Tecnicas Numericas Mecanica de Fluidos PDF

Universidad de Oviedo
ÁREA DE MECÁNICA DE FLUIDOS

http://web.uniovi.es/Areas/Mecanica.Fluidos/
MONOGRAFÍAS DE MECÁNICA DE FLUIDOS
TÉCNICAS NUMÉRICAS EN
MECÁNICA DE FLUIDOS
Rafael Ballesteros Tajadura

José González Pérez
Jesús Manuel Fernández Oro
Katia María Argüelles Díaz
© Rafael Ballesteros Tajadura
ISBN 84-607-9546-2
DEPÓSITO LEGAL AS-05282-2003
Gijón 2003
Técnicas Numéricas en Mecánica de Fluidos 3
Índice.
Prólogo .................................................................................... 5
1.- Introducción....................................................................... 7
1.1.- Perspectiva histórica .................................................................................................. 7
1.2.- Aplicaciones habituales de las técnicas numéricas ................................................... 8
1.3.- Niveles de aproximación empleados en las técnicas numéricas. ........................10
2.- Modelos físico-matemáticos............................................ 13

2.1.- Modelos de flujo potencial ..................................................................................13
2.2.- Ecuaciones para flujo ideal..................................................................................13
2.3.- Modelo para flujo ideal, estacionario y rotacional ..............................................14
2.4.- Solución directa de las ecuaciones de Navier-Stokes..........................................14
2.5.- Modelos parabólicos de las ecuaciones de Navier-Stokes ..................................14
2.6.- Modelo de flujo incompresible............................................................................15
2.7.- Modelos para la simulación de la turbulencia .....................................................15
2.8.- Modelos de dos ecuaciones: modelo k-ε .............................................................18
2.9.- Modelos matemáticos para la Capa Límite .........................................................20
3.- Aspectos matemáticos del procedimiento de cálculo ...... 23

3.1.- Condiciones iniciales y de contorno....................................................................25
3.2.- Consideraciones físicas .......................................................................................27
4.- Métodos de resolución y naturaleza de las ecuaciones de

gobierno ................................................................................ 29
4.1.- Ecuaciones de gobierno, condiciones de contorno y condiciones iniciales ........30
4.2.- Discretización de las ecuaciones .........................................................................31
4.3.- Métodos de discretización empleados .................................................................38
4.4.- Discretización temporal.......................................................................................56
4.5.- Tipos de aproximación numérica utilizadas en la práctica..................................58
4.6.- Resolución numérica de problemas sencillos......................................................62
4 Técnicas Numéricas en Mecánica de Fluidos
5.- Discretización del dominio: generación de mallados ...... 99

5.1.- Clasificación de los mallados basada en la conectividad
y estructura de datos......................................................................................... 100
5.2.- Métodos de generación de mallados no estructurados...................................... 102
5.3.- Mallados “Multiblock” ..................................................................................... 103
5.4.- Mallados ajustados a los contornos (“Body Fitted Coordinates” o BFC) ........ 105
6.- Bibliografía .................................................................... 109
Anexo I.- El metodo Von Neumann para analisis de

estabilidad ........................................................................... 113
Anexo II.- Ecuaciones en sistemas generalizados............... 123
Anexo III.- Glosario de términos empleados en técnicas

numéricas ............................................................................ 129
Prólogo.
Las técnicas numéricas en Ingeniería han experimentado un gran desarrollo en las

últimas décadas. De esta tendencia no se ha apartado una rama tan característica de la
Ingeniería Mecánica como es la Mecánica de Fluidos. En este trabajo se intenta recopilar las
técnicas más utilizadas y los tratamientos que se pueden hacer de las ecuaciones de
constitución con el fin de obtener una solución numérica de las mismas.
Esta publicación constituye el resultado de varios años de impartición de la asignatura

de doctorado “Dinámica de Fluidos Computacional” que los profesores del Área de Mecánica
de Fluidos de la Universidad de Oviedo han realizado en distintos Departamentos de la
misma. Los autores han tratado de recoger la tradición y conocimientos que comparten con el
resto de compañeros del Área, a los que agradecen sus enriquecedores comentarios.
1.- Introducción.
La dinámica de fluidos computacional (o CFD, acrónimo de las palabras inglesas

