Что даст решение уравнения навье стокса

НАВЬЕ́ – СТО́КСА УРАВНЕ́НИЯ

НАВЬЕ́ – СТ О́КСА УРАВНЕ́НИЯ, диф­фе­рен­ци­аль­ные урав­не­ния дви­же­ния сплош­ной сре­ды (жид­ко­сти или га­за), учи­ты­ваю­щие её вяз­кость. Вы­ве­де­ны Л. На­вье в 1822 (опубл. в 1827) на ос­но­ве уп­ро­щён­ной мо­де­ли мо­ле­ку­ляр­ных взаи­мо­дей­ствий. В 1845 Дж. Стокс в ре­зуль­та­те изу­че­ния ста­цио­нар­но­го дви­же­ния не­сжи­мае­мой жид­ко­сти по­лу­чил эти урав­не­ния в совр. фор­ме с ис­поль­зо­ва­ни­ем за­ко­нов со­хра­не­ния мас­сы и им­пуль­са для сплош­ной сре­ды.

Уравнение Навье-Стокса и симуляция жидкостей на CUDA

Привет, Хабр. В этой статье мы разберемся с уравнением Навье-Стокса для несжимаемой жидкости, численно его решим и сделаем красивую симуляцию, работающую за счет параллельного вычисления на CUDA. Основная цель — показать, как можно применить математику, лежащую в основе уравнения, на практике при решении задачи моделирования жидкостей и газов.

Уравнение Навье-Стокса для несжимаемой жидкости

Я думаю каждый хоть раз слышал об этом уравнении, некоторые, быть может, даже аналитически решали его частные случаи, но в общем виде эта задачи остается неразрешенной до сих пор. Само собой, мы не ставим в этой статье цель решить задачу тысячелетия, однако итеративный метод применить к ней мы все же можем. Но для начала, давайте разберемся с обозначениями в этой формуле.

Условно уравнение Навье-Стокса можно разделить на пять частей:

• — обозначает скорость изменения скорости жидкости в точке (его мы и будем считать для каждой частицы в нашей симуляции).
• — перемещение жидкости в пространстве.
• — давление, оказываемое на частицу (здесь — коэффициент плотности жидкости).
• — вязкость среды (чем она больше, тем сильнее жидкость сопротивляется силе, применяемой к ее части), — коэффициент вязкости).
• — внешние силы, которые мы применяем к жидкости (в нашем случае сила будет играть вполне конкретную роль — она будет отражать действия, совершаемые пользователем.

Также, так как мы будем рассматривать случай несжимаемой и однородной жидкости, мы имеем еще одно уравнение: . Энергия в среде постоянна, никуда не уходит, ниоткуда не приходит.

Будет неправильно обделить всех читателей, которые не знакомы с векторным анализом, поэтому заодно и бегло пройдемся по всем операторам, присутствующим в уравнении (однако, настоятельно рекомендую вспомнить, что такое производная, дифференциал и вектор, так как они лежат в основе всего того, о чем пойдет речь ниже).

Начнем мы с с оператора набла, представляющего из себя вот такой вектор (в нашем случае он будет двухкомпонентным, так как жидкость мы будет моделировать в двумерном пространстве):

Оператор набла представляет из себя векторный дифференциальный оператор и может быть применен как к скалярной функции, так и к векторной. В случае скаляра мы получаем градиент функции (вектор ее частных производных), а в случае вектора — сумму частых производных по осям. Главная особенность данного оператора в том, что через него можно выразить основные операции векторного анализа — grad (градиент), div (дивергенция), rot (ротор) и (оператор Лапласа). Стоит сразу же отметить, что выражение не равносильно — оператор набла не обладает коммутативностью.

Как мы увидим далее, эти выражения заметно упрощаются при переходе на дискретное пространство, в котором мы и будем проводить все вычисления, так что не пугайтесь, если на данный момент вам не очень понятно, что же со всем этим делать. Разбив задачу на несколько частей, мы последовательно решим каждую из них и представим все это в виде последовательного применения нескольких функций к нашей среде.

