I NTRODUCCIÓN A LA

D INÁMICA DE F LUIDOS
C OMPUTACIONAL

FT
Fundamentos matemáticos y numéricos de la
simulación de fenómenos de transporte

)
se
u
A
ra
K
R
o
av
D
st
u
(G
 D
(G
u
st
R
av
o
A
K
ra
FT
u
se
)
Introducción a la Dinámica de
Fluidos Computacional

Gustavo J. Krause
Departamento de Ingeniería Aeroespacial

FT
Facultad de Ciencias Exactas, Físicas y Naturales
Universidad Nacional de Córdoba

)
se
u
A
ra
K
R
o
av
D
st
u
(G

P UBLICACIÓN INDEPENDIENTE
Córdoba, Argentina
 FT
)
se
u
A
ra
K
R
o
av
D
st
u

C RÉDITOS DE LA P RESENTE E DICIÓN :

(G

Diseño de la carátula: E L AUTOR

Diagramación y diseño: E L AUTOR
Dibujos y gráficos: E L AUTOR
I NTRODUCCIÓN A LA D INÁMICA DE F LUIDOS
Título de la obra:
C OMPUTACIONAL
Autor: G USTAVO J. K RAUSE
Producción gráfica: P UBLICACIÓN INDEPENDIENTE
© (2025) G USTAVO J. K RAUSE
© (2025) P UBLICACIÓN INDEPENDIENTE
Reservados todos los derechos. Ni la totalidad, ni parte de este libro, incluida la portada, puede re-
producirse o transmitirse por ningún procedimiento electrónico, ni mecánico, incluyendo fotocopia,
grabación magnética o cualquier almacenamiento de información y sistema de recuperación, sin el
permiso expreso del autor y/o la editorial.
Índice general

Prefacio IX

Nomenclatura

FT XI

)
1. Aspectos Generales de la Dinámica de Fluidos Computacional 1

se
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Definiciones, elementos y etapas de una simulación CFD . . . . . . . . . . 5
1.2.1. Preproceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

u
1.2.2. Solución (solver) . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
A
ra
1.2.3. Postproceso . . . . . . . . . . . . . . . . . . . . . .
1.3. Aplicaciones de la Dinámica de Fluidos Computacional . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
15
1.3.1. Herramienta de diseño . . . . . . . . . . . . . . . . . . . . . . . . 15
K
1.3.2. Herramienta de investigación . . . . . . . . . . . . . . . . . . . . . 17
R
o

2. Ecuaciones de Gobierno 19
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
av

2.2. Derivación de las ecuaciones de gobierno . . . . . . . . . . . . . . . . . . 22

2.2.1. Definiciones preliminares . . . . . . . . . . . . . . . . . . . . . . 22
D
st

2.2.2. Ecuación de continuidad . . . . . . . . . . . . . . . . . . . . . . . 25

2.2.3. Ecuación de cantidad de movimiento . . . . . . . . . . . . . . . . 26
u

2.2.4. Ecuación de la energía . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3. Relaciones termodinámicas . . . . . . . . . . . . . . . . . . . . . . . . . . 33
(G

2.3.1. Ecuación de estado . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.3.2. Otras variables y relaciones termodinámicas . . . . . . . . . . . . . 34
2.4. Ecuaciones de Navier-Stokes . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1. Casos particulares de las ecuaciones de Navier-Stokes . . . . . . . 40
2.4.2. Forma vectorial de las ecuaciones de flujo . . . . . . . . . . . . . . 43
2.4.3. Forma integral de las ecuaciones de gobierno . . . . . . . . . . . . 45
2.5. Propiedades matemáticas de las ecuaciones de gobierno . . . . . . . . . . . 46
2.5.1. Clasificación física . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.2. Clasificación matemática . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.3. Sistemas de ecuaciones diferenciales en derivadas parciales . . . . 63
2.6. Condiciones auxiliares de las ecuaciones de gobierno . . . . . . . . . . . . 69
2.6.1. Problemas bien condicionados . . . . . . . . . . . . . . . . . . . . 69
V
 2.6.2. Tipos de condiciones de contorno . . . . . . . . . . . . . . . . . . 70
2.7. Clasificación de las ecuaciones de flujo . . . . . . . . . . . . . . . . . . . . 71
2.7.1. Flujo no viscoso . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.7.2. Condiciones auxiliares en las ecuaciones de Navier-Stokes . . . . . 74
2.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

3. Fundamentos de las técnicas numéricas 79

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2. El método de diferencias finitas . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.1. Expansión en serie de Taylor . . . . . . . . . . . . . . . . . . . . . 82
3.2.2. Error de truncamiento y orden de la aproximación . . . . . . . . . 85

FT
3.2.3. Aproximación de derivadas de orden superior . . . . . . . . . . . . 87
3.2.4. Diferencias finitas en dominios multidimensionales . . . . . . . . . 89
3.2.5. Aplicación del método de diferencias finitas . . . . . . . . . . . . . 91

)
3.2.6. Tratamiento de las condiciones de contorno . . . . . . . . . . . . . 96

se
3.3. Propiedades de los métodos numéricos . . . . . . . . . . . . . . . . . . . . 99
3.3.1. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

u
3.3.2. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
A
ra
3.3.3. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.4. Análisis de estabilidad de von Neumann . . . . . . . . . . . .
.
.
.
.
.
.
102
104
3.3.5. Exactitud de la solución numérica . . . . . . . . . . . . . . . . . . 111
K
3.3.6. Eficiencia computacional . . . . . . . . . . . . . . . . . . . . . . . 117
R

3.4. Solución numérica de problemas hiperbólicos . . . . . . . . . . . . . . . . 118

o

3.4.1. Esquemas upwind y condición CFL . . . . . . . . . . . . . . . . . 119

av

3.4.2. Viscosidad artificial . . . . . . . . . . . . . . . . . . . . . . . . . . 124

3.4.3. Métodos clásicos para la solución de ecuaciones hiperbólicas . . . . 129
D
st

3.4.4. Análisis de estabilidad para sistemas de PDEs hiperbólicos . . . . . 133

3.5. Solución numérica de problemas mixtos . . . . . . . . . . . . . . . . . . . 137
u

3.5.1. La ecuación de advección-difusión . . . . . . . . . . . . . . . . . . 137

3.5.2. Solución estacionaria . . . . . . . . . . . . . . . . . . . . . . . . . 138
(G

3.5.3. Solución no estacionaria . . . . . . . . . . . . . . . . . . . . . . . 140

3.6. Monotonicidad en los esquemas numéricos . . . . . . . . . . . . . . . . . 143
3.6.1. Preservación de la monotonicidad . . . . . . . . . . . . . . . . . . 146
3.6.2. Propiedad TVD . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.7. Métodos de integración temporal . . . . . . . . . . . . . . . . . . . . . . . 152
3.7.1. Solución numérica de ecuaciones diferenciales ordinarias . . . . . . 154
3.7.2. Métodos basados en expansiones en serie de Taylor . . . . . . . . . 161
3.7.3. Métodos lineales multipaso . . . . . . . . . . . . . . . . . . . . . 162
3.7.4. Métodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . 167
3.7.5. Métodos de pasos fraccionados . . . . . . . . . . . . . . . . . . . 169
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
VI
4. Técnicas de dicretización espacial 173
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.2. Métodos de residuos ponderados . . . . . . . . . . . . . . . . . . . . . . . 174
4.2.1. Formulaciones clásicas del método de residuos ponderados . . . . . 175
4.2.2. Solución aproximada de ecuaciones diferenciales . . . . . . . . . . 178
4.2.3. Funciones de prueba que no satisfacen las condiciones de contorno 185
4.2.4. Limitaciones de los métodos de residuos ponderados . . . . . . . . 186
4.3. Método de elementos finitos . . . . . . . . . . . . . . . . . . . . . . . . . 187
4.3.1. Funciones de prueba locales de soporte compacto . . . . . . . . . . 189
4.3.2. Aproximación de la solución de ecuaciones diferenciales . . . . . . 193
4.3.3. Método de Petrov-Galerkin y técnicas de estabilización . . . . . . . 200

FT
4.4. Método de volúmenes finitos . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.4.1. Discretización conservativa . . . . . . . . . . . . . . . . . . . . . 204

)
4.4.2. Formulación en volúmenes finitos . . . . . . . . . . . . . . . . . . 209

se
4.4.3. Flujos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.4.4. Esquemas no lineales . . . . . . . . . . . . . . . . . . . . . . . . . 217

u
4.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
A
5. Simulación de Flujo Incompresible
ra 231
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
K
R
6. Simulación de Flujo Compresible 233
o

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233

av

6.2. Ecuaciones hiperbólicas no lineales . . . . . . . . . . . . . . . . . . . . . 235

6.2.1. El tubo de choque y el problema de Riemann . . . . . . . . . . . . 238
D

6.2.2. Ondas no lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

st

6.2.3. Irreversibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248

6.2.4. Sistemas de ecuaciones hiperbólicas no lineales . . . . . . . . . . . 252
u

6.3. Ecuaciones de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263

(G

6.3.1. Forma característica y variación de la entropía . . . . . . . . . . . 265

6.3.2. El problema de Riemann en las ecuaciones de Euler . . . . . . . . 266
6.3.3. Soluciones aproximadas del tubo de choque . . . . . . . . . . . . . 276
6.4. Esquemas de tipo Godunov . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6.4.1. Método de Godunov de primer orden . . . . . . . . . . . . . . . . 279
6.4.2. Método de Godunov de alto orden: reconstrucción tipo MUSCL . . 282
6.4.3. Implementación en las ecuaciones de Euler . . . . . . . . . . . . . 288
6.5. Métodos de flux vector splitting . . . . . . . . . . . . . . . . . . . . . . . . 288

7. Introducción a la turbulencia 289

7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
VII
A. Clasificación de PDEs de segundo orden 291
A.1. Forma canónica de una PDE de segundo orden . . . . . . . . . . . . . . . 291
A.1.1. Curvas características . . . . . . . . . . . . . . . . . . . . . . . . . 292
A.2. Clasificación de las PDEs de segundo orden . . . . . . . . . . . . . . . . . 293
A.2.1. Ecuaciones hiperbólicas . . . . . . . . . . . . . . . . . . . . . . . 294
A.2.2. Ecuaciones parabólicas . . . . . . . . . . . . . . . . . . . . . . . . 294
A.2.3. Ecuaciones elípticas . . . . . . . . . . . . . . . . . . . . . . . . . 295

B. Método de elementos finitos en dominios multidimensionales 297

B.1. Interpolación en dominios bidimensionales . . . . . . . . . . . . . . . . . 297
B.2. Interpolación en dominios tridimensionales . . . . . . . . . . . . . . . . . 300

FT
Bibliografía 300

)
se
u
A
ra
K
R
o
av
D
st
u
(G

VIII
Prefacio

El presente texto está concebido como material de apoyo para estudiantes y profesiona-
les de la ingeniería que se inician en el campo de la Dinámica de Fluidos Computacional

FT
o CFD (de las siglas del inglés Computational Fluid Dynamics). Este libro surgió de la
necesidad de cubrir de manera introductoria los aspectos más importantes que rigen esta
disciplina. Los contenidos aquí presentados son el resultado de la recopilación de mate-

)
rial realizada durante el dictado de la asignatura introductoria de la carrera de Ingeniería

se
Aeronáutica que se dicta en la Facultad de Ciencias Exactas, Físicas y Naturales de la Uni-
versidad Nacional de Córdoba. Teniendo en cuenta que los estudiantes de dicha asignatura

u
cuentan con una buena base en Matemática y en Mecánica de los Fluidos, la cual fue ad-
quirida durante los años previos de la carrera, se asume que el lector tiene la capacidad
A
ra
de comprender los fundamentos físicos y los desarrollos matemáticos planteados a lo lar-
go del texto. Por otro lado, se resalta el carácter introductorio y orientativo de estas notas,
K
recomendándose fervientemente la profundización de los temas abordados a través de las
referencias bibliográficas citadas oportunamente.
R
o
av
D
st

Gustavo J. Krause
u

Córdoba, agosto de 2025

(G

IX
 D
(G
u R

X
st A
av
o
K
ra
FT
u
se
)
Nomenclatura

Símbolos alfabéticos

a
a

FT
Velocidad del sonido
Coeficiente (escalar) en la expansión del método de residuos ponderados

)
a Vector de coeficientes de la expansión del método de residuos ponderados

se
A Área
B Operador diferencial sobre el contorno físico
C fl Número CFL

u
cp Calor específico a presión constante
A
cv
ra
Calor específico a volumen constante
e Base del logaritmo natural
K
e Error (escalar)
e Vector de error
R

etr Error de truncamiento

o

e Error de redondeo
av

E Energía (por unidad de volumen)

Ec Número de Eckert
D

F Flujo (escalar) en dirección x

st

F̃ Flujo numérico (escalar) en dirección x

F Vector de flujo en dirección x
u

F̃ Vector de flujo numérico en dirección x

(G

Fxyz Matriz de vectores de flujo

F̃xyz Matriz de flujos numéricos
g Aceleración de la gravedad (módulo)
g Aceleración de la gravedad (vector)
G Vector de flujo en dirección y
G̃ Vector de flujo numérico en dirección y
h Entalpía
h0 Entalpía total
H Vector de flujo en dirección z
H̃ Vector de flujo numérico
√ en dirección z
i Unidad imaginaria ( −1)
J Jacobiano

XI
 k Coeficiente de conducción de calor
k Vector propio
[K] Matriz de vectores propios
kB Constante de Boltzmann
L Operador diferencial
m Masa
Ma Número de Mach
nm Densidad de moléculas
n̂ Vector normal unitario
N Función de forma en el método de elementos finitos
NA Número de Avogadro
p Presión

FT
p0 Presión total
Pe Número de Péclet
Pr Número de Prandtl

)
Q Flujo de calor (módulo)

se
Q Vector de flujo de calor
R Constante de los gases

u
R Residuo
A
Re Número de Reynolds ra
S Entropía
S Término fuente genérico (escalar)
K
S Término fuente genérico (vectorial)
s Tensor de deformaciones
R
o

sxx , syy , szz , Componentes del tensor de deformaciones

sxy , sxz , syz
av

Sc Superficie del volumen de control

t̂ Vector tangencial unitario
D
st

T Temperatura
T0 Temperatura total
u

u Componente de velocidad en dirección x

U Vector de variables conservativas
(G

u Variable conservativa genérica

v Componente de velocidad en dirección y
V Volumen específico
V Velocidad (módulo)
v Vector velocidad
v Variable primitiva genérica (escalar)
V Vector de variables primitivas
Vc Volumen de control
w Componente de velocidad en dirección z
W Función de peso en el método de residuos ponderados
w Variable característica genérica (escalar)
W Vector de variables características

XII
 W Trabajo (por unidad de tiempo)
x Vector de coordenadas cartesianas
x Primera coordenada de un sistema cartesiano
y Segunda coordenada de un sistema cartesiano
z Tercera coordenada de un sistema cartesiano

Símbolos griegos

αart Viscosidad artificial

γ Coeficiente isoentrópico

FT
Γ Contorno del dominio físico
∆x Espaciado de la grilla en dirección x
∆y Espaciado de la grilla en dirección y

)
∆z Espaciado de la grilla en dirección z

se
∆t Paso de tiempo
ε Energía interna específica

u
ζ Función limitadora de pendiente
A
κ Coeficiente de viscosidad volumétrica
ra
λ Valor propio
[Λ] Matriz diagonal de valores propios
K
µ Coeficiente de viscosidad dinámica
µ′ Segundo coeficiente de viscosidad
R
o

µm Masa molar
ρ Densidad de masa del fluido
av

ρ0 Densidad total
τ Tensor de tensiones viscosas
D
st

τxx , τyy , τzz , Componentes del tensor de tensiones viscosas

τxy , τxz , τyz
u

φ Variable genérica (escalar)

ϕ Variable genérica (vectorial)
(G

Φ Función de disipación viscosa

ψ Función de forma en el método de residuos ponderados
Ω Dominio físico

Subíndices

0 Propiedad total o de estancamiento

i Índice genérico en la dirección x
j Índice genérico en la dirección y
k Índice genérico en la dirección z

XIII
Acrónimos y abreviaturas

CFD Computational Fluid Dynamics (Dinámica de Fluidos Computacional)

CFL Número CFL (Courant-Friedrichs-Lewy)
FEM Finite Element Method (Método de Elementos Finitos)
FVM Finite Volume Method (Método de Volúmenes Finitos)
ODE Ordinary Differential Equation (Ecuación Diferencial Ordinaria)
MUSCL Monotonic Upstream Scheme for Conservation Laws
PDE Partial Differential Equation (Ecuación en Derivadas Parciales)

FT
)
se
u
A
ra
K
R
o
av
D
st
u
(G

XIV
Capítulo 1

Aspectos Generales de la Dinámica

de Fluidos Computacional

FT
)
se
1.1. Introducción

u
La Dinámica de Fluidos Computacional o CFD, por las siglas del inglés Computational
A
Fluid Dynamics, puede definirse como el conjunto de modelos matemáticos, técnicas numé-
ra
ricas y algoritmos computacionales que permiten obtener soluciones aproximadas de pro-
blemas de mecánica de los fluidos y transferencia de calor. Estos problemas además pueden
K
estar acompoañados de otros procesos físicos como la difusión de masa, la reconfiguración
R
química (flujo reactivo), la interacción electromagnética (flujo de plasmas) o el transporte
o

de partículas, entre otros. Con el desarrollo cada vez más importante de las computadoras
av

personales, la computación de alto desempeño y las súper-computadoras para aplicaciones

científicas y tecnológicas, la Dinámica de Fluidos Computacional ha cobrado cada vez más
vigencia en el análisis de problemas de flujo tanto en la ingeniería aplicada como en el ám-
D
st

bito académico y científico. De hecho, hoy en día el CFD se constituye como uno de los
tres pilares fundamentales en el estudio aerodinámico de grandes proyectos de ingeniería
u

(junto a las técnicas experimentales y al análisis teórico), y sus resultados son utilizados
para validar modelos teóricos de procesos que no pueden analizarse directamente, como los
(G

fenómenos astrofísicos que involucran el flujo de plasmas. Estos pequeños ejemplos eviden-
cian la gran diversidad de aplicaciones relacionadas a la modelación numérica de fenómenos
de transporte, lo cual es posible gracias al desarrollo de múltiples esquemas numéricos es-
pecíficamente adaptados para ajustarse a las particularidades de cada caso. Sin embargo,
aunque estos esquemas pueden diferir considerablemente de una aplicación a otra, existen
numerosos conceptos y definiciones comunes a todos los códigos de CFD que permiten un
abordaje relativamente general para el estudio inicial de esta disciplina.
En términos históricos, puede considerarse que el nacimiento de la Dinámica de Fluidos
Computacional se remonta a la década de 1940, cuando en el Laboratorio de Los Álamos,
Estados Unidos, se llevaba a cabo el famoso proyecto Manhattan. En ese contexto, ante la
necesidad de predecir el efecto de las armas nucleares, comenzaron a desarrollarse métodos
aproximados que permitieran obtener estimaciones de la dinámica de las explosiones. Per-
1
2 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

siguiendo ese objetivo, en el año 1944 se completó el primer cálculo de CFD de la historia
realizado íntegramente por una computadora, el cual estuvo a cargo del grupo de investiga-
ción liderado por los físicos ganadores del Premio Nóbel Hans Bethe y Richard Feynman
(Behte et al., 1944). Estas simulaciones estaban basadas en una serie de estudios previos
realizados por pioneros del análisis numérico, como Richardson, Courant y Friedrichs, pero
en este caso, todos los cálculos numéricos fueron realizados sin intervención humana. Una
vez finalizada la Segunda Guerra Mundial, el CFD continuó desarrollándose en el Labora-
torio de Los Álamos, en el marco del programa de la bomba de hidrógeno de comienzos de
la Guerra Fría. En esos primeros años marcados por los intereses bélicos, los esquemas nu-
méricos estaban basados en un enfoque lagrangiano (Harlow y Evans, 1955; Harlow, 1957;
Evans y Harlow, 1957), ya que con ese tipo de formulación se lograban mejores resultados
ante la presencia de ondas de choque, mientras que los métodos de enfoque euleriano (es

FT
decir, basados en grillas fijas) fueron adoptados para la simulación de modelos meteoro-
lógicos (Charney et al., 1950; Charney, 1955). La posterior generalización de los métodos
basados en un enfoque local de grilla fija fue posible gracias a los trabajos desarrollados

)
por von Neumann y Richtmyer (1950) y Lax (1954), los cuales permitieron superar los in-

se
convenientes de la captura de las ondas de choque, inaugurando así la era de los códigos
eulerianos que son los más utilizados en la actualidad.

u
Resulta interesante destacar que los primeros códigos de CFD se ejecutaban en una
A
ra
de las pocas computadoras programables que existían en esa época, la célebre ENIAC, la
cual debía su nombre a las siglas del inglés Electronic Numerical Integrator and Computer
(Computador e Integrador Numérico Electrónico). Este colosal aparato, que era totalmente
K
digital y contaba con más de 17000 válvulas electrónicas, tenía una longitud de alrededor
R
de 30 metros y pesaba 27 toneladas. Su capacidad de cálculo era de unos 5000 ciclos por
o

segundo (5 kHz) y contaba con una memoria que le permitía almacenar hasta 20 números
av

de diez cifras con su signo. Su potencia eléctrica era de 160 kilovatios y su programación
podía llevar varios días ya que requería la reconexión de cientos de cables. En la Figura 1.1
se muestra una clásica fotografía de ENIAC.
D
st

El término Dinámica de Fluidos Computacional, con sus respectivas siglas CFD deri-
vadas de su denominación en inglés, no fue introducido sino hasta mediados de la década de
u

1960, y finalmente popularizado luego de la publicación del libro de Roache (1972), quien
utilizó esta designación para el título del texto que se convirtió en un material de referencia
(G

durante muchos años. Los primeros esquemas de CFD estaban basados en el método clásico
de las diferencias finitas, pero formulados con ciertas características especiales para tratar
satisfactoriamente las ecuaciones hiperbólicas, que son el tipo de ecuaciones que gobiernan
muchos de los problemas de Mecánica de los Fluidos. De allí que varios de los conceptos
y definiciones específicos de los esquemas de CFD que desarrollaremos a lo largo de este
texto están basados en formulaciones en diferencias finitas, lo cual justifica el estudio de
dicho método, aunque éste prácticamente ya no se utilice en aplicaciones prácticas. En la
actualidad, la gran mayoría de los códigos de CFD están basados principalmente en los mé-
todos de volúmenes finitos, en mayor medida, y de elementos finitos, en un segundo plano.
Otros métodos menos difundidos suelen ser utilizados en problemas específicos.
La expansión del estudio, desarrollo y aplicación de la Dinámica de Fluidos Compu-
tacional, más allá de los proyectos de interés militar y de los centros de investigación de
1.1 Introducción 3

FT
)
se
Figura 1.1: Fotografía del dispositivo Computador e Integrador Numérico Electró-
nico (ENIAC), la computadora utilzada en las primeras aplicaciones de
Dinámica de Fluidos Computacional en las décadas de 1940 y 1950.

u
A
ra
alto nivel, se produjo a partir de la década de 1970, cuando el acceso a los equipos infor-
máticos comenzó a masificarse. De hecho, es imposible separar el desarrollo del CFD, y de
K
cualquier otra rama de la Ingeniería Asistida por Computadora (CAE por las siglas del in-
R

glés Computer Aided Engineering), del avance de la informática, cuya constante evolución
o

en cuanto a potencia de cálculo y almacenamiento permitió incrementar la complejidad de

av

los métodos numéricos y los modelos matemáticos empleados en las simulaciones, exten-
diendo así el campo de aplicación de los códigos numéricos con resultados cada vez más
D

exactos y confiables. Por aquellos años, aparecieron en escena investigadores de la talla de

st

van Leer, Harten o Roe, y se popularizaron los trabajos de Godunov, lo cual dio lugar a la
introducción de los esquemas no lineales que permitieron superar los problemas que hasta
u

entonces presentaban los esquemas de alto orden (Godunov, 1959; van Leer, 1973, 1974,
1977, 1979; Roe, 1981b; Harten, 1983, entre otros). Estos desarrollos estuvieron orientados
(G

fundamentalmente a la solución de las ecuaciones de Euler, es decir, a la modelación del

flujo no viscoso y compresible. Por otra parte, hacia finales de la década de 1960, Spal-
ding dio nacimiento a la aplicación industrial de la Dinámica de Fluidos Computacional a
partir de la fundación de la Unidad de Dinámica de Fluidos Computacional en el Imperial
College de Londres, desde donde surgieron las bases de los principales esquemas numé-
ricos empleados por los códigos de CFD de propósitos generales actuales. Inicialmente,
la investigación se centró en obtener soluciones numéricas para el flujo de capa límite en
dos dimensiones, proponiendo para ello un esquema basado en el método de volúmenes
finitos (Patankar y Spalding, 1967; Runchal et al., 1969). Sin embargo, este método esta-
ba formulado por medio de la función de corriente por lo que su extensión a flujos en tres
dimensiones no era directa y su generalización a través del potencial vector resultaba de-
masiado compleja. Este problema pudo superarse combinando el esquema de volúmenes
4 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

finitos desarrollado previamente con otras técnicas para resolver la forma primitiva de las
ecuaciones de Navier-Stokes incompresibles, es decir, usando las componentes de la veloci-
dad y la presión como variables, lo cual dio origen el famoso algoritmo SIMPLE (Patankar
y Spalding, 1972) y sus versiones posteriores (Patankar, 1981; Doormal y Raithby, 1984;
Issa, 1986), las cuales inauguraron la era de comercialización de la Dinámica de Fluidos
Computacional. Paralelamente a estos desarrollos, se introdujeron y modificaron múltiples
modelos de turbulencia para mejorar la solución de determinados problemas. Finalmente,
los métodos implícitos comenzaron a cobrar relevancia debido a la necesidad de simular
problemas como la reentrada de objetos a la atmósfera terrestre o la combustión de gases,
donde los efectos de gas real imponen fuertes restricciones numéricas que no permiten la
utilización de métodos explícitos. Todos estos desarrollos sentaron las bases de los méto-
dos numéricos que se emplean actualmente en las simulaciones de Dinámica de Fluidos

FT
Computacional.
Durante los primeros años de expansión del CFD la práctica común consistía en que
cada institución interesada en esta disciplina desarrollara su propio código de simulación,

)
se
implementando las técnicas numéricas que suponían más adecuadas para sus aplicaciones.
Naturalmente, esto restringía el uso del CFD a instituciones de gran nivel científico y tec-
nológico que, además de contar con los recursos humanos y económicos suficientes para

u
encarar estos proyectos, debían disponer del hardware computacional adecuado, que en ese
A
ra
entonces no era accesible. Más adelante en el tiempo, cuando la utilidad de los códigos de
CFD para aplicaciones generales y su factibilidad de implementación a precios razonables
estuvieron comprobadas, surgieron compañías de software que comenzaron a desarrollar
K
códigos comerciales que permitieron que la industria accediera a las simulaciones numé-
R

ricas en el campo de la Dinámica de Fluidos Computacional. Esta posibilidad, sumada a

o

la gran expansión de la tecnología informática, promovió el crecimiento del uso de herra-

av

mientas computacionales no sólo en el campo del CFD, sino también en la mayoría de las
áreas científico-teconológicas, hasta el punto donde la computadora se constituyó como un
D

elemento indispensable de casi todo proyecto de ingeniería. Junto con esta expansión en el
st

uso de la informática, el constante crecimiento de la accesibilidad global a Internet cam-

bió el paradigma del desarrollo de software, dando lugar a los programas colaborativos de
u

licencias gratuitas, más conocido como software libre. Este tipo de distribuciones de soft-
ware permite superar en muchos casos la restricción económica que significa el costo, por
(G

lo general elevado, de las licencias del software comercial en el campo del CFD y otras
disciplinas. Por otro lado, la filosofía del software libre también exige el acceso irrestricto
a los códigos fuente que dan origen al programa, lo cual brinda al usuario la posibilidad de
intervenir en el código de modo de adaptar las características y capacidades del mismo a sus
necesidades particulares. Debe tenerse en cuenta que esta tarea no suele ser sencilla y re-
quiere de un gran conocimiento tanto de la arquitectura de programación del software como
de los métodos y técnicas numéricas allí implementados. Sin embargo, esta característica de
código abierto junto con la licencia gratuita son las principales ventajas del uso de software
libre no sólo en el campo de la Dinámica de Fluidos Computacional sino en todo el ámbito
de la informática. Como contrapartida, los programas de acceso libre son generalmente más
difíciles de utilizar y “menos amigables” con el usuario, requiriendo a menudo de conoci-
mientos relativamente avanzados en programación y gestión de software. Además, más allá
1.2 Definiciones, elementos y etapas de una simulación CFD 5

de su buena voluntad, los desarrolladores del software libre usualmente no brindan garan-
tías en cuanto a la utilización y los resultados obtenidos por el código, aunque esto tiene
que ver más con una protección legal que con una falta de calidad de los códigos. Por otro
lado, muchos códigos de acceso libre son diseñados para aplicaciones bastante específicas
o presentan limitadas capacidades para abordar problemas más generales, lo cual muchas
veces desalienta su utilización en el ámbito industrial. Contrariamente, los programas co-
merciales suelen estar acompañados de interfaces de usuario “amigables” que facilitan su
utilización y además suelen ser concebidos como software de propósito general, lo cual sig-
nifica que el código cuenta con numerosos modelos físicos que habilitan la simulación de
una gran cantidad de problemas, aunque esta posibilidad puede estar limitada dependiendo
de los alcances de la licencia de uso. La desventaja de este tipo de software naturalmente
radica en el costo económico de las licencias, que pueden ser del orden de decenas de miles

FT
de dólares anuales. Además, el hecho de ser un código cerrado le confiere la característica
de “caja negra” a la que el usuario no puede acceder, lo cual representa una gran limitación
en muchas aplicaciones académicas donde se necesita intervenir en las fuentes del código.

)
Más allá de esto, hay que tener en cuenta que muchos códigos comerciales se encuentran

se
certificados tanto por el desarrollador como por instituciones externas, de modo que sus
resultados pueden ser utilizados para verificar o validar diseños, lo cual representa una gran

u
ventaja en industrias altamente reguladas como la aeronáutica o la nuclear.
A
ra
Antes de finalizar esta introducción, cabe mencionar que la controversia software li-
bre/software comercial no es propia del campo del CFD, sino que atañe a la informática en
general, a tal punto que han surgido movimientos sociales que promueven el desarrollo y
K
la difusión del software libre a nivel global. Sin entrar en valoraciones ideológicas, desde
R

un punto de vista meramente práctico, aquí sólo diremos que la utilización de uno u otro
o

tipo de software dependerá de los objetivos del proyecto y de los recursos disponibles para
av

su desarrollo, pero los fundamentos de los algoritmos numéricos que proveen la solución
obviamente son independientes del tipo de distribución escogida.
D
st

1.2. Definiciones, elementos y etapas de una simulación CFD

u

Actualmente, la Dinámica de Fluidos Computacional se ha convertido en uno de los tres

(G

métodos básicos de análisis que, junto al análisis teórico y al análisis experimental, permi-
ten un abordaje integral de los proyectos de ingeniería que involucran procesos complejos
de flujo de fluidos. En general, cada uno de estos métodos no se aborda de forma aislada
sino que existe una interacción entre ellos que permite converger al resultado buscado. Por
este motivo, se espera que los usuarios de software de CFD cuenten con una formación
adecuada en cada una de las áreas involucradas. En primer lugar, una experiencia suficiente
en Mecánica de los Fluidos permite construir modelos físicos representativos del proceso
analizado. Por otro lado, un conocimiento apropiado en el campo de los métodos numéricos
aplicados al CFD es necesario para escoger correctamente los esquemas más convenientes
para el problema en estudio. Por último, resulta claro que se debe contar con habilidades
suficientes en informática para utilizar el software, especialmente en los casos donde se
requiere emplear computación de alto desepmeño (HPC por las siglas del inglés High Per-
6 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

Mecánica
de los
Fluidos

D INÁMICA
DE F LUIDOS
C OMPUTACIONAL

Ciencias

FT
Matemática de la
Computación

)
se
Figura 1.2: Esquema de las diferentes disciplinas involucradas en la Dinámica de
Fluidos Computacional.

u
A
ra
K
formance Computing), tal como sucede habitualmente en las simulaciones de CFD. De esta
forma, se hace evidente que la Dinámica de Fluidos Computacional es una materia multidis-
R
o

ciplinaria donde confluyen tres grandes áreas del conocimiento: la Física, la Matemática y
la Informática, cada una de las cuales constituye un pilar fundamental de su desarrollo. Esta
av

vinculación suele pensarse como una estructura de tres patas en la cual, la pérdida de alguna
de ellas, hace colapsar al conjunto, tal como se muestra esquemáticamente en la Figura 1.2.
D
st

En el rango de la mecánica del continuo, la dinámica de un fluido está gobernada por

u

un conjunto de ecuaciones diferenciales en derivadas parciales no lineales cuya solución

analítica no se conoce en la gran mayoría de los casos. Por lo tanto, es necesario recurrir a
(G

técnicas alternativas para analizar problemas que involucran el flujo de fluidos, ya sea para
evaluar y mejorar diseños de ingeniería como para estudiar procesos físicos con objetivos
científicos, predecir el clima o estudiar el impacto ambiental, entre muchas otras aplicacio-
nes. Como hemos mencionado, desde hace algún tiemnpo el CFD se ha constituido como
una herramienta fundamental para llevar a cabo muchas de estas tareas, ya que nos permi-
te obtener resultados aproximados de las ecuaciones de gobierno. Esto se logra por medio
de un proceso que “transforma” el conjunto de ecuaciones diferenciales que representan el
comportamiento de infinitos grados de libertad de un medio continuo, el cual naturalmente
no puede abordarse directamente por la computadora, en un conjunto de ecuaciones alge-
braicas que sí pueden solucionarse por medio de algoritmos computacionales. Para alcanzar
el resultado aproximado, un análisis de CFD suele dividirse en tres etapas esenciales: el
preproceso, el solucionador (o solver) y el postproceso.
1.2 Definiciones, elementos y etapas de una simulación CFD 7

1.2.1. Preproceso

Como en todo análisis que busca cuantificar un proceso físico, el primer paso en un es-
tudio de CFD consiste en construir un modelo matemático y físico del problema. El modelo
matemático lo constituyen las ecuaciones de gobierno formuladas para los fenómenos invo-
lucrados en el proceso, las cuales deben representar la realidad física del caso bajo estudio.
Por ejemplo, si se desea estudiar el flujo de un líquido en un sistema de tuberías, debemos
considerar las ecuaciones del flujo incompresible y no podemos despreciar los efectos de la
viscosidad, mientras que si se busca analizar el flujo que se produce durante la reentrada
atmosférica de un vehículo aeroespacial, se deberán emplear las ecuaciones del flujo com-
presible y habrá que considerar los efectos de gas real debido a las elevadas temperaturas
que se desarrollan por el movimiento, las cuales activan reacciones químicas que modifican

FT
la composición del medio. Resulta claro que si los fenómenos físicos relevantes para el pro-
blema no son debidamente identificados para escoger el modelo matemático adecuado, la
solución numérica obtenida mediante el cálculo de CFD será deficiente independintemente

)
de la calidad del software y de los parámetros que definen la simulación. Por este motivo,

se
es fundamental estudiar cuidadosamente el problema bajo análisis desde un punto de vista
físico antes de avanzar con cualquier instancia de la simulación, especialmente cuando el

u
comoportamiento de los fenómenos involucrados no es tan obvio como en los ejemplos an-
A
teriores, tal como sucede cuando se emplean modelos de turbulencia que no son adecuados
ra
para determinadas características del flujo.
Una vez seleccionado el modelo matemático, el paso siguiente consiste en definir el
K
modelo físico, lo cual no tiene que ver con la identificación de los fenómenos involucra-
R
dos en el problema sino con establecer las características particulares del caso. En primera
o

instancia, esto significa que debemos determinar si se trata de un problema de equilibrio

o de un problema cuyo estado cambia en el tiempo, es decir, si estamos en presencia de
av

un problema estacionario o transitorio. El segundo aspecto concierne a los parámetros que

definen un problema particular, esto es, delimitar el dominio geométrico donde se desarro-
D
st

lla el proceso, identificar las condiciones de contorno que existen sobre el mismo y definir
las propiedades del fluido. Durante estas tareas pueden presentarse situaciones que permiten
u

simplificar fuertemente el problema, las cuales deben aprovecharse siempre que sea posible.
Entre ellas, las más habituales están relacionadas con la configuración geométrica del flujo
(G

ya que, a menudo, pueden aplicarse hipótesis que reducen el dominio geométrico debido a
condiciones de simetría o periodicidad. Una simplificación típica en este sentido es la con-
dición de flujo plano o bidimensional, bajo la cual se asume que el campo de movimiento
se encuentra contenido en un plano que se repite en dirección normal al mismo, de modo
que es posible caracterizar el flujo conociendo solamente lo que sucede en una geometría
de dos dimensiones. De esta forma, se reduce sustancialmente el costo computacional de la
simulación dado que no es necesario resolver una configuración de flujo tridimensional.
En las Figuras 1.3 y 1.4 se muestran dos ejemplos clásicos de problemas de flujo que
luego nos servirán para presentar otras definiciones. La primera de ellas corresponde al flujo
de aire a través de un conducto recto de sección rectangular que puede reducirse a un do-
minio bidimensional. Para este problema, además de las propiedades del fluido (densidad y
viscosidad), conocemos la velocidad y la presión del flujo a la entrada, la presión a la salida,
8 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

FT
)
se
u
A
ra
Figura 1.3: Ejemplo de la definición del dominio físico y del dominio experimental
K
para el flujo dentro de un conducto recto.
R
o

y sabemos que la velocidad en las paredes del conducto es nula debido a la condición de no
av

deslizamiento. Por otra parte, el dominio físico queda fácilmente definido por las paredes
del conducto y por las secciones de entrada y salida. En la Figura 1.4 se muestra el problema
D
st

del flujo de aire a través de dos cilindros paralelos de sección circular y gran longitud que
son sometidos a un flujo de aire. Este problema también admite la reducción a una configu-
u

ración en dos dimensiones pero aquí la definición del dominio físico no es trivial ya que, en
condiciones de flujo externo, no existe una pared sólida que confine el movimiento. Enton-
(G

ces, la delimitación en este caso debe hacerse considerando que los contornos del dominio
deben encontrarse lo suficientemente alejados de los cilindros como para poder asumir que
allí el flujo se encuentra “sin perturbar”, de modo que se conocen sus propiedades (que
son iguales a las del flujo libre). Por otro lado, en las paredes de los cilindros se impone la
condición de no deslizamiento y no penetración del flujo a través de ellas.
Debe notarse que, hasta este punto, no hemos introducido ningún concepto nuevo ya que
la selección del modelo matemático y la definición del modelo físico son partes fundamen-
tales del abordaje “tradicional” de cualquier problema no sólo en Mecánica de los Fluidos
sino en muchas otras ramas de la Física. Es aquí donde los caminos “se separan” y comien-
zan a aparecer las definiciones propias del análisis numérico del problema. La primera de
ellas consiste en la epsecificación del dominio computacional, con lo cual se introducen a
la computadora las características del dominio geométrico. Esto puede ser tan simple como
1.2 Definiciones, elementos y etapas de una simulación CFD 9

FT
)
se
u
A
ra
K
R
o
av
D
st

Figura 1.4: Ejemplo de la definición de del dominio físico y el dominio computacio-

nal para el flujo externo a través de dos cilindros.
u
(G

definir una serie de coordenadas, cuando los dominios son elementales, o puede requerir la
intervención de programas de diseño asistido (CAD) o herramientas específicas del softwa-
re de simulación, cuando las geometrías son complejas. Posteriormente se caracterizan las
condiciones de borde de cada contorno del dominio, se especifican las propiedades físicas
del medio y se procede con la discretización.
La discretización es el proceso mediante el cual se transforma el medio continuo de
infinitos grados de libertad gobernado por ecuaciones diferenciales en un sistema discreto
representado por un conjunto de ecuaciones algebraicas. Las características de la discretiza-
ción dependen del método numérico utilizado para la simulación. En este texto considera-
remos únicamente los métodos numéricos con enfoque euleriano (local), es decir, aquéllos
basados en grillas o mallas que, en principio, permanecen fijas en el espacio. Por lo tanto, la
10 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

generación de la malla o mallado es la etapa del preproceso posterior a la definición del do-
minio computacional en la cual éste se subdivide en pequeñas porciones o simplemente en
puntos para formar una grilla o malla de subvolúmenes o puntos, dependiendo del método
implementado. La solución aproximada del problema se obtiene aplicando las ecuaciones
de gobierno discretizadas sobre cada uno de los elementos de la malla, lo cual genera un
sistema de ecuaciones algebraicas cuya solución es una solución aproximada del problema
original. Dependiendo de las características geométricas del problema, el proceso de malla-
do puede ser una tarea sumamente sencilla o sumamente compleja. El primer caso ocurre
cuando el dominio computacional puede dividirse en un conjunto de subvolúmenes regula-
res o puntos regularmente distribuidos por medio de alguna operatoria matemática simple,
de modo que la posición de cada elemento de la grilla dentro del dominio queda caracteri-
zada a través de una relación funcional sencilla. Evidentemente, esta forma de mallado es

FT
posible cuando la geometría en estudio es simple, como en el caso de un dominio rectangu-
lar que puede discretizarse directamente por pequeños rectángulos con sus lados paralelos a
las paredes del dominio. Este tipo de mallas se conocen como mallas estructuradas ya que

)
el patrón de mallado responde a una estructura fija definida por alguna relación matemá-

se
tica. El caso más sencillo de las mallas estructuradas corresponde a las mallas cartesianas
en dominios rectangulares que se subdividen en pequeños rectángulos de igual tamaño o

u
en una distribución de puntos igualmente espaciados. Un ejemplo de esta configuración se
A
muestra en el panel superior de la Figura 1.5, el cual representa la discretización espacial
ra
del problema del flujo de aire a través del conducto de la Figura 1.3.
En presencia de geometrías complejas, la discretización por medio de mallas estructura-
K
das ya no es trivial y deben considerarse otras alternativas que permitan subdividir los domi-
R

nios no regulares. Una opción directa consiste en implementar una subdivisión “arbitraria”
o

que no se encuentre atada a ningún patrón matemático, de modo que pueda reproducir de
av

forma adecuada la geometría del problema. Esto significa que la posición de los diferentes
puntos que conforman la grilla no puede establecerse mediante formulaciones matemáti-
cas, por lo tanto, el programa de CFD debe almacenar las coordenadas de todos los puntos
D
st

que definen la grilla junto con sus conectividades (es decir, la forma en que se vinculan
los puntos de la grilla) para poder construir la malla. De manera opuesta al caso anterior,
u

las mallas de este tipo se conocen como mallas no estructuradas ya que, justamente, no
existe un patrón fijo que permita definir su estructura. La generación de mallas no estruc-
(G

turadas puede ser una tarea muy compleja que insume mucho tiempo ya que es el analista
quien debe establecer la estrategia de mallado en las regiones donde la geometría presenta
complicaciones. Para este trabajo, existen herramientas específicas que permiten definir las
propiedades de la malla en diferentes regiones del dominio. En muchos casos, los códigos
de CFD no disponen de estas herramientas y la discretización se hace por fuera del software
de simulación, utilizando programas independientes que son desarrollados para la genera-
ción de mallas. Estos programas permiten construir la malla ya sea mediante una interfaz
gráfica o por medio de líneas de código. Una vez finalizada la malla, ésta se exporta hacia
el software de CFD en un formato compatible, cuidando siempre que el mallado presente
una calidad adecuada, lo cual significa que los elementos de la subdivisión deben satisfacer
ciertos requisitos en cuanto a su forma para garantizar la posterior calidad de la solución.
En el panel inferior de la Figura 1.5 se muestra una malla no estructurada de triángulos
1.2 Definiciones, elementos y etapas de una simulación CFD 11

FT
)
se
Figura 1.5: Ejemplo de una malla estructurada (arriba) y una malla no estructurada
(abajo) correspondientes a los dominios de las Figuras 1.3 y 1.4.

u
A
ra
generada para el problema del flujo externo a través de dos cilindros que presentamos ante-
riormente. Allí vemos que la irregularidad de la malla hace posible conformar la superficie
K
de los cilindros sin que se produzca un facetado excesivo de los cuerpos, lo cual sí sucedería
R
si se utilizara una malla estructurada de rectángulos.
o

Una característica muy importante tanto del mallado estructurado como no estructurado
av

es su resolución. Esta propiedad hace referencia a la cantidad de subdivisiones emplea-

das en la discretización del dominio. Una resolución baja significa que el dominio ha sido
D

subdividido utilizando pocos puntos, de modo que la distancia entre ellos es relativamente
st

grande en comparación con las dimensiones características de la geometría. Contrariamen-

te, una resolución alta significa que se han distribuido una gran cantidad de puntos para
u

discretizar el dominio por lo que la distancia entre ellos es pequeña en relación a las dimen-
siones características del problema. Naturalmente, se espera que una discretización con una
(G

malla de resolución alta presente mejores resultados que una con resolución baja, pero el
hecho de incluir más puntos en la grilla implica un mayor costo computacional dado que
debe resolverse una mayor cantidad de ecuaciones. Este aspecto es particularmente impor-
tante en las simulaciones de CFD, por ello, debe prestarse especial atención a la hora de
generar las mallas buscando asegurar la calidad de los resultados sin penalizar excesiva-
mente el costo computacional. En ese sentido, hay que tener en cuenta que una malla muy
refinada (es decir, de alta resolución) no garantiza la calidad del resultado ya que el refi-
namiento por sí mismo no mejora la solución si no se hace con el criterio adecuado. Por
ejemplo, incrementar fuertemente la resolución en todo el dominio penaliza inútilmente el
costo computacional ya que el efecto del refinamiento en la exactitud de la solución se ma-
nifiesta en las regiones donde se producen gradientes importantes, por lo tanto, es sólo en
esas regiones en donde debemos colocar mayor número de elementos de la grilla.
12 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

Dependiendo de los objetivos del software, los códigos de CFD son programados para
trabajar con uno o más tipos de mallas, entendiendo como “tipo de malla” a las característi-
cas que definen la discretización espacial del dominio físico. Así es que pueden encontrarse
códigos que admiten únicamente mallas estructuradas en dominios de formas simples, de
modo que el proceso de mallado se efectúa directamente a partir de la definición de una
serie de parámetros que determinan los límites del dominio y las características de la malla.
Obviamente, la utilidad de estos códigos queda restringida a los problemas cuyos domi-
nios físicos pueden modelarse por medio de esas formas simples. En el caso de las mallas
no estructuradas las opciones crecen dado que existen múltiples formas por medio de las
cuales puede discretizarse un dominio espacial. De esta manera es que podemos encontrar
códigos que admiten mallas de un solo tipo de elemento, por ejemplo, mallas de cuadriláte-
ros o triángulos en problemas bidimensionales, o códigos que admiten mallas híbridas, que

FT
son aquellas que están conformadas por diferentes tipos de elementos. Además de esto, los
códigos pueden presentar capacidades especiales referidas al mallado, como el denominado
refinamiento adaptativo, que es la “habilidad” del software para refinar automáticamente la

)
grilla en las regiones donde se detectan gradientes importantes a medida que se desarrolla

se
la solución (capacidad AMR por las siglas del inglés adpative mesh refinement).

u
1.2.2. Solución (solver)
A
ra
Una vez generada la malla, el paso siguiente consiste en construir el sistema de ecua-
ciones algebraicas y resolverlo para obtener la solución aproximada del problema continuo.
K
Para realizar esta tarea, primeramente se deben inicializar las variables, lo cual significa
R
que deben asignarse valores a las propiedades del flujo en cada componente de la discreti-
o

zación del dominio físico. Dependiendo del método numérico, estas componentes pueden
av

ser subvolúmenes de control, nodos o elementos de volumen, y en cada una de ellas se en-
cuentran definidas las variables discretas que representan las propiedades del flujo y son las
incógnitas del problema.
D
st

Si el problema a resolver es un problema transitorio, es decir que su solución cambia a lo

largo del tiempo, las condiciones iniciales son conocidas y la inicialización de las variables
u

consiste en asignar dichas condiciones iniciales a las componentes de la discretización. Por

otra parte, si el problema es estacionario, la distribución de las variables en el dominio ob-
(G

viamente no se conoce y la inicialización se hace imponiendo valores tentativos para luego

aplicar el proceso iterativo que calcula la solución. Los valores tentativos de inicialización
deben guardar alguna relación con el resultado esperado, de lo contrario, el código no podrá
alcanzar la convergencia a la solución buscada.
La inicialización de las variables en la malla todavía forma parte del preproceso de la
simulación mientras que la etapa de solución es en donde finalmente se enmarca el código
de CFD o solver propiamente dicho. El solver es quien utiliza la información del proble-
ma recabada durante el preproceso y concentrada en la malla para construir un sistema de
ecuaciones algebraicas cuya solución es una aproximación de la solución del modelo físi-
co regido por las ecuaciones diferenciales de gobierno. Para llevar a cabo este proceso, en
general deben definirse numerosos aspectos. En primer lugar, debe escogerse el método nu-
mérico empleado para discretizar el problema. Luego, para cada método particular suelen
1.2 Definiciones, elementos y etapas de una simulación CFD 13

existir diferentes opciones que también deben ser fijadas, como por ejemplo la técnica de
interpolación de las variables o los métodos de integración temporal. Son estos aspectos
los que estudiaremos a lo largo del libro con el objetivo de conocer y comprender los fun-
damentos de los métodos numéricos aplicados a la Dinámica de Fluidos Computacional.
Dependiendo del método utilizado, también puede ser necesario escoger el método iterativo
de solución del sistema lineal, esto es, el método empleado para resolver el sistema de ecua-
ciones algebraicas resultante de la discretización. Cabe aclarar que no debe confundirse al
método numérico propiamente dicho, el cual permite discretizar las ecuaciones de la Diná-
mica de los Fluidos que gobiernan el problema, con el solver iterativo, que es un método
para resolver sistemas del Álgebra Lineal. Por lo general, los códigos de CFD cuentan con
múltiples algoritmos iterativos que pueden ser seleccionados por el usuario, como el méto-
do de multigrilla algebraico (multigrid o AMG) o el método de gradientes conjugados, pero

FT
éstos no tienen que ver con el método numérico que discretiza las ecuaciones de gobierno
del problema.
Desde el punto de vista de la utilización de un software de CFD, se espera que el usuario

)
conozca los fundamentos de los métodos numéricos implicados en la simulación de modo

se
de ser capaz de especificar criteriosamente cada uno de los parámetros de la simulación en
función al tipo de problema analizado y de identificar la fuente de posibles inconvenientes

u
que pueden surgir durante la simulación. Además, un buen conocimiento acerca de la física
A
ra
del problema y del desempeño de los métodos numéricos empleados le permitirá evaluar
la calidad de los resultados. Por otro lado, en general no se requiere de su intervención en
el solver, especialmente cuando se utilizan códigos cerrados para resolver problemas de
K
ingeniería.
R
o

1.2.3. Postproceso
av

La tarea de postproceso en una simulación de CFD concierne a todo lo relacionado con

la presentación y el procesamiento de los resultados. Para esta tarea, existen múltiples pro-
D
st

gramas que se desarrollaron específicamente para tal fin, los cuales a menudo se encuentran
incorporados a la ventana principal de los códigos comerciales, desde donde se realizan
u

todas las etapas de la simulación. Para los demás casos, es necesario que el solver provea
los resultados en un formato adecuado que el programa de visualización y análisis de datos
(G

pueda reconocer para procesarlo correctamente.

La presentación y el análsis de resultados puede hacerse de múltiples formas. Segu-
ramente es conocida la gran calidad de presentación de resultados que suelen exhibir las
simulaciones computacionales, ya sea por medio de gráficos de colores, animaciones, cam-
pos vectoriales o líneas de corriente de gran impacto visual. Sin embargo, la calidad de la
visualización de ningún modo garantiza la calidad de la solución, la cual puede ser pobre
o deficiente independientemente del tipo de postproceso empleado. Por ello, es fundamen-
tal tener en cuenta que más allá de la calidad visual de la presentación, lo más importante
del análisis son los resultados propiamente dichos, es decir, los valores numéricos obteni-
dos para cada campo de variables. Es trabajo del analista de CFD discernir acerca de la
consistencia, calidad y confiabilidad de esos resultados.
La forma clásica de presentar resultados en Dinámica de Fluidos Computacional es a
14 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

FT
)
se
u
A
ra
K
R
o
av
D

Figura 1.6: Ejemplos de gráficos de colores para presentar los resultados de los pro-
st

blemas de flujo de las Figuras 1.3 y 1.4.

u

través de mapas o gráficos de colores que muestran la distribución de una propiedad del flujo
(G

por medio de una escala de colores, utilizándose generalmente la gama de los azules para
los valores mínimos y la gama de los rojos para los valores máximos. En ocasiones, para
facilitar su impresión en papel, la escala de colores se reemplaza por una escala de grises en
la cual los tonos más oscuros corresponden a los valores mínimos y los claros a los máximos.
En la Figura 1.6 se muestran dos ejemplos de gráficos de este tipo correspondientes a los
resultados del problema de flujo interno a través del conducto de sección rectangular y
del problema de flujo externo alrededor de dos cilindros que presentamos en las figuras
anteriores.
Otros tipos de gráficos muy útiles para el análisis son simples gráficos cartesianos, los
cuales muestran la variación de una variable sobre una determinada región, como por ejem-
plo el perfil de velocidades en una posición del conducto o la distribución del coeficiente
de presión sobre la superficie de un cilindro. Por otro lado, los gráficos de distribución de
1.3 Aplicaciones de la Dinámica de Fluidos Computacional 15

campos vectoriales o de líneas de corriente son de gran ayuda para analizar cualitativamente
los resultados.

1.3. Aplicaciones de la Dinámica de Fluidos Computacional

Como hemos mencionado al comienzo de este capítulo, las aplicaciones de la Dinámica
de Fluidos Computacional son tan diversas como los problemas que involucran el flujo de
fluidos. A partir de ello se abre un panorama que abarca áreas tan disímiles como la ingenie-
ría aplicada en diferentes ramas de la industria y la astrofísica, pasando por la meteorología
y la ciencia del deporte. De esta manera, el CFD se constituye como una herramienta tan-
to para el desarrollo como para la investigación. En el primer caso, se destaca su extensa

FT
utilización en numerosas instancias de los desarrollos de ingeniería, como el diseño de pro-
ductos industriales, la evaluación de procesos productivos, el estudio del impacto ambiental
o el cálculo de cargas debidas al flujo, entre muchas otras. Por el otro lado, sus aplicacio-

)
nes en el campo de las ciencias básicas permiten evaluar teorías, validar modelos físicos o

se
diseñar experimentos.

u
1.3.1. Herramienta de diseño
A
ra
Gracias al continuo incremento del poder de cálculo y almacenamiento de las compu-
tadoras y a su fácil acceso, el CFD se ha constituido como una herramienta indispensable
en muchas ramas del diseño tanto de productos como de procesos.
K
Seguramente que el vínculo más directo del CFD con el diseño se asocia a la industria
R

aeroespacial, particularmente, al análisis aerodinámico de aeronaves. De hecho, como des-

o

tacan desde una de las compañías de producción de aviones comerciales más grande del
av

mundo, “el uso efectivo del CFD es un ingrediente clave en el diseño exitoso de aviones
comerciales modernos, a tal punto que su aplicación ha revolucionado el proceso de diseño
D

aerodinámico de grandes aviones de transporte” (Johnson et al., 2003). Sin embargo, la in-
st

jerencia del CFD en la industria aeroespacial va mucho más allá que la determinación de la
fuerza de sustentación y de resistencia aerodinámica de un avión, ya que su aplicación se ha
u

vuelto ineludible en muchas otras aplicaciones. Por ejemplo, en el campo eminentemente

aeronáutico su uso permite evaluar el desempeño de muchos de los sistemas que componen
(G

el avión. Este aspecto se pone de manifiesto al analizar la evolución de los motores de avia-
ción, los cuales han multiplicado su eficiencia y reducido sus ciclos de diseño a partir de
la implementación de códigos de CFD cada vez más sofisticados. Por otro lado, el uso del
CFD en la industria espacial es fundamental en el diseño de motores de cohetes, el cálculo
de la carga térmica en diferentes dispositivos, el guiado y control de vehículos aeroespacia-
les, etc. En este punto, es interesante destacar que muchos autores consideran que la primera
aplicación práctica de la Dinámica de Fluidos Computacional se dio en el marco de la ca-
rrera espacial de las décadas de 1950 y 1960, con la implementación de técnicas numéricas
para resolver el problema del flujo alrededor de una cápsula en un reingreso atmosférico
(Moretti y Abbett, 1966).
Otra industria donde el CFD ha cobrado vital importancia es la industria automotriz.
Esto se debe a la creciente imposición de requisitos cada vez más exigentes para los nue-
16 Capítulo 1. Aspectos Generales de la Dinámica de Fluidos Computacional

vos diseños, tanto desde el punto de vista del desempeño dinámico como de su impacto
en el medioambiente. Por este motivo, se hizo imperioso mejorar el comportamiento aero-
dinámico de los automóviles de modo de reducir el consumo de combustible a la vez que
se mejoran sus prestaciones. Es allí donde la Dinámica de Fluidos Computacional marca
una fuerte presencia ya que permite optimizar los diseños de forma relativamente rápida y
económica evitando la necesidad de construir numerosos modelos para ensayar en túneles
de viento. Pero el empleo del CFD en la industria automotriz no sólo se reduce al cálculo
aerodinámico de los vehículos sino que también se aplica en el diseño de muchos de los
sistemas que componen los automóviles, como diferentes partes del motor o la ventilación.
Por otra parte, muchos procesos de manufactura de esta industria también son diseñados y
evaluados a partir de resultados obtenidos por vía del CFD.
Al igual que la anterior, la ingeniería civil y medioambiental también se vale cada vez

FT
más de los resultados de la Dinámica de Fluidos Computacional. En este caso, las aplicacio-
nes tradicionales tienen que ver con la estimación de las cargas de viento sobre diferentes
estructuras civiles (edificios, puentes, antenas, etc.), pero actualmente su utilización se ha

)
extendido a otros aspectos como el estudio de la dispersión de contaminantes en la atmós-

se
fera, el efecto de catástrofes naturales o la erosión del terreno por la acción del agua.
El campo de la producción de energía tampoco está ajeno al empleo del CFD. Muy por

u
el contario, su uso se encuentra cada vez más extendido tanto en la industria de los hidro-
A
ra
carburos como de la energía nuclear. En el primer caso, los resultados de las simulaciones
numéricas son aprovechados para optimizar el diseño de dferentes dispositivos utilizados en
la extracción y distribución de petróleo, como bombas, válvulas o derivadores. En el segun-
K
do caso, el CFD permite, por ejemplo, modelar el confinamiento del plasma en los reactores
R

nucleares o mejorar los diseños de los procesos de refrigeración, entre muchas otras aplica-
o

ciones. Por otra parte, el gran avance de las energías alternativas de los últimos años también
av

ha impulsado la utilización del CFD en esta industria ya que muchos de los sistemas dise-
ñados para producir energía limpia se valen de procesos que involucran el movimiento de
fluidos. En ese sentido podemos mencionar el desarrollo de grandes generadores eólicos,
D
st

el diseño de turbinas para represas hidroeléctricas o la optimización de los dispositivos que

aprovechan la energía mareomotriz.
u

Antes de finalizar esta sección mencionamos otros campos de aplicación que, aunque
menos populares que los anteriores, también aprovechan las simulaciones numéricas de la
(G

Dinámica de Fluidos Computacional. En la ingeniería biomédica se emplea el CFD pa-

ra modelar diferentes procesos del organismo humano, como el flujo sanguíneo a través
del sistema cardiovascular, con el objetivo de analizar su comportamiento ante distintas
patologías (estenosis y ateromatosis arterial, trombosis) y su interacción con dispositivos
diseñados para su tratamiento. En el campo del deporte de alta competencia también se
ha comenzado a utilizar los resultados de simulaciones numéricas para mejorar diseños,
por ejemplo, de cascos de ciclistas, embarcaciones o inclusive de trajes para nadadores.
Además, los resultados numéricos brindan información acerca del efecto de la postura y
el movimiento de los deportistas en diferentes disciplinas como el atletismo, la natación
o el ciclismo, lo cual ayuda a mejorar su desempeño. Por último, podemos mencionar el
desrrollo de modelos que, basados en las ecuaciones de fenómenos de transporte, permiten
analizar distintos problemas que no están asociados a procesos físicos de flujo de fluidos
1.3 Aplicaciones de la Dinámica de Fluidos Computacional 17

pero que, bajo ciertas circunstancias, pueden abordarse de manera similar. Estos problemas
tienen que ver con el desplazamiento de vehículos en carrteras o la circulación de personas
en áreas de gran concurrencia, los cuales pueden estudiarse numéricamente para optimizar
la red de semáforos o reducir los tiempos de evacuación.

1.3.2. Herramienta de investigación

Anteriormente dijimos que la Dinámica de Fluidos Computacional puede constituirse
como una herramienta de investigación ya que permite modelar fenómenos físicos muy di-
versos de gran interés científico. De esta forma, siendo que el CFD nos da la posibilidad
de realizar experimentos numéricos recreando las condiciones del problema real, podemos
considerar que esta herramienta se comporta de manera similar a un túnel de viento. Sin em-

FT
bargo, a diferencia de lo que sucede con estos elementos, en las simulaciones numéricas no
se presentan limitaciones asociadas a las dimensiones del dominio físico o al cumplimiento
de las condiciones de similitud, sino que las restricciones se generan debido a las hipótesis

)
impuestas en el modelo matemático implementado en el código y a la capacidad de cálculo

se
y almacenamiento del hardware disponible. Finalmente, dentro de sus límites, un código de
CFD se comporta como un gran laboratorio que nos permite analizar problemas de Mecáni-

u
ca de los Fluidos, Aerodinámica, Termodinámica, Astrofísica, Meteorología o Hidrología,
A
entre otras disciplinas, para desarrollar el conocimiento científico a partir de los resultados
ra
obtenidos numéricamente. Los primeros ejemplos de esta metodología de trabajo son los
estudios de las explosiones nucleares llevados a cabo en Estados Unidos entre las décadas
K
de 1940 y 1950 que mencionamos al comienzo de este capítulo, pero obviamente que las
aplicaciones del CFD para el desarrollo de la ciencia se han extendido inmensamente desde
R
o

entonces.
Además de su aplicación directa como herramienta de análisis, la Dinámica de Flui-
av

dos Computacional es, en sí misma, un área de constante estudio y desarrollo científico.

De hecho, la capacidad actual alcanzada por el CFD para modelar problemas tan diversos
D
st

y complejos se debe al trabajo de innumerables investigadores que, a lo largo de los años,

optimizaron los esquemas numéricos para diferentes aplicaciones y extendieron los mode-
los matemáticos para incluir mayor cantidad de procesos físicos. Así lograron mejorar los
u

resultados para llegar al nivel de confiabilidad y exactitud actuales que permite utilizar al
(G

CFD como una herramienta integral de investigación y desarrollo. Lejos de detenerse, el

progreso de la Dinámica de Fludios Computacional se encuentra en plena vigencia.
 D
(G
u R

18
st A
av
o
K
ra
FT
u
se
)
Capítulo 2

Ecuaciones de Gobierno

2.1. Introducción

FT
)
se
Un fluido puede definirse como el estado de la materia cuya estructura molecular no
ofrece resistencia a esfuerzos de corte externos, es decir que un fluido tiene la capacidad de

u
deformarse “indefinidamente” frente a estos esfuerzos o, en otras palabras, tiene la capaci-
A
dad de fluir. Los fluidos comprenden entonces a las sustancias que se encuentran en estado
ra
líquido o gaseoso y, aunque podemos percibir una clara diferencia en la estructura de estos
dos estados de la materia, tanto los líquidos como los gases responden a las mismas leyes de
K
movimiento. Por otro lado, en la mayoría de los casos de interés en ingeniería, los fluidos
R
pueden considerarse como un continuo, lo cual significa que se asume que las características
o

del medio son independientes de la escala. Naturalmente, esta idealización será válida siem-
pre que el dominio considerado contenga un número extremadamente grande de moléculas,
av

de modo que el comportamiento del fluido pueda representarse por medio de propiedades
macroscópicas que promedian los efectos colectivos de los movimientos individuales de las
D
st

moléculas.
El flujo de un fluido es causado por la acción de fuerzas aplicadas externamente, las
u

cuales pueden deberse a diversas causas como diferencias de presión, aceleración gravitato-
ria, tensión de corte, rotaciones o tensión superficial. Estas fuerzas se clasifican en fuerzas
(G

superficiales, tales como las que actúan sobre un cuerpo inmerso en una corriente de aire
que genera una distribución de presiones y de tensiones de corte viscosas sobre su super-
ficie, y fuerzas de masa, que son debidas a la acción de la gravedad o son inducidas por
movimientos acelerados como el de rotación. Aunque los fluidos se comportan de manera
similar bajo la acción de fuerzas, sus propiedades macroscópicas pueden variar notablemen-
te entre ellos. En el estudio del flujo de fluidos, las propiedades más importantes de fluidos
“simples” son la densidad y la viscosidad, mientras que las variables termodinámicas más
importantes, a veces también referidas como propiedades, son la presión y la temperatura.
Otras propiedades, como el número de Prandtl o el calor específico afectan el movimiento
de los fluidos sólo en condiciones particulares, como sucede, por ejemplo, cuando existen
fuertes diferencias de temperatura. Las propiedades del fluido son función de las variables
termodinámicas y la relación entre ellas se determina a través de la mecánica estadística o
19
20 Capítulo 2. Ecuaciones de Gobierno

de la teoría cinética.
La velocidad del flujo es un factor determinante en el comportamiento de un fluido,
especialmente en el caso de un gas (o mezcla de gases). Esto se debe a que este tipo de
fluidos conforman medios compresibles, lo cual implica que la “información” a través de
ellos se “transmite” a una velocidad finita. Cuando decimos “información” nos referimos a
perturbaciones que viajan por el medio en forma de ondas como, por ejemplo, las ondas de
compresión que se transmiten a través del aire y percibimos como sonido. Justamente, es la
velocidad del sonido la velocidad a la cual se transmite la información, y la relación entre
esta velocidad y la velocidad del flujo determina el comportamiento del fluido. El número
de Mach se define como el cociente entre la velocidad del flujo y la velocidad del sonido.
Este parámetro adimensional indica si el intercambio entre la energía cinética del movi-
miento y grados de libertad internos necesita ser considerado en el análisis. En el flujo de

FT
gases con números de Mach pequeños (Ma ≲ 0,3), el fluido puede asumirse como incom-
presible mientras que para relaciones mayores entre la velocidad del flujo y la velocidad del
sonido los efectos de compresibilidad deben ser tenidos en cuenta1 . La condición sónica

)
del flujo se produce cuando Ma = 1, para Ma < 1 decimos que el flujo es subsónico y si

se
Ma > 1 el flujo es supersónico. En este último régimen de flujo puede suceder la apari-
ción de ondas de choque, que son básicamente pequeñísimas regiones del flujo a través de

u
las cuales las propiedades del fluido cambian fuertemente, casi de una manera discontinua
A
cuando consideramos escalas macroscópicas. Un régimen de flujo adicional se define cuan-
ra
do el movimiento se desarrolla a muy elevados números de Mach (Ma ≳ 5) y se conoce
como flujo hipersónico. Bajo esta condición, la compresión puede generar temperaturas lo
K
suficientemente altas como para activar reacciones químicas que producen cambios en la
R
composición del gas (o mezcla de gases), por lo que la suposición de equilibrio químico
o

pierde validez. Un punto muy importante en nuestro estudio es que la diferencia en el com-
av

portamiento de los distintos regímenes de flujo se manifiesta en la naturaleza matemática

de las ecuaciones de gobierno del problema, por lo tanto, los métodos de solución de las
mismas deben ajustarse a cada condición particular.
D
st

Otro parámetro adimensional fundamental en el análisis del flujo de fluidos es el número

de Reynolds. Este parámetro puede entenderse como la relación entre las fuerzas de inercia
u

(dadas por la densidad del fluido y la velocidad del flujo) y las fuerzas viscosas (dadas por
la viscosidad dinámica). Números de Reynolds muy pequeños indican una fuerte prepon-
(G

derancia de los efectos viscosos y la acción de las fuerzas de inercia puede despreciarse. En
este caso, el problema está regido por el balance entre las fuerzas viscosas y las fuerzas de
presión, tal como sucede en los llamados flujos reptantes, los cuales se dan, por ejemplo,
en el movimiento de fluidos extremadamente viscosos como aceites “pesados”, melazas o
pinturas que fluyen a bajas velocidades. Por otro lado, flujos con números de Reynolds de
moderados en adelante implican una mayor relevancia de las fuerzas de inercia y, aunque
los efectos viscosos todavía pueden afectar grandes regiones del campo de movimiento, se
considera que el flujo está mayormente gobernado por la acción de la inercia del movi-
miento. Este tipo de condición es la que suele presentarse en la mayoría de los problemas
1 Es importante notar que la compresibilidad es, en realidad, una propiedad del fluido, más allá de que haga-

mos referencia a flujos incompresibles o compresibles dependiendo del número de Mach, que es una propiedad
del flujo (depende de la velocidad del mismo).
2.2 Introducción 21

abordados por medio de la Dinámica de Fluidos Computacional y, por ello, es la condición

que consideraremos a lo largo de este texto. Dentro de la condición de números de Rey-
nolds moderados en adelante se distinguen dos regímenes de flujo bien diferenciados, cuyo
pasaje de uno a otro se da a través de una transición en donde se combinan características
de ambos. Para flujos de números de Reynolds más bajos, a medida que la velocidad au-
menta los efectos de inercia cobran importancia, pero cada partícula de fluido2 desarrolla
una trayectoria “suave” y el flujo se comporta como si estuviera conformado por capas que
fluyen paralelamente entre sí. Este régimen de flujo se da para números de Reynolds mo-
derados y se conoce como flujo laminar. Por otro lado, conforme el número de Reynolds
crece, comienzan a generarse inestabilidades en el flujo que, eventualmente, producen un
movimiento más aleatorio donde el desplazamiento de las partículas de fluido es una com-
binación debida a una velocidad media (asociada al movimiento principal) y una velocidad

FT
fluctuante (de carácter aleatorio) que sumadas forman la velocidad instantánea del flujo. En
esta condición se dice que el flujo es turbulento. Una de las principales diferencias entre
el flujo laminar y el flujo turbulento radica en la eficiencia del mecanismo de transporte de

)
cantidad de movimiento que se produce en el fluido en dirección normal al flujo principal.

se
Mientras que en flujo laminar esta transferencia se da a nivel molecular siendo, por lo tanto,
poco eficiente, en régimen turbulento la transferencia es a nivel macroscópico (entre par-

u
tículas). Estas diferencias tienen grandes implicancias en el tratamiento matemático de las
A
ecuaciones de gobierno. ra
En muchos problemas de interés práctico, los efectos de la viscosidad son importantes
solamente en las cercanías de las paredes sólidas de los cuerpos. Estas regiones son mu-
K
chas veces pequeñas en relación al dominio físico, por lo que el flujo en la mayor parte
R

del campo de movimiento puede considerarse como no viscoso. Mediante la suposición de

o

un flujo no viscoso pueden lograrse fuertes simplificaciones en el tratamiento del proble-

av

ma obteniéndose, de igual forma, resultados aceptables siempre que las características del
flujo permitan aplicar dicha hipótesis. Por otro lado, cuando sea necesario considerar la
D

viscosidad aquí asumiremos que los fluidos involucrados responden a la ley de viscosidad
st

de Newton, es decir que son fluidos newtonianos, lo cual significa que la relación entre las
tensiones de corte viscosas y la tasa de deformación del fluido es linealmente proporcional.
u

En otras palabras, se asume que el coeficiente de viscosidad dinámica no depende de la tasa

de deformación. Aunque los fluidos no newtonianos están presentes en muchos problemas
(G

de interés en ingeniería, aquí no los consideraremos puesto que un gran número de fluidos
“cotidianos”, como el agua o el aire, responden a la ley de viscosidad de Newton.
Además de la viscosidad, debe tenerse en cuenta que otros procesos físicos también
pueden afectar el flujo de fluidos en ciertos problemas tratados mediante la Dinámica de
Fluidos Computacional. Entre ellos, podemos destacar las diferencias de temperatura que
llevan a procesos de transferencia de calor, las diferencias de densidad que pueden generar
flotación, las variaciones en la concentración de solutos que inducen difusión de materia o
los cambios de fase de las sustancias intervinientes (flujos multifásicos).

2 El concepto de partícula de fluido no debe confundirse con una molécula ya que, en el marco de la hipótesis

del continuo, dentro de la partícula el medio es continuo, de modo que una partícula de fluido contiene un gran
número de moléculas.
22 Capítulo 2. Ecuaciones de Gobierno

2.2. Derivación de las ecuaciones de gobierno

Las ecuaciones fundamentales de la dinámica de los fluidos están basadas en las leyes
universales de conservación de la masa, conservación de la cantidad de movimiento y con-
servación de la energía. El primer principio surge de la suposición de que la masa no puede
ser creada ni destruida, tal como sucede en la gran mayoría de los problemas prácticos. El
segundo principio expresa la Segunda Ley de Newton y el tercer principio no es más que la
Primera Ley de la Termodinámica. La aplicación de las leyes de conservación resulta en la
obtención de un sistema de ecuaciones formado por la ecuación de continuidad, la ecuación
de cantidad de movimiento (o momento) y la ecuación de la energía. Además de estas ecua-
ciones, es necesario establecer relaciones entre las propiedades del fluido y las variables
termodinámicas para cerrar el sistema, siendo el ejemplo más conocido (y utilizado) el de

FT
la ecuación de estado, la cual vincula la densidad, la presión y la temperatura asumiendo
equilibrio termodinámico en el flujo de gases.
Las ecuaciones de gobierno del fluido pueden obtenerse ya sea desde un enfoque feno-

)
menológico o a través de la aplicación de la teoría cinética. En el primer caso se postulan las

se
relaciones entre las tensiones y las tasas de deformación de las partículas fluidas conside-
rando el comportamiento del fluido deducido de estudios experimentales. Así, por ejemplo,

u
se determina la proporcionalidad lineal entre las tensiones y las tasas de deformación en
A
fluidos newtonianos y los coeficientes de transporte se determinan mediante ensayos. Por
ra
otra parte, en el enfoque basado en la teoría cinética, también llamada teoría matemática de
gases no uniformes, las ecuaciones se obtienen con los coeficientes de transporte definidos
K
en términos de ciertas relaciones integrales, las cuales involucran la dinámica de colisión de
R
moléculas. En este caso, la incertidumbre surge del modelado de las fuerzas intermolecula-
o

res que deben ser postuladas para evaluar las integrales de colisión. Es decir que aquí una
incertidumbre matemática toma el lugar de la incertidumbre experimental que se presenta
av

en el enfoque fenomenológico. Naturalmente, más allá del método utilizado, las ecuaciones
de la Dinámica de los Fluidos resultan equivalentes cuando se asumen las mismas condicio-
D
st

nes para su derivación. En nuestro caso, consideraremos el enfoque fenomenológico ya que

resulta más intuitivo para aquéllos interesados en aplicaciones de ingeniería y es el enfoque
u

abordado en la mayoría de los textos de Mecánica de Fluidos.

(G

2.2.1. Definiciones preliminares

Como hemos establecido, la representación macroscópica del fluido es válida siempre
que pueda aplicarse la hipótesis del continuo, esto es, siempre que sea posible ignorar la
estructura molecular de la materia y los movimientos individuales de las moléculas que
la conforman. Esta idealización es válida siempre que tratemos con problemas cuyas di-
mensiones no sean inferiores a ∼ 1 µ m en condiciones “normales” de flujo (presiones y
temperaturas no demasiado bajas). Desde el punto de vista macroscópico, la dinámica de
los fluidos puede encararse de dos maneras diferentes. En la primera de ellas se emplea la
idea de sistema utilizada usualmente en Mecánica de Sólidos o Termodinámica, en la cual
el elemento de estudio tiene una identidad y una masa fija. En el movimiento de los fluidos,
el sistema queda conformodo por el conjunto de partículas involucradas en el proceso y los
2.2 Derivación de las ecuaciones de gobierno 23

principios de conservación deben satisfacerse sobre cada una de ellas. Esto equivale a “se-
guir” individualmente a cada partícula en lo que se conoce como un enfoque sustancial o
lagrangiano. La alternativa a la idea de sistema es el concepto de volumen de control. En es-
te caso, el elemento de estudio está constituido por una región fija3 del espacio definida por
contornos a través de los cuales puede existir tanto flujo de masa como de energía y cantidad
de movimiento. Bajo este enfoque, el análisis se centra en estudiar lo que sucede localmente
dentro del volumen de control y los principios de conservación se manifiestan por medio
de las relaciones que existen entre los balances de flujos a través de los contornos del volu-
men y los cambios de las propiedades del fluido en su interior. Como vemos, el enfoque del
volumen de control es un enfoque local, también llamado euleriano y, dada la naturaleza
del problema del flujo de fluidos, resulta mucho más adecuado para su tratamiento que el
enfoque lagrangiano. De esta manera, las ecuaciones de flujo suelen expresarse bajo la con-

FT
cepción local y las propiedades del flujo se representan por campos (escalares o vectoriales)
que son función de la posición (varían punto a punto) y del tiempo, es decir:

)
ρ = ρ(x, y, z,t),

se
p = p(x, y, z,t),
T = T (x, y, z,t),

u
v = v(x, y, z,t),
A
ra
donde x, y y z son las coordenadas de un sistema de referencia cartesiano y t es el tiempo.
Es importante notar que la definición de propiedades macroscópicas puntuales es posible
K
sólo en el marco de la hipótesis del continuo ya que en cada punto coordenado hay un punto
R

material que contiene una gran cantidad de moléculas.

o

Para la derivación de las ecuaciones de la dinámica del fluido se aplican las leyes de con-
av

servación sobre un pequeño volumen de control de lados δ x, δ y y δ z, tal como se muestra

en la Figura 2.1. El centro del volumen está ubicado en la posición (x, y, z) y una sistemá-
D

tica sucesión de cambios en la masa, la cantidad de movimiento y la energía del fluido se

st

produce dentro del mismo debido al flujo a través de sus contornos y a la acción de posibles
fuentes que podrían existir dentro de éste. Por otro lado, el volumen bajo consideración es
u

tan pequeño que se asume que las propiedades del fluido en sus caras pueden expresarse
(G

con suficiente exactitud por medio de los primeros dos términos de una expansión en serie
de Taylor, de modo que para una variable genérica φ , sus valores en cada una de las caras
del volumen son:
∂φ δx
φ (x ∓ 21 δ x, y, z) = φ (x, y, z) ∓ ,
∂x 2
∂φ δy
φ (x, y ∓ 21 δ y, z) = φ (x, y, z) ∓ , (2.1)
∂y 2
∂φ δz
φ (x, y, z ∓ 21 δ z) = φ (x, y, z) ∓ .
∂z 2

3 En principio, asumimos que el volumen de control es fijo aunque sabemos que éste puede cambiar y

moverse bajo ciertas condiciones.

24 Capítulo 2. Ecuaciones de Gobierno

FT
)
se
Figura 2.1: Volumen de control elemental para aplicar las leyes de conservación.

u
A
ra
Si bien el tratamiento local que ofrece el enfoque del volumen de control simplifica
fuertemene el análisis en la mayoría de los problemas de flujo, debe notarse que los prin-
K
cipios de conservación no pueden aplicarse directamente sobre el volumen local ya que los
mismos operan a nivel de sistema, es decir, sobre las partículas de fluido. Esto significa
R

que, aunque escribamos los principios de conservación en términos de variables definidas

o

localmente, debemos considerar los cambios que se dan sobre cada partícula a lo largo de su
av

movimiento. En forma integral, el Teorema de Transporte de Reynolds establece la relación

que existe entre la derivada temporal de una propiedad del sistema con la tasa de cambio de
D

esa propiedad dentro del volumen de control (ver, por ejemplo, White, 2008; Munson et al.,
st

2009). En forma diferencial, esto puede computarse desde un “razonamiento matemático”

entendiendo simplemente que, siendo φ una propiedad específica genérica que depende del
u

tiempo t y de las tres coordenadas espaciales x, y y z, su cambio dφ está dado por:

(G

∂φ ∂φ ∂φ ∂φ
dφ = dt + dx + dy + dz.
∂t ∂x ∂y ∂z
La derivada temporal total de la propiedad φ es entonces:
dφ ∂ φ ∂ φ dx ∂ φ dy ∂ φ dz Dφ
= + + + = , (2.2)
dt ∂t ∂ x dt ∂ y dt ∂ z dt Dt
donde se introduce la notación Dφ /Dt para enfatizar que se trata de la derivada sustancial
de la propiedad φ .
Teniendo en cuenta que las componentes del vector velocidad son
dx dy dz
u= , v= , w= ,
dt dt dt
2.2 Derivación de las ecuaciones de gobierno 25

la derivada sustancial resulta:

Dφ ∂φ ∂φ ∂φ ∂φ
= +u +v +w . (2.3)
Dt ∂t ∂x ∂y ∂z
Introduciendo la definición del operador de diferenciación
∂ ∂ ∂
 
∇= , , , (2.4)
∂x ∂y ∂z
la derivada sustancial queda escrita en su clásica forma compacta:
Dφ ∂φ
= + v · ∇φ , (2.5)
Dt ∂t

FT
donde el primer término recibe el nombre de derivada local ya que expresa el cambio de la
propiedad φ en el volumen de control y el segundo término es la llamada derivada convec-
tiva dado que está asociada al cambio local que se produce por el movimiento del fluido.

)
se
2.2.2. Ecuación de continuidad
La ecuación de continuidad expresa el principio de conservación de la masa y puede

u
obtenerse fácilmente por medio de un análisis local al considerar el balance que debe existir
A
ra
entre el flujo de masa a través de las caras del volumen elemental y la tasa de cambio en la
masa del fluido dentro del mismo. Considerando que la gemoetría del volumen no varía en
K
el tiempo, la tasa de cambio de la masa ρ δ xδ yδ z dentro de él está dada por el cambio de
densidad en su interior, esto es:
R
o

∂ ∂ρ
(ρ δ xδ yδ z) = δ xδ yδ z, (2.6)
av

∂t ∂t
ya que asumimos que el volumen elemental permanece fijo y no existe destrucción ni crea-
D

ción de materia dentro de él.

st

Para determinar el flujo a través de las paredes del volumen sabemos que el caudal
másico en cada cara es igual al producto de la densidad del fuido por la velocidad normal
u

a la cara por el área de la misma. Entonces, aplicando la expansión en serie de Taylor (2.1)
(G

para los productos ρu, ρv y ρw en cada cara, el flujo neto a través del volumen resulta:
∂ (ρu) δ x ∂ (ρu) δ x
   
ρu − δ yδ z − ρu + δ yδ z
∂x 2 ∂x 2
∂ (ρv) δ y ∂ (ρv) δ y
   
+ ρv − δ xδ z − ρv + δ xδ z
∂y 2 ∂y 2
(2.7)
∂ (ρw) δ z ∂ (ρw) δ z
   
+ ρw − δ xδ y − ρw + δ xδ y
∂z 2 ∂z 2
∂ (ρu) ∂ (ρv) ∂ (ρw)
 
=− + + δ xδ yδ z,
∂x ∂y ∂z
donde los flujos entrantes tienen signo positivo, ya que generan un incremento de la masa
dentro del volumen, y los flujos salientes tienen signo negativo, ya que reducen la misma.
26 Capítulo 2. Ecuaciones de Gobierno

Igualando las ecuaciones (2.6) y (2.7) obtenemos la ecuación de coninuidad

∂ ρ ∂ (ρu) ∂ (ρv) ∂ (ρw)
+ + + = 0, (2.8)
∂t ∂x ∂y ∂z
la cual se compacta utilizando el operador de diferenciación, resultando

∂ρ
+ ∇ · (ρv) = 0. (2.9)
∂t

La ecuación (2.9) es la ecuación de continuidad tridimensional para flujo no estacionario

y compresible. El primer término del miembro izquierdo representa la tasa de cambio local
de la densidad (masa en la unidad de volumen) y el segundo describe el flujo de masa

FT
neto a través de los contornos del volumen. Para un fluido incompresible, como lo son los
líquidos en general o como puede asumirse a los gases bajo ciertas condiciones, la densidad
permanece constante y la ecuación de continuidad se reduce a

)
se
∇ · v = 0. (2.10)

u
2.2.3. Ecuación de cantidad de movimiento
A
ra
Como es sabido, la Segunda Ley de Newton (o Ley Fundamental de la Dinámica) esta-
blece que el cambio en la unidad de tiempo de la cantidad de movimiento de un cuerpo es
igual a la sumatoria de las fuerzas aplicadas externamente. En el caso de una partícula de
K
fluido de masa δ m, esto es:
R
o

d dv
(δ mv) = δ m = Fext ,
dt dt
av

ya que la masa de la partícula no cambia.

Esta famosa ecuación, que expresa que la fuerza es igual a la masa por la aceleración,
D
st

debe escribirse teniendo en cuenta que la derivada de v con respecto al tiempo es una deriva-
da sustancial ya que hace referencia a lo que sucede sobre la partícula de fluido. Por lo tanto,
u

siendo δ m = δ Vρ, con δ V el volumen elemental, la implementación de la ecuación (2.5)

para φ = u, v, w resulta en las tres componentes de aceleración (por unidad de volumen) de
(G

la partícula:
Du ∂u
 
ρ =ρ + v · ∇u ,
Dt ∂t
Dv ∂v
 
ρ =ρ + v · ∇v , (2.11)
Dt ∂t
Dw ∂w
 
ρ =ρ + v · ∇w .
Dt ∂t
En forma vectorial estas ecuaciones se reducen a:
Dv ∂v
 
ρ =ρ + v · ∇v . (2.12)
Dt ∂t
2.2 Derivación de las ecuaciones de gobierno 27

Nótese que el gradiente ∇v es un tensor que, al multiplicarse escalarmente por la veloci-

dad, produce un vector cuyas componentes corresponden al segundo término del miembro
derecho de las ecuaciones (2.11).
Las expresiones anteriores, tanto en su forma escalar como vectorial, están escritas en
forma no conservativa, ya que las cantidades presentes en las derivadas son las componentes
de la velocidad, que son variables que no se conservan. En las formulaciones de la Dinámica
de Fluidos Computacional, en general conviene expresar las ecuaciones en términos de las
variables que sí se conservan, para lo cual, es necesario reemplazar las componentes de
la velocidad u, v y w en las derivadas por las componentes de la cantidad de movimiento
ρu, ρv y ρw (por unidad de volumen). Para realizar esta transformación se observa que, de
acuerdo a la ecuación de continuidad, para una variable genérica específica (es decir, por
unidad de masa) φ , se cumple

Dφ ∂φ

FT ∂ (ρφ )
 
ρ =ρ + v · ∇φ = + ∇ · (ρφ v) . (2.13)
Dt ∂t ∂t

)
se
De esta forma, siendo u, v y w las componentes de cantidad de movimiento por unidad de
masa, la forma conservativa de las ecuaciones (2.11) es:

u
Du ∂ (ρu)
A
ρ = + ∇ · (ρuv) , ra
Dt ∂t
Dv ∂ (ρv)
ρ = + ∇ · (ρvv) , (2.14)
∂t
K
Dt
Dw ∂ (ρw)
ρ + ∇ · (ρwv) ,
R
=
Dt ∂t
o

y en forma vectorial:
av

Dv ∂ (ρv)
D

ρ = + ∇ · (ρvv) , (2.15)
st

Dt ∂t
donde el producto vv produce un tensor, de modo que el término ∇ · (ρvv) no es una simple
u

divergencia, sino que genera un vector cuyas componentes corresponden al segundo término
(G

del miembro derecho de las ecuaciones (2.14).

Tanto la forma conservativa como la forma no conservativa de la tasa de cambio de una
cantidad física pueden emplearse para expresar el principio de conservación asociado a la
misma. La forma conservativa es la que se utiliza normalmente en la aplicación del Método
de Volúmenes Finitos en Dinámica de Fluidos Computacional, ya que dicha formulación se
basa en los principios de conservación y el problema se resuelve en términos de variables
conservativas.

El paso siguiente para escribir las ecuaciones de cantidad de movimiento es determinar

las fuerzas que actúan sobre la partícula, las cuales se clasifican de la siguiente manera:

Las fuerzas superficiales son las que actúan por contacto y están comprendidas por
fuerzas de presión y fuerzas de rozamiento debidas a la viscosidad del fluido.
28 Capítulo 2. Ecuaciones de Gobierno

FT
)
se
Figura 2.2: Vista de las componentes del tensor de tensiones en un elemento de volu-
men.

u
A
ra
Las fuerzas de masa son las que actúan “a distancia” y están asociadas a la acelera-
ción de la gravedad y a movimientos acelerados, como pueden ser la fuerza centrípeta
o la fuerza de Coriolis.
K
Además, en caso de que las partículas de fluido se encuentren cargadas eléctricamente,
R

existen también fuerzas electromagnéticas que, al igual que las fuerzas de masa, actúan a
o

distancia sobre la partícula. Aunque estos efectos son mandatorios en el análisis del flujo de
av

plasmas, por el momento no los consideraremos en nuestro estudio.

En general, es conveniente expresar los efectos de las fuerzas de masa en la ecuación
D

de cantidad de movimiento en forma de un término fuente Sm . La terminología “término

st

fuente” se utiliza de manera genérica para referirse a cantidades que se adicionan (o sustraen
en el caso de ser negativas) a la propiedad conservativa en cuestión, pero que no se deben
u

a la acción del movimiento del fluido o de sus propiedades. Por otro lado, las fuerzas de
(G

superficie establecen el estado de tensión de la partícula, el cual se escribe en términos de la

presión y de las nueve componentes de tensión viscosa mostradas en la Figura 2.2. Nótese
que, de acuerdo a la nomenclatura más difundida, la componente τi j indica que la tensión
actúa en dirección i sobre la cara normal a la dirección j (con i, j = x, y, z), tal como se
indica en la figura.
Utilizando la expansión en serie de Taylor dada en (2.1), podemos escribir la suma de las
fuerzas superficiales que actúan sobre el elemento de fluido. Para el caso de la componente
x, la fuerza actuante sobre las caras normales a esa dirección es:
∂ p δx ∂ τxx δ x
   
p− − τxx − δ yδ z
∂x 2 ∂x 2
(2.16)
∂ p δx ∂ τxx δ x ∂ p ∂ τxx
      
+ − p+ + τxx + δ yδ z = − + δ xδ yδ z.
∂x 2 ∂x 2 ∂x ∂x
2.2 Derivación de las ecuaciones de gobierno 29

Para las caras normales a y que actúan en dirección x tenemos

∂ τyx δ y ∂ τyx δ y ∂ τyx

   
− τyx − δ xδ z + τyx + δ xδ z = δ xδ yδ z, (2.17)
∂y 2 ∂y 2 ∂y

y para las caras normales a z

∂ τzx δ z ∂ τzx δ z ∂ τzx

   
− τzx − δ xδ y + τzx + δ xδ y = δ xδ yδ z. (2.18)
∂z 2 ∂y 2 ∂z

Finalmente, la fuerza total por unidad de volumen sobre el fluido en la dirección de la

coordenada x es la suma de estas últimas tres fuerzas dividida por el volumen δ xδ yδ z:

FT
∂ p ∂ τxx ∂ τyx ∂ τzx
− + + + . (2.19)
∂x ∂x ∂y ∂z

)
Designando a Sm,x como la componente del término fuente debido a las fuerzas de

se
masa en la dirección x, la ecuación de cantidad de movimiento para esa componente es,
simplemente, la igualdad entre la aceleración por unidad de volumen de la partícula y la
fuerza total que actúa sobre ella en dirección x sumada al término fuente correspondiente:

u
A
ρ
Du
Dt
=−
∂ p ∂ τxx ∂ τyx ∂ τzx
∂x
+
∂x
+
∂y
+
∂z
+ Sm,x .
ra (2.20)
K
Con un análisis similar se obtienen las ecuaciones de cantidad de movimiento en la
R

componente y
o
av

Dv ∂ p ∂ τxy ∂ τyy ∂ τzy

ρ =− + + + + Sm,y . (2.21)
Dt ∂y ∂x ∂y ∂z
D
st

y en la componente z
u

Dw ∂ p ∂ τxz ∂ τyz ∂ τzz

ρ =− + + + + Sm,z . (2.22)
Dt ∂z ∂x ∂y ∂z
(G

En forma vectorial, la ecuación de cantidad de moviminto se escribe haciendo uso del

operador ∇ y teniendo en cuenta que las tensiones τi j son las componentes del tensor de
tensión
 
τxx τxy τxz
τ =  τyx τyy τyz  , (2.23)
τzx τzy τzz

por lo tanto:

Dv
ρ = −∇p + ∇ · τ + Sm , (2.24)
Dt
30 Capítulo 2. Ecuaciones de Gobierno

donde Sm es un vector cuyas componentes son los términos fuente asociados a las fuerzas
de masa para cada dirección. En el caso de la acción de la gravedad, la fuerza de masa por
unidad de volumen es ρg, siendo g = (gx , gy , gz ) el vector de aceleración de la gravedad,
entonces

Sm,g = ρg, (2.25)

es el término fuente gravitatorio. En general, con el objetivo de simplificar las ecuaciones,

suele escogerse un sistema de referencia alineado con la dirección de la gravedad, de modo
que el aporte del término fuente gravitatorio se produce solamente en una dirección.
La ecuación de cantidad de movimiento angular puede obtenerse con una análisis simi-
lar al anterior, escribiendo para este caso el principio de conservación del momento cinéitco.

FT
Sin embargo, este desarrollo lleva a la conclusión de que no hay ecuación de cantidad de
movimiento angular y se alcanza el conocido resultado que demuestra la simetría del tensor
de tensiones viscosas, es decir (ver, por ejemplo, White, 2008):

)
se
τxy = τyx , τxz = τzx , τyz = τzy .

Esto implica que el tensor de tensiones viscosas sólo tiene seis componentes independientes.

u
A
2.2.4. Ecuación de la energía ra
Como hemos dicho anteriormente, la ecuación de la energía se obtiene considerando el
K
Primer Principio de la Termodinámica, el cual establece que la tasa de cambio en la energía
de una partícula de fluido es igual a la suma de la tasa de calor adicionada a la partícula y
R
o

el trabajo realizado sobre la misma (en la unidad de tiempo). De manera similar al caso de
la ecuación de cantidad de movimiento, la ecuación de la energía se deriva considerando la
av

tasa de incremento de la energía de una partícula de fluido por unidad de volumen, por lo
tanto, siendo E la energía total específica, tenemos que:
D
st

DE ∂E
 
ρ =ρ + v · ∇E . (2.26)
Dt ∂t
u

La variable extensiva (por unidad de volumen) asociada a la energía total específica es

(G

el producto ρE, de modo que la forma conservativa de la ecuación de la energía es:

DE ∂ (ρE)
ρ = + ∇ · (ρEv) . (2.27)
Dt ∂t

Trabajo realizado por las fuerzas de superficie

Como en el análisis del movimiento de los fluidos estamos tratando siempre con tasas o
caudales, el trabajo es en realidad una potencia, ya que se expresa en cantidad de energía en
la unidad de tiempo. Entonces, para este caso, el trabajo realizado por una fuerza es igual al
producto entre la fuerza y la velocidad. Haciendo un análisis similar al que llevamos a ca-
bo para obtener las ecuaciones (2.16) a (2.18), pero premultiplicando por las componentes
de velocidad correspondientes a cada dirección antes de realizar la expansión en serie de
2.2 Derivación de las ecuaciones de gobierno 31

Taylor, el trabajo total realizado en la unidad de tiempo por unidad de volumen sobre la par-
tícula de fluido por todas las fuerzas de superficie está dado por la suma de la contribución
al trabajo en cada componente, dividido por el volumen δ xδ yδ z, es decir:
∂ (up) ∂ (vp) ∂ (wp) ∂ (uτxx ) ∂ (uτyx ) ∂ (uτzx ) ∂ (vτxy ) ∂ (vτyy )
  
− + + + + + + +
∂x ∂y ∂z ∂x ∂y ∂z ∂x ∂y
∂ (vτzy ) ∂ (wτxz ) ∂ (wτyz ) ∂ (wτzz

+ + + + .
∂z ∂x ∂y ∂z
De forma compacta, el aporte al trabajo realizado por las fuerzas de superficie es
Ẇ = −∇ · (pv) + ∇ · v · τT . (2.28)

donde τT denota la traspuesta del tensor de tensiones (2.23).

FT
Flujo de energía debido a la conducción de calor

)
La transferencia de calor (en la unidad de tiempo) neta hacia la partícula de fluido debida

se
a la conducción se obtiene considerando el flujo a través de las caras del volumen, para lo
cual las componentes Qx , Qy y Qz normales a cada cara pueden escribirse utilizando la

u
expansión en serie de Taylor (2.1). Por lo tanto, la componente en dirección x resulta:
A

Qx −
∂ Qx δ x
 
− Qx +
∂ Qx δ x
 ra
δ yδ z = −
∂ Qx
δ xδ yδ z.
∂x 2 ∂x 2 ∂x
K
De manera similar, el flujo de calor para las otras dos componentes es
R

∂ Qy ∂ Qz
o

− δ xδ yδ z, − δ xδ yδ z.
∂y ∂z
av

La tasa de calor total adicionada a la partícula de fluido por unidad de volumen debido
al flujo de calor a través de los contornos es, simplemente, la suma de las expresiones
D
st

anteriores dividida por el volumen δ xδ yδ z:

∂ Qx ∂ Qy ∂ Qz
 
(2.29)
u

Q̇ = − + + = −∇ · Q.
∂x ∂y ∂z
(G

La ley de Fourier de conducción del calor relaciona el flujo de calor con el gradiente
local de temperatura. Siendo Qcond el vector de flujo de calor, sus componentes están dadas
por la siguiente relación
∂T ∂T ∂T
 
Qcond = −k∇T = −k , , , (2.30)
∂x ∂y ∂z
donde k es el coeficiente de conductividad térmica que, en este caso, se asume indepen-
diente de la dirección por lo que la conducción de calor es isótropa, lo cual se cumple en la
mayoría de los problemas de interés de ingeniería.
Teniendo en cuenta la ecuación (2.29), la tasa de adición de calor a la partícula de fluido
debida a la conducción isótropa a través de los contornos del elemento es
Q̇cond = ∇ · (k∇T ) . (2.31)
32 Capítulo 2. Ecuaciones de Gobierno

Evolución de la energía específica total

Normalmente, la energía del fluido que empleamos en las ecuaciones es la energía es-
pecífica total, la cual se define como la suma de la energía interna (o térmica) específica ε
y la energía cinética (mecánica) por unidad de masa 12 (u2 + v2 + w2 ), o sea que
1 2
E =ε+ u + v2 + w2 . (2.32)


2
La energía potencial debida a un campo gravitatorio no se considera parte de la energía
específica de la partícula, sino que el efecto de la gravedad, como de cualquier otra fuente
de energía, se computa adicionando un término fuente SE . De esta forma, la tasa de cambio
de la energía específica total considerando que existe flujo de calor debido a conducción

FT
isótropa es
DE
ρ = −∇ · (pv) + ∇ · τT · v + ∇ · (k∇T ) + SE . (2.33)


Dt

)
se
En presencia de la acción de la gravedad, el término fuente gravitatorio asociado a la
ecuación de la energía es producto del cambio de la energía potencial de la partícula en la
unidad de tiempo producido por el movimiento, el cual es igual a ρg multiplicado por el

u
vector velocidad, es decir:
A
SE,g = ρg · v = Sm,g · v,
ra (2.34)
K
donde se ha considerado la definición de la ecuación (2.25) para escribir el segundo miem-
bro.
R
o
av

Otras formas de la ecuación de la energía

En ocasiones conviene escribir la ecuación de la energía no de la forma “clásica” dada
D

en la expresión (2.33) sino utilizando otras variables del problema, como la temperatura
st

o la entalpía. Para ello, es necesario “extraer” la energía mecánica de la ecuación (2.33)

de modo de obtener una expresión para la evolución de la energía interna, la cual puede
u

vincularse con la temperatura a través de las relaciones termodinámicas.

