UNIVERSIDAD NACIONAL AUTNOMA

DE MXICO
INSTITUTO DE GEOFSICA
Y
GRUPO DE MODELACIN
MATEMATICA Y COMPUTACIONAL

Mtodo de Elementos Finitos

Antonio Carrillo Ledesma
Ismael Herrera Revilla
Robert Yates Smith
http://www.mmc.igeofcu.unam.mx/

INSTITUTO DE GEOFSICA
UNAM

2008

ndice
1. Sistemas Continuos y sus Modelos
1.1. Los Modelos . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Fsica Microscpica y Fsica Macroscpica . . .
1.2. Cinemtica de los Modelos de Sistemas Continuos . .
1.2.1. Propiedades Intensivas y sus Representaciones
1.2.2. Propiedades Extensivas . . . . . . . . . . . . .
1.2.3. Balance de Propiedades Extensivas e Intensivas
1.3. Ejemplos de Modelos . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

3
3
3
4
6
8
9
12

2. Ecuaciones Diferenciales Parciales

15
2.1. Clasificacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Condiciones Iniciales y de Frontera . . . . . . . . . . . . . . . . . 18
2.3. Modelos Completos . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3. Anlisis Funcional y Problemas Variacionales
3.1. Operador Lineal Elptico . . . . . . . . . . . . . .
3.2. Espacios de Sobolev . . . . . . . . . . . . . . . .
3.2.1. Trazas de una Funcin en H m () . . . . .
3.2.2. Espacios H0m () . . . . . . . . . . . . . .
3.3. Formulas de Green y Problemas Adjuntos . . . .
3.4. Adjuntos Formales para Sistemas de Ecuaciones .
3.5. Problemas Variacionales con Valor en la Frontera

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

21
21
22
25
25
27
35
39

4. Solucin de Grandes Sistemas de Ecuaciones

4.1. Mtodos Directos . . . . . . . . . . . . . . . .
4.2. Mtodos Iterativos . . . . . . . . . . . . . . .
4.3. Gradiente Conjugado . . . . . . . . . . . . . .
4.4. Precondicionadores . . . . . . . . . . . . . . .
4.4.1. Gradiente Conjugado Precondicionado
4.4.2. Precondicionador a Posteriori . . . . .
4.4.3. Precondicionador a Priori . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

43
43
45
48
50
52
54
58

5. Mtodos de Solucin Aproximada

5.1. Mtodo Galerkin . . . . . . . . .
5.2. El Mtodo de Residuos Pesados .
5.3. Mtodo de Elementos Finitos . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

para EDP
60
. . . . . . . . . . . . . . . . . . 60
. . . . . . . . . . . . . . . . . . 63
. . . . . . . . . . . . . . . . . . 64

6. Mtodo de Elementos Finitos

6.1. Triangulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2. Interpolacin para el Mtodo de Elementos Finitos . . . . . . . .
6.3. Mtodo de Elemento Finito Usando Discretizacin de Rectngulos
6.4. Mtodo de Elemento Finito Usando Discretizacin de Tringulos
6.5. Implementacin Computacional . . . . . . . . . . . . . . . . . . .

68
68
69
70
74
79

7. Apndice A
7.1. Nociones de Algebra Lineal . .
7.2. -Algebra y Espacios Medibles
7.3. Espacios Lp . . . . . . . . . . .
7.4. Distribuciones . . . . . . . . . .
8. Bibliografa

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

84
84
85
86
87
91

1.

Sistemas Continuos y sus Modelos

Los fundamentos de la fsica macroscpica los proporciona la teora de los

medios continuos. En este captulo, con base en ella se introduce una formulacin clara, general y sencilla de los modelos matemticos de los sistemas continuos. Esta formulacin es tan sencilla y tan general, que los modelos bsicos de sistemas tan complicados y diversos como la atmsfera, los ocanos, los
yacimientos petroleros, o los geotrmicos, se derivan por medio de la aplicacin
repetida de una sola ecuacin diferencial: la ecuacin diferencial de balance.
Dicha formulacin tambin es muy clara, pues en el modelo general no hay
ninguna ambigedad; en particular, todas las variables y parmetros que intervienen en l, estn definidos de manera unvoca. En realidad, este modelo
general de los sistemas continuos constituye una realizacin extraordinaria de
los paradigmas del pensamiento matemtico. El descubrimiento del hecho de que
los modelos matemticos de los sistemas continuos, independientemente de su
naturaleza y propiedades intrnsecas, pueden formularse por medio de balances,
cuya idea bsica no difiere mucho de los balances de la contabilidad financiera,
fue el resultado de un largo proceso de perfeccionamiento en el que concurrieron
una multitud de mentes brillantes.

1.1.

Los Modelos

Un modelo de un sistema es un sustituto de cuyo comportamiento es posible

derivar el correspondiente al sistema original. Los modelos matemticos, en la
actualidad, son los utilizados con mayor frecuencia y tambin los ms verstiles.
En las aplicaciones especficas estn constituidos por programas de cmputo
cuya aplicacin y adaptacin a cambios de las propiedades de los sistemas es
relativamente fcil. Tambin, sus bases y las metodologas que utilizan son de
gran generalidad, por lo que es posible construirlos para situaciones y sistemas
muy diversos.
Los modelos matemticos son entes en los que se integran los conocimientos cientficos y tecnolgicos, con los que se construyen programas de cmputo
que se implementan con medios computacionales. En la actualidad, la simulacin numrica permite estudiar sistemas complejos y fenmenos naturales que
sera muy costoso, peligroso o incluso imposible de estudiar por experimentacin
directa. En esta perspectiva la significacin de los modelos matemticos en ciencias e ingeniera es clara, porqu la modelacin matemtica constituye el mtodo
ms efectivo de predecir el comportamiento de los diversos sistemas de inters.
En nuestro pas, ellos son usados ampliamente en la industria petrolera, en las
ciencias y la ingeniera del agua y en muchas otras.
1.1.1.

Fsica Microscpica y Fsica Macroscpica

La materia, cuando se le observa en el mbito ultramicroscpico, est formada por molculas y tomos. Estos a su vez, por partculas an ms pequeas
como los protones, neutrones y electrones. La prediccin del comportamiento de

estas partculas es el objeto de estudio de la mecnica cuntica y la fsica nuclear. Sin embargo, cuando deseamos predecir el comportamiento de sistemas tan
grandes como la atmsfera o un yacimiento petrolero, los cuales estn formados
por un nmero extraordinariamente grande de molculas y tomos, su estudio
resulta inaccesible con esos mtodos y en cambio el enfoque macroscpico es
apropiado.
Por eso en lo que sigue distinguiremos dos enfoques para el estudio de la
materia y su movimiento. El primero -el de las molculas, los tomos y las
partculas elementales- es el enfoque microscpico y el segundo es el enfoque
macroscpico. Al estudio de la materia con el enfoque macroscpico, se le llama
fsica macroscpica y sus bases tericas las proporciona la mecnica de los medios
continuos.
Cuando se estudia la materia con este ltimo enfoque, se considera que los
cuerpos llenan el espacio que ocupan, es decir que no tienen huecos, que es la forma en que los vemos sin el auxilio de un microscopio. Por ejemplo, el agua llena
todo el espacio del recipiente donde est contenida. Este enfoque macroscpico
est presente en la fsica clsica. La ciencia ha avanzado y ahora sabemos que la
materia est llena de huecos, que nuestros sentidos no perciben y que la energa
tambin est cuantizada. A pesar de que estos dos enfoques para el anlisis de
los sistemas fsicos, el microscpico y el macroscpico, parecen a primera vista
conceptualmente contradictorios, ambos son compatibles, y complementarios, y
es posible establecer la relacin entre ellos utilizando a la mecnica estadstica.

1.2.

Cinemtica de los Modelos de Sistemas Continuos

En la teora de los sistemas continuos, los cuerpos llenan todo el espacio que
ocupan. Y en cada punto del espacio fsico hay una y solamente una partcula.
As, definimos como sistema continuo a un conjunto de partculas. An ms,
dicho conjunto es un subconjunto del espacio Euclidiano tridimensional. Un
cuerpo es un subconjunto de partculas que en cualquier instante dado ocupa
un dominio, en el sentido matemtico, del espacio fsico; es decir, del espacio
Euclidiano tridimensional. Denotaremos por B(t) a la regin ocupada por el
cuerpo B, en el tiempo t, donde t puede ser cualquier nmero real.

Figura 1: Representacin del movimiento de partculas de un cuerpo B, para un

tiempo dado.

Frecuentemente, sin embargo, nuestro inters de estudio se limitar a un

intervalo finito de tiempo. Dado un cuerpo B, todo subdominio B B, constituye a su vez otro cuerpo; en tal caso, se dice que B B es un subcuerpo
de B. De acuerdo con lo mencionado antes, una hiptesis bsica de la teora
de los sistemas continuos es que en cualquier tiempo t (, ) y en cada
punto x B de la regin ocupada por el cuerpo, hay una y slo una partcula
del cuerpo. Como en nuestra revisin se incluye no solamente la esttica (es
decir, los cuerpos en reposo), sino tambin la dinmica (es decir, los cuerpos
en movimiento), un primer problema de la cinemtica de los sistemas continuos
consiste en establecer un procedimiento para identificar a las partculas cuando
estn en movimiento en el espacio fsico.
Sea X B, una partcula y p(X, t) el vector de la posicin que ocupa, en el
espacio fsico, dicha partcula en el instante t. Una forma, pero no la nica, de
identificar la partcula X es asocindole la posicin que ocupa en un instante
determinado. Tomaremos en particular el tiempo t = 0, en tal caso p(X, 0) X.
A las coordenadas del vector X (x1 , x2 , x3 ), se les llama las coordenadas
materiales de la partcula. En este caso, las coordenadas materiales de una
partcula son las coordenadas del punto del espacio fsico que ocupaba la partcula en el tiempo inicial, t = 0. Desde luego, el tiempo inicial puede ser cualquier
otro, si as se desea. Sea B el dominio ocupado por un cuerpo en el tiempo
inicial, entonces X B si y solamente si la partcula X es del cuerpo. Es decir,
B caracteriza al cuerpo. Sin embargo, debido al movimiento, la regin ocupada
por el mismo cambia con el tiempo y ser denotada por B(t).
Formalmente, para cualquier t (, ), B(t) se define por

B(t) x R3 | X B tal que x = p(X, t)

(1)
el vector posicin p(X, t) es funcin del vector tridimensional X y del tiempo. Si
fijamos el tiempo t, p(X, t) define una transformacin del espacio Euclidiano R3
en si mismo y la Ec. (1) es equivalente a B(t) = p(B, t). Una notacin utilizada
para representar esta familia de funciones es p(, t). De acuerdo a la hiptesis de
los sistemas continuos: En cualquier tiempo t (, ) y en cada punto x B
de la regin ocupada por el cuerpo hay una y slo una partcula del cuerpo B
para cada t fijo. Es decir, p(, t) es una funcin biunvoca, por lo que existe la
funcin inversa p1 (, t).
Si se fija la partcula X en la funcin p(X, t) y se vara el tiempo t, se obtiene
su trayectoria. Esto permite obtener la velocidad de cualquier partcula, la cual
es un concepto central en la descripcin del movimiento. Ella se define como la
derivada con respecto al tiempo de la posicin cuando la partcula se mantiene
fija. Es decir, es la derivada parcial con respecto al tiempo de la funcin de
posicin p(X, t). Por lo mismo, la velocidad como funcin de las coordenadas
materiales de las partculas, est dada por
p
V(X, t)
(X, t).

(2)

1.2.1.

Propiedades Intensivas y sus Representaciones

En lo que sigue consideraremos funciones definidas para cada tiempo, en

cada una de las partculas de un sistema continuo. A tales funciones se les
llama propiedades intensivas. Las propiedades intensivas pueden ser funciones
escalares o funciones vectoriales. Por ejemplo, la velocidad, definida por la Ec.
(2), es una funcin vectorial que depende de la partcula X y del tiempo t.
Una propiedad intensiva con valores vectoriales es equivalente a tres escalares, correspondientes a cada una de sus tres componentes. Hay dos formas
de representar a las propiedades intensivas: la representacin Euleriana y la representacin Lagrangiana. Los nombres son en honor a los matemticos Leonard
Euler (1707-1783) y Joseph Louis Lagrange (1736-1813), respectivamente. Frecuentemente, el punto de vista Lagrangiano es utilizado en el estudio de los
slidos, mientras que el Euleriano se usa ms en el estudio de los fluidos.
Considere una propiedad intensiva escalar, la cual en el tiempo t toma el
valor (X, t) en la partcula X. Entonces, de esta manera se define una funcin
: B R1 , para cada t (, ) a la que se denomina representacin
Lagrangiana de la propiedad intensiva considerada. Ahora, sea (x, t) el valor
que toma esa propiedad en la partcula que ocupa la posicin x, en el tiempo t.
En este caso, para cada t (, ) se define una funcin : B(t) R1 a la
cual se denomina representacin Euleriana de la funcin considerada. Estas dos
representaciones de una misma propiedad estn relacionadas por la siguiente
identidad
(X, t) (p(X, t), t).
(3)
Ntese que, aunque ambas representaciones satisfacen la Ec. (3), las funciones (X, t) y (x, t) no son idnticas. Sus argumentos X y x son vectores
tridimensionales (es decir, puntos de R3 ); sin embargo, si tomamos X = x, en
general
(X, t) 6= (X, t).

(4)

p
(X, t) = V(X, t) v(p(X, t), t)

(5)

La expresin de la velocidad de una partcula dada por la Ec. (2), define a

su representacin Lagrangiana, por lo que utilizando la Ec. (3) es claro que

donde v(x, t) es la representacin Euleriana de la velocidad. Por lo mismo

v(x, t) V(p1 (x, t), t).

(6)

Esta ecuacin tiene la interpretacin de que la velocidad en el punto x del

espacio fsico, es igual a la velocidad de la partcula que pasa por dicho punto
en el instante t. La Ec. (6) es un caso particular de la relacin
(x, t) (p1 (x, t), t)
de validez general, la cual es otra forma de expresar la relacin de la Ec. (3) que
existe entre las dos representaciones de una misma propiedad intensiva.
6

La derivada parcial con respecto al tiempo de la representacin Lagrangiana

(X, t) de una propiedad intensiva, de acuerdo a la definicin de la derivada
parcial de una funcin, es la tasa de cambio con respecto al tiempo que ocurre
en una partcula fija. Es decir, si nos montamos en una partcula y medimos a la
propiedad intensiva y luego los valores as obtenidos los derivamos con respecto
al tiempo, el resultado final es (X,t)
. En cambio, si (x, t) es la representacin
t
Euleriana de esa misma propiedad, entonces (x,t)
es simplemente la tasa de
t
cambio con respecto al tiempo que ocurre en un punto fijo en el espacio. Tiene
inters evaluar la tasa de cambio con respecto al tiempo que ocurre en una
partcula fija, cuando se usa la representacin Euleriana. Derivando con respecto
al tiempo a la identidad de la Ec. (3) y la regla de la cadena, se obtiene
3
X
pi
(X, t)

(p(X, t), t)
=
(p(X, t), t) +
(X, t).
t
t
xi
t
i=1

Se acostumbra definir el smbolo

D
Dt

(7)

por
3

X
D
vi
=
+
Dt
t
xi
i=1

(8)

o, ms brevemente,
D

=
+ v
Dt
t

utilizando esta notacin, se puede escribir

D
(X, t)
=
(p(X, t)
+ v (p(X, t), t).
t
Dt
t

(9)

(10)

Por ejemplo, la aceleracin de una partcula se define como la derivada de la

velocidad cuando se mantiene a la partcula fija. Aplicando la Ec. (9) se tiene
Dv
v
= + v v
Dt
t

(11)

una expresin ms transparente se obtiene aplicando la Ec. (9) a cada una de

las componentes de la velocidad. As, se obtiene
vi
Dvi
=
+ v vi .

Dt
t

(12)

Desde luego, la aceleracin, en representacin Lagrangiana es simplemente

2

V(X, t) = 2 p(X, t).

t
t

(13)

1.2.2.

Propiedades Extensivas

En la seccin anterior se consideraron funciones definidas en las partculas de

un cuerpo, ms precisamente, funciones que hacen corresponder a cada partcula
y cada tiempo un nmero real, o un vector del espacio Euclidiano tridimensional
R3 . En sta, en cambio, empezaremos por considerar funciones que a cada cuerpo
B de un sistema continuo, y a cada tiempo t le asocia un nmero real o un vector
de R3 . A una funcin de este tipo E(B, t) se le llama propiedad extensiva cuando
esta dada por una integral
Z
E(B, t)
(x, t)dx.
(14)

B(t)
Observe que, en tal caso, el integrando define una funcin (x, t) y por lo
mismo, una propiedad intensiva. En particular, la funcin (x, t) es la representacin Euleriana de esa propiedad intensiva. Adems, la Ec. (14) establece
una correspondencia biunvoca entre las propiedades extensivas y las intensivas, porqu dada la representacin Eulereana (x, t) de cualquier propiedad
intensiva, su integral sobre el dominio ocupado por cualquier cuerpo, define
una propiedad extensiva. Finalmente, la notacin empleada en la Ec. (14) es
muy explicita, pues ah se ha escrito E(B, t) para enfatizar que el valor de la
propiedad extensiva corresponde al cuerpo B. Sin embargo, en lo que sucesivo,
se simplificara la notacin omitiendo el smbolo B es decir, se escribir E(t) en
vez de E(B, t).
Hay diferentes formas de definir a las propiedades intensivas. Como aqu lo
hemos hecho, es por unidad de volumen. Sin embargo, es frecuente que se le
defina por unidad de masa vase [16]. Es fcil ver que la propiedad intensiva
por unidad de volumen es igual a la propiedad intensiva por unidad de masa
multiplicada por la densidad de masa (es decir, masa por unidad de volumen),
por lo que es fcil pasar de un concepto al otro, utilizando la densidad de masa.
Sin embargo, una ventaja de utilizar a las propiedades intensivas por unidad
de volumen, en lugar de las propiedades intensivas por unidad de masa, es que la
correspondencia entre las propiedades extensivas y las intensivas es ms directa:
dada una propiedad extensiva, la propiedad intensiva que le corresponde es
la funcin que aparece como integrando, cuando aqulla se expresa como una
integral de volumen. Adems, del clculo se sabe que
R
(, t)d
E(t)
B(t)
(x, t) lm
= lm
.
(15)
V ol0 V ol
V ol0
V ol
La Ec. (15) proporciona un procedimiento efectivo para determinar las propiedades extensivas experimentalmente: se mide la propiedad extensiva en un volumen pequeo del sistema continuo de que se trate, se le divide entre le volumen y
el cociente que se obtiene es una buena aproximacin de la propiedad intensiva.
El uso que haremos del concepto de propiedad extensiva es, desde luego,
lgicamente consistente. En particular, cualquier propiedad que satisface las
condiciones de la definicin de propiedad extensiva establecidas antes es, por
8

ese hecho, una propiedad extensiva. Sin embargo, no todas las propiedades extensivas que se pueden obtener de esta manera son de inters en la mecnica
de los medios continuos. Una razn bsica por la que ellas son importantes es
porqu el modelo general de los sistemas continuos se formula en trminos de
ecuaciones de balance de propiedades extensivas, como se ver ms adelante.
1.2.3.

Balance de Propiedades Extensivas e Intensivas

Los modelos matemticos de los sistemas continuos estn constituidos por

balances de propiedades extensivas. Por ejemplo, los modelos de transporte de
solutos (los contaminantes transportados por corrientes superficiales o subterrneas, son un caso particular de estos procesos de transporte) se construyen
haciendo el balance de la masa de soluto que hay en cualquier dominio del
espacio fsico. Aqu, el trmino balance se usa, esencialmente, en un sentido
contable. En la contabilidad que se realiza para fines financieros o fiscales, la
diferencia de las entradas menos las salidas nos da el aumento, o cambio, de
capital. En forma similar, en la mecnica de los medios continuos se realiza, en
cada cuerpo del sistema continuo, un balance de las propiedades extensivas en
que se basa el modelo.
Ecuacin de Balance Global Para realizar tales balances es necesario, en
primer lugar, identificar las causas por las que las propiedades extensivas pueden
cambiar. Tomemos como ejemplo de propiedad extensiva a las existencias de
maz que hay en el pas. La primera pregunta es: qu causas pueden motivar su
variacin, o cambio, de esas existencias?. Un anlisis sencillo nos muestra que
dicha variacin puede ser debida a que se produzca o se consuma. Tambin a
que se importe o se exporte por los lmites del pas (fronteras o litorales). Y con
esto se agotan las causas posibles; es decir, esta lista es exhaustiva. Produccin
y consumo son trminos similares, pero sus efectos tienen signos opuestos, que
fcilmente se engloban en uno solo de esos conceptos. De hecho, si convenimos
en que la produccin puede ser negativa, entonces el consumo es una produccin
negativa.
Una vez adoptada esta convencin, ya no es necesario ocuparnos separadamente del consumo. En forma similar, la exportacin es una importacin negativa. Entonces, el incremento en las existencias E en un perodo t queda
dado por la ecuacin
E = P + I
(16)
donde a la produccin y a la importacin, ambas con signo, se les ha representado
por P y I respectivamente.
Similarmente, en la mecnica de los medios continuos, la lista exhaustiva
de las causas por las que una propiedad extensiva de cualquier cuerpo puede
cambiar, contiene solamente dos motivos:
i) Por produccin en el interior del cuerpo; y
ii) Por importacin (es decir, transporte) a travs de la frontera.

