-
Notifications
You must be signed in to change notification settings - Fork 1
/
07_partielle_dgls.tex
437 lines (374 loc) · 18.9 KB
/
07_partielle_dgls.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
\chapter{%
Partielle Dif"|ferentialgleichungen%
}
\textbf{partielle Dif"|ferentialgleichung}:
Eine \begriff{partielle Dif"|ferentialgleichung (PDE)} ist eine Gleichung,
die eine multivariate Funktion (z.\,B. $u(x, t)$) in Beziehung mit den partiellen Ableitungen
(z.\,B. $\partial_x u$, $\partial_t u$) und den Variablen (z.\,B. $x$, $t$) setzt.
Die \begriff{Ordnung} einer PDE ist die Ordnung der höchsten partiellen Ableitung.
Eine PDE heißt \begriff{linear}, falls $u$ und die partiellen Ableitungen nur linear auftauchen
(wobei die Koef"|fizienten aber durchaus von den Variablen abhängen dürfen).
Analytische Lösungen kann man explizit oft nur für sehr einfache Spezialfälle angeben.
\section{%
1D-Advektionsgleichung%
}
\textbf{Advektionsgleichung}:
Die Gleichung $\partial_t u + c \partial_x u = 0$ mit $c \in \real$ zusammen mit
Anfangs- und/oder Randbedingungen heißt \begriff{1D-Advektionsgleichung}.
Gesucht ist nun eine \begriff{Lösung}, d.\,h. eine Funktion $u(x, t)$,
die diese Gleichung erfüllt.
\textbf{Lösungen konstant entlang Charakteristiken}:
Sei $x(t) = ct + x_0$ eine Gerade im\\
$t$-$x$-Diagramm mit Steigung $c$.
Dann gilt $\frac{\d}{\dt} u(x(t), t) = \partial_x u(x(t), t) x'(t) + \partial_t u(x(t), t)$\\
$= (\partial_t u + c \partial_x u)(x(t), t) = 0$ für jede Lösung $u(x, t)$,
d.\,h. Lösungen der Advektionsgleichung sind konstant entlang diesen sog.
\begriff{Charakteristiken}.
\textbf{Lösung der Advektionsgleichung}:
Sei $u(x, t) := v(x - ct)$ für eine Funktion $v$.
Dann gilt $\partial_t u + c \partial_x u = v'(x - ct) (-c) + c v'(x - ct) = 0$,
d.\,h. $u$ ist eine Lösung der Advektionsgleichung.
\section{%
Klassifikation linearer PDEs zweiter Ordnung%
}
\textbf{lineare PDE zweiter Ordnung}:
Eine \begriff{lineare PDE zweiter Ordnung} auf einem Gebiet $D \subset \real^2$ kann man schreiben
als $A \partial_x^2 u + 2B \partial_x \partial_y u + C \partial_y^2 u +
D \partial_x u + E \partial_y u + Fu = G$ mit $A, \dotsc, G$ stückweise stetigen Funktionen
von $x, y$ auf $D$.
\textbf{Klassifikation}:
Wenn $A^2 + B^2 + C^2 \not= 0$ in $D$ ist, dann heißt die PDE
\begin{itemize}
\item
\begriff{elliptisch}, falls $AC - B^2 > 0$ in $D$,
\item
\begriff{parabolisch}, falls $AC - B^2 = 0$ in $D$, und
\item
\begriff{hyperbolisch}, falls $AC - B^2 < 0$ in $D$.
\end{itemize}
Diese Klassifikation ist analog zu der von Kegelschnitten $Ax^2 + 2Bxy + Cy^2 + Dx + Ey + F = 0$.
\textbf{Beispiele}:
\begin{itemize}
\item
\emph{elliptische PDEs}:
\begriff{\name{Laplace}-Gleichung}
($\Delta u = 0$),
\begriff{\name{Poisson}-Gleichung}
($\Delta u = f$),\\
\begriff{\name{Helmholtz}-Gleichung}
($\Delta u + \varrho u = f$)
\item
\emph{parabolische PDEs}:
\begriff{1D-Wärmeleitungsgleichung}
($k \partial_x^2 u - \partial_t u = 0$),\\
\begriff{Dif"|fusionsgleichung}
($\partial_t u(\vec{x}, t) = \div(D(u, \vec{x}) \nabla u(\vec{x}, t))$)
\item
\emph{hyperbolische PDE}:
\begriff{Wellengleichung}
($\partial_t^2 u - c^2 \Delta u = 0$)
\end{itemize}
\linie
\textbf{Randbedingungen}:
Damit die Lösung von elliptischen PDEs eindeutig bestimmt ist, muss man
\begriff{Randbedingungen (RBen)} festlegen.
