Introdução ao Método de Galerkin Estocástico

Transcrição

1 Introdução ao Americo Barbosa da Cunha Junior Departamento de Engenharia Mecânica Pontifícia Universidade Católica do Rio de Janeiro 26 de julho de / 27

2 Sumário Introdução 1 Introdução 2 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado / 27

3 Motivação Os sistemas mecânicos reais estão sujeitos à incertezas nos parâmetros devido a vários fatores. Esta variabilidade no conjunto de parâmetros do sistema leva a um grande número de possíveis respostas do mesmo. Um modelo estocástico para tais sistemas pode ser tratado diretamente através de simulação de Monte Carlo (MC), porém essa abordagem demanda um elevado esforço computacional. 3 / 27

4 Objetivos Introdução Apresentar uma técnica alternativa à simulação de Monte Carlo para obtenção da resposta de um modelo estocástico; Ilustrar a aplicação dessa metodologia e caracterizar a mesma quanto à acurácia e performace. 4 / 27

5 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Decomposição de Karhunen-Lòeve (KL) Seja u : D Ω R L 2 (Ω, A, P) um campo estocástico com média µ u e autocovariância K u (x 1, x 2 ) contínua. Então onde u(x, ω) = µ u + λi φ i (x)ξ i (ω), i=1 ξ i são variáveis aleatórias tais que E [ξ i ] = 0 E [ ξ i ξ j ] = hi δ ij, {λ i, φ i } são soluções da equação K u (x 1, x 2 )φ i (x 2 )dx 2 = λ i φ i (x 1 ). D 5 / 27

6 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Decomposição de Karhunen-Lòeve (KL) Representação ótima no sentido que minimiza erro quadrático médio após o trucamento da série; Aplicável somente quando a função de autocovariância do campo aleatório for conhecida. 6 / 27

7 Polinômio Caos Generalizado (gpc) Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Seja u : D Ω R L 2 (Ω, A, P). Então onde u(x, ω) = u i (x)ψ i [ξ(ω)], i=1 u i são funções determinísticas; ξ é um vetor de variáveis aleatórias; ψ i são polinômios ortogonais tais que E [ψ 1 ] = 1, E [ψ i ] = 0, i > 1, E [ ] ψ i ψ j = hi δ ij. 7 / 27

8 Polinômio Caos Generalizado (gpc) Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Aplicável se a distribuição de probabilidade do campo aleatório for conhecida ou não; Os polinômios ψ i são escolhidos de acordo com a natureza das variáveis ξ: ξ Gaussiana Gama Beta Uniforme ψ i Hermite Laguerre Jacobi Legendre 8 / 27

9 SGM: O método de Galerkin estocástico (SGM) procura por um campo estocástico u(x, t, ω), definido no espaço probabilistico (Ω, A, P), que seja uma aproximação para a solução da seguinte equação diferencial estocástica L(x, t, ω; u) = f (x, t, ω), onde L é um operador diferencial que envolve diferenciação no tempo e/ou no espaço e f é um termo fonte. 9 / 27

10 SGM: Aproxima-se o campo u por um trucamento da expansão em gpc P u(x, t, ω) u i (x, t)ψ i [ξ(ω)], e em seguida substitui-se na equação que se deseja resolver P L x, t, ω; u i ψ i = f (x, t, ω). i=1 i=1 10 / 27

11 SGM: Projeta-se a última equação no espaço vetorial gerado pelas ψ j, P E L x, t, ω; u i ψ i ψ j = E [ ] f (x, t, ω)ψ j, j = 1,, P, i=1 de forma que o erro gerado pela aproximação seja minimizado. 11 / 27

12 Problema de Valor de Contorno Estocástico Dado um espaço probabilistico (Ω, A, P), considere o problema de valor de contorno estocástico em que se busca um campo u(x, y, ω) tal que α 2 u = 1 (x, y, ω) D Ω u = 0 (x, y, ω) D Ω, onde α é uma variável aletória uniformemente distribuida em [1, 3] e D = [ 1, 1] / 27

13 Parametrização e Expansão em gpc Neste problema a variável aleatória α é parametrizada por α = ξ + 2, onde ξ U[ 1, 1]. Já o campo u é aproximado por u(x, ω) P u i (x, y)ψ i (ξ), i=1 onde u i (x, y) são funções determinísticas, ψ i são polinômios de Legendre e P = (K +1)!/K!, sendo K o grau máximo dos polinômios de Legendre. 13 / 27

