O M´
etodo de Galerkin Estoc´
astico e Equa¸
c˜
ao Diferencial de
Transporte Linear Estoc´
astica.
1,2Adson M. Rocha 1,3Fabio A. A. de Campos
1
Depto de Matem´atica Aplicada, IMECC, UNICAMP, 13083-859, Campinas, SP
2
Centro de Ciˆencias Exatas e Tecnol´ogicas, UFRB, 44380-000, Cruz das Almas, BA
3
Bolsista de Doutorado CNPQ
E-mail: adsonmot@gmail.com, fcampos111@gmail.com,
Maria Cristina de C. Cunha
Departamento de Matem´atica Aplicada, IMECC, UNICAMP 13083-859, Campinas, SP
E-mail: cunha@ime.unicamp.br.
Resumo
Pretendemos apresentar o m´etodo de Garlekin estoc´astico para resolver equa¸c˜oes dife-renciais estoc´astica. O m´etodo de Galerkin estoc´astico produzido ´e uma extens˜ao simples do m´etodo de Galerkin cl´assico usado em problemas determin´ısticos. Especificamente, o m´etodo consiste em projetar a solu¸c˜ao estat´ıstica sobre o espa¸co gerado pelos Polinˆomios do Caos generalizados que formam uma base para o espa¸co de fun¸c˜oes aleat´orias. Introduziremos o m´etodo sobre uma equa¸c˜ao de transporte linear aleat´oria. Faremos o tratamento num´erico e comparamos com as simula¸c˜oes de Monte Carlo.
Palavras-chave: Equa¸c˜oes Diferenciais Estoc´asticas, Galerkin Estoc´astico, Polinˆomios de Caos generalizado
1
Introdu¸
c˜
ao
Atualmente h´a um interesse crescente em estudar m´etodos num´ericos eficientes para resolver equa¸c˜oes diferenciais com entradas aleat´orias. A representa¸c˜ao atual do m´etodo de polinˆomio de caos foi desenvolvido por R. Ghanem [3], inspirado por expans˜oes de polinˆomios de caos de Wiener [4], onde empregou polinˆomios de Hermite como uma base ortonormal para representar processos aleat´orios. Esta aproxima¸c˜ao foi estendida para polinˆomios de caos generalizados onde os polinˆomios ortogonais s˜ao usados para melhor representar os processos aleat´orias [2]. Representaremos polinˆomios do caos generalizado pela sigla gPC visto sua origem em inglˆes generalized Polynomial Chaos. Posteriormente os gPC foram utilizados para aproximar solu¸c˜oes estoc´asticas de equa¸c˜oes diferenciais. Umas destas t´ecnicas ´e o m´etodo de Galerkin Estoc´astico. A partir da escolha da base ortogonal gPC, estendemos o m´etodo de Galerkin cl´assico projetando a solu¸c˜ao estoc´astica sobre o espa¸co gerado pelos gPC. O Galerkin estoc´astico ´e usado para transformar uma equa¸c˜oes estoc´astica em um sistema de equa¸c˜oes determin´ısticas. Uma vis˜ao geral do m´etodo de Galerkin Estoc´astico podem ser achadas em [1].
Na Se¸c˜ao 2 apresentamos a Equa¸c˜ao de Transporte Linear Estoc´astica e sua Formula¸c˜ao Estoc´astica. Na Se¸c˜ao 4 fizemos uma breve introdu¸c˜ao aos polinˆomios de caos generalizados e aplicamos o Galerkin Estoc´astico obtendo uma aproxima¸c˜ao num´erica da solu¸c˜ao estoc´astica escrita como combina¸c˜ao linear dos gPC. Na ´ultima Se¸c˜ao mostramos os resultados de uma experimento num´erico a um caso espec´ıfico da equa¸c˜ao problema.
2
Equa¸
c˜
ao do Transporte Linear Estoc´
astica
Neste trabalho consideremos o problema de valor inicial Qt+ AQx= 0, t > 0, x∈ R, Q(x, 0) = Q0(x),
(1) no qual a velocidade A ´e uma vari´avel aleat´oria e a condi¸c˜ao inicial Q0(x) ´e um processo es-toc´astico, definidos sobre o mesmo espa¸co amostral Ω. Entendemos o processo estoc´astico Q0(x) como um processo cont´ınuo (Q0(x, ω), x∈ R, ω ∈ Ω).
