Gleichungen, τ = O(h)). Dies sei an
dem folgenden Beispiel demonstriert.
Beispiel 30. Explizites Euler-Verfahren
Als Fortsetzung zu Beispiel 29 soll nun die Zeit ebenfalls diskretisiert werden, und zwar
zunächst mit einem expliziten Euler-Verfahren, d. h. dem Schema
un+1
j − unj ν 
= Lxx unj := un
j+1 − 2un
j + un
j−1 . (4.83)
τ h2
Die Stabilitätsuntersuchung nach von Neumann ergibt mit unj = ûnk eikαxj
ντ  n
ûn+1
k = ûnk + 2 cos ξ ′
k − 2 ûk , ξk′ = kαh (4.84)
∆x2
und daraus für den Verstärkungsfaktor der Fouriermode k

ûn+1 2ντ 
k
Ĝk = n = 1 + 2 cos ξk′ − 1 . (4.85)
ûk h

Für Stabilität wird sinnvollerweise (da die Lösungsanteile zeitlich abklingen) gefordert, dass
|Ĝk | ≤ 1 ist. Daraus folgt wegen | cos φ′k | ≤ 1 die Bedingung

τ 1 1 h2
β := ν ≤ oder τ ≤ . (4.86)
h2 2 2 ν
Wie erwähnt ist die Stabilitätsbedingung τ ≤ O(h2 ) für das explizite Verfahren.
Um die einschneidende quadratische Zeitschrittrestriktion (4.82) resp. (4.86) zu umgehen,
verwendet man im Zusammenhang mit parabolischen Gleichungen häufig Zeitintegrations-
verfahren, welche absolut stabil sind, d. h. deren Stabilitätsbereich S die linke Halbebene von
C| umfasst. Als Beispiele hierfür sind das implizite Euler-Verfahren und das Crank-Nicolson-
Verfahren zu erwähnen.

Wintersemester 2007/2008 (Version: 12/2012)


86 4 Grundtypen von Lösungsverfahren

Beispiel 31. Implizites Euler-Verfahren


Man erhält mit dem impliziten Euler-Verfahren für die Zeitdiskretisierung aus Beispiel 29

un+1
j − unj ν  n+1 
= Lxx un+1
j = u − 2u n+1
+ u n+1
(4.87)
τ h2 j+1 j j−1

und als Verstärkungsfaktor



ûn+1 1
k 
Ĝk = n = ≤ 1 , k = 1, . . . , N/2 , (4.88)
ûk 1 + 2β 1 − cos ξk′

da β > 0 und 1−cos ξk′ ≥ 0. Das implizite Euler-Verfahren für Gleichung (4.74) ist unbedingt
stabil.
Beispiel 32. Verallgemeinertes Crank-Nicolson-Verfahren
Die zeitliche Integration mit dem verallgemeinerten Crank-Nicolson-Verfahren liefert

un+1
j − unj
= θLxx un+1
j + (1 − θ)Lxx unj , (4.89)
τ
woraus der Verstärkungsfaktor hergeleitet wird als
1 − 2(θ − 1)β(1 − cos ξ ′ )
k
Ĝk = . (4.90)
1 + 2θβ(1 − cos ξk′ )
Das verallgemeinerte Crank-Nicolson-Verfahren beinhaltet das explizite Euler-Verfahren (θ =
0), das implizite Euler-Verfahren (θ = 1) sowie das klassische Crank-Nicolson-Verfahren
(θ = 1/2). Die Fehlerordnung des Verfahrens ist O((θ − 1/2)τ, τ 2 , h2 ). Für θ = 1/2 erhält
man die Ordnung O(τ 2 , h2 ). Das Verfahren ist unbedingt stabil für 1/2 ≤ θ ≤ 1; für
0 ≤ θ < 1/2 ist es bedingt stabil für β ≤ 1/(2 − 4θ).
Da bei impliziten Verfahren die Lösung un+1
j zum Zeitschritt (n + 1) von den anderen
n+1
Werten {ui } abhängt, ist in der Regel ein grosses Gleichungssystem zu lösen, z. B.

Implizites Euler-Verfahren: (I − τ L)un+1 = un


1 1
Crank-Nicolson-Verfahren: (I − τ L)un+1 = (I + τ L)un .
2 2
Das entstehende Gleichungssystem A un+1 = b ist ähnlich strukturiert wie bei den diskre-
tisierten elliptischen Gleichungen. Es können daher dieselben Lösungsverfahren angewandt
werden wie in Kapitel 4.2 angegeben, insbesondere auch die dort besprochenen Iterations-
verfahren.
Zum Abschluss sei auch die zweidimensionale Diffusionsgleichung
 2 
∂u ∂ u ∂2u
=ν + (4.91)
∂t ∂x2 ∂y 2
für eine Grösse u(x, y, t) betrachtet, welche zusammen mit der Anfangsbedingung
u(x, y, 0) = g(x, y) und Neumann- resp. Dirichlet-Randbedingungen gelöst werden soll. Mit

Wintersemester 2007/2008 (Version: 12/2012)


87 4 Grundtypen von Lösungsverfahren

der Abkürzung unj,k ≈ u(x = xj , y = yk , t = tn ) lässt sich die räumliche Diskretisierung


zweiter Ordnung schreiben als
n
∂ 2 u 1 n
≈ Lxx unj,k = (u − 2unj,k + unj+1,k ) (4.92)
2
∂x j,k h2x j−1,k
n
∂ 2 u 1 n
≈ Lyy unj,k = (u − 2unj,k + unj,k+1 ) . (4.93)
∂y 2 j,k h2y j,k−1

Die zeitliche Diskretisierung mit dem verallgemeinerten Crank-Nicolson-Verfahren liefert

un+1 n
j,k − uj,k
= ν θLxx un+1 n
j,k + (1 − θ)Lxx uj,k
τ 
+ θLyy un+1 n
j,k + (1 − θ)Lyy uj,k . (4.94)

Im Falle θ = 0 (explizites Eulerverfahren) ist das Verfahren stabil für


 
1 1 1
β = ντ + ≤ . (4.95)
h2x hy y 2 2

Eine Klasse von Verfahren, die weit verbreitet ist und insbesondere zur effizienten Berech-
nung von zweidimensionalen Problemen eingesetzt wird, ist das ADI-Verfahren (Alternating-
Direction-Implicit). Ziel des Verfahrens ist es, die bei impliziten Verfahren auftretenden zu
invertierenden Matrizen so zu modifizieren, dass ihre Invertierung vereinfacht wird. Erreicht
wird dies durch einen zweistufigen Algorithmus, bei dem in jeder Stufe nur eine der beiden
Koordinatenrichtungen implizit behandelt wird,
n+1/2
uj,k − unj,k νh n+1/2
i
= Lxx uj,k + Lyy unj,k (4.96)
τ 2
n+1/2
νh i
n+1
uj,k − uj,k n+1/2
= Lxx uj,k + Lyy un+1
j,k . (4.97)
τ 2
Das Verfahren ist von der Ordnung O(τ t2 , h2x , h2y ) und unbedingt stabil. Die beim ADI-
Verfahren zu lösenden Gleichungssysteme sind jeweils tridiagonal und können entsprechend
effizient gelöst werden.

[CC99] T. Cebeci and J. Cousteix. Modeling and Computation of Boundary-Layer Flows.


Springer, Berlin, 1999.

[Fle91] C. A. J. Fletcher. Computational Techniques for Fluid Dynamics. Springer, Berlin,


1991.

[Hir90] C. Hirsch. Numerical Computation of Internal and External Flows. John Wiley &
Sons, Chichester, 1990.

[LeV92] R. J. LeVeque. Numerical Methods for Conservation Laws. Birkhäuser, Basel, 2nd
edition, 1992.

Wintersemester 2007/2008 (Version: 12/2012)


88 4 Grundtypen von Lösungsverfahren

[LeV02] R. J. LeVeque. Finite Volume Methods for Hyperbolic Problems. Cambridge Uni-
versity Press, 2002.

[MM94] K. W. Morton and D. F. Mayers. Numerical Solution of Partial Differential Equa-


tions. Cambridge University Press, 1994.

[Moi01] P. Moin. Fundamentals of Engineering Numerical Analysis. Cambridge University


Press, 2001.

[Sch99] M. Schäfer. Numerik im Maschinenbau. Springer, Berlin, 1999.

[TAP97] J. C. Tannehill, D. A. Anderson, and R. H. Pletcher. Computational Fluid Dynamics


and Heat Transfer. Taylor & Francis, Washington, London, 2nd edition, 1997.

[Wes92] P. Wesseling. An Introduction to Multigrid Methods. Wiley, Chichester, 1992.

[Wes01] P. Wesseling. Principles of Computational Fluid Dynamics. Springer, Berlin, 2001.

Wintersemester 2007/2008 (Version: 12/2012)


5. Berechnung inkompressibler Strömungen
Oft wird bei der Berechnung von Strömungen Inkompressibilität angenommen, d. h. dass die
Dichte ρ jedes materiellen Fluidpartikels im Verlauf der Strömung konstant bleibt, so dass
für das Dichtefeld ρ(x, t) in der Eulerschen Betrachtungsweise gilt

Dρ ∂ρ
≡ + u·∇ρ = 0 . (5.1)
Dt ∂t
Zu beachten ist die Tatsache, dass die Dichte ρ(x, t) nicht konstant sein muss. Die Inkom-
pressibilität ist eine Eigenschaft der Strömung und nicht des Fluids. Ob die Kompressibilität
berücksichtigt werden muss, hängt von der Machzahl Ma = u/a (mit der Strömungsge-
schwindigkeit u und der Schallgeschwindigkeit a) ab. Bei einer Machzahl von Ma2 ≪ 1 kann
man die Strömung als inkompressibel betrachten. In der Praxis setzt man oft den Grenzwert
bei Ma . 0.3 an (für Luft also u . 100 m/s oder 360 km/h).
Aus der Kontinuitätsgleichung ∂ρ/∂t + u·∇ρ + ρ div u = 0 und (5.1) folgt die Bedingung
der Divergenzfreiheit
∇·u = 0 , (5.2)
das Strömungsfeld ist quellenfrei. In dieser Gleichung ist die Zeitableitung von ρ entfallen,
und das System der Erhaltungsgleichungen ändert gegenüber dem kompressiblen Fall seine
Natur und erfordert eine besondere Behandlung.

5.1. Grundgleichungen in primitiven Variablen


Die Navier-Stokes-Gleichung reduziert sich unter der zusätzlichen Annahme ρ = const.,
welche wir im Folgenden treffen wollen, auf
∂u
+ (u·∇)u = −∇P + ν∆u , (5.3)
∂t
mit der Abkürzung (im Folgenden ebenfalls als Druck bezeichnet) P := p/ρ.
Die Kontinuitätsgleichung (5.2) und die Navier-Stokes-Gleichung (5.3) seien auf dem Be-
reich G mit Rand- und Anfangsbedingungen zu lösen,

u|∂G = g , (5.4a)

u(x, t = 0) = u0 (x) . (5.4b)


Die Gleichungen haben im instationären Fall parabolischen und im stationären Fall (∂u/∂t =
0) elliptischen Charakter.

Wintersemester 2007/2008 (Version: 12/2012)


90 5 Berechnung inkompressibler Strömungen

Die besondere Schwierigkeit bei der numerischen Lösung der Grundgleichungen besteht
in der Erfüllung der Divergenzfreiheit, ∇ · u = 0, und damit gekoppelt der Berechnung
des Druckes P . Die Kontinuitätsgleichung enthält keine Zeitableitung, sondern stellt eine
Nebenbedingung“ dar, unter der sich das Geschwindigkeitsfeld in der Zeit entwickelt. Diese

wird dadurch erfüllt, dass sich der Druck P in jedem Moment so anpasst, dass die Lösung
von (5.3) auch (5.2) erfüllt.

5.2. Druckprojektion
Für das Verständnis der Problematik der Druckberechnung ist eine geometrische bzw.
funktional-analytische Interpretation nützlich.
Dazu sei zunächst daran erinnert, dass jedes auf G definierte Vektorfeld w gemäss Helm-
holtz additiv zerlegt werden kann in einen quellenfreien Anteil v und einen wirbelfreien Anteil
∇φ,
w = v + ∇φ (5.5)
wobei div v = 0 ist und z.B. n · v|∂G = 0 gewählt werden kann (die Helmholtz-Komponente
v ist also parallel zum Rand von G). Wir finden bei gegebenem Vektorfeld w die Helmholtz-
Komponenten v und ∇φ, indem wir die Divergenz von Gleichung (5.5) berechnen

div w = div v + div ∇φ . (5.6)


| {z } | {z }
=0 ≡div grad φ≡∆φ

Wir erhalten also als Bestimmungsgleichung für φ

∆φ = div w in G (5.7)

mit der Randbedingung


n · ∇φ|∂G = n · w|∂G . (5.8)
Die Lösung φ von (5.7), (5.8) ist eindeutig bis auf eine additive Konstante. Nach der Be-
rechnung von φ kann v einfach aus Gleichung (5.5) bestimmt werden.
Die Helmholtzzerlegung kann folgendermassen “geometrisch” interpretiert werden. Die
Funktionen f und g seien in G definiert und integrierbar. Das Skalarprodukt (f , g) auf dem
Raum vektorwertiger Funktionen sei definiert als
Z
(f , g) := f · g dV . (5.9)
G

Durch Berechnung des Skalarprodukts


Z Z
(v, ∇φ) = v · ∇φ dV = − φ · div v dV = 0 (5.10)
G G | {z }
≡0

erschliesst sich die geometrische Interpretation der Helmholtz-Zerlegung: v und ∇φ sind


orthogonal, siehe Abbildung 5.1.

Wintersemester 2007/2008 (Version: 12/2012)


91 5 Berechnung inkompressibler Strömungen

wirbelfreier Anteil
w
∇φ

quellenfreier Anteil
v

Abbildung 5.1.: Geometrische Interpretation der Helmholtz-Zerlegung eines Vektorfelds w als


Projektion im Funktionenraum

Die Helmholtz-Komponente v entspricht also der Projektion P des Vektorfelds w auf den
Unterraum der divergenzfreien Funktionen mit verschwindender Normalkomponente auf dem
Rand,
Pw := v . (5.11)
Damit ergibt sich die Bedeutung des Druckfeldes in der Navier-Stokes-Gleichung (5.3), um-
geschrieben gemäss
∂u
+ |{z}
∇P = −(u · ∇)u + ν∆u . (5.12)
∂t
|{z} | {z }
∇φ w
v

Wegen (5.2) und der Vertauschbarkeit der Ableitungen ist auch ∂u/∂t quellenfrei und parallel
zum Rand, und die zeitliche Entwicklung des Geschwindigkeitsfeldes u erfolgt im divergenz-
freien Unterraum. Sie ergibt sich also durch Anwendung des Projektionsoperators P auf den
Ausdruck −(u · ∇)u + ν∆u

∂u
= P (−(u · ∇)u + ν∆u) , (5.13)
∂t
womit der Druck P formal aus Gleichung (5.12) eliminiert ist. In der Praxis muss jedoch
die Projektion P gerade mittels der Druckberechnung realisiert werden. Durch Anwendung
des Divergenzoperators auf Gleichung (5.12) erhält man eine Poisson-Gleichung, also eine
Gleichung vom elliptischen Typ, für den Druck P

∆P = div (−(u∇) · u + ν∆u) , (5.14)

aus der man bei bekanntem u den Druck berechnen kann, wenn man Randbedingungen für
den Druck kennt.