“Computational Fluid Dynamics”) consiste en el análisis del movimiento de los fluidos
mediante simulaciones con ordenadores. Su objetivo es la búsqueda de una solución
aproximada de las ecuaciones que gobiernan el movimiento de los fluidos, discretizando o
dividiendo el dominio de cálculo en pequeños elementos y resolviendo allí dichas ecuaciones.
Los métodos numéricos aplicados a la Mecánica de Fluidos resultan una herramienta

muy útil para el diseño y análisis de las distintas situaciones prácticas en las que se utilizan
los fluidos.
1.1.- Perspectiva histórica.
Hasta finales de los años 60 los ordenadores no alcanzaron velocidades de cálculo

suficientes como para resolver casos sencillos. Hasta entonces, las técnicas experimentales
constituían prácticamente la única herramienta de análisis y diseño de cualquier problema de
Mecánica de Fluidos.
En la actualidad, los ensayos experimentales siguen siendo necesarios para la

comprobación de las prestaciones de diseños complejos, pero los continuos avances en la
capacidad de los ordenadores y en los algoritmos permiten una reducción importante en el
número de ensayos necesarios. Así, por ejemplo, el diseño típico de un modelo de ala de avión,
exige en la actualidad 3 o 4 ensayos en túnel aerodinámico, en lugar de los 10 o 15 que eran
necesarios anteriormente. En realidad, la palabra que mejor definiría hoy la relación entre
ambas herramientas podría ser la de complementariedad (Strazisar, 1994, Lakshminarayana,
1991).
A lo largo de los últimos veinte años, las técnicas de CFD han evolucionado, mejorando
los programas comerciales e introduciéndose en las distintas áreas de la ingeniería hasta hacerse
un hueco dentro de las necesidades reales de la industria. Dichos programas se vienen usando
de manera creciente paralelalelamente a la mejora de los sistemas informáticos que les sirven de
soporte.
Desde su inicial concepción, orientada a la industria aeroespacial, la técnicas numéricas

se han extendido a un número creciente de aplicaciones dentro de un amplio espectro de
industrias, desde las más clásicas como la automovilística o electrónica, hasta las nuevas
aplicaciones en industrias alimentarias y biomédicas. Sin embargo, aún no se emplean las
técnicas numéricas como auténticas herramientas de diseño. En realidad, se obtendrán los
mayores beneficios cuando se llegue a un nivel de utilización en el día a día del diseño
industrial, es decir, cuando su difusión sea tal que puedan llegar a ser utilizadas por ingenieros
sin demasiada especialización en estas técnicas y no estar restringida su utilización a los
expertos en la materia.
1.2.- Aplicaciones habituales de las técnicas numéricas.
Es innegable que la industria aeroespacial fue pionera en el trabajo con técnicas CFD y
que todavía hoy se encuentra entre las vanguardias en la explotación de estas técnicas, pero cada
día resultan más comunes las aplicaciones en “procesos industriales”, donde los flujos son a
baja velocidad y muchas veces prácticamente incompresibles. Esta denominación de proceso
industrial se usa a menudo en la bibliografía técnica (Hirsch, 1995) para distinguir dichas
aplicaciones de las aeronáuticas o de flujos a altas velocidades, con grandes efectos de
compresibilidad. Entre las aplicaciones más importantes en que se emplean las técnicas
numéricas, se tienen:
a) Industria automovilística. Las aplicaciones típicas son el estudio de la aerodinámica

de vehículos, la climatización del habitáculo interior, el enfriamiento del bloque motor, el flujo
en válvulas de distribución, el diseño de filtros y elementos de control y las investigaciones
sobre la descarga de combustible en depósitos.
b) Industria electrónica. Los problemas más estudiados son el flujo y la distribución de

temperaturas en las carcasas electrónicas, el enfriamiento de distintos componentes, el flujo de
aire en las unidades de discos, los procesos de construcción de chips usando la técnica de
deposición química del vapor (CVD) y algunos problemas indirectos, como la ergonomía de
grandes salas.
c) Industrias de proceso y químicas. Problemas habituales resueltos con técnicas CFD

