UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS MATEMÁTICAS

E.A.P. DE COMPUTACIÓN CIENTÍFICA

Solución numérica de la ecuación advección - difusión

TESINA
Para optar el Título Profesional de Licenciada en Computación
Científica

AUTOR
Hilda Ana Samamé Jimenez

Lima - Perú

2016
Resumen

La ecuacion de advección-difusión es una Ecuacion Diferencial Parcial de

tipo parabolica, dicho modelo describe los fenómenos de transporte de cierta
magnitud fı́sica en el interior de un fluido; es por ello que es considerada
una de las EDP mas importantes, siendo aplicada en un amplio rango de
aplicaciones en el campo de la ingenierı́a y la industria. En el presente trabajo,
se resuelve y analiza el calculo de la solucion numérica de la ecuacion de
adveccion-difusion mediante el esquema de diferencias finitas.
La ecuación de adveccion-difusión est dada por la siguiente ecuacion:

∂u ∂u ∂2 u
+β =α 2 (1)
∂t ∂x ∂x

con las condiciones iniciales

u(x, 0) = f (x) 0 6 x 6 1

y condiciones de frontera

u(0, t) = g0 (x), 0 < t 6 T

u(1, t) = g1 (x), 0 < t 6 T

Palabras clave: adveccion, difusion, diferencias finitas

1
Abstract

The advection-diffusion equation is a Partial Differential Equation of pa-

rabolic type, this model describes the transport phenomena of a certain phy-
sical magnitude inside a fluid; Which is why it is considered one of the most
important EDPs, being applied in a wide range of applications in the field of
engineering and industry.
In the present work, the numerical solution of the advection-diffusion
equation is solved and analyzed by means of the finite difference scheme.
The advection-diffusion equation is given by:

∂u ∂u ∂2 u
+β =α 2 (2)
∂t ∂x ∂x

with initial conditions:

u(x, 0) = f (x) 0 6 x 6 1

and boundary conditions:

u(0, t) = g0 (x), 0 < t 6 T

u(1, t) = g1 (x), 0 < t 6 T

Keywords: advection, difussion, finite diferences

2
Índice general

1. Introduccion 5
1.1. Situacion Problemática . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2. Marco Teórico 8
2.1. Adveccion y Difusion . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Ecuaciones en Derivadas Parciales . . . . . . . . . . . . . . . . 9
2.3. Método de Diferencias Finitas . . . . . . . . . . . . . . . . . . 10
2.4. Generalidades sobre el tratamiento de un problema de evolucion 11
2.5. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.8. Teorema de Equivalencia de Lax . . . . . . . . . . . . . . . . . 13
2.9. Método de Von Neummann . . . . . . . . . . . . . . . . . . . 13
2.10. Número de Péclet . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.11. Número de Courant . . . . . . . . . . . . . . . . . . . . . . . . 15

3. Metodologı́a 16

3
ÍNDICE GENERAL 4

3.1. Formulacion Matematica . . . . . . . . . . . . . . . . . . . . . 16

3.2. Esquema Explı́cito . . . . . . . . . . . . . . . . . . . . . . . . 17

4. Implementación 30
4.1. Simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2. Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

5. Resultados 33

Conclusiones 38

Bibliografı́a 39
Capı́tulo 1

Introducción

1.1. Situacion Problemática

En la naturaleza, el transporte de fluidos ocurre a través de la combina-

cion de los procesos de adveccion y difusion; estos procesos estan inmersos
en diversos campos; ya sea biológico, fı́sico, industrial, entre otros. Esto con-
lleva a considerar a la ecuación de adveccion-difusión como una de las mas
importantes ecuaciones en derivadas parciales.
La solución de esta ecuacion representa información relevante para múlti-
ples problemas y planteamientos, tales como: dispersión de trazadores en un
medio poroso, dispersión de contaminantes en lagos someros, la disemina-
cion de soluto en un lı́quido que fluye a través de un tubo, transporte a
gran distancia de contaminantes en la atmósfera, dispersión de sales disuel-
tas en aguas subterraneas, estimacion del impacto ambiental por derrames
de petroleo, ubicación óptima de nuevas plantas industriales, determinacion
del sitio de una explosión y control de emisiones industriales.
Por ejemplo, existen trabajos de investigacion en el que realizaron la
modelizacion numérica de la ecuacion advección-difusión para determinar la
concentracion de solutos en redes de distribución de agua potable; el modelo
propuesto fue aplicado para simular el transporte de flúor en una red de
distribucion real.[1] Otro trabajo consiste en la aplicacion de la ecuacion
adveccion-difusion para determinar la dispersión de la clorofila en el Lago

5
CAPÍTULO 1. INTRODUCCIÓN 6

de Valencia.[2] Incluso, la ecuacion de adveccion-difusion es aplicada para

predecir y simular las concentraciones de contaminantes del aire en un cierto
periodo de tiempo.[3]
Al encontrar la solución analı́tica de la ecuacion de adveccion-difusion,
numerosas dificultades son encontradas por la propia naturaleza del proble-
ma, por ejemplo, la no linealidad. Es por ello, que es necesario usar técnicas
numéricas para hallar una solución aproximada.
En el presente trabajo, se emplear el método de diferencias finitas para
hallar la solucion numérica de la ecuacion adveccion-difusión unidimensional.
Es por ello que en el capı́tulo 2, revisaremos las definiciones y nociones basicas
para el desarrollo del trabajo. En el capı́tulo 3, veremos la metodologı́a de
desarrollo para elaborar el esquema explı́cito y hallar la solucion numérica de
la ecuacion; asimismo, se presentan las condiciones de estabilidad del método.
En el capı́tulo 4, conoceremos el software a utilizar para la implementacion de
la solucion numérica. Y finalmente, en el capı́tulo 5, presentaremos algunas
conclusiones sobre el trabajo elaborado.