(G

La porción de la ecuación de la energía debida a la energía cinética puede obtenerse

al multiplicar cada una de las ecuaciones (escalares) de cantidad de movimiento (2.20) a
(2.22), por la componente de velocidad correspondiente y luego sumándolas entre sí. Res-
tando el resultado obtenido a la ecuación (2.33) se obtiene una expresión para la evolución
de la energía interna (específica) (Vesteeg y Malalasekera, 2007):
Dε
ρ = −p∇ · v + (τ · ∇) · v + ∇ · (k∇T ) + Sε . (2.35)
Dt
En el caso particular de flujo incompresible (ρ = cte) se cumple ∇ · v = 0 y la energía
interna es ε = cv T , siendo cv el calor específico a volumen constante. De esta forma, la
ecuación de la energía puede escribirse en términos de la temperatura
DT
ρcv = (τ · ∇) · v + ∇ · (k∇T ) + Sε , (2.36)
Dt
2.3 Relaciones termodinámicas 33

donde se ha asumido que el calor específico es constante.

Para el caso general de flujo compresible, a veces es conveniente expresar la ecuación
de la energía en términos de la entalpía específica (estática) h o de la entalpía específica
total h0 , las cuales se definen como
p
h=ε+ ,
ρ
1 p (2.37)
h0 = h + u2 + v2 + w2 = E + .


2 ρ
Entonces, sustituyendo la última igualdad en la ecuación (2.33) se obtiene una ecuación
para la evolución de la entalpía total

FT
∂ (ρh0 ) ∂p
+ ∇ · (ρh0 v) = + ∇ · v · τT + ∇ · (k∇T ) + Sh . (2.38)


∂t ∂t

)
2.3. Relaciones termodinámicas

se
Las ecuaciones que describen el movimiento de un fluido en tres dimensiones están for-

u
madas por la ecuación de continuidad (2.9), las tres ecuaciones (escalares) de cantidad de
movimiento (2.20), (2.21) y (2.22), y la ecuación de la energía (2.33) o alguna de sus varian-
A
ra
tes. Estas ecuaciones conforman un sistema de cinco ecuaciones diferenciales en derivadas
parciales donde se cuentan, en principio, siete incógnitas: las cuatro variables termodinámi-
K
cas ρ, p, ε y T , y las tres componentes de velocidad u, v y w, además de las componentes del
tensor de tensiones viscosas que deben establecerse mediante alguna relación constitutiva.
R
o

Naturalmente, un problema planteado de esa manera no puede solucionarse ya que exis-

ten más incógnitas que ecuaciones. Sin embargo, asumiendo que el sistema se encuentra en
av

equilibrio termodinámico, pueden establecerse relaciones que vinculan a las variables ter-
modinámicas entre sí. La suposición de equilibrio termodinámico significa que asumimos
D

que la velocidad a la que las propiedades termodinámicas del fluido se ajustan a una deter-
st

minada condición es mucho más rápida que las velocidades del flujo. En otras palabras, se
asume que las propiedades termodinámicas se ajustan instantáneamente a los cambios, por
u

lo que el fluido permanece siempre en equilibrio termodinámico. Esta hipótesis es válida

(G

para la mayoría de los problemas de interés en ingeniería exceptuando, por ejemplo, los
flujos de muy elevada energía donde se producen fuertes ondas de choque.

2.3.1. Ecuación de estado

La condición de equilibrio termodinámico implica que las propiedades termodinámicas
del fluido se encuentran, en todo momento, relacionadas entre sí, por lo tanto, el estado del
sistema puede establecerse conociendo el valor de dos de ellas. Las expresiones que rela-
cionan las variables termodinámicas se conocen como ecuaciones de estado y su aplicación
depende de las condiciones del problema en estudio. Para un gas perfecto (o ideal) se utiliza
la conocida ecuación de estado de los gases ideales:

p = ρRT, (2.39)
34 Capítulo 2. Ecuaciones de Gobierno

donde R es la constante particular del gas. A partir de esta relación, conociendo dos de las
variables termodinámicas es posible determinar la restante.
La ecuación de estado de los gases ideales es válida en múltiples problemas de interés
práctico, como el flujo de gases en diversas condiciones, pero para escenarios particulares
donde se registran elevadas presiones o temperaturas muy bajas, las fuerzas intermolecula-
res se hacen importantes y la idealización de gas perfecto pierde validez. En esos casos, de-
ben utilizarse modelos más complejos que tengan en cuenta estas condiciones. Entre ellos,
se destaca la conocida ecuación de estado de van del Waals

1
 
2
p + aρ − b = RT, (2.40)
ρ
donde a y b son constantes que dependen del tipo de gas.

FT
La ecuación de estado complementa el conjunto de ecuaciones para estudiar el movi-
miento de fluidos compresibles, vinculando la ecuación de la energía con las ecuaciones de
continuidad y de cantidad de movimiento. Este vínculo surge de la posibilidad de variar que

)
tiene la densidad en flujo compresible como resultado de la variación de la presión. Por el

se
contrario, los líquidos en general y los gases en flujos de baja velocidad se comportan como
fluidos incompresibles donde no se registran cambios en la densidad. En esos casos, la den-

u
sidad no es una variable del problema y no existe un vínculo entre la ecuación de la energía
y las ecuaciones de continuidad y de cantidad de movimiento, de modo que el flujo puede
A
ra
resolverse considerando solamente estas dos últimas leyes de conservación, las cuales for-
man un conjunto de cuatro ecuaciones diferenciales cuyas incógnitas son p, u, v y w. La
K
ecuación de la energía deberá tenerse en cuenta cuando el problema involucre transferencia
de calor.
R
o
av

2.3.2. Otras variables y relaciones termodinámicas

Como sabemos, la Primera Ley de la Termodinámica establece que, para un sistema
D

no adiabático, el cambio en la energía interna durante un proceso está dado por el trabajo
st

realizado sobre el sistema y el calor aportado, de forma que

u

dQ = dε + dW = dε + p dV. (2.41)
(G

donde dV es el cambio en el volumen específico.

Por otro lado, la Segunda Ley de la Termodinámica determina que los procesos termodi-
námicos (reales) se producen naturalmente en una sola dirección y no son reversibles. Este
postulado se escribe en términos de la entropía S, la cual no puede disminuir en sistemas
aislados, por lo tanto:
dS
≥ 0,
dt
donde la condición de igualdad corresponde a procesos ideales reversibles. El segundo prin-
cipio relaciona el incremento en la entropía dS de un sistema cerrado con el calor δ Q apor-
tado al mismo y su temperatura
δQ
dS ≥ .
T
2.3 Relaciones termodinámicas 35

Entonces, introduciendo un factor 1/T en la ecuación (2.41), el diferencial anterior se

hace exacto y resulta

T dS = dε + p dV. (2.42)

Considerando ahora la definición (2.37) de la entalpía específica y teniendo en cuenta

que V = 1/ρ, la ecuación (2.42) permite escribir

dh = T dS + V dp. (2.43)

La capacidad calorífica, también llamada calor específico, se define como la relación

entre el calor aportado y el cambio de temperatura del sistema, es decir, c = dQ/ dT . El
proceso puede realizarse manteniendo constante la presión o manteniendo constante el vo-

FT
lumen, dando lugar al calor específico a presión constante c p y al calor específico a volumen
constante cv .

)
Para un proceso a presión constante se cumple dp = 0 y la ecuación (2.41) resulta

se
dQ = dε + d(pV) = dh = T dS, (p = cte),

u
por lo tanto
A
cp =

∂h

=T

∂S

,
ra (2.44)
∂T p ∂T p
K
donde el subíndice () p indica que el proceso es a presión constante. Del mismo modo, de
R

acuerdo a la ecuación (2.41), el calor específico a volumen constante ( dV = 0) es:

o

∂ε ∂S
av

   
cv = =T , (2.45)
∂T V ∂T V
D
st

En problemas donde la hipótesis de gas perfecto es válida y donde además se registran

temperaturas relativamente bajas, tal que no se generan procesos de ionización o recon-
figuración química, es posible asumir que el gas es calóricamente perfecto o politrópico.
u

Esto significa que el gas responde a la ecuación de estado de los gases perfectos y, además,
(G

tanto el calor específico a presión constante como el calor específico a volumen constante
no cambian. Consecuentemente, de acuerdo a la ecuación (2.45), la energía interna es una
función lineal de la temperatura

ε = cv T,

entonces, reemplazando en (2.37) y teniendo en cuenta la ecuación de estado (2.39) resulta

c p = cv + R.

El coeficiente isoentrópico se define como la relación entre los calores específicos

cp
γ= ,
cv
36 Capítulo 2. Ecuaciones de Gobierno

de donde resulta
γR
cp = ,
γ−1
(2.46)
R
cv = .
γ−1
Utilizando estas expresiones junto a la ecuación de estado de los gases ideales, la energía
interna para un gas calóricamente perfecto es
p
ε= . (2.47)
(γ − 1)ρ

FT
El coeficiente isoentrópico γ está relacionado con los grados de libertad de la molécula
del gas. Mediante la utilización de la Teoría Molecular se puede obtener una expresión que
vincula la energía interna específica molecular con la temperatura y, de acuerdo al principio

)
de equipartición de la energía, puede escribirse

se
1
ε̄ = NkB T,
2

u
siendo N el número de grados de libertad de la molécula y kB la constante de Boltzmann.
A
ra
Multiplicando ambos miembros por el número de moléculas (en la unidad de volumen)
dado por
K
ρ
nm = NA kB = ρR,
R

µm
o

donde NA es el número de Avogadro, se obtiene la siguiente expresión para la energía interna

av

(específica)
D

1
st

ε = NRT,
2
por lo tanto
u
(G

∂ε 1
 
cv = = NR,
∂T V 2
N +2
cp = R.
2
De esta forma, el coeficiente isoentrópico resulta
cp N + 2
γ= = . (2.48)
cv N
En gases monoatómicos las moléculas tienen tres grados de libertad traslacionales (N =
3) por lo que γ = 5/3. En gases poliatómicos, como el aire, se adicionan dos grados de
libertad, uno vibracional y otro rotacional (N = 5), con lo cual el coeficiente isoentrópico
es γ = 7/5 = 1,4.
2.4 Ecuaciones de Navier-Stokes 37

Otra propiedad termodinámica fundamental en los gases es la velocidad del sonido, la

cual se define como
s 
∂p
a= .
∂ρ S

Operando sobre la expresión de la entalpía y utilizando la ecuación de estado es posible

obtener una expresión para la velocidad del sonido que es únicamente función de la tempe-
ratura para cada tipo de gas:

p
p r
a = γRT = γ . (2.49)
ρ

FT
Otras propiedades del fluido también están relacionadas a las variables termodinámicas.

)
El coeficiente de conductividad térmica k y de viscosidad dinámica µ pueden determinarse

se
en función de la temperatura a través de la teoría cinética (Pletcher et al., 2013). Por ejemplo,
las ecuaciones de Sutherland para viscosidad y conductividad térmica están dadas por

u
T 3/2
µ = C1
A
, ra
T +C2
(2.50)
T 3/2
k = C3 ,
K
T +C4
R

donde las constantes C1 , C2 , C3 y C4 dependen del gas. Por otro lado, teniendo en cuenta
o

que en la mayoría de los casos el número de Prandtl

av

cpµ
Pr = , (2.51)
k
D
st

es aproximadamente constante para cada gas, este parámetro adimensional suele emplear-
se para determinar el coeficiente k una vez que el coeficiente de viscosidad dinámica es
u

conocido.
(G

2.4. Ecuaciones de Navier-Stokes

Como hemos mencionado, en las ecuaciones de gobierno obtenidas hasta el momento
todavía persisten como incógnitas las componentes del tensor de tensiones viscosas τi j .
La forma “más útil” de las ecuaciones de conservación para el análisis del flujo de fluidos
resulta de introducir un modelo adecuado para determinar las tensiones viscosas teniendo
en cuenta que, para la mayoría de los fluidos, éstas pueden expresarse como funciones de la
tasa de deformación local. En flujos en tres dimensiones, la tasa local de deformación está
compuesta por la tasa de deformación lineal y la tasa de deformación volumétrica.
Asumiendo que el fluido es isótropo, es decir que la respuesta del mismo no depende
de la dirección considerada, se encuentran seis componentes si j independientes de la tasa
38 Capítulo 2. Ecuaciones de Gobierno

de deformación lineal para un total de nueve existentes: tres componentes sii asociadas a las
elongaciones en cada dirección y seis deformaciones de corte siendo si j = s ji :

∂u ∂v ∂w
sxx = , syy = , szz = ,
∂x ∂y ∂z
1 ∂u ∂v
 
sxy = syx = + ,
2 ∂y ∂x
(2.52)
1 ∂u ∂w
 
sxz = szx = + ,
2 ∂z ∂x
1 ∂v ∂w
 
syz = szy = + .
2 ∂z ∂y

FT
Por otro lado, la deformación volumétrica es

∂u ∂v ∂w

)
sxx + syy + szz = + + = ∇ · v. (2.53)
∂x ∂y ∂z

se
En un fluido newtoniano, como lo son los que consideramos en este texto y dentro de los
cuales se encuentran los fluidos más comunes como el agua y el aire, las tensiones viscosas

u
son linealmente proporcionales a las tasas de deformación. En tres dimensiones, la ley de
A
ra
viscosidad de Newton para flujo compresible involucra dos constantes de proporcionalidad:
la viscosidad dinámica µ, que vincula tensiones con deformaciones lineales, y el segundo
K
coeficiente de viscosidad µ ′ , que relaciona tensiones con deformaciones volumétricas. Las
componentes del tensor de tensiones para un fluido newtoniano son:
R
o

∂u
τxx = 2µ + µ ′ ∇ · v,
av

∂x
∂v
τyy = 2µ + µ ′ ∇ · v,
D

∂y
st

∂w
τzz = 2µ + µ ′ ∇ · v,
∂z 
u

∂u ∂v
 (2.54)
τxy = τyx = µ + ,
(G

∂y ∂x
∂u ∂w
 
τxz = τzx = µ + ,
∂z ∂x
∂v ∂w
 
τyz = τzy = µ + .
∂z ∂y

Como vemos en estas relaciones, para flujo incompresible (∇ · v = 0 de acuerdo a la

ecuación de continuidad) la constante µ ′ no entra en juego. Por otro lado, para el flujo
compresible de gases, los coeficientes de viscosidad µ y µ ′ están relacionados a través del
coeficiente de viscosidad volumétrica κ a través de la siguiente expresión

2
κ = µ + µ ′. (2.55)
3
2.4 Ecuaciones de Navier-Stokes 39

En general, el coeficiente κ es muy pequeño en la gran mayoría de los problemas prác-

ticos, exceptuando el estudio de la estructura de ondas de choque y en la atenuación y
absorción de ondas acústicas (Pletcher et al., 2013). Entonces, asumiendo que κ = 0, el
segundo coeficiente de viscosidad es

2
µ ′ = − µ. (2.56)
3

Ésta es la conocida hipótesis de Stokes (Stokes, 1845).

Finalmente, utilizando esta última relación y reemplazando las componentes del tensor
de tensiones viscosas (2.54) en las ecuaciones de cantidad de movimiento (2.20), (2.21) y
(2.22), se obtienen las conocidas ecuaciones de Navier-Stokes:

Du ∂p ∂ 2

FT
∂u ∂v ∂w
  
ρ =− + µ 2 − −
Dt ∂x ∂x 3 ∂x ∂y ∂z

)
(2.57)
∂ ∂u ∂v ∂ ∂u ∂w
     

se
+ µ + + µ + + Sm,x .
∂y ∂y ∂x ∂z ∂z ∂x

u
A
ρ
Dv
=−
∂p ∂ 2
+
 
∂v ∂u ∂w
µ 2 − −
 ra
Dt ∂y ∂y 3 ∂y ∂x ∂z
(2.58)
K
∂ ∂v ∂u ∂ ∂v ∂w
     
+ µ + + µ + + Sm,y .
∂x ∂x ∂y ∂z ∂z ∂y
R
o
av

Dv ∂p ∂ 2 ∂w ∂u ∂v
  
ρ =− + µ 2 − −
Dt ∂y ∂z 3 ∂z ∂x ∂y
D
st

(2.59)
∂ ∂w ∂u ∂ ∂w ∂v
     
+ µ + + µ + + Sm,z .
∂x ∂x ∂z ∂y ∂y ∂z
u
(G

Estas tres ecuaciones escalares pueden reducirse a la siguiente forma vectorial:

Dv h  i 2
ρ = −∇p + ∇ · µ ∇v + (∇v)T − ∇ (µ∇ · v) + Sm . (2.60)
Dt 3

Utilizando el modelo de tensiones viscosas de Newton en la ecuación de la energía (2.33)

resulta la siguiente expresión

DE
ρ = −∇ · (pv) + ∇ · (k∇T ) + Φ + SE . (2.61)
Dt

donde Φ es la llamada función de disipación, la cual contiene la tasa de “pérdida” de energía

debida al proceso de deformación del fluido generada por la viscosidad y es siempre positiva
40 Capítulo 2. Ecuaciones de Gobierno

para la condición µ ′ = −2/3µ. Luego de operar algebraicamente la función de disipación

queda
2
∂v 2 ∂w 2 ∂u ∂v 2 ∂u ∂w 2
"  # "
∂u
     
Φ = 2µ + + +µ + + +
∂x∂y ∂z ∂y ∂x ∂z ∂x
(2.62)
∂v ∂w 2 2 ∂u ∂v ∂w 2
    #
+ + − + + .
∂z ∂y 3 ∂x ∂y ∂z

2.4.1. Casos particulares de las ecuaciones de Navier-Stokes

Las ecuaciones de Navier-Stokes junto con la ecuación de continuidad y la ecuación

FT
de la energía conforman un sistema de ecuaciones diferenciales en derivadas parciales no
lineales y acopladas muy complejo de resolver. De hecho, no existe una solución analíti-

)
ca general del problema y es muy difícil establecer la existencia de soluciones únicas para

se
casos particulares de condiciones de contorno. Sólo en un pequeño número de casos, con-
rrespondientes a flujo totalmente desarrollado en geometrías simples como el flujo en cañe-
rías o el flujo confinado entre dos placas, fue posible obtener soluciones analíticas. Aunque

u
estos problemas son importantes para el estudio de los fundamentos de la Dinámica de los
A
Fluidos, no suelen tener utilidad práctica. ra
Con el objetivo de simplificar las ecuaciones se realizan una serie de hipótesis que pue-
den aplicarse dependiendo del problema en estudio y, aunque aún con ellas no es posible
K
determinar una solución analítica, el esfuerzo para resolverlas numéricamente se reduce
R

notablemente.
o
av

Flujo incompresible
D

La hipótesis de flujo incompresible es una de las simplificaciones más fuertes que pue-
st

den realizarse para reducir la complejidad de las ecuaciones de gobierno del flujo. Esto
permite reducir la cantidad de incógnitas del problema, ya que la densidad se asume cons-
u

tante y la ecuación de la energía queda desacoplada del sistema, el cual se reduce a:

(G

∇ · v = 0, (2.63)
Dv
ρ = −∇p + µ∇2 v + Sm . (2.64)
Dt

Como sabemos, la aplicación de esta hipótesis es válida para el flujo de líquidos, los
cuales son en efecto prácticamente incompresibles, o para el flujo de gases si el número de
Mach máximo en el campo de movimiento no excede a 0,3. Por otro lado, si las diferencias
de temperatura son pequeñas puede asumirse también un flujo isotérmico y la viscosidad
permanece constante. En este punto hay que ser muy cuidadoso ya que la suposición de
viscosidad constante puede resultar muy poco realista en el estudio del flujo de líquidos si
la temperatura es variable dado que, en los líquidos, el coeficiente µ es fuertemente depen-
diente de la temperatura. Sin embargo, desde el punto de vista de la resolución del problema,
2.4 Ecuaciones de Navier-Stokes 41

hay que tener en cuenta que el cambio de la viscosidad con la temperatura crea un acopla-
miento débil entre las ecuaciones de cantidad de movimiento y la energía, por lo que se
pueden resolver secuencialmente en un esquema iterativo.

Flujo no viscoso: Ecuaciones de Euler

En ciertas condiciones es posible asumir que el fluido es no viscoso o ideal, lo cual
permite eliminar de las ecuaciones todos los términos asociados a la viscosidad. Bajo esta
hipótesis, las ecuaciones de Navier-Stokes se reducen a las llamadas ecuaciones de Euler, en
las cuales la ecuación de continuidad permanece sin cambios y las ecuaciones de cantidad
de movimiento y de la energía se reducen al eliminar los términos correspondientes al tensor
de tensiones viscosas:

FT
Dv
ρ = −∇p + Sm ,
Dt (2.65)
DE

)
ρ = −∇ · (pv) + SE ,

se
Dt
donde además hemos supuesto que no existe conducción del calor.
La hipótesis de flujo no viscoso es válida cuando se estudia el flujo alejado de paredes

u
sólidas a altos números de Reynolds. En otras palabras, cuando se considera el campo de
A
ra
movimiento fuera de la capa límite. Las ecuaciones de Euler se utilizan normalmente para
estudiar el flujo compresible a números de Mach elevados. Aunque las ecuaciones de Euler
K
son todavía difíciles de resolver, la solución numérica de éstas es mucho más simple que en
flujo viscoso ya que no es necesario utilizar mallas demasiado densas en las cercanías de
R

paredes sólidas.
o
av

Flujo potencial
D

El modelo de flujo potencial es uno de los modelos más simples de flujo. En este caso
st

se asume que el fluido es no viscoso y que además el campo de velocidades es irrotacional,

es decir:
u

∇ × v = 0. (2.66)
(G

Esta condición implica que puede definirse un potencial de velocidad φ tal que el vector
velocidad queda definido como v = ∇φ . De esta forma, la ecuación de continuidad en flujo
potencial incompresible se reduce a la ecuación de Laplace

∇ · v = ∇ · (∇φ ) = ∇2 φ = 0. (2.67)

Aunque la hipótesis de flujo potencial es muy útil para el estudio analítico de flujos
relativamente simples, las restricciones impuestas por el modelo pueden resultar demasiado
rígidas en los problemas reales. No obstante, es común utilizar métodos potenciales para
resolver el flujo en fases preliminares de diseño dado que éstos permiten obtener resulta-
dos aceptables con un costo computacional mucho menor que las soluciones numéricas de
Dinámica de Fluidos Computacional.
42 Capítulo 2. Ecuaciones de Gobierno

Aproximación de capa límite

Como sabemos, para flujos con números de Reynolds lo suficientemente grandes, a

menudo podemos asumir que los efectos vicosos son importantes solamente dentro de una
delgada región adyacente a las paredes de un cuerpo sólido inmerso en una corriente fluida.
Esta delgada región se conoce como capa límite y, dentro de ella, el flujo tiene una dirección
principal predominante, lo cual permite simplificar considerablemente las ecuaciones de
gobierno. Esta característica de flujo también se presenta en otras situaciones que no tienen
que ver estrictamente con la capa límite, tales como el desarrollo del flujo en canales o
tuberías, chorros, estelas, etc., los cuales se denominan de manera general (incluyendo el
problema de la capa límite) como flujos de capa de corte delgada (thin shear layer).
Bajo la condición de flujo de capa de corte delgada y a través de un análisis de órde-

FT
nes de magnitud (ver, por ejemplo, Pletcher et al., 2013), se deduce que las ecuaciones de
Navier-Stokes pueden simplificarse de la siguiente manera:

)
El transporte de difusión de cantidad de movimiento en la dirección principal del flujo

se
es mucho más pequeña que la convección y puede despreciarse.

La componente de velocidad en la dirección de la corriente principal es mucho más

u
grande que las componentes en las otras direcciones.
A
ra
El gradiente de presión en dirección transversal al flujo principal es mucho más pe-
queño que en dirección paralela.
K
R
Estas condiciones son válidas siempre que el número de Reynolds basado en las propiedades
o

del flujo libre y en la longitud de referencia del problema sea grande, o sea
av

ρ∞V∞ ℓ
Re = ≫ 1. (2.68)
µ∞
D
st

Para el caso de flujo bidimensional, incompresible e isotérmico, donde la dirección

principal es paralela a la coordenada x, las ecuaciones se reducen a:
u
(G

∂u ∂v
+ = 0,
∂x ∂y
(2.69)
∂u ∂u ∂p ∂ 2u
 
ρ u +v =− +µ 2,
∂x ∂y ∂x ∂y

y la ecuación de cantidad de movimiento en dirección normal al flujo principal (en este

caso, paralela a la dirección y) es simplemente

∂p
= 0. (2.70)
∂y

Hay que tener en cuenta que estas ecuaciones son válidas solamente cuando no existe sepa-
ración del flujo.
2.4 Ecuaciones de Navier-Stokes 43

Cuando el flujo no es isotérmico, de modo que la temperatura de la pared sólida Tw

es diferente a la del flujo libre T∞ , debe resolverse también la ecuación de la energía, que
resulta

∂T ∂T k ∂ 2T u ∂ p µ ∂u 2
   
ρ u +v = + + , (2.71)
∂x ∂y c p ∂ y2 c p ∂ x c p ∂ y

donde la relación k/c p es la difusión térmica. En este caso de temperatura no uniforme,

además de la condición Re ≫ 1, debe cumplirse Pr ∼ 1 y Ec ∼ 1 o menor, siendo

T0 − Tw
Ec = (2.72)
Tw − T∞

FT
el número de Eckert, con T0 la temperatura de estancamiento (o temperatura total).
Para completar la formulación matemática deben especificarse las condiciones iniciales

)
y las condiciones de contorno del problema. Esto significa que deben proveerse las distri-

se
buciones iniciales de u y T junto con las condiciones en los contornos, que suelen ser de la
forma

u
u(x, 0) = v(x, 0) = 0,
A
∂T Q(x)
ra
T (x, 0) = Tw ó − = , (2.73)
∂y k
K
y=0
lı́m u(x, y) = uext (x), lı́m T (x, y) = Text (x).
R
y→∞ y→0
o
av

2.4.2. Forma vectorial de las ecuaciones de flujo

D

Muchas veces, para facilitar la aplicación de los métodos numéricos a las ecuaciones del
st

flujo y explicar sus fundamentos, es conveniente expresar estas ecuaciones en una forma
más compacta a través de vectores. La forma conservativa de las ecuaciones de gobierno
u

en tres dimensiones se escribe en términos de un vector de variables conservativas U, tres

vectores de flujo F, G y H asociados a cada coordenada x, y y z, y un vector de términos
(G

fuente S:

∂U ∂F ∂G ∂H
+ + + = S, (2.74)
∂t ∂x ∂y ∂z

donde

ρ
 
 ρu 
ρv (2.75)
 
U= ,
ρw
 
 
ρE
44 Capítulo 2. Ecuaciones de Gobierno

ρu
 
 
ρu2 + p − 2µ ∂∂ ux − 31 ∇ · v
 
 
   
∂v ∂u
ρvu − µ ∂ x + ∂ y  , (2.76)
 
F=
   
ρwu − µ ∂∂ uz + ∂∂wx
 
 
 h      i 
(ρE + p) u − k ∂∂Tx − µ 2u ∂∂ ux − 31 ∇ · v + v ∂∂ xv + ∂∂ uy + w ∂∂ uz + ∂∂wx

ρv
 
 
∂u
+ ∂v

FT
ρuv − µ
 
∂ y ∂ x
 
  
ρv2 + p − 2µ ∂∂ vy − 31 ∇ · v  , (2.77)
 
G=
 

)
 
ρwv − µ ∂∂ vz + ∂∂wy
 

se
 
 h      i 
(ρE + p) v − k ∂∂Ty − µ u ∂∂ xv + ∂∂ uy + 2v ∂∂ vy − 13 ∇ · v + w ∂∂ vz + ∂∂wy

u
A
ρw ra
 
 
ρuw − µ ∂∂ uz + ∂∂wx
 
 
K
   
ρvw − µ ∂∂ vz + ∂∂wy
 
H=

,

R
 
ρw2 + p − 2µ ∂∂wz − 13 ∇ · v
 
o

 
 h      i 
(ρE + p) w − k ∂∂Tz − µ u ∂∂wx + ∂∂ uz + v ∂∂ vz + ∂∂wy + 2w ∂∂wz − 13 ∇ · v
av

(2.78)
D
st

0
 
u

 Sm,x 
(G

(2.79)
 
S=
 Sm,y .

 Sm,z 
SE

La primera fila de la ecuación vectorial (2.74) corresponde a la ecuación de continuidad,

la segunda, tercera y cuarta filas son las ecuaciones de cantidad de movimiento en cada
componente, y la quinta fila es la ecuación de la energía con conducción de calor. Una
ecuación con esta forma se conoce, de manera genérica, como una ley de conservación ya
que expresa la conservación de las variables dependientes que son, justamente, las variables
conservativas del problema. La variación de estas variables dentro de un volumen elemental
es igual al flujo neto a través de sus contornos en cada dirección, dado por las derivadas de
los vectores de flujo, más el aporte de los términos fuente. Este concepto quedará más claro
cuando, a continuación, analicemos la forma integral de las ecuaciones de flujo.
2.4 Ecuaciones de Navier-Stokes 45

2.4.3. Forma integral de las ecuaciones de gobierno

Observando las ecuaciones de Navier-Stokes junto a la ecuación de continuidad y la
ecuación de la energía podemos visualizar algunas similitudes entre ellas. Si consideramos
la forma conservativa de todas las ecuaciones del flujo, vemos que éstas pueden escribirse
para una variable genérica φ de la siguiente manera
∂ (ρφ )
+ ∇ · (ρφ v) = ∇ · (Γ∇φ ) + Sφ , (2.80)
∂t
donde el término fuente Sφ incluye todos los efectos diferentes al término difusivo ∇ ·
(Γ∇φ ). Intercambiando φ por 1, u, v, w o E (o alguna propiedad equivalente como T , ε
o h0 ) y reemplazando Γ por el coeficiente de difusión correspondiente, se recuperan las

FT
ecuaciones de continuidad, cantidad de movimiento en x, y y z y energía, respectivamente.
La ecuación (2.80) recibe el nombre de ecuación de transporte de la propiedad φ , ya que
expresa los múltiples procesos de transporte involucrados en ella. En palabras, la ecuación

)
de transporte muestra que la tasa de cambio de la propiedad φ en el volumen elemental,

se
más el flujo neto de φ a través del mismo, es igual a la tasa de cambio de la variable φ
debida a la difusión más el cambio en φ producido por eventuales fuentes. Para justificar
estas afirmaciones realizamos la integración de la ecuación (2.80) en un volumen de control

u
Vc :
A
ˆ
∂ (ρφ )
ˆ ˆ
ra ˆ
dVc + ∇ · (ρφ v) dVc = ∇ · (Γ∇φ ) dVc + Sφ dVc .
∂t
K
Vc Vc Vc Vc

Las integrales del término convectivo y del término de difusión pueden reescribirse
R
o

como integrales sobre la superficie Sc que delimita el volumen de control utilizando el

teorema de la divergencia de Gauss, el cual establece que la integral de la divergencia de una
av

cantidad vectorial a sobre un volumen es igual a la integral sobre la superficie que conforma
ese volumen del producto escalar entre la cantidad vectorial a y la normal n̂ saliente a la
D
st

superficie, es decir
ˆ ˆ
∇ · a dVc =
u

a · n̂ dSc .
Vc Sc
(G

El producto a · n̂ es la componente de a en dirección normal al elemento de superficie

dSc , por lo tanto, representa el flujo de la cantidad vectorial a en ese punto a través de la
superficie. De esta forma, la integral del miembro derecho de la ecuación anterior repre-
senta físicamente el flujo de a a través de toda la superficie que delimita el volumen de
control. Aplicando entonces el teorema de la divergencia de Gauss a los términos convecti-
vo y difusivo, e intercambiando el orden de derivación e integración en el primer término,
obtenemos:
ˆ  ˆ ˆ ˆ
∂
ρφ dVc + (ρφ v) · n̂ dSc = (Γ∇φ ) · n̂ dSc + Sφ dVc . (2.81)
∂t Vc Sc Sc Vc

Esta expresión “demuestra matemáticamente” lo que postulamos anteriormente. El pro-

ducto (ρφ v) · n̂ es la componente del flujo de la propiedad φ debida al flujo del fluido,
46 Capítulo 2. Ecuaciones de Gobierno

paralela al vector normal saliente n̂, de modo que el segundo término del miembro izquier-
do representa la tasa neta de decrecimiento de la propiedad φ en el volumen de control
debida a la convección. Por otro lado, un flujo difusivo es positivo en la dirección de un
gradiente negativo de la propiedad φ , es decir, paralelo a la dirección −∇φ . Entonces, el
producto (−Γ∇φ ) · n̂ es la componente del flujo de difusión paralela a la normal saliente
n̂, o sea, hacia afuera del volumen. Por lo tanto, el producto (Γ∇φ ) · n̂ puede interpretar-
se como un flujo de difusión positivo en la dirección de una normal entrante −n̂, esto es,
hacia adentro del volumen. De esta forma, el primer término del miembro derecho de la
ecuación (2.81) está asociado al flujo hacia el interior del volumen y representa la tasa neta
de crecimiento de la propiedad φ en el volumen debida a la difusión. El último término del
miembro derecho es simplemente la tasa de crecimiento de φ producida por las fuentes que
existen dentro del volumen de control. Finalmente, con esta discusión queda expuesto que

FT
la ecuación diferencial (2.80) representa la conservación de una propiedad del fluido.
En el caso de flujo estacionario, el término de la derivada local es nulo y la forma
integral de la ecuación de transporte es:

)
se
ˆ ˆ ˆ
(ρφ v) · n̂ dSc = (Γ∇φ ) · n̂ dSc + Sφ dVc . (2.82)
Sc Sc Vc

u
En problemas dependientes del tiempo es necesario además integrar con respecto al
A
ra
tiempo t en un pequeño intervalo ∆t, lo cual lleva a la forma más general de la ecuación
integral de transporte
K
ˆ ˆ ˆ ˆ
∂

ρφ dVc dt +
R
(ρφ v) · n̂ dSc dt
∂t
o

∆t Vc ∆t Sc
ˆ ˆ ˆ ˆ (2.83)
av

= (Γ∇φ ) · n̂ dSc dt + Sφ dVc dt.

∆t Sc ∆t Vc
D
st

La forma integral de las ecuaciones de transporte es el punto de partida del método de

los volúmenes finitos, que es el más utilizado en Dinámica de Fluidos Computacional ya
que satisface “naturalmente” la propiedad de conservación que caracteriza a las ecuaciones
u

de gobierno del flujo.

(G

2.5. Propiedades matemáticas de las ecuaciones de gobierno

Como sabemos, además de los problemas de la Dinámica de los Fluidos, muchos otros
problemas de la naturaleza se modelan a través de ecuaciones diferenciales en derivadas
parciales (PDEs). Por ello, es muy importante conocer y comprender las propiedades y
características matemáticas de este tipo de ecuaciones para poder encarar correctamente
la solución de las mismas y anticipar el comportamiento físico de los procesos que éstas
representan.
A diferencia de las ecuaciones diferenciales ordinarias (ODEs), las PDEs se caractari-
zan por presentar derivadas con respecto a más de una variable independiente. En el caso
particular de las ecuaciones de gobierno del flujo, las variables independientes son el tiempo
2.5 Propiedades matemáticas de las ecuaciones de gobierno 47

t y las tres coordenadas espaciales x, y y z. Por otro lado, para el problema más general, las
variables dependientes son la densidad ρ, las tres componentes de velocidad u, v, y w, y la
energía E (o alguna variable termodinámica equivalente).
Las ecuaciones del flujo conforman un sistema de PDEs acopladas que deben resolverse
simultáneamente. En forma conservativa, para un fluido newtoniano estas ecuaciones son:

∂ρ
+ ∇ · (ρv) = 0, (2.84)
∂t
∂ (ρu) ∂p ∂v 2 ∂
  
+ ∇ · (ρuv) = − + ∇ · µ ∇u + − (µ∇ · v) + Sm,x , (2.85)
∂t ∂x ∂x 3 ∂x
∂ (ρv) ∂p ∂v 2 ∂
  
+ ∇ · (ρvv) = − + ∇ · µ ∇v + − (µ∇ · v) + Sm,y , (2.86)

FT
∂t ∂y ∂y 3 ∂y
∂ (ρw) ∂p ∂v 2 ∂
  
+ ∇ · (ρwv) = − + ∇ · µ ∇w + − (µ∇ · v) + Sm,z , (2.87)
∂t ∂z ∂z 3 ∂z

)
∂ (ρE)

se
+ ∇ · (ρEv) = −∇ · (pv) + ∇ · (k∇T ) + Φ + SE . (2.88)
∂t

u
Como vemos, las ecuaciones del flujo son de segundo orden, ya que la derivada de ma-
A
ra
yor orden que aparece en ellas es de segundo orden, correspondiente a los términos viscosos.
Además, estas ecuaciones son no lineales ya que existen coeficientes en las derivadas que
son funciones no lineales de las variables dependientes o de sus derivadas, como sucede,
K
por ejemplo, en los términos convectivos. Por otro lado, cuando el coeficiente de la deriva-
R

da de mayor orden no es función de las variables dependientes del problema se dice que la
o

ecuación es cuasi-lineal, tal como ocurre con las ecuaciones de Navier-Stokes si µ = cte.
av

Las características matemáticas de las ecuaciones del flujo hacen que sean extremadamente
difíciles (o imposibles) de resolver analíticamente y es por ello que los métodos numéricos
cobran vital importancia para abordar el análisis de problemas prácticos de flujo de fluidos.
D
st

Independientemente del método de solución, las PDEs que gobiernan distintos procesos
físicos pueden clasificarse ya sea desde un punto de vista físico, donde se tiene en cuenta
u

fundamentalmente la forma de la evolución de las variables en el tiempo, o desde un punto

de vista matemático, donde muchas de las características de las soluciones y de los métodos
(G

utilizados para resolverlas dependen fuertemente de la categoría en la cual se encuadran las

PDEs que describen el problema.

2.5.1. Clasificación física

Los problemas de la Física descritos a través de ecuaciones diferenciales pueden clasifi-

carse de acuerdo al compotamiento de las soluciones como problemas de equilibrio, proble-
mas de valores propios o problemas de avance o de propagación. A diferencia de la clasifi-
cación matemática, la clasificación física es muy intuitiva ya que se relaciona directamente
con la naturaleza del problema real. A continuación presentamos una breve descripción de
cada una de las categorías.
48 Capítulo 2. Ecuaciones de Gobierno

Problemas de equilibrio
En términos coloquiales resulta claro que un problema de equilibrio es aquél cuya so-
lución no cambia en el tiempo. Formalmente, esto implica que las PDEs que gobiernan el
problema presentan un dominio de solución cerrado, lo cual significa que el lugar geométri-
co que representa la variación de todas las variables independientes en el proceso permanece
fijo. En el caso del modelado de procesos físicos, como el flujo de fluidos o el estado ten-
sional de un sólido, el dominio de solución en los problemas de equilibrio coincide con el
dominio físico que es, precisamente, el lugar físico de la geometría sobre la que se desarro-
lla el proceso. Por otra parte, en los problemas de equilibrio el tiempo no forma parte del
análisis y las variables dependientes están sujetas a un conjunto de condiciones de contorno
prescritas que, junto a las ecuaciones de gobierno, definen la solución del problema en todo

FT
el dominio físico. En otras palabras, los problemas de equilibrio son problemas de valores
en los contornos (BVPs del inglés boundary value problems) ya que su solución depende
de las condiciones prescritas en los contornos del dominio. Como veremos más adelante,

)
los problemas de valores en los contornos están gobernados por ecuaciones elípticas.

se
Ejemplos de problemas de equilibrio son las distribuciones estacionarias de temperatu-
ra, el flujo incompresible y no viscoso estacionario o la distribución de tensiones en sólidos
sometidos a cargas estáticas. Nótese que, en todos estos casos, el tiempo no forma parte

u
de las variables independientes del problema, sino que éstas comprenden solamente a las
A
ra
coordenadas espaciales cuya variación está limitada por las dimensiones del dominio físico.
Un ejemplo clásico de un problema de equilibrio en Mecánica de los Fluidos es el que
K
surge de la hipótesis de flujo potencial incompresible en dos dimensiones alrededor de un
cilindro (ver Figura 2.3). Como hemos visto anteriormente, este flujo se encuentra descrito
R

por la ecuación de Laplace y la distribución de velocidades alrededor del cilindro está dada
o

por el potencial de velocidad φ , tal que

av

∇2 φ = 0, (2.89)
D
st

siendo v = ∇φ .
Las condiciones de contorno para este problema implican que la velocidad normal a la
u

superficie del cilindro es nula (condición de no penetración), por lo tanto

(G

v · ∇F = 0,

donde F(r, θ ) = 0 es la ecuación de la superficie del cilindro. Además de la condición de no

penetración, debe cumplirse la condición de que el flujo es igual al flujo libre en regiones
del dominio alejadas del cuerpo, esto es

∇φ = v∞ , para (x, y) → ∞.

La solución analítica de este problema se obtiene combinando dos soluciones elementa-

les de la ecuación de Laplace que satisfacen las condiciones de borde. Esto es válido gracias
a la característica de linealidad de la ecuación diferencial, por lo que la combinación lineal
de soluciones es también una solución del problema (es decir, es válido el principio de su-
perposición). En este caso, combinando una solución polinomial para representar el flujo
2.5 Propiedades matemáticas de las ecuaciones de gobierno 49

Figura 2.3: Vista del flujo potencial alrededor de un cilindro bidimensional.

FT
uniforme de la corriente libre con un doblete para satisfacer la condición de contorno de no
penetración en la pared del cuerpo, se obtiene el flujo potencial alrededor del cilindro para

)
una corriente de magnitud V∞ alineada con el eje x (White, 2008, entre otros):

se
K cos θ Kx
φ = V∞ x + = V∞ x + , (2.90)
(x2 + y2 )1/2 x2 + y2

u
A
ra
Debe notarse que, tanto el primer término como el segundo, satisfacen por sí mismos la
ecuación de Laplace. El factor 2πK es la intensidad del doblete que depende de la velocidad
del flujo.
K
R
o

Problemas de valores propios

av

Un problema de valores propios puede considerarse como una extensión de un problema

de equilibrio en el cual la solución existe solamente para algunos valores discretos de un pa-
D

rámetro λi llamado valor propio. En este tipo de problemas las ecuaciones de gobierno son
st

homogéneas y los valores propios surgen al buscar soluciones no triviales de las mismas.
Los ejemplos típicos de problemas de valores propios corresponden a procesos relaciona-
u

dos con la estabilidad de estructuras, resonancia en circuitos eléctricos o algunos problemas

de vibraciones, entre otros. En Mecánica de los Fluidos los problemas de valores propios
(G

pueden presentarse en procesos muy específicos, como la propagación de ondas de grave-

dad sobre la superficie de fluidos homogéneos que se modela con la teoría de onda lineal
pero, en general, este tipo de problemas no suele darse con frecuencia en los fenómenos de
transporte.

Problemas de avance
Los problemas de avance o de propagación son, básicamente, problemas que se com-
portan como procesos transitorios, es decir que las PDEs que los gobiernan presentan un
dominio de solución abierto y están sujetos a un conjunto de condiciones iniciales y con-
diciones de contorno. De esta forma, los problemas de avance son problemas de valores
iniciales y de contorno (IBVPs del inglés initial boundary value problems) que presentan
50 Capítulo 2. Ecuaciones de Gobierno

Figura 2.4: Relación entre la variación temporal de la temperatura y la concavidad de

su distribución en la ecuación de difusión del calor.

FT
una solución que avanza en relación a alguna variable. Matemáticamente, estos problemas

)
están gobernados por ecuaciones parabólicas o ecuaciones hiperbólicas.

se
Los problemas no estacionarios donde la solución cambia instante a instante son pro-
blemas de avance, aunque no todos los problemas de avance (o de propagación) son ne-

u
cesariamente problemas no estacionarios (esta aparente contradicción será explicada más
adelante). Ejemplos de problemas de avance son el flujo no estacionario (viscoso o no vis-
A
ra
coso), la conducción de calor no estacionaria, procesos de vibraciones de sólidos, etc.
El caso de la evolución de la distribución de temperatura sobre un sólido en calenta-
K
miento (o enfriamiento) es un ejemplo clásico de un problema de avance. Este típico proce-
so difusivo se modela por medio de la ecuación de difusión no estacionaria, la cual dice que
R
o

la tasa de cambio de la temperatura en el sólido es directamente proporconal a la concavidad

de su distribución, de modo que los valores extremos y los fuertes gradientes se suavizan
av

para equilibrar la temperatura en todo el dominio. Este efecto se muestra esquemáticamente

en la Figura 2.4.
D
st

Si el sólido analizado es una barra recta de sección uniforme que se encuentra aislada, el
problema puede modelarse asumiendo un dominio unidimensional, con lo cual la ecuación
u

diferencial de gobierno es:

(G

∂T ∂ 2T
=k 2, t ≥ t0 , 0 ≤ x ≤ ℓ. (2.91)
∂t ∂x

donde k > 0 es el coeficiente de conductividad térmica.

Para solucionar este problema debe conocerse la condición inicial, es decir, la distribu-
ción inicial de temperatura sobre el sólido para el instante de tiempo t = t0 (tiempo inicial)
a partir del cual evoluciona la temperatura. Además, deben conocerse las condiciones de
contorno de la barra, que definen la forma en que se comporta la temperatura o el flujo de
calor en los extremos y que también pueden ser dependientes del tiempo. La condición ini-
cial y las condiiciones de contorno conforman las condiciones auxiliares del problema que
deben acompañar a la ecuación de gobierno para poder obtener la solución. Para este caso
2.5 Propiedades matemáticas de las ecuaciones de gobierno 51

particular, considerando una barra de longitud ℓ, éstas son:

T (x,t0 ) = f (x),
∂T
T (0,t) = T̄1 (t) ó −k = Q̄1 (t),
∂x x=0
∂T
T (ℓ,t) = T̄2 (t) ó −k = Q̄2 (t).
∂x x=ℓ

La ecuación diferencial lineal de segundo orden (2.91) tiene solución analítica que pue-
de obtenerse por medio del método de separación de variables y, para t → ∞, la solución
converge a un estado estacionario si las condiciones de contorno no dependen del tiempo.

2.5.2. Clasificación matemática

FT
)
La clasificación matemática de las PDEs depende, básicamente, del tipo de solución

se
que puede presentarse en ellas. En algunos casos, las PDEs admiten soluciones en forma de
ondas que se propagan en ciertas direcciones mientras que en otros la solución depende de
lo que sucede en todo el dominio físico. Poder predecir el comportamiento de la solución

u
de una PDE es fundamental para escoger correctamente el método numérico empleado para
A
ra
su resolución, especialmente en el campo de la Dinámica de Fluidos Computacional, donde
las ecuaciones de gobierno pueden ser de cualquier tipo dependiendo del régimen de flujo
y del problema en estudio.
K
R
o

Curvas características
av

Antes de presentar la clasificación matemática de las PDEs es necesario introducir un

concepto fundamental para el estudio de estas ecuaciones: el concepto de curva caracte-
D

rística. Para ello, comenzamos el estudio analizando una ecuación diferencial en derivadas
st

parciales de primer orden genérica en dos variables independientes x y t:

u

∂φ ∂φ
a(x,t, φ ) + b(x,t, φ ) = c(x,t, φ ), (2.92)
∂t ∂x
(G

la cual está acompañada de una condición inicial de la forma

φ (x, 0) = φ0 (x). (2.93)

En este análisis asumimos de manera general que los coeficientes de la ecuación (2.92)
son funciones continuas de las variables independientes y de la variable dependiente. Para
encarar la solución tomamos una curva general C en el plano x–t que se describe paraméti-
ricamente en términos de τ, tal que:

x = x(τ), t = t(τ),

asumiendo que ambas funciones son continuas y diferenciables.

52 Capítulo 2. Ecuaciones de Gobierno

A lo largo de la curva C la función φ (x,t) se transforma en φ [x(τ),t(τ)], de modo que,

aplicando la regla de la cadena, se obtiene la derivada direccional de φ sobre la curva C:
dφ ∂ φ dt ∂ φ dx
= + . (2.94)
dτ ∂t dτ ∂ x dτ
Comparando el miembro derecho de la ecuación diferencial (2.92) con la derivada di-
reccional de φ sobre la curva C, resulta que para:
dt dx
= a(x,t, φ ), = b(x,t, φ ), (2.95)
dτ dτ
la PDE original puede reemplazarse por una ecuación diferencial ordinaria sobre la curva
C, siendo:
dφ
dτ
= c(x,t, φ ).

FT (2.96)

)
se
La familia de curvas C que resultan de integrar las ecuaciones (2.95), a lo largo de
las cuales se satisface la ecuación diferencial ordinaria (2.96), se conocen como las curvas
características (o, simplemente, las características) de la ecuación diferencial (2.92). Las

u
ecuaciones (2.95) son la forma paramétrica de las ecuaciones características de la PDE, las
A
cuales pueden resolverse independientemente de la solución φ cuando la ecuación diferen-
ra
cial es lineal, ya que los coeficientes a y b son funciones conocidas de x y t solamente. Es
fácil reconocer que las ecuaciones características en forma paramétrica pueden reducirse a
K
una simple ecuación diferencial ordinaria al eliminar el parámetro τ, de forma que la curva
R
característica queda dada por:
o

dx b(x,t, φ )
av

= , (2.97)
dt a(x,t, φ )
D

y la variación de φ a lo largo de cada una de las curvas características de esta familia se

st

obtiene al integrar una ODE en t:

u

dφ c(x,t, φ )
= . (2.98)
dt a(x,t, φ )
(G

Al integrar la ecuación (2.97) se obtiene la familia de curvas características x(t, ξ ),

donde el valor del parámetro ξ define cada curva de la familia (surge como constante de
integración al integrar la ecuación diferencial). La solución particular de la ecuación (2.98)
se determina evaluando qué condición inicial le corresponde al punto de intersección de
cada curva característica con el eje x (t = 0). Esto es, si C0 es la curva característica que
pasa por el punto x(0, ξ ), donde la condición inicial establece que φ [x(0, ξ ), 0] = φ0 [x(0, ξ )],
la solución particular de (2.98) tiene la forma:

φ = φ [φ0 (x(0, ξ )),t] , (2.99)

la cual se escribe en términos de x por medio de la expresión x(t, ξ ) de la curva caracterís-

tica.
2.5 Propiedades matemáticas de las ecuaciones de gobierno 53

FT
Figura 2.5: Esquema de solución de una ecuación diferencial de primer orden me-
diante el método de las características.

)
se
En este texto suponenos que este procedimiento de solución, que se conoce como el
método de las características y que se muestra esquemáticamente en la Figura 2.5, siempre
puede llevarse a cabo de esta manera ya que asumimos que la condición auxiliar de la

u
ecuación diferencial se da en forma de una condición inicial φ (x, 0) = φ0 (x) impuesta sobre
A
ra
el eje x, de modo que las curvas características siempre intersectan este eje y no hay puntos
de tangencia entre ellos. Esto significa que aquí no consideramos el caso general de un
K
problema de Cauchy con una curva de datos dispuesta arbitarariamente en el plano x–t
(para más detalles, ver por ejemplo, Jeffrey, 2003).
R

El objetivo de este análisis es identificar el rol fundamental de las curvas características

o

en la solución de una ecuación diferencial. Como vimos, las curvas características determi-
av

nan el “camino” a lo largo del cual se transmite la información acerca de la solución del
problema. La existencia de estas curvas implica que la solución se propaga en forma de
D

ondas a lo largo de las mismas y su evolución depende solamente de una región reducida
st

del dominio.
Las curvas características son entonces el lugar geométrico del dominio de la solución a
u

lo largo del cual se transmite la información acerca de la solución de la ecuación diferencial.

(G

Para interpretar geométricamente este concepto, consideramos nuevamente la forma gene-

ral (2.92) de una PDE de primer orden en dos variables. La solución de esta ecuación, de
existir, puede expresarse en forma implícita como una superficie de solución F(t, x, φ ) = 0
en el espacio t, x, φ , tal que:

F(t, x, φ ) = φ (x,t) − φ = 0. (2.100)

En cada punto (t, x, φ ) sobre la superficie de solución el vector gradiente dado por
∂F ∂F ∂F ∂φ ∂φ
   
∇F = , , = , , −1 ,
∂t ∂ x ∂ φ ∂t ∂ x
es normal a la superficie F. Por otro lado, nótese que la ecuación diferencial (2.92) puede
expresarse como el producto escalar de un vector (a, b, c) formado por los coeficientes de
54 Capítulo 2. Ecuaciones de Gobierno

FT
Figura 2.6: Esquema de definiciones en la superficie de solución de una PDE lineal

)
de primer orden.

se
la ecuación y el vector gradiente ∇F, siendo:

u
∂φ ∂φ
A
 
(a, b, c) · ,
∂t ∂ x
, −1 = 0. ra
K
Esto muestra que el vector (a, b, c) debe ser tangente a la superficie de solución (2.100) para
que la igualdad se cumpla. De esta manera, la superficie F(t, x, φ ) es una solución de la
R

ecuación diferencial (2.92) si y sólo si el vector (a, b, c), que define la dirección caracterís-
o

tica de la PDE, se encuentra contenido en un plano tangente a la superficie de solución en

av

cada punto (t, x, φ ) donde ∇F ̸= 0 (ver Figura 2.6).

Una curva en el espacio t, x, φ cuya tangente en cada punto (t, x, φ ) coincide con la
D

dirección característica (a, b, c) es, precisamente, una curva característica de la ecuación

st

diferencial. Por lo tanto, las curvas paramétricas t = t(τ), x = x(τ) y φ = φ (τ) son curvas
características de la ecuación (2.92) si:
u
(G

dt dx dφ
 
, , = (a, b, c) .
dτ dτ dτ

Así llegamos al sistema de ecuaciones diferenciales ordinarias que define la familia de

curvas características y la solución del problema. Claramente, sólo dos de estas ecuacio-
nes son independientes, dando lugar al sistema conformado por las ecuaciones (2.97) y
(2.98) que obtuvimos previamente. Cuando la ecuación diferencial es lineal (o semilineal),
la ecuación característica dx/ dt = b/a puede integrarse en forma independiente. Además,
si la ecuación diferencial es de coeficientes constantes, las curvas características son líneas
rectas paralelas entre sí.
La interpretación geométrica que hemos presentado no es propia de las PDEs de primer
orden en dos variables, sino que puede generalizarse a ecuaciones diferenciales de mayor
orden. Sin embargo, la descripción geométrica en esos casos no es simple y resulta difícil
2.5 Propiedades matemáticas de las ecuaciones de gobierno 55

visualizar las definiciones del problema en espacios de dimensión mayor a tres. Por otro la-
do, la interpretación geométrica también se complica cuando las ecuaciones son no lineales
ya que las direcciones normales a las superficies de solución no yacen en un plano sino que
pertenecen a una superficie curva.
De acuerdo a lo anterior, podemos decir entonces que las características de una ecuación
diferencial son líneas, en el caso de problemas de dos variables independientes, o superfi-
cies, cuando las variables independientes son tres. Las características están relacionadas con
la dirección en la cual se transmite la “información” en problemas físicos gobernados por
PDEs y éstas juegan un rol especialmente importante en los problemas de Dinámica de los
Fluidos, donde la información a través del medio “viaja” a una velocidad finita y muchas de
sus soluciones presentan una estructura en forma de onda. Como veremos más adelante, las
ecuaciones diferenciales en derivadas parciales se clasifican matemáticamente de acuerdo

FT
a si el problema presenta o no características reales. Esta clasificación suele generalizar-
se considerando ecuaciones de segundo orden en dos variables independientes, pero puede
extenderse a otro tipo de problemas si se cumplen ciertas condiciones.

)
se
Ecuación de advección lineal

u
Antes de proceder con el análisis de las PDEs de segundo orden, conviene introducir
A
una importante ecuación de primer orden que, a pesar de su sencillez, es muy útil para
ra
evaluar el desempeño de los métodos numéricos y permite clarificar los conceptos vertidos
anteriormente.
K
La ecuación de advección (o convección) lineal es una ecuación de primer orden en dos
variables independientes a coeficientes constantes. En nuestro análisis asociamos a x y a
R
o

t con cantidades físicas, siendo x la coordenada espacial en un dominio unidimensional y

t el tiempo, pero esta interpretación física no es necesaria para el estudio matemático de
av

la ecuación. La ecuación de advección lineal modela la propagación de una onda a una

velocidad constante c0 y está dada por:
D
st

∂φ ∂φ
+ c0 = 0, −∞ < x < ∞, t > 0, (2.101)
∂t ∂x
u

con la condición inicial

(G

φ (x, 0) = φ0 (x). (2.102)

Para determinar la solución de la ecución (2.101) primero obtenemos la solución de la

ecuación característica, la cual puede integrarse directamente ya que la ecuación es lineal.
Entonces, siendo a = 1 y b = c0 de acuerdo a la expresión genérica (2.92), la ecuación
diferencial ordinaria que define la familia de curvas características es:
dx
= c0 , (2.103)
dt
por lo tanto

x = c0t + ξ . (2.104)
56 Capítulo 2. Ecuaciones de Gobierno

Como vemos, las curvas características de la ecuación de advección lineal son líneas
rectas en el plano x–t de pendiente c0 , que es la velocidad de la onda. Esto no debe tomarse
como un comportamiento general de las ecuaciones de advección sino como una conse-
cuencia de que la velocidad de la onda es constante. En problemas donde c0 depende de la
variable φ o de las variables independientes, las líneas características pueden ser rectas de
diferentes pendientes o curvas.
La evolución de la variable φ a lo largo de las líneas características está dada simple-
mente por
dφ
= 0, sobre x = c0t + ξ ,
dt
lo cual indica que la variable φ permanece constante a lo largo de cada línea característica,

FT
es decir

φ = C, sobre x = c0t + ξ ,

)
se
donde C es una constante.
Para establecer el valor de la constante de integración hacemos uso de la condición
inicial. En t = 0 la fucnión φ es igual φ0 (x), entonces, de acuerdo a la solución general

u
anterior tenemos que:
A
φ [x(ξ , 0), 0] = φ0 [x(ξ , 0)] = C,
ra
K
de donde resulta
R
o

C = φ0 (ξ ).
av

Finalmente, siendo ξ = x − c0t, la solución particular de la ecuación de advección lineal

en términos de las variables independientes x y t es:
D
st

φ (x,t) = φ0 (x − c0t). (2.105)

u

Esto significa que, dado que la variable φ no cambia a lo largo de cada recta de la familia
x = c0t + ξ , la solución en un punto (x′ ,t ′ ) es φ (x′ ,t ′ ) = φ0 (x′ − c0t ′ ). De esta manera, la
(G

forma de la solución no cambia para un observador que se mueve a la velocidad de la onda

c0 , quien ve cómo la condición inicial φ0 se propaga a lo largo de la línea característica sin
deformarse. Nuevamente, este comportamiento, el cual se muestra esquemáticamente en la
Figura 2.7, no debe tomarse de manera general ya que el hecho de que la solución no cambie
a lo largo de las líneas características es una consecuencia de que no existen otros términos
no nulos en la ecuación diferencial, pero esto no sucede cuando el miembro derecho es
distinto de cero. En ese caso, la solución puede presentar decaimiento o crecimiento de
la onda con ensanchamiento o estrechamiento de la misma, dependiendo de la forma del
término independiente.
Es importante notar que en la solución de la ecuación de advección lineal no hay nin-
guna restricción en cuanto a la forma de la función φ0 (x) que define la condición inicial del
problema y su posterior solución. La función φ0 puede ser cualquier función en x, continua
2.5 Propiedades matemáticas de las ecuaciones de gobierno 57

FT
Figura 2.7: Esquema de la solución de la ecuación de advección lineal para c0 > 0.

)
se
o no. El hecho de que la función no sea diferenciable (por lo tanto, ∂ φ /∂ x no está definida)
no implica que la ecuación de advección no pueda resolverse ya que, como hemos visto,
la solución se propaga a lo largo de las líneas características donde hay una ecuación dife-

u
rencial ordinaria que define su variación. De esta forma, la ecuación de advección no sólo
A
ra
puede propagar discontinuidades sino que, en el caso no lineal donde la velocidad de la onda
es función de la variable dependiente, las mismas pueden desarrollarse en la solución aun
cuando la condición inicial sea suave. Este aspecto, que es un rasgo distintivo de las ecua-
K
ciones hiperbólicas, será abordado en el Capítulo 6 donde se presentan los fundamentos del
R

análisis numérico del flujo compresible.

o
av

Ecuaciones de segundo orden

D

Continuando con el objetivo de clasificar matemáticamente las ecuaciones diferenciales

st

en derivadas parciales, en esta sección estudiamos las PDEs escalares de segundo orden.
Como dijimos anteriormente, la clasificación matemática de las PDEs suele generalizarse
u

considerando una ecuación genérica de segundo orden cuasilineal con dos variables inde-
(G

pendientes de la forma:

∂ 2φ ∂ 2φ ∂ 2φ ∂φ ∂φ
a + b + c +d +e + f φ = g(x,t), (2.106)
∂t 2 ∂t∂ x ∂x 2 ∂t ∂x

donde los coeficientes a, b, c, d, e y f pueden ser funciones de las variables independientes

x y t, pero no de la variable dependiente φ , ya que la ecuación es lineal.
La clasificación de la PDE depende de la posibilidad de reducir la ecuación diferencial
a su forma canónica por medio de una transformación de coordenadas. Esta transformación
siempre puede llevarse a cabo en el caso de PDEs de segundo orden en dos variables inde-
pendientes pero, para ecuaciones con más variables independientes, la misma en general no
es posible (Myint-U y Debnath, 2007). La designación de los distintos tipos de ecuaciones
diferenciales surge del parecido entre la ecuación diferencial genérica (2.106) y la clásica
58 Capítulo 2. Ecuaciones de Gobierno

ecuación cuadrática que define las cónicas en geometría analítica:

ax2 + bxy + cy2 + dx + ey + f = 0.
Dependiendo del signo del discriminante b2 − 4ac, la ecuación anterior representa una hi-
pérbola cuando b2 − 4ac > 0, una parábola si b2 − 4ac = 0 o una elipse para b2 − 4ac < 0.
Como se muestra en el Apéndice A, la posibilidad de que la ecuación diferencial (2.106)
presente curvas características reales depende de la misma relación dada por el discrimi-
nante de los coeficientes de las derivadas de segundo orden:
para b2 − 4ac > 0 existen dos familias de curvas características (reales) y, análoga-
mente al resultado de las cónicas, se dice que la ecuación diferencial es hiperbólica;
para b2 − 4ac = 0 existe una sola familia de curvas características y se dice que la

FT
ecuación es parabólica;
para b2 − 4ac < 0, la ecuación diferencial no presenta características reales y se dice

)
que la misma es elíptica.

se
A partir de esta designación es que, dependiendo de si presentan curvas características
reales, las ecuaciones diferenciales en general se clasifican como hiperbólicas, parabólicas
o elípticas. De este modo, la ecuación de advección, que es de primer orden, también es

u
una ecuación hiperbólica y es la más sencilla de todas cuando la velocidad de la onda es
A
ra
constante. Es importante remarcar que, más allá de la terminología utilizada para designar a
los diferentes tipos de ecuaciones diferenciales (hiperbólicas, parabólicas o elípticas), estas
K
designaciones no implican ninguna propiedad geométrica de la solución de la PDE.
Las curvas características de la ecuación (2.106) se obtienen a partir de las raíces del
R

polinomio característico formado por los coeficientes a, b y c:

o

aλ 2 − bλ + c = 0. (2.107)
av

donde
D

dx
st

λ= .
dt
Las raíces de (2.107) proveen dos ecuaciones diferenciales ordinarias cuyas soluciones
u

son las curvas características de la ecuación diferencial:

√
(G

dx b + b2 − 4ac
λ+ = = ,
dt √2a (2.108)
dx b − b2 − 4ac
λ− = =
dt 2a
Las curvas x(t) que satisfacen las ecuaciones (2.108) son las características de la ecua-
ción diferencial (2.106). Sobre estas curvas las derivadas segundas no están unívocamente
definidas para valores especificados de φ y de sus derivadas primeras, por lo tanto, pueden
existir discontinuidades en las derivadas de mayor orden. Como dijimos antes, la existencia
de las características (reales) está determinada por el valor del discriminante b2 − 4ac, lo
cual muestra la influencia fundamental de los coeficientes de los términos de mayor orden
de la ecuación diferencial en la naturaleza matemática del problema. Los fundamentos por
los cuales se llega a estos resultados pueden consultarse en el Apéndice A.
2.5 Propiedades matemáticas de las ecuaciones de gobierno 59

Ecuaciones hiperbólicas
De acuerdo a lo establecido anteriormente, una PDE hiperbólica de segundo orden pre-
senta dos familias diferentes de curvas características dadas por las soluciones de las ecua-
ciones diferenciales ordinarias formadas por las raíces de la ecuación (2.107).
Como vimos en el estudio de la ecuación de advección, las ecuaciones hiperbólicas tie-
nen un comportamiento especial asociado al hecho de que la información a través del medio
se transmite a una velocidad finita, la velocidad de la onda. Esta condición diferencia a las
ecuaciones hiperbólicas de las otras dos categorías (parabólicas y elípticas) y, en el caso de
PDEs de segundo orden, el arquetipo de ecuación hiperbólica es la clásica ecuación de on-
das planas unidimensional. Esta ecuación se encuentra en problemas de acústica, elasticidad
o electromagnetismo y está dada por:

∂ 2φ
∂t 2
∂ 2φ
− c20 2 = 0,
∂x

FT (2.109)

)
en combinación con un conjunto adecuado de condiciones auxiliares. El coeficiente c0 es

se
constante y representa la velocidad de la onda.
De acuerdo a la ecuación genérica (2.106), los coeficientes de las derivadas de mayor

u
orden en la ecuación de ondas planas son a = 1, b = 0 y c = −c20 , por lo tanto, las ecuaciones
A
características son: ra
dx dx
= c0 , = −c0 . (2.110)
dt dt
K
Estas ecuaciones se integran directamente para obtener las coordenadas características de la
R
o

forma canónica:
av

ξ = x − c0t, η = x + c0t. (2.111)

D

Por lo tanto, siendo que las curvas características están dadas por ξ (x,t) = cte y η(x,t) =
st

cte, la ecuación de ondas planas presenta líneas características rectas de pendiente ±c0 .
La forma canónica de la ecuación de ondas planas es, naturalmente, la primera forma
u

canónica de la ecuación hiperbólica

(G

∂ 2φ
= 0, (2.112)
∂ξ∂η
la cual se integra directamente para obtener la siguiente solución general

φ = f (ξ ) + g(η) = f (x − c0t) + g(x + c0t). (2.113)

donde f y g son funciones arbitrarias cuya forma queda definida por las condiciones inicia-
les y las condiciones de contorno.
Para un dominio infinito (−∞ < x < ∞), la solución es una combinación de dos ondas,
una con forma dada por la función f moviéndose hacia la derecha con velocidad c0 y la otra
con forma dada por la función g moviéndose hacia la izquierda con velocidad c0 . Nótese
que el primer término de la solución (2.113) es constante sobre las líneas características
60 Capítulo 2. Ecuaciones de Gobierno

x − c0t = ξ y el segundo término es constante sobre la otra familia x + c0t = η. La propiedad

distintiva de las PDEs hiperbólicas se observa en el comportamiento de esta solución. Las
formas particulares de las funciones f y g en la solución general se determinan a partir de
las condiciones iniciales:

φ (x, 0) = φ0 (x) = f (x) + g(x),

∂φ d f (x) dg(x)
= φ1 (x) = −c0 + c0 .
∂t t=0 dx dx

La solución particular de la ecuación (2.109) para estas condiciones iniciales es (ver, por
ejemplo, Whitham, 1999):

FT
φ (x,t) = [φ0 (x − c0t) + φ0 (x + c0t)] +
1
ˆ x+c0 t
φ1 (τ) dτ. (2.114)

)
2 2c0 x−c0 t

se
Esta expresión muestra que la variable φ en un punto (x′ ,t ′ ) del dominio de solución

u
depende solamente de las condiciones iniciales en el intervalo [x′ − c0t ′ , x′ + c0t ′ ] o, dicho
A
de otro modo, la solución en (x′ ,t ′ ) es independiente de las condiciones iniciales fuera de
ra
ese intervalo. En la Figura 2.8 se muestra esquemáticamente esta situación. Las líneas ca-
racterísticas x ± c0t = cte que pasan por el punto (x′ ,t ′ ) intersectan el eje t = 0 en los puntos
K
x = x′ ∓ c0t ′ , respectivamente. La región del plano x–t encerrada por esas dos características
y el eje t = 0 es el dominio de dependencia de φ en el punto (x′ ,t ′ ). Esto significa que,
R
o

de acuerdo a la ecuación (2.114), la solución en ese punto está influenciada solamente por
eventos dados dentro del dominio de dependencia y no se ve afectada por lo que sucede
av

fuera del mismo. Físicamente, esto se debe a la velocidad de propagación limitada (igual
a la velocidad de onda c0 ) de las influencias mutuas a través del dominio de solución. Por
D
st

otro lado, los cambios producidos en el punto (x′ ,t ′ ) influirán sobre la solución en tiempos
posteriores dentro de una zona de influencia dada por la región delimitada por las curvas ca-
u

racterísticas que pasan por el punto (x′ ,t ′ ) y t ′ < t < ∞. El comportamiento de la solución de
la ecuación de ondas planas es análogo al de la solución (2.105) de la ecuación de advección
(G

lineal aunque, en ese caso, el dominio de dependencia y la zona de influencia se reducen a

la propia línea característica por debajo y por encima del tiempo t ′ , respectivamente.
En el caso de las ecuaciones de Dinámica de los Fluidos, el flujo no estacionario de
fluidos no viscosos exhibe un comportamiento esencialmente hiperbólico. Esto implica que
las ecuaciones de Euler son hiperbólicas y, dado su carácter no lineal, cuando existen ve-
locidades cercanas o superiores a la velocidad del sonido pueden desarrollarse ondas de
choque que se propagan en la solución. Estas discontinuidades ponen de manifiesto el ca-
rácter hiperbólico del problema ya que las mismas pueden persistir en la solución sólo bajo
la cualidad de hiperbolicidad del sistema. De esta forma, los métodos numéricos desarrolla-
dos para modelar estos flujos deben, por un lado, tener en cuenta la condición de un dominio
de dependencia limitado de la solución y, por el otro, modelar posibles discontinuidades en
el interior del dominio sin producir una difusión excesiva.
2.5 Propiedades matemáticas de las ecuaciones de gobierno 61

FT
Figura 2.8: Esquema del dominio de dependencia y de la zona de influencia de la
solución de la ecuación de la onda plana con velocidad de propagación
c0 .

)
se
Ecuaciones parabólicas
De acuerdo al análisis realizado sobre la ecuación genérica (2.106), una PDE de segundo

u
orden es parabólica cuando los coeficientes de las derivadas segundas producen
A
b2 − 4ac = 0,
ra
K
por lo que estas ecuaciones presentan una sola familia de características dada por la ecuación
R

diferencial ordinaria
o

dx b
av

= .
dt 2a
D

Las ecuaciones parabólicas describen problemas dependientes del tiempo que involu-
st

cran cantidades significativas de difusión. Algunos ejemplos están dados por el flujo vis-
coso no estacionario o la conducción de calor no estacionaria. El prototipo de ecuación
u

parabólica es la ecuación de difusión unidimensional en un dominio finito:

(G

∂φ ∂ 2φ
− α 2 = 0, 0 ≤ x ≤ ℓ, t > 0. (2.115)
∂t ∂x
que, como vimos, está sujeta a una condición inicial de la forma φ (x, 0) = φ0 (x) y a condi-
ciones de contorno que establecen el valor de φ o de su derivada en los extremos x = 0 y
x = ℓ.
Para obtener las curvas características de la ecuación de difusión unidimensional es
necesario intercambiar los coeficientes a y c de la ecuación genérica (2.106) con respecto a
la ecuación de difusión, de modo de evitar la indeterminación en la ecuación característica,
la cual queda escrita como:

dt 0
= = 0.
dx 2α
62 Capítulo 2. Ecuaciones de Gobierno

Figura 2.9: Esquema del dominio de dependencia y de la zona de influencia de la

FT
solución del problema parabólico (2.115).

)
La solución de esta ODE es, simplemente, t = cte, por lo tanto, las curvas características

se
son rectas paralelas al eje x.
La solución de la ecuación de difusión suele determinarse por medio del método de
separación de variables y, para condiciones de contorno de la forma φ (0,t) = φ (ℓ,t) = 0,

u
que fijan el valor de la variable en los extremos, ésta es:
A
∞  nπx    nπx 2 
ra
φ (x,t) = ∑ Bn sin exp −α t , (2.116)
ℓ ℓ
K
n=1
con
R

ˆ
o

ℓ
2  nπx 
Bn = φ0 (x) sin dx, n = 1, 2, 3, . . . ,
av

ℓ 0 ℓ
siendo φ0 (x) la condición inicial.
D

Esta solución muestra que la evolución de la variable φ en un punto x′ dado depende de

st

lo que sucede en todo el dominio físico 0 ≤ x ≤ ℓ, es decir que el dominio de dependencia

de las ecuaciones parabólicas no presenta los límites de los problemas hiperbólicos. Del
u

mismo modo, la zona de influencia tampoco se ve reducida, por lo tanto, una perturbación
(G

producida en el interior del dominio físico en el tiempo t ′ genera alteraciones sobre todo el
dominio (físico) en los tiempos posteriores (t > t ′ ). En otras palabras, la solución avanza
“hacia adelante” en el tiempo, “se difunde” en el espacio y la acción de la difusión asegura
que estas soluciones sean siempre suaves en el interior del dominio físico, aun cuando las
condiciones iniciales contengan discontinuidades. En la Figura 2.9 se muestra esquemáti-
camente esta idea. Allí vemos que el dominio de dependencia en el plano x–t está formado
por todos los puntos del dominio de solución tales que t < t ′ y la zona de influencia por
t > t ′ . En los problemas parabólicos el estado estacionario se alcanza para t → ∞.

Ecuaciones elípticas
Como ya hemos mencionado, las ecuaciones diferenciales elípticas no presentan carac-
terísticas reales ya que los coeficientes de la PDE no permiten obtener una solución real de
2.5 Propiedades matemáticas de las ecuaciones de gobierno 63

las ecuaciones características (2.108). De acuerdo a la ecuación diferencial genérica (2.106),

en una ecuación diferencial elíptica se cumple

b2 − 4ac < 0.

Como mencionamos en la Sección 2.5.1, las ecuaciones elípticas representan problemas

de equilibrio donde la solución se obtiene especificando las condiciones de contorno de la
variable dependiente o de sus derivadas. Una importante característica de los problemas
elípticos es que una perturbación en el interior del dominio, como por ejemplo un cambio
en la temperatura en algún punto de un sólido en equilibrio térmico, produce variaciones
de la solución en todo el dominio. De esta forma, las soluciones de los problemas elípticos
son siempre suaves aun cuando las condiciones de contorno sean discontinuas. Esto acarrea

FT
una gran ventaja para el desarrollo de métodos numéricos en este tipo de problemas, ya
que la información se propaga en todas direcciones y las técnicas numéricas deben permitir
que los eventos en cada punto influyan sobre todos los puntos vecinos lo cual, en general,

)
no es difícil de conseguir. Dicho de manera formal, el dominio de dependencia y la zona

se
de influencia de todos los puntos del dominio de solución en los problemas elípticos están
formados, precisamente, por todo el dominio de solución.

u
El modelo clásico de una ecuación diferencial elíptica es la ecuación de Laplace que,
A
para un dominio Ω en dos dimensiones, es una ecuación diferencial de segundo orden a
ra
coeficientes constantes:
K
∂ 2φ ∂ 2φ
∇2 φ = + 2 = 0, x, y ∈ Ω, (2.117)
∂ x2 ∂y
R
o

cuya solución está sujeta a las condiciones de contorno del problema.

av

2.5.3. Sistemas de ecuaciones diferenciales en derivadas parciales

D
st

En la sección anterior analizamos las propiedades matemáticas de las PDEs conside-

rando ecuaciones escalares de primer y segundo orden. A partir de ese análisis pudimos
u

establecer las cualidades que presentan los problemas gobernados por este tipo de ecua-
ciones. Sin embargo, nuestro interés se enfoca en sistemas de ecuaciones diferenciales en
(G

derivadas parciales ya que pretendemos resolver problemas de Mecánica de los Fluidos

modelados por las ecuaciones de Navier-Stokes o sus derivaciones. Por lo tanto, a continua-
ción extendemos el análisis para conocer de qué manera se aplican los conceptos anteriores
a sistemas de PDEs.

Sistemas de PDEs de primer orden

Como hemos visto, en ciertas ocasiones las ecuaciones del flujo de fluidos se reducen
a un sistema de PDEs de primer orden. Éste es el caso de las ecuaciones de Euler, donde
se asume un fluido ideal (µ = 0) anulándose de esta forma las derivadas de segundo orden
presentes en los términos difusivos debidos a la viscosidad. Por otro lado, en algunas apli-
caciones, una PDE de orden mayor puede reducirse a un sistema de PDEs de primer orden
64 Capítulo 2. Ecuaciones de Gobierno

mediante la introducción de nuevas variables, de modo que existe un interés genuino para
analizar este tipo de problemas.
Para realizar el análisis, consideramos el siguiente sistema lineal de m PDEs de primer
orden con dos variables independientes:
∂ φ1 ∂ φ1 ∂ φ2 ∂ φm
+ a11 (x,t) + a12 (x,t) + · · · + a1m = ψ1 ,
∂t ∂x ∂x ∂x
∂ φ2 ∂ φ1 ∂ φ2 ∂ φm
+ a21 (x,t) + a22 (x,t) + · · · + a2m = ψ2 ,
∂t ∂x ∂x ∂x
..
.
∂ φm ∂ φ1 ∂ φ2 ∂ φm
+ am1 (x,t) + am2 (x,t) + · · · + amm = ψm .
∂t ∂x ∂x ∂x

FT
Este sistema puede escribirse matricialmente por medio de un vector de variables de-
pendientes ϕ = [φ1 , φ2 , · · · , φm ]T y una matriz de coeficientes [A], cuyos elementos son los

)
coeficientes ai j (x,t) de las ecuaciones diferenciales (ai j (x,t) es el coeficiente de la derivada

se
∂ φ j /∂ x en la ecuación correspondiente a φi ):
∂ϕ ∂ϕ

u
+ [A] = ψ. (2.118)
∂t ∂x
A
ra
Obviamente, este sistema tendrá solución única siempre que la matriz de coeficientes no sea
singular, de lo contrario, el sistema no sería linealmente independiente.
K
Para establecer la clasificación del sistema de PDEs de primer orden (2.118) realizamos
la siguiente transformación que nos permitirá obtener la forma canónica del mismo:
R
o

φ = [K]−1 ϕ =⇒ ϕ = [K] φ, (2.119)

av

donde, en principio, [K] es una matriz arbitraria no singular. De acuerdo a esta transforma-
ción podemos escribir
D
st

∂ϕ ∂ φ ∂ [K]
= [K] + φ,
∂t ∂t ∂t
u

∂ϕ ∂ φ ∂ [K]
= [K] + φ.
(G

∂x ∂x ∂x
Reemplazando estas expresiones en la ecuación (2.118) y reagrupando términos resulta
∂φ ∂φ ∂ [K] ∂ [K]
 
[K] + [A] [K] = ψ− + [A] φ.
∂t ∂x ∂t ∂x
Premultiplicando ambos miembros por la inversa de la matriz [K] se obtiene
∂φ ∂φ
+ [K]−1 [A] [K] = ψ∗ , (2.120)
∂t ∂x
donde
∂ [K] ∂ [K]
 
∗ −1 −1
ψ = [K] ψ − [K] + [A] φ. (2.121)
∂t ∂x
2.5 Propiedades matemáticas de las ecuaciones de gobierno 65

Si la matriz de coeficientes [A] es diagonalizable, implica que existe un conjunto de m

vectores propios derechos k1 , k2 , . . . , km linealmente independientes con m valores propios
λ1 , λ2 , . . . , λm correspondientes, tal que

[A] k j = λ j k j .

Por lo tanto, si disponemos los vectores propios k j como columnas de la matriz [K] de modo
que [K] = [k1 k2 · · · km ] y, siendo que [A] es diagonalizable, resulta

λ1 0 · · · 0
 
 0 λ2 · · · 0 
−1
[K] [A] [K] =  . .. . . ..  = [Λ] .
 
 .. . . . 

FT
0 0 · · · λm

Como vemos, la matriz [Λ] es una matriz diagonal cuyos elementos no nulos son los

)
valores propios de [A]. De esta forma, el sistema de PDEs (2.118) queda expresado en su

se
forma canónica como:
∂φ ∂φ

u
+ [Λ] = ψ∗ . (2.122)
∂t ∂x
A
ra
Los valores propios λi de la matriz [A] son las raíces del polinomio característico que,
en este caso, se obtiene a partir de la expresión
K
det ([A] − λ [I]) = 0. (2.123)
R
o

donde [I] es la matriz identidad.

av

Físicamente, los valores propios λ j del sistema representan velocidades de propagación

de la información pero, naturalmente, esto tendrá sentido en la medida que estos valores
D

sean reales. Si esto se cumple significa que el sistema (2.118) de m PDEs acopladas es
st

diagonalizable y puede expresarse como un sistema de m ecuaciones diferenciales desaco-

pladas en el miembro izquierdo, es decir que cada ecuación del sistema diagonalizado es
u

independiente de otras variables y se escribe como:

(G

∂ϕj ∂ϕj
+ λ j (x,t) = ψi∗ (x,t, ϕ1 , ϕ2 , . . . , ϕm ). (2.124)
∂t ∂x
Para ψ∗ = 0 (sistemas homogéneos), el sistema se reduce a un conjunto de m ecuaciones
de advección desacopladas

∂ϕj ∂ϕj
+ λ j (x,t) = 0, (2.125)
∂t ∂x
como la que hemos estudiado en la sección anterior para el caso lineal.
Cada valor propio λ j (x,t) real representa una velocidad de advección o velocidad ca-
racterística y provee una ecuación diferencial ordinaria que define la familia de curvas
características asociada a la variable φ j a lo largo de las cuales la solución se propaga. Si la
66 Capítulo 2. Ecuaciones de Gobierno

matriz de coeficientes [A] es constante, los valores propios también son constantes y la solu-
ción de (2.125) se integra directamente a lo largo de las líneas características x j (t) = ξ + λ j t
asociadas a cada variable:
ϕ j (x,t) = ϕ0 j (x − λ j t) , (2.126)
donde ϕ0 j = ϕ j (x, 0) es la condición inicial de la variable característa ϕ j .
Esta expresión muestra que la solución del sistema consiste en una combinación lineal
de m ondas viajando a las velocidades características λ j . Las variables ϕ j (x,t) obtenidas
mediante la transformación canónica son llamadas las variables características del siste-
ma (2.118). Finalmente, la solución en términos de las variables φ j originales se determina
mediante la transformación (2.119).

FT
Clasificación matemática de los sistemas de PDEs de primer orden
La clasificación matemática de un sistema de PDEs de primer orden se hace conside-

)
rando las propiedades de la matriz de coeficientes en la expresión matricial del mismo:

se
Si la matriz de coeficientes es diagonalizable el sistema de PDEs es hiperbólico. En
otras palabras, si para una matriz de coeficientes de dimensión m × m existe una base

u
de m vectores propios reales linealmente independientes, la matriz es diagonaliza-
A
ble y, por lo tanto, el sistema es hiperbólico. Esto significa que si para la matriz de
ra
coeficientes existen m valores propios reales y distintos, el sistema será siempre hi-
perbólico (se dice que el sistema es estrictamente hiperbólico). En el caso de que la
K
matriz posea valores propios (reales) repetidos, debe evaluarse si la diagonalización
R
es posible (LeVeque, 2004).
o

Si los m valores propios de [A] tienen parte imaginaria no nula, el sistema es elíptico.
av

Si existen valores propios tanto reales como imaginarios, el sistema es considerado

como un “híbrido” de tipo elíptico-hiperbólico.
D
st

Si el rango de la matriz de coeficientes es menor que m (es decir que la matriz es

singular), o si la multiplicidad de los valores propios es igual al rango de la matriz,
u

[A] no es diagonalizable y el sistema es parabólico.

(G

Las implicancias de que un sistema de PDEs pertenezca a alguna de las tres catego-
rías (hiperbólico, elíptico o parabólico) son las mismas que analizamos en el caso de la
ecuación diferencial escalar de segundo orden. Por lo tanto, en los sistemas de PDEs hiper-
bólicos tenemos un dominio de dependencia reducido y pueden existir discontinuidades en
las soluciones, mientras que en los problemas elípticos y parabólicos siempre se presentan
soluciones suaves.
El criterio de clasificación para sistemas de PDEs de primer orden con más de dos
variables independientes (problemas multidimensionales) se hace de la misma manera que
para el sistema (2.118) pero, en este caso, deben considerarse las matrices de coeficientes
correspondientes a cada coordenada. Es decir que un sistema de la forma
∂ϕ ∂ϕ ∂ϕ
+ [A] + [B] =ψ (2.127)
∂t ∂x ∂y
2.5 Propiedades matemáticas de las ecuaciones de gobierno 67

es hiperbólico en t y x si la matriz [A] tiene todos sus valores propios reales, y es hiperbólico
en t e y si la matriz [B] tiene todos sus valores propios reales (Hoffmann y Chiang, 2000).
Nótese que una ley de conservación como la (2.74) puede reducirse a un sistema de
PDEs de primer orden de la forma (2.127) por medio de las matrices jacobianas correspon-
dientes:
∂U ∂F ∂G ∂H ∂U ∂U ∂U ∂U
+ + + = + [A] + [B] + [C] = S, (2.128)
∂t ∂x ∂y ∂z ∂t ∂x ∂y ∂z

siendo
∂ F1 ∂ F1
···
 
∂U1 ∂Um
∂F  .. .. ..

FT
[A] = = . . . , (2.129)

∂U ∂ Fm ∂ Fm
∂U1 ··· ∂Um

)
donde Fi son las componentes del vector de flujo F y Ui son las variables conservativas

se
del sistema. Las matrices jacobianas [B] y [C] se obtienen de manera similar utilizando los
elementos de los vectores de flujo G y H, respectivamente. Cuando una ley de conservación

u
permite obtener las matrices jacobianas para ser expresada en la forma (2.118) se dice que
satisface la propiedad de homogeneidad (Toro, 2009). Las ecuaciones de Euler (µ = 0 y
A
ra
k = 0) junto con una ecuación de estado de gases ideales satisfacen esta propiedad.
La clasificación de la ley de conservación para cada dirección x, y y z queda definida
K
por el tipo de valores propios que se encuentran en cada una de las matrices jacobianas.
A continuación presentamos un ejemplo para visualizar la aplicación del procedimiento de
R
o

clasificación matemática de sistemas de ecuaciones de primer orden.

av

Ejemplo
D

Se busca establecer la naturaleza matemática de las ecuaciones del flujo isoentrópico

st

unidimensional que, en forma conservativa, se escriben como:

u

∂ ρ ∂ (ρu)
+ = 0,
(G

∂t ∂x
∂ (ρu) ∂ ∂p
ρu2 = − .


+
∂x ∂x ∂x
donde la presión es una función de la densidad solamente

p = Cρ γ ,

siendo C una constante positiva.

Las ecuaciones de flujo isoentrópico unidimensional son una ley de conservación de la
forma
∂U ∂F
+ = 0,
∂t ∂x
68 Capítulo 2. Ecuaciones de Gobierno

donde
ρ ρu
   
U= , F= .
ρu ρu2 + p

Para establecer la naturaleza matemática del sistema, primero debemos determinar la

matriz jacobiana [A] del mismo, la cual está dada por
∂ F1 ∂ F1
" #
[A] = ∂U1 ∂U2 ,
∂ F2 ∂ F2
∂U1 ∂U2

donde U1 = ρ y U2 = ρu son las componentes del vector de variables conservativas y F1 =

ρu y F2 = ρu2 + p son las componentes del vector de flujo.

FT
Los elementos de la matriz jacobiana se obtienen escribiendo las componentes F1 y F2
sólo en términos de las variables conservativas U1 y U2 , de modo de facilitar la derivación,

)
entonces hacemos:

se
F1 = ρu = U2 ,
ρ 2 u2 U2

u
F2 = ρu2 + p = +Cρ γ = 2 +CU1γ .
ρ U1
A
Con estas expresiones se obtiene
ra
K
0 1
" # 
0 1

[A] = U 2 = .
− U22 +CγU1γ−1 2U −u2 +Cγρ γ−1 2u
R
2
U1
o

Ahora debemos obtener los valores propios de la matriz jacobiana:

av

1
 
−λ
= λ2 − 2uλ + u2 −Cγρ γ−1 ,
D

det ([A] − λ [I]) = det

−u2 +Cγρ γ−1 2u − λ
st

de donde resulta
u

p
λ1 = u − Cγρ γ−1 = u − a,
(G

p
λ2 = u + Cγρ γ−1 = u + a,

ya que Cγρ γ−1 = γCρ γ /ρ = γp/ρ y γp/ρ = a es la velocidad del sonido. De esta
p

forma, siendo λ1 y λ2 valores reales y distintos, el sistema es estrictamente hiperbólico.

Sistemas de PDEs de segundo orden

La clasificación de sistemas de PDEs de segundo orden en general es compleja resultan-
do muy dificultoso establecer su comportamiento matemático. El método para determinar la
clasificación es, en cierto modo, similar al utilizado para sistemas de PDEs de primer orden
pero, en este caso, hay un paso previo que consiste en introducir variables auxiliares que ex-
presan cada derivada de segundo orden como una ecuación de primer orden, escogiendo las
2.6 Condiciones auxiliares de las ecuaciones de gobierno 69

nuevas variables de manera que las matrices de coeficientes no resulten singulares. Existen
algunos casos simples donde la clasificación puede llevarse a cabo directamente, como por
ejemplo en el sistema dado por

∂ϕ ∂ 2ϕ
= [A] 2 , (2.130)
∂t ∂x
que es parabólico si todos los valores propios de [A] son reales (Pletcher et al., 2013).
Para más detalles acerca de la clasificación de sistemas de PDEs de segundo orden puede
consultarse el libro de Hoffmann y Chiang (2000).

2.6. Condiciones auxiliares de las ecuaciones de gobierno

FT
Como hemos visto, las ecuaciones diferenciales de gobierno de un determinado proceso
físico siempre deben ir acompañadas de un conjunto de condiciones de contorno y, eventua-

)
se
lemente, condiciones iniciales. En general, nos referimos a esta información adicional como
las condiciones auxiliares del problema, las cuales deben satisfacer algunos requisitos para
que la solución exista. Por otro lado, las condiciones de contorno reciben denominaciones

u
particulares dependiendo de su forma.
A
ra
2.6.1. Problemas bien condicionados
K
Resulta claro que la solución de un problema particular depende de las condiciones de
R
contorno y de los datos iniciales (si corresponden) que acompañan a las ecuaciones de go-
o

bierno. Pero además, esta información adicional también determina la existencia y unicidad
av

de la solución, ya que si la misma no está adecuadamente definidia, el problema no podrá

resolverse. Un ejemplo de esta situación se da en el caso de las ecuaciones hiperbólicas, para
las cuales no podrá obtenerse una solución única si las condiciones iniciales se encuentran
D
st

definidas sobre una línea característica debido a que las derivadas de mayor orden no están
definidas sobre ella. Del mismo modo, condiciones de contorno inapropiadas o insuficien-
u

tes imposibilitan la determinación de una solución única ya sea que se trate de un problema
hiperbólico, parabólico o elíptico.
(G

La posibilidad de resolver ecuaciones diferenciales en derivadas parciales acompaña-

das de su correspondiente conjunto de condiciones auxiliares requiere que el problema se
encuentre bien condicionado (well-possed), lo cual significa que:

La solución del problema existe.

La solución del problema es única.

La solución depende continuamente de las condiciones auxiliares (condiciones de

contorno y condiciones iniciales).

Si alguno de estos puntos no se cumple se dice que el problema está mal condicionado
(ill-possed).
70 Capítulo 2. Ecuaciones de Gobierno

De los tres puntos anteriores, seguramente que el menos intuitivo es el último. Para
entenderlo, consideremos el siguiente ejemplo consistente en la ecuación de Laplace en un
dominio semiinfinito:
∂ 2φ ∂ 2φ
+ 2 = 0, −∞ < x < ∞, y ≥ 0, (2.131)
∂ x2 ∂y
con las siguientes condiciones de contorno
φ (x, 0) = 0,
∂ φ (x, 0) 1 (2.132)
= sin(nx), n > 0.
∂y n
Por medio del método de separación de variables se obtiene la solución particular del

FT
problema (Pletcher et al., 2013):
1
φ= sin(nx) sinh(ny).
n2

)
Si el problema estuviera bien condicionado, esperaríamos que la solución dependiera

se
continuamente de las condiciones de contorno. De la condición para la derivada de φ con
respecto a y en la ecuación (2.132) se desprende que ∂ φ /∂ y se hace pequeña para valo-

u
res grandes de n. Por otro lado, la solución se comporta de manera diferente para valores
A
grandes de n ya que, a medida que n crece, φ se aproxima a exp (ny) /n2 y aumenta in-
ra
definidamente aun para valores pequeños de y. Sin embargo, según la condición de borde
aplicada sobre la variable, es φ (x, 0) = 0, por lo que la continuidad no se cumple y estamos
K
en presencia de un problema mal condicionado. Esto resulta obvio si tenemos en cuenta que
R
la ecuación de Laplace es elíptica, por lo tanto, la solución debe ser suave y depende de las
o

condiciones en todo el dominio, incluyendo el contorno.

av

2.6.2. Tipos de condiciones de contorno

D
st

La clasificación de los distintos tipos de condiciones de contorno surge de los nombres

específicos con los cuales se identifica a los problemas que requieren la solución de la
ecuación de Laplace sujeta a diferentes tipos de condiciones de contorno.
u

El primer caso se conoce como el problema de Dirichlet, el cual se caracteriza porque

(G

la solución de la ecuación de Laplace debe obtenerse sobre un dominio Ω cerrado donde se

imponen condiciones que prescriben el valor de la variable en el contorno Γ, es decir
∇2 φ = 0 en Ω,
(2.133)
φ = f (s) en Γ,
donde s es la coordenada a lo largo del contorno Γ.
El segundo caso corresponde al problema de Neumann, donde también se requiere la
solución de la ecuación de Laplace en un dominio Ω pero aquí la condición de contorno se
aplica sobre la derivada de la variable en dirección normal al contorno, esto es
∇2 φ = 0 en Ω,
∂φ (2.134)
∇φ · n̂ = = g(s) en Γ,
∂n
2.7 Clasificación de las ecuaciones de flujo 71

donde n̂ es un versor normal al contorno Γ.

Un tercer tipo de problema surge de aquél donde la ecuación de Laplace debe solucio-
narse en el dominio considerando condiciones que prescriben en el contorno el valor de una
combinación entre la variable φ y su derivada en dirección normal. Este problema se conoce
como el problema de Robin y matemáticamente se expresa en la forma

∇2 φ = 0 en Ω,
∂φ (2.135)
a1 (s) + a2 (s)φ = h(s) en Γ.
∂n
Los distintos tipos de condiciones de contorno suelen designarse considerando los nom-
bres Dirichlet, Neumann y Robin utilizados para identificar los problemas de valores en los

FT
contornos detallados anteriormente. De esta forma, cuando las condiciones de contorno de
una PDE (independientemente de su tipo) imponen o prescriben el valor de la variable,
se dice que son condiciones de contorno de Dirichlet. Si, en cambio, las condiciones de

)
contorno prescriben el valor de la derivada normal al contorno, las condiciones son de Neu-

se
mann. Finalmente, cuando el valor que se impone en el contorno es una combinación de la
variable y su derivada se dice que las condiciones de contorno son de Robin o mixtas.

u
A
2.7. Clasificación de las ecuaciones de flujo ra
Las ecuaciones de Navier-Stokes y sus formas simplificadas pueden clasificarse de
K
acuerdo a la metodología presentada en la Sección 2.5.3. En principio, el parámetro más
R

relevante para definir la clasificación es la viscosidad dinámica µ, ya que esta propiedad

o

determina el orden del sistema de PDEs. Como vimos, en la idealización de flujo no visco-
av

so (µ = 0), el sistema es de primer orden y la clasificación se hace directamente evaluando

los valores propios de las matrices jacobianas obtenidas a partir de los vectores de flujo
D

pero, en el caso de flujo viscoso, las ecuaciones de Navier-Stokes son de segundo orden y
st

la clasificación se hace más dificultosa. Más allá de esto, queda claro que la difusión que
introduce la viscosidad elimina la posibilidad de hiperbolicidad de las ecuaciones.
u

Además de la viscosidad, el otro factor preponderante en el comportamiento matemático

(G

de las ecuaciones de flujo es la evolución temporal de la solución. Como sabemos, un flujo

estacionario es aquél donde las propiedades del fluido son sólo función de la posición y no
del tiempo, por lo tanto, estos problemas pueden ser elípticos ya que, debido a que no existe
el avance temporal, el dominio de solución del problema está acotado (es igual al dominio
físico) y el dominio de dependencia de todos los puntos es igual al dominio de solución
cuando no hay regiones de flujo supersónico.
En la Tabla 2.1 se muestra la clasificación “formal” de las ecuaciones que gobiernan los
diferentes problemas de flujo de fluidos.