Sei dazu $D$ stückweise $\C^1$-berandet mit den Stücken $\Gamma_i$,
$\partial D = \Gamma = \bigcup_i \Gamma_i$ und $\vec{n}$ der nach außen zeigenden
Einheitsnormalen.
Dann spricht man bei $u = \varphi$ auf $\Gamma_i$ von \begriff{\name{Dirichlet}-RBen},
bei $\partial_{\vec{n}} u = \gamma$ auf $\Gamma_i$ von \begriff{\name{Neumann}-RBen} und
bei $\partial_{\vec{n}} u + \alpha u = \beta$ auf $\Gamma_i$ von \begriff{\name{Cauchy}-RBen}
($\varphi, \gamma, \alpha, \beta$ feste Funktionen auf $\Gamma_i$).
\pagebreak
\section{%
\name{Laplace}-Gleichung in Polarkoordinaten%
}
\textbf{\name{Laplace}-Gleichung in Polarkoordinaten}:
Seien $\Omega := B_1(0) \subset \real^2$ und $f \in \C^0(\partial\Omega)$.\\
Gesucht ist eine Lösung $u \in \C^2(\Omega) \cap \C^0(\overline{\Omega})$ des RWPs
$\Delta u = 0$ in $\Omega$ und $u = f$ auf $\partial\Omega$.
Mit Transformation in Polarkoordinaten $x = r\cos\varphi$, $y = r\sin\varphi$ gilt
$\partial_x = \cos\varphi \cdot \partial_r - \frac{\sin\varphi}{r} \partial_\varphi$ und
$\partial_y = \sin\varphi \cdot \partial_r + \frac{\cos\varphi}{r} \partial_\varphi$.
Durch nochmalige Ableitung erhält man
$\Delta u = \partial_x^2 u + \partial_y^2 u = 0 \iff
\partial_r^2 U + \frac{1}{r} \partial_r U + \frac{1}{r^2} \partial_\varphi^2 U = 0$
mit $U(r, \varphi) := u(r\cos\varphi, r\sin\varphi)$.
Die RB $u = f$ auf $\partial\Omega$ transformiert sich zu
$U(1, \varphi) = f(\cos\varphi, \sin\varphi)$.
Dabei ist $r \in (0, 1)$ und $\varphi \in (-\pi, \pi)$.
Damit $u \in \C^2(\Omega) \cap \C^0(\overline{\Omega})$ gilt, sollte $U$ zusätzlich
$U(r, \pi) = U(r, -\pi)$ und\\
$\partial_\varphi U(r, \pi) = \partial_\varphi U(r, -\pi)$
erfüllen und der Grenzwert $\lim_{r \to 0} U(r, \varphi)$ sollte für jedes $\varphi$ existieren
und unabhängig von $\varphi$ sein.
Mit dem Produktansatz $U(r, \varphi) := w(r) v(\varphi)$ erhält man
$v \partial_r^2 w + \frac{1}{r} v \partial_r w + \frac{1}{r^2} w \partial_\varphi^2 v = 0$.
Wenn man annimmt, dass $w(r) \not= 0 \not= v(\varphi)$, dann kann man das umschreiben zu\\
$\frac{r^2}{w} \partial_r^2 w + \frac{r}{w} \partial_r w = -\frac{1}{v} \partial_\varphi^2 v =:
\lambda$.
$\lambda$ ist unabhängig von $r$ und $\varphi$, weil die linke Seite nur von $r$ abhängt und
die rechte nur von $\varphi$.
$w$ und $v$ müssen also die ODEs
\begin{itemize}
\item
$v'' + \lambda v = 0$
mit $v(\pi) = v(-\pi)$ und $v'(\pi) = v'(-\pi)$
(\begriff{harmonischer Oszillator})
\item
$r^2 w'' + rw' - \lambda w = 0$
(\begriff{\name{Bessel}sche DGL}) und
\end{itemize}
erfüllen.