1.2. Ob jetivos

Ob jetivo General

Se plantea la resolucion de la ecuación de adveccion-difusión longitudinal;

aplicando el esquema explı́cito en diferencias finitas.

Ob jetivos Especı́ficos

Presentar criterios de estabilidad, los cuales garantizan la estabilidad

del esquema planteado para resolver la ecuacion de advección-difusion
longitudinal; los criterios obtenidos deben garantizar la estabilidad y
convergencia, como función de los números de Couran y Péclet, con
todo esto, se tiene a disposicion métodos sencillos que son numérica-
mente estables y convergentes, por lo que no se considera necesario
recurrir a métodos mas complicados para resolver la ecuacion de ad-
veccion-difusion para el caso unidimensional.
CAPÍTULO 1. INTRODUCCIÓN 7

Realizar la simulacion computacional de la solucion numérica de la

ecuacion de adveccion-difusión longitudinal utilizando el software Matlab
y el lenguaje de programación Python.
Capı́tulo 2

Marco Teórico

2.1. Adveccion y Difusión

Los dos principales procesos que rigen la ecuación que es objeto de estudio
del presente trabajo son: adveccion y difusion.

Adveccion: El transporte advectivo o flujo másico advectivo se refiere

al movimiento pasivo de solutos disueltos en el agua. Por ejemplo: el
transporte de una sustancia contaminante por la corriente de un rı́o; en
meteorologı́a, el proceso de transporte de una propiedad atmosférica,
como el calor o la humedad, por efecto del viento; en oceanografı́a, el
transporte de ciertas propiedades, como la salinidad, por las corrientes
marinas. Tales propiedades tienen una distribucion espacial.

Difusion: El movimiento aleatorio de las moléculas hace que cambien

de lugar constantemente. Esto hace que las moléculas de una sustancia
tiendan a pasar de una region de mayor concentracion a una de menor
concentracion.

8
CAPÍTULO 2. MARCO TEÓRICO 9

2.2. Ecuaciones en Derivadas Parciales

Una ecuación en derivada parcial (EDP) es una ecuacion que que implica
una función desconocida de dos o más variables y algunas de sus derivadas
parciales.
Podemos escribir simbólicamente una EDP, como sigue. Fijamos un entero
k 1 y sea U la denotación de un subconjunto abierto de Rn .[5]

Definición 2.1 Una expresion de la forma

F (Dk u(x), Dk−1 u(x), . . . , Du(x), u(x), x) = 0 (x ∈ U ) (2.1)
es llamada una ecuación en derivada parcial de k-ésimo orden, donde:
nk−1
F : Rn × R
k
× . . . × Rn × R × U → R

es dado, y
u:U→R
es desconocido.

Definición 2.2 Tenemos las siguientes definiciones:

(i) La ecuación en derivada parcial 2.1 es llamada lineal si tiene la forma:

X
aα (x)D α u = f (x)
|α|≤k
para las funciones dadas aα (|α| k), f . Esta EDP es homogénea si
f = 0.
(ii) La EDP 2.1 es semilineal si tiene la forma
X
aα (x)D α u + a0 (Dk−1 u, . . . , Du, u, x) = 0
|α|≤k

(iii) La EDP 2.1 es cuasilineal si tiene la forma

X
aα (x)(D k−1 u, . . . , Du, u, x)D α u + a0 (D k−1 u, . . . , Du, u, x) = 0
|α|≤k

(iv) La EDP 2.1 es totalmente no lineal si depende no linealmente de las

derivadas de orden más alto.
CAPÍTULO 2. MARCO TEÓRICO 10

Clasificación de ecuaciones diferenciales parciales de segundo orden

Una ecuacion en derivadas parciales, lineal de segundo orden con dos

variables independientes y con coeficientes constantes puede pertenecer a uno
de tres tipos generales. Dicha clasificacion solo depende de los coeficientes de
las derivadas de segundo orden, suponiendo que al menos uno de los dos
coeficientes es diferente de cero.
La forma general de la ecuacion diferencial parcial lineal de segundo orden
homogénea es:
∂2u ∂2u ∂2u ∂u ∂u
A + B + C +D +E +Fu = 0 (2.2)
∂x 2 ∂x∂y ∂y 2 ∂x ∂y
donde A, B, C , D, E y F son constantes reales, y dependiendo del valor de
B 2 − 4AC , las ecuaciones diferenciales se clasifican en tres grupos: elı́pticas,
parabolicas e hiperbolicas.

Hiperbolica si B 2 − 4AC > 0

Parabolica si B 2 − 4AC = 0
Elı́ptica si B 2 − 4AC < 0

2.3. Método de Diferencias Finitas

El método de diferencias finitas sirve para aproximar la solucion de ecua-

ciones diferenciales ordinarias y en derivadas parciales, las cuales van, por
lo general, acompañadas de condiciones iniciales o de frontera. Mediante un
proceso de discretización, el conjunto infinito de número que representan la
funcion o funciones incognitas en el continuo, es reemplazado, por un núme-
ro finito de parametros incógnita, y este proceso requiere alguna forma de
aproximacion.
Aproximaciones de derivadas mediante diferencias finitas

Aproximacion en diferencias hacia delante de la primera derivada de

una función:
CAPÍTULO 2. MARCO TEÓRICO 11

Formula de Avanzada: f (x) ' f (x + h) − f (x)

0

h
2
h 00 h h 00
Error: E = | f (ξ)| 6 M1 , con M1 = max | f (x)|
2 2 a6x6b 2

Aproximacion en diferencias hacia atras de la primera derivada de una

funcion:
Formula Regresiva: f (x) ' f (x) − f (x − h)
0

h
2
h 00 h h 00
Error: E = | f ( )| 6 M1 , con M1 = max | f (x)|
2 2 a6x6b 2

Aproximacion de diferencia central de la primera derivada de una fun-

cion:
Formula Centrada: f (x) ' f (x + h) − f (x − h)
0

2h
2
h 00 h h 000
Error: E = | f ( )| 6 M2 , con M2 = max | f (x)|
6 6 a6x6b 2
Aproximacion a la segunda derivada de una funcion:
0 f (x + h) − 2f (x) + f (x − h)
Formula Segunda Derivada: f (x) '
h2
h h2 h
Error: E = | fiv (φ)| 6 M3 , con M3 = max | f iv(x)|
12 12
a6x6b 2