5.3. Lösungsmethoden in primitiven Variablen


Im Laufe der Zeit wurden die verschiedensten Vorgehensweisen zur Lösung der gekoppelten
Druck-Geschwindigkeits-Gleichungen entwickelt (siehe Literaturangaben am Ende des Kapi-
tels), von denen wir hier nur wenige skizzieren. Die Spannweite reicht von der direkten Lösung

Wintersemester 2007/2008 (Version: 12/2012)


92 5 Berechnung inkompressibler Strömungen

des gekoppelten Systems in jedem Zeitschritt bis hin zu geschachtelten iterativen Verfahren
mit allerlei Approximationen und Massnahmen zur Verbesserung der Konvergenz. Dabei wird
jeweils für den Druck P eine elliptische Gleichung vom Typ der Poisson-Gleichung aufgestellt,
die mit – je nach Verfahren unterschiedlichen – Randbedingungen direkt oder näherungsweise
iterativ gelöst wird.
Besondere Beachtung erfordert auch die Variablenanordnung in Bezug auf das diskrete
Gitter. Verwendet man zentrale Differenzen in der Kontinuitätsgleichung und sind Druck
und Geschwindigkeit in denselben Punkten diskretisiert (colocated grid), so können im dis-
kreten Druckfeld unphysikalische, kurzwellige Oszillationen entstehen, die (in 2D) einem
Schachbrettmuster entsprechen. Dieses Problem lässt sich vermeiden, indem man entweder
die Gitterpunkte für den Druck auf einem in jede Raumrichtung um eine halbe Schrittweite
versetzten Gitter (staggered grid ) anordnet, oder durch andere Massnahmen wie geeignete
Interpolationen.

5.3.1. Volldiskretisierte Gleichungen


Um das Vorgehen bei Verwendung der u-P -Gleichungen exemplarisch zu erläutern, diskre-
tisieren wir die Navier-Stokes-Gleichung (5.3) auch räumlich. Dabei werden die Operatoren
∇ und ∆ durch diskretisierte Operatoren ∇N und ∆N = ∇N · ∇N ersetzt. Gegebenenfalls
sind dabei verschiedene Operatoren divN und gradN zu verwenden, ∆N = divN · gradN .
Die Zeitintegration für die advektiven (nichtlinearen) Terme sei hier der Einfachheit der
Darstellung halber mit dem expliziten Euler-Verfahren vorgenommen (nicht für die Praxis
empfohlen, kann allerdings als Runge-Kutta-Unterschritt angesehen werden). Die diffusiven
(viskosen) Terme werden mit dem verallgemeinerten Crank-Nicholson-Verfahren (Parameter
θ) diskretisiert, um die restriktiven Zeitschrittbeschränkungen expliziter Verfahren bei klei-
nen Reynoldszahlen (grossem ν) zu umgehen. Der Druck P wird ebenfalls implizit (z. B. mit
dem Euler-Verfahren) diskretisiert. Die voll diskretisierte Kontinuitäts- und Navier-Stokes-
Gleichung ergibt sich demnach zu
∇N · un+1 = 0 (5.15)
und
un+1 − un 
= − (un ·∇N ) un − ∇N P n+1 + ν (1 − θ)∆N un + θ∆N un+1 (5.16)
∆t
mit der Randbedingung
un+1 ∂G = g . (5.17)
Zur Herleitung einer Bestimmungsgleichung für den Druck P n+1 bildet man die Divergenz
der diskretisierten Navier-Stokes-Gleichung (5.16), d.h. ∇N ·(5.16), und erhält die Gleichung
1
∆N P n+1 = (∇N ·un ) + ν(1 − θ)∆N (∇N ·un ) −∇N ·{(un ·∇N ) un } . (5.18)
∆t
| {z }
≡0 falls exakt ∇N ·un ≡0

Die ersten beiden Terme auf der rechten Seite von Gleichung (5.18) verschwinden, wenn die
Divergenz des Geschwindigkeitsfeldes un zum alten Zeitschritt exakt null ist. Da allerdings

Wintersemester 2007/2008 (Version: 12/2012)


93 5 Berechnung inkompressibler Strömungen

die Divergenzfreiheit nur bis auf numerische Genauigkeit erfüllt ist, empfiehlt es sich, diese
Terme mitzuführen, um ein zeitliches Anwachsen der Divergenzfehler zu vermeiden. Man be-
achte, dass die Operatoren diskret formuliert sind, so dass die Divergenz diskret ausgewertet
verschwindet.
Gleichung (5.18) ist eine Poisson-Gleichung für P n+1 und somit vom elliptischen Typ.
Daher benötigt sie eine Randbedingung auf jedem Randpunkt. P n+1 |∂G muss so bestimmt
werden, dass
∇N ·un+1 ∂G = 0
ist. Die Randbedingung stellt die einzige Kopplung zwischen dem Geschwindigkeitsfeld un+1
und dem Druck P n+1 dar. Die Poisson-Gleichung (5.18) selbst ist entkoppelt von un+1 .
Man erhält folgendes Gleichungssystem, bestehend aus einer Helmholtzgleichung für jede
Geschwindigkeitskomponente und einer Poisson-Gleichung für P , das gelöst werden muss:
• Impulsgleichung (Helmholtzgleichung für un+1 )
1 n+1
θν∆N un+1 − u − ∇N P n+1 = r (5.19a)
∆t
mit
1 n
r=− u + (un ·∇N ) un − ν(1 − θ)∆N un (5.19b)
∆t
und der Randbedingung
un+1 ∂G = g . (5.19c)

• Poisson-Gleichung für den Druck

∆N P n+1 = −∇N ·r (5.20a)

mit der Randbedingung



P n+1 ∂G derart, dass ∇N ·un+1 ∂G = 0 . (5.20b)

Die Kopplung zwischen P n+1 und un+1 aufgrund der Randbedingung (5.20b) für die
Poisson-Gleichung für den Druck P n+1 kann z.B. mit der Einflussmatrixmethode oder der
Zwischenschritt-Methode behandelt werden. Mit letzterer verwandt sind die Druckkorrektur-
Methoden.

5.3.2. Einflussmatrix-Methode

Aus dem linearen Zusammenhang zwischen P n+1 ∂G und ∇N ·un+1 ∂G kann eine Bedingung
für P n+1 ∂G hergeleitet werden. Dadurch ist es möglich, das Gleichungssystem für P n+1 und
die drei Komponenten un+1 i entkoppelt sequentiell zu lösen. Die Einflussmatrixmethode stellt
eine exakte Lösung der Kopplungsbedingung dar und garantiert numerisch exakte Divergenz-
freiheit des Geschwindigkeitsfeldes un+1 (siehe [CHQZ88, DFM02] unter “Influence Matrix
Method”). Dementsprechend wird sie mit grossem Erfolg in Forschungscodes mit Diskreti-
sierungen hoher Ordnung eingesetzt. Sie ist in ein- oder zweidimensionalen Problemen leicht
anzuwenden, wird aber im Dreidimensionalen sehr aufwendig.

Wintersemester 2007/2008 (Version: 12/2012)


94 5 Berechnung inkompressibler Strömungen

5.3.3. Zwischenschritt-Methode
Bei der Zwischenschritt-Methode (fractional step method ) wird Gl. (5.16) aufgespalten in
folgende Teilschritte, wobei u∗ eine Zwischenlösung bezeichnet, die den Druck nicht berück-
sichtigt und nicht divergenzfrei ist,

(1)
u∗ − un
= − (un ·∇N ) un + ν {(1 − θ)∆N un + θ∆N u∗ } (5.21a)
∆t
mit der Randbedingung
u∗ |∂G = g (5.21b)

(2)
un+1 − u∗
= −∇N P n+1 . (5.22)
∆t
Aus ∇N ·(5.22) folgt mit der Bedingung, dass ∇N ·un+1 = 0 sein soll, die Poisson-Gleichung
für den Druck
1
∆N P n+1 = ∇N ·u∗ . (5.23a)
∆t
Des weiteren erhält man als Randbedingung der Poisson-Gleichung aus (5.22) multipliziert
mit dem Normalenvektor n auf ∂G zusammen mit den Randbedingungen (5.21b) und (5.17)
die Neumann-Randbedingung
n · ∇N P n+1 = 0 . (5.23b)
Für die Zeitintegration tn → tn+1 wird zuerst Gl. (5.21a) mit (5.21b) gelöst. Offensichtlich ist
im allgemeinen ∇N ·u∗ 6≡ 0. Danach wird Gl. (5.23a) mit (5.23b) für den Druck P n+1 gelöst,
welcher zur Berechnung von un+1 nach Gl. (5.22) benötigt wird. Die Tangentialkomponenten
der Randbedingung (5.17) für un+1 werden bei dieser Methode allerdings nicht exakt erfüllt.
Die Randbedingung (5.17) kann aber mit der Genauigkeit O(∆t) erfüllt werden, indem
man (5.21b) ersetzt durch
u∗ |∂G = g + ∆t ∇N P n . (5.24)
Man beachte, dass dann die Richtung n normal zu ∂G aufgrund (5.23b) identisch behandelt
wird wie bei Verwendung von (5.21b). Für die Randbedingungen in den Richtungen s parallel
zu ∂G gilt jedoch s un+1 ∂G = s g + O(∆t). Auch Korrekturen höherer Ordnung in ∆t sind
möglich [DFM02].

5.3.4. Druckkorrektur-Methoden
Nahe verwandt mit der Zwischenschritt-Methode sind die verschiedenen Druckkorrektur-
Methoden [VM95, FP02, Sch99, Wes01]. Dabei wird in einem ersten Schritt (entspre-
chend (5.21a)) bereits der Druck P n berücksichtigt und danach noch eine Korrektur
δp = P n+1 − P n berechnet. Die bekannteste ist das sogenannte SIMPLE-Verfahren (semi-
implicit method for pressure-linked equations), zu der zahlreiche Varianten (z.B. SIMPLER,
PISO) entwickelt wurden, die oft eng verwoben sind mit speziellen Diskretisierungsverfah-
ren. Sie sind in kommerziellen CFD-Codes weit verbreitet, da sie anpassungsfähig und bei

Wintersemester 2007/2008 (Version: 12/2012)


95 5 Berechnung inkompressibler Strömungen

geeigneter Anwendung (ggf. mit Unterrelaxation) auch effizient sind. Gemeinsam ist diesen
Verfahren eine iterative Lösung der gekoppelten Gleichungen für un+1 und P n+1 , wobei
nach den Differenzen der Lösung in aufeinanderfolgenden Iterationsstufen (“Korrekturen”)
aufgelöst wird. Die diskreten Gleichungen werden durch Linearisierung und vereinfachen-
de Approximationen so modifiziert, dass sie relativ einfach sequentiell iterativ gelöst werden
können. Um Konvergenz zu erreichen, ist beim SIMPLE-Verfahren eine Unterrelaxation nötig.
Für nähere Einzelheiten muss hier auf die genannte Literatur verwiesen werden.

5.3.5. Methode der künstlichen Kompressibilität


Bei der Methode der künstlichen Kompressibilität wird die in (5.2) verloren gegangene Zeita-
bleitung wieder künstlich eingeführt. Die Kontinuitätsgleichung (5.2) wird ersetzt durch

1 ∂P
+ ∇·u = 0 . (5.25)
β 2 ∂t
Hierbei ist β ein freier Parameter, der eine Pseudo-Schallgeschwindigkeit repräsentiert. Zum
Vergleich folgt aus der Isentropiebedingung für kompressible Strömungen
1 1 Dp
+ ∇·u = 0 , (5.26)
a2 ρ Dt
wobei a die Schallgeschwindigkeit und p = ρP ist.
Während die bisher besprochenen Methoden für instationäre Strömungen konzipiert sind,
ist die Methode der künstlichen Kompressibilität nur geeignet zur Berechnung stationärer
inkompressibler Strömungen, welche nach Abklingen der zeitlichen Transienten asymptotisch
erreicht werden. Dort verschwindet die Zeitableitung des Druckes in (5.25) und die Konti-
nuitätsgleichung (5.2) wird erfüllt. Das transiente Verhalten in der Zeit bis zum Erreichen
der stationären Lösung ist allerdings unphysikalisch. Das Verfahren ist wegen der Einführung
der künstlichen Zeitableitung des Druckes in der Kontinuitätsgleichung nicht zeitgenau und
daher nicht anwendbar für instationäre Probleme.
Die Divergenzfreiheit des Geschwindigkeitsfeldes gemäss der Kontinuitätsgleichung (5.2)
entspricht Gleichung (5.25), falls β → ∞. Aus diesem Grund muss β sehr gross gewählt
werden. Die Wahl des Parameters β hat allerdings starken Einfluss auf die Stabilität und
das Konvergenzverhalten des Verfahrens. Durch Ersetzen der Gl. (5.2) durch (5.25) wird das
System hyberbolisch und kann mit einem entsprechenden Verfahren gelöst werden [Hir90].

5.4. Alternative Formulierungen der Bewegungsgleichung


Die störende Sonderrolle des Drucks bei der Lösung der Impulsgleichung (5.3) hat zu al-
ternativen Formulierungen der Bewegungsgleichung geführt, in denen der Druck eliminiert
ist.

Wintersemester 2007/2008 (Version: 12/2012)


96 5 Berechnung inkompressibler Strömungen

5.4.1. Wirbelstärke-Vektorpotential-Formulierung
Durch Verwendung der Variablen Wirbelstärke

ω = rot u = ∇×u (5.27)

und Vektorpotential ψ mit


u = rot Ψ = ∇×Ψ (5.28)
(in 2D: Stromfunktion Ψ(x, y), Ψ = Ψ·ez ) anstelle der primitiven Variablen u und p tritt der
Druck p nicht mehr in den entsprechenden Transportgleichungen auf. Aus Gl. (5.28) folgt
wegen ∇·(∇×a) ≡ 0 für beliebige Vektoren a, dass das Geschwindigkeitsfeld u automatisch
die Kontinuitätsgleichung (5.2) erfüllt.
Für das Vektorpotential ergibt sich die folgende Poisson-Gleichung

∆Ψ = −ω . (5.29)

(Anmerkung: Für zweidimensionale Probleme ergibt sich (5.29) durch Einsetzen von (5.28)
in (5.27). Bei dreidimensionalen Problemen beachtet man, dass ∇×(∇×Ψ∗ ) = ∇(∇·Ψ∗ ) −
∆Ψ∗ . Zu Ψ∗ kann jedoch ein beliebiges Gradientenfeld ∇Φ addiert werden, wobei Gl. (5.28)
aufgrund ∇ × (∇Φ) = 0 weiterhin gilt. Das Gradientenfeld ∇Φ wird so bestimmt, dass
Ψ = Ψ∗ + ∇Φ divergenzfrei ist, d. h. ∇·Ψ = ∇·Ψ∗ + ∆Φ = 0, woraus Gl. (5.29) folgt.)
Die für die Zeitintegration entscheidende Transportgleichung ist die Wirbeltransportglei-
chung, die man aus ∇×(5.3) mit (5.2) zu
∂ω
+ (u · ∇) ω − (ω·∇) u = ν∆ω (5.30)
∂t
erhält. Für zweidimensionale Probleme verschwindet der Wirbelstreckungs-Term (ω·∇) u in
(5.30).
Gleichungen (5.28)–(5.30) bilden das Gleichungssystem, mit dem die inkompressible
Strömung beschrieben wird. Die Randbedingungen an festen Wänden sind gegeben durch

∂Ψ
= Ψ·s|∂G = 0 (5.31)
∂n ∂G

und
ω·n|∂G = 0 . (5.32)
Die Komponenten von ω parallel zu ∂G enthalten nur Geschwindigkeitsableitungen normal
zu ∂G und sind im Allgemeinen nicht bekannt, sondern müssen gemäss ihrer Definition
numerisch diskretisiert werden.
Die Berechnung zweidimensionaler Probleme mit der Wirbelstärke-Vektorpotential-
Formulierung, respektive Wirbelstärke-Stromfunktions-Formulierung, ist besonders effektiv
und deshalb weit verbreitet, da sie nur die zwei skalaren Variablen ω = ω·ez und Ψ = Ψ·ez
benötigt. Für dreidimensionale Probleme müssen jedoch insgesamt 6 Gleichungen für alle
Komponenten von ω und Ψ gelöst werden, weswegen diese Formulierung aufwendiger ist als
Methoden basierend auf den primitiven Variablen.