son el flujo de plásticos, los estudios en conducción de lodos, el flujo del vidrio fundido, los
flujos de tintes, la deposición de vapores químicos, el llenado de moldes, estudios en procesos
de combustión y los flujos reactivos complejos (con intercambio de calor, masa y reacciones
químicas).
d) Industria de conformados metálicos. Las aplicaciones más comunes en esta industria

son los procesos de fundición continua, las fundiciones abiertas, la extrusión de metales y los
procesos de solidificación (construcción de hélices de barco, por ejemplo).
e) Industria nuclear. Algunos estudios relacionados con el flujo en conductos de

sustancias originadas en los procesos de reacción nuclear, el enfriamiento del reactor, estudios
relacionados con el intercambiador de calor, el flujo en el interior del reactor, el
almacenamiento de residuos nucleares, el diseño de torres de enfriamiento y las investigaciones
sobre chorros térmicos.
f) Industria de recubrimientos de película fina. Entre otros, los problemas estudiados por
medio de técnicas CFD han sido el recubrimiento de cintas magnéticas, el recubrimiento de
películas de fotografía o de sonido, el recubrimiento de adhesivos, multitud de aplicaciones en
la industria papelera y los recubrimientos de fibra óptica.
g) Industria biomédica y farmacéutica. Entre otras aplicaciones, destacan el flujo de la

sangre en la venas y arterias, el flujo a través de distintas prótesis, el flujo en el interior del
corazón, los distintos estudios en fenómenos de centrifugación y el diseño de sistemas de
inyección intravenosa.
h) Industria alimentaria. Destacan los diseños de procesos de pasteurización, los estudios

en equipos de procesado de alimentos con estructura toroidal, la extrusión de fluidos y los
hornos de convección.
i) Industria aeroespacial. Las aplicaciones habitualmente estudiadas son los efectos de la

microgravedad, la ventilación de habitáculos, el diseño de vehículos espaciales, los flujos de
combustible en conductos y tanques, estudios varios en motores de propulsión.
j) Industria aeronáutica y naval. Estudios en perfiles aerodinámicos, diseño de trenes de

aterrizaje, estudios en hélices marinas y el diseño de carenas de barcos.
k) Otras aplicaciones. Destacan los estudios en oceanografía, predicciones en hidrología

(planificación de embalses, regímenes de precipitaciones, entre otros), los flujo en conductos
(calefacción, flujos internos en edificaciones, ingeniería de complejos urbanos), los flujos
medioambientales, la meteorología, los estudios de flujos alrededor de edificios, puentes y otras
estructuras exteriores, las investigaciones relacionadas con la propagación de humos, los
estudios sobre el enfriamiento y crecimiento del vidrio, el flujo en máquinas de desplazamiento
positivo, las investigaciones en flujos con varias fases (sprays), el estudio de los MEMS (Micro
Electro-Mechanical Systems) y las aplicaciones en turbomáquinas.
Por lo tanto, la panorámica es realmente amplia y susceptible de crecimiento en el

futuro.
Las ventajas que proporciona el análisis con técnicas CFD se pueden resumir en las
siguientes:
- Reducción sustancial de tiempos y de costes en los nuevos diseños.

- Posibilidad de analizar sistemas y condiciones muy difíciles de simular
experimentalmente: velocidades supersónicas, temperaturas extremas y elementos
en movimiento relativo.
- Capacidad de estudiar sistemas bajo condiciones peligrosas o más allá de sus
condiciones límite de funcionamiento, por ejemplo, accidentes con sustancias
tóxicas.
- Nivel de detalle prácticamente ilimitado. Los métodos experimentales son tanto
más caros cuanto mayor es el número de puntos de medida, mientras que los
programas CFD pueden generar un gran volumen de resultados sin coste añadido,
y con posibilidad hacer estudios paramétricos.
- Un valor añadido es poder poner en el producto la etiqueta de “Diseñado con ayuda
del ordenador”, y la facilidad para generar gráficos fácilmente interpretables, que
estimulan la “compra” del producto (lo cual, por otro lado, constituye un riesgo).
Aunque se razone que se abaratan los costes respecto a las técnicas experimentales, las
técnicas CFD no son gratuitas. En primer lugar, son necesarias máquinas de gran capacidad
de cálculo (los usuarios de técnicas CFD trabajan habitualmente con los ordenadores más
potentes que existen), y un software con precio todavía no accesible al gran público. En
segundo lugar, se necesita personal cualificado que sea capaz de dominar los programas y,
sobre todo, analizar adecuadamente los resultados.
Los desarrollos en el campo de las técnicas numéricas dedicadas al estudio de flujos se