2.4. Generalidades sobre el tratamiento de

un problema de evolucion

El tratamiento numérico mediante diferencias finitas de este tipo de pro-

blemas se fundamenta en dos pasos: en primer lugar, se realiza una discretiza-
cion temporal del problema y tras ello, se realiza una discretización espacial;
estas discretizaciones realizadas mediante un esquema de diferencias finitas
como los esquemas explı́cito e implı́cito.
Siendo sencilla la idea sobre la que se sustenta los esquemas numéricos
en diferencias finitas para la resolucion aproximada de problemas evoluti-
vos, aparecen nuevas cuestiones que será necesario analizar tales como: ¿Qué
CAPÍTULO 2. MARCO TEÓRICO 12

relacion debe haber entre el tamaño de paso temporal y los tamaños de dis-
cretizacion espacial para garantizar la convergencia?, ¿qué error es de esperar
que tengan las soluciones obtenidas mediante este esquema numérico ?, ¿cúal
es la diferencia entre la solucion exacta u(xi , tj ) sobre los puntos de la malla
y la solucion aproximada wi,j ?, entre otras cuestiones.

2.5. Consistencia

Un método es consistente con el problema en una cierta norma discreta

de <n cuando ∆t, ∆x → 0, λ = cte. Si
n
lı́m max {kτ k} = 0
∆x→0 06n∆t6T
∆t→0

Es decir, un esquema ser consistente con la ecuación original si, al refi-

nar la malla, el operador diferencial y el operador en diferencias finitas son
equivalentes. La consistencia indica pues, la bondad con que un esquema
numérico representa la ecuacion original.

2.6. Estabilidad

El concepto de Estabilidad de un esquema numérico nos permite anali-

zar como pequeños errores iniciales se transmiten en las sucesivas etapas de
calculo de la solucion aproximada. Por lo tanto, la estabilidad es la propie-
dad que tiene o no un esquema numérico de que los errores de redondedo
permanezcan dentro de lı́mites razonables.

2.7. Convergencia

Diremos que un esquema numérico es convergente si en un punto cualquie-

ra del dominio (x, t) ∈ (0, L)x(0, T ) se cumple que la solucion aproximada
en este punto tiende a la solucion de la ecuación en derivadas parciales cuan-
do ∆x → 0, ∆y → 0 para un valor fijo de los valores iniciales. Es decir,
CAPÍTULO 2. MARCO TEÓRICO 13

un esquema numérico es convergente si la solución numérica obtenida de él

tiende a la solucion exacta de la ecuacion diferencial cuando la malla se hace
indefinidamente fina.

2.8. Teorema de Equivalencia de Lax

Los tres conceptos anteriores están ligados por el Teorema de Lax, que
dice:

Teorema 2.1 Dado un problema de valores iniciales bien planteado matemati-

camente y una aproximación en diferencias finitas que satisface la condicion
de consistencia, entonces la estabilidad es condicion necesaria y suficiente
para la convergencia de la solucion numérica.

Consistencia + Estabilidad = Convergencia

Este teorema permite descomponer el problema de la convergencia en

otros dos mas asequibles, por lo que se puede demostrar la convergencia de
un esquema, al menos para el problema lineal, a través de su consistencia y
estabilidad. La mayor parte de los esquemas utilizados para la resolucion de
ecuaciones en derivadas parciales se basan en este teorema para garantizar
su convergencia.

2.9. Método de Von Neummann

Existen diversos criterios para determinar la estabilidad de una EDP.

Entre ellos, el criterio de Von Neumann es el más sencillo de aplicar para
determinar si un método de integración es estable. Consiste en suponer una
solucion compleja de la forma
T (x, t) = A(t)eikx

con lo que discretizando queda

Tnj = An eikjh
CAPÍTULO 2. MARCO TEÓRICO 14

Se define el coeficiente de amplificación ξ como

An+1
ξ=
An

Si
|ξ| > 1
la solucion crecerá con el tiempo y el método es inestable. En caso contrario,
la solución disminuye con el tiempo y el sistema es estable.

2.10. Número de Péclet

El número de Péclet (Pe) es un número adimensional que relaciona la

velocidad de adveccion de un flujo y la velocidad de difusión, habitualmente
difusion térmica. Se llama ası́ en honor al fı́sico francés Jean Claude Eugéne
Péclet.
El número de Péclet para la ecuación de advección-difusion está dada
por:
βh
Pe =
α
La importancia del número de Péclet, radica esencialmente en que a través
de él se puede hacer un analisis de la relacion que existe entre los términos
advectivo y difusivo. Para analizar la solución numérica obtenida por los
métodos de diferencias finitas o elemento finito, y la solucion obtenida de
manera analı́tica de la ecuación diferencial parcial, se necesita tener en cuenta
la magnitud de los términos advectivo y difusivo, ya que las dificultades que
se presentan en la solucion del problema de transporte está en funcion de la
relacion entre ellos, y dado que el número de Péclet está definido a partir de
estos, es de gran importancia analizarlo para eliminar tales dificultades.[6]
Los métodos numéricos para hallar la solución de la ecuacion se basan
fundamentalmente en discretizar el dominio, de aquı́ que el número de Péclet
esté involucrado, es decir, al obtener la solucion de nuestro problema; nuestro
interés est enfocado en saber cual es la mejor aproximación numérica a la
solucion analt́ica, y con la relacion que existe entre los métodos numéricos y
el número de Péclet, esto se vuelve mas facil.
CAPÍTULO 2. MARCO TEÓRICO 15

