METODOS NUMERICOS PARA EL SEGUIMIENTO DE PARTICULAS EN EL OCENANO

PROYECTO DE INVESTIGACION
Los Mtodos Lagrangeanos de Seguimiento de Partculas (MLP) resultan herramientas adecuadas para aplicaciones en modelado fsico-biolgico del ocano, permitiendo investigar las trayectorias y transporte de partculas de inters las cuales estaran representadas principalmente por organismos marinos que viven en el ocano.

Crdenas Bautista E. Cecilia 11/09/2012

MTODOS NUMRICOS PARA EL SEGUIMIENTO DE PARTICULAS EN EL MODELADO FSICO-BIOLGICO DEL OCNANO. INTRODUCCIN

. Los Mtodos Lagrangeanos de Seguimiento de Partculas (MLP) resultan herramientas adecuadas para aplicaciones en modelado fsico-biolgico del ocano, permitiendo investigar las trayectorias y transporte de partculas de inters las cuales estaran representadas principalmente po r organismos que viven en el ocano.
Los mtodos MLP utilizan como entrada campos eulerianos de velocidades provistos por un modelo hidrodinmico tridimensional y luego integra temporalmente una ecuacin diferencial ordinaria (EDO) para determinar la posicin de las partculas en funcin del tiempo. Debido a la complejidad de la dinmica ocenica, representada por procesos oceanogrficos que ocurren en distintas escalas de tiempo, la aplicacin de MLPs debe ser analizada con respecto a las limitaciones matemticas y numricas de los mtodos de integracin de EDO y a las posibles consecuencias de estas limitaciones en la resolucin de la trayectoria real de partculas que derivan en el ocano. En este sentido la trayectoria de una partcula en deriva ocenica representa un sistema rgido a ser resuelto por mtodos de integracin de EDO. Se dice que un sistema es rgido cuando presenta caractersticas de dinmica lenta y rpida en forma simultnea (Heath, 2002). En el caso ocenico la dinmica rpida est representada por trminos de difusin turbulenta, mientras que la lenta se asocia a procesos advectivos. El problema fsico de adveccin-difusin en una dimensin es gobernado por la siguiente ecuacin (Durran, 1999):

1)

donde es la funcin corriente y c es la velocidad advectiva, y M es el coeficiente de difusin turbulenta. Adems, el flujo advectivo puede variar considerablemente en el ocano una vez que esta representando procesos que ocurren en distintas escalas temporales, como por ejemplo los flujos geostrficos (i.e., giros ocenicos, meandros, vrtices) y ageostrficos (i.e., marea, ondas internas, transporte de Ekman). Sin embargo, los estudios de modelado fsico-biolgico ya realizados en la literatura han empleado mtodos no rgidos para integracin del seguimiento Lagrangeano de partculas en el ocano y no es comn encontrar discusiones sobre las limitaciones que deben ser consideradas con respecto a dinmica ocenica de cada regin modelada y las restricciones de los mtodos de integracin de EDO empleados. La presencia de dinmicas lentas y rpidas dentro del mismo sistema, introduce dificultades al momento de obtener su solucin numrica y los mtodos no rgidos de integracin de EDO tienen limitaciones matemticas y numricas para resolver sistemas rgidos. La formulacin Lagrangeana ha sido ampliamente reconocida como una aplicacin adecuada para el anlisis de trazadores pasivos conservados (Bennett, 2006). Sin embargo, el modelado ocenico todava impone restricciones a la determinacin de la trayectoria real de trazadores que sufren procesos difusivos, una vez que la turbulencia de sub-grilla (procesos que ocurren a una escala menor que la resolucin espacial del modelo) es parametrizada (coeficiente M en la ecuacin 1) y por lo tanto no puede ser calculada analticamente. Es as que el movimiento real de partculas que derivan en el ocano no puede ser completamente determinado explotando la equivalencia entre seguir partculas y solucionar una ecuacin de transporte de masa para una sustancia conservativa (ecuacin 1). Adems, la aplicacin del concepto Lagrangeano en un flujo de nmero de Reynolds grande como el ocano, donde la trayectoria de la partcula del faltamente variable, solamente se justifica en un sentido estadstico (Bennett, 2006). Segn Dimou y Adams (1993), se puede emplear un esquema de camino aleatorio para calcular el desplazamiento de partculas mediante la suma de un componente determinstico advectivo y de un componente Markoviano independiente aleatorio, que aproxime estadsticamente las caractersticas de la dispersin del ambiente. Cada partcula discreta modelada puede estar sujeta a adveccin, difusin, y decaimiento por una variedad de procesos determinsticos y estocsticos relativamente simples. Por ejemplo, la adveccin es simulada por la translacin de cada partcula con una velocidad derivada desde el campo de velocidad del fluido local (coeficiente c en la ecuacin 1). La difusin turbulenta es generalmente simulada empleando una tcnica de camino aleatorio, donde cada posicin de la partcula es peridicamente perturbada por uno vector aleatorio, derivado desde una funcin de distribucin definida, P. El tamao espacial (varianza) de P es derivado desde el coeficiente(s) de difusin efectiva requerido (ver Hunter et al., 1993; Visser, 1997).