Aus der ersten DGL folgt, dass $v$ $2\pi$-periodisch sein muss,
also $\lambda = k^2$ für $k \in \natural_0$ und
$v_k(\varphi) = a_k \cos(k\varphi) + b_k \sin(k\varphi)$.
Lösungen der zweiten DGL sind $w(r) = \log r$ für $k = 0$ und $w(r) = r^{\pm k}$ für $k \ge 1$.
Allerdings ist nur $w(r) = r^k$ in $r = 0$ stetig.
Somit ist $U(r, \varphi) = \frac{1}{2} a_0 + \sum_{k=1}^\infty U_k(r, \varphi)$ mit
$U_k(r, \varphi) := (a_k \cos(k \varphi) + b_k \sin(k \varphi)) r^k$.
Um die Koef"|fizienten $a_k$, $b_k$ zu bestimmen, nutzt man die Orthogonalitätsrelationen
der trigonometrischen Funktionen aus
(Multiplikation z.\,B. mit $\sin(n\varphi)$ und Integration über $\varphi$ für $r = 1$).
\section{%
1D-Dif"|fusionsgleichung%
}
\textbf{Dif"|fusionsgleichung}:
Die Gleichung $\partial_t u = D \partial_x^2 u$ für $x \in [0, L]$ mit $D \in \real$,
der Anfangsbedingung $u(\cdot, 0) = f(\cdot)$ in $[0, L]$ und
Dirichlet-Null-RBen $u(0, t) = u(L, t) = 0$ für $t > 0$ heißt \begriff{1D-Dif"|fusionsgleichung}.
\textbf{analytische Lösung mit Trennung der Veränderlichen}:\\
Mit dem Ansatz $u(x, t) := X(x) \cdot T(t)$ erhält man
$\frac{1}{DT} \partial_t T = \frac{1}{X} \partial_x^2 X =: -\lambda$.
Weil die linke Seite nur von $t$ und die rechte nur von $x$ abhängt, ist $\lambda$ konstant und
man bekommt zwei ODEs
\begin{itemize}
\item
$X'' + \lambda X = 0$ und
\item
$T' + \lambda DT = 0$.
\end{itemize}
Die allgemeine Lösung der ersten Gleichung ist
$X(x) = c_1 \cos(\sqrt{\lambda} x) + c_2 \sin(\sqrt{\lambda} x)$ für $\lambda > 0$.
Mit den RBen erhält man $c_1 = 0$ und $\lambda = \lambda_n = (\frac{n \pi}{L})^2$ für
$n \in \natural$, also $X(x) = C_n \sin(\frac{n \pi}{L} x)$.
Aus der zweiten Gleichung bekommt man damit $T(t) = B_n e^{-D \lambda_n t}$.
Insgesamt erhält man also als allgemeine Lösung der Dif"|fusionsgleichung
$u(x, t) = \sum_{n=1}^\infty A_n \sin(\frac{n \pi}{L} x) \exp(-D (\frac{n \pi}{L})^2 t)$.
\textbf{Bestimmung der Koef"|fizienten}:
Für die Bestimmung der $A_n$ benutzt man die Identität\\
$\int_0^L \sin(\frac{n \pi}{L} \xi) \sin(\frac{m \pi}{L} \xi) \dxi = \frac{L}{2} \delta_{n,m}$
für $n \not= 0 \not= m$.
Damit bekommt man\\
$\int_0^L f(\xi) \sin(\frac{n \pi}{L} \xi) \dxi
= \int_0^L u(\xi, 0) \sin(\frac{n \pi}{L} \xi) \dxi
= \sum_{m=1}^\infty A_m \int_0^L \sin(\frac{n \pi}{L} \xi) \sin(\frac{m \pi}{L} \xi) \dxi
= \frac{L}{2} A_n$\\
$\iff A_n = \frac{2}{L} \int_0^L f(\xi) \sin(\frac{n \pi}{L} \xi) \dxi$.
\pagebreak
\section{%
Finite-Dif"|ferenzen-Methode%
}
\textbf{Finite-Dif"|ferenzen-Methode}:
Bei der \begriff{Finite-Dif"|ferenzen-Methode} diskretisiert man das Gebiet $D$ zunächst
als gleichmäßiges Gitter mit Gitterweite $\Delta t$, $\Delta x$ und $\Delta y$.