Esto conduce a la siguiente ecuacin de balance global, de gran generalidad, para las propiedades extensivas
Z
Z
Z
dE
g(x, t)dx +
q(x, t)dx +
g (x, t)dx.
(17)
(t) =
dt
B(t)
B(t)
(t)
Donde g(x, t) es la generacin en el interior del cuerpo, con signo, de la
propiedad extensiva correspondiente, por unidad de volumen, por unidad de
tiempo. Adems, en la Ec. (17) se ha tomado en cuenta la posibilidad de que
haya produccin concentrada en la superficie (t), la cual est dada en esa
ecuacin por la ltima integral, donde g (x, t) es la produccin por unidad de
rea. Por otra parte q(x, t) es lo que se importa o transporta hacia el interior
del cuerpo a travs de la frontera del cuerpo B(t), en otras palabras, es el
flujo de la propiedad extensiva a travs de la frontera del cuerpo, por unidad de
rea, por unidad de tiempo. Puede demostrarse, con base en hiptesis vlidas
en condiciones muy generales, que para cada tiempo t existe un campo vectorial
(x, t) tal que
q(x, t) (x, t) n(x, t)
(18)
donde n(x, t) es normal exterior a B(t). En vista de esta relacin, la Ec. (17)
de balance se puede escribir como
Z
Z
Z
dE
g(x, t)dx +
(x, t) n(x, t)dx +
g (x, t)dx.
(19)
(t) =
dt
B(t)
B(t)
(t)
La relacin (19) se le conoce con el nombre de ecuacin general de balance
global y es la ecuacin bsica de los balances de los sistemas continuos. A la
funcin g(x, t) se le denomina el generacin interna y al campo vectorial (x, t)
el campo de flujo.
Condiciones de Balance Local Los modelos de los sistemas continuos estn
constituidos por las ecuaciones de balance correspondientes a una coleccin de
propiedades extensivas. As, a cada sistema continuo le corresponde una familia
de propiedades extensivas, tal que, el modelo matemtico del sistema est constituido por las condiciones de balance de cada una de las propiedades extensivas
de dicha familia.
Sin embargo, las propiedades extensivas mismas no se utilizan directamente
en la formulacin del modelo, en su lugar se usan las propiedades intensivas
asociadas a cada una de ellas. Esto es posible porqu las ecuaciones de balance
global son equivalentes a las llamadas condiciones de balance local, las cuales
se expresan en trminos de las propiedades intensivas correspondientes. Las
condiciones de balance local son de dos clases: las ecuaciones diferenciales de
balance local y las condiciones de salto.
Las primeras son ecuaciones diferenciales parciales, que se deben satisfacer
en cada punto del espacio ocupado por el sistema continuo, y las segundas son
ecuaciones algebraicas que las discontinuidades deben satisfacer donde ocurren;
es decir, en cada punto de . Cabe mencionar que las ecuaciones diferenciales
10

de balance local son de uso mucho ms amplio que las condiciones de salto,
pues estas ltimas solamente se aplican cuando y donde hay discontinuidades,
mientras que las primeras en todo punto del espacio ocupado por el sistema
continuo.
Una vez establecidas las ecuaciones diferenciales y de salto del balance local,
e incorporada la informacin cientfica y tecnolgica necesaria para completar
el modelo (la cual por cierto se introduce a travs de las llamadas ecuaciones
constitutivas), el problema matemtico de desarrollar el modelo y derivar sus
predicciones se transforma en uno correspondiente a la teora de la ecuaciones
diferenciales, generalmente parciales, y sus mtodos numricos.
Las Ecuaciones de Balance Local En lo que sigue se supone que las
propiedades intensivas pueden tener discontinuidades, de salto exclusivamente,
a travs de la superficie (t). Se entiende por discontinuidad de salto, una en
que el lmite por ambos lados de (t) existe, pero son diferentes.
Se utilizar en lo que sigue los resultados matemticos que se dan a continuacin, ver [8].
Teorema 1 Para cada t > 0, sea B(t) R3 el dominio ocupado por un cuerpo.
Suponga que la propiedad intensiva (x, t) es de clase C 1 , excepto a travs
de la superficie (t). Adems, sean las funciones v(x, t) y v (x, t) esta ltima
definida para x (t) solamente, las velocidades de las partculas y la de (t),
respectivamente. Entonces

Z
Z
Z

d
dx
[(v v ) ] ndx.
(20)
+ (v) dx +
dt B(t)
t
B(t)

Teorema 2 Considere un sistema continuo, entonces, la ecuacin de balance

global (19) se satisface para todo cuerpo del sistema continuo si y solamente si
se cumplen las condiciones siguientes:
i) La ecuacin diferencial

+ (v) = + g
t
vale en todo punto x R3 , de la regin ocupada por el sistema.
ii) La ecuacin
[ (v v ) ] n = g

(21)

(22)

vale en todo punto x .

A las ecuaciones (21) y (22), se les llama ecuacin diferencial de balance
local y condicin de salto, respectivamente.
Desde luego, el caso ms general que se estudiar se refiere a situaciones
dinmicas; es decir, aqullas en que las propiedades intensivas cambian con el
tiempo. Sin embargo, los estados estacionarios de los sistemas continuos son de
sumo inters. Por estado estacionario se entiende uno en que las propiedades
intensivas son independientes del tiempo. En los estados estacionarios, adems,
11

las superficies de discontinuidad (t) se mantienen fijas (no se mueven). En este

caso
t = 0 y v = 0. Por lo mismo, para los estados estacionarios, la ecuacin
de balance local y la condicin de salto se reducen a
(v) = + g

(23)

que vale en todo punto x R3 y

[v ] n = g

(24)

que se satisface en todo punto de la discontinuidad (t) respectivamente.

1.3.

Ejemplos de Modelos

Una de las aplicaciones ms sencillas de las condiciones de balance local

es para formular restricciones en el movimiento. Aqu ilustramos este tipo de
aplicaciones formulando condiciones que se deben cumplir localmente cuando un
fluido es incompresible. La afirmacin de que un fluido es incompresible significa
que todo cuerpo conserva el volumen de fluido en su movimiento. Entonces, se
consideraran dos casos: el de un fluido libre y el de un fluido en un medio
poroso. En el primer caso, el fluido llena completamente el espacio fsico que
ocupa el cuerpo, por lo que el volumen del fluido es igual al volumen del dominio
que ocupa el cuerpo, as
Z
Vf (t) =
dx
(25)
B(t)

aqu, Vf (t) es el volumen del fluido y B(t) es el dominio del espacio fsico (es
decir, de R3 ) ocupado por el cuerpo. Observe que una forma ms explicita de
esta ecuacin es
Z
Vf (t) =
1dx
(26)
B(t)

porqu en la integral que aparece en la Ec. (25) el integrando es la funcin

idnticamente 1. Comparando esta ecuacin con la Ec. (14), vemos que el volumen del fluido es una propiedad extensiva y que la propiedad intensiva que le
corresponde es = 1.
Adems, la hiptesis de incompresibilidad implica
dVf
(t) = 0
dt

(27)

esta es el balance global de la Ec. (19), con g = g = 0 y = 0, el cual a su vez

es equivalente a las Ecs. (21) y (22). Tomando en cuenta adems que = 1, la
Ec. (21) se reduce a
v = 0.
(28)
Esta es la bien conocida condicin de incompresibilidad para un fluido libre
Adems, aplicando la Ec. (22) donde haya discontinuidades, se obtiene [v]n = 0.
Esto implica que si un fluido libre es incompresible, la velocidad de sus partculas
es necesariamente continua.
12

El caso en que el fluido se encuentra en un medio poroso, es bastante

diferente. Un medio poroso es un material slido que tiene huecos distribuidos
en toda su extensin, cuando los poros estn llenos de un fluido, se dice que
el medio poroso esta saturado. Esta situacin es la de mayor inters en la
prctica y es tambin la ms estudiada. En muchos de los casos que ocurren
en las aplicaciones el fluido es agua o petrleo. A la fraccin del volumen del
sistema, constituido por la matriz slida y los huecos, se le llama porosidad
y se le representara por , as
(x, t) = lm

V 0

Volumen de huecos
Volumen total

(29)

aqu hemos escrito (x, t) para enfatizar que la porosidad generalmente es funcin tanto de la posicin como del tiempo. Las variaciones con la posicin pueden
ser debidas, por ejemplo, a heterogeneidad del medio y los cambios con el tiempo a su elasticidad; es decir, los cambios de presin del fluido originan esfuerzos
en los poros que los dilatan o los encogen.
Cuando el medio esta saturado, el volumen del fluido Vf es igual al volumen
de los huecos del dominio del espacio fsico que ocupa, as
Z
Vf (t) =
(x, t)dx.
(30)
B(t)

En vista de esta ecuacin, la propiedad intensiva asociada al volumen de

fluido es la porosidad (x, t) por lo que la condicin de incomprensibilidad del
fluido contenido en un medio poroso, esta dada por la ecuacin diferencial

+ (v) = 0.
t

(31)

Que la divergencia de la velocidad sea igual a cero en la Ec. (28) como

condicin para que un fluido en su movimiento libre conserve su volumen, es
ampliamente conocida. Sin embargo, este no es el caso de la Ec. (31), como
condicin para la conservacin del volumen de los cuerpos de fluido contenidos en
un medio poroso. Finalmente, debe observarse que cualquier fluido incompresible
satisface la Ec. (28) cuando se mueve en el espacio libre y la Ec. (31) cuando se
mueve en un medio poroso.
Cuando un fluido efecta un movimiento en el que conserva su volumen, al
movimiento se le llama isocorico. Es oportuno mencionar que si bien cierto que
cuando un fluido tiene la propiedad de ser incompresible, todos sus movimientos
son isocoricos, lo inverso no es cierto: un fluido compresible en ocasiones puede
efectuar movimientos isocoricos.
Por otra parte, cuando un fluido conserva su volumen en su movimiento
satisface las condiciones de salto de Ec. (22), las cuales para este caso son
[(v v )] n = 0.

(32)

En aplicaciones a geohidrologa y a ingeniera petrolera, las discontinuidades

de la porosidad estn asociadas a cambios en los estratos geolgicos y por esta
13

razn estn fijas en el espacio; as, v = 0 y la Ec. (32) se reduce a

[v] n = 0

(33)

+ vn+ = vn .

(34)

o, de otra manera
Aqu, la componente normal de la velocidad es vn v n y los subndices
ms y menos se utilizan para denotar los lmites por los lado ms y menos de
, respectivamente. Al producto de la porosidad por la velocidad se le conoce
con el nombre de velocidad de Darcy U , es decir
U = v

(35)

utilizndola, las Ecs. (33) y (34) obtenemos

[U ] n = 0 y U n+ = U n

(36)

es decir, 1.
La Ec. (34) es ampliamente utilizada en el estudio del agua subterrnea (geohidrologa). Ah, es frecuente que la porosidad sea discontinua en la superficie
de contacto entre dos estratos geolgicos diferentes, pues generalmente los valores que toma esta propiedad dependen de cada estrato. En tal caso, + 6=
por lo que vn+ 6= vn necesariamente.
Para ms detalles de la forma y del desarrollo de algunos modelos usados en
ciencias de la tierra, vase [8], [16], [24] y [14].

14

2.

Ecuaciones Diferenciales Parciales

Cada una de las ecuaciones de balance da lugar a una ecuacin diferencial

parcial u ordinaria (en el caso en que el modelo depende de una sola variable
independiente), la cual se complementa con las condiciones de salto, en el caso
de los modelos discontinuos. Por lo mismo, los modelos de los sistemas continuos estn constituidos por sistemas de ecuaciones diferenciales cuyo nmero es
igual al nmero de propiedades intensivas que intervienen en la formulacin del
modelo bsico.
Los sistemas de ecuaciones diferenciales se clasifican en elpticas, hiperblicas
y parablicas. Es necesario aclarar que esta clasificacin no es exhaustiva; es
decir, existen sistemas de ecuaciones diferenciales que no pertenecen a ninguna
de estas categoras. Sin embargo, casi todos los modelos de sistemas continuos,
en particular los que han recibido mayor atencin hasta ahora, si estn incluidos
en alguna de estas categoras.

2.1.

Clasificacin

Es importante clasificar a las ecuaciones diferenciales parciales y a los sistemas de tales ecuaciones, porqu muchas de sus propiedades son comunes a
cada una de sus clases. As, su clasificacin es un instrumento para alcanzar el
objetivo de unidad conceptual. La forma ms general de abordar la clasificacin
de tales ecuaciones, es estudiando la clasificacin de sistemas de ecuaciones.
Sin embargo, aqu solamente abordaremos el caso de una ecuacin diferencia
de segundo orden, pero utilizando un mtodo de anlisis que es adecuado para
extenderse a sistemas de ecuaciones.
La forma general de un operador diferencial cuasi-lineal de segundo orden
definido en R2 es
Lu a(x, y)

2u
2u
2u
+ b(x, y)
+ c(x, y) 2 = F (x, y, u, ux , uy )
2
x
xy
y

(37)

para una funcin u de variables independientes x e y. Nos restringiremos al caso

en que a, b y c son funciones slo de x e y y no funciones de u.
Para la clasificacin de las ecuaciones de segundo orden consideraremos una
simplificacin de la ecuacin anterior en donde F (x, y, u, ux , uy ) = 0 y los coeficientes a, b y c son funciones constantes, es decir
a

2u
2u
2u
+
b
=0
+
c
x2
xy
y 2

(38)

en la cual, examinaremos los diferentes tipos de solucin que se pueden obtener

para diferentes elecciones de a, b y c. Entonces iniciando con una solucin de la
forma
u(x, y) = f (mx + y)
(39)
para una funcin f de clase C 2 y para una constante m, que deben ser determinadas segn los requerimientos de la Ec. (38). Usando un apostrofe para
15

denotar la derivada de f con respecto de su argumento, las requeridas derivadas

parciales de segundo orden de la Ec. (38) son
2u
= m2 f 00 ,
x2

2u
= mf 00 ,
xy

2u
= f 00
y 2

sustituyendo la ecuacin anterior en la Ec. (38) obtenemos

2
am + bm + c f 00 = 0

(40)

(41)

de la cual podemos concluir que f 00 = 0 am2 + bm + c = 0 ambas. En el caso

de que f 00 = 0 obtenemos la solucin f = f0 + mx + y, la cual es una funcin
lineal de x e y y es expresada en trminos de dos constantes arbitrarias, f0 y m.
En el otro caso obtenemos
am2 + bm + c = 0

(42)

resolviendo esta ecuacin cuadrtica para m obtenemos las dos soluciones

b + 2 b2 4ac
b 2 b2 4ac
m1 =
, m2 =
(43)
2a
2a
de donde es evidente la importancia
de los coeficientes de la Ec. (38), ya que el
signo del discriminante b2 4ac es crucial para determinar el nmero y tipo
de soluciones de la Ec. (42). As, tenemos tres casos a considerar:

Caso I. b2 4ac > 0, Ecuacin Hiperblica.

La Ec. (42) tiene dos soluciones reales distintas, m1 y m2 . As cualquier
funcin de cualquiera de los dos argumentos m1 x + y m2 x + y resuelven a la
Ec. (38). Por lo tanto la solucin general de la Ec. (38) es
u(x, y) = F (m1 x + y) + G(m2 x + y)

(44)

donde F y G son cualquier funcin de clase C 2 . Un ejemplo de este tipo de

ecuaciones es la ecuacin de onda, cuya ecuacin cannica es
2u 2u
2 = 0.
x2
t

(45)

Caso II. b2 4ac = 0, Ecuacin Parablica.

Asumiendo que b 6= 0 y a 6= 0 (lo cual implica que c 6= 0). Entonces se tiene
una sola raz degenerada de la Ec. (42) con el valor de m1 = b
2a que resuelve a
la Ec. (38). Por lo tanto la solucin general de la Ec. (38) es
u(x, y) = F (m1 x + y) + yG(m1 x + y)

(46)

donde F y G son cualquier funcin de clase C 2 . Si b = 0 y a = 0, entonces la

solucin general es
u(x, y) = F (x) + yG(x)
(47)
16

la cual es anloga si b = 0 y c = 0. Un ejemplo de este tipo de ecuaciones es la

ecuacin de difusin o calor, cuya ecuacin cannica es
2 u u

= 0.
x2
t

(48)

Caso III. b2 4ac < 0, Ecuacin Elptica.

La Ec. (42) tiene dos soluciones complejas m1 y m2 las cuales satisfacen que
m2 es el conjugado complejo de m1 , es decir, m2 = m1 . La solucin general
puede ser escrita en la forma
u(x, y) = F (m1 x + y) + G(m2 x + y)

(49)

donde F y G son cualquier funcin de clase C 2 . Un ejemplo de este tipo de

ecuaciones es la ecuacin de Laplace, cuya ecuacin cannica es
2u 2u
+ 2 = 0.
x2
y

(50)

Consideremos ahora el caso de un operador diferencial lineal de segundo

orden definido en Rn cuya forma general es
Lu =

n
n X
X
i=1 j=1

aij

X u
2u
+
bi
+ cu
xi xj i=1 xi

(51)

y consideremos tambin la ecuacin homognea asociada a este operador

Lu = 0

(52)

adems, sea x un punto del espacio Euclidiano y V (x) una vecindad de ese
punto. Sea una funcin u definida en V (x) con la propiedad de que exista una
variedad de dimensin n 1 cerrada y orientada, tal que la funcin u satisface
la Ec. (52) en V (x)\. Se supone adems que existe un vector unitario n que
apunta en la direccin positiva (nico) est definido en . Adems, la funcin
u y sus derivadas de primer orden son continuas a travs de , mientras que los
lmites de las segundas derivadas de u existen por ambos lados de . Sea x
tal que

2
u
(x) 6= 0
(53)
xi xj
para alguna pareja i, j = 1, ..., n. Entonces decimos que la funcin u es una
solucin dbil de esta ecuacin en x.
Teorema 3 Una condicin necesaria para que existan soluciones dbiles de la
ecuacin homognea (52) en un punto x es que
n X
n
X

aij ni nj = 0.

i=1 j=1

17

(54)

As, si definimos a la matriz A= (aij ) y observamos que

nAn=

n X
n
X

aij ni nj

(55)

i=1 j=1

entonces podemos decir que:

I) Cuando todos los eigenvalores de la matriz A son distintos de
cero y adems del mismo signo, entonces se dice que el operador es
Elptico.
II) Cuando todos los eigenvalores de la matriz A son distintos de
cero y adems n 1 de ellos tienen el mismo signo, entonces se dice
que el operador es Hiperblico.
III) Cuando uno y slo uno de los eigenvalores de la matriz A es
igual a cero, entonces se dice que el operador es Parablico.
Para el caso en que n = 2, esta forma de clasificacin coincide con la dada
anteriormente.

2.2.

Condiciones Iniciales y de Frontera

Dado un problema concreto de ecuaciones en derivadas parciales sobre un

dominio , si la solucin existe, esta no es nica ya que generalmente este tiene
un nmero infinito de soluciones. Para que el problema tenga una y slo una
solucin es necesario imponer condiciones auxiliares apropiadas y estas son las
condiciones iniciales y condiciones de frontera.
En esta seccin slo se enuncian de manera general las condiciones iniciales
y de frontera que son esenciales para definir un problema de ecuaciones diferenciales:
A) Condiciones Iniciales
Las condiciones iniciales expresan el valor de la funcin al tiempo
inicial t = 0 (t puede ser fijada en cualquier valor)
u(x, y, 0) = (x, y).

(56)

B) Condiciones de Frontera
Las condiciones de frontera especifican los valores que la funcin
u(x, y, t) o u(x, y, t) tomarn en la frontera , siendo de tres
tipos posibles:
1) Condiciones tipo Dirichlet
Especifica los valores que la funcin u(x, y, t) toma en la frontera
u(x, y, t) = (x, y).
18

(57)

2) Condiciones tipo Neumann

Aqu se conoce el valor de la derivada de la funcin u(x, y, t) con respecto
a la normal n a lo largo de la frontera
u(x, y, t) n = (x, y).

(58)

3) Condiciones tipo Robin

Est condicin es una combinacin de las dos anteriores
(x, y)u(x, y, t) + (x, y)u(x, y, t) n = g (x, y)

(59)

x, y .
En un problema dado se debe prescribir las condiciones iniciales al problema
y debe de existir alguno de los tipos de condiciones de frontera o combinacin
de ellas en .

2.3.

Modelos Completos

Los modelos de los sistemas continuos estn constituidos por:

Una coleccin de propiedades intensivas o lo que es lo mismo,
extensivas.
El conjunto de ecuaciones de balance local correspondientes (diferenciales y de salto).
Suficientes relaciones que liguen a las propiedades intensivas entre
s y que definan a g, y v en trminos de estas, las cuales se conocen
como leyes constitutivas.
Una vez que se han planteado las ecuaciones que gobiernan al problema,
las condiciones iniciales, de frontera y mencionado los procesos que intervienen
de manera directa en el fenmeno estudiado, necesitamos que nuestro modelo
sea completo. Decimos que el modelo de un sistema es completo si define un
problema bien planteado. Un problema de valores iniciales y condiciones de
frontera es bien planteado si cumple que:
i) Existe una y slo una solucin y,
ii) La solucin depende de manera continua de las condiciones iniciales y de
frontera del problema.
Es decir, un modelo completo es aqul en el cual se incorporan condiciones
iniciales y de frontera que definen conjuntamente con las ecuaciones diferenciales
un problema bien planteado.
19

A las ecuaciones diferenciales definidas en Rn

u = 0
2u
u = 0
t2
u
u = 0
t

(60)

se les conoce con los nombres de ecuacin de Laplace, ecuacin de onda y

ecuacin del calor, respectivamente. Cuando se considera la primera de estas
ecuaciones, se entiende que u es una funcin del vector x (x1 , ..., xn ), mientras
que cuando se considera cualquiera de las otras dos, u es una funcin del vector
x (x1 , ..., xn , t). As, en estos ltimos casos el nmero de variables independientes es n + 1 y los conceptos relativos a la clasificacin y las dems nociones
discutidas con anterioridad deben aplicarse haciendo la sustitucin n n + 1 e
identificando xn+1 = t.
Ecuacin de Laplace Para la ecuacin de Laplace consideraremos condiciones del tipo Robin. En particular, condiciones de Dirichlet y condiciones
de Neumann. Sin embargo, en este ltimo caso, la solucin no es nica pues
u
cualquier funcin constante satisface la ecuacin de Laplace y tambin n
= g
con g = 0.
Ecuacin de Onda Un problema general importante consiste en obtener la
solucin de la ecuacin de onda, en el dominio del espacio-tiempo [0, t], que
satisface para cada t (0, t] una condicin de frontera de Robin en y las
condiciones iniciales
u(x, 0) = u0 (x) y

u
(x, 0) = v0 (x),
t

(61)

aqu u0 (x) y v0 (x) son dos funciones prescritas. El hecho de que para la ecuacin
de onda se prescriban los valores iniciales, de la funcin y su derivada con respecto al tiempo, es reminiscente de que en la mecnica de partculas se necesitan
las posiciones y las velocidades iniciales para determinar el movimiento de un
sistema de partculas.
Ecuacin de Calor Tambin para la ecuacin del calor un problema general
importante consiste en obtener la solucin de la ecuacin de onda, en el dominio
del espacio-tiempo [0, t], que satisface para cada t (0, t] una condicin de
frontera de Robin en y ciertas condiciones iniciales. Sin embargo, en este caso
en ellas slo se prescribe a la funcin
u(x, 0) = u0 (x),

20

x .