2.7.1. Flujo no viscoso

De acuerdo a lo anterior, el procedimiento para clasificar las ecuaciones de Euler es
diferente del del que se aplica a las ecuaciones de Navier-Stokes. Esto se debe a que en el
72 Capítulo 2. Ecuaciones de Gobierno

Tipo de problema Flujo estacionario Flujo inestacionario

Flujo viscoso Elíptico Parabólico
Flujo no viscoso Ma < 1, elíptico Hiperbólico
Ma > 1, hiperbólico
Thin shear layer Parabólico Parabólico

Tabla 2.1: Clasificación principal de los problemas de flujo de fluidos.

primer caso no existen términos de segundo orden asociados a la viscosidad por lo que el
sistema es de primer orden. En condición de flujo estacionario, el sistema puede ser elíptico
o hiperbólico dependiendo de la influencia de la compresibilidad del fluido, es decir que la

FT
clasificación está dada por la magnitud del número de Mach. La naturaleza elíptica del flujo
estacionario y no viscoso para Ma < 1 radica en la acción de la presión, la cual propaga
las perturbaciones a la velocidad del sonido (Ma = 1) que, en régimen subsónico, es mayor

)
que la velocidad del flujo en todo el campo de movimiento. De esta forma, la perturbación

se
en un punto alcanza todas las regiones del dominio físico cuando el flujo es subsónico (y
estacionario). Contrariamente, si el flujo es supersónico (Ma > 1), la velocidad del fluido es

u
mayor que la velocidad de propagación y la presión ya no puede inducir eventos “corriente
A
arriba”, evidenciando la zona de influencia limitada distintiva de los problemas hiperbólicos.
ra
Para mostrar este comportamiento, a continuación analizamos la ecuación de flujo potencial
compresible que gobierna el flujo no viscoso, isoentrópico y estacionario a través de un
K
cuerpo esbelto con una corriente libre de número de Mach igual a Ma∞ :
R

∂ 2φ ∂ 2φ
o

1 − Ma2∞ + 2 = 0. (2.136)
∂ x2 ∂y
av

Comparando esta expresión con la ecuación

genérica (2.106) vemos que los coeficientes
D

de la ecuación diferencial son a = 1 − Ma2∞ , b = 0 y c = 1, por lo tanto, el discrimante

st

que define el comportamiento matemático de la ecuación es:

u

b2 − 4ac = −4 1 − Ma2∞ ,


(G

Aquí vemos que, para Ma∞ < 1, el discriminante es menor que cero y el problema es
elíptico, pero si Ma∞ > 1 el discriminante cambia de signo y el problema se hace hiperbólico
(las raíces son reales). En la condición sónica (Ma∞ = 1), el discriminante es nulo y el
problema resulta parabólico.
El análisis de la ecuación (2.136) puede hacerse de forma alternativa al expresar la
misma como un sistema de dos PDEs de primer orden. Aunque este procedimiento no es
necesario para esta ecuación que puede clasificarse directamente conisderando la ecuación
genérica (2.106), aquí lo presentamos para conocer cómo se trabaja en situaciones donde
sí se necesita hacerlo, como por ejemplo, cuando debe reducirse el orden de un sistema de
PDEs de segundo orden. Para ello, definimos las siguientes variables auxiliares:
∂φ ∂φ
φ1 = , φ2 = .
∂y ∂x
2.7 Clasificación de las ecuaciones de flujo 73

Luego reemplazamos estas definiciones en (2.136) y, teniendo en cuenta que

∂ φ1 ∂ φ2 ∂ 2φ
= = ,
∂x ∂y ∂ x∂ y
se obtiene el siguiente sistema de PDEs de primer orden
∂ φ1
∂ φ2
+ 1 − Ma2∞ = 0,
∂y ∂x
(2.137)
∂ φ2 ∂ φ1
− = 0.
∂y ∂x
Este sistema puede escribirse de forma matricial como

FT
∂ φ1 0 1 − Ma2∞ ∂ φ1
  
  
+ = 0,
∂ y φ2 −1 0 ∂ x φ2
es decir que el sistema tiene la forma de la ecuación (2.118) con

)
se
φ1 0 1 − Ma2∞
  

ϕ= , [A] = ,
φ2 −1 0

u
por lo tanto, podemos utilizar el criterio de clasificación descrito en la Sección 2.5.3.
A
Para obtener los valores propios del sistema (2.137) debemos resolver la ecuación ca-
ra
racterística que resulta de aplicar el determinante a [A] − λ [I], esto es:
1 − Ma2∞
K
0 λ 0

  
det = λ2 + 1 − Ma2 = 0. (2.138)


−
−1 0 0 λ
R
o

Las raíces de esta ecuación son λ1,2 = ∓ Ma2∞ − 1, por lo tanto, para flujo subsónico
p
av

existen dos valores propios complejos y el sistema es elíptico mientras que para Ma∞ > 1
los valores propios son reales y distintos y el sistema es hiperbólico. Por otro lado, para
D

Ma∞ = 1 la matriz de coeficientes [A] se vuelve singular (se anula la primera fila) y el
st

sistema se hace parabólico. De esta forma, alcanzamos las mismas conclusiones que las que
obtuvimos cuando analizamos directamente la ecuación de segundo orden original.
u

Un aspecto interesante del resultado anterior es que hemos encontrado que un problema
de flujo estacionario, en el cual las variables independientes corresponden a las coordenadas
(G

espaciales, puede comportarse de forma hiperbólica. Esto sucede porque en la condición de

flujo supersónico la dirección de la corriente libre actúa como si fuera el tiempo, ya que
la información no puede propagarse aguas arriba debido al valor finito de la velocidad del
sonido. Estos resultados, aunque fueron obtenidos considerando una ecuación simplificada
como la (2.136), pueden extenderse a las ecuaciones de Euler en general pero, en ese caso,
el parámetro a tener en cuenta es el número de Mach local. Esto añade complejidad al pro-
blema dado que, en flujos donde se presentan zonas tanto subsónicas como supersónicas,
existirán discontinuidades (ondas de choque) y el problema tendrá regiones de compor-
tamiento elíptico y regiones de comportamiento hiperbólico, cuyos límites entre sí no se
conocen inicialmente. Esta situación complica fuertemente el tratamiento de flujos en régi-
men transónico (Ma ∼ 1) haciendo que los códigos de CFD de propósito general puedan
fallar.
74 Capítulo 2. Ecuaciones de Gobierno

2.7.2. Condiciones auxiliares en las ecuaciones de Navier-Stokes

Según hemos indicado, las condiciones auxiliares de un problema son la información
adicional que debe suministrarse junto a las ecuaciones de gobierno para resolver un deter-
minado proceso físico, en este caso, un problema de flujo. Esta información consiste en un
conjunto apropiado de condiciones de contorno y, en los casos que corresponda, un conjunto
de condiciones iniciales.
La complicada combinación de comportamientos elípticos, parabólicos e hiperbólicos
que pueden experimentar las ecuaciones de Navier-Stokes o sus derivaciones trae implican-
cias en la forma en la cual deben incorporarse las condiciones de contorno, particularmente,
en aquellas regiones donde los flujos están delimitados por contornos fluidos. Desafortuna-
damente, existen pocos desarrollos teóricos que consideren el rango permisible de condicio-

FT
nes de borde disponible para flujo compresible (Vesteeg y Malalasekera, 2007). De hecho, la
validez de las condiciones de borde en aplicaciones prácticas de CFD suele estar dada más
por argumentos físicos y resultados previos que mostraron ser exitosos antes que por de-

)
mostraciones formales. Para el caso general de flujo compresible, viscoso y no estacionario

se
pueden establecerse las siguientes condiciones para los problemas más comunes:

Condiciones iniciales para flujo no estacionario:

u
A
• En todo el dominio espacial deben establecerse la densidad ρ, la velocidad v y
ra
la temperatura T (u otra variable termodinámica) en el tiempo inicial t = 0.
K
Condiciones de contorno para flujo estacionario o inestacionario
R

• En paredes sólidas
o

◦ Condición de no deslizamiento: v = vw , siendo vw la velocidad de la pared.

av

◦ Condición de equilibrio térmico: T = Tw , siendo Tw la temperatura de la

pared, o flujo de calor fijo: k n̂ · (∇T ) = −Qw , siendo n̂ un vector unitario
D
st

normal a la pared y Qw el flujo de calor a través de la pared sólida.

• En contornos fluidos
u

◦ Flujo entrante (inlet): ρ, v y p deben ser conocidas como funciones de la

(G

posición.
◦ Flujo saliente (outlet): −p + µ n̂ · ∇(v · n̂) = Fn̂ y µ n̂ · ∇ v · t̂ = Ft̂ (con-

tinuidad de tensiones), siendo t̂ un vector unitario en dirección tangente a

la pared y Fn̂ y Ft̂ las componentes de fuerza normal y tangente a la pared,
respectivamente.

Nótese que no es necesario especificar el valor de la densidad en contornos sólidos

o flujo saliente debido a la característica especial de la ecuación de continuidad, la cual
describe los cambios de densidad que experimenta una partícula de fluido a lo largo de su
trayectoria para un campo de velocidades conocido. Contrariamente, en un inlet la densidad
sí debe ser especificada, mientras que en flujo incompresible no hay condiciones para la
densidad en ningún punto del campo de movimiento sino que ella es constante y conocida
en todo punto del dominio en cualquier instante de tiempo.
2.7 Clasificación de las ecuaciones de flujo 75

En general, los contornos de flujo saliente suelen posicionarse en lugares donde el flujo
es aproximadamente unidireccional y donde la superficie de tensiones toma un valor cono-
cido. En el caso de altos números de Reynolds y regiones alejadas de las paredes sólidas
de un cuerpo en flujo externo o para flujo en conductos totalmente desarrollado, las com-
ponentes de la velociad no cambian en dirección normal al contorno, por lo que Fn̂ = −p y
Ft̂ = 0. Esto lleva a la condición outflow que es casi universalmente utilizada en el método
de volúmenes finitos (Vesteeg y Malalasekera, 2007):

presión especificada, n̂ · ∇ (v · n̂) = 0, n̂ · (∇T ) = 0, (2.139)

la cual puede generalizarse aún más asumiendo un gradiente nulo a través del contorno, es
decir

n̂ · (∇φ ) = 0,

FT (2.140)

)
siendo φ = ρ, u, v, w y T .

se
Además de las condiciones de contorno detalladas anteriormente, existen otras condi-
ciones que permiten reducir algunos problemas considerando las características geométricas
de los mismos. Esta posibilidad se presenta en configuraciones simétricas o “repetitivas”, lo

u
cual permite considerar:
A
ra
Condiciones de contorno simétricas: n̂ · (∇φ ) = 0, donde n̂ está en dirección normal
al plano de simetría.
K
Condiciones de contorno periódicas: φin = φout , lo cual indica que las propiedades del
R

flujo entrante son iguales a las propiedades del flujo saliente.

o
av

Debe tenerse en cuenta que la especificación insuficiente de condiciones de contorno

normalmente impide obtener una solución única del problema, mientras que la sobre espe-
D

cificación de datos en los contornos puede producir soluciones no físicas (Fletcher, 1991).
st

Más allá de esto, resulta claro que aunque las condiciones de contorno utilizadas sean mate-
máticamente consistentes, la solución del problema no será adecuada si éstas no representan
u

físicamente la situación real.

(G
76 Capítulo 2. Ecuaciones de Gobierno

2.8. Ejercicios
1. La componente en la coordenada x de la ecuación de momento para un flujo incom-
presible bidimensional estacionario con gradiente de presión nulo está dada por

∂u ∂ u µ ∂ 2u
u +v = .
∂x ∂ y ρ ∂ y2

Escriba esta ecuación en su forma conservativa.

2. Muestre que las ecuaciones de Cauchy-Riemann que surgen del estudio de funciones
analíticas en el Análisis de Variable Compleja,

∂u ∂v
−
∂x ∂y
=0

FT
)
∂v ∂u

se
+ = 0,
∂x ∂y

forman un sistema elíptico.

u
A
ra
3. Determine los valores de x e y para los cuales las siguientes ecuaciones diferenciales
son elípticas, parabólicas o hiperbólicas.
K
∂ 2φ ∂ 2φ ∂ 2φ
x x y = 0.
R
+ +
∂ x2 ∂ x∂ y ∂ y2
o
av

∂ 2φ ∂ 2φ
x + x + K = 0.
∂ x2 ∂ x∂ y
D
st

∂ 2φ ∂ 2φ 2
2∂ φ
x2 + xy − y =0
∂ x2 ∂ x∂ y ∂ y2
u

∂ 2φ ∂ 2φ ∂ 2φ
(G

sin x + 2 cos x + sin x =0

∂ x2 ∂ x∂ y ∂ y2

4. Considere la siguiente ecuación diferencial de segundo orden a coeficientes constan-

tes

∂ 2φ ∂ 2φ ∂ 2φ
α + (α + 1) + = 0.
∂ x2 ∂ x∂ y ∂ y2

a) Demuestre que la ecuación diferencial es hiperbólica para todo valor real de

α ̸= 1
b) Verifique el resultado anterior descomponiendo la ecuación diferencial de se-
gundo orden en un sistema de dos ecuaciones diferenciales de primer orden
2.8 Ejercicios 77

5. Las ecuaciones de pequeñas perturbaciones de flujo estacionario se escriben como:

∂u ∂v
− a2 =0
∂x ∂y
∂v ∂u
− = 0,
∂x ∂y

u(x, y) y v(x, y) son pequeñas perturbaciones de las componentes de velocidades y

1
a= .
1 − Ma2∞

Se pide determinar:

FT
a) El tipo de sistema en función del número de Mach de la corriente libre.
b) La solución general del sistema utilizando la metodología de las variables ca-

)
racterísticas (ver Sección 2.5.3).

se
6. El flujo de gases en conductos rectos de sección variable (en dirección del flujo)
puede idealizarse como un flujo unidimensional gobernado por el siguiente sistema

u
de PDEs:
A

Aρ
 
Aρu
 
ra
0

∂  ∂ 
Aρu  + A(ρu2 + p)  =  p ∂∂ Ax  .
K
∂t ∂x
AρE Au(ρE + p) 0
R
o

donde A es la sección transversal del conducto que varía de forma suave en dirección
del flujo y se asume que el gas es ideal. Se pide determinar a qué tipo pertenece este
av

sistema de ecuaciones.
D
st
u
(G
 D
(G
u R

78
st A
av
o
K
ra
FT
u
se
)
Capítulo 3

Fundamentos de las técnicas

numéricas

FT
)
se
3.1. Introducción

u
La necesidad de implementar métodos numéricos para resolver problemas modelados
A
por ecuaciones diferenciales se debe a que, en muchos casos, no es posible obtener solu-
ra
ciones analíticas incluso cuando se aplican fuertes hipótesis simplificativas. En el caso par-
ticular de las ecuaciones del flujo, esta situación se presenta en la inmensa mayoría de los
K
problemas de interés práctico, ya que las ecuaciones de Navier-Stokes y sus versiones sim-
R
plificadas no poseen una solución analítica conocida. Por lo tanto, se hace necesario recurrir
o

a métodos alternativos, como las simulaciones numéricas, las cuales nos permiten obtener
soluciones aproximadas de manera relativamente eficiente gracias a la disponibilidad actual
av

de recursos computacionales de gran capacidad. De esta forma, es posible analizar inte-

gralmente problemas de Dinámica de Fluidos muy complejos que involucran millones de
D
st

grados de libertad.
El proceso para obtener soluciones computacionales consiste básicamente de dos eta-
u

pas. En la primera de ellas, llamada discretización, las ecuaciones diferenciales en deriva-

das parciales y las condiciones auxiliares que gobiernan el problema de manera continua,
(G

se tansforman en un sistema discreto de ecuaciones algebraicas. La discretización es una

parte fundamental del proceso de análisis numérico que está presente en todos los métodos,
gracias a la cual es posible convertir un problema de cálculo diferencial en una forma que
puede ser solucionada computacionalmente. La segunda etapa del proceso consiste en la
resolución del sistema de ecuaciones algebraicas resultante de la discretización. Para este
propósito existen múltiples técnicas numéricas cuya aplicación depende del tipo de proble-
ma particular.
En este capítulo analizaremos los conceptos fundamentales de la etapa de discretiza-
ción de un problema modelado mediante ecuaciones diferenciales en derivadas parciales,
detallando los aspectos más importantes del proceso y destacando su influencia en la apro-
ximación de la solución. Para ello, comenzaremos el análisis estudiando la técnica de dis-
cretización más sencilla que se conoce aplicada a ecuaciones simples que, a pesar de ello,
79
80 Capítulo 3. Fundamentos de las técnicas numéricas

permiten introducir los principales conceptos referidos a este tema. En el capítulo siguiente
presentaremos técnicas de discretización más desarrolladas que son más adecuadas para su
implementación en los ecuaciones de flujo.
La técnica de discretización más antigua e “intuitiva” es, sin dudas, el método de di-
ferencias finitas, el cual estudiaremos con cierta profundidad en las secciones siguientes.
Aunque este método presenta serias limitaciones en comparación a métodos más moder-
nos, en general constituye el primer paso para introducirse en la modelación numérica de
problemas gobernados por ecuaciones diferenciales. Por otro lado, siendo que para este aná-
lisis emplearemos ecuaciones simples definidas en dominios elementales, las limitaciones
del método de diferencias finitas no se manifiestan. En este punto cabe destacar que, aun-
que las ecuaciones utilizadas puedan parecer muy sencillas y de poca utilidad práctica, el
estudio numérico de las mismas nos permitirá asimilar importantes conceptos y extender

FT
algunas conclusiones (no siempre en sentido estricto) a casos más generales y complejos.
En particular, sistemas de PDEs no lineales como los que se presentan en la modelación de
problemas de la Dinámica de Fluidos.

)
se
3.2. El método de diferencias finitas

u
A
ra
El método de diferencias finitas es la técnica más antigua para la solución aproximada
de PDEs. Se cree que este método fue introducido por Euler en el siglo XVIII aunque su
expansión y utilización práctica no se produjo sino hasta la introducción de las computado-
K
ras digitales en el cálculo científico. El primer paso para obtener la solución numérica del
R
problema basada en el método de diferencias finitas consiste en realizar la discretización
o

del dominio geométrico, también llamado dominio físico o dominio espacial, sobre el cual
av

se define la ecuación diferencial. Si corresponde, la discretización temporal del problema,

que en general se refiere a la integración en el tiempo de la solución, se hace posteriormen-
te sobre el problema semidiscretizado, es decir, sobre el problema que se obtiene luego de
D
st

realizar la discretización espacial. Esta metodología no es propia del método de diferencias

finitas sino que es habitual en la implementación general de los métodos numéricos en CFD,
u

donde suele procederse utilizando esquemas más avanzados para la discretización espacial,
de modo de poder modelar geometrías complejas, combinados con algún esquema de in-
(G

tegración temporal clásico aplicado sobre el sistema de ecuaciones diferenciales ordinarias

surgido de la primera discretización. Esto es lo que se conoce como el método de las líneas
que será detallado hacia el final del capítulo.
El método de diferencias finitas casi no se utiliza en la actualidad para la discretización
espacial de problemas de Dinámica de los Fluidos. Esto se debe a que, dadas las particula-
ridades propias de este tipo de problemas como la presencia de geometrías complejas y las
características de los distintos regímenes de flujo, el método de diferencias finitas es poco
eficiente frente a otras técnicas más “sofisticadas” como el método de volúmenes finitos o
el método de elementos finitos. Sin embargo, teniendo en cuenta que el avance del tiempo
se da únicamente en una dirección, la discretización temporal del problema admite una im-
plementación sencilla como lo es alguna de las variantes del método de diferencias finitas,
independientemente del esquema utilizado para realizar la discretización espacial.
3.2 El método de diferencias finitas 81

FT
)
se
u
Figura 3.1: Ejemplo de una malla estructurada cartesiana en un dominio geométrico
A
bidimensional. ra
K
En el método de diferencias finitas, la discretización del dominio físico resulta en una
grilla o malla de puntos o nodos, en la cual se reemplazan las ecuaciones diferenciales por
R
o

aproximaciiones basadas en los valores de las variables en cada nodo (valores nodales).
Como resultado se obtiene una ecuación algebraica por cada punto de la grilla en la que
av

intervienen los valores de las variables correspondientes a ese nodo y a un conjunto de no-
dos vecinos. Los valores nodales de las variables dependientes conforman las incógnitas del
D
st

problema. En principio, los métodos de diferencias finitas pueden aplicarse a cualquier tipo
de grilla pero, en general, suelen implementarse en grillas estructuradas, lo cual significa
u

que los nodos se encuentran distribuidos en el dominio siguiendo algún patrón preestableci-
do que responde a una determinada ley matemática (ver Sección 1.2.1). En la Figura 3.1 se
(G

muestra un ejemplo de una malla cartesiana estructurada en un dominio bidimensional que

ha sido discretizado en una cantidad de Mi × M j nodos. En este tipo de grillas, cada nodo
puede considerarse como el origen de un sistema local de coordenadas cuyos ejes coinciden
con las líneas de la grilla y son paralelos a los ejes locales correspondientes a otros nodos.
Esto simplifica notablemente los cálculos permitiendo explicar el proceso de discretización
sin que se presenten complicadas transformaciones geométricas. Más allá de esto, hay que
recordar que la utilización de grillas estructuradas no es un requisito obligatorio para la
implementación del método de diferencias finitas.
Como vemos en la figura, cada nodo se identifica con un conjunto de índices de acuerdo
a la cantidad de dimensiones geométricas del problema. En el caso de una discretización
bidimensional, cada nodo está identificado con dos índices (i, j), correspondientes a las di-
recciones x e y, respectivamente. Cada uno de estos índices es un número entero que indica
82 Capítulo 3. Fundamentos de las técnicas numéricas

el lugar que ocupa el nodo en la grilla. Por motivos que veremos más adelante, la numera-
ción de los nodos no debe hacerse de manera arbitraria, sino que deben estar ordenados en
forma creciente. De este modo, los nodos adyacentes al punto interior (i, j) son (i − 1, j) e
(i + 1, j), a cada lado del nodo en dirección del eje x, e (i, j − 1) e (i, j + 1) a cada lado del
nodo en dirección del eje y. Las coordenadas de un nodo se identifican utilizando como sub-
índice la designación del mismo nodo, es decir que el punto (i, j) tiene coordenadas (xi , y j )
y las coordenadas de sus vecinos son (xi−1 , y j ), (xi+1 , y j ), (xi , y j−1 ) y (xi , y j+1 ). Además,
de acuerdo al requisito de numeración ordenada de los nodos, se verifican las siguientes
relaciones:

. . . < xi−1 < xi < xi+1 < . . . ,

. . . < y j−1 < y j < y j+1 < . . . .

FT
De manera similar, el valor (nodal) de una variable dependiente genérica φ correspon-
diente al nodo (i, j) se expresa como φi, j , esto es

)
se
φi, j = φ (xi , y j ).

Mediante la aplicación del método de diferencias finitas, la solución φ (x, y) de la ecua-

u
ción diferencial, que es una función definida en el plano x–y, es reemplazada por los valores
A
ra
nodales φi, j de la discretización. Estos valores son el resultado de la resolución de un siste-
ma de ecuaciones algebraicas que sustituye a la ecuación diferencial original y constituyen
la solución discreta del problema, la cual es, en principio, una aproximación de la solución
K
real. El aspecto clave del método de diferencias finitas para construir una aproximación
R

discreta del problema continuo consiste en sustituir las derivadas en la ecuación diferencial
o

por expresiones algebraicas que son función de los valores nodales de φ . Para ello, pue-
av

den emplearse expansiones en serie de Taylor o polinomios de ajuste. En el primer caso,

la expresión aproximada de la derivada se obtiene al truncar la serie de Taylor expandida
D

alrededor de cada nodo, en el segundo, la aproximación resulta de derivar un polinomio

st

que ajusta los valores nodales en una determinada cantidad de nodos. Más allá del método
implementado, cada nodo de la grilla tiene una incógnita asociada de modo que, para po-
u

der resolver el problema, debe proveerse una ecuación algebraica independiente del resto
(G

por cada nodo. Dicha ecuación nodal resulta de reemplazar cada derivada de la ecuación
diferencial original por una aproximación en diferencias finitas de esa derivada en el nodo
particular. Naturalmente, el número de ecuaciones del sistema algebraico resultante depen-
de directamente de la cantidad de nodos utilizados en la discretización.
En lo que resta del capítulo, consideraremos dominios unidimensionales, con lo cual,
la solución φ es una función espacial de x solamente y la discretización se hace sobre un
segmento de recta en dirección de dicha coordenada (ver Figura 3.2).

3.2.1. Expansión en serie de Taylor

Antes mencionamos que existen básicamente dos formas de construir aproximaciones
en diferencias finitas de las ecuaciones diferenciales, una basada en expansiones en serie de
Taylor y otra que utiliza el ajuste de los valores nodales mediante polinomios. En este texto
3.2 El método de diferencias finitas 83

estudiaremos únicamente la primera metodología ya que consideramos que cuenta con una
mayor riqueza conceptual. Para conocer la aplicación de los polinomios de ajuste puede
consultarse, por ejemplo, el libro de Ferziger y Peric (2002).
La idea básica del método de diferencias finitas proviene de la definición misma del
concepto de derivada, cuya expresión matemática es:1
∂φ φ (xi + ∆x) − φ (xi )
= lı́m ,
∂x xi ∆x→0 ∆x
la cual indica que la derivada ∂ φ /∂ x en el punto xi es la pendiente de la recta tangente a φ
en ese punto. Si en lugar de utilizar la definición anterior tomamos un incremento ∆x finito,
en el caso general obtendremos un valor aproximado2 de la pendiente de la recta tangente a
la función en el punto, es decir, de su derivada. Esta discretización, que resulta muy intuitiva

FT
y fácil de visualizar geométricamente, es un caso particular de una metodología basada en
argumentos matemáticos bien fundamentados.
De acuerdo al teorema de Taylor, una función continua y diferenciable φ (x) puede ser

)
expresada en la vecindad del punto xi como una serie de la forma:

se
∂φ (x − xi )2 ∂ 2 φ (x − xi )3 ∂ 3 φ
φ (x) = φ (xi ) + (x − xi ) + +
∂x 2! ∂ x2 3! ∂ x3

u
xi xi xi
(3.1)
(x − xi )n ∂ nφ
A
+···+
n! ∂ xn xi
+ H, ra
donde el coeficiente H agrupa a los términos de orden superior no explicitados en la expre-
K
sión.
R
A partir del teorema de Taylor, es posible expresar el valor de la función φ en los puntos
o

xi±1 , correspondientes a los nodos adyacentes al nodo i de una grilla unidimensional como
la que se muestra en la Figura 3.2, en función de φ (xi ) y de sus derivadas en ese punto. De
av

este modo, para el nodo de coordenada xi+1 se tiene

D

∂φ (xi+1 − xi )2 ∂ 2 φi (xi+1 − xi )3 ∂ 3 φi
st

φ (xi+1 ) = φ (xi ) + (xi+1 − xi ) + + + H.

∂x xi 2! ∂ x2 xi 3! ∂ x3 xi
u

Utilizando esta ecuación podemos despejar la derivada ∂ φ /∂ x en función de los valores

nodales y de las derivadas de orden superior:
(G

∂ φi φi+1 − φi xi+1 − xi ∂ 2 φi (xi+1 − xi )2 ∂ 3 φi

= − + + H, (3.2)
∂x xi+1 − xi 2 ∂ x2 6 ∂ x3
donde hemos utilizado una nomenclatura definida para los valores discretos, es decir:
φi = φ (xi ), φi+1 = φ (xi+1 ),
∂ nφ i ∂ nφ
= .
∂ xn ∂ xn xi
1A pesar de que inicialmente consideramos una función φ que sólo depende de x, en este análisis continua-
remos utilizando la nomenclatura ∂ n φ /∂ xn para expresar las derivadas, de modo de mantener la consistencia
del texto a la hora de extender las definiciones a dominios multidimensionales y para no introducir confusiones
cuando se presente el tema específico de la solución numérica de ecuaciones diferenciales ordinarias.
2 Suponiendo que φ no es lineal, de lo contrario ambas pendientes resultarían iguales.
84 Capítulo 3. Fundamentos de las técnicas numéricas

FT
Figura 3.2: Discretización uniforme de un dominio unidimensional.

Del mismo modo, utilizando el valor de φ en el punto xi−1 se encuentra una expresión

)
análoga para la derivada primera de φ en xi :

se
∂ φi φi − φi−1 xi − xi−1 ∂ 2 φi (xi − xi−1 )2 ∂ 3 φi
= + − + H. (3.3)

u
∂x xi − xi−1 2 ∂ x2 6 ∂ x3
A
ra
Más aún, la derivada de φ en xi puede calcularse considerando ambos puntos xi+1 y
xi−1 . Para esto, escribimos la diferencia φ (xi+1 ) − φ (xi−1 ) en términos de la expansión (3.1)
K
y despejamos la derivada ∂ φi /∂ x, resultando:
R
o

∂ φi φi+1 − φi−1 (xi+1 − xi )2 − (xi − xi−1 )2 ∂ 2 φi

= −
∂x xi+1 − xi−1 2(xi+1 − xi−1 ) ∂ x2
av

3 3 3
(3.4)
(xi+1 − xi ) + (xi − xi−1 ) ∂ φi
− + H.
∂ x3
D

6(xi+1 − xi−1 )
st

Las tres expresiones obtenidas anteriormente para la derivada primera de la función

u

φ (x) en el punto xi serían exactas si se consideraran los infinitos términos de la expansión

en serie. Sin embargo, esto no tiene sentido ya que estamos buscando construir una aproxi-
(G

mación para evaluar numéricamente la derivada primera cuando no conocemos la función

(continua) φ (x) ni sus derivadas de orden superior. Dicha aproximación será posible siem-
pre que las distancias entre los puntos de la grilla |xi − xi−1 | y |xi+1 − xi | y las derivadas de
mayor orden sean pequeñas, de manera de poder despreciar el aporte de los términos de
orden superior. Entonces, asumiendo que dicha condición se cumple, la aproximación se
logra simplemente truncando la expansión en serie.
Para una discretización uniforme como las que consideraremos a lo largo de este capí-
tulo, la distancia ∆x entre nodos es la misma, por lo tanto, para el nodo interior genérico i
resulta que

xi+1 = xi + ∆x,
xi−1 = xi − ∆x.
3.2 El método de diferencias finitas 85

FT
)
Figura 3.3: Aproximación en diferencias finitas para la primera derivada de la función

se
φ (x) en el punto xi .

u
Con estas definiciones, podemos escribir las siguientes aproximaciones para la derivada
A
primera de la función φ en el punto xi
ra
∂ φi φi+1 − φi φi+1 − φi
K
≈ = , (3.5)
∂x xi+1 − xi ∆x
R

∂ φi φi − φi−1 φi − φi−1
o

≈ = , (3.6)
∂x xi − xi−1 ∆x
av

∂ φi φi+1 − φi−1 φi+1 − φi−1

≈ = . (3.7)
∂x xi+1 − xi−1 2∆x
D
st

Estas aproximaciones se conocen como los esquemas de diferencias finitas de Euler hacia
adelante (forward), hacia atrás (backward) y centrado de la derivada primera de φ en el
u

punto xi , respectivamente. En la Figura 3.3 se muestra gráficamente lo que representan estas

aproximaciones.
(G

3.2.2. Error de truncamiento y orden de la aproximación

La diferencia entre las aproximaciones obtenidas anteriormente y el valor exacto de
la derivada ∂ φi /∂ x se debe a los términos de orden superior de la expansión que no son
considerados en la aproximación. Esta diferencia se conoce como error de truncamiento
ya que están asociados justamente al hecho de haber truncado la serie en un número finito
de términos. El error de truncamiento cuantifica la exactitud de la aproximación y define
la tasa o rapidez con la cual la diferencia entre el valor exacto y el valor aproximado de
la derivada decrece con la reducción de la distancia entre puntos. Para nuestro caso de una
grilla uniforme con un espaciamiento constante ∆x = xi − xi−1 , el error de truncamiento es
una serie cuyos términos están formados por el producto entre una potencia creciente de ∆x
86 Capítulo 3. Fundamentos de las técnicas numéricas

y una derivada de φ en el punto xi , de orden también creciente:

∂ m+1 φi ∂ m+2 φi
etr = (∆x)m αm + (∆x)m+1
αm+1 +..., (3.8)
∂ xm+1 ∂ xm+2

donde los factores αm , αm+1 , . . . dependen del tipo de esquema numérico. Nótese que en
los esquemas de Euler descentrados (3.5) y (3.6) tenemos que m = 1 mientras que para el
esquema centrado (3.7), m = 2 ya que el término con factor (xi+1 − xi )2 − (xi − xi−1 )2 se
anula en la expansión (3.4) para una grilla uniforme.
La expresión (3.8) muestra que, si las derivadas de la serie truncada están acotadas, las
aproximaciones (3.5)–(3.7) convergen al valor exacto para ∆x → 0. Teniendo en cuenta que,
en general, el término de menor orden del error de truncamiento, correspondiente a m en el

FT
caso de la ecuación (3.8), es dominante frente a los términos posteriores cuando la distancia
∆x es pequeña, la magnitud del error de truncamiento queda definida por el valor de dicho
término y se dice que la aproximación es de orden m. El orden indica la rapidez con la cual

)
la aproximación converge hacia el valor exacto a medida que se reduce el espaciamiento ∆x

se
o, dicho de otro modo, con qué rapidez disminuye el error de truncamiento a medida que la
grilla es refinada. Es importante notar que el orden de la aproximación no dice nada acerca

u
de la magnitud absoluta del error.
A
Para las diferencias descentradas (3.5) y (3.6), las expansiones (3.2) y (3.3) nos permiten
ra
ver que el error de truncamiento es
K
∆x ∂ 2 φi (∆x)2 ∂ 3 φi
etr = − +....
2 ∂ x2 6 ∂ x3
R
o

Entonces, asumiendo que el primer término de la serie es dominante, resulta claro que al
av

reducir la distancia ∆x a la mitad, el error se reducirá en un factor de dos y se dice que

la aproximación es de primer orden ó O(∆x). Por otro lado, en el caso de la diferencia
D

centrada (3.7), la expansión (3.4) muestra que el error de truncamiento es

st

(∆x)2 ∂ 3 φi (∆x)4 ∂ 5 φi
u

etr = − − −...,
3 ∂ x3 60 ∂ x5
(G

por lo tanto, el error se reducirá en un factor de cuatro al achicar a la mitad el espaciamiento

∆x. En este caso, la aproximación es de segundo orden ó O(∆x)2 . De forma similar, en una
aproximación de tercer o cuarto orden el error de truncamiento se reducirá en un factor de
ocho o dieciséis, respectivamente, con la reducción a la mitad de ∆x.
Para construir aproximaciones en diferencias finitas de mayor orden, simplemente hay
que considerar más puntos de la grilla en donde evaluar la expansión en serie de Taylor de
la función φ (x). Así, por ejemplo, al utilizar los puntos xi+2 , xi−1 , xi+1 y xi+2 separados
entre sí por una distancia ∆x se obtiene una aproximación de cuarto orden para la derivada
primera:

∂ φi −φi+2 + 16φi+1 − 30φi + 16φi−1 − φi−2

= + O(∆x)4 . (3.9)
∂x 12(∆x)2
3.2 El método de diferencias finitas 87

3.2.3. Aproximación de derivadas de orden superior

Mediante la utilización de la expansión en serie de Taylor también pueden obtenerse
expresiones aproximadas para la estimación de las derivadas de orden superior a uno. Por
ejemplo, para obtener una aproximación de la derivada de segundo orden de φ (x), primero
expandimos φ (xi + ∆x) alrededor del punto xi

∂ φi (∆x)2 ∂ 2 φi (∆x)3 ∂ 3 φi
φ (xi + ∆x) = φi + ∆x + + +.... (3.10)
∂x 2! ∂ x2 3! ∂ x3
Ahora hacemos la expansión para φ (xi + 2∆x)

∂ φi (2∆x)2 ∂ 2 φi (2∆x)3 ∂ 3 φi
φ (xi + 2∆x) = φi + 2∆x + + +....

FT
∂x 2! ∂ x2 3! ∂ x3
Tomando la diferencia entre esta ecuación y la anterior multiplicada por 2, resulta

)
∂ 2 φi 3
3 ∂ φi

se
φ (xi + 2∆x) − 2φ (xi + ∆x) = −φi + (∆x)2 + (∆x) +...,
∂ x2 ∂ x3
y de aquí podemos despejar la derivada segunda de φ en xi

u
A
∂ 2 φi φ (xi + 2∆x) − 2φ (xi + ∆x) + φi ra
= + O(∆x).
∂ x2 (∆x)2
K
Siendo xi +∆x = xi+1 y xi +2∆x = xi+2 , la aproximación en diferencias finitas hacia adelante
de primer orden para la derivada segunda de φ en xi es:
R
o

∂ 2 φi φi+2 − 2φi+1 + φi
+ O(∆x). (3.11)
av

=
∂ x2 (∆x)2
Con el mismo procedimiento pero considerando los puntos x − ∆x y x − 2∆x, se obtiene
D
st

el esquema hacia atrás para la derivada segunda:

∂ 2 φi φi − 2φi−1 + φi−2
u

= + O(∆x). (3.12)
∂ x2 (∆x)2
(G

Para obtener un esquema centrado de la derivada segunda simplemente se suman las

expansiones correspondientes a φ (xi + ∆x) y φ (xi − ∆x). Siendo entonces

∂ φi (∆x)2 ∂ 2 φi (∆x)3 ∂ 3 φi
φ (xi − ∆x) = φi − ∆x + − +...,
∂x 2! ∂ x2 3! ∂ x3
la suma con la ecuación (3.10) nos permite eliminar los términos asociados a la derivada
primera y obtener así una aproximación centrada de la derivada segunda:

∂ 2 φi φi+1 − 2φi + φi−1

= + O(∆x)2 , (3.13)
∂ x2 (∆x)2
que, como vemos, es de segundo orden.
88 Capítulo 3. Fundamentos de las técnicas numéricas

Aproximaciones para las derivadas de órdenes superiores a dos pueden determinarse

utilizando un procedimiento similar. Sin embargo, es posible definir una expresión genérica
para la aproximación en diferencias finitas de la derivada de orden n de φ . Para ello, se
hace uso de los operadores de diferencias hacia adelante y hacia atrás, los cuales se definen
como:
∆nx (φi ) = ∆x ∆n−1
 
x (φi ) ,
(3.14)
∇nx (φi ) = ∇x ∇n−1
 
x (φi ) ,

donde
∆x (φi ) = φi+1 − φi ,
(3.15)
∇x (φi ) = φi − φi−1 .

FT
Entonces, por ejemplo la aproximación hacia adelante de la derivada de segundo orden
de φ está dada por

)
∆2x (φi ) ∆x (φi+1 − φi ) ∆x (φi+1 ) − ∆x (φi ) (φi+2 − φi+1 ) − (φi+1 − φi )

se
= = =
(∆x)2 (∆x)2 (∆x)2 (∆x)2
φi+2 − 2φi+1 + φi ∂ 2 φi

u
= = + O(∆x).
(∆x)2 ∂ x2
A
La aproximación de la derivada tercera es
ra
∆3x (φi ) ∆x ∆2x (φi )
K
∆x (φi+2 ) − 2∆x (φi+1 ) + ∆x (φi )
 
= =
(∆x)2 (∆x)2 (∆x)2
R
o

φi+3 − 3φi+2 + 3φi+1 − φi ∂ 3 φi

= = + O(∆x).
(∆x)2 ∂ x3
av

Esquemas centrados para las derivadas de alto orden pueden determinarse combinando
D

los operadores de diferenciación hacia adelante y hacia atrás (Hoffmann y Chiang, 2000):
st

n n
∂ n φi ∆x (φi− 2n ) + ∇x (φi+ n2 )
= + O(∆x)2 , para n par,
u

∂ xn 2(∆x)n
n (3.16)
∂ n φi ∆x (φi− n−1 ) + ∇nx (φi+ n−1 )
(G

= 2 2
+ O(∆x)2 , para n impar.
∂ xn 2(∆x)n
La aproximación de derivadas de alto orden no sólo es necesaria para resolver ecua-
ciones diferenciales de ese orden, sino que su evaluación permite incrementar el orden de
las aproximaciones de derivadas de orden inferior. Esto se hace simplemente sustituyendo
las derivadas de los términos del error de truncamiento por sus aproximaciones, siempre
teniendo en cuenta el orden asociado a ellas. Como ejemplo, consideremos el esquema de
Euler hacia adelante, que es de primer orden, para obtener una expresión de segundo orden
hacia adelante. Explicitando el término de menor orden del error de truncamiento tenemos
que:
∂ φi φi+1 − φi ∆x ∂ 2 φi
= − + O(∆x)2 .
∂x ∆x 2 ∂ x2
3.2 El método de diferencias finitas 89

Entonces, reemplazando la derivada segunda por la aproximación dada en la ecuación (3.11),

obtenemos
∂ φi φi+1 − φi ∆x φi+2 − 2φi+1 + φi
 
= − + O(∆x) + O(∆x)2 .
∂x ∆x 2 (∆x)2
Con esto se llega a una aproximación hacia adelante de segundo orden para la derivada
primera
∂ φi −φi+2 + 4φi+1 − 3φi
= + O(∆x)2 . (3.17)
∂x 2∆x
Con el mismo procedimiento se determina la aproximación de segundo orden hacia
atrás para la derivada primera
∂ φi 3φi − 4φi−1 + φi−2
∂x
=
2∆x

FT
+ O(∆x)2 . (3.18)

)
De esta manera, aproximaciones de mayor orden para los esquemas en diferencias fi-

se
nitas hacia adelante, hacia atrás y centrado se determinan manteniendo derivadas de mayor
orden en las expansiones y estimando sus valores con las aproximaciones correspondientes.

u
Con este procedimiento podríamos obtener esquemas con órdenes de aproximación muy
A
grandes a costa de incorporar una mayor cantidad de puntos en las expresiones aproxima-
ra
das. Naturalmente, esto requerirá de una mayor cantidad de operaciones aritméticas para
calcular el valor de las aproximaciones. Por este motivo, aproximaciones de diferencias
K
finitas de orden tres o superiores son raramente utilizadas en la prácitca, ya que el creci-
R
miento en el costo computacional que significa el aumento de las operaciones necesarias
o

para evaluar las derivadas hace conveniente utilizar aproximaciones de menor orden en gri-
llas más refinadas. En la Tabla 3.1 se presenta un resumen de los factores que intervienen
av

en los esquemas de diferencias finitas de primer y segundo orden para las derivadas primera
y segunda, que son las que utilizaremos mayormemente en nuestro estudio.
D
st

3.2.4. Diferencias finitas en dominios multidimensionales

u

En las secciones anteriores hemos presentado las aproximaciones en diferencias finitas

(G

para las derivadas de una función φi discretizada en M puntos de un dominio unidimensio-

nal. La extensión de estas aproximaciones a dominios multidimensionales, como el caso de
la Figura 3.1, es directa para grillas cartesianas, ya que esta configuración permite “sepa-
rar” el problema en las direcciones de los ejes coordenados. Por ejemplo, para una grilla
estructurada bidimensional cuyos nodos se encuentran uniformemente distribuidos y sepa-
rados entre sí por una distancia ∆x en la dirección x y una distancia ∆y en la dirección y,
las derivadas primeras de una función φ (x, y) en el punto de coordenadas (xi , y j ) pueden
aproximarse utilizando el esquema centrado
∂ φi, j φi+1, j − φi−1, j
= + O(∆x)2 ,
∂x 2∆x
(3.19)
∂ φi, j φi, j+1 − φi, j−1
= + O(∆y)2 .
∂y 2∆y
90 Capítulo 3. Fundamentos de las técnicas numéricas

φi+3 φi+2 φi+1 φi φi−1 φi−2 φi−3 Factor Orden

∂ φi 1 −1 1 O(∆x)
∂x ∆x
1 −1
∂ φi −1 4 −3 1 O(∆x)2
∂x 2∆x
1 −1
3 −4 1
∂ 2 φi 1 −2 1 1 O(∆x)
∂ x2 (∆x)2
1 −2 1

FT
∂ 2 φi −1 4 −5 2 1 O(∆x)2
∂ x2 (∆x)2
1 −2 1

)
2 4

se
−5 −1

Tabla 3.1: Resumen de factores para los esquemas de diferencias finitas de primer y

u
segundo orden para las derivadas primera y segunda.
A
ra
Es decir que la aproximación se realiza considerando cada dirección como si fuera un do-
minio unidimensional. Esto nos permite utilizar directamente los esquemas obtenidos en las
K
secciones anteriores.
R

Al igual que en el caso unidimensional, las aproximaciones dadas en la ecuación (3.19)

o

están basadas en la expansión en serie de Taylor, que para un dominio en dos dimensiones
av

se escribe de la siguiente manera:

D

∂φ ∂ φ (∆x)2 ∂ 2 φ
st

φ (x + ∆x, y + ∆y) = φ (x, y) + ∆x + ∆y +

∂x ∂y 2! ∂ x2
(3.20)
(∆y)2 ∂ 2 φ ∆x∆y ∂ 2 φ
u

3 3
2 O
 
+ + + (∆x) , (∆y) .
2! ∂ y2 2! ∂ x∂ y
(G

Según se observa en esta ecuación, al tomar ∆x = 0 o ∆y = 0, la expansión se reduce al

caso unidimensional y las aproximaciones de las derivadas con respecto a una sola de las
variables independientes son las mismas que las obtenidas previamente. Lo que aún resta
determinar es la aproximación para las derivadas cruzadas que obviamente no se presentan
en el caso unidimensional. Para ello, es posible emplear la expansión (3.20) y despejar de
allí la derivada ∂ 2 φ /∂ x∂ y (ver, por ejemplo, Hoffmann y Chiang, 2000) o, más simplemen-
te, podemos utilizar las aproximaciones ya obtenidas teniendo en cuenta que:

∂ 2φ ∂ ∂φ
 
= .
∂ x∂ y ∂ x ∂y

Entonces, haciendo uso de los esquemas centrados (3.19), la derivada ∂ 2 φ /∂ x∂ y en el punto

3.2 El método de diferencias finitas 91

(xi , yi ) se aproxima mediante

∂ 2 φi, j ∂ φi, j+1 − φi, j−1 1 ∂ φi, j+1 ∂ φi, j−1

   
2
= + O(∆y) = − + O(∆y)2
∂ x∂ y ∂x 2∆y 2∆y ∂x ∂x
lo cual resulta
∂ 2 φi, j 1 φi+1, j+1 − φi−1, j+1 φi+1, j−1 − φi−1, j−1
 
+ O (∆x)2 , (∆y)2 .
 
= −
∂ x∂ y 2∆y 2∆x 2∆x
Finalmente, la aproximación es

∂ 2 φi, j φi+1, j+1 − φi−1, j+1 − φi+1, j−1 + φi−1, j−1

+ O (∆x)2 , (∆y)2 . (3.21)
 
=
∂ x∂ y

FT
4∆x∆y

Con un análisis similar pueden determinarse aproximaciones de la derivada ∂ 2 φ /∂ x∂ y

de primer orden, utilizando esquemas descentrados para aproximar las derivadas primeras.

)
se
3.2.5. Aplicación del método de diferencias finitas

u
El objetivo de la aplicación del método de diferencias finitas es reemplazar una PDE (o
un sistema de PDEs) por un sistema de ecuaciones en diferencias finitas, es decir, reempla-
A
ra
zar un problema continuo por un problema discreto. Para ilustrar este proceso, consideremos
la ecuación de conducción del calor transitoria en un dominio unidimensional:
K
∂φ ∂ 2φ
=α 2, 0 ≤ x ≤ ℓ, (3.22)
R

∂t ∂x
o

en la cual se asume que el coeficiente de difusión térmica α es constante. Para poder resolver
av

esta ecuación, la misma debe estar acompañada de un conjunto de condiciones iniciales y

condiciones de contorno de la forma
D
st

φ (x, 0) = f (x),
∂φ
u

φ (0,t) = φ̄0 (t) ó = φ̄0′ ,

∂x x=0 (3.23)
(G

∂φ
φ (ℓ,t) = φ̄ℓ (t) ó = φ̄ℓ′ .
∂x x=ℓ

La ecuación diferencial (3.22) se aproxima en un dominio espacial discretizado en M

puntos igualmente distribuidos que se encuentran separados por una distancia ∆x, de modo
que xi = (i − 1)∆x, con i = 1, 2, . . . , M (ver Figura 3.2). El dominio temporal (t ≥ 0) también
se discretiza utilizando un paso de tiempo ∆t fijo, con lo cual el tiempo avanza a intervalos
finitos y cada instante se representa mediante un índice n tal que:3

t n = n∆t. (3.24)
3 No debe confundirse la notación t n , empleada usualmente para identificar el tiempo correspondiente al

instante con índice n, con la potencia n-ésima de t. Aunque puede prestarse a confusión, ésta es la nomenclatura
utilizada habitualmente en análisis numérico.
92 Capítulo 3. Fundamentos de las técnicas numéricas

De acuerdo a esta representación, el valor discreto de la variable dependiente φ en el punto

xi para el instante de tiempo t n se indica como φin .
El objetivo de la aplicación del método de diferencias finitas sobre la ecuación (3.22) es
estimar la evolución de la variable dependiente en el tiempo. Esto significa que debemos ob-
tener el valor de φ en cada nodo de coordenada xi para cada instante de tiempo considerado.
Nótese que, dado que estamos en presencia de un problema de valores iniciales, la función
φ (x,t) es conocida en el tiempo inicial t 0 = 0, ya que la condición inicial φ (x, 0) = f (x)
debe ser provista. Esto significa que los valores nodales iniciales son conocidos (resultan de
la asignación φi0 = f (xi )) y con ellos podemos construir una aproximación en diferencias
finitas para evolucionar la solución al siguiente instante de tiempo. De la misma manera,
en el tiempo t 1 = ∆t los valores φi1 son conocidos y podemos calcular los valores corres-
pondientes a t 2 = 2∆t. En resumen, los valores nodales de la variable φ son conocidos en

FT
cada instante de tiempo actual t n = n∆t y, a partir de ellos, se construye la aproximación en
diferencias finitas para estimar la evolución de φ en el tiempo t n+1 = (n + 1)∆t siguiente.
Como veremos a continuación, dependiendo de la forma en que se expresa la aproximación

)
discreta de la ecuación (3.22), el esquema puede ser explícito o implícito.

se
Formulación explícita

u
A
La forma explícita de la aproximación se obtiene considerando los valores nodales cono-
ra
cidos para construir el sistema de ecuaciones. Esto significa que sólo se utilizan los valores
nodales correspondientes al instante de tiempo actual en la aproximación de las derivadas
K
espaciales, de modo que las variables nodales del instante de tiempo siguiente se expresan
en términos de valores conocidos.
R
o

En el caso de nuestro ejemplo, empleamos un esquema centrado de segundo orden para

aproximar la derivada espacial (de segundo orden), por lo tanto:
av

t=t n n − 2φ n + φ n
∂ 2φ ∂ 2 φin φi+1
D

i i−1
= = + O(∆x)2 . (3.25)
st

∂ x2 x=xi ∂ x2 (∆x)2

Por otro lado, para la derivada temporal utilizamos un esquema descentrado de primer or-
u

den, siendo para cada nodo:

(G

t=t n
∂φ ∂ φin φin+1 − φin
= = + O(∆t). (3.26)
∂t x=xi ∂t ∆t

Reemplazando las derivadas en la ecuación diferencial (3.22) por las expresiones ante-
riores, obtenemos la formulación en diferencias finitas de la ecuación de difusión

φin+1 − φin φ n − 2φin + φi−1

n
= α i+1 + O (∆t), (∆x)2 . (3.27)
 
∆t (∆x) 2

Este tipo de aproximación se conoce como el método FTCS de Euler (del inglés forward
time centered space). El hecho de que el esquema sea “hacia adelante” en el tiempo radica
en que la derivada espacial se evalúa en el instante de tiempo n, de manera que la diferencia
3.2 El método de diferencias finitas 93

finita en el tiempo se computa realizando la discretización en dirección positiva. Análoga-

mente, se pueden obtener los métodos FTFS (forward space) y FTBS (backward space) si
se utilizan esquemas descentrados para la discretización espacial. Recordemos que en este
problema los valores de la función φ son conocidos en el nivel de tiempo n dado que par-
timos de los datos correspondientes a la condición inicial. Por lo tanto, los valores nodales
φin+1 del siguiente instante de tiempo se calculan directamente en función de los valores φin
conocidos. Esto lleva a una formulación explícita donde cada ecuación nodal presenta una
sola incógnita, la cual puede despejarse para ser evaluada en forma indepeniente. En este
caso, la ecuación (3.27) permite escribir:
α∆t
φin+1 = φin + n
φi+1 − 2φin + φi−1
n
+ O (∆t), (∆x)2 . (3.28)

 
(∆x)2

FT
La obtención de la solución discreta de la ecuación (3.22) consiste entonces en la reso-
lución de un conjunto de ecuaciones algebraicas desacopladas, una para cada nodo interior
del dominio espacial, o sea, para cada nodo de índice 2 ≤ i ≤ M − 1 según las definiciones

)
de la Figura 3.2 en nuestro ejemplo unidimensional. Además, dependiendo del tipo de con-

se
diciones de contorno, puede ser necesario resolver ecuaciones adicionales para los nodos de
los extremos (i = 1 e i = M) de acuerdo a lo siguiente:

u
Si en el borde existe una condición de contorno de Dirchlet, significa que el valor
A
ra
de la variable está prefijado en el nodo, por lo tanto, la función es conocida en ese
extremo y no es necesario resolver una ecuación para el nodo.
K
Si la condición de contorno es de Neumann o mixta, la derivada espacial inteviene
R

en la formulación del nodo del extremo, con lo cual, resulta necesario resolver una
o

ecuación adicional para conocer el valor de la función en el nodo, tal como veremos
av

en la Sección 3.2.6.
D

Formulación implícita
st

A diferencia de la formulación anterior, en este caso la ecuación discreta se constru-

ye utilizando los valores nodales φin+1 del instante de tiempo siguiente para aproximar las
u

derivadas espaciales. Esto significa que dichas derivadas se computan en términos de valo-
(G

res inicialmente “desconocidos” ya que, naturalmente, los valores nodales del instante de
tiempo siguiente no se conocen en el instante de tiempo actual (nivel n). De este modo,
utilizando nuevamente el esquema centrado de segundo orden para aproximar la derivada
espacial y un esquema descentrado de primer orden para el tiempo, la forma discreta de la
ecuación (3.22) es:

φin+1 − φin φ n+1 − 2φin+1 + φi−1

n+1
= α i+1 + O (∆t), (∆x)2 . (3.29)
 
∆t (∆x) 2

Esta formulación se conoce como el método BTCS de Euler (del inglés backward time
centered space), ya que el hecho de emplear los datos del instante de tiempo de índice n + 1
implica que la derivada temporal se aproxima con un esquema hacia atrás. En esta expre-
sión, cada ecuación nodal ahora involucra tres incógnitas correspondientes a valores de φ
94 Capítulo 3. Fundamentos de las técnicas numéricas

“futuros” (del próximo instante de tiempo), tanto en el propio nodo como en los nodos ve-
cinos. Consecuentemente, ya no es posible obtener una formulación explícita para calcular
la solución sino que debe resolverse un sistema de ecuaciones algebraicas acopladas de la
forma

[A] ϕn+1 = ϕn , (3.30)

donde ϕn+1 y ϕn son los vectores de variables nodales del nivel de tiempo siguiente n + 1
(incógnitas del sistema) y del instante actual n (conocidos). Debido a que las ecuaciones
nodales que conforman el sistema no pueden resolverse separadamente, se dice que el es-

FT
quema de diferencias finitas hacia atrás es implícito.
La dimensión del sistema (3.30) es igual a la cantidad de nodos interiores utilizados en
la discretización, por lo tanto, los vectores ϕ tienen M − 2 elementos en nuestro ejemplo

)
unidimensional. Por otra parte, los valores discretos φi próximos a los contornos se encuen-

se
tran afectados por “lo que sucede” en los bordes en una forma que depende del esquema
numérico. Para nuestra implementación del esquema BTCS podemos escribir:

u
A

φ2n + f1 (α, ∆x, ∆t, φ1 , . . . )
 ra
φ3n
K
 
..
 
ϕn =  . , (3.31)
 
R
n
φM−2
 
o

 
n
φM−1 + fM (α, ∆x, ∆t, φM , . . . )
av
D

donde las funciones f1 y fM dependen de la forma de las condiciones de contorno que se

st

prescriben en cada extremo del dominio físico (ver Sección 3.2.6).

La matriz de coeficientes [A] en el sistema (3.30) es una matriz rala (o sparse) debido
u

a que cada ecuación nodal involucra una pequeña cantidad de incógnitas en relación a la
(G

cantidad total de nodos. Si la numeración de los nodos se realiza de forma ordenada, [A]
es una matriz en banda ya que en cada ecuación nodal intervienen solamente los valores
nodales de los nodos vecinos. El ancho de la banda está directamente relacionado con el
orden del esquema utilizado en la discretización espacial. A mayor orden se requiere una
cantidad mayor de nodos vecinos para construir la aproximación de las derivadas y así crece
el ancho de la diagonal. En el caso del esquema BTCS, donde la aproximación de la derivada
espacial se hace con un esquema centrado de segundo orden, la matriz [A] es tridiagonal
y sus coeficientes se determinan reescribiendo la ecuación (3.31) de manera de llevar los
valores conocidos al miembro derecho y las incógnitas al miembro izquierdo:

α∆t n+1 α∆t α∆t n+1

 
− φi−1 + 2 + 1 φin+1 − φ = φin ,
(∆x)2 (∆x)2 (∆x)2 i+1
3.2 El método de diferencias finitas 95

con lo cual, la matriz de coeficientes presenta la siguiente forma:

 .
.. ...

0
 .
 .. ... .. 
 . 

2
α∆t  (∆x)
−1 2 + α∆t
 
−1
(3.32)

[A] =  2
,
(∆x)2  −1 2 + (∆x) −1

 α∆t 
 .. .. .. 

 . . . 

.. ..
0 . .

donde los elementos fuera de la banda tridiagonal son todos nulos.

FT
El hecho de que la matriz de coeficientes presente una estructura diagonal es una gran
ventaja, tanto desde el punto de vista de las operaciones requeridas para resolver el siste-

)
ma (3.30) como de la memoria necesaria para su almacenamiento. Esto permite la utili-

se
zación de eficientes métodos iterativos desarrollados especialmente para resolver este tipo
de problemas. Más allá de esta cualidad, debe notarse que la resolución de un sistema de
ecuaciones algebraicas acopladas siempre conlleva un costo computacional sustancialmente

u
mayor que el correspondiente a un conjunto de ecuaciones desacopladas como el que surge
A
ra
de la aplicación de la formulación explícita. Sin embargo, como veremos más adelante, las
formulaciones implícitas pueden presentar otras importantes ventajas frente a las formula-
ciones explícitas cuando se resuelven determinados tipos de problemas. Esto tiene que ver
K
con su mejor desempeño en cuanto a la estabilidad, lo cual a menudo permite “avanzar”
R

más rápido en el tiempo aun cuando deban realizarse más operaciones de cálculo para obte-
o

ner los valores nodales de los instantes de tiempo siguientes. Otro aspecto fundamental que
av

debe notarse es que el tipo de formulación utilizada (explícita o implícita) no tiene impli-
cancias en cuanto al orden de aproximación del método numérico. De hecho, los esquemas
D

de diferencias finitas implementados en este ejemplo son, en ambos casos, de primer orden
st

ya que el mínimo orden de aproximación es O(∆t) (primer orden)4 , más allá del tipo de
formulación empleada.
u

Un último punto a señalar antes de finalizar esta sección está relacionado con la re-
(G

presentación de las diferentes formulaciones. En ese sentido, lo que interesa conocer es la

disposición y la cantidad de valores numéricos implicados en la ecuación discreta de una
determinada aproximación. Esta información suele representarse gráficamente en forma de
un diagrama denominado stencil que permite visualizar rápidamente cuáles son los puntos
de la solución numérica que intervienen en la ecuación discreta. En el caso del método de
diferencias finitas, el stencil está compuesto por puntos que representan los valores noda-
les de la discretización y el diagrama se construye observando cuáles de ellos, tanto en el
espacio geométrico como temporal, intervienen en la ecuación nodal de un nodo interior
genérico. En la Figura 3.4 se muestran los stencils de los esquemas FTCS y BTCS que
obtuvimos para la ecuación de difusión unidimensional.

4 En ocasiones, este tipo de aproximaciones “mixtas” se expresan discriminando cada discretización por

separado, es decir que nuestro ejemplo es primer orden en el tiempo y segundo orden en el espacio
96 Capítulo 3. Fundamentos de las técnicas numéricas

Figura 3.4: Stencils de los esquemas de diferencias finitas aplicados a la ecuación de

difusión unidimensional.

3.2.6. Tratamiento de las condiciones de contorno

FT
Para la resolución tanto del conjunto de ecuaciones desacopladas que surge de la aplica-
ción de la formulación explícita como del sistema de ecuaciones simultáneas que resulta de
la formulación implícita, todavía resta definir de qué manera son consideradas las condicio-

)
nes de contorno del problema. Como vemos en las ecuaciones (3.27) o (3.29), la utilización

se
de diferencias centradas para la aproximación de la derivada espacial requiere que se co-
nozcan los valores de la función φ en los puntos vecinos a cada lado del nodo considerado.

u
Entonces, en las aproximaciones correspondientes a los puntos adyacentes a los extremos
A
del dominio, es decir, los nodos identificados con los índices i = 2 e i = M − 1 en nuestro
ra
ejemplo unidimensional, se necesita estimar el valor de la función φ en los contornos (nodos
con i = 1 e i = M) o, inclusive, en puntos exteriores al dominio físico (i < 1 e i > M) cuando
K
se utilizan aproximaciones de mayor orden. Obviamente, la forma de estimar estos valores
R
depende del tipo de condiciones de contorno que acompañan a la ecuación diferencial.
o
av

Condiciones de contorno de Dirichlet

De acuerdo a lo visto en el Capítulo 2, las condiciones de contorno de tipo Dirichlet son
D
st

aquellas donde se impone el valor de la variable sobre el contorno, esto es

φ = f (s) en Γ,
u

siendo Γ el contorno del dominio físico y s la coordenada que recorre el mismo. La función
(G

f (s), que es un dato del problema, puede a su vez ser función del tiempo (condiciones de
contorno variables en el tiempo).
Si el valor de la variable es conocido en el contorno del dominio físico, no es necesario
resolver ecuaciones adicionales ya que, en ese caso, los valores prefijados simplemente
se sustituyen en las aproximaciones donde intervienen los nodos del contorno. En nuestro
ejemplo, esto equivale a que, para condiciones de contorno de la forma
φ (0,t) = φ̄0 ,
φ (ℓ,t) = φ̄ℓ ,
los valores nodales en los extremos son directamente
φ1n = φ̄0 ,
φMn = φ̄ℓ .
3.2 El método de diferencias finitas 97

Con estas igualdades, las aproximaciones de las derivadas espaciales en los puntos x2 =
∆x (el primer punto interior) y xM−1 = ℓ − ∆x (el último punto interior), resultan

∂ 2 φ2 φ3 − 2φ2 + φ1 φ3 − 2φ2 + φ̄0

≈ = ,
∂ x2 (∆x)2 (∆x)2
(3.33)
∂ 2 φM−1 φM − 2φM−1 + φM−2 φ̄ℓ − 2φM−1 + φM−2
≈ = .
∂ x2 (∆x)2 (∆x)2

Esto significa que, como hemos anticipado, en el caso de la formulación explícita no es

necesario resolver ecuaciones adicionales para determinar los valores nodales en los extre-
mos. Por otro lado, para la formulación implícita las funciones f1 y fM en la expresión (3.31)
con estas condiciones de contorno de Dirichlet son simplemente

f1 (α, ∆x, ∆t, φ̄0 ) =

α∆t
(∆x)2

FT
φ̄0 ,
(3.34)

)
α∆t
fM (α, ∆x, ∆t, φ̄ℓ ) = φ̄ℓ .

se
(∆x)2

La complicación puede surgir cuando se emplean esquemas centrados de mayor orden

u
o diferencias descentradas cuyas aproximaciones involucran más de dos nodos vecinos. En
A
ra
esos casos, es necesario conocer los valores de la función φ fuera del dominio físico, por
ejemplo, en los puntos x−2 , x−1 , xM+1 y xM+2 . Esta situación, en principio, podría resolverse
utilizando aproximaciones diferentes a la de los nodos interiores en los puntos adyacentes
K
a los extremos, de modo que las derivadas queden expresadas únicamente en términos de
R

los valores nodales en los puntos interiores. Así, por ejemplo, en el extremo izquierdo pue-
o

de emplearse un esquema hacia adelante y en el extremo derecho un esquema hacia atrás,

av

lo cual permite estimar las derivadas utilizando los valores de los puntos interiores al do-
minio solamente, manteniendo el orden de la aproximación. Sin embargo, este tratamiento
D

no siempre es posible debido a inconvenientes de estabilidad que pueden desarrollarse de-

st

pendiendo de las propiedades matemáticas del problema, las cuales no permiten emplear
esquemas en determinadas direcciones. En ese caso, será necesario asignar valores a los no-
u

dos “ficticios”, también llamados nodos fantasma, que están fuera del dominio físico. Dicho
valor se define utilizando algún criterio que represente la condición de borde. Por ejemplo,
(G

para condiciones de borde de tipo Dirichlet, sería válido imponer sobre los nodos fantasma
el valor prefijado en el extremo.

Condiciones de contorno de Neumann

Las condiciones de contorno de Neumann implican que el gradiente de la variable de-
pendiente en el extremo, en dirección normal al contorno, tiene un valor conocido, es decir:

∂φ
= f (s) en Γ,
∂n
donde, nuevamente, s es la coordenada que recorre el contorno Γ y la función f (s) es un
dato del problema que puede variar en el tiempo.
98 Capítulo 3. Fundamentos de las técnicas numéricas

Debido a que no contamos con el valor de la variable en el contorno, este tipo de con-
diciones de borde requiere resolver ecuaciones adicionales para conocer los mismos y así
poder evaluar las aproximaciones en diferencias finitas de las derivadas de los puntos inte-
riores. En el caso de nuestro ejemplo unidimensional, las condiciones de Neumann tienen
la forma
∂φ
= φ̄0′ ,
∂x x=0
∂φ
= φ̄ℓ′ .
∂x x=ℓ

Para determinar el valor de φ en los nodos de los extremos con coordenadas x1 = 0 y

FT
xM = ℓ, debe escribirse una aproximación en diferencias finitas adecuada para cada uno de
los gradientes prefijados. Esto significa que, en el extremo izquierdo, tendremos que utilizar
un esquema hacia adelante de modo que los puntos intervinientes sean interiores al dominio

)
y, en el extremo derecho, una aproximación hacia atrás. Por otro lado, es conveniente que

se
el orden de la aproximación para las derivadas en los contornos sea igual al orden de la
aproximación utilizada para la resolución global del problema, es decir que, si estamos

u
usando una aproximación de segundo orden para las derivadas espaciales, los esquemas
descentrados en los extremos para evaluar las derivadas serán (ver Tabla 3.1):
A
ra
∂φ −φ3 + 4φ2 − 3φ1
= φ̄0′ ≈ ,
K
∂x x=0 2∆x
∂φ 3φM − 4φM−1 + φM−2
R

= φ̄ℓ′ = ,
o

∂x x=ℓ 2∆x
av

de donde resulta
−φ3 + 4φ2 2∆x ′
D

φ1 = − φ̄ ,
st

3 3 0 (3.35)
4φM−1 − φM−2 2∆x ′
φM = + φ̄ .
u

3 3 ℓ
(G

En el caso de la formulación explícita, estas expresiones se utilizan directamente para

determinar el valor de φ correspondiente al instante de tiempo actual en los extremos (nodos
de coordenadas x1 y xM ). Posteriormente, dichos valores son utilizados para determinar los
valores nodales φ2n+1 y φM−1
n+1
, respectivamente. Por otro lado, en la formulación implícita
las expresiones anteriores deben introducirse en las ecuaciones nodales de los puntos i = 2 e
i = M −1 para obtener no sólo las funciones f1 y fM del miembro derecho del sistema (3.30)
(primer y último elemento del vector ϕn ), sino también los coeficientes de la primera y la
última fila de la matriz de coeficientes [A], ya que los valores nodales en la ecuación (3.35)
corresponden al instante de tiempo n + 1. Así, por ejemplo, la primera fila del sistema (3.30)
para la condición de Neumann establecida más arriba es:

α∆t 2 (∆x)2 2 n+1 2 α∆t ′

  
n+1
+ φ2 − φ3 = φ2n − φ̄ . (3.36)
(∆x) 2 3 α∆t 3 3 ∆x 0
3.3 Propiedades de los métodos numéricos 99

2
Nótese que, en este caso, la función f1 es igual a − 3∆x φ̄0′ de acuerdo a la expresión (3.31).
Condiciones de contorno mixtas que prescriben el valor de una combinación entre la
variable y su gradiente normal al contorno tienen un tratamiento similar que resulta en una
ecuación adicional para conocer el valor de la variable dependiente en el contorno.

3.3. Propiedades de los métodos numéricos

Resulta claro que la utilidad de los métodos numéricos radica en la posibilidad de que,
de algún modo, pueda garantizarse que las soluciones que se obtienen por medio de su
aplicación son una aproximación de la solución exacta del problema original. Esta condi-
ción está relacionada con la propiedad de convergencia de un método numérico, la cual

FT
establece que el método es convergente cuando la solución numérica se aproxima cada vez
más a la solución exacta a medida que se aumenta la resolución de la discretización (tanto
espacial como temporal). Llevando esta definición al caso particular de nuestro ejemplo uni-

)
dimensional de la ecuación de conducción del calor transitoria, la convergencia del método

se
numérico implica que para ∆x → 0 y ∆t → 0, el error (de todo tipo) también tiende a cero
(e → 0).
En general, la convergencia de un método numérico es muy difícil de verificar de manera

u
directa, por lo que su análisis suele hacerse empleando una ruta alternativa que consiste en
A
ra
evaluar otras propiedades cuyo cumplimiento permite asumir que el método es convergente.
Estas propiedades son la consistencia y la estabilidad y su relación con la convergencia
K
queda establecida por medio del conocido Teorema de Lax.
R
o

3.3.1. Convergencia
av

Formalmente, la convergencia es la propiedad por la cual un sistema de ecuaciones

algebraicas resultante de la discretización de una ecuación diferencial se acerca a la solución
D

exacta de ésta para cada valor de las variables independientes a medida que la distancia entre
st

puntos de la grilla, tanto espacial como temporal, se reduce. Para el problema de valores
iniciales y de contorno (3.22), la convergencia se expresa de la siguiente manera:
u

φin → φ (xi ,t n ) para ∆x → 0, ∆t → 0,

(G

(3.37)

entendiendo que φin es el valor discreto aproximado de la función continua φ (x,t) que es
la solución exacta de la ecuación diferencial. Como dijimos más arriba, la convergencia del
método significa que el error (de todo tipo) se reduce continuamente a medida que aumenta
la resolución de la grilla.
Sin dudas, la convergencia es la propiedad más importante de un método numérico ya
que su cumplimiento garantiza la verdadera utilidad del mismo. La demostración directa de
que una solución aproximada proveniente del sistema de ecuaciones algebraicas resultante
de una discretizción converge a la solución exacta de una PDE (o sistema de PDEs) es, en
general, muy difícil de obtener inclusive para los casos más sencillos, como el esquema de
diferencias finitas aplicado a la ecuación de difusión del calor. Por este motivo, es necesario
recurrir a un camino alternativo para verificar formalmente la convergencia de un método
100 Capítulo 3. Fundamentos de las técnicas numéricas

numérico. Por otro lado, la mayoría de los problemas de flujo de fluidos no poseen solucio-
nes exactas conocidas que provean datos analíticos para comparar las soluciones numéricas,
por lo tanto, la convergencia de los métodos aplicados en la Dinámica de Fluidos Compu-
tacional en general no puede verificarse de forma directa y suele inferirse, primeramente,
a partir de los resultados de problemas más simples. Posteriormente se comprueba que la
diferencia entre los resultados numéricos del problema de interés para grillas cada vez más
refinadas tiende a cero, lo cual representa una “manera numérica” aunque no estrictamente
válida de verificar que los resultados convergen a una solución única independiente de la
malla.

Teorema de equivalencia de Lax

FT
El teorema de equivalencia de Lax permite demostrar de manera indirecta la convergen-
cia de un esquema numérico ya que establece que, dado un problema de valores iniciales
bien condicionado y una aproximación en diferencias finitas que satisface la condición de

)
se
consistencia, la estabilidad es la condición necesaria y suficiente para que se satisfaga la
convergencia. Aunque el teorema de equivalencia de Lax está expresado en términos de
aproximaciones en diferencias finitas, éste puede aplicarse a cualquier procedimiento de

u
discretización que produzca incógnitas nodales, como el método de elementos finitos (Flet-
A
ra
cher, 1991). Teniendo en cuenta que, contrariamente a lo que sucede con la verificación
directa de la convergencia, la estabilidad de un método numérico y su consistencia con las
ecuaciones diferenciales originales son relativamente simples de comprobar, el teorema de
K
equivalencia de Lax cobra una vital importancia en el análisis de los esquemas numéricos.
R

En este texto introductorio admitiremos como válido este teorema pero no presentaremos
o

su demostración formal (para ello, ver Richtmyer y Morton, 1967, entre otros). Más allá
av

de esto, es importante tener en cuenta que la validez del Teorema de Lax ha sido estric-
tamente demostrada sólo para el caso particular de ecuaciones diferenciales lineales, con
lo cual el cumplimiento de la consistencia y la estabilidad no garantizan completamente la
D
st

convergencia de un esquema numérico aplicado a ecuaciones no lineales. Sin embargo, la

verificación simultánea de estas dos propiedades constituye una condición necesaria para
u

que, de forma general, el esquema pueda ser convergente. De esta manera, aunque los pro-
blemas de flujo de fluidos de interés son problemas no lineales de valores en el contorno y/o
(G

valores iniciales, la aplicación del teorema de Lax nos permite descartar definitivamente las
discretizaciones que resulten incosistentes y los esquemas numéricos inestables para luego
analizar la convergencia numéricamente.
En la aplicación práctica del Teorema de Lax, el estudio de la convergencia suele en-
focarse principalmente en el análisis de la estabilidad, ya que la consistencia de la discre-
tización con las ecuaciones difrenciales de gobierno queda en general garantizada por el
desarrollo mismo de la formulación. Por otra parte, debe tenerse en cuenta que la propie-
dad de convergencia de un esquema numérico es aplicable a cualquier discretización im-
plementada para resolver problemas gobernados por ecuaciones diferenciales de cualquier
tipo (hiperbólicas, parabólicas o elípticas). Contrariamente, la estabilidad está asociada a la
propagación de los errores en el tiempo por lo que es un concepto válido solamente para
problemas de avance (hiperbólicos y parabólicos) en los cuales la solución cambia “instan-
3.3 Propiedades de los métodos numéricos 101

te a instante”. Naturalmente, esto restringe la aplicación del Teorema de Lax solamente a

este tipo de problemas, mientras que el análisis numérico de los problemas de equilibrio
generalmente está relacionado con el estudio de los métodos empleados para resolver los
sistemas lineales que resultan de la discretización. En esos casos, la solución aproximada
suele obtenerse por medio de métodos iterativos, como el método de Gauss-Seidel, los cua-
les comparten algunos aspectos concernientes a la estabilidad de la solución de problemas
de avance, aunque conceptualmente son situaciones bien diferentes. Por este motivo, pue-
de existir confusión entre las propiedades de convergencia y de estabilidad del esquema
numérico propiamente dicho, es decir, aquel que surge de la discretización de la ecuación
diferencial, y la convergencia y estabilidad del método iterativo de resolución de sistemas
de ecuaciones algebraicas. Para evitar estas confusiones, la propiedad de convergencia del
esquema numérico suele ser referida como convergencia de truncamiento (o de discretiza-

FT
ción) y la convergencia del algoritmo de solución del sistema lineal como convergencia de
iteración.

)
se
3.3.2. Consistencia

u
Se dice que un sistema de ecuaciones algebraicas que resulta del proceso de discre-
tización es consistente con la ecuación diferencial que aproxima si, en el límite donde la
A
ra
distancia entre nodos de la grilla tiende a cero, el sistema de ecuaciones algebraicas es equi-
valente a la ecuación diferencial en cada punto de la grilla. Claramente, la consistencia es
K
una condición necesaria para que la solución aproximada converja a la solución exacta de
la PDE. Sin embargo, esta propiedad no es una condición suficiente para que el esquema
R
o

sea convergente. Esto se debe a que, aunque el sistema de ecuaciones algebraicas sea equi-
valente a la ecuación diferencial original cuando la grilla está infinitamente refinada, una
av

condición de inestabilidad puede alejar de forma ilimitada la solución aproximada de la

solución exacta.
D
st

Para evaluar la consistencia de un esquema numérico se introduce la solución exacta

del problema en la ecuación algebraica que resulta de la discretización, para luego expandir
u

en serie de Taylor todos los valores nodales (exactos) alrededor de un mismo punto. En el
método de diferencias finitas este procedimiento es directo ya que los valores discretos se
(G

corresponden directamnete con los valores exactos en cada nodo, de manera que la sustitu-
ción se hace sobre la ecuación nodal y el punto alrededor del cual se realiza la expansión
es el nodo que esa ecuación representa. Finalmente, la consistencia se cumple si la expre-
sión obtenida a partir de la sustitución y la posterior expansión tiende a la PDE original a
medida que la grilla se refina. Para ejemplificar esta técnica, consideremos la ecuación de
difusión (3.22) que analizamos previamente. Sustituyendo la solución exacta φ (x,t) en la
ecuación en diferencias finitas (3.27) correspondiente al método FTCS resulta:

φ (xi ,t n+1 ) − φ (xi ,t n ) φ (xi+1 ,t n ) − 2φ (xi ,t n ) + φ (xi−1 ,t n )

=α .
∆t (∆x)2

Ahora se expande cada uno de los términos de esta ecuación en una serie de Taylor
102 Capítulo 3. Fundamentos de las técnicas numéricas

alrededor del punto (xi ,t n ), con lo cual se obtiene

t=t n t=t n t=t n
∂φ ∆t ∂ 2 φ (∆t)2 ∂ 3 φ
+ + +...
∂t x=xi 2! ∂t 2 x=xi 3! ∂t 3 x=xi
" t=t n t=t n t=t n
# (3.38)
1 ∂ 2φ (∆x)2 ∂ 4 φ (∆x)4 ∂ 6 φ
= 2α + + +... .
2! ∂ x x=xi
2 4! ∂ x x=xi
4 6! ∂ x6 x=xi

Nótese que los términos que están multiplicados por el paso de tiempo ∆t y el espa-
ciamiento de la grilla ∆x conforman los errores de truncamiento de las aproximaciones en
diferencias finitas de la derivada primera con respecto al tiempo (de orden O(∆t)) y de la de-
rivada segunda con respecto a x (de orden O(∆x)2 ), respectivamente. Por lo tanto, podemos

FT
escribir:
t=t n t=t n
∂φ ∂ 2φ
+ etr∆t =α + etr∆x . (3.39)

)
∂t x=xi ∂ x2 x=xi

se
Aquí vemos, entonces, que esta ecuación diferencial difiere de la ecuación de difu-
sión (3.22) en los términos contenidos dentro de los errores de truncamiento etr∆t y etr∆x .

u
Como sabemos, estos errores se reducen a medida que ∆t → 0 y ∆x → 0 si las derivadas de
A
ra
orden superior de φ se mantienen acotadas, lo cual podemos asumir como válido. De esta
forma, el método FTCS es consistente con la ecuación diferencial (3.22). Con un análisis
similar se alcanza la misma conclusión para el esquema BTCS.
K
Este resultado puede parecer obvio ya que el esquema de diferencias finitas se obtuvo
R

a partir de las aproximaciones de las derivadas deducidas, justamente, de una expansión

o

en serie de Taylor, de modo que el “proceso inverso” naturalmente devuelve la ecuación

av

diferencial original cuando el error de truncamiento es nulo. De hecho, puede demostrarse

que, siempre que el error de truncamiento se reduzca continuamente con el refinamiento de
D

la malla, el sistema de ecuaciones algebraicas resultante de la discretización es consistente

st

con la PDE original (Pletcher et al., 2013). Un ejemplo de un esquema donde la consistencia
no resulta tan clara es la llamada discretización de DuFort-Frankel (DuFort y Frankel, 1953),
u

cuyo error de truncamiento es de orden O(∆t/∆x), por lo que el sistema no será consistente
a menos que el refinamiento se realice de forma que ∆t/∆x → 0.
(G

3.3.3. Estabilidad
La estabilidad de un esquema numérico tiene que ver con la respuesta de la solu-
ción aproximada ante cualquier perturbación espontánea producida, fundamentalmente, por
errores de redondeo que surgen de la evaluación numérica de las ecuaciones discretas. Si la
tendencia de la solución frente a la perturbación es la de reducir el error o de mantenerlo en
niveles muy bajos, el esquema es estable. En caso contrario, el esquema es inestable.
Como hemos mencionado, la estabilidad concierne exclusivamente a problemas de avan-
ce, es decir que está relacionada a la resolución de ecuaciones parábolicas e hiperbólicas,
y la tendencia del esquema ante las perturbaciones se evalúa considerando la evolución
de la solución numérica en instantes de tiempo sucesivos. Si bien el efecto de los errores
3.3 Propiedades de los métodos numéricos 103

de redondeo no puede cuantificarse analíticamente, existen métodos que permiten evaluar

la estabilidad del esquema y, aunque éstos son estrictamente válidos sólo para ecuaciones
lineales, en general es posible extrapolar los resultados (en un sentido aproximado) para
considerar ecuaciones no lineales.
La evaluación de la estabilidad de un esquema numérico consiste básicamente en deter-
minar bajo qué condiciones el esquema será estable, pudiendo resultar incondicionalmente
estable cuando no existen restricciones para que se satisfaga la estabilidad, condicionalmen-
te estable cuando es necesario que se cumplan ciertas relaciones para que el esquema sea
estable, o incondicionalmente inestable cuando no existen condiciones que permitan obte-
ner un esquema estable. Naturalmente, un esquema incondicionalmente inestable no tiene
utilidad práctica sin importar cualquier otra característica que éste pueda presentar.
Como dijimos antes, un método particular es estable si el efecto acumulativo de los

FT
errores de redondeo, que son aquéllos generados por la operación de la computadora con
números de precisión limitada, es despreciable. Los errores de redondeo se deben a que la
cantidad de dígitos utilizados por una computadora para realizar operaciones matemáticas

)
se
es limitada, por lo tanto, es necesario efectuar el redondeo de aquellos números cuya canti-
dad de decimales excede el tamaño de la mantisa disponible en el ordenador. De esta forma,
la computadora en realidad realiza cálculos aproximados cuando en las operaciones inter-

u
vienen números irracionales, fracciones periódicas o cualquier número cuya cantidad de
A
ra
cifras significativas sobrepase la precisión máxima disponible. Esto implica que la solución
computacional del sistema de ecuaciones algebraicas resultante de la discretización no sa-
tisface estrictamente la ecuación en diferencias finitas (o cualquier otra ecuación discreta),
K
sino que existe una diferencia entre la solución numérica φin y la solución computacional
R
∗φ n , tal que
i
o

∗ n
= φin + e,
av

φi (3.40)

donde e es el error de redondeo introducido en el punto (i, n) interior al dominio físico

D
st

(1 < i < M).

Es importante determinar de qué manera los errores de redondeo evolucionan con la
u

solución a lo largo del tiempo. Claramente, esto tiene sentido en problemas de valores ini-
ciales ya que en los problemas de equilibrio la solución no cambia en el tiempo y no hay
(G

propagación de errores. De allí que el concepto de estabilidad de un equema numérico es

aplicable exclusivamente a este tipo de problemas. El objetivo del análisis es entonces eva-
luar de qué manera el esquema numérico influye sobre los errores de redondeo, los cuales
pueden entenderse, desde el punto de vista matemático, como perturbaciones espontáneas
que aparecen en la solución discreta. Si el esquema numérico tiende a magnificar estos
errores, el método de discretización es inestable mientras que si los mismos se mantienen
en niveles bajos que permiten despreciarlos, el esquema es estable.
Consideremos para este análisis el método FTCS dado en (3.27) para resolver la ecua-
ción de difusión (3.22) que venimos estudiando. Como ya hemos establecido, el cómputo
de las soluciones por parte del ordenador se realiza utilizando los valores computacionales
de la solución, es decir, los valores nodales “exactos” afectados por los errores de redondeo.
De esta forma, desde el punto de vista de la operación computacional, la ecuación nodal del
104 Capítulo 3. Fundamentos de las técnicas numéricas

esquema FTCS es:

∗ n+1 α∆t
φi = ∗φin + ∗ n
φi+1 − 2 ∗φin + ∗φi−1
n
(3.41)


,
(∆x)2

Introduciendo la ecuación (3.40) en esta expresión y reagrupando términos se obtiene:

α∆t α∆t n
φin+1 + ein+1 = φin + n
− 2φin + φi−1
n

n
φi+1 ei+1 − 2ein + ei−1
n


2
+ ei + 2
.
(∆x) (∆x)

Esta ecuación muestra que, además del error de redondeo generado por la evaluación
computacional de la ecuación (3.41), la solución ∗ φin+1 está afectada por un error adicional
debido a la evolución numérica de los errores generados en el instante de tiempo t n en los

FT
nodos vecinos y en el propio nodo, el cual responde a la misma ecuación discreta de la
variable. Para el método FTCS aplicado a la ecuación de difusión esto es:

)
α∆t n
ein+1 = ein + ei+1 − 2ein + ei−1
n
(3.42)

se


2
.
(∆x)

Entonces, asumiendo que las condiciones iniciales y de contorno están dadas de modo

u
que los errores iniciales ei0 y los errores en los contornos e1n y eM
n son nulos, resulta que las
A
ra
soluciones computacionales de los nodos interiores del dominio estarán libres de errores (en
relación a las soluciones numéricas φin ) sólo cuando los errores de redondeo de todos los
puntos interiores del dominio y para cada instante de tiempo previo sean nulos.
K
El hecho de que la evolución de los errores de redondeo responda a la misma ecuación
R

discreta de la variable es una propiedad de todos los métodos numéricos lineales, que son
o

aquellos métodos en los cuales la ecuación de la evolución de la variable puede escribirse en

av

términos de un operador lineal (LeVeque, 1992). Por otra parte, a diferencia de los errores
de redondeo, que son muy pequeños en comparación con las magnitudes de referencia del
D

problema, el error ∗ ein+1 puede hacerse muy grande si el efecto del esquema numérico sobre
st

el mismo es el de hacerlo crecer a medida que el tiempo avanza. Evidentemente, esta situa-
ción lleva al colapso de la solución numérica por lo que se deben determinar las condiciones
u

necesarias para evitar que dicho comportamiento se desarrolle. Si esas condiciones existen
(G

el método numérico será estable.

Las técnicas más difundidos para el análisis de estabilidad de un esquema numérico son
el método de von Neumann, que veremos a continuación, y el método de la matriz, cuyos
detalles pueden consultarse, por ejemplo, en el libro de Fletcher (1991). Ambos métodos se
basan en predecir si existe o no un crecimiento del error entre la solución exacta del sistema
discreto y la solución realmente calculada por la computadora asumiendo que es válida la
aplicación del principio de superposición.

3.3.4. Análisis de estabilidad de von Neumann

El análisis de estabilidad de von Neumann es el método más utilizado para determinar
el criterio de estabilidad de un esquema numérico. Desafortunadamente, este método puede
emplearse solamente en problemas de valores iniciales lineales con coeficientes constantes
3.3 Propiedades de los métodos numéricos 105

y condiciones de contorno de Dirichlet, pero problemas más generales que involucren no

linealidades y coeficientes variables pueden analizarse localmente con los términos no li-
neales temporalmente “congelados”. En estos casos, el análisis de von Neumann permite
establecer condiciones de estabilidad necesarias pero no siempre suficientes. Por otro lado,
la aplicación del método es estrictamente válida sólo para puntos interiores del dominio,
aunque su implementación para evaluar la influencia en la estabilidad de condiciones de
contorno que involucran derivadas puede hacerse separadamente, considerando el algorit-
mo utilizado en los contornos (Trapp y Ramshaw, 1976).
Para establecer el criterio de estabilidad, el análisis de von Neumann considera que la
solución del problema está representada por una serie de Fourier. En esta serie, cada modo
crecerá o decrecerá dependiendo de la ecuación discreta. Generalmente, dicha ecuación
puede escribirse en términos de un factor de crecimiento (o decrecimiento) para cada modo.

FT
Si algún modo de la serie crece sin límites, significa que la ecuación discreta tiene una
solución inestable ya que, como vimos en la ecuación (3.42), la evolución del error generado
en un instante de tiempo responde a la ecuación discreta cuando el método de discretización

)
se
es lineal, como sucede con los esquemas de diferencias finitas clásicos. El análisis de von
Neumann consiste entonces en determinar si las componentes de la serie de Fourier de la
distribución de error decaen o se amplifican cuando la solución progresa al siguiente instante

u
de tiempo.
A
ra
Para mostrar la aplicación del método de von Neumann realizaremos el análisis sobre
el esquema explícito (3.27) (método FTCS) obtenido para la ecuación de difusión unidi-
mensional. Primeramente, expresamos el vector error en = (e2n , e3n , . . . , eM−1
n ) en el tiempo t n
K
como una serie de Fourier finita de M − 2 modos, donde el error en el punto xi (componente
R

ein ) se escribe como:

o
av

M−2
ein = ∑ anm exp (iθm i) , i = 2, 3, . . . , M − 1, (3.43)
m=1
D
st

√
siendo i = −1 la unidad imaginaria, anm la amplitud del modo m en el instante t n y θm =
m(2π∆x/ℓ) el número de onda m. Esta expresión asume que la distribución del error es
u

periódica en el intervalo de interés (0 ≤ x ≤ ℓ).

(G

Teniendo en cuenta que la ecuación diferencial es lineal, de aquí la restricción en la

aplicación del método, podemos asumir que se cumple el principio de superposición. Con-
secuentemente, es suficiente examinar el comportamiento de un término génerico de la serie
en el punto (i, n) para analizar la evolución del error:

n
em,i = anm exp (iθm i) . (3.44)

Sustituyendo esta expresión en la ecuación del error (3.42), que corresponde a la evolución
del error en el esquema FTCS, se obtiene

an+1 n
m exp (iθm i) = cam exp [iθm (i + 1)] +
(1 − 2c)anm exp [iθm i] + canm exp [iθm (i − 1)] , (3.45)
106 Capítulo 3. Fundamentos de las técnicas numéricas

donde se ha utilizado el factor

α∆t
c= . (3.46)
(∆x)2
Expandiendo los términos exponenciales de acuerdo a

exp [iθm (i + 1)] = exp(iθm i) exp(iθm ), y exp [iθm (i − 1)] = exp(iθm i) exp(−iθm ),

es posible eliminar el factor exp(iθm i) de la ecuación (3.45), resultando

an+1
m
= c [exp (iθm ) + exp (−iθm )] + (1 − 2c).
anm

FT
Finalmente, utilizando las identidades trigonométricas

exp(iθm ) + exp(−iθm ) θm
cos θm = 1 − 2 sin2

)
cos θm = , y ,
2 2

se
se obtiene la expresión del factor de amplificación del error

u
an+1
m θm
G= = 1 − 4c sin2 . (3.47)
A
n
am 2 ra
Aquí podemos ver que el error no crecerá (en valor absoluto) en la medida que el valor
K
absoluto del factor G (o el módulo de G si el factor tiene parte imaginaria no nula) no exceda
la unidad, es decir que, para el caso del esquema FTCS aplicado a la ecuación de difusión
R

unidimensional, debe cumplirse la condición

o
av

θm
1 − 4c sin2 ≤ 1,
2
D
st

para todo θm .
Teniendo en cuenta que 0 ≤ sin2 (θm /2) ≤ 1, la condición para que la relación anterior
u

se satisfaga para cualquier valor de θm es:

(G

α∆t 1
c= ≤ . (3.48)
(∆x)2 2
Esta última expresión indica que el método FTCS es condicionalmente estable y, para un
coeficiente de difusión dado, la estabilidad depende de la relación entre el paso de tiempo ∆t
y el espaciamiento de la grilla ∆x. Esto implica que al utilizar mallas cada vez más refinadas
necesariamente se debe reducir el paso de tiempo, de modo que el parámetro c se mantenga
dentro de la condición de estabilidad (c ≤ 1/2). Por otro lado, nótese que en este esquema
de segundo orden en el espacio y primer orden en el tiempo, el refinamiento a la mitad
de la grilla significa que el paso de tiempo debe reducirse a un cuarto (si ∆x → 12 ∆x =⇒
∆t → 41 ∆t). Esto es un rasgo distintivo de los esquemas explícitos aplicados a ecuaciones
dominadas por la difusión, el cual desalienta su implementación en este tipo de problemas
(ver Sección 3.5.1).
3.3 Propiedades de los métodos numéricos 107

c = 0,50 c = 0,51
100

80

60
φ (x,t f )

40

20 Exacta Exacta
Numérica Numérica
0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x

Figura 3.5: Resultados numéricos del esquema explícito (3.27) para dos condiciones
de estabilidad diferentes.

)
se
Para visualizar el efecto de la estabilidad en el esquema FTCS, en la Figura 3.5 se mues-

u
tran los resultados numéricos obtenidos para la ecuación diferencial (3.22) con una condi-
A
ción inicial uniforme (φ (x, 0) = 0) y condiciones de contorno de Dirichlet φ̄0 = φ̄ℓ = 100, en
ra
un dominio 0 ≤ x ≤ 1 con α = 1 × 10−4 . En la figura se muestran los resultados correspon-
dientes a t = 1000 para una discretización de M = 21 nodos utilizando el esquema explíci-
K
to (3.27) para dos valores diferentes del factor c. Nótese que, en el caso estable (c = 0,50),
la solución numérica se aproxima muy bien a la solución exacta pero, para el caso inesta-
R
o

ble (c = 0,51), aparecen fuertes oscilaciones espurias. Este resultado pone en evidencia la
creciente acumulación de errores dada por la falta de estabilidad del esquema FTCS en el
av

rango c > 1/2. Si se utilizaran valores aún mayores del factor c (c = 10, por ejemplo), la
divergencia de las soluciones numéricas se haría inmensamente grande pudiendo llegar a
D
st

sobrepasar el rango de valores disponibles en la computadora.

Debe notarse que en este análisis no hemos mencionado al error de truncamiento y
u

atribuimos la dispersión de los resultados de la Figura 3.5 para c > 1/2 únicamente a la
falta de estabilidad del esquema, la cual se determinó por medio de una metodología que
(G

no considera dicho error. Sin embargo, existe una relación directa entre el comportamiento
inestable de la solución y el error de truncamiento del esquema numérico, ya que el creci-
miento descontrolado de las oscilaciones en las soluciones, que en este análisis atribuimos a
la propagación creciente de errores de redondeo, puede entenderse como una consecuencia
de la aparición de términos excitatorios en el error de truncamiento. Esto se debe a que en
el esquema explícito la diferencia finita con la cual se discretiza el tiempo (de orden O(∆t))
es hacia adelante, de modo que el término dominante del error de truncamiento tiene signo
positivo en el miembro izquierdo (ver ecuación (3.38)), por lo tanto, actúa como si fuera
un término disipativo con un coeficiente menor que cero produciendo entonces el efecto
inverso. Este punto quedará claro cuando estudiemos los conceptos de ecuación modificada
y difusión artificial.
108 Capítulo 3. Fundamentos de las técnicas numéricas

Continuando con el análisis, ahora estudiaremos la estabilidad del esquema implíci-

to (3.29), es decir, el método BTCS. Sin dar detalles al respecto, anteriormente menciona-
mos que las formulaciones implícitas suelen tener un mejor comportamiento en cuanto a
la estabilidad que las formulaciones explícitas, lo cual las hace atractivas especialmente en
problemas gobernados por la difusión, aunque sea necesario resolver sistemas de ecuacio-
nes acopladas para obtener la solución numérica. Esto quedará evidenciado al realizar el
análisis de estabilidad de von Neumann correspondiente.
Recordando que en los esquems lineales el error se propaga en el tiempo con la misma
ecuación discreta del esquema numérico, su evolución se obtiene al introducir la expre-
sión (3.44) en el esquema (3.29). De esta forma, para el nodo genérico i se tiene:

an+1 n n+1
m − am exp (iθm i) = cam {exp [iθm (i + 1)] − 2 exp [iθm i] + exp [iθm (i − 1)]} .

FT
Operando algebraicamente sobre esta expresión el factor de amplificación G = an+1 n
m /am
resulta:

)
1 1

se
G= = .
1 + 2c − c [exp (iθm ) + exp (−iθm )] 1 + 2c (1 − cos θm )

Teniendo en cuenta que sin2 (θm /2) = 1 − cos θm nos queda

u
A
G=
1
.
ra (3.49)
1 + 4c sin2 θ2m
K
Como vemos en esta expresión, el factor de amplificación (o su módulo) del esque-
R

ma BTCS aplicado a la ecuación de difusión es siempre menor que uno ya que, siendo
o

c = α∆t/(∆x)2 > 0, el denominador es mayor o igual que uno para todo θm . Esto significa
av

que los errores no se magnifican para ninguna combinación de parámetros de la discreti-

zación, por lo tanto, no hay restricciones debidas a la estaabilidad en el método BTCS de
D

Euler y se dice que el esquema es incondicionalmente estable. En otras palabras, no existen

st

condiciones para la relación entre los parámetros de la discretización (∆x y ∆t) y el coefi-
ciente de difusión α para satisfacer la estabilidad del método. Esto quiere decir que, desde
u

el punto de vista de la estabilidad, el paso de tiempo ∆t puede ser tan grande como se desee
independientemente del tamaño de la grilla ∆x.
(G

Para visualizar esta propiedad, en la Figura 3.9 presentamos los resultados numéricos
del esquema BTCS para el mismo problema analizado en la Figura 3.5 pero utilizando va-
lores del factor c sustancialmente mayores que los empleados en la implementación de la
formulación explícita. Observando los gráficos de la figura, vemos que en ningún caso se
producen oscilaciones espurias en los resultados numéricos y la solución aproximada siem-
pre es suave. Sin embago, mientras que para c = 0,5 la solución numérica aproxima muy
bien a la solución exacta, para c = 10 existe una gran discrepancia entre ambos resultados.
Es importante notar que estas diferencias no están asociadas a problemas de inestabilidad
del método, entendiendo a la inestabilidad como el efecto de amplificación de los errores
causados por perturbaciones, como sí sucede con la Figura 3.5 para c > 1/2. En este caso,
las diferencias se deben a que el efecto del error de truncamiento asociado a la discretiza-
ción temporal es de disipación, ya que como el esquema es hacia atrás el témirno dominante
3.3 Propiedades de los métodos numéricos 109

c = 0,50 c = 10
100

80

60
φ (x,t f )

40

20 Exacta Exacta
Numérica Numérica
0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x

Figura 3.6: Resultados numéricos del esquema implícito (3.29) para dos valores di-
ferentes del factor c = α∆t/(∆x)2 .

