Documentos de Académico
Documentos de Profesional
Documentos de Cultura
donde el nmero del cero eigenvaores es igual al nmero de modos de cuerpo rgido en el
sistema.
La solucin del problema eigenvalue en (10.1) es, por ejemplo, busca la
evaluacin de una matriz de rigidez de un elemento o en el clculo del nmero de
condicines de una matriz de rigidez de una estructura. Hablamos en el Artculo 4.3.2 que
la representacin de la matriz de rigidez de elemento en su forma cannica (es decir, i.e en
la base del eigenvector) es usada para evalar la eficacia del elemento. En este caso todos
los eigenvalores y los vectores de K deben ser calculados. Por otra parte , para evaluar el
nmero de condicin de una matriz de rigidez , slo los eigenvalores ms pequeos y ms
grandes se requieren (ver el Artculo 8.2.6).
Antes de seguir generalizado los eigenproblemas , deberamos mencionar que otro
estndar eigenproblemas tambin tendra que ser solucionado. Por ejemplo, podemos requerir
los eigenvalores de la matriz M de masas, en cuyo caso M sustituye K (10.1). Del mismo
modo, podemos usarlo para los eigenvalores de conductividad o una matriz de capacidad de
calor en el flujo de calor.
En el anlisis (ver el Artculo 7.2).
Es muy muy frecuente considerar Eigenproblemas para ser solucionado en el modo de
vibracin en el anlisis de superposicin (ver el Artculo 9.3). En este caso consideramos
generalizado el eigen problema,
K = M
(10.4)
Segundo. 10.2
V5
);
{di, V2) = (6,
V5
(a)
2
V5
y dos eigenpairs del problema K <j) = de la maana <|) son
1
V5
(gi, Wi) =
j);
igz, W2) =
(b)
Verifique que en efecto tenemos en (a) y (b) el eigensolutions de los problemas K <j> = <un |> y
K <(> = de la maana <|), respectivamente.
Considere primero el problema K <(> = un <f). Los valores dados en (a) en efecto son el
einsolution
si ellos satisfacen la relacin en (10.8) con el M = yo y, para fijar las longitudes de los vectores, el
relaciones de orthonormality en (10.10) con M = yo. La substitucin en (10.3), que expresa el
o
V5
2
V5
6
V5
2
V5
6
V5
Evaluando (10.10), obtenemos
vfvi =
vjvi =
V5
V5 V5
"2 6
"2 6
2 24
2 24
_5 5 _
_5 5 _
"1"
"0"
"0"
<|) yo =
0
; <|> 2 1
0
0_
0
1
Segundo. 10.2
2
843
V2V2
LVs Contra.
V5
1
=1
V5
V [V2
0
Por lo tanto, las relaciones en (10.3) y (10.10) estn satisfechas, y tenemos Ai = di, A2 = <2,
<|> yo = Vi, y <|> 2 = V2.
Para comprobar si tenemos en (b) el eigensolution a K <() = de la maana <|>, seguimos en un
camino anlogo. Substituyendo en (10.5), tenemos
5
-2
20
0 12
wflVIwi wfMw, =
[f
-2] [5 ][!]
=0
W2MW2
=
[yo-]l0
1
wfMw2 = W2MW1 = 0
De ah, las relaciones en (10.5) y (10.10) estn satisfechas y tenemos
Ai = gi;
A2 = gi',
<|> yo Wi ~"' <1*2 ~ W2
EJEMPLO 10.2:
K<= <un |>
Considere el eigenproblem
con K
(a)
donde <|) 3 es nico. Estos valores podran ser comprobados como en el Ejemplo 10.1. Sin
embargo, cualquiera lineal
las combinaciones de 1 y <|) 2 dado en (a) que satisfacen las condiciones orthonormality en
(10.10) con
"
2
-1
0"
-1
2
0
0"
K =
-1
4
-1
;M=
0
1
0
0
-1
2_
_0
0
5_
"
1
1
1
1
\/2
; V2 V2
_ 0.
0,
2
-1
0
-1
4
-1
0
-1
2
844
Prolegmenos a la Solucin de Captulo Eigenproblenns. 10
[
(4 - V2) 0
0 (4 + V2),
(a)
V2
0
0
Segundo. 10.2
845
1
V2
1
V2
"
1
1
V2
0
1
1
V2
0
"1 0
01
De ah, las relaciones orthogonality estn satisfechas. Mostrar que Vi y \2 no es eigenvectors,
nosotros
emplee (10,8). Por ejemplo,
2
1
\/2
" "
1
2
Kv, =
-1 +
1
4
V2
Mv,
1
V2
\/2
. 0.
Sin embargo, el vector Kvi no puede ser igual al vector aMvi, donde ser un escalar; es
decir, Kvi no es
iguale a Mvi, y por lo tanto Vi no es un eigenvector. Del mismo modo, V2 no es un
eigenvector y el
los valores (4 - V2) y (4 + V2) calculado en (a) no son eigenvalues. Eigenvalues actual y
dan eigenvectors correspondiente en el Ejemplo 10.4.
En la presentacin precedente consideramos las propiedades del eigenvectors del
problema K <(> = de la maana <j>, y deberamos comentar brevemente ahora sobre las
propiedades del eigen
los vectores contaron en la solucin de los otros problemas eigenvalue del inters. El
comentario
es simple: las relaciones orthogonality habladas aqu sostienen igualmente para el
eigenvectors del
problemas encontrados en anlisis de transferencia de calor y anlisis que se tuerce . Es decir
tambin tenemos
en anlisis que se tuerce, usando la nota en (10.6),
= J.
<|> r'K <|>; = A, 5,]
<pr 'K <I> = Un J
(10.14)
y en el anlisis de transferencia de calor , usando la nota e n (10.7), tenemos
= Sij; -
A, 6, j |
= YO; = UN J
(10.15)
En cuanto al eigenproblem K <|> = la prueba de las relaciones en (10.14) y
(10.15) depende del hecho que eigenproblems generalizado puede ser transformado a a
forma estndar. Hablamos de este asunto adelante en el Artculo 10.2.5.
10.2.2 Los Polinomios Caractersticos
del Eigenproblem K ()> = AMcf)
y de Sus problemas de Coaccin Asociados
Una propiedad importante del eigenvalues del problema K <t> = de la maana <|> consiste en
filas de ing y columnas correspondientes, es decir, usando un pedido diferente para los grados
de sistema
de la libertad (ver el Artculo 8.2.5). La condicin 5 = 0 es ahora d = 0, y cuando A, tiene
multiplicidad m, el ltimo m de elementos en D es el cero.
En el Artculo 8.2.5 hablamos de la propiedad de secuencia de Sturm de la caracterstica
los polinomios de los problemas de coaccin se asociaron con el problema K <|> = <un |>. El
mismo
las propiedades que observamos en aquella discusin tambin son aplicables a la caracterstica
los polinomios de los problemas de coaccin se asociaron con el problema K <J> = de la
maana <)>. El
la prueba sigue del hecho que eigenproblem generalizado K <t> = de la maana <t> puede ser
la transaccin
formado a un estndar eigenproblem para cual la propiedad de secuencia de Sturm del carcter
los polinomios de istic sostienen. Mandando la prueba al Artculo 10.2.5, Ejemplo 10.11, nos
deja
resuma el resultado importante.
El eigenproblem del rth asoci el problema de coaccin correspondiente a
K <t> = de la maana <|> es dado por
K '-"* <!> <' ' =
(10.20)
1
2_
Segundo. 10.2
847
K =
<|> 1 = 0
(b)
0
1
0
1
-1
0
-1
A2M, obtenemos
-1
0
<|) 2 0
0
-1
En este caso no podemos descomponer en factores la matriz de coeficiente que conserva
synunetry; es decir, necesitamos a
slo intercambie las primeras y segundas filas (y no las columnas correspondientes). Esta fila
848
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
intercambie resultados en la relacin
-1 0 - 1
0-1
<|> 2 = 0
0-1
0
La factorizacin de la matriz de coeficiente en una unidad baja la matriz triangular L y un
triangular superior
matriz S, obtenemos
1
0
1
0
1
-1 0-r
-1 0
0
YO
<|> 2 = 0
y de ah, saa = 0. Para solucionar para <|> 2, usamos
-1
0
-r
-1
0
0
= 1. As, obtenemos
y
<j> 2 - 0
=
1]
-1
0
-1
-1
La matriz de coeficiente puede ser fectorized en LDL sin intercambios; es decir, tenemos
1
-1
1 1 0"
1
11
<J> 3 = 0
0
0
1
<J> 3 - 0
i =
fJ ___ J_1
VZ V2 vzJ
Los eigenvalues del primer problema de coaccin asociado son obtenidos de la solucin de
r
2
-r
1-1 4
<|> < = UN <'>
yo 0
01
(1)
De ah, + 7
A*/ = 4 - V2;
A' = 4 + V2
Tambin Af = 4, y de ah la propiedad de separacin eigenvalue dada en (10.22) est en este
caso:
y
Segundo. 10.2
849
polinomios de istic unimos por lneas recta s todo eigenvalues r = 0, 1..., con
Af = Ai, y llamada la curva que resulta Ci. Del mismo modo, establecemos curvas Cz,
C3... , como
indicado en Fig. 10.1. Considere ahora que A, </a <A, +i y dibujan una lnea vertical corre
sponding a/A en la cifra de los polinomios caractersticos ; es decir, esta lnea establece
donde
/A est con relacin al eigenvalues de los problemas de coaccin asociados . Notamos que el
la lnea correspondiente a jx debe cruzar las curvas Ci... , C, y debido al eigenvalue
JL
t
p '2 U' 2l
p {X
X2
A3
, C. Sin embargo,
1=1
y ya que cada cruce de/x uith un sobre Ck equivale a un elemento negativo
0"
K
-1
4
-1
M =
1
0
"YO
2
Tres eigenvalues del problema han sido calculados ya en el Ejemplo 10.4. Nosotros
ahora siga en los pasos sistemticos siguientes.
1. Djenos asumir/a = 1 y evaluar LDL de K - / son,
K - / son =
-3
2
-1
0
0"
-1
De ah,
LDL =
1 - YO
0
1
14
-I
Ya que todos los elementos en D son ms grandes que el cero, tenemos Ai> 1.
Ahora intentamos -8, donde
K -/iM =
-2 - 1
-1 - 4
0 -1
0"
-1
-2
'
1
-2
1
y
LDL
1
1
Ya que tres elementos diagonales son ms pequeos que el cero, resulta que A3 <8.
= 5, para cual
3. La siguiente estimacin/x debera estar lgicamente entre 1 y 8; elegimos
-5
0
-1
K - / son =
-1 - 1
-1 - k
Segundo. 10.2
2
851
0"
y
LDL =
21
1 -1
0
1
1
-1
K-ijM
Yo
2
-1
0
-1
1
-1
0"
-1
1
-2
y
T -2
1
1
0
1
1
y desde
<}>, = ij;
(10.27)
En otras palabras, el eigenvectors o/K * | yo =
son el mismo como el eigenvectors de
Los K <|> = de la maana |>, pero el eigenvalues han sido disminuidos por p. Una aplicacin
frecuente de
el cambio ocurre en el clculo de modos de cuerpo rgido cuando un algoritmo debe ser usado
esto
no es diseado explcitamente para calcular el cero eigenvalues. Ilustramos tal aplicacin en
el ejemplo siguiente.
852
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
EJEMPLO 10.6: Considere el eigenproblem
3
-3
-3
]<!>-> [] 2] .
(a)
Calcule el eigenvalues y eigenvectors. Entonces imponga un cambio p =-2 y solucione otra vez
para el
eigenvalues y eigenvectors correspondiente.
Para calcular el eigenvalues usamos el polinomio caracterstico
-18A
/? (A) = det {K - de la maana) =
y as obtenga a Ai = 0, A2 = 6. Para calcular <J> yo y <J> 2 usamos la relacin en (10.17) y el
-1. Tenemos
masa orthonormality condicin
1
3
-3
-3
3
<|> yo = 0; de ah, <|> yo =
V6
1
(b)
y.
1
y
r-9 _9" |
-9
de ah, <|> 2 =
-9
V2
1
(c)
~V2
Imponiendo un cambio de p =-2, obtenemos el problema
[-:
> - 'K
Siguiendo como antes, tenemos
(d)
p {K) = A - lOA + 16
y obtenga como las races A1 = 2, A2 = 8. De ah los eigenvalues han aumentado en 2; es decir,
ellos tienen
disminuido por p.
El eigenvectors sera calculado usando (10.17). Sin embargo, notamos que esta relacin
otra vez cede las ecuaciones en (b) y (c), y por lo tanto los eigenvectors del problema en (d) son
aquellos del problema en (a).
Una observacin importante que resulta de la susodicha discusin consiste en que, en
principio , nosotros
slo necesito algoritmos de solucin para calcular el eigenvalues y eigenvectors
correspondiente
del problema K ()> = de la maana <}) cuando todos eigenvalues son ms grandes que el cero.
Esto sigue,
porque si los modos de cuerpo rgido estn presentes , siempre podemos actuar sobre una
matriz de rigidez cambiada
esto da todos eigenvalues positivo.
Da n aplicaciones extensas del cambio en el Captulo 11, donde vario e igensyshablan de algoritmos de solucin de tem.
10.2.4 Efecto de misa Cero
Usando una matriz de masas lumped, el M es diagonal con el positivo y posiblemente
algn cero
0
J
Yo
Segundo. 10.2
853
Sin embargo, si el M tiene algunos elementos diagonales cero, diga que los elementos
diagonales r en el M son el cero, nosotros
puede decir inmediatamente que el problema Kc |> = de la maana <}> tiene el eigenvalues un" =
un"-i =
= un"-r+i = oo y tambin puede construir eigenvectors c
rgido
modo de cuerpo, tenemos Ai = 0 y tenemos que buscar c)> yo para satisfacer la ecuacin K<yo =
0. En
general, la solucin de <}> debo ser obtenido usando a un solucionista de ecuacin, pero en
un finito simple
ensamblaje de elemento podemos ser capaces de identificarnos por inspeccin.
En caso de elementos diagonales cero r en un M de la matriz de masas diagonal, siempre
podemos
inmediatamente establezca r eigenvalues y eigenvectors correspondiente. Volver a escribir el
eigenproblema en (10.4) en la forma
M <|> =
(10.28)
donde/x = A~ encontramos esto si rrikk - 0, tenemos un eigenpair (/x, <|>,) = (0, Ct); es
decir,
0
...010...0]; = 0 (10.29)
<|) f = [0
t
elemento de fcth
Esto c)>, y/i, en (10.29) en efecto son un eigenvector y eigenvalue de (10.28) es verificado por
simplemente substituyendo en (10.28) y notando que (/i, <|),) es una solucin no trivial. Desde
[jl =
Un "', por lo tanto encontramos que dan un eigenpair de Kcj> = de la maana <|> por (Aj, <|> j)
= (oo, Ca).
La consideracin del caso de elementos diagonales cero r en el M, resulta que hay infinito r
el eigenvalues, y eigenvectors correspondiente pueden ser tomados para ser vectores de unidad
con cada uno
vector de unidad que tiene 1 en una posicin correspondiente a un elemento de masas cero en
M Desde A.
es entonces un eigenvalue de multiplicidad r, eigenvectors correspondientes no son nicos
(ver
El artculo 10.2.1). Adems, notamos que la longitud de un eigenvector no puede ser fijada
usando
la condicin de M orthonormality. Demostramos como establecemos el eigenvalues y
eigenvectors por medio de un breve ejemplo.