Definamos solu¸c˜ao do problema (1) o processo estoc´astico Q(x, t, ω) : R× [0, ∞) × Ω −→ R. 2.1 Formula¸c˜ao Estoc´astica do Sistema
Um passo importante na resolu¸c˜ao de um sistema estoc´astico ´e a caracteriza¸c˜ao conveniente do espa¸co probabilidade por um conjunto finito e mutuamente independentes de vari´aveis aleat´orias atrav´es de uma parametriza¸c˜ao dos dados de entrada aleat´orios.
Normalmente as entradas aleat´orias da equa¸c˜ao (1), A(ω) e Q0(x, ω), s˜ao independentes. De in´ıcio fazemos A(ω) = Z0 como um dos parˆametros aleat´orios. Os outros parˆametros dependem do processo inicial Q0(x, ω). Uma forma para parametrizarmos Q0(x, ω) ´e usando sua expans˜ao de Karhunen-Loeve (KL). Dado a m´edia de Q0(x), µQ0(x), e sua covariˆancia, CQ0(x, y) =
cov (Q0(x), Q0(y)), definimos a expans˜ao KL do processo Q0(x, ω) por
Q0(x, ω) = µQ0(x) + ∞ X i=1 p λiψi(x)Zi(ω) (2)
onde (ψi(x), λi) s˜ao as autofun¸c˜oes e autovalores do problema (3) Z ∞
−∞
CQ0(x, y)ψi(y)dy = λiψi(x), x∈ R (3)
e {Zi} s˜ao vari´aveis aleat´orias mutuamente n˜ao correlacionadas, satisfazendo E[Zi] = 0, E[ZiZj] = δij, determinadas por Zi = 1 √ λi Z ∞ −∞ (Q0(x)− µQ0(x)) ψi(x)dx, i = 1, 2, . . . .
Para uma melhor leitura sobre expans˜ao KL ver a referˆencia [3].
Tomando o truncamento da expans˜ao no termo d da s´erie (2), aproxima-se o processo es-toc´astico inicial Q0(x, ω) escrito por uma combina¸c˜ao finita das vari´aveis aleat´orias, Z1, . . . , Zd,
Q0(x, ω) ≈ eQ0(x, ω) = µQ0(x) + d X i=1 p λiψi(x)Zi(ω).
Desta forma, escolhendo o conjunto{Z0, Z1, . . . , Zd} pode-se reescrever (1), Qt+ Z0Qx= 0, t > 0, x∈ R,
Q(x, 0) = eQ0(x, Z1, . . . , Zd),
(4) chamada Formula¸c˜ao Estoc´astica, cuja solu¸c˜ao agora est´a definida no parˆametro Z
3
M´
etodo de Galerkin Estoc´
astico
O m´etodo de Galerkin tem sido generalizado para problemas estoc´asticos pela proje¸c˜ao da solu¸c˜ao em espa¸cos de polinˆomios ortogonais definidos em vari´aveis aleat´orias. Estes polinˆomios ortogonais definidos sobre vari´aveis aleat´orias s˜ao os denominados Polinˆomios do Caos genera-lizados (gPC).
3.1 Polinˆomios do Caos generalizado
Nesta subse¸c˜ao, apresentamos os aspectos gerais dos gPC. A teoria de expans˜ao usando gPC ´e an´aloga `a teoria da aproxima¸c˜ao de fun¸c˜oes por polinˆomios ortogonais.
Seja Z uma vari´avel aleat´oria com fun¸c˜ao distribui¸c˜ao FZ(z) = P (Z ≤ z) e momentos finitos, isto ´e,
E|Z|2m = Z |z|2mdF
Z(z) < ∞ , m = 0, 1, . . . , n.
Definimos uma base de fun¸c˜oes gPC, {Φj(Z)}0≤j≤n, sendo um conjunto de fun¸c˜oes polino-miais definidas sobre Z, tais que
E [Φi(Z)Φj(Z)] = γjδij, i, j = 0, 1, . . . , n (5)
onde
γj = EΦ2j(Z)
, j = 0, 1, . . . , n (6)
s˜ao as constantes de normaliza¸c˜ao e δij ´e delta de Kronecker.
Quando Z ´e uma vari´avel cont´ınua com sua fun¸c˜ao densidade de probabilidade (que uti-lizaremos a sigla PDF - Probability Density Functions durante o texto), fZ(z), temos que dFZ(z) = fZ(z)dz e podemos reescrever a condi¸c˜ao de ortogonalidade (5) da forma
E [Φi(Z)Φj(Z)] = Z Φi(z)Φj(z)fZ(z)dz = γjδij, i, j = 0, 1, . . . , n. (7) Denotamos por L2 dFZ(IZ) =
f : IZ −→ R; Ef2<∞ o espa¸co de todas fun¸c˜oes aleat´oria definidas em IZ integr´aveis na m´edia-quadrada com norma||f||L2
dFZ, onde IZ ´e o suporte
com-pacto da vari´avel Z. Temos que L2
dFZ(IZ) ´e um espa¸co de Hilbert. Neste espa¸co, tomemos o
subespa¸co finito gerado pela base de fun¸c˜oes gPC,
Pn(Z) = span{Φk(Z), k = 0, 1, . . . , n} ,
e aqui dim (Pn(Z)) = n + 1. Dado g ∈ L2dFZ, definimos a proje¸c˜ao ortogonal de n-´esimo grau
de g sobre Pn(Z), Png = n X k=0 bgkΦk(Z), onde bgk = 1 γk E[g(Z)Φk(Z)].