)
se
(de orden O(∆t)) tiene signo negativo en el miembro izquiedo, actuando entonces como un

u
témrino disipativo. Este comportamiento muestra que la estabilidad no es el único factor a
A
ra
tener en cuenta a la hora de fijar los parámetros de la discretización, sino que existe además
un límite dado por el error de truncamiento, el cual puede producir resultados muy malos
K
si se incrementa demasiado el paso de tiempo, especialmente en discretizaciones de primer
orden.
R
o

La ventaja de la estabilidad incondicional de los métodos implícitos se pone de mani-

av

fiesto cuando se analizan problemas estacionarios que son resueltos a partir de formulacio-
nes dependientes del tiempo. Un ejemplo de este tipo de problemas sería la distribución
de temperatura de equilibrio que alcanzaría la barra en el problema de difusión del calor
D
st

unidimensional para t → ∞. En estos casos, el interés radica en las soluciones que asintó-
ticamente convergen al estado estacionario y no en los estados transitorios previos, con lo
u

cual, es posible incrementar el paso de tiempo sin afectar la exactitud de la solución “final”
siempre que se haya alcanzado un estado muy próximo al estado de equilibrio. Más allá de
(G

esto, hay que tener cuenta que, en problemas no lineales cuyo comportamiento en cuanto
a la estabilidad no puede ser directamente analizado por el método de von Neumann, pue-
den aparecer restricciones en el paso de tiempo aun en formulaciones implícitas debido a la
generación de inestabilidades no lineales.

Para finalizar el análisis de estabilidad de los esquemas de diferencias finitas aplicados

a la ecuación de difusión del calor unidimensional, es interesante introducir el ejemplo de
un esquema incondicionalmente inestable, es decir, un esquema que resulta inestable para
cualquier relación de los valores de ∆t, ∆x y α. Un esquema de este tipo se obtiene al utilizar
la aproximación centrada (3.7) para aproximar la derivada temporal de la ecuación (3.22).
Este esquema se conoce como el método de Richardson y su ecuación en diferencias finitas
110 Capítulo 3. Fundamentos de las técnicas numéricas

es:

φin+1 − φin−1 φ n − 2φin + φi−1

n
= α i+1 O 2 2
(3.50)
 
+ (∆t) , (∆x) .
2∆t (∆x)2

En principio, podría parecer que un esquema de orden de aproximación O[(∆t)2 , (∆x)2 ]

como el esquema de Richardson brindaría una mejor solución que un esquema de primer
orden en el tiempo, como los esquemas de Euler analizados previamente. Sin embargo,
realizando el análisis de estabilidad de von Neumann llegamos a:

an+1
m an−1
m
− = 2c [exp(iθm ) + exp(−iθm ) − 2] ,
anm anm

FT
Operando algebraicamente sobre esta ecuación obtenemos la expresión para el factor de
amplificación G del esquema “CTCS”:

)
se
an−1
m θm
G= − 4c sin2 . (3.51)
anm 2

u
Nótese que, a diferencia de la ecuación (3.47), en este caso el valor absoluto del primer
A
requiere que anm /an−1
m
ra
término del miembro derecho debería ser mayor que uno, ya que la condición de estabilidad
< 1. Esto implica que la condición |G| ≤ 1 para todo θm no puede
cumplirse y, consecuentemente, el esquema es incondicionalmente inestable.
K
R
o

Análisis de estabilidad en problemas multidimensionales

av

El análisis de estabilidad de von Neumann puede extenderse fácilmente a problemas

multidimensionales expresando el error mediante una serie de Fourier en dos (o más) di-
mensiones cuya componente m-ésima en el punto (i, j) para el instante de tiempo t n se
D
st

escribe como:
u

n n
em,i, j = am exp(iθx,m i) exp(iθy,m j) (3.52)
(G

Introduciendo esta expresión en la aproximación en diferencias finitas correspondien-

te, es posible establecer un criterio de estabilidad de manera similar a lo realizado ante-
riormente para el caso unidimensional. Por ejemplo, para la ecuación de difusión en dos
dimensiones tenemos:
 2
∂φ ∂ φ ∂ 2φ

=α + 2 , (3.53)
∂t ∂ x2 ∂y

y la formulación explícita de primer orden para el tiempo y de segundo orden para el espacio
es

φi,n+1 n
j − φi, j
n
φi+1, n n
j − 2φi, j + φi−1, j φi,n j+1 − 2φi,n j + φi,n j−1
 
=α + . (3.54)
∆t (∆x)2 (∆y)2
3.3 Propiedades de los métodos numéricos 111

La introducción de la expresión (3.52) dentro de esta ecuación permite obtener

an+1
m θm,x θm,y
G= n
= 1 − 4cx sin2 − 4cy sin2 ,
am 2 2

donde cx y cy se definen de forma análoga a la expresión (3.46) para ∆x y ∆y, respectiva-

mente. La condición de estabilidad es entonces

2 θm,x 2 θm,y
 
1 − 4 cx sin + cy sin ≤ 1,
2 2

para todo θm,x , θm,y , por lo tanto

FT
1
cx + cy ≤ . (3.55)
2
Este resultado implica que para que el esquema FTCS aplicado a la ecuación de difusión

)
se
bidimensional sea estable debe cumplirse:

1 1 1
 
α∆t + ≤ . (3.56)

u
(∆x)2 (∆y) 2 2
A
ra
Como vemos, a diferencia del caso unidimensional donde la condición de estabilidad
exige ∆t ≤ (∆x)2 /(2α), en el problema bidimensional esta condición es aún más restrictiva
K
ya que, si ∆x = ∆y, la condición de estabilidad implica que el paso de tiempo máximo es
∆t = (∆x)2 /(4α), es decir, la mitad que en el problema unidimensional.
R

El análisis de estabilidad de la ecuación de difusión tridimensional es similar al anterior,

o

resultando en que la condición de estabilidad para un esquema explícito de primer orden en

av

el tiempo y segundo orden en el espacio es:

D

1 1 1 1
 
st

α∆t + + ≤ . (3.57)
(∆x)2 (∆y)2 (∆z)2 2
u

3.3.5. Exactitud de la solución numérica

(G

Continuando con la presentación de las propiedades de los métodos numéricos, en esta

sección desarrollaremos el concepto de exactitud. Según hemos visto, la convergencia puede
entenderse como una propiedad “analítica” de un esquema numérico ya que ésta concierne
al comportamiento del método en el límite donde la discretización se hace infinitamente
refinada (∆t → 0 y ∆x → 0). Sin embargo, en las aplicaciones prácticas de la Dinámica de
Fluidos Computacional siempre tratamos con discretizaciones finitas, para las cuales es ne-
cesario establecer el nivel de error de las soluciones aproximadas. Precisamente, esto tiene
que ver con la exactitud del método, la cual se define como la capacidad del esquema numé-
rico para aproximar sus resultados a la solución exacta del problema bajo una determinada
condición. Obviamente, la comparación debe realizarse con respecto al modelo matemático
representado por las ecuaciones de gobierno del problema, que son las que efectivamente se
resuelven mediante el método numérico, independientemente de los errores de modelado
112 Capítulo 3. Fundamentos de las técnicas numéricas

que podrían existir en relación al problema físico real, es decir, más allá de los errores surgi-
dos de las simplificaciones e hipótesis efectuadas para derivar las ecuaciones diferenciales
de gobierno. En otras palabras, la evaluación de la exactitud del esquema numérico debe
determinarse comparando la solución numérica con la solución analítica de la ecuación di-
ferencial original (o el cunjunto de ellas), y no con un resultado basado directamente en el
proceso físico que se está modelando, como por ejemplo, aquél obtenido mediante un en-
sayo experimental. Este aspecto se diferencia a partir de los conceptos de verificación y de
validación de un esquema numérico. En el primer caso, se busca verificar que el esquema
numérico aproxime adecuadamente la solución de la ecuación original sin importar lo que
ésta represente, en el segundo, se evalúa la capacidad del método numérico y el modelo
matemático de reproducir correctamente el proceso físico que se pretende simular.
La tarea de evaluar la exactitud de un esquema numérico consiste entonces en la esti-

FT
mación del error, teniendo en cuenta que un error pequeño básicamente implica una mayor
exactitud. Sin embargo, el concepto de error no es trivial y no puede reducirse a la simple
comparación entre los resultados numéricos y las soluciones exactas ya que no existe una

)
única manera de llevar a cabo dicha comparación. Por el contrario, esto debe hacerse con-

se
siderando diferentes definiciones de acuerdo al tipo de problema analizado. Por ejemplo, la
comparación directa entre el resultado numérico y la solución exacta de los valores nodales

u
en cada punto de la grilla para un esquema de diferencias finitas puede generar interpretacio-
A
nes equivocadas acerca del comportamiento del método cuando existen discontinuidades.ra
En ese caso, un determinado esquema puede aproximar muy bien las regiones suaves de la
solución pero fallar fuertemente en la captura de la discontinuidad. Por estos motivos, la
K
evaluación suele realizarse considerando alguna norma del error siendo las normas L1 y L2
R
las más utilizadas.
o
av

Norma del error

Para evaluar la convergencia de un método numérico en general debemos escoger algu-
D
st

na norma del error que usualmente conviene expresar en términos relativos. Para leyes de
conservación, la norma “natural” es la norma L1 , que para un problema unidimensional se
define como:
u

ˆ ∞
|e(x,t n )| dx
(G

1
Le(t n ) = ˆ ∞
−∞
,
|φ (x,t n )| dx
−∞
siendo φ la variable dependiente del problema y e el error.
Para el caso de distribuciones discretas, como lo son las soluciones de los métodos nu-
méricos en los que estamos interesados, la integral anterior se reemplaza por una sumatoria
sobre la totalidad de los M nodos de la discretización espacial:
M M
∑ |ein | ∑ |φin − φ (xi ,t n )|
i=1 i=1
Le1n = M
= M
. (3.58)
∑ |φ (xi ,t n
)| ∑ |φ (xi ,t n
)|
i=1 i=1
3.3 Propiedades de los métodos numéricos 113

donde, de acuerdo a la nomenclatura que venimos utilizando, φin representa el valor de

la solución numérica en el punto xi para el tiempo t n y φ (xi ,t n ) es la solución exacta en
ese punto. En problemas gobernados por sistemas de PDEs existe una norma de error Le1p
asociada a cada una de las variables dependientes.
Otra norma muy utilizada para cuantificar el error es la norma L2 , la cual suele emplear-
se para evaluar las soluciones de problemas lineales. Esta norma se define como
M M
∑ (ein )2 ∑ [φin − φ (xi ,t n )]2
i=1 i=1
Le2n = M
= M
. (3.59)
∑ [φ (xi ,t n 2
)] ∑ [φ (xi ,t n 2
)]
i=1 i=1

FT
La ventaja de utilizar esta norma en problemas lineales radica en que el error e(x,t n )
y su transformada de Fourier comparten la misma norma L2 , lo cual simplifica el análisis
(Fletcher, 1991).

)
Además de las normas L1 y L2 , en ocasiones conviene utilizar la norma L∞ , la cual

se
permite conocer el máximo error que se produce en la solución numérica:
máx [|ein |] máx [|φin − φ (xi ,t n )|]

u
Le∞n = = . (3.60)
máx [|φ (xi ,t n )|] máx [|φ (xi ,t n )|]
A
ra
Habiendo establecido una forma de cuantificar el error de un esquema numérico, en este
caso por medio de alguna de las normas definidas más arriba, es posible “comprobar” numé-
K
ricamente la convergencia de un método. Para ello, debemos obtener múltiples soluciones
R

numéricas sobre grillas cada vez más refinadas y verificar que la norma del error disminuye
o

a medida que aumenta el número de nodos de la discretización. Para visualizar este compor-
av

tamiento, consideremos las soluciones numéricas de la ecuación de difusión (3.22). En la

Figura 3.7 se grafica en escala logarítmica la norma L2 del error del esquema FTCS (explí-
D

cito) y del esquema BTCS (implícito) en función del número de nodos de la discretización
st

espacial, para el mismo problema de las Figuras 3.5 y 3.6 con c = 0,50. Nótese que la tasa
de convergencia, es decir, la rapidez con la que el error disminuye a medida que aumenta
u

la cantidad de nodos de la discretización, es muy similar para ambos esquemas, lo cual es

consecuencia de que ambos métodos son del mismo orden de aproximación.
(G

Hay que tener en cuenta que el estudio numérico de la convergencia no siempre puede
realizarse por medio de la comparación de los resultados numéricos con la solución exacta
de un problema particular. Esto se debe a que, en muchos problemas de interés, las solucio-
nes exactas de un sistema de PDEs no se conocen, tal como sucede con las ecuaciones de
gobierno de la Dinámica de los Fluidos. De hecho, ésa es la razón por la cual utilizamos mé-
todos numéricos para obtener soluciones aproximadas del problema. Por este motivo, para
evaluar el desempeño de un método numérico suelen emplearse ecuaciones más sencillas
cuya solución exacta se encuentra disponible permitiendo así determinar el error corres-
pondiente. Sin embargo, hay que tener presente que la exactitud de un esquema en general
depende del tipo de problema, por lo que un algoritmo que funciona adecuadamente para
un determinado problema no necesariamente se comportará de la misma manera en otro
problema más complejo. En ese sentido, una técnica alternativa para evaluar la exactitud de
114 Capítulo 3. Fundamentos de las técnicas numéricas

10−3

10−5

10−7
Norma Le2n

10−9

10−11
Esquema FTCS
10−13 Esquema BTCS

100

FT
101 102
Número de nodos
103 104

)
se
Figura 3.7: Gráfico de convergencia de los esquemas FTCS y BTCS aplicados a la
ecuación de difusión con α = 10−4 , condición inicial φ (x, 0) = 0 y con-
diciones de contorno de Dirichlet φ (0,t) = φ (1,t) = 100. Los resultados

u
corresponden a t = 1000 con α∆t/(∆x)2 = 0,50.
A
ra
un método numérico, a veces complementaria de la anterior, consiste en obtener solucio-
K
nes sobre distintas grillas refinadas progresivamente para verificar que la diferencia entre
R
las soluciones de dos grillas sucesivas se reduce a medida que aumenta la resolución. Es-
o

te procedimiento es una “forma numérica” de comprobar la convergencia de un método

av

que permite inferir que el esquema converge a la solución exacta cuando el cambio en la
solución tiende a cero a medida que se refina la grilla. No obstante, existen limitaciones
para realizar este tipo de verificaciones, las cuales están asociadas a la disponibilidad de re-
D
st

cursos computacionales suficientemente potentes para determinar la solución sobre grillas

demasiado densas. Más allá de esto, es importante reconocer que a veces es posible mejorar
u

la exactitud de las soluciones analizando la naturaleza del problema. Por ejemplo, el uso
de grillas y formulaciones basadas en coordenadas polares en lugar de coordenadas carte-
(G

sianas puede incrementar notablemente la exactitud en algunos problemas con geometrías

axisimétricas.

Extrapolación de Richardson

La extrapolación de Richardson es un procedimiento empleado para mejorar la exacti-

tud de las soluciones numéricas. Este método se basa en la propiedad de que la exactitud
de una solución aproximada es superior a medida que se refina la discretización, lo cual
permite construir expresiones donde se cancelan los términos dominantes de los errores de
truncamiento incrementándose así la exactitud de la solución numérica.
Para mostrar este procedimiento, consideremos dos soluciones de la ecuación de difu-
sión (3.22) obtenidas mediante el esquema explícito (3.27) para dos discretizaciones espa-
3.3 Propiedades de los métodos numéricos 115

ciales diferentes dadas por ∆xa y ∆xb , pero con el mismo valor del factor c = ∆tα/(∆x)2 . A
partir de estas dos soluciones se construye la siguiente solución compuesta para φ :

φc = aφa + bφb , (3.61)

donde φa y φb son las soluciones correspondientes a ∆xa y ∆xb , respectivamente, y los

coeficientes a y b deben ser determinardos, teniendo en cuenta que debe satisfacerse la
relación a + b = 1 para que la solución compuesta tenga sentido (de esa forma, para φa =
φb = φexacta , la solución φc es igual a la solución exacta), .
El paso siguiente es expandir en serie de Taylor la ecuación discreta del esquema FTCS
alrededor del instante de tiempo t n y el punto xi de manera similar a lo realizado en el es-
tudio de la consistencia, buscando en este caso explicitar los términos dominantes del error

FT
de truncamiento de la solución compuesta φc . Entonces, considerando la ecuación (3.61),
resulta que:

)
tn tn tn tn
∂φ ∂ 2φ (∆xa )2 ∂ 4 φ ∆t a ∂ 2 φ

se
−α = 2αa −a + O (∆t a )2 , (∆xa )4
 
∂t xi ∂ x2 xi 4! ∂ x4 xi 2! ∂t 2 xi
tn tn
(∆xb )2 ∂ 4φ ∆t b∂ 2φ

u
+ 2αb −b + O (∆t b )2 , (∆xb )4 . (3.62)
 
4! ∂ x4 2! ∂t 2
A
xi ra xi

Los términos multiplicados por el coeficiente a en el miembro derecho corresponden al

error de truncamiento de la solución φa y los términos multiplicados por b corresponden al
K
error de truncamiento de la solución φb .
R

Ahora nos valemos de la ecuación diferencial para escribir la derivada con respecto al
o

tiempo como una derivada con respecto a x:

av

∂ 2φ ∂ ∂φ ∂ ∂ 2φ ∂2 ∂φ 4
2∂ φ
= = α = α = α .
∂t 2 ∂t ∂t ∂t ∂ x2 ∂ x2 ∂t ∂ x4
D
st

Aunque este cambio de variables no es estrictamente correcto, lo asumiremos válido no

sólo para el presente análisis sino también para los desarrollos de la Sección 3.4.2, donde
u

estudiaremos los conceptos de ecuación modificada y viscosidad artificial.

(G

Reemplazando la igualdad anterior en la expansión en serie de Taylor de la solución

compuesta φc y operando algebraicamente resulta:
tn tn  4 tn
∂ φc ∂ 2 φc α(∆xa )2 1 ∂ φ

−α =a −c + O (∆t a )2 , (∆xa )4
 
∂t xi ∂ x2xi 2 6 ∂ x xi
4

t n (3.63)
α(∆xb )2 1 ∂ 4φ
 
2 4
+b −c O
 
+ (∆t b ) , (∆x b ) ,
2 6 ∂ x 4 xi

donde hemos introducido la definición del factor c = α∆t/(∆x)2 , recordando que ambas
soluciones φa y φb se obtuvieron con el mismo valor de dicho parámetro.
En la ecuación (3.63) vemos que, dependiendo de la relación entre los espaciamientos
∆xa y ∆xb de la grilla empleados para calcular cada solución, existe una relación entre
116 Capítulo 3. Fundamentos de las técnicas numéricas

los coeficientes a y b para la cual los términos dominantes del error de truncamiento se
cancelan. De este
 modo, paraun refinamiento tal que ∆xb = 21 ∆xa , la solución compuesta φc
será de orden O (∆t)2 , (∆x)4 si se cumple la relación:

1
a + b = 0.
4
Entonces, recordando que a + b = 1 es una condición para satisfacer la consistencia de la
solución compuesta, la combinación de ambas ecuaciones para a y b nos permite obtener:
1 4
a=− y b= . (3.64)
3 3
Finalmente, la solución compuesta con orden de aproximación incrementado es:
1 4
φc = − φa + φb ,
3 3

FT (3.65)

)
se
con ambas soluciones φa y φb obtenidas con el mismo parámetro c y con el espaciamiento
en φb igual a la mitad que en φa . Aquí cabe aclarar que, siendo φa y φb funciones discretas
de diferente dimensión ya que cada una fue calculada en grillas con diferente cantidad de

u
nodos (en este caso es 2Ma = Mb ), la suma φa + φb no es directa y debe hacerse conside-
A
ra
rando los nodos compartidos por ambas discretizaciones, con lo cual, la solución φc tendrá
una dimensión igual a la de φa . Obviamente, en el caso de mallas no estructuradas en domi-
nios multidimensionales la aplicación de la extrapolación de Richardson es más compleja y
K
debe hacerse siguiendo alguna estrategia de refinamiento de la malla combinada con algún
R

método de interpolación de la solución para poder construir la solución compuesta.

o

Es fácil mostrar que para el esquema BTCS implícito se obtienen los mismos valores
av

de los coeficientes a y b para construir la solución compuesta φc . Por otro lado, es impor-
tante resaltar que el hecho de que el término dominante del error de truncamiento en la
ecuación (3.63) se anule para c = 1/6, independiente de los valores del espaciamiento ∆x
D
st

y de los coeficientes a y b de la solución compuesta, es un caso particular de estos esque-

mas descentrados (FTCS y BTCS) que no se presenta en otros esquemas. Más allá de esto,
u

debe notarse que la utilización de c = 1/6 para fijar el paso de tiempo ∆t en una determi-
nada discretización espacial resulta muy restrictiva ya que incrementa fuertemente el costo
(G

computacional, especialmente en el caso del esquema implícito cuya estabilidad es incon-

dicional. Para visualizar este aspecto, consideremos la solución obtenida en la Figura 3.6
para c = 10 que, como mencionamos, presenta una exactitud muy pobre debido al error
de truncamiento elevado generado por el paso de tiempo grande. La forma más simple de
mejorar esta solución es reducir ∆t de modo que c = 1/6, pero esto hace que la cantidad
de soluciones intermedias que deben calcularse para alcanzar el tiempo final (t = 1000 en
este caso) crezca 60 veces en relación a la solución calculada con c = 10. La alternativa para
alcanzar una solución similar para un valor mucho más grande del parámetro c es por medio
de la extrapolación de Richardson, la cual se hace calculando una solución φa con M = 21
como en la figura, y otra solución φb con M = 41, de manera que ∆xb = 21 ∆xa . En la Figu-
ra 3.8 se muestran los resultados numéricos para c = 1/6 obtenido en forma convencional
y para c = 10 determinado con la extrapolación de Richardson, indicándose en cada caso el
3.3 Propiedades de los métodos numéricos 117

c = 1/6 (L1e = 7,42 × 10−3 ) c = 10 (L1e = 3,22 × 10−3 )

100

80

60
φ (x,t f )

40

Exacta Exacta φa
20
Numérica φc = − 13 φa + 34 φb φb
0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x

Figura 3.8: Resultados numéricos del esquema implícito (3.29) para dos valores dife-
rentes del factor c = α∆t/(∆x)2 en forma convencional (izquierda) y con

)
extraplación de Richardson (derecha).

se
error expresado en términos de la norma L1 . Como vemos, ambos resultados presentan una

u
calidad de la solución similar, pero en el segundo caso el costo computacional es sustancial-
A
ra
mente menor que en el primero. Esto pone de manifiesto la gran utilidad de la extrapolación
de Richardson como un procedimiento para mejorar la exactitud de la solución.
K
En el caso general, los coeficientes a y b quedan definidos por la potencia m del término
dominante del error de truncamiento y por la relación entre el tamaño de la grilla en la
R

solución φa y en la solución φb . Siguiedo a Fletcher (1991), estos valores son:

o
av

m m
∆xa m
−1 −1 
∆xa ∆xa
  
a= −1 y b= −1 . (3.66)
∆xb ∆xb ∆xb
D
st

Cuando la extrapolación de Richardson se utiliza en problemas no estacionarios como la

ecuación de difusión que venimos estudiando, la misma puede aplicarse directamente sobre
u

la solución del problema en el tiempo final de interés, de manera que las soluciones φa y
φb avanzan por “caminos separados” y se encuentran en el final para calcular φc , o puede
(G

aplicarse luego de cada instante de tiempo de modo que la solución compuesta φc es la que
se emplea para calcular φa y φb en el instante de tiempo siguiente. En el primer caso se dice
que la extrapolación de Richardson es pasiva, mientras que para la segunda metodología se
dice que la extrapolación es activa.

3.3.6. Eficiencia computacional

La eficiencia computacional es una característica fundamental de un método numérico
ya que define la verdadera utilidad de un determinado algoritmo. Está claro que un método
numérico será tenido en cuenta sólo si su implementación computacional permite resolver
problemas prácticos de forma eficiente, es decir, siempre que su ejecución no requiera re-
cursos computacionales desproporcionados para alcanzar una solución numérica con una
118 Capítulo 3. Fundamentos de las técnicas numéricas

exactitud aceptable en un tiempo de procesamiento admisible. En términos cuantitativos,

la eficiencia computacional CE puede definirse como la exactitud lograda por unidad de
tiempo de procesamiento TCPU:
1
CE = , (3.67)
e k TCPU
donde e es el error en la solución aproximada medido por medio de alguna norma adecuada
y k indica la cantidad de procesadores utilizados para el cálculo.
Mediante el análisis de la eficiencia computacional se establece que en la mayoría de
los problemas de Dinámica de Fluidos no es conveniente utilizar formulaciones de muy
alto orden de aproximación (por ejemplo, esquemas de diferencias finitas de orden cuatro
o mayores), sino que es más adecuado utilizar discretizaciones más refinadas con esque-

FT
mas de menor orden. Sin embargo, esto no debe tomarse como una regla general ya que a
veces entran en juego otros aspectos, como la introducción excesiva de difusión numérica,
los cuales pueden requerir la implementación de esquemas con órdenes de aproximación

)
relativamente elevados.

se
Para medir el tiempo de ejecución de un algoritmo en general se utilizan las funciones
internas para el cómputo del tiempo de procesamiento disponibles en los distintos compila-

u
dores. Sin embargo, si no se cuenta con acceso al código fuente del programa será necesario
A
recurrir a técnicas alternativas, como la medición directa de forma externa, cronometrando
ra
el tiempo que lleva completar una ejecución. Naturalmente, esta segunda opción no es muy
precisa ya que no es sencillo asegurar que el procesador (o los procesadores) está siendo
K
utilizado exclusivamente por el algoritmo numérico. Por otra parte, existen tareas de escri-
tura de datos y/o impresión de resultados en pantalla que consumen tiempo de procesador
R
o

y que no deben ser tenidas en cuenta para evaluar la eficiencia computacional del método.
Otra forma de cuantificar la eficiencia computacional de un código es mediante una evalua-
av

ción indirecta del tiempo de procesamiento de CPU, el cual puede estimarse al analizar la
cantidad de operaciones realizadas por el algoritmo para completar un determinado proceso
D
st

(ver Fletcher, 1991).

u

3.4. Solución numérica de problemas hiperbólicos

(G

En las secciones anteriores hemos estudiado el método de diferencias finitas utilizando

como modelo de aplicación a la clásica ecuación de difusión unidimensional. Como sabe-
mos, esta PDE es una ecuación parabólica ya que modela un problema de avance donde la
difusión está presente. Esto significa que, aun cuando las condiciones iniciales fueran dis-
continuas, la solución será siempre suave debido a que la difusión “propaga” sus efectos en
todas las direcciones espaciales. De hecho, en nuestro estudio hemos obtenido soluciones
suaves aunque partimos de una condición inicial con saltos discontinuos en los extremos.
A diferencia de lo que sucede en los procesos gobernados por la difusión, en los fe-
nómenos puramente convectivos las discontinuidades no sólo que pueden persistir sino que
también pueden desarrollarse a partir de condiciones iniciales suaves. Este comportamiento,
propio de las ecuaciones hiperbólicas, plantea una dificultad adicional a la implementación
de soluciones numéricas en este tipo de problemas ya que los métodos deben ser capaces
3.4 Solución numérica de problemas hiperbólicos 119

de modelar y capturar las discontinuidades. Por otra parte, los problemas hiperbólicos se
caracterizan por presentar dominios de dependencia y zonas de influencia acotados, lo cual
debe ser correctamente reproducido por los esquemas huméricos para obtener soluciones
satisfactorias.
Para este análisis, tomaremos como modelo inicial la clásica ecuación de advección (o
convección) lineal
∂φ ∂φ
+ c0 = 0, (3.68)
∂t ∂x
donde c0 es una constante que, como vimos en el Capítulo 3, es igual a la velocidad de la
onda.
Como se muestra en la Sección 2.5.2, las líneas características de la ecuación de ad-

FT
vección lineal son rectas dadas por la ecuación x − c0t = cte, a lo largo de las cuales la
variable φ es advectada (o convectada) con velocidad constante igual a c0 , precisamente, la
velocidad característica. La solución general de la ecuación de advección lineal es:

)
se
φ (x,t) = φ0 (x − c0t), (3.69)

donde φ0 (x) es la condición inicial.

u
Esta solución evidencia la condición eminentemente hiperbólica de este problema, ya
A
ra
que la información se propaga únicamente en la dirección de la velocidad c0 y el estado de
φ (xi ,t) depende solamente de lo que sucede a la izquierda del punto xi , cuando c0 > 0, o a
K
la derecha del mismo, si c0 < 0. Este comportamiento implica que deben tenerse en cuenta
ciertas consideraciones para resolver numéricamente este tipo de problemas.
R
o

3.4.1. Esquemas upwind y condición CFL

av

Para aproximar numéricamente la ecuación de advección lineal, en principio, podría-

D

mos utilizar cualquiera de los esquemas de diferencias finitas presentados en las secciones
st

anteriores, es decir que, siendo que la ecuación es de primer orden, podríamos utilizar al-
guno de los esquemas de Euler descentrados o una diferencia centrada para cualquiera de
u

las derivadas. Sin embargo, debido a la condición de hiperbolicidad de la ecuación de ad-

vección lineal, nos encontraremos con mayores limitaciones surgidas de los requerimientos
(G

de estabilidad de la solución.
Para mostrar estas limitaciones, consideremos primeramente la formulación discreta ex-
plícita de la ecuación (3.68) dada por un esquema FTFS de Euler. Esto es, una aproximación
hacia adelante de primer orden tanto para el tiempo como para el espacio, de modo que la
ecuación en diferencias finitas resulta:
c0 ∆t n
φin+1 = φin − φi+1 − φin . (3.70)


∆x
El análisis de estabilidad de von Neumann para el esquema anterior permite obtener la
siguiente expresión para el factor de amplificación:
c0 ∆t c0 ∆t
G = 1− [exp(iθm ) − 1] = 1 − (cos θm + i sin θm − 1) .
∆x ∆x
120 Capítulo 3. Fundamentos de las técnicas numéricas

Como sabemos, la condición de estabilidad exige que |G| ≤ 1 para todo θm o, lo que es
lo mismo, |G|2 ≤ 1. Para poder identificar los límites de la región de estabilidad, escribimos
el factor de amplificación explicitando la parte real y la parte imaginaria:
c0 ∆t c0 ∆t
G = 1+ (1 − cos θm ) − i sin θm .
∆x ∆x
Con esto, la condición de estabilidad equivalente es
2  2
c0 ∆t c0 ∆t

2
|G| = 1 + (1 − cos θm ) + sin θm ≤ 1.
∆x ∆x
Teniendo en cuenta las siguientes relaciones trigonométricas:

FT
θm
1 − cos θm = 2 sin2 ,
2
2
2 θm 2 θm 2 θm
  
2 2

)
sin θm = 1 − cos θm = 1 − 1 − 2 sin = 4 sin 1 − sin ,
2 2 2

se
y reemplazando estas igualdades en la expresión de |G|2 , con una operación algebraica
posterior se obtiene:

u
A
c0 ∆t 2 θm c0 ∆t ra
 
2
|G| = 1 + 4 sin 1+ ≤ 1.
∆x 2 ∆x
K
Siendo que 0 ≤ sin2 (θm /2) ≤ 1, resulta que la condición |G| ≤ 1 para todo θm se satis-
face para:
R
o

c0 ∆t
−1 ≤ ≤ 0. (3.71)
av

∆x
Consideremos ahora el esquema FTBS, es decir, un esquema en diferencias finitas de
D

primer orden hacia adelante en el tiempo y de primer orden hacia atrás en el espacio:
st

c0 ∆t n
φin+1 = φin − n
φi − φi−1 (3.72)


.
u

∆x
(G

En este caso, el factor de amplificación resultante del análisis de estabilidad de von Neu-
mann es
c0 ∆t c0 ∆t
G = 1− [1 − exp(−iθm )] = 1 + (cos θm − i sin θm − 1) .
∆x ∆x
el cual puede reescribirse como
c0 ∆t c0 ∆t
G = 1+ (cos θm − 1) − i sin θm .
∆x ∆x
Con un análisis similar al anterior se llega a la siguiente expresión para definir la condi-
ción de estabilidad del esquema FTBS:
c0 ∆t 2 θm c0 ∆t
 
2
|G| = 1 − 4 sin 1+ ≤ 1,
∆x 2 ∆x
3.4 Solución numérica de problemas hiperbólicos 121

de donde resulta
c0 ∆t
0≤ ≤ 1. (3.73)
∆x
Por último, consideremos ahora el esquema FTCS que corresponde a un esquema de
primer orden hacia adelante para el tiempo y una diferencia centrada de segundo orden para
la derivada espacial

c0 ∆t n
φin+1 = φin − n
φi+1 − φi−1 (3.74)


.
2∆x
En este caso, el factor de amplificación es

FT
c0 ∆t c0 ∆t
G = 1− [exp(iθm ) − exp(−iθm )] = 1 − i sin θm ,
2∆x ∆x

)
de donde rápidamente resulta

se
2
c0 ∆t

|G|2 = 1 + sin2 θm .

u
∆x
A
ra
Con este resultado hemos concluido el estudio de estabilidad de los esquemas explícitos
FTFS, FTBS y FTCS de la ecuación de advección lineal. En esta última igualdad se observa
K
que, siendo que el segundo término del miembro derecho es siempre positivo, el esquema
FTCS resulta incondicionalmente inestable ya que |G| ≥ 1, por lo tanto, el esquema centrado
R

explícito no puede utilizarse para resolver numéricamente la ecuación de advección lineal.

o

Por otro lado, las ecuaciones (3.71) y (3.73) muestran que los esquemas FTFS y FTBS
av

pueden presentar regiones de estabilidad condicional que dependen primeramente de que se

satisfaga la siguiente relación:
D
st

c0 ∆t
≤ 1. (3.75)
∆x
u

Como veremos a continuación, esta relación representa una condición fundamental en el

(G

tratamiento numérico de los problemas hiperbólicos. El otro factor que define la posibilidad
de que los esquemas descentrados sean estables es el signo de la velocidad de la onda. En
ese sentido, comparando las ecuaciones (3.71) y (3.73) podemos decir que la condición de
estabilidad del esquema FTFS es “opuesta” a la condición de estabilidad del esquema FTBS.
Este comportamiento es una consecuencia de la dirección de propagación de la información
en los problemas hiperbólicos.
Antes de finalizar el análisis, es importante destacar que, aunque la versión implícita
del esquema centrado resulta incondicionalmente estable, las formulaciones implícitas ra-
ramente se utilizan en problemas hiperbóblicos dependientes del tiempo ya que resultan
poco eficientes frente a las formulaciones explícitas (LeVeque, 1992). Por este motivo, no
consideraremos a este tipo de esquemas para la resolución de problemas hiperbólicos de-
pendientes del tiempo.
122 Capítulo 3. Fundamentos de las técnicas numéricas

El esquema upwind de primer orden

Con el análisis anterior hemos determinado que para la ecuación de advección lineal
los esquemas en diferencias finitas descentrados de primer orden, FTFS y FTBS, son con-
dicionalmente estables, mientras que el esquema centrado (en el espacio) FTCS es incondi-
cionalmente inestable. Según el análisis, las condiciones de estabilidad −1 ≤ c0 ∆t/∆x < 0,
del esquema hacia adelante, y 0 < c0 ∆t/∆x < 1, del esquema hacia atrás, implican que ca-
da esquema será estable o inestable dependiendo del signo de la velocidad de advección
c0 . Mientras que para c0 < 0 solamente el esquema FTFS puede ser estable, para c0 > 0
la estabilidad es posible sólo con el esquema FTBS. Además, la posibilidad de estabilidad
exige que se satisfaga la condición |c0 ∆t/∆x| ≤ 1. Esto significa que la estabilidad de los

FT
esquemas descentrados depende directamente de la dirección de propagación de la infor-
mación, la cual está dada por el signo de la velocidad de la onda. Para que la condición de

)
estabilidad pueda darse, dicha dirección debe ser opuesta a la dirección en que se realiza la

se
aproximación de la derivada espacial o, en otras palabras, el cambio ∆x desde el nodo de
coordenada xi debe hacerse en dirección opuesta a la corriente, es decir, aguas arriba o en
dirección upwind.

u
A
ra
La condición de estabilidad upwind está directamente relacionada con la naturaleza de
los problemas hiperbólicos. Como vimos en la Sección 2.5.2, las ecuaciones hiperbólicas
tienen un dominio de dependencia limitado, el cual está definido por las líneas caracterís-
K
ticas de la ecuación diferencial. En el caso de la ecuación de advección lineal, el dominio
R

de dependencia de un punto (xi ,t n+1 ) está conformado por los puntos con t < t n+1 que se
o

localizan sobre la línea característica que pasa por ese punto, esto es, por los puntos que
av

se encuentran sobre la recta x(t) = xi + c0t del plano de la solución, con t < t n+1 . Puede
decirse que el esquema numérico será estable en la medida que la aproximación reproduzca
D

el comportamiento hiperbólico de la ecuación diferncial original. Numéricamente, esto se

st

logra haciendo que el dominio de dependecia real de φ (xi ,t n+1 ) se encuentre contenido den-
tro del dominio de dependencia numérico de la aproximación φin+1 . Entonces, teniendo en
u

cuenta que el dominio de dependencia numérico de la aproximación descentrada de primer

orden de φin+1 está dado por el intervalo [xi−1 , xi ] (para el esquema hacia atrás) y [xi , xi+1 ]
(G

(para el esquema hacia adelante), el punto xi∓1 utilizado para construir la aproximación
debe ser tal que el punto (xi − c0 ∆t,t n ), que es precisamente el dominio de dependencia
real de φ (xi ,t n+1 ) en t = t n , quede contenido dentro de dicho intervalo. Este razonamiento
se muestra esquemáticamente en la Figura 3.9 para el caso de una velocidad de advección
positiva (c0 > 0).

Debido a la condición de hiperbolicidad de la ecuación de advección lineal es necesa-

rio entonces que la discretización en diferencias finitas tenga en cuenta la dirección de la
velocidad de la onda. Esta necesidadad dio origen a los llamados equemas upwind, cuyos
fundamentos fueron establecidos inicialmente por Courant, Isaacson y Rees (Courant et al.,
1952). Por este motivo, algunos autores denominan al esquema upwind de primer orden
con las siglas CIR, en honor a los mencionados investigadores. De manera general, este
3.4 Solución numérica de problemas hiperbólicos 123

Figura 3.9: Stencil del esquema upwind de primer orden de la ecuación de advección

FT
lineal para una velocidad de la onda positiva (c0 > 0). Visualización del
dominio de dependencia numérico y del dominio de dependencia real del
punto (xi ,t n+1 ).

)
se
esquema puede escribirse en términos de las siguientes definiciones:
1

u
c+
0 = (c0 + |c0 |) ,
2
A
ra (3.76)
1
c−0 = (c0 − |c0 |) ,
2
K
con las cuales el esquema upwind de primer orden resulta
R

0 ∆t ∆t n
c+
c−
φin+1 = φin − φin − φi−1
n
− 0 φi+1 − φin . (3.77)
o

∆x ∆x
av

Puede demostrarse fácilmente que, para c0 > 0 o c0 < 0, las definiciones c− +

0 o c0 se anulan,
respectivamente, y se recupera la expresión de un esquema de primer orden que satisface la
D

condición upwind.
st

Condición CFL
u

Como vimos anteriormente, además de la condición upwind, para que el esquema ex-
(G

plícito de la ecuación de advección lineal sea estable debe satisfacerse la siguiente relación

c0 ∆t
≤ 1. (3.78)
∆x
Esta condición fue introducida por Courant, Friedrichs y Lewy (Courant et al., 1928) y se
conoce como la condición de Courant o la condición CFL del esquema upwind de primer
orden. La relación entre la velocidad de la onda, el paso de tiempo y el espaciamiento de la
grilla presente en la condición de Courant se denomina número de Courant o CFL y aquí lo
designamos como:
c0 ∆t
C fl = . (3.79)
∆x
124 Capítulo 3. Fundamentos de las técnicas numéricas

El número de Courant máximo o CFL máximo de un esquema numérico se define como

el valor máximo de la relación |c0 ∆t/∆x| para el cual el esquema es estable. En ese sentido,
para el esquema upwind de primer orden tenemos que C fl máx = 1 mientras que para otros
esquemas numéricos la condición de Courant (de estabilidad) se expresa de manera general
como:

C fl ≤ C fl máx . (3.80)

La condición de Courant (o condición CFL) es una de las definiciones más importan-

tes en Dinámica de Fluidos Computacional. Esta condición permite establecer el paso de
tiempo máximo que puede utilizarse en un determinado esquema numérico para una discre-
tización espacial dada. En el caso del esquema (3.77) para la ecuación de advección lineal
unidimensional, la discretización espacial queda definida por el espaciamiento ∆x de modo

FT
que, sieno para este esquema C fl máx = 1, el máximo paso de tiempo disponible para obtener
soluciones estables es:

)
∆x

se
∆t máx = . (3.81)
c0
Como dijimos previamente, esta condición surge de la necesidad de que el dominio de de-

u
pendencia real del punto (xi ,t n+1 ) se encuentre dentro del dominio de dependencia numéri-
A
ra
co del esquema. Esto implica que el valor absoluto de la pendiente ∆x/∆t debe ser mayor o
igual que el valor absoluto de la velocidad de la onda c0 , que es la condición de estabilidad
que fue deducida más arriba. Dicho de otro modo, la velocidad de la grilla ∆x/∆t debe ser
K
mayor o igual que el valor absoluto de la velocidad de propagación c0 .
R
o

3.4.2. Viscosidad artificial

av

Los problemas puramente hiperbólicos, como la ecuación de advección lineal (3.68) que
estamos analizando, tienen la característica de no presentar términos difusivos. Esto impli-
D
st

ca que no hay “mecanismos” que suavicen las discontinuidades y los fuertes gradientes que
pueden existir en las condiciones iniciales de un problema o que pueden desarrollarse en
u

las soluciones de problemas no lineales. Sin embargo, cuando se utilizan aproximaciones

numéricas para resolver este tipo de problemas, en general se introducen términos de di-
(G

fusión o dispersión que no son propios del comportamiento matemático de las ecuaciones
diferenciales originales sino que son producto de la aproximación numérica.
La viscosidad artificial de un método de discretización, también conocida como visco-
sidad numérica o difusión numérica, se debe precisamente a la difusión que artificialmente
introduce un esquema numérico debido al error de truncamiento. Para entender este con-
cepto consideremos la ecuación de advección lineal con c0 > 0 aproximada por medio de
un esquema FTBS para satisfacer la condición de upwinding. Utilizando la definición del
factor CFL, este esquema numérico se escribe como:

φin+1 = φin −C fl φin − φi−1

n
(3.82)


.

Para cuantificar la difusión numérica introducida por el esquema de primer orden, pri-
meramente expandimos los términos φin+1 y φi−1
n en series de Taylor desarrolladas alrededor
3.4 Solución numérica de problemas hiperbólicos 125

del punto (xi ,t n ), en forma similar a lo realizado para el estudio de la consistencia de un es-
quema numérico:

∂ φin (∆t)2 ∂ 2 φin (∆t)3 ∂ 3 φin

φin+1 = φin + ∆t + + +...,
∂t 2! ∂t 2 3! ∂t 3
n ∂ φ n (∆x)2 ∂ 2 φin (∆x)3 ∂ 3 φin
φi−1 = φin − ∆x i + − +....
∂x 2! ∂ x2 3! ∂ x3
Reemplazando estas igualdades en la ecuación discreta (3.82) se obtiene

∂ φin (∆t)2 ∂ 2 φin

φin + ∆t + + O(∆t)3 =
∂t 2! ∂t 2
(3.83)
∂ φ n (∆x)2 ∂ 2 φin

FT
  
φin −C fl φin − φin − ∆x i + + O(∆x)3
.
∂x 2 ∂ x2

)
Ahora expresamos la derivada con respecto al tiempo como una derivada con respecto

se
a x haciendo uso de la ecuación diferencial original (3.68), resultando:

∂ 2φ ∂ ∂φ ∂ ∂φ 2∂ φ
2
   
c (3.84)

u
= −c 0 = −c 0 = 0 .
∂t 2 ∂t ∂x ∂ x ∂t ∂ x2
A
Con esta igualdad la ecuación (3.83) queda
ra
K
∂ φin (∆t)2 2 ∂ 2 φin ∂ φin (∆x)2 ∂ 2 φin
 
3 3
∆t + c + O(∆t) = C fl ∆x − + O(∆x) .
∂t 2 0 ∂ x2 ∂x 2 ∂ x2
R
o

Dividiendo miembro a miembro por ∆t, utilizando la expresión del factor CFL y reagru-
av

pando términos llegamos a

∂ φin ∂ φ n c0 ∆x
∂ 2 φin
D

+ c0 i = + O[(∆t)2 , (∆x)2 ].
st

1 −C fl (3.85)
∂t ∂x 2 ∂ x2
La ecuación (3.85) se conoce como la ecuación modificada del esquema numérico
u

FTBS de la ecuación de advección lineal5 . Nótese que esta ecuación difiere de la ecua-
(G

ción (3.68) por la incorporación de las derivadas de mayor orden en el miembro derecho.
De hecho, estos términos constituyen el error de truncamiento que se introduce cuando se
hace la discretización en diferencias finitas. El término de la derivada segunda es el término
dominante del error y es el principal responsable de introducir una viscosidad artificial a la
ecuación original. El coeficiente de disipación (numérica) de la ecuación modificada es

1
αart = c0 ∆x 1 −C fl . (3.86)


2
5 En realidad, esta ecuación difiere un poco de la ecuación modificada “real” del esquema (3.82) ya que,
para su obtención, utilizamos la PDE original para reemplazar la derivada temporal de segundo orden, en lugar
de utilizar una aproximación en diferencias finitas como habría correspondido. Sin embargo, esto no introduce
errores significativos y permite entender el concepto con un desarrollo matemático mucho más simple (para
más detalles ver Hoffmann y Chiang, 2000).
126 Capítulo 3. Fundamentos de las técnicas numéricas

Como vemos en esta expresión, la viscosidad artificial decrece al incrementarse la re-

solución de la grilla (αart → 0 cuando ∆x → 0) y es nula para la condición C fl = 1. Esto
significa que la disipación numérica asociada a la derivada segunda podría eliminarse to-
mando C fl = C fl máx . Aunque esto es posible en este caso de una ecuación diferencial lineal
para la cual el análisis de estabilidad de von Neumann es estrictamente válido, debe tenerse
en cuenta que, en presencia de no linealidades, no siempre es posible utilizar el máximo
número de Courant disponible ya que la condición de estabilidad obtenida por el análisis de
von Neumann tiene el carácter de condición necesaria pero no suficiente. De esta manera,
en la solución numérica de problemas hiperbólicos no lineales generalmente encontraremos
algún nivel de difusión numérica que no podrá ser eliminado.
La ecuación modificada (3.85) permite entender el concepto de estabilidad del esquema
numérico desde un punto de vista alternativo. Si el coeficiente asociado a la derivada segun-

FT
da en el miembro derecho de una ecuación parabólica es negativo, sabemos que el efecto
disipativo del término de segundo orden se vuelve excitatorio, es decir que actúa como un
“forzador” que hace crecer el valor absoluto de los gradientes espaciales. Por lo tanto, para

)
se
C fl > 1 o c0 < 0 en la ecuación modificada del esquema FTBS de la ecuación de advección
lineal, el efecto de la viscosidad artificial es excitatorio y hace que la solución diverja con el
avance del tiempo. Así se explica de manera alternativa la necesidad de satisfacer la condi-

u
ción de upwinding y la condición CFL. Cuando se cumplen estas condiciones, la viscosidad
A
ra
artificial es la responsable de que las soluciones numéricas se suavicen en las discontinui-
dades o los gradientes elevados que pueden existir en los problemas hiperbólicos.
Las consecuencias de la disipación numérica asociada a la viscosidad artificial se mues-
K
tran en los ejemplos de la Figura 3.10, donde comparamos la solución exacta de la ecuación
R

de advección lineal con la solución numérica del esquema (3.82). En la figura se muestra el
o

efecto del coeficiente C fl sobre una onda discontinua formada por un escalón (φ (x, 0) = 1
av

en 0 ≤ x ≤ 1/4) y una onda continua de forma cosenoidal (φ (x, 0) = [1 − cos(8πx)] /2 en

0 ≤ x ≤ 1/4). La solución exacta de estos problemas consiste simplemente en una onda que
D

se desplaza hacia los valores positivos de x conservando su forma inicial, por lo tanto, se es-
st

pera que el esquema numérico reproduzca el avance tanto de la onda cuadrada discontinua
como de la onda cosenoidal con el menor grado de distorsión. Sin embargo, el efecto de la
u

disipación numérica en la solución del esquema FTBS de primer orden es muy claro cuando
se emplean valores de CFL bajos (C fl = 0,6 en la figura). En ese caso, la onda cuadrada se
(G

disipa y tiene la forma de una “curva continua” que continúa suavizándose con el avance
del tiempo, lo cual es una consecuencia evidente de la derivada de segundo orden presente
en el error de truncamiento. Un efecto similar se registra en la solución numérica de la onda
cosenoidal, la cual se “ensancha” y reduce su amplitud a medida que avanza el tiempo, en
un claro comportamiento disipativo. La solución numérica obtenida para el máximo valor
admisible del número de Courant (C fl = 1) mejora sustancialmente tanto para la onda dis-
continua como para la onda continua, lo cual es obvio teniendo en cuenta que el término
disipativo del error de truncamiento desaperece y el esquema se hace de segundo orden.
De hecho, para C fl = 1 el esquema numérico reproduce exactamente la solución de la onda
cuadrada ya que, en ese caso, el error de truncamiento es nulo debido a que las derivadas son
nulas para esa condición inicial. Es importante no generalizar este comportamiento como
una propiedad del esquema FTBS y notar que el hecho de haber obtenido la solución exacta
3.4 Solución numérica de problemas hiperbólicos 127

C f l = 0,60 Cfl = 1
1,0
Exacta Exacta
0,8 Numérica Numérica

0,6
φ (x,t f )

0,4

0,2

0,0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
C f l = 0,60 Cfl = 1
1,0
Exacta Exacta

)
se
0,8 Numérica Numérica

0,6
φ (x,t f )

u
A
0,4 ra
0,2
K
0,0
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 3.10: Influencia de la viscosidad artificial en la solución numérica de la ecua-

ción de advección lineal utilizando un esquema upwind de primer orden
D

para diferentes valores de CFL y diferentes condiciones iniciales. Am-

st

bos resultados son para t f = 0,5, c0 = 1 y una discretización de M = 51

puntos (∆x = 0,02).
u
(G

de forma numérica es una consecuencia de las condiciones iniciales de este caso particular.
En forma general, los efectos de disipación causados por un esquema numérico son un
resultado directo de los términos de orden par del error de truncamiento. Como hemos mos-
trado en este análisis, la disipación numérica reduce la magnitud de los gradientes existentes
dentro de la solución, los cuales pueden deberse a la evolución natural de la ecuación de go-
bierno, como en los ejemplos de la Figura 3.10, o pueden ser inducidos numéricamente en
forma de oscilaciones espurias. Este comportamiento es típico de los esquemas numéricos
de orden mayor a uno, por lo tanto, la viscosidad artificial en ocasiones puede ser relati-
vamente beneficiosa ya que ayuda a moderar la aparición de oscilaciones espurias en las
proximidades de discontinuidades o fuertes gradientes e incluso permite evitar la inestabi-
lidad o divergencia de la solución en problemas no lineales. Por este motivo, la viscosidad
artificial a veces se incorpora deliberadamente a la solución numérica para mejorar el com-
128 Capítulo 3. Fundamentos de las técnicas numéricas

portamiento de los problemas no lineales modelados con esquemas de alto orden. En ese
caso, se dice que la viscosidad artificial es explícita y no debe confundirse con la viscosidad
artificial inherente al método numérico, la cual suele denominarse viscosidad implícita.
Para continuar con el análisis estudiemos ahora el efecto de la difusión numérica en
esquemas de orden mayor a uno. En el caso de esquemas de segundo orden, el error de
truncamiento está dominado por un término con derivada tercera que, como todas las de-
rivadas de orden impar, está asociada a la generación de dispersión numérica. Este efecto
se manifiesta por la distorsión de las relaciones de fases entre varias ondas, lo cual provoca
oscilaciones espurias en la proximidad de gradientes elevados o discontinuidades. De esta
forma, los esquemas de orden mayor a uno poseen, en general, algún grado de dispersión
numérica producido por las derivadas de orden impar, el cual no puede ser contrarrestado
por la disipación numérica asociada a las derivadas de orden par. La combinación entre la

FT
disipación y la dispersión numéricas es lo que se conoce de manera general como difusión
numérica. El predominio del efecto disipativo o dispersivo de la difusión numérica depen-
de del orden de derivación del término dominante del error de truncamiento y del tipo de

)
problema.

se
Para visualizar el efecto de la dispersión numérica en la ecuación de advección lineal
empleamos un esquema upwind de segundo orden, el cual se construye con la aproximación

u
descentrada hacia atrás (asumiendo que la velocidad c0 es positiva) que se extrae de la
A
Tabla 3.1. Con esta aproximación, la ecuación discreta de segundo orden en el espacio de la
ra
ecuación de advección lineal queda dada por:
φin+1 − φin 3φ n − 4φi−1
n +φn
K
+ c0 i i−2
= 0. (3.87)
∆t 2∆x
R
o

La ecuación modificada de esta aproximación es:

av

∂ φin ∂φn C fl c0 ∆x ∂ 2 φin 2 3 n

2 ∂ φi
+ c0 i = − c + O (∆t)2 , (∆x)3 .
 
− 0 (∆x)
∂t ∂x 2 ∂x 2 3 ∂x 3
D

donde recordamos que estamos considerando el caso con c0 > 0.

st

Observando la ecuación modificada del esquema upwind de segundo orden vemops que
ésta presenta un término de viscosidad artificial con un coeficiente de difusión negativo, lo
u

cual significa que este término excita la solución independientemente de la relación entre
(G

los parámetros de la discretización y la velocidad de la onda. De este modo, un esquema

upwind de segundo orden planteado en la forma (3.87) es incondicionalmente inestable. La
versión estable de este esquema se alcanza incorporando un término de viscosidad artificial
explícita que anule el efecto excitatorio del término asociado al error de truncamiento de la
aproximación temporal (que está escrito en términos de una derivada con respecto a x). Por
lo tanto, la ecuación discreta (3.87) se modifica como:
φin+1 − φin 3φ n − 4φi−1
n +φn
C fl c0 ∆x ∂ 2 φin
+ c0 i i−2
= .
∆t 2∆x 2 ∂ x2
Utilizando una diferencia descentrada hacia atrás de segundo orden para aproximar la deri-
vada segunda la ecuación discreta resulta:
C fl
C fl 2 n
φin+1 = φin − 3φin − 4φi−1
n n
+ φi−2 n
φi − 2φi−1 n
+ φi−2 (3.88)


+ .
2 2
3.4 Solución numérica de problemas hiperbólicos 129

El esquema (3.88) es una aproximación upwind de segundo orden que presenta estabili-
dad condicional para c0 > 0 en el rango C fl ≤ 2 y se conoce como el esquema de Warming-
Beam (Warming y Beam, 1976). La ecuación modificada de este esquema numérico es:

∂ φin ∂ φ n c0 (∆x)2 ∂ 3φ n
+ c0 i = (C fl − 1)(C fl − 2) 3i + O (∆t)2 , (∆x)3 . (3.89)
 
∂t ∂x 6 ∂x

Aquí vemos que el término dominante del error de truncamiento del esquema de Warming-
Beam contiene una derivada de tercer orden, por lo tanto, el efecto de la difusión numérica
es de dispersión. Por otro lado, se observa que para C fl = 1 ó C fl = 2 el término dispersivo
se anula y el método se hace de tercer orden en el espacio.

FT
En la Figura 3.11 se muestran los resultados numéricos obtenidos por medio del esque-
ma (3.88) para los casos estudiados en la Figura 3.10 con el esquema upwind de primer
orden. Como vemos al comparar ambas figuras, la aproximación de segundo orden es muy

)
superior a la hora de computar soluciones suaves ya que, aun cuando el número de Courant

se
utilizado es relativamente bajo, la exactitud de la solución numérica es muy buena para el
resultado correspondiente a la onda cosenoidal. Contrariamente, cuando analizamos la solu-
ción de la onda cuadrada observamos que el desempeño del esquema es muy pobre debido

u
a la aparición de fuertes oscilaciones espurias causadas por la dispersión numérica en las
A
ra
cercanías de las discontinuidades. Es así que se presenta el siguiente problema: la necesidad
de obtener mayor exactitud en el cómputo de soluciones suaves y de capturar correctamen-
K
te las discontinuidades se contrapone con el comportamiento de los esquemas numéricos
lineales ya que éstos no son adecuados para satisfacer simultáneamente ambos requisitos.
R

Como veremos en el Capítulo 4, gran parte de este problema se resuelve con la introducción
o

de esquemas no lineales.
av
D

3.4.3. Métodos clásicos para la solución de ecuaciones hiperbólicas

st

Además de los esquemas upwind de primer y segundo orden presentados previamente,

u

existen múltiples esquemas de diferencias finitas desarrollados para resolver numéricamente

ecuaciones hiperbólicas. Estos esquemas son en general de un solo paso (dos niveles), es
(G

decir que utilizan los valores de la variable dependiente en los instantes de tiempo t n y
t n+1 para construir la aproximación correspondiente. A continuación presentamos un breve
resumen de los métodos más conocidos.

Método de Lax-Friedrichs

El método de Lax-Friedrichs (Lax, 1954), también conocido como el método de Lax

o de Keller y Lax, es un esquema de primer orden que puede escribirse de forma gene-
ral independientemente de la dirección de la velocidad de la onda. Este esquema es una
forma de estabilizar el esquema de Euler (explícito) centrado (3.74) que, como vimos, es
incondicionalmente inestable.
El esquema de Lax-Friedrichs se obtiene al escribir la derivada temporal en términos de
130 Capítulo 3. Fundamentos de las técnicas numéricas

C f l = 0,60 Cfl = 1
1,25
Exacta Exacta
1,00 Numérica Numérica
0,75
φ (x,t f )

0,50

0,25

0,00

−0,25
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
C f l = 0,60 Cfl = 1
1,25
Exacta Exacta

)
1,00

se
Numérica Numérica
0,75
φ (x,t f )

u
0,50
A
0,25
ra
0,00
K
−0,25
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 3.11: Influencia de la dispersión numérica en la solución de la ecuación de

advección lineal utilizando un esquema upwind de segundo orden para
D

diferentes valores de CFL y diferentes condiciones iniciales. Ambos re-

st

sultados son para t f = 0,5, c0 = 1 y una discretización de M = 51 puntos

(∆x = 0,02)..
u
(G

un promedio de la variable entre sus valores a cada lado del nodo i, esto es:

tn
∂φ φin+1 − 12 φi+1
n +φn


i−1
≈ ,
∂t xi ∆t

de modo que la aproximación de la ecuación de advección lineal resulta

1 c0 ∆t 1 c0 ∆t
   
φin+1 = 1+ n
φi−1 + 1− n
φi+1 . (3.90)
2 ∆x 2 ∆x

El esquema de Lax-Friedrichs es un esquema explícito de primer orden de aproximación

con un error de truncamiento O[∆t, (∆x)2 /∆t], estable bajo la condición C fl ≤ 1. Además,
3.4 Solución numérica de problemas hiperbólicos 131

este esquema presenta el siguiente coeficiente de disipación numérica:

|c0 | ∆x
αart = (1 −C fl 2 ). (3.91)
2C fl

Comparando esta expresión con la ecuación (3.86), resulta claro que el esquema de Lax-
Friedrichs es considerablemente más disipativo que el esquema upwind de primer orden.

Método de Lax-Wendroff
El esquema conocido como el método de Lax-Wendroff en realidad forma parte de una
familia de esquemas centrados que reciben el nombre de “esquemas de Lax-Wendroff”,
en la cual también está incluido el esquema de Lax-Friedrichs. Estos métodos fueron los

FT
primeros esquemas de este tipo en ser implementados para resolver las ecuciones de Euler
(Lax y Wendroff, 1960), por lo que tienen un gran valor histórico en el campo de la Diná-

)
mica de Fluidos Computacional. El esquema de Lax-Wendroff de segundo orden es el más

se
importante de la familia, ya que es el único esquema explícito centrado de segundo orden
estable para problemas lineales (Hirsch, 1994a).
Existen diferentes formas de obtener el esquema de Lax-Wendroff de segundo orden

u
para la ecuación de advección lineal (3.68). La clave del método para evitar la inestabilidad
A
ra 2
que se produce en el esquema centrado (3.74), es cancelar el término − 21 ∆t ∂∂tφ2 de visco-
sidad artificial negativa de manera similar a lo realizado en el caso de esquema upwind de
K
segundo orden. Por lo tanto, adicionando este término a la aproximación centrada y uti-
lizando la transformación (3.84), la estabilidad se alcanza al reemplazar las derivadas de
R

segundo orden por esquemas centrados, es decir:

o
av

φin+1 − φin ∂ φ ∆t ∂ 2 φ 2 ∂φ 2
2 ∆t ∂ φ
= + + O(∆t) = + c 0 + O(∆t)2
∆t ∂t 2 ∂t 2 ∂t 2 ∂ x2
D

n − 2φ n + φ n
∂ φ c20 ∆t φi+1
st

i i−1
≈ + .
∂t 2 (∆x)2
u

Reemplazando en la ecuación de advección lineal con una diferencia centrada de segun-

do orden para la derivada espacial se obtiene:
(G

1 1

n
+ 1 −C fl 2 φin + C fl C fl − 1 φi+1

n
 C fl C fl + 1 φi−1 c0 > 0,


 ,
n+1
φi = 2 2 (3.92)
 1 C fl C fl − 1
φ n + 1 −C fl 2
φ n + 1 C fl C fl + 1
φ n ,

c 0 < 0,
i−1 i i+1
2 2
La condición de estabilidad del esquema de Lax-Wendroff es C fl ≤ 1, es decir que
resulta estable bajo la misma condición que los esquemas upwind de primer orden y de
Lax-Friedrichs vistos anteriormente. Como sucede en los métodos de segundo orden de
este tipo, la viscosidad artificial se manifiesta en forma de una dispersión numérica que
produce oscilaciones espurias en las cercanías de discontinuidades o fuertes gradientes.
Para la implementación del esquema de Lax-Wendroff en la resolución de ecuaciones
no lineales se utiliza la variante de dos pasos y tres niveles (ver Sección 3.7) del método,
132 Capítulo 3. Fundamentos de las técnicas numéricas

que para la ecuación de advección lineal con c0 > 0 es:

n+ 1 1
n 1
Paso 1: φi+ 12 = 1 −C fl φi+1 + 1 +C fl − φin ,


2 2 2 

1
(3.93)
n+ n+ 1
Paso 2: φin+1 = φin −C fl φi+ 12 − φi− 12
2 2

Este esquema es de segundo orden y tiene la condición de estabilidad C fl ≤ 1. El paso

1 resulta de la aplicación del método de Lax-Friedrichs en el punto medio i + 21 para un
paso de tiempo 21 ∆t. El paso 2 es el método leap frog para el intervalo 12 ∆t restante (ver más
adelante). Puede verse que, cuando se aplica a problemas lineales como la ecuación (3.68),
el método de Lax-Wendroff de dos pasos es equivalente al método de Lax-Wenfroff original.

Método de leap frog

FT
El método de leap frog es el esquema de segundo orden de aproximación más simple

)
que se conoce para resolver problemas hiperbólicos. Este esquema es de dos pasos, es decir

se
que en la aproximación numérica intervienen los valores de la variable dependiente en los
niveles de tiempo n, n − 1 y n + 1. Para la ecuación de advección lineal este esquema es:

u
φin+1 = φin−1 − sign(c0 )C fl φi+1
n−1 n−1
− φi−1 (3.94)
A


. ra
El método de leap frog es estable para C fl ≤ 1 y tiene un error de truncamiento de or-
den O[(∆t)2 , (∆x)2 ]. Debido a esto, las soluciones numéricas resultantes de este método en
K
general exhiben oscilaciones espurias asociadas a los errores de dispersión numérica y más
R

aún en este caso donde no existen derivadas pares en el error de truncamiento (éstas se can-
o

celan entre sí al obtener la ecuación modificada por lo que no existen errores de disipación
av

numérica). Por otro lado, el método de leap frog al igual que todos los métodos explícitos
de más de dos niveles, requieren un tratamiento especial de las condiciones iniciales ya que
D

la variable dependiente no se conoce en instantes previos al tiempo inicial. Por este motivo,
st

suelen utilizarse esquemas de un paso al comienzo de la simulación numérica para luego

dar lugar al esquema de tres niveles. Otra desventaja inherente a este método se debe a la
u

característica “leap frog” (saltar por encima) de la derivada discreta, en cuya aproximación
(G

el valor de la función en un punto dado para el siguiente instante de tiempo no depende de

su valor actual, sino que depende del valor en el instante de tiempo previo (φin+1 depende
de φin−1 y no de φin ). Esto hace que puedan desarrollarse dos soluciones “independientes”
para los instantes de tiempo con n par y con n impar, las cuales avanzan de forma totalmente
separada. Finalmente, la necesidad de conocer la variable dependiente en dos niveles (n y
n − 1) requiere mayor capacidad de almacenamiento que los esquemas de dos niveles, don-
de sólo se necesita conocer la variable en el instante actual para construir la aproximación
discreta.

Método de MacCormack
El método de McCormack (1969) es un esquema del tipo predictor-corrector (ver Sec-
ción 3.7) que fue ampliamente utilizado para la resolución de las ecuaciones de flujo y
3.4 Solución numérica de problemas hiperbólicos 133

otras PDEs no lineales. Este esquema es una variación del esquema de dos pasos de Lax-
Wendroff que remueve la necesidad de computar las variables en el nivel intermedio n + 12 .
La aplicación del método de McCormack a la ecuación de advección lineal con c0 > 0 es la
siguiente:

Predictor: φ̃in+1 = φin −C fl φi+1

n
− φin .

1 (3.95)
Corrector: φin+1 = φin + φ̃in+1 −C fl φ̃in+1 − φ̃i−1
n+1


.
2
Nótese que para la ecuación de advección el método de McCormack es equivalente
al método de Lax-Wendroff original, por lo tanto, el orden del error de truncamiento, la
ecuación modificada y la condición de estabilidad son iguales a los de ese esquema.

Método de Warming-Beam

FT
Como mencionamos en la sección previa, el método de Warming-Beam (Warming y

)
se
Beam, 1976) es el método upwind de segundo orden tanto en espacio como en tiempo, el
cual tiene en cuenta la dirección de propagación de la onda. Este esquema forma parte de
la familia de métodos Warming-Beam de dos pasos y su derivación fue presentada en el

u
apartado anterior. Otra forma de obtener el método de Warming-Beam de segundo orden
A
ra
es mediante un esquema de predicción-corrección a partir de las formulaciones generales
de los esquemas de dos pasos (Hirsch, 1994b). Una manera alternativa de escribir este es-
quema es explicitando cada uno de los coeficientes que multiplican a las variables nodales
K
intervinientes. Para el caso de c0 > 0 esto es:
R

1 1
o

φin+1 = C fl C fl − 1 φi−2

n
n
+C fl 2 −C fl φi−1 + C fl − 1 C fl − 2 φin . (3.96)



2 2
av

El esquema de Warming-Beam de segundo orden presenta la ventaja de contar con una

condición de estabilidad aumentada en relación a los demás esquemas lineales de diferen-
D
st

cias finitas, la cual permite incrementar el paso de tiempo hasta ∆t máx = 2∆x/ |c0 |.
u

3.4.4. Análisis de estabilidad para sistemas de PDEs hiperbólicos

(G

Los conceptos básicos del método de von Neumann para evaluar la estabilidad de un es-
quema numérico que aproxima una PDE escalar pueden extenderse al análisis de la estabi-
lidad de esquemas numéricos aplicados a sistemas de PDEs. En este caso, vamos a analizar
problemas de PDEs hiperbólicas que, como vimos en el Capítulo 2, son muy importantes
en el campo de Dinámica de Fluidos Computacional y son las que suelen resolverse nu-
méricamente por medio de esquemas explícitos. Por otro lado, las ecuaciones de gobierno
parabólicas en general se resuelven mediante esquemas implícitos debido a las restricciones
que imponen los términos difusivos, tal como veremos más adelante.
Para este análisis consideramos un problema unidimensional sin términos fuente (pro-
blema homogéneo) expresado en forma de una ley de conservación:

∂U ∂F
+ = 0, (3.97)
∂t ∂x
134 Capítulo 3. Fundamentos de las técnicas numéricas

El vector U es el vector de variables conservativas y F(U) es el vector de flujos. Como

sabemos, este sistema puede escribirse en términos de una matriz jacobiana [A] = ∂ F/∂ U
utilizando la regla de la cadena:

∂U ∂U
+ [A] = 0. (3.98)
∂t ∂x
Aunque el sistema (3.98) es generalmente no lineal, ya que la matriz jacobiana suele
depender de las componentes del vector U, el análisis de von Neumann igualmente puede
aplicarse realizando una linealización local de las ecuaciones, de modo de mantener la ma-
triz [A] constante, tal como se hace para una ecuación diferencial escalar no lineal (ver, por
ejemplo, Hirsch, 1994b).
La ecuación en diferencias finitas resultante de la discretización de un sistema de PDEs

FT
es una ecuación vectorial en la cual las derivadas se evalúan en términos de los valores
nodales del vector U en el propio nodo y en los nodos vecinos. Por ejemplo, utilizando

)
el método de Lax-Friedrichs presentado en la sección anterior, el cual es estable para la

se
condición C fl ≤ 1, el sistema (3.98) arroja la siguiente ecuación en diferencias finitas para
un nodo interior i:

u
1 ∆t 1 ∆t
   
n+1 n n n
Ui = [I] + [A] Ui−1 + [I] − [A] Uni+1 . (3.99)
A
2 ∆x 2 ∆x ra
Al igual que en el caso de una ecuación escalar aproximada por un esquema lineal, la
K
evolución del error de redondeo en una ecuación discreta de múltiples variables responde a
la misma ecuación que discretiza el sistema original (ver ecuación (3.42)), por lo tanto, el
R

vector de errores del instante de tiempo t n evoluciona en el tiempo a través de

o
av

1 ∆t 1 ∆t
   
n n
en+1
i = [I] + [A] e n
i−1 + [I] − [A] eni+1 . (3.100)
2 ∆x 2 ∆x
D
st

La expansión en una serie de Fourier finita del error ei se escribe entonces en forma
matricial, por medio de una matriz [a] de amplitudes modales y un vector de modos de
u

componentes exp(iθm i):

(G

..
 
.
exp i) m = 1, . . . , M − 2, (3.101)
 
ei = [a]  (iθ m
,
..
 
.

siendo M la cantidad de puntos de la discretización espacial y θm el número de onda. La

matriz [a] es de dimensión P × (M − 2), donde P es igual a la cantidad de variables depen-
dientes, es decir, igual a la dimensión del vector U. De esta forma, el error asociado al modo
genérico m se escribe en términos de la columna m-ésima de la matriz [a], esto es:

em,i = am exp (iθm i) ,

donde am = [a1,m , a2,m , . . . , aP,m ]T .

3.4 Solución numérica de problemas hiperbólicos 135

Nótese que, de acuerdo a esta última expresión, los errores asociados al modo m de los
nodos vecinos i ± 1 resultan ser una función del error em del nodo i, ya que

em,i+1 = am exp [iθm (i + 1)] = am exp (iθm i) exp (iθm ) = em,i exp (iθm ) ,
em,i−1 = am exp [iθm (i − 1)] = am exp (iθm i) exp (−iθm ) = em,i exp (−iθm ) .

Reemplazando estas expresiones en la ecuación (3.100) y operando algebraicamente, la

ecuación de la evolución numérica del error en el instante de tiempo t n asociado al modo m
para el esquema de Lax-Friedrichs resulta

1 1 ∆t n1
 
n+1
em,i = [I] [exp(iθm ) + exp(−iθm )] − [A] [exp(iθm ) − exp(−iθm )] enm,i
2 2 ∆x 2

FT
∆t
 
= [I] cos θm − [A]n i sin θm enm,i .
∆x

)
De manera similar al caso de PDEs escalares, la evolución del error en un sistema de

se
PDEs puede escribirse en términos de una matriz de amplificación [G], tal que

u
en+1 n
m,i = [G] em,i ,
A
por lo tanto, de acuerdo a la expresión previa, resulta
ra
K
∆t
[G] = [I] cos θm − [A]n i sin θm . (3.102)
∆x
R
o

La condición de estabilidad del esquema (3.99) requiere que el módulo de todos los
av

valores propios de la matriz de amplificación sea menor o igual que uno (esto quedará
evidenciado más adelante). Se puede demostrar que los valores propios de [G] se obtienen
directamente de la matriz jacobiana [A]n ya que, según la ecuación (3.102), la matriz de
D
st

amplificación se escribe en términos de un polinomio en [A]n de la forma

u

[G] = α1 [I] + α2 [A]n ,

(G

siendo α1 y α2 factores constantes. Si [K] y [K]−1 son las matrices de vectores propios
derechos e izquierdos de [A]n , que por definición de un sistema hiperbólico debe ser diago-
nalizable (ver Sección 2.5.3), se puede escribir:

[K]−1 [G] [K] = [K]−1 (α1 [I] + α2 [A]n ) [K]

= α1 [I] + α2 [K]−1 [A]n [K] = α1 [I] + α2 [Λ]n ,

donde [Λ]n es la matriz de valores propios λ p (p = 1, . . . , P) de la matriz jacobiana [A]n .

Esta expresión indica que [G] y [A]n tienen la misma base de vectores propios y sus valores
propios están vinculados mediante

λ([G]) = α1 [I] + α2 λ([A]n ). (3.103)

136 Capítulo 3. Fundamentos de las técnicas numéricas

Entonces, teniendo en cuenta la expresión (3.102), los factores son α1 = cos θm y α2 =

∆t
∆x i sin θm , por lo tanto, la condición de estabilidad del esquema (3.99) es

∆t
cos θm − λ p i sin θm ≤ 1, (3.104)
∆x
donde λ p son los valores propios de la matriz jacobiana. Esta condición implica que
2
∆t

2
cos θm + λ p sin2 θm ≤ 1.
∆x

Siendo cos2 θm = 1 − sin2 θm la expresión anterior queda

FT
" 2 #
∆t
1 + sin2 θm λ p − 1 ≤ 1.
∆x

)
Finalmente, teniendo en cuenta que 0 ≤ sin2 θm ≤ 1, podemos deducir la condición CFL

se
para la discretización de Lax-Friedrichs del sistema hiperbólico (3.99):
∆t
|λ p |máx ≤ 1. (3.105)

u
∆x
A
ra
Es importante notar que esta expresión tiene sentido porque todos los valores propios de
la matriz jacobiana son reales ya que el sistema de PDEs (3.97) es hiperbólico y, por lo tan-
to, diagonalizable. De esta manera, es posible obtener el paso de tiempo máximo admisible
K
para que el esquema de Lax-Friedrichs sea estable de forma análoga al caso de la ecuación
R

de advección lineal, dado que cada valor λ p representa una velocidad de propagación. Na-
o

turalmente, el valor ∆t máx se calcula con la condición más desfavorable, la cual corresponde
av

a la velocidad de propagación máxima, es decir, al valor propio de mayor valor absoluto de

la matriz jacobiana del sistema original. Así entonces queda demostrada la relación direc-
D

ta que existe entre la estabilidad del esquema numérico y los valores propios de la matriz
st

jacobiana.
Otra forma de visualizar esta relación es por medio de la forma canónica del siste-
u

ma (3.97), la cual se escribe en términos del vector de variables características W = [K]−1 U

(G

y la matriz de valores propios [Λ]. Asumiendo que la matriz jacobiana es constante por lo
que los vectores propios también son constantes, la ley de conservación (3.97) puede escri-
birse como (ver Sección 2.5.3):
∂W ∂W
+ [Λ] = 0. (3.106)
∂t ∂x
Debido a que [Λ] es una matriz diagonal, el sistema está formado por un conjunto de ecua-
ciones desacopladas de la forma:
∂ wp ∂ wp
+ λp = 0, p = 1, . . . , P, (3.107)
∂t ∂x
donde w p son las variables características del sistema. Como vemos, cada ecuación indivi-
dual es una ecuación de advección cuya velocidad de propagación es igual al valor propio
3.5 Solución numérica de problemas mixtos 137

correspondiente. De este modo, el análisis de estabilidad puede hacerse considerando cada

ecuación característica de forma individual, como si se tratara de una ecuación de advección
escalar. Esto significa que mediante el análisis de von Neumann pueden determinarse los
factores de amplificación G p para cada uno de los errores enp , los cuales deben satisfacer
|G p | ≤ 1 para que se verifique la estabilidad del esquema numérico.
Aplicando un esquema de la forma (3.90) a cada ecuación (3.107), donde el número de
Courant se calcula en función del valor propio λ p correspondiente, los factores de amplifi-
cación son

∆t
|G p | = cos θm − λ p i sin θm ≤ 1, (3.108)
∆x

FT
lo cual lleva a la misma condición de estabilidad (3.105) para cada valor propio λ p . Como
mencionamos anteriormente, la condición de estabilidad más desfavorable corresponde al
valor propio de mayor valor absoluto, y con él debe calcularse el máximo paso de tiempo ad-

)
misible. Para más detalles acerca de la estabilidad de sistemas de PDEs pueden consultarse

se
los libros de Hirsch (1994a,b).

u
3.5. Solución numérica de problemas mixtos
A
ra
Hasta aquí hemos analizado el comportamiento de los esquemas de diferencias fini-
tas más utilizados para resolver los problemas clásicos de difusión y de advección lineal.
K
Con este estudio hemos podido introducir conceptos fundamentales del análisis numérico
R

y establecer importantes consideraciones que deben tenerse en cuenta a la hora de resolver

o

numéricamente una ecuación diferencial. Sin embargo, en los problemas de interés prác-
av

tico modelados por la Dinámica de Fluidos Computacional, se presentan ecuaciones más

complejas que involucran términos con diferentes comportamientos matemáticos, tal como
D

sucede con la ecuación de transporte. Por lo tanto, es necesario extender el análisis para
st

conocer las particularidades que presenta la solución numérica de los problemas mixtos.
u

3.5.1. La ecuación de advección-difusión

(G

Como vimos en el Capítulo 2, el transporte de una propiedad escalar φ en un flujo se

modela por medio de una ecuación de la forma:

∂φ
+ ∇ · (φ v) = ∇ · (Γ∇φ ) + Sφ .
∂t
donde φ es una propiedad por unidad de volumen, v es el vector velocidad, Γ es el coefi-
ciente de difusión de esa propiedad y Sφ es un término fuente.
Tomando un dominio unidimensional con una velocidad de transporte c0 constante y un
coeficiente de difusión α también constante, la ecuación anterior se reduce a:

∂φ ∂φ ∂ 2φ
+ c0 = α 2 + Sφ , 0 ≤ x ≤ ℓ, t > 0. (3.109)
∂t ∂x ∂x
138 Capítulo 3. Fundamentos de las técnicas numéricas

Esta ecuación es una combinación de la ecuación de advección lineal y la ecuación

de difusión a la cual se ha incorporado un término fuente. Al igual que las ecuaciones
claśicas de difusión y advección lineal que estudiamos en las secciones anteriores, esta
expresión, conocida como la ecuación de advección-difusión-reacción, es un importante
prototipo matemático para analizar el comportamiento de los métodos numéricos aplicados
a la resolución de problemas mixtos, los cuales tienen una gran relevancia en el campo de
la Dinámica de Fluidos Computacional.
Escrita en la forma (3.109), la ecuación de transporte representa, por ejemplo, la evolu-
ción de la temperatura de un fluido que circula a través de un conducto a velocidad constante
c0 . El fluido a su vez tiene un coeficiente de difusión del calor constante α y una fuente de
calentamiento Sφ . Si c0 > 0, el fluido ingresa por el extremo izquierdo del conducto (x = 0)
y se tiene una condición de contorno que prescribe el valor de φ en x = 0, la cual representa

FT
la temperatura de ingreso del fluido, es decir:

φ (0,t) = φ̄in (t). (3.110)

)
se
En el otro extremo (x = ℓ) el fluido abandona el conducto y la temperatura dependería,
en principio, solamente de lo que sucede en el interior del dominio, o sea que no sería ne-
cesario definir una condición de contorno en ese extremo. Sin embargo, la difusión térmica

u
permite que el calor se transmita aguas arriba del contorno, con lo cual es necesario esta-
A
ra
blecer una condición de borde también a la salida, por ejemplo, prescribiendo el valor de la
variable:
K
φ (ℓ,t) = φ̄out (t). (3.111)
R
o

Evidentemente, para α = 0 no existe difusión térmica y la condición de contorno izquierda

es suficiente para resolver el problema de advección-reacción resultante.
av
D

3.5.2. Solución estacionaria

st

Si las condiciones de contorno φ̄in y φ̄out y el término fuente no dependen del tiempo, la
variable φ alcanza un estado estacionario cuya solución está dada por el siguiente problema
u

de valores en el contorno:
(G

dφ d2 φ
c0 = α 2 + Sφ , 0 ≤ x ≤ ℓ,
dx dx
(3.112)
φ (0) = φ̄in ,
φ (ℓ) = φ̄out .

Esta ecuación puede ser discretizada rápidamente utilizando el método de diferencias,

sin embargo, como veremos a continuación, dependiendo de la relación entre la velocidad
de advección y el coeficiente de difusión, la eficiencia del esquema para obtener una solu-
ción satisfactoria puede resultar muy pobre. Si c0 es pequeña en comparación con α, este
problema es fácil de resolver ya que, para c0 → 0, la ecuación simplemente se reduce a
la ecuación de conducción del calor estacionaria. Por el contrario, para una velocidad de
advección grande con respecto al coeficiente de difusión, surgen dificultades para modelar
3.5 Solución numérica de problemas mixtos 139

correctamente el problema. Esto se debe a que, mientras que dentro del dominio la solución
está gobernada mayormente por el término convectivo siendo muy poco afectada por lo que
sucede aguas abajo, en el borde de salida es necesario satisfacer la condición de contorno
que fija el valor de la variable en ese extremo. Por lo tanto, para c0 ≫ α, la distribución de la
variable φ puede volverse casi discontinua en las proximidades del extremo derecho al ser
necesario ajustar la condición de salida. Este tipo de resultados es muy difícil de modelar
numéricamente y se requiere una gran resolución de la grilla para aproximar correctamente
la solución.
La relación entre la velocidad de advección y el coeficiente de difusión se mide en
términos de un parámetro adimensional conocido como el número de Péclet:

c0 ℓ
Pe = (3.113)

FT
,
α

el cual queda definido en función de una longitud de referencia ℓ, que aquí tomamos igual a

)
la longitud del dominio. Con esta definición, multiplicando (3.112) por ℓ/α, suponiendo que

se
c0 y α son positivos y reagrupando términos, la ecuación de advección-difusión-reacción
estacionaria queda escrita como

u
dφ ℓ d2 φ
A
− = f, ra (3.114)
dx Pe dx2
donde f = Sφ /c0 .
K
Matemáticamente, la condición 1/Pe → 0 implica que, en el límite de α = 0, la ecua-
ción de advección-difusión se convierte en una ecuación de primer orden, la cual admite
R
o

solamente una condición de borde. Siendo c0 > 0, el término convectivo ajusta la solución a
la condición de contorno en x = 0 sin tener en cuenta lo que sucede en el otro extremo. Para
av

α > 0 el término difusivo ajusta la solución al valor prefijado por la conhdición de borde a
la salida, pero cuando α → 0 la solución está pricipalmente gobernada por el término con-
D
st

vectivo y la transición de la solución interior convectiva al valor del contorno derecho se da

sobre una pequeña porción del dominio. Este comportamiento puede verse en la solución
exacta de la ecuación (3.112) para f = −1 y ℓ = 1, la cual está dada por:
u
(G

exp(xPe) − 1
 
φ (x) = φ̄in + x + (φ̄out − φ̄in − 1) . (3.115)
exp(Pe) − 1

Nótese que, siendo 0 ≤ x ≤ 1, la variable φ en la ecuación anterior tiende a formar una

discontinuidad en x = 1 cuando Pe → ∞. Esta región de rápida transición se conoce como
capa límite, y puede desmostrarse que su espesor es de orden O(1/Pe) (LeVeque, 2007).
La ecuación (3.114) con 0 < 1/Pe ≪ 1 se conoce como una ecuación singularmente per-
turbada, ya que ella es una pequeña perturbación de la ecuación de advección estacionaria,
pero su solución es completamente diferente a la solución de aquélla. Este tipo de compor-
tamiento se presenta cuando, de manera general, el término de mayor orden de una ecuación
diferencial se encuentra multiplicado por un parámetro muy pequeño. Naturalmente, el aná-
lisis numérico de problemas singularmente perturbados es de gran importancia en el campo
de la Dinámica de Fluidos Computacional, ya que soluciones como éstas se presentan en
140 Capítulo 3. Fundamentos de las técnicas numéricas

uno de los problemas de mayor interés en Mécánica de los Fluidos: el flujo a altos números
de Reynolds. En esa condición, el campo de movimiento exhibe una capa límite que, ma-
temáticamente, es consecuencia de fijar la condición de no deslizamiento (V = 0) sobre la
pared de un cuerpo sólido inmerso en una corriente de viscosidad no nula.
Contrariamente a lo anterior, cuando a una ecuación puramente difusiva (c0 = 0 en (3.112))
se le incorpora un término convectivo con |c0 | → 0, la solución no se modifica sustancial-
mente y se dice que se produce una perturbación regular. Esto es así porque en este caso
tanto la ecuación “original” (con c0 = 0) como la ecuación perturbada (con c0 ̸= 0) son de
segundo orden, por lo tanto, ambas ecuaciones requieren el mismo número de condicio-
nes de contorno. De esta forma, ambas soluciones resultan muy similares cuando |c0 | es
pequeño y la diferencia entre ellas es de orden O(|c0 |).
Como puede intuirse, los problemas de perturbación singular presentan dificultades para

FT
modelarse numéricamente dado que la solución cambia rápidamente en una región muy
pequeña del dominio, es decir, dentro de la capa límite. En dicha región existen fuertes
gradientes que dan lugar a errores de truncamiento muy elevados, lo cual obliga a utilizar

)
discretizaciones muy refinadas. Para visualizar estos efectos consideremos la solución de la

se
ecuación (3.114) mediante un esquema de diferencias finitas centrado tanto para la derivada
primera como para la derivada segunda, el cual se escribe como:

u
φi+1 − φi−1 1 φi+1 − 2φi + φi−1
A
2∆x
−
Pe (∆x)2
= f (φi , xi ). ra (3.116)

donde se ha escogido ℓ = 1 como longitud de referncia para el número de Péclet.

K
Como sabemos, el esquema (3.116) es de segundo orden por lo que el término de menor
R

orden del error de truncamiento involucra una derivada tercera. Esto implica que, de acuerdo
o

a lo analizado en la Sección 3.4.2, el error de truncamiento introduce dispersión numérica

av

a la solución, lo cual genera oscilaciones espurias cuya amplitud depende de (∆x)2 . Para
visualizar este comportamiento, en la Figura 3.12 se muestran las soluciones numéricas
D

obtenidas mediante el esquema (3.116) para la ecuación de advección-difusión-reacción

st

con c0 = 1, α = 0,02 (Pe = 50), Sφ = 1 y diferentes niveles de refinamiento de la grilla.

Allí podemos ver que, en las soluciones donde ∆x es más grande, los errores numéricos son
u

importantes aun en la zona donde la solución es aproximadamente lineal, es decir, donde

(G

las derivadas de orden superior son muy pequeñas. Por otro lado, a medida que se refina
la grilla, la solución mejora en la región convectiva pero las oscilaciones persisten en la
zona de la capa límite. Un resultado satisfactorio sólo puede obtenerse cuando se utiliza
una cantidad de nodos relativamente grande en la discretización. Es fundamental notar que,
siendo éste un problema de equilibrio, las oscilaciones no pueden asociarse a problemas de
estabilidad numérica del esquema, con lo cual, se pone de manifiesto el fuerte efecto del
error de truncamiento en este tipo de soluciones.

3.5.3. Solución no estacionaria

Ahora analizamos la ecuación de advección-difusión lineal no estacionaria para obtener
la solución transitoria del problema. Para ello, asumimos que la velocidad de advección c0 y
el coeficiente de difusión α son constantes y que el término fuente es nulo. Para aproximar
3.5 Solución numérica de problemas mixtos 141

M=6 M = 11
5
Exacta Exacta
4 Numérica Numérica

3
φ (x)

0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
M = 21 M = 51
5
Exacta Exacta

)
se
4 Numérica Numérica

u
φ (x)

A
2 ra
1
K
0
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 3.12: Solución numérica por medio del método de diferencias finitas de la
ecuación de advección-difusión-reacción estacionaria (3.114) con φ̄in =
D

1, φ̄out = 5, Pe = 50 y f = 1 para diferentes discretizaciones.

st
u

la solución utilizamos un esquema de Euler hacia adelante para la derivada temporal y

esquemas centrados de segundo orden para las derivadas espaciales:
(G

φin+1 − φin φ n − φi−1

n φ n − 2φin + φi−1
n
+ c0 i+1 − α i+1 = 0.
∆t 2∆x (∆x)2

Operando algebraicamente sobre esta expresión e introduciendo las definiciones ya conoci-

das del factor c = α∆t/(∆x)2 y del número de Courant C fl = |c0 ∆t/∆x|, obtenemos:

C fl C fl
   
n+1 n n n
φi = c + φi−1 + (1 − 2c)φi + c − φi+1 , (3.117)
2 2

donde hemos asumido que la velocidad c0 es positiva.

Las condiciones de estabilidad del esquema explícito (3.117) se determinan mediante
el análisis de von Neumann, el cual permite obtener la siguiente expresión para el factor de
142 Capítulo 3. Fundamentos de las técnicas numéricas

amplificación:

G = 1 + 2c(cos θm − 1) −C fl i sin θm .

Recordando que la condición de estabilidad es |G| ≤ 1 para todo θm , resulta que el

esquema (3.117) será estable para

α∆t 1 c0 ∆t
c= ≤ , C fl = ≤ 1, (3.118)
(∆x)2 2 ∆x

que son las condiciones de estabilidad obtenidas de forma independiente para el esquema
FTCS de la ecuación de difusión (ecuación (3.48)) y del esquema upwind de primer orden
para la ecuación de advección lineal (ecuación (3.78)). Sin embargo, a diferencia de lo

FT
que sucede con la ecuación de advección lineal, en este caso un esquema centrado para la
derivada convectiva resulta ser condicionalmente estable gracias a que el término difusivo

)
en la ecuación de advección-difusión provee la disipación necesaria para contrarrestar la

se
viscosidad artificial negativa que se genera al introducir una aproximación centrada.
Utilizando ahora la definición del número de Péclet, podemos escribir la siguiente rela-
ción:

u
A
C fl c0 ∆x ra
= = Pe∆x , (3.119)
c α
K
donde Pe∆x se define como el número de Péclet de la grilla. Con esta definición reescribimos
la ecuación discreta (3.117) para obtener
R
o

C fl 2 C fl C fl 2
     
n+1 n n n
φi = + 1 φi−1 + 1 − 2 φi + − 1 φi+1 , (3.120)
av

2 Pe∆x Pe∆x 2 Pe∆x

cuyas condiciones de estabilidad expresadas en términos del número de Péclet de la grilla

D
st

son
Pe∆x
u

C fl ≤ , C fl ≤ 1. (3.121)
2
(G

Aquí vemos más claramente la restricción que impone el término difusivo sobre la con-
dición de estabilidad, la cual implica que, para Pe∆x → 0, el paso de tiempo debe ser sustan-
cialmente más pequeño que el que resultaría de considerar solamente la condición convec-
tiva (C fl ≤ 1). Esto significa que para discretizaciones con mallas muy refinadas (∆x → 0)
o en problemas con coeficientes de difusión relativamente grandes, el avance en el tiempo
del esquema explícito (3.120) se ve fuertemente penalizado. Esta característica se conoce
como rigidez de la ecuación diferencial y será estudiada más adelante.
Además de los inconvenientes derivados de la condición de estabilidad restrictiva que se
impone en la formulación explícita de la ecuación de advección-difusión no estacionaria, al
igual que en el csso estacionario, la solución numérica de este tipo de problemas puede exhi-
bir fuertes discrepancias debido a las oscilaciones espurias causadas por el efecto dispersivo
del error de truncamiento. Este comportamiento es una consecuencia de la aproximación de
3.6 Monotonicidad en los esquemas numéricos 143

segundo orden utilizada en la discretización de la derivada correspondiente al término con-

vectivo de la ecuación diferencial, la cual produce una viscosidad artificial negativa que no
es lo suficientemente contrarrestada por el término difusivo cuando ∆x es grande. Esto hace
que aparezcan nuevas restricciones en la definiciaón de los parámetros de la discretización
para alcanzar resultados aceptables. Para visulaizar este efecto, en la Figura 3.13 se presen-
tan las soluciones obtenidas por medio del esquema (3.120) para una condición inicial dada
por una función “tienda” entre x = 0,1 y x = 0,3 para c0 = 1 y α = 0,01. La solución exacta
de este problema consiste en una combinación de la solución del problema de advección
lineal y del problema de difusión, de modo que la “tienda” viaja hacia la derecha (ya que
c0 > 0) mientras su forma triangular se va disipando por acción de la difusión. La discre-
tización del dominio espacial queda definida por el número de Péclet de la grilla escogido
y, con el valor de ∆x calculado a partir de éste y el coeficiente CFL elegido teniendo en

FT
cuenta la condición de estabilidad (C fl ≤ Pe∆x /2 y C fl ≤ 1), se determina el paso de tiempo
∆t. En la figura se muestran resultados numéricos correspondientes a diferentes combina-
ciones de Pe y C fl cuyos valores satisfacen la condición de estabilidad. Como vemos en

)
las figuras, la solución numérica exhibe errores de dispersión numérica que se hacen muy

se
importantes cuando la grilla es gruesa, es decir, para números de Péclet de la grilla eleva-
dos. Nuevamente, recordamos que estas discrepancias no pueden atribuirse a problemas de

u
inestabilidad numérica ya que en todos los casos se satisface la condición de estabilidad.
A
Para obtener una aproximación numérica aceptable, es necesario utilizar una grilla muy re-
ra
finada que, debido a la condición de estabilidad, restringe fuertemente el valor admisible
del número de Courant. Esto genera una fuerte reducción en el paso de tiempo que da lugar
K
a un consecuente incremento en el costo computacional, lo cual pone en evidencia las fuer-
R
tes limitaciones de los esquemas explícitos para la modelación numérica de problemas de
o

advección-difusión.
av

3.6. Monotonicidad en los esquemas numéricos

D
st

En la Sección 3.4.2 introdujimos el concepto de viscosidad artificial y detallamos los

u

efectos que ésta produce en las soluciones numéricas de poblemas hiperbólicos. Sin em-
bargo, estos efectos no son exclusivos de este tipo de ecuaciones sino que se presentan en
(G

la aproximación numérica de cualquier problema. De hecho, en el análisis anterior hemos

mostrado cómo la dispersión numérica afecta fuertemente la exactitud de los resultados de
la ecuación de advección-difusión cuando se implementan esquemas de segundo orden.
Como hemos visto, los efectos de la disipación numérica, asociada a los términos con
derivadas de orden par del error de truncamiento, son evidentes en problemas puramente
hiperbólicos que se aproximan con esquemas de primer orden. Cuando utilizamos aproxi-
maciones de segundo orden evitamos la disipación artificial excesiva de las aproximaciones
de primer orden, pero el efecto de la dispersión numérica puede generar muy malos resul-
tados en problemas que presentan gradientes importantes o discontinuidades. Este compor-
tamiento se extiende a los problemas mixtos gobernados por la convección en los cuales
los mecanismos disipativos “naturales” no son suficientes para contrarrestar la excitación
de oscilaciones espurias causadas por la dispersión numérica.
144 Capítulo 3. Fundamentos de las técnicas numéricas

C f l = 1, Pe∆x = 3 C f l = 1, Pe∆x = 2,5

0,15
Exacta Exacta
Numérica Numérica
0,10
φ (x,t f )

0,05

0,00

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
C f l = 0,8, Pe∆x = 2 C f l = 0,1, Pe∆x = 0,25
0,15
Exacta Exacta

)
se
Numérica Numérica
0,10
φ (x,t f )

u
0,05
A
ra
0,00
K
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 3.13: Comparación entre la solución numérica (3.120) de la ecuación de

advección-difusión y la solución exacta para t f = 0,5 con una condición
D

inicial de función “tienda”, c0 = 1, α = 0,01 y los números de Courant

st

y de Péclet indicados.
u

Los efectos de la dispersión numérica son los que visualizamos en las Figuras 3.12
(G

y 3.13 de la sección anterior. Naturalmente, las fuertes oscilaciones presentes en algunos

de los resultados numéricos no son un comportamiento real de la solución, sino que son
inducidas numéricamente. Estas oscilaciones producen máximos y mínimos locales en la
distribución de la variable que no deberían generarse en ausencia de fuentes o mecanismos
de excitación que hagan crecer (o disminuir) la variable por encima (o por debajo) de sus
valores extremos6 . En ese caso, decimos que el esquema numérico no preserva el máximo
de la solución o que no satisface el principio de máximos.
El principio de máximos puede entenderse intuitivamente analizando lo que sucede con
la temperatura de un sólido que no está sometido a ningún tipo de fuentes de calentamien-
6 Otro efecto “real” que puede hacer crecer (o disminuir) la variable dependiente más allá de sus valores

extremos es cuando las condiciones de borde imponen valoes máximos o mínimos en los contornos, pero por
ahora aquí no consideramos esta situación.
3.6 Monotonicidad en los esquemas numéricos 145

to. La aparición de valores de temperatura más elevados que la temperatura inicial máxima
dentro del sólido claramente no se corresponde con la realidad física del problema repre-
sentado por la ecuación de difusión. De hecho, el mecanismo de difusión producido por el
coeficiente α > 0 tiende a suavizar la distribución de temperatura en todo el dominio lle-
vando los gradientes a su valor mínimo posible, de acuerdo a las condiciones de borde del
problema. Las ecuaciones de flujo, como cualquier otra ley de conservación, en general sa-
tisfacen estrictamente el principio de máximos. La introducción de nuevos valores extremos
en la solución de un esquema numérico en este tipo de problemas no sólo viola el principio
de máximos que representa la realidad física del proceso, sino que también puede llevar a
evidentes soluciones que no tienen sentido físico (soluciones no físicas). Ejemplos obvios
de soluciones no físicas se dan con la aparición de valores negativos o nulos de presión (ab-
soluta) o densidad en la simulación numérica de las ecuaciones de Euler o en las ecuaciones

FT
de transporte de Vlasov-Boltzmann. Otro ejemplo son las alturas negativas en la solución
de la ecuación de aguas poco profundas (shallow water) donde, obviamente, el nivel de
agua no puede descender más abajo del fondo. De esta forma, en la Dinámica de Fluidos

)
Computacional resulta fundamental que los esquemas numéricos no introduzcan mínimos

se
locales espurios de manera de asegurar la positividad de las variables termodinámicas.
Una pequeña demostración de la preservación de los extremos locales de una ley de

u
conservación puede hacerse considerando la ecuación de advección-difusión (3.109) con
A
Sφ = 0 en un dominio unidimensional: ra
∂φ ∂φ ∂ 2φ
+ c0 − α 2 = 0, 0 ≤ x ≤ ℓ, t ≥ 0.
K
∂t ∂x ∂x
Si existe un máximo local φm en xm dentro del intervalo interior [xa , xb ], implica que la
R
o

derivada primera con respecto a x es nula en ese punto y la ecuación anterior queda:
av

t t
∂φ ∂ 2φ
−α = 0.
∂t xm ∂ x2 xm
D
st

Siendo que en xm hay un máximo local, la derivada segunda con respecto a x es menor
que cero, por lo tanto, la derivada temporal en ese punto deberá ser negativa ya que el
u

coeficiente α es positivo. De esta manera, asumiendo que φ (x,t) es suave en el intervalo

[xa , xb ], se verifica que φ (xm ,t) > φ (x,t + ∆t) para xa ≤ x ≤ xb , de la misma forma que para
(G

cualquier otro entorno alrededor de un extremo local dentro del dominio 0 ≤ x ≤ ℓ. Debe
notarse que para el caso puramente hiperbólico (α = 0), la condición sobre la variable es
que sus valores extremos se preservan en el intervalo dado que la derivada temporal es nula
en los puntos extremos. Una demostración más rigurosa del principio de máximos permite
generalizar el principio de preservación de los valores extremos para Sφ ̸= 0, la cual puede
consultarse en el libro de Wesseling (2001).
Resulta evidente que un esquema numérico que capture correctamente el comporta-
miento monótonamente creciente o monótonamente decreciente de una solución en un de-
terminado intervalo no introduce nuevos valores extremos. Por lo tanto, el cumplimiento del
principio de máximos por parte de un esquema numérico está asociado a la preservación de
la monotonicidad de la solución. Se denominan esquemas monótonos a los esquemas numé-
ricos que preservan la monotonicidad de la solución y, por lo tanto, satisfacen el principio
146 Capítulo 3. Fundamentos de las técnicas numéricas

de máximos. Claramente, a diferencia de los esquemas de primer orden cuyos errores de

disipación numérica tienden a aplacar los valores extremos de la solución, los esquemas
numéricos de segundo orden como los dados por las ecuaciones (3.88), (3.116) y (3.120),
cuyos resultados se muestran en las Figuras 3.11, 3.12 y 3.13, no son monótonos debido
al efecto de la dispersión numérica. Teniendo en cuenta que este error está asociado a la
aproximación de las derivadas espaciales (con respecto a x), resulta que la magnitud de las
oscilaciones espurias depende directamente de la distancia ∆x utilizada para definir la dis-
cretización espacial. La pregunta que surge entonces es acerca de la posibilidad de construir
esquemas numéricos monótonos de orden superior a uno.
Para comenzar a responder esta pregunta consideremos la solución discreta de una ecua-
ción diferencial en la variable φ . De forma general, todos los esquemas de un paso, es decir,
aquellos donde intervienen variables correspondientes a niveles de tiempo n + 1 y n, tanto

FT
explícitos como implícitos, pueden representarse mediante la siguiente formulación:

∑ cm φi+m
n+1
= ∑ dm φi+m
n
,

)
m m

se
donde los límites de m en las sumatorias están dados por el tipo y el orden espacial del
esquema. En los esquemas de diferencias finitas que hemos vismo hasta el momento, los

u
factores cm y dm son independientes de la variable φ , por lo tanto, son esquemas lineales ya
A
ra
que se expresan como combinaciones lineales de los valores nodales de φ . En el caso de un
esquema explícito tenemos que cm = 0 para m ̸= 0 y cm = 1 para m = 0, con lo cual φin+1
se determina directamente. En el caso de un esquema implícito (lineal), los coeficientes cm
K
y dm no dependen de φ y la expresión anterior igualmente puede reducirse a
R
o

IR
φin+1 = ∑ n
bm φi+m . (3.122)
av

m=−IL

La ecuación (3.122) es la forma general de los esquemas lineales. Muchas de las carac-
D
st

terísticas de la solución numérica de un esquema de este tipo están dadas por los valores de
los coeficientes bm , los cuales deben satisfacer ciertas condiciones para alcanzar el compor-
tamiento deseado. La primera condición tiene que ver con la consistencia del esquema, la
u

cual exige que:

(G

IR
∑ bm = 1, (3.123)
m=−IL

de modo de satisfacer la solución constante φ (x,t) = cte. Puede verificarse rápidamente

que esta condición se cumple para todos los esquemas de diferencias finitas que hemos
introducido hasta el momento, tanto para la ecuación de difusión como para la de advección
lineal y la combinación de ambas.