-1
-1
2
-1
-1
2
-I
Establezca A3, A4 y <{> 3, ()> 4.
T
0"
0
<|> 4 =
0
'0
1
0
_0
854
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
Hay dos elementos diagonales cero en el M; de ah, A3 =>, A4 = o . Como correspondiente
eigenvectors podemos usar
Por esta razn, la solucin del estndar eigenproblems ha llamado mucha atencin en
el anlisis numrico, y muchos algoritmos de solucin estn disponibles. El objetivo de esta
seccin
debe mostrar como el eigenproblem K <|> = AMc |> puede ser reducido a una forma estndar. El
las implicaciones de la transformacin son dobles. En primer lugar, porque la transformacin
es posible,
el uso puede ser hecho de varios algoritmos de solucin disponibles para el estndar
eigenproblems.
Veremos que la eficacia del procedimiento eigensolution empleado depende a a
el grado grande en la decisin si realizar una transformacin a una forma estndar.
En segundo lugar, si eigenproblem generalizado puede ser escrito en la forma estndar , las
propiedades de
el eigenvalues, eigenvectors, y los polinomios caractersticos of the generalizaron eigenprob
Lem puede ser deducido de las propiedades de las cantidades correspondientes del estndar
eigenproblem. La realizacin que las propiedades de estndar eigenproblems son ms fcilmente
tasado, es en gran medida por los segundos motivos que la transformacin a un estndar
el eigenproblem es importante para ser estudiado. En efecto, despus de presentar la
transformacin proce
dures, mostraremos como las propiedades del eigenvectors (ver el Artculo 10.2.1) y el
las propiedades de los polinomios caractersticos (ver el Artculo 10.2.2) del problema Kc}) =
AMc |> son sacados de las propiedades correspondientes del estndar eigenproblem.
En el siguiente suponemos que el M sea positivo definido. Es as cuando el M es
diagonal con > 0, yo - 1..., n, o el M es dividido en bandas, como en un anlisis de masas
consecuente. Si
El m es diagonal con algunos elementos diagonales cero, primero tenemos que realizar
condensa esttico
tion en los niveles sin masa de libertad como descrito en el Artculo 10.3.1. Asuncin de
aquel M
es positivo definido, podemos transformar eigenproblem generalizado K<= de la maana <|>
presentado
(10.4) usando una descomposicin de M de la forma
M = SS (10.30)
donde S es cualquier matriz no singular. Substituyendo al M en (10.4), tenemos
K <|> = EL CULO" *})
(10.31)
'
La premultiplicacin de ambos lados de (10.31) por S y definiendo un vector,
= S <|>
(10.32)
Segundo. 10.2
~2 1 0"
K =
-1 2 - 1
;M=
131
0 - 11
_0 1 2
1
1
1
V3
V2
V6
1
V3
; <l> 2 0
; J> 3 2
V6
1
1
1
V2
, V6_
856
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
eigenproblem.
Primero calculamos el LDL'" la descomposicin del M,
1 h 0'
M
1
0
1
YO
jm V2
0
1
V2
__ 1_
y
VI o
1
V40
Vio
La matriz del estndar eigenproblem K = Lm'KLm est en este caso,
3
V5
V5
2
K =
2
4
3
2
5
4
EJEMPLO 10.9: Considere el generalizedjeigenproblem en el Ejemplo 10.8. Use el espectral
descomposicin de M para calcular la matriz K de un estndar correspondiente eigenproblem.
El eigenvalues y eigenvectors correspondiente del problema M <|> = <j> pueden ser calcu
Segundo. 10.2
1
V3
1
V2
1
V6
1
V3
1 1'
V3 V3
M
1
V3
0
2
V6
1
V2
0
1
V2
1
1
1
V3
Vi Ve
V6 V6 V6
Notando que S = RUTHERFORD y S = D R porque RR = yo, obtenemos
1
V3
11
V3 V3
S-' =
1
2
0
1
2
1
2V6
11
V6 2V6
La matriz del estndar eigenproblem es K = S 'KS
es decir,
K
12
3
1
V3
1
1
VI
1
1
1
3V2
1
2V6
1
3V2 2V6
6
Deberamos notar que la matriz K obtenido aqu es diferente de la matriz K sacado en
Ejemplo 10.8.
En la susodicha discusin slo consideramos el factorization de M en el M = SS y
entonces la transformacin de K <}) = AM4> en la forma dada en (10.33). Indicamos esto
esta transformacin puede ceder resultados inexactos si el M es de mal carcter. En tal caso esto
parece natural para evitar la descomposicin de M y en cambio usar un factorization de K.
Volviendo a escribir Kc |> = de la maana <|> en la forma M<= (1/A) K <J>, podemos usar un
procedimiento anlogo
obtener el eigenproblem
M <j> = - <|> (10.38)
A
donde M =
K = SS
(10.39)
(10.40)
=
S <|>
(10.41)
y S es obtenido usando el factor Cholesl o la descomposicin espectral de K. Si K es
bien fraudulento (Htioned, la transformacin tambin es bien condicionada. Sin embargo,
desde entonces
siempre es
el
dividido en bandas, M siempre es una matriz llena, y la transformacin es por lo general
ineficaz para el
solucin de Kc |> = de la maana <J>.
858
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
Ya que indicamos antes, la posibilidad de realmente solucionar eigenprob-g eneralizado
Lem por la primera transformacin de esto en una forma estndar es slo una razn por
qu consideramos el
encima de transformaciones. La segunda razn consiste en que las propiedades del
eigensolution del
eigenproblem generalizado puede ser deducido de las propiedades de la solucin del
corre
estndar de sponding eigenproblem. Expresamente, podemos sacar las propiedades
orthogonaUty
del eigenvectors como dado en (10.10) y (10.11), y la propiedad de secuencia de Sturm
del
polinomios caractersticos del eigenproblem K) = de la maana *}) y de su estafa asociada
problemas de straint como dado en (10.22). En ambos casos ningunos
fundamentalmente nuevos conceptos tienen que ser
probado; en cambio, las propiedades correspondientes del estndar eigenproblem, que es
Ob
tained de eigenproblem g eneralizado, son usados. Damos las pruebas en el siguiente
ejemplos como una aplicacin de la transformacin de eigenproblem g eneralizado a
Stan
forma de dard.
EJEMPLO 10.10: Muestre que el eigenvectors del problema K <|> = de la maana <|) son M-y
Kortogonal y hablan del orthogonality del eigenvectors de los problemas K <|> =
dado en (10.6) y K <|) = corriente alterna <|) dado en (10.7).
El eigenvector orthogonality es probado transformando eigenproblem generalizado a
una forma estndar y utilizacin del hecho que el eigenvectors de un estndar eigenproblem con
a
la matriz de synmietric es orthqgonal. Considere primero el problema K <|> = IMPORTE]) y
asuma aquel M
es positivo definido. Entonces podemos usar la transformacin en (10,30) a (10.34) para obtener,
como un
eigenproblem equivalente,
= S <|)
del problema = A tienen las propiedades (ver el Artculo 2.7)
tenemos, substituyendo
= 5: = A,-6
(a)
Si el M no es positivo definido, consideramos el M eigenproblem <|> = (1/A) K <|> (con K
positivo definido o un cambio debe ser impuesto; ver el Artculo 10.2.3). Ahora usamos la
transformacin
donde K = SS;
M = S-'MS'
y las propiedades
La substitucin por
('')
= S <|>
obtenemos
con el eigenvectors que ahora es K-orthonormalized, porque el problema M <|) = (1/A) K <|> era
considerado. Para obtener los mismos vectores que en el problema K <|> = de la maana <I>,
tenemos que multiplicarnos el
eigenvectors <)>, del problema M <|> = (1/A) K <|> por los factores Va i = yo...
, n.
Considerando estas pruebas, notamos que arreglamos el eigenproblems de tal modo que
la matriz se asoci con el eigenvalue, es decir, la matriz en el lado derecho del eigenvalue
'3-1
'4 "
4
K =
-1 2 - 1
;M=
484
-1 1
48
-1
2
1
2
12
r3
4
-1
1
0
1
2
1
2
-1
7
4
-2
_0
0
1
2_
1
-2
5
2
Segundo. 10.2
Hechos fundamentales Usados en la Solucin de Eigensystems
859
problema, es positivo definido. Esto es necesario para ser capaz a ckry la transformacin del
eigenproblem generalizados a una forma estndar y as sacan el eigenvector cffthogonality
y K <|) =
propiedades en (a) y (b). Sin embargo, considerando los problemas 'K <J> =
corriente alterna <|)
dado en (10.6) y (10.7), podemos seguir en una manera similar. Los resultados seran el
eigenvector orthogonality propiedades dadas en (10.14) y (10.15).
EJEMPLO 10.11: Demuestre la propiedad de secuencia de Sturm de los polinomios
caractersticos de
el problema K <|) = de la maana <|> y los problemas de coaccin asociados. Demuestre la
prueba para el
(a)
otro
mano, si nosotros consido-el eigenproblem K <J) = de la maana <|> y el eigenproblems de su
asociado
problemas de coaccin, es decir,
[ver (10.20)], notamos que los problemas
= un (' "'M <'' '<|> <'' tienen mismo eigenvalues. A saber,
=
y
es un estndar eigenproblem corrpponding a
ie., en vez de
eliminando las filas r y columnas de K (para obtener K *''), tambin podemos calcular K *
""* como sigue:
KW = LWMW
T Mt PESO.
>
(b)
puede
ser obtenido simplemente suprimiendo las ltimas filas r y
Notejhat Lm y
El
columnas de Lm
y Lm\respectivamente.
De ah, la propiedad de secuencia de Sturm tambin sostiene para los polinomios caractersticos
de
K <|> = de la maana <|> y los problemas de coaccin asociados.
Para el ejemplo para ser considerado, tenemos
"2
0
0"
Lm 220
022
(c)
De ah,
K =
ri
2
1
2
Yo
2
3
-1
0
(d)
"
6
-1
0~
"2
0
0"
-1
4
-1
0
2
1
0
-1
2
0
1
1
2
-1
0"
'1
1
2
0
2
0
0
3_
3
2,
860
Prolegmenos a la Solucin de Captulo Elgenproblems. 10
Por otra parte , podemos obtener mismo matricesy
donde y
(para calcular Lm j son obtenidos de K y M en (a).
En la discusin precedente supusimos que el M sea positivo definido. Si el M es positivo
semidefinido, podemos considerar el problema M <|> = (1/A) K <J) en cambio, en que K es
positivo
definido (esto puede significar que un cambio tiene que ser impuesto; ver el Artculo 10.2.3)
y as muestre esto
la propiedad de secuencia de Sturm todava sostiene.
Puede notarse que esto sigue de esta discusin que los polinomios caractersticos de
el eigenproblems 'K <|> = y K <j> = corriente alterna <j> dado en (10.6) y (10.7) y de su
los problemas de coaccin asociados tambin forman una secuencia de Sturm.
10.2.6 Ejercicios
M de ortogonal.
(b) Encuentre dos vectores que son el M ortogonal , pero no son eigenvectors.
10.2. Calcule el eigenvalues del eigenproblem en el Ejercicio 10.1 y de su coaccin asociada
problemas. Muestre que los eigenvalues satisfacen la propiedad de separacin (10.22).
103.
10.4.
Considere el eigenproblem
Calcule K.
A. = 1;
4;
Segundo. 10.3
Az - 4; <|> 2 1
2
Calcule K y M. Son los K y M matrices en (a) y (b) nico?
desarrollado. El objetivo de esta seccin es presentar los mtodos aproximados principales esto
han sido diseados y actualmente todava estn en el uso.
Las tcnicas de solucin aproximadas han sido desarrolladas principalmente para contar el
eigenvalues ms bajo y eigenvectors correspondiente en el problema K<= de la maana <|>
cuando el
el pedido del sistema es grande. La mayor parte de programas usan tcnicas de solucin exacta
en el anlisis
de sistemas de pequeo pedido. Sin embargo, el problema de calcular pocos eigenpairs ms
bajos de
relativamente los sistemas de pedido grande son muy importantes y son encontrados en todas las
ramas de
ingeniera estructural y en particular en anlisis de respuesta de terremoto. En el siguiente
secciones presentamos tres tcnicas principales. El objetivo en la presentacin no es abogar
la realizacin de cualquiera de estos mtodos pero mejor dicho describir su uso prctico,
sus limitaciones, y las asunciones empleadas. Adems, las relaciones entre el
las tcnicas aproximadas son descritas, y en el Artculo 11.6 encontraremos, de hecho, que el
puede entenderse que tcnicas aproximadas consideradas aqu son una primera iteracin (y
puede
sea usado como tal) en el algoritmo de iteracin subespacial .
10.3.1 Condensacin esttica
Hemos encontrado ya el procedimiento de la condensacin esttica en la solucin del esttico
las ecuaciones de equilibrio, donde mostramos que la condensacin esttica es, de hecho, una
aplicacin
de la eliminacin de Gauss (ver el Artculo 8.2.4). En la condensacin esttica eliminamos
aquellos grados
862
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
de la libertad que no se requieren aparecer en el ensamblaje de elemento finito global . Para
ejemplo, los niveles de desplazamiento de la libertad en los nodos internos de un elemento
finito pueden
sea condensado porque ellos no participan en la continuidad de interelemento imponente .
Nosotros
mencionado en el Artculo 8.2.4 en el cual el trmino "esttica de condensacin" realmente
fue acuado
anlisis dinmico.
podemos usar la eliminacin de Gauss en los niveles sin masa de la libertad del mismo modo
como hacemos
en los niveles de libertad asociada con los nodos interiores de un elemento o una subestructura
(ver el Artculo 8.2.4).
Un aspecto importante debera ser observado comparando la condensacin esttica
procedimiento de los niveles sin masa de libertad en (10.42) a (10.46) por un lado, con
Eliminacin de Gauss o condensacin esttica en anlisis esttico al otro lado. Consideracin
(10.47), encontramos que las cargas en el "J> unos niveles de la libertad dependen del
eigenvalue
"
2
0
-1
-f
~2
0
1
0
-1
M=A
1
-1
0
2
0
L<J
0
-1
-1
0
2_
0
1"
1
De ah
<|> Ai
2
Yi
> *1*02
2
2
2
Segundo. 10.3
863
K
-1 2 - 1
0-1 2
M =
0
1
0-1
<|> Ci -
<I> C2 =
-1
-1
-?]
1
2
_2_
2
1
4
1 + V2
_1
4
1 + V2
2
864
Prolegmenos a la Solucin de Eigenproblenns
Por lo tanto, la solucin del eigenproblem K <I> = de la maana <|> es
1
4
1
Captulo. 10
_1
V2
"2
1
Va
A2 - +
4b
<|> 3
A4 = 0 :
(|> 4
~T'
<I> 1
<I> 2 2
1 + V2
4
2
_i
4
_1
2
-1 + V2
4
2
En el susodicho discusssion dimos las ecuaciones de la matriz formales para realizar esttico
condensacin. El esfuerzo computacional principal est en el clculo K, dado en (10.46),
donde
hay que notar que en la prctica una inversin formal de no es realizado. En cambio,
puede ser obtenido cmodamente usando el factor de Cholesky Lcc de Kcc. Si descomponemos
Kc en factores,
K, c - LcLj
(10.48)
podemos contar
de donde Y es solucionado
K, = - YY
LcY = K.