están acercando cada vez más a los de otras herramientas de CAE como las de análisis de
esfuerzos en sólidos y estructuras. Su retraso se debe a la gran complejidad de las ecuaciones

y, sobre todo, a la dificultad de modelizar adecuadamente ciertos fenómenos como la
turbulencia, los flujos multifásicos y la combustión.
Uno de los mayores inconvenientes de las técnicas CFD consiste en que no siempre es
posible llegar a obtener resultados suficientemente precisos y siempre está presente la
posibilidad de cometer graves errores en cuestiones básicas. Esto proviene de:
- Simplificación del fenómeno a estudiar para que el hardware y software sean capaz
de abordarlo. El resultado será tanto más preciso cuanto más adecuadas hayan sido
las hipótesis y las simplificaciones realizadas.
- La existencia de insuficientes e incompletos modelos para la simular el efecto de la
turbulencia, los flujos multifásicos o la combustión, entre otros.
- La tendencia humana de creerse todo lo que se ha obtenido utilizando un ordenador,
sobre todo cuando se presentan los resultados en forma atractiva.
1.3.- Niveles de aproximación empleados en las técnicas numéricas.
El desarrollo de las técnicas numéricas y su aplicación a cualquier ciencia o tecnología

han dado lugar al desarrollo y a la concienciación generalizada de uno de los conceptos básicos
en ingeniería como es el de grado de aproximación. Esta idea es bastante clara si se considera
que lo que se pretende con cualquier técnica numérica es conocer las variables físicas a partir de
la resolución numérica de una serie de ecuaciones que gobiernan el fenómeno.
Se han de definir y establecer las distintas aproximaciones que introducen los métodos
numéricos. En lo referente a la Mecánica de Fluidos, la primera aproximación que aparece es el
planteamiento del modelo físico-matemático que defina el comportamiento real de un
determinado flujo. Dicho modelo matemático está habitualmente basado en la hipótesis del
continuo, válida para la mayor parte de problemas industriales, pero que tiene sus limitaciones
para casos extremos de flujos de gases. Una vez hecha esta salvedad, aplicando las leyes básicas
de la física clásica se puede establecer una serie de ecuaciones diferenciales que gobiernan el
comportamiento matemático de toda partícula fluida. La resolución exacta de dichas ecuaciones
serviría para determinar completamente cualquier movimiento en el seno de un fluido. Se puede
decir que un modelo matemático se define únicamente tras haber considerado el nivel de
aproximación a la realidad requerido a la hora de obtener la exactitud deseada en el cálculo de
una serie de variables dependientes. Desafortunadamente, debido a la complejidad de las
ecuaciones diferenciales que aparecen, a la complejidad geométrica de los flujos, y a la
complejidad de las condiciones de contorno o iniciales, no resulta posible obtener soluciones
analíticas de dichas ecuaciones de gobierno.
Establecidas las ecuaciones de gobierno resulta imprescindible introducir una segunda