3.6.1. Preservación de la monotonicidad

El teorema de preservación de la monotonicidad establece que el esquema lineal (3.122)
es monótono si y sólo si todos los coeficientes de la sumatoria son mayores o iguales a cero,
3.6 Monotonicidad en los esquemas numéricos 147

es decir:

bm ≥ 0, para todo m. (3.124)

La demostración de este teorema puede consultarse en el trabajo original de Godunov

(1959) o en el libro de Wesseling (2001), entre otros. Aquí solamente plantearemos un
contraejemplo que evidencia la necesidad de que la condición (3.124) debe cumplirse para
que el esquema sea monótono. Consideremos para ello el caso de una solución φ (x,t) no
decreciente tal que

· · · ≤ φ (xi−1 ,t) ≤ φ (xi ,t) ≤ φ (xi+1 .t) ≤ . . . , . . . < xi−1 < xi < xi+1 < . . . ,

la cual se aproxima mediante un esquema explícito de la forma:

φin+1 = b−1 φi−1

n

FT
+ b0 φin + b1 φi+1
n
.

)
La monotonicidad no decreciente de la solución exige que φin+1 ≥ φi−1
n+1
, entonces

se
φin+1 − φi−1
n+1 n
= b−1 φi−2 n
+ (b−1 − b0 )φi−1 + (b0 − b1 )φin + b1 φi+1
n
≥ 0.

u
Esto implica que, para una condición inicial no decreciente dada por
A

0, si x ≤ xi ,
ra
φ (x, 0) =
1, si x > xi ,
K
R
1 ≥ 0 se cumple sólo si b ≥ 0 ya que el único término distinto de
la condición φi1 − φi−1 1
o

0 = 1. Aunque este análisis no demuestra la

cero en la expresión anterior corresponde a φi+1
av

suficiencia de la condición (3.124), sí evidencia su necesidad.

El teorema de preservación de la monotonicidad de los esquemas numéricos lineales es
quien explica el comportamiento de las soluciones discretas de los esquemas numéricos de
D
st

segundo orden que hemos analizado hasta el momento. Por ejemplo, en la aproximación de
la ecuación de advección lineal por medio del esquema de Warming-Beam vemos que la
u

condición (3.124) no puede satisfacerse en la ecuación discreta (3.96) para valores C fl <
2 y C fl ̸= 1. Por otro lado, en la ecuación (3.120) del problema de advección-difusión,
(G

la monotonicidad del esquema depende del número de Péclet de la grilla. En este caso,
se observa que la positividad del factor que multiplica a φin se satisface automáticamente
n , la
debido a la condición de estabilidad (3.121) pero, para el factor que multiplica a φi+1
condición de monotonicidad exige que:
c0 ∆x
Pe∆x = < 2. (3.125)
α
Esta última expresión establece la condición que debe cumplirse para obtener soluciones
libres de oscilaciones espurias. Esta condición de monotonicidad no debe malinterpretarse
como una condición de estabilidad del esquema, sino que debe entenderse como una condi-
ción de exactitud necesaria para limitar los errores de truncamiento del esquema (Wesseling,
2001; Strikwerda, 2004). De manera similar a cómo el número de Courant nos permite fijar
148 Capítulo 3. Fundamentos de las técnicas numéricas

el paso de tiempo máximo para que el esquema sea estable, la condición (3.125) permite de-
terminar un tamaño ∆x máximo de la grilla para satisfacer la monotonicidad de la solución
para una velocidad de convección c0 y un coeficiente de difusión α dados.
Analicemos ahora qué sucede si en la aproximación de la ecuación de advección-difusión
reemplazamos la diferencia centrada de segundo orden de la derivada convectiva por el es-
quema upwind de primer orden. Con esta sustitución, la ecuación (3.120) queda:

1 2 C fl n
    
n+1 n
φi = C fl + 1 φi−1 + 1 −C fl + 1 φin + φ . (3.126)
Pe∆x Pe∆x Pe∆x i+1

En este caso, la condición de monotonicidad del esquema sale del factor que multiplica a
φin , cuya positividad ya no restringe el valor del número de Péclet de la grilla pero exige que

FT
se cumpla la siguiente relación:

2
 
C fl + 1 ≤ 1.

)
Pe∆x

se
Aunque esta relación es menos restrictiva que la condición (3.125), permitiendo utilizar gri-
llas poco refinadas, la misma fue alcanzada a costas de reducir el orden de la aproximación

u
que ahora es de primer orden por la introducción de la diferencia upwind. Como veremos
A
ra
a continuación, reducir el orden de la aproximación a primer orden es la única forma de
asegurar la monotonicidad de un esquema numérico lineal.
K
Teorema de Godunov
R
o

El teorema de Godunov (1959), también conocido como el teorema de la barrera de

av

exactitud, establece básicamente que un esquema lineal de la forma (3.122) que satisface
la condición de monotonicidad (3.124) sin condicionamientos es, como máximo, de primer
D

orden de aproximación. Aunque este teorema fue formulado originalmente para problemas
st

hiperbólicos, podemos extender su aplicación al caso general de la aproximación numérica

de ecuaciones diferenciales homogéneas de cualquier tipo.
u

El teorema de Godunov nos dice de alguna forma que las oscilaciones espurias presentes
en las soluciones numéricas de esquemas lineales son el costo de obtener aproximaciones
(G

de alto orden. Esto es así porque no siempre es posible establecer una condición de mo-
notonicidad para la solución numérica de aproximaciones de alto orden, de modo que las
oscilaciones espurias pueden acompañar el resultado independientemente de los parámetros
utilizados para la discretización. De hecho, esto es lo que sucede con el esquema upwind
de segundo orden de Warming-Beam (3.96), para el cual no puede satisfacerse la condición
de monotonicidad para ningún valor admisible del número de Courant diferente de 1. El
mismo resultado se obtiene para el esquema centrado de Lax-Wendroff (3.92). Por lo tan-
to, teniendo en cuenta que aunque en estos casos de problemas lineales sería posible fijar
C fl = 1 para anular los coeficientes negativos de los esquemas, a menudo el comportamiento
de los problemas no lineales no permite llegar al límite de la condición de estabilidad por lo
que la condición de monotonicidad no puede satisfarse y el esquema resulta esencialmente
oscilatorio.
3.6 Monotonicidad en los esquemas numéricos 149

Una forma de eludir la barrera impuesta por el teorema de Godunov, de forma de poder
construir esquemas numéricos de alto orden de aproximación que preserven la monotoni-
cidad de la solución, es mediante la implementación de esquemas no lineales. En este tipo
de esquemas los coeficientes de las aproximaciones numéricas no son constantes, sino que
varían en función de la relación entre los valores de las variables discretas que intervienen
en la expresión. Estas técnicas serán estudiadas en el Capítulo 4 en el contexto del método
de los volúmenes finitos.

3.6.2. Propiedad TVD

La propiedad de monotonicidad de los esquemas numéricos también suele plantearse en
términos de la evolución de la variación total de la solución en el tiempo. La variación total

FT
de una función continua f (x) se define como:
ˆ ∞
TV( f ) = lı́m sup | f (x + ε) − f (x)| dx,

)
ε→0 −∞

se
donde sup es el valor supremo. Si la función f (x) es diferenciable, la expresión anterior es
equivalente a

u
ˆ ∞
A
df ra
TV( f ) = dx.
−∞ dx
K
En el caso de la solución φ (x,t) de una ecuación diferencial que depende del tiem-
po, la variación total es una función del tiempo que puede ser creciente (incremento de
R

la variación total), decreciente (reducción de la variación total) o mantenerse constante. Si

o

consideramos la solución de la ecuación de advección lineal φ (x,t) = φ0 (x − c0t), siendo

av

φ0 (x) la condición inicial, vemos que

ˆ ∞
D

φ0 (x′ + ε) − φ0 (x′ ) dx′ ,

st

TV[φ (x,t)] = lı́m sup

ε→0 −∞
u

donde se ha realizado el cambio de variable x′ = x − c0t. Como se observa en la expresión,

la variación total de φ (x,t) no depende del tiempo sino solamente de la condición inicial
(G

φ (x, 0), por lo tanto, la variación total de la solución de la ecuación de advección lineal se
mantiene constante en el tiempo. Cuando la variación total de la solución no se incrementa
en el tiempo se dice que φ es TVD, por las siglas del inglés total variation diminishing.
Naturalmente, es deseable que la aproximación numérica de una solución TVD satisfaga
la misma propiedad, considerando en este caso la definición de la variación total de una
función discreta:
∞
TV(φ n ) = ∑ n
φi+1 − φin . (3.127)
i=−∞

La solución discreta φ n es TVD si y sólo si

TV(φ n+1 ) ≤ TV(φ n ) ≤ · · · ≤ TV(φ 1 ) ≤ TV(φ 0 ). (3.128)

150 Capítulo 3. Fundamentos de las técnicas numéricas

Los esquemas numérico cuyas soluciones numéricas reproducen la propiedad TVD de la

solución exacta se conocen, precisamente, como esquemas TVD.
Puede mostrarse fácilmente que, para una función f (x) monótona en un intervalo [xa , xb ],
la variación total de la función en dicho intervalo es, simplemente, TV( f )|xxba = | f (xb ) − f (xa )|.
Para una función arbitraria, la variación total en el intervalo está dada por la diferencia entre
los valores en los bordes y los valores de los puntos extremos locales, esto es:

N ext
TV( f )|xxba = f (xa ) − f (x1ext ) + ∑ f (xkext ) − f (xk−1
ext
) + f (xb ) − f (xNextext ) ,
k=2

donde xkext son las posiciones de los puntos extremos locales y N ext es el número total de
extremos locales de f (x) en el intervalo [xa , xb ]. De esta forma, la variación total de una

FT
función discreta φ definida en M puntos es:

N ext

)
TV(φ ) = φ1 − φ1ext + ∑ φkext − φk−1
ext
+ φM − φNextext ) , (3.129)

se
k=2

siendo φkext los valores de los extremos locales de φ . De manera vaga pero ilustrativa, esto

u
demuestra que una aproximación numérica que desarrolla oscilaciones espurias no satisface
A
ra
la propiedad TVD ya que, dichas oscilaciones, introducen nuevos extremos locales en la
solución que incrementan su variación total. Del mismo modo, un esquema que satisface la
propiedad TVD no generará oscilaciones espurias porque la variación total de la solución
K
no se incrementa. De esta forma, vemos cierta equivalencia entre la propiedad TVD y la
R

propiedad de preservación de la monotonicidad de un esquema numérico que, para los fines

o

de nuestros objetivos, podemos decir que son en efecto análogas. En términos formales, los
av

esquemas TVD son un subconjunto de los esquemas que preservan la monotonicidad y, a

su vez, los esquemas monótonos son un subconjunto de los primeros (Smon ⊆ STVD ⊆ Spm ,
D

ver Harten (1983)).

st

Como establecimos más arriba, un esquema lineal de la ecuación de advección lineal de

la forma (3.122) es monótono si y sólo si se verifica la condición de bm ≥ 0. En este caso,
u

un esquema monótono es equivalente a un esquema que preserva la monotonicidad y, por

lo tanto, equivalente a un esquema TVD, con la condición adicional de que
(G

IR
∑ bm ≤ 1,
m=−IL

la cual se cumple debido a la condición de consistencia (3.123) que exige que ∑ bm = 1.

Como demuestra Harten (1983), un esquema que satisface la propiedad TVD es un es-
quema que preserva la monotonicidad de la solución. Por lo tanto, teniendo en cuenta el
teorema de Godunov, un esquema lineal que satisface la propiedad TVD es, ineludiblemen-
te, de primer orden de aproximación. Para obtener esquemas de alta resolución, los cuales
se definen como aquellos esquemas de orden de aproximación mayor a uno que producen
soluciones numéricas libres de oscilaciones espurias, es necesario desarrollar formulaciones
no lineales, tal como veremos en el Capítulo 4.
3.6 Monotonicidad en los esquemas numéricos 151

Lema de Harten: condición de positividad

De manera similar al teorema de la barrera de exactitud de Godunov, el Lema de Harten
permite anticipar el comportamiento TVD de un esquema numérico que aproxima la solu-
ción de una ley de conservación hiperbólica. Aunque este lema fue postulado en el contexto
del método de volúmenes finitos, aquí podemos expresarlo en términos de los esquemas de
diferencias finitas que aplicamos a la ecuación de advección lineal, ya que la linealidad de
la ecuación implica que hay una equivalencia directa entre la formulación de diferencias
finitas y la de volúmenes finitos cuando se considera una ley de conservación escalar de la
forma (ver Sección 4.4.1):

∂ φ ∂ F(φ ) ∂ φ ∂φ
+ = + c0 = 0. (3.130)

FT
∂t ∂x ∂t ∂x
donde F(φ ) = c0 φ es el flujo.
El lema de Harten (1983) establece que un esquema numérico explícito de la forma:

)
se
φin+1 = φin −Ci−− n n
1 φi − φi−1 +C
+ n
1 φi+1 − φi
n
(3.131)



i+
,
2 2

u
reproduce el comportamiento TVD de la solución de la ley de conservación (3.130) si se
A
cumple la condición: ra
− +
Ci− 1 ≥ 0, Ci+ 1 ≥ 0,
K
2 2
− +
(3.132)
0 ≤ Ci− 1 +C
i+ 1
≤ 1,
R
2 2
o

la cual se define como la condición de positividad del esquema.

av

Para visualizar el efecto de estas definiciones, consideremos el esquema de Lax-Wendroff

aplicado a la ecuación de advección lineal, ya que éste será necesario para desarrollos pos-
D

teriores. Reescribiendo la ecuación (3.92) para expresar el esquema en la forma (3.131),

st

para c0 > 0 se obtiene:

u

C fl
C fl
φin+1 = φin − C fl + 1 φin − φi−1
n

n
C fl − 1 φi+1 − φin , (3.133)



+
2 2
(G

−
de donde resulta que Ci+ 1 < 0 para C fl < 1, evidenciando la falta de positividad del método
2
bajo esa condición.
Una demostración sencilla aunque poco rigurosa del lema de Harten puede obtenerse
a partir de la equivalencia entre la propiedad TVD y la preservación de la monotonicidad
de un esquema numérico. Reagrupando términos en la ecuación (3.131), el esquema puede
expresarse en la forma (3.123) y la condición anterior resulta idéntica a la condición de
preservación de la monotonicidad de los esquemas lineales, la cual exige que bm ≥ 0. Sin
embargo, a diferencia del teorema de la barrera de Godunov, el lema de Harten es exten-
∓
sible a esquemas no lineales ya que fue formulado considerando que los coeficientes Ci∓ 1
2
n , φ n , φ n , φ n , φ n }. De esta manera, el es-
son función de los datos en un soporte {φi−2 i−1 i i+1 i+2
quema (3.131) con coeficientes constantes es un caso particular de la formulación general
152 Capítulo 3. Fundamentos de las técnicas numéricas

donde:
− n n n n
1 = C (φi−2 , φi−1 , φi , φi+1 ),
−
Ci−
2
+ n n n
1 = C (φi−1 , φi , φi+1 , φi+2 ).
+
Ci+
2

Esta situación puede observarse al analizar el esquema upwind de segundo orden de

Warming-Beam. En ese caso, la ecuación (3.96) puede escribirse como (c0 > 0):
C fl
C fl
φin+1 = φin −

n n
C fl − 1 φi−1 − φi−2 C fl − 3 φin − φi−1
n



+ .
2 2
Introduciendo la relación de gradientes numéricos sucesivos en dirección upwind

FT
n − φ n )/∆x
(φi−1 n −φn
φi−1
n i−2 i−2
ri−1 = = ,
(φin − φin )/∆x φin − φi−1
n

)
el esquema anterior puede expresarse en la forma genérica (3.131):

se
1 1
 
n+1 n

n
φi = φi −C fl C fl − 1 ri−1 − C fl − 3 φin − φi−1
n
(3.134)



.
2 2

u
A
+
Aquí vemos que, siendo Ci+ 1 = 0, la condición de positividad del esquema exige que
ra
2

1 1
 

n
K
0 ≤ C fl C fl − 1 ri−1 − C fl − 3 ≤ 1,


2 2
R

n ya
lo cual depende de la distribución de la variable dada por la relación de gradientes ri−1
o

que los demás parámetros permanecen fijos.

av

En el caso general, esquemas TVD de alta resolución pueden construirse considerando

∓
la condición (3.132) para definir la relación funcional de los coeficientes Ci∓ 1 , de modo
D

2
st

de satisfacer en todo momento la condición de positividad. Este tema será abordado en la

Sección 4.4.4 donde presentaremos el análisis de esquemas no lineales en el contexto del
método de volúmenes finitos.
u
(G

3.7. Métodos de integración temporal

En las secciones previas hemos introducido muchos conceptos y definiciones funda-
mentales del análisis numérico basándonos en el método de diferencias finitas el cual, a
pesar de sus limitaciones, es muy adecuado para este estudio inicial. Sin embargo, en la
aplicación actual de la Dinámica de Fluidos Computacional en problemas de interés prácti-
co, el método de diferencias finitas resulta muy limitado debido a que su implementación en
dominios multidimensionales con geometrías complejas es dificultosa y poco eficiente. Por
este motivo, es necesario utilizar otros métodos mejor adaptados para discretizar espacial-
mente el problema mientras que, considerando que la línea de tiempo es unidimensional y
avanza siempre en la misma dirección, la integración temporal puede hacerse con métodos
más simplificados, como alguna de las variantes del método de diferencias finitas. De esta
3.7 Métodos de integración temporal 153

forma, la resolución numérica de problemas de Dinámica de los Fluidos suele realizarse

en el marco del llamado Método de las líneas, según el cual la discretización del proble-
ma se hace considerando “separadamente” el espacio y el tiempo. De hecho, aunque no lo
hayamos mencionado, este procedimiento es el que utilizamos para arribar a los esquemas
de Euler FTCS y BTCS de la ecuación de difusión lineal en la Sección 3.2.5, al esquema
upwind para la ecuación de advección lineal en la Sección 3.4 y a la solución numérica de
la ecuación de advección-difusión no estacionaria en la Sección 3.5. En esos casos, prime-
ramente discretizamos el dominio espacial a través de un esquema de diferencias finitas y,
posteriormente, discretizamos el tiempo con esquemas de primer orden descentrados. En
el caso general, en principio no existen restricciones en cuanto a la elección de los esque-
mas numéricos empleados para cada discretización (espacial y temporal) y éstos pueden
escogerse de manera aproximadamente independiente.

FT
Si bien el método de las líneas presenta limitaciones para resolver problemas que admi-
ten soluciones con discontinuidades que viajan rápidamente, en general puede aplicarse en
problemas de Dinámica de Fluidos tanto parabólicos como hiperbólicos (Ascher y Petzold,

)
1998). De esta forma, el método de las líneas ofrece una gran flexibilidad para la modelación

se
numérica de problemas de flujo, ya que permite emplear diferentes tipos de aproximacio-
nes espaciales con distintos integradores temporales, los cuales son escogidos en función

u
del tipo de problema. Esto permite utilizar aproximaciones espaciales “más sofisticadas”,
A
como el método de volúmenes finitos o el método de elementos finitos, en combinación con
ra
esquemas más simples para computar el avance en el tiempo y obtener así soluciones de
manera más eficiente.
K
El proceso de discretización espacial de las ecuaciones de gobierno convierte el proble-
R
ma original, compuesto inicialmente por una PDE (o un sistema de PDEs), en un sistema
o

de ecuaciones diferenciales ordinarias, generalmente de primer orden, donde la variable

av

independiente es el tiempo:
dϕ
D

= f(ϕ,t). (3.135)
st

dt
En el caso particular de la aplicación del método de las líneas, la función f no suele depender
u

explícitamente del tiempo, es decir que el sistema es autónomo.

La ecuación (3.135) se conoce como la ecuación semidiscretizada del problema, ya que
(G

se obtiene al haber discretizado el dominio espacial. El miembro derecho de esta ecuación

depende, generalmente, de los valores nodales (o el valor discreto equivalente de acuerdo
al método implementado) de la variable dependiente y de los parámetros que definen la
discretización espacial. Esto significa que, para un problema unidimensional como los que
analizamos en las secciones anteriores con el método de diferencias finitas, la función f
depende del espaciamiento de la grilla ∆x y de los valores nodales φi .
Con la aplicación del método de las líneas lo que hacemos es descomponer el problema
original en un problema de valores en el contorno que se resuelve a través de la discreti-
zación espacial, y un problema de valores iniciales que está gobernado por un sistema de
ecuaciones diferenciales ordinarias. A partir de este enfoque, el estudio de los integradores
temporales puede abordarse centrándose directamente en la resolución numérica de ecua-
ciones diferenciales ordinarias independientemente del método que se haya utilizado en la
154 Capítulo 3. Fundamentos de las técnicas numéricas

discretización espacial para obtener la ecuación semidiscretizada.

Las tres familias de métodos más utilizadas para la resolución numérica de ecuacio-
nes diferenciales ordinarias son los métodos basados en expansiones en serie de Taylor, los
métodos lineales multipaso (o multi-step) y los métodos de Runge-Kutta. Las distintas va-
riantes del método de Euler (forward y backward) son casos particulares de cada una de
estas familias de métodos, los cuales se obtienen utilizando la condición adecuada en cada
situación. En la Sección 3.2.5 obtuvimos estos esquemas al truncar los términos de orden
O(∆t) en la serie de Taylor expandida alrededor del punto t n y vimos que, para construir
aproximaciones de mayor orden, es necesario incorporar más términos de la expansión. En
el contexto de una ODE de la forma (3.135), esto significa que los esquemas de integra-
ción temporal basados en series de Taylor requieren, en principio, que el miembro derecho
de la ecuación sea diferenciable tantas veces como el orden de aproximación que se desea

FT
alcanzar, lo cual no suele satisfacerse cuando la ecuación diferencial ordinaria es una ecua-
ción semidiscretizada producto de la discretización espacial de una PDE. No obstante, el
incremento del orden de aproximación temporal puede lograrse mediante la combinación

)
de diferentes expansiones sin importar el carácter autónomo de la ODE. Por otro lado, ve-

se
remos que los métodos lineales multipaso se basan en valores previos al instante de tiempo
actual, con lo cual se dice que estos métodos se valen de “la historia” de la variable para

u
construir sus aproximaciones de alto orden. Contrariamente, los métodos de Runge-Kutta
A
ra
más utilizados suelen ser de un solo paso y el alto orden de aproximación se logra con la
introducción de relaciones no lineales y reglas de cuadratura adecuadas. Antes de presentar
las características de los diferentes métodos de integración temporal, primero debemos co-
K
nocer los aspectos más importantes de la resolución numérica de ecuaciones diferenciales
R
ordinarias.
o
av

3.7.1. Solución numérica de ecuaciones diferenciales ordinarias

D

El hecho de haber reducido el problema inicialmente conformado por un sistema de

st

PDEs a un sistema semidiscreto de ODEs, usualmente de primer orden, nos permite utilizar
las teorías desarrolladas para la solución numérica de ecuaciones diferenciales ordinarias
u

para analizar los distintos métodos de integración temporal. En el estudio de los métodos
numéricos para ODEs se aplican las mismas definiciones para las propiedades de conver-
(G

gencia y consistencia que definimos anteriormente, pero existen algunas particularidades en

la definición de la estabilidad. Si bien este concepto tiene un significado análogo al del caso
de la solución numérica de PDEs, en lo referente a esquemas numéricos de ecuaciones di-
ferenciales ordinarias se introducen diferentes “tipos” de estabilidad que permiten entender
mejor de qué manera se comporta un método determinado.

Estabilidad de esquemas numéricos para ODEs

La propiedad de 0-estabilidad (cero estabilidad) se define como la capacidad de un mé-

todo numérico de generar soluciones acotadas en problemas que son estables, es decir, cuya
solución no diverge indefinidamente. Formalmente, esto implica que existen dos números
reales K y ∆t 0 tales que, para ∆t ≤ ∆t 0 , la distancia entre dos soluciones numéricas ϕn y
3.7 Métodos de integración temporal 155

ψn correspondientes a ecuaciones diferenciales de la forma (3.135), satisface la siguiente

condición:
|ϕn − ψn | = K |ϕ0 − ψ0 | + máx eϕm (∆t) − eψm (∆t) , m = 1, . . . , n, (3.136)


donde ϕ0 y ψ0 son las condiciones iniciales de cada ecuación diferencial, y eϕm (∆t) y
eψm (∆t) son los errores totales de cada aproximación en el instante de tiempo t m .
En palabras, la ecuación (3.136) indica que, si un esquema es 0-estable, los errores de-
ben permanecer acotados. A partir de este concepto surge, de manera análoga al Teorema
de Lax, el teorema de la convergencia para esquemas aplicados a ODEs, el cual se atri-
buye a Dahlquist (1956) y postula lo siguiente: “el cumplimiento de la consistencia y la
0-estabilidad implica la convergencia del esquema”. Al igual que en el caso del teorema de
Lax, este teorema es estrictamente válido sólo para problemas lineales.

FT
Aunque el concepto de 0-estabilidad es de gran interés teórico, ya que refleja la con-
vergencia del método en el límite ∆t → 0, esta propiedad no permite determinar de manera
práctica las condiciones que debe cumplir el paso de tiempo ∆t para que el esquema se com-

)
porte satisfactoriamente. Para este propósito debe considerarse el concepto de estabilidad

se
absoluta, cuya definición suele expresarse en términos de la siguiente ecuación de prueba:
dφ

u
= λφ, φ (0) = C, (3.137)
dt
A
siendo C una constante.
ra
La solución analítica de esta ecuación es simplemente
K
φ (t) = C exp(λt), (3.138)
R

con λ = cte.
o

Nótese que, para λ < 0 (o, en el caso general, para Re[λ ] < 0), la función φ (t) decae
av

continuamente, de modo que se cumple

|φ (t n )| < φ (t n−1 ) < . . . < |φ (0)| . (3.139)
D
st

Esto significa que un esquema numérico aplicado a la ecuación de prueba (3.137) debe
reproducir este comportamiento cuando Re[λ ] < 0. De esta forma, se dice que un método
u

numérico es absolutamente estable para un determinado paso de tiempo ∆t cuando, al ser

(G

aplicado en la ecuación de prueba (3.137) con Re[λ ] < 0, se verifica el comportamiento de

decaimiento dado en (3.139). Considerando la definición del factor de amplificación (3.47)
introducido en el análisis de estabilidad de von Neumann, podemos decir de manera análoga
a dicho análisis que un esquema numérico para una ODE es estable cuando la solución
numérica de la ecuación de prueba con Re[λ ] < 0 satisface
|φ n |
< 1. (3.140)
|φ n−1 |
Para ilustrar el concepto de estabilidad absoluta, consideremos los esquemas de Euler
hacia adelante y hacia atrás aplicados a la ecuación de prueba (3.137). En el primer caso, la
ecuación discreta es
φ n+1 − φ n
= λ φ n,
∆t
156 Capítulo 3. Fundamentos de las técnicas numéricas

v
Euler hacia adelante Euler hacia atrás

FT
Figura 3.14: Regiones de estabilidad absoluta de los distintos esquemas de Euler.

por lo tanto

)
se
φ n+1 = φ n (1 + λ ∆t) .

La condición de estabilidad absoluta del esquema de Euler hacia adelante es entonces

u
A
φ n+1 ra
= |1 + λ ∆t| ≤ 1. (3.141)
|φ n |
K
Como vemos, lo que determina la estabilidad absoluta del esquema es el producto λ ∆t.
Teniendo en cuenta que este producto puede ser complejo, se define la región de estabilidad
R
o

absoluta como el lugar geométrico en el plano complejo donde se encuentran los valores
λ ∆t que satisfacen la condición de estabilidad absoluta. En el caso del esquema de Euler
av

hacia adelante, la región de estabilidad absoluta es el círculo de radio unitario centrado en

−1 (ver Figura 3.14). La posibilidad de que exista parte imaginaria no nula en el factor λ
D
st

se debe a que, cuando se resuelven sistemas de ODEs, la estabilidad queda definida por los
valores propios de la matriz de coeficientes del sistema, los cuales pueden ser complejos
u

(ver más adelante).

Analicemos ahora el caso del esquema de Euler hacia atrás, para el cual la formulación
(G

discreta de la ecuación de prueba es:

φ n+1 − φ n
= λ φ n+1 .
∆t
La condición de estabilidad absoluta para este esquema es entonces

φ n+1 1
= ≤ 1. (3.142)
n
|φ | |1 − λ ∆t|
Aquí vemos que la región de estabilidad del esquema de Euler hacia atrás es todo el
plano complejo exceptuando la región donde |1 − λ ∆t| < 1 (ver Figura 3.14). Teniendo en
cuenta que la condición de estabilidad de la ecuación de prueba (3.137) es Re[λ ] < 0, resulta
que este esquema es absolutamente estable en toda la región de estabilidad de la solución.
3.7 Métodos de integración temporal 157

La propiedad por la cual un esquema numérico presenta estabilidad absoluta en toda

la región donde la solución de la ecuación diferencial misma es estable se conoce como
A-estabilidad, y puede decirse que esta propiedad es análoga a la propiedad de estabilidad
incondicional que vimos en el análisis de von Neumann para PDEs. De manera formal,
se dice que un esquema es A-estable cuando la región de estabilidad absoluta del mismo
contiene al semiplano izquierdo del plano complejo para λ ∆t (Griffiths y Higham, 2010).

Estabilidad en sistemas de ODEs

Para aplicar el método de las líneas en problemas de valores iniciales y de contorno
debemos evaluar la estabilidad de los esquemas numéricos aplicados a sistemas de ODEs, la
cual está directamente relacionada con el análisis de estabilidad que hace uso de la ecuación

FT
escalar de prueba que presentamos previamente.
En el sistema de ecuaciones diferenciales ordinarias que forma la ecuación semidiscreti-
zada las incógnitas son los valores nodales o las variables discretas equivalentes de acuerdo

)
al tipo de discretización. En general, un sistema de este tipo se escribe en términos de una

se
matriz de coeficientes que multiplica a las incógnitas nodales, tal como vimos en secciones
anteriores:

u
dϕ
(3.143)
A
= [A] ϕ. ra
dt
Si la matriz [A] es diagonalizable, implica que existe una base de vectores propios ki
K
linealmente independientes que nos permite escribir:
R

dϕ
o

[K]−1 = [Λ] [K]−1 ϕ.

dt
av

donde [K] = [k1 . . . kM ] es la matriz de vectores propios y [Λ] = [K]−1 [A] [K] es la matriz
diagonal de valores propios λ p (ver Sección 2.5.3). Suponiendo que la matriz [A] es cons-
D
st

tante o que el sistema puede linealizarse, es válido asumir que la matriz [K] es constante y
escribir la ecuación anterior en función de nuevas variables φ = [K]−1 ϕ:
u

dφ
(G

= [Λ] φ.
dt
Nótese que este sistema es un conjunto de ecuaciones de prueba (3.137) desacopladas, es
decir:
dϕ p
= λpϕp.
dt
La variable ϕ original se recupera simplemente por medio de ϕ = [K] φ, con lo cual,
siendo [K] constante, la tendencia de ϕ es equivalente a la tendencia de φ y la condición
de estabilidad absoluta puede definirse en función de estas últimas.
Hay que tener en cuenta que la validez de este análisis radica en que los métodos linea-
les, ya sean de paso simple o multipaso, generalmente pueden descomponerse de la misma
forma cuando son aplicados a un sistema de ODEs lineal (LeVeque, 2007). De esta forma, la
158 Capítulo 3. Fundamentos de las técnicas numéricas

estabilidad del sistema (3.143) está dada primeramente por los valores propios de la matriz
de coeficientes, los cuales deben verificar:

Re[λ ] p ≤ 0, p = 1, . . . , M.

Por otro lado, la estabilidad absoluta del esquema numérico va a estar definida por los
productos λ p ∆t, de igual manea que en el caso de la ecuación de prueba escalar.
Para visualizar los alcances de este análisis, consideremos la solución numérica de la
ecuación de difusión unidimensional en un dominio 0 ≤ x ≤ 1 que analizamos en secciones
previas:

∂φ ∂ 2φ
=α 2, 0 ≤ x ≤ 1, t > 0.
∂t ∂x

FT
Aplicando el esquema de diferencias centradas para la derivada segunda del miembro
derecho se obtiene la ecuación semidiscretizada del problema:

)
dφi α

se
= [φi+1 (t) − 2φi (t) + φi−1 (t)] . (3.144)
dt (∆x)2

u
Matricialmente esto es
A
dϕ ra
= [A] ϕ(t),
dt
K
donde la matriz [A] es una matriz en banda de la forma
R

.. ..
 
 . .
o

 .. .. ..

 . . .
av



α  1 −2 1
 
(3.145)

[A] = ,
1 −2 −1

2
D

(∆x)   
st

.. .. .. 

. . . 


.. ..
 
u

. .
(G

Aunque la dimensión de la matriz [A] no está en principio definida ya que depende de

la cantidad de nodos de la discretización, su estructura tridiagonal permite determinar una
expresión general para sus valores propios (LeVeque, 2007):
2α
λp = [cos(pπ∆x) − 1] , p = 1, . . . , M, (3.146)
(∆x)2
siendo M × M la dimensión de la matriz. Como vemos en esta expresión, los valores propios
son todos reales y verifican λ p < 0 para todo p cuando α > 0, por lo tanto, la solución de
la ecuación semidiscretizada es estable. Por otro lado, el rango de variación de los valores
propios está dado por el límite ∆x → 0, siendo
4α
− < λ p < −απ 2 . (3.147)
(∆x)2
3.7 Métodos de integración temporal 159

Analicemos qué sucede con el esquema de Euler hacia adelante en la ecuación semidis-
cretizada (3.144). Teniendo en cuenta que los valores propios del sistema son todos reales,
la condición de estabilidad absoluta (3.141) de este esquema resulta
−2 ≤ λ ∆t ≤ 0.
De esta forma, introduciendo λ = −4α/(∆x)2 en la expresión anterior, que es el valor
propio de mayor valor absoluto del sistema, recuperamos la condición de estabilidad del
esquema FTCS dado en (3.48), es decir
α∆t 1
≤ .
(∆x)2 2
En el caso del esquema de Euler hacia atrás vemos que, siendo que los valores propios

FT
de la matriz de coeficientes son todos negativos, la condición de estabilidad absoluta (3.142)
no introduce ninguna restricción sobre el paso de tiempo ∆t y el esquema es A-estable.

)
se
Rigidez de un problema de valores iniciales
De manera similar al caso de esquemas incondicionalmente estables aplicados a PDEs,
un esquema numérico A-estable permitirá, en principio, “avanzar” la solución sin restric-

u
ciones en el paso de tiempo. Sin embargo, sabemos que además de las condiciones de esta-
A
ra
bilidad existen restricciones debidas al crecimiento del error de truncamiento que impiden
incrementar demasiado el paso de avance temporal. A pesar de esta limitación, asociada a
K
requisitos de exactitud de la solución, la propiedad de A-estabilidad es de gran importancia
especialmente en un tipo particular de problemas de valores iniciales que se conocen como
R

problemas rígidos o stiff.

o

Se dice que un problema de valores iniciales es stiff cuando el paso de tiempo máximo
av

que puede utilizarse debido a la condición de estabilidad absoluta de un esquema que no

es A-estable resulta mucho más pequeño que el paso de tiempo necesario para obtener
D

una exactitud adecuada de la solución numérica. Esto hace que, frente a dicha condición,
st

el avance en el tiempo resulte muy lento cuando se utilizan esquemas explícitos, lo cual
genera un consecuente incremento del costo computacional. La forma de evitar este efecto
u

es utilizar esquemas cuyas regiones de estabilidad absoluta no estén restringidas, es decir,

(G

utilizar esquemas A-estables en problemas con características de rigidez. Por este motivo,
los métodos explícitos no suelen ser adecuados para resolver problemas rígidos ya que
poseen regiones de estabilidad absoluta limitadas, contrariamente a lo que sucede con los
métodos implícitos que pueden ser A-estables. Más allá de esto, hay que tener en cuenta que
la condición de rigidez de un problema de valores iniciales no es absoluta sino que depende
del nivel de exactitud deseado, del intervalo de integración temporal considerado y de la
región de estabilidad absoluta del método.
En problemas de valores iniciales estables representados por sistemas lineales homogé-
neos (y estables), la rigidez puede estimarse por medio de los valores propios de la matriz
de coeficientes del sistema de ecuaciones diferenciales ordinarias. De manera más o menos
general, se puede decir que un problema es stiff en un intervalo de integración [t1 ,t2 ] si
(t2 − t1 ) |λi | ≫ 1. (3.148)
160 Capítulo 3. Fundamentos de las técnicas numéricas

Esta relación puede entenderse mejor si consideramos el resultado de la sección anterior,

donde analizamos la estabilidad absoluta del esquema de Euler hacia adelante aplicado a
la ecuación semidiscretizada (3.144) del problema de difusión unidimensional. Como se
muestra en la ecuación (3.146), los valores propios del sistema son todos reales, con lo
cual, el paso de tiempo máximo está dado por
2
∆t máx = .
|λ|máx

Teniendo en cuenta que los valores propios son constantes, la cantidad mínima de iteracio-
nes necesarias para integrar la ecuación semidiscretizada desde t1 a t2 es

(t2 − t1 ) |λ|máx

FT
Nro. de iteraciones = = (t2 − t1 ).
∆t máx 2
Este resultado muestra que la expresión (3.148) es un indicador directo de la cantidad

)
de iteraciones que requeriría un esquema explícito para integrar la solución en un inter-

se
valo de tiempo dado. En el caso particular del esquema de Euler hacia adelante para la
ecuación (3.144), tenemos que |λ|máx = 4α/(∆x)2 , de modo que la cantidad de iteraciones

u
necesarias para avanzar la solución desde t1 a t2 crece rápidamente con el incremento en la
resolución de la grilla, ya que |λ|máx crece con el cuadrado de la cantidad de puntos M. Te-
A
ra
niendo en cuenta que, desde el punto de vista de la exactitud de la solución, el aumento de la
resolución de la grilla espacial no impone una condición sobre ∆t, resulta que la condición
K
de estabilidad absoluta exige reducir el paso de tiempo mucho más allá del requerimiento
dado por la exactitud de la aproximación. Es decir que el problema de difusión es rígido
R
o

para el esquema explícito FTCS.

El comportamiento esencialmente rígido de la ecuación de difusión ante formulaciones
av

explícitas es un rasgo característico de los problemas gobernados por la difusión. Este com-
portamiento pone en evidencia la necesidad de contar con esquemas A-estables para obtener
D
st

de manera eficiente las soluciones numéricas de procesos difusivos. No obstante, aunque los
métodos A-estables son, en principio, los más adecuados para resolver problemas donde se
registra la condición (3.148), esto no debe tomarse como una regla general ya que la con-
u

dición de A-estabilidad no siempre es suficiente para garantizar que un esquema numérico

(G

sea adecuado para resolver un determinado problema stiff. Para ejemplificar esta situación,
consideremos la ecuación de prueba (3.137). En este caso, la condición de rigidez (3.148)
del problema para un intervalo de longitud b = t2 − t1 está definida por el factor λ :

b |λ | ≫ 1, Re[λ ] < 0.

Aunque un esquema A-estable reproducirá el decaimiento de la solución para todo el se-

miplano Re[λ ] < 0 sin importar el valor de ∆t, el concepto de estabilidad absoluta que
simplemente exige φ n+1 ≤ |φ n | no distingue entre una solución que decae suavemente y
una solución que decae con fuertes oscilaciones. En el caso de la ecuación de prueba, este
segundo comportamiento se produce para

Re[λ ] ≲ 0, |Im[λ ]| ≫ 1.
3.7 Métodos de integración temporal 161

Estas condiciones sobre el factor λ implican que la solución exacta de la ecuación (3.137)
presenta un lento decaimiento con fuertes oscilaciones, por lo tanto, si además de satisfacer
el decaimiento de la función deseamos reproducir su comportamiento oscilarorio, el paso
de tiempo utilizado para la integración numérica debe ser considerablemente menor que
el período de las oscilacioones. En otras palabras, no podremos explotar las ventajas de la
condición de A-estabilidad debido al requerimiento de exactitud.
Para más detalles acerca del tratamiento de problemas stiff pueden consultarse los libros
de LeVeque (2007) o Ascher y Petzold (1998), entre otros.

3.7.2. Métodos basados en expansiones en serie de Taylor

La familia de métodos basados en expansiones en serie de Taylor surge naturalmente

FT
en el método de diferencias finitas, tal como vimos al comienzo de este capítulo, pero en
este caso, la aplicación se hace a una ecuación diferencial ordinaria. Como sabemos, los
métodos que se obtienen por medio de este procedimiento son métodos lineales de un paso,

)
ya que utilizan la información del nivel de tiempo n para construir la aproximación en el

se
nivel de tiempo n + 1 siguiente.
Las formulaciones de Euler explícita e implícita, ambas de primer orden de aproxima-

u
ción, son los casos más simples de esta familia de métodos. Métodos lineales de un paso de
A
orden superior a uno se obtienen utilizando diferentes formas para aproximar las derivadas
ra
de mayor orden en la expansión en serie de Taylor. Por ejemplo, expandiendo la derivada
de una función φ alrededor del punto t n :
K
t n +∆t tn tn
dφ dφ d2 φ
R

= + ∆t 2 + O(∆t)2 ,
o

dt dt dt
av

podemos escribir la derivada segunda de la función en términos de las derivadas primeras

en los puntos t n y t n + ∆t
D
st

tn t n +∆t tn
d2 φ dφ dφ
∆t 2 = − + O(∆t)2 .
dt dt dt
u
(G

Reemplazando esta ecuación en la expresión correspondiente a la expansión de la función

φ alrededor del punto t n , resulta:
n tn
n dφ t (∆t)2 d2 φ
φ (t + ∆t) = φ (t) + ∆t + + O(∆t)3
dt 2 dt 2
n n
∆t dφ t +∆t dφ t
" #
= φ (t) + + + O(∆t)2 .
2 dt dt

Entonces, teniendo en cuenta la ecuación diferencial semidiscretizada (3.135), cuya ver-

sión escalar es
dφ
= f (φ ,t),
dt
162 Capítulo 3. Fundamentos de las técnicas numéricas

la aproximación en diferencias finitas queda

∆t n+1
φ n+1 = φ n + f + f n + O(∆t)2 . (3.149)


2
Este método de integración temporal de segundo orden implícito es conocido común-
mente como el esquema de Crank-Nicolson. Este esquema, junto con los esquemas de Euler
de primer orden, son los métodos lineales de paso simple más utilizados. Además, el méto-
do de Crank-Nicolson es igual a la regla de integración del trapecio que es, precisamente,
otra forma de referirse a este método.
La aplicación del método de Crank-Nicolson a la ecuación de difusión (3.22), cuya
discretización espacial se realiza con un esquema centrado de segundo orden (como en la

FT
Sección 3.2.5), resulta en la siguiente ecuación algebraica para cada nodo interior i:

α∆t α∆t
φin+1 = φin + φ n+1
2φ n+1
φ n+1
φ n
2φ n
φ n
. (3.150)



− + + i+1 − i + i−1

)
i+1 i i−1
2(∆x)2 2(∆x)2

se
Una importante propiedad del método de Crank-Nicolson es su condición A-estable, por lo
tanto, el esquema anterior resulta incondicionalmente estable. Por otro lado, este método

u
posee el menor error de truncamiento entre todos los métodos A-estables de segundo orden
A
(Hirsch, 1994b). ra
En forma general, los esquemas de integración temporal lineales de un paso (o dos
niveles) suelen escribirse en términos de un parámetro θ a través de la siguiente expresión
K
genérica:
R
o

φ n+1 = φ n + ∆t θ f n+1 + (1 − θ ) f n . (3.151)

 
av

Para θ = 0 se obtiene el esquema de Euler explícito, para θ = 1 la expresión anterior resulta

en el esquema de Euler implícito, y para θ = 1/2 se obtiene el esquema de Crank-Nicolson.
D
st

3.7.3. Métodos lineales multipaso

u

La familia de métodos lineales multipaso permite obtener aproximaciones de alto or-

(G

den de una ODE de primer orden (o un sistema de ODEs), haciendo uso de “la historia”
de variación de las variables dependientes y de sus derivadas primeras, las cuales fueron
computadas en instantes de tiempo previos. Esta información permite construir expresio-
nes de alto orden para aproximar los valores de las variables dependientes en el siguiente
instante de tiempo.
En los métodos lineales multipaso (o multi-step) la aproximación discreta se escribe
en términos de combinaciones de las variables dependientes y sus respectivas derivadas
primeras en k + 1 niveles de tiempo. De manera general, la expresión de un método lineal
de k pasos (k-step) tiene la forma:

k k
∑ α j ϕn+1− j = ∆t ∑ β j f(ϕn+1− j ). (3.152)
j=0 j=0
3.7 Métodos de integración temporal 163

donde, de acuerdo a la ecuación (3.135), f = dϕ/ dt asumiendo que el problema es autó-

nomo. Esta definición exige que α0 ̸= 0 y además αk y βk no pueden ser nulos simultánea-
mente. Para eliminar escalamientos arbitrarios la expresión anterior suele normalizarse de
modo que α0 = 1, con lo cual resulta
k k
ϕn+1 + ∑ α j ϕn+1− j = ∆t ∑ β j f(ϕn+1− j ). (3.153)
j=1 j=0

Como vemos en esta ecuación, el método lineal multipaso se denomina “lineal” justamente
porque la aproximación resulta lineal con respecto a la función f(ϕ) correspondiente a
distintos instantes de tiempo. Como consecuencia de la linealidad del método, el error de
truncamiento local siempre toma la siguiente forma simple (Ascher y Petzold, 1998):

FT
d p+1 φin
etr ni = Cp+1 (∆t) p + O(∆t) p+1 , (3.154)
dt p+1
donde p es el orden del método y Cp+1 es una constante que depende del método utilizado.

)
Nótese que, siendo ϕn la variable dependiente en el instante de tiempo actual, un méto-

se
do lineal k-step involucra k − 1 valores previos de la variable dependiente y de su derivada,
es decir que el método hace uso de los datos computados durante k − 1 instantes de tiempo

u
previos, de allí su nombre. Por otro lado, vemos que si β0 ̸= 0, la expresión (3.153) contiene
A
derivadas correspondientes al instante de tiempo de índice n + 1, por lo tanto el método es
ra
implícito, de lo contrario, para β0 = 0 el método es explícito.
El caso de k = 1, que corresponde a un método de paso simple (dos niveles), puede
K
considerarse como un caso particular de los métodos lineales multipaso. De esta forma, al
comparar la ecuación (3.27) con la ecuación (3.153) podemos decir que en la formulación
R
o

explícita de Euler para la ecuación semidiscretizada es β0 = 0 (como en todos los esquemas

explícitos), α1 = −1 y β1 = 1, mientras que para la formulación implícita (3.29), los factores
av

son β0 = 1, α1 = −1 y β1 = 0.
D
st

Estabilidad absoluta en los métodos lineales multipaso

De manera general, la estabilidad absoluta de los esquemas lineales de uno o más pa-
u

sos se determina por medio del polinomio de estabilidad, el cual se obtiene al escribir la
(G

expresión discreta de la aproximación de la ecuación de prueba (3.137) en la forma genéri-

ca (3.152):
 
n+1 n n−k+1 n+1 n n−k+1
α0 φ + α1 φ + · · · + αk φ = λ ∆t β0 φ + β1 φ + · · · + βk φ ,

siendo k el número de pasos del esquema. Reagrupando términos en la expresión anterior

se obtienen los coeficientes del polinomio de estabilidad:
(α0 − λ ∆tβ0 )φ n+1 + (α1 − λ ∆tβ1 )φ n + · · · + (αk − λ ∆tβk )φ n−k+1 = 0.
La condición de no crecimiento de las soluciones numéricas φ n de la ecuación de prueba
con Re[λ ] ≤ 0, es decir, la verificación de la estabilidad absoluta del esquema, se satisface
si todas las raíces rm del polinomio de estabilidad dado por
P(r) = (α0 − λ ∆tβ0 )rk + (α1 − λ ∆tβ1 )rk−1 + · · · + (αk − λ ∆tβk ),
164 Capítulo 3. Fundamentos de las técnicas numéricas

cumplen la condición |rm | ≤ 1. Esta condición se conoce como la condición de raíces del
polinomio de estabilidad. Los valores del producto λ ∆t que permiten satisfacer la condición
de raíces determinan la región de estabilidad del esquema.
Con este procedimiento, el polinomio de estabilidad del esquema de Euler explíci-
to es P(r) = r − (1 + λ ∆t), con lo cual obtenemos la misma región de estabilidad que
determinamos previamente. Por otro lado, para el esquema de Euler implícito tenemos
P(r) = (1 − λ ∆t)r − 1, lo que indica que el esquema es A-estable ya que el módulo de
la raíz del polinomio de estabilidad es menor que uno para cualquier valor de λ ∆t con
λ < 0. Para el caso del esquema centrado de dos pasos

φ n+1 = φ n−1 + 2λ ∆tφ n ,

FT
el polinomio de estabilidad es

P(r) = r2 − 2λ ∆tr − 1,

)
se
el cual tiene raíces r1 = λ ∆t − (λ ∆t)2 + 1 y r2 = λ ∆t + (λ ∆t)2 + 1. Como vemos, sien-
p p

do Re[λ ] < 0, resulta |r1 | > 1 para cualquier valor de ∆t y el esquema centrado no presenta
regiones de estabilidad absoluta fuera del eje imaginario (Re[λ ] = 0 con |Im[Λ]| ≤ 1). Esto

u
implica que este esquema de segundo orden no puede utilizarse para resolver numéricamen-
A
ra
te ecuaciones diferenciales ordinarias. Para más detalles acerca del análisis de estabilidad
absoluta de esquemas numéricos para ODEs puede consultarse, por ejemplo, el libro de
Ascher y Petzold (1998).
K
R
o

Métodos de Adams
av

La familia de métodos lineales multipasos (k > 1) más conocidos son los métodos de
Adams. Estos métodos son aplicados a problemas no stiff y pueden ser explícitos o im-
D

plícitos. Para obtener aproximaciones de alto orden, los métodos de Adams utilizan una
st

interpolación polinómica determinada a partir de los datos correspondientes a instantes de

tiempo previos. Comenzando con la ecuación diferencial ordinaria general
u

dφ
(G

= f (φ ,t),
dt
podemos integrar ambos miembros en el intervalo t n ≤ t ≤ t n+1
ˆ t n+1
n+1 n
φ (t ) = φ (t ) + f [φ (t),t] dt.
tn

Los esquemas de Adams se obtienen aproximando el integrando f (φ ,t) por medio de

un polinomio interpolado a través de los valores de f (φ ,t) que fueron computados en ins-
tantes previos. Esto significa que, de acuerdo a la definición general (3.153), para todos los
métodos de Adams se verifica que α1 = −1 y α j = 0 ( j > 1).
Los métodos de Adams de k pasos explícitos, conocidos como los métodos de Adams-
Bashforth, se obtienen mediante la interpolación de la función f a través de los puntos t n ,
3.7 Métodos de integración temporal 165

t n−1 ,t n−2 , . . . ,t n−k+1 . Estos esquemas son los más populares dentro de los métodos explíci-
tos multipaso y, teniendo en cuenta que β0 = 0, su formulación general es:

k
φ n+1 = φ n + ∆t ∑ β j f n+1− j , (3.155)
j=1

donde los coeficientes β j se determinan a través de la interpolación de f (ver, por ejemplo,

Ascher y Petzold, 1998):

k−1 ˆ 1
l(l − 1) . . . (l − j) s(s − 1) . . . (s − l + 1)
β j = (−1) j−1 ∑ ( j − 1)!
(−1)l
0 l!
ds. (3.156)
l= j−1

FT
La ecuación (3.155) representa un método lineal de k pasos, ya que se utiliza la infor-
mación de los k + 1 puntos t n ,t n−1 ,t n−2 , . . . ,t n−k previos. Por este motivo, algunos autores

)
denominan a estos métodos como métodos de k + 1 niveles o valores. Nótese que para k = 1

se
el método de Adams-Bashforth se reduce al esquema de Euler explícito. Para k = 2 se ob-
tiene el esquema de Adams-Bashforth de segundo orden:

u
3 n 1 n−1
 
A
n+1 n
φ = φ + ∆t f − f . ra (3.157)
2 2

Los métodos de Adams-Bashforth son métodos explícitos con pequeñas o muy peque-
K
ñas regiones de estabilidad absoluta. Esta característica desfavorable llevó a la necesidad de
R

obtener esquemas de alto orden que, además, permitieran incrementar el paso de tiempo.
o

Así es que surgió la familia de métodos implícitos de Adams, también llamados métodos
av

de Adams-Moulton. Estos métodos se derivan de una forma similar a la versión explícita,

con la diferencia de que el polinomio de interpolación es de grado menor o igual que k,
D

incluyendo de esa forma los valores (desconocidos) de f en el punto t n+1 . Esto hace que el
st

método sea implícito.

De manera genérica, los métodos de Adams-Moulton se escriben como
u
(G

k
φ n+1 = φ n + ∆t ∑ β j f n+1− j , (3.158)
j=0

donde β0 ̸= 0. Para k = 1, el método de Adams-Moulton se reduce al esquema de Euler

implícito si β1 = 0 y al esquema de Crank-Nicolson si β1 ̸= 0. El esquema de Adams-
Moulton de segundo orden (k = 2) se escribe como:

∆t
φ n+1 = φ n + 5φ n+1 + 8φ n − φ n−1 . (3.159)


12
Es importante destacar que un esquema lineal multipaso A-estable no puede tener un orden
de aproximación mayor que dos (Griffiths y Higham, 2010; Hirsch, 1994b, entre otros), por
lo tanto, las aproximaciones de este tipo no suelen emplear más de dos pasos.
166 Capítulo 3. Fundamentos de las técnicas numéricas

Métodos de predicción-corrección

En problemas no stiff, usualmente es posible combinar dos métodos lineales, uno im-
plícito con otro explícito, generalmente ambos del mismo orden de aproximación, con el
objetivo de realizar una secuencia de iteraciones que no siempre busca obtener la conver-
gencia, sino que se utiliza un número preestablecido de iteraciones que, una vez alcanzado,
se avanza al siguiente instante de tiempo. Este tipo de métodos se conocen como métodos
de predicción-corrección y su procedimiento consiste básicamente en lo siguiente:

1. Se predice un valor para la variable dependiente φ por medio de algún método lineal
explícito para obtener φ̃ (n+1)0 .

FT
2. Con el valor φ̃ (n+1)0 determinado anteriormente, se calcula el miembro derecho de la
ecuación diferencial, que designamos f˜(n+1)0 .

)
se
3. Por medio de un esquema implícito se corrige φ̃ (n+1)0 utilizando el valor f˜(n+1)0
obtenido en el paso anterior, lo cual permite calcular el valor corregido φ̃ (n+1)1 de

u
forma explícita.
A
ra
En la secuencia anterior, el esquema explícito empleado en el primer paso se denomina
K
esquema de predicción o esquema predictor, mientras que el esquema implícito utilizado
R
en la etapa de corrección se denomina esquema de corrección o esquema corrector. El pro-
o

cedimiento puede ser detenido luego de una sola iteración (esquemas PCE por predicción-
corrección-evaluación) o puede continuar, reevaluándose el miembro derecho de la ecua-
av

ción diferencial con φ̃ (n+1)1 para obtener f˜(n+1)1 , repitiendo el proceso tantas veces como se
desee (esquemas P(EC)ν E, donde ν es el número de iteraciones). Naturalmente, se espera
D
st

que a mayor número de iteraciones mayor sea el nivel de convergencia alcanzado y el mé-
todo se asemeja más al comportamiento del esquema implícito. Esto significa que la región
u

de estabilidad absoluta del método de predicción-corrección se incrementa en relación a la

región de estabilidad absoluta del esquema explícito utilizado para el paso de predicción,
(G

lo cual permite, en principio, aumentar el paso de tiempo. Es importante notar que los mé-
todos de predicción-corrección son métodos explícitos, por lo tanto, el orden, el error y las
propiedades de estabilidad no serán las mismas que las de los esquemas de corrección (im-
plícitos) en la medida que no se alcance la convergencia en el proceso iterativo. Los métodos
de predicción-corrección son miembros de una clase de métodos denominada métodos li-
neales generales dentro de la cual también se incluyen los métodos líneales multipaso que
estudiamos en esta sección. Más detalles acerca de los métodos de predicción-corrección
pueden consultarse, por ejemplo, en el libro de Hirsch (1994b).
Como ejemplo de aplicación de este método, consideremos la solución de la ecuación de
difusión (3.22) con un esquema PCE que utiliza el método de Euler FTCS para la predicción
y el método BTCS para la corrección. En este caso, como el esquema involucra una sola
iteración, podemos determinar una formulación explícita reemplazando las expresiones de
3.7 Métodos de integración temporal 167

f˜(n+1)0 directamente en el paso de corrección. Entonces, siendo:

α∆t
= φin + n
− 2φin + φi−1 n
(n+1)0
φ̃i φi+1


2
,
(∆x)
α  (n+1)0 
f˜(n+1)0 =
(n+1)0 (n+1)0
φ̃ − 2 φ̃ i + φ̃ ,
(∆x)2 i+1 i−1

+ ∆t f˜
(n+1)1 (n+1)0 (n+1)0
φ̃i = φ̃ i ,i

el esquema de predicción-corrección de una sola iteración resulta

α∆t
φin+1 = φin + 2 n
φi+1 − 2φin + φi−1
n


2
+
(∆x)
(3.160)

FT
α∆t 2 n
 
n
φi+2 − 4φi+1 − 2φin − 4φi−1
n n
+ φi−2


2
.
(∆x)

)
3.7.4. Métodos de Runge-Kutta

se
Una importante familia de métodos de integración temporal de alto orden de aproxima-
ción, generalmente explícitos y no lineales, limitados a dos niveles de tiempo (un paso) son

u
los métodos de Runge-Kutta. Comparados con los métodos lineales multipaso que analiza-
A
ra
mos en la sección anterior, los métodos de Runge-Kutta permiten obtener esquemas de alto
orden a costas de sacrificar la linealidad del método, pero manteniendo las ventajas de un
método de paso simple. En otras palabras, mientras que los métodos lineales multipaso son
K
básicamente de naturaleza lineal y permiten obtener alto orden de aproximación mediante
R

la utilización de los datos en múltiples instantes de tiempo, los métodos de Runge-Kutta

o

alcanzan el alto orden por medio de la no linealidad.

av

La idea básica de los métodos de Runge-Kutta consiste en evaluar el miembro derecho

de la ecuación diferencial (3.135) para varios valores de la variable ϕ dentro del intervalo
D

[n∆t, (n + 1)∆t], para luego combinar estos valores de modo de obtener una aproximación
st

de alto orden para ϕn+1 . Para lograr estas aproximaciones, muchos métodos de Runge-
Kutta están basados en esquemas (o reglas) de cuadraturas7 , los cuales permiten construir
u

una aproximación para la variable en el siguiente instante de tiempo. Para explicar la idea
(G

básica detrás de estos métodos, consideremos una ecuación escalar como la que venimos
analizando:
dφ
= f (φ ,t).
dt
Integrando esta ecuación entre n∆t = t n y (n + 1)∆t = t n+1 se obtiene
ˆ t n+1
n+1 n
φ (t ) − φ (t ) = f (φ ,t) dt. (3.161)
tn
7 Una regla de cuadratura es aquella que permite aproximar una integral definida por medio de una su-

ma ponderada de los valores de la función en puntos prefijados, por ejemplo, una cuadratura de orden N es
ˆ 1 N
f (x) dx ≈ ∑ αi f (xi ).
−1 i=1
168 Capítulo 3. Fundamentos de las técnicas numéricas

Utilizando alguna regla de cuadratura para estimar la integral del miembro derecho podemos
construir una aproximación para la variable φ n+1 .
Cuadraturas de primer orden corresponden a los esquemas de Euler hacia adelante (ex-
plícito) y hacia atrás (implícito) que, como sabemos, son de primer orden de aproximación.
En el primer caso, la integral se aproxima mediante f (φ n ,t n )∆t (suma inferior), mientras
que en el esquema implícito la aproximación de la integral es f (φ n+1 ,t n+1 )∆t. Aproxima-
ciones de mayor orden se obtienen por medio de cuadraturas de mayor orden, por ejemplo,
1
considerando el punto medio t n+ 2 para evaluar la integral, de modo que la función φ en el
siguiente instante de tiempo se aproxima como
1
h i
φ n+1 = φ n + ∆t f 12 (φ n+1 + φ n ),t n+ 2 .

FT
Este esquema es un método de Runge-Kutta implícito de segundo orden que no es más que
el esquema de Crank-Nicolson presentado anteriormente.
Métodos de Runge-Kutta explícitos pueden construirse siguiendo la misma idea, apro-

)
1
ximando φ n+ 2 mediante un esquema de Euler explícito de paso 21 ∆t y luego sustiyendo su

se
expresión en el punto medio, es decir:
1 ∆t
φ̂ n+ 2 = φ n + f (φ n ,t n ),

u
2 (3.162)
A
1 1
φ n+1 = φ n + ∆t f (φ̂ n+ 2 ,t n+ 2 ). ra
Esta expresión corresponde a un método de Runge-Kutta de segundo orden. Nótese que
K
este método ya no es lineal con respecto a f (esto queda claro introduciendo la expresión
1
de φ̂ n+ 2 en la segunda ecuación). Aproximaciones de mayor orden se obtienen repitiendo
R

la evaluación de la función f (φ ,t) en distintos puntos dentro del intervalo [t n ,t n+1 ]. Como
o

todos los métodos explícitos, los métodos de Runge-Kutta son condicionalmente estables
av

cuando se aplican a ecuaciones semidiscretizadas.

La forma general de un método de Runge-Kurra de k etapas se expresa como:
D
st

φ̂ (1) = φ n ,
φ̂ (2) = φ n + α2 ∆t f (1) ,
u

φ̂ (3) = φ n + α3 ∆t f (2) ,
(G

.. (3.163)
.
φ̂ (k) = φ n + αk ∆t f (k−1) ,
k
φ n+1 = φ n + ∆t ∑ β j f ( j−1) ,
j=1

donde f ( j) = f (φ̂ ( j) ,t n+α j ). Nótese que esta expresión para f ( j) no es la más general ya que,
en ocasiones, la función f puede depender también de los estados previos φ̂ (m) (con m < j).
Para que el método sea consistente debe cumplirse
k
∑ β j = 1, (3.164)
j=1
3.7 Métodos de integración temporal 169

de modo de poder satisfacer una solución con dφ / dt = f (φ ,t) = cte.

La versión más popular de los métodos de Runge-Kutta es el esquema de cuarto orden,
el cual está definido por los siguientes coeficientes:

1 1
α2 = , α3 = , α4 = 1,
2 2
1 1 1
β1 = , β2 = β3 = , β4 = ,
6 3 6
lo cual produce

φ̂ (1) = φ n ,
φ̂ (2) = φ n + 21 ∆t f (1) ,
φ̂ (3) = φ n + 21 ∆t f (2) ,
φ̂ n
= φ + ∆t f ,
(4) (3)

FT (3.165)

)
se
∆t  n 
φ n+1 = φ n + f + 2 f (2) + 2 f (3) + f (4) .
6

u
3.7.5. Métodos de pasos fraccionados
A
ra
Como ya hemos mencionado, muchos problemas de Mecánica de los Fluidos involu-
cran procesos donde tanto los efectos convectivos como los efectos difusivos son impor-
K
tantes. Esto es lo que sucede, aunque de forma simplificada, en el estudio de la ecuación
de advección-difusión, la cual presenta un comportamiento rígido que obliga a utilizar un
R
o

paso de tiempo muy reducido para satisfacer la exigente condición de estabilidad impuesta
por una grilla muy refinada cuando se utilizan exquemas explícitos. De esta forma, aunque
av

estos esquemas son más adecuados para modelar el comportamiento hiperbólico en pro-
blemas de avance, es necesario utilizar esquemas implícitos que satisfagan la propiedad de
D
st

A-estabilidad para poder avanzar la solución más rápido en el tiempo. Una alternativa a este
tratamiento es implementar métodos de pasos fraccionados, cuya idea se basa en separar
u

la ecuación de gobierno en sus partes hiperbólica y parabólica para avanzar cada una de
ellas en forma alternada, de modo de simplificar las formulaciones y emplear el esquema
(G

numérico más adecuado para cada caso.

Para graficar la implementación de los métodos de pasos fraccionados consideremos
una ecuación diferencial que puede expresarse en la siguiente forma:

∂φ
= H(φ ) + P(φ ), (3.166)
∂t
donde H y P son términos que concentran los efectos hiperbólicos y parabólicas, respecti-
vamente.
La forma más simple de separar esta ecuación es mediante un esquema fraccionado que
resuelve primeramente uno de los términos para luego avanzar la solución considerando el
otro efecto aplicado sobre el resultado intermedio. Entonces, suponiendo que se utiliza un
esquema SH para resolver la parte hiperbólica de la ecuación (3.166), la cual está dada por
170 Capítulo 3. Fundamentos de las técnicas numéricas

∂ φ /∂t = H(φ ), y un esquema SP para la parte parabólica ∂ φ /∂t = P(φ ), el esquema de

pasos fraccionados es:

ϕ∗ = SH (ϕn , ∆x, ∆t),

(3.167)
ϕn+1 = SP (ϕ∗ , ∆x, ∆t),

donde ϕ es el vector de variables discretas y ∆x, ∆t son los parámetros de la discretización.

Puede demostrarse que este esquema es consistente y que su condición de estabilidad
está dada por una combinación entre las condiciones de estabilidad propias de cada esquema
SH y SP actuando por separado. Cuando se emplea un abordaje totalmente acoplado, como
el que utilizamos para obtener la ecuación discreta (3.117) de la ecuación de advección-
difusión, la condición de estabilidad “combinada” puede resultar muy restrictiva debido a

FT
la característica de rigidez del problema. Allí radica la utilidad del método de pasos frac-
cionados, el cual permite implementar diferentes esquemas para cada término, de modo de
explotar la propiedad de A-estabilidad para aproximar el término difusivo, evitando así la

)
dependencia que se genera entre el número de Courant y el número de Péclet de la grilla.

se
El método de pasos fraccionados no sólo se utiliza en la integración temporal de la
ecuación semidiscretizada en el método de las líneas, sino que también es la base de los mé-

u
todos de separación dimensional (dimensional splitting). En estos métodos, la solución de
A
problemas multidimensionales discretizados con mallas estructuradas se hace considerando
ra
cada dirección geométrica como un problema unidimensional que se resuelve de forma in-
dependiente para luego construir la solución de acuerdo al método de separación escogido,
K
teniendo en cuenta que, en este caso, los esquemas suelen ser los mismos para calcular la
solución de cada uno de los pasos fraccionados.
R
o

Para aprovechar las ventajas del método de pasos fraccionados es necesario reformular
el esquema (3.167) de modo de incrementar el primer orden de aproximación que el mismo
av

presenta. Un esquema de pasos fraccionados de segundo orden puede obtenerse siguiendo

las ideas utilizadas en la separación dimensional de esquemas aplicados a ecuaciones hi-
D
st

perbólicas, lo cual se conoce como separación de Strang (Strang splitting) (Strang, 1968):
u

ϕ∗ = SH (ϕn , ∆x, 21 ∆t),

(G

ϕ∗∗ = SP (ϕ∗ , ∆x, ∆t), (3.168)

ϕn+1 = SH (ϕ∗∗ , ∆x, 21 ∆t).

Para este esquema es importante conocer cuál de los dos esquemas separados (SH o SP )
representa el mayor costo computacional ya que, obviamente, es ése el que debe ocupar el
lugar central del esquema para ser evaluado solamente una vez en cada paso de tiempo.
3.8 Ejercicios 171

3.8. Ejercicios
1. Utilice las aproximaciones de primer orden descentradas y la aproximación de segun-
do orden centrada para estimar la derivada primera de la función f (x) = cos(πx/4) +
sin(πx/4) en xcoor = 1. Utilice ∆x = 0,1, 0,01, 0,001 y 0,0001 para los cálculos.
Compare los resultados y extraiga conclusiones.

2. Escriba una aproximación centrada de cuarto orden para la derivada segunda de una
función φ con respecto a x utilizando el procedimiento empleado en las ecuacio-
nes (3.17) y (3.18).

3. Determine las cuatro aproximaciones de primer orden descentradas posibles para la

derivada ∂ 2 φ /∂ x∂ y.

FT
4. Determine las ecuaciones correspondientes a los nodos del contorno en la ecuación
de difusión del calor en un dominio unidimensional con condiciones de contorno de

)
Robin:

se
∂φ
a1 + a2 φ (0,t) = a,
∂x

u
x=0
∂φ
A
b1
∂x x=ℓ
+ b2 φ (ℓ,t) = b. ra
K
Muestre además cómo se modifica la matriz de coeficientes en el caso del esquema
BTCS.
R
o

5. Realice el análisis de estabilidad de von Neumann para determinar las condiciones

av

de estabilidad del esquema predictor-corrector de una iteración obtenido en la ecua-

ción (3.160) para la ecuación de difusión lineal.
D
st

6. Muestre que la utilización de esquemas descentrados (ecuaciones (3.11) y (3.12))

para aproximar la derivada espacial de segundo orden en la ecuación de difusión del
calor produce un esquema incondicionalmente inestable tanto en esquemas explícitos
u

como implícitos (utilizar esquemas de primer orden para aproximar las derivadas
(G

espaciales).

7. Mediante el análisis de estabilidad de von Neumann, determine la condición de es-

tabilidad del esquema de Crank-Nicolson (ecuación (3.151) con θ = 12 ) aplicado a
la ecuación de advección lineal. ¿Qué requisitos debe cumplir la aproximación de la
derivada espacial para que el esquema sea estable?

8. Determine la ecuación modificada del esquema FTCS aplicado a la ecuación de ad-

vección lineal. Analice qué sucede con el término de viscosidad artificial y extraiga
conclusiones.
 D
(G
u R

172
st A
av
o
K
ra
FT
u
se
)
Capítulo 4

Técnicas de dicretización espacial

4.1. Introducción

FT
)
se
Como vimos en el Capítulo 3, la resolución numérica de ecuciones diferenciales en
derivadas parciales en las cuales las variables dependiendes son función del tiempo y de las

u
coordenadas espaciales suele realizarse en el marco del Método de las Líneas. Este método
A
consiste en “separar” el proceso de discretización en dos etapas. En la primera de ellas, se
ra
aproximan numéricamente sólo las expresiones que involucran derivadas con respecto a las
coordenadas espaciales, obteniéndose de esa forma un sistema de ecuaciones diferenciales
K
ordinarias con respecto al tiempo, en el cual cada componente del sistema corresponde
al valor nodal de la variable dependiente en algún punto de la grilla cuando se emplea
R
o

el método de diferencias finitas. Este sistema de ODEs conforma un sistema de ecuaciones

semidiscretizadas que puede resolverse utilizando alguno de los métodos desarrollados para
av

el tratamiento de ecuaciones ordinarias que, en nuestro caso, son de primer orden y por lo
general autónomas.
D
st

El método de las líneas ofrece una gran flexibilidad a la hora de resolver PDEs, ya que
nos permite separar completamente el proceso de discretización espacial del proceso de
u

discretización temporal. En el primer caso, por lo general se requiere la utilización de técni-

cas más elaboradas debido a la presencia de múltiples dimensiones y geometrías complejas
(G

donde además pueden existir regiones de fuertes gradientes de la variable. Por otro lado, la
integración temporal se realiza en una sola dirección (la dirección de avance en el tiempo)
por lo que esta etapa no suele presentar mayores dificultades. De esta forma, podemos em-
plear métodos más “sofisticados” para obtener la ecuación semidiscretizada del problema,
para luego resolver el sistema de ODEs con alguno de los métodos de integración temporal
presentados anteriormente (ver Sección 3.7). Este abordaje permite además que las técnicas
de discretización espacial puedan aplicarse indistintamente tanto en problemas de avance
como en problemas de equilibrio.
En el desarrollo actual de la Dinámica de Fluidos Computacional los esquemas de dife-
rencias finitas prácticamente no se utilizan para la discretización espacial. Esto se debe a las
múltiples limitaciones que presenta dicha técnica, especialmente cuando deben modelarse
geometrías complejas. En consecuencia, la discretización espacial suele llevarse a cabo por
173
174 Capítulo 4. Técnicas de dicretización espacial

medio de técnicas que han sido desarrolladas específicamente para el problema del flujo
de fluidos, algunas de las cuales explotan la propiedad de conservación de las ecuaciones
de flujo mientras que otras se basan en métodos generales de resolución de problemas de
valores en el contorno adaptadas para tener en cuenta las particularidades de las ecuaciones
de flujo. Estas técnicas son el método de volúmenes finitos (FVM, del inglés Finite Volume
Method) y el método de elementos finitos (FEM, del inglés Finite Element Method) cuyos
fundamentos se estudiaránn en este capítulo. Aunque otras técnicas también suelen imple-
mentarse, como los métodos espectrales, la “competencia” más fuerte dentro del campo de
la Dinámica de Fluidos Computacional se ha dado entre esos dos métodos. El método de
volúmenes finitos es el más utilizado actualmente, probablemente porque su formulación
fue inicialmente desarrollada como una subclase del método de diferencias finitas, que era
el método más difundido en los primeros años del desarrollo del CFD, lo cual facilitó la

FT
migración de los investigadores de un método a otro aprovechando el carácter conservativo
del FVM. Por otro lado, el método de elementos finitos, cuya implementación está mucho
más extendida en problemas de análisis estructural, está basado en consideraciones mate-

)
máticas más enfocadas a la aproximación de soluciones suaves, con lo cual presenta algunas

se
dificultades para modelar el flujo de gases en régimen compresible. Sin embargo, hay que
destacar que el FEM es el método natural para resolver problemas autoadjuntos, como lo

u
son las ecuaciones del flujo incompresible (Zienkiewicz y Taylor, 2000).
A
En las próximas secciones presentaremos los aspectos más importantes del método de
ra
volúmenes finitos y del método de elementos finitos, destacando las particularidades aso-
ciadas a su implementación en problemas de transporte. Para ello, primeramente nos enfo-
K
caremos en los fundamentos básicos de cada formulación para luego, de manera similar a
R
lo realizado en el capítulo anterior, estudiar su aplicación en ecuaciones “prototipo” sobre
o

dominios unidimensionales.
av

4.2. Métodos de residuos ponderados

D
st

Los métodos de residuos ponderados comprenden un conjunto de métodos utilizados

para aproximar soluciones en un dominio espacial mediante un enfoque conceptualmen-
u

te diferente al del método de diferencias finitas que estudiamos en el Capítulo 3. En este

(G

método, en lugar de aproximar la solución por medio de una colección de valores noda-
les discretos, se asume que la misma puede representarse analíticamente por medio de una
expansión finita de la forma:
M
φ (x) ≈ φ̂ (x) = ψ0 (x) + ∑ a j ψ j (x), (4.1)
j=1

donde hemos introducido la notación x = (x, y, z) para simplificar la nomenclatura. Los fac-
tores a j son coeficientes desconocidos que deben ser determinados y las funciones ψ j (x)
son funciones analíticas conocidas, llamadas funciones de prueba o funciones de forma de
la aproximación. La solución aproximada φ̂ se conoce como la solución de prueba y la
elección de diferentes tipos de funciones de prueba ψ da lugar a los diferentes métodos de
residuos ponderados. Debe notarse que, a diferencia del método de diferencias finitas, el
4.2 Métodos de residuos ponderados 175

método de residuos ponderados aproxima la solución de manera continua ya que las fun-
ciones de prueba son analíticas. En cambio, en el método de diferencias finitas la solución
se aproxima por medio de valores nodales discretos definidos únicamente en los nodos de
la grilla (solución discreta).
Para satisfacer las condiciones de borde del problema de valores en el contorno, la
función ψ0 se escoge de modo que la aproximación φ̂ sea igual a las condiciones de borde
del problema, por lo tanto, siendo Γ el contorno del dominio físico Ω, debe cumplirse:

ψ0 (x ∈ Γ) = φ (x ∈ Γ),
(4.2)
ψ j (x ∈ Γ) = 0, ( j = 1, . . . , M).

Con la aproximación (4.1) se espera que la solución de prueba converja a la solución

FT
exacta a medida que se aumenta el número de funciones de prueba de la expansión, es
decir que φ̂ → φ para M → ∞. Obviamente, la convergencia de la aproximación no está
garantizada para cualquier base de funciones de prueba y para que ésta se cumpla debe

)
satisfacerse la propiedad de completitud de la base. El ejemplo clásico de una base completa

se
para el caso unidimensional en un dominio 0 ≤ x ≤ ℓ está dado por funciones de prueba
trigonométricas de la forma

u
jπx
 
ψ j = sin
A
, j = 1, . . . , M. ra
ℓ
La completitud de esta base de funciones de prueba se verifica inmediatamente ya que la
K
solución de prueba dada por esta base de funciones trigonómetricas para M → ∞ no es más
que la expansión en serie de Fourier de la solución exacta. Por otro lado, además de su
R
o

completitud podemos ver que estas funciones verifican la condición ψ j = 0 para x = 0 y

x = ℓ establecida en la ecuación (4.2).
av

Para una base de funciones de prueba conocida, la construcción de la aproximación

consiste en determinar los coeficientes a j de la expansión, los cuales se obtienen resolviendo
D
st

el sistema de ecuaciones generado a partir de las ecuaciones de gobierno. Como veremos

más adelante, en problemas dependendientes del tiempo, este sistema está conformado por
u

un conjunto de ODEs con respecto al tiempo mientras que, en problemas estacionarios, el

sistema de ecuaciones consiste en un sistema de ecuaciones algebraicas.
(G

4.2.1. Formulaciones clásicas del método de residuos ponderados

La formulación general del método de residuos ponderados permite determinar los co-
eficientes de la expansión valiéndose de la definición del residuo, que es básicamente la
diferencia entre la solución exacta φ y la solución aproximada φ̂ en el dominio Ω:

RΩ (x) = φ (x) − φ̂ (x). (4.3)

En el caso límite donde φ̂ = φ , el residuo es idénticamente nulo en todo el dominio.

Obviamente, esta condición en general no podrá satisfacerse en la medida que la expan-
sión (4.1) sea finita, por lo tanto, la minimización del residuo RΩ se hace exigiendo que la
integración del mismo en todo el dominio ponderado por funciones de peso sea nula. En
176 Capítulo 4. Técnicas de dicretización espacial

otras palabras, se exige que la integral de los residuos ponderados sobre todo el dominio
físico sea nula, es decir:
ˆ ˆ
Wm RΩ dΩ = Wm φ − φ̂ dΩ = 0, m = 1, . . . , M. (4.4)


Ω Ω

donde las funciones Wm son un conjunto de funciones de peso independientes.

Reemplazando la expresión de φ̂ en la integral anterior y expandiendo la sumatoria, se
llega al siguiente sistema de ecuaciones:
ˆ ˆ ˆ
W1 (φ − ψ0 ) dΩ − a1 W1 ψ1 dΩ − · · · − aM W1 ψM dΩ = 0
Ω Ω Ω
.. .. ..

FT
. . .
ˆ ˆ ˆ
WM (φ − ψ0 ) dΩ − a1 WM ψ1 dΩ − · · · − aM WM ψM dΩ = 0,

)
Ω Ω Ω

se
el cual puede escribirse matricialmente como

[K] a = f, (4.5)

u
A
donde
 ˆ ˆ 
ra
W1 ψ1 dΩ W1 ψM dΩ
K
···
a1
 
 Ω Ω 
.. .. .. a =  ...  ,
R
 
[K] =  . . .
,  
 ˆ ˆ
o


aM
 
WM ψ1 dΩ · · · WM ψM dΩ
av

ˆΩ Ω
  (4.6)
W1 (φ − ψ0 ) dΩ
D

 Ω
st


f=
 .
.

.
.
 ˆ



WM (φ − ψ0 ) dΩ
u

Ω
(G

Siendo que las funciones Wm y ψ j son conocidas, los elementos de la matriz [K] pueden
calcularse y, con ellos, es posible determinar los coeficientes a j si el miembro derecho del
sistema es conocido. En el caso donde se desea aproximar una función φ conocida, las
integrales del miembro derecho del sistema (4.5) pueden ser evaluadas una vez elegida la
función de prueba particular ψ0 . Contrariamente, en la aproximación de la solución de una
ecuación diferencial la función φ no se conoce, por lo tanto, es necesario tener en cuenta
las condiciones de contorno del problema y exigir algunos requerimientos adicionales para
la función de prueba particular ψ0 , de modo de poder evaluar el miembro derecho, tal como
veremos más adelante. La elección de las funciones de peso y las funciones de prueba da
lugar a los diferentes métodos de residuos ponderados.
A continuación se presentan las subclases de métodos de residuos ponderados más di-
fundidos considerando un dominio unidimensional en la coordenada x.
4.2 Métodos de residuos ponderados 177

Figura 4.1: Discretización en subodminios para el método de colocación por subdo-

minios.

Método de colocación puntual

En el método de colocación puntual, las funciones de peso Wm están formadas por fun-

FT
ciones delta de Dirac, de forma que las funciones de prueba se anulan en todo el dominio a
excepción de un conjunto de M puntos de coordenada xm . Esto es:

)
Wm = δ (x − xm ), (4.7)

se
De acuerdo a la ecuación (4.4), esta definición hace que el residuo se anule en los M

u
puntos de colocación donde cada una de las funciones de pèso es distinta de cero. Esto
A
ra
indica que el método de colocación puntual actúa como el método de diferencias finitas
pero, a diferencia de éste, la aproximación no está conformada por valores discretos sino
por una función continua que interpola los valores nodales entre los puntos de colocación
K
por medio de las funciones de prueba.
R

Los elementos de la matriz de coeficientes y las componentes del vector del miembro
o

derecho del sistema (4.5) para el método de colocación puntual son:

av

Km j = ψ j (xm ),
(4.8)
D

fm = φ (xm ) − ψ0 (xm ).
st
u

Método de colocación por subdominios

(G

En el método de colocación por subdominios, también conocido como método de sub-

dominios, se utilizan funciones de peso que son nulas en todo el dominio a excepción de
una región dada por cada subdominio Ωm definido en el proceso de discretización, donde las
funciones de peso son iguales a uno. Para un dominio unidimensional 0 ≤ x ≤ ℓ, cada subdo-
minio queda definido por dos nodos contiguos de coordenadas xm y xm+1 (Ωm = [xm , xm+1 ]),
tal como se muestra en la Figura 4.1 donde se esquematiza una discretización uniforme. En
este caso, las funciones de peso se definen de la siguiente manera:
(
1, xm ≤ x ≤ xm+1
Wm = (4.9)
0, en el resto del dominio.

Con la definición anterior, los coeficientes de la matriz [K] y las componentes del vector
178 Capítulo 4. Técnicas de dicretización espacial

f del sistema (4.5) resultan:

ˆ xm+1
Km j = ψ j dx,
xm
ˆ xm+1 (4.10)
fm = (φ − ψ0 ) dx.
xm

Como veremos más adelante, este método coincide con el método de volúmenes finitos
en la evaluación de la integral (4.4). De hecho, la definición de las funciones de peso Wm
del método de subdominios es una forma de forzar la propiedad de conservación al nivel
de las ecuaciones discretizadas, lo cual representa una gran ventaja para obtener soluciones
precisas en algunas configuraciones de flujo o en presencia de ondas de choque.

FT
Método de Galerkin
En el método de Galerkin, que es uno de los métodos de residuos ponderados más

)
populares, las funciones de peso se escogen de la misma familia que las funciones de prueba,

se
de modo que:
Wm (x) = ψm (x). (4.11)

u
A
Si el conjunto de M funciones de prueba conforman una base completa, la integral (4.4)
ra
indica que el residuo es ortogonal a cada miembro de una base completa, por lo tanto, la
convergencia de la aproximación a la solución exacta para M → ∞ está garantizada.
K
De acuerdo a la definición anterior, los elementos de la matriz [K] y del vector f en el
método de Galerkin resultan:
R

ˆ ℓ
o

Km j = ψm ψ j dx,
av

0
ˆ ℓ (4.12)
fm = ψm (φ − ψ0 ) dx.
D
st

0
Nótese que en este método, a diferencia de lo que sucede en los métodos de colocación
u

puntual y de colocación por subdominios, las funciones de peso están definidas sobre todo
el dominio 0 ≤ x ≤ ℓ, por lo tanto, no es necesario realizar una discretización espacial para
(G

definir nodos o subdominios.

4.2.2. Solución aproximada de ecuaciones diferenciales

En esta sección veremos cómo aplicar el método de residuos ponderados para aproximar
la solución de ecuaciones diferenciales. En este caso, la función φ no es conocida, por
lo tanto, no es posible plantear el residuo en términos de ella, sino que debe utilizarse la
información disponible en la ecuación diferencial y en las condiciones de contorno para
construir la aproximación de la solución.
Para este análisis, consideramos una ecuación diferencial lineal definida sobre un domi-
nio Ω de contorno Γ dada por
L(φ ) + Q = 0, en Ω, (4.13)
4.2 Métodos de residuos ponderados 179

donde L es un operador diferencial lineal que se aplica sobre la variable dependiente φ y

Q es un término independiente de φ que puede ser función de las coordenadas (x, y, z). Por
ejemplo, para la ecuación de Laplace en dos dimensiones estas definiciones son:

∂ 2φ ∂ 2φ
L(φ ) = + 2, Q = 0.
∂ x2 ∂y
La ecuación diferencial (4.13) debe estar acompañada de un conjunto apropiado de
condiciones de contorno para poder resolverse. Como sabemos, las condiciones de contorno
pueden ser de Dirichlet, de Neumann o mixtas. En el primer caso tenemos

φ = φ̄ , en Γφ̄ , (4.14)

FT
siendo φ̄ un valor prefijado y Γφ̄ la porción del contorno Γ del dominio Ω donde se aplica
la condición de contorno de Dirichlet. En el caso de condiciones de contorno de Neumann

)
se prefija el valor de la derivada normal al contorno

se
∂φ
∇φ · n̂ = = q̄, en Γq̄ , (4.15)
∂n

u
donde n̂ es un versor normal saliente al contorno Γ. Por último, las condiciones de contorno
A
ra
mixtas fijan el valor correspondiente a una combinación entre la variable y su derivada en
dirección normal.
K
De manera general, las condiciones de borde se escriben en términos de un operador B
y un término R independiente de la variable φ , tal que
R
o

B(φ ) + R = 0, en Γ, (4.16)
av

donde B puede o no incluir derivadas y variar a lo largo del contorno. De acuerdo a esta
expresión, para la condición de contorno de Dirichlet (4.14) las definiciones anteriores son
D
st

B(φ ) = φ y R = −φ̄ , mientras que para la condición de Neumann (4.15) resulta B(φ ) = ∂∂ φn
y R = −q̄. En el caso de condiciones de contorno mixtas, el operador tiene la forma
u

∂φ
B(φ ) = κ + hφ , (4.17)
(G

∂n
donde κ y h son constantes.
Para aproximar la solución φ de la ecuación diferencial (4.13) mediante la solución de
prueba (4.1), necesitamos que las funciones de prueba ψ j de la expansión y la función de
prueba particular ψ0 se ajusten a las condiciones de contorno del problema. Utilizando la
definición general (4.16) esto significa que
)
B(ψ0 ) = B(φ ) = −R
en Γ. (4.18)
B(ψ j ) = 0

Si se cumplen estas condiciones, la aproximación de la solución satisface exactamente las

condiciones de borde del problema.
180 Capítulo 4. Técnicas de dicretización espacial

Las derivadas de la función φ se aproximan utilizando la solución de prueba. Por ejem-

plo, para las derivadas con respecto a x en una ecuación de segundo orden tenemos:
M
∂φ ∂ φ̂ ∂ ψ0 ∂ψj
≈ = + ∑ aj ,
∂x ∂x ∂x j=1 ∂x
M
∂ 2φ ∂ 2 φ̂ ∂ 2 ψ0 ∂ 2ψ j
∂ x2
≈
∂ x2
=
∂ x2
+ ∑ j ∂ x2 ,
a
j=1

y de igual manera para las derivadas con respecto a las otras coordenadas. Nótese que esta
aproximación requiere que las funciones de prueba ψ j de la expansión sean continuamente
diferenciables, tantas veces como el orden de la ecuación diferencial. Esto representa una
limitación del método de residuos ponderados, ya que restringe la posibilidad de elegir

FT
algunas familias de funciones de prueba. Sin embargo, más adelante veremos que dicha
limitación puede ser debilitada para la aplicación del método de elementos finitos.
Para determinar los factores a j de la expansión debemos resolver el sistema que resulta

)
de la integral (4.4) que, en este caso, requiere que el residuo se escriba en términos de la

se
ecuación diferencial (4.13) ya que no conocemos la solución exacta y no podemos expre-
sarlo en la forma (4.3). Entonces, siendo φ̂ la aproximación de la solución exacta φ que

u
satisface exactamente la ecuación L(φ ) + Q = 0, el residuo es:
A
RΩ = L(φ ) + Q − L(φ̂ ) + Q = − L(φ̂ ) + Q .
    ra
El signo del residuo no es relevante, por lo tanto, nos quedamos con la cantidad entre
K
corchetes y expandimos la solución de prueba:
R
M
RΩ = L(ψ0 ) + ∑ a j L(ψ j ) + Q.
o

(4.19)
j=1
av

Finalmente, la integral de los residuos ponderados resulta

ˆ ˆ ˆ
D

M
Wm RΩ dΩ = Wm [L(ψ0 ) + Q] dΩ + ∑ a j Wm L(ψ j ) dΩ = 0,
st

(4.20)
Ω Ω j=1 Ω
u

con lo cual, los elementos de la matriz de coeficientes y las componentes del vector del
miembro derecho del sistema [K] a = f son
(G

ˆ
Km j = Wm L(ψ j ) dΩ,
ˆΩ (4.21)
fm = − Wm [L(ψ0 ) + Q] dΩ.
Ω

Aplicación del método de residuos ponderados a problemas de valores en el contorno

Para visualizar la aplicación del método de residuos ponderados consideremos el caso
de una ecuación diferencial de segundo orden en un dominio unidimensional que representa
un problemas de valores en el contorno:
d2 φ
− φ = 0, 0 ≤ x ≤ 1. (4.22)
dx2
4.2 Métodos de residuos ponderados 181

la cual presenta condiciones de contorno de Dirichlet

φ (0) = 0,
φ (1) = 1.

Como se estableció más arriba, para que la solución aproximada satisfaga exactamente
las condiciones de borde, las funciones de prueba deben verificar la expresión (4.18). Para la
función de prueba particular ψ0 escogemos una recta tal que ψ0 (0) = 0 y ψ0 (1) = 1, y para
las funciones de prueba ψ j utilizamos una familia de funciones senoidales para las cuales
se satisface ψ j (0) = 0 y ψ j (1) = 0 y cuya base cumple con la propiedad de completitud.
Entonces tenemos:

FT
ψ0 (x) = x,
ψ j = sin( jπx), j = 1, . . . , M.

)
De acuerdo a la ecuación diferencial (4.22), la aplicación del operador diferencial a las

se
funciones de prueba produce:

d2 ψ0

u
L(ψ0 ) = − ψ0 = −x,
dx2
A
L(ψ j ) =
d2 ψ j
− ψ j = − 1 + ( jπ)2 sin( jπx).
 
ra
dx 2
K
Por lo tanto, las componentes de la matriz [K] y del vector f son:
R

ˆ
o

1
Km j = − Wm 1 + ( jπ)2 sin( jπx) dx,
 
av

0
ˆ 1
fm = Wm x dx,
D
st

ya que Q = 0 en la ecuación (4.22).

u

Teniendo en cuenta las ecuaciones (4.8), (4.9) y (4.12), las integrales anteriores para
cada uno de los métodos de residuos ponderados presentados anteriormente resultan:
(G

Colocación puntual

Km j = L[ψ j (xm )] = − 1 + ( jπ)2 sin( jπxm )

 

fm = −L[ψ0 (xm )] = xm .