(62)

3.

Anlisis Funcional y Problemas Variacionales

En esta seccin se detallan los conceptos bsicos de anlisis funcional y

problemas variacionales con nfasis en problemas elpticos de orden par 2m, para
comenzar detallaremos lo que entendemos por un operador diferencial parcial
elptico de orden par 2m en n variables, para despus definir a los espacios de
Sobolev para poder tratar problemas variacionales con valor en la frontera.
En donde, restringindonos a problemas elpticos, contestaremos una cuestin
central en la teora de problemas elpticos con valores en la frontera, y est se
relaciona con las condiciones bajo las cuales uno puede esperar que el problema
tenga solucin y esta es nica, as como conocer la regularidad de la solucin,
para mayor referencia de estos resultados ver [13], [19] y [3].

3.1.

Operador Lineal Elptico

Definicin 4 Entenderemos por un dominio al conjunto Rn que sea abierto y conexo.

Para poder expresar de forma compacta derivadas parciales de orden m o
menor, usaremos la definicin siguiente.
Definicin 5 Sea Zn+ el conjunto de todas las n-duplas de enteros no negativos, un miembro de Zn+ se denota usualmente por (por ejemplo =
(1 , 2 , ..., n ). Denotaremos por || la suma || = 1 + 2 + ... + n y por D u
la derivada parcial
|| u
D u =
(63)
1
n
2
x1 x
2 ...xn
as, si || = m, entonces D u denota la m-sima derivada parcial de u.
Sea L un operador diferencial parcial de orden par 2m en n variables y de
la forma
X

Lu =
(1)|| D a (x)D u , x Rn
(64)
||,||m

donde es un dominio en Rn . Los coeficientes a son funciones suaves real

valuadas de x.
El operador L es asumido que aparece dentro de una ecuacin diferencial
parcial de la forma
Lu = f,
(65)

donde f pertenece al rango del operador L.

La clasificacin del operador L depende slo de los coeficientes de la derivada
ms alta, esto es, de la derivada de orden 2m, y a los trminos involucrados en
esa derivada son llamados la parte principal del operador L denotado por L0 y
para el operador (64) es de la forma
X
L0 =
a D+ u.
(66)
||,||m

21

n
+
1
Teorema 6 Sea un vector en Rn , y sea =
n ... n , Zn . Entonces
i) L es elptico en xo si
X

a xo + 6= 0
6= 0;
(67)
||,||=m

ii) L es elptico si es elptico en todos los puntos de ;

iii) L es fuertemente elptico si existe un nmero > 0 tal que

||2m
a xo

||,||=m

(68)

1
satisfacindose en todo punto xo , y para todo Rn . Aqu || = 21 + ... + 2n 2 .
Para el caso en el cual L es un operador de 2do orden (m = 1), la notacin
se simplifica, tomando la forma

X
n
n
X
u

u
Lu =
aj
+ a0 u = f
(69)
aij (x)
+
xi
xj
xj
i,j=1
j=1

en .
Para coeficientes adecuados aij , aj y a0 la condicin para conocer si el operador es elptico, es examinado por la condicin
n
X

i,j=1

aij (x0 ) i j 6= 0

6= 0

(70)

y para conocer si el operador es fuertemente elptico, es examinado por la condicin

n
X
aij (x0 ) i j > ||2 .
(71)
i,j=1

3.2.

Espacios de Sobolev

En esta subseccin detallaremos algunos resultados de los espacios de Sobolev

sobre el conjunto de nmeros reales, en estos espacios son sobre los cuales trabajaremos tanto para plantear el problema elptico como para encontrar la solucin
al problema. Primeramente definiremos lo que entendemos por un espacio L2 .
Definicin 7 Una funcin medible u(x) definida sobre Rn se dice que
pertenece al espacio L2 () si
Z
|u(x)|2 dx <
(72)

es decir, es integrable.
22

La definicin de los espacios medibles, espacios Lp , distribuciones y derivadas

de distribuciones estn dados en el apndice, estos resultados son la base para
poder definir a los espacios de Sobolev.
Definicin 8 El espacio de Sobolev de orden m, denotado por H m (), es definido

(73)
H m () = u | D u L2 () tal que || m .

El producto escalar h, i de dos elementos u y v H m () esta dado por

Z X
hu, viH m =
(D u) (D v) dx para u, v H m () .

(74)

||m

Nota: Es comn que el espacio L2 () sea denotado por H 0 ().

Un espacio completo con producto interior es llamado un espacio de Hilbert,
un espacio normado y completo es llamado espacio de Banach. Y como todo
producto interior define una norma, entonces todo espacio de Hilbert es un
espacio de Banach.
Definicin 9 La norma kkH m inducida a partir del producto interior h, iH m
queda definida por
Z X
2
2
(D u) dx.
(75)
kukH m = hu, uiH m =
||m

Ahora, con norma kkH m , el espacio H m () es un espacio de Hilbert, esto

queda plasmado en el siguiente resultado.
Teorema 10 El espacio H m () con la norma kkH m es un espacio de Hilbert.
Ya que algunas de las propiedades de los espacios de Sobolev slo son validas
cuando la frontera del dominio es suficientemente suave. Para describir al conjunto donde los espacios de Sobolev estn definidos, es comn pedirle algunas
propiedades y as definimos lo siguiente.
Definicin 11 Una funcin f definida sobre un conjunto Rn es llamada
Lipschitz continua si existe una constante L > 0 tal que
|f (x) f (y)| L |x y|

x, y .

(76)

Notemos que una funcin Lipschitz continua es uniformemente continua.

Sea Rn (n 2) un dominio con frontera , sea x0 y construyamos la bola abierta con centro en x0 y radio , i.e. B(x0 , ), entonces
definiremos el sistema coordenado ( 1 , ..., n ) tal que el segmento B(x0 , )
pueda expresarse como una funcin
n = f ( 1 , ..., n1 )
entonces definimos.
23

(77)

Definicin 12 La frontera del dominio es llamada de Lipschitz si f

definida como en la Ec. (77) es una funcin Lipschitz continua.
El siguiente teorema resume las propiedades ms importantes de los espacios
de Sobolev H m () .
Teorema 13 Sea H m () el espacio de Sobolev de orden m y sea Rn un
dominio acotado con frontera Lipschitz. Entonces
i) H r () H m () si r m
ii) H m () es un espacio de Hilbert con respecto a la norma kkH m
iii) H m () es la cerradura con respecto a la norma kkH m del espacio C ().
De la parte iii) del teorema anterior, se puede hacer una importante interpretacin: Para toda u H m () es siempre posible encontrar una funcin
infinitamente diferenciable f, tal que este arbitrariamente cerca de u en el sentido que
ku f kH m <
(78)
para algn > 0 dado.
Cuando m = 0, se deduce la propiedad H 0 () = L2 () a partir del teorema
anterior.
Corolario 14 El espacio L2 () es la cerradura, con respecto a la norma L2 ,
del espacio C ().
Otra propiedad, se tiene al considerar a cualquier miembro de u H m (),
este puede ser identificado con una funcin en C m (), despus de que posiblemente sean cambiados algunos valores sobre un conjunto de medida cero, esto
queda plasmado en los dos siguientes resultados.
Teorema 15 Sean X y Y dos espacios de Banach, con X Y. Sea i : X Y
tal que i (u) = u. Si el espacio X tiene definida la norma kkX y el espacio Y
tiene definida la norma kkY , decimos que X est inmersa continuamente en
Y si
ki (u)kY = kukY K kukX
(79)
para alguna constante K > 0.
Teorema 16 (Inmersin de Sobolev)
Sea Rn un dominio acotado con frontera de Lipschitz. Si (m k) >
n/2, entonces toda funcin en H m () pertenece a C k (), es decir, hay un miembro que pertenece a C k (). Adems, la inmersin
H m () C k ()
es continua.

24

(80)

3.2.1.

Trazas de una Funcin en H m () .

Una parte fundamental en los problemas con valores en la frontera definidos

sobre el dominio , es definir de forma nica los valores que tomar la funcin
sobre la frontera , en este apartado veremos bajo que condiciones es posible
tener definidos de forma nica los valores en la frontera tal que podamos
definir un operador tr () continuo que actu en tal que tr (u) = u| .
El siguiente
lema nos dice que el operador tr () es un operador lineal continuo

de C 1 a C (), con respecto a las normas kkH 1 () y kkL2 () .
Lema 17 Sea un dominio con frontera de Lipschitz. La estimacin
ktr (u)kL2 () C kukH 1 ()

(81)

se satisface para toda funcin u C 1 , para alguna constante C > 0.

Ahora, para el caso tr () : H 1 () L2 () , se tiene el siguiente teorema.

Teorema 18 Sea un dominio acotado en Rn con frontera de Lipschitz.

Entonces:
i) Existe un nico operador lineal acotado tr () : H 1 () L2 () , tal que
ktr (u)kL2 () C kukH 1 () ,

(82)

con la propiedad que si u C 1 , entonces tr (u) = u | .
ii) El rango de tr () es denso en L2 ().
El argumento anterior puede ser generalizado para los espacios H m () , de
hecho, cuando m > 1, entonces para toda u H m () tenemos que
D u H 1 ()

para || m 1,

(83)

por el teorema anterior, el valor de D u sobre la frontera est bien definido y

pertenece a L2 () , es decir
tr (D u) L2 () ,

|| m 1.

(84)

Adems, si u es m-veces continuamente diferenciable, entonces D u es al menos

continuamente diferenciable para || m 1 y
tr (D u) = (D u) | .
3.2.2.

(85)

Espacios H0m () .

Los espacio H0m () surgen comnmente al trabajar con problemas con valor
en la frontera y sern aquellos espacios que se nulifiquen en la frontera del
dominio, es decir

25

Definicin 19 Definimos a los espacios H0m () como la cerradura, en la norma de Sobolev kkH m , del espacio C0m () de funciones con derivadas continuas
del orden menor que m, todas las cuales tienen soporte compacto en , es decir H0m () es formado al tomar la unin de C0m () y de todos los lmites de
sucesiones de Cauchy en C0m () que no pertenecen a C0m () .
Las propiedades bsicas de estos espacios estn contenidas en el siguiente
resultado.
Teorema 20 Sea un dominio acotado en Rn con frontera suficientemente
suave y sea H0m () la cerradura de C0 () en la norma kkH m , entonces
a) H0m () es la cerradura de C0 () en la norma kkH m ;
b) H0m () H m ();
c) Si u H m () pertenece a H0m (), entonces
D u = 0, sobre , || m 1.

(86)

Teorema 21 (Desigualdad de Poincar-Friedrichs)

Sea un dominio acotado en Rn . Entonces existe una constante C > 0 tal
que
Z
Z
2

|u| dx C

para toda u

H01

|u| dx

(87)

() .

Introduciendo ahora una familia de semi-normas sobre H m () (una seminorma || satisface casi todos los axiomas de una norma excepto el de positivo
definido), de la siguiente forma:
Definicin 22 La semi-norma ||m sobre H m () , se define como
X Z
2
2
|D u| dx.
|u|m =

(88)

||=m

Esta es una semi-norma, ya que |u|m = 0 implica que D u = 0 para || = m,

lo cual no implica que u = 0.
La relevancia de esta semi-norma est al aplicar la desigualdad de PoincarFriedrichs ya que es posible demostrar que ||1 es de hecho una norma sobre
H01 () .
Corolario 23 La semi-norma ||1 es una norma sobre H01 () , equivalente a la
norma estndar kkH 1 .
Es posible extender el teorema anterior y su corolario a los espacios H0m ()
para cualquier m 1, de la siguiente forma:

26

Teorema 24 Sea un dominio acotado en Rn . Entonces existe una constante

C > 0 tal que
2
2
kukL2 C |u|m
(89)

para toda u H0m () , adems, ||m es una norma sobre H0m () equivalente a
la norma estndar kkH m .
Definicin 25 Sea un dominio acotado en Rn . Definimos por H m () al espacio de todas las funcionales lineales acotadas sobre H0m () , es decir, H m ()
ser el espacio dual del espacio H0m () .
Teorema 26 q ser una distribucin de H m () si y slo si q puede ser expresada en la forma
X
q=
D q
(90)
||<m

donde q son funcionales en L () .

3.3.

Formulas de Green y Problemas Adjuntos

Una cuestin central en la teora de problemas elpticos con valores en la

frontera se relaciona con las condiciones bajo las cuales uno puede esperar una
nica solucin a problemas de la forma
en Rn
Bo u = g0
B1 u = g1
..
.

Lu = f

Bm1 u = gm1

(91)

en

donde L es un operador elptico de orden 2m, de forma

X
X
||
(1) D
a (x)D u , x Rn
Lu =
||m

(92)

||m

donde los coeficientes a son funciones de x suaves y satisfacen las condiciones

para que el operador sea elptico, el conjunto B0 , B1 , ..., Bm1 de operadores de
frontera son de la forma
X
(j)
b
D u = gj
(93)
Bj u =
||qj

y constituyen un conjunto de condiciones de frontera que cubren a L. Los coe(j)

ficientes b son asumidos como funciones suaves.
En el caso de problemas de segundo orden la Ec. (93) puede expresarse como
una sola condicin de frontera
Bu =

n
X
j=1

bj

u
+ cu = g
xj
27

en .

(94)

Antes de poder ver las condiciones bajo las cuales se garantice la existencia
y unicidad es necesario introducir el concepto de formula de Green asociada con
el operador L , para ello definimos:
Definicin 27 Con el operador dado como en la Ec. (92), denotaremos por L
al operador definido por

X
X
(1)|| D
a (x)D u
(95)
L u =
||m

||m

y nos referiremos a L como el adjunto formal del operador L.

La importancia del adjunto formal es que si aplicamos el teorema de Green

(83) a la integral
Z
vLudx
(96)

obtenemos

vLudx =

uL vdx +

F (u, v)ds

(97)

en la cual F (u, v) representa trminos de frontera que se nulifican al aplicar el

teorema ya que la funcin v H01 (). Si L = L ; i.e. a = a el operador es
llamado de manera formal el auto-adjunto.
En el caso de problemas de segundo orden, dos sucesivas aplicaciones del
teorema de Green (83) y obtenemos, para i y j fijos

Z
Z
Z

u
u
u v
v
vaij
ni ds +
aij
dx (98)
aij
dx =
x
x
x
x
i
j
j
j xi

Z
u
v
ni uaij
nj ds
vaij
=
xj
xi

Z
v

u
aij
dx.
x
x
j
i

Pero sumando sobre i y j, obtenemos de la Ec. (97)

n
X
v

L v =
aji (x)
xi
xj
i,j=1
y
F (u, v) =

v
u
aij v
ni u
nj
xj
xi
i,j=1
n
X

(99)

(100)

tal que L es formalmente el auto-ajunto si aji = aij .

Para hacer el tratamiento ms simple, restringiremos nuestra atencin al
problema homogneo, es decir, en el cual g0 , g1 , ..., gm1 = 0 (esta no es una restriccin real, ya que se puede demostrar que cualquier problema no-homogneo
28

con condiciones de frontera puede convertirse en uno con condiciones de frontera

homogneo de una manera sistemtica), asumiremos tambin que es suave y
la frontera de es de clase C .
As, en lo que resta de la seccin, daremos los pasos necesarios para poder
conocer bajo que condiciones el problema elptico con valores en la frontera del
tipo
en Rn

Bo u = 0

B1 u = 0
..

Bm1 u = 0

Lu = f

(101)

en

donde el operador L y Bj estan dados como en (92) y (93), con s 2m tiene

solucin y esta es nica. Para ello, necesitamos adoptar el lenguaje de la teora
de operadores lineales, algunos resultados clave de algebra lineal estn detallados
en el apndice.
Primeramente denotemos N (Bj ) al espacio nulo del operador de frontera
Bj : H s () L2 () , entonces
N (Bj ) = {u H s () | Bj u = 0 en }

(102)

para j = 0, 1, 2, ..., m 1.
Adicionalmente definimos al dominio del operador L, como el espacio
D(L) = H s () N (B0 ) ... N (Bm1 )
= {u H s () | Bj u = 0 en , j = 0, 1, .., m 1} .

(103)

Entonces el problema elptico con valores en la frontera de la Ec. (101) con

s 2m, puede reescribirse como, dado L : D(L) H s2m () , hallar u que
satisfaga
Lu = f en .
(104)

Lo primero que hay que determinar es el conjunto de funciones f en H s2m ()

para las cuales la ecuacin anterior se satisface, i.e. debemos identificar el rango
R(L) del operador L. Pero como nos interesa conocer bajo que condiciones la
solucin u es nica, entonces podemos definir el ncleo N (L) del operador L
como sigue
N (L) = {u D(L) | Lu = 0}
(105)
s
= {u H () | Lu = 0 en , Bj u = 0 en , j = 0, 1, .., m 1} .

Si el N (L) 6= {0} , entonces no hay una nica solucin, ya que si u0 es una

solucin, entonces u0 + w tambin es solucin para cualquier w N (L), ya que
L (u0 + w) = Lu0 + Lw = Lu0 = f .
29

(106)

As, los elementos del ncleo N (L) de L debern ser excluidos del dominio D(L)
del operador L, para poder asegurar la unicidad de la solucin u.
Si ahora, introducimos el complemento ortogonal N (L) del ncleo N (L)
del operador L con respecto al producto interior L2 , definindolo como
N (L) = {v D(L) | (v, w) = 0 w N (L)} .

(107)

De esta forma tenemos que

D(L) = N (L) N (L)

(108)

i.e. para toda u D(L), u se escribe como u = v + w donde v N (L) y

w N (L). Adems N (L) N (L) = {0} .
De forma similar, podemos definir los espacios anteriores para el problema
adjunto
L u = f

y definimos

en Rn

Bo u = 0

B1 u = 0
..

Bm1 u = 0

(109)

en

D(L ) = H s () N (B0 ) ... N (Bm1

)

=
u H () | Bj u = 0 en , j = 0, 1, .., m 1 .

(110)

Entonces el problema elptico con valores en la frontera de la Ec. (101) con

s 2m, puede reescribirse como, dado L : D(L ) H s2m () , hallar u que
satisfaga
L u = f en .
(111)
Definiendo para el operador L

N (L ) = {u D(L ) | L u = 0}
(112)

=
u H () | L u = 0 en , Bj u = 0 en , j = 0, 1, .., m 1 .

N (L ) = {v D(L ) | (v, w)L2 = 0 w N (L )} .

(113)

As, con estas definiciones, es posible ver una cuestin fundamental, esta es,
conocer bajo que condiciones el problema elptico con valores en la frontera de
la Ec. (101) con s 2m tiene solucin y esta es nica, esto queda resuelto en el
siguiente teorema cuya demostracin puede verse en [3] y [13].

30

Teorema 28 Considerando el problema elptico con valores en la frontera de

la Ec. (101) con s 2m definido sobre un dominio acotado con frontera
suave. Entonces
i) Existe al menos una solucin si y slo si f N (L ) , esto es, si
(f, v)L2 () = 0
si

v N (L ).

(114)

ii) Asumiendo que la solucin u existe, esta es nica si u N (L) , esto es,
(u, w)L2 () = 0

w N (L).

(115)

iii) Si existe una nica solucin, entonces existe una nica constante C > 0,
independiente de u, tal que
kukH s C kf kH s2m .

(116)

Observacin 29 i) El teorema afirma que el operador L es un operador suprayectivo de D(L) sobre el subespacio de funciones en H s2m que satisface (115).
Adems el operador L es inyectivo si el dominio es restringido al espacio de
funciones que satisfagan a (114).
ii) La parte (iii) del teorema puede interpretarse como un resultado de regularidad, en el sentido en que se muestra
u H s2m () si f H s () .

(117)

As, formalmente podemos definir el adjunto formal de la siguiente manera

Definicin 30 Sea L un Operador Diferencial, decimos que un operador L
es su adjunto formal si satisface la siguiente condicin
wLu uL w = D (u, w)

(3.1)

tal que las funciones u y w pertenecen a un espacio lineal. Aqu D(u, w) es una
funcional bilineal que representa trminos de frontera.
Ejemplos de Operadores Adjuntos Formales A continuacin se muestra
mediante ejemplos el uso de la definicin de operadores adjuntos formales y la
parte correspondiente a trminos de frontera.
A) Operador de la derivada de orden cero
La derivada de orden cero de una funcin u es tal que
dn u
=u
dxn

(118)

Lu = u

(119)

es decir, n = 0, sea el operador

31

de la definicin de operador adjunto tenemos que

wLu = uL w + D (u, w)

(120)

entonces el trmino izquierdo es

wLu = wu

(121)

uL w = uw

(122)

de aqu
por lo tanto el operador adjunto formal es
L w = w

(123)

ntese que el operador es auto-adjunto.