Anschließend betrachtet man Approximationen $u_{i,j} \approx u(x_i, y_j)$
und ersetzt alle Ableitungen durch Dif"|ferenzenquo"-tienten.
Im Folgenden seien
$u_P := u_{i,j}$,
$u_N := u_{i,j+1}$,
$u_E := u_{i+1,j}$,
$u_S := u_{i,j-1}$ und
$u_W := u_{i-1,j}$.
\textbf{einfache Ableitungen}:
Sei $h := \Delta x = \Delta y$.
\begin{itemize}
\item
$\partial_x u(x_i, y_j) \approx \frac{u_E - u_P}{h}$ (\begriff{Vorwärts-Diff.quot.}),
$\partial_x u(x_i, y_j) \approx \frac{u_P - u_W}{h}$ (\begriff{Rückwärts-Diff.quot.}) oder
$\partial_x u(x_i, y_j) \approx \frac{u_E - u_W}{2h}$ (\begriff{zentraler Dif"|f.quot.})
\item
$\partial_y u(x_i, y_j) \approx \frac{u_N - u_P}{h}$,
$\partial_y u(x_i, y_j) \approx \frac{u_P - u_S}{h}$ oder
$\partial_y u(x_i, y_j) \approx \frac{u_N - u_S}{2h}$
\end{itemize}
Eine Approximation höherer Ordnung ist
$\partial_x u(x_i, y_j) \approx \frac{u_{WW} - 8u_W + 8u_E - 8u_{EE}}{12h}$.
\textbf{zweifache Ableitungen}:
$\partial_x^2 u \approx \frac{u_E - 2u_P + u_W}{h^2}$,
$\partial_y^2 u \approx \frac{u_N - 2u_P + u_S}{h^2}$,
$\partial_x \partial_y u \approx \frac{u_{NW} - u_{NE} - u_{SW} + u_{SE}}{4h^2}$\\
Eine Approximation höherer Ordnung ist
$\partial_x^2 u(x_i, y_j) \approx \frac{-u_{WW} + 16u_W - 30u_P + 16u_E - u_{EE}}{12h^2}$.
\linie
\textbf{FDM für die \name{Poisson}-Gleichung}:
Die \begriff{\name{Poisson}-Gleichung} ist gegeben durch $-\Delta u = f$ mit einem Quellterm $f$.
Die diskretisierte Version ist gegeben durch
$4u_P - u_E - u_W - u_N - u_S = h^2 f_P$.
Um Dirichlet-RBen zu erzwingen, setzt man die jeweiligen Terme auf den RB-Wert.\\
Für Neumann-RBen mit z.\,B. $\vec{n} = (1, 0)^\tp$ und $\partial_{\vec{n}} u(x_i, y_j) = 0$
erhält man die Approximation $0 = \partial_{\vec{n}} u(x_i, y_j) \approx \frac{u_E - u_W}{2h}$,
also $u_E := u_W$.
Daher erzwingt man Neumann-RBen, indem man in der Diskretisierung für den Randpunkt $P$
den Term $u_E$ durch $u_W$ ersetzt, also\\
$2u_P - u_W - \frac{1}{2} u_N - \frac{1}{2} u_S = \frac{1}{2} h^2 f_P$
(Teilen durch $2$, damit LGS-Matrix nachher symmetrisch).
Durch Lösen des entstehenden LGS kann man die Approximation ausrechnen.
\linie
\textbf{FDM für Advektionsgleichung}:
Für die Advektionsgleichung $\partial_t u + c \partial_x u = 0$ gibt es mehrere
Möglichkeiten zur Diskretisierung, je nachdem, welche Dif"|ferenzenquotienten man wählt.
Dazu setzt man $u_i^n \approx u(x_i, t_n)$ mit Gitterweiten $\Delta x$ und $\Delta t$.