2.11. Número de Courant

Los esquemas explı́citos tienen un coste computacional pequeño en cada

paso de tiempo, pero para ser estables es necesario trabajar con incremen-
tos de tiempo también pequeños. Un analisis de estabilidad para esquemas
explı́citos a partir de la teorı́a de las caracterı́sticas para soluciones continuas
lleva a la conclusion que dichos esquemas, para ser estables, deben cumplir
la condición de Courant, que para las ecuaciones unidimensionales es:

∆x
∆t 6
|u ± c|

o, lo que es lo mismo:

|u ± c|∆t
C= 61
∆x

donde C es el número de Courant, también llamado número de Courant,

Friedrichs y Levy (CFL). La condición de Courant significa que el dominio
de dependencia de un punto en un esquema en diferencias explı́citas (que
est formado por los puntos del espacio que intervienen en el esquema) debe
comprender al dominio de dependencia para la ecuacion diferencial, ya que
precisamente |u ± c| es la velocidad de propagación de una onda, o velocidad
de transmisión de la informacion, que limita el dominio de dependencia para
la solución exacta.
Capı́tulo 3

Metodologı́a

3.1. Formulacion Matemática

La ecuacion de advección-difusión es una EDP de segundo grado de tipo

parabolica y est dada por la siguiente ecuacion:

∂u ∂u ∂2 u
+β =α 2 (3.1)
∂t ∂x ∂x

con las condiciones iniciales

u(x, 0) = f (x) 0 6 x 6 1

y condiciones de frontera

u(0, t) = g0 (x), 0 < t 6 T

u(1, t) = g1 (x), 0 < t 6 T

donde:

β : coeficiente difusivo
α : coeficiente advectivo

16
CAPÍTULO 3. METODOLOGÍA 17

3.2. Esquema Explı́cito

Para obtener el esquema explı́cito en diferencias finitas para la ecuación

de adveccion-difusión obtenemos las aproximaciones de los términos de la
ecuacion:
Sea wij ' u(xi , tj ), donde wij es una aproximacion de u(x, t) sin conside-
rar los errores, por lo tanto, tenemos:
∂w wi,j+1 − wi,j
= (3.2)
∂t k
∂w wi+1,j − wi−1,j
= (3.3)
∂x 2h
∂ w
2
wi+1,j − 2wi,j + wi−1,j
= (3.4)
∂x 2 h2

Reemplazando 3.6, 3.8 y 3.4 en 3.1, obtenemos:

wi,j+1 − wi,j wi+1,j − wi+1,j − 2wi,j + ∂wi−1,j
+β =α
wi−1,j
k 2h h2

Despejamos wi,j+1 ,
wi,j+1 − wi,j wi+1,j − 2wi,j + wi−1,j wi+1,j − wi−1,j
=α 2
−β
k h 2h
wi,j+1 wi+1,j − 2wi,j + wi−1,j − wi+1,j − wi−1,j
= wi,j + α β
k h2 2h
wi+1,j − 2wi,j + wi−1,j wi+1,j − wi−1,j
wi,j+1 = k(wi,j + α −β )
h2 2h
αk βk
wi,j+1 = wi,j + 2 (wi+1,j − 2wi,j + wi−1,j ) − (wi+1,j − wi−1,j )
h 2h

donde:
β∆x βh
Pe = =
α α
∆t βk
Cr = =
∆x h
Cr αk
λ= = 2
Pe h
CAPÍTULO 3. METODOLOGÍA 18

Reemplazando estos valores

wi,j+1 = wi,j + λ(wi+1,j − 2wi,j + wi−1,j ) Cr

(wi+1,j − wi−1,j )
− 2

Agrupando y ordenando

wi,j+1 = (1 − 2λ)wi,j + (λ Cr Cr
)wi+1,j + (λ + )wi−1,j
− 2 2
Cr
Cr
wi,j+1 = (λ + )wi−1,j + (1 − 2λ)wi,j + (λ )wi+1,j
2 − 2

En el instante t = 0:
w1,0 f (x1 )
w2,0 f (x2 )
w0 =
=
.. ..
wm−1,0 f (xm−1 )

Tengamos en cuenta que por las condiciones iniciales, se tiene que w0,j = 0
y wm,j = 0. En términos generales, para j = 0:

Cr Cr
wi,1 = (λ + )wi−1,0 + (1 − 2λ)wi,0 + (λ − )wi+1,0
2 2

Desarrollando para t = 1, 2, . . . , m − 1
Cr Cr
w1,1 = (λ + )w0,0 + (1 − 2λ)w1,0 + (λ − )w2,0
2 2
Cr Cr
w2,1 = (λ + )w1,0 + (1 − 2λ)w2,0 + (λ − )w3,0
2 2
.
Cr Cr
wm−1,1 = (λ + )wm−2,0 + (1 − 2λ)wm−1,0 + (λ − )wm,0
2 2
CAPÍTULO 3. METODOLOGÍA 19

El desarrollo de wi,1 para i ∈ [0, 1] puede expresarse de la siguiente forma:

w1,1 (1 − 2λ) (λ − C r ) 0 0 ... 0 0 w1,0

Cr Cr
w2,1 (λ + 2 ) (1 − 2λ) (λ − 2 ) 0 ... 0 0 w2,0
w3,1 = 0 (λ + C2r ) (1 − 2λ) (λ − Cr
2 ) ... 0 0 w3,0
... .. .
.. .. .. .. .. (λ − C2r ) ..
wm−1,1 0 0 0 0 . . . (λ + C2r ) (1 − 2λ) wm−1,0