Colocación por subdominios

ˆ xm
1 + ( jπ)2
Km j = L(ψ j ) dx = [cos( jπxm ) − cos( jπxm )] ,
xm−1 jπ
ˆ xm
1 2 2
fm = − L(ψ0 ) dx = xm − xm−1


.
xm−1 2
182 Capítulo 4. Técnicas de dicretización espacial

Galerkin
ˆ 1
− 21 1 + ( jπ)2 , si m = j,
  
Km j = sin(mπx)L(ψ j ) dx =
0 0, si m ̸= j,
ˆ 1
(−1) j+1
fm = − sin( jπx)L(ψ0 ) dx = .
0 jπ

Como vemos, las expresiones se simplifican considerablemente en el método de Galer-

kin, para el cual la matriz [K] resulta diagonal gracias a que las funciones trigonométricas
son mutuamente excluyentes en el intervalo [0, 1]. Por este motivo se dice que las funciones
de prueba sin( jπx) forman una base ortogonal en [0, 1].
Analicemos ahora la convergencia de cada uno de los métodos en relación a la canti-

FT
dad M de funciones de prueba utilizadas en la expansión de la solución de prueba. Para
evaluar la convergencia consideramos los valores de la solución aproximada en los puntos
xm utilizados en los métodos de colocación puntual y de colocación por subdominios para

)
definir los elementos Ωm , los cuales se encuentran uniformemente distribuidos en el domi-

se
nio 0 ≤ x ≤ 1. En la Figura 4.2 se muestran las curvas de convergencia para cada método
considerando la norma L2 del error de la solución aproximada con respecto a la solución

u
exacta de la ecuación (4.22), que está dada por:
A
φ (x) =
1
ex − e−x ,


ra
e−e −1
K
siendo e la base del logaritmo natural.
R

En la figura podemos observar que los métodos de colocación puntual y colocación

o

por subdominios presentan una tasa de convergencia similar con niveles de errores también
av

similares, mientras que el método de Galerkin tiene una convergencia más rápida con errores
de aproximación sustancialmente más pequeños. Este comportamiento superior hizo que el
método de Galerkin fuera adoptado como base para la formulación del método de elementos
D
st

finitos.
u

Aplicación del método de residuos ponderados a problemas de valores iniciales y de

(G

contorno
En el desarrollo anterior vimos que la aplicación del método de residuos ponderados
para aproximar la solución de una ecuación diferencial que representa un problema de va-
lores en el contorno genera un sistema de ecuaciones algebraicas cuya solución provee los
coeficientes a j de la solución de prueba φ̂ . En el caso de un problema de valores inicia-
les y de contorno, estos coeficientes son funciones del tiempo y la aplicación del método
de residuos ponderados lleva a un sistema de ecuaciones diferenciales ordinarias que debe
integrarse en el tiempo.
Consideremos para el análisis la expresión general de una ecuación diferencial en deri-
vadas parciales dada por

∂φ
+ L(φ ) + Q = 0, x ∈ Ω, t ≥ 0. (4.23)
∂t
4.2 Métodos de residuos ponderados 183

10−4

10−7

Norma Le2
10−10

10−13

Colocación puntual
10−16 Colocación por subdominios
Galerkin

FT
10−19
100 101 102 103
Número de funciones de prueba

)
se
Figura 4.2: Curvas de convergencia de los métodos de residuos ponderados en la
aproximación de la solución de la ecuación diferencial (4.22).

u
A
ra
donde L es un operador diferencial que involucra solamente derivadas espaciales. La ecua-
ción anterior debe estar acompañada de un conjunto adecuado de condiciones auxiliares que
definan la condición inicial y las condiciones sobre el contorno Γ del problema:
K
φ (x, 0) = φ0 (x),
R

(4.24)
o

B(φ ) + R = 0 en Γ,
av

donde B y R pueden variar con respecto a t.

De igual manera que en el caso de una ecuación diferencial ordinaria, la solución apro-
D

ximada de la ecuación (4.23) debe satisfacer las condiciones de borde, por lo tanto, las
st

funciones de prueba deben elegirse de manera que se cumplan las condiciones (4.18). Por
otra parte, también se busca que la solución aproximada satisfaga exactamente la condición
u

inicial del problema, con lo cual una aproximación de la forma

(G

M
φ̂ (t) = ψ0 (x) + ∑ a j (t)ψ j (x), (4.25)
j=1

con ψ0 = φ0 y a j (0) = 0 verificaría automáticamente todas las condiciones auxiliares. Sin

embargo, los requisitos de continuidad sobre la función de prueba particular no permiten
utilizar esta definición cuando las condiciones iniciales son discontinuas. En ese caso, es
necesario utilizar la expresión (4.1) para aproximar la condición inicial φ0 a una función
φ̂0 por medio de la base de funciones de prueba escogidas. Los coeficientes a j (0) de esta
expansión se obtienen resolviendo el sistema (4.5) ya que la condición inicial es conocida,
con lo cual, el miembro derecho puede evaluarse directamente para el instante inicial.
En la solución de prueba (4.25) los coeficientes de la serie son dependientes del tiempo.
De hecho, es esta variación la que produce la evolución de la solución φ̂ en el tiempo ya
184 Capítulo 4. Técnicas de dicretización espacial

que las funciones de prueba no cambian. De esta forma, la solución del método de residuos
ponderados para un problema de valores iniciales y de contorno consiste en determinar los
coeficientes a j correspondiente a cada instante de tiempo t n . Para este tipo de problema la
expresión del residuo de φ̂ se escribe considerando la ecuación (4.23):

∂ φ̂
RΩ = + L(φ̂ ) + Q, (4.26)
∂t
por lo tanto, la formulación de residuos ponderados resulta:
ˆ ˆ
∂ φ̂
 
Wm RΩ dΩ = Wm + L(φ̂ ) + Q dΩ.
Ω Ω ∂t

FT
Asumiendo que el dominio Ω permanece fijo, podemos extraer de la integral la derivada
con respecto al tiempo para obtener:
ˆ ˆ
∂

)

Wm φ̂ dΩ = − Wm L(φ̂ ) + Q dΩ.
 

se
∂t Ω Ω

Teniendo en cuenta que las funciones de prueba ψ j y ψ0 son funciones conocidas que

u
sólo dependen de la posición, la ecuación anterior se transforma en una ecuación diferencial
A
ordinaria con respecto al tiempo: ra
"ˆ ! # ˆ " #
M M
d
Wm ∑ a j (t)ψ j dΩ = − Wm L(ψ0 ) + ∑ a j (t)L(ψ j ) + Q dΩ, (4.27)
K
dt Ω j=1 Ω j=1
R

donde se ha tenido en cuenta que d (Wm ψ0 ) / dt = 0.

o

Esta última ecuación es la ecuación semidiscretizada del problema, que tiene la forma
av

de la ecuación (3.135). De esta forma, para resolver el sistema de ODEs (4.27) podemos
utilizar alguno de los métodos de integración temporal presentados en la Sección 3.7. Con
D

ello se obtiene un sistema de ecuaciones algebraicas cuyas incógnitas son los coeficientes a j
st

del instante de tiempo t n+1 , que una vez calculados, permiten escribir la solución de prueba
φ̂ correspondiente a ese instante.
u

Matricialmente, el conjunto de M ecuaciones (4.27) se escribe en términos de una matriz

(G

[K1 ] y un vector f, cuyos elementos están dados en (4.21), y de una matriz [K2 ], que está
dada por la ecuación (4.6):
da
[K2 ] = − {f + [K1 ] a} .
dt
Entonces, utilizando por ejemplo un esquema de Euler hacia adelante se alcanza la siguiente
aproximación discreta

an+1 = an − ∆t [K2 ]−1 {f + [K1 ] an } ,

mientras que para el esquema de Euler hacia atrás se tiene

 
[I] + ∆t [K2 ]−1 [K1 ] an+1 = an − ∆t [K2 ]−1 f.
4.2 Métodos de residuos ponderados 185

4.2.3. Funciones de prueba que no satisfacen las condiciones de contorno

En los desarrollos anteriores establecimos que la solución de prueba en el método de
residuos ponderados debe satisfacer exactamente las condiciones de contorno del proble-
ma. Con ese propósito, se introdujo la función de prueba particular ψ0 y se aplicaron ciertos
requisitos sobre las funciones de prueba ψ j . Sin embargo, éste no es un requerimiento obli-
gatorio de los métodos de residuos ponderados generales, sino que constituye una imposi-
ción propia de los métodos de residuos ponderados interiores, que son los que presentamos
previamente. Un enfoque alternativo es el que plantean los métodos de residuos ponderados
mixtos, en los cuales tanto la solución en el interior del dominio como las condiciones de
contorno son aproximadas.
Para obtener una solución de prueba que satisfaga sólo de manera aproximada las con-

FT
diciones de contorno, es necesario reformular la expresión del residuo considerando el in-
terior del dominio Ω y el contorno Γ de manera separada. Con esto podemos prescindir de
la función de prueba particular y utilizar funciones ψ j que no satisfacen las condiciones de

)
contorno, con lo cual, la solución de prueba se escribe:

se
M
φ ≈ φ̂ = ∑ a jψ j. (4.28)

u
j=1
A
ra
El residuo entonces queda formado por el residuo en el interior del dominio RΩ y el
residuo en el contorno RΓ :
K
RΩ = L(φ̂ ) + Q,
(4.29)
R

RΓ = B(φ̂ ) + R.
o
av

La formulación de residuos ponderados se escribe ahora considerando ambos residuos,

es decir
D

ˆ ˆ
st

Wm RΩ dΩ + W̃m RΓ dΓ = 0, m = 1, . . . , M. (4.30)
Ω Γ
u

donde las funciones de peso Wm y W̃m se escogen en forma independiente.

(G

De acuerdo a la última expresión, los elementos de la matriz [K] y el vector f del sistema
[K] a = f ahora están dados por:
ˆ ˆ
Km j = Wm L(ψ j ) dΩ + W̃m B(ψ j ) dΓ,
ˆΩ ˆ Γ
(4.31)
fm = − Wm Q dΩ − W̃m R dΓ.
Ω Γ

Con estas definiciones es posible determinar los coeficientes a j de la serie y con ellos
construir la solución aproximada φ̂ . Hay que tener en cuenta que, aunque esta formulación
permite escoger funciones de prueba más generales, la necesidad de evaluar las integrales
del residuo en los contornos puede incrementar considerablemente la complejidad el pro-
blema.
186 Capítulo 4. Técnicas de dicretización espacial

4.2.4. Limitaciones de los métodos de residuos ponderados

La aplicación de los métodos de residuos ponderados tradicionales para la resolución
de ecuaciones diferenciales presenta algunas dificultades debidas a la naturaleza de su for-
mulación, las cuales impiden su aplicación directa en problemas complejos.
En los párrafos anteriores vimos que la formulación de residuos ponderados exige que
las funciones de prueba utilizadas para construir la solución aproximada cumplan ciertos
requisitos de continuidad y derivabilidad. Estos requisitos pueden resultar bastante restric-
tivos especialemente cuando se analizan ecuaciones diferenciales de orden mayor a uno.
Debe notarse que, desde el punto de vista de la implementación computacional, es deseable
emplear funciones de prueba simples, como funciones lineales o polinomios de bajo orden,
de modo que las integrales que intervienen en el cálculo de las matrices de coeficientes pue-

FT
dan ser computadas de manera precisa por cuadraturas de pocos puntos, incrementando así
la eficiencia del método numérico. Frente a un requisito de derivabilidad de varios órdenes
la posibilidad de utilizar funciones de prueba simples queda excluida y es necesario recurrir

)
a funciones trigonométricas que son menos eficientes de evaluar computacionalmente.

se
Otro aspecto negativo del método de residuos ponderados se debe a que las funciones
de prueba son globales, es decir que están definidas en todo el dominio. Esta característica
hace que las propiedades de ortogonalidad de las funciones de base no puedan explotarse

u
en dominios arbitrarios, con lo cual, las matrices de coeficientes resultan “densas” aun con
A
ra
el método de Galerkin. De esta forma, el proceso de resolución del sistema lineal [K] a = f
se vuelve muy costoso sobre todo cuando se emplean aproximaciones con un gran número
K
de funciones de base en la expansión (M ≫ 1). Además de esto, la utilización de una gran
cantidad de funciones de base puede hacer que la matriz de coeficientes resulte mal condi-
R

cionada, lo cual significa que la solución del sistema lineal, que son los factores a j de la
o

expansión, es muy sensible a pequeños cambios en los coeficientes de [K]. Esto hace que los
av

pequeños errores debidos al redondeo y a la evaluación de las integrales en el cómputo nu-

mérico de los coeficientes Km j generen grandes cambios en el resultado de a, situación que
D

se agrava cuando los coeficientes de [K] son obtenidos por medio de cuadraturas numéricas.
st

Para entender este problema consideremos, por ejemplo, la siguiente ecuación diferencial
ordinaria:
u

dφ
(G

− φ = 0, 0 ≤ x ≤ 1,
dx
la cual se aproxima utilizando funciones de base de la familia de polinomios ψ j = x j . Apli-
cando el método de Galerkin se determina que los coeficientes de la matriz [K] son:

j 1
Km j = − .
j+m−1 j+m

Como vemos, esto implica que, para valores pequeños de j y grandes de m, o sea, en las re-
giones de la matriz alejadas de la diagonal principal, dos coeficientes vecinos Km j y K(m+1) j
resulten muy similares. Por ejemplo, la diferencia para j = 1 con m = 1000 y m = 1001 es
de 1,99 × 10−9 . Con esto, se espera que la matriz [K] esté mal condicionada y se dificulte
la resolución del sistema lineal (para más detalles, ver Fletcher, 1984, entre otros).
4.3 Método de elementos finitos 187

Otra desventaja del método de residuos ponderados es que, en su formulación, las can-
tidades a determinar no tienen significado físico y la obtención de la solución requiere un
paso más en el proceso de solución que consiste en evaluar la expansón que conforma la
solución de prueba. En otras palabras, los coeficientes a j que constituyen las incógnitas del
problema no brindan por sí solos información acerca de la solución, sino a través de la cons-
trucción de la solución aproximada φ̂ que debe ser computada por medio de una expansión
que puede llegar a ser considerablemente grande. Contrariamente, en otros métodos como el
método de diferencia finitas o el método de volúmenes finitos, las incógnitas del problema
son los valores discretos que representan la distribución de la variable dependiente.
Las limitaciones de los métodos de residuos ponderados tradicionales han sido supera-
das por medio de la formulación de elementos finitos, en la cual se disponen funciones de
prueba interpolantes definidas solamente dentro de pequeños subdominios o elementos que

FT
conforman la discretización del problema, tal como veremos en la sección siguiente.

)
4.3. Método de elementos finitos

se
El método de elementos finitos es uno de los métodos más populares para resolver

u
numéricamente problemas de valores en el contorno. Este método fue desarrollado inicial-
A
mente considerando principios variacionales, convirtiéndose con el tiempo en la principal
ra
herramienta numérica para el análisis estructural. Sin embargo, este nivel de aceptación no
fue alcanzado en el campo de la Mecánica de los Fluidos, donde mayormente se utiliza el
K
método de volúmenes finitos que resulta más consistente para modelar problemas goberna-
dos por leyes de conservación. Más allá de esto, existen numerosos códigos de Dinámica
R
o

de Fluidos Computacional que se basan en la formulación de elementos finitos, con lo cual,

es muy importante que un analista de CFD conozca los principios y fundamentos de este
av

método..
Como vimos en la sección anterior, en la aplicación de los métodos de residuos pon-
D
st

derados las incógnitas del problema son los coeficientes a j de la solución de prueba (4.1),
los cuales no tienen un significado físico directo. El primer paso en la formulación del mé-
todo de elementos finitos consiste en escribir la aproximación en términos de los valores
u

nodales de la variable de interés, lo cual permitirá luego simplificar las funciones de prueba
(G

utilizadas en la expansión.
Para obtener la aproximación deseada, partimos de la expresión (4.1) para aproximar la
función φ (x) sin considerar la función de prueba particular, es decir:

M
φ (x) ≈ φ̂ (x) = ∑ a j ψ j (x). (4.32)
j=1

Ahora se exige que la función aproximada φ̂ sea igual a la función φ en un conjunto de M

puntos o nodos de coordenada xk , de modo que

M
φ̂ (xk ) = φ (xk ) = ∑ a j ψ j (xk ), k = 1, . . . , M. (4.33)
j=1
188 Capítulo 4. Técnicas de dicretización espacial

Esta expresión puede escribirse matricialmente como:

ϕ = [Ψ] a,

donde ψk j = ψ j (xk ) son los elementos de la matriz [Ψ] y φ (xk ) y a j son los elementos de
los vectores ϕ y a, respectivamente. Premultiplicando ambos miembros de la expresión
anterior por la inversa de la matriz [Ψ] se obtiene una expresión para los coeficientes a j de
la expansión (4.33):

[Ψ]−1 ϕ = a,

con lo cual

FT
M
aj = ∑ ψ −1
jk φ (xk ), j = 1, . . . , M,
k=1

)
−1
donde ψ −1

se
jk es el elemento jk de la matriz [Ψ] .
Reemplazando la igualdad anterior en la solución de prueba (4.32) obtenemos

u
M M
φ̂ (x) = ∑ ∑ ψ −1
jk φ (xk )ψ j (x).
A
j=1 k=1
ra
Esta expresión puede escribirse en términos de nuevas funciones de prueba Nk , tal que
K
M
R

φ̂ (x) = ∑ φ̃k Nk (x),

o

k=1
av

donde φ̃k = φ (xk ) y

D

M
st

Nk (x) = ∑ ψ −1
jk ψ j (x).
j=1
u

En la práctica, el cómputo de la matriz inversa [Ψ]−1 para M ≫ 1 y funciones de prueba

(G

ψ j arbitrarias puede resultar muy costoso (el orden del número de operaciones para invertir
una matriz es M 3 ). Además, es probable que el resultado en esa condición resulte poco
preciso. Sin embargo, existe una estrategia muy simple para evitar la necesidad de invertir
la matriz, la cual consiste en escoger una base de funciones de prueba tal que:
(
1, si j = k,
ψ j (xk ) =
0, si j ̸= k.

Esto implica que [Ψ] = [Ψ]−1 = [I], por lo tanto, los coeficientes a j en la aproximación (4.32)
son los valores nodales de φ . De esta forma, las funciones de prueba pueden definirse co-
mo funciones de interpolación del valor nodal dentro de una pequeña región del dominio
delimitada por los nodos vecinos.
4.3 Método de elementos finitos 189

Figura 4.3: Ejemplos de una malla de elementos finitos estructurada de cuadriláteros

y una no estructurada de triángulos empleadas para modelar el flujo bidi-
mensional alrededor de un perfil aerodinámico.

4.3.1.

FT
Funciones de prueba locales de soporte compacto

)
El proceso de discretización en el método de elementos finitos consiste en subdividir

se
el dominio espacial Ω en pequeños subdominios Ωe no superpuestos denominados elemen-
tos. Estos elementos se encuentran definidos por los nodos que los conforman y su forma

u
depende de la dimensión del problema y del tipo de discretización escogida. En dominios
A
unidimensionales los elementos finitos son segmentos de recta dados por los dos nodos
ra
ubicados en los extremos de cada uno de ellos mientras que en dominios bidimensionales
suelen emplearse triángulos o cuadriláteros que quedan definidos por los nodos de los vér-
K
tices. En dominios tridimensionales se utilizan diferentes poliedros como tetraedros (cuatro
caras), hexaedros (seis caras), prismas triangulares, entre otros. Como veremos en esta sec-
R
o

ción, además de los nodos de los vértices, un elemento finito puede contar con más nodos
dispuestos sobre sus lados o caras o en su interior, los cuales permiten incrementar el orden
av

de la aproximación. Al igual que las grillas utilizadas en el método de diferencias finitas,

una malla de elementos finitos puede ser estructurada o no estructurada, pero en este tipo de
D
st

discretizaciones el proceso ofrece mucha mayor flexibilidad para modelar geometrías com-
plejas. En la Figura 4.3 se muestran, a modo de ejemplo, dos mallas bidimensionales, una
estructurada de cuadriláteros y otra no estructurada de triángulos, ambas empleadas para
u

modelar el flujo alrededor de un perfil aerodinámico (nótese que la malla de cuadriláteros

(G

es estructurada porque existe un mapeo directo que transforma esa discretización en una
grilla cartesiana).
De acuerdo a su formulación, la aproximación propuesta por el método de elementos fi-
nitos se escribe en términos de una interpolación basada en los valores nodales de la variable
dependiente y de las funciones de forma Nk
M
φ̂ (x) = ∑ φ̃k Nk (x), (4.34)
k=1

donde las funciones de forma deben verificar la condición

Nk (xk ) = 1,
(4.35)
Nk (x j ) = 0, j ̸= k.
190 Capítulo 4. Técnicas de dicretización espacial

La forma más simple de satisfacer estas condiciones es utilizar funciones de forma de

soporte compacto, lo cual significa que una función Nk es nula en todo el dominio a excep-
ción de una región relativamente pequeña del mismo que incluye al nodo de coordenada
xk . Esta región está conformada por los elementos que comparten ese nodo, de modo que,
dentro de un determinado elemento Ωe , las únicas funciones de forma no nulas son las
correspondientes a los nodos que forman parte del elemento. De esta manera, la solución
aproximada φ̂ (x) en la región x ∈ Ωe se escribe en términos de una interpolación expresa-
da solamente por los valores nodales de los nodos pertenecientes al elemento Ωe y de las
funciones de forma correspondientes, es decir:
Me
φ̂ (x) = ∑ φ̃k Nke (x),
e e x ∈ Ωe . (4.36)
ke =1

FT
donde M e es el número de nodos que forman parte del elemento, ke indica la numeración
local de los nodos en el elemento y las Nkee son las funciones de forma definidas localmente.

)
se
Interpolación en dominios unidimensionales
Para graficar las definiciones anteriores, consideremos el caso de un dominio unidimen-

u
sional 0 ≤ x ≤ ℓ, el cual se ha discretizado en M − 1 elementos de dos nodos cada uno, tal
A
que (ver Figura 4.4): ra
Ωek = [xk , xk+1 ], k = 1, . . . , M.
K
Un elemento unidimensional de dos nodos permite construir una interpolación lineal de
R
la función φ (x) en el interior de cada elemento. En términos globales esta aproximación
o

dentro del elemento Ωek es:

av

φ̂ (x) = φ̃k Nk (x) + φ̃k+1 Nk+1 (x), x ∈ Ωek , (4.37)

D

donde las funciones de forma son:

st

xk+1 − x

Nk = , 
xk+1 − xk


u

xk ≤ x ≤ xk+1 .
x − xk
Nk+1 = , 

(G

xk+1 − xk


A nivel local, es decir, a nivel de cada elemento, la interpolación (4.37) puede escribirse
en función de una coordenada local ξ , referida a un sistema normalizado con origen en el
centro del elemento Ωek :
2
φ̂ (ξ ) = φ̃1 N1e (ξ ) + φ̃2 N2e (ξ ) = ∑ φ̃k Nke (ξ ),
e e −1 ≤ ξ ≤ 1.
ke =1

donde, en este caso, las funciones de forma locales son

1−ξ

e
N1 = , 
2

− 1 ≤ ξ ≤ 1. (4.38)
e ξ +1 
N2 = , 
2
4.3 Método de elementos finitos 191

FT
Figura 4.4: Esquema de la aproximación por el método de elementos finitos de una

)
función unidimensional.

se
La transformación del sistema local al sistema global está dada por:

u
A
1 1
x = xk+1 (1 + ξ ) + xk (1 − ξ ) ,
2 2
ra (4.39)
K
donde xk y xk+1 son las coordenadas de los extremos del elemento unidimensional. Nótese
que la coordenada x dentro del elemento es, precisamente, la interpolación lineal del valor
R

de x en los extremos.
o

Las expresiones de N1e y N2e en la ecuación (4.38) son las dos funciones de forma de-
av

finidas localmente para una interpolación lineal. Si deseamos obtener un mayor orden de
interpolación deben conocerse más valores de la función φ en el interior del elemento. Esto
D

significa que debemos definir nodos interiores al elemento donde se encuentren especifica-
st

dos los valores de φ . De esta manera, para una interpolación de segundo orden se dispone
un nodo en el centro del elemento de modo que la aproximación se hace en términos de tres
u

funciones de forma parabólicas que, obviamente, deben satisfacer la condición (4.35):

(G

ξ

N1e = (ξ − 1) , 
2




e 2
N2 = 1 − ξ . − 1 ≤ ξ ≤ 1. (4.40)
ξ


N3e = (ξ + 1) ,



2
Estas definiciones se muestran gráficamente en la Figura 4.5.
Naturalmente, la discretización de dominios unidimensionales tiene la simplicidad de
que la geometría de un elemento finito sólo puede ser lineal y queda definida por los dos no-
dos extremos. Contrariamente, en dominios multidimensionales la complejidad crece sus-
tancialmente ya que, en principio, podrían definirse elementos de formas arbitrarias. Sin
embargo, teniendo en cuenta que no es deseable incrementar inútilmente la complejidad del
192 Capítulo 4. Técnicas de dicretización espacial

Figura 4.5: Esquema de funciones de forma para la interpolación cuadrática dentro

de un elemento unidimensional de tres nodos.

problema, las formas de los elementos finitos suelen reducirse a figuras simples como trián-
gulos y cuadriláteros en dominios bidimensionales y poliedros de pocas caras en dominios

FT
tridimensionales. En el Apéndice B se hace un breve resumen de estas formulaciones.

)
Continuidad de las funciones de forma

se
La manera de definir las funciones de interpolación locales no es única, sino que de-
pende de las características que se desea impartir a la aproximación. Por medio de las fun-

u
ciones de forma (4.38) y (4.40) construimos una función de aproximación en términos de
A
los valores nodales φ̃k , la cual es continua en todo el dominio, incluidos los nodos de la
ra
discretización (puntos de coordenada xk ), pero su derivada no está definida en los extremos
de los elementos. Esta condición de continuidad de la función de aproximación es una con-
K
secuencia del tipo de funciones de prueba utilizadas en la expansión ya que la continuidad
R
de φ̂ está dada directamente por la continuidad de las funciones Nk , cuyas derivadas no es-
o

tán definidas en los nodos extremos de los elementos. Los requisitos de continuidad sobre
av

las funciones de forma se imponen de acuerdo al orden de las ecuaciones diferenciales que
han de resolverse, de manera similar a lo que sucede en el método de residuos ponderados
tradicional, donde la aplicación del operador diferencial sobre la solución de prueba hace
D
st

necesario, en principio, que ésta sea derivable tantas veces como el orden de la ecuación
diferencial (ver Sección 4.2.2).
u

Funciones de prueba constantes dentro de cada elemento conducen a funciones de apro-

ximación que son constantes a trozos las cuales no satisfacen la continuidad de la función
(G

en los nodos. Funciones de prueba que satisfacen las condiciones (4.35) pero que presentan
discontinuidades en la derivada primera, como las funciones lineales (4.38) o las funciones
parabólicas (4.40), llevan a funciones de aproximación que satisfacen la continuidad de φ̂
en todos los nodos incluidos los que se disponen en las fronteras de los elementos, pero
no de su derivada primera. En ese caso se dice que las funciones de forma son de conti-
nuidad C0 . Funciones de forma de este tipo pueden obtenerse utilizando los polinomios de
interpolación de Lagrange, que se definen como los polinomios de menor grado que ve-
rifican la correspondencia entre un conjunto de puntos xi distintos y sus imágenes fi . Las
funciones dadas en (4.38) y (4.40) son, precisamente, casos particulares de los polinomios
de interpolación de Lagrange, para dos y tres puntos, respectivamente. De manera general,
teniendo en cuenta que la función de forma local Nkee satisface fke = 1 y f je = 0 ( je ̸= ke ),
las funciones N e en un elemento unidimensional de M e nodos basadas en los polinomios de
4.3 Método de elementos finitos 193

interpolación de Lagrange son:

ξ − ξm (ξ − ξ1 ) . . . (ξ − ξke −1 )(ξ − ξke +1 ) . . . (ξ − ξMe )
Nkee (ξ ) = ∏ = . (4.41)
1≤m≤M e ξk − ξm (ξke − ξ1 ) . . . (ξke − ξke −1 )(ξke − ξke +1 ) . . . (ξke − ξMe )
e
m̸=ke

Funciones de forma que satisfacen las condiciones (4.35) y que además cumplen las
siguientes condiciones sobre sus derivadas

Nk′ (xk ) = 1,
(4.42)
Nk′ (x j ) = 0, j ̸= k.

siendo Nk′ la derivada de Nk , permiten construir una aproximación donde tanto φ̂ como su

FT
derivada primera son continuas y se dice que son de continuidad C1 . En forma general, una
base de funciones de forma es de continuidad Cs cuando permite construir una aproxima-
ción en la cual tanto la variable φ̂ como sus s primeras derivadas son continuas en todos los

)
nodos de la discretización. Para obtener funciones de forma de continuidad C1 o mayores

se
suelen emplearse los polinomios de interpolación de Hermite. Por otro lado, es muy im-
portante notar que el orden de interpolación de las funciones de forma no indica su grado

u
de continuidad. De hecho, una base de funciones de forma basada en los polinomios de
interpolación de Lagrange puede tener un alto orden de interpolación pero su continuidad
A
es siempre C0 .
ra
K
4.3.2. Aproximación de la solución de ecuaciones diferenciales
R

Teniendo en cuenta las definiciones anteriores, en este apartado veremos cómo se aplica
o

el método de elementos finitos para la resolución de ecuaciones diferenciales. Este desarro-

av

llo comparte muchas de las características del método de residuos ponderados tradicional,
pero el hecho de emplear funciones de forma de soporte compacto requiere un tratamiento
D

adicional para satisfacer los requisitos de continuidad de la solución aproximada. Por ello,
st

suele ser necesario “debilitar” el problema de valores en el contorno para reducir el reque-
rimiento de continuidad sobre las funciones de forma, permitiendo así el uso de funciones
u

más simples, fundamentalmente, de continuidad C0 . Por otro lado, los esquemas de elemen-
(G

tos finitos utilizan casi en forma unánime el método de Galerkin, con lo cual, las funciones
de peso en las integrales del residuo son las funciones de forma de soporte compacto que
interpolan los valores nodales de la variable en el interior de los elementos.

Forma débil de la ecuación diferencial

En el análisis numérico de problemas de Mecánica de Fluidos generalmente se trata con
ecuaciones diferenciales de orden no superior a dos. De hecho, en la mayoría de los casos
se busca resolver una ecuación de transporte que, como sabemos, presenta un término con
una derivada espacial de primer orden (término convectivo) y un término con una derivada
espacial de segundo orden (término difusivo). En principio, esto exigiría que las funciones
de prueba de la aproximación sean de continuidad C1 . Sin embargo, por medio del proceso
de discretización del método de elementos finitos es posible transformar el problema de
194 Capítulo 4. Técnicas de dicretización espacial

valores en el contorno original en un problema variacional que es la forma integral del

problema.
Consideremos para este análisis un problema de valores en el contorno constituido por
la ecuación de Poisson y un conjunto apropiado de condiciones de contorno:
∇2 φ = −s, en Ω (4.43)
con
φ = φ̄ , en Γφ̄ ,
∂φ (4.44)
∇φ · n̂ = = q̄, en Γq̄ .
∂n
donde −s es un término fuente que depende de la posición x y n̂ es el versor normal saliente

FT
al contorno Γq̄ donde se impone la condición de Neumann.
La ecuación (4.43) junto con las condiciones de borde (4.44) se conocen como la for-
mulación fuerte del problema de valores en el contorno. Una función φ (x), de al menos

)
continuidad C2 (hasta la segunda derivada continua) que satisface la ecuación diferencial y

se
las condiciones de borde es llamada una solución clásica del problema. Para obtener una
solución aproximada mediante el método de elementos finitos escribimos la formulación de

u
residuos ponderados:
ˆ ˆ
A
Wm RΩ dΩ = Wm ∇2 φ + s dΩ = 0.

ra (4.45)
Ω Ω
K
donde la expresión se iguala a cero porque estamos considerando el residuo de la solución
clásica, la cual satisface exactamente la ecuación diferencial. Nótese que, si se intruduje-
R

ra la solución de prueba (4.34) en la ecuación (4.45), en principio sería necesario que las
o

funciones de forma tengan derivadas acotadas por lo menos hasta segundo orden (por lo
av

tanto, las derivadas primeras deben ser continuas), ya que la presencia de singularidades
en las derivadas (básicamente, valores no acotados de las mismas) puede generar proble-
D

mas en la evaluación de las integrales. En otras palabras, esta formulación implicaría que
st

las funciones de forma deban ser por lo menos de continuidad C1 , de modo de garantizar
que las derivadas segundas sean acotadas en todo el dominio. De manera general, podemos
u

decir que para un operador diferencial L, la formulación anterior exige que las funciones
(G

de forma sean de continuidad Cs−1 , siendo s el orden de la derivada de mayor orden en

el operador diferencial. Esto significa que, para el problema de Poisson que es de segundo
orden, no podrían utilizarse funciones de forma de continuidad C0 , como lo son los polino-
mios de interpolación de Lagrange. Para superar esta limitación procedemos a “debilitar” la
formulación, aplicando sobre el primer término del residuo el teorema de la divergencia de
Gauss1 :
ˆ ˆ
2
Wm ∇ φ dΩ = [∇ · (Wm ∇φ ) − ∇Wm · ∇φ ] dΩ
Ω ˆΩ ˆ
= Wm (∇φ · n̂) dΓ − ∇Wm · ∇φ dΩ.
Γ Ω
1 Nótese que la aplicación del teorema de la divergencia es la analogía multidimensional del método de

integración por partes en dominios unidimensionales.

4.3 Método de elementos finitos 195

Reemplazando esta igualdad en la ecuación (4.45) y asumiendo que la función Wm es

nula sobre el contorno de Dirichlet Γφ̄ , la condición de contorno de Neumann surge natu-
ralmente (de allí que suelen denominarse condiciones de borde naturales) y se obtiene la
formulación débil del problema de valores en el contorno:
ˆ ˆ ˆ
∇Wm · ∇φ dΩ − Wm q̄ dΓ = Wm s dΩ, (4.46)
Ω Γq̄ Ω

donde se ha introducido la condición de borde (4.44).

La formulación débil (también llamada forma variacional) del problema permite reducir
el requerimiento de continuidad sobre la función φ , que ahora puede ser de continuidad C0 ,
a costas de que las funciones de peso Wm sean diferenciables (aunque su derivada primera no
sea continua). La solución clásica del problema (4.43) con condiciones de contorno (4.44)

FT
obviamente satisface la ecuación integral (4.46), pero esta formulación débil sólo satisfa-
ce la ecuación diferencial y las condiciones de contorno de Neumann que se introdujeron

)
naturalmente al problema. El cumplimiento de las condiciones de contorno de Dirichlet se

se
logra escogiendo correctamente el espacio al cual pertenece la solución de (4.46), que debe
ser tal que la solución satisfaga (4.44) en Γφ̄ . En términos de la solución de prueba (4.34),
esto se logra imponiendo los valores prefijados sobre el contorno de Dirichlet a los valores

u
nodales correspondientes, los cuales ya no serán incógnitas del problema. La unicidad de
A
ra
la solución débil del problema (4.43), es decir, la solución de su formulación débil, está
garantizada por el lema de Lax-Milgram (ver, por ejemplo, Donea y Huerta, 2003).
Una vez obtenida la formulación débil del problema, el paso siguiente para obtener la
K
solución aproximada por medio del método de elementos finitos consiste en introducir la
R

solución de prueba (4.34) en dicha formulación integral. Para nuestro problema de Poisson
o

modelo, el método de Galerkin produce:

av

ˆ "
M
# ˆ ˆ
∇Nm · ∑ φ̃k ∇Nk dΩ − Nm q̄ dΓ = Nm s dΩ, m = 1, . . . , M,
D

Ω k=1 Γq̄ Ω
st

donde M es la cantidad de nodos del problema. Reagrupando términos en la expresión se

u

obtiene:
M ˆ ˆ ˆ
(G


∑ ∇N m
Ω
· ∇Nk dΩ φ̃ k = Nm s dΩ
Ω
+ Nm q̄ dΓ, m = 1, . . . , M.
Γq̄
(4.47)
k=1

Con la expresión (4.47) construimos el sistema de ecuaciones algebraicas cuya solución

nos permite conocer los valores nodales de la solución aproximada:

[K] ϕ̃ = f, (4.48)

donde
ˆ
Kmk = ∇Nm · ∇Nk dΩ,
ˆ Ω ˆ
fm = Nm s dΩ + Nm q̄ dΓ.
Ω Γq̄
196 Capítulo 4. Técnicas de dicretización espacial

Hay que tener en cuenta que el sistema (4.48) requiere algún tratamiento adicional para
considerar correctamente las condiciones de borde. En presencia de condiciones de con-
torno de Dirichlet (condiciones esenciales), las variables nodales son conocidas, por lo tan-
to, deben ser extraídas del sistema lineal, sumando su contribución al miembro derecho
reduciendo así el tamaño del sistema. Básicamente, si existe una condición de Dirichlet en
el nodo d de modo que la variable nodal es conocida (φ̃d = φ̄d ), la columna d de la matriz
[K] multiplicada por el valor prefijado φ̄d se sustrae del vector del miembro derecho y se
anula la fila d del sistema. De esta forma, la cantidad de ecuaciones del sistema algebraico
en general no es igual a la cantidad de nodos de la discretización, a menos que no existan
regiones con condiciones esenciales sobre el contorno. Por otro lado, teniendo en cuenta
que las funciones de forma son de soporte compacto y que, por lo general, son polinomios
de bajo orden, conviene evaluar las integrales numéricamente a nivel local por medio de

FT
cuadraturas de Gauss y, posteriormente, computar el aporte de cada elemento a cada nodo
del sistema global, en lo que se conoce como el ensamblaje de la matriz global.

)
se
Solución de la ecuación de advección-difusión
Para ejemplificar el procedimiento detallado anteriormente, a continuación analizare-

u
mos la ecuación de advección-difusión unidimensional en un dominio unitario 0 ≤ x ≤ 1.
El objetivo de este análisis es mostrar los inconvenientes que presenta el método de elemen-
A
ra
tos finitos basados en la formulación de Galerkin tradicional cuando se resuelven problemas
gobernados por la convección.
K
Consideremos entonces la ecuación de advección-difusión estacionaria unidimensional
con dos condiciones de contorno de Dirichlet:
R
o

dφ d2 φ
c0 − α 2 = s, 0 ≤ x ≤ 1, (4.49)
av

dx dx
con
D

φ (0) = φ̄0 ,
st

φ (1) = φ̄1 .
u

donde c0 es la velocidad de convección constante, α el coeficiente de difusión (también

constante) y s es un término fuente que sólo es función de x.
(G

El dominio espacial Ω = [0, 1] se discretiza por medio de M − 1 elementos unidimensio-

nales de longitud ∆x = 1/(M − 1) que se encuentran definidos por M nodos de coordenada
xm = (m − 1)∆x con m = 1, . . . , M, en una forma similar a la indicada en la Figura 4.1. La
formulación de residuos ponderados que nos permite utilizar funciones de forma de conti-
nuidad C0 se obtiene integrando por partes el término difusivo de segundo orden:
ˆ 1 ˆ 1 ˆ 1
dφ d2 φ dφ dWm dφ
   
Wm c0 − α 2 − s dx = Wm c0 − s dx + α dx = 0,
0 dx dx 0 dx 0 dx dx
m = 1, . . . , M,
donde se ha tenido en cuenta
ˆ que, en este caso particular, no existen condiciones de contorno
de Neumann, por lo tanto, Wm q̄ dΓ = 0.
Γq̄
4.3 Método de elementos finitos 197

Reemplazando ahora φ por la solución aproximada

M
φ̂ = ∑ φ̃k Nk , (4.50)
k=1

y reagrupando términos, obtenemos la siguiente expresión:

M ˆ 1  ˆ 1
dNk dNm dNk
 
∑ 0 Nm c0 dx + dx α dx dx φ̃k = 0 Nm s dx, m = 1, . . . , M.
k=1

Aquí vemos que, debido a la presencia del término convectivo, no hay posibilidad de que
la integral del miembro izquierdo produzca una matriz de coeficientes simétrica. De hecho,

FT
este término es el responsable de que el problema no sea autoadjunto2 .
Para construir la matriz de coeficientes, conviene realizar la integración localmente en
cada elemento para determinar las matrices elementales que luego serán ensambladas para

)
obtener la matriz global. Entonces, utilizando la base de funciones de forma lineales (4.38),

se
la matriz local del elemento genérico Ωe de coordenadas xm y xm+1 es de dimensión 2 × 2:

[K]e = [C]e + [D]e ,

u
A
con ra
 ˆ xm+1 ˆ xm+1
dNk dNk+1

Nk dx Nk dx 
K
 xm dx xm dx
e
[C] = c0 
 
,
 ˆ ˆ xm+1
R

xm+1
dNk dNk+1

o

Nk+1 dx Nk+1 dx
 
xm dx xm dx
av

 ˆ xm+1 ˆ xm+1
dNk dNk dNk dNk+1

dx dx 
D

dx dx dx dx
st

xm xm

e
[D] = α 
 
.
 ˆ xm+1 ˆ xm+1
dNk+1 dNk dNk+1 dNk+1

dx dx
 
u

xm dx dx xm dx dx
(G

Conviene realizar la evaluación de las integrales en el espacio normalizado utilizando

las funciones de forma definidas en términos de la coordenada ξ . Para ello, hacemos uso de
la transformación:
1 1
x = N1e (ξ )xm + N2e (ξ )xm+1 = (1 − ξ )xi + (1 + ξ )xi+1 ,
2 2
por lo tanto
dx ∆x
= .
dξ 2
ˆ ˆ
2 Una ecuación diferencial L(φ )+Q = 0 es autoadjunta cuando satisface ψL(ϕ) dΩ = ϕL(ψ) dΩ +
Ω Ω
T.C. para cualquier par de funciones ψ y ϕ, donde T.C. representa los términos de integrales en el contorno.
198 Capítulo 4. Técnicas de dicretización espacial

El cambio de variables en las integrales de las matrices [C]e y [D]e resulta entonces:
ˆ ˆ ˆ 1
xm+1
dN j 1 dN eje (ξ ) dξ
dx dN eje
Nk dx = Nkee (ξ ) dξ = Nkee dξ ,
xm dx −1 dξ dx dξ −1 dξ
ˆ ˆ 1 ˆ 1
xm+1
dNk dN j dNkee (ξ ) dξ dN eje (ξ ) dξ dx 2 dNkee dN eje
dx = dξ = dξ ,
xm dx dx −1 dξ dx dξ dx dξ ∆x −1 dξ dξ

con k, j = 1, . . . , M y ke , je = 1, 2.
De esta forma, teniendo en cuenta que
dN1e 1 dN2e 1
=− , = ,
dξ 2 dξ 2

FT
la matriz de coeficientes elemental es igual a:

c0 −1 1 α 1 −1
   

)
e
[K] = + . (4.51)
2 −1 1 ∆x −1 1

se
Nótese nuevamente que las matrices elementales, al igual que la matriz global, no son si-
métricas debido al término de la derivada convectiva.

u
El ensamblaje de la matriz global se hace considerando el aporte de cada elemento a
A
ra
los nodos globales de la discretización, cuya numeración determina la posición que ocupa
cada elemento de cada matriz elemental en la matriz de coeficientes global. En el caso de
K
este problema unidimensional, la numeración de los nodos es correlativa, por lo tanto, cada
matriz elemental se inserta en la matriz global como un bloque sobre la diagonal princi-
R

pal. Por otro lado, siendo que los elementos de la malla son iguales (de longitud ∆x), las
o

matrices elementales también son iguales y no es necesario evaluar cada matriz elemental
av

individualmente. La matriz global resulta entonces:

D
st

.. ..
 
 . .
 ..

u

e + Ke
 . K22 e
K12 0

11

K e K e K e K e
 
+
(G

21 22 11 12 (4.52)
 
[K] =  e e + Ke e
K22 K22 K12

11
 
.. 
 
0 e
K21 e + Ke
K22 . 

11

.. ..
 
. .

Los elementos del vector del miembro derecho en general se obtenien por medio de una
cuadratura ya que la función s(x) es arbitraria, por lo tanto, podría no ser posible evaluar la
integral exactamente. Teniendo en cuenta que la función de forma Nm (x), asociada al nodo
interior m es no nula sólo para xm−1 < x < xm+1 , por medio de la regla de integración de
Simpson se obtiene:
ˆ xm+1
2∆x 4
Nm s dx = [Nm (xm−1 )s(xm−1 ) + 4N(xm )s(xm ) + Nm (xm+1 )s(xm+1 )] = ∆xsm .
xm−1 6 3
4.3 Método de elementos finitos 199

ya que Nm (xm ) = 1 y Nm (xm∓1 ) = 0. Una alternativa para obtener una formulación consis-
tente se obtiene al aproximar el término fuente por medio de la interpolación utilizada para
la aproximación de la variable, es decir:
M
s(x) ≈ ∑ s(xk )Nk (x). (4.53)
k=1

Entonces, siendo que en el intervalo [xm−1 , xm+1 ] sólo las funciones de forma Nm−1 , Nm y
Nm+1 son no nulas, la aplicación de la regla de Simpson produce
ˆ xm+1
∆x
Nm (Nm−1 sm−1 + Nm sm + Nm+1 sm+1 ) dx = (sm−1 + 4sm + sm+1 ) . (4.54)
xm−1 6

FT
Una vez determinada la matriz de coeficientes [K] y el vector del miembro derecho f,
sólo resta incluir el efecto de las condiciones de borde para completar el sistema [K] ϕ̃ = f.
Teniendo una condición de Dirichlet en cada extremo, los valores nodales φ̃1 = φ̄0 y φ̃M = φ̄1

)
son conocidos, por lo tanto, la dimensión del sistema es M − 2. El aporte de los nodos de los

se
extremos se manifiesta en el primer y el último elemento del vector del miembro derecho.
Con las ecuaciones (4.51), (4.52) y (4.54) finalmente se obtiene:

u
c0 α
 2α
φ̃2

 
2 − ∆x
A
∆x

 ..
.
ra
  .. 
 . 
c0 α 2α c0 α   φ̃i  =


 
 − 2 + ∆x ∆x 2 − ∆x
K
..   .. 
  
. . 

  
R
c0 α

2α
− 2 + ∆x ∆x φ̃M−1
o

∆x c0 α
 (4.55)
6 (s1 + 4s2 + s3 ) + 2 + ∆x φ̄0


av

..
.
 
 
∆x
6 (si−1 + 4si + si+1 )
 
.
D


st

..
 
.
 
 
∆x c0 α
6 (sM−2 + 4sM−1 + sM ) − 2 − ∆x φ̄1


u

De esta forma hemos construido el sistema de ecuaciones algebraicas para resolver nu-
(G

méricamente por medio del método de elementos finitos la ecuación de advección-difusión

unidimensional con dos condiciones de contorno de Dirichlet. No debería resultar llamativo
que este sistema presente la misma estructura que la solución discreta del método de dife-
rencias finitas, esto es, una matriz de coeficientes diagonal en banda de tres elementos de
ancho. De hecho, si extraemos la ecuación correspondiente a un nodo interior i y utilizamos
la definición del número de Péclet de la grilla
c0 ∆x
Pe∆x = , (4.56)
α
luego de un pequeño trabajo algebraico obtenemos la siguiente expresión:
1 2 2 1 2 ∆x
   
+ 1 φ̃i−1 − φ̃i + − 1 φ̃i+1 = − (si−1 + 4si + si+1 ) . (4.57)
2 Pe∆x Pe∆x 2 Pe∆x 6c0
200 Capítulo 4. Técnicas de dicretización espacial

Esta aproximación resulta muy similar al esquema de diferencias finitas (3.116) que
obtuvimos en el Capítulo 3, cuya formulación en términos del número de Péclet de la grilla
es:
1 2 2 1 2 ∆x
   
+ 1 φi−1 − φi + − 1 φi+1 = − si . (4.58)
2 Pe∆x Pe∆x 2 Pe∆x c0

Sin embargo, aunque el miembro izquierdo de estas dos aproximaciones sea idéntico, lo
cual nos permite inferir que la solución discreta (4.57) del método de elementos finitos con
funciones de forma lineales es de segundo orden de aproximación, existe una diferencia sus-
tancial entre ellas. Mientras que la solución discreta del método de diferencias finitas con-
siste en una colección de valores nodales que puede pensarse como una solución constante a
trozos en cada subdominio [xi − ∆x ∆x

FT
2 , xi + 2 ], la solución aproximada (4.50) provee una fun-
ción lineal a trozos de continuidad C0 . Además, el tratamiento del miembro derecho también
es diferente ya que, en el método de elementos finitos, este término se modela considerando

)
su distribución en todo el elemento y sus adyacencias y no depende solamente de su valor

se
nodal. Más allá de estas diferencias, ambos métodos tienen el mismo problema: la falta de
preservación de la monotonicidad de la solución (ver Sección 3.6). Consecuentemente, las
soluciones numéricas del método de elementos finitos en la ecuación de advección-difusión

u
presentan el mismo comportamiento oscilatorio de la Figura 3.12 cuando la grilla no está
A
ra
lo suficientemente refinada. Esto sugiere que el método de elementos finitos basado en la
formulación de Galerkin tradicional no es adecuado para resolver problemas gobernados
por la convección.
K
R
o

4.3.3. Método de Petrov-Galerkin y técnicas de estabilización

av

Como hemos visto en el desarrollo anterior, la formulación de elementos finitos basada

en el método de Galerkin tradicional con funciones de forma lineales presenta deficiencias
D

en la modelación numérica de problemas gobernados por la convección, las cuales están

st

asociadas a la generación de viscosidad artificial negativa producida por la aproximación

de segundo orden del término convectivo. Como sabemos, en principio existen dos mane-
u

ras de contrarrestar este efecto: utilizar una aproximación upwind que permita preservar la
monotonicidad de la solución o incorporar viscosidad artificial explícita a la aproximación
(G

de segundo orden. Aunque parecen enfoques diferentes, ambas técnicas son equivalentes ya
que la implementación de alguna de ellas implica la otra.
Una manera de obtener una formulación de elementos finitos que considere la dirección
de la velocidad de la onda en problemas de advección es mediante el método de Petrov-
Galerkin, el cual propone la utilización de funciones de peso modificadas para favorecer
la aproximación upwind de la solución de la ecuación diferencial. De esta forma, en el
método de Petrov-Galerkin las funciones de peso se escogen de una base diferente a la de
las funciones de forma interpolantes que conforman la solución de prueba.
Las primeras formulaciones de este tipo, que surgieron a mediados de la década de
1970, están basadas en funciones de peso que ponderan más fuertemente el elemento que
se encuentra aguas arriba del nodo correspondiente. De esta forma, mayores grados de up-
winding se logran cuando mayor es la ponderación de ese elemento en relación al elemento
4.3 Método de elementos finitos 201

Figura 4.6: Esquema para la definición de las funciones de peso en el método de

Petrov-Galerkin.

FT
ubicado aguas abajo. Un ejemplo de este tipo de formulación emplea un parámetro β pa-
ra sustraer una “burbuja” de las funciones de peso del elemento ubicado aguas abajo para

)
incorporársela al elemento corriente arriba. Siguiendo esta idea, para un elemento Ωm
e las

se
funciones de peso lineales definidas localmente se modifican de acuerdo a:

u
1−ξ 3

W1∗e = − β 1−ξ2


A

2 4


W2∗e =
ξ + 1 3
+ β 1−ξ2



− 1 ≤ ξ ≤ 1,ra (4.59)

2 4
K
donde 0 ≤ |β | ≤ 1 define el grado de upwinding de la aproximación y su signo coincide con
R

el signo de la velocidad de advección c0 . Estas definiciones se muestran esquemáticamente

o

en la Figura 4.6.
av

En el método de Petrov-Galerkin original las funciones de peso modificadas (4.59) se

utilizan tanto para el cómputo de la matriz de coeficientes correspondiente al término con-
D

vectivo como para la matriz del término difusivo, pero esto genera una excesiva disipación
st

numérica. Para evitar este comportamiento, técnicas de estabilización posteriores propu-

sieron un enfoque aparanetemente difirente que consiste en incorporar viscosidad artificial
u

explícita, lo cual es equivalente al método de Petrov-Galerkin original cuando las funciones

(G

de forma son lineales y las funciones de peso modificadas se aplican solamente en la matriz
de coeficientes del término convectivo (ver Donea y Huerta, 2003). De esta forma, introdu-
ciendo las funciones de peso (4.59) en el cómputo de los coeficientes de las matrices del
término convectivo, la matriz elemental “estabilizada” resulta:

c0 −1 + β 1 − β α 1 −1
   
e
[K] = + .
2 −1 − β 1 + β ∆x −1 1

Este mismo resultado se alcanza si, en lugar de utilizar funciones de peso modificadas en el
término convectivo, se incorpora un término de viscosidad artificial explícita con un coefi-
ciente igual a c0 β ∆x/2. De allí que el parámetro β puede entenderse también como el nivel
de disipación numérica infroducida al sistema.
Ensamblando las matrices elementales estabilizadas, la ecuación nodal genérica (4.57)
202 Capítulo 4. Técnicas de dicretización espacial

es ahora:

1 2 2
   
+ (1 + β ) φ̃i−1 − β + φ̃i +
2 Pe∆x Pe∆x
1 2 ∆x
 
− (1 − β ) φ̃i+1 = − (si−1 + 4si + si+1 ).
2 Pe∆x 6c0
Operando algebraicamente sobre esta expresión para explicitar el aporte del término con-
vectivo en función de las diferencias descentradas (φ̃i − φ̃i−1 ) y (φ̃i+1 − φ̃i ) se obtiene:

1
(1 − β ) φ̃i+1 − φ̃i + (1 + β ) φ̃i − φ̃i−1 −



2
1
∆x

FT
φ̃i+1 − 2φ̃i + φ̃i−1 = (si−1 + 4si + si+1 ) .
Pe∆x 6c0
Aquí vemos claramente el efecto del parámetro β en el upwinding de la formulación de

)
elementos finitos. Para β = 1, el término entre corchetes se reduce a la diferencia descen-

se
trada (φ̃i − φ̃i−1 ), por lo tanto, si c0 > 0 la aproximación del término convectivo coincide
con la aproximación upwind de primer orden. Lo mismo ocurre para β = −1 con c0 < 0.

u
De esta forma, utilizando valores moderados del parámetro β es posible mejorar el compor-
A
tamiento del esquema de elementos finitos sin introducir una excesiva disipación numérica.
ra
Para visualizar el efecto de esta técnica de estabilización, en la Figura 4.7 se muestran di-
ferentes resultados obtenidos para la solución de la ecuación de advección-difusión (4.49)
K
con c0 = 1, α = 0,01, φ̄0 = 1 y φ̄1 = 5 y una discretización de M = 21 nodos uniformemente
distribuidos que implica Pe∆x = 5. Como se observa en la figura, el resultado fuertemente
R
o

oscilatorio producido por la formulación de Galerkin tradicional (β = 0) se mejora sus-

tancialmente incorporando upwinding al esquema pero, si los valores de β son demasiado
av

elevados, la disipación numérica genera un resultado excesivamente difusivo.

Con estos resultados damos por finalizado este estudio introductorio del método de ele-
D
st

mentos finitos aplicado a problemas de flujo. Más detalles acerca de este tipo de implemen-
taciones pueden consultarse, por ejemplo, en los libros de Gresho y Sami (1998) o Donea y
Huerta (2003), entre otros. En lo que sigue, nos enfocaremos en el método de volúmenes fi-
u

nitos que es, como dijimos, el método más utilizado en el campo de la Dinámica de Fluidos
(G

Computacional.

4.4. Método de volúmenes finitos

En la sección anterior hemos mostrado cómo el método de elementos finitos utiliza
reglas de interpolación para obtener una solución aproximada de un problema de valores
en el contorno. Aunque esta formulación es completamente consistente desde el punto de
vista matemático, en el caso particular de las ecuaciones de flujo pueden existir algunas
inconsistencias físicas asociadas a la falta de preservación de la propiedad de conservación
de las ecuaciones de gobierno. Un enfoque alternativo al de la formulación basada en el
método de residuos ponderados se obtiene al aprovechar la propiedad de conservación de
las ecuaciones de gobierno, de modo de construir esquemas numéricos consistentes que
4.4 Método de volúmenes finitos 203

β = 0 (Galerkin tradicional) β = 0,5

5
Exacta Exacta
4 Numérica Numérica

3
φ (x)

0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
β = 0,75 β = 1,0
5

)
Exacta Exacta

se
4 Numérica Numérica

u
φ (x)

A
2 ra
1
K
0
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 4.7: Resultados numéricos de la ecuación de advección-difusión estacioaria

con c0 = 1, α = 0,01, φ̄0 = 1 y φ̄1 = 5 mediante el método de elementos
D

finitos estabilizado en una discretización de 20 elementos (Pe∆x = 5).

st
u

satisfacen dicha propiedad y que además permiten modelar soluciones discontinuas, como
las que pueden desarrollarse en problemas hiperbólicos. Los métodos numéricos basados
(G

en este enfoque se conocen como métodos conservativos.

El método conservativo por excelencia es el método de los volúmenes finitos, el cual pre-
sentaremos en esta sección. En este método, la forma integral de las ecuaciones de gobierno
se discretiza directamente en el espacio físico por medio de un conjunto de subvolúmenes
de control sobre cada uno de los cuales deben satisfacerse las leyes de conservación. En el
caso de las ecuaciones de flujo, estas leyes son los principios de conservación de la masa,
conservación de la cantidad de movimiento y conservación de la energía. La relación entre
la formulación de volúmenes finitos y otros métodos de discretización surge a partir del re-
quisito de consistencia del esquema, el cual vincula esta discretización basada en principios
físicos con las formulaciones basadas en fundamentos matemáticos. Desde ese punto de
vista, puede considerarse que el método de volúmenes finitos es un método de diferencias
finitas aplicado a la forma diferencial de las leyes de conservación escritas en coordena-
204 Capítulo 4. Técnicas de dicretización espacial

das arbitrarias (Hirsch, 1994b), o que es una variante del método de residuos ponderados
aplicado sobre la formulación débil del problema (Fletcher, 1991).
Al igual que el método de elementos finitos, el método de volúmenes finitos presenta
gran flexibilidad para su implementación en mallas no estructuradas, permitiendo su aplica-
ción a geometrías y problemas complejos. Sin embargo, como mencionamos anteriormente,
este método se basa en la forma integral de las leyes de conservación, lo cual permite garan-
tizar que las cantidades básicas del problema (masa, cantidad de movimiento y energía) se
conservarán al nivel de la discretización. Esta característica es la que ha llevado al método
de volúmenes finitos a constituirse como la técnica de discretización más utilizada para la
modelación numérica de problemas de dinámica de fluidos.

FT
4.4.1. Discretización conservativa
Como vimos en el Capítulo 2, las ecuaciones de gobierno de la Mecánica de los Fluidos
pueden expresarse en forma de leyes de conservación que expresan el balance que existe

)
entre la tasa de cambio de una propiedad dentro de un volumen de control, el flujo de esa

se
propiedad a través de los contornos del mismo y la acción de los términos fuente en su
interior. En forma diferencial esto es:

u
∂U ∂F ∂G ∂H
A
+ + + = S, ra
∂t ∂x ∂y ∂z

donde U es el vector de variabls conservativas, F, G y H son los vectores de flujo en cada

K
dirección de un sistema de coordenadas cartesiano y S es un vector de términos fuente. En
R
forma compacta, la ecuación anterior se escribe en términos de la matriz de flujos Fxyz =
o

[F G H]:
av

∂U
+ ∇ · Fxyz = S. (4.60)
∂t
D
st

El carácter conservativo de la expresión (4.60) se visualiza por medio de la forma in-

tegral del problema, la cual se obtiene integrando la ecuación en un volumen de control Ω
u

(que asumimos fijo), defindo por un contorno cerrado Γ:

(G

ˆ ˆ ˆ
∂U
dΩ + ∇ · Fxyz dΩ = S dΩ.
Ω ∂t Ω Ω

Mediante el teorema de la divergencia, el término asociado a la matriz de flujos se

reemplaza por una integral sobre la superficie que encierra al volumen de control:
ˆ ˛ ˆ
∂
U dΩ = − Fxyz · n̂ dΓ + S dΩ, (4.61)
∂t Ω Γ Ω

donde hemos extraído la derivada temporal de la integral asumiendo que el volumen de

control no cambia en el tiempo.
La ecuación (4.61) expresa el carácter conservativo de la ecuación (4.60), ya que mues-
tra explícitamente que la variación de una cantidad conservativa en un volumen de control
4.4 Método de volúmenes finitos 205

es igual al flujo neto de dicha cantidad a través de los contornos de ese volumen más el efec-
to de los términos fuente que actúan en el interior del mismo. Nótese que el signo negativo
en la integral de flujos se debe a que n̂ es un vector normal saliente, por lo tanto, un flujo
entrante que favorece el incremento de la variable hace que el producto escalar dentro de la
integral sea negativo.
Naturalmente, la ley de conservación dada por (4.61) se cumple sobre cualquier volu-
men de control independientemente de su forma o su tamaño en el marco de la validez de la
hipótesis del continuo. Por lo tanto, si dividimos el volumen de control Ω en M subvolúme-
nes Ωi no superpuestos, podemos escribir la misma ley de conservación integral para cada
uno de ellos, es decir:
ˆ ˛ ˆ
∂
U dΩ = − Fxyz · n̂ dΓ + S dΩ,

FT
∂t Ω1 Γ1 Ω1
.. .. ..
. . .
ˆ ˛ ˆ

)
∂
U dΩ = − Fxyz · n̂ dΓ + S dΩ,

se
∂t Ωi Γi Ωi
.. .. ..
. . .

u
ˆ ˛ ˆ
∂
A
U dΩ = − Fxyz · n̂ dΓ + S dΩ.
ra
∂t ΩM ΓM ΩM

La ley de conservación sobre el dominio global se recupera simplemente sumando las

K
integrales correspondientes a cada subvolumen:
ˆ ˆ
R

M
∂ ∂
o

∑ U dΩ = U dΩ,
i=1 ∂t Ωi ∂t Ω
av

M ˛ ˛
∑ Fxyz · n̂ dΓ = Fxyz · n̂ dΓ,
D

i=1 Γi Γ
st

M ˆ ˆ
∑ S dΩ = S dΩ.
u

i=1 Ωi Ω

Mientras que la primera y la última igualdad en la expresión anterior resultan bastante

(G

obvias, la igualdad asociada a las integrales de superficie del vector de flujos requiere una
explicación adicional. Consideremos para ello el esquema de la Figura 4.8, donde se grafica
la discretización del volumen Ω en subvolúmenes no superpuestos. Observando la figura, es
fácil notar que en la frontera entre dos subvolúmenes Ωi y Ω j , el producto Fxyz · n̂i j tiene el
mismo valor en cada porción de los contornos Γi y Γ j compartidos por ambos subvolúme-
nes, pero con direcciones opuestas, siendo saliente para el subvolumen Ωi (signo positivo) y
entrante para Ω j (signo negativo). Consecuentemente, las integrales a lo largo de la frontera
entre los dos subvolúmenes se cancelan entre sí y Fxyz · n̂i j no realiza ningún aporte a la ley
de conservación global (o sea, sobre todo el volumen Ω). Esta misma situación se repite
para cada interfaz entre dos subvolúmenes y así la variación de las cantidades conservativas
sólo depende del flujo que se produce a través de los contornos que definen el volumen
global Ω.
206 Capítulo 4. Técnicas de dicretización espacial

FT
Figura 4.8: Esquema de la discretización del volumen de control Ω en subvolúmenes.

En la discretización por volúmenes finitos se suele denominar celda a cada subvolu-

)
men de control y las variables asociadas a cada una de ellas se representan por medio de

se
sus valores promediados en la celda. En otras palabras, en el método de volúmenes finitos
se asume que las variables son constantes dentro de cada celda de modo que su integral

u
sobre cada subvolumen es simplemente el producto del valor promediado por el volumen
A
de la celda. Por otro lado, las diferentes aproximaciones formuladas para evaluar los flu-
ra
jos a través de las caras de las celdas dan lugar a las diferentes variantes del método. A
estas aproximaciones se las denomina flujos numéricos. Obviamente, para que la formula-
K
ción resulte físicamente consistente, los flujos numéricos deben satisfacer la propiedad de
R
“autocancelación” de los flujos internos que establece la ley de conservación.
o
av

Propiedad de conservación
Cuando enumeramos las propiedades de los métodos numéricos en el Capítulo 3 nos
D
st

referimos a las propiedades “generales” de las técnicas numéricas para resolver ecuacio-
nes en derivadas parciales (ver Sección 3.3). Sin embargo, no mencionamos una importante
u

propiedad referida al problema particular de la Dinámica de Fluidos: la propiedad de con-

servación.
(G

Como vimos hasta ahora, cuando aplicamos el método de diferencias finitas o el método
de elementos finitos en las ecuaciones modelo de difusión y advección, lo que hacemos es
construir aproximaciones de la solución en pequeñas regiones del dominio, en las cuales
intervienen valores nodales de la función solución sin tener en cuenta las características
conservativas de la ecuación de gobierno. Por lo tanto, este tipo de métodos no garantizan
la propiedad de conservación de las ecuaciones de flujo ya que, debido a su formulación,
pueden generar flujos espurios en el interior del dominio (o volumen de control) que actúan
como términos fuente artificiales violando así los principios de conservación. Para entender
este comportamiento, analicemos lo que sucede con una ley de conservación unidimensional
de la forma
∂ φ ∂ F(φ )
+ = 0, (4.62)
∂t ∂x
4.4 Método de volúmenes finitos 207

donde φ es una variable conservativa y F(φ ) es el flujo de esa variable.

El principio básico subyacente a una ley de conservación es que la cantidad total de la
variable conservativa dentro de una región cambia solamente por acción del flujo a través
de los contornos de la misma cuando no existen términos fuente en su interior. Para el
subdominio Ωi = [xi − 21 ∆x, xi + 12 ∆x], la formulación integral de la ecuación (4.62) es:
ˆ xi + 21 ∆x
∂
φ (x,t) dx + F[φ (xi + 21 ∆x,t)] − F[φ (xi − 12 ∆x,t)] = 0,

∂t xi − 12 ∆x

donde F[φ (x ∓ 12 ∆x,t)] son los flujos de la variable φ a través del contorno del subdomi-
nio de longitud ∆x que, para este caso unidimensional, está formado por los extremos del
subdominio de coordenadas xi ∓ 21 ∆x. Integrando la expresión anterior en un intervalo de

FT
tiempo ∆t desde un tiempo inicial t n , y operando algebraicamente, obtenemos:
ˆ xi + 21 ∆x ˆ xi + 12 ∆x

)
n
φ (x,t + ∆t) dx = φ (x,t n ) dx

se
xi − 21 ∆x xi − 12 ∆x
(ˆ ˆ
t n +∆t t n +∆t
)
+ F[φ (xi − 21 ∆x,t)] dt − F[φ (xi + 12 ∆x,t)] dt . (4.63)

u
tn tn
A
ra
Como sabemos, en las soluciones numéricas que vimos hasta el momento (diferencias
finitas y elementos finitos), la distribución continua φ (x,t) se reemplaza por una distribución
K
aproximada donde la variable dependiente se conoce solamente en los nodos xi de la grilla
o por una interpolación basada en esos valores para un instante de tiempo dado. Por otro
R
o

lado, en el método de volúmenes finitos se asume que la variable φ es constante en la celda

i-ésima de longitud ∆x cuyos extremos son xi∓ 1 = xi ∓ 12 ∆x (ver Figura 4.9). De esta forma,
av

2
en el método de volúmenes finitos la ecuación integral (4.63) se transforma en la siguiente
ecuación discreta:
D
st

 
φin+1 ∆x = φin ∆x + F̃i+ 1 − F̃i− 1 ∆t (4.64)
2 2
u

donde F̃i− 1 y Fi+ 1 son los flujos numéricos evaluados en las interfaces i ∓ 12 promediados
(G

2 2
en el intervalo ∆t. Reagrupando términos en la ecuación anterior se obtiene

φin+1 − φin F̃i+ 12 − F̃i− 12

+ = 0. (4.65)
∆t ∆x
Nótese que esta expresión es una aproximación en diferencias finitas de la ley de con-
servación (4.62), donde las variables nodales se han evaluado en puntos distintos a los utili-
zados para evaluar los flujos numéricos. De allí que, al comienzo de esta sección, definimos
al método de volúmenes finitos como una “variante” del método de diferencias finitas. De
igual forma, por medio del método de residuos ponderados por colocación por subdominios,
se puede alcanzar el mismo resultado. Sin embargo, en ninguno de los dos casos anteriores
se exige que el esquema numérico satisfaga la propiedad de conservación de la ecuación de
gobierno.
208 Capítulo 4. Técnicas de dicretización espacial

Figura 4.9: Subdivisión de un dominio unidimensional en celdas de longitud ∆x y

visualización de las interfaces.

La demostración de que un esquema de la forma (4.65) satisface la propiedad de conser-

vación a nivel global surge directamente cuando extendemos la integral (4.63) a un dominio
que contenga una cantidad arbitraria de 2I celdas de longitud ∆x, es decir:

ˆ xi +(I+ 12 )∆x
φ (x,t + ∆t) dx =

FT
ˆ xi +(I+ 12 )∆x
φ (x,t) dx

)
xi −(I+ 12 )∆x xi −(I+ 12 )∆x

se
(ˆ ˆ
t n +∆t t n +∆t
)
+ F[φ (xi − (I + 21 )∆x,t)] dt − F[φ (xi + (I + 21 )∆x,t)] dt , (4.66)
t tn

u
A
con lo cual, ra
ˆ xi +(I+ 12 )∆x
[φ (x,t + ∆t) − φ (x,t)] dx =
K
xi −(I+ 12 )∆x
ˆ
R
t+∆t 
o

− F[φ (xi + (I + 12 )∆x,t)] − F[φ (xi − (I + 12 )∆x,t)] dt.

t
av

Integrando numéricamente el miembro izquierdo sobre el dominio de longitud 2I∆x y

el miembro derecho en el intervalo ∆t, al reagrupar términos se obtiene
D
st

1 i+I
F̃i−(I+ 21 ) − F̃i+(I+ 21 )

∑ φkn+1 − φkn + = 0. (4.67)
u

∆t k=i−I ∆x
(G

Comparando esta expresión con la ecuación (4.65) vemos que el método podrá satisfacer
la propiedad de conservación siempre que no se generen fuentes numéricas espurias en las
interfaces i∓ 12 de las celdas. En otras palabras, el flujo numérico en el extremo derecho de la
celda i-ésima debe compensarse exactamente con el flujo numérico en el extremo izquierdo
de la celda (i + 1)-ésima, o sea que debe verificarse F̃i+ 1 = −F̃(i+1)− 1 ya que ambos flujos
2 2
(físicos) son iguales pero de dirección opuesta en las interfaces entre celdas. La propiedad
de “autocancelación” de los flujos internos suele denominarse propiedad de telescopio, de
acuerdo a la terminología introducida por Roache (1972).
Cuando se utilizan aproximaciones no conservativas, como el método de diferencias fi-
nitas “clásico”, la aproximación numérica de una ley de conservación en general se hace a
partir de su forma no conservativa, de modo de poder expresar directamente las aproxima-
ciones de las derivadas de la variable dependiente. Para el caso de la ecuación (4.62), esto
4.4 Método de volúmenes finitos 209

es
∂φ ∂φ
+ A(φ ) = 0. (4.68)
∂t ∂x
donde A(φ ) = ∂ F/∂ φ es la matriz jacobiana (en este caso, un escalar). Esta expresión es
matemáticamente equivalente a la ecuación (4.62) para cualquier flujo arbitrario (lineal o
no lineal), pero la aproximación numérica de ambas expresiones en general no lo es. De
hecho, si analizamos qué sucede con la propiedad de telescopio del segundo término de la
forma no conservativa (4.68) para el dominio de 2I celdas de longitud ∆x tenemos que

i+I φk+ 1 − φk− 1 φk+ 1 − φk− 1 φk+ 3 − φk+ 1

∑ A(φk ) 2 2
= · · · + A(φk ) 2 2
+ A(φk+1 ) 2 2
+...

FT
k=i−I ∆x ∆x ∆x
φi−I− 1 φk+ 1 φi+I+ 1
= A(φi−I ) 2
+ · · · + [A(φk ) − A(φk+1 )] 2
+ · · · + A(φi+I ) 2
.
∆x ∆x ∆x

)
se
Esto muestra que la cancelación de los términos internos se dará de forma general solamente
cuando A(φk ) = A(φk+1 ), es decir, cuando A = cte.

u
Como vemos entonces, aunque la forma no conservativa de la ecuación (4.62) nos per-
mite obtener una aproximación numérica sin necesidad de evaluar los flujos numéricos, esta
A
ra
solución no satisface de forma general la propiedad de conservación, lo cual puede dar lu-
gar a fuentes espurias en el interior del volumen de control en problemas no lineales. En
K
otras palabras, las formulaciones discretas obtenidas a partir de la forma no conservativa de
una ley de conservación verifican la propiedad de conservación únicamente en problemas
R
o

lineales. En problemas no lineales que presentan soluciones suaves, las fuentes numéricas
generadas por el esquema son del mismo orden que el error de truncamiento del método,
av

por lo que podrían reducirse refinando la grilla hasta que su efecto resulte despreciable.
Sin embargo, en problemas que presentan discontinuidades o fuertes gradientes, las apro-
D
st

ximaciones no conservativas producen errores significativos ya que las fuentes numéricas

espurias se hacen importantes en esas condiciones.
u

4.4.2. Formulación en volúmenes finitos

(G

Habiendo introducido el concepto de discretización conservativa y definido la propiedad

de conservación de un esquema numérico, ahora estamos en condiciones de presentar for-
malmente la formulación básica del método de volúmenes finitos. Para ello, consideramos
una ley de conservación unidimensional en un dominio 0 ≤ x ≤ ℓ,

∂U ∂F
+ = S, (4.69)
∂t ∂x
con condiciones de contorno que prescriben el valor de las variables o el valor de los flujos
en los extremos.
El dominio se subdivide en pequeñas celdas correlativas de longitud ∆x cuyos extremos
tienen coordenadas xi− 1 y xi+ 1 , siendo i el número que identifica a la celda (ver Figura 4.9).
2 2
210 Capítulo 4. Técnicas de dicretización espacial

Las variables conservativas se asumen constantes en cada celda y el requerimiento de con-

servación se logra evaluando los flujos en las interfaces que separan dos celdas contiguas.
La ecuación semidiscretizada para la celda i es entonces:

dUi F̃i+ 12 − F̃i− 12

+ = Si , (4.70)
dt ∆x
donde los flujos numéricos F̃i∓ 1 son una función de las variables conservativas en la celda
2
i y en un conjunto de celdas vecinas, es decir
F̃i− 1 = f− (Ui−I− , . . . , Ui , . . . , Ui+I+ ),
2

F̃i+ 1 = f+ (Ui−I− , . . . , Ui , . . . , Ui+I+ ),

2

FT
donde las funciones f− y f+ dependen de cada esquema en particular.
La extensión de la formulación al caso de dominios multidimensionales es directa cuan-
do se utilizan mallas cartesianas. En ese caso, los ejes coordenados x, y y z están alineados

)
con la grilla y los flujos numéricos deben evaluarse en las caras normales a cada dirección.

se
Por ejemplo, para un caso bidimensional donde el dominio se discretiza mediante celdas
rectangulares de dimensión ∆x × ∆y, la ecuación (4.70) resulta:

u
dUi, j F̃i+ 12 , j − F̃i− 12 , j G̃i, j+ 12 − G̃i, j− 21
A
dt
+
∆x
+
∆y
= Si, j , ra
donde j indica la numeración de las celdas en la dirección y.
K
La consistencia de la aproximación (4.70) con la ley de conservación original requiere
R

que los flujos numéricos sean iguales a los flujos físicos cuando las variables conservativas
o

son constantes, o sea:

av

F̃i∓ 1 (U, . . . , U, . . . , U) = F(U).

2
D

La importancia de la propiedad de conservación y su relación con la convergencia del

st

método y la solución de la ecuación diferencial original quedan establecidas a través del

teorema fundamental de Lax y Wendroff (1960). Este teorema postula que, si la solución Ui
u

de la ecuación (4.70) converge acotadamente a alguna función U(x,t) cuando ∆x, ∆t tien-
(G

den a cero, entonces U(x,t) es una solución débil de la ecuación (4.69). En otras palabras,
U(x,t) es una solución de la forma integral de la ecuación diferencial que es, precisamente,
la ecuación que estamos discretizando cuando utilizamos el método de volúmenes finitos.
Esto significa que, aunque el teorema de Lax-Wendroff no permite establecer por sí solo
un criterio para la convergencia del esquema, sí garantiza que cuando la convergencia se
cumple y el método es conservativo, la solución obtenida es una aproximación de la solu-
ción de la ley de conservación original. Más detalles del teorema de Lax-Wendroff pueden
consultarse en los libros de LeVeque (1992, 2004).

Definiciones en el método de volúmenes finitos

Como mencionamos al comienzo de esta sección, el método de volúmenes finitos pre-
senta gran flexibilidad en cuanto al tipo de malla sobre la cual puede ser implementado,
4.4 Método de volúmenes finitos 211

admitiendo además diferentes formas de relacionar los subvolúmenes de control donde se

aplican las leyes de conservación integrales con la grilla y las incógnitas del problema.
Al igual que en el método de elementos finitos, la discretización espacial para el méto-
do de volúmenes finitos comienza con la subdivisión del dominio en pequeños subdominios
que, en este caso, llamamos celdas y cuyos límites están formados por los segmentos de rec-
ta definidos por los nodos o puntos de la grilla, en una forma que depende de la dimensión
del problema. En dominios unidimensionales los nodos son, en efecto, los contornos de las
celdas ya que éstas están delimitadas por los puntos extremos, en dominios bidimensionales
los nodos definen segmentos que forman los límites de las celdas, y en dominios tridimen-
sionales los nodos definen aristas (o bordes) que forman caras, las cuales conforman las
celdas tridimensionales. Como regla general, podemos decir que los contornos de una cel-
da están formados por una entidad geométrica de una dimensión menor que la dimensión

FT
espacial del problema. Por lo tanto, cuando nos referimos a la cara de una celda, ésta puede
ser un punto (problema unidimensional), un segmento de recta (problema bidimensional) o
una superficie (problema tridimensional).

)
Una vez definida la grilla, el paso siguiente consiste en subdividir la misma en un con-

se
junto de pequeños volúmenes de control sobre cada uno de los cuales se aplican las leyes
de conservación integrales. Cada subvolumen debe estar asociado a un punto de la grilla y

u
la subdivisión debe cumplir con los siguientes requisitos para asegurar la consistencia de la
A
formulación: ra
La unión de todos los subvolúmenes Ωi debe ser igual al volumen de control principal,
K
es decir, al dominio físico del problema.
R

Los subvolúmenes Ωi pueden estar solapados con la condición de que cada parte
o

de la superficie Γi sea una parte de un número par de subvolúmenes diferentes, de

av

modo que la ley de conservación integral se mantenga para cualquier combinación de

subvolúmenes adyacentes.
D
st

Los flujos sobre las superficies deben ser computados por expresiones independien-
tes de la celda sobre la cual están siendo considerados. Este requerimiento garantiza
u

que la propiedead de conservación del esquema numérico se satisfaga ya que, con esa
condición, se asegura la “autocancelación” de flujos internos (propiedad de telesco-
(G

pio).

La forma en que se relacionan los subvolúmenes de control con los puntos de la grilla
está definida por la manera en que se representan las variables en la discretización espacial
del problema. En ese sentido, para una misma malla podemos tener

Variables centradas en las celdas: esta aproximación es la forma clásica de repre-

sentar las variables dependientes en el método de volúmenes finitos. En ella, cada
incógnita está asociada a un valor promediado en el interior de cada celda, por lo
que suele vincularse con un punto que define la posición de la celda, que coincide
con el centroide geométrico de la misma (ver Figura 4.10). De esta forma, los flujos
numéricos deben evaluarse en los contornos de las celdas y así los subvolúmenes de
control coinciden con éstas. Este tipo de disposición se conoce como discretización
212 Capítulo 4. Técnicas de dicretización espacial

Figura 4.10: Ejemplo de una discretización de volúmenes finitos centrada en las cel-
das (izquierda) y una discretización centrada en los vértices (derecha).

FT
Los círculos negros indican el lugar donde se definen las variables de-
pendientes y las cruces el lugar donde se evalúan los flujos numéricos
asociados al subvolumen de control Ωi (región sombreada).

)
se
co-locada dado que las celdas y los subvolúmenes de control comparten la misma
geometría.

u
Variables definidas en los vértices: en algunas formulaciones las variables depen-
A
ra
dientes se definen en los vértices de las celdas, de modo que las incógnitas del pro-
blema están vinculadas directamente a los nodos de la grilla (ver Figura 4.10). En
este caso, la definición de los subvolúmenes de control es más flexible que en el caso
K
de las mallas co-locadas, aunque el método se hace más dificultoso de implementar
R

computacionalmente.
o

Variables centradas en las caras: en ocasiones, con el objetivo de satisfacer de

av

manera más exacta ciertas condiciones de las ecuaciones de gobierno, es necesario

definir algunas de las variables dependientes en el centro de las caras de las celdas.
D
st

De estas forma, algunas de las variables dependientes son centradas en las celdas
mientras que otras son cnetradas en las caras, y los subvólumenes de control coinciden
con las celdas de la discretización. Este tipo de disposición se conoce como malla
u

staggered (alternada).
(G

El paso siguiente una vez definida la grilla y los subvolúmenes de control es resolver
la ley de conservación integral (4.61) sobre cada subvolumen Ωi , asociado a cada variable
Ui definida en un punto i de la grilla. Con esto se obtiene un sistema de MV ecuaciones
semidiscretizadas, siendo MV el número de subvolúmenes de control. El acoplamiento de
estas ecuaciones se produce por acción de los flujos numéricos, los cuales son compartidos
por dos subvolúmenes adyacentes y en general son función de las variables dependientes
en celdas vecinas. Como hemos establecido, estos flujos se computan en las caras de los
subvolúmenes asumiendo que su valor es constante sobde cada una de ellas. De esta forma,
la ecuación semidiscretizada para el subvolumen de índice i resulta:
f
M
d i
(Ui Ωi ) + ∑ F̃kxyz · n̂k Γki = Si Ωi , (4.71)
dt k=1
4.4 Método de volúmenes finitos 213

donde Ωi es el volumen del subvolumen de control, Mif es el número de caras que con-
forman el contorno del subvolumen, n̂ki es el vector unitario normal saliente a cada cara y
Γki es el área respectiva. En problemas de dimensión menor a tres, el volumen Ωi de los
subvolúmenes y el área Γki de las caras se calcula asumiendo una longitud unitaria en ca-
da dimensión reducida. Esto significa que para un problema unidimensional tenemos que
Ωi = ∆x y Γki = 1, mientras que para una malla cartesiana bidimensional es Ωi = ∆x∆y y
Γki = ∆y, ∆x para la dirección x, y, respectivamente.
La ecuación (4.71) es la formulación general del método de volúmenes finitos. Nótese
que la posición específica dentro del subvolumen donde la variable Ui es calculada no apa-
rece explícitamente en la expresión, por lo tanto, Ui puede ser interpretada como un valor
promediado en el volumen de control Ωi .
En el método de volúmenes finitos, las condiciones de contorno en problemas de Diná-

FT
mica de Fluidos suelen definirse de manera “más natural” que en otros métodos numéricos.
Esto es así porque las condiciones de los bordes del volumen de control principal pueden
definirse directamente en términos de los flujos, cuya aproximación numérica es parte de

)
la formulación. Por ejemplo, para modelar una pared sólida la restricción es que el flujo

se
de masa a través de ella es nulo, y esto puede imponerse extrapolando las variables fuera
del dominio para anular el flujo numérico correspondiente. Otro ejemplo muy habitual es

u
la condición de contorno de “flujo libre”, la cual establece que no existe ningún tipo de
A
restricción en la entrada o la salida del flujo a través de los límites del dominio, por lo tan-
ra
to, el flujo numérico debe evaluarse de modo que no se imponagan fuerzas espurias en los
contornos. En forma general, las condiciones de contorno terminan definiendo la manera en
K
que se extrapolan las variables hacia afuera del dominio para obtener un flujo numérico en
R
sus límites que resulte consistente con la condición de contorno física.
o
av

4.4.3. Flujos numéricos

Las distintas formas de definir el flujo numérico en el método de volúmenes finitos es
D
st

lo que da origen a los diferentes esquemas basados en dicha formulación. Como vimos
anteriormente, el flujo numérico en una cara correspondiente a un subvolumen asociado a
un punto i depende de los valores de la variable (o las variables) en ese punto (o celda)
u

y en los puntos vecinos. La forma de evaluar el flujo numérico en las caras está dada,
(G

fundamentalmente, por la manera en que el valor de la variable es extrapolado desde el punto

a las caras del subvolumen de control. Para graficar este concepto consideremos nuevamente
una ley de conservación unidimensional:

∂φ ∂F
+ = S.
∂t ∂x
Discretizando el dominio en celdas uniformes de longitud ∆x y utilizando la aproxi-
mación de la variable centrada en las celdas, los subvolúmenes de control coinciden con
la celdas y las caras de los mismos son los puntos i ± 21 de la discretización espacial. La
ecuación semidiscretizada del problema es simplemente
dφ 1  
= Si − F̃i+ 1 − F̃i− 1 , (4.72)
dt ∆x 2 2
214 Capítulo 4. Técnicas de dicretización espacial

ya que, como hemos mencionado, en problemas unidimensionales el volumen de cada sub-

volumen es ∆x y el área de sus caras es igual a 1.
Si utilizamos un esquema de Euler hacia adelante para la integración temporal de la
ecuación anterior obtenemos una formulación explícita donde los flujos numéricos se eva-
lúan en términos de las variables φin conocidas:
∆t  n 
φin+1 = φin + ∆tSi − n
F̃i+ 1 − F̃i− 1 , (4.73)
∆x 2 2

La forma más directa de obtener una expresión consistente para el flujo numérico es uti-
lizando la misma expresión del flujo físico evaluado en el centro de las caras del subvolumen
de control. Para nuestro caso esto es:
F̃i± 1 = F(φi± 1 ). (4.74)

FT
2 2

En la aproximación por volúmenes finitos no conocemos el valor de la variable en el

centro de la cara, sino su valor promediado dentro de la celda que asumimos que se encuen-

)
tra en el centro de la misma. Por lo tanto, es necesario estimar el valor de la variable en el

se
centro de la cara a partir de los valores centrados, teniendo en cuenta que la formulación
debe resultar conservativa, es decir que debe satisfacer la propiedad de conservación. El pro-

u
ceso de extrapolar el valor promediado de la variable desde el centro de la celda al centro
A
de las caras se conoce como reconstrucción, ya que permite reconstruir la distribución de la
ra
variable dentro del volumen de control. En general, la reconstrucción se realiza por medio
de alguna regla de interpolación que utiliza los valores promediados de las variables en la
K
celda propia y en celdas vecinas, cuya cantidad determina el orden de aproximación espa-
cial del esquema. Hay que tener en cuenta que, dependiendo del tipo de problema, puede
R
o

resultar necesario no sólo reconstruir la variable sino también los gradientes de la misma en
dirección normal a las caras para computar, por ejemplo, el aporte de los términos difusivos
av

del flujo.
Para ejemplificar el procedimiento, analicemos la aplicación del método de volúmenes
D
st

finitos en la ecuación de advección-difusión homogénea:

∂φ ∂φ ∂ 2φ
+ c0 − α 2 = 0. (4.75)
u

∂t ∂x ∂x
(G

En esta ecuación el flujo está dado por:

∂φ
F = c0 φ − α , (4.76)
∂x
Como vemos, el término difusivo hace que aparezca una derivada en el flujo, por lo tan-
to, será necesario reconstruir tanto la variable φ como su derivada que, en este caso, es
equivalente al gradiente en dirección normal a la cara.
La regla de interpolación más simple para estimar el valor de φi+ 1 es, naturalmente, la
2
del valor medio entre las variables correspondientes a las dos celdas de índice i e i + 1 que
comparten la cara i + 12 , cuyos centros se encuentran a igual distancia 12 ∆x de la cara en esta
discretización uniforme, por lo tanto:
1
φi± 1 = (φi + φi±1 ) . (4.77)
2 2
4.4 Método de volúmenes finitos 215

Del mismo modo, el gradiente en la cara se evalúa considerando los valores centrados
de la variable en las celdas ubicadas a cada lado de la cara, es decir:
∂ φi− 1 φi − φi−1
2
= ,
∂x ∆x
∂ φi+ 1 φi+1 − φi
2
= .
∂x ∆x
Con las definiciones anteriores, los flujos numéricos definidos en la ecuación (4.74) en
las caras de la celda i son:
c0 α
F̃i− 1 = (φi + φi−1 ) − (φi − φi−1 ) ,
2 2 ∆x (4.78)
c0 α
F̃i+ 1 = (φi + φi+1 ) − (φi+1 − φi ) .

FT
2 2 ∆x
Reemplazando estas expresiones en la ecuación (4.73) obtenemos una formulación ex-
plícita del método de volúmenes finitos para la ecuación de advección-difusión (4.75):

)
se
c0 ∆t n
α∆t
φin+1 = φin − n
φi+1 − φi−1 φ n
2φ n
φ n
(4.79)


+ i+1 − i + i−1 .
2∆x (∆x)2

u
Nótese que, al introducir la definición del número de Péclet de la grilla (Pe∆x = c0 ∆x/α)
y del número de Courant (C fl = c0 ∆t/∆x), la ecuación anterior resulta igual a la aproxima-
A
ra
ción por diferencias finitas (3.120). Esto se debe a que la ecuación de advección-difusión
que estamos analizando es lineal (c0 y α son constantes) y homogénea (el término fuente
K
es nulo), por lo tanto, la solución numérica de la forma no conservativa de la ecuación re-
sulta igual a la solución de la forma conservativa. Obviamente, de acuerdo al teorema de
R
o

la barrera de exactitud de Godunov, esta aproximación de segundo orden no preserva la

monotonicidad de la solución.
av

Según se expuso en la Sección 3.6, una forma de mejorar el comportamiento en cuanto a

la preservación de la monotonicidad del esquema (3.120) es por medio de una aproximación
D
st

upwind del término convectivo. En nuestra formulación de volúmenes finitos esto se logra a
través de una reconstrucción upwind de las variables centradas en las celdas, la cual se hace
considerando la dirección de la velocidad de advección tal que:
u

φi ,
(
(G

si c0 > 0,
φi+ 1 = (4.80)
2 φi+1 , si c0 < 0.
Sin embargo, como sabemos, esta reconstrucción reduce el orden de la aproximación y
produce una excesiva disipación numérica (ver ecuación (3.126)).
Con el objetivo de mantener el segundo orden de aproximación del esquema y mejorar
la preservación de la monotonicidad de la solución, se propusieron técnicas de interpola-
ción de alto orden de las variables que además tienen en cuenta la dirección de la velocidad
de advección para darle un grado de upwinding al esquema. Estas formulaciones se alcan-
zan partiendo de una expansión en serie de Taylor de la variable alrededor del punto xi ,
manteniendo para ella los dos primeros términos, es decir:
∆x dφi (∆x)2 d2 φi
φi+ 1 ≈ φi + + ,
2 2 dx 8 dx2
216 Capítulo 4. Técnicas de dicretización espacial

donde hemos tenido en cuenta que xi+ 1 − xi = ∆x/2.

2
Esta aproximación requiere evaluar tanto la derivada primera como la derivada segunda
de la variable. Al igual que en el caso anterior, la derivada primera se computa simplemente
por una diferencia centrada que utiliza las variables de las celdas i e i + 1, ubicadas a cada
lado de la interfaz i + 12 . Para evaluar la derivada segunda, en cambio, necesitamos consi-
derar el valor de φ en al menos tres puntos, los cuales se escogen incorporando un tercer
punto a la izquierda o a la derecha de los dos puntos anteriores de acuerdo a la dirección
de la velocidad de advección. Si c0 > 0, se toman los puntos i − 1, i e i + 1, mientras que
si c0 < 0, se escogen los puntos i, i + 1 e i + 2. De esta forma, la reconstrucción de φi+ 1 se
2
escribe como:
1 1

φi + (φi+1 − φi ) + (φi+1 − 2φi + φi−1 ),
 si c0 > 0,

FT
φi+ 1 = 2 8
2
φi + 1 (φi+1 − φi ) + 1 (φi+2 − 2φi+1 + φi ),

si c0 < 0,
2 8

)
donde dejamos explicitado cada término de la expansión de segundo orden.

se
Esquemas κ

u
La reconstrucción que resulta de la extrapolación de segundo orden anterior es un ca-
A
ra
so particular de los llamados esquemas κ, los cuales forman una familia de esquemas de
segundo orden que, en forma general, se escriben en términos de un parámetro κ y de las
diferencias descentradas (φi−1 − φi−2 ), (φi − φi−1 ), (φi+1 − φi ) y (φi+2 − φi+1 ). De acuerdo
K
a la expresión general de los esquemas κ, la extrapolación del valor centrado φi a la cara
R

i + 21 en la formulación de volúmenes finitos es:

o

ϕ

av

φi + [(1 − κ) (φi − φi−1 ) + (1 + κ) (φi+1 − φi )] ,

 si c0 > 0,
φi+ 1 = 4 (4.81)
2 ϕ
φi + [(1 − κ) (φi+1 − φi ) + (1 + κ) (φi+2 − φi+1 )] , si c0 < 0,
D


4
st

donde ϕ es un factor que cuantifica la cantidad de dispersión numérica introducida al es-

quema de segundo orden.
u

Para evaluar el comportamiento de los diferentes esquemas κ de reconstrucción convie-

(G

ne escribir la regla de interpolación sobde la diferencia φi+ 1 −φi− 1 , de modo que el esquema
2 2
resultante quede expresado en forma de una formulación de diferencias finitas. De hecho,
recordemos que en problemas lineales tenemos que F(φi+ 1 ) − F(φi− 1 ) = F(φi+ 1 − φi− 1 ),
2 2 2 2
por lo tanto, la ecuación discreta conservativa se reduce a un esquema de diferencias finitas.
Entonces, expandiendo la diferencia φi+ 1 − φi− 1 a parir de la forma general (4.81) de los
2 2
esquemas κ se obtiene:
 ϕ
 (φi − φi−1 ) + [(1 − κ) (φi − 2φi−1 + φi−2 ) +
4



(1 + κ) (φi+1 − 2φi + φi−1 )], si c0 > 0,



φi+ 1 −φi− 1 = ϕ (4.82)
2 2
(φ
 i+1
 − φ i ) + [(1 − κ) (φ i+1 − 2φ i + φi−1 ) +
4



(1 + κ) (φi+2 − 2φi+1 + φi )], si c0 < 0,


4.4 Método de volúmenes finitos 217

Aquí vemos claramente que, para ϕ = 0, el esquema numérico se reduce al esquema

upwind de primer orden, mientras que valores positivos de ϕ combinados con un paráme-
tro κ adecuado introducen un nivel de dispersión numérica que contrarresta la disipación
artificial del esquema de primer orden. De esta forma, combinando diferentes valores de κ
y ϕ es posible construir muchos de los esquemas clásicos de diferencias finitas upwind de
segundo orden.
Para κ = −1 y ϕ = 1 −C fl el esquema κ aplicado a la ecuación de advección correspon-
de al método upwind de segundo orden de Warming y Beam (1976), que obtuvimos en la
ecuación (3.88) incorporando viscosidad artificial explícita. Con κ = 0 y ϕ = 1 −C fl se al-
canza el esquema desarrollado por Fromm (1968) para el transporte de vorticidad, el cual se
destaca por presentar un error de fase promedio nulo. Para ϕ = 1 y κ = 1/2 se obtiene al de-
nominado esquema QUICK (quadratic upstream interpolation for convective kinematics),

FT
que fue introducido por Leonard (1979) y corresponde a una interpolación cuadrática de la
variable en la celda. Este esquema es muy utilizado en problemas de advección-difusión.
Finalmente, cabe destacar que para κ = 1/3 se alcanza un esquema de tercer orden de apro-

)
ximación.

se
Debe notarse que, independientemente de los valores de κ y ϕ > 0 escogidos para cons-
truir la aproximación de segundo orden, los esquemas κ presentan los mismos problemas

u
que todo esquema lineal de orden superior a uno. Esto es, la falta de preservación de la
A
ra
monotonicidad de la solución que se traduce en la aparición de oscilaciones espurias que
violan el principio de máximos. Para enfatizar este aspecto, en la Figura 4.11 se muestran
los resultados de diferentes esquemas κ para la ecuación de advección lineal con c0 = 1 en
K
un dominio unitario discretizado con 50 celdas uniformes, para una condición inicial de una
R

onda cuadrada. Allí vemos que, para números de Courant C fl < 1, los efectos dispersivos
o

del error de truncamiento se manifiestan fuertemente en la proximidad de las discontinui-

av

dades si ϕ > 0. Esto es así porque dicho parámetro es constante, por lo tanto, el esquema
resultante es lineal y queda “atrapado” en el teorema de la barrera de exactitud de Godu-
nov (ver Sección 3.6). El procedimiento que permite superar estas limitaciones consiste en
D
st

implementar esquemas donde los parámetros que regulan la introducción de dispersión nu-
mérica puedan variar dependiendo de la distribución de la variable dependiente en el stencil
u

de la aproximación. En otras palabras, es necesario implementar esquemas no lineales.

(G

4.4.4. Esquemas no lineales

Como sabemos, el teorema de la barrera de exactitud de Godunov nos dice que los es-
quemas lineales monótonos no pueden tener orden de aproximación mayor a uno. Por ello,
todos los esquemas de orden superior que vimos hasta el momento no son de tipo positivo
ya que son lineales. La forma más directa y simple de evitar este comportamiento es utilizar
esquemas de primer orden, los cuales satisfacen incondicionalmente la condición de positi-
vidad garantizando así la preservación de la monotonicidad de la solución. Sin embargo, con
esa solución las oscilaciones espurias se eliminan a costas de incrementar considerablemen-
te la disipación numérica del esquema. Obviamente, esto produce soluciones muy difusivas
que no son deseables, especialmente cuando se analizan problemas puramente hiperbóli-
cos, como lo es el conjunto de ecuaciones de flujo compresible y no viscoso (ecuaciones
218 Capítulo 4. Técnicas de dicretización espacial

κ = −1 (Warming-Beam) κ = 0 (Fromm)
1,25
Exacta Exacta
1,00 Numérica Numérica
0,75
φ (x,t f )

0,50

0,25

0,00

−0,25
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x

κ = 1/2 (QUICK con viscosidad explícita) κ = 1/3 (O(∆x)3 con viscosidad explícita)
1,25

)
Exacta Exacta
1,00

se
Numérica Numérica
0,75
φ (x,t f )

u
0,50
A
0,25
ra
0,00
K
−0,25
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 4.11: Resultados numéricos de la ecuación de advección lineal con c0 = 1

mediante diferentes esquemas κ. En todos los casos se utiliza C fl = 0,6
D

y ϕ = 1 −C fl con una discretización de 50 celdas.

st
u

de Euler). Una alternativa para eludir la barrera que impone el teorema de Godunov es im-
plementar esquemas no lineales de modo de obtener aproximaciones de alta resolución que
(G

no exhiben oscilaciones espurias. En ese sentido, una gran variedad de “correcciones” no

lineales se incorporaron a los esquemas lineales para satisfacer la positividad de la aproxi-
mación. Muchas de estas técnicas comparten ciertas características que permiten agruparlas
en diferentes categorías, entre las cuales podemos destacar a los limitadores de flujo, que
son los que estudiaremos en esta sección. Otros enfoques, como el de los diagramas de va-
riables normalizadas pueden consultarse en la bibliografía (Hirsch, 2007; Wesseling, 2001,
entre otros).
La utilización de esquemas no lineales da lugar al concepto de esquemas de alta re-
solución (high-resolution schemes) introducido por Harten (1983). Los esquemas de alta
resolución se definen como aquellos esquemas que presentan al menos segundo orden de
aproximación y que producen soluciones libres de oscilaciones espurias, permitiendo así re-
producir las discontinuidades con alta resolución, es decir, con un bajo nivel de disipación
4.4 Método de volúmenes finitos 219

numérica, pero manteniendo la positividad de las soluciones.