\begin{itemize}
\item
\begriff{Upwind-Methode}:
$u_i^{n+1} := u_i^n - c \frac{\Delta t}{\Delta x} (u_i^n - u_{i-1}^n)$
(Zeit vorwärts, Ort rückwärts)
\item
\begriff{Downwind-Methode}:
$u_i^{n+1} := u_i^n - c \frac{\Delta t}{\Delta x} (u_{i+1}^n - u_i^n)$
(Zeit vorwärts, Ort vorwärts)
\item
\begriff{zentrierte Methode}:
$u_i^{n+1} := u_i^n - c \frac{\Delta t}{2 \Delta x} (u_{i+1}^n - u_{i-1}^n)$
(Zeit vorwärts, Ort zentriert)
\item
\begriff{Leap-Frog-Methode}:
$u_i^{n+1} := u_i^{n-1} - c \frac{\Delta t}{\Delta x} (u_{i+1}^n - u_{i-1}^n)$
(Zeit zentriert, Ort zentriert)
\item
\begriff{\name{Lax}-\name{Wendroff}-Methode}:
$u_i^{n+1} := u_i^n - c \frac{\Delta t}{2 \Delta x} (u_{i+1}^n - u_{i-1}^n) +
\frac{1}{2} (c \frac{\Delta t}{\Delta x})^2 (u_{i+1}^n - 2u_i^n + u_{i-1}^n)$
\end{itemize}
Für Stabilität sollte die \begriff{CFL-Zahl (\name{Courant}-\name{Friedrichs}-\name{Lewy})}
$\sigma := c \frac{\Delta t}{\Delta x}$ kleiner als $1$ sein.
\linie
\textbf{FDM für Dif"|fusionsgleichung}:
Als Beispiel betrachtet man die Wärmeleitung in einem Stab der Länge $L = 1$ mit $D = 1$.
Anfangsbedingung soll $u(x, 0) = 0$ für $x \in [0, 1]$ und
RBen sollen $u(0, t) = \sin(\pi t)$ und $\partial_x u(1, t) = 0$ für $t > 0$.
Diskretisiere $D = [0, 1] \times [0, \infty)$ mit $x_i := i \Delta x$ und $t_n := n \Delta t$,
wobei $\Delta x := \frac{1}{N}$, $i = 0, \dotsc, N$ und $n \in \natural_0$.
Durch Verwendung von Vorwärts-Diff.quot. für die Zeit und zentralen Diff.quot. für den Ort
bekommt man mit $u_i^n \approx u(x_i, t_n)$ die \begriff{FTCS-Methode}
$u_i^{n+1} := u_i^n + \frac{\Delta t}{\Delta x^2} (u_{i+1}^n - 2u_i^n + u_{i-1}^n)$
mit RBen $u_0^n := \sin(\pi n \Delta t)$ und
$u_N^{n+1} := u_N^n + \frac{2\Delta t}{\Delta x^2} (u_{N-1}^n - u_N^n)$.
Das Verfahren ist stabil $\iff \Delta t < \frac{1}{2} (\Delta x)^2$.
\pagebreak
\section{%
\name{Crank}-\name{Nicolson}-Methode%
}
\textbf{\name{Crank}-\name{Nicolson}-Methode}:
Die \begriff{\name{Crank}-\name{Nicolson}-Methode} verwendet
die Trapezregel für die Zeit und zentrale Diff.quot. für den Ort.
Ist die Gleichung $\partial_t u = F(x, t, u, \partial_x u, \partial_x^2 u)$ gegeben
und bezeichnen $\frac{u_i^{n+1} - u_i^n}{\Delta t} = F_i^n(x, t, u, \partial_x u, \partial_x^2 u)$
und $\frac{u_i^{n+1} - u_i^n}{\Delta t} = F_i^{n+1}(x, t, u, \partial_x u, \partial_x^2 u)$
einen expliziten bzw. impliziten Euler-Schritt, so erhält man die
\name{Crank}-\name{Nicolson}-Methode durch Mittelung
$\frac{u_i^{n+1} - u_i^n}{\Delta t} =
\frac{1}{2} (F_i^n + F_i^{n+1})(x, t, u, \partial_x u, \partial_x^2 u)$.
\textbf{\name{Crank}-\name{Nicolson}-Methode für Dif"|fusionsgleichung}:\\
Man setzt $\partial_x^2 u(x_i, t_n) \approx
\frac{1}{2(\Delta x)^2} ((u_{i+1}^n - 2u_i^n + u_{i-1}^n) +
(u_{i+1}^{n+1} - 2u_i^{n+1} + u_{i-1}^{n+1}))$
und erhält damit\\
$-r u_{i-1}^{n+1} + (2+2r)u_i^{n+1} - ru_{i+1}^{n+1} = ru_{i-1}^n + (2-2r)u_i^n + ru_{i+1}^n$
mit $r := \frac{\Delta t}{(\Delta x)^2}$.\\
Die RBen lauten dabei $(2+2r)u_1^{n+1} - ru_2^{n+1} = (2-2r)u_1^n + ru_2^n +
r(\sin(\pi n \Delta t) + \sin(\pi (n+1) \Delta t)$ und
$-2ru_{N-1}^{n+1} + (2+2r)u_N^{n+1} = 2ru_{N-1}^n + (2-2r)u_N^n$.