A convergˆencia da proje¸c˜ao segue diretamente da teoria cl´assica de aproxima¸c˜ao, i.e., kg − PngkL2
dFZ −→ 0, n −→ ∞.
Podemos estender as defini¸c˜oes acima para um vetor aleat´orio Z = (Z1, . . . , Zd), com compo-nentes mutuamente independentes e fun¸c˜ao distribui¸c˜ao FZ(z1, . . . , zd) = P (Z1 ≤ z1, . . . , Zd ≤ zd), conforme foi feito em [1] pp. 64-66.
Exemplo 3.1 (Polinˆomios de Hermite) A partir de alguns modelos usuais de distribui¸c˜oes de probabilidade, as bases gPC s˜ao constru´ıdas. Uma importante ´e os gPC de Hermite por sua
rela¸c˜ao com uma vari´avel Gaussiana padr˜ao Z ∼ N (0, 1). Sabemos que a PDF de uma vari´avel Gaussiana ´e dada por
fZ(z) = 1 √ 2πe −z2 /2.
Pela constru¸c˜ao dos polinˆomios de Hermite cl´assico, {Hk(x)}k∈N0, pode-se obter a rela¸c˜ao de
ortogonalidade (7) dada por
E[Hi(Z)Hj(Z)] = Z ∞
−∞
Hi(z)Hj(z)fZ(z)dz = j!δij.
Desta forma, o conjunto {Hk(Z)}k∈N0 forma uma base de fun¸c˜oes gPC que naturalmente
denomina-se gPC de Hermite. Temos que
H0(Z) = 1, H1(Z) = Z, H2(Z) = Z2− 1, H3(Z) = Z3− 3Z, · · · que podem ser obtidos pela f´ormula de recorrˆencia
Hn+1(Z) = ZHn(Z)− nHn−1(Z).
3.2 Aplicando Galerkin Estoc´astico sobre a Equa¸c˜ao do Transporte Linear Estoc´astica
O m´etodo de Galerkin estoc´astico ´e uma extens˜ao do m´etodo de Galerkin cl´assico para calcular solu¸c˜oes aproximadas em equa¸c˜oes determin´ısticas sobre o espa¸co gerado pelos polinˆomios gPC. Por simplicidade apresentamos uma abordagem para o caso unidimensional, considerando a proje¸c˜ao da solu¸c˜ao e dados do problema, sobre os espa¸cos dos polinˆomios univari´aveis, isto ´e, a equa¸c˜ao do problema ser´a parametrizada em uma ´unica vari´avel aleat´oria Z0. No momento, para desenvolvimento te´orico, n˜ao mencionaremos a distribui¸c˜ao da vari´avel Z0. Desta forma, escrevemos de forma mais simples a formula¸c˜ao estoc´astica (4) da equa¸c˜ao da onda
∂Q(x, t, Z0) ∂t + Z0 ∂Q(x, t, Z0) ∂x = 0, x∈ R, t > 0, Q(x, 0) = Q0(x, Z0), (8) onde Z0 ´e a velocidade de transporte aleat´orio do problema de valor inicial (1) e o processo estoc´astico inicial, Q0(x, ω), tamb´em est´a parametrizado por Z0.