(10.49)
(10.50)
Como indicado antes, este procedimiento es, de hecho. Eliminacin de Gauss del sin masa
niveles de libertad, es decir, eliminacin de aquellos niveles de libertad en cual ningunas fuerzas
externas
(efectos de masas) actan. Por lo tanto, un procedimiento alternativo a un dado en (10.42) a
(10.50) debe usar directamente la eliminacin de Gauss en <j> c niveles de la libertad sin la
particin
el ing K en Kaa submatrices, Kcc, Kac, y Kca porque la eliminacin de Gauss puede ser
realizado en cualquier pedido (ver el Ejemplo 8.1, el Artculo 8.2.1). Sin embargo, la amplitud
de banda del
la matriz de rigidez aumentar, en general, entonces durante el proceso de reduccin, y
problemas
del almacenaj e debe considerarse.
2
-1
0
0
-1
2
-1
0
0
-1
2
-1
0
0
-1
1
0
0
1
0
0
0
0
1
Segundo. 10.3
865
Para la solucin del eigenproblem Ka4> un = AMa <|> o, es importante notar esto
es, en general, una matriz llena, y la solucin no es relativamente cara a menos que el pedido
del
el matrices es pequeo.
En vez de calcular K de la matriz, pu ed e s er preferible evaluar la flexibilidad
la Fa de la matriz = Kj \que es obtenido usando
K.
; Ira-C
(10.51)
donde soy una matriz de unidad del mismo pedido que ka-Por lo tanto, en (10.51),
solucionamos para el
los desplazamientos de la estructura cuando las cargas de unidad son aplicadas por su parte en
(10.54)
F = My'F.My'
(10.55)
Una vez los desplazamientos <() tener sido cont, obtenemos el completo desplazan
utilizacin de vector de ment
[t]
LkJ
<)>. (10.56)
donde Fc fue calculado en (10.51). La relacin en (10.56) es llegada realizando esto
las fuerzas aplicadas en los niveles de masas de la libertad de imponer <() son Ka <j> a.
Utilizacin (10.51),
dan los desplazamientos correspondientes en todos los niveles de la libertad en (10.56).
EJEMPLO 10.13: Use el procedimiento dado en (10.51) a (10.56) para calcular el
eigenvalues
y eigenvectors del problema K <|> = de la maana <|> considerado en Ejemplo 10.12.
(a)
2
=
1
-f 1
3
2
4
3
0
0 - 1 1_
4 __
v[
= [1
2 2 2];
vl = [1
2 3 4]
1"
1
"
1
V2
2
1 <|> a2
2
1
1
1
_ V2_
_V2_
_V2_
1
1
4
4
-1 + V2
1 + V2
4
4
866
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
De ah, obtenemos
rV2
Oir2 2irV2 Ol
.0
La solucin del eigenproblem
__ 1_
da
= 4 - 2V2; =
V2
1
V2
1
(b)
/X2 = 4 + 2V2;
(t> d
V2
1
V2
4*0,
V2
(c)
4> c,
[4
2V2l
(d)
ple 10.12.
La consideracin de los procedimientos diferentes de eliminar los niveles sin masa de
libertad,
los resultados del anlisis eigensystem son el mismo independientemente del
procedimiento seguido,
o la F a es establecida y si el eigenproblem en (10.45) o en (10.52)
es decir, o
es solucionado. La asuncin bsica en el anlisis es esto que resulta de la masa lumping.
Como nosotros
hablado en el Artculo 10.2.4, cada masa cero equivale a una frecuencia infinita en el
2
-1
0~
'0
1
4
-1
2
0
-1
2_
0_
Segundo. 10.3Tcnicas de Solucin aproximadas
867
sistema. Por lo tanto, en acercamiento de la ecuacin de sistema original Kc () = de la
maana <() por el
ecuacin en (10.42), sustituimos, de hecho , algunas f recuencias de K <() = de la maana <()
por el infinito
las frecuencias y suponen que las frecuencias ms bajas solucionadas de la una o la otra
ecuacin no sean
mucho diferente. La exactitud con cual las frecuencias ms bajas de Ktf) = de la maana <()
son ap
proximated solucionando Ka <f> un = AMa <(> depender de la masa especfica lumping
elegido y
puede ser a decuado o en efecto ordinario. En general, ms exactitud puede ser esperada
si ms masa
los niveles de la libertad son incluidos. Sin embargo, realizando que la condensacin
esttica resulta en
Kfl que tiene una amplitud de banda ms grande que K (y
est seguramente lleno), el
esfuerzo computacional
requerido en la solucin de eigenproblem reducido aumenta rpidamente como el pedido
de K,
se hace grande (ver el Artculo 11.3). Por otra parte , si niveles de masas suficientes de
libertad
ya que la exactitud de solucin es seleccionada, ya no podemos querer calcular el
completo
eigensystem de Ka <() un = AMgcJia pero slo eigenvalues ms pequeo y vec
correspondiente
colinas. Sin embargo, en este caso podemos considerar menos mal el problema K) =
IMPORTE () sin
la masa lumping y directamente slo soluciona para el eigenvalues y los vectores del inters
usando un
de los algoritmos descritos en el Captulo 11.
En resumen, el defecto principal de la masa lumping procedimiento seguido de esttico
la condensacin consiste en que la exactitud de solucin depende en alto grado de la
experiencia
del analista en la distribucin de la masa apropiadamente y que la exactitud de solucin
es
realmente no tasado. Pensamos que el ejemplo siguiente muestra la aproximacin esto
puede resultar tpicamente.
EJEMPLO 10.14: En el Ejemplo 10.4 calculamos el eigenistem del problema K <}) =
De la maana <I>, donde dan K y el M en el ejemplo. Evaluar una aproximacin al ms pequeo
eigenvalue y eigenvector correspondiente, considere en cambio eigenproblem siguiente, en
(a)
1
6
1
L6J
De ah, Ai = , <>
1
= [1/V2], y
<|> c,
2V2
1
2\
La solucin del eigenproblem en (a) para eigenvalue ms pequeo y eigenvector correspondiente
es de ah
1
2V2
A,
= 12'
1
V2
1
2V2
868
Captulo. 10
p (<|>) tiene valores finitos para todos <|>. Respecto al Artculo 2.6, los lmites en Rayleigh
el cociente es
0 < Ai: <p (<|>) < un" <00
(10.59)
En el anlisis de Ritz consideramos un juego de vectores c |>, que son combinaciones lineales
de
los vectores de base de Ritz tjj, yo = 1... , 9; es decir, dan por un vector tpico
<|) = 2
i=l
(10.60)
Segundo. 10.3
869
donde thjc, son las coordenadas de Ritz. Desde c |> es una combinacin lineal de la base
de Ritz
los vectores, c |> no pueden ser ningn vector arbitrario, pero en cambio estn en el
subespacio atravesado por el
Los vectores de base de Ritz, que llamamos Vq (ver los Artculos 2.3 y 11.6). Hay que
notar que el
vectores * |ii, / =
, q, debe ser en lnea recta independiente; por lo tanto, el subespacio V,
tiene
dimensin q. Tambin, denotando el espacio n-dimensional en el cual el matrices K y el M
son
definido por tenemos aquel Vq est contenido en
_
En el anlisis de Rayleigh-Ritz pretendemos determinar los vectores <!> especficos, / = 1.. .
,
q, que, con la coaccin de posicin en el subespacio atravesado por los vectores de base de
Ritz,
"mejor" acrquese eigenvectors requerido. Para este fin invocamos Rayleigh
principio mnimo. El uso de este principio determina en qu sentido la solucin "mejor"
se acerca el eigenvectors buscado, un aspecto que indicaremos durante el presen
tation del procedimiento de solucin.
_
Para invocar el principio de mnimo de Rayleigh a c |>, primero evaluamos Rayleigh
cociente,
?
4
2 2 XiXjicij ,
P ($) = -=
(10.61)
2 2 XiXjlhy
i =)
Ti
my-= (10.63)
La condicin necesaria para mnimo de p (<})) dado en (10.61) es dp (')/dXi = 0,
i =
, los q, porque el x, son las nicas variables. Sin embargo,
dp ($) _
dXi
rh
(10.64)
xl... a:]
xj = [x1
xt ...
870
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
El eigenvectors x, son usados para evaluar los vectores c |> yo.. .
, que son
aproximaciones
al eigenvectors <|> yo.. .
, <|>. Usando (10.68) y (10.60), tenemos
yo = 1..... (10.69)
<1). = 2 x) *11;
; =i
Un rasgo importante de las aproximaciones eigenvalue calculadas en el anlisis es
que ellas sean aproximaciones de lmite superior al eigenvalues de inters; es decir,
. . ; -Pq - Kt
A3 - p3;
A2 - p2',
A) Pi de ;
(10.70)
significando que ya que se supone K y M ser positivo definido, los K y M tambin son
positivos
matrices definido.
La prueba de la desigualdad en (10.70) espectculos el mecanismo actual que est
acostumbrado
obtenga las aproximaciones eigenvalue p. Para calcular la pi buscamos mnimo de p (<|))
esto puede ser alcanzado combinando en lnea recta todos los vectores de base de Ritz
disponibles. La desigualdad
Ai s Pi sigue del principio de mnimo de Rayleigh en (10.57) y porque V, es la estafa
el tained en el espacio n-dimensional K, en que K y el M son definidos.
La condicin que es empleada para obtener p2 es tpica del mecanismo acostumbrado para
calcule las aproximaciones al ms alto eigenvalues. En primer lugar, observamos esto para el
problema de eigenvalue KcJ> = de la maana <|>, tenemos
A2 = minuto p (<})) (10.71)
donde mnimo es tomado ahora sobre todos los vectores posibles <|> en Vn que satisfacen
el orthog
la condicin de onality (ver el Artculo 2.6)
4) M <f), = 0 (10.72)
La consideracin de eigenvectors aproximado c |>, obtenido en el anlisis de Rayleigh-Ritz,
observamos esto
=
(10.73)
donde es el delta de Kronecker, y que, por lo tanto, en el susodicho anlisis de RayleighRitz nosotros
p2 obtenido evaluando
p2 = minuto p (<|)) (10.74)
donde mnimo fue tomado sobre todos los vectores posibles <|> en Vq que satisfacen el
orthogonality
condicin
=0
(10.75)
Mostrar que A2 pi, consideramos un problema auxiliar; es decir, suponga que
evaluemos
= minuto p (<l)) (10.76)
donde mnimo es tomado sobre todos los vectores <|) que satisfacen la condicin
=0
(10.77)
El problema definido en (10.76) y (10.77) es el mismo como el problema en (10.71) y
(10.72), salvo que en el caso ltimo mnimo es tomado sobre todo cj>, mientras que en el
problema en (10.76) y (10.77) consideramos todos los vectores <j> en Vq. Entonces ya que
Vq est contenido
en V, tenemos A2 p2. Por otra parte, p2 p2 porque la coaccin ms severa en
Segundo. 10.3
871
y
M = (10.81)
donde debido a (10.79) tenemos
K = 'R (10.82)
Despus solucionamos el eigenproblem
KX = MXp (10.83)
donde p es una matriz diagonal que pone las aproximaciones eigenvalue en una lista p, p =
diag (p (), y X
es una matriz que almacena el M-orthonormal eigenvectors Xi...
, x. Las
aproximaciones al
el eigenvectors del problema K <|> = de la maana (|> son entonces
= X
(10.84)
Hasta ahora hemos supuesto que la matriz de masas del sistema de elemento finito sea positiva
definido; es decir, el M no es una masa diagonal matriwitlome elementos diagonales
cero. La razn
ya que esta asuncin deba evitar el caso t
El cociente de Rayleigh, en cuyo caso p (<|>) da eigenvalue infinito. Sin embargo, el RayleighEl anlisis de Ritz puede ser realizado como descrito encima cuando el M es una matriz
diagonal con unos
los elementos diagonales cero, a condicin de que los vectores de base de Ritz sean
seleccionados para estar en el subespacio
esto equivale a eigenvalues finito. Adems, los vectores de base de Ritz deben ser en lnea recta
independiente considerando slo los niveles de masas de la libertad a fin de obtener un positivo
M de la matriz definido. Un modo de conseguir esto en la prctica es excitar grados de masas
diferentes
de la libertad en cada uno de los vectores de carga en R en (10.79) (ver el Artculo 11.6.3 y
Examen
ple 10.16).
Del particular inters son los errores que podemos esperar en la solucin. Aunque nosotros
han mostrado que un eigenvalue calculatedfrom el anlisis de Ritz es un lmite superior en el
1
0
-1
2
4
-1
;M=
1
1
2
1
2_
2
-1
0"
"1
0"
1
4
-1
V =
0
0
0
-1
2
0
1
872
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
eigenvalue exacto correspondiente del sistema, no establecimos nada sobre el
error actual en el eigenvalue. Este error depende de los vectores de base de Ritz usados porque
el
los vectores <|> son combinaciones hnear de los vectores de base de Ritz i|#, yo = 1... ,
podemos obtener
los resultados buenos slo si los vectores i|i, atraviese un subespacio V, que est cerca del
menos dominante
el subespacio de K y M atraves por c |> yo...
, hay que notar que esto no significa
que los vectores de base de Ritz debieran estar cada uno cerca de un eigenvector buscado, pero
mejor dicho que lineales
las combinaciones de los vectores de base de Ritz pueden aproximaciones buenas estabUsh
del requerido
eigenvectors de K <|> = AMc)>. Adelante hablamos de la seleccin de vectores de base de Ritz
buenos y
las aproximaciones implicaron en el anlisis en el Artculo 11.6 cuando presentamos el
subespacio
el mtodo de iteracin, porque este mtodo usa la tcnica de anlisis de Ritz.
Para demostrar el procedimiento de anlisis de Rayleigh-Ritz, considere el examen siguiente
ples.
EJEMPLO 10.15: Obtenga soluciones aproximadas del eigenproblem K <|> = de la maana <|>
consid
ered en Ejemplo 10.4, donde
2
K =
-1
0
1. Use los vectores de carga siguientes para generar los vectores de base de Ritz
"1
0"
0
0
0
1
2. Entonces use un juego diferente de vectores de carga para generar los vectores de base de Ritz
1
0"
1
1
1
0_
De ah,
ri
12
1
6
J,
12
_1 _"
12
1
6
J_
12
y
"=
12
.1 7J'
M =
1
144
29
11
29J
La solucin de Kx eigenproblem = pMx es
.3418"
(pi, x.) = (2.4004
.3418
0.00
-1.00
-1 0"
"1 0
4 - 1
11
-1 2
10
Segundo. 10.3
873
0.895"
tenemos
|>, =
0.447
0.895
Despus asumimos los vectores de carga por si 2 y solucionen
-1
De ah,
=
K
=
B!]