14 Projeção de Galerkin Seguindo o procedimento geral do SGM obtêm-se P ( ) [ ] [ ] (ui ) xx + (u i ) yy E ψi (ξ + 2)ψ j = E ψj i=1 u j = 0 (x, y) D (x, y) D, para j = 1,, P. Esse sistema foi resolvido utilizando o código Poisson_2D, que é baseado no método de diferenças finitas. 14 / 27

15 Média das Soluções (a) MC (b) gpc Figura: Média das soluções da eq. de Poisson obtidas por MC e gpc. 15 / 27

16 Desvio Padrão das Soluções (a) MC (b) gpc Figura: Desvio padrão das soluções da equação de Poisson obtidas por MC e gpc. 16 / 27

17 Erro da Aproximação Tabela: Norma do máximo (em função de K) das estatísticas da diferença entre as soluções da eq. de Poisson obtidas por MC e gpc. K média desvio padrão / 27

18 Tempo de Processamento Tabela: Ganho de tempo (em função de K) da simulação da eq. de Poisson utilizando gpc em relação a simulação que utiliza MC. K tempo gasto (s) speed-up MC / 27

19 Problema de Valor Inicial-Contorno Estocástico Dado um espaço probabilistico (Ω, A, P), considere o problema que consiste em encontrar um campo u(x, t, ω) tal que u t = (αu x ) x + 1 x [ 1, 1], t [0, T ], ω Ω, com condições de contorno u( 1, t, ω) = u(1, t, ω) = 0 e condição inicial u(x, 0, ω) = 0. Neste problema α : [ 1, 1] Ω R é um campo aleatório de média µ α = 10 e autocovariância K α (x 1, x 2 ) = exp ( x 1 x 2 ), x 1, x 2 [ 1, 1]. 19 / 27

20 Parametrização Introdução O campo α é aproximado pelo truncamento da decomposição KL N α(x, ω) = µ α + λi φ i (x)ξ i (ω), i=1 onde ξ i U[ 1, 1] e {λ i, φ i } são soluções da equação 1 1 exp ( x 1 x 2 ) φ i (x 2 )dx 2 = λ i φ i (x 1 ). 20 / 27

21 Expansão em gpc Introdução O campo u é aproximado por uma expansão em gpc da forma u(x, t, ω) P u i (x, t)ψ i (ξ), i=1 onde u i (x, t) são funções determinísticas, ψ i são polinômios de Legendre e P = (K + N)!/(K!N!), sendo K o grau máximo dos polinômios de Legendre. 21 / 27

22 Projeção de Galerkin Seguindo o procedimento geral do SGM obtêm-se [ ] E ψj 2 (u k ) t = P [ ] (u i ) xx µ α E ψk 2 + i=1 i=1 N E [ ] ψ k ξ j ψ i λj φ j + j=1 P N (u i ) x E [ ] ψ k ξ j ψ i λj (φ j ) x + E [ψ k ], j=1 para k = 1,, P. Esse sistema foi resolvido utilizando o código Heat_1D, que utiliza um esquema númerico tipo Crank-Nicolson. 22 / 27

23 Estatísticas das Soluções Figura: Estatísticas das soluções da eq. do calor obtidas por MC e gpc. 23 / 27

24 Erro da Aproximação Tabela: Norma do máximo (em função de K) das estatísticas da diferença entre as soluções da eq. do calor obtidas por MC e gpc. K média desvio padrão / 27

25 Tempo de Processamento Tabela: Ganho de tempo (em função de K) da simulação da eq. do calor utilizando gpc em relação a simulação que utiliza MC. K tempo gasto (s) speed-up MC / 27

26 O método de Galerkin estocástico (SGM) é uma boa alternativa à simulação de Monte Carlo, pois tem boa acurácia e demanda baixo esforço computacional; Essa técnica foi ilustrada na solução de dois exemplos simples e os resultados permitiram caracterizar a boa performace e acurácia do método SGM. 26 / 27

27 Constantine, P. A Primer on Stochastic Galerkin Methods. Lecture Notes, Ghanem, R.; Spanos, P., Stochastic Finite Elements: A Spectral Approach. New York: Dover Publications, Shonkwiler, R. W.; and Mendivil, F., Explorations in Monte Carlo Methods. New York: Springer, Xiu. D.; Karniadakis, G., The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, Vol. 24, pp , / 27