En general

w1,j+1 (1 − 2λ) (λ − C r ) 0 0 ... 0 0 w1,j

Cr Cr
w2,j+1 (λ + 2 ) (1 − 2λ) (λ − 2 ) 0 ... 0 0 w2,j
w3,j+1 = 0 (λ + C2r ) (1 − 2λ) (λ − C2r ) ... 0 0 w3,j
.. .. .. .. .. .. .. ..
. . (λ − C2r )
wm−1,j+1 0 0 0 0 . . . (λ + C2r ) (1 − 2λ) wm−1,j

w(j+1) = A × w (j) , partida w(0) y A es una matriz de orden m − 1 × m − 1

Análisis de la Ecuacion de Adveccion Difusion Longitudinal

Teorema 3.1 La ecuación de adveccion-difusion longitudinal 3.1, con el méto-

do de diferencias finitas con el esquema explı́cito
Cr Cr
wi,j+1 = (λ + )w + (1 − 2λ)wi,j + (λ )wi+1,j
2 − i−1,j 2

es consistente de orden 1 para el tiempo, y de orden 2 para el espacio. Ademas,

Pe 1 1
es estable para 0 < C r < 1; λ < ; y el esquema es convergente.
2 4 2

Demostración de la consistencia de la ecuacion adveccion-difusion

En la ecuacion
∂u ∂u ∂2 u
+β =α 2
∂t ∂x ∂x
CAPÍTULO 3. METODOLOGÍA 20

Reemplazamos las aproximaciones en diferencias finitas

u(xi , tj ) − u(xi , tj ) k ∂ 2 u(xi , ξ) u(xi+1 , tj ) − u(xi−1 , tj ) h2 ∂ 3 u( , tj )

− + β −
k 2 ∂t2 2h 6 ∂t3
u(xi−1 , tj ) − 2u(xi , tj ) + u(xi−1 , tj ) h 2 ∂ 2 u( , tj )
=α −
h2 12 ∂x2

donde ξ ∈]tj , tj+1 [, y , ∈]xi−1 , xi+1 [

El error de truncacion es:
k ∂ 2 u(xi , ξ) h2 ∂3 u( , tj ) h2 ∂2 u( , tj )
τjn = + +
2 ∂t2 6 ∂t3 12 ∂x2

dado que estamos trabajando en un conjunto

W = {(x, t)/0 x L, 0 t T}

existen constantes m1 y m2 para u suficientemente regular tal que:

τnj m1 ∆t + m2 ∆x2
τnj m1 k + m2 h2

Observamos que el error de truncamiento tiende a 0 cuando k y h2 tienden

a 0, denotamos lo dicho anteriormente de la siguiente manera:

τnj = 0(∆t, ∆x 2 )
τnj = 0(k, h2 )

Por lo tanto, el esquema explı́cito es consistente.

Demostración de la estabilidad de la ecuacion adveccion-difusion
Sea la solucion u(xi , tj ) = fn eikj∆x , dada por el Método de Von Neumman,
CAPÍTULO 3. METODOLOGÍA 21

la cual al reemplazar en la ecuacion 3.1, obtenemos:

Cr Cr
fn+1 eikj∆x = fn eik(j−1)∆x (λ + ) + fn eikj∆x (1 − 2λ) + fn eik(j+1)∆x (λ − )
2 2
✘ ✘ C r C r
eik✘j∆x = fn✘
fn+1✘ eik✘j∆x {(λ )e−ik∆x + (1 − 2λ) + (λ − )eik∆x }
2 2
+
fn+1 = fn {(λ + C r )e− ik∆x + (1 − 2λ) + (λ r ik∆x }
)e
2 − 2

C r ik∆x
fn+1 = fn {λ(e−ik∆x + eik∆x ) − (e − e−ik∆x ) + 1 − 2λ}
2
Cr
fn+1 = fn {2λcos(k∆x) − (2isen(k∆x)) + 1 − 2λ}
2
fn+1 = fn {2λcos(k∆x) − C r(isen(k∆x)) + 1 − 2λ}

Agrupando la parte real e imaginaria, tenemos:

fn+1 = fn {1 − 2λ + 2λcos(k∆x) − iC rsen(k∆x)}
fn+1 = fn−1 {1 − 2λ + 2λcos(k∆x) − iC rsen(k∆x)}2
.
fn+1 = f0 {1 − 2λ + 2λcos(k∆x) − iC rsen(k∆x)}n+1

Sea G = 1 − 2λ + 2λcos(k∆x) − iC rsen(k∆x) el factor de ampliacion, y

observamos que tiene una parte real y otra imaginaria, por Von Neumman
para la estabilidad del esquema debemos tener:
|G| 1 (3.5)

Dado que G es un nmero complejo, |G| est dado de la siguiente forma:

p
|G| = (1 − 2λ + 2λcos(k∆x))2 + (C rsen(k∆x))2

Ahora, calculamos |G|2 :

p
|G|2 = ( (1 − 2λ + 2λcos(k∆x))2 + (C rsen(k∆x))2 )2
|G|2 = (1 − 2λ + 2λcos(k∆x))2 + (C rsen(k∆x))2
CAPÍTULO 3. METODOLOGÍA 22

Realizamos el siguiente cambio de variable: k∆x = , |G|2 tiene la si-

guiente forma:

|G|2 = (1 − 2λ + 2λcos )2 + (C rsen )2

Desarrollando las potencias, tenemos:

|G|2 = (1 − 2λ)2 + 4λ(1 − 2λ)cos + 4λ2 cos2 + C r2 sen2

Sabemos que sen2 = 1 − cos2

|G|2 = (1 − 2λ)2 + 4λ(1 − 2λ)cos + 4λ2 cos 2
+ C r 2 (1 − cos2 )
= (1 − 2λ)2 + 4λ(1 − 2λ)cos + 4λ2 cos2 + C r 2 − C r2 cos2 )
= (4λ2 − C r2 )cos2 + 4λ(1 − 2λ)cos + C r 2 + (1 −
2λ)2

Obtenemos |G|2
|G|2 = (4λ2 − C r2 )cos2 + 4λ(1 − 2λ)cos + C r 2 + (1 − 2λ)2 (3.6)