Численное решение уравнения Навье-Стокса

Чтобы представить нашу жидкость в программе, нам необходимо получить математическую репрезентацию состояния каждой частицы жидкости в произвольный момент времени. Самый удобный для этого метод — создать векторное поле частиц, хранящее их состояние, в виде координатной плоскости:

В каждой ячейке нашего двумерного массива мы будем хранить скорость частицы в момент времени , а расстояние между частицами обозначим за и соответственно. В коде же нам будет достаточно изменять значение скорости каждую итерацию, решая набор из нескольких уравнений.

Теперь выразим градиент, дивергенцию и оператор Лапласа с учетом нашей координатной сетки ( — индексы в массиве, — взятие соответствующих компонентов у вектора):

Оператор	Определение	Дискретный аналог
grad
div
rot

Мы можем еще сильнее упростить дискретные формулы векторных операторов, если положим, что . Данное допущение не будет сильно сказываться на точности алгоритма, однако уменьшает количество операций на каждую итерацию, да и в целом делает выражения приятней взгляду.

Перемещение частиц

Данные утверждения работают только в том случае, если мы можем найти ближайшие частицы относительно рассматриваемой на данный момент. Чтобы свести на нет все возможные издержки, связанные с поиском таковых, мы будет отслеживать не их перемещение, а то, откуда приходят частицы в начале итерации путем проекции траектории движения назад во времени (проще говоря, вычитать вектор скорости, помноженный на изменение времени, из текущей позиции). Используя этот прием для каждого элемента массива, мы будем точно уверены, что у любой частицы будут «соседи»:

Положив, что — элемент массива, хранящий состояния частицы, получаем следующую формулу для вычисления ее состояния через время (мы полагаем, что все необходимые параметры в виде ускорения и давления уже рассчитаны):

Заметим сразу же, что при достаточно малом и скорости мы можем так и не выйти за пределы ячейки, поэтому очень важно правильно подобрать ту силу импульса, которую пользователь будет придавать частицам.

Чтобы избежать потери точности в случае попадания проекции на границу клеток или в случае получения нецелых координат, мы будем проводить билинейную интерполяцию состояний четырех ближайших частиц и брать ее за истинное значение в точке. В принципе, такой метод практически не уменьшит точность симуляции, и вместе с тем он достаточно прост в реализации, так что его и будем использовать.

Вязкость

. В таком случае итеративное уравнение для скорости примет следующий вид:

Мы несколько преобразуем данное равенство, приведя его к виду (стандартный вид системы линейных уравнений):

где — единичная матрица. Такие преобразования нам необходимы, чтобы в последствии применить метод Якоби для решения нескольких схожих систем уравнений. Его мы также обсудим в дальнейшем.

Внешние силы

Импульс-вектор легко посчитать как разность между предыдущей позицией мыши и текущей (если такая имелась), и здесь как раз-таки можно проявить креативность. Именно в этой части алгоритма мы можем внедрить добавление цветов в жидкость, ее подсветку и т.п. К внешним силам также можно отнести гравитацию и температуру, и хоть реализовать такие параметры несложно, в данной статье рассматривать их мы не будем.

Давление

Давление в уравнении Навье-Стокса — та сила, которая препятствует частицам заполнять все доступное им пространство после применения к ним какой-либо внешней силы. Сходу его расчет весьма затруднителен, однако нашу задачу можно значительно упростить, применив теорему разложения Гельмгольца.

Назовем векторное поле, полученное после расчета перемещения, внешних сил и вязкости. Оно будет иметь ненулевую дивергенцию, что противоречит условию несжимаемости жидкости (), и чтобы это исправить, необходимо рассчитать давление. Согласно теореме разложения Гельмгольца, можно представить как сумму двух полей:

где — и есть искомое нами векторное поле с нулевой дивергенцией. Доказательство этого равенства в данной статье приводиться не будет, однако в конце вы сможете найти ссылку с подробным объяснением. Мы же можем применить оператор набла к обоим частям выражения, чтобы получить следующую формулу для расчета скалярного поля давления:

Записанное выше выражение представляет из себя уравнение Пуассона для давления. Его мы также можем решить вышеупомянутым методом Якоби, и тем самым найти последнюю неизвестную переменную в уравнении Навье-Стокса. В принципе, системы линейных уравнений можно решать самыми разными и изощренными способами, но мы все же остановимся на самом простом из них, чтобы еще больше не нагружать данную статью.