Consideremos uma base de fun¸c˜oes gPC para a vari´avel aleat´oria Z0, {φk(Z0)}k=0,...,n. No m´etodo de Galerkin estoc´astico a solu¸c˜ao, Q(x, t, Z0), ´e projetada sobre Pn(Z0)
Qn(x, t, Z0) = n X k=0 b Qk(x, t)φk(Z0) (9)
e tomamos o produto escalar entre equa¸c˜ao diferencial (8) e um elemento arbitr´ario de Pn(Z0)
E ∂Qn(x, t, Z0) ∂t φk(Z0) + E Z0 ∂Qn(x, t, Z0) ∂x φk(Z0) = 0. (10)
Usando as express˜oes (9), (10) e a ortogonalidade da base de fun¸c˜oes gPC (propriedades (5) e (6)), para cada k = 0, . . . , n obtemos
E " ∂ ∂t n X i=0 b Qi(x, t)φi(Z0) ! φk(Z0) # + E " Z0 ∂ ∂x n X i=0 b Qi(x, t)φi(Z0) ! φk(Z0) # = 0 n X i=0 ∂ ∂tQbi(x, t)E [φi(Z0)φk(Z0)] + n X i=0 ∂ ∂xQbi(x, t)E [Z0φi(Z0)φk(Z0)] = 0 γk ∂ bQk ∂t (x, t) + n X i=0 eik ∂ bQk ∂x (x, t) = 0 (11)
onde eik = E [Z0φi(Z0)φk(Z0)], i, k = 0, . . . , n. Desta forma, em (11) temos n + 1 equa¸c˜oes lineares, que podemos escrever na forma vetorial
Γ∂ bQ ∂t + B
∂ bQ
∂x = 0, (12)
onde bQ = [ bQ0· · · bQn], Γ = diag(γ0, γ1, . . . , γn) e B = (eik), i, k = 0, . . . , n ´e uma matriz real (n + 1)× (n + 1).
Se a base de fun¸c˜oes gPC est´a normalizada, γk= 1, ∀k, o sistema (12) ter´a a forma ∂ bQ
∂t + B ∂ bQ
∂x = 0, onde B = BT ´e uma matriz hiperb´olica.
Para completar o m´etodo de Galerkin Estoc´astico, a condi¸c˜ao inicial tamb´em devemos pro-jetar no espa¸co Pn(Z0): Q0n(x, Z0) = n X k=0 b Q0k(x)φk(Z0), onde bQ0 k(x) = E [Q0(x, Z0)φk(Z0)]. Notemos que para calcular bQ0
k(x) ´e necess´ario uma express˜ao para Q0 parametrizada em fun¸c˜ao Z0. Caso contr´ario pode ser usada a expans˜ao KL, que conforme vimos em (3),
Q0(x, Z1, . . . , Zd) ≈ eQ0(x, Z1, . . . , Zd) = µQ0(x) + d X i=1 p λiψi(x)Zi.,
e obtemos a parametriza¸c˜ao de cada nova vari´avel aleat´oria Zi em fun¸c˜ao de Z0. Conhecidos os coeficientes bQ0
k(x), k = 0, . . . , n, da proje¸c˜ao da condi¸c˜ao inicial, o m´etodo de Galerkin para (8) reduz-se a resolver um sistema de (n + 1) equa¸c˜oes diferenciais acopladas
determin´ısticas ∂ bQ ∂t + B ∂ bQ ∂x = 0, b Q(x, 0) = bQ0 (x), (13) onde bQ0 = [ bQ0 0 . . . bQ 0 n].
Temos um sistema linear hiperb´olico, uma maneira de o desacoplarmos ´e fazendo a diago-naliza¸c˜ao da matriz, B = UTDU , onde D = diag(λ0, λ1, . . . , λn), e tomarmos a mudan¸ca de vari´avel
W = UTQ,b W = [W0 . . . Wn]T (14)
obtendo o sistema desacoplado ∂W ∂t + D ∂W ∂x = 0 W (x, 0) = UTQ(x, 0) = Ub TQb0 (x), ou ainda, ∂Wk ∂t + λk ∂Wk ∂x = 0, ∀k = 0, 1, . . . , n. Wk(x, 0) = Pnj=0UjkQvb j(x) = UkTQb 0 (x), onde Uk= [U0k . . . Unk]T ´e a k-´esima coluna da auto matriz U .
Pelo m´etodo das caracter´ısticas, cada equa¸c˜ao tem solu¸c˜ao da forma Wk(x, t) = UkTQb
0
Portanto W (x, t) = W0(x, t) .. . Wn(x, t) = U0TQb 0 (x− λ0t) .. . UnTQb0 (x− λnt)
, e por (14) a solu¸c˜ao para o problema de valor inicial (13) ´e dada por
b Q(x, t) = U W (x, t) = U U0TQb 0 (x− λ0t) .. . UnTQb0 (x− λnt) = n X k=0 UkUkTQb 0 (x− λkt). (15)
Vimos que ´e poss´ıvel obter a solu¸c˜ao de uma EDP estoc´astica atrav´es da solu¸c˜ao de um sistema determin´ıstico com o m´etodo de Galerkin estoc´astico. Este m´etodo ´e de f´acil imple-menta¸c˜ao computacional e os resultados desta implementa¸c˜ao aplicada a um exemplo simples ser´a visto a seguir.