Wintersemester 2007/2008 (Version: 12/2012)


97 5 Berechnung inkompressibler Strömungen

5.4.2. Wirbelstärke-Geschwindigkeits-Formulierung
Eine weitere Möglichkeit für die Berechnung inkompressibler Strömungen ist die Verwen-
dung der Variablen Wirbelstärke ω und Geschwindigkeit u anstelle des Vektorpotentials aus
Kap. 5.4.1. Ebenso wie bei der Wirbelstärke-Vektorpotential-Formulierung wird die Wirbel-
transportgleichung (5.30) mit (5.27) verwendet. Aus Gl. (5.27) und (5.2) ergibt sich

∆u = −∇ × ω (5.33)

mit den Randbedingungen (5.4a) und (5.32). Auch hier begegnet man dem bereits genann-
ten Problem der i. A. unbekannten Randbedingungen für die Tangentialkomponente der Wir-
belstärke, das wieder nur durch direkte numerische Diskretisierung behandelt werden kann.
Diesem prinzipiellen Kopplungsproblem kann man mit keiner Formulierung entrinnen.

[CHQZ88] C. Canuto, M. Y. Hussaini, A. Quarteroni, and T. A. Zang. Spectral Methods in


Fluid Dynamics. Springer, Berlin, Germany, 1988.

[DFM02] M. O. Deville, P. F. Fischer, and E. H. Mund. High-Order Methods for Incom-


pressible Fluid Flow. Cambridge University Press, Cambridge, 2002.

[FP02] J. H. Ferziger and M. Peric. Computational Methods for Fluid Dynamics. Sprin-
ger, Berlin, 2002.

[Hir90] C. Hirsch. Numerical Computation of Internal and External Flows. John Wiley
& Sons, Chichester, 1990.

[Sch99] M. Schäfer. Numerik im Maschinenbau. Springer, Berlin, 1999.

[VM95] H. K. Versteeg and W. Malalasekera. An Introduction to Computational Fluid


Dynamics – The Finite Volume Method. Longman, Essex, 1995.

[Wes01] P. Wesseling. Principles of Computational Fluid Dynamics. Springer, Berlin,


2001.

Wintersemester 2007/2008 (Version: 12/2012)


6. Turbulente Strömungen
Man unterscheidet zwischen laminaren Strömungen, die intuitiv als geordnet und regulär
angesehen werden können, und turbulenten Strömungen, die oft auch als chaotisch, unre-
gelmässig und stark fluktuierend bezeichnet werden. Den Übergang vom laminaren in den
turbulenten Zustand einer Strömung bezeichnet man als Transition. In der Regel sind laminare
Strömungen bei ausreichend grossen Reynoldszahlen instabil gegenüber kleinen Störungen.
Diese Störungen wachsen an und führen über zunehmend kompliziertere Zwischenstadien
schliesslich zum turbulenten Zustand, in dem ein intensiver Transport von Stoffen, Impuls
und Energie stattfindet. Man geht im allgemeinen davon aus, dass der ausgebildete turbulente
Zustand unabhängig ist von der Art, wie die Transition eingeleitet wurde.
Turbulente Strömungen sind stets instationär, dreidimensional und wirbelbehaftet. Sie
bilden eine Energiekaskade aus, die man sich vereinfacht so vorstellen kann, dass grössere
Wirbel (engl. eddies) sukzessive Energie auf kleinere Wirbel übertragen, bis hinunter zu einer
kleinsten Wirbelgrösse, auf der sie so stark von der molekularen Viskosität beeinflusst werden,
dass die übertragene kinetische Energie in Wärme dissipiert wird. Die Energiequelle für diese
Kaskade steckt in der antreibenden grossskaligen Strömung, z. B. der Aussenströmung einer
Grenzschicht oder dem aufgeprägten Druckgradienten in einer Rohrströmung.
Turbulente Strömungen weisen daher in der Regel ein breites Spektrum von Längen- und
Zeitskalen auf. Die Abmessung L der grössten turbulenten Strukturen, das integrale Längen-
mass der Turbulenz, ist typischerweise von der Grössenordnung einer charakteristischen Ab-
messung des Strömungsfeldes, z. B. der Grenzschichtdicke. Die Abmessung lK der kleinsten
turbulenten Bewegungen, deren kinetische Energie dissipiert wird, nennt man das Kolmo-
gorovsche Längenmass. lK ist bei statistisch stationären Verhältnissen nur von der einge-
brachten Leistung (welche in diesem Fall der Dissipationsrate entsprechen muss) und der
kinematischen Viskosität des Fluids abhängig. Mittels einer Dimensionsanalyse, d. h. einer
geeigneten Kombination der plausiblen Variablen (kinematische Viskosität ν und massenspe-
zifische Dissipationsrate ε) kann man dann herleiten, dass
 3  41
ν
lK = . (6.1)
ε
Für die Verhältnisse zwischen den grössten und kleinsten Längen- und Zeitmassen in einem
Turbulenzfeld gilt
L
∝ Re3/4 (6.2a)
lK
T
∝ Re1/2 . (6.2b)
tK
Dabei ist Re die mit dem integralen Längen- und Geschwindigkeitsmass des Turbulenzfeldes
bestimmte Reynoldszahl.

Wintersemester 2007/2008 (Version: 12/2012)


99 6 Turbulente Strömungen

A B C
E(k)/(εν 5 )1/4 z }| {z }| {z }| {

k · lK

Abbildung 6.1.: Kolmogorovsches universelles Skalierungsgesetz für eindimensionale longitu-


dinale Energiespektren in Grenzschichten [Sad97].

In Abbildung 6.1 sind experimentell gemessene Spektren E(k) der kinetischen Energie
der turbulenten Fluktuationen von Grenzschichtströmungen bei grossen Reynoldszahlen ge-
zeigt [Sad97]. Es lassen sich drei Bereiche der Wellenzahl k = 2π/λ (λ ist die Wellenlänge)
voneinander unterscheiden:

A: der Bereich der integralen, energietragenden Skalen,

B: der Trägheitsbereich E(k) ∝ k−5/3 ,

C: der Bereich der dissipativen Skalen.

Eine detaillierte numerische Simulation der Turbulenz, die sogenannte Direkte Numerische
Simulation oder Direct Numerical Simulation (DNS), erfordert die Auflösung aller relevanten

Wintersemester 2007/2008 (Version: 12/2012)


100 6 Turbulente Strömungen

Freiheitsgrade, das heisst die Auflösung aller Skalen bis hinein in den Dissipationsbereich,
siehe Abschnitt 6.1.
Es wird heute allgemein angenommen, dass turbulente Strömungen in allen Einzelhei-
ten durch die Navier-Stokes-Gleichungen beschrieben werden. Die Komplexität turbulenter
Strömungen beruht hauptsächlich auf der nichtlinearen Wechselwirkung aller Skalen mitein-
ander infolge des nichtlinearen konvektiven Terms der Impulsgleichung. Es gibt aber einige
heuristische Hinweise, dass die tatsächliche Zahl der unabhängigen Freiheitsgrade bedeutend
geringer sein könnte, als man aufgrund der Spektralanalyse vermuten würde. Ein Ziel der Tur-
bulenztheorie ist es, die relevanten Freiheitsgrade zu identifizieren und Beschreibungsmöglich-
keiten von turbulenten Strömungen zu finden, die einfacher und weniger aufwendig sind als
die Lösung der Navier-Stokes-Gleichungen mit allen auftretenden Freiheitsgraden. Bisher
existieren hierzu nur Ansätze für sehr einfache Strömungen. Oft entfernt man daher ge-
zielt räumliche Skalen aus dem Problem, formal durch die Anwendung eines Tiefpassfilters
(Grobstruktursimulation, Abschnitt 6.3), oder indem man Gleichungen für die statistischen
Mittelwerte herleitet (siehe Abschnitt 6.2). Mit vereinfachenden Annahmen für die Wech-
selwirkung der entfernten und der verbleibenden Skalen kann man unter Zuhilfenahme von
Ergebnissen aus der Turbulenztheorie oder empirisch-heuristisch Schliessungen für die so
hergeleiteten modifizierten Navier-Stokes-Gleichungen bekommen. Das fundamentale Pro-
blem der Turbulenz, dass es keine geschlossene Theorie zur Beschreibung, und damit zur
Berechnung, ihrer statistischen Eigenschaften gibt, bleibt jedoch bestehen.
In den folgenden Notizen kann nur ein kurzer Abriss gegeben werden. Für weitere Informa-
tionen zur Thematik dieses Kapitels wird auf die Bücher von Pope [Pop00], Sagaut [Sag02],
Durbin et al. [DR01] und Wilcox [Wil94] verwiesen.

6.1. Direkte Numerische Simulation


Der Bereich der Skalen, die in einer turbulenten Strömung existieren, hängt gemäss Gl. (6.2)
stark von der Reynoldszahl der Strömung ab. Betrachtet man zum Beispiel den turbulenten
Freistrahl in Abbildung 6.2, erkennt man integrale Skalen von der Grösse des Freistrahl-
Umfangs, kleiner und kleiner werdende Wirbel bis hin zu kaum noch sichtbaren Skalen im
Dissipationsbereich. Für Atmosphärenströmungen beobachtet man eine Variation der rele-
vanten turbulenten Längenmasse von ca. 106 m (grosse Tiefdruckgebiete) bis ca. 10−3 m
(kleinste Wirbel).
In einer Direkten Numerischen Simulation (DNS) werden alle relevanten Skalen des Spek-
trums einer transitionellen oder turbulenten Strömung numerisch aufgelöst, bis hin zu den dis-
sipativen Skalen der Grössenordnung lK . Man kann daher nach Gleichung (6.2) abschätzen,
dass in einer dreidimensionalen Strömung die Anzahl der in einer DNS mitzuführenden Frei-
heitsgrade mit der Reynoldszahl skaliert wie (L/lK )3 ∝ Re9/4 . Berücksichtigt man weiterhin,
dass auch alle zeitlichen Skalen aufgelöst werden müssen, so erhält man einen weiteren Faktor
Re3/4 , so dass der Rechenaufwand einer DNS proportional zu Re3 anwächst. Für wandbe-
grenzte Strömungen werden diese Abschätzungen noch ungünstiger, da sich im wandnahen p
Bereich die kleinsten turbulenten Skalen proportional zu ν/uτ verhalten, wobei uτ = |τw |/ρ
die Schubspannungsgeschwindigkeit ist und τw die Wandschubspannung. Für Grenzschichten

Wintersemester 2007/2008 (Version: 12/2012)


101 6 Turbulente Strömungen

Abbildung 6.2.: Momentane Isofläche der Dichte bei einer direkten numerischen Simula-
tion (DNS) eines rechteckigen turbulenten kompressiblen Freistrahls (B.
Rembold)

p
kann man abschätzen, dass ungefähr uτ ∝ U Cf ∝ U Re1/10 gilt (Cf ist der Wandreibungs-
koeffizient). Dies führt in einer Dimension auf eine Anzahl von Freiheitsgraden proportional zu
LU Re−1/10 /ν = Re9/10 , so dass der Gesamtaufwand einer instationären, dreidimensionalen
Simulation im ungünstigen Fall proportional zu Re36/10 werden kann [Pio97].
Man verwendet daher bei direkten numerischen Simulationen aus Effizienzgründen Dis-
kretisierungsverfahren hoher Ordnung mit guten Auflösungseigenschaften. Mit solchen Ver-
fahren kann man zumindest erreichen, dass die Proportionalitätskonstante für die obigen
Abschätzungen klein ist. Geeignet sind z. B. Spektralverfahren oder Differenzenverfahren ho-
her (z. B. vierter bis sechster) Ordnung.
Zur Illustration der Zahlenverhältnisse sei noch folgende Abschätzung erwähnt: man hat
grob abgeschätzt, dass man für eine DNS der Strömung um ein Verkehrsflugzeug bei typi-
schen stationären Flugbedingungen etwa 1300 Jahre CPU Zeit auf einem 1 TFLOPs Com-
puter benötigen würde, um die Strömung für den Zeitraum einer (physikalischen) Sekunde
zu berechnen. Derzeitige Schätzungen sagen, dass Computer mit einer Dauerleistung von
1 PFLOPs = 103 TFLOPs für in der Strömungsmechanik gebräuchliche Algorithmen bis
etwa 2010 verfügbar sein könnten. Für grosse DNS wendet man heute in der Forschung in
manchen Fällen bis zu mehreren CPU-Monaten auf.

6.2. Reynolds-gemittelte Gleichungen und Turbulenzmodelle


Die heute am weitesten verbreitete und meist auch einzige praktikable Methode zur Be-
rechnung praxisnaher turbulenter Strömungen ist die statistische Simulation, die von den
statistisch gemittelten Navier-Stokes-Gleichungen (Reynolds-averaged Navier-Stokes equati-
ons, RANS) ausgeht. In kartesischer Tensornotation (mit Summationskonvention, siehe z.B.

Wintersemester 2007/2008 (Version: 12/2012)


102 6 Turbulente Strömungen

[Pop00]) lauten diese Gleichungen für den inkompressiblen Fall


∂<ui >
=0, (6.3a)
∂xi
∂<ui > ∂ 1 ∂<p> ∂ ∂ 2 <ui >
+ (<ui ><uj >) = − + (−<u′i u′j >) + ν (6.3b)
∂t ∂xj ̺ ∂xi ∂xj ∂xj ∂xj
wobei <ui >, <p> die statistischen Mittelwerte der Geschwindigkeitskomponenten und des
Drucks bezeichnen. u′i bezeichnet die Geschwindigkeits-fluktuationen gemäss der Aufspaltung
ui = <ui > + u′i . (6.4)
Die Terme
τij := −<u′i u′j > (6.5)
werden als Reynoldsspannungen oder turbulente Scheinspannungen bezeichnet und stellen
weitere Unbekannte im Gleichungssystem dar, für die Schliessungsannahmen in Form eines
Turbulenzmodells eingeführt werden müssen (dimensionsmässig konsistent wäre −ρ<u′i u′j >
als Spannung zu bezeichnen, jedoch vereinfacht die Definition (6.5) die Schreibweise). Tur-
bulenzmodelle werden in [Wil94, DR01, Pop00] ausführlich behandelt.
Bei den Turbulenzmodellen unterscheidet man zunächst zwei Gruppen: Wirbelzähigkeits-
modelle und Reynoldsspannungs-Modelle.