Граничные и начальные условия

Любое дифференциальное уравнение, моделируемое на конечной области, требует правильно заданных начальных или граничных условий, иначе мы с очень большой вероятностью получим физически неверный результат. Граничные условия устанавливаются для контролирования поведения жидкости близ краев координатной сетки, а начальные условия задают параметры, которые имеют частицы в момент запуска программы.

Начальные условия будут весьма простыми — изначально жидкость неподвижна (скорость частиц равна нулю), и давление также равно нулю. Граничные условия будут задаваться для скорости и давления приведенными формулами:

Тем самым, скорость частиц на краях будет противоположна скорости у краев (тем самым они будут отталкиваться от края), а давление равно значению непосредственно рядом с границей. Данные операции следует применить ко всем ограничивающим элементам массива (к примеру, есть размер сетки , то алгоритм мы применим для клеток, отмеченных на рисунке синим):

Краситель

В формуле отвечает за пополнение красителем области (возможно, в зависимости от того, куда нажмет пользователь), непосредственно является количество красителя в точке, а — коэффициент диффузии. Решить его не составляет большого труда, так как вся основная работа по выводу формул уже проведена, и достаточно лишь сделает несколько подстановок. Краску можно реализовать в коде как цвет в формате RGB, и в таком случае задача сводится к операциям с несколькими вещественными величинами.

Завихренность

есть результат применения ротора к вектору скорости (его определение дано в начале статьи), — градиент скалярного поля абсолютных значений . представляет нормализованный вектор , а — константа, контролирующая, насколько большими будут завихренности в нашей жидкости.

Метод Якоби для решения систем линейных уравнений

Для нас — элементы массива, представляющие скалярное или векторное поле. — номер итерации, его мы можем регулировать, чтобы как увеличить точность расчета или наоборот уменьшить, и повысить производительность.

Для расчет вязкости подставляем: , , , здесь параметр — сумма весов. Таким образом, нам необходимо хранить как минимум два векторных поля скоростей, чтобы независимо считать значения одного поля и записывать их в другое. В среднем, для расчета поля скорости методом Якоби необходимо провести 20-50 итераций, что весьма много, если бы мы выполняли вычисления на CPU.

Для уравнения давления мы сделаем следующую подстановку: , , , . В результате мы получим значение в точке. Но так как оно используется только для расчета градиента, вычитаемого из поля скорости, дополнительные преобразования можно не выполнять. Для поля давления лучше всего выполнять 40-80 итераций, потому что при меньших числах расхождение становится заметным.

Реализация алгоритма

Реализовывать алгоритм мы будем на C++, также нам потребуется Cuda Toolkit (как его установить вы можете прочитать на сайте Nvidia), а также SFML. CUDA нам потребуется для распараллеливания алгоритма, а SFML будет использоваться только для создания окна и отображения картинки на экране (В принципе, это вполне можно написать на OpenGL, но разница в производительности будет несущественна, а вот код увеличится еще строк на 200).

Cuda Toolkit

Сначала мы немного поговорим о том, как использовать Cuda Toolkit для распараллеливания задач. Более подробный гайд предоставляется самой Nvidia, поэтому здесь мы ограничимся только самым необходимым. Также предполагается, что вы смогли установить компилятор, и у вас получилось собрать тестовый проект без ошибок.