Für jede Zeit $t_n$ erhält man also ein tridiagonales LGS mit $N$ Gleichungen für die $N$
Unbekannten $u_1^{n+1}, \dotsc, u_N^{n+1}$.
\section{%
Anisotrope 1D-Dif"|fusionsgleichung%
}
\textbf{anisotrope 1D-Dif"|fusionsgleichung}:\\
Die Gleichung $\partial_t u = \partial_x (D(x) \partial_x u)$
heißt \begriff{anisotrope 1D-Dif"|fusionsgleichung}.
\textbf{FDM für anisotrope 1D-Dif"|fusionsgleichung}:
Diskretisiere zunächst die rechte Seite\\
$\partial_x g(x)$ mit $g(x) := D(x) \partial_x u$ und halber Schrittweite
durch $\partial_x g(x) \approx \frac{g(x + h/2) - g(x - h/2)}{h}$.
Approximiere nun $g(x) \approx D(x) \frac{u(x + h/2) - u(x - h/2)}{h}$.
Durch Einsetzen erhält man\\
$\frac{u_i^{n+1} - u_i^n}{\Delta t} =
\frac{1}{\Delta x^2} (D_{i+1/2} (u_{i+1}^n - u_i^n) - D_{i-1/2} (u_i^n - u_{i-1}^n))$
mit $D_{i\pm1/2} := D(x_i \pm \Delta x/2)$.
\textbf{\name{Crank}-\name{Nicolson} für anisotrope 1D-Dif"|fusionsgleichung}:\\
Durch Mittelung für die Schritte $n$ und $n + 1$ erhält man\\
$\frac{u_i^{n+1} - u_i^n}{\Delta t} =
\frac{1}{2\Delta x^2} (D_{i+1/2} (u_{i+1}^{n+1} + u_{i+1}^n - u_i^{n+1} - u_i^n) -
D_{i-1/2} (u_i^{n+1} + u_i^n - u_{i-1}^{n+1} - u_{i-1}^n))$ bzw.\\
$-D_{i+1/2} u_{i+1}^{n+1} + (\frac{2\Delta x^2}{\Delta t} + D_{i+1/2} + D_{i-1/2}) u_i^{n+1} -
D_{i-1/2} u_{i-1}^{n+1}$\\
$= D_{i+1/2} u_{i+1}^n (\frac{2\Delta x^2}{\Delta t} - D_{i+1/2} - D_{i-1/2}) u_i^n +
D_{i-1/2} u_{i-1}^n$.\\
Dies kann man in der Form $A\vec{u}^{n+1} = B\vec{u}^n$ schreiben mit
$\vec{u}^n := (u_1^n, \dotsc, u_N^n)^\tp$,\\
$A_{j,j-1} := -D_{j-1/2}$,
$A_{j,j} := \frac{2\Delta x^2}{\Delta t} + D_{j+1/2} + D_{j-1/2}$,
$A_{j,j+1} := -D_{j+1/2}$ und\\
$B_{j,j-1} := D_{j-1/2}$,
$B_{j,j} := \frac{2\Delta x^2}{\Delta t} - D_{j+1/2} - D_{j-1/2}$,
$B_{j,j+1} := D_{j+1/2}$
(sonst $A_{i,j} := 0 =: B_{i,j}$).\\
Nach Hinzufügung der RBen zu $A$ und $B$ erhält man dann $\vec{u}^{n+1} = A^{-1} B\vec{u}^n$.
\pagebreak
\section{%
\name{Perona}-\name{Malik}-Dif"|fusion%
}
\textbf{\name{Perona}-\name{Malik}-Dif"|fusion}:
Die \begriff{\name{Perona}-\name{Malik}-Dif"|fusionsgleichung} ist gegeben durch\\
$\partial_t u = \div(g(|\vec{\nabla} u|) \vec{\nabla} u)$
mit AB $u(\cdot, 0) = f$ und homogenen Neumann-RBen $\partial_{\vec{n}} u = 0$.\\
Die \begriff{Dif"|fusivitätsfunktion} $g$ sollte
$g(0) = 1$, $g \ge 0$ und $\lim_{s \to \infty} g(s) = 0$ erfüllen.