M =
36
41
13
13
La solucin de Kx eigenproblem = pMx da
(pi, X,) = (2.000,
"0.70711
0.70711
);
(p2, X2) = (6.0000,
-2.1213
6.3640
De ah, tenemos como eigenvalue pi de aproximaciones = 2.00, p2 = 6.00, y
evaluacin
r5
6
2
3
5
6
en
6
1
3
1
6
.....
r0.70711 - 0.70708"
0.70711 0.70713
0.70711 - 0.70708
"0.70711
-0.70708"
tenemos
c |>, =
0.70711
<1> 2 0.70713
0.70711
-0.70708
Comparando los resultados con la solucin exacta, es interesante notar esto por si 1,
pi> un | y p2 = A2, mientras que por si 2, pj = Aj y p2 = A3. En ambos casos no
obtuvimos
aproximaciones buenas a dos eigenvalues ms bajos, y se demuestra claramente que
los resultados
dependa completamente de los vectores de base de Ritz iniciales elegidos.
EJEMPLO 10.16: Use el anlisis de Rayleigh-Ritz para calcular una aproximacin a
Ai y <}) yo
del eigenproblem considerado en Ejemplo 10.12.
Notamos que en este caso el M es positivo semidefinido. Por lo tanto, para realizar el
Ritz
el anlisis tenemos que elegir un vector de carga en R que excita al menos una masa.
Suponga que usemos
= [0 1
0
0]
Entonces la solucin de (10.79) producciones (ver el Ejemplo 10.13)
Sr.'" = [1
2
2
2]
F/
Yo
Kca
K.
F.
.0.
874
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
De ah,
K = [2];
M = [12]
Pi =
1
6'
Xi =
-Ll
-2V3J
y
<l) f } _ J_
.2V3 V3 V3 V3J
De ah tenemos, como esperado, la pi> Ai.
El procedimiento de anlisis de Ritz presentado encima es un instrumento muy general, y,
como indicado
mtodos de anlisis ms tempranos, varios conocidos bajo nombres diferentes realmente
pueden ser mostrados a
est anlisis de Ritz. En el Artculo 10.3.3 presentamos la sntesis de modo componente como
un Ritz
anlisis. En el siguiente brevemente queremos mostrar que la tcnica de la condensacin
esttica
como descrito en el Artculo 10.3.1 es, de hecho, tambin un anlisis de Ritz.
En el anlisis de condensacin esttico supusimos que toda la masa pueda ser lumped en q
niveles de libertad. Por lo tanto, como una aproximacin al eigenproblem K <|> = AMc |>,
nosotros
obtenido el problema siguiente:
Lk.
K eir4>.i rM 0
k. Jl <|) cJ l 0 0
(10.42)
con el q finito y n - q eigenvalues infinitos, que equivalen a los niveles sin masa de
la libertad (ver el Artculo 10.2.4). Para calcular eigenvalues finito, usamos condaisa-esttico
tion en los niveles sin masa de libertad y llegado al eigenproblem
Kaa = de la maana <<|) (10.45)
donde es definido en (10.46). Sin embargo, esta solucin es realmente un anlisis de Ritz del
el modelo de masa de lumped se considera en (10.42). Los vectores de base de Ritz son el
desplazamiento
los modelos se asociaron con el niveles de la libertad cuando el <J) c niveles de la libertad
son
(10.51)
(10.84) son
LFcKJ
(10.85)
Verificar que un anlisis de Ritz con los vectores bajos en (10.85) producciones de hecho
(10.45),
evaluamos (10.80) y (10.81). Substituyendo a y K en (10.80), obtenemos
K = [Yo
(F.Kj n
K.
K.
K,
JLf.kJ
(10.86)
a que, usando (10.51), reduce
K = K.
Del mismo modo, substituyendo a y M en (10.81), tenemos
M = [yo
(F, K.F ] [";
(10.87)
(10.88)
Segundo. 10.3
875
M = M.
o
(10.89)
De ah, en la condensacin esttica realmente realizamos un anlisis de Ritz del lumped
modelo de masas. Hay que notar que en el anlisis calculamos eigenvalues finito q
exactamente (es decir, p, = A, - ya que yo = , q) porque los vectores de base de Ritz atraviesan el
qsubespacio dimensional correspondiente a eigenvalues finito. En la prctica, la evaluacin de
los vectores en (10.85) no es necesario (y sera costoso), y en cambio el Ritz
el anlisis es mejor realizado usando
=
(10.90)
[pj
Ya que los vectores en (10.90) atraviesan el mismo subespacio que los vectores en (10.85), el
mismo
el eigenvalues y eigenvectors son calculados empleando el uno o el otro juego de vectores bajos.
Expresamente, usando (10.90), obtenemos en el anlisis de Ritz eigenproblem reducido
FaX = AFaM, F x (10.91)
Mostrar que este eigenproblem en efecto es equivalente al problema en (10.45), nosotros premultiply ambos lados en (10.91) por Ka y uso la transformacin X = Kx, dando Kx = AMoX,
es decir, el problema en (10.45
EJEMPLO 10.17:
esttica del
drees sin masa de libertad en el problema K <|> = de la maana <|> considerado en Ejemplo
10.12.
Primero tenemos que evaluar los vectores de base de Ritz dados en (10.90). Esto fue hecho en
El ejemplo 10.13, donde encontramos esto
F [2
ri
11
21.
La reduccin de Ritz dada en (10.91) as producciones el eigenproblem
['
aFinalmente, deberamos notar que el uso de los vectores de base de Ritz en (10.85) [(o en
(10.90)]
tambin es conocido como la reduccin de Guyan (ver a R. J. Guyan un). En el esquema Guyan
el Ritz
los vectores son usados para actuar sobre una matriz de masas lumped con elementos cero en la
diagonal como
en (10.88) o en lumped lleno general o masa consecuente matrices. En esta reduccin <el |> a
los drees de la libertad son con frecuencia referidos niveles como dinmicos de la libertad.
10.3.3 Sntesis de Modo componente
En cuanto al procedimiento de condensacin esttico, la sntesis de modo componente es, de
hecho, un Ritz
el anlisis, y el mtodo podran haber sido presentados en la seccin anterior como un especfico
aplicacin. Sin embargo, como era repetidamente indicado, el aspecto ms importante en un Ritz
el anlisis es la seleccin de vectores de base de Ritz apropiados porque los resultados slo pueden
ser como
bueno ya que los vectores de base de Ritz permiten que ellos sean. El esquema especfico usado en
el componente
la sntesis de modo es del particular inters, que es la razn queremos dedicar un separado
seccin a la discusin del mtodo.
876
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
La sntesis de modo componente ha sido desarrollada en gran medida como un natural
la consecuencia del procedimiento de anlisis sigui en la prctica cuando struc grande y
complejo
los tures son analizados. El procedimiento prctico general es que los grupos diferentes
funcionan el
anlisis de componentes diferentes de la estructura bajo consideracin. Por ejemplo, en a
anlisis de planta, un grupo puede analizar un tubo principal y otro grupo un sistema de
tubera
atado a ello. En un primer anlisis preliminar, ambos grupos trabajan por separado y
modelan el
los efectos de los otros componentes en el componente especfico que ellos consideran en
un aprox.
manera de imate. Por ejemplo , en el anlisis de los dos sistemas de tubera se refiri al
susodicho, el
el grupo que analiza la rama de lado puede asumir la fijeza llena al punto de interseccin
con el
el tubo principal, y el grupo que analiza el tubo principal pueden introducir una primavera
concentrada y
masa para tener la rama de lado en cuenta. La ventaja de considerar los componentes del
la estructura por separado es principalmente uno del tiempo programando; es decir, los
grupos separados pueden trabajar
en los anlisis y diseos de los componentes al mismo tiempo. Es principalmente para esto
razone que la sntesis de modo componente es muy atractiva en el anlisis y diseo de
sistemas estructurales grandes.
Suponga que los anlisis preliminares de los componentes hayan sido realizados y
que la estructura completa debe ser analizada ahora. Est en esta etapa que el componente
la sntesis de modo es un procedimiento natural para usar. A saber, con el modo forman
caractersticas
de cada componente conocido, parece natural usar esta informacin en la estimacin el
frecuencias y formas de modo de la estructura completa. El procedimiento especfico
puede variar
(ver a R. R. Craig, Hijo un), pero, en la esencia, las formas de modo de los componentes
son usadas en
un anlisis de Rayleigh-Ritz para calcular formas de modo aproximadas y frecuencias del
estructura completa.
Considere para la ilustracin que cada estructura componente fue obtenida fijando todos su
los niveles divisorios de la libertad y denotan la rigidez matrices de las estructuras
componentes
Ki, Ku. ..
, el KILMETRO (ver el Ejemplo 10.18. Vssume aquel nico
componente structures 1
y L se unen, L = 2... , M; entonces podemos escribir para la matriz de rigidez del completo
estructura,
K.
K
K =
(10.93)
Mm
Suponga que eigenvalues ms bajo y eigenvectors correspondiente de cada componente
r 2 - 1 yo 1
1
"1:
-1 2j-1
ij
K =
-1 2 - 1
;M=
1
-1; 2 - 1
11
i - Yo 1
Yo
12
Segundo. 10.3
877
(10.94)
KmM ~ MmmAm
donde y Al es el matrices de eigenvectors deliberado y eigenvalues de Lth
estructura componente.
En una sntesis de modo componente , las formas de modo aproximadas y las frecuencias
pueden ser
obtenido realizando un anlisis de Rayleigh-Ritz con las cargas asumidas siguientes en el
lado derecho de (10.79),
0
0
R =
0
4 n
0
Ii.n
0
0
0
0
En, en
(10.95)
Om
0
donde es una matriz de unidad del pedido igual a los niveles de conexin de la libertad entre
estructuras componentes L - \y L. La unidad matrices equivale a cargas que son aplicadas
a los niveles de conexin de libertad de las estructuras componentes. Desde en la derivacin
de matrices de forma de modo usado en (10.95) las estructuras componentes fueron fijadas en
su
lmites, las cargas de unidad tienen el efecto de soltar estos niveles de conexin de la libertad.
Si, por otra parte, los niveles de conexin de la libertad han sido incluidos en el anlisis
de las estructuras componentes, podemos prescindir de la unidad matrices en R.
Una consideracin importante es la exactitud que puede ser esperada en el susodicho compo
sntesis de modo de nent. Ya que un anlisis de Ritz es realizado, todas las consideraciones de
exactitud dis
obstinado en el Artculo 10.3.2 son directamente aplicables; es decir, el anlisis cede lmites
superiores del
eigenvalues exacto del problema K <|> = de la maana ()). Sin embargo, la exactitud actual
conseguida en
la solucin no es conocida, aunque ella pueda ser evaluada, por ejemplo, como descrito en
El artculo 10.4. El hecho que la exactitud de solucin es muy dependiente de los vectores
usados en
R (es decir, los vectores de base de Ritz ) es, como en todos los anlisis de Ritz , el defecto
principal del mtodo.
Sin embargo, en la prctica, la exactitud razonable a menudo puede ser obtenida porque el
eigenvectors
correspondiente a eigenvalues ms pequeo de las estructuras componentes son usados en R.
Nosotros
demuestre el procedimiento de anlisis en el ejemplo siguiente.
V2
V2
2
2
V2
V2
2
2
0
0
\/2
V2
2
2
1
1
"22.40 5.328 7.243"
K =
5.328 2.257 1.586
7.243 1.586 3
"0.098
P =
2.83
1.82_
0.207 - 0.773
0.00690'
0.181 0.0984 0.0655
$ =
0.509 1.47
0.443
0.594 - 0.385 0.166
0.655 0.574 0.978
878
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
matriz dada en (10.95) para un anlisis de sntesis de modo componente. Entonces calcule
eigenvalue y
aproximaciones de eigenvector.
Aqu tenemos para la subestructura I,
2
K, =
-1
con el eigensolution
A] = 1, A2 = 3;
2
2
<f> 2 -
_y2
2
2
<t> yo
[-1 i]'
M =
10
0 yo
con el eigensolution
"V2"
V2"
Ai = 2 - V2, A2 - 2 + V2;
<f), =
2
<t> 2
2
.1
y de ah,
6
-1
0"
"0
0
0"
1
4
-1
4> = A
0
2
1
0
-1
2
_0
1
1
T
"
r
Mfi =
1
; *l 2 =
-1
1
1
Segundo. 10.3
879
A3 = 2.00;
A4 = 3.18;
A5 = 3.90
y de ah notamos que obtuvimos en la pi que una aproximacin buena a Ai, pero p2 y p3 no
hacen
10.9. Est siendo afirmado que si, en la solucin de eigenproblem generalizado K<= de la
maana <{), el
Los vectores de Ritz son
*1*1 = 4) 1 + 2 <|> 2
= 3 <t> yo - <|> 2
donde <|> y 4) 2 soy el eigenvectors correspondiente a Ai y A2, entonces el Rayleigh-Ritz
el anlisis dar a Ai eigenvalues exacto y A2 y eigenvectors correspondiente 4> yo y 4> 2.
Muestre explcitamente que este resultado en efecto es obtenido.
10.10. Considere la primavera siguiente el sistema.
(a) Evale la frecuencia exacta ms pequea del sistema.
(b) Evale una aproximacin de la frecuencia ms pequea usando el modo componente synthe
m*
/C = 10
"VWr
m
-9AWr
m
m
-VWV -
k=1
m =2
K
K
K
m"
1
Componente II
880
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
10.4 ERRORES DE SOLUCIN
Una parte importante de un eigenvalue y solucin de vector debe estimar la exactitud con
que eigensystem requerido ha sido calculado. Ya que una solucin eigensystem es
necesariamente iterativo, la solucin debera ser terminada una vez la convergencia dentro del
pre
las tolerancias de scribed que dan la exactitud actual han sido obtenidas. Cuando uno de aprox.
las tcnicas de solucin de imate perfiladas en el Artculo 10.3 son usadas, una estimacin de la
solucin actual
la exactitud obtenida es por supuesto tambin importante.
10.4.1 Lmites de error
A fin de identificar la exactitud que ha sido obtenida en un eigensolution, recordamos esto
la ecuacin para ser solucionada es
K <t) = de la maana <t>
(10.96)
primero suponga que usando cualquier procedimiento de solucin obtuviramos una
aproximacin A
y (f> a un eigenpair. Entonces sin hacer caso de como los valores han sido obtenidos, podemos
Deje
evale un vector residual que da la informacin importante sobre la exactitud con cual
X y 4> aproximado el eigenpair. Dan los resultados en (10.101) a (10.104). Nosotros entonces
tambin presente los clculos ligados del error tiles en soluciones basadas en iteraciones
inversas y a
medida de error simple.
Elgenproblem estndar
Considere primero que M = yo. En este caso podemos escribir
r =
(10.97)
y usando las relaciones en (10.12) y (10.13), tenemos
r = <& (un- (10.98)
o porque A no es igual, pero slo cerca de un eigenvalue, tenemos
= <& (un - AI) - '<&' 'r
(10.99)
De ah, porque l|c}>| 2 = 1, tomando normas obtenemos
1 || (Un - AI) - '|| 2 || r || 2 (10.100)
-1
-1.5
-1
=
21
0
-1
-0.5
0 - 2
1
Segundo. 10.4
Errores de solucin
881
EJEMPLO 10.19: Considere Kc eigenproblem}) = <t>, donde
"3-1 0"
K=
-1
2-1
0-1
3
El eigensolution es Ai = 1, A2 = 3, A3 = 4, y
<t>, =
1
V6
<t> 2 V2
r
0
-1
<f> 3-V3
1"
-1
1
Suponga que contramos
A = 3.1
y
0.7
0.1414
-0.7
como aproximaciones a A2 y <(> 2. Presntese el error lig la relacin en (10.101).