B) Operador de la derivada de primer orden
La derivada de primer orden en trminos del operador es
Lu = c

du
dx

(124)

de la definicin de operador adjunto tenemos

wLu = uLw + D (u, w)

(125)

desarrollando el lado izquierdo

du
dx
d (wcu)
d (cw)
u
dx
dx
dw
d (wcu)
uc
dx
dx

wLu = wc
=
=

(126)

por lo tanto, el operador adjunto formal es

L w = c

dw
dx

(127)

y los trminos de frontera son

D (u, w) = wcu

(128)

C) Operador Elptico
El operador elptico ms sencillo es el Laplaciano

Lu 4u =
xi xi
32

(129)

de la ecuacin del operador adjunto formal tenemos

wLu = w
xi xi

u
u w
=
w
+
xi
xi
xi xi

w
=
w
+
u
u
xi
xi
xi
xi
xi xi

u
w

w
=
w
u
u
xi
xi
xi
xi xi

(130)

entonces, el operador adjunto formal es

L w = u

xi

w
xi

(131)

es decir, el operador es autoadjunto. Notemos que la funcin bilineal

D(u, w) es
w
u
w
.
(132)
D (u, w) = u
xi
xi
D) Consideremos el operador diferencial elptico ms general de segundo orden

Lu = a u + (bu) + cu
(133)
de la definicin de operador adjunto formal tenemos que
wLu = uL w + D (u, w)
desarrollando el lado derecho de la ecuacin anterior

wLu = w a u + (bu) + cu

= w a u + w (bu) + wcu

(134)

(135)

aplicando la igualdad de divergencia a los dos primeros sumandos se tiene

que la ecuacin anterior es

(136)
wLu = wa u + a u w + (wbu)
bu w + wcu

= wa u + uaw u a w + (wbu)
bu w + wcu

= a (uw wu) + (wbu) u a w

bu w + wcu

reordenando trminos se tiene

wLu = u a w ub w + ucw + a (uw wu) + (wbu)

(137)
33

por lo tanto, el operador adjunto formal es

L w = a w b w + cw

(138)

y el trmino correspondiente a valores en la frontera es

D (u, w) = a (uw wu) + (wbu) .

(139)

E) La ecuacin bi-armnica
Consideremos el operador diferencial bi-armnico
Lu = 2 u

(140)

wLu = uL w + D (u, w)

(141)

entonces se tiene que

desarrollemos el trmino del lado derecho
wLu = w2 u
= w (u)

(142)

utilizando la igualdad de divergencia

(sV ) = s V + V s

(143)

tal que s es funcin escalar y V vector, entonces sea w = s y u = V, se tiene

w (u)
= (wu) u w

(144)

ahora sea s = u y V = w, entonces tenemos

(wu) u w
= (wu) + u w (uw)
= w u + (wu uw)

(145)

sea s = w y V = u, entonces tenemos

w u + (wu uw)
= (wu) u (w) + (wu uw)
= u (w) + (wu + wu uw)

(146)

por ltimo sea s = u y V = (w) y obtenemos

u (w) + (wu + wu uw)
(147)
= u ( (w)) (u (w)) + (wu + wu uw)
34

reordenando trminos
wLu = u2 w + (wu + wu uw uw)

(148)

entonces se tiene que el operador adjunto formal es

L w = 2 w

(149)

D (u, w) = wu + wu uw uw.

(150)

y los trminos de frontera son

3.4.

Adjuntos Formales para Sistemas de Ecuaciones

En esta seccin trabajaremos con funciones vectoriales; para ello necesitamos plantear la definicin de operadores adjuntos formales para este tipo de
funciones.
Definicin 31 Sea L un operador diferencial, decimos que un operador L es
su adjunto formal si satisface la siguiente condicin
w L u u L w = D (u, w)

(151)

tal que las funciones u y w pertenecen a un espacio lineal. Aqu D(u, w) representa trminos de frontera.
Por lo tanto se puede trabajar con funciones vectoriales utilizando operadores
matriciales.
A) Operador diferencial vector-valuado con elasticidad esttica
L u = C : u

(152)

de la definicin de operador adjunto formal tenemos que

w L u = u L w + D (u, w)

(153)

para hacer el desarrollo del trmino del lado derecho se utilizar notacin
indicial, es decir, este vector wLu tiene los siguientes componentes

up

Cijpq
; i = 1, 2, 3
(154)
wi
xj
xq
utilizando la igualdad de divergencia tenemos

up
Cijpq
(155)
wi
xj
xq

up wi
up

wi Cijpq
= Cijpq
xq xj
xj
xq

wi

wi
up
ui Cijpq
ui
Cijpq

wi Cijpq
=
xj
xj
xj
xj
xj
xq
35

reordenado trminos tenemos que la ecuacin anterior es

wi
up

wi
wi Cijpq
ui Cijpq
ui
Cijpq
xj
xj
xq
xj
xj
en notacin simblica tenemos que

w L u = u C : w + u C : w w C : u
por lo tanto el operador adjunto formal es

L w = C : w

(156)

(157)

(158)

y los trminos de frontera son

D (u, w) = u C : w w C : u

(159)

El operador de elasticidad es auto-adjunto formal.

B) Mtodos Mixtos a la Ecuacin de Laplace
Operador Laplaciano
L u =u = f
escrito en un sistema de ecuaciones se obtiene

p
1 -
0
Lu=
=

0
f
u

(160)

(161)

consideraremos campos vectoriales de 4 dimensiones, estos son denotados por :

u p, u y w = q, w
(162)

ahora el operador diferencial vector-valuado es el siguiente

p
1
Lu =

0
u

p u
=
p
entonces
w Lu=

q
w

p
1

0
u

(163)

(164)

utilizando la definicin de operador adjunto

wLu = uLw + D (u, w)

36

(165)

haciendo el desarrollo del trmino izquierdo se tiene que

p
q
1

wLu =

0
w
u

p u
q
=

p
w
= qp q u + w p

(166)

aqu se utiliza la igualdad de divergencia en los dos trminos del lado derecho y
obtenemos
qp q u + w p


= qp + u q qu p w + wp

= p q w + u q + wp uq

si se agrupa los dos primeros trminos en forma matricial, se tiene

p q w + u q + wp uq

q w
p
+ wp uq
=
w
u

q
p
1

+ wp uq
=

0
u
w
por lo tanto, el operador adjunto formal es

q
1

L w =

0
w

q w
=
q

(167)

(168)

(169)

y el trmino correspondiente a valores en la frontera es

D (u, w) = wp uq.

(170)

C) Problema de Stokes
El problema de Stokes es derivado de la ecuacin de Navier-Stokes, la
cual es utilizada en dinmica de fluidos viscosos. En este caso estamos
suponiendo que el fluido es estacionario, la fuerza gravitacional es nula y
el fluido incompresible. Entonces el sistema de ecuaciones a ser considerado
es
u + p = f
u = 0

(171)

se considerar un campo vectorial de 4 dimensiones. Ellos sern denotados

por
U = {u, p} y W = {w, q}
(172)
37

ahora el operador diferencial vector-valuado es el siguiente

u
LU =

0
p
el desarrollo se har en notacin indicial, entonces tenemos que

wu + wp
W LU =
q u
usando notacin indicial se obtiene

X 2 ui
X 2 ui
p
p
wi
+
=
wi 2 + wi
2
x
x
x
x
i
i
j
j
j
j

(173)

(174)

(175)

X wi ui X ui
=

wi

xj x2j
xj
xj
j
j
p

wi
+
(wi p)
xi
xi

desarrollando la primera suma como la derivada de dos funciones se tiene

X 2 wi X wi
ui
+
ui
(176)

x2j
xj
xj
j
j
X ui

wi

+
(wi p)
wi
p
x
x
x
x
j
j
i
i
j
reordenando trminos tenemos
X

wi
2 wi
p
+
2
xj
xi
j

X wi

ui
ui
+
wi
(wi p)
xj
xj
xj
xi
j

ui

(177)

Ahora consideremos la ecuacin 2 en Ec. (174), tenemos

q u

(178)

en notacin ndicial se tiene

q

X ui
i

xi

X ui
q
xi
i
X q
X
=
ui

(qui )
xi
xi
i
i

38

(179)

en la ecuacin anterior se utiliz la igualdad de divergencia, entonces agrupando las ecuaciones Ec. (177) y Ec. (179) se tiene

X 2 ui
X ui
p
q
+
(180)
wi
2
xj
xi
xi
j
i
X

wi
2 wi
p
+
2
xj
xi
j

X wi
ui

wi
(wi p) +
ui
+
x
x
x
x
j
j
j
i
j

X
i

ui

ui

X
q

(qui )
xi
xi
i

ordenando los trminos tenemos

X

wi
2 wi X q
ui
p
(181)
2 +
x
x
xi
i
j
j
i

X wi
X

ui
+
wi
(wi p)
(qui )
ui
+
xj
xj
xj
xi
xi
j
i

ui

escribiendo la ecuacin anterior en notacin simblica, se obtiene

uw + uq p w + (uw wu + wp uq)
por lo tanto, el operador adjunto formal es

L W =
0
q

(182)

(183)

y el trmino de valores de frontera es

D (u, w) = uw wu + wp uq.

3.5.

(184)

Problemas Variacionales con Valor en la Frontera

Restringindonos ahora en problemas elpticos de orden 2 (problemas de

orden mayor pueden ser tratados de forma similar), reescribiremos este en su
forma variacional. La formulacin variacional es ms dbil que la formulacin
convencional ya que esta demanda menor suavidad de la solucin u, sin embargo cualquier problema variacional con valores en la frontera corresponde a un
problema con valor en la frontera y viceversa.
Adems, la formulacin variacional facilita el tratamiento de los problemas
al usar mtodos numricos de ecuaciones diferenciales parciales, en esta seccin
veremos algunos resultados clave como es la existencia y unicidad de la solucin
de este tipo de problemas, para mayores detalles, ver [3] y [13].
39

Si el operador L est definido por

Lu = a u + cu

(185)

con a una matriz positiva definida, simtrica y c 0, el problema queda escrito

como
a u + cu = f en
u = g en .

(186)

Si multiplicamos a la ecuacin a u + cu = f por v V = H01 (),

obtenemos

v a u + cu = vf
(187)

aplicando el teorema de Green (83) obtenemos la Ec. (98), que podemos reescribir como
Z
Z

vf dx.
(188)
v a u + cuv dx =

Definiendo el operador bilineal

Z

a (u, v) =
v a u + cuv dx

(189)

y la funcional lineal

l(v) = hf, vi =

vf dx

(190)

podemos reescribir el problema dado por la Ec. (91) de orden 2, haciendo uso
de la forma bilineal a (, ) y la funcional lineal l ().
Entonces entenderemos en el presente contexto un problema variacional con
valores de frontera (VBVP) por uno de la forma: hallar una funcin u que
pertenezca a un espacio de Hilbert V = H01 () y que satisfaga la ecuacin
a (u, v) = hf, vi

(191)

para toda funcin v V donde a (, ) es una forma bilineal y l () es una funcional

lineal.
Definicin 32 Sea V un espacio de Hilbert y sea kkV la norma asociada a
dicho espacio, decimos que una forma bilineal a (, ) es continua si existe una
constante M > 0 tal que
|a (u, v)| M kukV kvkV

u, v V

(192)

y es V -elptico si existe una constante > 0 tal que

a (v, v) kvk2V

v V

donde kkV es la norma asociada al espacio V.

40

(193)

Esto significa que una forma V elptico es una que siempre es no negativa
y toma el valor de 0 slo en el caso de que v = 0, i.e. es positiva definida.
Notemos que el problema (186) definido en V = H01 () reescrito como el
problema (191) genera una forma bilineal V -elptico cuyo producto interior sobre
V es simtrico y positivo definido ya que
2

a (v, v) kvkV > 0,

v V, v 6= 0

(194)

reescribindose el problema (191), en el cual debemos encontrar u V tal que

a (u, v) = hf, vi a (u0 , v)

(195)

donde u0 = g en , para toda v V.

Entonces, la cuestin fundamental, es conocer bajo que condiciones el problema anterior tiene solucin y esta es nica, el teorema de Lax-Milgram nos
da las condiciones bajo las cuales el problema (186) reescrito como el problema (191) tiene solucin y esta es nica, esto queda plasmado en el siguiente
resultado.
Teorema 33 (Lax-Milgram)
Sea V un espacio de Hilbert y sea a (, ) : V V R una forma bilineal
continua V -elptico sobre V. Adems, sea l () : V R una funcional lineal
continua sobre V. Entonces
i) El VBVP de encontrar u V que satisfaga
a (u, v) = hf, vi , v V

(196)

tiene una y slo una solucin;

ii) La solucin depende continuamente de los datos, en el sentido de que
kukV

1
klkV

(197)

donde kkV es la norma en el espacio dual V de V y es la constante de la

definicin de V -elptico.
Ms especficamente, considerando ahora V un subespacio cerrado de H m ()
las condiciones para la existencia, unicidad y la dependencia continua de los
datos queda de manifiesto en el siguiente resultado.
Teorema 34 Sea V un subespacio cerrado de H m (), sea a (, ) : V V R
una forma bilineal continua V -elptico sobre V y sea l () : V R una funcional
lineal continua sobre V. Sea P un subespacio cerrado de V tal que
a (u + p, v + p) = a (u, v)

u, v V y p, p P.

(198)

Tambin denotando por Q el subespacio de V consistente de las funciones ortogonales a P en la norma L2 ; tal que

Z
updx = 0 p P ,
(199)
Q= vV |

41

y asumiendo que a (, ) es Q-elptico: existe una constante > 0 tal que

2

a (q, q) kqkQ

para q Q,

(200)

la norma sobre Q ser la misma que sobre V. Entonces

i) Existe una nica solucin al problema de encontrar u Q tal que
a (u, v) = hl, vi ,

v V

(201)

si y slo si las condiciones de compatibilidad

hl, pi = 0

para p P

(202)

se satisfacen.
ii) La solucin u satisface
kukQ 1 klkQ

(203)

(dependencia continua de los datos).

Otro aspecto importante es la regularidad de la solucin, si la solucin u al
VBVP de orden 2m con f H s2m () donde s 2m, entonces u pertenecer
a H s () y esto queda de manifiesto en el siguiente resultado.
Teorema 35 Sea Rn un dominio suave y sea u V la solucin al VBVP
a (u, v) = hf, vi ,

vV

(204)

donde V H m (). Si f H s2m () con s 2m, entonces u H s () y la

estimacin
kukH s C kf kH s2m
(205)
se satisface.

42

4.

Solucin de Grandes Sistemas de Ecuaciones

Es este trabajo se mostr como proceder para transformar un problema

de ecuaciones diferenciales parciales con valores en la frontera en un sistema
algebraico de ecuaciones y as poder hallar la solucin resolviendo el sistema de
ecuaciones lineales que se pueden expresar en la forma matricial siguiente
Au = b

(206)

donde la matriz A es bandada (muchos elementos son nulos) y en problemas

reales tiene grandes dimensiones.
Los mtodos de resolucin del sistema algebraico de ecuaciones Au = b se
clasifican en dos grandes grupos: los mtodos directos y los mtodos iterativos.
En los mtodos directos la solucin u se obtiene en un nmero fijo de pasos y
slo estn sujetos a los errores de redondeo. En los mtodos iterativos, se realizan
iteraciones para aproximarse a la solucin u aprovechando las caractersticas
propias de la matriz A, tratando de usar un menor nmero de pasos que en un
mtodo directo.
Los mtodos iterativos rara vez se usan para resolver sistemas lineales de
dimensin pequea (el concepto de dimensin pequea es muy relativo), ya que
el tiempo necesario para conseguir una exactitud satisfactoria rebasa el que
requieren los mtodos directos. Sin embargo, en el caso de sistemas grandes con
un alto porcentaje de elementos cero, son eficientes tanto en el almacenamiento
en la computadora como en el tiempo que se invierte en su solucin. Por sta
razn al resolver stos sistemas algebraicos de ecuaciones es preferible aplicar
mtodos iterativos tal como Gradiente Conjugado.
Cabe hacer mencin de que la mayora del tiempo de cmputo necesario para
resolver el problema de ecuaciones diferenciales parciales (EDP), es consumido
en la solucin del sistema algebraico de ecuaciones asociado a la discretizacin,
por ello es determinante elegir aquel mtodo numrico que minimice el tiempo
invertido en este proceso.

4.1.

Mtodos Directos

En estos mtodos, la solucin u se obtiene en un nmero fijo de pasos y slo

estn sujetos a los errores de redondeo. Entre los mtodos ms importantes podemos encontrar: Eliminacin Gausiana, descomposicin LU, eliminacin bandada
y descomposicin de Cholesky.
Los mtodos antes mencionados, se colocaron en orden descendente en cuanto al consumo de recursos computacionales y ascendente en cuanto al aumento
en su eficiencia.
Eliminacin Gausiana Tal vez es el mtodo ms utilizado para encontrar la
solucin usando mtodos directos. Este algoritmo sin embargo no es eficiente,
ya que en general, un sistema de N ecuaciones requiere para su almacenaje
en memoria de N 2 entradas para la matriz A, pero cerca de N 3 /3 + O(N 2 )

43

multiplicaciones y N 3 /3 + O(N 2 ) adiciones para encontrar la solucin siendo

muy costoso computacionalmente.
La eliminacin Gausiana se basa en la aplicacin de operaciones elementales
a renglones o columnas de tal forma que es posible obtener matrices equivalentes.
Escribiendo el sistema de N ecuaciones lineales con N incgnitas como
N
X

(0)

(0)

aij xj = ai,n+1 ,

i = 1, 2, ..., N

(207)

j=1

(0)

(i1)

y si a11 6= 0 y los pivotes aii , i = 2, 3, ..., N de las dems filas, que se obtienen
en el curso de los clculos, son distintos de cero, entonces, el sistema lineal
anterior se reduce a la forma triangular superior (eliminacin hacia adelante)
N
X

xi +

(i)

(i)

aij xj = ai,n+1 ,

i = 1, 2, ..., N

(208)

j=i+1

donde
k

= 1, 2, ..., N ; {j = k + 1, ..., N {
(k1)

(k)
akj

;
(k1)
akk
i = k + 1, ..., N + 1{

(k)

aij

akj

(k1)

= aij

(k) (k1)

akj aik

}}}

y las incgnitas se calculan por sustitucin hacia atrs, usando las frmulas
(N)

xN = aN,N+1 ;
i = N 1, N 2, ..., 1
N
X
(i)
(i)
aij xj .
xi = ai,N +1

(209)

j=i+1

En algunos casos nos interesa conocer A1 , por ello si la eliminacin se aplica

a la matriz aumentada A | I entonces la matriz A de la matriz aumentada se
convertir en la matriz I y la matriz I de la matriz aumentada ser A1 . As,
el sistema Au = b se transformar en u = A1 b obteniendo la solucin de u.
Descomposicin LU Sea U una matriz triangular superior obtenida de A por
eliminacin bandada. Entonces U = L1 A, donde L es una matriz triangular
inferior con unos en la diagonal. Las entradas de L1 pueden obtenerse de
los coeficientes mij definidos en el mtodo anterior y pueden ser almacenados
estrictamente en las entradas de la diagonal inferior de A ya que estas ya fueron
eliminadas. Esto proporciona una factorizacin LU de A en la misma matriz A
ahorrando espacio de memoria.
44

El problema original Au = b se escribe como LU u = b y se reduce a la

solucin sucesiva de los sistemas lineales triangulares
Ly = b y U u = y.

(210)

La descomposicin LU requiere tambin N 3 /3 operaciones aritmticas para

la matriz llena, pero slo N b2 operaciones aritmticas para la matriz con un
ancho de banda de b siendo esto ms econmico computacionalmente.
Ntese que para una matriz no singular A, la eliminacin de Gausiana (sin
redondear filas y columnas) es equivalente a la factorizacin LU.
Eliminacin Bandada Cuando se usa la ordenacin natural de los nodos,
la matriz A que se genera es bandada, por ello se puede ahorrar considerable
espacio de almacenamiento en ella. Este algoritmo consiste en triangular a la
matriz A por eliminacin hacia adelante operando slo sobre las entradas dentro
de la banda central no cero. As el rengln j es multiplicado por mij = aij /ajj
y el resultado es restado al rengln i para i = j + 1, j + 2, ....
El resultado es una matriz triangular superior U que tiene ceros abajo de
la diagonal en cada columna. As, es posible resolver el sistema resultante al
sustituir en forma inversa las incgnitas.
Descomposicin de Cholesky Cuando la matriz es simtrica y definida positiva, se obtiene la descomposicin LU de la matriz A, as A = LDU = LDLT
donde D = diag(U ) es la diagonal con entradas positivas. La mayor ventaja de
esta descomposicin es que, en el caso en que es aplicable, el costo de cmputo
es sustancialmente reducido, ya que requiere de N 3 /6 multiplicaciones y N 3 /6
adiciones.

4.2.