Lo que consideramos como una ecuación cuadratica con respecto a cos ,

la cual tiene un máximo o mı́nimo. Derivamos |G|2 respecto a cos

∂|G|2
= 2(4λ2 − C r2 )cos + 4λ(1 − 2λ)
∂cos

Hallamos la segunda derivada

∂ 2 |G|2 2
= 2(4λ2 − C r )
∂(cos ) 2

Aplicamos el criterio de la segunda derivada

Caso 1
∂ 2 |G|2 2 − C r2
= 2(4λ )<0 (3.7)
∂(cos )2
CAPÍTULO 3. METODOLOGÍA 23

Tiene máximo si
∂|G|2
= 2(4λ2 − C r 2 )cos + 4λ(1 − 2λ) = 0
∂cos

Por lo que, (cos )max tiene la siguiente forma

0 = 2(4λ2 − C r 2 )cos + 4λ(1 − 2λ)
2(4λ2 − C r 2 )cos = − 4λ(1 − 2λ)
− 4λ(1 − 2λ)
cos =
2(4λ2 − C r2 )

Obtenemos cos
− 2λ(1 − 2λ)
cos = (3.8)
4λ2 − C r2

Reemplazamos 3.8 en 3.6

− 2λ(1 − 2λ) 2 − 2λ(1 − 2λ)

|G| 2max = (4λ2 − C r2 ) + 4λ(1 − 2λ
4λ2 − C r2 4λ2 − C r2
+4λ − 4λ + 1 + C r2
2

2λ(1 − 2λ) n 2 ✘ ✘✘2 (4λ2 − 2λ) o

|G|2 =− (4λ ✘ ✘) + 4λ(1 − 2λ)
✘
✘✘
max
4λ2 − C r2 ✘✘ − C λ2✘ ✘
(4✘
✘
r
− C r2 )
2λ(1 − 2λ)
|G| 2max = − +4λ2 − 4λ + 1 + C r2
4λ2 − C r2 2
(4λ − 2λ + 4λ − 8λ2 ) + 4λ2 − 4λ + 1 + C r2
CAPÍTULO 3. METODOLOGÍA 24

2λ(1 − 2λ)(2λ − 4λ2 ) + 4λ2 − 4λ + 1 + C r2

|G| 2max = −
4λ2 − C r2
2λ − 4λ2 2
=− 2 (2λ − 4λ ) + 2 − 4λ + 1 + C r2
4λ − C r2
4λ
(2λ − 4λ2 )2 2 − 4λ + 1 + C r2
=− +
4λ2 − C r 2
4λ
(2λ − 4λ2 )2
= + 4λ2 − 4λ + 1 + C r2
− (4λ − C
2
r2 )
(2λ − 4λ2 )2 + (4λ2 − 4λ + 1 + C r 2 )(− (4λ2 − C
=
r2 ))
− (4λ2 − C
r2 )
4✟
✟16λ
✟ −✟✟✟
16λ3 + ✟4λ✟2✟−✟✟16λ4 + C r✟4✟+ ✟16λ3 − 4λC r2 − ✟4λ✟2 + C
r2
= − (4λ2 − C r2
)
C r4 − 4λC r 2 + C r2
|G| 2max =
− (4λ2 − C r2
)
C r (C r − 4λ + 1)
2 2
=
C r2 − 4λ2

Por 3.5, requerimos que:

|G|2max 1

Entonces
C r2 (C r2 − 4λ + 1)
1
C r2 − 4λ2

Por 3.7, tenemos

C r2 (C r2 − 4λ + 1)
1
C r2 − 4λ2
C r2 (C r2 − 4λ + 1) C r2 − 4λ2
C r4 − 4C r2 λ + ✟Cr2✟ ✟2
− 4λ2
✟C r
C r4 − 4C r2 λ + 4λ2 0
(C r2 − 2λ)2 0
CAPÍTULO 3. METODOLOGÍA 25

Tenemos los siguientes casos

(C r2 − 2λ)2 = 0 (C r2 − 2λ)2 <
0

El segundo caso constituye una contradicción, por lo que nos quedamos

con el primer caso, del cual obtenemos

C r 2 = 2λ

Reemplazando en 3.7, tenemos

4λ2 − 2λ < 0
2λ(2λ − 1) < 0

Tenemos los siguientes casos que cumplen la desigualdad anterior

(2λ < 0 2λ − 1 > 0) (2λ > 0 2λ − 1 < 0)

En el primer caso, para que cumpla la desigualdad, se tienen las siguientes

condiciones
2λ < 0 2λ − 1 > 0
1
λ<0 λ > Contradiccion
2

En el segundo caso, para que cumpla la desigualdad, se tienen las siguien-

tes condiciones
2λ > 0 2λ − 1 < 0
1
λ>0 λ>
2
1
0< λ <
2
Cr
Recordamos que λ =
Pe
Cr 1
0< <
Pe 2
CAPÍTULO 3. METODOLOGÍA 26

Pe
Cr <
2
Ademas
0 < 2λ < 1
0 < C r2 < 1
0 < Cr < 1

Y como 4λ2 − C r2 y λ = C r
Pe
C r2 − C r 2 < 0
4
P e2
4
C r2 ( 2 − 1) < 0
Pe
4
− 1<0
P e2
4 < P e2
2< Pe

En conclusión, tenemos
Pe 1
0 < Cr < Cr < 1 2 < Pe 0<λ<
2 2

Caso 2 La función 3.6 tiene mı́nimo cuando

∂ 2 |G|2 2
= 2(4λ2 − C r ) > 0 (3.9)
∂(cos ) 2

2(2λ − C r)(2λ + C r) > 0

(2λ − C r)(2λ + C r) > 0

Dado que λ y C r son números reales positivos, para cumplir la desigual-

CAPÍTULO 3. METODOLOGÍA 27

dad tenemos que asegurar que el otro factor sea positivo, por ello
2λ − C r > 0
Cr
2 − Cr > 0
Pe
2
C r( − 1) > 0
Pe
2
− 1>0
Pe
2
>1
Pe
2> Pe