Limitadores de flujo
Se identifica con el nombre de limitadores de flujo al conjunto de técnicas desarrolladas
para prevenir o controlar el proceso de generación de valores extremos espurios por medio
de la limitación de los flujos numéricos de alto orden de la aproximación. En la práctica,
esto significa que se limita o se restringe la porción del flujo numérico asociada a la recons-
trucción de alto orden de la variable con el objetivo de satisfacer la condición de positividad
del esquema. Para ello, es necesario monitorear continuamente los gradientes numéricos en
cada celda y en cada paso de tiempo para que, al deterctar condiciones de falta de positi-
vidad del esquema de alto orden, el limitador actúe reduciendo localmente el orden de la

FT
aproximación para restablecer la positividad del esquema.
El concepto de limitador de flujo fue introducido por van Leer (1973) y, desde entonces,
se han desarrollado múltiples métodos que permiten obtener formulaciones con segundo

)
orden de aproximación que no desarrollan oscilaciones espurias. En principio, las técnicas

se
de limitación de flujo se aplican en la etapa de discretización espacial del esquema numé-
rico ya que, como sabemos, la condición de no monotonicidad de un esquema numérico se

u
genera fundamentalmente por la acción del error de truncamiento de la aproximación numé-
A
rica de los términos convectivos y no de la integración temporal. En efecto, los resultados
ra
de la ecuación de advección-difusión estacionaria evidencian dicho comportamiento (ver
Sección 3.5.1). Por este motivo es que los limitadores de flujo se focalizan en la limitación
K
de los gradientes espaciales, reduciendo el orden de la aproximación donde sea necesario
para alcanzar así la condición de positividad de los esquemas de alto orden. Es importante
R
o

destacar que el problema de la preservación de la monotonicidad es eminentemente con-

vectivo dado que la disipación propia de los problemas gobernados por la difusión regula
av

“naturalmente” el efecto de la dispersión numérica en las aproximaciones de alto orden.

Para comprender la idea subyacente al concepto de limitación de flujo, analizaremos
D
st

entonces la ecuación de advección lineal unidimensional homogénea:

∂φ ∂F
F = c0 φ ,
u

+ = 0,
∂t ∂x
(G

para la cual asumimos que c0 > 0.

La solución de esta ecuación se aproxima mediante un esquema κ de segundo orden, cu-
ya formulación se expresa en términos de las relaciones de gradientes numéricos sucesivos
en dirección upwind que se definen como:
(φi−1 − φi−2 )/∆x φi−1 − φi−2
ri−1 = = ,
(φi − φi−1 )/∆x φi − φi−1
(4.83)
(φi − φi−1 )/∆x φi − φi−1
ri = = .
(φi+1 − φi )/∆x φi+1 − φi
Es importante destacar que no existe una única forma de definir la relación de gradientes,
ya que también es válido escribir los cocientes en forma inversa. Aquí los expresamos de
esta manera para mantener las definiciones originales de Sweby (1984), quien generalizó
220 Capítulo 4. Técnicas de dicretización espacial

el concepto de limitador en su trabajo y es la definición que se utiliza usualmente en otras

publicaciones.
Introduciendo las relaciones de gradientes en la expresión general (4.81) y operando
algebraicamente, la reconsstrucción de la variable en cada cara de la celda i puede escribirse
únicamente en función de la diferencia φi − φi−1 (que es una diferencia upwind para nuestro
caso con c0 > 0) y de las relaciones de gradientes:
ϕ
φi− 1 = φi−1 + [(1 − κ)ri−1 + (1 + κ)] (φi − φi−1 ) ,
4
2

ϕ (1 + κ)

φi+ 1 = φi + (1 − κ) + (φi − φi−1 ) .
2 4 ri

FT
Con estas extrapolaciones, la ecuación semidiscretizada resultante del método de volú-
menes finitos es:
dφi 1 h

)
i
=− F(φi+ 1 ) − F(φi− 1 )
dt ∆x 

se
2 2

c0 ϕ ϕ 1
 
=− 1 + (1 − κ) (1 − ri−1 ) + (1 + κ) − 1 (φi − φi−1 ) .
∆x 4 4 ri

u
Ahora aplicamos un esquema de Euler hacia adelante para integrar esta ecuación en el
A
tiempo y obtenemos la siguiente ecuación discreta:
ra
ϕ
ϕ
K
1
  
n+1 n n
φi = φi −C fl 1 + (1 − κ) 1 − ri−1 + (1 + κ) n − 1 φin − φi−1
n
. (4.84)


4 4 ri
R
o

Para conocer el comportamiento de esta solución recurrimos al lema de Harten, el cual

av

establece la condición de positividad de un esquema numérico escrito en la forma (3.131)

cuyos coeficientes son función de las variables dependientes. De acuerdo a este lema, la
D

condición de positividad (3.132) del esquema (4.84) se cumple si

st

ϕ
ϕ 1
  
n
0 ≤ C fl 1 + (1 − κ) 1 − ri−1 + (1 + κ) n − 1 ≤ 1,
u

4 4 ri
(G

n n
1 asociado a la diferencia (φi+1 − φi ) es nulo (ver Sección 3.6.2).
+
ya que el coeficiente Ci+
2
Siendo que tanto el parámetro κ como ϕ son constantes, la preservación de la mono-
tonicidad por parte del esquema (4.84) no está garantizada dado que las relaciones ri−1 n y
n
ri son variables y su cambio puede generar que la condición de positividad no se cumpla.
En ese caso, se dice que el esquema numérico no es compatible con los datos. Una forma
de asegurar la compatibilidad del esquema es limitando la acción de los gradientes en los
términos de segundo orden de la reconstrucción de las variables, de modo que la condición
de positividad se satisfaga en todo momento, aunque sea a costas de reducir localmente el
orden de aproximación del esquema. Con ese propósito, se introduce una función limitadora
ζ (r) en la reconstrucción de las variables, la cual regula el efecto de los términos de mayor
orden de la extrapolación en función de la relación de gradientes que existe alrededor de ca-
da interfaz entre celdas. De esta forma, la reconstrucción de las variables para los esquemas
4.4 Método de volúmenes finitos 221

κ es ahora:
n n n n

n n
φi− 1 = φi−1 + ζ (ri−1 ) α1 ri−1 + α2 φi − φi−1


,
2

α2
 
n n n
φi+ 1 = φi + ζ (ri ) α1 + n φin − φi−1
n


,
2 ri

donde hemos introducido la notación3

ϕ ϕ
α1 = (1 − κ), α2 = (1 + κ). (4.85)
4 4
Con estas nuevas definiciones, el esquema lineal (4.84) se transforma en un esquema no
lineal de la forma:

φin+1 = φin −C fl


FT
1 + α1 ζ (rin ) − ζ (ri−1
n n
)ri−1

)
se
ζ (rin )
 
n
+ α2 − ζ (ri−1 ) φin − φi−1
n
(4.86)


n ,
ri

u
cuya condición de positividad es
A

n n n

ζ (rin )
ran

0 ≤ C fl 1 + α1 ζ (ri ) − ζ( ri−1 )ri−1 + α2 − ζ (ri−1 ) ≤ 1. (4.87)


rin
K
R
Debe notarse que para ζ (r) = 0 el esquema (4.86) se reduce a un esquema upwind de
o

primer orden. Precisamente, éste es el efecto que se busca imponer cuando se pierde la
av

condición de positividad, eliminando de esa forma las oscilaciones espurias de la solución

numérica.
Evidentemente, existen múltiples funciones limitadoras que nos permitirían satisfacer
D
st

la condición de positividad dependiendo de los parámetros α1 y α2 . Sin embargo, podemos

imponer algunas restricciones adicionales que, además de ser necesarias, reducen el uni-
u

verso de funciones disponibles. En primer término, consideraremos únicamente funciones

positivas, es decir:
(G

ζ (r) ≥ 0, para r ≥ 0.

Por otro lado, de acuerdo a la definición (4.83), la condición ri < 0 implica que en la celda i
hay un cambio de signo en las derivadas numéricas, pot lo tanto, en ese punto existe un
máximo o un mínimo local (por lo menos en términos discretos) y se asume que la derivada
primera es nula en esa celda, fijándose entonces:

ζ (r) = 0, para r < 0.

3 Nótese que la introducción de los parámetros α y α permite una definición más general de los esquemas
1 2
de segundo orden (no sólo reducidos a los parámetros κ y ϕ) y además admite el tratamiento de grillas no
uniformes al introducir en ellos el efecto de celdas de diferentes tamaños.
222 Capítulo 4. Técnicas de dicretización espacial

Del mismo modo, cuando ri = 0 significa que φi = φi−1 y cuando ri = ∞ tenemos que
φi+1 = φi , por lo tanto, también se requiere que la función limitadora sea nula en esos casos,
con lo cual imponemos
ζ (r) = 0, para r = 0,
ζ (r) = 0, para r = ∞.
Otra condición que conviene imponer es que la función limitadora satisfaga la propiedad
de simetría, lo cual implica que
ζ (r) 1
 
=ζ . (4.88)
r r

FT
De esta forma, la función limitadora resulta indiferente a cómo se defina la relación de
gradientes r, ya sea como en la expresión (4.83) o invirtiendo el cociente. Este resultado no
sólo es importante para extender el análisis al caso con c0 < 0 sino que permite generalizar

)
los resultados de manera directa.

se
La última condición que vamos a imponer a las funciones limitadoras es una conse-
cuencia del requisito de exactitud de la aproximación. Siendo que estamos tratando con
esquemas de segundo orden, resulta que la solución numérica debe aproximar exactamente

u
una solución lineal. En ese caso, la derivada es constante en todo el dominio por lo que la
A
ra
relación de gradientes es igual a uno alrededor de todas las caras y el esquema (4.86) exige
que los factores que multiplican a los parámetros α1 y α2 sean nulos, por lo tanto fijamos:
K
ζ (1) = 1. (4.89)
R
o

Definición de las funciones limitadoras

av

Una vez establecidos los requerimientos adicionales que deben cumplir las funciones
limitadoras, el paso que sigue es definir una función especifica que satisfaga la condición
D
st

de positividad (4.87) para un esquema determinado. Para ello, comenzaremos analizando el

esquema de Lax-Wendroff de segundo orden, el cual fue reescrito en la ecuación (3.133)
u

para expresarlo en la forma general definida por el Lema de Harten:

(G

C fl
C fl
φin+1 = φin − C fl + 1 φin − φi−1
n

n
C fl − 1 φi+1 − φin ,



+
2 2
Introduciendo la relación de gradientes sucesivos rin en esta ecuación y operando algebrai-
camente se obtiene:
(1 −C fl ) 1
  
n+1 n
φi = φi −C fl 1 + −1 φin − φi−1
n
(4.90)


n .
2 ri
Al comparar esta expresión con la ecuación genérica (4.86) de los esquemas κ, vemos que
para el esquema de Lax-Wendroff tenemos que α1 = 0, α2 = (1 −C fl )/2 y ζ (r) = 1, por lo
tanto, definimos el siguiente esquema de segundo orden “limitado”:
(1 −C fl ) ζ (rin )
  
n+1 n n
φi = φi −C fl 1 + − ζ (ri−1 ) φin − φi−1
n
(4.91)


n ,
2 ri
4.4 Método de volúmenes finitos 223

cuya condición de positividad es

(1 −C fl ) ζ (rin )
  
n
0 ≤ C fl 1 + − ζ (ri−1 ) ≤ 1.
2 rin
Operando algebraicamente la condición anterior queda:
2 ζ (rn ) n 2
− ≤ ni − ζ (ri−1 )≤ . (4.92)
(1 −C fl ) ri C fl
Teniendo en cuenta que sólo consideramos funciones positivas (ζ (r) > 0 para r > 0)
y que las funciones limitadoras son nulas para r ≤ 0, la región del plano r–ζ (r) donde
se satisface la condición de positividad (4.92) se visualiza anulando de a uno por vez los
términos ζ (rin )/rin y ζ (ri−1
n ), resultando:

0 ≤ ζ (r) ≤ mı́n

2r
,

FT 2
C fl (1 −C fl )

. (4.93)

)
se
En la Figura 4.12 se muestra gráficamente la región de positividad. Este gráfico, cono-
cido como el diagrama de Sweby, muestra la zona del plano r–ζ (r) donde el esquema se
comporta preservando la monotonicidad de la solución, pero no dice nada acerca del orden

u
de la aproximación luego de aplicarse las funciones limitadoras. En ese sentido, de la ecua-
A
ra
ción (4.91) resulta que para ζ (r) = 0 el esquema se reduce localmente al esquema upwind
de primer orden, pero todavía debemos establecer la región donde el esquema presenta al
K
menos segundo orden de aproximación global. Para comenzar a definir dicha región, recor-
damos que en el esquema de Lax-Wendroff convencional la función limitadora es constante
R

e igual a uno, es decir:

o
av

ζLW (r) = 1. (4.94)

Esta función constante se muestra en el diagrama de Sweby de la Figura 4.12. La porción

D
st

de ζLW (r) que queda fuera de la región sombreada evidencia la falta de monotonicidad de
este esquema.
Consideremos ahora el esquema upwind de segundo orden de Warming-Beam (3.134)
u

que formulamos en términos de la relación de gradientes. Luego de un pequeño trabajo

(G

algebraico este esquema se escribe como:

(1 −C fl )
 
n+1 n n
φi = φi −C fl 1 + 1 − ri−1 φin − φi−1
n
(4.95)



.
2
Comparando esta expresión con el esquema (4.91), vemos que el esquema upwind de se-
gundo orden corresponde al esquema de segundo orden limitado con ζ (r) = r, por lo tanto,
definmos la función limitadora de Warming-Beam como

ζWB (r) = r. (4.96)

Nuevamente, la porción de la función ζWB que queda fuera de la región sombreada del
diagrama de Sweby en la Figura 4.12 evidencia la falta de monotonicidad de este esque-
ma de segundo orden. Por otro lado, en la figura queda expuesta la condición de exactitud
224 Capítulo 4. Técnicas de dicretización espacial

Figura 4.12: Región de monotonicidad de la función limitadora ζ para el esquema de

Lax-Wendroff.

FT
ζ (1) = 1 que debe satisfacerse para que los esquemas de Lax-Wendroff y Warming-Beam

)
sean de segundo orden, ya que tanto ζLW como ζLW pasan por el punto ζ (1) = 1. Natu-

se
ralmente, las funciones limitadoras ζθ asociadas a otros esquemas de segundo orden deben
contener ese punto, de modo que las mismas pueden expresarse como un promedio pon-
derado en un parámetro 0 ≤ θ (r) ≤ 1 de las funciones limitadoras de los esquemas de

u
Lax-Wendroff y Warming-Beam, es decir que (van Leer, 1974):
A
ra
ζθ (r) = θ (r)ζLW (r) + [1 − θ (r)] ζWB (r) = r + θ (r)(1 − r). (4.97)
K
Esto significa que las funciones limitadoras que representan otros esquemas κ son rectas
R

que pasan por el punto ζ (1) = 1 cuyas pendientes se encuentran entre 0 (correspondiente a
o

ζLW ) y r (correspondiente a ζWB ). De esta forma, la región del diagrama de Sweby donde las
av

funciones limitadoras satisfacen tanto la preservación de la monotonicidad como el segundo

orden de aproximación global queda definida por:
D
st

2r

 r ≤ ζ (r) ≤ , si r ≤ 1,
C


fl


u


2


1 ≤ ζ (r) ≤ r, si 1 < r ≤ , (4.98)
(G


 (1 −C fl )
2 2


1 ≤ ζ (r) ≤ si r >


 , .
(1 −C fl ) (1 −C fl )

Esta región se muestra esquemáticamente en la Figura 4.13 junto a las funciones limita-
doras que representan algunos de los esquemas κ. Valores de ζ (r) dentro de los límites de
monotonicidad (4.93) pero fuera de esta región generan una excesiva disipación numérica
que da lugar a soluciones extra compresivas, tal el término utilizado por Sweby (1984) para
referirse al efecto de “aplanamiento” de ondas senoidales que observó en sus experimentos
numéricos.
A partir de las consideraciones anteriores se han definido diferentes funciones limitado-
ras que son actualmente utilizadas en la Dinámica de Fluidos Computacional para obtener
esquemas numéricos de alta resolución. Estas funciones pueden clasificarse básicamente en
4.4 Método de volúmenes finitos 225

Figura 4.13: Región de monotonicidad para esquemas de segundo orden.

FT
dos grupos: funciones lineales a trozos y funciones suaves. Las primeras simplemente inter-
cambian entre diferentes esquemas lineales en función de la relación de gradientes mientras

)
que las segundas adaptan gradualmente el esquema para satisfacer la condición TVD. A

se
continuación presentamos algunos ejemplos de funciones limitadoras válidas para el esque-
ma de segundo orden, cuyas definiciones se muestran esquemáticamente en la Figura 4.14.

u
Obviamente, existen muchas otras que han demostrado muy buenas cualidades, entre las
A
cuales podemos destacar a la familia de funciones ALFA que da origen al método MUSCL
ra
que veremos más adelante (van Leer, 1979):
K
La función limitadora de van Leer (1974) se propuso inicialmente como
R

r + |r|
o

ζVL (r) = . (4.99)

1+r
av

Una función limitadora similar a la anterior pero con un comportamiento más suave
D

fue propuesta por van Albada et al. (1982)

st

r2 + r
ζVA = (4.100)
u

.
1 + r2
(G

La función limitadora min-mod se basa en dicha función, la cual selecciona el número

de menor valor absoluto de una serie de números cuando todos ellos son de igual
signo, y se anula cuando existen distintos signos en la serie. Entonces, para el caso de
una serie de dos números a y b

a, si |a| < |b| y ab > 0,



minmod(a, b) = b, si |a| > |b| y ab > 0, (4.101)
0, si ab < 0.



Con esta definición, la función limitadora min-mod es

ζMM (r) = minmod(1, r). (4.102)

226 Capítulo 4. Técnicas de dicretización espacial

FT
Figura 4.14: Definición de las funciones limitadoras de van Leer, min-mod y super-

)
bee.

se
La función limitadora superbee de Roe (Roe, 1981b; Roe y Baines, 1983; Roe, 1985)

u
considera la región superior del dominio de monotonicidad y segundo orden de ζ (r).
A
Esta función limitadora presenta muy buena resolución para computar discontinuida-
ra
des y saltos de la solución y se define como:
K
2r 2
    
ζSB (r) = máx 0, mı́n 1, , mı́n ,r . (4.103)
C fl (1 −C fl )
R
o

La utilización de la región superior del dominio de monotonicidad de ζ (r) permite

av

amplificar la contribución de los gradientes cuando ζ (r) > 1, haciendo que las dis-
continuidades lineales se propaguen indefinidamente sin disipación numérica (Roe y
D

Baines, 1983).
st

La aplicación de estas y otras funciones limitadoras, formuladas inicialmente para el es-

u

quema de segundo orden (4.91), a otros esquemas numéricos definidos en un soporte [φi−2 ,
φi−1 , φi , φi+1 ] (para c0 > 0), se hace teneindo en cuenta que, dada la ponderación (4.97),
(G

puede escribirse la siguiente condición TVD para esquemas de segundo orden:

2r

 r ≤ ζ (r)ζθ ≤ , si r ≤ 1,
C


fl



2


1 ≤ ζ (r)ζθ ≤ r, si 1 < r ≤ , (4.104)

 (1 −C fl )
2 2


1 ≤ ζ (r)ζθ ≤ si r >


 , .
(1 −C fl ) (1 −C fl )

donde ζθ = r + θ (r)(1 − r).

Con esta ecuación finalizamos nuestra introducción a los esquemas de alta resolución
basados en la limitación de los esquemas κ. Debe notarse que en este análisis sólo hemos
4.4 Método de volúmenes finitos 227

Sin limitador Minmod

1,25
Exacta Exacta
1,00 Numérica Numérica
0,75
φ (x,t f )

0,50

0,25

0,00

−0,25
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

FT
x x
Superbee van Leer
1,25
Exacta Exacta

)
1,00

se
Numérica Numérica
0,75
φ (x,t f )

u
0,50
A
0,25
ra
0,00
K
−0,25
R

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
o

x x
av

Figura 4.15: Resultados numéricos de la ecuación de advección lineal con c0 = 1 me-

diante el esquema de Warming-Beam de segundo orden con diferentes
D

funciones limitadoras. En todos los casos se utiliza C fl = 0,6 con una

st

discretización de 50 celdas.
u

tenido en cuenta la limitación de esquemas de un solo paso, ya que consideramos la formu-

(G

lación de Euler hacia adelante. Naturalmente, existen otros desarrollos más generales que se
aplican directamente sobre la ecuación semidiscretizada y permiten extender los resultados
a esquemas de integración temporal de pasos múltiples. Un análisis exhaustivo de este tema
puede consultarse en el trabajo de Zhang et al. (2015), donde también se presenta una exten-
sa recopilación de funciones limitadoras utilizadas actualmente en la Dinámica de Fluidos
Computacional.
Para concluir esta sección, en la Figura 4.15 se muestran los resultados numéricos ob-
tenidos para la ecuación de advección lineal por medio del esquema de Warming-Beam y
diferentes funciones limitadoras. Los datos del problema son los mismos que para la Fi-
gura 4.11, es decir que consideramos una condición inicial de una onda cuadrada con una
velocidad de advección c0 = 1 y un tiempo de integración de t f = 0,5. Los resultados nu-
méricos muestran el carácter TVD de la aproximación upwind de segundo orden cuando se
228 Capítulo 4. Técnicas de dicretización espacial

implementan funciones limitadoras y además permiten visualizar los dferentes niveles de

disipación numérica que introduce cada una de ellas. La función minmod es, naturalmen-
te, la más disipativa mientras que la función superbee reproduce la discontinuidad con la
mejor resolución. Las funciones más disipativas tienen la ventaja de ser más robustas, en el
sentido de que son menos propensas a generar oscilaciones espurias que violan el principio
de máximos en problemas no lineales, mientras que las funciones menos disipativas permi-
ten modelar las discontinuidades con mayor exactitud. De esta forma, la función limitadora
de van Leer es un punto intermedio entre la robustez de las funciones disipativas y la alta
resolución de las discontinuidades de las funciones más dispersivas.

FT
)
se
u
A
ra
K
R
o
av
D
st
u
(G
4.5 Ejercicios 229

4.5. Ejercicios
1. Dada la siguiente función polinómica para 0 ≤ x ≤ 1:
3 3 1
φ (x) = − x4 − x3 + 3x2 + x − ,
4 2 10
se pide utilizar el siguiente conjunto de funciones de prueba para aproximar la función
por medio del método de residuos ponderados.

ψ j = x j (1 − x) , j = 1, . . . , M,
ψ j = sin( jπx), j = 1, . . . , M.

FT
En ambos casos utilizar para la función ψ0 una recta con ψ0 (0) = φ (0) y ψ0 (1) =
φ (1).

)
a) Evaluar la convergencia del método de colocación puntual para utilizando 2. 4,

se
8 y 16 puntos interiores igualmente espaciados.
b) Comparar el resultado anterior para 4 puntos interiores con el método de Galer-
kin.

u
A
ra
2. Considere la ecuación de difusión en un dominio unidimensional 0 ≤ x ≤ 1:
K
∂φ ∂ 2φ
R

− α 2 = 0,
∂t ∂x
o
av

con el siguiente conjunto de condiciones auxiliares:

φ (x, 0) = φ̄1 + [sin(πx) + x] (φ̄2 − φ̄1 ),

D
st

φ (0,t) = φ̄1 ,
φ (1,t) = φ̄2 .
u

Se pide determinar la solución aproximada de la ecuación anterior utilizando el mé-

(G

todo de Galerkin con un término en la expansión (M = 1) para el siguiente funciones

de prueba

ψ0 = φ (x, 0),
ψ j = sin( jπx).
 D
(G
u R

230
st A
av
o
K
ra
FT
u
se
)
Capítulo 5

Simulación de Flujo Incompresible

5.1. Introducción

FT
)
se
u
A
ra
K
R
o
av
D
st
u
(G

231
 D
(G
u R

232
st A
av
o
K
ra
FT
u
se
)
Capítulo 6

Simulación de Flujo Compresible

6.1. Introducción

FT
)
se
Los problemas de flujo compresible son de gran interés en múltiples áreas de la ingenie-
ría, entre las cuales se destacan las aplicaciones aeroespaciales, el análisis de explosiones

u
y detonaciones y la modelación de procesos de combustión. Por otro lado, aunque no son
A
comunes en nuestro entorno, los flujos gobernados por la compresibilidad son muy frecuen-
ra
tes en la naturaleza, ya que la dinámica de plasmas de muy alta energía define la evolución
de las atmósferas estelares como la del Sol, cuyo comportamiento determina el desarrollo
K
del clima espacial que rige en la Tierra. Por estos motivos, la simulación numérica del flujo
compresible es de vital importancia no sólo en las aplicaciones de ingeniería sino también
R
o

para comprender y predecir procesos de gran interés científico.

av

En general, los problemas de flujo compresible se encuentran fuertemente gobernados

por la convección, la cual se da a velocidades comparables a la velocidad característica del
medio. Esta condición conduce al desarrollo de ondas no lineales que definen el comporta-
D
st

miento del flujo y son el rasgo distintivo de este tipo de problemas. Por otra parte, siendo
que los procesos se dan a velocidades muy elevadas, los números de Reynolds son también
u

elevados y suele ser posible despreciar los efectos viscosos. De este modo, las ecuaciones
de gobierno del flujo se reducen a las ecuaciones de Euler conformando así un conjunto
(G

de ecuaciones diferenciales en derivadas parciales, no lineales, estrictamente hiperbólicas.

Por lo tanto, resulta fundamental comprender el comportamiento matemático de los proble-
mas hiperbólicos no lineales y de las ondas que rigen su evolución para luego implementar
soluciones numéricas adecuadas para las ecuaciones del flujo.
Precisamente, la complejidad de la simulación numérica del flujo compresible se debe
a la fuerte no linealidad de las ecuaciones de gobierno y a su comportamiento estrictamente
hiperbólico. La combinación de estas dos condiciones lleva a la formación de discontinui-
dades y fuertes gradientes que deben ser modelados sin introducir disipación o dispersión
numérica excesiva. Sin embargo, hemos visto que estos requisitos son, en principio, con-
tradictorios, ya que los esquemas de orden superior que presentan baja disipación numérica
desarrollan oscilaciones no físicas. Este conflicto persiguió a los investigadores durante los
primeros años de aplicación de los métodos numéricos para flujo compresible, dado que los
233
234 Capítulo 6. Simulación de Flujo Compresible

esquemas en diferencias finitas lineales que se empleaban en ese momento no eran capaces
de satisfacer simultáneamente ambos requisitos. Posteriormente, con el surgimiento de los
esquemas no lineales formulados por medio de limitadores de flujo, las soluciones numéri-
cas mejoraron notablemente y fue posible modelar flujos de muy alta energía en condiciones
muy extremas. Esto permitió avanzar en la implementación de modelos físicos más desa-
rrollados para incorporar, por ejemplo, efectos de gas real, reacciones químicas en procesos
de combustión o interacción magnética en gases ionizados.

Como hemos mencionado en el Capítulo 1, la evolución de los métodos numéricos uti-

lizados para resolver las ecuaciones de Euler comenzó con la implementación del método
de diferencias finitas. En ese marco, durante las décadas de 1950 y 1960 se desarrollaron

FT
numerosos esquemas que formaron la llamada primera generación de métodos de CFD.
Algunos de ellos, como el esquema de Lax-Friedrichs, fueron formulados en términos de
diferencias centradas, mientras que otros, como el esquema upwind de segundo orden de

)
se
Warming-Beam, tenían en cuenta la dirección del flujo para escribir la aproximación. Por
esos años, Richtmyer y Morton (1967) publicaban la segunda edición de su famoso libro ti-
tulado Difference Method for Initial-Value Problems, el cual se constituía como un material

u
de referencia ineludible en la incipiente disciplina del CFD. Curiosamente, en esa publi-
A
ra
cación los autores presentaron lo que consideraban un “ingenuo” método desarrollado en
la Unión Soviética que se basaba en la discretizción de la forma conservativa de las ecua-
ciones de gobierno y en la solución de una serie de tubos de choque que conformaban un
K
conjunto de problemas de Riemann (este tema será desarrollado en las próximas secciones).
R

Este método se conoce como el método de Godunov (1959) y, a pesar de su rechazo inicial,
o

terminó convirtiéndose en la base de muchos de los esquemas numéircos más utilizados

av

para la modelación del flujo altamente compresible. Para mediados de la década de 1970,
la superioridad de las formulaciones conservativas ya era bien reconocida y se desarrolla-
ron varios esquemas numéricos basados en el método de volúmenes finitos. Hacia finales
D
st

de esa década van Leer (1973, 1974, 1977, 1979) completó su saga de publicaciones que
permitieron unificar muchos de los conceptos fundamentales de la Dinámica de Fluidos
u

Computacional y demostraron que el método de Godunov era una excelente altrnativa para
resolver problemas de valores iniciales hiperbólicos. Posteriormente, se popularizaron los
(G

métodos de flux-vector splitting debido a su eficiencia y simplicidad, lo cual los hacía más
adecuados para su implementación en esquemas implícitos para la resolución de problemas
de equilibrio o con un fuerte comportamiento stiff.

Actualmente, los métodos de Godunov y de flux-vector splitting son la base de muchos

de los esquemas numéricos utilizados en la simulación de flujo compresible de alta energía,
por lo tanto, en este capítulo presentaremos los aspectos fundamentales de dichos méto-
dos. Antes de eso, debemos introducir una serie de conceptos preliminares necesarios para
comprender la naturaleza física y matemática del problema. Para ello, de igual manera que
lo realizado en otros capítulos, analizaremos inicialmente ecuaciones sencillas en dominios
unidimensionales para luego extender el estudio a las ecuaciones del flujo.
6.2 Ecuaciones hiperbólicas no lineales 235

6.2. Ecuaciones hiperbólicas no lineales

El rasgo distintivo de los problemas de flujo compresible es el desarrollo y la interacción
de ondas no lineales. En este tipo de problemas, los cambios en las propiedades del flujo
no sólo se dan por la acción de los flujos de masa, cantidad de movimiento y energía sino
también por el movimiento de ondas que viajan en diferentes direcciones transportando
cambios en las variables. De esta forma, resulta fundamental modelar correctamente las
soluciones de ondas que describen el comportamiento del flujo en régimen compresible.
Por lo tanto, nuestro estudio comienza con el análisis de las ecuaciones hiperbólicas no
lineales, que son el tipo de ecuaciones diferenciales que admiten tanto la propagación como
el desarrollo de ondas no lineales.
Como sabemos, una de las cualidades fundamentales de las ecuaciones de gobierno de

FT
la Dinámica de los Fluidos es su fuerte carácter no lineal, el cual está dado por el término
convectivo que distingue a este problema de otros problemas de la mecánica del continuo.
En el caso de las ecuaciones de Euler, la no linealidad se combina con la condición de hiper-

)
bolicidad del sistema, lo cual da origen a ciertas características particulares de la solución

se
que reflejan el comportamiento físico del flujo en régimen altamente compresible.
Naturalmente, no comenzaremos el análisis con un sistema de ecuaciones tan complejo

u
como las ecuaciones e Euler sino que consideraremos inicialmente una ley de conservación
A
escalar no lineal de la forma: ra
∂φ ∂
+ F(φ ) = 0, (6.1)
K
∂t ∂ x
R

con una condición inicial dada por:

o

φ (x, 0) = φ0 (x).
av

(6.2)

El flujo F en la ecuación (6.1) es una función no lineal de la variable dependiente φ .

D
st

Utilizando la definición de la matriz jacobiana del sistema, que en este caso es un esca-
lar, podemos reescribir la expresión anterior en su forma característica para explicitar la
u

velocidad característica del sistema:

(G

∂φ ∂φ
+ λ(φ ) = 0, (6.3)
∂t ∂x
donde asumimos que el flujo no depende explícitamente de las variables independientes x,t
y sólo es función de la variable φ , por lo tanto :

dF
λ(φ ) = . (6.4)
dφ

Para obtener la solución de la ecuación (6.3) partimos de la derivada sustancial de la

variable φ , cuya expresión es:

dφ ∂ φ dx ∂ φ
= + .
dt ∂t dt ∂ x
236 Capítulo 6. Simulación de Flujo Compresible

Aquí vemos que, para dx/ dt = λ(φ ) y dφ / dt = 0, recuperamos la ecuación diferencial

original (6.1), por lo tanto, las líneas dadas por dx/ dt = λ(φ ) son líneas características del
problema (ver Sección 2.5.2). Además, siendo que sobre las líneas características se cumple:

dφ ∂φ ∂φ
= +λ = 0,
dt ∂t ∂x
resulta que φ no cambia a lo largo de ellas.
De esta forma, la solución φ (x,t) de (6.1) y de cualquier otra ley de conservación ho-
mogénea hiperbólica puede construirse utilizando la forma característica de la ecuación
diferencial para convectar la condición inicial φ0 (x) a lo largo de las curvas características,
de modo que

FT
φ (x,t) = φ0 (x0 ), (6.5)

donde x0 es la coordenada donde la curva característica corta al eje t = 0. Nótese que, siendo

)
dx/ dt = λ(φ ) una curva característica sobre la cual φ no cambia, resulta que λ tampoco

se
cambia ya que es una función de φ solamente. De este modo, las curvas características son
líneas rectas cuyas pendienes quedan definidas por la condición inicial φ0 (x) de la ley de

u
conservación y las líneas características se obtienen directamente al integrar la ecuación
A
diferencial ordinaria ra
dx
= λ [φ0 (x0 )] = cte, (6.6)
K
dt
R
resultando
o

x(t) = x0 + λ [φ0 (x0 )]t. (6.7)

av

Finalmente, las expresiones (6.5) y (6.7) permiten escribir la solución general de la ley
D
st

de conservación no lineal (6.1):

φ (x,t) = φ0 (x − λ [φ0 (x0 )]t) . (6.8)

u
(G

Obviamente, esta solución contiene a la solución particular de la ecuación de advección

lineal, la cual corresponde a λ = c0 = cte, de acuerdo a la nomenclatura que utilizamos en
los capítulos previos.
El hecho de que la velocidad característica ya no sea constante se manifiesta en la evolu-
cín de la función φ , cuya forma inicial se “distorsiona” a medida que la solución se convec-
ta a lo largo de las líneas características aun cuando la ecuación diferencial es homogénea
(término fuente nulo). Esta distorsión puede darse en forma de una contracción o de una ex-
pansión de la condición inicial dependiendo de la manera en que λ cambia con la variación
de φ . Cuando la velocidad característica es una función monótonamente creciente de φ se
cumple que:

dλ d2 F
= 2 > 0 ∀φ ,
dφ dφ
6.2 Ecuaciones hiperbólicas no lineales 237

y se dice que el flujo es convexo. Cuando la función λ(φ ) es monótonamente decreciente

tenemos que

dλ d2 F
= 2 < 0 ∀φ ,
dφ dφ

y se dice que el flujo es cóncavo. Finalmente, cuando se da la condición

dλ d2 F
= 2 = 0,
dφ dφ

o cuando la derivada segunda de F con respecto a φ cambia de signo para diferentes valores
de la variable, se dice que el flujo es no cóncavo-no convexo.

FT
Para visualizar el efecto distorsivo que produce la velocidad característica variable en la
solución, consideremos el caso de la ecuación (6.1) con un flujo convexo y una condición
inicial φ0 (x) suave, tal como se muestra en la Figura 6.1. A la izuierda del valor extremo de

)
φ0 (x < xB ) la función es creciente, por lo tanto, siendo que el flujo es convexo, la velocidad

se
característica crece junto con la función y la pendiente dx/ dt de las líneas características
aumenta progresivamente. Geométricamente, esto se manifiesta como una divergencia de

u
las líneas características que genera la expansión de la condición inicial a medida que la
A
ra
solución avanza en el tiempo. De esta forma, una región donde φ (x) es creciente es una
región expansiva cuando el flujo es convexo.
A la derecha del valor extremo de φ0 (x > xB en la figura) la función es decreciente y
K
el comportamiento es opuesto. Siendo que el flujo es convexo, la velocidad característica
R

disminuye con x en esta región y la pendiente de las líneas características se reduce pro-
o

gresivamente. Esto produce una convergencia de las líneas características que genera una
av

contracción de la solución. De este modo, una región donde la función es decreciente es una
región compresiva cuando el flujo es convexo. Debe notarse que, en ausencia de términos
fuente, no hay ningún mecanismo que haga cambiar el valor extremo φ0 (xB ) de la variable,
D
st

lo cual resulta claro al tener en cuenta que, como ya establecimos, la variable φ no cambia
a lo largo de las líneas características. No obstante, la contracción de la solución genera un
u

“empinamiento” (steepening) de la curva en la región compresiva hasta un punto tal en que

la cresta de la onda sobrepasa a su base, produciendo así un “doblamiento” de la función
(G

que hace que la misma resulte multivaluada. Esto es una consecuencia de que las líneas ca-
racterísticas se cruzan en esta región. Matemáticamente, asumimos que la onda se rompe en
el punto donde las líneas características se cortan, por lo tanto, la derivada dφ / dx se hace
infinita en ese punto y se genera una discontinuidad que definimos como onda de choque,
la cual viaja con una velocidad S intermedia entre λ[ φ (xB )] y λ[φ (xC )]. La trayectoria de la
onda de choque queda definida en el plano x–t por los puntos donde las líneas característi-
cas se cortan en la región compresiva. En ese sentido, es importante remarcar que la onda
de choque no está gobernada por la ecuación característica (6.6), que es un resultado de la
forma diferencial de la ecuación de gobierno original, sino que es función de las relaciones
de “saltos” que se producen a través de ella, las cuales están definidas por la teoría de solu-
ciones débiles que concierne a la forma integral de la ecuación de gobierno. Este punto será
abordado más adelante.
238 Capítulo 6. Simulación de Flujo Compresible

FT
)
se
u
A
ra
Figura 6.1: Esquema de la evolución de la solución en una ley de conservación ho-
mogénea no lineal con flujo convexo.
K
R
o

6.2.1. El tubo de choque y el problema de Riemann

av

En general, los problemas de flujo compresible están vinculados a las altas velocidades
ya que la compresibilidad del medio se manifiesta de forma determinante cuando la velo-
D
st

cidad del flujo tiene una magnitud comparable a la velocidad del sonido. Esta condición
puede darse por el movimiento de cuerpos en la atmósfera a muy altas velocidades, como
u

sucede durante el vuelo de aviones de combate o el desplazamiento de proyectiles, o pue-

de ser consecuencia de una súbita liberación de energía, como ocurre en las explosiones
(G

o procesos similares. Desde el punto de vista “gasdinámico”, las explosiones son frentes
de choque esféricos que se desplazan a velocidades supersónicas y son producidos por la
repentina liberación de masa y energía. Este problema eminentemente inestacionario es de
vital importancia en Dinámica de los Gases y se constituye como uno de los prototipos clave
para evaluar el desempeño de los códigos de CFD aplicados al flujo compresible.
La versión unidimensional de una explosión se produce con la utilización de un dis-
positivo denominado tubo de choque, el cual consiste en un tubo recto y largo de sección
relativamente pequeña. Para generar el movimiento supersónico, el tubo se devide en dos
regiones separadas por una membrana muy delgada. En cada una de ellas se dispone el gas
en condiciones diferentes (ver Figura 6.2). Cuando la diferencia de presión entre ambas re-
giones del tubo es lo suficientemente grande, la ruptura repentina de la membrana genera
un patrón de flujo supersónico caracterizado por una estructura de ondas no lineales que se
6.2 Ecuaciones hiperbólicas no lineales 239

FT
Figura 6.2: Esquema básico de un tubo de choque y de la condición inicial del pro-

)
blema.

se
propagan en ambas direcciones y que analizaremos más adelante.

u
El problema del tubo de choque no sólo es un problema prototipo fundamental de la
A
Dinámica de los Gases sino que es la base de los esquemas numéricos basados en el método
ra
de Godunov. En términos matemáticos, un problema de valores iniciales que presenta una
condición inicial discontinua como la que exhibe el tubo de choque se conoce como un
K
problema de Riemann, por lo tanto, resulta necesario estudiar este tipo de problemas para
R
comprender los fundamentos del método de Godunov. Además, el problema de Riemann
o

para las ecuciones de Euler es una de las pocas configuraciones de flujo que posee solución
av

analítica conocida.
D
st

El problema de Riemann

Formalmente, un problema de Riemann es un problema de valores iniciales definido en

u

un dominio espacial unidimensional que se extiende indefinidamente en ambas direcciones,

cuya condición inicial consiste en dos valores constantes de la variable en cada región x < 0
(G

y x > 0. El problema de Riemann asociado a la ecuación de advección lineal es el más

simple que se puede construir y está dado simplemente por:

∂φ ∂φ
+ c0 = 0, −∞ < x < ∞
∂t ∂x
(6.9)
φL , si x < 0,

φ (x, 0) = φ0 (x) =
φR , si x > 0,

donde φL (L de left) y φR (R de right) son constantes que definen el valor de la variable a

cada lado de la discontinuidad.
El problema de valores iniciales (6.9) es un problema de Riemann clásico y lo defi-
nimos como RP(φL , φR ) (del inglés Riemann Problem). La solución φ (x,t) del problema
240 Capítulo 6. Simulación de Flujo Compresible

Figura 6.3: Vista esquemática de la solución del problema de Riemann para la ecua-

FT
ción de advección lineal con c0 > 0.

obviamente depende de la ecuación diferencial y de los valores φL y φR que definen la con-

)
dición inicial, los cuales se conocen como los estados del problema de Riemann.

se
Como sabemos, la solución exacta del problema de valores iniciales (6.9) consiste sim-
plemente en la convección de la condición inicial en dirección de la velocidad de la onda c0 .

u
Esto significa que, al igual que la condición inicial, la solución φ (x,t) = φ0 (x − c0t) consta
A
de dos regiones de valores constantes φL y φR , separadas por una discontinuidad que viaja a
ra
velocidad c0 , es decir:
K
φL ,
(
si x < c0t,
φ (x,t) = (6.10)
R

φR , si x > c0t.
o
av

Según se aprecia, las dos regiones de distribución constante de φ en el plano de solución

x–t están separadas por la recta x = c0t, que es la línea característica del problema hiperbó-
lico (6.9) que pasa por la discontinuidad en el instante de tiempo inicial. Esto implica que
D
st

la solución cambia únicamente al atravesar dicha línea característica en el plano de la so-

lución, lo cual constituye una importante propiedad que nos permitirá resolver el problema
u

de Riemann cuando analicemos sistemas de ecuaciones hiperbólicas como las ecuaciones

de Euler. En la Figura 6.3 se muestra esquemáticamente la solución (6.10) en el plano x–t.
(G

El problema de Riemann tiene solución analítica no sólo para leyes de conservación

escalares sino también para cualquier sistema de ecuaciones diferenciales lineales y para
las ecuaciones de Euler unidimensionales. Sus soluciones son siempre autosimilares, lo
cual significa que las mismas no son funciones de x y t de forma independiente sino que
dependen de una sola variable que es una combinación de ellas (por ejemplo, x − c0t para
el caso de la ecuación de advección lineal). De esta forma, las soluciones del problema de
Riemann se “estiran o contraen” uniformemente o preservan su forma inicial a medida que
el tiempo avanza. De igual manera que con muchos problemas matemáticos entre los cuales
se encuentran problemas clásicos de la Dinámica de los Fluidos, la autosimilaridad del
problema de Riemann permite simplificar las técnicas de solución y, con ello, muchas veces
es posible encontrar soluciones analíticas. Por otra parte, problemas de Riemann asociados
a ciertas leyes de conservación escalares pueden involucrar los tipos básicos de ondas que
6.2 Ecuaciones hiperbólicas no lineales 241

se presentan en las ecuaciones de Euler, lo cual representa una gran ventaja a la hora de
abordar estos temas.

6.2.2. Ondas no lineales

El paso que sigue en nuestra introducción de conceptos preliminares es la descripción
de los dos tipos básicos de ondas no lineales que se presentan en las ecuaciones de flujo.
Además, definiremos las condiciones que deben cumplirse para que cada tipo de onda pueda
desarrollarse y las relaciones que existen entre las variables a cada lado de estas ondas.

Ondas de choque: condición de Rankine-Hugoniot

FT
Las ondas de choque se definen como las discontinuidades generadas por la compresivi-
dad creciente de la solución de un problema no lineal. Desde el punto de vista matemático,

)
resulta clara la vinculación entre el comportamiento hiperbólico de la solución y la forma-

se
ción de ondas de choque, pero el mecanismo físico por el cual se generan este tipo de ondas
en el flujo de gases es más complejo. Esto se debe a que, en dicho fenómeno, intervienen
procesos difusivos que no son tenidos en cuenta por las ecuaciones de Euler. Sin embar-

u
go, el modelo matemático del flujo compresible no viscoso funciona muy bien en una gran
A
ra
variedad de problemas de interés donde las ondas de choque se manifiestan como capas de
transición extremadamente delgadas, del orden del camino libre medio de las moléculas que
K
conforman el gas (∼ 10−7 m para el aire atmosférico), a través de las cuales las propieda-
des del flujo cambian abruptamente. De esta forma, la hipótesis de considerar a las ondas
R

de choque como discontinuidades, es decir, como regiones de transición de espesor nulo,

o

resulta ser una muy buena aproximación. No obstante, hay que tener en cuenta que existen
av

condiciones de flujo donde este comportamiento no se cumple, como es el caso de ondas de

choque muy débiles. Más detalles acerca de estos temas pueden consultarse en los libros de
D

Landau y Lifschitz (1987); Whitham (1999), entre otros.

st

Para analizar lo que sucede a través de una onda de choque consideramos la forma
integral de la ley de conservación hiperbólica (6.1), ya que la derivada de la función no
u

está definida sobre la discontinuidad y la forma diferencial de la ecuación pierde validez.

(G

Definimos una línea s = s(t) en el plano x–t sobre la cual viaja la onda de choque, por lo
tanto, las derivadas de φ y del flujo F(φ ) están definidas en todo el plano a excepción de
la línea s(t), dado que partimos de una condición inicial donde φ0 (x) es continua. Ahora
escribimos la forma integral de la ley de conservación (6.1) sobre un volumen de control
dado por dos puntos xL y xR ubicados a cada lado de la línea s(t), de modo que xL < s(t) <
xR . La forma integral de la ley de conservación es entonces:
"ˆ ˆ
s(t) xR
#
d
φ (x,t) dx + φ (x,t) dx = F[φ (xL ,t)] − F[φ (xR ,t)], (6.11)
dt xL s(t)

´x ´ s(t) ´ xR
donde hemos descompuesto la integral como xLR = xL + s(t) .
Introduciendo la definición de la derivada sustancial, las integrales del primer miembro
242 Capítulo 6. Simulación de Flujo Compresible

de la ecuación (6.11) se pueden reescribir como:

ˆ ˆ s(t) ˆ s(t)
d s(t) ∂φ ∂ φ dx
φ (x,t) dx = dx + dx,
dt xL xL ∂t xL ∂ x dt
por lo tanto
ˆ ˆ s(t)
d s(t) ∂φ ds dxL
φ (x,t) dx = dx + φ [s(t),t] − φ (xL ,t) ,
dt xL xL ∂t dt dt
y de igual manera para la integral entre s(t) y xR . Siendo que xL y xR no dependen del
tiempo, la ecuación (6.11) queda:
ˆ s(t) ˆ xR
∂φ ∂φ

FT
dx + dx + [φ (sL ,t) − φ (sR ,t)] S = F[φ (xL ,t)] − F[φ (xR ,t)],
xL ∂t s(t) ∂t

donde S = ds/ dt es la velocidad de la discontinuidad, φ (sL ,t) es el límite de φ [s(t),t] para

)
x → s(t) desde la izquierda y φ (sR ,t) es el límite de φ [s(t),t] para x → s(t) desde la derecha.

se
Debido a que la función φ (x,t) es acotada, las integrales en la expresión anterior se
anulan para xL → s(t) y xR → s(t), por lo tanto, obtenemos la siguiente relación entre el

u
salto del flujo y el salto de la variable a través de la discontinuidad:
A
[φ (sL ,t) − φ (sR ,t)] S = F[φ (sL ,t)] − F[φ (sR ,t)]. ra (6.12)
Esta expresión algebraica que vincula el salto de la variable a través de la discontinuidad
K
con el salto del flujo se conoce como la condición de Rankine-Hugoniot. En este caso donde
la ecuación diferencial es escalar, la velocidad de la discontinuidad es:
R
o

∆F
S= . (6.13)
av

∆φ
Analicemos ahora lo que sucede con la solución del problema de Riemann asociado a
D

una ley de conservación genérica dado por:

st

∂φ ∂φ
+ λ(φ ) = 0, −∞ < x < ∞
u

∂t ∂x
(6.14)
φL , si x < 0,
(G


φ (x, 0) = φ0 (x) =
φR , si x > 0,
Si el flujo es convexo, la aparición de una onda de choque compresiva se produce para
la condición φL > φR , ya que bajo esa condición las líneas características correspondientes
al estado izquierdo (de pendiente dx/ dt = λ(φL )) tienen mayor pendiente que las líneas
características a la derecha (de pendiente dx/ dt = λ(φR )). De esa forma, ambas familias de
líneas “convergen” hacia una recta de pendiente S que representa el movimiento de la dis-
continuidad en dirección +x cuando λ(φL ) > 0, la cual separa ambos estados en la solución.
Este comportamiento se muestra gráficamente en la Figura 6.4 y la solución del problema
de Riemann (6.14) con flujo convexo y una condición inicial donde φL > φR es:
φL , si x − St < 0,

φ (x,t) = (6.15)
φR , si x − St > 0.
6.2 Ecuaciones hiperbólicas no lineales 243

FT
)
se
u
A
ra
K
Figura 6.4: Condición inicial compresiva y distribución de líneas caracteríticas en una
onda de choque.
R
o
av

La condición de Rankine-Hugoniot implica que la velocidad de la onda de choque es

igual al valor medio de la velocidad característica a través de la discontinuidad. Esto se
D

demuestra teniendo en cuenta que dF = λ dφ , por lo tanto:

st

ˆ F(φR ) ˆ φR
dF = λ dφ .
u

F(φL ) φL
(G

El teorema del valor medio permite escribir:

F(φR ) − F(φL ) = λ (φR − φL ) , (6.16)

donde λ es el valor medio de λ en el intervalo de integración [φL , φR ]. Comparando esta

relación con la ecuación (6.13) resulta claro que S = λ.

Ondas de expansión: condición de entropía

Como vimos en el apartado anterior, las ondas de choque viajan desde una región de
mayor valor hacia otra de menor valor de la variable. A través de ella se produce un incre-
mento discontinuo de la variable por lo que se dice que existe un “salto”. La contraparte de
las ondas de choque son las ondas de expansión, las cuales producen el efecto inverso, es
244 Capítulo 6. Simulación de Flujo Compresible

FT
)
se
u
A
ra
K
Figura 6.5: Condición inicial expansiva y distribución de líneas caracteríticas en un
choque expansivo.
R
o
av
D

decir que viajan desde una región de menor valor hacia otra de mayor valor de la variable,
st

reduciendo el mismo al cruzar la onda. Para describir este tipo de comportamiento, analice-
mos nuevamente el problema de Riemann (6.14), pero ahora considerando una distribución
u

expansiva, la cual corresponde a φL < φR para este caso de flujo convexo. Esta configuración
se muestra gráficamente en la Figura 6.5.
(G

Una solución matemáticamente correcta del problema (6.14) para la configuración in-
dicada en la Figura 6.5 consiste en lo que se denomina una onda de choque expansiva o,
más simplemente, un choque expansivo. En dicha solución, la expansión se produce a tra-
vés de una discontinuidad que, al igual que en el choque compresivo, separa los dos estados
constantes en el plano de solución x–t, tal como indica la ecuación (6.15). Sin embargo, en
este caso de una condición inicial expansiva las líneas características no convergen hacia
la discontinuidad sino que, como se muestra en la figura, emanan de ella. Como veremos a
continuación, aunque esta solución es correcta desde el punto de vista matemático, presenta
un comportamiento inestable ya que el salto en la solución del choque expansivo transiciona
en forma discontinua a una solución continua frente a pequeñas pertubraciones. Para enten-
der este punto, consideremos ahora un problema de valores iniciales cuyo flujo es convexo
6.2 Ecuaciones hiperbólicas no lineales 245

FT
)
se
u
A
ra
K
Figura 6.6: Condición inicial expansiva continua y distribución de líneas caracteríti-
cas para un flujo convexo.
R
o
av

y presenta una condición inicial continua dada por:

D

φ ,

si x ≤ xL ,
st

 L φ −φ


R L
φ (x, 0) = φ0 (x) = φL + (x − xL ), si xL < x ≤ xR , (6.17)
xR − xL
u


 φ ,

si x > xR .
R
(G

En la Figura 6.6 se muestra esta condición inicial con la correspondiente distribución de

líneas características en el plano x–t para un flujo convexo. Nótese que para xL = xR obtene-
mos el caso límite de una condición inicial discontinua que no es otra cosa que el problema
de Riemannn (6.14).
Como se deduce de la Figura 6.6, la solución de una ley de conservación con flujo con-
vexo y la condición inicial (6.17) consiste en una expansión continua desde el valor φR al
valor φL a través de la región delimitada por las líneas características que pasan por los
puntos xR y xL para t = 0. En este caso, la línea característica que pasa por xR en el tiempo
inicial es la cabeza (head) de la región de expansión, ya que marca el inicio de la expansión
a partir del cual la variable comienza a reducir su valor para un tiempo determinado. Natu-
ralmente, las líneas características dentro de la región de expansión son líneas rectas debido
a que estamos tratando con una ley de conservación homogénea y el flujo sólo depende de
246 Capítulo 6. Simulación de Flujo Compresible

φ . La línea característica que corta al eje x en el punto xL es la cola (tail) de la región de

expansión, ya que indica el final de la fase de expansión de φR a φL .
Teniendo en cuenta lo anterior, la solución de una expansión continua para la condición
inicial (6.17) es:

φL , si x ≤ xL + λ(φL )t,


(φR − φL ) [x − xL − λ(φL )t]


φ (x,t) = φL + , si xL + λ(φL )t < x ≤ xR + λ(φR )t,
 (xR − xL ) + [λ(φR ) − λ(φL )]t
φR , si x > xR + λ(φR ).


(6.18)

Veamos ahora qué sucede para el caso límite donde los puntos xL y xR coinciden, de

FT
modo que la condición inicial continua (6.17) se transforma en una condición inicial dis-
continua que da origen a un problema de Riemann. Tomando xL = xR = 0 en la condición
inicial (6.17) de una ley de conservación con flujo convexo y φL < φR , la solución (6.18)

)
queda dada por:

se
φ ,

si x ≤ λ(φL )t,
 L

φR − φL


u
φ (x,t) = φL + [x − λ(φL )t] , si λ(φL )t < x ≤ λ(φR )t, (6.19)
[λ(φR ) − λ(φL )]t
A



φR ,
ra
si x > λ(φR ).

La solución (6.19) se conoce como una onda de expansión, la cual se muestra gráfi-
K
camente en la Figura 6.7 junto con la distribución de líneas características y la condición
R

inicial. Como se observa, en la onda de expansión la cabeza y la cola de la onda emergen

o

del punto correspondiente a la discontinuidad, al igual que las líneas características que se
av

disponen entre ellas formando el llamado abanico de expansión. Debe notarse que esta so-
lución es diferente a la solución (6.15) propuesta para el choque expansivo y esquematizada
D

en la Figura 6.7. Aunque ambas soluciones son matemáticamente válidas, la solución (6.19)
st

presenta un mejor comportamiento ya que depende continuamente de la condición inicial.

Esto se debe a que la solución de la onda de expansión varía suavemente cuando xL → xR ,
u

mientras que la solución del choque expansivo tiene la característica de un problema singu-
larmente perturbado, dado que la solución continua (6.18) cambia abruptamente a la solu-
(G

ción discontinua (6.15) en el límite xL = xR . Por otra parte, la presencia de dos soluciones
posibles evidencia un mal condicionamiento matemático debido a la falta de unicidad de la
solución, lo cual debe cumplirse para poder resolver el problema.
El comportamiento singular del choque expansivo y la falta de unicidad de la solución
no se producen en el caso de la onda de choque compresiva, en la cual una condición ini-
cial compresiva y continua similar a (6.17) con φL > φR eventualmente genera una onda de
choque, cuyo tiempo de aparición depende de la distancia xR − xL y de la relación entre las
velocidades características a la izquierda y a la derecha. Por lo tanto, los choques compre-
sivos son una solución válida que, de hecho, necesitamos capturar para modelar las ondas
de choque físicas presentes en las soluciones de la Dinámica de los Gases en régimen de
flujo supersónico. Por el contrario, los choques expansivos, además de presentar un com-
portamiento matemático mal condicionado, no son físicamente posibles en los problemas
6.2 Ecuaciones hiperbólicas no lineales 247

FT
)
se
u
A
ra
K
Figura 6.7: Condición inicial y distribución de líneas caracteríticas correspondientes
a una onda de expansión en un problema con flujo convexo.
R
o
av

de flujo. Esto se debe a que los choques compresivos son procesos físicos donde intervie-
nen efectos disipativos que incrementan la entropía del flujo, por lo tanto, son procesos
D
st

irreversibles que inhabilitan la posibilidad de un proceso inverso (el choque expansivo), el

cual reduciría la entropía del sistema en clara contradicción con la Segunda Ley de la Ter-
modinámica. De este modo, desde el punto de vista físico, es necesario excluir al choque
u

expansivo como solución posible de un problema con condiciones expansivas.

(G

Para superar la “ambigûedad” de la solución del problema de Riemann (6.14) con φL <
φR y verificar la unicidad de las soluciones débiles, se debe imponer una condición adicional
que complemente las ecuaciones de gobierno y que sea compatible con la solución buscada.
Esta condición se conoce de manera general como condición de entropía, y se establece que
su cumplimiento es un requerimiento necesario para que puedan desarrollarse soluciones
discontinuas. Cabe aclarar que este término hace referencia a una condición matemática
que se adiciona al problema para garantizar la unicidad de las soluciones débiles, y no debe
confundirse con la condición que impone la Segunda Ley de la Termodinámica sobre la
evolución de la “entropía física”. De hecho, la definición de una condición de entropía es
un requerimiento para cualquier ecuación hiperbólica no lineal que puede o no representar
un proceso físico.
248 Capítulo 6. Simulación de Flujo Compresible

Para los problemas de valores iniciales con flujo convexo que venimos analizando, la
unicidad de la solución implica que deben descartarse los choques expansivos. Por ello,
se exige que la discontinuidad surja de una región compresiva, es decir que la solución
discontinua puede desarrollarse sólo para ∆φ /∆x < 0. Por lo tanto, para nuestro problema
de flujo convexo, la condición φR < φL equivale a λR < λL y la condición de entropía es:

λL > S > λR . (6.20)

Esta expresión indica que una discontinuidad en la solución sólo puede existir cuando las lí-
neas características convergen hacia ella, y no pueden emanar desde allí como en el caso del
choque expansivo. Más adelante veremos que mediante una condición similar a ésta, apli-
cada a las leyes de conservación que forman las ecuaciones de Euler, se evita la formación

FT
de choques expansivos, que son soluciones no físicas del flujo de gases.
Teniendo en cuenta lo anterior, finalmente podemos construir la solución general del
problema de Riemann (6.14) con flujo convexo ( dλ/ dφ > 0):

)
se
φL , si x − St < 0, 
 
φ (x,t) =
φR , si x − St > 0. 

si λ(φL ) > λ(φR ),

u
∆F (6.21)
S=

. 
A
∆φ

ra
K
φ ,

si x ≤ λ(φL )t,

 L
 
φR − φL
 
R

φ (x,t) = φL + x, si λ(φL )t < x ≤ λ(φR )t, si λ(φL ) < λ(φR ).
o

 [λ(φR ) − λ(φL )]t 

φR , si x > λ(φR ).
 
av

 

En las Figuras 6.4 y 6.7 se muestra la solución anterior para el problema de Rie-
D

mann (6.14). Análogamente, la solución para el caso de flujo cóncavo se construye con-
st

siderando una condición de entropía inversa en (6.21).

u

6.2.3. Irreversibilidad
(G

Antes de avanzar con el estudio de los sistemas de ecuaciones hiperbólicas, es conve-

niente extender algunos conceptos referidos a la condición de entropía que rige la validez
de las soluciones débiles. En general, los procesos físicos que se describen por medio de
ecuaciones hiperbólicas y que presentan soluciones suaves son reversibles en el tiempo,
ya que no poseen términos difusivos que hagan que la transformación t → −t resulte mal
condicionada, tal como sucede en los problemas parabólicos (Smoller, 1983). Sin embargo,
soluciones discontinuas como las ondas de choque suelen presentar un alto grado de irrever-
sibilidad, por lo tanto, es necesario fijar condiciones que eviten la formación de soluciones
no físicas que, además, son matemáticamente mal condicionadas.
Desde el punto de vista físico, la irreversibilidad de un proceso se manifiesta por me-
dio de la evolución de la entropía. Naturalmente, la Dinámica de los Gases no escapa a
este concepto, el cual nos indica, por ejemplo, que los choques expansivos no son posibles
6.2 Ecuaciones hiperbólicas no lineales 249

ya que la entropía no puede decrecer con la evolución del flujo. En términos matemáticos,
existe una función de entropía que satisface una ley de conservación adicional cuando las
soluciones son suaves o una desigualdad cuando las soluciones son discontinuas. Esta des-
igualdad está basada en la ley de conservación y es la que rige la validez de las soluciones
débiles (o generalizadas) del problema. La pregunta que surge entonces es de qué manera se
puede designar una función de entropía adecuada que fije el criterio de admisibilidad (y ga-
rantice la unicidad) de duchas soluciones. En ese sentido, cuando las leyes de conservación
representan procesos físicos, la función de entropía natural queda definida, precisamente,
por la física del problema, pero en ausencia de esta información es necesario establecer la
condición de entropía a partir de argumentos matemáticos, exigiendo, por ejemplo, que la
solución discontinua sea estable (tal como hicimos anteriormente).
Para este análisis asumimos que la ley de conservación (6.1) está acompañada de una

FT
función de entropía η(φ ) con su correspondiente flujo Fη (φ ), el cual está dado por:

Fη′ (φ ) = η ′ (φ )λ(φ ), (6.22)

)
se
con

∂η ∂ Fη

u
η ′ (φ ) = , Fη′ (φ ) = .
∂φ ∂φ
A
ra
Al multiplicar la ecuación (6.1) por η ′ (φ ), resulta que para una función φ (x,t) suave,
K
se satisface la siguiente ley de conservación adicional:
R

∂ η(φ ) ∂ Fη (φ )
o

+ = 0, (6.23)
∂t ∂x
av

ya que
D
st

∂ η(φ ) ∂φ ∂ Fη (φ ) ∂φ ∂φ
= η ′ (φ ) , = Fη′ (φ ) = η ′ (φ )λ(φ ) .
∂t ∂t ∂x ∂x ∂x
u

Claramente, cualquier solución clásica de (6.1) satisface la ecuación (6.23) y, por lo

(G

tanto, es una solución admisible para la función de entropía η. Por otro lado, en el caso
de soluciones discontinuas, la ecuación anterior se transforma en una desiguldad que fija el
criterio de admisibilidad de las soluciones débiles. Para determinar este criterio utilizaremos
el método de la viscosidad que se desvanece (vanishing viscosity).
Está claro que, por su definición, la entropía η(φ ) se conserva para las soluciones sua-
ves, pero frente a soluciones discontinuas donde las derivadas ∂ φ /∂ x no están definidas,
las transofrmaciones utilizadas para llegar a la ecuación (6.23) no son válidas. Entonces,
para evaluar el comportamiento de la entropía ante la presencia de soluciones débiles, ana-
lizamos el problema viscoso asociado para una viscosidad que se desvanece (es decir, para
α → 0):

∂ φ ∂ F(φ ) ∂ 2φ
+ =α 2. (6.24)
∂t ∂x ∂x
250 Capítulo 6. Simulación de Flujo Compresible

Dado que las soluciones de este problema son siempre suaves debido a la presencia del
término difusivo, podemos aplicar las mismas transformaciones que utilizamos anterior-
mente para las soluciones suaves del problema no viscoso, obteniéndose:
2φ
"   2 #
∂ η(φ ) ∂ Fη (φ ) ∂ ∂ ∂ φ ∂φ

+ = αη ′ (φ ) 2 = α η ′ (φ ) − η ′′ (φ ) .
∂t ∂x ∂x ∂x ∂x ∂x

Ahora integramos esta ecuación en un intervalo ∆t = [t1 ,t2 ] entre xa y xb :

ˆ t2 ˆ xb  ˆ t2 "
∂ η(φ ) ∂ Fη (φ ) ∂φ t

+ dx dt = α η ′ (φ (xb ,t)) −
t1 xa ∂t ∂x t1 ∂ x xb
ˆ t2 ˆ xb

FT
t  2
#
∂ φ ∂φ
η (φ (xa ,t))
′
dt − α η (φ )
′′
dx dt
∂ x xa t1 xa ∂x

)
Analizando esta ecuación, se observa que el primer término del miembro derecho se

se
anula para α → 0 mientras que el otro término involucra derivadas de φ con respecto a x,
las cuales no están acotadas cuando hay discontinuidades. Sin embargo, si asumimos que

u
la función de entropía es convexa, resulta que η ′′ (φ ) > 0 ∀φ y el miembro izquierdo es
negativo para α > 0. De esta manera, podemos escribir:
A
ˆ t2 ˆ xb 
ra
∂ η(φ ) ∂ Fη (φ )

+ dx dt ≤ 0, (6.25)
K
t1 xa ∂t ∂x
R

por lo tanto
o

ˆ xb ˆ xb ˆ t2
av

η(φ (x,t2 )) dx ≤ η(φ (x,t1 )) dx − [Fη (φ (xb ,t)) − Fη (φ (xa ,t))] dt.
xa xa t1
D

Esto significa que la entropía no necesariamente se conserva y puede decrecer1 . Por otra
st

parte, siendo que (6.24) se satisface para cualquier dominio [xa , xb ] y cualquier intervalo
de tiempo [t1 ,t2 ], la ley de conservación (6.23) que es válida únicamente para soluciones
u

clásicas se extiende a la siguiente relación cuando se consideran las soluciones débiles:

(G

∂ η(φ ) ∂ Fη (φ )
+ ≤0 (6.26)
∂t ∂x
Esta ecuación establece el criterio de admisibilidad de las soluciones tanto clásicas (en el
caso de la igualdad) como débiles (en el caso de la desigualdad), asegurando así la unicidad
de las mismas. Además, esta relación induce una condición de irreversibilidad en las solu-
ciones discontinuas, lo cual queda claro si se tiene en cuenta que si una función φ (x,t) es una
solución débil de (6.1) que satisface la desigualdad (6.26), la función ψ(x,t) = φ (−x, −t)
que también es solución de (6.1), no es una solución admisible porque no satisface la des-
igualdad.
1 Este resultado no debe confundirse con la condición de que la entropía “física” debe crecer de acuerdo a la

Segunda Ley de la Termodinámica.

6.2 Ecuaciones hiperbólicas no lineales 251

Para graficar el significado de este desarrollo, consideramos la ecuación de Burgers no

viscosa, la cual está dada por:

∂φ ∂ 1 2
 
+ φ = 0, (6.27)
∂t ∂ x 2

de donde resulta que la velocidad característica es λ(φ ) = φ .

Designamos una función de entropía η(φ ) = φ 2 , la cual es convexa, y luego realizamos
las transformaciones necesarias para obtener la ecuación (6.26) correspondiente a este caso
particular:

∂ 2 ∂ 2 3
 
(φ ) + φ ≤ 0. (6.28)
∂t ∂x 3

FT
Aplicando la regla de la cadena, vemos que la igualdad se reduce a la ecuación (6.27),
con lo cual resulta obvio que cualquier solución suave φ (x,t) satisface el criterio de admi-

)
sibilidad de la entropía (es decir, satisface la ley de conservación para η(φ )). Por otro lado,

se
para evaluar la admisibilidad de una solución débil hay que utilizar la forma integral de la
ecuación:

u
ˆ x+∆x t+∆t ˆ t+∆t x+∆x
2
A
x
2
[φ (x,t)] dx
t
+
t 3
[φ (x,t)]3 dt ra
x
≤ 0. (6.29)
K
Para ejemplificar la aplicación de esta expresión, evaluamos la solución del problema de
Riemann de la ecuación de Burgers, cuya solución débil consiste en un choque que viaja a
R

velocidad S = ∆( 12 φ 2 )/∆φ = 12 (φL + φR ), separando dos estados constantes de φ (x,t). Esta

o

solución se integra en un rectángulo [0, ∆x] × [0, ∆t], con ∆x = S∆t, de modo que una de
av

las diagonales del rectángulo coincide con la trayectoria de la discontinuidad. A cada lado
de la misma φ (x,t) es igual a φL (a la izquierda) o a φR (a la derecha). La integral en la
D

ecuación (6.29) resulta entonces:

st

ˆ ∆x ∆t ˆ ∆t ∆x
2
2
[φ (x,t)]2 dx [φ (x,t)]3 dt
u

= S∆t φL2 − φR2 + ∆t φR3 − φL3

+
0 0 0 3 0 3
(G

∆t
= − (φL − φR )3 .
6
Aquí vemos que la condición (6.29) sólo puede verificarse para φL ≥ φR , que es equiva-
lente a la condición de entropía (6.20) para el caso de la ecuación de Burgers (λ(φ ) = φ ).
Este resultado se verifica para cualquier solución discontinua de (6.27) independientemente
de la distribución de φ (x,t) a cada lado de la onda de choque (ver LeVeque, 1992).
Antes de cerrar esta sección hay que remarcar que, más allá de la importancia concep-
tual que tiene la función de entropía y su propiedad de convexidad, su definición no suele
ser relevante a la hora de resolver problemas prácticos, sobre todo cuando tratamos con
sistemas de ecuaciones hiperbólicas que no se encuentran expresados en su forma carac-
terística. En general, la admisibilidad de las soluciones débiles se define por medio de la
llamada condición de entropía de Lax (1957), que es la que ya utilizamos y que permite
252 Capítulo 6. Simulación de Flujo Compresible

determinar la admisibilidad de una solución débil por medio de la comparación de las velo-
cidades características a cada lado de la discontinuidad sin necesidad de designar funciones
de entropía adecuadas. Un análisis detallado de estos temas puede encontrarse en el libro de
Dafermos (2010).

6.2.4. Sistemas de ecuaciones hiperbólicas no lineales

Habiendo introducido los conceptos básicos referidos a la solución de ecuaciones esca-
lares hiperbólicas no lineales, el objetivo de esta sección es extender estos conceptos al caso
de sistemas de ecuaciones. Como hemos visto en la Sección 2.5.3, un sistema de ecuaciones
hiperbólico es, por definición, diagonalizable, por lo tanto, podemos escribir el conjunto de
ecuaciones acopladas en forma de un sistema de ecuaciones desacopladas en términos de las

FT
variables características ϕ j y las velocidades características λ j del sistema, que son los va-
lores propios de la matriz jacobiana y que, para este caso no lineal, son funciones explícitas

)
de las variables dependientes. Además, dada la condición de hiperbolicidad, existe una base

se
de vectores propios k j linealmente independientes que definen los campos característicos
del sistema.
Para este análisis consideramos entonces un sistema de m ecuaciones diferenciales en

u
derivadas parciales hiperbólico de la forma
A
∂ϕ ∂ϕ
ra
+ [A] = 0, (6.30)
∂t ∂x
K
donde ϕ = [φ1 , φ2 , . . . , φm ]T y la matriz del sistema es una función explícita de las variables
R
o

dependientes solamente ([A] = [A(ϕ)]). Siendo que el sistema es hiperbólico, existen m

av

valores propios λ j (ϕ) reales y distintos que representan m familias de líneas características,
y una base de m vectores propios derechos k j (ϕ) linealmente independientes que permiten
diagonalizar el sistema, de modo que la ecuación (6.30) puede escribirse como
D
st

∂φ ∂φ
+ [Λ] = 0, (6.31)
u

∂t ∂x
(G

donde

φ = [K]−1 ϕ,
λ1 0 · · · 0
 
 0 λ2 · · · 0 
[Λ] = [K]−1 [A] [K] =  .. .. . . . ,
 
 . . . .. 
0 0 · · · λm

con [K] = [k1 k2 · · · km ] siendo la matriz formada por los vectores propios k j .
Uno de los objetivos de este análisis es conocer la solución del problema de Riemann
formado por la ley de conservación (6.30) (con [A] = ∂ F/∂ ϕ), ya que buscamos determi-
nar la solución del tubo de choque. Por otro lado, esta solución es necesaria para aplicar el
6.2 Ecuaciones hiperbólicas no lineales 253

FT
)
se
Figura 6.8: Estructura de la solución de un problema de Riemann hiperbólico en el

u
plano x–t.
A
ra
método de Godunov. Para el análisis consideramos entonces un problema de valores inicia-
K
les formado por la ecuación (6.30) junto a una condición inicial discontinua con un salto en
x = 0, es decir:
R
o

∂ϕ ∂ϕ
av

+ [A] = 0, −∞ < x < ∞, t > 0,

∂t ∂x
(
ϕL , si x < 0, (6.32)
D

ϕ(x, 0) =
st

ϕR , si x > 0.
u

Siendo que el problema es estrictamente hiperbólico, existen m valores propios reales y

(G

distintos que ordenamos convenientemente de modo que:

λ1 < λ2 < . . . < λ j < . . . < λm . (6.33)

La solución del problema de Riemann (6.32) consiste en un conjunto de m ondas, una

asociada a cada valor propio λ j , que emergen desde la posición donde se encuentra la dis-
continuidad en el tiempo inicial y que viajan a velocidades S j transportando un salto en la
variable ϕ. Cada onda separa m + 1 regiones de valores ϕ∗j constantes de la variable, entre
los cuales están incluidos los valores ϕL y ϕR de la condición inicial, correspondientes a
las regiones dispuestas a la izquierda de la onda asociada a λ1 y a la derecha de la onda aso-
ciada a λm , respectivamente. La estructura de esta solución se muestra esquemáticamente
en la Figura 6.8.
254 Capítulo 6. Simulación de Flujo Compresible

Ecuaciones características
Los valores propios λ j del sistema (6.30) representan direcciones características dx/ dt =
λ j a lo largo de las cuales se cumple que:

k−1
j · dϕ = 0,

−1
donde k−1j es la fila j-ésima de la matriz [K] , es decir, el vector propio izquierdo del
sistema (6.30) asociado al valor propio λ j .
A partir de la relación anterior se construye un sistema de ecuaciones diferenciales
ordinarias válidas a lo largo de cada dirección característica:

k1−1 dφ1 + · · · + k1−1 dφ j + · · · + k1−1 dφm = 0, sobre dx/ dt = λ1 ,

FT
1 j m
.. ..
. .
k−1 −1 −1
j dφ1 + · · · + k j dφ j + · · · + k jm dφm = 0, sobre dx/ dt = λ j , (6.34)

)
1 j

se
.. ..
. .
−1 −1 −1
km dφ1 + · · · + km dφ j + · · · + kmm dφm = 0, sobre dx/ dt = λm ,

u
1 j
A
donde el factor k−1 −1 ra
ji es el elemento i del vector propio izquierdo k j .
Como veremos más adelante, estas ecuaciones diferenciales válidas a lo largo de cada
dirección característica definida por cada valor propio, permiten resolver el problema de
K
Riemann de las ecuaciones de Euler de forma aproximada pero muy rápida.
R
o

Sistemas hiperbólicos lineales

av

En la aplicación de esquemas numéricos basados en la solución de problemas de Rie-

mann, suelen utilizarse formas linealizadas de las ecuaciones de gobierno para reducir el
D
st

costo computacional de las simulaciones. Por lo tanto, un punto importante de este análisis
es determinar la solución del problema de Riemann (6.32) cuando la matriz de coeficientes
u

es constante. En ese caso, los valores propios λ j también son constantes y las ondas que
definen la solución son lineales con velocidades iguales a las velocidades características
(G

(es decir que S j = λ j para todas las ondas). Por otra parte, cada ecuación del sistema ex-
presado en variables características es una ecuación de advección lineal cuya solución es
simplemente:

ϕ j (x,t) = ϕ0 j (x − λ j t), (6.35)

donde ϕ0 j es la componente j del vector φ0 = [K]−1 ϕ(x, 0) (vector de variables caracterís-

ticas en el tiempo inicial). De esta manera, teniendo en cuenta que ϕ = [K] φ, la solución
del sistema hiperbólico (6.32) con coeficientes constantes se escribe en términos de una
combinación lineal de la forma:
m
ϕ(x,t) = ∑ ϕ0 j (x − λ jt)k j . (6.36)
j=1
6.2 Ecuaciones hiperbólicas no lineales 255

Esta solución puede entenderse como una superposición de m ondas lineales que se ad-
vectan independientemente a una velocidad igual a su velocidad característica sin modificar
su forma. La solución en un punto (x,t) depende únicamente de los valores de la condición
inicial en los puntos x − λ j t, que son los puntos de intersección de las m líneas característi-
cas con el eje x. El dominio de dependencia y la zona de influencia de la solución quedan
definidos por las ondas asociadas a λ1 y λm , que son las velocidades extremas del sistema.
En ocasiones, la solución (6.36) se escribe en función de una serie de coeficientes α j y
β j que resultan de evaluar la solución a la izquierda de la onda λ1 y a la derecha de la onda
λm , de modo que:
m m
ϕL = ∑ α jk j, ϕR = ∑ β jk j. (6.37)
j=1 j=1

FT
Los coeficientes α j y β j representan las condiciones iniciales de los m problemas de
Riemann escritos en términos de las variables características que conforman la solución

)
general, cada uno de los cuales tiene la forma:

se
∂ϕj ∂ϕj
+λj = 0, −∞ < x < ∞, t > 0,
∂t ∂(x

u
α j , si x < 0, (6.38)
A
ϕ j (x, 0) =
β j , si x > 0,
ra
K
y cuya solución sale directamente de la ecuación (6.35):
R

α j , si x − λ j t < 0,
(
o

ϕ j (x,t) = ϕ0 j (x − λ j t) = (6.39)
β j , si x − λ j t > 0,
av

A partir de las definiciones anteriores, el estado intermedio ϕ∗J correspondiente a la

D

región delimitada por las ondas de velocidades λJ y λJ+1 puede escribirse en función de las
st

variables originales del sistema a través de las expansiones (6.37). Para ello, debe notarse
que dentro de esa región se verifica que x − λ j t > 0 para todo j ≤ J, por lo tanto:
u
(G

m J
ϕ(x,t) = ∑ α j k j + ∑ β j .k j , x − λJ+1t < 0 < x − λJ t. (6.40)
j=J+1 j=1

Esta exprasión muestra que la solución en un punto x,t ubicado en la región delimitada
por las ondas de velocidades λJ y λJ+1 se obtiene al atravesar las m − J líneas características
más rápidas desde la región derecha (primera sumatoria) y las J líneas características más
lentas desde la región izquieda (segunda sumatoria). Naturalmente, para J = 1 o J = m, la
solución se reduce a las expansiones (6.37) para ϕL o ϕR , respectivamente.

Campos característicos
Cuando el sistema de ecuaciones en (6.30) es no lineal los valores propios de la matriz
de coeficientes dependen de las variables φ j y se dice que cada uno de ellos tiene asociado
256 Capítulo 6. Simulación de Flujo Compresible

un campo característico, el campo λ j . Cada campo característico se clasifica de acuerdo al

“comportamiento no lineal” que presenta con respecto a la familia de líneas características
asociada a él. En ese sentido, se dice que el campo λ j es linealmente degenerado si
∇φ λ j (ϕ) · k j (ϕ) = 0 ∀ ϕ, (6.41)
donde el gradiente ∇φ λ j se computa en términos de las derivadas con respecto a las com-
ponentes φ j del vector de variables dependientes, es decir:

∂λj ∂λj ∂λj T

 
∇φ λ j = , ,..., .
∂ φ1 ∂ φ2 ∂ φm
Que un campo característico λ j sea linealmente degenerado significa que las líneas ca-
racterísticas asociadas a él permanecen paralelas entre sí, por lo tanto, la velocidad S j a la

FT
que se transporta una solución (ya sea discontinua o suave) es igual a la velocidad caracterís-
tica λ j , de manera similar a lo que sucede en un problema lineal. Esto implica que las ondas

)
asociadas a campos característicos linealmente degenerados son siempre ondas simples y

se
no producen efectos compresivos o expansivos de la variable, es decir que transportan la so-
lución sin distorsión a velocidad constante λ j . Si la condición inicial del problema consiste
en un salto como en el problema de Riemann, la solución es simplemente la propagación del

u
salto a velocidad constante λ j . Por razones que veremos más adelante, los campos lineal-
A
ra
mente degenerados suelen designarse como discontinuidades de contacto. Nótese que en los
problemas lineales las velocidades características no dependen de ϕ por lo que el gradiente
∇φ λ j es siempre nulo y los campos característicos son todos linealmente degenerados (de
K
hecho, no es que su comportamiento se degenere sino que son en efecto lineales).
R

Contrariamente al caso anterior, se dice que un campo característico λ j es genuinamente

o

no lineal si se verifica
av

∇φ λi (ϕ) · ki (ϕ) ̸= 0 ∀ ϕ. (6.42)

D

Puede decirse que la no linealidad de un campo característico corresponde a la condición

st

de flujo convexo (o cóncavo) de un problema escalar (LeVeque, 1992), de modo que en los
campos genuinamente no lineales se desarrollan ondas no lineales cuya naturaleza depende
u

de la condición de entropía y de la relación entre las velocidades características de cada

(G

familia, en forma similar a lo visto en la sección anterior para problemas escalares. De

esta manera, tomando como ejemplo a la ecuación de Burgers (6.27), resulta que ∇φ λ(φ ) =
dλ/ dφ = 1, el flujo es convexo y su comportamiento se asocia al de un campo genuinamente
no lineal.

Condición de Rankine-Hugoniot
Como hemos visto para el caso escalar, la condición de Rankine-Hugoniot relaciona el
salto de la variable a través de una onda de choque con el salto en el flujo y la velocidad de
la onda. En problemas vectoriales esta condición se extiende directamene, de manera que
para el sistema homogéneo de leyes de conservación hiperbólicas
∂ ϕ ∂ F(ϕ)
+ = 0, (6.43)
∂t ∂x
6.2 Ecuaciones hiperbólicas no lineales 257

el salto ∆ϕ = ϕR −ϕL de las variables conservativas a través de una onda de discontinuidad

asociada al campo característico λ j está relacionado con el salto ∆F = FR − FL del flujo por
medio de:

∆F = S j ∆ϕ, (6.44)

donde S j es la velocidad de la onda y, en el caso de una onda de choque, debe cumplirse la

condición de entropía.
A diferencia de lo que sucede en el problema escalar, para el cual la condición de
Rankine-Hugoniot provee la ecuación que permite calcular directamente la velocidad de la
onda (S = ∆F/∆φ ), en los problemas de múltiples variables la ecuación (6.44) no suele ser
suficiente para determinar la velocidad de la onda S j y deben utilizarse otras relaciones para

FT
conformar un sistema de ecuaciones donde los estados intermedios de la solución intervie-
nen como incógnitas (ver más adelante). Sin embargo, en el caso particular de un problema
lineal con coeficientes constantes, la matriz jacobiana es constante y resulta ∆F = [A] ∆ϕ,

)
S j = λ j , de modo que la condición de Rankine-Hugoniot se reduce a

se
[A] ∆ϕ = λ j ∆ϕ.

u
Esto significa que en los problemas con coeficientes constantes se cumple la relación ∆ϕ =
A
ra
k j a través de la onda asociada a λ j , lo cual provee una técnica alternativa para determinar la
solución del problema de Riemann (6.32) con una ecuación lineal a coeficientes constantes.
K
Por otro lado, teniendo en cuenta que la aplicación de la condición de Rankine-Hugoniot
es válida para establecer el salto de una variable a través de ondas lineales, esta condición
R

puede utilizarse para determinar el salto de la variable a través de ondas asociadas a campos
o

linealmente degenerados.
av

Condición de entropía de Lax

D
st

Para las soluciones asociadas a campos genuinamente no lineales, Lax (1957) estableció
una condición de entropía que nos permite prescindir de la función de entropía para definir
u

la validez de las soluciones discontinuas. De hecho, la condición de entropía (6.20) que

(G

fijamos anteriormente para problemas escalares, es un caso particular de la condición de

entropía de Lax que, de forma general, se aplica a los campos genuinamente no lineales de
sistemas de ecuaciones hiperbólicos.
Formalmente, la condición de entropía de Lax indica que un salto ∆ϕ = ϕR − ϕL
asociado al campo característico k es un choque admisible si:

λk (ϕL ) > Sk > λk (ϕR ), (6.45)

donde Sk es la velocidad del choque.

Como ya hemos mencionado, la condición (6.45) implica que para que se produzca un
choque en un campo característico genuinamente no lineal de índice k, las líneas caracterís-
ticas deben converger o impactar (tal el término utilizado por Lax) contra la discontinuidad
desde cada lado de la misma.
258 Capítulo 6. Simulación de Flujo Compresible

Invariantes de Riemann generalizados

Los invariantes de Riemann se definen formalmente como las expresiones que pueden
escribirse en términos de las componentes φ j de ϕ que no cambian a lo largo de las lí-
neas características. De acuerdo a las definiciones que venimos utilizando, las variables
características ϕ j son invariantes de Riemann del problema y se dice que φ es el vector
de invariantes de Riemann independientes. Sin embargo, aunque la ecuación dϕ j / dt = 0 es
siempre válida sobre dx/ dt = λ j (ϕ) para un sistema hiperbólico homogéneo, la integración
de ϕ j sobre la línea característica para sistemas de tamaño m > 2, puede hacerse como una
combinación de las componentes de ϕ sólo en casos particulares (Jeffrey y Taniuti, 1964,
entre otros). Esto significa que, de forma general, no es posible encontrar un conjunto de m
invariantes de Riemann independientes en un sistema hiperbólico de dimensión m > 2.

FT
Una formulación alternativa, que se cumple sin importar al tamaño del sistema, permite
relacionar el cambio que se produce en las componentes del vector de variables dependien-
tes ϕ a través de la línea característica de la familia λ j con las componentes del vector

)
propio correspondiente. Estas relaciones se escriben en forma de m conjuntos de m − 1

se
ecuaciones diferenciales ordinarias, uno por cada familia de líneas características, para los
cuales se satisface:

u
dφ1 dφ2 dφm dx
= = ··· = = cte, a través de = λ j (ϕ), (6.46)
A
k j1 k j2 k jm dt ra
donde k j 1 , k j 2 , . . . , k j m son las componentes del vector propio k j asociado a λ j .
K
La ecuación (6.46) permite obtener ecuaciones diferenciales que, una vez integradas,
proveen relaciones algebraicas que se satisfacen entre las variables del sistema al cruzar
R

las líneas características. Por lo tanto, los invariantes de Riemann generalizados son útiles
o

para determinar los cambios de las variables al cruzar ondas de expansión, las cuales están
av

formadas por un abanico de líneas características, o campos linealmente degenerados, cuyas

ondas son ondas simples formadas por las líneas características. En presencia de ondas de
D

choque, la expresión que define el salto de la variable a través de ellas es la condición de

st

Rankine-Hugoniot.
u

Solución general del problema de Riemann

(G

En esta sección utilizaremos los desarrollos anteriores para obtener la solución general
del problema de Riemann (6.30) compuesto por un sistema hiperbólico no lineal. Como se
muestra en la Figura 6.8, la solución de este problema tiene la forma de un abanico de ondas
que emergen de la discontnuidad en el plano x–t, cada una de las cuales está asociada a un
campo característico λ j y separan m+1 estados constantes de la variable ϕ. Para obtener los
valores intermedios ϕ∗j en esta estructura de ondas es necesario, primeramente, identificar
la naturaleza de las ondas asociadas a cada campo característico, es decir, determinar si se
trata de campos linealmente degenerados o genuinamente no lineales. En el primer caso, las
ondas son siempre ondas simples que coinciden con la línea característica que pasa por la
discontinuidad en el tiempo inicial, por lo que el salto a través de ellas puede computarse
ya sea por medio de la condición de Rankine-Hugoniot o de los invariantes de Riemann
generalizados. Por otro lado, en presencia de ondas asociadas a campos genuinamente no
6.2 Ecuaciones hiperbólicas no lineales 259

lineales, debe identificarse qué tipo de onda no lineal se desarrolla para los valores ϕL y
ϕR dados y la condición de entropía. Una vez establecido el tipo de onda, se procede a
determinar el salto a través de ella mediante la condición de Rankine-Hugoniot, si se trata
de una onda de choque, o por medio de los invariantes de Riemann generalizados si la
onda es una onda de expansión. Es importante destacar que otros tipos de ondas también
pdorían desarrollarse dependiendo de las condiciones de cierre del problema no lineal, sin
embargo, nuestro objetivo es determinar la solución del problema de Riemann asociado a
las ecuaciones de Euler, para las cuales se asume que la ecuación de estado sólo admite la
formación de ondas de choque, ondas de expansión y ondas de contacto (Toro, 2009). A
continuación presentamos un resumen de las condiciones bajo las cuales se desarrolla cada
una de estas ondas y las relaciones que valen a través de ellas:

FT
Ondas de contacto: estas ondas vinculan dos estados ϕL y ϕR por medio de un
simple salto discontinuo a través de una onda de velocidad S j asociada a un campo
λ j linealmente degenerado. Las ondas de contacto, también llamadas discontinuida-

)
des de contacto, se dan bajo la condición λ j (ϕL ) = λ j (ϕR ) = S j y, a través de ellas,

se
se cumple tanto la condición de Rankine-Hugoniot (6.44) como los invariantes de
Riemann generalizados (6.46). En el primer panel de la Figura 6.9 se muestra esque-

u
máticamente una onda de contacto.
A
ra
Ondas de espansión: en este tipo de ondas, dos estados ϕL y ϕR están vinculadas
por medio de una transición suave que se da a través de una onda asociada a un campo
K
λ j genuinamente no lineal. Las ondas de expansión se dan bajo una condición de di-
R
vergencia de las líneas características, es decir, para λ j (ϕL ) < λ j (ϕR ). El cambio de
o

la variable ϕ a través de la onda de expansión satisface las relaciones establecidas por

los invariantes de Riemann generalizados (6.46). En el panel central de la Figura 6.9
av

se muestra esquemáticamente una onda de expansión.

D
st

Ondas de choque: estas ondas conectan dos estados ϕL y ϕR mediante un simple

salto discontinuo que se da a través de una onda que viaja a velocidad S j asociada a un
u

campo λ j genuinamente no lineal. Las ondas de choque se generan cuando las líneas
características convergen, o sea, cuando se cumple la condición λ j (ϕL ) > λ j (ϕR ). La
(G

velocidad S j de una onda de choque en un sistema homogéneo está dada por la con-
dición de Rankine-Hugoniot ∆F = S j ∆ϕ. En el panel de la derecha de la Figura 6.9
se muestra esquemáticamente una onda choque.

Ejemplo

Antes de aplicar este procedimiento para obtener la solución del problema de Riemann
de las ecuaciones de Euler, a continuación presentamos un ejemplo más sencillo que permi-
te visualizar los conceptos introducidos anteriormente. Para ello, analizamos un problema
de Riemann compuesto por las ecuaciones de Euler unidimensionales en un flujo isotérmi-
co (T = cte), las cuales conforman un sistema hiperbólico de dimensión 2 que, en forma
260 Capítulo 6. Simulación de Flujo Compresible

Figura 6.9: Estructura de una onda de contacto (panel izquierdo), de una onda de
expansión (panel central) y de una onda de choque (panel derecho).

conservativa, se escribe como:

FT
)
se
∂ ρ ∂ (ρu)
+ = 0, − ∞ < x < ∞, t >0
∂t ∂x
∂ (ρu) ∂ [ρ(u2 + a 2 )]

u
+ = 0, (6.47)
∂t ( ∂x
A
U(x, 0) =
UL , si x < 0,
ra
UR , si x > 0.
K
Debido a que el problema es isotérmico, la velocidad del sonido a es constante y el
R
o

vector de variables conservativas y el vector de flujo del sistema son:

av

ρ ρu
   
U= , F= .
ρu ρ(u2 + a 2 )
D
st

Las velocidades características y los correspondientes vectores propios se obtienen de

la matriz jacobiana [A] = ∂ F/∂ U, resultando:
u

λ1 = u − a, λ2 = u + a,
(G

1 1 (6.48)
   
k1 = , k2 = .
u−a u+a

La estructura de la solución del problema (6.47) consiste en dos ondas que separan los
estados UL y UR de un estado intermedio U∗ , tal como se muestra en la Figura 6.10. Sien-
do que ∇φ λ1 · k1 = −a/ρ ̸= 0 ∀U y ∇φ λ2 · k2 = a/ρ ̸= 0 ∀U, resulta que ambos campos
característicos son genuinamente no lineales, por lo tanto, cada onda S1 y S2 asociada a
cada campo característico podrá ser una onda de choque o una onda de expansión, depen-
diendo de la relación entre los valores de las velocidades características a cada lado de la
discontinuidad.
Bajo la condición λ1 (UL ) < λ1 (UR ) la onda de la izquierda se compone por líneas carac-
terísticas que divergen desde la discontinuidad, entonces se forma una onda de expansión.
6.2 Ecuaciones hiperbólicas no lineales 261

Figura 6.10: Estructura de la solución del problema de Riemann para las ecuaciones
de Euler isotérmicas.

FT
A través de esta onda son válidos los invariantes de Riemann generalizados, por lo tanto, el
salto U∗ − UL a través de ella puede esablecerse por medio de la ecuación (6.46) que, para

)
este caso, resulta:

se
dρ d(ρu)
= .
1 u−a

u
A
Expandiendo el diferencial d(ρu) = ρ du + u dρ y reagrupando términos, la expresión
ra
anterior queda:
a
K
dρ + du = 0.
ρ
R
o

Integrando entre UL y U∗ se obtiene:

av

a ln ρL + uL = a ln ρ ∗ + u∗ = IL , (6.49)
D

donde ρ ∗ y u∗ son los valores correspondientes al estado intermedio U∗ e IL se mantiene

st

constante a través de la expansión.

La transición entre UL y U∗ se produce de manera continua a través de la onda de
u

expansión cuya cabeza está dada por la línea característica dx/ dt = uL − a que pasa por la
(G

discontinuidad en el tiempo inicial y cuya cola corresponde a dx/ dt = u∗ − a, tal como se

muestra esquemáticamente en el primer panel de la Figura 6.11. La velocidad u(x,t) dentro
del abanico de expansión se obtiene teniendo en cuenta que las líneas características dentro
del mismo son rectas que parten del origen, por lo tanto, dentro de la onda de expansión
izquierda es
x x
= u(x,t) − a, uL − a ≤ ≤ u∗ − a. (6.50)
t t
y la densidad ρ(x,t) dentro del abanico de expansión se calcula por medio del invariante de
Riemann generalizado IL .
Los valores ρ ∗ y u∗ se determinan combinando la ecuación (6.49) con las expresiones
que surgen de evaluar el salto UR − U∗ a través de la onda derecha, cuyo tipo se determina
comparando las velocidades características λ2 (U) a cada lado de la discontinuidad inicial.
262 Capítulo 6. Simulación de Flujo Compresible

FT
)
se
u
A
ra
Figura 6.11: Posibles estructuras de ondas en el problema de Riemann para las ecua-
K
ciones de Euler isotérmicas.
R
o

Para λ2 (UL ) < λ2 (UR ), a la derecha también se desarrolla una onda de expansión a través
de la cual el invariante generalizado de Riemann permanece constante, siendo:
av

a ln ρR + uR = a ln ρ ∗ + u∗ = IR , (6.51)
D
st

Combinando esta ecuación con la ecuación (6.49) se obtiene:

1 1 ρR
  
ρ = exp
∗
(uR − uL ) + ln (6.52)
u

,
2a 2 ρL
(G

y u∗ se calcula por medio del invariante de Riemann. La variación u(x,t) dentro del abanico
de expansión en la onda derecha está dada por
x x
= u(x,t) + a, u∗ + a ≤ ≤ uR + a. (6.53)
t t
Finalmente, las ecuaciones (6.49) a (6.53) componen la solución del problema de Rie-
mann para las ecuaciones de Euler isotérmicas con una configuración de dos ondas de ex-
pansión (condición uL − a < uR − a y uL + a < uR + a). Es importante destacar que no
siempre es posible obtener formulaciones explícitas para determinar los estados interme-
dios de las variables y se debe recurrir a métodos iterativos para calcular las incógnitas.
Analicemos ahora la solución para cuando existe una onda de choque. Para la onda
izquierda, esta situación corresponde a la condición λ1 (UL ) > λ1 (UR ), que genera la con-
vergencia de las líneas características con una consecuente onda de choque. A través de ella
6.3 Ecuaciones de Euler 263

se satisface la condición de Rankine-Hugoniot ∆F = S1 ∆U la cual, para este caso vectorial,

se escribe en forma de dos ecuaciones escalares:
ρ ∗ u∗ − ρL uL = S1 (ρ ∗ − ρL ) ,
  (6.54)
ρ ∗ u∗ 2 + a 2 − ρL u2L + a 2 = S1 (ρ ∗ u∗ − ρL uL ) .