aproximación al problema. La forma clásica de abordarlo sería construir un modelo a escala
reducida del flujo en cuestión y analizarlo experimentalmente en el laboratorio. La
aproximación numérica implica introducir algunas hipótesis simplificativas que aproximen lo
más posible los resultados finales a los que se obtendrían si se pudiera calcular la solución
exacta. Dichas hipótesis se dirigen habitualmente hacia la simplificación tanto de la geometría a
estudiar como de las ecuaciones a resolver. Obviamente, al no disponerse de la solución
analítica exacta resulta bastante complicado establecer de antemano qué hipótesis sirven y
cuales son descartables y, por tanto, en cualquier simulación aplicada a la Mecánica de Fluidos,
es preciso dedicar mucho esfuerzo al análisis de los resultados obtenidos antes de aceptarlos
como válidos.
Una vez definidas las ecuaciones diferenciales simplificadas, aparece otro problema
relacionado con el posible tratamiento que se pueda hacer de dichas ecuaciones usando técnicas
computacionales. Por medio de los ordenadores resulta muy fácil resolver una ecuación o
sistema de ecuaciones algebraico, sin embargo, las ecuaciones que estudian el movimiento de
los fluidos son ecuaciones diferenciales no lineales. Resulta obligatorio realizar la
transformación de las ecuaciones de forma que puedan ser resueltas por un ordenador. El paso
de las ecuaciones diferenciales a sus equivalentes lineales constituye otro nivel de aproximación
y normalmente recibe el nombre de discretización de las ecuaciones.
En cuanto a la geometría a estudiar, se debe señalar que la aproximación a la que debe

someterse no sólo es de orden descriptivo respecto a su contorno sino que además ha de
establecerse la definición del espacio ocupado por el fluido. En este sentido, resulta
imprescindible referir los puntos a un determinado sistema de coordenadas en los que se
pretenderá resolver las ecuaciones para obtener soluciones de las variables deseadas. Aunque el
campo fluido sea un continuo, no se puede pretender resolver las ecuaciones en todos los puntos
de un determinado volumen, porque entonces se tendría un número enorme de ecuaciones a
resolver. Por tanto, hay que elegir cierto conjunto de puntos en los que se resolverán las
mencionadas ecuaciones y que serán los puntos dónde finalmente se conocerán los valores de
las variables fluidas. La definición de estos puntos es lo que se denomina habitualmente
discretización espacial del dominio (también se habla de generación del mallado). El proceso
descrito no deja de ser otra aproximación que se introduce en el cálculo y que define el nivel de
aproximación espacial.
En el caso de tener ecuaciones que dependan de la variable tiempo (flujo no

estacionario) es esencial la definición de un nivel de aproximación temporal. No es posible
tampoco estudiar la evolución de las variables en el tiempo de forma continua. El nivel indicará
la forma de modelizar la evolución real introduciendo lo que se denomina discretización
temporal del sistema de ecuaciones. A partir de la solución calculada se podrá realizar un
promediado temporal oportuno para estudiar ciertas características medias del flujo que
dependan de la evolución de las variables con el tiempo.
Finalmente, se pueden manipular las ecuaciones eliminando ciertos términos cuya

influencia en un determinado problema se considere despreciable. La conclusión de que algún
término no afecta a la solución de una determinado flujo se debe alcanzar tras analizar
detenidamente la sensibilidad del problema ante valores dispares de dicho término.
Normalmente dicho estudio se hace tras adimensionalizar convenientemente las ecuaciones y
realizar el correspondiente análisis de semejanza (técnicas asintóticas). Esta cuestión es de
importancia capital en la Mecánica de Fluidos y está en el origen de cualquier estudio
experimental. Desde el punto de vista numérico, la eliminación de algún término en las
ecuaciones introduce lo que se denomina nivel de aproximación dinámico de las ecuaciones
consideradas.
Resumiendo, desde el modelo matemático (ecuaciones diferenciales no lineales) que

aproxima la realidad física en un medio continuo se llega a un número finito de ecuaciones
algebraicas que eliminan algún término de las ecuaciones de partida y que aproximan la
evolución temporal real que, tras resolver con técnicas apropiadas, proporcionan una
aproximación al valor de las variables incógnita en los puntos elegidos como discretización
espacial del dominio de cálculo. En definitiva, se establece un nivel de aproximación numérico
límite por debajo del cuál será imposible acercarse al valor real de las variables en los puntos
elegidos. Sin embargo, desde un punto de vista ingenieril, el proceso descrito es perfectamente
válido y ha significado a lo largo de la evolución de las técnicas numéricas, la posibilidad de
mejorar diseños y ahorrar mucho esfuerzo que de otra manera supondría trabas insalvables a la
evolución de muchos sectores industriales. En la figura 1 se muestra gráficamente la
panorámica explicada en este apartado.
Figura 1.- Las técnicas numéricas en la Mecánica de Fluidos.