Tenemos en este caso
3 - 1 o"ir 0.7
1
0.7
r =
-1 2 - 1 0.1414
0 - 1 sJl-0.7
3.1
0.1414
-0.7
-0.2114
De ah
r =
-0.1555
r 2 = 0.3370
-0.2114
La relacin en (10.101) ahora da
IA2 - UN | <0.3370
que en efecto es verdad porque un - A2 = 0.1.
Asuma ahora que slo hemos contado A y <}> y no sabemos que eigenvalue y
eigenvector ellos se acercan. En este caso podemos usar la relacin en (l0.l01) para establecer
lmites
en eigenvalue exacto desconocido a fin de aplicar controles de secuencia de Sturm (ver el Artculo
10.2.2).
Para el ejemplo considerado aqu tenemos
2.7630 A, <3.4370
Djenos usar como un 2.7 atado inferior y como un lmite superior 3.5. Factorization triangular
LDL'
de K 0.3
-1
0
1
'0.3
1 - 3.333
0
-3.333 1
-4.033
1
0.2479
(a)
0
0.2479 1
0.3248
1
-0.5
2 0"
0.5
1 -2
(b)
-2.5
1
882
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
Pero hay un elemento negativo en D en (a) y hay dos elenients negativos en D en
(b); de ah, podemos concluir que 2.7 <A2 <3.5, Adems, resulta que A y <() son
aproximaciones a A2 y <(> 2.
Considerando ahora la exactitud con la cual c}> se acerca un eigenvector, un anlisis
equivalente a ste no slo requiere la evaluacin de || rj|2, pero el espaciado entre el
eigenvalues individual tambin es necesario. En el anlisis actual este espaciado slo es
conocido aprox.
el imately porque los eigenvalues han sido evaluados on a accwacy especfico.
Suponga que A y (f> han sido calculados, donde || c (> II2 = 1, y que A se acerca
el eigenvalues A, - yo = p. .. , q. Para el anlisis de error tambin suponemos que el
eigenvalues
A. para todo ihut i p. . . , los q son conocidos (aunque tuviramos que usar tjie calculado
eigenvalues aqu). El resultado final del anlisis de exactitud consiste en que si | A, - un | || r ||
2 para
/ = p. . .
, q y | A, - un | _ s s para todo yo, ip , q, entonces hay un vector =ap
<|) p
++
para cual || c |> - j|2 IkiA (ver Ejemplo 10. ). Por lo tanto, si A es un
la aproximacin a eigenvalue solo A, - el vector correspondiente <}> es una aproximacin a
<t> yo, donde
ll <t>- l
r 2_
s = mm
todo j
|A, - UN |
(10.102)
}*
Sin embargo, si A est cerca de un nunAer de eigenvalues kp... , entonces el anlisis slo
muestra
que el vector correspondiente <t> est cerca de un vector que est en la correspondencia
subespacial
a ct) p...
, anal5'sis prctico encendido (es decir, superposicin de modo en respuesta
dinmica calcu
lations), esto es el ms probable todo que se requiere porque el final eigenvalues puede ser casi
tratado con como eigenvalues igual, en cuyo caso eigenvectors deliberado tambin no sera
nico pero estn en el subespacio correspondiente a eigenvalues igual t. En el siguiente
nosotros
primero d la prueba para la exactitud con la cual ct> se acerca un eigenvector y luego
demuestre los resultados por medio de ejemplos.
EJEMPLO 10.20: Suponga que tengamos cajculated A, <{>, con || <}> II2 = 1, como
eigenvalue y
aproximaciones de eigenvector y that_K <j> Un <}) = r. Considere el caso en cual | A, un |
|| r || 2 ya que yo = 1.....
2
El |lr || 2/s, donde es un vector en el subespacio que equivale a cjii.. .
La aproximacin eigenvector deliberada <() puede ser escrita como
n
<}) = 2
La utilizacin
1=1
|l <t> - || 2
2 a, <t>,
I =+ 1
o, porque <t) r <t) j = S, j,
~
l <t> || 2 = (2 a?
1/2
(a)
Pero
o
w =? + yo
|| r || 2 = || K A || 2
2 a, (A, - A) <t),
1=1
|rlb = aKK
(2
A) =)'"
Segundo. 10.4
Errores de solucin
que da jjrlli
, tenemos
, <().
>; s (2 a?
1/2
883
(b)
i=q +).
De ah, combinndonos (a) y (b), obtenemos
EJEMPLO 10.21:
sean
conocido (es decir, Ai = 1, A3 = 4) y que A y 4> dado en el Ejemplo 10.19 han sido evaluados.
(En
anlisis actual slo tendramos aproximaciones a Ai and_A3. y todo el error lig clculos
sera aproximado.) Estiman la exactitud con la cual 4> se acerca <|> 2.
Para la estimacin usamos la relacin en (10.102). En este caso tenemos
| <|> - a2 <|> 2 || 2
0.3370
con
s = minuto Aj - A
i = l, 3
De ah, desde un = 3.1, tenemos s = 0.9 y
$11 - a2 <}> 2 || 2 0.3744
Evaluando || 4> - <j> 2 || 2 exactamente, tenemos
!/2
|| <}> - <}> 2 || 2 0.7 - + (0.1414 - 0) +
= 0.1418
EJEMPLO 10.22:
K =
"100 - 1]
-1 looj
El eigenvalues y eigenvectors del problema son
A, = 99, <|>, = -
V2
A2 = 101
Suponga que hayamos calculado eigenvalue y aproximaciones eigenvector un = 100, <J> =
Evale r y as establezca las relaciones dadas en (10.101) y (10.102).
En primer lugar, calculamos r como dado en (10.97),
r
100 - r
-1 100
-100
De ah, || r || 2 = 1 y (10.101) producciones
minuto I A; - AI 1
(a)
Por lo tanto, podemos concluir que un eigenvalor ha sido acercado aproximadamente al 1 por
ciento o menos error. Ya que conocemos aAi y A2, nosotros podemos comparar un con Ai o A2
y encontrar que (a) se obtiene _Considerando ahora la aproximacin eigenvector <}>, notamos
que <|> no se acerca
4> yo o <j> 2. Esto tambin es reflejado evaluando la relacin (10.102). La asuncin que <|> es
una proximacin a <f> yo, que doy yo = 1, tenemos
|| <}> - Ai <J) yo II2 1
884
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
Del mismo modo, suponiendo que <(> es una aproximacin a 4) 2, obtenemos
|| <t> a2 <t> 2 || 2 1
y en ambos casos el atado obtenido es muy grande (note que || <t) yo || 2 = 1 y || <t) 2l|2 = 1),
la indicacin que 4> no se acerca un eigenvector.
Eigenproblem generalizado
Considere ahora que deseamos estimar la exactitud obtenida en la solucin de un generalizado
eigenproblem K4 = AMcf). Suponga que hayamos contado como una aproximacin a A, y
c |> yo los valores A y c |>. Entonces, en la analoga con los clculos funcion encima, podemos
calcular un vector de error de, donde
Tm = -AM
(10.103)
A fin de relacionar el vector de error en (10.103) al vector de error que equivale al
estndar eigenproblem, usamos el M = SS, y luego
-A (10.104)
= Scf>, andK = S "'KS~ (ver el Artculo 10.2.5). Es el vector S " %
wherer =
que tuviramos que usar, por lo tanto, calcular el error lig dado en (10.101). stos
los clculos ligados del error requeriran el factorization de M en SS, donde es asumido
aquel M es positivo definido.'
r =
Durante Clculos
En clculos actuales con frecuencia usamos el mtodo de la iteracin inversa (ver Secciones 11.2
y 11.6), y luego un error ligado basado en las evaluaciones siguientes puede ser eficazmente
obtenido (ver a H. Matthies un y tambin Ejercicio 10.11). Dejar
(10.105)
Entonces tenemos
KS) y
yo
minuto
A.-p (4))
A;
IJ __ ipm
(10.107)
donde p (<|)) es el cociente de Rayleigh,
Veremos que (10.105) _es el paso tpico en una interacin inversa, interacin de Lanczos,
y la interacin subespacial, y p (<() tambin siempre en la prctica es calculado debido a la
aproximacion equivalente del cociente de Rayleigh a un eigenvalue. Tambin note que el
llame 4> M4/ct) Mct) consiste en dos nmeros que son fcilmente calculados en las
interaciones, Mientras los susodichos lmites de error son muy eficaces, es finalmente tambin del
inters en considerar
la medida de error simple siguiente:
|| K6 - AMSIk
*=
|| K$ ||,
'Para evitar el factorization de M podemos considerar en cambio el problema M <t) = un "'
K <|) si el fectorization
de K est disponible ya, y luego establezca lmites en un" \
5
10-'
10-3
10-
0,597690792656
0,156698194481
0.640374649073
0.105594378695
0.640775610204
0.105070861597
4.154633890275
3.863414928932
3.863385512905
A
4.154633890275
3.863414928932
3.863385512905
Tm
-1.207470493734
4,605630581124
-0.008218153965
0.049838803226
-0.000008177422
0.000049870085
r
1.634419466242
1.411679295681
0.021106743617
0.015042545327
0.000021152364
0.000015049775
|A, - UN |
0.291248377399
0.000029416056
0.000000000029
Atado
(10,101/10.104)
2,159667897036
0.025918580132
0.000025959936
Atado
(10.106)
2.912483773983
0.029416056744
0.000029433139
Medida
(10.108)
0.447113235813
0.007458208660
0.000007491764
Segundo. 10.4
Errores de solucin
885
Desde entonces, fsicamente. Kef) representa las fuerzas de punto nodulares elsticas y XM
"el f" representa el punto nodular de la apata fuerza cuando el ensamblaje de elemento
finito vibra en el modo evaluamos en (10.108) la norma del punto nodular del equilibrio
fwces dividido en la norma de fuerzas de punto nodulares elsticas. Esta cantidad debera
ser pequea si A y c}> son un exacto
solucin de un eigenpair.
Si M = yo, hay que notar que podemos escribir
Ae = || r || 2
(10.109)
y de ah,
minuto de e>
(10.110)
'
A
EJEMPLO 10,23: Considere el eigenproblem K<= de la maana <|>, donde
_ r 10
1"
-101. _ [2
Eigenvalues exacto y eigenvectors a la precisin de 12 dgitos son
A, = 3.863385512876;
[0.105070337503.
oo
[-0-401041986380]
= 1 y S = 10"', 10 ",
Suponga que <() = (cjii + 5 <(> 2) c, donde c es tal que
y 10 ". Para cada valor de 5 evalan un como el cociente de Rayleigh de <}> y calculan el
error
los lmites basados en (10.104), (10.106), y el error miden e dado en (10.108).
Resume los resultados obtenidos. Las ecuaciones solan evaluar da n cantidades en (10.103) a
(10.108). Los resultados en la mesa muestran esto para cada valor de S los lmites de error
estn satisfechos y que e tambin es pequeo para una solucin exacta.
CAPTULO TEN
Preliminares
a la Solucin
de Eigenproble
ms
1.
INTRODUCCIN
c, A
(10.3)
839
segundo) cuadrado,
wr
Sec. 10.2
la material tiene ya estado presentado en otro secciones de la libro. Como puntiagudo fuera en la
Seccin 10.1, nosotros considerar la eigenproblema K <! L = AM <! L, que reduce a K <! L= A
<! L
cundo M
e
inter
s.
1. Propiedades de
la Eigenvectores
Ella se ha sealado que la so1ution de la eigenprob1em generalizada K <! L
= AM
<!
L yie1ds n
valores propios , \ , ... , An, ordenado como se muestra en (10.2), y correspondiente vectores
propios
<! L1, ... , <LLNA Cada eigenpair (A ;, ! <L;) satisface (10.4); es
decir; tenemos
K <Fa ; = A; M <Fa ;; i = 1, ... , n (10.8)
La significado de (1 0.8) debera ser bien entendido. La ecuacin dice que si nosotros establece
r una vector A;! M <l; y uso itas un carga vector R en la ecuacin KU = R, entonces U = <!
L ;. Este
pensamiento mayo inmediatamente sugerir la uso de esttico algoritmos
de
solucin para la clculo de
una vector
propio. Nosotros voluntad ver ms
tarde que la LDLr descomposicinalgoritmo es en
efecto un
importante parte de eigensolution procedimientos.
La ecuacin en ( 1 0.8) un l por lo espectculos que una vector
propio es definida slo dentro un mltiple
de en
s; es
decir, nosotros tambin te
ner
(10.9)
donde a es un distinto de cero Constan t. Por lo tanto, con ! <L; ser una vector propio, un <!
Lj es tambin un
vector
propio, y nosotros decir que una vector
propio es definida slo por sudireccin en la n-dimensional espacio considerado. Sin
embargo, en nuestro discusin nos referimos a la vectores propios ! <L;
como satisfactorio ( 10.8) y tambin la relacin !!
<LTM
<l; = 1, que correcciones la longitudes de la
vectores propios, es decir, la absoluto magnitud deEl elementos en cada vector propio. Sin
embargo, nosotros
mayo nota que la vectores
propios son todava definida slo dentro un multiplicador de -l.
Una importante relacin que la vectores propios satisfacer es que OFM-ortonormalidad; es
decir,
nosot
ros te
ner
(10.10)
donde Sij es la Kronecker delta. Este relacin siguiente desde la ortonormalidad de los
vectores
propios de estndar eigenproblems (Ver Seccin 2.5) y es discutido adicional en Seccin10.2.5.
Premultiplicando (10.8) por <! Lj transpuesto y uso la condicin en (10,10), obtenemos
(10.11)
significado que la vectores
propios son tambin Kortogonal. Cundo uso la relaciones en (10.10)
y (10.11) ella debera ser mantenido en mente que la M- y K-ortogonalidad seguir desde(10.8)
y que ( 10.8) es la bsico ecuacin a ser satisfecho. En otro palabras, si nosotros creer que ten
emos un
vector
propio y valor
propio, entonces como un
cheque nosotros deberasustituto ellos en (10.8) (vase Ejemplo 10.3).
As lejos nosotros tener hecho no mencionar de mltiple valores
propios y correspondiente res
eigenvec. Ella es importante a realizar que en este caso la vectores
propios son nonico pero que podemos siempre elegir un conjunto de M -orthonormal vectores
propios que lapso la subespacio que
corresponde a un mltiple valor
propio (Ver Seccin 2.5). En otropalabras, asumir que A;
tiene multiplicidad m (Es
decir, A; = ;
+
J=
= Ai +
mJ); entonces nosotros puede elegir m vectores propios
<!
;, ... , <!
[ 5 -2]
-2 2 '
Ella es credo que la dos eigenpairs de la problema K <Fa = A. <Fa son
1
(D,
= (1, Vs );
V)
v5
2
(D2, v2)
= (6, v5 )
1
v5
(A)
y la dos eigenpairs de la problema K <Fa
(G,
W)
= AM <Fa son
W2)
(12, [ _ ; ] >
(b)
Verificar que nosotros en efecto tener en (A) y (B) la eigensolutions de la problemas K <Fa
= A. <Fa y K <Fa
= AM <Fa , respectivamente.
1.