Esta expresión conforma un sistema de dos ecuaciones en las incógnitas ρ ∗ , u∗ y S1 . La

relación faltante para poder resolverlo surge de la expresión que resulta de considerar el
salto UR − U∗ a través de la onda de la derecha. Nótese que, para las ecuaciones de Euler
isotérmicas, la velocidad del sonido es constante lo cual implica que si uL − a > uR − a,
entonces uL + a > uR + a. Esto significa que si la onda asociada a la familia λ1 es una onda
de choque, la onda asociada a la familia λ2 (onda derecha) también es una onda de choque,

FT
por lo tanto, el salto UR − U∗ a través de ella satisface la condición de Rankine-Hugoniot y
puede escribirse:
ρR uR − ρ ∗ u∗ = S2 (ρR − ρ ∗ ) ,

)
  (6.55)
ρR u2R + a 2 − ρ ∗ u∗ 2 + a 2 = S2 (ρR uR − ρ ∗ u∗ ) .

se

Las ecuaciones (6.54) y (6.55) conforman un sistema de cuatro ecuaciones con cuatro

u
incógnitas que debe resolverse para obtener los estados intermedios ρ ∗ y u∗ junto a las
A
velocidades S1 y S2 de cada onda de choque. Aquí vemos que, a diferencia del caso de dos
ra
expansiones, para esta configuración de ondas no es posible alcanzar expresiones explícitas
para las incógnitas del problema por lo que la resolución del mismo es mucho más costosa.
K
Para finalizar el análisis, aunque la condición de flujo isotérmico no admite una disposi-
ción de una onda de expansión izquierda junto a una onda de choque derecha, aquí conside-
R
o

ramos esa situación para mostrar cómo se procede para determinar la solución del problema
de Riemann. En ese caso, el sistema de ecuaciones queda formado por la ecuación (6.49),
av

que resulta de aplicar los invariantes de Riemann generalizados a través del salto U∗ − UL
izquierdo, y por las ecuaciones (6.55), que surgen de la condición de Rankine-Hugoniot a
D
st

través de la onda derecha. Del mismo modo, para una configuración de una onda de choque
izquierda y una onda de expansión derecha las ecuaciones a utilizar son las (6.54) junto
a (6.51).
u
(G

6.3. Ecuaciones de Euler

El paso que sigue en nuestro objetivo de simular numéricamente el flujo compresible
es analizar las ecuaciones de gobierno del problema. Como hemos mencionado, asumiendo
que el flujo se desarrolla a muy elevados números de Reynodls y que consideramos regiones
por fuera de la estela viscosa, las ecuaciones que gobiernan el fenómeno son las ecuaciones
de Euler. Por otro lado, teniendo en cuenta los objetivos del análisis, inicialmente conside-
raremos que el problema es unidimensional (1D) y dependiente del tiempo sin presencia de
términos fuente, por lo tanto, las ecuaciones toman la forma de la siguiente ley de conser-
vación homogénea (ver Capítulo 2):
∂U ∂F
+ = 0, (6.56)
∂t ∂x
264 Capítulo 6. Simulación de Flujo Compresible

con el vector de variables conservativas

ρ
 

U =  ρu  , (6.57)
ρE

y el vector de flujos

ρu
 

F =  ρu2 + p  , (6.58)
(ρE + p)u

donde la energía total específica es

1
E = ε + u2 .
2

FT (6.59)

)
El sistema se cierra asumiendo la validez de la ecuación de estado de los gases ideales,

se
de manera que la energía interna queda dada por:
p

u
ε= . (6.60)
(γ − 1)ρ
A
ra
La forma cuasi-lineal del sistema (6.56) se escribe por medio de la matriz jacobiana
[A(U)] = ∂ F/∂ U, que para las definiciones anteriores es:
K
0 1 0
 
R

1 2
o

[A(U)] =  2 (γ − 3)u (3 − γ)u γ−1 . (6.61)

3 3 2
(γ − 1)u − γuE γE − 2 (γ − 1)u γu
av

Los valores propios de la matriz [A(U)] definen la clasificación matemática del sistema.
D

Obteniendo las raíces del polinomio característico que resulta de det ([A(U)] − λ [I]) = 0 se
st

determina que el sistema posee tres valores propios reales y distintos:

u

λ1 = u − a, λ2 = u, λ3 = u + a, (6.62)
(G

con sus respectivos vectores propios derechos:

1 1
   
1
 

k1 (U) = 
 u−a  , k2 (U) =  u  ,

k3 (U) = 
 u+a  . (6.63)

p p
E + − ua 1 2 E + + ua
ρ 2u ρ
Los valores propios del sistema muestran que las ecuaciones de Euler son un conjunto
de ecuaciones diferenciales estrictamente hiperbólico. Físicamente, sabemos que cada va-
lor propio representa cada una de las velocidades características a la que se transmite la
información en el dominio físico,
p las cuales son función de la velocidad del flujo u y de
la velocidad del sonido a = γp/ρ que transporta la información en todas direcciones,
de allí que tenemos λ1,3 = u ∓ a en este problema unidimensional. Por otro lado, el valor
6.3 Ecuaciones de Euler 265

propio λ2 = u corresponde a la convección de una distribución de temperatura (y densidad)

a presión constante que se mueve a la velocidad del flujo.

La forma primitiva de las ecuaciones de Euler se escribe directamente en forma cuasi-

lineal ya que no todas las variables primitivas se conservan, por lo tanto:
∂V ∂V
+ [A(V)] = 0, (6.64)
∂t ∂x
con el vector de variables primitivas dado por
ρ
 

V =  u . (6.65)
p

FT
La transformación de la matriz de coeficientes del sistema conservativo (6.56) al siste-
ma primitivo (6.64) se obtiene de la aplicación de la regla de la cadena en cada derivada,

)
resultando:

se
u ρ 0
 
−1
∂U ∂U 

[A(V)] = [A(U)] = 0 u 1/ρ  . (6.66)
∂V ∂V 2
0 ρa

u
u
A
ra
En Álgebra Lineal esta transformación recibe el nombre de conjugación y se dice que
las matrices [A(U)] y [A(V)] son similares. La similaridad entre dos matrices implica que
ambas comparten los mismos valores propios y que sus vectores propios están vinculados
K
por la misma conjugación, es decir que los vectores propios de la matriz [A(V)] son:
R
o

∂ U −1 ∂U
 
k j (V) = k j (U) . (6.67)
∂V ∂V
av

Esta expresión se verifica fácilmente premultiplicando y multiplicando cada miembro de la

D

igualdad [A(U)] k j (U) = λ j k j (U) por las matrices (∂ U/∂ V)−1 y ∂ U/∂ V, respectivamente.
st

Aplicando la transformación (6.67) a los vectores propios (6.63) se obtienen los vectores
propios de la forma primitiva de las ecuaciones de Euler unidimensionales:
u

1 1 1
     
(G

k1 (V) =  −a/ρ  , k2 (V) =  0  , k3 (V) =  a/ρ  . (6.68)

a 2 0 a 2

6.3.1. Forma característica y variación de la entropía

De acuerdo a la ecuación (6.34), la forma característica de las ecuaciones de Euler
unidimensionales se escribe a partir de los vectores propios izquierdos del sistema
 (6.64),
los cuales se obtienen al invertir la matriz [K] (V) = k1 (V) k2 (V) k3 (V) , lo cual


resulta en:
k−1
1 = 0 1 −1/(ρa) ,
 

k−1 2 , (6.69)
2 = 1 0 −1/a
 

−1
k3 = 0 1 1/(ρa) .
 
266 Capítulo 6. Simulación de Flujo Compresible

T
Entonces, siendo dV = dρ du dp , las ecuaciones de Euler unidimensionales


en forma característica son:

dp − ρa du = 0, sobre dx/ dt = λ1 = u − a,
dp − a 2 dρ = 0, sobre dx/ dt = λ2 = u, (6.70)
dp + ρa du = 0, sobre dx/ dt = λ3 = u + a,

Ahora analizamos la ecuación característica correspondiente al valor propio λ2 = u.

Recordando que a 2 = γp/ρ y que γ = c p /cv , tenemos que sobre cada línea característica
dada por dx/ dt = u se cumple:

dp dρ
cv − cp = 0. (6.71)

FT
p ρ

Por otro lado, la entropía para un gas perfecto puede escribirse en términos de la presión,

)
la densiddad y los calores específicos como:

se
S = cv ln p − c p ln ρ +C0 ,

u
donde C0 es una constante. Utilizando esta expresión para expandir el diferencial dS =
A
∂ S/∂ p dp + ∂ S/∂ ρ dρ, llegamos a: ra
dp dρ
dS = cv − cp (6.72)
K
,
p ρ
R

lo cual, de acuerdo a la ecuación (6.71), es cero a lo largo de la línea característica dx/ dt =

o

λ2 = u. De esta forma, podemos escribir:

av

S = cte, sobre dx/ dt = u. (6.73)

D
st

Esto significa que la entropía de una partícula de fluido no cambia a medida que se
mueve con el flujo, lo cual es una consecuencia evidente de ignorar la viscosidad y otras
u

fuentes de generación de entropía en las ecuaciones de Euler. De allí que las ondas aso-
(G

ciadas al campo característico λ2 = u suelen denominarse ondas de entropía. Sin embargo,

siendo que la relación (6.73) se obtuvo a partir de la forma diferencial de las ecuaciones de
gobierno, la misma no se satisface a través de los choques ya que éstos son una solución de
la forma integral del problema (es decir, son soluciones débiles), pero las derivadas no están
definidas a través de ellos. Es precisamente en este punto donde entra en juego la Segunda
Ley de la Termodinámica, la cual indica que la entropía aumenta cuando el fluido atraviesa
una onda de choque e impide que se produzca el proceso inverso (el choque expansivo).

6.3.2. El problema de Riemann en las ecuaciones de Euler

El objetivo inicial de este análisis consiste en resolver el problema de Riemann de las
ecuaciones de Euler, es decir, el problema del tubo de choque, ya que esta solución es la base
de la aplicación de los esquemas de tipo Godunov a las ecuaciones del flujo compresible.
6.3 Ecuaciones de Euler 267

Por otro lado, la solución del tubo de choque se constituye como uno de los benchmarks
fundamentales para la evaluación de los esquemas numéricos del flujo de alta energía.
El primer paso para resolver este problema es identificar la naturaleza de cada campo
característico λ j . Para ello, calculamos cada uno de los productos ∇V λ j (V) · k j (V):
a
∇V λ1 · k1 (V) = − ,
2ρ
∇V λ2 · k2 (V) = 0,
1 a2
 
a
∇V λ3 · k3 (V) = − + .
2 ρ p

Teniendo en cuenta que ρ, p y a son siempre mayores que cero, resulta que los campos

FT
característicos λ1,3 = u ∓ a son genuinamente no lineales mientras que el campo caracterís-
tico λ2 = u es linealmente degenerado.
La idealización del tubo de choque es una de las pocas configuraciones de flujo que

)
se
presenta una solución exacta conocida. Físicamente, el flujo en el tubo se desarrolla a par-
tir de un “salto” de presión dispuesto a través de una membrana que separa dos regiones
con propiedades diferentes del fluido, lo cual conforma la condición inicial discontinua que

u
da origen al problema de Riemann. Ante la súbita extracción de la membrana, que se asu-
A
ra
me instantánea en la idealización matemática, el fluido inicialmente en reposo comienza
a moverse desde la región de mayor presión hacia la región de menor presión. Debido a
la propiedad elástica del medio y a la acción de los campos característicos genuinamente
K
no lineales, se forman tres ondas: una onda de choque que viaja en la dirección del movi-
R
miento a una velocidad estacionaria produciendo un salto discontinuo en las variables del
o

flujo, una onda de contacto que separa dos regiones de densidad constante que se mueve a
av

la velocidad del flujo, y una onda de expansión que viaja en dirección opuesta al movimien-
to del fluido, reduciendo su presión en forma continua. Este patrón de ondas se muestra
esquemáticamente en la Figura 6.12 para una configuración con pL > pR .
D
st

Obviamente, el patrón de ondas indicado en la figura no es único sino que depende de

las condiciones iniciales del problema. En ese sentido, aunque desde el punto de vista ex-
u

perimental se presentan limitaciones prácticas a la hora de fijar de forma independiente los

valores iniciales de las variables del flujo en cada región del tubo de choque, desde el punto
(G

de vista matemático no existe ninguna restricción para definir los estados del problema de
Riemann. De esa forma, podemos construir tubos de choque “analíticos” en los cuales las
velocidades a cada lado de la membrana central son no nulas y de direcciones opuestas para
generar dos ondas de expansión o dos ondas de choque. Estas soluciones no sólo son útiles
como casos de prueba sino que son necesarias para aplicar los esquemas numéricos basados
en el método de Godunov, en los cuales cada interfaz entre celdas representa la posición
central de un tubo de choque que debe ser resuelto para calcular el flujo numérico.
Por conveniencia, definimos el problema de Riemann de las ecuaciones de Euler uni-
dimensionales en términos de las variables primitivas ya que es más intuitivo evaluar el
comportamiento físico de la velocidad y la presión que el de las variables conservativaS
asociadas. Por otra parte, nuestra estrategia de solución consiste en determinar inicialmente
la presión dal estado intermedio, la cual se mantiene constante a través de la discontinuidad
268 Capítulo 6. Simulación de Flujo Compresible

FT
)
se
Figura 6.12: Esquema de la evolución del flujo en un tubo de choque con pL > pR y

u
uL = uR = 0.
A
ra
de contacto. De esta manera, el problema de Riemann queda definido por:
K
∂V ∂V
+ [A(V)] = 0, −∞ < x < ∞, t > 0,
∂t   ∂x
R

ρ u ρ 0 (6.74)
o

 

V =  u , [A(V)] =  0 u 1/ρ  ,
av

p 0 ρa 2 u
con
D
st

(
VL , si x < 0,
V(x, 0) = V0 (x) =
VR , si x > 0.
u

Como ya hemos visto, los valores propios de este sistema estrictamente hiperbólico son
(G

λ1 = u − a, λ2 = u y λ3 = u + a, con los campos característicos asociados a λ1 y λ3 genui-

namente no lineales y el campo característico asociado a λ2 linealmente degenerado. Esto
significa que la onda de entropía se comporta como una onda simple que transporta una
discontinuidad a velocidad u (la discontinuidad de contacto), mientras que las ondas de los
extremos son ondas no lineales que transportan una expansión o un choque dependiendo
de la relación entre las variables a cada lado de la discontinuidad. De esta manera, la solu-
ción genérica del tubo de choque sin presencia de vacío queda definida por cuatro estados
constantes separados por tres ondas: el estado inicial VL a la izquierda de la onda asociada
a λ1 , el estado intermedio V∗L en la región delimitada por la onda asociada a λ1 y la onda de
entropía que transporta la discontinuidad de contacto, el estado intermedio V∗R en la región
delimitada por la onda de entropía y la onda asociada a λ3 , y el estado inicial VR a la derecha
de esta última onda.
6.3 Ecuaciones de Euler 269

FT
Figura 6.13: Esquema de la solución genérica del tubo de choque.

De acuerdo a lo anterior, resulta que la solución del problema de Riemann (6.74) consis-

)
se
te en determinar los estados intermedios V∗L , V∗R y el tipo y posición de cada onda, teniendo
en cuenta que pueden presentarse cuatro patrones de ondas posibles: una onda de contacto
central acompañada de una expansión a la izquierda y un choque a la derecha (como en el

u
ejemplo de la Figura 6.12), de un choque a la izquierda y una expansión a la derecha, de dos
A
ra
expansiones o de dos choques. Por otro lado, siendo que el salto en cada variable a través de
la discontinuidad de contacto es respectivamente proporcional a cada componente del vec-
tor propio k2 (V) (es decir, ∆ρ ∝ k21 , ∆u ∝ k22 , ∆p ∝ k23 ), resulta que ∆u = 0, ∆p = 0 y la
K
densidad es la única variable que cambia cuando se cruza dicha onda. Este resultado puede
R

verificarse fácilmente por medio de los invariantes de Riemann calculados con las variables
o

conservativas y el vector k2 (U). Finalmente, la solución general del tubo de choque tiene la
av

forma que se muestra esquemáticamente en la Figura 6.13.

Para determinar el tipo de onda que se desarrolla a cada lado de la discontinuidad de
D

contacto se emplea la condición de entropía de Lax, es decir que se comparan las velocida-
st

des características a cada lado de la discontinuidad. Una vez identificada la onda se aplican
las relaciones válidas para cada caso, esto es, se aplican los invariantes de Riemann genera-
u

lizados a través de las ondas de expansión y las condiciones de Rankine-Higoniot a través

de las ondas de choque.
(G

• λ1 (VL ) < λ1 (VR ) =⇒ expansión izquierda

Ante una expansión izquierda, el estado inicial VL está conectado con el estado inter-
medio V∗L por medio de los invariantes de Riemann generalizados. Además, la entropía se
mantiene constante a través de la onda por lo que vale la relación:

p = CL ρ γ ,

con C = pL /ρLγ . La velocidad del sonido a través de la expansión es

CL γρ (γ−1)/2 .
p
a= (6.75)
270 Capítulo 6. Simulación de Flujo Compresible

Evaluando la ecuación (6.46) para el campo característico asociado a λ1 , se llega a la

siguiente ecuación diferencial:
a
− dρ = du,
ρ
de donde resulta
2 p
IL = u + γCL ρ (γ−1)/2 .
γ−1
Evaluando IL a cada lado de la onda de expansión y teniendo en cuenta que
 ∗ 1/γ
p
ρL = ρL
∗
pL

" 
∗ (γ−1)/2γ

FT
se obtiene la siguiente expresión para la velocidad en el estado intermedio:
#

)
2a L p
u∗ = uL − −1 , (6.76)

se
γ−1 pL

donde aL = (γpL /ρL )1/2 es la velocidad del sonido en el estado izquierdo.

u
Para determinar la evolución de las variables a través de la onda de expansión sabemos
A
que dentro de dicha onda se cumple:
x
ra
= u − a,
K
t
Entonces, introduciendo las expresiones del invariante IL y de la velocidad del sonido, se
R
o

encuentra una expresión para la variación de la densidad:

av

2/(γ−1)
x γ−1

ρ(x,t) = IL − √ , (6.77)
t (γ + 1) γCL
D
st

y u(x,t) y p(x,t) se obtienen a partir de ella.

u

• λ3 (VL ) < λ3 (VR ) =⇒ expansión derecha

(G

Para establecer las relaciones a través de una onda de expansión derecha procedemos
de manera similar al caso anterior, pero ahora considerando el inveriante de Riemann del
campo característico asociado a λ3 , el cual resulta:
2 p
IR = u − γCR ρ (γ−1)/2 ,
γ−1
donde CR = pR /ρRγ .
Con esta expresión y utilizando las relaciones isoentrópicas que se satisfacen a través
de una onda de expansión definidas anteriormente, obtenemos la siguiente expresión para
la velocidad en el estado intermedio:
"  #
2a p∗ (γ−1)/2γ
R
u∗ = uR + −1 , (6.78)
γ−1 pR
6.3 Ecuaciones de Euler 271

donde aR = (γpR /ρR )1/2 es la velocidad del sonido en el estado derecho.

La variación de la densidad a través de la onda de expansión derecha se obtiene teniendo
en cuenta que, para este caso se cumple:
x
= u + a,
t
lo cual permite escribir
2/(γ−1)
x γ−1
 
ρ(x,t) = − IR √ . (6.79)
t (γ + 1) γCR

FT
• λ1 (VL ) > λ1 (VR ) =⇒ choque izquierdo
Como hemos visto, a través de un choque debe satisfacerse la condición de Rankine-

)
Hugoniot, que es la condición que relaciona el salto de las variables con el salto en los flujos

se
y la velocidad de la onda. Para un gas calóricamente perfecto, como los que consideramos
en nuestro análisis, el salto a través de una onda de choque izquierda satisface:

u
ρL∗ u∗ − ρL uL = S1 (ρL∗ − ρL ) ,
A
ra
ρL∗ u∗ 2 + p∗ − ρL u2L + pL = S1 (ρL∗ u∗ − ρL uL ) ,
∗ ∗ 1 ∗2 γp∗ 1 2
   
γpL
ρL u u + ∗ − ρL uL uL + =
K
2 ρL (γ − 1) 2 ρL (γ − 1)
∗ 1 ∗2 p∗ 1 2 pL
R
   
S1 ρL u + ∗ − S1 ρL uL + .
o

2 ρL (γ − 1) 2 ρL (γ − 1)
av

De la primera de las ecuaciones anteriores se obtiene la siguiente expresión para la

velocidad de la onda:
D
st

ρL∗ u∗ − ρL uL
S1 = . (6.80)
ρL∗ − ρL
u

Ahora reescribimos las condiciones de Rankine-Hugoniot considerando un marco de

(G

referencia que se mueve con la onda, de modo que las velocidades con respecto a ese marco
son u − S1 y la velocidad del choque es nula, resultando:

ρL∗ (u∗ − S1 ) = ρL (uL − S1 ) , (6.81)

ρL∗ (u∗ − S1 )2 + p∗ 2
= ρL (uL − S1 ) + pL , (6.82)
ρ ρL
 ∗
γp∗
  
γpL
(u∗ − S1 ) L (u∗ − S1 )2 + = (uL − S1 ) (uL − S1 )2 + . (6.83)
2 (γ − 1) 2 (γ − 1)

Teniendo en cuenta la primera ecuación del conjunto, la tercera igualdad se reduce a:

1 ∗ γp∗ 1 γpL
(u − S1 )2 + ∗ = (uL − S1 )2 + , (6.84)
2 ρL (γ − 1) 2 ρL (γ − 1)
272 Capítulo 6. Simulación de Flujo Compresible

mientras que la ecuación (6.82) se expresa como:

ρL∗ 2 ∗
ρL∗ (u∗ − S1 )2 = (u − S1 )2 + pL − p∗ .
ρL

Operando algebraicamente se obtiene:

pL − p∗ ρL
 
∗ 2
(u − S1 ) = ,
ρL − ρL∗ ρL∗

y de manera similar se llega a:

ρL∗

FT
pL − p∗
 
2
(uL − S1 ) = ,
ρL − ρL∗ ρL

)
por lo tanto

se
ρL + ρL∗
 
∗ 2 2 ∗
(u − S1 ) − (uL − S1 ) = (pL − p ) .
ρL∗ ρL

u
A
Reorganizando la ecuación (6.84) e introduciendo esta última igualdad, se encuentra la
ra
relación entre el salto en la densidad y el salto en la presión a través del choque:
K
ρL∗ (γ + 1)p∗ + (γ − 1)pL
= . (6.85)
ρL
R
(γ − 1)p∗ + (γ + 1)pL
o

Para obtener una expresión para u∗ en términos de cantidades conocidas y de la presión

av

p∗ , reescribimos la ecuación (6.82):

D
st

[ρL∗ (u∗ − S1 )] (u∗ − S1 ) + p∗ = [ρL (uL − S1 )] (uL − S1 ) + pL ,

la cual se reordena considerando la ecuación (6.81), resultando:

u
(G

pL − p∗
u∗ − uL = .
uL − S1

Teniendo en cuenta que

1/2
pL − p∗ ρL∗
 
uL − S1 = ,
ρL − ρL∗ ρL

y utilizando la la relación (6.85) para evaluar ρL∗ , se obtiene una expresión para u∗ en función
de p∗ :
1/2
pL − p∗ 2

∗
u = uL + √ . (6.86)
ρL (γ + 1)p∗ + (γ − 1)pL
6.3 Ecuaciones de Euler 273

• λ3 (VL ) > λ3 (VR ) =⇒ choque derecho

Las relaciones para una onda de choque a la derecha de la discontinuidad de contacto se
obtienen de manera similar al caso anterior, es decir, estableciendo la condición de Rankine-
Hugoniot entre las variables ρR∗ , u∗ y p∗ a la izquierda de la onda y las variables ρR , uR y pR
a la derecha de la misma. A partir de ello se determina la velocidad de la onda de choque
derecha:
ρR uR − ρR∗ u∗
S2 = (6.87)
ρR − ρR∗

La relación entre las densidades y las presiones a cada lado de la onda es en este caso:

ρR∗ (γ + 1)p∗ + (γ − 1)pR

FT
= , (6.88)
ρR (γ − 1)p∗ + (γ + 1)pR
y la ecuación de la velocidad u∗ en función de la presión p∗ queda:

)
se
1/2
pR − p∗ 2

∗
u = uL − √ . (6.89)
ρR (γ + 1)p∗ + (γ − 1)pL

u
A
Solución del sistema ra
Una vez identificadas las ondas y definidas las expresiones que relacionan las variables,
K
la solución del sistema se obtiene al resolver las ecuaciones que surgen de vincular los esta-
dos a través de cada onda. De esta forma, ante una configuración de dos expansiones, deben
R

igualarse las ecuaciones (6.76) y (6.78) para determinar la presión p∗ , pudiendo encontrarse
o

para este caso la siguiente ecuación explícita:

av

 2γ/(γ−1)
D

 aL + aR − 21 (γ − 1)(uR − uL ) 
st

p∗ =  aL aR
 . (6.90)
+
 
2γ/(γ−1) 2γ/(γ−1)
pL pR
u

Para una configuración de una expansión a la izquierda y un choque a la derecha, la

(G

expresión para la presión en el estado intermedio surge al igualar las ecuaciones (6.76) y
(6.89), mientras que para la situación inversa (choque izquierdo y expansión derecha) deben
igualarse las ecuaciones (6.86) y (6.78). En ninguno de estos casos es posible obtener una
ecuación explícita que permita evaluar directamente la presión p∗ , por lo que debe emplear-
se algún método iterativo para determinar la solución. Por otro lado, una configuración de
dos choques también lleva a una ecuación implícita para la presión, la cual se obtiene al
igualar las ecuaciones (6.86) y (6.89). Naturalmente, la convergencia del proceso iterativo
requiere que el valor inicial de la presión sea adecuado y que en ningún momento se evalúen
valores negativos, que además de producir resultados imaginarios, no tienen significado fí-
sico.
Otro punto a tener en cuenta antes de encarar la solución del tubo de choque es reconocer
que existen relaciones entre los estados del problema de Riemann que pueden llevar a la
274 Capítulo 6. Simulación de Flujo Compresible

Caso ρL uL pL ρR uR pR
1 0,15 0 0,10 1,00 0 1,00
2 0,50 −2,50 0,50 0,50 2,50 0,50
3 1,00 5,00 10,0 1,00 −5,00 0,50

Tabla 6.1: Datos de los tubos de choque analaizados en las Figuras 6.14.

generación de “vacío”, es decir, a un valor nulo de la presión. Evidentemente, esta situación

se genera frente a la presencia de dos expansiones, para las cuales es p∗ < pL , pR y en
cuya condición crítica se produce p∗ = 0. A partir de la ecuación (6.90) se observa que la
condición para obtener una presión mayor que cero corresponde a:

FT
2
(uR − uL ) < (aL + aR ) . (6.91)
γ−1
Esta relación se conoce como la condición de positividad de la presión, y es un requisito

)
se
necesario para poder resolver el problema de Riemann.

Para concluir esta sección, en las siguientes figuras se muestran algunas soluciones de

u
tubos de choque que presentan diferentes configuraciones de ondas. Estas soluciones co-
A
ra
rresponden a tres problemas de Riemann cuyos datos iniciales se indican en la Tabla 6.1,
para un tiempo t = 0,50 y un coeficiente γ = 1,4.
En el primer ejemplo (Caso 1) se presenta una configuración que genera una onda de
K
choque a la izquierda y una onda de expansión a la derecha, producto de un salto positivo en
R

la densidad y en la presión a través de la discontinuidad con una velocidad inicial nula a cada
o

lado de la misma. Los resultados para las variables primitivas se muestran en la Figura 6.14.
av

Allí se observa que la onda de contacto se desplaza hacia la izquierda transportanto un salto
en la densidad (y en la energía interna) a velocidad u∗ = −0,89, mientras que la onda de
D

choque se mueve en la misma dirección a una velocidad S1 = −1,64. Por otra parte, p la onda
st

de expansión se desarrolla con una velocidad u∗ +aR∗ = 0,11 en la cola (con aR∗ = γp∗ /ρR∗ )
y de aR = 1,18 en la cabeza, ya que la velocidad uR es nula. Más adelante veremos que la
u

modelación numérica de las discontinuidades de contacto es generalmente la más dificultosa

debido a la excesiva disipación numérica que se desarrolla en torno a ellas.
(G

El siguiente ejemplo (Caso 2) corresponde a una configuración de presión y densidad

constante a través de la discontinuidad con velocidades opuestas y de igual magnitud, las
cuales se alejan de la misma para generar una expansión en el centro del tubo de choque.
En la Figura 6.15 se observan las dos ondas de expansión que se desarrollan simétricamente
con respecto a la discontinuidad inicial (x = 0). Esto se debe, precisamente, a la disposi-
ción de velocidades opuestas de igual magnitud combinadas con una distribución constante
de presión y densidad, lo cual implica que la velocidad del sonido es también constante a
través de la discontinuidad. De esta forma, las velocidades características de los campos
genuinamente no lineales tienen igual magnitud y sentidos opuestos, haciendo que la velo-
cidad u∗ en el estado intermedio sea nula. Por otro lado, la discontinuidad de contacto no se
manifiesta porque la densidad es constante en el estado intermedio (ρL∗ = ρR∗ ). Como vere-
mos más adelante, las soluciones numéricas de flujos que desarrollan expansiones bruscas
6.3 Ecuaciones de Euler 275

1,0 0,0

0,8 −0,2

0,6 −0,4

u
ρ

0,4 −0,6

0,2 −0,8

0,0 −1,0
−1,0 −0,5 0,0 0,5 1,0 −1,0 −0,5 0,0 0,5 1,0

FT
x x
3,00
1,0

)
2,75

se
0,8 2,50

0,6 2,25

u
p

ε
A
0,4 2,00 ra
0,2 1,75
K
0,0 1,50
R

−1,0 −0,5 0,0 0,5 1,0 −1,0 −0,5 0,0 0,5 1,0
o

x x
av

Figura 6.14: Solución exacta del tubo de choque para el Caso 1 de la Tabla 6.1 con
γ = 1,4 y para t = 0,50.
D
st
u

pueden presentar choques expansivos que, obviamente, no representan la realidad física del
problema y deben evitarse.
(G

El último ejemplo (Caso 3) que presentamos en esta sección corresponde a un tubo de

choque cuya condición inicial consiste en una distribución constante de densidad y un salto
en la presión, combinado con velocidades opuestas de igual magnitud que convergen hacia
la discontinuidad. Esta condición “de impacto” genera dos ondas de choque que separan el
estado intermedio de los estados iniciales. En el interior de las ondas se produce un fuerte
incremento en la presión, que llega a un valor de cuatro veces su valor inicial máximo (p∗ =
40,38), y también en la densidad, que casi multiplica por seis su valor inicial (ρR∗ = 5,59).
Además, se desarrolla una onda de contacto que viaja hacia la derecha a una velocidad
u∗ = 0,72 y produce un salto que más que duplica la densidad (ρL∗ = 2,513). Este resultado
es consecuencia de que la presión (y por lo tanto la velocidad del sonido) no es constante
a través de la discontinuidad, de modo que la onda de contacto ya no se ubica sobre el
eje temporal, tal como sucede en el caso de las dos expansiones simétricas, y su efecto
276 Capítulo 6. Simulación de Flujo Compresible

0,6 3

0,5 2

0,4 1

0,3 0

u
ρ

0,2 −1

0,1 −2

0,0 −3
−2 −1 0 1 2 −2 −1 0 1 2

FT
x x
0,6
2,5

)
0,5

se
0,4 2,0

0,3

u
p

1,5
A
0,2
1,0
ra
0,1
K
0,0 0,5
R

−2 −1 0 1 2 −2 −1 0 1 2
o

x x
av

Figura 6.15: Solución exacta del tubo de choque para el Caso 2 de la Tabla 6.1 con
γ = 1,4 y para t = 0,50.
D
st

se manifiesta claramente. En cuanto a la magnitud de las velocidades, el choque que viaja

u

hacia a la izquierda lo hace con S1 = −2,10 y el que viaja hacia la derecha con S2 = 1,97.
(G

6.3.3. Soluciones aproximadas del tubo de choque

Como vimos en la sección anterior, la solución exacta del tubo de choque en general
requiere la resolución de una ecuación implícita, la cual debe hacerse por medio de al-
gún método iterativo. De esta manera, aunque el problema tiene una solución conocida y
calculable, presenta una gran desventaja desde el punto de vista computacional cuando se
implementan esquemas numéricos basados en el método de Godunov. Esto se debe a que di-
cha formulación se vale de la solución de múltiples problemas de Riemann en cada paso de
integración, por lo tanto, la necesidad de resolver iterativamente cada problema incrementa
fuertemente el costo computacional del método numérico. Por este motivo, se han desarro-
llado soluciones aproximadas del tubo de choque que, al linealizar las ecuaciones, permitien
evaluar las variables directamente por medio de ecuaciones explícitas para calcular así los
6.3 Ecuaciones de Euler 277

6 6

5 4

4 2

3 0

u
ρ

2 −2

1 −4

0 −6
−2 −1 0 1 2 −2 −1 0 1 2

FT
x x

40 40

)
se
30 30

u
p

20 20
A
10 10
ra
K
0 0
R

−2 −1 0 1 2 −2 −1 0 1 2
o

x x
av

Figura 6.16: Solución exacta del tubo de choque para el Caso 3 de la Tabla 6.1 con
γ = 1,4 y para t = 0,50.
D
st

correspondientes flujos numéricos.

u
(G

Método de Roe
El solver de Riemann aproximado de Roe (1981a) se basa en una linealización local
de las ecuaciones de Euler, la cual se hace escribiendo el vector de flujos en términos de
valores promediados de las variables para obtener así un sistema lineal de tres ondas.
Para entender la idea subyacente a la aproximación de Roe, comenzamos con una fun-
ción escalar no lineal F(φ ), la cual se desea aproximar por una recta en un intervalo [φL , φR ].
Resulta claro que una función lineal dada por:

FRL (φ ) = F(φL ) + aRL (φ − φL ) ,

con
F(φR ) − F(φL )
aRL = ,
φR − φL
278 Capítulo 6. Simulación de Flujo Compresible

produce la aproximación con el menor error promedio en el intervalo [φL , φR ]. Esto es lo que
se conoce como la aproximación secante de F(φ ) y en ella la pendiente aRL es un promedio
de las pendientes F ′ (φ ) a lo largo del intervalo.
Si consideramos una función vectorial no lineal F(U), como el vector de flujo en las
ecuaciones de Euler, la pendiente aproximada aRL es ahora una matriz y la función aproxi-
mada es:

Fl (U) = F(UL ) + [A]RL (U − UL ) ,

donde [A]RL es cualquier matriz que satisface la relación:

F(UR ) − F(UR ) = [A]RL (UR − UL ) . (6.92)

FT
Evidentemente, si este sistema tiene dimensión M resulta que, en principio, existen M 2
incógnitas, una por cada elemento de la matriz [A]RL . Esto significa que el sistema posee

)
infinitas soluciones, cada una de las cuales representa un plano secante que pasan por los

se
puntos F(UL ) y F(UR ). Para levantar esta indeterminación, Roe propuso escribir la matriz
en función de un vector URL , el cual se define en términos de valores promediados de las
componentes de los vectores UL y UR . De esta forma, la matriz aproximada es

u
A
[A]RL = [A] (URL ),
ra (6.93)

y las incógnitas del sistema (6.92) se reducen a las M componentes del vector URL , sabiendo
K
que la consistencia de la formulación exige que para UL = UR = U debe cumplirse URL = U.
R

Una sustitución de este tipo no sólo permite resolver el sistema sino que implica que los
o

valores propios de la matriz [A]RL se obtienen directamente de la matriz [A] (U), de modo
av

que para las ecuaciones de Euler tendremos que λRL1 = uRL − aRL , λRL2 = uRL y λRL3 =
uRL + aRL , siendo uRL el valor promediado de la velocidad u y aRL el valor promediado de
D

la velocidad del sonido a. Por lo tanto, la ecuación linealizada

st

∂U ∂U
+ [A]RL = 0,
u

∂t ∂x
(G

es estrictamente hiperbólica y, debido a la igualdad (6.92), representa una ley de conserva-

ción.
La clave de la aproximación de Roe es entonces definir las componentes del vector URL ,
es decir, los llamados promedios de Roe.
DE TORO

6.4. Esquemas de tipo Godunov

Los esquemas de tipo Godunov son una familia de esquemas basados en el método de
volúmenes finitos cuya formulación se escribe a partir del método original de Godunov
(1959), quien desarrolló un esquema numérico específicamente aplicable a leyes de con-
servación hiperbólicas. Por este motivo, el uso de esquemas de tipo Godunov se encuentra
6.4 Esquemas de tipo Godunov 279

muy difundido en el análsis numérico de flujos altamente compresibles que se modelan con
las ecuaciones de Euler.
El esquema de Godunov (1959) es un método conservativo que puede escribirse en tér-
minos de una discretización en volúmenes finitos, en la cual los flujos numéricos en las
interfaces de los subvolúmenes de control se evalúan por medio de un problema de Rie-
mann. Aunque el esquema de Godunov original es sólo de primer orden de aproximación,
su carácter conservativo y su “forma natural” de modelar discontinuidades en problemas
no lineales hicieron de este método una alternativa superior a los esquemas basados en
diferencias finitas para resolver las ecuaciones de Euler. Para incrementar su orden de apro-
ximación, se propusieron técnicas de reconstrucción de las variables dentro de las celdas
que, combinadas con diferentes estrategias de limitación, permiten obtener los esquemas de
tipo Godunov de alta resolución que se utilizan en la actualidad.

FT
La idea subyacente al esquema de Godunov consiste en resolver las leyes de conserva-
ción sobre cada subvolumen en una discretización de volúmenes finitos co-locados. Tenien-
do en cuenta que la definición de variables centradas en las celdas implica que, en el caso

)
general, la solución discreta sea esencialmente discontinua ya que existen saltos en los con-

se
tornos o interfaces que separan las celdas, Godunov estableció que en cada interfaz existe
un problema de Riemann cuya solución define el flujo numérico correspondiente. Una vez

u
que los flujos numéricos son computados en cada interfaz, la ecuación semidiscretizada
A
del problema se obtiene con la expresión convencional del balance de flujos del método de
ra
volúmenes finitos.
K
6.4.1. Método de Godunov de primer orden
R
o

La idea básica del método de Godunov de primer orden se muestra en la Figura 6.17.
Como mencionamos anteriormente, en esta formulación asumimos que la variable es cons-
av

tante en cada celda, por lo tanto, en el caso general la distribución de φ es discontinua

(constante a trozos) con saltos en cada interfaz de separación de celdas, de igual modo a
D
st

como se hace en el método de volúmenes finitos. Para evaluar los flujos numéricos, el mé-
todo de Godunov clásico preserva esta distribución constante a trozos de la variable para
construir un problema de Riemann con origen en cada interfaz i ∓ 12 , cuyos estados iniciales
u

n y φ = φ n para la interfaz
a la izquierda y a la derecha de la discontinuidad son φL = φi−1 R i
(G

1 n n para la interfaz i + 1
de índice i − 2 (extremo izquierdo de la celda), y φL = φi y φR = φi+1 2
(extremo derecho de la celda).
Para explicar la aplicación del método de Godunov consideramos la ecuación de ad-
n
vección lineal. Con las definiciones de la Figura 6.17, las soluciones φ̃i− n
1 y φ̃ de los
2 i+ 1
2
problemas de Riemann RP(φi−1 n , φ n ) y RP(φ n , φ n ), respectivamente, se deducen de la ex-
i i i+1
presión (6.10), centrando las discontinuidades en xi∓ 1 , lo cual resulta:
2
( n
φi−1 , si x < xi− 1 + c0t , ′
n
φ̃i− ′
1 (x,t ) =
2
2 φin , si x > xi− 1 + c0t ′ .
2
( n (6.94)
φi , si x < xi+ 1 + c0t ′ ,
n
φ̃i+ ′
1 (x,t ) = n
2
2 φi+1 , si x > xi+ 1 + c0t ′ .
2
280 Capítulo 6. Simulación de Flujo Compresible

Figura 6.17: Ilustración de la discretización de Godunov en un dominio unidimensio-

nal.

FT
En su primera versión, la solución del método de Godunov (1959) consistía en prome-
diar a lo largo de la celda la solución de los dos problemas de Riemann definidos en los
n y φ̃ n para un tiempo ∆t
extremos de la misma. Para ello, se integraban las soluciones φ̃i−

)
1
i+ 1 2 2
sobre las mitades [xi− 1 , xi ] y [xi , xi+1 ], respectivamente, es decir:

se
2

ˆ x 1 + ∆x ˆ x 1
 

u
1  i− 2 2 n i+ 2
φin+1 = φ̃i− 1 (x, ∆t) dx + n
φ̃i+ 1 (x, ∆t) dx . (6.95)
A
∆x x 1

i− 2
2 x 1 − ∆x
2
i+ 2
2 ra
n
En esta integral, las soluciones φ̃i∓
K
1 corresponden a problemas de Riemann evaluados
2
a partir del instante de tiempo t n (tiempo actual), ya que los valores de las variables en las
R

celdas i − 1, i e i + 1 que definen los estados φL y φR a través de cada interfaz corresponden a

o

t n . De esta forma, no debe confundirse el avance del tiempo “local” t ′ empleado para evaluar
av

las soluciones φ̃i∓ n (x,t ′ ) con el avance de tiempo global de la solución t.

1
2
En la Figura 6.18 se muestra el sentido geométrico de la integral (6.95). Nótese que la
D
st

forma en que se formula la promediación de la variable exige la siguiente restricción en el

número de Courant:
u

c0 ∆t 1
C fl = ≤ ,
(G

∆x 2

de modo de evitar que la solución del problema de Riemann de la interfaz izquierda se

propague más allá de la mitad de la celda cuando c0 > 0 y viceversa. Esta condición resulta
doblemente más restrictiva que la condición de estabilidad del esquema upwind de primer
orden, el cual requiere C fl ≤ 1.
La solución (6.95) para la ecuación de advección lineal puede escribirse fácilmente
considerando las definiciones de la Figura 6.18 y las soluciones (6.94) de los problemas de
Riemann RP(φi−1 n , φ n ) y RP(φ n , φ n ). Asumiendo que c > 0 (el resultado para c < 0 se
i i i+1 0 0
obtiene de forma análoga), la integral en el intervalo [xi− 1 , xi ] se descompone teniendo en
2
n es igual
cuenta que, a la izquierda del punto P de coordenada xi− 1 + c0 ∆t, la solución φ̃i− 1
2 2
n
a φi−1 , mientras que en el resto de la celda, la solución tanto de φ̃i− n es φin .
1 como de φ̃
2 i+ 1 2
6.4 Esquemas de tipo Godunov 281

Figura 6.18: Esquema del avance de la solución en la primera versión del esquema

FT
de Godunov (ecuación (6.95)).

)
Por lo tanto, se puede escribir:

se
ˆ x 1 +c0 ∆t ˆ x 1 + ∆x ˆ x 1
 
1  i− i− 2 i+
φin+1 = 2 n
φi−1 dx + 2
φin dx + 2
φin dx

u
∆x x 1 xi− 1 +c0 ∆t ∆x
xi+ 1 − 2
i− 2
A
2 2

=
1

c0 ∆tφi−1n ∆x
+ φin − c0 ∆tφin + φin .
∆x
ra

∆x 2 2
K
Al reagrupar términos vemos que el esquema de Godunov de primer orden aplicado a
R

la ecuación de advección lineal se reduce al esquema upwind de primer orden,

o

c0 ∆t n
av

φin+1 = φin − n
φi − φi−1 (6.96)


.
∆x
D

lo cual evidencia el primer orden de aproximación de este esquema.

st

Es importante notar que la primera versión del método de Godunov (1959) no se for-
mula explícitamente en términos del método de volúmenes finitos, sino que consiste en una
u

promediación llevada a cabo sobre soluciones obtenidas localmente. Contrariamente, la se-

guda versión del método de Godunov, que es la que se utiliza actualmente, permite obtener
(G

directamente la solución conservativa (4.73) sin necesidad de evaluar las integrales a lo

largo de la celda. Esta formulación es más simple de aplicar que la anterior y además no
presenta la restricción adicional sobre el número de Courant que reduce a la mitad el paso
de tiempo admisible.
En la segunda versión del método de Godunov se considera que el valor promediado de
la variable en la celda para el instante de tiempo t n+1 (es decir, el valor φin+1 centrado en
la celda definido en el método de volúmenes finitos), se determina integrando en la celda la
solución φ̃in que corresponde a la solución de la interacción de los problemas de Riemann
en ambos extremos de la celda partiendo del tiempo actual t n :
ˆ x 1
1 i+ 2
φin+1 = φ̃ n (x, ∆t) dx
∆x x 1 i
i− 2
282 Capítulo 6. Simulación de Flujo Compresible

Siendo que φ̃i (x,t ′ ) es una solución exacta de la ley de conservación original (6.1),
podemos hacer uso de su formulación integral (4.63) tal que, para el volumen de control
[xi− 1 , xi+ 1 ], es válido escribir:
2 2

ˆ xi+ 1 ˆ xi+ 1
n
2
φ (x,t + ∆t) dx = 2
φ (x,t n ) dx
xi− 1 xi− 1
2 2
ˆ ∆t ˆ ∆t 
+ F[φ̃in (xi − 21 ∆x,t ′ )] dt ′ − F[φ̃in (xi + 12 ∆x,t ′ )] dt .
0 0

Con esta última expresión podemos reproducir directamente la ley de conservación dis-
creta en términos de flujos numéricos:

∆t  n

FT

φin+1 = φin − n
F̃i+ 1 − F̃i− 1 .
∆x 2 2

)
En este caso, los flujos numéricos se definen como los flujos físicos correspondientes

se
a la solución del problema de Riemann en cada extremo, promediados en el intervalo de
tiempo ∆t, es decir:

u
ˆ
1 ∆t
A
n
F̃i− 1 =
2 ∆t 0
n
F[φ̃i−
2
1
1 (xi − 2 ∆x,t )] dt ,
′ ′ ra
ˆ (6.97)
1 ∆t
K
n n 1
F̃i+ 1 = F[φ̃i+ 1 (xi + 2 ∆x,t )] dt .
′ ′
2 ∆t 0 2
R
o

La evaluación de estas integrales en general es simple debido a que el eje temporal

en el plano x–t, a lo largo del cual se realiza la integración, suele quedar contenido en
av

una región de valor constante de la variable o coincide con una línea característica del
problema sobre la cual la variable no cambia en los problemas de nuestro interés. De este
D
st

modo, el mayor esfuerzo para el cálculo de los flujos numéricos de Godunov consiste en
determinar la solución de los problemas de Riemann en cada interfaz. En el caso particular
n (x − 1 ∆x,t ′ ) =
de la ecuación de advección lineal con c0 > 0, tenemos que F = c0 φ , φ̃i−
u

1 i 2
2
n y φ̃ n (x + 1 ∆x,t ′ ) = φ n , por lo tanto, al evaluar los flujos numéricos de Godunov e
φi−1
(G

i+ 12 i 2 i
introducirlos en la ecuación de conservación discreta, recuperamos la solución del esquema
upwind de primer orden pero ahora se mantiene la condición C fl ≤ 1 para el avance en el
tiempo.

6.4.2. Método de Godunov de alto orden: reconstrucción tipo MUSCL

Aunque el método de Godunov fue verdaderamente revolucionario en su momento, a
tal punto que algunos investigadores llegaron a replantearse la utilidad de los esquemas ba-
sados en diferencias finitas para resolver problemas hiperbólicos, el primer orden de apro-
ximación de su formulación original le confería una importante desventaja. Esta condición
se debe a la forma de extrapolación escogida originalmente por Godunov para evaluar los
estados de los problemas de Riemann en las caras de las celdas, la cual corresponde a una
6.4 Esquemas de tipo Godunov 283

extrapolación de orden cero ya que se asume que las variables son constantes en las celdas.
Si bien esta característica, sumada a la condición inherentemente upwind de la formulación,
aseguran la preservación de la monotonicidad del esquema, es necesario incrementar su
orden de aproximación para reducir la disipación numérica y mejorar la resolución de las
discontinuidades.
Para aumentar el orden de aproximación del método original de Godunov, van Leer
(1979) propuso incrementar el orden de la extrapolación de la variable dentro de la celda
utilizada para evaluar los estados de los problemas de Riemann. Básicamente, esto significa
que se reemplaza la distribución constante de la variable en la celda asumida en la formu-
lación original por una distribución lineal cuyos parámetros se determinan a partir de los
valores de la variable en las celdas vecinas. En otras palabras, se hace una reconstrucción
de la variable en la celda para estimar su valor en las caras de forma similar a lo presentado

FT
en la Sección 4.4.3. Este tipo de reconstrucción da origen a los llamados esquemas MUSCL
(del inglés monotonically upstream-centered schemes for conservation laws) que son am-
pliamente utilizados en la Dinámica de Gases Computacional para la simulación de flujo

)
compresible de alta energía. Por medio de una reconstrucción lineal de la variable, el méto-

se
do MUSCL permite alcanzar formuaciones de segundo orden de aproximación espacial.
Para establecer los parámetros de la reconstrucción lineal debemos tener en cuenta la

u
propiedad de conservación de los métodos de volúmenes finitos. De acuerdo a nuestra for-
A
mulación, esta propiedad exige que el valor promediado de la variable φin se mantenga
ra
constante luego de la reconstrucción ya que, de lo contrario, se estarían introduciendo tér-
n
minos fuente espurios. Por lo tanto, siendo φ i (x) una función que aproxima la distribución
K
de φ dentro de la celda de índice i en el instante de tiempo t n , debe cumplirse:
R

ˆ x 1
o

i+ 2 n
φ i (x) dx = φin .
av

xi− 1
2

n n
D

Entonces, si asumimos que φ i (x) es lineal, resulta que la igualdad anterior exige que φ i (xi ) =
st

φin y la reconstrucción lineal se escribe como:

u

n ∆φin
φ i (x) = φin + (x − xi ) , xi− 1 ≤ x ≤ xi+ 1 , (6.98)
∆x
(G

2 2

donde la variación ∆φin que define la pendiente de la reconstrucción lineal se escoge consi-
derando los valores en las celdas vecinas. En principio, podemos pensar que la estimación
más lógica para la variación ∆φin es el promedio entre las diferencias de φin con los valores
n y φ n , es decir:
vecinos φi−1 i+1

1 n
1 n
∆φin = n
φi − φi−1 + φi+1 − φin . (6.99)


2 2
Sin embargo, como veremos más adelante, esta estimación de la variación ∆φi conduce a
esquemas que violan el principio de máximos y, consecuentemente, no satisfacen la condi-
ción de monotonicidad. Por lo tanto, se requiere una técnica de limitación para prevenir la
formación de oscilaciones espurias en las soluciones numéricas.
284 Capítulo 6. Simulación de Flujo Compresible

Figura 6.19: Vista esquemática de un problema de Riemann generalizado para una

reconstrucción lineal de la variable φ y del problema de Riemann equi-

FT
valente que resulta de dicha reconstrucción.

)
Como resultado de haber impuesto una variación lineal de φ dentro de las celdas en

se
lugar de su distribución uniforme, en cada interfaz i − 21 de la discretización espacial ya no
tendremos un problema de Riemann “clásico” sino que existirá un problema de Riemann

u
generalizado, cuya condición inicial tiene la forma:
A
n
ra
φ i−1 (x), si x < xi− 1 ,
(
φ (x, 0) = φ0 (x) = n 2 (6.100)
K
φ i (x), si x > xi− 1 .
2
R
o

n n n /∆x y
donde φ i−1 (x) se define de forma análoga a φ i (x), o sea, utilizando la pendiente ∆φi−1
av

n en la ecuación (6.98). En la Figura 6.19 se muestra esquemáticamente

el valor centrado φi−1
la condición inicial (6.100) del problema de Riemann generalizado.
D
st

En el caso general, un problema de Riemann generalizado no tiene solución analítica y

debe resolverse mediante algún método aproximado. Con la definición (6.100), los estados a
u

cada lado de la característica que pasa por la discontinuidad ya no son constantes por lo que
el flujo de Godunov (6.97) es más difícil de obtener (detalles al respecto pueden consultarse
(G

en el libro de Guinot, 2003). Naturalmente, esta dificultad se hace mucho más importante
en sistemas hiperbólicos no lineales como lo son las ecuaciones de Euler, por lo tanto, la
mayoría de las aproximaciones tipo MUSCL reducen el problema de Riemann generalizado
a un problema de Riemann equivalente, el cual se construye como un problema de Riemann
clásico donde los valores constantes de los estados a cada lado de la discontinuidad corres-
ponden a los valores de la variable extrapolados a la cara compartida por ambas celdas.
Estos valores se calculan utilizando la aproximación lineal impuesta para la distribución de
φ en cada celda, es decir que la condición inicial del problema de Riemann equivalente es:

( n
φi− si x < xi− 1 ,
1 ,
φ (x, 0) = n
2L 2
(6.101)
φi− 1 , si x > xi− 1 .
2R 2
6.4 Esquemas de tipo Godunov 285

donde los estados de Riemann resultantes de la reconstrucción lineal están dados por:

n n 1 n
φi− 1 = φi−1 + ∆φi−1 ,
2L 2 (6.102)
n 1
φi− 1 = φin − ∆φin .
2R 2
n
Debe notarse que, en el caso general, los estados φi− n
y φi− del problema de Rie-
1 1
2L 2R
n
mann equivalente no son iguales, de modo que su solución no es trivial. Los estados φi+ y
1
2L
n
φi+ 1 a cada lado de la cara genérica i + 12 se computan de forma análoga considerando las
2R
pendientes ∆φin e ∆φi+1n . Una vez establecidos los problemas de Riemann equivalentes en

cada interfaz, la solución numérica se obtiene de igual forma que en el esquema de Godunov

FT
original.

Limitadores de pendiente

)
se
El paso que resta para completar la formulación del método de Godunov con recons-
trucción lineal tipo MUSCL es la estimación de las pendientes ∆φin /∆x que aproximan la
distribución de la variable dentro de cada celda. Para ello, debemos tener en cuenta que si

u
no se toman los recaudos necesarios para evitar que se desarrollen nuevos valores extre-
A
ra
mos locales de la variable, los esquemas numéricos pueden introducir oscilaciones espurias
asociadas al incumplimiento del principio de máximos, las cuales no representan el com-
K
portamiento real de la solución sino que son consecuencia de la manipulación numérica.
Entonces, para prevenir la aparición de oscilaciones no físicas que pueden llevar a la pérdi-
R

da de positividad de la fomulación, la reconstrucción tipo MUSCL debe ir acompañada de

o

alguna técnica de limitación de pendientes.

av

Para satisfacer el principio de máximos simplemente debemos asegurar que la distribu-

n
ción impuesta a la variable φ en el interior de la celda, por medio de la funión φ i (x), no
D

produzca nuevos valores extremos. Esto significa que, teniendo en cuenta que la reconstruc-
st

ción lineal en la celda i se estima con los valores de las celdas vecinas de índices i − 1 e
i + 1, el principio de máximos exige que:
u

n n
φ i (x) ≤ máx φi+1 , φin , φi−1
n

)
(G

n n
en xi− 1 ≤ x ≤ xi+ 1 (6.103)
φ i (x) ≥ mı́n φi+1 , φin , φi−1
n


2 2

n
De acuerdo a la expresión (6.98) que define la función lineal φ i (x), una variación ∆φin
calculada directamente con la diferencia promediada propuesta en la ecuación (6.99) no
permite asegurar la condición (6.103), la cual no puede satisfacerse cuando:

φin − φi−1
n n
= 0 con φi+1 − φin ̸= 0,
n
φi+1 − φin = 0 con φin − φi−1
n
̸= 0,
n n n n n n
φi > máx φi+1 , φi−1 ó φi < mı́n φi+1 , φi−1

Los dos primeros casos corresponden a la situación donde existe una derivada discreta
nula en alguno de los extremos del stencil i − 1, i, i + 1, mientras que el tercer caso se
286 Capítulo 6. Simulación de Flujo Compresible

produce cuando φin es un valor extremo local. Esto significa que estas distribuciones están
asociadas a una condición de derivada nula de la variable en la celda i, por lo tanto, debemos
imponer ∆φin = 0, lo cual evita que se generen nuevos valores extremos locales. De acuerdo
a lo anterior, fijamos entonces:

∆φin = 0 si φin ≥ máx φi−1 n n

, φi+1 ó φin ≤ mı́n φi−1
n n
, φi+1 (6.104)



.

La introducción de nuevos valores extremos locales en la reconstrucción de la variable

cuando se utiliza una simple promediación para estimar la variación ∆φin no está asociada
únicamente a la presencia de derivadas nulas, sino que también puede darse frente a una
distribución monótonamente creciente o decreciente de la variable. Esto se produce cuando
la relación entre los gradientes sucesivos en una grilla uniforme es tal que

φin − φi−1

FT
n n
> 2 φi+1 − φin ó 2 φin − φi−1
n
< φi+1 n
− φin

Bajo estas condiciones, es necesario imponer una restricción adicional para la variación

)
∆φin antes de definir la pendiente de la reconstrucción lineal, con el objetivo de no violar la

se
preservación de los valores extremos locales. A partir de la expresión anterior entonces se
exige que:

u
|∆φin | ≤ mı́n 2 φin − φi−1
n n
− φin .
A
, 2 φi+1 (6.105)



ra
Con este desarrollo resulta claro que la propiedad TVD del esquema de Godunov con
K
reconstrucción lineal depende directamente de la relación entre el valor de la variable en
la celda i y sus valores en las celdas vecinas i − 1 e i + 1. Para generalizar este análisis,
R

ahora procedemos en forma similar a lo realizado en la Sección 4.4.4, donde estudiamos

o

la formulación de esquemas no lineales de alta resolución. Para ello, ahora definimos las
av

condiciones de monotonicidad de la reconstrucción MUSCL en términos de la relación de

gradientes definida en la ecuación (4.83):
D
st

φin − φi−1
n
ri = n −φn .
φi+1 i
u

Con esta definición, las condiciones (6.104) y (6.105) son:

(G

∆φin = 0 si ri ≤ 0 ó ri = ∞,
(6.106)
|∆φin | n
≤ mı́n 2ri φi+1 − φin , 2 φi+1
n
− φin .




Para satisfacer estas relaciones introducimos una función limitadora de pendiente ζ (ri ),
tal que:
n
∆φin = ζ (ri ) φi+1 − φin , (6.107)

la cual debe ser definida de modo que ζ (1) = 1 para aproximar exactamente una condición
de gradientes constantes (φin − φi−1
n = φ n − φ n para ∆x = cte).
i+1 i
Nótese que la condición ζ (1) = 1 junto con las condiciones (6.106) de preservación de
los valores extremos locales, definen una región de monotonicidad o comportamiento TVD
6.4 Esquemas de tipo Godunov 287

del esquema que, al excluir los valores de ζ (r) que generan soluciones extra compresivas2 ,
resulta en una región similar a la que encontramos para los limitadores de flujo en la Sec-
ción 4.4.4. En este caso, la región equivalente al diagrama de Sweby para el limitador de
pendiente está dada por:

r ≤ ζ (r) ≤ 2r, si r ≤ 1,


1 ≤ ζ (r) ≤ r, si 1 < r ≤ 2, (6.108)
1 ≤ ζ (r) ≤ 2, si r > 2.



Aunque en este contexto ζ (r) es una función limitadora de pendiente, su equivalencia

con la función limitadora de flujo es directa. Esto permite estimar la pendiente limitada ∆φi
por medio de alguna de las funciones limitadoras de flujo clásicas, como las que presen-

FT
tamos nn la Figura 4.14 (minmod,
van Leer, superbee). Debe notarse que la información
del gradiente numérico φin − φi−1 n en la expresión (6.107) se encuentra contenida en
el
parámetro ri . De hecho, ∆φi puede escribirse explícitamente en función de φin − φi−1
n n

)
si

se
se invierte el cociente en la definición de ri , y debido a la propiedad de simetría (4.88) de
las funciones limitadoras, el resultado no cambia, ya que:

u
1 1
   
n
∆φin = ζ ri φi+1 − φin = ζ φin − φi−1
n
(6.109)



.
A
ri ri ra
Tanto la ecuación (6.107) como la ecuación (6.109) son válidas para determinar la
K
pendiente limitada de la reconstrucción lineal de la variable φ en la celda i. En la Fi-
gura 6.20 se muestra esquemáticamente el efecto de las diferentes funciones limitado-
R
o

res para reducir la pendiente en el caso de una distribución creciente de la variable con
n ) > 2(φ n − φ n ).
(φin − φi−1
av

i+1 i
D
st
u
(G

Figura 6.20: Pendientes limitadas obtenidas por las diferentes funciones limitadoras
para una reconstrucción lineal.
2 Puede demostrarse que el esquema MUSCL aplicado a la ecuación de advección lineal tiene como base al

esquema de Lax-Wendroff (Toro, 2009).

288 Capítulo 6. Simulación de Flujo Compresible

Debe tenerse en cuenta que la forma de computar las pendientes de reconstrucción que
aquí hemos definido es la más simple, ya que las calculamos directamente considerando só-
lo la diferencia entre las variables y la distancia ∆x (que asumimos constante). En la práctica
suelen emplearse expresiones más complejas que, por ejemplo, ponderan con mayor peso
la diferencia en dirección upwind que la diferencia en sentido de la velocidad de advección.
Los detalles acerca de estas aproximaciones pueden consultarse en el libro de Toro (2009)
o en otras publicaciones especializadas en la simulación de problemas hiperbólicos (LeVe-
que, 1992; Laney, 1998, entre otros). Por otro lado, además de la reconstrucción lineal tipo
MUSCL, existen otras técnicas de reconstrucción espacial que permiten obtener aproxima-
ciones de muy alto orden. Entre ellas, podemos destacar a la familia de esquemas ENO
(essentially non-oscillatory schemes), la cual realiza una reconstrucción polinómica de la
variable dentro de cada celda a partir de los valores promediados en las celdas aledañas.

FT
Este concepto generaliza el caso particular de reconstrucción lineal del esquema MUSCL a
interpolaciones polinómicas de mayor orden (Harten et al., 1997). Además, a diferencia de
los esquemas convencionales, el método ENO utiliza un stencil adaptativo cuya longitud

)
depende de la distribución de la variable, lo cual hace a la formulación altamente no lineal.

se
6.4.3. Implementación en las ecuaciones de Euler

u
A
Capítulo 6 de Toro (2009). ra
6.5. Métodos de flux vector splitting
K
R

Los métodos de flux vector splitting son una familia de métodos que permiten obtener
o

formulaciones upwind con menor esfuerzo que los esquemas de tipo Godunov que estu-
av

diamos en la sección anterior. En este caso, la solución numérica se obtiene sin necesidad
de resolver un problema de Riemann, lo cual hace al método más eficiente y, por lo tan-
D

to, adecuado para su implementación en esquemas implícitos. Esto constituye una atractiva
st

ventaja para la resolución de problemas estacionarios, que son de gran interés en muchas
aplicaciones de Aerodinámica. Como contrapartida, los métodos de flux vector splitting son
u

considerablemente más disipativos que los métodos basados en el esquema de Godunov,

presentando entonces una menor calidad en la captura de discontinuidades.
(G

La primera clase de métodos de flux vector splitting se basa en descomponer los flujos
convectivos en dos partes de acuerdo al signo de las velocidades características del proble-
ma. Luego, las dos partes del flujo se discretizan por medio de una diferencia upwind. Los
primeros trabajos en este tipo de esquemas se deben a (Steger and Warming [147] and by
Van Leer [148] (Blazek)).
AGREGAR (Toro pág 90) Proposition 3.4 (The Homogeneity Property). The Euler
equations (3.1)–(3.2) with the ideal–gas EOS (3.5) satisfy the homogeneity property F(U)
= A(U)U. This remarkable property of the Euler equations forms the basis for nu- merical
schemes of the Flux Vector Splitting type
Capítulo 7

Introducción a la turbulencia

7.1. Introducción

FT
)
se
u
A
ra
K
R
o
av
D
st
u
(G

289
 D
(G
u R

290
st A
av
o
K
ra
FT
u
se
)
Apéndice A

Clasificación de PDEs de segundo

orden

FT
)
se
A.1. Forma canónica de una PDE de segundo orden
En este análisis consideramos una ecuación diferencial en derivadas parciales escalar

u
de segundo orden en dos variables independientes x y t que, en forma genérica, se escribe
A
como:
ra
∂ 2φ ∂ 2φ ∂ 2φ ∂φ ∂φ
K
a + b + c +d +e + f φ = g(x,t), (A.1)
∂t 2 ∂ x∂t ∂x 2 ∂t ∂x
R

donde asumimos que la ecuación es lineal, por lo tanto, los coeficientes a, b, c, d, e y f son
o

funciones de las variables independientes x y t pero no de la variable dependiente φ .

av

La ecuación (A.1) puede reducirse a una forma canónica representativa, que es la forma
más simple de expresarla. Para ello, se escoge un sistema de coordenadas características
D
st

ξ (x,t), η(x,t) (A.2)

u

donde ξ y η son funciones dos veces diferenciables y el cambio de coordenadas del sistema
(x,t) original al sistema de coordenadas características (ξ , η) se hace teniendo en cuenta
(G

que:

∂φ ∂φ ∂ξ ∂φ ∂η ∂φ ∂φ ∂ξ ∂φ ∂η
= + , = + ,
∂x ∂ξ ∂x ∂η ∂x ∂t ∂ ξ ∂t ∂ η ∂t
∂ 2φ ∂ 2φ ∂ ξ 2 ∂ 2φ ∂ ξ ∂ η ∂ 2φ ∂ η 2 ∂ φ ∂ 2ξ ∂ φ ∂ 2η
   
= + 2 + + + ,
∂ x2 ∂ξ2 ∂x ∂ ξ ∂ η ∂ x ∂ x ∂ η2 ∂ x ∂ ξ ∂ x2 ∂ η ∂ x2
∂ 2φ ∂ 2φ ∂ ξ 2 ∂ 2φ ∂ ξ ∂ η ∂ 2φ ∂ η 2 ∂ φ ∂ 2ξ ∂ φ ∂ 2η
   
= + 2 + + + ,
∂t 2 ∂ ξ 2 ∂t ∂ ξ ∂ η ∂t ∂t ∂ η 2 ∂t ∂ ξ ∂t 2 ∂ η ∂t 2
∂ 2φ ∂ 2φ ∂ ξ ∂ ξ ∂ 2φ ∂ξ ∂η ∂ξ ∂η ∂ 2φ ∂ η ∂ η ∂ φ ∂ 2ξ ∂ φ ∂ 2η
 
= + + + + + .
∂ x∂t ∂ ξ 2 ∂ x ∂t ∂ ξ ∂ η ∂ x ∂t ∂t ∂ x ∂ η 2 ∂ x ∂t ∂ η ∂ x∂t ∂ ξ ∂ x∂t
(A.3)
291
292 Apéndice A. Clasificación de PDEs de segundo orden

Sustiyendo las derivadas en la ecuación diferencial (A.1) se obtiene

∂ 2φ ∂ 2φ ∂ 2φ ∂φ ∂φ
A + B +C +D +E + Fφ = G(ξ , η), (A.4)
∂ξ 2 ∂ξ∂η ∂η 2 ∂ξ ∂η
donde
∂ξ 2
 2
∂ξ ∂ξ ∂ξ
 
A=a +b +c ,
∂t ∂t ∂ x ∂x
∂ξ ∂η ∂ξ ∂η ∂ξ ∂η ∂ξ ∂η
 
B = 2a +b + + 2c ,
∂t ∂t ∂t ∂ x ∂ x ∂t ∂x ∂x
∂η 2 ∂η ∂η ∂η 2
   
C=a +b +c , (A.5)
∂t ∂t ∂ x ∂x

FT
∂ 2ξ ∂ 2ξ ∂ 2ξ ∂ξ ∂ξ
D = a 2 +b +c 2 +d +e ,
∂t ∂ x∂t ∂x ∂t ∂x
∂ 2η ∂ 2η ∂ 2η ∂η ∂η

)
E = a 2 +b +c 2 +d +e ,

se
∂t ∂ x∂t ∂x ∂t ∂x
F = f, G = g.

u
La transformación de la ecuación (A.1) a su forma canónica (A.4) es única ya que el
jacobiano de la transformación debe ser distinto de cero, esto es:
A
"
∂ξ ∂η
#
∂ξ ∂η ∂ξ ∂η
ra
J = det ∂∂tξ ∂∂tη = − ̸= 0, (A.6)
∂t ∂ x ∂ x ∂t
K
∂x ∂x
R
De esta manera, se garantiza una transformación uno a uno entre el sistema de coordenadas
o

original (x,t) y las coordenadas características (ξ , η).

av

A.1.1. Curvas características

D
st

La posibilidad de que la ecuación (A.1) presente curvas características reales depende

de la forma canónica en la cual queda expresada. Para evaluar esta posibilidad, primero
asumimos que los coeficientes a, b y c en (A.1) son todos distintos de cero y escogemos a
u

las coordenadas ξ y η de modo que los coeficientes A y C de la forma canónica (A.4) se

(G

anulen. Por lo tanto, de acuerdo a la ecuación (A.5), tenemos que:

 2  2
∂ξ ∂ξ ∂ξ ∂ξ
a +b +c = 0,
∂t ∂t ∂ x ∂x
(A.7)
∂η 2 ∂η ∂ξ ∂η 2
   
a +b +c = 0.
∂t ∂t ∂ x ∂x
Ahora consideramos curvas C en el plano x–t a lo largo de las cuales ξ y η permanecen
constantes, de manera que sobre ellas se cumple:
∂ξ ∂ξ
dξ = dt + dx = 0,
∂t ∂x
∂η ∂η
dη = dt + dx = 0.
∂t ∂x
A.2 Clasificación de las PDEs de segundo orden 293

Con estas expresiones, a lo largo de las curvas C podemos escribir:

∂ξ ∂ ξ dx ∂η ∂ η dx
=− , =− .
∂t ∂ x dt ∂t ∂ x dt

Sustituyendo estas igualdades en las ecuaciones (A.7) llegamos a la siguiente ecuación

de segundo grado, que es el polinomio característico de la ecuación diferencial (A.1):
2
dx dx
  
a −b + c = 0,
dt dt

cuyas raíces

FT
√
dx b + b2 − 4ac
= ,
dt √2a (A.8)

)
dx b − b2 − 4ac

se
= .
dt 2a
son las ecuaciones características del problema.

u
Las ecuaciones características son ecuaciones diferenciales ordinarias para familias de
A
ra
curvas en el plano x–t a lo largo de las cuales ξ = cte y η = cte. Las curvas que resul-
tan de integrar las ecuaciones características son las curvas características de la ecuación
diferencial (A.1) que, en forma general, pueden escribirse como:
K
R

ξ (x,t) = C1 ,
o

(A.9)
η(x,t) = C2 ,
av

donde C1 y C2 son constantes. De esta manera, las coordenadas características ξ y η permi-

D

ten transformar la ecuación (A.1) a su forma canónica.

st
u

A.2. Clasificación de las PDEs de segundo orden

(G

De acuerdo a la sección previa, la posibilidad de que una ecuación diferencial de se-

gundo orden de la forma (A.1) presente curvas características reales depende del signo del
discriminante b2 − 4ac en las ecuaciones características (A.8), el cual está formado por los
coeficientes de las derivadas de mayor orden.
Un punto importante a tener en cuenta es que el sistema de coordenadas utilizado para
expresar la ecuación diferencial no influye en la naturaleza de la misma ya que, ante cual-
quier transformación uno a uno entre dos sistemas de coordenadas, se satisface la siguiente
relación entre los coeficietnes de las derivadas de segundo orden para cada sistema:

b22 − 4a2 c2 = b21 − 4a1 c1 J2 , (A.10)

donde J ̸= 0 es el jacobiano de la transformación entre el sistema 1 y el sistema 2.

294 Apéndice A. Clasificación de PDEs de segundo orden

A.2.1. Ecuaciones hiperbólicas

Si el discriminante de las ecuaciones características es mayor que cero (b2 − 4ac > 0),
la solución de las ecuaciones diferenciales ordinarias (A.8) produce dos familias reales y
distintas de curvas características asociadas a cada una de las raíces del polinomio caracte-
rístico. En este caso, siendo A = C = 0, la forma canónica (A.4) se reduce a:
∂ 2φ ∂φ ∂φ
 
= H1 φ , ξ , η, , , (A.11)
∂ξ∂η ∂ξ ∂η
que es la primera forma canónica de la ecuación hiperbólica.
Por otro lado, si se introducen las variables independientes ξ ∗ = ξ + η y η ∗ = ξ − η,
la ecuación diferencial se reduce a la segunda forma canónica de la ecuación hiperbólica:
∂ 2φ ∂ 2φ

FT
∂φ ∂φ
 
− = H2 φ , ξ , η, , . (A.12)
∂ ξ ∗2 ∂ η ∗2 ∂ξ ∂η

)
se
A.2.2. Ecuaciones parabólicas
Cuando el discriminante de las ecuaciones características es igual a cero (b2 − 4ac = 0),

u
resulta que ambas ecuaciones características coinciden y existe una sola familia de curvas
A
características reales dadas por ξ = cte ó η = cte. ra
Tomando a ξ constante, el coeficiente A de la forma canónica de la ecuación diferencial
√
es nulo y, siendo b = 2 ac, la expresión de A en (A.5) permite obtener:
K
 2
∂ξ √ ∂ξ ∂ξ ∂ξ 2 √ ∂ξ √ ∂ξ 2
R
   
A=a + 2 ac +c = a + c = 0. (A.13)
o

∂t ∂t ∂ x ∂ xx ∂t ∂x
av

√
Introduciendo ahora b = 2 ac en la expresión para B resulta:
D

∂ξ ∂η √ √ ∂ξ ∂η ∂ξ ∂η ∂ξ ∂η
 
st

B = 2a +2 a c + + 2c
∂t ∂t ∂t ∂ x ∂ x ∂t ∂x ∂x
√ ∂ξ √ ∂ξ √ ∂η √ ∂η
  
u

=2 a + c a + c ,
∂t ∂x ∂t ∂x
(G

por lo tanto, de acuerdo a la ecuación (A.13), llegamos a

B = 0,

y la forma canónica de la ecuación parabólica es

∂ 2φ ∂φ ∂φ
 
= H3 φ , ξ , η, , . (A.14)
∂ η2 ∂ξ ∂η
Tomando η = cte para anular el coeficiente C de la forma canónica general, se obtiene
una ecuación equivalente en la variable ξ :

∂ 2φ ∂φ ∂φ
 
= H4 φ , ξ , η, , . (A.15)
∂ξ2 ∂ξ ∂η
A.2 Clasificación de las PDEs de segundo orden 295

A.2.3. Ecuaciones elípticas

En caso de que el discriminante del polinomio característico sea menor que cero (b2 −
4ac < 0), las raíces que definen las ecuaciones características son complejas conjugadas y,
consecuentemente, la ecuación diferencial (A.1) no posee curvas características reales.
La forma canónica de la ecuación elíptica resulta de introducir nuevas variables reales
α y β que definen las raíces complejas que forman las ecuaciones características:

ξ = α + iβ ,
(A.16)
η = α − iβ .

Ahora la transformación se hace en términos de α y β , de modo que la ecuación dife-

FT
rencial (A.1) se reduce a:
2 2 2
∗∂ φ ∗ ∂ φ ∗∂ φ ∂φ ∂φ
 
A +B +C = H φ , α, β ,
∗
, , (A.17)
∂ α2 ∂ α∂ β ∂β2 ∂α ∂β

)
se
donde los coeficientes A∗ , B∗ y C∗ son funciones de α y β y responden a las mismas expre-
siones indicadas en la ecuación (A.5).

u
La transformación desde las variables α y β a las coordenadas ξ y η se hace teniendo
A
en cuenta que: ra
∂ξ ∂ξ
= 1, = i,
K
∂α ∂β
∂η ∂η
R

= 1, = −i.
o

∂α ∂β
av

Por lo tanto, las ecuaciones para A = 0 y C = 0 en términos de A∗ , B∗ y C∗ son:

D

A = A∗ + iB∗ −C∗ = 0,
st

C = A∗ − iB∗ −C∗ = 0,
u

lo cual implica que A∗ = C∗ y B∗ = 0. De esta manera, reemplazando en la ecuación (A.17),

la forma canónica de la ecuación elípticas es:
(G

∂ 2φ ∂ 2φ ∂φ ∂φ
 
+ = H6 φ , ξ , η, , . (A.18)
∂ ξ 2 ∂ η2 ∂ξ ∂η
 D
(G
u R

296
st A
av
o
K
ra
FT
u
se
)
Apéndice B

Método de elementos finitos en

dominios multidimensionales

FT
)
se
B.1. Interpolación en dominios bidimensionales
En la implementación del método de elementos finitos en dominios bidimensionales

u
suelen utilizarse triángulos o cuadriláteros cuyos vértices están dados por los nodos de la
A
ra
discretización. Al igual que en el caso unidimensional, interpolaciones de mayor orden se
obtienen disponiendo nodos adicionales en los elementos.
K
Consideremos primeramente el caso de un dominio rectangular que ha sido discretizado
por medio de elementos rectangulares en una malla estructurada, tal como se muestra en la
R

Figura B.1. Un elemento Ωek está definido por cuatro nodos (i, j), (i + 1, j), (i + 1, j + 1) y
o

(i, j + 1), y tiene dimension xi+1, j − xi, j × yi, j+1 − yi, j . Mediante la transformación
av

1 1
x = xi+1, j (1 + ξ ) + xi, j (1 − ξ ) ,
2 2
D

(B.1)
st

1 1
y = yi, j+1 (1 + η) + yi, j (1 − η) .
2 2
u

es posible expresar la interpolación en términos de las funciones de forma locales N e (ξ , η)

(G

definidas en el elemento normalizado de coordenadas (−1, −1), (1, −1), (1, 1), (−1, 1).
Para determinar las cuatro funciones de forma del elemento cuadrado se “descompone” el
dominio bidimensional en dos direcciones unidimensionales, y la función de forma Nkee es
igual al producto de las funciones de forma unidimensionales correspondientes al nodo ke
para cada dirección ξ y η. Por ejemplo, para una interpolación lineal dentro del elemento,
en el nodo local 1 de coordenadas (−1, −1) tenemos que
1−ξ
N1e (ξ ) = , −1 ≤ ξ ≤ 1.
2
1−η
N1e (η) = , −1 ≤ η ≤ 1.
2
La función de forma es el producto entre las dos funciones unidimensionales corres-
pondientes al nodo 1, es decir, N1e (ξ , η) = N1e (ξ )N1e (η). De igual modo se determinan las
297
298 Apéndice B. Método de elementos finitos en dominios multidimensionales

FT
Figura B.1: Discretización estructurada en elementos finitos rectangulares .

)
funciones de forma para los demás nodos del cuadrado:

se
1
N1e (ξ , η) = N1e (ξ )N1e (η) = (1 − ξ )(1 − η),
4

u
1
N2e (ξ , η) = N2e (ξ )N1e (η) = (1 + ξ )(1 − η),
A
4
1
ra (B.2)
e e e
N3 (ξ , η) = N2 (ξ )N2 (η) = (1 + ξ )(1 + η),
4
K
1
N4e (ξ , η) = N1e (ξ )N2e (η) = (1 − ξ )(1 + η).
R

4
o

Con un análisis similar, pero considerando las funciones de interpolación cuadráti-

av

ca (4.40), se puede construir una aproximación de segundo orden para un elemento cua-
drado de nueve nodos, que resulta de incorporar cuatro nodos en los centros de los lados y
D

un nodo en el centro del elemento, los cuales se suman a los cuatro nodos iniciales definidos
st

por los vértices. Así se obtiene:

η
u

ξη N5e (ξ , η) = (1 − ξ 2 )(η − 1),

N1e (ξ , η) = (ξ − 1)(η − 1), 2
(G

4 ξ
ξη N6e (ξ , η) = (ξ + 1)(1 − η 2 ),
N2e (ξ , η) = (ξ + 1)(η − 1), 2
4 η (B.3)
ξη N7 (ξ , η) = (1 − ξ 2 )(η + 1),
e

N3e (ξ , η) = (ξ + 1)(η + 1), 2

4 ξ
ξη N8e (ξ , η) = (ξ − 1)(1 − η 2 ),
N4e (ξ , η) = (ξ − 1)(η + 1), 2
4 N9e (ξ , η) = (1 − ξ 2 )(1 − η 2 ).
Siendo que el nodo central (0, 0), correspondiente a la función N9e , contribuye solamente a
la funión de interpolación de un solo elemento, en ocasiones estos nodos suelen eliminarse
de la discretización, con lo cual se hace uso solamente de los nodos ubicados sobre los
contornos de los elementos. Este tipo de elementos se denominan serendípitos y, en el caso
del cuadrilátero de interpolación cuadrática, corresponde a un elemento de ocho nodos.
B.1 Interpolación en dominios bidimensionales 299

Figura B.2: Esquema de un elemento triangular con la definición de las áreas opuestas
a cada nodo.

FT
Otro tipo de discretización muy utilizada en dominios bidimensionales se logra por la

)
disposición de triángulos, los cuales requieren algún tratamiento especial debido a su geo-

se
metría. En este caso, las funciones de forma se definen de manera más eficiente conside-
rando coordenadas de área L1 , L2 , L3 , que son básicamente relaciones entre el área definida
por un punto interior y dos vértices del triángulo y el área total del mismo. La coordenada

u
LI asociada al vértice I es el cociente entre el área AI del triángulo opuesto a ese nodo, el
A
ra
cual está formado por un punto interior P y los otros dos vértices, y el área total At . Para
escribir las expresiones consideremos el triángulo de la Figura B.2, cuyos vértices tienen
coordenadas x1 = (x1 , y1 ), x2 = (x2 , y2 ) y x3 = (x3 , y3 ). El área total del triángulo se obtiene
K
por medio del producto vectorial de dos de sus lados, es decir:
R
o

1
At = |(x1 − x3 ) × (x2 − x3 )| = |(x1 − x3 )(y2 − y3 ) − (y1 − y3 )(x2 − x3 )| . (B.4)
2
av

El área A1 del triángulo opuesto al nodo 1 con respecto a un punto P de coordenada x = (x, y)
D

es
st

1
A1 = |(x3 − x) × (x2 − x)| = |(x3 − x)(y2 − y) − (y3 − y)(x2 − x)| .
2
u

La coordenada de área asociada al nodo 1 es simplemente L1 = A1 /At . De manera similar

(G

se obtienen las coordenadas L2 y L3 :

1
L1 = [x2 y3 − y2 x3 + (y2 − y3 )x + (x3 − x2 )y] ,
2At
1
L2 = [x3 y1 − y3 x1 + (y3 − y1 )x + (x1 − x3 )y] , (B.5)
2At
1
L3 = [x1 y2 − y1 x2 + (y1 − y2 )x + (x2 − x1 )y] .
2At
Para obtener una interpolación lineal dentro del triángulo con funciones de forma de
continuidad C0 es suficiente utilizar los tres nodos correspondientes a los vértices. Nótese
que, de acuerdo a la definición de las coordenadas de área en (B.5), L1 , L2 y L3 satisfacen las
condiciones (4.35), ya que LI = 0 cuando el punto P se ubica sobre cualquiera de los otros
300 Apéndice B. Método de elementos finitos en dominios multidimensionales

dos vértices distintos de I (el área opuesta AI se anula en esa condición), y LI = 1 cuando P
coincide con el punto I (AI = At en ese caso). De este modo, las funciones de forma para la
interpolación lineal en el triángulo son:

N1e (L1 , L2 , L3 ) = L1 ,
N2e (L1 , L2 , L3 ) = L2 , (B.6)
N3e (L1 , L2 , L3 ) = L3 .

Para una interpolación cuadrática en el triángulo deben disponerse tres nodos adicio-
nales a los vértices, ubicados en los centros de cada uno de los lados (nodo 4 en el lado
formado por los nodos 1 y 2, nodo 5 en el lado formado por los nodos 2 y 3, y el nodo 6
en el lado restante). Las funciones de forma se determinan en función de las coordenadas

FT
de área por medio del triángulo de Pascal, el cual asegura la completitud de la base de
polinomios (ver, por ejemplo, el libro de Fletcher (1984)).

)
N1e (L1 , L2 , L3 ) = L1 (2L1 − 1), N4e (L1 , L2 , L3 ) = 4L1 L2 ,

se
N2e (L1 , L2 , L3 ) = L2 (2L2 − 1), N5e (L1 , L2 , L3 ) = 4L2 L3 (B.7)
N3e (L1 , L2 , L3 ) = L3 (2L3 − 1), N6e (L1 , L2 , L3 ) = 4L3 L1 .

u
A
B.2. Interpolación en dominios tridimensionales
ra
K
Los poliniomios de interpolación de Lagrange pueden utilizarse de manera similar al
caso bidimensional para construir funciones de interpolación en tres dimensiones. Por ejem-
R

plo, las funciones de forma lineales de un elemento prismático de ocho nodos se extienden
o

directamente de las funciones obtenidas para el cuadrilátero de cuatro nodos. Una interpo-
av

lación cuadrática en dicho elemento se construye considerando 27 nodos, ocho correspon-

dientes a los vértices, ocho dispuestos en el centro de cada arista, seis ubicados en el centro
D

de las caras, y uno correspondiente al centro del elemento. Nótese que en el caso tridimen-
st

sional la cantidad necesaria de nodos para construir interpolaciones de mayor orden crece
exponencialmente. Por este motivo, raramente se utilizan aproximaciones de orden mayor
u

a dos. Para más detalles puede consultarse el libro de Zienkiewicz y Taylor (2000).
(G
Bibliografía

Ascher, U. y Petzold, L. (1998). Computer Methods for Ordinary Differential Equations

and Differential-Algebraic Equations. SIAM, Philadelphia.

FT
Behte, H., Christy, R., Davis, R., Feynman, R., Frankel, S., andN. Livesay, E. K., Metropo-
lis, N., y Nelson, E. (1944). “IBM Calculation of Implosion Hydrodynamics”. Reporte

)
técnico Nº LA-94, Los Alamos National Laboratory.

se
Charney, G. (1955). “The Use of the Primitive Equations of Motion in Numerical Predic-
tion”. Tellus, 7:22–26.

u
Charney, G., Fjortoft, R., y von Neumann, J. (1950). “Numerical Integration of the Baro-
A
tropic Vorticity Equation”. Tellus, 2:237–254.
ra
Courant, R., Friedrichs, K., y Lewy, M. (1928). “Über die partiellen Differenzengleichungen
K
der mathematischen Physik”. Mathematische Annalen, 100(1):32–74.
R
o

Courant, R., Isaacson, E., y Rees, M. (1952). “On the Solution of Nonlinear Hyperbolic
Differential Equations by Finite Differences”. Comm. Pure. Appl. Math., V:243–255.
av

Dafermos, C. (2010). Hyperbolic Conservation Laws in Continuum Physics. Springer-

D

Verlag, Berlin Heidelberg, 3rd ed.

st

Dahlquist, G. (1956). “Convergence and Stability in the Numerical Integration of Ordinary

u

Differential Equations”. Math. Scand., 4:33–53.

(G

Donea, J. y Huerta, A. (2003). Finite Element Methods for Flow Problems. John Wiley &
Sons, Chichester, England.
Doormal, J. y Raithby, G. (1984). “Enhancement of SIMPLE Method for Predicting Incom-
pressible Fluid Flows”. Numer. Heat Transfer, 7:147–163.
DuFort, E. y Frankel, S. (1953). “Stability Conditions in the Numerical Treatmente of
Parabolic Differential Equations”. Math. Tables Other Aids Comput., 7:135–152.
Evans, M. y Harlow, F. (1957). “The particle-in-cell method for hydrodynamic calcula-
tions”. Reporte técnico Nº LAMS-2139, Los Alamos Scientific Laboratory.
Ferziger, J. y Peric, M. (2002). Computational Method for Fluid Dynamics. Springer-
Verlag, Berlin, 3rd ed.
301
302 Apéndice B. Bibliografía

Fletcher, C. (1984). Computational Galerkin Methods. Springer-Verlag, New York, 1st ed.

Fletcher, C. (1991). Computational Techniques for Fluid Dynamics, volumen 1. Springer-

Verlag, Berlin, 1st ed.

Fromm, J. (1968). “A Method for Reducing Dispersion in Convective Difference Schemes”.

J. Comput. Phys., 3:176–189.

Godunov, S. (1959). “Finite Difference Method for Numerical Computation of Disconti-

nuous Solutions of the Equations of Fluid Dynamics”. Mat. Sbornik, 47:271–306 (en
ruso).

Gresho, P. y Sami, R. (1998). Incompressible Flow and the Finite Element Method. John

FT
Wiley & Sons, Baffins Lane, Chichester, 1st ed.

Griffiths, D. y Higham, D. (2010). Numerical Methods for Ordinary Differential Equations.

)
Springer-Verlag, London.

se
Guinot, V. (2003). Godunov-type Schemes: an Introduction for Engineers. Elsevier, Ams-
terdam.

u
A
ra
Harlow, F. (1957). “Hydrodynamics Problem involving Large Fluid Distortions”. J. Assoc.
Compos. Mach., 4:137.
K
Harlow, F. y Evans, M. (1955). “A Machine Calculation Method for Hydrodynamic Pro-
R
blems”. Reporte técnico Nº LAMS-1956, Los Alamos Scientific Laboratory.
o

Harten, A. (1983). “High resolution schemes for hyperbolic conservation laws”. J. Comput.
av

Phys., 49:357–393.
D

Harten, A., Engquist, B., Osher, S., y Chakravarthy, S. R. (1997). “Uniformly High Order
st

Accurate Essentially Non-oscillatory Schemes, III”. J. Comput. Phys., 131(1):3–47.

u

Hirsch, C. (1994a). Numerical Computation of Internal and External Flow, volumen 2:

Computational Methods for Inviscid and Viscous Flow. John Wiley & Sons, Chichester,
(G

1st ed.

Hirsch, C. (1994b). Numerical Computation of Internal and External Flow, volumen 1:

Fundamentals of Numerical Discretization. John Wiley & Sons, Chichester, 1st ed.

Hirsch, C. (2007). Numerical Computation of Internal and External Flow, volumen 1:

Fundamentals of Computational Fluid Dynamics. Elsevier, Oxford, 2nd ed.

Hoffmann, K. y Chiang, S. (2000). Computational Fluid Dynamics, volumen 1. Engineering

Education System, Wichita, 4th ed.

Issa, R. (1986). “Solution of Implicitly Discretised Fluid Flow Equations by Operator-

Splitting”. J. Comput. Phys., 62:40–65.
B.2 Bibliografía 303

Jeffrey, A. (2003). Applied Partial Differential Equation: An Introduction. Academic Press,

San Diego, California.

Jeffrey, A. y Taniuti, T. (1964). Non Linear Wave Propagation. Academic Press, New York.

Johnson, F., Tinoco, E., y Yu, N. J. (2003). “Thirty years of development and application
of CFD at Boeing commercial airplanes”. AIAA Conferences, 16th Computational Fluid
Dynamics Conference:3439.

Landau, L. y Lifschitz, E. (1987). Fluid Mechanics. Pergamon Press, Oxford, 2nd ed.

Laney, C. (1998). Computational Gasdynamics. Cambridge University Press, New York.

FT
Lax, P. (1954). “Weak Solutions of Nonlinear Hyperbolic Equations and their Numerical
Computation”. Comm. Pure. Appl. Math., VII:159–193.

)
Lax, P. (1957). “Hyperbolic Systems of Conservation Laws II”. Comm. Pure. Appl. Math.,

se
X:537–566.

Lax, P. y Wendroff, B. (1960). “Systems of Conservation Laws”. Comm. Pure. Appl. Math.,

u
XIII:217–237.
A
ra
Leonard, B. (1979). “A Stable and Accurate Convective Modeling Procedure Based on
Quadratic Upstream Interpolation”. Comp. Meth. Appl. Mech. Engr., 19:58–98.
K
LeVeque, R. (1992). Numerical Methods in Conservation Laws. Birkhäuser Verlag, Zürich,
R
o

2nd ed.
av

LeVeque, R. (2004). Finite-Volume Methods for Hyperbolic Problems. Cambridge Univer-

sity Press, Cambridge, 2st ed.
D
st

LeVeque, R. (2007). Finite Difference Methods for Ordinary and Partial Differential Equa-
tions. SIAM, Philadelphia.
u

McCormack, R. (1969). “The Effect of Viscosity in Hypervelocity Impact Cratering”. AIAA

(G

Paper, 69:354.

Moretti, G. y Abbett, M. (1966). “A Time-Dependent Computational Method for Blunt

Body Flows”. AIAA J., 4(12):2136–2141.

Munson, B., Young, D., Okiishi, T., y Huebsch, W. (2009). Fundamentals of Fluids Mecha-
nics. Wiley, New Jersey, 6th ed.

Myint-U, T. y Debnath, L. (2007). Linear Partial Differential Equations for Scientists and
Engineers. Birkhauser, Boston, Massachusets, 4th ed.

Patankar, S. (1981). “A Calculation Procedure for Two-Dimensional Elliptic Situations”.

Numer. Heat Transfer, 4:409–425.
304 Apéndice B. Bibliografía

Patankar, S. y Spalding, D. (1967). “A Finite-Difference Procedure for Solving the Equa-

tions of the Two-Dimensional Boundary Layer”. Int. J. Heat Mass Transfer, 10:1389–
1412.

Patankar, S. y Spalding, D. (1972). “A Calculation Procedure for Heat, Mass and Mo-
mentum Transfer in Three-Dimensional Parabolic Flow”. Int. J. Heat Mass Transfer,
15:1787–1806.

Pletcher, R., Tannehill, J., y Anderson, D. (2013). Computational Fluid Mechanics and
Heat Transfer. CRC Press, Taylor & Francis Group, New York, 3rd ed.

Richtmyer, R. y Morton, K. (1967). Difference Methods for Initial-value Problems. Wiley-

FT
Interscience, New York, 2nd ed.

Roache, P. (1972). Computational Fluid Dynamics. Hermosa Publishing, Albuquerque,New

Mexico.

)
se
Roe, P. (1981a). “Approximate Riemann solvers, parameter vectors and difference sche-
mes”. J. Comput. Phys., 43(2):357–372.

u
Roe, P. (1981b). “Numerical Algorithm for the Linear Wave Equations”. Reporte técnico
A
Nº 81047, Royal Aircraft Establishment.
ra
K
Roe, P. (1985). “Some Contributions to the Modeling of Discontinuous Flows”. En: Vi-
viand, H., editor, Proceedings of 1985 AMS-SIAM Summer Seminar on Large Scale Com-
R

puting in Fluid Mechanics, Lectures in Applied Mathematics, Vol.22. Springer-Verlag, pp.

o

163–193.
av

Roe, P. y Baines, M. (1983). “Asymptotic Behaviour of some Non-linear Schemes for

D

Linear Advection”. En: Pandolfi, M. y Piva, R., editores, Notes on Numerical Fluid
st

Mechanics, Vol. 7. pp. 283.

u

Runchal, A., Spalding, D., y Wolfshtein, M. (1969). “Numerical Solution of the Elliptic
Equations for Transport of Vorticity, Heat, and Matter in Two-Dimensional flow”. Phys.
(G

Fluids, 12:21–28.

Smoller, J. (1983). Shock Wwaves and Reaction-Diffusion Equations. Springer-Verlag, New

York, 2nd ed.

Stokes, G. (1845). “On the Theories of the Internal Friction of Fluids in Motion, and of the
Equilibrium and Motion of Elastic Solids”. Trans. Camb. Philos. Soc., 8:287–319.

Strang, G. (1968). “On the Construction and Comparison of Difference Schemes”. SIAM
J. Numer. Anal., 5:506–517.

Strikwerda, J. (2004). Finite Difference Schemes and Partial Differential Equations. SIAM,
Berlin.
Sweby, P. (1984). “High Resolutions Schemes using Flux Limiters for Hyperbolic Conser-
vation Laws”. SIAM J. Numer. Anal., 21:995–1011.

Toro, E. (2009). Riemann Solvers and Numerical Methods for Fluid Dynamic. Springer-
Verlag, Berlin, 3rd ed.

Trapp, J. y Ramshaw, J. (1976). “A Simple Heuristic Method for Analyzing the Effects of
Boundary Conditions on Numerical Stability”. J. Comput. Phys., 20:238–242.

van Albada, G., van Leer, B., y Roberts, W. (1982). “A Comparative Study of Computatio-
nal Methods in Cosmic Gas Dynamics”. Astron. Astrophys., 108:76–84.

van Leer, B. (1973). “Towards the Ultimate Conservative Difference Scheme. I: The Quest

FT
of Monotinicity”. Lecture Notes in Physics, 18:163–168.

van Leer, B. (1974). “Towards the Ultimate Conservative Difference Scheme. II: Mono-

)
tonicity and Conservation Combined in a Second Order Scheme”. J. Comput. Phys.,

se
14:361–370.

van Leer, B. (1977). “Towards the Ultimate Conservative Difference Scheme. III: Upstream-

u
centered Finite-difference Schemes for Ideal Compressible Flow”. J. Comput. Phys.,
A
23:263–275. ra
van Leer, B. (1979). “Towards the Ultimate Conservative Difference Scheme. V: A Second
K
Order Sequel to Godunov’s Method”. J. Comput. Phys., 14:101–136.
R

Vesteeg, H. y Malalasekera, W. (2007). An Introduction to Computational Fluid Dynamics:

o

The Finite Volume Method. Pearson Prentice Hall, Edinburgh Gate, 2nd ed.
av

von Neumann, J. y Richtmyer, R. (1950). “A Method for the Numerical Calculation of

Hydrodynamic Shocks”. J. Appl. Phys., 21(3):232.
D
st

Warming, R. y Beam, R. (1976). “Upwind Second Order Difference Scheme with Applica-
tions in Aerodynamic Flows”. AIAA Journal, 24:1241–1249.
u
(G

Wesseling, P. (2001). Principles of Computational Fluid Dynamics. Springer-Verlag, Ber-

lin.

White, F. (2008). Fluid Mechanics. McGraw Hill, New York, 7th ed.

Whitham, G. (1999). Linear and Nonlinear Waves. John Wiley & Sons, New York, 2nd ed.

Zhang, D., Jang, C., Liang, D., y Cheng, L. (2015). “A Review of TVD Schemes and a
Refined Flux-limiter for Steady-state Calculations”. J. Comp. Phys., 302:115–154.

Zienkiewicz, O. y Taylor, R. (2000). The Finite Element Method, volumen I: The Basis.
Butterworth-Heinemann, Oxford, 5th ed.

305
 D
(G
u R

306
st A
av
o
K
ra
FT
u
se
)
 FT
)
se
u
La presente edición de
A
Introducción a la Dinámica de Fluidos Computacional
ra
se terminó de imprimir en el mes de agosto de 2025
en Publicación independiente.
K
Av. Vélez Sarsfield 1611, X5016GCA, Córdoba, Argentina.
Tel.
R

E-mail: [email protected]
o
av

I MPRESO EN A RGENTINA
P RINTED IN A RGENTINA
D
st
u
(G
 D
(G
u
st
R
av
o
A
K
ra
FT
u
se
)