6.2.1. Wirbelzähigkeitsmodelle (eddy-viscosity models)


Bei Wirbelzähigkeits-Turbulenzmodellen werden die Reynoldsspannungen direkt auf die Ver-
formungsgeschwindigkeiten des mittleren Strömungsfeldes bezogen. In Verallgemeinerung des
Newtonschen Schubspannungsansatzes für eine laminare Strömung U (y), τ /ρ = νdU/dy,
macht man den Ansatz
 
δij ∂<ui > ∂<uj >
−<u′i u′j > + <u′k u′k > = νT + , (6.6)
3 ∂xj ∂xi
wobei νT als Wirbelzähigkeit (eddy-viscosity) bezeichnet wird. Im Unterschied zur kinema-
tischen Viskosität ν ist die Wirbelviskosität νT keine Materialkonstante, sondern eine vom
Turbulenzfeld abhängige Feldgrösse, für die wiederum heuristisch oder empirisch begründete
Ansätze gemacht werden müssen.
Wirbelzähigkeitsmodelle kann man weiter nach der Anzahl der zusätzlich mitgeführten
Transportgleichungen klassifizieren, die für die Berechnung von νT benutzt werden:
(1) 0-Gleichungs-Turbulenzmodelle (algebraische Turbulenzmodelle):
Als Beispiel sei ein einfaches, häufig benutztes algebraisches Turbulenzmodell für ei-
ne ebene Grenzschicht angegeben, das nach Baldwin und Lomax benannt ist (siehe
[Wil94]). Für eine ebene (statistisch) zweidimensionale Grenzschicht mit Stromab-
Profil <u1 >(x3 ) kann ein Mischungswegmodell nach Prandtl verwendet werden. Die
Wirbelzähigkeit wird dabei wie folgt berechnet


2 ∂<u1 >
νT = l , (6.7)
∂x3

Wintersemester 2007/2008 (Version: 12/2012)


103 6 Turbulente Strömungen

mit einem Mischungsweg l gemäss


 +

l = κx3 1 − e−x3 /A , κ = 0.41 . (6.8)

x+
3 bezeichnet den Wandabstand in den üblichen turbulenten Wandeinheiten, x3 =
+

x3 uτ /ν. Die Konstante A ist vom Druckgradienten der Strömung abhängig. Für Grenz-
schichten ohne Druckgradient ist A = 26 eine gute Wahl. Die hier gegebene Form des
Mischungswegmodells wird für den äusseren Bereich der Grenzschicht üblicherweise
noch modifiziert,
νTO = αρUe δ∗ FKleb (x3 , δ) (6.9)
mit   x 6 −1
3
FKleb = 1 + 5.5 , (6.10)
δ
wobei Ue die Geschwindigkeit am Grenzschichtrand ist, δ die Grenzschichtdicke und
δ∗ die Verdrängungsdicke, und typischerweise α = 0.0168 gesetzt wird.

(2) 1-Gleichungs-Turbulenzmodelle
Bei diesen Modellen wird z.B. eine Transportgleichung für die kinetische Turbulenz-
energie k = <u′i u′i >/2 verwendet. Ein Beispiel für ein 1-Gleichungs-Modell ist das
Spalart-Allmaras-Modell, bei dem allerdings keine Transportgleichung für die Turbu-
lenzenergie, sondern eine Transportgleichung für die Wirbelzähigkeit selbst gelöst wird
[Wil94].

(3) 2-Gleichungs-Turbulenzmodelle (k-ε-Modell)


Bei diesen Modellen wird die Wirbelzähigkeit als Funktion von zwei Turbulenzgrössen
dargestellt, für die zusätzliche Transportgleichungen zu lösen sind. Ein weitverbreitetes
2-Gleichungsmodell ist das k-ε-Modell, bei dem die Wirbelzähigkeit aus der kinetischen
Turbulenzenergie k und der turbulenten Energiedissipation ε berechnet wird gemäss

k2
νT = cµ . (6.11)
ε
Für ausreichend grosse Reynoldszahlen lauten die (modellierten) Transportgleichungen
für k und ε:  
Dk ∂ νT ∂k
= + Pk − ε (6.12a)
Dt ∂xi σk ∂xi
 
Dε ∂ νT ∂ε ε ε2
= + cε1 Pk − cε2 (6.12b)
Dt ∂xi σε ∂xi k k
 
∂<ui > ∂<uj > ∂<ui >
Pk = νT + . (6.12c)
∂xj ∂xi ∂xj
Standardwerte für die fünf Konstanten in diesem Modell sind

cµ = 0.09 , cε1 = 1.44 , cε2 = 1.92 , σk = 1.0 , σε = 1.3 . (6.13)

Wintersemester 2007/2008 (Version: 12/2012)


104 6 Turbulente Strömungen

Das k-ε-Modell in seiner hier angegebenen Form gilt nicht im Bereich niedriger
Reynoldszahlen oder in der Nähe fester Wände, wo es modifiziert werden muss.
Andere gebräuchliche 2-Gleichungsmodelle sind das k-ω-Modell und das k-τ -Modell,
in denen anstelle der ε-Gleichung eine solche für ω = ǫ/k bzw. für ein turbulentes
Zeitmass τ = 1/ω = k/ǫ gelöst wird [Wil94, DR01] .

6.2.2. Reynoldsspannungs-Modelle (Second-Order Closures)


Die Beschreibung des Reynoldsspannungstensors −<u′i u′j > mit einer einzigen skalaren, iso-
tropen Grösse νT ist in vielen Fällen unzulänglich (z. B. in Drallströmungen oder rotieren-
den Strömungen). Bei Reynoldsspannungs-Modellen werden deshalb aus den Navier-Stokes-
Gleichungen hergeleitete Transportgleichungen für die sechs einzelnen Komponenten der
Reynoldsspannung

(<u′i u′j >) = ... (6.14)
∂t
zusammen mit den gemittelten Navier-Stokes-Gleichungen gelöst. Da in diesen Gleichungen
aber wiederum unbekannte statistische Momente höherer Ordnung auftreten (Tripelkorre-
lationen, Druck-Scher-Korrelationen), müssen auch hier zahlreiche Schliessungsannahmen
getroffen werden, die nicht unproblematisch sind. Für nähere Einzelheiten wird auf die Lite-
ratur verwiesen [Wil94, DR01].

6.3. Grobstruktur-Simulation (Large-Eddy Simulation)


Man kann die Zahl der aufzulösenden Freiheitsgrade einer turbulenten Strömung reduzieren,
indem man einen Tiefpassfilter auf die Lösung ui der Navier-Stokes-Gleichungen anwendet
ZZZ
ūi = ui (x′1 , x′2 , x′3 ) · G(x1 − x′1 ) · G(x2 − x′2 ) · G(x3 − x′3 ) · dx′1 dx′2 dx′3 , (6.15)

wobei man für den Filterkern (filter kernel ) G(x − x′ ), z. B. die Gaussfunktion
r
′ 6 −6(x−x′ )2 /∆2
G(x − x ) = e (6.16)
π∆2
oder die Funktion 
′ 1/∆ , |x − x′ | ≤ ∆/2
G(x − x ) = (6.17)
0, sonst
wählt, mit ∆ als Filterweite.
Für räumlich homogene Filter wie (6.16), (6.17) sind Filteroperation und Ableitungsopera-
tionen kommutativ. Damit kann man die Navier-Stokes-Gleichungen für die gefilterte Lösung
ūi herleiten
∂ ūi
=0 (6.18a)
∂xi
∂ ūi ∂ ūi ūj 1 ∂ p̄ ∂ 2 ūi ∂τij
+ + =ν 2 − , (6.18b)
∂t ∂xj ρ ∂xi ∂xj ∂xj

Wintersemester 2007/2008 (Version: 12/2012)


105 6 Turbulente Strömungen

wobei der Term


τij = ui uj − ūi ūj , (6.19)
die Feinstrukturspannungen, d. h. die Wechselwirkung der Feinstruktur (subgrid-scales, SGS)
mit der Grobstruktur (resolved scales) wiedergibt. Eine exakte Berechnung dieses Terms aus
der Kenntnis von ūi alleine ist nicht möglich. Man benötigt vielmehr weitere Kenntnisse
oder Annahmen, die dann zu sogenannten Feinstrukturmodellen (engl. subgrid-scale mo-
dels) führen. Die Entwicklung und Verbesserung solcher Feinstrukturmodelle ist ein aktuelles
Forschungsgebiet. Man beachte, dass die gefilterten Grössen ui (x, t) noch von Ort und Zeit
abhängen und somit die Lösung der LES-Gleichungen (6.18) in der Regel wesentlich aufwen-
diger ist als die Lösung der RANS-Gleichungen (6.3) für die statistisch gemittelten Grössen
<ui >.
Einige einfache Feinstrukturmodelle sind nachfolgend dargestellt. Eine ausführliche Dis-
kussion findet man in [Sag02].

(1) Smagorinsky-Modell [Sma63]:


Ähnlich wie in Kapitel 6.2.1 wird der Wirbelzähigkeitsansatz (engl. eddy-viscosity an-
satz) definiert als
δij
τij − τkk = −2νT S̄ij , (6.20)
3
mit der Scherrate  
1 ∂ ūi ∂ ūj
S̄ij = + . (6.21)
2 ∂xj ∂xi
Es existieren verschiedene Modelle für die Bestimmung der turbulenten Wirbelviskosität
νT . Für das Smagorinsky-Modell wählt man

νT = (CS ∆)2 |S̄| (6.22)

mit |S̄| = (2S̄ij S̄ij )1/2 und der zunächst unbekannten Smagorinsky-Konstanten CS .
Nimmt man ein Kolmogoroff-Spektrum mit einem k−5/3 Trägheitsbereich an, dann
kann man CS abschätzen zu CS ≃ 0.18. In der Praxis, insbesondere bei inhomogenen
Strömungen (z. B. Grenzschichten), gibt dieses einfache Modell jedoch selten gute
Ergebnisse, und CS muss dem jeweiligen Stömungstyp empirisch angepasst und in
Wandnähe gedämpft werden (siehe auch Kapitel 6.2.1).

(2) Dynamisches Smagorinsky-Modell [GPMC91]:


Hier lässt man die Annahme fallen, dass CS räumlich und zeitlich konstant sei, verwen-
det aber den Wirbelzähigkeitsansatz (6.20) weiter und verbindet ihn mit dem Konzept
eines dynamischen Koeffizienten. Um die dynamische Konstante CD abzuschätzen,
führt man einen weiteren Filter ein mit einer grösseren Filterweite ∆, ˆ typischerweise
ˆ
∆ = 2∆. Man nennt diesen Filter den Testfilter. Zwischen den Grobstrukturspan-
nungen Lij = ūd ˆi ū
i ūj − ū ˆj und den Feinstrukturspannungen τij besteht unter der
Verwendung der Teststrukturspannungen Tij = ud ˆi ū
i uj − ū ˆj die sogenannte Germano-
Identität [GPMC91]
Lij = Tij − τ̂ij . (6.23)

Wintersemester 2007/2008 (Version: 12/2012)


106 6 Turbulente Strömungen

Man macht nun für die Feinstrukturspannungen und die Teststrukturspannungen den-
selben Ansatz
δij
τij − τkk = −2CD ∆2 |S̄|S̄ij =: −2CD βij (6.24a)
3
δij ˆ 2 |S̄ˆ|S̄ˆij =: −2CD αij .
Tij − Tkk = −2CD ∆ (6.24b)
3
Damit kann man mit Hilfe der berechneten Grobstrukturspannungen Lij nach einer
Kontraktion der entstehenden überbestimmten Tensorgleichungen die Konstante CD
bestimmen als
1 Kij (αij − β̂ij )
CD (x, t) = − , (6.25)
2 (αmn − β̂mn )(αmn − β̂mn )
wobei Kij = Lij − (δij /3)Lkk . Grundlegende Annahme ist hierbei, dass die Testfilter-
operation homogen in CD ist und derselbe Parameter CD für Teststrukturspannungen
und Feinstrukturspannungen verwendet werden kann. Verglichen mit dem Smagorinsky-
Modell zeigt das dynamische Modell deutlich verbesserte Ergebnisse bei inhomogenen
Strömungen, benötigt aber in der Regel zusätzliche Modifikationen des Parameterfel-
des C(x, t) (Mittelung in homogenen Koordinatenrichtungen, Abschneiden negativer
Werte).

(3) Skalen-Ähnlichkeitsmodell (scale similarity model) [BFR83]:


Dieses Modell basiert auf der Annahme, dass die Wechselwirkung zwischen Feinstruktur
und Grobstruktur durch die Skalen nahe der Abschneidewellenzahl des Filters dominiert
wird. Spaltet man die Feinstruktur von ui ab als u′i = ui − ūi , so kann man die
Feinstrukturkreuzspannungen modellieren als

Cij = ūi u′j + ūj u′i ≃ ū


¯i u′j + ū
¯j u′i (6.26)

und die Feinstruktur-Reynoldsspannungen als

Rij = u′i u′j ≃ u′ i u′ j . (6.27)

Nach einigen Umformungen, der Einführung einer Proportionalitätskonstanten CB und


durch Hinzufügen eines Wirbelzähigkeitsterms zur verbesserten Beschreibung der Fe-
instrukturdissipation erhält man folgendes Modell für die Feinstrukturspannungen
 
δij δ
τij − τkk = CB ūi ūj − ū ¯j − ij (ūk ūk − ū
¯i ū ¯k ū
¯k ) − 2νT S̄ij . (6.28)
3 3

Mit CB ≃ 1 bis CB ≃ 1.1 liefert das Modell recht brauchbare Ergebnisse. Es ist aber
mit νT = 0 unzureichend dissipativ.

[BFR83] J. Bardina, J. H. Ferziger, and W. C. Reynolds. Improved turbulence models


based on large eddy simulation of homogeneous, incompressible, turbulent flows.
Technical Report TF-19, Dept. of Mechanical Engineering, Stanford University,
Stanford, California, 1983.

Wintersemester 2007/2008 (Version: 12/2012)


107 6 Turbulente Strömungen

[DR01] P. A. Durbin and B. A. Pettersson Reif. Statistical Theory and Modeling for
Turbulent Flows. John Wiley & Sons, Chichester, 2001.

[GPMC91] M. Germano, U. Piomelli, P. Moin, and W. H. Cabot. A dynamic subgrid-scale


eddy viscosity model. Phys. Fluids A, 3:1760–1765, 1991.

[Pio97] U. Piomelli. Introduction to the modelling of turbulence. In von Karman Institute


Lecture Series 1997-03. von Karman Institute, 1997.