Por lo tanto, la tcnica Lagrangeana es utilizada para advectar las partculas y el procedimiento de camino aleatorio es empleado para simular los efectos de la difusin turbulenta en escala sub- grilla. Representando la concentracin del trazador conservativo por una coleccin de partculas, el problema del transporte se puede tambin solucionar por modelos de seguimiento de partculas (Dimou y Adams, 1993; Thompson y Gelhar, 1990). Segn lo descrito por esos estudios anteriores, el desplazamiento de una partcula en un modelo de camino aleatorio es gobernada por la ecuacin no linear de Langevin(Gardiner,1985):

donde , son vectores , define la posicin de una particula, primer termino del lado derecho de la ecuacin es la fuerza determinstica que advecta la partcula, y el segundo representa la fuerza aleatoria que lleva la difusin de la partcula, considerando que Z(t) es un vector de los nmeros aleatorios independientes con promedio cero y una unidad de varianza.

OBJETIVO GENERALES Y ESPECIFICACIONES El presente trabajo tiene como objetivo comparar las soluciones analticas y numricas de un grupo de EDOs, que varan desde ecuaciones no rgidas hasta ecuaciones fuertemente rgidas, empleando algunos de los mtodos numricos de solucin de EDOs ms utilizados en la simulacin digital de sistemas dinmicos y modelado fsicobiolgico del ocano. Adems, se pretende determinar el tipo de mtodo y las condiciones que mantengan mayor precisin en la resolucin del sistema determinstico ocenico, una vez que el componente estocstico es simulado de manera aleatoria y no puede ser determinado previamente. METODOLOGA Ecuaciones diferenciales ordinarias (EDO) Una EDO est caracterizada por una ecuacin del tipo: y' = f(t, y). La ecuacin no determina por s mismo una funcin nica porque solamente la pendiente y'(t) de los componentes de la solucin estn prescritos por la EDO para cualquier valor de t, no el valor de la solucin y(t) por s mismo, entonces hay generalmente una familia infinita de funciones que satisfacen la EDO. Para seleccionar una solucin particular, debemos especificar el valor de la funcin de la solucin, denotado por y0, para un cierto valor de t, denotado por t0. Bajo asunciones razonables, este requisito adicional determina la solucin nica a la EDO dada. Con mtodos explcitos de integracin de EDO este es el nico valor considerado para determinar la nueva posicin de cada partcula, as que cada condicin inicial es olvidada a cada nuevo paso temporal. Una EDO rgida no puede ser resuelta a menudo usando mtodos explcitos porque la matriz Jacobiana y/t no tiene todos sus autovalores de tamao similar. Los errores en la determinacin de las soluciones numricas de EDOs vienen sobre todo en dos formas. La primera forma de error se relaciona con la exactitud de la funcin diferencial para aproximar la ecuacin diferencial ordinaria. Esta forma de error se llama, el error de truncamiento local, y es el error asociado a un solo paso de tiempo del algoritmo. Tales errores locales se pueden ser estimados fcilmente y despus controlados puntualmente por algoritmos adaptivos (Heath, 2002). La segunda forma de error, el error de discretizacin global, es el error acumulativo relacionado con la diferencia entre la solucin verdadera y nuestra aproximacin, y(t+t). Esta forma de error es ms difcil de controlar. Debido a la estabilidad, el error global no es necesariamente una funcin de aumento del nmero de pasos de tiempo, sino que puede oscilar con la disminucin del nmero de pasos empleados (e.g., Heath, 2002; Bradie, 2006). Un tercer tipo de error existe, redondeando el error, generado por la precisin finita del cmputo. Sin embargo, en la mayora de las situaciones prcticas la fuente del error dominante es error de truncamiento local en soluciones numricas de EDOs (e.g., Heath, 2002), y es este error que ser considerado en este trabajo como error local.