Чтобы создать функцию, исполняющуюся на GPU, для начала необходимо объявить, сколько ядер мы хотим использовать, и сколько блоков ядер нужно выделить. Для этого Cuda Toolkit предоставляет нам специальную структуру — dim3, по умолчанию устанавливающую все свои значения x, y, z равными 1. Указывая ее как аргумент при вызове функции, мы можем управлять количеством выделяемых ядер. Так как работаем мы с двумерным массивом, то в конструкторе необходимо установить только два поля: x и y:

где size_x и size_y — размер обрабатываемого массива. Сигнатура и вызов функции выглядят следующим образом (тройные угловые скобки обрабатываются компилятором Cuda):

В самой функции можно восстановить индексы двумерного массива через номер блока и номер ядра в этом блоке по следующей формуле:

Следует отметить, что функция, исполняемая на видеокарте, должна быть обязательно помечена тегом __global__ , а также возвращать void, поэтому чаще всего результаты вычислений записываются в передаваемый как аргумент и заранее выделенный в памяти видеокарты массив.

За освобождение и выделение памяти на видеокарте отвечают функции CudaMalloc и CudaFree. Мы можем оперировать указателями на область памяти, которые они возвращают, но получить доступ к данным из основного кода не можем. Самый простой способ вернуть результаты вычислений — воспользоваться cudaMemcpy, схожей со стандартным memcpy, но умеющей копировать данные с видеокарты в основную память и наоборот.

SFML и рендер окна

Вооружившись всеми этими знаниями, мы наконец можем перейти к непосредственному написанию кода. Для начала давайте создадим файл main.cpp и разместим туда весь вспомогательный код для рендера окна:

строка в начале функции main

создает изображение формата RGBA в виде одномерного массива с константной длиной. Его мы будем передавать вместе с другими параметрами (позиция мыши, разница между кадрами) в функцию computeField. Последняя, как и несколько других функций, объявлены в kernel.cu и вызывают код, исполняемый на GPU. Документацию по любой из функций вы можете найти на сайте SFML, в коде файла не происходит ничего сверхинтересного, поэтому мы не будем надолго на нем останавливаться.

Вычисления на GPU

Чтобы начать писать код под gpu, для начала создадим файл kernel.cu и определим в нем несколько вспомогательных классов: Color3f, Vec2, Config, SystemConfig:

Атрибут __host__ перед именем метода означает, что код может исполнятся на CPU, __device__ , наоборот, обязует компилятор собирать код под GPU. В коде объявляются примитивы для работы с двухкомпонентными векторами, цветом, конфиги с параметрами, которые можно менять в рантайме, а также несколько статических указателей на массивы, которые мы будем использовать как буферы для вычислений.

cudaInit и cudaExit также определяеются достаточно тривиально:

В функции инициализации мы выделяем память под двумерные массивы, задаем массив цветов, которые мы будем использовать для раскраски жидкости, а также устанавливаем в конфиг значения по умолчанию. В cudaExit мы просто освобождаем все буферы. Как бы это парадоксально не звучало, для хранения двумерных массивов выгоднее всего использовать одномерные, обращение к которым будет осуществляться таким выражением:

Начнем реализацию непосредственного алгоритма с функции перемещения частиц. В advect передаются поля oldField и newField (то поле, откуда берутся данные и то, куда они записываются), размер массива, а также дельта времени и коэффициент плотности (используется для того, чтобы ускорить растворение красителя в жидкости и сделать среду не сильно чувствительной к действиям пользователя). Функция билинейной интерполяции реализована классическим образом через вычисление промежуточных значений:

Функцию диффузии вязкости было решено разделить на несколько частей: из главного кода вызывается computeDiffusion, которая вызывает diffuse и computeColor заранее указанное число раз, а затем меняет местами массив, откуда мы берем данные, и тот, куда мы их записываем. Это самый простой способ реализовать параллельную обработку данных, но мы расходует в два раза больше памяти.

Обе функции вызывают вариации метода Якоби. В теле jacobiColor и jacobiVelocity сразу же идет проверка, что текущие элементы не находятся на границе — в этом случае мы должны установить их в соответствии с формулами, изложенными в разделе Граничные и начальные условия.