[Pop00] S. B. Pope. Turbulent Flows. Cambridge University Press, 2000.

[Sad97] S. G. Saddoughi. Local isotropy in complex turbulent boundary layers at high


Reynolds number. J. Fluid Mech., 348:201–245, 1997.

[Sag02] P. Sagaut. Large-Eddy Simulation for Incompressible Flows. Springer, Berlin,


2002. 2nd edition.

[Sma63] J. Smagorinsky. General circulation experiments with the primitive equations.


Mon. Weath. Rev., 93:99–164, 1963.

[Wil94] D. C. Wilcox. Turbulence Modeling for CFD. DCW Industries, Inc., La Cañada,
California, 1994.

Wintersemester 2007/2008 (Version: 12/2012)


7. Lagrangesche Methoden
Unter Lagrangeschen Methoden versteht man solche, die von einem mit den Fluidelement
mitbewegten, also Lagrangeschen, Bezugssystem ausgehen. Die Diksretisierung erfolgt also
nicht auf einem raumfesten oder beliebig bewegten Diskretisierungsgitter, sondern durch Aus-
wahl einer endlichen Zahl von Fluidelementen, die eine endlich-dimensionale Repräsentation
des gesamten betrachteten Fluidvolumens darstellen.
In Lagrangescher Schreibweise sind die inkompressiblen Navier-Stokes-Gleichungen für ein
einphasiges Fluid mit konstanter Viskosität gegeben durch

=0 (7.1a)
Dt
Dui 1 ∂p ∂ 2 ui
=− +ν 2 (7.1b)
Dt ρ ∂xi ∂xk
dξi
= ui , (7.1c)
dt
wobei die letzt Gleichung die Bahnlinie des betrachteten Fluidelementes beschreibt.
Man unterscheidet zwischen gitterfreien Methoden, z.B. der smoothed particle hydrodyna-
mics (SPH) oder den Wirbelmethoden (vortex methods) und gitterbasierten Methoden, z.B.
particle in cell (PIC) oder Lattice-Boltzmann-Methoden (LBM). Bei PIC Methoden geschieht
z.B. die Auswertung der Poisson-Gleichung auf einem Gitter, bei LBM wird die Bewegung
der Fluidelemente auf ein zugrundeliegendes Gitter beschränkt (zulässige Geschwindigkeiten
setzten sich aus endlich vielen Geschwindigkeitsbasisvektoren mit vorgegebener Richtung und
Betrag zusammen).

7.1. Lattice-Boltzmann-Methoden - LBM


7.1.1. LBM für die 2D inkompressiblen Navier-Stokes-Gleichungen
Der Name der Lattice-Boltzmann-Methoden ist historisch bedingt, da diese Methoden aus
den sogenannten Lattice-Gas-Methoden entstanden sind. Lattice-Gas-Methoden bestehen
aus einer gasdynamischen Beschreibung eines Fluids, bei dem die stochastische Bewegung
von Gasmoleklen auf ein Gitter beschrnkt ist (Sprnge zwischen benachbarten Knoten) und
die Bewegungsrichtung durch Kollisionsregeln bestimmt wird. Man kann zeigen, dass solche
Methoden im statistischen Mittel eine Lösung der Navier-Stokes-Gleichunge darstellen. Al-
lerdings sind dafür sehr hohe Punktanzahlen und eine hohe Zahl Stichproben nötig, sodass
diese Methoden für realistische Strömungen völlig ungeeignet sind.

Wintersemester 2007/2008 (Version: 12/2012)


109 7 Lagrangesche Methoden

Die Auflösungsanforderungen sind reduziert worden, indem nicht Gasmoleküle sondern nu-
merische Partikel, die als Eigenschaft die Geschwindigkeitsverteilungsdichte f (~v , x; t) trans-
portieren, eingführt wurden. Nachwievor sind nur endlich viele Geschwindigkeitsvektoren ~qm ,
mit m = 0, . . . , M zur Auswertung der Wahrscheinlichkeitsdichten zugelassen. Die makro-
skopische Dichte am Ort ~x zur Zeit t erhält man aus
M
X
ρ(~x, t) = fµ (~x, t) (7.2a)
µ=0

den makroskopischen Impuls erhält man aus


M
X
m(~
~ x, t) = ρ~u = ~qµ fµ (~x, t) . (7.2b)
µ=0

fµ kann formal als die statistische Geschwindigkeitsdichteverteilung für die Geschwin-


digkeit ~qµ interpretiert werden, was eine formale Anknüpfung an die Boltzmann-Gleichung
erlaubt. Numerisch dienen die fµ als transformierte Variable für ρ und ~u. Die Rechnung wird
auf einem zugrundeliegenden kubischen oder hexagonalen (nur in 2D) Gitter durchgeführt.
Zum Beispiel ist das D2Q9 Gitter quadratisch in 2D und hat 9 Geschwindigkeitsvektoren
~q0 = [0, 0], ~q1,3 = [±c, 0], ~q2,4 = 80, ±c], ~q5,6,7,8 = [±c, ±c]. Dabei ist c eine numerische

Abbildung 7.1.: D2Q9 LBM Gitter mit Geschwindigkeitsvektoren ~qµ .

Geschwindigkeit, die als effektive Schallgeschwindigkeit interpretiert werden kann. Da die


entstehenden Gleichungen (s.u.) aber die inkompressiblen Navier-Stokes-Gleichungen appro-
ximieren, gilt keine thermodynamische Zustandsgleichung sondern eine künstliche. Daher
spricht man auch von künstlicher Kompressibilität.
Die zeitliche Änderung von fµ wird an jedem Gitterpunkt gemäss
 
fµ (~x + ~ ~ t = τ Ωµ .
qµ τ, t + τ ) − fµ [x, (7.3)

Wintersemester 2007/2008 (Version: 12/2012)


110 7 Lagrangesche Methoden

Für den Term Ωµ , der formal dem Kollisionsintegral in der Boltzmanngleichung entspricht,
kann der sogenannte Bhatnagar-Gross-Krook-Ansatz
 
Ωµ (f ) = −χ fµ − fµ(eq) (7.4)

(eq)
herangezogen werden. Darin ist fµ eine Gleichgewichtsdichteverteilung, die vorzugeben ist.
Nach der Gaskinetik wäre eine mögliche Gleichgewichtsverteilung die Maxwell-Verteilung. Da
für das Lattice-Boltzmann-Verfahren aber sichergestellt werden muss, dass, wie unten noch
näher erläutert, die inkompressiblen Navier-Stokes-Gleichungen asymptotisch wiedergege-
ben werden, wird die Gleichgewichtsdichteverteilung entsprechend bestimmt. Im gaskineti-
schen Sinne ist entspricht die Asymptotik einer kleinen Störung des Gleichgewichtszustandes
(Chapman-Enskog Entwicklung), im numerischen Sinne wird die modifizierte Differentialglei-
chung aufgestellt.
Für das oben skizzierte kubische, zweidimensionale Lattice-Boltzmann-Verfahren mit 9
Geschwindigkeiten D2Q9 erhält man als Gleichgewichtsdichteverteilungen
 
(eq) 4 3 ~u2
fµ00 = ρ 1 − (7.5a)
9 2 c2
 
1 ~qµ · ~u 9 ~qµ · ~u 3 ~u2
fµ=1,2,3,4 = ρ 1 + 3 2 + − (7.5b)
9 c 2 c4 2 c2
 
1 ~qµ · ~u 9 ~qµ · ~u 3 ~u2
fµ=5,6,7,8 = ρ 1 + 3 2 + − (7.5c)
36 c 2 c4 2 c2
Mit diesen Gleichgewichtsdichteverteilungen hat das Lattice-Boltzmann-Verfahren eine Kon-
sistenzordnung O(h2 , τ 2 ). Die asmyptotische Analyse zeigt aber auch, dass Reynoldszahl
bzw. Viskosität und die numerischen Parameter c, χ und τ des LBM miteinander verknüpft
sind, gemäss  
1 c2 1 τ
= − . (7.6)
Re 3 χ 2
e Damit ist das LBM Verfahren unter der Bedingung c = const konsistent. Für endliche
Zeitschrittweiten ist die tatsächliche Reynoldszahl kleine als die physikalisch gegebene.
Schematisch kann der LBM-Algorithmus folgendermassen angegeben werden:

1. Anhand der Anfangsdaten ρ(~x, t = 0), u(~x, t = 0) werden die Gleichgewichtsdich-


teverteilungen nach (7.5) bestimmt und die Anfangsdaten für die zu berechnenden
(eq)
Dichteverteilungen werden gesetzt als fµ (~x, t = 0) = fµ (~x).

2. Die Dichteverteilungen zum neuen Zeitpunkt t + τ werden gemäss (7.3) und (7.4)
berechnet.

3. Zum neuen Zeitpunkt t + τ werden Dichte ρ und Impuls ρ~u aus (7.2) rekonstruiert.

4. Anhand von ρ und ρ~u werden die Gleichgewichtsdichteverteilungen zum neuen Zeit-
punkt t + τ bestimmt.

Wintersemester 2007/2008 (Version: 12/2012)


111 7 Lagrangesche Methoden

5. Der nächste Zeitschritt wird nach Punkt 2 berechnet.

Randbedingungen werden meist durch Ersetzen von (7.3) und (7.4) durch Reflexionsregeln in
den von Rändern geschnittenen Zellen aufgeprägt, sodass die entsprechend (7.2) überlagerten
Geschwindigkeiten die gewünschten Randbedingungen erfüllen.
Die Vorteile von LBM-verfahren sind, dass sie trivial parallelisierbar sind (Lokalität), kom-
plexe geometrische Randbedingungen können wegen der einfachen Kontrolle über (7.2) leicht
uufgeprägt werden und insbesondere können komplexe Geometrien auf kartesischen Gittern
mit eingebetteten Verfeinerungen dargstellt werden. Dieser Punkt führt zu dramatischen Zei-
teinsparungen bei der Erstellung von Rechengittern für komplexe Geometrien im Vergleich
zu strukturangepassten Rechengittern, die ansonsten meist verwendet werden.
Ein Nachteil von LBM-Verfahren ist, dass die effektive physikalischen Viskosität bzw.
Reynoldszahl von den Diskretisierungsparametern c, τ und χ abhängt. Ausserdem sind LBM-
Verfahren inhärent instationär und weisen infolge des Transports der Dichteverteilungen auf
einem Gitter mit festen Geschwindigkeiten ein numerisches Rauschen auf, das durch eine
Mittelung über kleine Zeitintervalle beseitigt werden muss, die Wahl dieser Zeitintervalle ist
aber beliebig. LBM-Verfahren sind künstlich kompressibel, d.h. auch für eine inkompressible
Strömung treten zeitliche materielle Dichtefluktuationen auf. Die Formulierung von LBM
lässt bisher nur eine Turbulenzmodellierung auf dem Niveau von Zweigleichungsmodellen zu.

7.1.2. Analyse eines LBM-Verfahrens für die viskose Burgers -Gleichung


Die viskose Burgers-Gleichung lautet
 
∂u 1 ∂ u2 ∂u
+ −ν =0 (7.7)
∂t 2 ∂x 2 ∂x
Das D1Q2 LBM Verfahren für diese Gleichung geht von den Geschwindigkeiten q0 = −c und
q1 = c aus. Daraus lassen sich gemäss (7.2) für die Burgers-Gleichung folgende Bedingungen
für u und f (u) herleiten
f0 + f1 = u (7.8a)
u2 ∂u
f0 q0 + f1 q1 = f (u) = −ν . (7.8b)
2 ∂x
(eq)
Mit dem Ansatz f0,1 = β1 up̄γ1 u2 für die zugehörigen Gleichgewichtsdichteverteilungen
erhält man unter der Berücksichtigung, dass für die Burgers-Gleichung der Gleichgewichts-
zustand ∂u
∂x = 0 bedeutet  
(eq) 1 1 2
f0 = u− u (7.9a)
2 2c
 
(eq) 1 1 2
f1 = u+ u . (7.9b)
2 2c
Durch Einsetzen von (7.8) und (7.9) in die zu (7.3) und (7.4) entsprechenden Gleichungen
 
n+1 n n (eq) n
f0,j−1 = f0,j − τ χ f0,j − f0,j (7.10a)

Wintersemester 2007/2008 (Version: 12/2012)


112 7 Lagrangesche Methoden

 
n+1 n n (eq) n
f1,j+1 = f1,j − τ χ f1,j − f1,j (7.10b)

∂u n
und nach Einsetzen von Taylorentwicklungen für unj±j , un+1 j und ∂x j±1 an den jeweiligen
Grössen in j, n erhält man die modifizierte Differentialgleichung

∂u 1 ∂u2 ∂2u
+ = ν(1 − τ χ) 2 + · · · , (7.11)
∂t 2 ∂x ∂x
wobei c = τ /h gesetzt wurde. Diese zeigt, dass die effektive Diffusion durch ν(1 − τ χ)
dargestellt wird und das Verfahren somit nur konsistent unter der Bedingung τ χ → 0 für
τ → 0 ist.

7.2. Smooth Particle Hydrodynamics


[CHQZ88] C. Canuto, M. Y. Hussaini, A. Quarteroni, and T. A. Zang. Spectral Methods in
Fluid Dynamics. Springer, Berlin, Germany, 1988.

[CM93] A. J. Chorin and J. E. Marsden. A Mathematical Introduction to Fluid Mechanics.


Springer-Verlag, New York, 3 edition, 1993.

[DFM02] M. O. Deville, P. F. Fischer, and E. H. Mund. High-Order Methods for Incom-


pressible Fluid Flow. Cambridge University Press, Cambridge, 2002.

[Fle91] C. A. J. Fletcher. Computational Techniques for Fluid Dynamics. Springer, Berlin,


1991.

[FP02] J. H. Ferziger and M. Peric. Computational Methods for Fluid Dynamics. Sprin-
ger, Berlin, 2002.

[GR94] C. Grossmann and H.-G. Roos. Numerik partieller Differentialgleichungen. Teub-


ner, Stuttgart, 1994.

[Hin75] J. O. Hinze. Turbulence. McGraw Hill, New York, 2nd edition, 1975.

[Hir90] C. Hirsch. Numerical Computation of Internal and External Flows. John Wiley
& Sons, Chichester, 1990.

[HNW87] E. Hairer, S. P. Nørsett, and G. Wanner. Solving Ordinary Differential Equations,


volume I. Nonstiff Problems. Springer Verlag, Berlin, 1987.

[Joh87] C. Johnson. Numerical Solution of Partial Differential Equations by the Finite


Element Method. Cambridge University Press, Cambridge, 1987.

[KL89] H.-O. Kreiss and J. Lorenz. Initial-Boundary Value Problems and the Navier-
Stokes Equations. Academic Press Inc., London, 1989.

[LeV92] R. J. LeVeque. Numerical Methods for Conservation Laws. Birkhäuser, Basel,


2nd edition, 1992.

Wintersemester 2007/2008 (Version: 12/2012)


113 7 Lagrangesche Methoden

[PT83] R. Peyret and Th. D. Taylor. Computational Methods for Fluid Flow. Springer-
Verlag, New York, 1983.