Mtodos Iterativos

En estos mtodos se realizan iteraciones para aproximarse a la solucin u

aprovechando las caractersticas propias de la matriz A, tratando de usar un
menor nmero de pasos que en un mtodo directo, para ms informacin de
estos y otros mtodos ver [16] y [25].
Un mtodo iterativo en el cual se resuelve el sistema lineal
Au = b

(211)

0
comienza con una
aproximacin inicial u a la solucin u y genera una sucesin
de vectores uk k=1 que converge a u. Los mtodos iterativos traen consigo
un proceso que convierte el sistema Au = b en otro equivalente de la forma
u = T u + c para alguna matriz fija T y un vector c. Luego de seleccionar el
vector inicial u0 la sucesin de los vectores de la solucin aproximada se genera
calculando
uk = T uk1 + c k = 1, 2, 3, ...
(212)

La convergencia a la solucin la garantiza el siguiente teorema cuya solucin

puede verse en [26].
45


Teorema 36 Si T < 1, entonces el sistema lineal u = T u + c tiene una solucin nica u y las iteraciones uk definidas por la frmula uk = T uk1 +c k =
1, 2, 3, ... convergen hacia la solucin exacta u para cualquier aproximacin lineal u0 .
Notemos que mientras menorsea la norma de la matriz T , ms rpida es la
convergencia, en el caso cuando T es menor que uno, pero cercano a uno, la
convergencia es muy lenta y el nmero de iteraciones necesario para disminuir
el error depende significativamente del error inicial. En este caso, es deseable
proponer al vector inicial u0 de forma tal que se mnimo el error
inicial. Sin
embargo, la eleccin de dicho vector no tiene importancia si la T es pequea
ya que la convergencia es rpida.
Como es conocido, la velocidad de convergencia de los mtodos iterativos
dependen de las propiedades espectrales de la matriz de coeficientes del sistema
de ecuaciones, cuando el operador diferencial L de la ecuacin del problema a
resolver es auto-adjunto se obtiene una matriz simtrica y positivo definida y el
nmero de condicionamiento de la matriz A, es por definicin
cond(A) =

max
1
mn

(213)

donde max y mn es el mximo y mnimo de los eigenvalores de la matriz

A. Si el nmero de condicionamiento es cercano a 1 los mtodos numricos al
solucionar el problema converger en pocas iteraciones, en caso contrario se
requerirn muchas iteraciones. Frecuentemente al usar
el mtodo de elemento
finito se tiene una velocidad de convergencia de O h12 y en el caso de mtodos

de descomposicin de dominio se tiene una velocidad de convergencia de O h1
en el mejor de los casos, donde h es la mxima distancia de separacin entre
nodos continuos de la particin, es decir, que poseen una pobre velocidad de
convergencia cuando h 0, para ms detalles ver [2].
Entre los mtodos ms usados para el tipo de problemas tratados en el presente trabajo podemos encontrar: Jacobi, Gauss-Seidel, Richardson, relajacin
sucesiva, Gradiente Conjugado, Gradiente Conjugado precondicionado.
Los mtodos antes mencionados se colocaron en orden descendente en cuanto
al consumo de recursos computacionales y ascendente en cuanto al aumento en
la eficiencia en su desempeo, describindose a continuacin:
Jacobi Si todos los elementos de la diagonal principal de la matriz A son
diferentes de cero aii 6= 0 para i = 1, 2, ...n. Podemos dividir la isima ecuacin
del sistema lineal (211) por aii para i = 1, 2, ...n, y despus trasladamos todas
las incgnitas, excepto xi , a la derecha, se obtiene el sistema equivalente
u = Bu + d
donde
di =

bi
aii

y B = {bij } =
46

(214)
a

si j 6= i
aij
ii
.
0
si j = i

Las iteraciones del mtodo de Jacobi estn definidas por la frmula

xi =

n
X

(k1)

bij xj

+ di

(215)

j=1

(0)

donde xi

son arbitrarias (i = 1, 2, ....n; k = 1, 2, ....).

Tambin el mtodo de Jacobi se puede expresar en trminos de matrices.

Supongamos por un momento que la matriz A tiene la diagonal unitaria, esto
es diag(A) = I. Si descomponemos A = IB, entonces el sistema dado por la
Ecs. (211) se puede reescribir como

I B u = b.
(216)

Para la primera iteracin asumimos que k=b; entonces la ltima ecuacin se escribe como u = Bu+k. Tomando una aproximacin inicial u0 , podemos obtener
una mejor aproximacin remplazando u por la ms resiente aproximacin de
um . Esta es la idea que subyace en el mtodo Jacobi. El proceso iterativo queda
como
um+1 = Bum + k.
(217)
La aplicacin del mtodo a la ecuacin de la forma Au = b, con la matriz A
no cero en los elementos diagonales, se obtiene multiplicando la Ec. (211) por

1
D1 = diag(A)
obteniendo
B = I D1 A,

k = D1 b.

(218)

Gauss-Seidel Este mtodo es una modificacin del mtodo Jacobi, en el cual

una vez obtenido algn valor de um+1 , este es usado para obtener el resto de los
valores utilizando los valores ms actualizados de um+1 . As, la Ec. (217) puede
ser escrita como
X
X
um+1
=
bij um+1
+
bij um
(219)
j + ki .
i
j
j<i

j>i

Notemos que el mtodo Gauss-Seidel requiere el mismo nmero de operaciones aritmticas por iteracin que el mtodo de Jacobi. Este mtodo se escribe
en forma matricial como
um+1 = Eum+1 + F um + k

(220)

donde E y F son las matrices triangular superior e inferior respectivamente.

Este mtodo mejora la convergencia con respecto al mtodo de Jacobi en un
factor aproximado de 2.

47

Richardson Escribiendo el mtodo de Jacobi como

um+1 um = b Aum

(221)

entonces el mtodo Richardson se genera al incorporar la estrategia de sobrerrelajacin de la forma siguiente

um+1 = um + b Aum .
(222)

El mtodo de Richardson se define como

um+1 = I A um + b

(223)

en la prctica encontrar el valor de puede resultar muy costoso computacionalmente y las diversas estrategias para encontrar dependen de las caractersticas
propias del problema, pero este mtodo con un valor ptimo resulta mejor
que el mtodo de Gauss-Seidel.
Relajacin Sucesiva Partiendo del mtodo de Gauss-Seidel y sobrerrelajando este esquema, obtenemos

i1
N
X
X

um+1
= (1 ) um
bij um+1
+
bij um
(224)
i +
j + ki
i
j
j=1

j=i+1

y cuando la matriz A es simtrica con entradas en la diagonal positivas, ste

mtodo converge si y slo si A es definida positiva y (0, 2) . En la prctica
encontrar el valor de puede resultar muy costoso computacionalmente y las
diversas estrategias para encontrar dependen de las caractersticas propias del
problema.

4.3.

Gradiente Conjugado

El mtodo del Gradiente Conjugado ha recibido mucha atencin en su uso

al resolver ecuaciones diferenciales parciales y ha sido ampliamente utilizado en aos recientes por la notoria eficiencia al reducir considerablemente en
nmero de iteraciones necesarias para resolver el sistema algebraico de ecuaciones. Aunque los pioneros de este mtodo fueron Hestenes y Stiefel (1952), el
inters actual arranca a partir de que Reid (1971) lo planteara como un mtodo
iterativo, que es la forma en que se le usa con mayor frecuencia en la actualidad,
esta versin est basada en el desarrollo hecho en [9].
La idea bsica en que descansa el mtodo del Gradiente Conjugado consiste
en construir una base de vectores ortogonales y utilizarla para realizar la bsqueda de la solucin en forma ms eficiente. Tal forma de proceder generalmente
no sera aconsejable porqu la construccin de una base ortogonal utilizando el
procedimiento de Gramm-Schmidt requiere, al seleccionar cada nuevo elemento
de la base, asegurar su ortogonalidad con respecto a cada uno de los vectores

48

construidos previamente. La gran ventaja del mtodo de Gradiente Conjugado

radica en que cuando se utiliza este procedimiento, basta con asegurar la ortogonalidad de un nuevo miembro con respecto al ltimo que se ha construido,
para que automticamente esta condicin se cumpla con respecto a todos los
anteriores.
Definicin 37 Una matriz A es llamada positiva definida si todos sus eigenvalores tienen parte real positiva o equivalentemente, si uT Au tiene parte real
positiva para u C\ {0} . Notemos en este caso que
uT Au = uT

A + AT
u > 0, con u Rn \ {0} .
2

En el algoritmo de Gradiente Conjugado (CGM), se toma a la matriz A

como simtrica y positiva definida, y como datos de entrada del sistema
Au = b

(225)

el vector de bsqueda inicial u0 y se calcula r0 = b Au0 , p0 = r0 , quedando el

mtodo esquemticamente como:
Apk rk
Apk pk

k+1

pk+1

= rk k+1 pk

k+1

(226)

rk rk
pk+1

Apk+1

uk+1

= uk + k+1 pk+1

rk+1

= rk k+1 Apk+1 .

Si denotamos {i , Vi }N
i=1 como las eigensoluciones de A, i.e. AVi = i Vi ,
i = 1, 2, ..., N. Ya que la matriz A es simtrica, los eigenvalores son reales y
podemos ordenarlos por 1 2 ... N . Definimos el nmero de condicin
2
por Cond(A) = N /1 y la norma de la energa asociada a A por kukA = u Au
entonces
q

2k
1 Cond(A)

u uk u u0
.
q
(227)
A
A
1 + Cond(A)
El siguiente teorema nos da idea del espectro de convergencia del sistema
Au = b para el mtodo de Gradiente Conjugado.

49

ax
Teorema 38 Sea = cond(A) = m
1, entonces el mtodo de Gradiente
m
n
Conjugado satisface la Anorma del error dado por

ken k
2

n
n 2
ke0 k
+1
+1
+
1
1

+1

(228)

donde em = u um del sistema Au = b.

Notemos que para grande se tiene que

2
1

'1
+1

tal que

n
ken kA ' e0 A exp 2

(229)

(230)

de lo anterior podemos esperar un espectro de convergencia del orden de O( )

iteraciones, para mayor referencia ver [26].
Definicin 39 Un mtodo iterativo para la solucin de un sistema lineal es llamado ptimo, si la razn de convergencia a la solucin exacta es independiente
del tamao del sistema lineal.

4.4.

Precondicionadores

Una va que permite mejorar la eficiencia de los mtodos iterativos consiste en transformar al sistema de ecuaciones en otro equivalente, en el sentido
de que posea la misma solucin del sistema original pero que a su vez tenga
mejores condiciones espectrales. Esta transformacin se conoce como precondicionamiento y consiste en aplicar al sistema de ecuaciones una matriz conocida
como precondicionador encargada de realizar el mejoramiento del nmero de
condicionamiento.
Una amplia clase de precondicionadores han sido propuestos basados en las
caractersticas algebraicas de la matriz del sistema de ecuaciones, mientras que
por otro lado tambin existen precondicionadores desarrollados a partir de las
caractersticas propias del problema que lo origina, un estudio ms completo
puede encontrarse en [2] y [18].
Qu es un Precondicionador? De una manera formal podemos decir que
un precondicionador consiste en construir una matriz C, la cul es una aproximacin en algn sentido de la matriz A del sistema Au = b, de manera tal que
si multiplicamos ambos miembros del sistema de ecuaciones original por C 1
obtenemos el siguiente sistema
C 1 Au = C 1 b
50

(231)

donde el nmero de condicionamiento de la matriz del sistema transformado

C 1 A debe ser menor que el del sistema original, es decir
Cond(C 1 A) < Cond(A),

(232)

dicho de otra forma un precondicionador es una inversa aproximada de la matriz

original
C 1 ' A1
(233)
que en el caso ideal C 1 = A1 el sistema convergera en una sola iteracin,
pero el coste computacional del clculo de A1 equivaldra a resolver el sistema
por un mtodo directo. Se sugiere que C sea una matriz lo ms prxima a A sin
que su determinacin suponga un coste computacional elevado.
Dependiendo de la forma de platear el producto de C 1 por la matriz del
sistema obtendremos distintas formas de precondicionamiento, estas son:
C 1 Au = C 1 b
AC 1 Cu = b
C 1
AC 1
C 2 u = C 1
b
1
2
1

Precondicionamiento por la izquierda

Precondicionamiento por la derecha
Precondicionamiento por ambos lados
si C puede factorizarse como C = C 1 C 2 .

El uso de un precondicionador en un mtodo iterativo provoca que se incurra

en un costo de cmputo extra debido a que inicialmente se construye y luego
se debe aplicar en cada iteracin. Tenindose que encontrar un balance entre el
costo de construccin y aplicacin del precondicionador versus la ganancia en
velocidad en convergencia del mtodo.
Ciertos precondicionadores necesitan poca o ninguna fase de construccin,
mientras que otros pueden requerir de un trabajo substancial en esta etapa.
Por otra parte la mayora de los precondicionadores requieren en su aplicacin
un monto de trabajo proporcional al nmero de variables; esto implica que se
multiplica el trabajo por iteracin en un factor constante.
De manera resumida un buen precondicionador debe reunir las siguientes
caractersticas:
i) Al aplicar un precondicionador C al sistema original de ecuaciones
Au = b, se debe reducir el nmero de iteraciones necesarias para que
la solucin aproximada tenga la convergencia a la solucin exacta
con una exactitud prefijada.
ii) La matriz C debe ser fcil de calcular, es decir, el costo computacional de la construccin del precondicionador debe ser pequeo
comparado con el costo total de resolver el sistema de ecuaciones
Au = b.
iii) El sistema Cz =r debe ser fcil de resolver. Esto debe interpretarse de dos maneras:
a) El monto de operaciones por iteracin debido a la aplicacin
del precondicionador C debe ser pequeo o del mismo orden que las
51

que se requeriran sin precondicionamiento. Esto es importante si se

trabaja en mquinas secuenciales.
b) El tiempo requerido por iteracin debido a la aplicacin del
precondicionador debe ser pequeo.
En computadoras paralelas es importante que la aplicacin del precondicionador sea paralelizable, lo cual eleva su eficiencia, pero debe de existir un
balance entre la eficacia de un precondicionador en el sentido clsico y su eficiencia en paralelo ya que la mayora de los precondicionadores tradicionales
tienen un componente secuencial grande.
El mtodo de Gradiente Conjugado por si mismo no permite el uso de precondicionadores, pero con una pequea modificacin en el producto interior usado en el mtodo, da origen al mtodo de Gradiente Conjugado precondicionado
que a continuacin detallaremos.
4.4.1.

Gradiente Conjugado Precondicionado

Cuando la matriz A es simtrica y definida positiva se puede escribir como

1

uA u
n
uu

(234)

y tomando la matriz C 1 como un precondicionador de A con la condicin de

que
uC 1 A u
1
n
(235)
uu
entonces la Ec. (225) se pude escribir como

C 1 Au = C 1 b

(236)

donde C 1 A es tambin simtrica y definida positiva en el producto interior

hu, vi = u Cv, porque

u, C 1 Av = u C C 1 Av
= u Av

(237)

que por hiptesis es simtrica y definida positiva en ese producto interior.

La eleccin del producto interior h, i quedar definido como
hu, vi = u C 1 Av

(238)

por ello las Ecs. (226[1]) y (226[3]), se convierten en

k+1 =

rk rk
pk+1 C 1 pk+1
52

(239)

y
k+1 =

pk C 1 rk
pk Apk

(240)

generando el mtodo de Gradiente Conjugado precondicionado con precondicionador C 1 . Es necesario hacer notar que los mtodos Gradiente Conjugado y
Gradiente Conjugado Precondicionado slo difieren en la eleccin del producto
interior.
Para el mtodo de Gradiente Conjugado Precondicionado, los datos de entrada son un vector de bsqueda inicial u0 y el precondicionador C 1 . Calculndose
r0 = b Au0 , p = C 1 r0 , quedando el mtodo esquemticamente como:
pk C 1 rk
pk Apk

k+1

pk+1

= rk k+1 pk

k+1

uk+1

= uk + k+1 pk+1

rk+1

= C 1 rk k+1 Apk+1 .

(241)

rk rk
pk+1 C 1 pk+1

Algoritmo Computacional del Mtodo Dado el sistema Au = b, con la

matriz A simtrica y definida positiva de dimensin n n. La entrada al mtodo ser una eleccin de u0 como condicin inicial, > 0 como la tolerancia
del mtodo, N como el nmero mximo de iteraciones y la matriz de precondicionamiento C 1 de dimensin n n, el algoritmo del mtodo de Gradiente
Conjugado Precondicionado queda como:
r = b Au
w = C 1 r
v = (C 1 )T w
Pn
= j=1 wj2
k=1
Mientras que k N
Si kvk <

Salir

x = Av

t = Pn

j=1 vj xj

u = u + tv
r = r tx

w = C 1 r
P
= nj=1 wj2
53

Si krk < Salir

s=

T
v = C 1 w + sv
=

k =k+1
La salida del mtodo ser la solucin aproximada u = (u1 , ..., un ) y el residual r = (r1 , ..., rn ).
En el caso del mtodo sin precondicionamiento, C 1 es la matriz identidad,
que para propsitos de optimizacin slo es necesario hacer la asignacin de
vectores correspondiente en lugar del producto de la matriz por el vector. En
el caso de que la matriz A no sea simtrica, el mtodo de Gradiente Conjugado puede extenderse para soportarlas, para ms informacin sobre pruebas
de convergencia, resultados numricos entre los distintos mtodos de solucin
del sistema algebraico Au = b generada por la discretizacin de un problema
elptico y como extender estos para matrices no simtricas ver [9] y [7].
Teorema 40 Sean A, B y C tres matrices simtricas y positivas definidas entonces

C 1 A C 1 B B 1 A .
Clasificacin de los Precondicionadores En general se pueden clasificar
en dos grandes grupos segn su manera de construccin: los algebraicos o a
posteriori y los a priori o directamente relacionados con el problema continuo
que lo origina.
4.4.2.

Precondicionador a Posteriori

Los precondicionadores algebraicos o a posteriori son los ms generales, ya

que slo dependen de la estructura algebraica de la matriz A, esto quiere decir
que no tienen en cuenta los detalles del proceso usado para construir el sistema de ecuaciones lineales Au = b. Entre estos podemos citar los mtodos de
precondicionamiento del tipo Jacobi, SSOR, factorizacin incompleta, inversa
aproximada, diagonal ptimo y polinomial.
Precondicionador Jacobi El mtodo precondicionador Jacobi es el precondicionador ms simple que existe y consiste en tomar en calidad de precondicionador a los elementos de la diagonal de A

Aij si i = j
Cij =
(242)

0 si i 6= j.
54

Debido a que las operaciones de divisin son usualmente ms costosas en

tiempo de cmputo, en la prctica se almacenan los recprocos de la diagonal
de A.
Ventajas: No necesita trabajo para su construccin y puede mejorar
la convergencia.
Desventajas: En problemas con nmero de condicionamiento muy
grande, no es notoria la mejora en el nmero de iteraciones.
Precondicionador SSOR Si la matriz original es simtrica, se puede descomponer como en el mtodo de sobrerrelajamiento sucesivo simtrico (SSOR)
de la siguiente manera
A = D + L + LT
(243)
donde D es la matriz de la diagonal principal y L es la matriz triangular inferior.
La matriz en el mtodo SSOR se define como

1
T

1
1
1
1
C() =
(244)
D+L
D
D+L
2w

en la prctica la informacin espectral necesaria para hallar el valor ptimo de

es demasiado costoso para ser calculado.
Ventajas: No necesita trabajo para su construccin, puede mejorar
la convergencia significativamente.
Desventajas: Su paralelizacin depende fuertemente del ordenamiento de las variables.
Precondicionador de Factorizacin Incompleta Existen una amplia clase
de precondicionadores basados en factorizaciones incompletas. La idea consiste
en que durante el proceso de factorizacin se ignoran ciertos elementos diferentes de cero correspondientes a posiciones de la matriz original que son nulos.
La matriz precondicionadora se expresa como C = LU , donde L es la matriz
triangular inferior y U la superior. La eficacia del mtodo depende de cun
buena sea la aproximacin de C 1 con respecto a A1 .
El tipo ms comn de factorizacin incompleta se basa en seleccionar un
subconjunto S de las posiciones de los elementos de la matriz y durante el
proceso de factorizacin considerar a cualquier posicin fuera de ste igual a
cero. Usualmente se toma como S al conjunto de todas las posiciones (i, j)
para las que Aij 6= 0. Este tipo de factorizacin es conocido como factorizacin
incompleta LU de nivel cero, ILU(0).
El proceso de factorizacin incompleta puede ser descrito formalmente como
sigue:
Para cada k, si i, j > k:

Si (i, j) S
Aij Aij A1
ij Akj
Sij =
(245)

Aij
Si (i, j)
/ S.
55

Una variante de la idea bsica de las factorizaciones incompletas lo constituye

la factorizacin incompleta modificada que consiste en que si el producto
Aij Aij A1
ij Akj 6= 0

(246)

y el llenado no est permitido en la posicin (i, j), en lugar de simplemente

descartarlo, esta cantidad se le substrae al elemento de la diagonal Aij . Matemticamente esto corresponde a forzar a la matriz precondicionadora a tener la misma suma por filas que la matriz original. Esta variante resulta de inters puesto
que se ha probado que para ciertos casos la aplicacin de la factorizacin incompleta modificada combinada con pequeas perturbaciones hace que el nmero de
condicionamiento espectral del sistema precondicionado sea de un orden inferior.
Ventaja: Puede mejorar el condicionamiento y la convergencia significativamente.
Desventaja: El proceso de factorizacin es costoso y difcil de paralelizar en general.
Precondicionador de Inversa Aproximada El uso del precondicionador
de inversas aproximada se ha convertido en una buena alternativa para los
precondicionadores implcitos debido a su naturaleza paralelizable. Aqu se construye una matriz inversa aproximada usando el producto escalar de Frobenius.
Sea S Cn , el subespacio de las matrices C donde se busca una inversa
aproximada explcita con un patrn de dispersin desconocido. La formulacin
del problema esta dada como: Encontrar C 0 S tal que

(247)
C 0 = arg mnCS AC I .

Adems, esta matriz inicial C 0 puede ser una inversa aproximada de A en

un sentido estricto, es decir,

(248)
AC 0 I = < 1.