Применение внешней силы реализовано через единственную функцию — applyForce, принимающую как аргументы позицию мыши, цвет красителя, а также радиус действия. С ее помощью мы можем придать скорость частицам, а также красить их. братная экспонента позволяет сделать область не слишком резкой, и при этом достаточно четкой в указанном радиусе.

Расчет завихренности представляет из себя уже более сложный процесс, поэтому его мы реализуем в computeVorticity и applyVorticity, заметим также, что для них необходимо определить два таких векторных оператора, как curl (ротор) и absGradient (градиент абсолютных значений поля). Чтобы задать дополнительные эффекты вихря, мы умножаем компоненту вектора градиента на , а затем нормализируем его, разделив на длину (не забыв при этом проверить, что вектор ненулевой):

Следующим этапом алгоритма будет вычисление скалярного поля давления и его проекция на поле скорости. Для этого нам потребуется реализовать 4 функции: divergency, которая будет считать дивергенцию скорости, jacobiPressure, реализующую метод Якоби для давления, и computePressure c computePressureImpl, проводящие итеративные вычисления поля:

Проекция умещается в две небольшие функции — project и вызываемой ей gradient для давления. Это, можно сказать, последний этап нашего алгоритма симуляции:

После проекции мы смело можем перейти к отрисовке изображения в буфер и различным пост-эффектам. В функции paint выполняется копирование цветов из поля частиц в массив RGBA. Также была реализована функция applyBloom, которая подсвечивает жидкость, когда на нее наведен курсор и нажата клавиша мыши. Из опыта, такой прием делает картину более приятной и интересной для глаз пользователя, но он вовсе не обязателен.

В постобработке также можно подсвечивать места, в которых жидкость имеет наибольшую скорость, менять цвет в зависимости от вектора движения, добавлять различные эффекты и прочее, но в нашем случае мы ограничимся своеобразным минимумом, ведь даже с ним изображения получаются весьма завораживающими (особенно в динамике):

И под конец у нас осталась одна главная функция, которую мы вызываем из main.cpp — computeField. Она сцепляет воедино все кусочки алгоритма, вызывая код на видеокарте, а также копирует данные с gpu на cpu. В ней же находится и расчет вектора импульса и выбор цвета красителя, которые мы передаем в applyForce:

Заключение

В этой статье мы разобрали численный алгоритм решения уравнения Навье-Стокса и написали небольшую программу-симуляцию для несжимаемой жидкости. Быть может мы и не разобрались во всех тонкостях, но я надеюсь, что материал оказался для вас интересным и полезным, и как минимум послужил хорошим введением в область моделирования жидкостей.

Как автор данной статьи, я буду искренне признателен любым комментариям и дополнениям, и постараюсь ответить на все возникшие у вас вопросы под этим постом.

Дополнительный материал

Весь исходный код, приведенный в данной статье, вы можете найти в моем Github-репозитории. Любые предложения по улучшению приветствуются.

Оригинальный материал, послуживший основой для данной статьи, вы можете прочесть на официальном сайте Nvidia (англ). В нем также представлены примеры реализации частей алгоритма на языке шейдеров:
developer.download.nvidia.com/books/HTML/gpugems/gpugems_ch38.html

Доказательство теоремы разложения Гельмгольца и огромное количество дополнительного материала про механику жидкостей можно найти в данной книге (англ, см. раздел 1.2):
Chorin, A.J., and J.E. Marsden. 1993. A Mathematical Introduction to Fluid Mechanics. 3rd ed. Springer.

Канал одного англоязычного ютубера, делающего качественный контент, связанной с математикой, и решением дифференциальных уравнений в частности (англ). Очень наглядные ролики, помогающие понять суть многих вещей в математике и физике:
3Blue1Brown — YouTube
Differential Equations (3Blue1Brown)

Также выражаю благодарность WhiteBlackGoose за помощь в подготовке материала для статьи.