4
Experimento Num´
erico
Em todas simula¸c˜oes consideramos a vari´avel de transporte A = Z0 com distribui¸c˜ao Gaussiana e o processo estoc´astico inicial Q0(x) estando parametrizado na vari´avel Z0.
Visto que Z0 ∼ N (0, 1) temos a PDF fZ0(z) = 1 √ 2πexp(−x 2 /2),
ent˜ao escolhemos a base de polinˆomios de Hermite gPC,{Hk(Z0)}k=0,1,··· ,n, para fazer a proje¸c˜ao da solu¸c˜ao pelo m´etodo de Galerkin. Lembramos que esta base est´a normalizada, ou seja, γk = E [Hk(Z0)] = 1.
Para facilitar na implementa¸c˜ao dos dados vamos considerar que o processo inicial, Q0(x, Z0), j´a estejando no espa¸co gerado pelos gPC de Hermite. Supomos que o processo inicial ´e uma expans˜ao de primeira ordem dos polinˆomios gPC
Q0(x, Z0) = H0(Z0) + xH1(Z0), (16)
onde os polinˆomios Hk(Z0) s˜ao os polinˆomios de Hermite.
Para comparar a convergˆencia da solu¸c˜ao de Galerkin estoc´astico, aplicamos o m´etodo de Monte Carlo ao problema com n´umero de simula¸c˜oes m = 100000. Neste caso, a cada (x, t) fixado e a cada simula¸c˜ao para Z0 construimos uma fun¸c˜ao solu¸c˜ao aleat´oria
Q(x, t, Z0) = Q0(x− Z0t, Z0) = H0(Z0) + (x− Z0t)H1(Z0).
Nas Figuras 1 e 2 apresentamos os gr´aficos das PDF’s das solu¸c˜oes Qn(x, t, Z0), sendo que as linhas tracejadas (azul) representam o m´etodo de Galerkin Estoc´astico e as linhas preenchidas (vermelho) representam as simula¸c˜oes de Monte Carlo . Na Figura 1 variamos apenas a ordem de precis˜ao da solu¸c˜ao de Galerkin estoc´astico e na Figura 2 variamos a vari´avel temporal de t = 0.3 para t = 0.8.
Com base na Figura 1 notamos que a solu¸c˜ao de Galerkin atinge um bom resultado com uma ordem de precis˜ao relativamente baixa, justificando assim sua eficiˆencia, apesar de possuir etapas computacionalmente caras, como encontrar autovalores de uma matriz de ordem (n + 1)× (n + 1), onde n ´e a precis˜ao do m´etodo. Na Figura 2, percebemos uma outra caracter´ıstica da convergˆencia da solu¸c˜ao do m´etodo de Galerkin estoc´astico que diz que quanto maior a proximidade da vari´avel t de 0, mais rapidamente o m´etodo ir´a convergir para solu¸c˜ao verdadeira [1].
x=-5, t=0.5, n=1 −250 −20 −15 −10 −5 0 5 10 15 20 25 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 x=-5, t=0.5, n=3 −250 −20 −15 −10 −5 0 5 10 15 20 25 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
Figura 1: PDF’s da solu¸c~ao da Equa¸c~ao do Transpote Linear Estoc´astica com distribui¸c~ao normal padr~ao da velocidade A e condi¸c~ao inicial dada por (16). Solu¸c~oes quando
fazemos x =−5, t = 0.5 e proje¸c~oes com ordem n = 1, 3.
x=2, t=0.3, n=3 −500 0 50 0.05 0.1 0.15 0.2 0.25 x=2, t=0.8, n=3 −500 0 50 0.05 0.1 0.15 0.2 0.25 0.3 0.35
Figura 2: PDF’s da solu¸c~ao da Equa¸c~ao do Transpote Linear Estoc´astica com distribui¸c~ao normal padr~ao da velocidade A e condi¸c~ao inicial dada por (16). Solu¸c~oes quando
fazemos x = 2 a proje¸c~ao de ordem n = 2 e variamos o tempo t = 0.5, 0.8.
Referˆ
encias
[1] D. Xiu, ”Numerical Metholds for Stochastic Computations: A Spectral Method Approach”, Princeton University Press, 2010.
[2] D. Xiu and G.E. Karniadakis, The Wienet-Askey Polynomial Chaos for Stochastic Diferen-cial Equations, SIAM J. Sci. Comput. Vol. 24, No 2 (2002) pp. 619-644.
[3] R.G. Ghanem and P. Spanos. Stochastic Finite Elements: A Spectral Approach. Springer-Verlag, New York, 1991.
[4] N. Wiener. The homogeneous chaos. Amer. J. Math., No