Existen dos razones para esto, primero, la ecuacin (248) permite asegurar
que C 0 no es singular (lema de Banach), y segundo, esta ser la base para
construir un algoritmo explcito para mejorar C 0 y resolver la ecuacin Au = b.
La construccin de C 0 se realiza en paralelo, independizando el clculo de
cada columna. El algoritmo permite comenzar desde cualquier entrada de la
columna k, se acepta comnmente el uso de la diagonal como primera aproximacin. Sea rk el residuo correspondiente a la columna k-sima, es decir
rk = AC k ek

(249)

y sea Ik el conjunto de ndices de las entradas no nulas en rk , es decir, Ik =

{i = {1, 2, ..., n} | rik 6= 0} . Si Lk = {l = {1, 2, ..., n} | Clk 6= 0} , entonces la nueva entrada se busca en el conjunto Jk = {j Lck | Aij 6= 0, i Ik } . En realidad
las nicas entradas consideradas en C k son aquellas que afectan las entradas no
56

nulas de rk . En lo que sigue, asumimos que Lk {j} = ik1 , ik2 , ..., ikpk es no
vaco, siendo pk el nmero actual de entradas no nulas de C k y que ikpk = j,
para todo j Jk . Para cada j, calculamos

AC k ek 2 = 1
2

pk
X
l=1

i2
det Dkl

det Gkl2 det Gkl

(250)

donde, para todo k, det Gk0 = 1 y Gkl es la matriz de Gram de las colum-

nas ik1 , ik2 , ..., ikpk de la matriz A con respecto al producto escalar Euclideano;
Dkl es la matriz que resulta de remplazar la ltima fila de la matriz Gkl por
akik1 , akik2 , , ..., akikl , con 1 l pk . Se selecciona el ndice jk que minimiza el

valor de AC k ek 2 .
Esta estrategia define el nuevo ndice seleccionado jk atendiendo solamente
al conjunto Lk , lo que nos lleva a un nuevo ptimo donde se actualizan todas las
entradas correspondientes a los ndices de Lk . Esto mejora el criterio de (247)
donde el nuevo ndice se selecciona manteniendo las entradas correspondientes
a los ndices de Lk . As C k se busca en el conjunto
Sk = {C k Rn | Cik = 0, i Lk {jk }} ,

pk
det Dkl
X

m
mk =
l
k
k
l=1 det Gl2 det Gl

(251)

donde C l es el vector con entradas no nulas ikh (1 h l) . Cada una de ellas

se obtiene evaluado el
correspondiente que resulta de remplazar
determinante

k
t
la ltima fila del det Gl por eh , con 1 l pk .

2
Evidentemente, los clculos de AC k ek 2 y de C k pueden actualizarse
aadiendo la contribucin de la ltima entrada j Jk a la suma previa de 1 a
pk 1. En la prctica, det Gkl se calcula usando la descomposicin de Cholesky

puesto que Gkl es una matriz simtrica y definida positiva. Esto slo involucra la
factorizacin de la ltimafila y columna
si aprovechamos la descomposicin de
Gkl1 . Por otra parte, det Dkl / det Gkl es el valor de la ltima incgnita del
T

necesitndose solamente una sustitucin

sistema Gkl dl = akik1 , akik2 , , ..., akikl
por descenso. Finalmente, para obtener C l debe resolverse el sistema Gkl v l = el ,
con C ik l = vhl , (1 h l) .
1

Ventaja: Puede mejorar el condicionamiento y la convergencia significativamente y es fcilmente paralelizable.

Desventaja: El proceso construccin es algo laborioso.

57

4.4.3.

Precondicionador a Priori

Los precondicionadores a priori son ms particulares y dependen para su

construccin del conocimiento del proceso de discretizacin de la ecuacin diferencial parcial, dicho de otro modo dependen ms del proceso de construccin
de la matriz A que de la estructura de la misma.
Estos precondicionadores usualmente requieren de ms trabajo que los del
tipo algebraico discutidos anteriormente, sin embargo permiten el desarrollo de
mtodos de solucin especializados ms rpidos que los primeros.
Veremos algunos de los mtodos ms usados relacionados con la solucin de
ecuaciones diferenciales parciales en general y luego nos concentraremos en el
caso de los mtodos relacionados directamente con descomposicin de dominio.
En estos casos el precondicionador C no necesariamente toma la forma simple
de una matriz, sino que debe ser visto como un operador en general. De aqu
que C podra representar al operador correspondiente a una versin simplificada
del problema con valores en la frontera que deseamos resolver.
Por ejemplo se podra emplear en calidad de precondicionador al operador
original del problema con coeficientes variables tomado con coeficientes constantes. En el caso del operador de Laplace se podra tomar como precondicionador a su discretizacin en diferencias finitas centrales.
Por lo general estos mtodos alcanzan una mayor eficiencia y una convergencia ptima, es decir, para ese problema en particular el precondicionador
encontrado ser el mejor precondicionador existente, llegando a disminuir el
nmero de iteraciones hasta en un orden de magnitud. Donde muchos de ellos
pueden ser paralelizados de forma efectiva.
El Uso de la Parte Simtrica como Precondicionador La aplicacin
del mtodo del Gradiente Conjugado en sistemas no auto-adjuntos requiere del
almacenamiento de los vectores previamente calculados. Si se usa como precondicionador la parte simtrica
(A + AT )/2

(252)

de la matriz de coeficientes A, entonces no se requiere de ste almacenamiento

extra en algunos casos, resolver el sistema de la parte simtrica de la matriz A
puede resultar ms complicado que resolver el sistema completo.
El Uso de Mtodos Directos Rpidos como Precondicionadores En
muchas aplicaciones la matriz de coeficientes A es simtrica y positivo definida,
debido a que proviene de un operador diferencial auto-adjunto y acotado. Esto
implica que se cumple la siguiente relacin para cualquier matriz B obtenida de
una ecuacin diferencial similar
c1

xT Ax
c2
xT Bx

58

(253)

donde c1 y c2 no dependen del tamao de la matriz. La importancia de esta propiedad es que del uso de B como precondicionador resulta un mtodo
iterativo cuyo nmero de iteraciones no depende del tamao de la matriz.
La eleccin ms comn para construir el precondicionador B es a partir de
la ecuacin diferencial parcial separable. El sistema resultante con la matriz B
puede ser resuelto usando uno de los mtodos directos de solucin rpida, como
pueden ser por ejemplo los basados en la transformada rpida de Fourier.
Como una ilustracin simple del presente caso obtenemos que cualquier operador elptico puede ser precondicionado con el operador de Poisson.
Construccin de Precondicionadores para Problemas Elpticos Empleando DDM Existen una amplia gama de este tipo de precondicionadores,
pero son especficos al mtodo de descomposicin de dominio usado, para el
mtodo de subestructuracin, los ms importantes se derivan de la matriz de
rigidez y por el mtodo de proyecciones, el primero se detalla en la seccin (??) y
el segundo, conjuntamente con otros precondicionadores pueden ser consultados
en [12], [5], [4] y [2].
Definicin 41 Un mtodo para la solucin del sistema lineal generado por
mtodos de descomposicin de dominio es llamado escalable, si la razn de convergencia no se deteriora cuando el nmero de subdominios crece.
La gran ventaja de este tipo de precondicionadores es que pueden ser ptimos
y escalables.

59

5.

Mtodos de Solucin Aproximada para EDP

En el presente captulo se prestar atencin a varios aspectos necesarios

para encontrar la solucin aproximada de problemas variacionales con valor
en la frontera (VBVP). Ya que en general encontrar la solucin a problemas
con geometra diversa es difcil y en algunos casos imposible usando mtodos
analticos.
En este captulo se considera el VBVP de la forma
Lu = f en
u = g en

(254)

Lu = a u + cu

(255)

donde
con a una matriz positiva definida, simtrica y c 0, como un caso particular
del operador elptico definido por la Ec. (91) de orden 2, con R2 un dominio
poligonal, es decir, es un conjunto abierto acotado y conexo tal que su frontera
es la unin de un nmero finito de polgonos.
La sencillez del operador L nos permite facilitar la comprensin de muchas
de las ideas bsicas que se expondrn a continuacin, pero tengamos en mente
que esta es una ecuacin que gobierna los modelos de muchos sistemas de la
ciencia y la ingeniera, por ello es muy importante su solucin.
Si multiplicamos a la ecuacin a u + cu = f por v V = H01 (),
obtenemos

v a u + cu = vf
(256)

aplicando el teorema de Green (83) obtenemos la Ec. (98), que podemos reescribir como
Z
Z

vf dx.
(257)
v a u + cuv dx =

Definiendo el operador bilineal

Z

a (u, v) =
v a u + cuv dx

(258)

y la funcional lineal

l(v) = hf, vi =

vf dx

(259)

podemos reescribir el problema dado por la Ec. (254) de orden 2 en forma

variacional, haciendo uso de la forma bilineal a (, ) y la funcional lineal l ().

5.1.

Mtodo Galerkin

La idea bsica detrs del mtodo Galerkin es, considerando el VBVP, encontrar u V = H01 () que satisfaga
a (u, v) = hf, vi
60

v V

(260)

donde V es un subespacio de un espacio de Hilbert H (por conveniencia nos

restringiremos a espacios definidos sobre los nmeros reales).
El problema al tratar de resolver la Ec. (260) est en el hecho de que el
espacio V es de dimensin infinita, por lo que resulta que en general no es posible
encontrar el conjunto solucin. En lugar de tener el problema en el espacio V,
se supone que se tienen funciones linealmente independientes 1 , 2 , ..., N en
V y definimos el espacio V h a partir del subespacio dimensionalmente finito de
V generado por las funciones i , es decir,
N

V h = Generado {i }i=1 ,

V h V.

(261)

El ndice h = 1/N es un parmetro que estar entre 0 y 1, cuya magnitud da

alguna indicacin de cuan cerca V h esta de V, h se relaciona con la dimensin
de V h . Y como el nmero N de las funciones base se escoge de manera que sea
grande y haga que h sea pequeo, en el lmite, cuando N , h 0.
Despus de definir el espacio V h , es posible trabajar con V h en lugar de V
y encontrar una funcin uh que satisfaga
a (uh , vh ) = hf, vh i

vh V h .

(262)

Esta es la esencia del mtodo Galerkin, notemos que uh y vh son slo combinaciones lineales de las funciones base de V h , tales que
uh =

N
X

ci i

y vh =

i=1

N
X

dj j

(263)

j=1

donde vh es arbitraria, como los coeficientes de dj y sin perdida de generalidad

podemos hacer vh = j . As, para encontrar la solucin uh sustituimos las Ecs.
(263) en la Ec. (262) y usando el hecho que a (, ) es una forma bilineal y l ()
es una funcional lineal se obtiene la ecuacin
N
X

a i , j ci = f, j

(264)

i=1

o ms concisamente, como
N
X
i=1

en la cual

Kij ci Fj = 0 j = 1, 2, ...N

Kij = a i , j

y Fj = f, j

(265)

(266)

notemos que tanto Kij y Fj pueden ser evaluados, ya que i , a (, ) y l () son

conocidas.
Entonces el problema se reduce a resolver el sistema de ecuaciones lineales
N
X
i=1

Kij ci Fj ,
61

j = 1, 2, ...N

(267)

o ms compactamente
Ku = F

(268)

en la cual K y F son la matriz y el vector cuyas entradas son Kij y Fj . Una vez
que el sistema es resuelto, la solucin aproximada uh es encontrada.
Notemos que la forma bilineal a (, ) define un producto interior sobre V ,
si a (, ) es simetrica y V elptica, entonces las propiedades de linealidad y
simetria son obvias, mientras que la propiedad de V elticidad de a (, ) es por
a(v, v) kvk2 > 0

v 6= 0,

(269)

adems, si a (, ) es continua, entonces la norma kvka a (v, v) generada por

este producto interior es equivalente a la norma estandar sobre V , tal que si V
es completa con respecto a la norma estandar, esta tambin es completa con
respecto a la norma kvka .
N
Por otro lado, si el conjunto de funciones base {i }i=1 se eligen de tal forma que sean sean ortogonales entre si, entonces el sistema (265) se simplifica
considerablemente, ya que

Kij = a i , j = 0
si i 6= j
(270)
y

Kii ci = Fi

ci = Fi /Kii .

(271)

As, el problema (254) definido en V h = H01 () reescrito como el problema

(260) genera una forma bilineal V h -elptica cuyo producto interior sobre V h es
simtrico y positivo definido ya que
2

a (vh , vh ) kvh kV h > 0,

vh V h , vh 6= 0

(272)

reescribindose el problema (262) como el problema aproximado en el cual debemos encontrar uh V h V tal que
a (uh , vh ) = hf, vh i a (u0 , vh )
donde u0 = g = 0 en , para toda vh V h , es decir
Z
Z

f vh dxdy
vh a uh + cuh vh dxdy =

(273)

(274)

para todo vh V h .
Entonces, el problema (254) al aplicarle el mtodo Galerkin obtenemos (257),
el cual podemos reescribirlo como (274). Aplicando el teorema de Lax-Milgram
(33) a este caso particular, tenemos que este tiene solucin nica y esta depende
continuamente de los datos.
Como un caso particular del teorema de Lax-Milgram (33) tenemoe el siguiente resultado
62

Teorema 42 Sea V h un subespacio de dimensin finita de un espacio de Hilbert

V , sea a (, ) : V h V h R una forma bilineal continua y V -elptica, y l () :
V h R una funcional lineal acotada. Entonces existe una nica funcion uh
V h tal que satisface
vh V h .

a (uh , vh ) = hl, vh i

(275)

Adems, si l () es de la forma
hl, vh i =
con f L2 () , entonces

f vh dx

(276)

1
kf kL2 ,

(277)

kuh kV

donde es la constante en (269).

El siguiente resultado nos da una condicin suficiente para que la aproximacin uh del mtodo Galerkin converja a la solucin u del problema dado por
la Ec. (260), para ms detalle vase [13] y [3].
Teorema 43 Sea V un subespacio cerrado de un espacio de Hilbert, y sea la
forma bilineal a (, ) : V h V h R continua V -elptica y sea l () una funcional
lineal acotada. Entonces existe una constante C, independiente de h, tal que
ku uh kV C inf ku vh kV
vh V h

(278)

donde u es solucin de (260) y uh es solucin de (273), consecuentemente, una

condicin suficiente para que la aproximacin uh del mtodo Galerkin converge
a
lah solucin u del problema dado por la Ec. (260) es que exista una familia
V
de subespacios con la propiedad de que
inf ku vh kV 0

vh V h

5.2.

cuando

h 0.

(279)

El Mtodo de Residuos Pesados

Este mtodo se basa en el mtodo Galerkin, y se escogen subespacios U h y

V de tal manera que la dimensin dim U h = dim V h = N, eligiendo las bases
como
N
h
{i }N
j j=1 para V h
(280)
i=1 para U y
h

entonces

uh =

N
X

ci i y vh =

i=1

N
X

bj j

j=1

donde los coeficientes bj son arbitrarios ya que vh es arbitraria.

63

(281)

Sustituyendo esta ltima expresin Ec. (281) en

(Luh f, vh ) = 0

(282)

se obtienen N ecuaciones simultaneas

N
X

Kij ci = Fj con j = 1, ..., N

i=1

en la cual en la cual K y F son la matriz y el vector cuyas entradas son

Kij = Li , j y Fj = f, j

donde (, ) representa el producto interior asociado a L2 . A la expresin

(uh ) Luh f

(283)

se le llama el residuo; si uh es la solucin exacta, entonces por supuesto el residuo

se nulifica.

5.3.

Mtodo de Elementos Finitos

El mtodo Finite Elements Method (FEM) provee una manera sistemtica

y simple de generar las funciones base en un dominio con geometra poligonal. Lo que hace al mtodo de elemento finito especialmente atractivo sobre
otros mtodos, es el hecho de que las funciones base son polinomios definidos
por pedazos (elementos i ) que son no cero slo en una pequea parte de ,
proporcionando a la vez una gran ventaja computacional al mtodo ya que las
matrices generadas resultan bandadas ahorrando memoria al implantarlas en
una computadora.
As, partiendo del problema aproximado (274), se elegir una familia de espacios V h (h (0, 1)) definido por el procedimiento de elementos finitos (descritos
en las subsecciones siguientes en el caso de interpoladores lineales, para otros
tipos de interpoladores, ver [16]), teniendo la propiedad de que V h se aproxima
a V cuando h se aproxima a cero en un sentido apropiado, esto es, por supuesto
una propiedad indispensable para la convergencia del mtodo Galerkin.
Mallado del dominio El Mallado o triangulacin Th del dominio es el
primer aspecto bsico, y ciertamente el ms caracterstico, el dominio R2
es subdividido en E subdominios o elementos e llamados elementos finitos, tal
que
E
[
=
e
e=1

donde:

64

 Cada e Th es un polgono (rectngulo o tringulo) con interior

no vaco (
e 6= ) y conexo.
Cada e Th tiene frontera e Lipschitz continua.
Para cada i , j Th distintos,
i
j = .

El dimetro hi = Diam(e ) de cada e satisface Diam(e ) h

para cada e = 1, 2, ..., E.

Cualquier cara de cualquier elemento i Th en la triangulacin

es tambin un subconjunto de la frontera del dominio o una
cara de cualquier otro elemento j Th de la triangulacin, en este
ltimo caso i y j son llamados adyacentes.
Los vrtices de cada e son llamados nodos, teniendo N de ellos
por cada elemento e .
Una vez que la triangulacin Th del dominio es establecida, se procede
a definir el espacio de elementos finitos Ph [k] a travs del proceso descrito a
continuacin.
Funciones Base A continuacin describiremos la manera de construir las
funciones base usada por el mtodo de elemento finito. En este procedimiento
debemos tener en cuenta que las funciones base estn definidas en un subespacio
de V = H 1 () para problemas de segundo orden que satisfacen las condiciones
de frontera.
Las funciones base debern satisfacer las siguientes propiedades:
Las funciones base i son acotadas y continuas, i.e i C (e ) .

Existen funciones base por cada nodo del polgono e , y cada

funcin i es no cero solo en los elementos contiguos conectados por
el nodo i.
i = 1 en cada i nodo del polgono e y cero en los otros nodos.

La restriccin i a e es un polinomio, i.e. i Pk [e ] para alguna

k 1 donde Pk [e ] es el espacio de polinomios de grado a lo ms k
sobre e .
Decimos que i Pk [e ] es una base de funciones y por su construccin
es evidente que estas pertenecen a H 1 () . Al conjunto formado por todas las
funciones base definidas para todo e de ser el espacio Ph [k] de funciones
base, i.e.
E
[
Ph [k] =
Pk [e ]
e=1

estas formarn las funciones base globales.

65

Solucin aproximada Para encontrar la solucin aproximada elegimos el

espacio Ph [k] de funciones base, como el espacio de funciones lineales i definidas
por pedazos de grado menor o igual a k (en nuestro caso k = 1), entonces el
espacio a trabajar es

V h = Generado i Ph [k] | i (x) = 0 en .

(284)
La solucin aproximada de la Ec. (274) al problema dado por la Ec. (254)
queda en trminos de
Z
Z

f j dxdy
(285)
i a j ci j dxdy =

si definimos el operador bilineal

Kij a i , j =

y la funcional lineal

i aij j ci j dxdy

Fj f, j =

f j dxdy

(286)

(287)

entonces la matriz K [Kij ], los vectores u (u1 , ..., uN ) y F (F1 , ..., FN )

definen el sistema lineal (que es positivo definido)
Ku = F

(288)

donde u ser el vector solucin a la Ec. (288) cuyos valores sern la solucin al
problema dado por la Ec. (274) que es la solucin aproximada a la Ec. (254) en
los nodos interiores de .
Un Caso ms General Sea el operador elptico (caso simtrico) en el dominio
, y el operador definido por
Lu
u
[u]
[an u]

=
=
=
=

f en \
g en
J0
J1

(289)

donde
Lu = a u + cu
(290)
Q
conjuntamente con una particin
= {1 , ..., E } de . Multiplicando por la
funcin w obtenemos
wLu = w a u + cwu = wf
entonces si w(x) es tal que [w] = 0 (es decir w es continua) y definimos

66

(291)

a (u, w) =

E Z
X

i=1

u a w + cwu dx

(292)

tal que a (u, w) define un producto interior sobre

H 1 () = H 1 (1 ) H 1 (2 ) .... H 1 (E ) .
Entonces, reescribimos la Ec. (291) como
a (u, w) =

wf dx +

E Z
X
i=1

wf dx +

wan uds

(293)
Z

wan uds

w [an u] ds.

Sea u0 (x) una funcin que satisface las condiciones de frontera y J0 una
funcin que satisface las condiciones de salto, tal que
i) u0 (x) = g(x) en
ii) [u0 (x)] = J0
y sea u(x) = u0 (x) + v(x). Entonces u(x) satisface la Ec. (292) si y slo si
v(x) satisface
Z
Z
a (u, w) =
wf dx hu0 , wi
J1 wds
(294)

para toda w tal que w(x) = 0 en . Sea {i } una base de un subespacio de

dimensin finita V h definido como

V h = i | i C 1 (i ) , i, i = 0 en y i C 0 () .
(295)

La solucin por elementos finitos de (294) se obtiene al resolver el sistema

lineal
Ku = F
(296)
donde
y
Fj =

Kij = a i , j

j f dx a u0 , j

(297)
Z

J1 j ds

(298)

esta solucin ser la solucin en los nodos interiores de .En el presente captulo se prestar atencin a varios aspectos necesarios para encontrar la solucin
aproximada de problemas variacionales con valor en la frontera (VBVP). Ya que
en general encontrar la solucin a problemas con geometra diversa es difcil y
en algunos casos imposible usando mtodos analticos.

67

6.