И под конец небольшой бонус — несколько красивых скриншотов, снятых в программе:

Прямой поток (дефолтные настройки)

Водоворот (большой радиус в applyForce)

Волна (высокая завихренность + диффузия)

Также по многочисленным просьбам добавил видео с работой симуляции:

∀ x, y, z

Математики нашли проблему в знаменитых уравнениях Навье-Стокса для описания жидкостей Комментарии: 3 Два математика доказали, что при определённых экстремальных условиях уравнения Навье-Стокса выдают бессмыслицу. Уравнения Навье-Стокса при помощи нескольких лаконичных членов описывают одно из самых распространённых явлений физического мира: течение жидкостей. Сегодня эти уравнения, появившиеся ещё в 1820-х, используются для описания всего, от океанских течений и турбулентности, следующей за самолётом до потока крови в сердце. Хотя физики считают эти уравнения надёжными, как молоток, математики относятся к ним с недоверием. Для математика то, что эти уравнения вроде бы работают, мало что значит. Им нужны доказательства того, что уравнения безошибочны: что для любой жидкости и для долгосрочного прогноза, распространённого сколь угодно далеко в будущее, математика уравнений не подведёт. Такую гарантию оказалось нелегко отыскать. Первый человек или команда, которая сумеет доказать, что уравнения Навье-Стокса будут работать всегда — или представить пример, доказывающий, что они не работают — сможет получить награду за решение одной из «Задач тысячелетия», анонсированных математическим институтом Клэя, и миллионом долларов в придачу [по состоянию на 2017 год только одна из семи задач тысячелетия (гипотеза Пуанкаре) решена Григорием Перельманом — прим. перев.] . Математики разработали множество способов для решения этой задачи. Новая работа, опубликованная в сентябре, ставит серьёзные вопросы по поводу того, сможет ли добиться успеха один из самых популярных подходов к задаче, разрабатываемый в течение многих лет. Работа, которую написали Тристан Бакмастер и Влад Викол из Принстонского университета, представляет собой первый результат, показывающий, как при определённых условиях уравнения Навье-Стокса дают противоречивое описание физического мира. «Мы пытаемся понять определённые проблемы, присущие этим уравнениям, и то, почему людям, вероятно, придётся их переосмыслить», — говорит Бакмастер. Работа Бакмастера и Викола показывает, что, если принять при решении уравнений Навье-Стокса очень грубые допущения, они начинают выдавать бессмыслицу: утверждают, что одна и та же жидкость с одними и теми же начальными условиями может прийти в два или более различных состояний. Она может течь одним образом, или же совершенно другим. Если так, то эти уравнения не могут надёжно описывать физический мир, для которого они были разработаны. Чтобы понять, как уравнения могут сломаться, представьте себе океанское течение. В его рамках могут существовать локальные течения, в результате чего некоторые его части могут перемещаться в одном направлении и с одной скоростью, а другие — в другом направлении с другой скоростью. Локальные течения взаимодействуют друг с другом в постоянном взаимном действии трения и давления воды, определяющих её поток. Математики моделируют это взаимодействие при помощи карты, сообщающей вам о направлениях и скорости потока в любой точке жидкости. Эта карта, называемая векторным полем — снимок внутренней динамики жидкости. Уравнения Навье-Стокса берут этот снимок и воспроизводят его, как видео, сообщая, как именно будет выглядеть векторное поле в каждый последующий момент времени. Эти уравнения работают. Они описывают течение жидкости так же надёжно, как уравнения Ньютона предсказывают будущие положения планет; физики постоянно используют их, и они постоянно совпадают с результатами экспериментов. Однако математикам нужно нечто большее, чем эпизодическое подтверждение — им нужно доказательство того, что уравнения не нарушаются, что вне зависимости от того, с какого векторного поля вы начнёте, и от того, как далеко в будущее вы будете его воспроизводить, уравнения всегда дадут вам новое, уникальное векторное поле. Это и есть тема Задачи тысячелетия, спрашивающей, есть ли у уравнений Навье-Стокса решения (решение, по сути, и есть векторное поле) для всех начальных точек во все моменты времени. Эти решения должны обеспечить точное