Mtodos de integracin de EDO Resolver una ecuacin diferencial ordinaria en el contexto del modelado fsico-biolgico ocenico consiste en, conociendo las velocidades eulerianas, obtener la funcin primitiva que describe la posicin futura. Como las componentes eulerianas de velocidad calculadas por los modelos ocenicos son resultantes de procesos advectivos y difusivos (parametrizados) representan sistemas rgidos a ser resueltos. Los mtodos no rgidos tienen restricciones en cuanto a la resolucin de sistemas rgidos pero no hay detallada discusin sobre las restricciones de los mtodos rgidos de integracin de EDOs para el caso ocenico. En este trabajo se comparan resultados analticos y numricos obtenidos para un conjunto de EDOs, desde no rgidas hasta fuertemente rgidas empleando los siguientes esquemas numricos: Mtodos de paso fijo y sin control de error local: Euler modificado de orden 2 o mtodo de Heun Runge-Kutta de orden 4 (RK4), Runge-Kutta de orden 5 (Dormand-Prince, RK5) e el Predictor-corrector Adams-Bashforth-Moulton de orden 4

Mtodos de paso variable y con sensibilidad al control de error local: Explicito Runge- Kutta de ordenes 2 y 3 Explcito Runge-Kutta de ordenes 4 y 5 (Runge-Kutta-Fehlberg, RK4,5), ABM4 de paso variable y con control de error implementado (ABM4c),

El control del error local en los mtodos explcitos de paso variable depende, para mtodos de distinto orden, de la forma de la aproximacin de la funcin derivada; mientras que en los mtodos implcitos el error depende de la aproximacin de la funcin derivada en la prediccin de la integracin futura de la EDO. Sin embargo, en el modelado fsico-biolgico las velocidades eulerianas son conocidas slo a un paso de tiempo fijo (aquel utilizado en el modelo ocenico), de modo que en este caso la adaptacin del tamao del paso de tiempo en trminos del flujo no es viable. En contrapartida, debido a las limitaciones matemticas y numricas de cada mtodo, es importante una buena seleccin del intervalo de tiempo en el cual las velocidades eulerianas son integradas por el modelo ocenico y del paso de tiempo en el cual son integradas las EDOs en el seguimiento de las partculas. Es por ello que para analizar la exactitud los mtodos a) y b) en la aproximacin de distintas EDOs (Tabla 1), stos fueron analizados con respecto a su capacidad para resolver numricamente con exactitud el problema sin la implementacin del control de error local: Ecuacin diferencial ordinaria F1 F2 F3 F4 F5 F6 F7 F8 F9 3 y = -y , y(0) = 1 2 y = t y, y(0) = 1 y = y + cos(4t), y(0) = -1 y = cos(t)y, y(0) = 1 2 y = -2ty , y(0) = 1 3 2 y = 4(t t )y , y(0) = 0.5 y = -10y +10t 11, y(0) = 3 y = -20y, y(0) = 1 y = -1000(y-(t+2)) +1, y(0) = 1 r=1; Kc=1.5; e=r-x(1); u=Kc*e; F10 ya=x(2); yb=-x(1)-0.5*x(2)+u EDOs rgidas Nivel de rigidez no rgida no rgida no rgida no rgida no rgida poco rgida poco rgida rgida muy rgida

Tabla 1: Ecuaciones diferenciales ordinarias empleadas en los experimentos.