Mtodo de Elementos Finitos

En este captulo se considera el VBVP de la forma
Lu = f en
u = g en

(299)

Lu = a u + cu

(300)

donde
con a una matriz positiva definida, simtrica y c 0, como un caso particular
del operador elptico definido por la Ec. (91) de orden 2, con R2 un dominio
poligonal, es decir, es un conjunto abierto acotado y conexo tal que su frontera
es la unin de un nmero finito de polgonos.
La sencillez del operador L nos permite facilitar la comprensin de muchas
de las ideas bsicas que se expondrn a continuacin, pero tengamos en mente
que esta es una ecuacin que gobierna los modelos de muchos sistemas de la
ciencia y la ingeniera, por ello es muy importante su solucin.
Si multiplicamos a la ecuacin a u + cu = f por v V = H01 (),
obtenemos

v a u + cu = vf
(301)

aplicando el teorema de Green (83) obtenemos la Ec. (98), que podemos reescribir como
Z
Z

vf dx.
(302)
v a u + cuv dx =

Definiendo el operador bilineal

Z

a (u, v) =
v a u + cuv dx

(303)

y la funcional lineal

l(v) = hf, vi =

vf dx

(304)

podemos reescribir el problema dado por la Ec. (299) de orden 2 en forma

variacional, haciendo uso de la forma bilineal a (, ) y la funcional lineal l ().

6.1.

Triangulacin

El Mallado o triangulacin Th del dominio es el primer aspecto bsico,

y ciertamente el ms caracterstico, el dominio R2 es subdividido en E
subdominios o elementos e llamados elementos finitos, tal que
=

E
[

e=1

donde:
68

 Cada e Th es un polgono (rectngulo o tringulo) con interior

no vaco (
e 6= ) y conexo.
Cada e Th tiene frontera e Lipschitz continua.
Para cada i , j Th distintos,
i
j = .

El dimetro hi = Diam(e ) de cada e satisface Diam(e ) h

para cada e = 1, 2, ..., E.

Los vrtices de cada e son llamados nodos, teniendo N de ellos

por cada elemento e .
Definicin 44 Una familia de triangulaciones Th es llamada de forma-regular
si existe una constante independiente de h, tal que
hK CK , con K Th ,
donde K es el radio del circulo ms grande contenido en K. El radio hK /K
es llamado esl aspect ratio de K.
Definicin 45 Una familia de triangulaciones Th es llamada cuasi-uniforme si
esta es de forma-regular y si existe una constante independiente de h, tal que
hK Ch, con K Th .
Una vez que la triangulacin Th del dominio es establecida, se procede
a definir el espacio de elementos finitos Ph [k] a travs del proceso descrito a
continuacin.

6.2.

Interpolacin para el Mtodo de Elementos Finitos

Funciones Base A continuacin describiremos la manera de construir las

funciones base usada por el mtodo de elemento finito. En este procedimiento
debemos tener en cuenta que las funciones base estn definidas en un subespacio
de V = H 1 () para problemas de segundo orden que satisfacen las condiciones
de frontera.
Las funciones base debern satisfacer las siguientes propiedades:
i) Las funciones base i son acotadas y continuas, i.e i C (e ) .

ii) Existen funciones base por cada nodo del polgono e , y cada
funcin i es no cero solo en los elementos contiguos conectados por
el nodo i.
iii) i = 1 en cada i nodo del polgono e y cero en los otros nodos.

iv) La restriccin i a e es un polinomio, i.e. i Pk [e ] para

alguna k 1 donde Pk [e ] es el espacio de polinomios de grado a lo
ms k sobre e .

69

Decimos que i Pk [e ] es una base de funciones y por su construccin

es evidente que estas pertenecen a H 1 () . Al conjunto formado por todas las
funciones base definidas para todo e de ser el espacio Ph [k] de funciones
base, i.e.
E
[
Ph [k] =
Pk [e ]
e=1

estas formarn las funciones base globales.

6.3.

Mtodo de Elemento Finito Usando Discretizacin de

Rectngulos

Para resolver la Ec. (299), usando una discretizacin con rectngulos, primero
dividimos el dominio R2 en Nx nodos horizontales por Ny nodos verticales,
teniendo E = (Nx 1)(Ny 1) subdominios o elementos rectangulares e tales
que = E
e=1 e y i j 6= si son adyacentes, con un total de N = Nx Ny
nodos.
Donde las funciones lineales definidas por pedazos en e en nuestro caso
sern polinomios de orden uno en cada variable separadamente y cuya restriccin
(e)
de i a e es i . Para simplificar
los clculos en esta etapa, supondremos que

1 0
, entonces se tiene que la integral del lado izquierdo
la matriz a = a
0 1
de la Ec. (285) queda escrita como
Z
Z

f j dxdy
(305)
ai j + ci j dxdy =

donde

Kij

=
=

ai j + ci j dxdy

E Z
X
e=1

E Z
X
e=1

(306)

(e)
(e)
(e) (e)
ai j + ci j dxdy
"

(e)

(e)

(e)
(e)
i j
i j
a
+
x x
y y

(e) (e)
ci j

dxdy

y el lado derecho como

Fj

=
=

f j dxdy

E Z
X
(e)
f j dxdy.
e=1 e

70

(307)

Para cada e de , la submatriz de integrales (matriz de carga local)

!
#
Z " (e) (e)
(e)
(e)
i j
i j
(e) (e)
a
dxdy
(308)
Kij =
+
+ ci j
x x
y y
e
tiene la estructura

(e)
K1,1
K (e)
2,1
(e)
K3,1
(e)
K4,1

(e)

K1,2
(e)
K2,2
(e)
K3,2
(e)
K4,2

(e)

K1,3
(e)
K2,3
(e)
K3,3
(e)
K4,3

(e)
K1,4
(e)
K2,4

(e)
K3,4
(e)
K4,4

la cual deber ser ensamblada en la matriz de carga global que corresponda a

la numeracin de nodos locales del elemento e con respecto a la numeracin
global de los elementos en .
De manera parecida, para cada e de se genera el vector de integrales
(vector de carga local)
Z
(e)

Fj =

con la estructura

f j dxdy

(309)

(e)
F1
(e)
F2
(e)
F3
(e)
F4

el cual tambin deber ser ensamblado en el vector de carga global que corresponda a la numeracin de nodos locales al elemento e con respecto a la
numeracin global de los elementos de .
(e)
(e)
Montando los Kij en la matriz K y los Fj en el vector F segn la numeracin de nodos global, se genera el sistema Kuh =F donde uh ser el vector
cuyos valores sern la solucin aproximada a la Ec. (299) en los nodos interiores
de . La matriz K generada de esta forma, tiene una propiedad muy importante,
es bandada y el ancho de banda es de 9 elementos, esto es muy til al momento
de soportar la matriz en memoria.
Para implementar numricamente en cada e las integrales
!
#
Z " (e) (e)
(e)
(e)
i j
i j
(e) (e)
a
dxdy
+
+ ci j
x x
y y
e
y

(e)

f j dxdy,

(310)

(311)

teniendo en mente el simplificar los clculos computacionales, se considera un

en los ejes coordenados (, ) cuyos vrtices estn
elemento de referencia
el (1, 1), (1, 1), (1, 1) y (1, 1) respectivamente, en el cual mediante una
71

funcin afn ser proyectado cualquier elemento rectangular e cuyos vrtices

(e) (e)
(e) (e)
(e) (e)
(e) (e)
(x1 , y1 ), (x2 , y2 ), (x3 , y3 ) y (x4 , y4 ) estn tomados en sentido contrario al movimiento de las manecillas del reloj como se muetra en la figura

Figura 2:
mediante la transformacin f (x, y) = T (, )+b, quedando dicha transformacin como
(e)

(e)

(e)

(e)

x2 x1
y y1
+ 2

2
2
(e)
(e)
(e)
(e)
x4 x1
y y1
+ 4

2
2

x =
=

(312)

en la cual la matriz T est dada por

T =

(e)

(e)

x2 x1
2
(e)
(e)
x4 x1
2

(e)

(e)

y2 y1
2
(e)
(e)
y4 y1
2

(313)

y el vector b= (b1 , b2 ) es la posicin del vector centroide del rectngulo e ,

72

tambin se tiene que la transformacin inversa es

(e)

x b1

yb2

(e)
(e)
!
y2 y1
(e)
x(e)

xb1
2
4 x1

(e)

y2 y1
2

(e)

(e)

x2 x1
2

(e)

Entonces las i

(e)
(e)
x4 x1

y b2

(e)
(e)
y2 y1
2
(e)
(e)
x2 x1
2

xb1

(e)
(e)
x2 x1
2

(314)

.
(e)

(e)

y4 y1
2

como
quedan definidas en trminos de
i
(, ) =

1
(, ) =

2
(, ) =

3
(, ) =

1
(1 )(1 )
4
1
(1 + )(1 )
4
1
(1 + )(1 + )
4
1
(1 )(1 + )
4

(315)

(e)
(e)
(, ) con (x, y) y
y las funciones i son obtenidas por el conjunto i (x, y) =
i
(,) relacionadas por la Ec. (312), entonces se tendrian las siguientes integrales
!
#
Z " (e) (e)
(e)
(e)
i j
i j
(e)
(e) (e)
Kij
=
a
dxdy
(316)
+
+ ci j
x x
y y
e
!
!
Z "

j
j
i
=
a
+
+
+
x
x
x
x

!
!
!#

j
j
i
i

+
+
+ ci j |J| dd
y
y
y
y

donde el ndice i y j varia de 1 a 4. En est ltima usamos la regla de la cadena

y dxdy = |J| dd para el cambio de variable en las integrales, aqu |J| = det T,
R
(e)
donde T est dado como en la Ec. (313). Para resolver e f j dxdy en cada
e se genera las integrales
Z
(e)
(e)
Fj
=
f j dxdy
(317)
e
Z
|J| dd
f
=
j

donde el ndice i y j varia de 1 a 4.

73

Para realizar el clculo numrico de las integrales en el rectngulo de refe = [1, 1] [1, 1], debemos conocer i , i , , , y , entonces
rencia

x y x
y
realizando las operaciones necesarias a la Ec. (315) obtenemos
1

= 14 (1 )
= 14 (1 )
= 14 (1 + )
= 14 (1 + )

y tambin

(e)

(e)

y4 y1
2 det T
(e)

(e)

y2 y1
2 det T

= 14 (1 )
= 14 (1 + )
= 14 (1 + )
= 14 (1 )

(e)

(e)

(e)

(e)

x4 x1
2 det T

x2 x1
2 det T
(e)

las cuales debern de ser sustituidas en cada Kij

(318)

(319)

(e)

y Fj

para calcular las

integrales en el elemento e . Estas integrales se harn en el programa usando

cuadratura Gaussiana, permitiendo reducir el nmero de clculos al mnimo pero
manteniendo el balance entre precisin y nmero bajo de operaciones necesarias
para realizar las integraciones.
Suponiendo que fue dividido en E elementos, estos elementos generan
N nodos en total, de los cuales Nd son nodos desconocidos y Nc son nodos
conocidos con valor j , entonces el algoritmo de ensamble de la matriz K y el
vector F se puede esquematizar como:
Ki,j = (i , j ) i = 1, 2, ..., E, j = 1, 2, ..., E
Fj = (f , j ) j = 1, 2, ..., E
j = 1, 2, ..., Nd :
bj = bj i Ki,j

i = 1, 2, ..., E

As, se construye una matriz global en la cual estn representados los nodos
conocidos y los desconocidos, tomando slo los nodos desconocidos de la matriz
K formaremos una matriz A, haciendo lo mismo al vector F formamos el vector
b, entonces la solucin al problema ser la resolucin del sistema de ecuaciones
lineales Ax= b, este sistema puede resolverse usando por ejemplo el mtodo de
Gradiente Conjugado. El vector x contendr la solucin buscada en los nodos
desconocidos Nd .

6.4.

Mtodo de Elemento Finito Usando Discretizacin de

Tringulos

Para resolver la Ec. (254), usando una discretizacin con tringulos, primero
dividimos el dominio R2 en Nx nodos horizontales por Ny nodos verticales,
teniendo E = 2(Nx 1)(Ny 1) subdominios o elementos tringulares e tales
74

que = E
e=1 e y i j 6= si son adyacentes, con un total de N = Nx Ny
nodos.
Donde las funciones lineales definidas por pedazos en e en nustro caso sern
polinomios de orden uno en cada variable separadamente y cuya restriccin de
(e)
i a e es i . Para simplificar
los clculos en esta etapa, supondremos que la

1 0
, entonces se tiene que la integral del lado izquierdo de
matriz a = a
0 1
la Ec. (285) queda escrita como
Z
Z

f j dxdy
(320)
ai j + ci j dxdy =

donde

Kij

=
=

ai j + ci j dxdy

E Z
X
e=1

E Z
X
e=1

(321)

(e)
(e)
(e) (e)
ai j + ci j dxdy
"

(e)

(e)

(e)
(e)
i j
i j
a
+
x x
y y

(e) (e)
ci j

dxdy

y el lado derecho como

Fj

=
=

f j dxdy

E Z
X
(e)
f j dxdy.
e=1 e

(322)

Para cada e de la submatriz de integrales (matriz de carga local)

!
#
Z " (e) (e)
(e)
(e)
i j
i j
(e) (e)
Kij =
a
dxdy
(323)
+
+ ci j
x x
y y
e
tiene la estructura

(e)
k1,1
(e)
k2,1
(e)
k3,1

(e)

k1,2
(e)
k2,2
(e)
k3,2

(e)
k1,3
(e)
k2,3
(e)
k3,3

la cual deber ser ensamblada en la matriz de carga global que corresponda a

la numeracin de nodos locales del elemento e con respecto a la numeracin
global de los elementos en .
De manera parecida, para cada e de se genera el vector de integrales
(vector de carla gocal)
Z
(e)

Fj =

f j dxdy

75

(324)

con la estructura

(e)
F
1(e)
F2
(e)
F3

el cual tambin deber ser ensamblado en el vector de carga global que corresponda a la numeriacin de nodos locales al elemento e con respecto a la
numeracin global de los elementos de .
(e)
(e)
Montando los Kij en la matriz K y los Fj en el vector F segn la numeracin de nodos global, se genera el sistema Kuh =F donde uh ser el vector
cuyos valores sern la solucin aproximada a la Ec. (254) en los nodos interiores
de . La matriz K generada de esta forma, tiene una propiedad muy importante,
es bandada y el ancho de banda es de 7 elementos, esto es muy til al momento
de soportar la matriz en memoria.
Para implementar numricamente en cada e las integrales
!
#
Z " (e) (e)
(e)
(e)
i j
i j
(e) (e)
a
dxdy
+
+ ci j
x x
y y
e
y

(325)

(e)

f j dxdy

teniendo en mente el simplificar los clculos computacionales se considera a

en los ejes coordenados (, ) cuyos vertices esun elemento de referencia
tan en (0, 0), (1, 0) y (0, 1) y en el cual mediante un mapeo afn ser proyectado
(e) (e)
(e) (e)
(e) (e)
caulquier elemento triangular e cuyos vertices (x1 , y1 ), (x2 , y2 ), (x3 , y3 )
estn tomados en el sentido contrario al movimiento de las manecillas del reloj
como se muetra en la figura mediante la transformacin f (, ) = T (, )+b,
quedando dicha transformacin como
(e)

(e)

(e)

x = x1 (1 ) + x2 + x3
(e)
(e)
(e)
y = y1 (1 ) + y2 + y3

(326)

y en la cual la matriz T est dada por

T =

(e)

(e)

(e)

x2 x1
(e)
(e)
y2 y1

(e)

x3 x1
(e)
(e)
y3 y1

(327)

donde b es un vector constante

b=

(e)

x1
(e)
y1

76

(328)

Figura 3:
tambin se tiene que la transformacin inversa es

i
1 h (e)
(e)
(e)
(e)
(e)
(e)
y3 y1
x x1 x3 x1
y y1
(329)
=
2Ae

i
1 h (e)
(e)
(e)
(e)
(e)
(e)
=
y2 y1
x x1 x2 x1
y y1
2Ae
donde
Ae
(e)

Entoces las i

(e)

1 x1

= det 1 x(e)
2

(e)

1 x3

(e)

y1

(e)
y2 .

(e)

y3

(330)

como
quedan definidas en trminos de
i
(, ) = 1

1
(, ) =

2
(, ) =

(331)

(e)

(e)

(, ) con
entoces las funciones i son obtenidas por el conjunto i (x, y) =
i
(x, y) y (,) relacionadas por la Ec. (326), entonces se tendrian las siguientes

77

integrales
(e)
kij

!
#
(e)
(e)
(e)
(e)
i j
i j
(e) (e)
=
a
dxdy
(332)
+
+ ci j
x x
y y
e
!
!
Z "

j
j
i
=
a
+
+
+
x
x
x
x

!
!
!#

j
j
i
i

+
+
+ ci j |J| dd
y
y
y
y
Z

"

donde el ndice i y j varia de 1 a 3. En est ltima usamos la regla de la cadena

y dxdy = |J| dd para el cambio de variable en las integrales, aqu |J| = det T,
R
(e)
donde T est dado como en la Ec. (327). Para resolver e f j dxdy en cada
e se genera las integrales
Z
(e)
(e)
Fj
=
f j dxdy
(333)
Ze
|J| dd
f
=
j

donde el indice i y j varia 1 a 3.

Para realizar el clculo numrico de las integrales en el tringulo de ref debemos conocer i , i , , , y , entonces realizando las
erencia ,

x y x
y
operaciones necesarias a las Ec. (331) obtenemos
1

y tambin

(e)

= 1
=1
=0
(e)

y3 y1

2Ae

(e)
(e)
y2 y1
2Ae

(334)

= 1
=0
=1

(e)

(e)

x3 x1

2Ae
(e)
(e)
x2 x1

(335)

2Ae
(e)

las cuales debern de ser sustituidas en cada Kij

(e)

y Fj

para calcular las

integrales en el elemento e .
Suponiendo que fue dividido en E elementos, estos elementos generan
N nodos en total, de los cuales Nd son nodos desconocidos y Nc son nodos
conocidos con valor j , entonces el algoritmo de ensamble de la matriz K y el
vector F se puede esquematizar como:
Ki,j = (i , j ) i = 1, 2, ..., E, j = 1, 2, ..., E
Fj = (f , j ) j = 1, 2, ..., E
j = 1, 2, ..., Nd :
78

bj = bj i Ki,j

i = 1, 2, ..., E

As, se construye una matriz global en la cual estn representados los nodos
conocidos y los desconocidos, tomando slo los nodos desconocidos de la matriz
K formaremos una matriz A, haciendo lo mismo al vector F formamos el vector
b, entonces la solucin al problema ser la resolucin del sistema de ecuaciones
lineales Ax= b, este sistema puede resolverse usando por ejemplo el mtodo de
gradiente conjugado. El vector x contendr la solucin buscada en los nodos
desconocidos Nd .

6.5.

Implementacin Computacional

A partir de los modelos matemticos y los modelos numricos en esta seccin

se describe el modelo computacional contenido en un programa de cmputo
orientado a objetos en el lenguaje de programacin C++ en su forma secuencial
y en su forma paralela en C++ u-sando la interfaz de paso de mensajes (MPI)
bajo el esquema maestro-esclavo.
Esto no slo nos ayudar a demostrar que es factible la construccin del
propio modelo computacional a partir del modelo matemtico y numrico para
la solucin de problemas reales. Adems, se mostrar los alcances y limitaciones
en el consumo de los recursos computacionales, evaluando algunas de las variantes de los mtodos numricos con los que es posible implementar el modelo
computacional y haremos el anlisis de rendimiento sin llegar a ser exhaustivo
est.
Tambin exploraremos los alcances y limitaciones de cada uno de los mtodos
implementados (FEM, DDM secuencial y paralelo) y como es posible optimizar
los recursos computacionales con los que se cuente.
Primeramente hay que destacar que el paradigma de programacin orientada
a objetos es un mtodo de implementacin de programas, organizados como
colecciones cooperativas de objetos. Cada objeto representa una instancia de
alguna clase y cada clase es miembro de una jerarqua de clases unidas mediante
relaciones de herencia, contencin, agregacin o uso.
Esto nos permite dividir en niveles la semntica de los sistemas complejos
tratando as con las partes, que son ms manejables que el todo, permitiendo
su extensin y un mantenimiento ms sencillo. As, mediante la herencia, contencin, agregacin o us nos permite generar clases especializadas que manejan
eficientemente la complejidad del problema. La programacin orientada a objetos organiza un programa entorno a sus datos (atributos) y a un conjunto de
interfases bien definidas para manipular estos datos (mtodos dentro de clases
reusables) esto en oposicin a los dems paradigmas de programacin.
El paradigma de programacin orientada a objetos sin embargo sacrifica
algo de eficiencia computacional por requerir mayor manejo de recursos computacionales al momento de la ejecucin. Pero en contraste, permite mayor
flexibilidad al adaptar los cdigos a nuevas especificaciones. Adicionalmente,
disminuye notoriamente el tiempo invertido en el mantenimiento y bsqueda
de errores dentro del cdigo. Esto tiene especial inters cuando se piensa en la
79

cantidad de meses invertidos en la programacin comparado con los segundos

consumidos en la ejecucin del mismo.
Para empezar con la implementacin computacional, primeramente definiremos el problema a trabajar. Este, pese a su sencillez, no pierde generalidad
permitiendo que el modelo mostrado sea usado en muchos sistemas de la ingeniera y la ciencia.
El Operador de Laplace y la Ecuacin de Poisson Consideramos como
modelo matemtico el problema de valor en la frontera (BVP) asociado con
el operador de Laplace en dos dimensiones, el cual en general es usualmente
referido como la ecuacin de Poisson, con condiciones de frontera Dirichlet,
definido en como:
2 u = f en
u = g en .