направление и силу потока в каждой точке жидкости. Решения, дающие информацию с таким бесконечно мелким разрешением, называются «гладкими». У гладкого решения каждая точка поля имеет связанный с ней вектор, позволяющий вам «гладко» путешествовать по полю, не застревая в точках, где вектор отсутствует — в точке, дальнейшее движение из которой вам будет непонятно. Гладкие решения — полное представление физического мира, но с математической точки зрения они могут существовать не всегда. Математики, работающие над уравнениями, подобными этим, переживают по поводу такой ситуации: вы запускаете уравнения Навье-Стокса и наблюдаете за изменениями векторного поля. По прошествии какого-то конечного времени уравнения говорят вам, что некая частица жидкости двигается с бесконечной скоростью. Тогда у вас будут проблемы. В уравнения входит измерение изменений таких свойств, как давление, трение, скорость жидкости — говоря жаргонным языком, они берут производные этих величин — но производную от бесконечной величины взять не проще, чем поделить на ноль. Так что если уравнения выдают бесконечное значение, можно сказать, что они отказали вам, или «взорвались». Они уже не могут описывать последующие состояния вашей жидкости. Такой «взрыв» — свидетельство того, что в уравнениях не хватает описания каких-то свойств физического мира, который они должны описывать. «Возможно, уравнения охватывают не все эффекты реальной жидкости, поскольку в реальной жидкости мы не ожидаем» бесконечной скорости движения частиц, как говорит Бакмастер. Решение Задачи тысячелетия состоит либо в том, чтобы показать, что уравнения Навье-Стокса никогда не взрываются, либо найти условия, при которых это происходит. Одна из стратегий, используемых математиками — смягчить требования к тому, как точно эти уравнения должны описывать требуемые решения. Уравнения Навье-Стокса должны описывать течение любой жидкости, с любыми начальными условиями, и распространять описание бесконечно далеко в будущее. Пытаясь доказать эту их способность, математики иногда «ослабляют», то есть, используют приближённые описания векторных полей, описывающих жидкость. Но с этим возникают трудности. В идеале, математики хотят доказать, что применение уравнений Навье-Стокса к любой непрерывной, «гладкой» жидкости выдаст один уникальный результат. Однако проще работать со «слабыми», не такими детализированными векторными полями. И вот математики обнаружили, что некоторые слабые описания выдают неуникальные результаты — позволяют одной и той же жидкости в одних и тех же начальных условиях течь двумя способами. Когда математики изучают такие уравнения, как эти, они иногда начинают расширять определение того, что считается решением. Гладким решениям требуется максимум информации — в случае с Навье-Стоксом им требуется, чтобы в каждой точке векторного поля, связанного с жидкостью, существовал вектор. Но что, если ослабить требования, и сказать, что вам нужно подсчитывать вектора только для некоторых точек поля, или нужно получить только примерные значения векторов? Такие решения называют «слабыми». Они позволяют математикам почувствовать поведение уравнения без утомительной работы по поиску абсолютно всех решений (что на практике может оказаться и невозможным). «С какой-то точки зрения слабые решения ещё легче описать, чем реальные, поскольку знать нужно гораздо меньше», — сказал Камилло Де Леллис, в соавторстве с Лазло Щекелихиди написавший несколько важных работ, заложивших фундамент для работы Бакмастера и Викола. Слабые решения бывают разной градации. Если представить себе гладкое решение в виде математического изображения жидкости с бесконечным разрешением, то слабые решения будут представлять собой нечто вроде 32-битных, 16-битных или 8-битных версий этого изображения. В 1934 году французский математик Жан Лере определил важный класс слабых решений. Вместо работы с точными векторами, «решения Лере» берут среднее значение векторов в небольшой окрестности векторного поля. Лере доказал, что всегда можно решить уравнения Навье-Стокса, позволяя вашим решениям принимать форму такого вида. Иначе говоря, решения Лере не взрываются. Достижение Лере определило новый подход к задаче Навье-Стокса: начать с решений Лере, о существовании которых уже известно, и посмотреть, можно ли