PM schlagen z.\,B. $g(s) := \frac{1}{1 + s^2/\lambda^2}$ oder $g(s) := e^{-s^2/\lambda^2}$ mit
dem \begriff{Kontrastparameter} $\lambda$ vor.
\linie
\textbf{1D-PM-Dif"|fusion}:
In einer Dimension ist die PM-Dif"|fusion mit der \begriff{Flussfunktion}\\
$\Phi(s) := s \cdot g(s)$ gegeben durch
$\partial_t u = \partial_x (g(|\partial_x u|) \partial_x u) =
\Phi'(|\partial_x u|) \partial_x^2 u$.
Für die beiden von PM vorgeschlagenen Dif"|fusivitätsfunktionen gilt
$\Phi'(|\partial_x u|) > 0$ für $|\partial_x u| < \lambda$ (Vorwärts-Dif"|fusion) und
$\Phi'(|\partial_x u|) < 0$ für $|\partial_x u| > \lambda$ (Rückwärts-Dif"|fusion).
Obwohl also die Dif"|fusivität $g$ nicht-negativ ist, gibt es Vor- und Rückwärts-Dif"|fusion.
\linie
\textbf{2D-PM-Dif"|fusion}:
In zwei Dimensionen ist die PM-Dif"|fusion gegeben durch\\
$\partial_t u = \partial_x (g(|\vec{\nabla} u|) \partial_x u) +
\partial_y (g(|\vec{\nabla} u|) \partial_y u)$.
Die Norm des Gradienten kann man mittels zentraler Diff.quot.en approximieren:
$|\vec{\nabla} u_{i,j}| \approx \sqrt{(\frac{u_{i+1,j} - u_{i-1,j}}{2})^2 +
(\frac{u_{i,j+1} - u_{i,j-1}}{2})^2}$ mit $g_{i,j} := g(|\vec{\nabla} u_{i,j}|)$.\\
Damit kann man ein Finites-Dif"|ferenzen-Verfahren herleiten.\\
Eine Anwendung ist die Rauschunterdrückung von Bildern, ohne dass Kanten unscharf werden
(im Gegensatz zur linearen Dif"|fusion).
\section{%
Dilatation und Erosion%
}
\textbf{Dilatation und Erosion}:
Bei der Dilatation und Erosion ist eine Teilmenge $A \subset \real^2$ (z.\,B. ein Quadrat) und
eine Maske $M \subset \real^2$ mit $0 \in M$ (z.\,B. ein Kreis).
Die \begriff{Dilatation} ist das Ergebnis von $\bigcup_{x \in A} (M + x)$ und
die \begriff{Erosion} ist das Ergebnis von $\{x \in A \;|\; M + x \subset A\}$.
\textbf{Dilatationsgleichung}:
Dilatation und Erosion können mithilfe der \begriff{Dilatationsgleichung}\\
$\partial_t u = \pm|\vec{\nabla} u|$ simuliert werden.
Bei der \begriff{\name{Rouy}-\name{Tourin}-Methode} setzt man\\
$u_{i,j}^{n+1} := u_{i,j}^n \pm \Delta t \sqrt{(\partial_x u)^2 + (\partial_y u)^2}$ mit
$(\partial_x u)^2 \approx
\frac{1}{\Delta x^2} (\max\{0, u_{i+1,j} - u_{i,j}, -(u_{i,j} - u_{i-1,j})\})^2$,
analog $(\partial_y u)^2$.\\
Bei der \begriff{\name{Osher}-\name{Sethian}-Upwind-Methode} verwendet man stattdessen\\
$(\partial_x u)^2 \approx
\frac{1}{\Delta x^2} ((\max(0, u_{i+1,j} - u_{i,j}))^2 + (\max(0, u_{i-1,j} - u_{i,j}))^2)$,
analog $(\partial_y u)^2$.\\
Anwendungen von Dilatation und Erosion umfassen das Unscharfmachen von Kanten oder
die Kontrasterhöhung von Fingerabdrucks-Bildern.
\pagebreak