5 -2] v5 v5
2.
v5
v; [ ]
-2 2
v5
1
o
v5
v5 v5 v5
12 1 12
v5 v5 v5
=
Evaluacin (10,10), nosotros obtener
2 6
v5 v5
2 6
v5 v5
1
T. [
VV
] V :: =
v5
1
viv1
= [-]
v: j = o
v5
843
2
Vs
1
1
Vs
Por lo tanto, la relaciones en (10.3) y (10.10) son satisfecho, y nosotros tener
t = dt, Arizona = dz,
<Fa t
wfMwt
= [ 1]
wrMw
K <Fa = AM <Fa
[ J [n =
= [ - 2]
(JUJ = O
w 2 r MW2
[5-2
feb J [O!
[=
_1
wfMw2
= wfMw1 = O
K <Fa =
La
<Fa withK
=R
2,
y show que la vectores propios correspondiente a la mltiple valor propio son no nico.
La valores
propios de K son En
(A)
donde <1 3 es nico. Estos valores podra ser comprobado como en Ejemplo 10.1. Sin
embargo, cualquier combinaciones lineales de <Fa t y <!
2 dado en (A) que satisfacer laortonormalidad condiciones en (10.10) con
--
V'2 V'2
<Fa =
1 y
<1 2 =
V'2
V'2
oo
c, rKc, = La
(10.12)
=1
(10.13)
c, rMc,
o]
K = -1 -1 4 ;
1
M=1 O
y la dos vectores
[
[O
o -1 2
o
[-
\ 120
-! - ]
1
1
V'2
1
1 = [(4 - \ 12) o]
(A)
1
V'2
o o -1 2 o
V'2 o (4 + V'2)
o
845
-t[]
y
Ya o
v2!
oo
Por lo
tanto, la ortogonalidad relaciones son satisfecho. A show que vi y v2 son no vectores
propios, empleamos (10.8). Para ejemplo,
1
2-1
v2 Kvi =
-1 + -.
Mvi =
v2
Va '
-O
v2
Sin
embargo,
el vector K vi no
puede ser igual a la vector AMV . donde un es un escalar; es
decir, K vi es no
en
paralelo a M vi, y por
lo
tanto vi es Notan vector
propio. Del
mismo
modo, v2 es Notan vector
propio y los
valores (4 - Ya) y (4 + Ya) calculado en (A) son no valores
propios. La real valores
propios y los correspondientes vectores propios son dadoen Ejemplo 10.4.
En la anterior presentacin nosotros considerado la propiedades de la vectores
propios de el
problema K
<!
L = AM
<!
L, y nosotros debera ahora brevemente comentario en lapropiedades de la vectores
eigen calculado en la solucin de la otro valor propio problemas de inters. La comentario
es simple:
el ortogonalidad relaciones discutido aqu mantenerigualmente para la vectores
propios Ofthe problemas encontrado en pandeo anlisis y calor transferencia anlisis. Que es
decir, nosotros tambin tener en pandeo anlisis, uso la notacinen (10.6),
<Fa i t-A'K <Fa i = 51J; <Fa i 'K <Fa i = At5} (10.14)
c, r t-AtKc, = 1; c, r 'K e, = La
y en calor transferencia anlisis, uso la notacin en ( . 10 7), nosotros tener
<Fa iC <Fa i = 5ij; <Fa iK <Fa i = A; 5; j} c,
rcc, = 1; c, rKc, = A
(10.15)
Como para la eigenproblema K
<!
l = AM
<!
L, la prueba de la relaciones en ( 10.14) y
(10.15) depende en la hecho que la generalizada eigenproblems lata ser transformadoestndar
toa formulario. Nosotros discutir este materia adicional en Seccin 10.2.5.
2. La Caracterstica L
os polinomios
de la Eigenproble
ma K <f
= AM <f
y de lts Asociado Restriccin Problemas
Una importante propiedad de la valores propios de la problema K <! L = AM <!
L es que ellos son las races de la polinomio caracterstico,
p (A)
det (K - AM)
(10,16)
Nosotros lata show que este propiedad deriva desde la bsico relacin en (10.
8). Reescribiendo (10.8) en la forma
(K - A; M) <Fa ; = O (10.17)
nosotros observar que (10.8) lata ser satisfecho slo para no trivial ! <L; (Es
decir, !
<L; no ser igual toa
nula vector) previsto que la matriz K - A; Mis singular. Estemedio que si nos
otros factorize
K - A; M en una
unidad inferior triangular matriz L y una superior triangular matriz S uso
Gauss eliminacin, nosotros tener Snn = O. S
in embargo, desde
p (A;) = det LS = fi S
i=l
(10.18)
(10.19)
Ejemplo 10.4:
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
a.
p (A) = - Un + 3A - llA
y nosotros tener
3
+ 12
!. \)
nosotros tener
O]
2 -1 <! 1 = 0
-1 1
(A)
La coeficiente matriz K - La 1M en (A) lata ser factorizada en LDLr sin intercambios. Usando
el procedimiento descrito en la Seccin 8.2.2, nosotros obtener
[o
-1
-1
JJ
-} = o
1
(B)
Nosotros nota que d33 = 0.0. A eva1uar <Fa 1. nosotros obtener desde (B),
[1
U so a1so <! fM <Fa 1 =
<Ta f = 1
-1
-} = o
1, nosotros tener
V'2
A obtener <! 2 y <Fa
3, nosotros proceder en una ana1ogous manera. Eva1uating K - A 2 M, nosotros obtener
de (10,17),
o -1 o]
-1
O -1 <1 2 = 0
o -1 o
o
-1 Oc!> 2 = 0
-1 O
Factorizacin la coeficiente matriz en un unidad inferior triangular matriz L y una superior matriz
triangular S, nosotros obtener
y Por lo tanto,
-n ,
y
[> _. -
w,
eu
se
cl> f = [-1 o 1]
A calcular
o]
-1 -2 -1 cl> 3 = O
[
o -1 -1
La coeficiente matriz lata ser factorizada en LDF sin intercambios; es decir, nosotros tener
-1
-] o
v2
La valores
propios de la primero asociado restriccin problema son obtenido desde la solucin de
[
Por lo tanto,
pO> (A O>)
A <1>
4 A <1> + 7
y
>
= 4 - V; A > = 4 + V
A
i
= , y llamada la resultante curva C. Del mismo
modo, nosotros establecer curvas CZ, C3, ... , como
indicado en Fig. 10.1. Considerar ahora que ; < JL < i + 1 y dibujar un lnea vertical corre
corres- a JL en la figura deEl caracterstica polinomios; es
decir, este lnea establece donde JLmentiras en relacin a la valores
0
CH, .a ,
(10.23)
y desde cada cruce de JL con una envoltura Ck corresponde a un negativo elemento que
aparece en D, nosotros tener exactamente yo negativo elementos en D.
Estos Consideraciones tambin mantener en la caso de mltiple valores
propios; es
decir, en Fig. 10.1 lo
haramos meramente encontrar que sorne valores
propios son iguales, perola argumento dado arriba hara no cambia.
La propiedad que la nmero de negativo elementos en D es igual a la nmero de
valores
propios menor de JL lata ser usado directamente en la solucin de valores
propios (Ver Seccin
11.4.3). Narnely, por asumiendo un cambio JL y de
cheques si JL es menor o
ms
grande de la
requerida valor
propio, nosotros lata sucesivamente reducir la intervalo en que la valor
propio debe
mentir. W e demostrar la solucin procedimiento en la siguiente exarnple.
Ejemplo 10.5: Uso la hecho que la nmero de negativo elementos en D, donde LD
F = K - .tM, es igual a la nmero de valores
propios menor de .t en orden a calcular A de Kcl> = AME!>, donde
2
2 -I
o]
K = -1 -1 4 ;
[
o -1 2
La tres valores
propios de la problema tener ya estado calculado en Ejemplo 10.4. Nosotros
ahora proceder en la fullowing sistemtico pasos.
l. Dejar nosotros assu e .t = l y evaluar LDV de K - .tM,
-1
3
1
Por lo tanto,
LDL '[l
_J
7
Il
f.] ['
2.
-n
Desde todos elementos en D son mayor de cero, nosotros tener A1 > l.
Nosotros ahora intentar .t = 8, donde
y
Desde todos tres diagonal elementos son menor de cero, ella siguiente que
,\3
< 8.
3.
La siguiente estimacin .t debera lgicamente mentira entre l y 8; nosotro
s elegir .t = 5, para que
-n
-1
K- [-! -n
-1
LDL '[-
1,
-1
J N
-2
1
Por lo tanto A > 3, porque ahi esta uno on1y e1emento
negativo en D.
La patrn de la so1ution procedimiento tiene ahora estado establecida. As lejos
nosotros saber que
3 < A2 <5. En orden a obtener un ms
cerca estmate en A 2 nosotroswou1d continuar elegir un cambiar JL en la interv
a1 3 tr> 5 y investigar si la nuevo cambio es menor o 1arger de A
Por a1ways elegir una apropiado nuevo cambio, lanecesario eigenva1ue lata ser
determinado
muy accurate1y (Ver Seccin 11.4.3). Ella shou1d ser conocido que nosotros hizo
no necesitar a uso
intercambios en las
factorizaciones de K - JLM realizado fuera anteriormente.
2
3.
Ca
m
b
i
o
Una importante procedimiento que es usado extensamente en la solucin de valores
propios y res
eigenvec es desplazamiento. La propsito de desplazamiento es a acelerar la Clculos dela ne
cesario
K por calc
ulador
K=
K- PM (10.24)
= JLM \ fl (10.25)
K \ jl = JLM \
donde y = p + JLA
hecho, la eigenproblema
Sin
Kc, = AMe
embargo, ( 10.26) es
,, y ya
decir, en De
que
Kc, = AMe
,, pero la valores
[- - J
A [J
(a)
Calcular la valores propios y vectores propios. Entonces imponer un cambio p = 2 y resolver de nuevo para los valores propios y correspondiente vectores propios.
A calcular la valores propios nosotros uso la caracterstica polynornial
p (A)
= det (K - AM) = 3A
18A
[_
-3
3].!...
'"1
= O
'
Por lo tanto, =
1
v'6
YO
v'6
1
(B)
y
-9
[-9
-9
por lo tanto, 2 =
'! "2",
v2
(E)
[- - J = A [J
(d)
= La
Loa
+ 16
Extenso aplicaciones de desplazamiento son dado en Captulo 11, donde la vario eigens
ys
tem solucin algoritmos son discutid
o.
4. Efecto
de Cer
o Mas
a
Cundo uso un agrupado masa matriz, M es diagonal con positivo y probablemente sorne ce
ro
diagonal elementos. Si todos elementos mu son mayor de cero, la valores
propios
lataen
general no
sea obtenido sin la uso de una valor
propio solucin algoritmo como descrito en Captulo 11.
Sin
embargo, si M tiene sorne cero diagonal elementos, decir r diagonal elementos
en M son cero, podemos inmediatamente decir que la problema Kc, = AMe
, tienelos valores propios Una = nI =
A obtener la arriba En
consecuencia, dejar nosotros retirada la fundamental objetivo en una eigensolut
ion. Ella es importante a recordar que todos nosotros exigir es unvector e, y
escalar La que satisfacer la ecuacin
Kcl> = AME!> (10.4)
donde e, es no
trivial; es
decir, e, es un vector con en menos uno elemento en ella distinto
de
cero. En otras
palabras, ifwe tener un vector e, y escalar La quesatisfacer (10. 4), entonces
La ande, son una autovalor
A; y vector
propio e,;, respectivamente, donde ella debera ser conocido que ella hace n
o materia cmo e,y La tener estado obtenido. Si, para ejemplo, nosotros lata
adivinar e, y A, nosotros debera ciertamente tomar
ventaja de ella. Este mayo :,
E la caso cundo rgido cuerpo modos son presente en la elemento
estructural de
encaje. Por
lo
tanto, si nosotros saber que la elemento montajelata someterse un rgido
cuerpo modo, nosotros tener
= O y necesitar a buscar c,
I a satisfacer la ecuacin Kc,
1 = O. En
general, la solucin de e,
necesario ser obtenido uso unaecuacin solver, pero en un simples finitos
elemento montaje nosotros mayo ser capaz a identificar c
, I por inspeccin.
En la caso de r cero diagonal elementos en un diagonal masa matriz M, nos
otros lata siempre
inmediatamente establecer r valores
propios y correspondiente vectores
propios. Reescribiendo la problema eigen en (10.4) en la forma
(10.28)
donde JL = Al, nosotros encontrar que si mkk = O, nosotros tener una eigenpair (JL ;, e
J.L
= o (10.29)
Que e
,; y JL; en (10.29) son en
efecto una vector
propio y valor
propio de ( 10.28) es verificado simplemente sustitucin en (10.28) y sealand
o que (JL ;, e ,;) esun no trivial solucin. Desde JL = A- 1, nosotros por lo
tanto fundar que una eigenpair de Kc, = AMe, es dado por (A ;, e ,;)
= (Oc, ek).
En vista de la caso de r cero diagonal elementos en M, ella siguiente que ya
est son r valores
propios
infinitas, y la correspondiente vectores
propios lata ser tomado a serunidad vectores con cada
unidad vector tener la 1 en un ubicacin correspondiente a un cero masa eleme
nto en M. Desde Una es entonces una valor
propio de multiplicidadr, la correspondiente vectores propios son no nico (Ver
Seccin .
10.2 1). En Adems, observamos que la longitud de una vector
propio no
puede ser fijo usando
elcondicin de Mortonormalidad. Nosotros demostrar cmo nosotros establecer la valores
propios y vectores propios por medio de un breve ejemplo.
Ejemplo 10.7: Considerar la eigenproblema
-1
2 -1
-1 2
-1
ades de
los valores
propios, vectores
propios, y caractersticapolinomios deEl generalizada lem
eigenprob lata ser deducida desde la propiedades de la correspondiente cantidades de
la eigenproblema
estndar. Al
darse
cuenta
de quela propiedades de estndar eigenproblems son ms fcil
de
evaluar, ella es a un grande grado para la segundo razn que la transformacin un eigenproble
ma
estndar es importante a serestudiado. En
Efecto, despus presentacin la transformacin proce
dimientos, nosotros mostrar cmo la propiedades de la vectores
propios (S e
e Seccin 10.2.1) y la
propiedades de la caracterstica polynornials (ver Seccin 10.2.2) de la problema K <Fa =
AMe, son derivado desde la correspondiente propiedades de la estndar eigenproble
ma.
En la siguiente nosotros asumir que M es positivo definida. Este es la caso cundo Mis
diagonal con mu > O, yo = 1, ... , n, o M es bandas, como en un consistente masa anlisis.
SiM es diagonal con sorne cero diagonal elementos, nosotros primero necesitar a realizar est
tico la
condensacin en la sin
masa grados de libertad como descrito en Seccin 10.3.1.Assurning que M
es positivo definido, nosotros lata transformar la generalizada eigenproblema Kc, = AMe
, dado en (10.4) por uso un descomposicin de M de la forma
M = SST (10.30)
donde S es cualquier no
singular matriz. Sustituyendo para M en (10.4), nosotros tener
s-
y definicin un v
ector,
, = S T el>
(10,32)
(10,31)
K = s-IKS-r
(10.33)
(10.34)
(10.36)
(10.37)
lt debera ser conocido que cundo Mis diagonal, la matrices S en (10.35) y (10.37) son lo
mismo, pero cundo M es bandas, ellos son diferente.