[PTVF92] W. H. Press, S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery. Numerical


Recipes in Fortran 77. Cambridge University Press, Cambridge, 1992.

[RM65] R. D. Richtmyer and K. W. Morton. Difference Methods for Initial-Value Pro-


blems. John Wiley & Sons, New York, 2nd edition, 1965.

[Sch82] H. Schlichting. Grenzschicht-Theorie. Verlag G. Braun, 8th edition, 1982.

[Sch99] M. Schäfer. Numerik im Maschinenbau. Springer, Berlin, 1999.

[Str89] J. C. Strikwerda. Finite Difference Schemes and Partial Differential Equations.


Wadsworth & Brooks/Cole, Belmont, 1989.

[TAP97] J. C. Tannehill, D. A. Anderson, and R. H. Pletcher. Computational Fluid Dy-


namics and Heat Transfer. Taylor & Francis, Washington, London, 2nd edition,
1997.

[VM95] H. K. Versteeg and W. Malalasekera. An Introduction to Computational Fluid


Dynamics – The Finite Volume Method. Longman, Essex, 1995.

[Wen96] J. F. Wendt. Computational Fluid Dynamics: An introduction. Springer, Berlin,


1996.

[Wes01] P. Wesseling. Principles of Computational Fluid Dynamics. Springer, Berlin,


2001.

Wintersemester 2007/2008 (Version: 12/2012)


8. Übungsaufgaben
8.1. Rundungsfehler
8.1.1. Aufgabe
Anhand einer zentralen Differenzenformel für die erste Ableitung soll der Rundungsfehlerein-
fluss und die Fehlerfortpflanzung infolge endlicher Zahldarstellung untersucht werden.
Problem :
Die erste Ableitung einer Funktion kann approximiert werden durch eine zentrale Differen-
zenformel
′ f (x + ∆x) − f (x − ∆x)
fnum (x) = .
2∆x

Aufgaben:
(a) Zeigen Sie, dass für die Addition zweier Zahlen x und y mit den relativen Fehlern εx und
εy die Fehlerfortpflanzung gegeben ist durch
x y
ε+ = εx + εy .
x+y x+y

Anleitung : Benutzen Sie für f (x, y) = x + y die sich aus dem totalen Differential ergebende
allgemeine Fortpflanzungsformel
n
X xj ∂f
εf = εx .
f ∂xj j
j=1

(b) Bestimmen Sie für die Funktion f (x) = ex den relativen Fehler ε der obigen Approxima-
tionsformel
|f ′ (x) − fnum′ (x)|
ε=
|f ′ (x)|
and der Stelle x = 2. Verwenden Sie die Schrittweiten ∆x = 10−15 , 10−14 , . . . , 10−1 , 0.3, 0.5.
Vergleichen Sie die Ergebnisse für Rechnungen mit einfacher Genauigkeit (REAL) und dop-
pelter Genauigkeit (DOUBLE PRECISION), und stellen Sie das Ergebnis graphisch in einem
doppelt logarithmischen Diagramm dar (ε über 1/∆x).
(c) Gegeben sind folgende Abschätzungen für den relativen Diskretisierungsfehler

∆x2 f ′′′ (x)


Ed =
6f ′ (x)

Wintersemester 2007/2008 (Version: 12/2012)


115 8 Übungsaufgaben

und für den Fortpflanzungsfehler


δf (x)
Er = .
∆xf ′ (x)
Finden Sie den Ausdruck für dasjenige ∆xmin , für welches der Gesamtfehler

Eg = Er + Ed

als Funktion von ∆x minimal wird. Geben Sie einen Zahlenwert für ∆xmin an für die oben-
genannte Beispielfunktion ausgewertet in x = 0 für SINGLE (δ ≃ 10−7 ) und DOUBLE
PRECISION (δ = 10−16 ). Vergleichen Sie Ihr Resultat mit den Ergebnissen aus (b).

8.2. Typ von Differentialgleichungen


8.2.1. Aufgabe
Gegeben sind die eindimensionalen Flachwassergleichungen in den Variablen v(x, t) (Ge-
schwindigkeit) und φ(x, t) (potentielle Energie), φ > 0
∂u ∂F
+ =0 (8.1)
∂t ∂x
mit dem Lösungsvektor  
v
u= (8.2)
φ
und der Vektorfunktion  
v 2 /2 + φ
F (u) = , (8.3)

Aufgaben:

(a) Leiten Sie die quasilineare Matrixform


∂u ∂u
+A =0 (8.4)
∂t ∂x
her (d.h. bestimmen Sie die Matrix A). Nutzen Sie hierbei aus, dass F nicht explizit von x
und t abhängt.

(b) Zeigen Sie, dass das partielle Differentialgleichungssystem (8.4) hyperbolisch ist.
Hilfe : Benutzen Sie folgende Definition. Ein System der Form (8.4) mit m Komponenten
heisst hyperbolisch, wenn A m reelle Eigenwerte und m linear unabhängige Eigenvektoren
hat.

(c) Linearisieren Sie Gl. (8.4), d.h. nehmen Sie A als unabhängig von x und t an.
Geben Sie die Lösung dieses linearisierten Problems in allgemeiner Form an für eine beliebige
Anfangsbedingung v(x, 0) = v0 (x) und φ(x, 0) = φ0 (x).

Wintersemester 2007/2008 (Version: 12/2012)


116 8 Übungsaufgaben

8.3. Fouriertransformation
8.3.1. Aufgabe
Gegeben ist Sägezahnfunktion
1
f (x) = (π − x) , 0 < x ≤ 2π , f (x) = f (x + 2π) . (8.5)
2
Die Fourierreihendarstellung von f (x) ist gegeben durch

1 X ˆ
f (x) = √ f (k)eikx (8.6)
2π k=−∞

mit den Fourierreihenkoeffizienten


Z 2π
1
fˆ(k) = √ e−ikx f (x)dx . (8.7)
2π 0

Aufgaben:
P∞ sin kx
(a) Zeigen Sie, dass f (x) = k=1 k .

(b) Die bei k = N abgebrochene Reihe wird mit fN (x) bezeichnet. Schreiben Sie
ein Programm, welches den Fehler |f (x) − fN (x)| an x = 0, 0.01, 0.1, 0.2 berech-
net und stellen Sie diese Fehler dar in einem doppeltlogarithmischen Diagramm für
N = 2, 4, 8, 16, 32, 64, 128, 256. Was können Sie über die Konvergenzrate (d.h. die Abnah-
me des Fehlers mit zunehmendem N ) an den verschiedenen Stellen sagen ?
Anmerkung : benutzen Sie doppelte Genauigkeit im Programm.

8.4. Finite-Volumen-Methode
8.4.1. Aufgabe
Gegeben sei ein zweidimensionales Erhaltungsgesetz für die Variable u in integraler Form
Z Z  
∂u ∂F ∂G
dΩ + + dΩ = 0 . (8.8)
Ω ∂t Ω ∂x ∂y

Im Unterschied zu Finite-Differenzen-Verfahren, bei denen die differentielle Form approxima-


tiv gelöst wird, wird bei der Finite-Volumen-Methode die integrale Form direkt diskretisiert.

Wintersemester 2007/2008 (Version: 12/2012)


117 8 Übungsaufgaben

KA C
A n 
A C
D  C
 C
 C
YH n 
H C n :
H  C
 C
 C

X
A XXXXX C
XXX C
n  XX C
XC
 B


Betrachtet man eine Rechenzelle ABCD und führt man


Z
1
ū = udΩ (8.9)
VABCD Ω
ein, so erhält man
I I 
∂ ū
VABCD =− F dy − Gdx , (8.10)
∂t ABCD ABCD
R
wobei VABCD = Ω dΩ.
Wir reduzieren nun die allgemeine Betrachtung auf ein kartesisches Gitter mit je konstanten
Maschenweiten ∆x und ∆y.

D C
u u u j+1
∆y

u u u j

∆y
u u u j−1
A i−1 i B i+1
∆x ∆x

Betrachtet wird eine Zelleckpunktformulierung. Zur Approximation des Wertes ūi,j werden
alle seine Nachbarpunkte benutzt. Das Ringintegral setzt sich aus Integralen über die
einzelnen Liniensegmente AB, BC, CD, DA zusammen.

Aufgaben:

Wintersemester 2007/2008 (Version: 12/2012)


118 8 Übungsaufgaben

(a) Setzen Sie F = au und G = bu, a und b konstant, in Gl. (8.10). Approximieren
Sie die auftretenden Linienintegrale für obige Zelle mithilfe der Simpsonregel
Z h
. 1
f (x)dx = (f (−h) + 4f (0) + f (h)) (8.11)
−h 3

(beachten Sie die Integrationsrichtung). Geben Sie unter der weiteren Approximation
.
ui,j = ūi,j die semidiskrete Form dieser Gleichung an (d.h. die Zeitableitung wird nicht
diskretisiert, Sie erhalten eine Gleichung für ∂ui,j /∂t).

(b) Zeigen Sie, dass die Semidiskretisierung die Differentialgleichung

∂u ∂u ∂u
+a +b =0 (8.12)
∂t ∂x ∂y
von 2. Ordnung genau in ∆x und ∆y approximiert.
Anleitung : Es genügt, nur eine Richtung zu betrachten, da das Ergebnis für die andere
Richtung aus Symmetriegründen folgt. Setzen Sie für die in der semidiskreten Gleichung
aus (a) auftretenden uµ,ν eine zweidimensionale Taylorreihe in x und y an der Stelle (i, j)
an (brechen Sie die Reihe nach den zweiten Ableitungen ab). Zweckmässig ist eine Tabelle
anzulegen, welche eine Zeile für jeden Punkt und eine Spalte für jedes Taylorreihenglied
enthält. Tragen Sie dann in die Spalten die jeweiligen Taylorreihenkoeffizienten ein.
Spaltenweises Aufsummieren zeigt, dass Fehlerglieder bis einschliesslich zweiter Ordnung
herausfallen.

(c) Schreiben Sie ein Programm zur Lösung der linearen Advektionsgleichung

∂u ∂u ∂u
+ + =0 (8.13)
∂t ∂x ∂y

auf dem Bereich [0, 2π] × [0, 2π] mit dem Verfahren aus (a). Setzen sie in x und y peri-
odische Randbedingungen an und wählen Sie die Anfangslösung u(x, y, 0) = cos(x + y).
Für die Zeitintegration verwenden Sie das Runge-Kutta-Verfahren 3. Ordung, welches in der
Vorlesungsunterlage angegeben ist. Zerlegen Sie den Definitionsbereich in N × N = 20 × 20,
40 × 40 und 80 × 80 äquidistante Teilbereiche und integrieren Sie die Lösung mit jeder
Diskretisierung bis t = 0.5 (wählen Sie eine Zeitschrittweite ∆t = ∆x/(4π) = ∆y/(4π)).
Bestimmen Sie die Approximationsordnung des Verfahrens aus dem Abklingverhalten des
Fehlers sP
N +1 2
i,j=1 (u(i, j) − uex (i, j))
E= (8.14)
(N + 1)2
über N (uex = cos(2t − x − y)). Wie erklären Sie sich, dass das Fehlerverhalten von der
räumlichen Diskretisierung dominiert wird ?

Bemerkung :

Wintersemester 2007/2008 (Version: 12/2012)


119 8 Übungsaufgaben

Wenn Sie in Teil (a) anstelle der Simpsonregel eine Trapezregel verwendet hätten,
würden Sie ein äquivalentes Finite-Differenzen Verfahren 2. Ordnung zur Diskretisierung der
Differentialform der Erhaltungsgleichung bekommen.

8.5. Finite-Elemente-Methode
8.5.1. Aufgabe
Gegeben sei ein Randwertproblem bestehend aus der gewöhnlichen linearen Differentialglei-
chung
d2 u
+u=0 , 0≤x≤π (8.15)
dx2
und den Randbedingungen
du
u(0) = 1 , | =1. (8.16)
dx x=π

Aufgaben :

(a) Bestimmen Sie die exakte Lösung uex (x) dieses Randwertproblems.

(b) Geben Sie die nach dem Finite-Elemente-Galerkin-Verfahren mit linearen Lagrange-
Elementen diskretisierte Form A u = b des Randwertproblems an.
Anleitung :
Diskretisieren Sie das Intervall 0 ≤ x ≤ π äquidistant mit der Schrittweite h in N
Teilintervalle. Setzen Sie an :

X N
.
u(x) = ũ(x) = uj φj (x) , (8.17)
j=0

mit  x−xj−1
 h , xj−1 < x < xj
φj (x) = xj+1h −x , xj+1 ≥ x ≥ xj , (8.18)

0 , sonst
wobei j = 0, . . . , N . Gehen Sie aus von der MWR-Form des Randwertproblems für ũ.
Beachten Sie, dass die Ansatzfunktionen eine triviale zweite Ableitung besitzen, formen
Sie die MWR-Gleichung entsprechend um (partielle Integration), wodurch Sie einen
expliziten Randterm in der MWR-Gleichung erhalten. Führen Sie dann die Projektion
auf
R π den Funktionenraum
Rπ {φi , i = 0, . . . , N } durch. Sie erhalten Integrale der Art
′ ′
0 φi φj dx und 0 φi φj dx, welche die Elemente der Matrix A bilden. Rechnen Sie diese
Elemente aus. Sie erhalten ein nichthomogenes lineares Gleichungssystem der Dimen-
sion (N + 1) × (N + 1). Die rechte Seite b enthält Komponenten resultierend aus
der Randbedingung. Berücksichtigen Sie nun, dass der Randwert u0 bekannt ist und

Wintersemester 2007/2008 (Version: 12/2012)


120 8 Übungsaufgaben

eliminieren Sie die entsprechende Zeile des Gleichungssystems. Sie erhalten ein lineares
Gleichungssystem der Dimension N ×N mit einer an einer Stelle veränderten rechten Seite b.

(c) Schreiben Sie ein Programm zur Auflösung des linearen Gleichungssystems aus
(b). Nutzen Sie hierbei den Thomas-Algorithmus zur Auflösung eines tridiagonalen
Gleichungssystems. Berechnen Sie den L2 -Fehler nach der Formel

N
! 21
1 X
E L2 = (uex (xi ) − ui )2 . (8.19)
N +1
i=0

Stellen Sie EL2 für N = 5, 10, 20, 40, 80 geeignet graphisch dar, und ermitteln Sie die
Konvergenzordnung.

8.6. Diskretisierungsverfahren für die Advektionsgleichung


8.6.1. Aufgabe
Für x ∈ [−1, 3] und t ∈ [0, 2.4] löse die Advektionsgleichung

∂t u + ∂x u = 0 (8.20)

mit der Anfangsbedingung


 2
cos (πx) , wenn |x| ≤ 0.5
u(x, 0) = (8.21)
0 , sonst

Randbedingungen sind gegeben als

u1 (−1, t) = 0 . (8.22)

Verwende die folgenden Diskretisierungsverfahren:

(a) Forward-Time Backward-Space mit λ = ∆t/∆x = 0.8 und ∆x = 0.1, 0.05, 0.025,

(b) Forward-Time Central-Space mit λ = 0.8 und ∆x = 0.1, 0.05, 0.025,

(c) Lax-Friedrichs mit λ = 0.8, 1.6 und ∆x = 0.1, 0.05, 0.025,

(d) Leapfrog mit λ = 0.8 und ∆x = 0.1, 0.05, 0.025.