(336)

Se toma est ecuacin para facilitar la comprensin de las ideas bsicas. Es

un ejemplo muy sencillo, pero gobierna los modelos de muchos sistemas de la
ingeniera y de la ciencia, entre ellos el flujo de agua subterrnea a travs de un
acufero isotrpico, homogneo bajo condiciones de equilibrio y es muy usada en
mltiples ramas de la fsica. Por ejemplo, gobierna la ecuacin de la conduccin
de calor en un slido bajo condiciones de equilibrio.
En particular consideramos el problema con definido en:
= [1, 1] [0, 1]

(337)

f = 2n2 2 sin(nx) sin(ny) y g = 0

(338)

u(x, y) = sin(nx) sin(ny).

(339)

donde
cuya solucin es
Para las pruebas de rendimiento en las cuales se evala el desempeo de los
programas realizados se usa n = 10, pero es posible hacerlo con n N grande.
Por ejemplo para n = 4, la solucin es u(x, y) = sin(4x)sin(4y), cuya grfica
se muestra a continuacin:
Hay que hacer notar que al implementar la solucin numrica por el mtodo
del elemento finito y el mtodo de subestructuracin secuencial en un procesador, un factor limitante para su operacin es la cantidad de memoria disponible
en la computadora, ya que el sistema algebraico de ecuaciones asociado a est
problema crece muy rpido (del orden de n2 ), donde n es el nmero de nodos
en la particin.
En todos los clculos de los mtodos numricos usados para resolver el sistema lineal algebraico asociado se us una tolerancia mnima de 11010 . Ahora,
veremos la implementacin del mtodo de elemento finito secuencial para despus continuar con el mtodo de descomposicin de dominio tanto secuencial
como paralelo y poder analizar en cada caso los requerimientos de cmputo,
necesarios para correr eficientemente un problema en particular.
80

Figura 4: Solucin a la ecuacin de Poisson para n=4.

Mtodo del Elemento Finito Secuencial A partir de la formulacin del
mtodo de elemento finito visto en la seccin (5.3), la implementacin computacional que se desarroll tiene la jerarqua de clases siguiente:
Donde las clases participantes en FEM2D Rectngulos son:
La clase Interpolador Lineal define los interpoladores lineales usados
por el mtodo de elemento finito.
La clase Problema define el problema a tratar, es decir, la ecuacin
diferencial parcial, valores de frontera y dominio.
La clase Base FEM ayuda a definir los nodos al usar la clase Geometra y mantiene las matrices generadas por el mtodo y a partir
de la clase Resuelve Ax=B se dispone de diversas formas de resolver
el sistema lineal asociado al mtodo.
La clase FEM2D controla lo necesario para poder hacer uso de la
geometra en 2D y conocer los nodos interiores y de frontera, con
ellos poder montar la matriz de rigidez y ensamblar la solucin.
La clase FEM2D Rectngulos permite calcular la matriz de rigidez
para generar el sistema algebraico de ecuaciones asociado al mtodo.
Notemos que esta misma jerarqua permite trabajar problemas en una y
dos dimensiones, en el caso de dos dimensiones podemos discretizar usando
rectngulos o tringulos, as como usar varias opciones para resolver el sistema
lineal algebraico asociado a la solucin de EDP.
Como ya se menciono, el mtodo de elemento finito es un algoritmo secuencial, por ello se implementa para que use un solo procesador y un factor limitante
para su operacin es la cantidad de memoria disponible en la computadora, por
ejemplo:
81

Figura 5: Jerarqua de clases para el mtodo de elemento finito

Resolver la Ec. (??) con una particin rectangular de 513513 nodos, genera
262144 elementos rectangulares con 263169 nodos en total, donde 261121 son
desconocidos; as el sistema algebraico de ecuaciones asociado a este problema
es de dimensin 261121 261121.
Usando el equipo secuencial, primeramente evaluaremos el desempeo del
mtodo de elemento finito con los distintos mtodos para resolver el sistema
algebraico de ecuaciones, encontrando los siguientes resultados:
Mtodo Iterativo
Jacobi
Gauss-Seidel
Gradiente Conjugado

Iteraciones
865037
446932
761

Tiempo Total
115897 seg.
63311 seg.
6388 seg.

Como se observa el uso del mtodo de Gradiente Conjugado es por mucho

la mejor eleccin. En principio, podramos quedarnos solamente con el mtodo
de Gradiente Conjugado sin hacer uso de precondicionadores por los buenos
rendimientos encontrados hasta aqu, pero si se desea resolver un problema con
un gran nmero de nodos, es conocido el aumento de eficiencia al hacer uso de
precondicionadores.
Ahora, si tomamos ingenuamente el mtodo de elemento finito conjuntamente con el mtodo de Gradiente Conjugado con precondicionadores a posteriori (los ms sencillos de construir) para resolver el sistema algebraico de
ecuaciones, encontraremos los siguientes resultados:

82

Precondicionador
Jacobi
SSOR
Factorizacin Incompleta

Iteraciones
760
758
745

Tiempo Total
6388 seg.
6375 seg.
6373 seg.

Como es notorio el uso del mtodo de Gradiente Conjugado precondicionado

con precondicionadores a posteriori no ofrece una ventaja significativa que compense el esfuerzo computacional invertido al crear y usar un precondicionador
en los clculos por el mal condicionamiento del sistema algebraico. Existen tambin precondicionadores a priori para el mtodo de elemento finito, pero no es
costeable en rendimiento su implementacin.

83

7.

Apndice A

En este apndice se darn algunas definiciones que se usan a lo largo del

presente trabajo, as como se detallan algunos resultados generales de algebra
lineal y anlisis funcional (en espacios reales) que se anuncian sin demostracin
pero se indica en cada caso la bibliografa correspondiente donde se encuentran
estas y el desarrollo en detalle de cada resultado.

7.1.

Nociones de Algebra Lineal

A continuacin detallaremos algunos resultados de lgebra lineal, las demostraciones de los siguientes resultados puede ser consultada en [21].
Definicin 46 Sea V un espacio vectorial y sea f () : V R, f es llamada
funcional lineal si satisface la condicin
f (v + w) = f (v) + f (w)

v, w V

, R.

(340)

Definicin 47 Si V es un espacio vectorial, entonces el conjunto V de todas

las funcionales lineales definidas sobre V es un espacio vectorial llamado espacio
dual de V.
Teorema 48 Si {v1 , ..., vn } es una base para el espacio vectorial V , entonces
existe una nica base {v1 , ..., vn } del espacio vectorial dual V llamado la base
dual de {v1 , ..., vn } con la propiedad de que Vi = ij . Por lo tanto V es isomorfo
a V .
Definicin 49 Sea D V un subconjunto del espacio vectorial V. El nulo de
D es el conjunto N (D) de todas las funcionales en V tal que se nulifican en
todo el subconjunto D, es decir
N (D) = {f V | f (v) = 0

v D} .

(341)

Teorema 50 Sea V un espacio vectorial y V el espacio dual de V, entonces

a) N (D) es un subespacio de V
b) Si M V es un subespacio de dimensin m, V tiene dimensin n, entonces N (M ) tiene dimensin n m en V .
Corolario 51 Si V = L M (suma directa) entonces V = N (L) N (M ) .
Teorema 52 Sean V y W espacios lineales, si T () : V W es lineal, entonces
el adjunto T de T es un operador lineal T : W V definido por
T (w )(u) = w (T u).

(342)

Teorema 53 Si H es un espacio completo con producto interior, entonces H =

H.

84

Definicin 54 Si V es un espacio vectorial con producto interior y T () : V

V es una transformacin lineal, entonces existe una transformacin asociada a
T llamada la transformacin auto-adjunta T definida como
hT u, vi = hu, T vi .

(343)

Definicin 55 Sea V un espacio vectorial sobre los reales. Se dice que una
funcin (, ) : V V R es una forma bilineal sobre V, si para toda x, y, z V
y , R se tiene
(x + y, z) = (x, z) + (y, z)
(x, y + z) = (x, y) + (x, z) .

(344)

Definicin 56 Si (, ) es una forma bilineal sobre V, entonces la funcin

q () : V R definida por
q (x) = (x, x)

x V

(345)

se le llama la forma cuadrtica asociada a .

Notemos que para una forma cuadrtica q () se tiene que q (x) = ||2 q (x)
x V y R.
Definicin 57 Sea V Rn un subespacio, P Rn Rn

7.2.

-Algebra y Espacios Medibles

A continuacin detallaremos algunos resultados conjuntos de espacios algebra, conjuntos de medida cero y funciones medibles, las demostraciones de
los siguientes resultados puede ser consultada en [23] y [3].
Definicin 58 Una -algebra sobre un conjunto es una familia de subconjuntos de que satisface

Si n entonces

n=1

Si entonces c .
Definicin 59 Si es un espacio topolgico, la familia de Borel es el conjunto
-algebra ms pequeo que contiene a los abiertos del conjunto .
Definicin 60 Una medida sobre es una funcin no negativa real valuada
cuyo dominio es una -algebra sobre que satisface
() = 0 y

85

Si { n } es una sucesin de conjuntos ajenos de entonces

[
X

n =
( n ) .
n=1

(346)

n=1

Teorema 61 Existe una funcin de medida sobre el conjunto de Borel de R

llamada la medida de Lebesgue que satisface ([a, b]) = b a.
Definicin 62 Una funcin f : R es llamada medible si f 1 (U ) es un
conjunto medible para todo abierto U de .
Definicin 63 Sea E un conjunto, se dice que el conjunto E tiene medida
cero si (E) = 0.
Teorema 64 Si es una medida sobre el espacio X y es una medida sobre
el espacio Y, podemos definir una medida sobre X Y con la propiedad de
que (A B) = (A) (B) para todo conjunto medible A X y B Y.
Teorema 65 (Fubini)
Si f (x, y) es medible en X Y entonces
Z
Z Z
Z Z
f (x, y) d =
f (x, y) dd =
f (x, y) dd
XY

X Y

(347)

Y X

en el sentido de que cualquiera de las integrales existe y son iguales.

Teorema 66 Una funcin f es integrable en el sentido de Riemann en si y
slo si el conjunto de puntos donde f (x) es no continua tiene medida cero.
Observacin 67 Sean f y g dos funciones definidas en , decimos que f y
g son iguales salvo en un conjunto de medida cero si f (x) 6= g(x) slo en un
conjunto de medida cero.
Definicin 68 Una propiedad P se dice que se satisface en casi todos lados,
si existe un conjunto E con (E) = 0 tal que la propiedad se satisface en todo
punto de E c .

7.3.

Espacios Lp

Las definiciones y material adicional puede ser consultada en [13], [19] y [3].
Definicin 69 Una funcin medible f () (en el sentido de Lebesgue) es llamada
integrable sobre un conjunto medible Rn si
Z
|f | dx < .
(348)

86

Definicin 70 Sea p un nmero real con p 1. Una funcin u () definida

sobre Rn se dice que pertenece al espacio Lp () si
Z
|u(x)|p dx
(349)

es integrable.
Al espacio L2 () se le llama cuadrado integrable.
Definicin 71 La norma L2 () se define como
12
Z
2
kukL2 () =
|u(x)| dx
<

(350)

y el producto interior en la norma L2 () como

Z
u(x)v(x)dx.
hu, vi 2 =
L ()

(351)

Definicin 72 Si p , entonces definimos al espacio L () como el espacio

de todas las funciones medibles sobre Rn que sean acotadas en casi todo
(excepto posiblemente sobre un conjunto de medida cero), es decir,
L () = {u | |u(x)| k}

(352)

definida en casi todo , para algn k R.

7.4.

Distribuciones

La teora de distribuciones es la base para definir a los espacios de Sobolev, ya

que permiten definir las derivadas parciales de funciones no continuas, pero esta
es coincidente con las derivadas parciales clsica si las funciones son continuas,
para mayor referencia de estos resultados ver [13], [19] y [3]
Definicin 73 Sea Rn un dominio, al conjunto de todas las funciones
continuas definidas en se denotarn por C 0 (), o simplemente C().
Definicin 74 Sea u una funcin definida sobre un dominio la cual es no
cero slo en los puntos pertenecientes a un subconjunto propio K . Sea K
la clausura de K. Entonces K es llamado el soporte de u. Decimos que u tiene
soporte compacto sobre si su soporte K es compacto. Al conjunto de funciones
continuas con soporte compacto se denota por C0 ().
Definicin 75 Sea Zn+ el conjunto de todas las n-duplas de enteros no negativos, un miembro de Zn+ se denota usualmente por (por ejemplo =
(1 , 2 , ..., n ). Denotaremos por || la suma || = 1 + 2 + ... + n y por D u
la derivada parcial
|| u
D u =
(353)
1
n
2
x1 x
2 ...xn
as, si || = m, entonces D u denota la m-sima derivada parcial de u.
87

Definicin 76 Sea C m () el conjunto de todas las funciones D u tales que

sean funciones continuas con || = m. Y C () como el espacio de funciones
en el cual todas las derivadas existen y sean continuas en .
Definicin 77 El espacio D() ser el subconjunto de funciones infinitamente
diferenciales con soporte compacto, algunas veces se denota tambin como C0 ().
Definicin 78 Una distribucin sobre un dominio Rn es toda funcional
lineal continua sobre D().
Definicin 79 El espacio de distribuciones es el espacio de todas las funcionales
lineales continuas definidas en D(), denotado como D (), es decir el espacio
dual de D().
Definicin 80 Un funcin f () es llamada localmente integrable, si para todo
subconjunto compacto K se tiene
Z
|f (x)| dx < .
(354)
K

Ejemplo de una distribucin es cualquier funcin f () localmente integrable

en . La distribucin F asociada a f se puede definir de manera natural como
F : D() R como
Z
hF, i =

f dx

(355)

con D().
Si el soporte de es K , entonces
Z
Z

|hF, i| = f dx = f dx sup ||
|f (x)| dx

xK

(356)

la integral es finita y hF, i tiene sentido. Bajo estas circunstancias F es llamada

una distribucin generada por f.
Otro ejemplo de distribuciones es el generado por todas las funciones continuas acotadas, ya que estas son localmente integrables y por lo tanto generan
una distribucin.
Definicin 81 Si una distribucin es generada por funciones localmente integrables es llamada una distribucin regular. Si una distribucin no es generada
por una funcin localmente integrable, es llamada distribucin singular (ejemplo
de esta es la delta de Dirac).
Es posible definir de manera natural en producto de una funcin y una
distribucin. Especficamente, si Rn , u pertenece a C (), y si f () es una
distribucin sobre , entonces entenderemos uf por la distribucin que satisface
h(uf ) , i = hf, ui
88

(357)

para toda D(). Notemos que la anterior ecuacin es una generalizacin de

la identidad
Z
Z
[u (x) f (x)] (x) dx =
f (x) [u (x) (x)] dx
(358)

la cual se satisface si f es localmente integrable.

Derivadas de Distribuciones Funciones como la delta de Dirac y la Heaviside no tienen derivada en el sentido ordinario, sin embargo, si estas funciones
son tratadas como distribuciones es posible extender el concepto de derivada de
tal forma que abarque a dichas funciones, para ello recordemos que:
Teorema 82 La versin clsica del teorema de Green es dada por la identidad
Z
Z
Z
v
u
u
dx =
uvni ds
v
dx
(359)
xi

xi
que se satisface para todas las funciones u, v en C 1 (), donde ni es la i-sima
componente de la derivada normal del vector n en la frontera de un dominio
.
Una versin de la Ec. (359) en una dimensin se obtiene usando la formula
de integracin por partes, quedando como
Z b
Z b
0
b
uv dx = [uv] |a
vu0 dx, u, v C 1 [a, b]
(360)
a

como un caso particular de la Ec. (359).

Este resultado es fcilmente generalizable a un resultado usando derivadas
parciales de orden m de funciones u, v C m () pero remplazamos u por D u
en la Ec. (359) y con || = m, entonces se puede mostrar que:
Teorema 83 Otra versin del teorema de Green es dado por
Z
Z
Z
||
(D u) vdx = (1)
uD vdx +
h(u, v)ds

(361)

donde h(u, v) es una expresin que contiene la suma de productos de derivadas

de u y v de orden menor que m.
Ahora remplazando v en la Ec. (361) por perteneciente a D() y como
= 0 en la frontera tenemos
Z
Z
||
(D u) dx = (1)
uD dx
(362)

ya que u es m-veces continuamente diferenciable, esta genera una distribucin

denotada por u, tal que
Z
hu, i =
udx
(363)

89

o, como D tambin pertenece a D(), entonces

Z
uD dx
hu, D i =

(364)

adems, D u es continua, as que es posible generar una distribucin regular

denotada por D u satisfaciendo
Z
(D u) dx
(365)
hD u, i =

entonces la Ec. (362) puede reescribirse como

hD u, i = (1)

||

hu, D i ,

D().

(366)

Definicin 84 La derivada de cualquier distribucin f () se define como: La

sima derivada parcial distribucional o derivada generalizada de una distribucin f es definida por una distribucin denotada por D f, que satisface
hD f, i = (1)|| hf, D i , D().

, entonces la derivada parcial distribuNtese que si f pertenece a C m
cional coincide con la derivada parcial sima para || m.
Derivadas Dbiles Supngase que una funcin u () es localmente integrable
que genere una distribucin, tambin denotada por u, que satisface
Z
udx
(367)
hu, i =

para toda D().

Adems la distribucin u posee derivada distribucional de todos los ordenes,
en particular la derivada D u es definida por

hD u, i = (1)

||

hu, D i ,

D().

(368)

por supuesto D u puede o no ser una distribucin regular. Si es una distribucin

regular, entonces es generada por una funcin localmente integrable tal que
Z

hD u, i =
D u (x) (x) dx
(369)

y se sigue que la funcin u y D u estn relacionadas por

Z
Z
|m|
D u (x) (x) dx = (1)
u (x) D (x) dx

(370)

para || m.
Definicin 85 Llamamos a la funcin (o ms precisamente, a la equivalencia
de clases de funciones) D u obtenida en la Ec. (370), la sima derivada
dbil de la funcin u.

, entonces la derivada D u coincide
Notemos que si u pertenece a C m
con la derivada clsica para || m.
90

8.

Bibliografa

Referencias
[1] A. Quarteroni, A. Valli; Domain Decomposition Methods for Partial Differential Equations. Clarendon Press Oxford 1999.
[2] A. Toselli, O. Widlund; Domain Decomposition Methods - Algorithms and
Theory. Springer, 2005.
[3] B. D. Reddy; Introductory Functional Analysis - With Applications to
Boundary Value Problems and Finite Elements. Springer 1991.
[4] B. F. Smith, P. E. Bjrstad, W. D. Gropp; Domain Decomposition, Parallel
Multilevel Methods for Elliptic Partial Dierential Equations. Cambridge
University Press, 1996.
[5] B. I. Wohlmuth; Discretization Methods and Iterative Solvers Based on
Domain Decomposition. Springer, 2003.
[6] I. Foster; Designing and Building Parallel Programs. Addison-Wesley Inc.,
Argonne National Laboratory, and the NSF, 2004.
[7] G. Herrera; Anlisis de Alternativas al Mtodo de Gradiente Conjugado
para Matrices no Simtricas. Tesis de Licenciatura, Facultad de Ciencias,
UNAM, 1989.
[8] I. Herrera, M. Daz; Modelacin Matemtica de Sistemas Terrestres (Notas
de Curso en Preparacin). Instituto de Geofsica, (UNAM).
[9] I. Herrera;Un Anlisis del Mtodo de Gradiente Conjugado. Comunicaciones Tcnicas del Instituto de Geofsica, UNAM; Serie Investigacin, No.
7, 1988.
[10] I. Herrera; Mtodo de Subestructuracin (Notas de Curso en Preparacin).
Instituto de Geofsica, (UNAM).
[11] I. Herrera y R. Yates; UnifieD Multipliers-Free Theory of Dual-Primal Domain Decomposition Methods, ....
[12] J. II. Bramble, J. E. Pasciak and A. II Schatz. The Construction of Preconditioners for Elliptic Problems by Substructuring. I. Math. Comput., 47,
103-134,1986.
[13] J. L. Lions & E. Magenes; Non-Homogeneous Bonduary Value Problems
and Applications Vol. I, Springer-Verlag Berlin Heidelber New York 1972.
[14] K. Hutter & K. Jhnk; Continuum Methods of Physical Modeling. SpringerVerlag Berlin Heidelber New York 2004.

91

[15] L. F. Pavarino, A. Toselli; Recent Developments in Domain Decomposition

Methods. Springer, 2003.
[16] M.B. Allen III, I. Herrera & G. F. Pinder; Numerical Modeling in Science
And Engineering. John Wiley & Sons, Inc . 1988.
[17] M. Diaz; Desarrollo del Mtodo de Colocacin Tretz-Herrera Aplicacin
a Problemas de Transporte en las Geociencias. Tesis Doctoral, Instituto de
Geofsica, UNAM, 2001.
[18] M. Diaz, I. Herrera; Desarrollo de Precondicionadores para los Procedimientos de Descomposicin de Dominio. Unidad Terica C, Posgrado de Ciencias de la Tierra, 22 pags, 1997.
[19] P.G. Ciarlet, J. L. Lions; Handbook of Numerical Analysis, Vol. II. NorthHolland, 1991.
[20] R. L. Burden y J. D. Faires; Anlisis Numrico. Math Learning, 7 ed. 2004.
[21] S. Friedberg, A. Insel, and L. Spence; Linear Algebra, 4th Edition, Prentice
Hall, Inc. 2003.
[22] W. Gropp, E. Lusk, A. Skjellem, Using MPI, Portable Parallel Programming Whit the Message Passing Interface. Scientific and Engineering Computation Series, 2ed, 1999.
[23] W. Rudin; Principles of Mathematical Analysis. McGraw-Hill International
Editions, 1976.
[24] X. O. Olivella, C. A. de Sacribar; Mecnica de Medios Continuos para
Ingenieros. Ediciones UPC, 2000.
[25] Y. Saad; Iterative Methods for Sparse Linear Systems. SIAM, 2 ed. 2000.
[26] Y. Skiba; Mtodos y Esquemas Numricos, un Anlisis Computacional.
UNAM, 2005.

92