Ademas 0 |G|2 1, de 3.6 tenemos

|G|2 = (4λ2 − C r2 )cos2 + 4λ(1 − 2λ)cos + C r 2 + (1 − 2λ)2 1

Con la desigualdad obtenida 2 > P e y ∆cos 0 tenemos

0 (4λ(1 − 2λ))2 − 4(4λ2 − C r 2 )((1 − 2λ)2 + C r2 )
0 16λ2 (1 − 2λ)2 − (16λ2 − 4C r2 )(1 − 4λ + 4λ2 + C r2 )
0 16λ2 (1 − 4λ + 4λ2 ) − (16λ2 − 64λ3 + 64λ4 + 16λ2 C r2 − 4C r 2 + 16λC r2 − 16λ2 C r2 − 4C
r4 )
0 4C r2 − 16λC r 2 + 4C r4
0 4C r 2 (1 − 4λ + C r2 )
0 C r 2 (1 − 4λ + C r2 )
0 1 − 4λ + C r2

Con la última desigualdad, llegamos a

1 − 4λ + C r2 0
2
Cr 4λ − 1
√
Cr 4λ −
1
CAPÍTULO 3. METODOLOGÍA 28

De aquı́
4λ − 1 0
4λ 1
1
λ
4

También, de 0 |G|2 1
|G|2 = (4λ2 − C r2 )cos2 +4λ(1− 2λ)cos +C r2 +(1− 2λ)2 1 ∀cos ∈ [− 1,
1]

- Si cos = 1, tenemos
4λ2 − C r 2 + 4λ − 8λ2 + 1 − 4λ + 4λ2 + C r2
1
1 1 Tautologı́a

- Si cos = − 1, tenemos
4λ2 − C r2 − 4λ + 8λ2 + 1 − 4λ + 4λ2 + C r2
1
16λ2 − 8λ + 1
1
2
16λ − 8λ
0
8λ(2λ − 1) 0
λ(2λ − 1) 0

A partir de ello, deducimos que

2λ − 1 0
1
λ
2

Entonces
1 1
λ
4 2
Cr 1
Pe 2
CAPÍTULO 3. METODOLOGÍA 29

Pe
Cr <1
2

Ası́ obtenemos la region de estabilidad para el esquema explı́cito, la cual

est dada por:
Pe
0 Cr <1
2

Lo que implica ademas:

1
λ<
2
Demostración de la convergencia de la ecuacion adveccion-difusion
Aquı́ vamos a utilizar un resultado fundamental de la teorı́a de Aproxi-
macion en Diferencias Finitas, El Teorema de Equivalencia de Lax, para este
problema bien planteado que satisface la condicion de Consistencia y la con-
dicion de Estabilidad, lo cual implica la convergencia de nuestro algoritmo.
Capı́tulo 4

Implementación

4.1. Simulacion

La simulación es una técnica numérica para conducir experimentos en

una computadora digital, los cuales requieren de ciertos tipos de modelos
logicos y matemáticos, que describen el comportamiento de un sistema o de
algn componente de él, en periodos de tiempo real.
Un modelo de simulacion busca imitar el comportamiento del sistema
que investiga estudiando las interacciones entre sus componentes. Es el se-
guimiento a lo largo del tiempo de los cambios que tienen lugar en el modelo
dinamico del sistema. La simulacion de un sistema permite reunir información
acerca del comportamiento del mismo, mediante la ejecución de un modelo
computarizado.
La implementación del programa para realizar la simulacion de la solu-
cion numérica de la ecuación adveccion-difusión se codificar en Matlab y en
Python.

30
CAPÍTULO 4. IMPLEMENTACIÓN 31

4.2. Matlab

Matlab es un programa interactivo para cálculo numérico y tratamiento

de datos. Contiene muchas herramientas y utilidades que permiten a demás
diversas funcionalidades, como la presentación gráfica en dos y tres dimen-
siones. Estos útiles estan agrupados en ’paquetes’ (toolboxes). A Matlab se
le pueden añadir paquetes especializados para algunas tareas (por ejemplo,
para tratamiento de imagenes).

4.3. Python

Python es un lenguaje de programación poderoso y facil de aprender.

Cuenta con estructuras de datos eficientes y de alto nivel y un enfoque simple
pero efectivo a la programacion orientada a objetos. La elegante sintaxis de
Python y su tipado dinamico, junto con su naturaleza interpretada, hacen
de éste un lenguaje ideal para scripting y desarrollo rápido de aplicaciones
en diversas áreas y sobre la mayorı́a de las plataformas.
El intérprete de Python y la extensa biblioteca estándar estan a libre dis-
posición en forma binaria y de codigo fuente para las principales plataformas
desde el sitio web de Python, http://www.python.org/, y puede distribuir-
se libremente. El mismo sitio contiene también distribuciones y enlaces de
muchos modulos libres de Python de terceros, programas y herramientas, y
documentacion adicional.
El intérprete de Python puede extenderse facilmente con nuevas funcio-
nalidades y tipos de datos implementados en C o C++ (u otros lenguajes
accesibles desde C). Python también puede usarse como un lenguaje de ex-
tensiones para aplicaciones personalizables.

Anaconda

Anaconda es una distribucion de Python multiplataforma, desarrollada

por Continuum Analytics. Contiene una gran colección de paquetes y librerı́as
para análisis de datos, computación cientı́fica e ingenierı́a.
CAPÍTULO 4. IMPLEMENTACIÓN 32

Anaconda nos permite instalar paquetes y gestionar entornos virtuales

facilmente, además de tener otras ventajas:

Ahorro de tiempo al instalar paquetes adicionales requeridos.

Tiene un administrador de paquetes y gestor de entornos virtuales.

No necesitas permisos de administrador.

Multiplataforma (Windows, Mac y Linux).

Es completamente gratuita, incluso para uso comercial y redistribución.