Für die Schemata (b),(c) und (d) verwende am rechten Rand das Schema un+1
N = un+1
N −1 ,
mit xN = 3. Für Schema (d) verwende Schema (b), um die Lösung für n = 1 zu berechnen.
Für jedes Schema stelle fest, ob es brauchbar“ oder unbrauchbar“ ist. Nur im Rah-
” ”
men dieser Übung bezeichnen wir ein Schema als unbrauchbar“, wenn |unj | grösser als 5

für irgendwelche j, n wird. Als brauchbares“ Schema bezeichnen wir es, wenn die Lösung

Wintersemester 2007/2008 (Version: 12/2012)


121 8 Übungsaufgaben

wie eine vernünftige Approximation der Lösung der Differentialgleichung aussieht. Stelle ver-
schiedene Lösungen zu dem letzten berechneten Zeitpunkt dar. Was stellst Du fest bezüglich
der Zeit, zu der die unbrauchbaren“ Schemata explodieren“, wenn ∆x verkleinert wird ?
” ”
Kann man gemeinsame Verhaltensmuster der unbrauchbaren“ Lösungen beobachten ? Wie

verhält sich der Fehler der brauchbaren“Lösungen, wenn man ∆x verkleinert, d.h. wenn

man ∆x halbiert, um welchen Faktor veränder sich der Fehler ?

8.6.2. Lösung
FTBS
Diskretisierungsschema ist:

un+1
j − unj unj − unj−1
+ =0. (8.23)
τ h
Besonderheiten bezüglich der Randbedingung treten nicht auf, da u0 gegeben ist. Formale
Konsistenzordnung ist O(τ, h). Für h = 0.1 bestimmt man einen L2 -Fehler von E = 0.3094,
für h = 0.05 ist E = 0.1888 und für h = 0.025 ist E = 0.1055. Daraus ergibt sich eine
Schätzung für die Konvergenzordnung nach p = log(Eh /Eh/2 )/log2 von 0.71 bzw. 0.84. Für
alle h wird ein sinnvolles Ergebnis berechnet.

FTCS
Diskretisierungsschema ist:

un+1
j − unj unj+1 − unj−1
+ =0. (8.24)
τ 2h
Dieses Schema braucht eine numerische Randbedingung in j = N , da uN +1 unbekannt ist.
Hier wählen wir un+1
N = UNn+1
−1 , da die Rechnung abgebrochen wird, bevor die Anfangsbe-
dingung durch den rechten Rand konvektiert wird. Formale Konsistenzordnung ist O(τ, h2 ).
Für kein h bekommt man ein brauchbares Ergebnis.

Lax-Friedrichs
Diskretisierungsschema ist:
un n
j+1 −uj−1
un+1
j − 2 unj+1 − unj−1
+ =0. (8.25)
2τ 2h
Dieses Schema braucht eine numerische Randbedingung in j = N , da uN +1 unbekannt ist.
Formale Konsistenzordnung ist O(τ, h). Für h = 0.1 bestimmt man einen L2 -Fehler von
E = 0.4758, für h = 0.05 ist E = 0.3315 und für h = 0.025 ist E = 0.2064. Daraus ergibt
sich eine Schätzung für die Konvergenzordnung nach p = log(Eh /Eh/2 )/log2 von 0.52 bzw.
0.68. Für alle h wird ein sinnvolles Ergebnis berechnet.

Wintersemester 2007/2008 (Version: 12/2012)


122

Leap-Frog
Gedruckt von Nikolaus A. Adams
Nov 23, 05 9:15 Discr.f90 Seite 1/3 Nov 23, 05 9:15 Discr.f90 Seite 2/3

Diskretisierungsschema ist:
! discretization for one−way wave equation END IF
!
! du/dt + du/dx = 0 !−−− Uo(n=0,j); initial value
! Uo(:) = 0.0
! Initial condition: DO j=1,xnodes
! | cos**2(pi*x); for |x|<= 0.5 x = xstart + (j−1)*deltax

j
! u(0,x) = | IF (ABS(x) <= 0.5)THEN
! | 0 ; elsewhere Uo(j) = (COS(pi*x))**2
! END IF
! Boundary condition: WRITE(20,’(2E20.10)’) x, Uo(j)

un+1
! END DO
! u(t,−1) = 0
! U(:) = Uo
! 27.04.2000 U(xnodes) = U(xnodes−1)


!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
PROGRAM discr !−Time−loop to step the solution forward in time−−−−−−−−−−
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−− DO n=1,tnodes
!−Declarations−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−− !−−− Boundary condition for every time step
Un(1) = 0.0

− ujn−1
IMPLICIT NONE
!−−− Overwrite U(n,j) with U(n+1,j)
INTEGER, PARAMETER :: DOUBLE = SELECTED_REAL_KIND(15,307)
INTEGER, PARAMETER :: lo_int = SELECTED_INT_KIND(9) ! Forward−Time Backward−Space scheme

+
if (mode .eq. ’ftbs’) then
INTEGER(lo_int) :: n,j,xnodes,tnodes,al_status,deal_status DO j=2,xnodes
Un(j) = U(j) − lambda*(U(j) − U(j−1))
REAL(DOUBLE), ALLOCATABLE, DIMENSION(:) :: U,Un,Uo,Uexact,errabs END DO

REAL(DOUBLE) :: pi,xstart,xend,deltax,tstart,tend,deltat ! Forward−Time Center−Space scheme


REAL(DOUBLE) :: x,t,lambda,max_errabs else if (mode .eq. ’ftcs’) then

character(*) mode DO j=2,xnodes−1


parameter (mode = ’lp’) Un(j) = −0.5*lambda*U(j+1) + U(j) + 0.5*lambda*U(j−1)
END DO
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
!−Initializations and allocations−−−−−−−−−−−−−−−−−−−−−−−−− else if (mode .eq. ’lf’) then

2h
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

wird durch die numerische Randbedingung reduziert.


pi = ACOS(−1.0) ! Lax−Friedrichs scheme
xstart = −1.0 DO j=2,xnodes−1
xend = 3.0 Un(j) = 0.5*(U(j−1)+U(j+1)) + 0.5*lambda*(U(j−1)−U(j+1))
deltax = 0.1 !!! check for deltax = 0.1, 0.05, 0.025 !!! END DO
xnodes = INT(ABS(xend−xstart)/deltax + 1.1)
tstart = 0.0 else if (mode .eq. ’lp’) then
tend = 2.4

unj+1 − unj−1
lambda = 0.8 ! Leapfrog scheme
deltat = lambda * deltax if (n .eq. 1) then
tnodes = INT(ABS(tend−tstart)/deltat +0.01) DO j=2,xnodes−1
Un(j) = Uo(j) − 0.5*lambda*(U(j+1) − U(j−1))
! tnodes = 5 END DO
else
WRITE(*,*)’xnodes = ’,xnodes DO j=2,xnodes−1
WRITE(*,*)’tnodes = ’,tnodes Un(j) = Uo(j) − lambda*(U(j+1) − U(j−1))
END DO

=0.
ALLOCATE(U(xnodes),Un(xnodes),Uexact(xnodes), & end if
& Uo(xnodes),errabs(xnodes),STAT=al_status)
end if
IF (al_status /= 0) THEN
WRITE(*,*)’An error occurred while allocating dynamic fields!’ if (mode .ne. ’ftbs’) then
STOP ’EXECUTION ABORTED’ Un(xnodes) = Un(xnodes−1)
Donnerstag November 29, 2007 Discr.f90 1/2

Wintersemester 2007/2008 (Version: 12/2012)


ist. Ausserdem wird in n = 0 noch eine numerische Anfangsbedingung benötigt, da u−1 j
(8.26)

1.08. Für alle h wird ein sinnvolles Ergebnis berechnet. Die theoretische Konvergenzordnung
unbekannt ist. Der erste Zeitschritt wird daher mit einem FTCS Schema durchgeführt. For-

E = 0.1813, für h = 0.05 ist E = 0.0706 und für h = 0.025 ist E = 0.0333. Daraus ergibt
Dieses Schema braucht eine numerische Randbedingung in j = N , da uN +1 unbekannt

male Konsistenzordnung ist O(τ 2 , h2 ). Für h = 0.1 bestimmt man einen L2 -Fehler von

sich eine Schätzung für die Konvergenzordnung nach p = log(Eh /Eh/2 )/log2 von 1.36 bzw.
8 Übungsaufgaben
123

Programmliste

8.7.1. Aufgabe

6
Ergebnisse für λ = 1.6
Ergebnisse für λ = 0.8


Gedruckt von Nikolaus A. Adams
Nov 23, 05 9:15 Discr.f90 Seite 3/3

lich diskretisiert werden soll.


end if

dt
∂t
!−−− Shift Uo and U by one for the next time step

1 dui−1
Uo(:) = U(:)
U(:) = Un(:)

+
!−−− Write U(n,j) to file fort.20
! WRITE(20,*) ’&’
DO j=1,xnodes
x = xstart + (j−1)*deltax

+4
IF(n==tnodes)THEN

∂x
∂u ∂u
WRITE(20,’(2E20.10)’) x, U(j)
ENDIF
IF (ABS(U(j))>5.0)THEN
t = tstart + n*deltat

dt
WRITE(*,*) ’Loesung ist unbrauchbar.’
WRITE(*,*) ’n = ’,n,’ (t = ’,t,’); j = ’,j,’ (x = ’,x,’)’
END IF
END DO

+
END DO

kretisierung der Advektionsgleichung


!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

=0 ,
!−Calculate max absolute error at t=2.4 (n=tnodes)−−−−−−−−
!−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
max_errabs = 0.0
Uexact(:) = 0.0

dt
t = tstart + tnodes*deltat

DO j=1,xnodes

dui dui+1
x = xstart + (j−1)*deltax

IF((x−t)> −1.0 .AND. ABS(x−t)<0.5)THEN


Uexact(j) = (COS(pi*(x−t)))**2
END IF
WRITE(40,’(2E20.10)’)x, Uexact(j)

+
errabs(j) = ABS(U(j)−Uexact(j))
WRITE(30,’(2E20.10)’)x, errabs(j)
max_errabs = MAX(max_errabs,errabs(j))
ENDDO

1
WRITE(*,*) ’max_errabs = ’, max_errabs

2∆x
DEALLOCATE( U,Un,Uo,Uexact,errabs,STAT=deal_status)
END PROGRAM discr

u(0, x) = u0 (x) ,
8.7. Analyse von Finite-Differenzen-Verfahren

Wintersemester 2007/2008 (Version: 12/2012)


Donnerstag November 29, 2007 Discr.f90 2/2

Finite-Differenzen-Verfahren, Stabilität, Phasen- und Amplitudenfehler:

(ui+1 − ui−1 ) = 0
Wir betrachten das reine Anfangswertproblem für die lineare Advektionsgleichung

(a) Leiten Sie die Koeffizienten des Verfahrens auf einem 3-Punkt-Stencil durch Taylor-
welches mit einem symmetrischen kompakten Finite-Diffenzen-Verfahren 4. Ordnung räum-

entwicklung (mindestens bis zur 4. Ordnung) her. Zeigen Sie, dass man als Semidis-
8 Übungsaufgaben
124 8 Übungsaufgaben

erhält.

b) Diskretisieren Sie diese Gleichung in der Zeit mit dem verallgemeinerten Crank-
Nicolson-Verfahren (Diskretisierungsparameter θ), welches für eine Gleichung

df
=g
dt
die Form
f (n+1) − f (n)
= θg(n+1) + (1 − θ)g (n) , 0≤θ≤1 .
∆t

Wintersemester 2007/2008 (Version: 12/2012)


125 8 Übungsaufgaben

hat. Leiten Sie daraus die Volldiskretisierung


(n+1) (n) (n+1) (n) (n+1) (n)
(ui−1 − ui−1 ) + 4(ui − ui ) + (ui+1 − ui+1 ) +
(n+1) (n+1) (n) (n)
+ 3θσ(ui+1 − ui−1 ) + 3(1 − θ)σ(ui+1 − ui−1 ) = 0

mit σ = τ / her.

(c) Zeigen Sie, dass das Symbol der Diskretisierung gegeben ist durch
2 + cos ξh − 3(1 − θ)ıσ sin ξh
Ĝ(ξ) = ∈ C| , 0 ≤ ξh ≤ π .
2 + cos ξh + 3θıσ sin ξh
Zeigen Sie, dass das Verfahren für θ ≥ 1/2 unbedingt stabil ist.

(d) Es sei θ = 1/2. Zeigen Sie, dass das Amplitudenverhältnis εamp = |Ĝ| = 1 ist und
stellen Sie das Phasenverhältnis εph = arc Ĝ/(−σξh) für 0 ≤ ξh ≤ π in einem
Diagramm dar. Leiten Sie zudem die numerische Dispersionsbeziehung
ω̃τ 3σ sin ξh
tan =
2 2(2 + cos ξh)
her. Verwenden Sie dazu die Rationalisierungsformel
2 tan α2
tan α = .
1 − tan2 α2

Wintersemester 2007/2008 (Version: 12/2012)


126 8 Übungsaufgaben

Hinweise: Die numerische Dispersionsbeziehung ist das Analogon zur analytischen Dis-
persionsbeziehung ω(ξ) = ξ, wie man durch Einsetzen von u := u0 e−ıωt eıξx in die Advek-
tionsgleichung ermittelt. Zur Bestimmung der numerischen Dispersionsbeziehung setzt man
(n)
entsprechend einen Ansatz ui = u0 e−ıω̃nτ eıξh in die volldiskretisierte Gleichung ein.

8.8. Lösungsverfahren für elliptische Gleichungen


8.8.1. Aufgabe
Auf dem zweidimensionalen Gebiet 0 ≤ x, y ≤ 1 soll die (elliptische) Poisson-Gleichung

∂2u ∂2u
∆u = + 2 =f (8.27)
∂x2 ∂y
gelöst werden. Verwenden Sie als Randbedingungen

u(x, 0) = 2(x − x2 ) (8.28)


u(x, 1) = 0 (8.29)
u(0, y) = 0 (8.30)
u(1, y) = 0 . (8.31)

Die Inhomogenität sei gegeben als

f (x, y) = 10 . (8.32)

Das Gebiet soll mit Hilfe von zentralen Differenzen 2. Ordnung (siehe Skript) diskretisiert
werden. Verwenden Sie dazu N × N Gitterpunkte mit der Gitterweite h. Setzen Sie den
Lösungsvektor u und den Kraftvektor f an als eindimensionalen Vektor der Form

u = (u1,1 , u1,2 , . . . , u1,N , u2,1 , . . . , uN,N −1 , uN,N )T (8.33)

Dabei entsteht ein Gleichungssystem A u = f mit N 2 Zeilen


    
−4 1 1 u 1,1 f1,1
 1 −4 1  u1,2   f1,2 
 1    
 . . . . 
.. 



.. 

 .. .. .. ..   .  2 . .
   =h   (8.34)
 .. .. ..   u1,N   f1,N 
 1 . . . 
   u2,1 

 f2,1 

.. .. .. .. . ..
. . . . .. .