En
vista
de la eficacia deEl sol cin deEl necesario valores
propios y res
eigenvec de (10,33), ella es ms importante tJtat K tiene la mismo ancho
de
banda como K cundo M es
diagonal. Sin
embargo, cundo Mis bandas, K en (10.33) es en general un completo matriz, que hace
que
la transformacin ineficaz en casi alllarge
orden finito elemento anlisis. Este se
convertir ms aparente en Captulo 11 cundo vario eigensystem solucin algoritmos se
discuten.
Comparando la Cholesky factorizacin y la espectral descomposicin de M, ella mayo D
ebe
observarse que la uso de la Cholesky factores es en general computacionalmente mseficiente
que
t_he uso de la espectral descomposicin porque menos operaciones son implicado en clculo
de LM de R y D. Sin
embargo, la espectral descomposicin de M mayorendimiento un ms exacto
solucin de Kc,
LM
s ubicaciones
porque de la enganche en M y
En consecuencia,
LM
3 -1
K = -1 2 -1 ;
31
-1 1
o]
12
v2
1 _2
LM = v
o
1
v2
1
y
(-
--v'1o
1
-- 1
v4o v'1o
La matriz de la estndar eigenprob1em
K = L yo KL l es en este caso,
-
v'5 v'5
K=
v'5 5 - 3
4 42
Ejemplo 10.9: Considerar la generalizada eigenprob1em en Ejemp1o 10.8. Uso la descom
posicin espectral de M a ca1cu1ate la matriz K de un correspondiente estndar eigenprob1em.
La eigenva1ues y correspondiente vectores propios de la prob1em Me!
> = A el> lata ser ca1cu- 1ated como se
muestra en Ejemp1o 10.4. Nosotros obtener A1 = 1, A2 = 2, A3 = 4, y
11
1
V'3
v2 v'6
el> =
1
--Una
cl> 2 C =
o!>
3=2
v'6
V'3 '
111
V'3
v2 v'6
857
11111
V'3
v2
v'6
V'3 V'3
V'3
M= - 1
['
.] 1
o2
o1
V'3
v'6
v2 v2
1111
11
--
2
11
K=
--1-1-1
3va
2v'6
Ejemp1o 10.8.
En la arriba discusin nosotros considerado slo la factorizacin de M en M = SST
y
luego la transformacin de K e, = AMe, en la forma dado en ( 10.3 3). Nosotrospu
ntiagudo fuera que
este transformacin lata rendimiento inexacto resultados si M es mal
acondicionado. En tal un caso parece natural a evitar la descomposicin de M y en
lugar usoun factorizacin de K. Reescritura Kc, = AMe, en la forma Me, = (1 /
A) Kc ,, nosotros lata uso una anlogo procedimiento para obtener la eigenproblema
Me!> = -el> (10,38)
La
donde: M = s - 1 Ms-T
(10.39)
K = SST
(10.40)
= A <i)
K = s-
Ks-R;
= A.
(a)
1)
- ->
<!
<- 1>
donde
y la propiedades
Sustituyendo para
= (1 / A.) K <!>
Se
consider. A obtener la mismos
vectores como en la problema K
<!> = AM
<I>, nosotrosnecesitar a multiplicar los vectores propios <!>; de la problema M <!> = (1 / A.)
K <I> por la factores y; yo = 1, ... , n.
con la vectores propios ahora ser Ortonormalizada-K, porque la problemm <!>
En vista
de estos pruebas, nosotros nota que nosotros arreglado la eigenproblems en tal un camino
que
la matriz asociado con la valor
propio, es
decir, la matriz en la de
la
mano
derecha lado deEl valor propio
problema, es positivo definida. Este es necesario a ser capaz a crry fuera la transf
ormacin de la generalizada eigenproblema a un estndar forma y as derivar la vector
propiopropiedades
de
ortogonalidad en (A) y (B). Sin
embargo, en
vista
de la problemas 'K
<!> = A'- 'K
<I> y K
<!> = AC
<!>
Dado en (10.6) y (10.7), nosotros lata proceder en un similarmanera. La resultados hara
ser el vector propio ortogonalidad propiedades dado en (10.14) y (10,15).
Ejemplo 10.11: Probar la Sturm secuencia propiedad de la caracterstica polinomios
de
los problema K
<!> = AM
<I> y la asociado restriccin problemas. Demostrar la prueba parala
siguiente matrices:
-1
(a)
-1
y LM es la Cholesky factor de M.
En vista de la eigenproblerns K <i) = A. <i) y i < l <i) < l = , \ < l <i)
< l, r = 1, ... , n - 1
[Ver (8.37)], nosotros saber que la caracterstica polinomios forma Sturm secuencia. En l
a Por
otro
lado, si nosotros considerar la eigenproblema K
<!> = AM
<I> y laeigenproblerns de su restriccin asociada problemas, es decir, K <'l <> <
l = , \ < Lm < l <> < l [Ver (10.20)], nosotros nota que la problemas (<
l <i) < l = A. < l <i) < l y K <'l <l> (r) = , \ < Lm < l <l>
(r) tener la mismo valores propios. A saber, K < l <l> (r) =
, \ < l <i) < l es un eigenproblema estndar corrzsponding t2 K <'l <l> <
l = , \ < Lm < l <l> < l; i:... e, en lugar de
eliminando la r filas y columnas desde K (A obtener K
<
Nota que L y yo, - lata ser obtenido simplemente por borrado la ltimo r filas y colu
rnns y de 1 ', respectivamente.
Por lo
tanto, la Sturm secuencia propiedad tambin ejerce para la caracterstica polinomios d
e
K
<!> = ..
\
M
<!
> y la asociado restriccin problerns.
Para la ejemplo a ser considerado, nosotros tener
1
[2 o o]
Por lo tanto,
o
LM = 2
o2
o22
-1
O] ['
-!
-J
-1
(E)
K=H
JH - =
2
-]
(D)
-
-1
-2
-1]
=[
-1
- (!)
1t mayo ser conocido que ella siguiente desde este discusin que la caracterstica polino
mios de
la eigenproblerns 'K <I> = A'- 'K <I> y K <!> = AC <!> dado en (10.6) y (10.7) y de su
asociado restriccin problemas tambin forma un Sturm secuencia.
6.
Ejercicios
1.
6 -1
-1 4
-1 <!> = A O 2 1 <!>
[
o -1
o 11
a. Calcular la valores propios y vectores propios y show explcitamente que la vectores
propios son M -orthogonal.
b.
3.
Encontrar dos vectores que son M-ortogonal pero son no vectores propios.
2. Calcular la valores
propios de la eigenproblema en Ejercicio 10.1 y de su asociado restriccin problem
as. Show que la valores propios satisfacer la separacin propiedad (10,22).
Considerar la eigenproblema
H -} {
2}
b.
1.
Establecer dos vectores que son M-ortogonal pero son no vectores propios.
Calcular la valores propios y vectores propios de la problema
[- 1
junio-1
abril]
<!> = A
[2
5.
6.
O <!>
Entonces aplicar un cambio p = 3 en K y calcul a te la valores propios y vectores
propios de la nuevo problema [vase (10.25)].
Transformar la generalizada eigenproblema en Ejercicio 10.1 en un estndar formulario.
(A) La valores propios y vectores propios de la problema
K <!> = A <!>
son A
= 1;
Calcular K.
<1> 1 =
_1 [1]
v21
<1> 2 =
_1 [ 1]
v2 -1
(B)
son
_1 [1]
1;
v31
Calcular K y M. Son la K y M matrices en (A) y (B) nico?
10.3 APROXIMADO SOLUCIN TCNICAS
donde
(10.43)
(10.44)
(10.45)
(10.46)
(Libre
de
vibraciones frecuencia al
cuadrado) y vector
propio (Modo forma desplazamientos). Esto
significa
que en (1 0.45) un adicional reduccin de la nmero de gradosde libertad a con
siderarse es no posible. Este es un bsico diferencia a esttico condensacin co
mo aplicado en
esttico anlisis, donde la cargas son dado explcitamente ysu efecto lata ser re
alizado encima al restante grados de libertad.
Ejemplo 10.12: Uso esttico condensacin a calcular la valores propios y vectores
propios problema deEl K <!> = AM <!>, donde
o 01
2 -1
= -1 2 -1
K O -1 2 -1 '
o o -1 1
Primero
Ka = [] - [- = J
[J [= - J = [_
[- 1 1 -1] <l> a
y nosotros tener Por lo tanto,
det (Ka- AMA) = 2A
2A
1 V'2 1 V'2
2 - 4;
2 4
A =
A =
+
La correspondiente vectores propios son calculado uso
Por lo tanto
Uso (10,44), nosotros obtener
2
<L> c, = -
,, -r:
= La
[2 J
<l> a
Cap. 10
K <!> = AM <I> es
1
-
4
1
1
V'2
, \, =
Z- 4;
<!> =
1
+ V'2
V'2
2
--1
4
1
2
<1> 2 =
-1
+ V'2
4
V'2
2
En la arriba DE
DEBATE nosotros dio la formal matriz ecuaciones para
llevar fuera condensacin
esttica. La principal computacional esfuerzo es en calculador Kadado en ( 10,46), don
de debera ser conocido que en
la
prctica un formal inversin de Kcc es no realizado. En lugar de ello, Ka
lata ser obtenido convenientemente uso la Cholesky factor
ctorizar Kceo
(10.49)
particin K en la submatrices Kaa, Kceo Kaeo y Kca porque Gauss elirnination lata r
ealizar en cualquier orden (VerEjemplo 8,1, Seccin 8.2.1). Sin embargo, la ancho de
banda deEl
rigidez Matrix entonces, en en
general, aumentar durante la reduccin proceso, y problemas
dealmacenamiento necesario ser considerado.
(10.54)
(10.55)
o
ro
1
(A)
r0o-1
2 -1 [V Vz] = 0 0
-1 1 1
donde nosotros hizo no intercambio filas y columnas en K en orden a obtener la forma en (10,5
1).
!L
Fa = [
2 2];
vr = [1 2 3 4]
Fe = [
!]
F = [V'2 0] [2 de 2] [V'2
un
o] [ 4 2v '2]
O 1 2 4 O 1 = 2v'2 4
La solucin de la eigenproblema
da JL =
4 - 2v'2;
1
V'2
al =
V'2
1
V'2
(B)
# 1-2 =
Desde <L> a = M;
112
4 + 2v'2;
a. nosotros tener
a2 =
V'2
.. [0 : J
1
11
-
V'2 2
1 1 '<l>
a2 =
(e)
V'2
V'2
V'2
La vectores <L> c ,, y <L> c 2 son calculado uso (1 0.56); Por lo tanto,
(D)
Desde JL = 1 /
A. nosotros realizar que en (B) a (D) nosotros tener la mismo solucin como obtenido e
n Ejem plo 10.12.
En vista de la diferente procedimientos de eliminando la sin masa grados de libertad,
la resultados de
los eigensystem anlisis son la misma
con
independencia deEl procedimientoseguido,
es
decir, si Ka o Fa es establecido y si la eigenproblema en (10.45) o en (10.52)
es resuelto. La bsico asuncin en la anlisis es que resultante desde masa formacin
de
grumos.Como discutimos en Seccin 1 0.2.4, cada cero masa corresponde a una infinito frecue
ncia en la
A [o 2]
<1>
(A)
o -1 2 o
Uso la procedimiento dado en (10.51) a (10,56), nosotros obtener
F [.!]
[
un 3 '
2v'2
1
2v'2
La solucin de la eigenproblema en (A) para la ms pequeo valor
propio y correspondiente vector propio
es por lo tanto
\ - 3.
/ \ -
2v'2
1
V'2
1
2v'2
V2
= 2;
cf>,
1
=
V2
1
V
2
lt debera ser conocido que uso la masa lumping procedimiento, la valores propios lata ser ms
pequeo, como en este ejemplo o- mayor de la valores propios de la original sistema.
2. Rayleig
h-Ritz A
nlisis
(10.4)
<
00
(10,59)
el> = L X; TLL;
i=l
(10.60)
L L XXi (,
p (cf>) = : ..., I;, ..: l - = -: i;, ...: - 1--
L L XXfffl
j =!
i=l
kij = tlliKtll
(10.61)
(10.62)
Xk -
2k L Xffl
_u _ '! "_
= ! J = I (10,64)
(K
pmij) x
=
1
para yo = 1, ... , q
(10,65)
j =!
La vectores
propios X; son u SED a evaluar la vectores, ... , q, que son aproximaciones
a la vectores propios ... , qa Uso (10.68) y (10,60), nosotros tener
q
cf>; =
L x; tllj;
j=l
yo
1, ... , q
(10,69)
donde 5; j es la Kronecker delta, y que, Por lo tanto, en la arriba RayleighRitz anlisis obtuvimos pz por evaluacin
P2 = min p (cf>)
(10.74)
= min p ((ji)
donde la rninimum es tomado encima todos vectores que satisfacer la condicin
cf> T Mcf> = 0
[H
(10.76)
(10.77)
La problema definida en
(10.76) y (10.77) es la mismo como la problema en (10.71) y
(10,72), excepto que en la ltimo caso la mnimo es tomado encima todos .mie
ntras en el
problema en (10.76) y (10.77) consideramos todos vectores en Vq. Entonces de
sde Vq es contenida en Vn, nosotros tener Arizona < j) z. En la otro mano, j)
z< pz porque la ms grave restriccin en
= R (10.79)
donde '\} F es una n X q rnatrix almacenamiento la Ritz base vectores; es decir, '\}
F = [\ Fl, ... , \
FLQ]. El
anlisis es seguido por evaluacin la proyecciones de K y Msobre la subespaci
o Vq atravesado por la vectores \ Fl ;, yo = 1, ... , q; es decir, nosotros calcular
K = 'FiTK \ fl (10.80)
y
X=M
Xp (10.83)
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
= 2, A2 = 4, A = 6.
3
- J [YoJ
\Fl=
fi
fi]
Por lo tanto,
6 6
17
TI TI
y
La solucin de la eigenproblema
Kx = PMX es
M: = _1_ [29 1 1 J
144 11 29
(P,
X)
= (2.4004,
1.3418]
1.3
({12. x2)
008]
(4.0032,
[_
2.
418
2
0008
895
- = [ ] [1,3418 2,0008] = [
cll 1.3418 -2.0008
0,895
Ti Ti
nosotros tener
(J) 1 =
0,895]
= [ 1.00] [
0,895 -1,00
; (J) 2
H -n [: J!
Siguiente nosotros asumir la carga vectores en caso 2 y ungento
Por lo tanto,
y
[! J!
K=
1]
'
33
M = J .. [41
36 13
La solucin de la eigenprob1em
Kx = PMX da
0,70711]
({12, X2)
= (6.0000,
-2,1213])
(P1, X1)
= (2.000, [0.70711 ); [
.
6 3640
Por lo tanto, nosotros tener como valor
propio aproximaciones P1 = 2.00, P2
cll = [0.70711
5 1 0.70711
= 6,00, y evaluacin
66
-2,1213] [0.70711
6.3640 = 0,70711
0.70711
-0,70708]
0.70713
-0.70708
nosotros tener
0,70711]
4> 1 = 0,70711 ;
[
0.70711
-0,70708]
4> 2 = O. 70713
[
-0.70708
Comparando la resu1tados con la exacto solucin, ella es interesante a nota que en caso 1
, P1 > A1 y P2 = A2, mientras en caso 2, P1 = A 1 y P2 =
3. En ambos casos nosotros hizo noobtener una buena aproximaciones a la ms bajo dos valores
propios, y ella es claramente demostrado que la resultados
depender completamente en la inicial Ritz base vectores elegido.