Capı́tulo 5

Resultados

En este capı́tulo mostraremos las simulaciones realizadas de la ecuación

adveccion-difusion unidimensional con el esquema explı́cito utilizando el soft-
ware implementado en Matlab y Python.
Observaremos que las condiciones de estabilidad encontradas son verifi-
cadas en la simulación numérica, para ello presentaremos los siguientes re-
sultados:

El esquema explı́cito es inestable para los siguientes valores

P e = 0,01 y C r = 0,49

Estos valores nos dan un valor de λ = 49 > 0,5. Ademas consideramos

un coeficiente de adveccion igual a 1, y un coeficiente de difusion igual
a 1. Según las condiciones de estabilidad establecidas, el esquema es
inestable. La imagen 5.1 muestra el resultado de la simulación.
El esquema explı́cito es estable para los siguientes valores

P e = 0,01 y C r = 0,0049

Estos valores nos dan un valor de λ = 0,49 < 0,5. Ademas consideramos
un coeficiente de adveccion igual a 1, y un coeficiente de difusion igual
a 1. Según las condiciones de estabilidad establecidas, el esquema es
estable. La imagen 5.2 y 5.3 muestran el resultado de la simulacion.

33
CAPÍTULO 5. RESULTADOS 34

Figura 5.1: Resultado de simulación con los valores indicados, el esquema

explı́cito es inestable.

El esquema explı́cito es estable para los siguientes valores

P e = 0,01 y C r = 0,0049

Estos valores nos dan un valor de λ = 0,49 < 0,5. Ademas considera-
mos un coeficiente de adveccion igual a 1, y un coeficiente de difusion
igual a 1. Según las condiciones de estabilidad establecidas, el esquema
es estable. En este caso, la condicion inicial está dada por la función
sen(3πx). La imagen 5.4 muestra el resultado de la simulación.
CAPÍTULO 5. RESULTADOS 35

Figura 5.2: Resultado de simulacion de la solución con los valores indicados,

el esquema explı́cito es inestable.
CAPÍTULO 5. RESULTADOS 36

Figura 5.3: Resultado de simulacion de la superficie que genera la solución

con los valores indicados, el esquema explı́cito es estable.
CAPÍTULO 5. RESULTADOS 37

Figura 5.4: Resultado de simulación de la solución con los valores indicados

en Python, el esquema explı́cito es estable.
Conclusiones

Se ha podido comprobar que el esquema explı́cito con el Método de Dife-

rencias Finitas aplicado a la resolucion de ecuaciones diferenciales en deriva-
das parciales (EDPS), mantiene la sencillez y es útil para hallar la solucion
numérica de la ecuacion advección-difusion.
Se han obtenido las expresiones explı́citas en diferencias finitas de las
derivadas parciales, hasta el 4to orden, lo que permite obtener de forma
inmediata dichos valores numéricos sin necesidad de resolver nuevos sistemas
de ecuaciones.
Se presentan criterios de estabilidad para el esquema explı́cito en diferen-
cias finitas, para resolver la ecuacion de advección-difusion longitudinal 1D.
Aplicando el criterio de estabilidad descrito, los resultados de los esquemas
explı́citos son satisfactorios.
Al resolver la ecuación de dispersión longitudinal aplicando esquemas
explı́citos en diferencias finitas, se garantiza la estabilidad la consistencia y
la convergencia de los de los esquemas, como una función de los números de
Courant y de Péclet combinados en una condicion que a su vez limita a los
incrementos de distancia y tiempo.
Como trabajo futuro, se tiene la implementacion de otros métodos numéri-
cos que permitiran hallar la solucion numérica de la ecuación adveccion-
difusion con una mayor exactitud. En el aspecto computacional, se tiene la
elaboracion de un aplicativo web que permita a los usuarios (estudiantes de
ingenierı́a, ciencias, etc) realizar simulaciones con el software desarrollado.

38
Bibliografı́a

[1] Tzátchkov Velitchko G., Aldama Álvaro A. y Arregun

Corts Felipe I., Modelacion numérica de la adveccion y dispersion
de soluto en redes de distribucion de agua potable, Instituto Mexicano de
Tecnologı́a del Agua. Ingenierı́a Hidraulica en México, vol XV. México,
2000.
[2] Fariñas Alessandra, Modelo para la dispersion de la clorofila en el
Lago de Valencia usando una técnica de partı́cula lagrangiana, Facultad
de Ciencias, Universidad Central de Venezuela. Venezuela, 2012
[3] Dı́az Wilmar O., Vacca Harold y Salas Á lvaro, Aproximacion
al estudio de la calidad del aire: un modelo matematico, Universidad
Distrital Francisco José de Caldas, Visión Electronica, vol 4. Colombia,
2010.
[4] Carranza Purca Marlo, Tratamiento numérico y aplicacion de la
ecuación de adveccion difusion, Facultad de Ciencias Matemáticas, Uni-
versidad Nacional Mayor de San Marcos. Lima-Perú, 2009.
[5] Lawrence C. Evans, Partial Differential Equations, volumen 19, Ame-
rican Mathematical Society.
[6] Rosas Medina, Agustı́n Alberto, El Número de Péclet y su signifi-
cación en la modelación de transporte difusivo de contaminantes, Univer-
sidad Nacional Autonoma de México, American Mathematical Society.
[7] S. G. Ahmed, A Numerical Algorithm for Solving Advection-Diffusion
Equation with Constant and Variable Coefficients, Department of Engi-
neering Physics and Mathematics, Faculty of Engineering, Zagazig Unin-
versity. The Open Numerical Methods Journal, 2012.

39
BIBLIOGRAFÍA 40

[8] Szymkiewicz Romuald, Numerical Modeling in Open Channel Hy-

draulics, Faculty of Civil and Environmental Engineering, Gdansk Uni-
versity of Technology. Poland, 2010.

[9] Zuazua Enrique, Métodos Numéricos de resolucion de Ecuaciones en

Derivadas Parciales, Basque Center for Applied Mathematics. España,
2009