Die (Dirichlet-)Randbedingungen sind in dieses Gleichungssystem noch zu implementieren.

a) Begründen Sie kurz, weshalb das das Problem korrekt gestellt ist.

b) Setzen Sie N = 20. Finden Sie die numerische Lösung des Problems mit einer direkten
Methode Stellen Sie die Lösung in einem geeigneten Diagramm (z.B. Konturplot) dar.

Wintersemester 2007/2008 (Version: 12/2012)


127 8 Übungsaufgaben

c) Implementieren Sie das Gauss-Seidel und das SOR-Verfahren (siehe Skript). Führen
Sie jeweils 100 Iterationsschritte durch und dokumentieren Sie (graphische Darstellung
in einem halblogarithmischen Plot) die Konvergenz mit dem Verlauf des Residuums
q sX
(m)
R = (A u (m) T
− f ) · (A u (m) − f) = e2i mit e = A u(m) − f (8.35)
i

über den Iterationen m. Verwenden Sie als Anfangslösung u = 0.

d) Wieviele Iterationen sind mit dem SOR-Verfahren notwendig, um Maschinengenauig-


keit zu erreichen? Verwenden Sie doppelte Genauigkeit (64 bit) zur programmtechni-
schen Zahldarstellung.

8.9. Lösungsverfahren für parabolische Gleichungen


8.9.1. Aufgabe
Untersucht wird das Problem der sogenannten Ekman-Drift. Wenn die ebene Oberfläche
einer ruhenden Flüssigkeit mit einem Gas parallel zur Oberfläche angeblasen wird, bildet sich
infolge der Scherung K zwischen Gas und Flüssigkeit mit der Zeit ein Geschwindigkeitsprofil
u(z, t) in der Flüssigkeit aus. K wird als konstant angenommen.
Das Problem wird modelliert durch
∂u 1 ∂2u
= (8.36)
∂t Re ∂z 2
im Bereich −∞ ≤ z ≤ 0. Die Randbedingungen sind

∂u
= K , u(−∞, t) = 0 . (8.37)
∂z z=0

Die Anfangsbedingung ist


u(z, 0) = 0 . (8.38)
Die exakte Lösung von Gl. (8.36) ist gegeben durch
" √ !! r #
z Re t − z2 Re
uex (z, t) = K z 1 + erf √ +2 e 4t ,
2 t πRe
√ Rx 2
wobei die Fehlerfunktion definiert ist durch erf(x) = 2/ π 0 e−ξ dξ.

(a) Zur numerischen Behandlung wird eine Koordinatentransformation z ↔ ζ durch z =


m(ζ) = ln(1 − ζ) eingeführt, wobei 0 ≤ ζ ≤ 1. Transformiere Gln. (8.36) und (8.37)
von (z, t) auf (ζ, t) durch Anwendung der Kettenregel.

Wintersemester 2007/2008 (Version: 12/2012)


128 8 Übungsaufgaben

(b) Unterteile das Grundintervall 0 ≤ ζ ≤ 1 in N äquidistante Teilintervalle. Gib die Semi-


diskretisierung (nur räumliche Ableitungen diskretisiert) von Gl. (8.36) unter Berück-
sichtigung der Randbedingungen an. Approximiere die auftretenden ersten und zweiten
Ableitungen nach ζ durch zentrale Differenzen 2. Ordnung.
Hilfe : Aus der Neumann-Randbedingung erhält man eine Beziehung für den zu extra-
polierenden Wert u−1 durch Ansatz einer zentralen Differenz in Gl. (8.37). Führe den
so berechneten Wert u−1 in die Differenzenformeln an der Stelle ζ = 0 ein.

(c) Zur Zeitintegration verwenden Sie das Crank-Nicolson Verfahren. Schreibe ein Pro-
gramm zur numerischen Berechnung der Lösung bei t = 3 mit Re = 10 und K = 1.
Kontrolliere hierbei die Zeitschrittweite durch ∆t = 100/||A||∞ , wobei A die bei der
Diskretisierung der rechten Seite von Gl. (8.36) auftretende Matrix und || • ||∞ die
Zeilensummennorm ist. Löse das auftretende tridiagonale Gleichungssystem einmal di-
rekt mit dem Thomas-Algorithmus (A), dann iterativ mit dem SOR-Verfahren für die
Relaxationsparameter ω = 1 (B) und ω = 1.2 (C). Nutze bei (B) und (C) die Band-
struktur der zu invertierenden Matrix aus. Betrachte die Lösung als konvergiert, wenn
die euklidische Norm des Residuenvektors
PN 10−5 erreicht. Tragen für die Lösungen (A),
(B) und (C) den Fehler E = ( 0 (uex (ζj ) − uj )2 /(N + 1))0.5 für N = 5, 10, 15, 20
zum Zeitpunkt t = 3 in einem Diagramm geeignet auf. Wie ist die Fehlerordnung ?
Wieviele Iterationen benötigt man im Mittel für je (B) und (C) ?
Hilfe : Unterprogramm zur Berechnung der Fehlerfunktion liegt vor.

Wintersemester 2007/2008 (Version: 12/2012)


A. Matrix- und Vektor-Analysis
A.1. Vektor-Normen und Matrix-Normen
Wir betrachten zunächst den Vektorraum C| M , d.h. den Raum der Vektoren v = (v1 , . . . , vM )
mit vj ∈ C| . C| M enthält insbesondere den reellen Vektorraum IRM . Auf diesen Räumen führt
man verschiedene Normen kvk ein, d. h. Längenmassstäbe für die Vektoren v. Allgemein ist
eine Norm k·k auf einem Vektorraum eine reellwertige Funktion mit folgenden Eigenschaften:
(1) kvk ≥ 0, kvk = 0 genau dann wenn v = 0,

(2) kv + wk ≤ kvk + kwk (Dreiecksungleichung),

(3) kαvk = |α|kvk, für jedes α ∈ C| (Homogenität).


Gebräuchlich sind drei Vektornormen in C| M :
L1 -Norm oder Betragsnorm:
M
X
kvk1 = |vj | (A.1)
j=1

L2 -Norm oder euklidische Norm:


 1/2
M
X
kvk2 =  |vj |2  (A.2)
j=1

L∞ -Norm oder Maximumnorm:

kvk∞ = max |vj | . (A.3)


1≤j≤M

Es gelten zwischen diesen Normen folgende Relationen:

kvk∞ ≤ kvk1 ≤ M kvk∞ (A.4a)



kvk∞ ≤ kvk2 ≤ M kvk∞ (A.4b)

kvk2 ≤ kvk1 ≤ M kvk2 . (A.4c)
Mit Hilfe der oben definierten Vektornormen lassen sich Normen von Matrizen einführen:
kA xk
kAk := max = max kA xk . (A.5)
x6=0 kxk kxk=1

Wintersemester 2007/2008 (Version: 12/2012)


130 A Matrix- und Vektor-Analysis

Es gilt damit:
M
X
kAk1 = max |Aij | (A.6a)
1≤j≤M
i=1
q
kAk2 = ρ(A∗ A) (A.6b)
M
X
kAk∞ = max |Aij | (A.6c)
1≤i≤M
j=1
T
wobei A∗ = A die konjugiert Transponierte von A ist, und ρ(B) den Spektralradius der
Matrix B bezeichnet, definiert als der betragsmässig grösste Eigenwert von B,

ρ(B) := max |λ| , B x=λx. (A.7)

Wintersemester 2007/2008 (Version: 12/2012)


131 A Matrix- und Vektor-Analysis

A.2. Normen für Funktionen und Gitterfunktionen


Für eine auf einem Intervall a ≤ x ≤ b definierte Funktion f (x) definiert man folgende
Normen: Z b
kf k1 = |f (x)|dx (A.8a)
a
Z b 1/2
2
kf k2 = |f (x)| dx (A.8b)
a

kf k∞ = max |f (x)| . (A.8c)


a≤x≤b

Für eine auf dem Intervall a ≤ xj = a + j∆x ≤ b, mit j = 0, . . . , N definierte Gitterfunk-


tion uN (xj ) = uj definiert man die folgenden Normen:
N
X
kuN k1 = ∆x |uj | (A.9a)
j=0

 1/2
N
X
kuN k2 = ∆x |uj |2  (A.9b)
j=0

kuN k∞ = max |uj | . (A.9c)


0≤j≤N

Für ein festes N gelten zwischen diesen Normen die für Vektornormen gültigen Relationen

C1 kuN kα ≤ kuN kβ ≤ C2 kuN kα . (A.10)

Die Konstanten C1 und C2 hängen nun jedoch von N und damit von ∆x ab und für ∆x → 0
kann das Verhalten von kuN kα für verschiedene α unterschiedlich sein.

Wintersemester 2007/2008 (Version: 12/2012)


B. Finite-Differenzen-Schemata
B.1. Finite-Differenzen-Verfahren zur Integration von
gewöhnlichen Differentialgleichungen
Differentialgleichung / Diskretisierung:

du
= f (u, t) , un = u(tn ) , f n = f (un , tn ) , tn = n∆t (B.1)
dt
- Explizites Euler-Verfahren, Ordnung O(∆t):

un+1 = un + ∆t · f n (B.2)

- Implizites Euler-Verfahren, Ordnung O(∆t):

un+1 = un + ∆t · f n+1 (B.3)

- Crank-Nicolson-Verfahren, Ordnung O(∆t2 ):

∆t n
un+1 = un + (f + f n+1 ) (B.4)
2

- Standard-Runge-Kutta-Verfahren, Ordnung O(∆t4 ):

∆t n
un+1 = un + (f + 2k1 + 2k2 + k3 ) (B.5a)
6
mit den Abkürzungen:
∆t n 1 1 ∆t
u1 = un + f , k1 = f (u1 , tn+ 2 ) , tn+ 2 = tn + (B.5b)
2 2
∆t 1
u2 = un + k1 , k2 = f (u2 , tn+ 2 ) (B.5c)
2
u3 = un + ∆tk2 , k3 = f (u3 , tn+1 ) (B.5d)

Wintersemester 2007/2008 (Version: 12/2012)


133 B Finite-Differenzen-Schemata

B.2. Finite-Differenzen-Schemata zur Diskretisierung von


Ableitungsoperatoren
Schemata zur Approximation erster Ableitungen:

- Linksseitiges Differenzenschema erster Ordnung:



∂u ui − ui−1 ∆x ∂ 2 u
= + + ··· (B.6)
∂x xi ∆x 2 ∂x2 xi

- Linksseitiges Differenzenschema zweiter Ordnung:



∂u 3ui − 4ui−1 + ui−2 ∆x2 ∂ 3 u
= + + ··· (B.7)
∂x xi 2∆x 3 ∂x3 xi

- Rechtsseitiges Differenzenschema erster Ordnung:



∂u ui+1 − ui ∆x ∂ 2 u
= − + ··· (B.8)
∂x xi ∆x 2 ∂x2 xi

- Rechtsseitiges Differenzenschema zweiter Ordnung:



∂u −3ui + 4ui+1 − ui+2 ∆x2 ∂ 3 u
= + + ··· (B.9)
∂x xi 2∆x 3 ∂x3 xi

- Zentrales Differenzenschema zweiter Ordnung:



∂u ui+1 − ui−1 ∆x2 ∂ 3 u
= − + ··· (B.10)
∂x xi 2∆x 6 ∂x3 xi

- Zentrales Differenzenschema vierter Ordnung:



∂u −ui+2 + 8ui+1 − 8ui−1 + ui−2
= +
∂x xi 12∆x
(B.11)
∆x4 ∂ 5 u
+ + ···
30 ∂x5 xi

Schemata zur Approximation zweiter Ableitungen:

- Linksseitiges Differenzenschema erster Ordnung:



∂ 2 u ui − 2ui−1 + ui−2 ∂ 3 u
= + ∆x + ··· (B.12)
∂x2 xi ∆x2 ∂x3 xi

Wintersemester 2007/2008 (Version: 12/2012)


134 B Finite-Differenzen-Schemata

- Linksseitiges Differenzenschema zweiter Ordnung:



∂ 2 u 2ui − 5ui−1 + 4ui−2 − ui−3 11 4
2 ∂ u
= − ∆x + ··· (B.13)
∂x2 xi ∆x2 12 ∂x4 xi

- Rechtsseitiges Differenzenschema erster Ordnung:



∂ 2 u ui+2 − 2ui+1 + ui ∂ 3 u
= − ∆x + ··· (B.14)
∂x2 xi ∆x2 ∂x3 xi

- Rechtsseitiges Differenzenschema zweiter Ordnung:



∂ 2 u 2ui − 5ui+1 + 4ui+2 − ui+3 11 4
2 ∂ u
= + ∆x + ··· (B.15)
∂x2 xi ∆x2 12 ∂x4 xi

- Zentrales Differenzenschema zweiter Ordnung:



∂ 2 u ui+1 − 2ui + ui−1 ∆x2 ∂ 4 u
= − + ··· (B.16)
∂x2 xi ∆x2 12 ∂x4 xi

- Zentrales Differenzenschema vierter Ordnung:



∂ 2 u 1
= (−ui+2 + 16ui+1 − 30ui + 16ui−1 − ui−2 ) +
∂x2 xi 12∆x2
(B.17)
∆x4 ∂ 6 u
+ + ···
90 ∂x6 xi

Schemata zur Approximation dritter Ableitungen:

- Zentrales Differenzenschema zweiter Ordnung:



∂ 3 u 1
= (ui+2 − 2ui+1 + 2ui−1 − ui−2 ) −
∂x xi 2∆x3
3
(B.18)
∆x2 ∂ 5 u
− + ···
4 ∂x5 xi

- Zentrales Differenzenschema vierter Ordnung:



∂ 3 u 1
= (−ui+3 + 8ui+2 − 13ui+1 + 13ui−1 − 8ui−2 + ui−3 ) +
∂x xi 8∆x3
3

7
(B.19)
7 4 ∂ u
+ ∆x + ···
120 ∂x7
xi

Wintersemester 2007/2008 (Version: 12/2012)


135 B Finite-Differenzen-Schemata

Schema zur Approximation vierter Ableitungen:

- Zentrales Differenzenschema zweiter Ordnung:



∂ 4 u 1
= (ui+2 − 4ui+1 + 6ui − 4ui−1 + ui−2 ) −
∂x4 xi ∆x4
(B.20)
∆x2 ∂ 6 u
− + ···
6 ∂x6 xi

B.3. Finite-Differenzen-Schemata zur Diskretisierung der


Advektionsgleichung
Differentialgleichung:
∂u ∂u
+a =0 (B.21)
∂t ∂x
- Forward-Time Backward-Space (FTBS):

un+1
j − unj unj − unj−1
+a =0 (B.22)
∆t ∆x

- Forward-Time Central-Space (FTCS, instabil):

un+1
j − unj unj+1 − unj−1
+a =0 (B.23)
∆t 2∆x

- Lax-Friedrichs:
 
un+1
j − 1
2 unj+1 + unj−1 unj+1 − unj−1
+a =0 (B.24)
∆t 2∆x

- Leapfrog:
un+1
j − ujn−1 unj+1 − unj−1
+a =0 (B.25)
2∆t 2∆x

Wintersemester 2007/2008 (Version: 12/2012)