превратить их в гладкие решения, существование которых вы хотите доказать. Этот процесс напоминает тот, где вы начинаете с грубой картинки, и смотрите, нельзя ли постепенно подкрутить разрешение, чтобы достичь идеального изображения реальности. «Одна из возможных стратегий — показать, что эти слабые решения Лере гладкие, и если вы сможете показать, что они гладкие — вы решите Задачу тысячелетия», — сказал Бакмастер. Есть и ещё один подвох. Решения уравнений Навье-Стокса соответствуют реальным физическим событиям, а физические события происходят одним возможным образом. Учитывая это, хотелось бы, чтобы у ваших уравнений был только один набор уникальных решений. Если уравнения дают вам множество возможных решений, они не справляются со своей задачей. Поэтому математики смогут использовать решения Лере для решения Задачи тысячелетия, только если решения Лере уникальны. Неуникальные решения Лере будут означать, что, согласно правилам Навье-Стокса, одна и та же жидкость с одними и теми же начальными условиями может прийти к двум разным физическим состояниям, что не имеет физического смысла, и подразумевает, что уравнения на самом деле не описывают то, что должны. Новый результат Бакмастера и Викола — первый намёк на то, что для определённых определений слабых решений может происходить именно это. В своей новой работе Бакмастер и Викол рассматривают ещё более слабые решения, чем решения Лере — решения, в которых используется тот же принцип усреднения, что у и Лере, но ослаблено ещё одно дополнительное требование (известное, как неравенство энергий). Они используют метод «выпуклого интегрирования», берущий начало из работ по геометрии математика Джона Нэша, и позднее привлечённый к изучению жидкостей Де Леллисом и Щекелихиди. Используя такой подход, Бакмастер и Викол доказывают, что эти очень слабые решения уравнений Навье-Стокса неуникальны. Они, к примеру, демонстрируют, что если начать с полностью спокойной жидкости, к примеру, со стакана с водой рядом с кроватью, возможны два вида развития событий. Первый очевиден: вода начинает со спокойного состояния и остаётся спокойной всегда. Второй фантастичный, но математически возможный: вода начинает со спокойного состояния, взрывается в середине ночи, а затем возвращается в спокойное состояние. «Это доказывает отсутствие уникальности, поскольку из начальных данных можно сконструировать по меньшей мере два объекта», — говорит Викол. Бакмастер и Викол доказали существование множества неуникальных слабых решений (не только тех двух, что описаны выше) уравнений Навье-Стокса. Важность этого доказательства ещё предстоит понять. В какой-то момент слабые решения могут стать настолько слабыми, что они перестанут быть связанными с более гладкими решениями, которые должны имитировать. Если так и есть, тогда результат, полученный Бакмастером и Виколом, мало к чему приведёт. «Такой результат однозначно является предупреждением, но можно спорить о том, что это предупреждение касается самой слабой идеи слабых решений. Существует множество слоёв более сильных решений, на гораздо лучшее поведение которых можно возлагать надежду» в случае уравнений Навье-Стокса, — говорит Де Леллис. Бакмастер и Викол также мыслят в терминах слоёв, и он нацелились на решения Лере — на доказательство того, что и те допускают множественную физику, в которой одна и та же жидкость из одного и того же состояния может прийти к разным формам в будущем. «Мы с Тристаном считаем, что решения Лере неуникальны. Мы пока этого не доказали, но наша работа закладывает плацдарм для атаки на эту задачу», — сказал Викол. источники: http://habr.com/ru/post/470742/ http://forany.xyz/a-719 Вам также может понравиться Взаимодействие кальция с азотной кислотой уравнение Нитрат кальция: способы получения и химические свойства Нитрат кальция Ca(NO3)2 — соль щелочного металла Напишите уравнения реакций серы и водорода Составьте уравнения реакций: а) серы с водородом; б) серы с натрием (укажите степени окисления атомов Приближенное решение алгебраических трансцендентных уравнений Лекция «Приближенные решения алгебраических и трансцендентных уравнений» Обращаем Ваше внимание Математическое уравнение динамики вращательного движения Математическое уравнение динамики вращательного движения «Физика — 10 класс» Угловое ускорение.