Ejemplo 10.16: Uso la Ray1eigh-Ritz anlisis a calcular una aproximacin a A1 y cf> 1
de la eigenproblema considerado en Ejemplo 10.12.
Nosotros nota que en este caso M es positivo sernidefinite. Por
lo
tanto, a llevar fuera la Anlisis
Ritz nosotros necesitar a elegir un carga vector en R que excita en menos uno masa. Asumirque
nosotros uso
RT = [O 1
o O]
wr = [1 2 2 2]
Por lo tanto,
K=
[2];
p =
6 1;
M = [12]
X =
[2 ]
> A, .
La Ritz anlisis procedimiento presentado arriba es un muy general herr
amienta,
y, como puntiagudo anteriormente, vario anlisis mtodos conocido bajo difer
entenombres lata en
realidad ser se
muestra para ser Ritz anlisis. En Seccin 10.3.3 nosotros presente la compone
nte modo sntesis como un Anlisis
Ritz. En la siguientenosotros brevemente querer a show que la tcnica de est
tico condensacin
como descrito en Seccin 10.3.1 es
decir, en De
hecho, tambin un Ritz anlisis.
En la esttico condensacin anlisis nosotros asumido que todos masa la
ta ser agrupado en q grados de libertad. Por
lo
tanto, como una aproximacin a laeigenproblema K = AM . obtuvimos la sigui
ente problema:
Por lo tanto nosotros tener, como era de esperar, p,
> ]
Kea Kee cf> e O O cf> e
(10.42)
[Fa ] = [1]
(10.51)
en que F. = K ;;
', nosotros encontrar que la Ritz base vectores a ser usado en (10,80), (10,81)
, y (10.84) son
(10.85)
K = [1
(FeKaYJ [ :: J [Fe J
(10,86)
M = [1
(10.87)
(10.88)
(FeK.Y] [ ] [Fe J
o M = Ma
(10.89)
= [ :]
(10.90)
Para
mostrar que este eigenproblema es en
efecto equivalente a la problema en (1 0.45), nosotros Premul
tiply ambos lados en ( 10,91) por K. y uso la transformacin x =Kai, dando Kai
= Amai, es decir, la problema en (10.45).
Ejemplo 10.17: Uso la Ritz ana1ysis procedimiento a realizar esttico condensacin de la
mass1ess grados de libertad en la problema Kcf> = ACCM> considerado en Ejemplo 10.12.
Nosotros primero necesitar a evaluar la Ritz base vectores dado en
( 10,90). Este fue hecho en
Ejemplo 10.13, donde nosotros fundar que
Finalmente, nosotros debera nota que la uso deEl Ritz base vectores en (
10.85) [(O en (10.90)]
es tambin conocido como la Guyan reduccin (Ver R. J. Guyan [A]).En la Guya
n esquema la Vectores
Ritz son usado a funcionar en un agrupado masa matriz con cero elementos en
la diagonal como
en (10.88) o en fulllumped
general
oconsistente masa matrices. En este reduccin la unos grados de libertad son frec
uentemente referido a como dinmica grados de libertad.
3. Componente M
odo Sntesis
de K1, Kn, ... , KM (Ver Ejemplo 10,18). Asumir que slo componente estructu
ras L - 1
y L conectar, L = 2, ... , M; entonces nosotros lata escribir para la rigidez matriz
de la completo
estructura,
KNA
K=
(10.92)
Uso una anlogo notacin para la masa matrices, nosotros tambin tener
M.
Mn
M=
(10.93)
(10.94)
o
donde IL-IL es un unidad matriz de orden igual a la conexin grados de libertad
entre
el
componente estructuras L - 1 y L. La unidad matrices corresponder a cargas que
sonaplicada
a la conexin grados de libertad de la componente estructuras. Desde en la deri
vacin
de la modo forma matrices usado en (10.95) la componente estructuras eranfijo
en sus
lmites, la unidad cargas tener la efecto de liberando estos conexin grados de l
ibertad. lf, en la otro mano, la conexin grados de libertad han
sido incluido en laanlisis
de la componente estructuras, nosotros mayo dispensar con la unidad matrices
en R.
Una importante consideracin es la precisin que lata ser esperado en la ar
riba
nente
compo modo sntesis. Desde un Ritz anlisis es realizado, todos precisinConsi
deraciones dis
cussed en Seccin 10.3.2 son directamente aplicable; es
decir, la anlisis rendimientos superior lmites a la
exacto valores
propios de la problema K = AM . Sin
embargo, la real precisin alcanzado en
la solucin es no conocido, aunque ella lata ser evaluado, para ejemplo, como
descrito en
Seccin 10.4. La hecho que la solucin precisin es muy dependiente en la vect
ores usado en R (Es
decir, la Ritz base vectores) es
decir, como en todos Ritz anlisis, laprincipal defecto de la mtodo. Sin
embargo, en la
prctica, razonable precisin lata a
menudo ser obtenido porque la vectores propios correspondientes a la ms
pequeovalores
-1 : - -
T - -_: _- 1
: -l 1
I_ j
'
M=1
r -----
:1
1
Uso la
subestructura eigenproblems indicado por la discontinua lneas en K y M a establecer la carga
matriz dado en (10.95) para un componente modo sntesis anlisis. Entonces calcular valor
propio y vector propio aproximaciones.
Aqu nosotros tener para infraestructura 1,
con la eigensolution
La
K, =
[-
febreroa1 febrero];
M
1
[1
o o]
[- 2 1
En
l];
= Mu
1
o_ J
A, = 2-
V2, A2 = 2 + V2;
V2 V2 o
22
V2 V2 o
R=
22
oo
V2 V2 o
22
11
Ahora realizar la Ritz anlisis como dado en (10.79) a (10,84), nosotros obtener
[22.40
7.243 1.586
5.328
7.243]
[222,4 77,69]
50,69
M = 50.69
11.94 17.59
77.69 17.59 27.5
y Por lo tanto, p
["" 098
2.83
= 1,
B
J
0,207
0,181
4J) = 0,509
0,594
0,655
-0.773
0.0984
1.47
-0.385
0,574
0.00690
-0.0655
0,443
-0.166
-0.978
10.3.4 Ejercicios
7.
Considerar la eigenproblema
-1
4
-1
-1 !> = A O 2 1 f>
2o11
Realizar la esttico condensacin como en
general realizado [Ver ( 10.46)] y entonces por la Rayleigh
Ritz anlisis procedimiento [Ver ( 10,51)].
8. Considerar la eigenproblema en Ejercicio 10.1. Realizar un Rayleigh-Ritz anlisis con l
a dos vectores
a calcular una aproximacin a la ms pequeo valor propio y correspondiente vector propio.
9. Ella es ser reclamado que Si, en la solucin de la generalizada eigenproblema K
f> = AM f>, la Ritz vectores son
10.
Componente 1
-------------,
/K m*\
l 1
....
_ ------------ ""
K = 10
k= 1
m=2m*= 1
4.
SOLUCIN ERRORES
(10.96)
Dejar nosotros primero asumir que uso cualquier uno solucin procedimi
ento obtuvimos una aproximacin X y <F> Toan eigenpair. Entonces sin r
especto a cmo lavalores tener estado obtenido, nosotros puede
evaluar un residual vector que da importante informacin acerca
de la precisin con que
X y <F> aproximado la eigenpair. La resultados son dado en (10.101) a (
10.104). Nosotros entonces
presente tambin error encuadernado Clculos til en soluciones basado e
n inverso iteraciones y un
simple erro
r medir.
Estndar Eigenproblema
(10.97)
(10.98)
(10.99)
(10.100)
Pero desde
nosotros tener
(10.101)
Por
lo
tanto, un concluyente declaracin lata ser hecho acerca
de la precisin con que compaeros
de
Approxi una valor
propio A; por evaluacin llrllz comoexpresada en (10,101). Este es bastante dife
rente
de la informacin que podra ser obtenido desde la evaluacin de la residual vec
tor r en el solucin de la estticoequilibrio ecuaciones.
= La . donde
K = [- - - ]
o -1 3
La eigensolution es En
Asumir que nosotros calculado
= 1, A2 = 3, A3 = 4, y
3
1
= _ [- ]
v31
X = 3.1 y
0.7 ]
= 0,1414
[
-0,7
como aproximaciones a A2 y 2 Aplicar la error encuadernado relacin en (10,101).
Nosotros tener en este caso
r = - 1 marzo-1febrero - 1 ] [0 0 1 4 1 1 4].. - 3. 1
[
[1] [0. O 1.
4 7 1 4]
o -1 3 -0,7 -0,7 1
Por lo tanto
-0.2114]
r = -0.1555 ; [
-0.2114
llrll2 = 0.3370
1
r-31
-1
O]
-0,7 -1
o -1 0,3
-3.333
-4,033
0,2479
y en #L
= 3,5,
C0.5 o ] ['-0,5
-1
-1 -1,5 -1
21
-1 -0,5 -2 o
(A)
0,3248
0.5 (b)
_, _,] ['
-;]
Pero ya
est es uno negativo e1emento en D en (A) y ya
est son dos negativo e1ementos en D en
(b); Por
lo
tanto, nosotros lata concluir que 2.7 < A < 3.5. Por
otra
parte,ella siguiente que X y Ci) son aproximaciones a A y 2.
2
LLR 1!
2 pero la espaciamientoentre la
individual valores
propios es tambin sea
necesario. En real anlisis este espaciamiento es conocido slo aprox
madamente porque valores propios han sido evaluado en! I toa especficoacc acy.
Asumir que
aproxima
la valores
propios ;, yo = p, ... , Q. Para la error anlisis nosotros tambin asumir que la valores
propios
; para todos yo pero yo i
= p, ... , q son conocido (Aunque nosotros hara necesitar a uso la valores
propios
calculados aqu). La final resultado de la precisin anlisis es que si
lA;
e
s = miniA-XI
allj
(10.102)
Sin
embargo, si es cerca toa nmero de valores
, entonces la anlisis slo muestra
propios A
p ... , Q
que la correspondiente vector <F> es cerca toa vector que mentiras en lasubespacio correspo
ndiente
a <F>
p, .
. , <F>
qa
En practica! anlisis (Es
decir, modo
de
superposicin en dinmica respuesta cl
culos), este es ms probable todos que es necesario porque la cerca valores
propios mayo casi ser tratado con como igual valores propios, en que caso la vectores propios
calculados hara tambin no ser
nico pero mentira en la subespacio correspondiente a laigual valores
propios. En la siguiente nosotros
primero dar la prueba para la precisin con que
propio y entonces
<F> se
alor
propio y
propio aproximaciones y que K - X = r. Considerar la caso en que
S
vector
1 A; - X 1 :
= La; ;
i=l
Uso cj) =
a; ;,
i=l
o, porque T = SIJ,
Pero
o
1
(A)
nosotros tener
llrll2
que da
llrlb
n
una:) 1/2
(B)
1
! KFU
S
real anlisis nosotros hara tener slo aproximaciones a En y A 3 , y todos error encuader
nado clculos
hara ser aproximados.) Estimacin la precisin con que
!>se
aproxima f> 2 .
Para la estimacin nosotros uso la relacin en ( 10.102). En este caso nosotros tener
con
0.7
y+
(0.1414- 0)
(-
+ Ao
= 0.1418
Ejemplo 10.22: Considerar la eigenproblema Ka f>
= AA f>, donde
K = [J
La valores propios y vectores propios de la problema son
11
A2 = 101, 1> 2 =
v '2
-
[-
= 100, !
->
[1]
XI : 51
1
(A)
2.
nosotros obtener
11 - a2 2ll2 S: 1
y en ambos casos la encuadernado obtenido es muy grande (Nota que
ll 1ll2 = 1 y ll 2
libras = 1),
indicando que hace no aproximado una vector propio.
Generalizad Eigenproblema
Considerar ahora que nosotros desear a estimacin la precisin obtenido en la solucin
de un eigenproblema generalizada K <f>
= AM
a
calcular una error vector RM, donde
K - XM (i) (10.103)
rM =
= Ssr, y luego
r
donde r
= s-
RM,
= icf, - Xcf,
<F) = sr <F>, y K = s-
(10.104)
Ks-r (Ver
Seccin 10.2.5). Ella es la vector s- IM que nosotros hara necesitar a utilizar, Por lo
tanto, a calcul a te la errorencuadernado g i ven en ( 1 O. 1 O 1). Estos
error encuadernado Clculos hara exigir la factorizacin de M en ssr, donde ella es asumido
que Mis positivo definida.
Durante Clculos
En real clculos nosotros frecuentemente uso la mtodo de inverso iteracin (Ver Secciones 11.
2
y 11.6), y entonces una error encuadernado basado en la siguiente evaluaciones lata serobtenid
o de manera eficiente (Ver H. Matthies [A] y tambin Ejercicio 10,11). Dejar
Entonces nosotros tener
1
Nyn
_
1
; -
p()
Mpc,
{(Cf, TMA f,)
K=
s; TM
_} Medio
- [P ( ) J2
(10.105)
(10.106)
y
min
1 ; -
A; O ;
TM
(10.107)
p (Ci))
s;
= TM
Dado
que, fsicamente, K
<f> representa la elstico nodal punto fuerzas y AM <f> representa la
inercia nodal punto fuerzas cundo la finito elemento montaje es vibrandoen la
modo <F>,
que evaluar en ( 10.108) la norma de fuera
de
equilibrio nodal punto fuerzas dividido por la norma
de nodal
elstica punto fuerzas. Este cantidad debera ser pequeo si X y <F> son una e
xacto
solucin de una ei
genpair.
Si M = 1, ella debera Debe observarse que nosotros lata escribir
y Por lo tanto,
XE = / Lrll2
E 2 ::
m m. 1
A; -
XI
(10.109)
; '---' - A = ---- '(10.110)
= [ 10 -Lo] M = [2 1]
A1 = 3.863385512876;
0.640776011246]
1
[,105070337503
0.524093989558
Asumir que (Yo) = ( 1 + s 2) c, donde e es tal que (I) TM = 1 y S = 10-1, 10-3, y 10-6
Para cada valor de S evaluar X como la Ray1eigh cociente de (Yo) y calcu1ate la lmites de
error basado en (10.104), (10.106), y la error medir E dado en (10,108).
La siguiente tab1e resume la resu1tados obtenido. La ecuaciones usado a evaluar las
cantidades son dado en ( 10.103) a ( 10.108). La resultados en la tab1e show que para cada val
or de S laerror lmites son satisfecho y que E es tambin pequeo para una exacto solucin.
S
10-1 10-3
10-6
0.597690792656 ,640374649073
0,640775610204
0.156698194481 ,105594378695 0,105070861597
(10.106)
Mida 0,447113235813 0,007458208660 0,000007491764
(10.108)
886 Preliminares a
2.
Ejercicios
11. La siguiente error encuadernado es discutido por J. Stoer y R. Bulirsch [A]. Dejar La s
er un simtrico matriz y A; ser una valor propio de A; entonces
min
lA; -
xrAx
:5
i XTX
* O.
12.