2.- Modelos físico-matemáticos.
Existen varias posibles simplificaciones en cuanto a la definición del modelo

matemático que describe el movimiento de las partículas de un fluido, de gran interés por dar
lugar a soluciones válidas en distintos problemas, que han sido ampliamente utilizadas en
muchas aplicaciones numéricas. Se enumeran y describen brevemente los modelos más
importantes. Normalmente cada una de estas estrategias ha sido desarrollada para un tipo
particular de flujo.
2.1.- Modelos de flujo potencial.
Describen el comportamiento de flujos irrotacionales de fluidos ideales, desarrollados

en los albores de las técnicas numéricas. La teoría básica para el cálculo consiste en partir de
la definición del concepto de potencial de velocidades. Constituye una simplificación
adicional muy empleada para el cálculo de flujos estacionarios. Conceptualmente es de gran
interés, pero está cayendo en desuso.
2.2.- Ecuaciones para flujo ideal.
Cuando el número de Reynolds es suficientemente elevado, lo que ocurre en muchas

de las aplicaciones prácticas de la Mecánica de Fluidos, despreciar los efectos viscosos y de
conducción de las ecuaciones resulta una aproximación bastante cómoda pues elimina los
términos difusivos de segundo orden en las ecuaciones diferenciales y hace que las ecuaciones
de gobierno pasen a ser de primer orden, con todo lo que lleva asociado en cuanto a
simplificación de cálculos.
Con las hipótesis de despreciar los efectos viscosos y la transferencia de calor por
conducción, es decir, si se considera al fluido como ideal, se obtienen las ecuaciones de Euler.
Los modelos numéricos que resolvían las ecuaciones de Euler eran hasta hace poco los únicos
existentes. Hoy en día este tipo de modelos constituye el punto de partida para el desarrollo de
modelos más completos (Arts, 1989).
Las ecuaciones de Euler fueron desarrolladas por este famoso matemático suizo hacia
el año 1670. Adoptan las expresiones siguientes:
Continuidad:
dρ
+ ρ∇·u = 0 (1)
dt
Cantidad de movimiento:
∂u
ρ + ρ(u·∇)u = −∇p + ρ f e (2)
∂t
donde f e es la resultante de las fuerzas volumétricas externas que afecta a cada partícula.
Habitualmente sólo se considera la fuerza debida a la gravedad, pero puede tener otros
componentes: fuerzas electromagnéticas, fuerzas de Coriolis, fuerzas centrífugas, etc.
2.3.- Modelo para flujo ideal, estacionario y rotacional.
Es un tipo de modelos muy similar a los del fluido ideal. Consiste en reducir el
número de variables que intervienen en los cálculos introduciendo la vorticidad en las
ecuaciones de cantidad de movimiento y de la energía. Normalmente se parte de la
denominada representación de Clebsch para la velocidad en función de la vorticidad. No se
consideran aquí ni las pérdidas por viscosidad en la capa límite ni los efectos de la
turbulencia.
2.4.- Solución directa de las ecuaciones de Navier-Stokes.
Las ecuaciones de Navier-Stokes constituyen una modelización correcta del flujo de

un fluido Newtoniano, incluyendo todos los efectos viscosos y térmicos. Adecuadamente
resueltas incluyen los efectos de la turbulencia y de la capa límite. Pero esta resolución directa
(ver Hirsch, 1988) requiere de una discretización espacial y temporal tan fina que está
claramente fuera del alcance de cualquier aplicación industrial. Se ha estimado (Moin et al.,
1997) en varios cientos de años de CPU del ordenador más potente existente en aquel año el
cálculo de un segundo de vuelo de un avión comercial.
La resolución numérica de las ecuaciones de Navier-Stokes sí que es posible si se

utilizan modelos adecuados para simular el efecto de la turbulencia y de la capa límite en
discretizaciones no tan detalladas. Un poco más adelante se hablará de ellos.
2.5.- Modelo parabólico de las ecuaciones de Navier-Stokes (PNS).
Este tipo de modelos ha sido desarrollado para el cálculo de flujos supersónicos e

hipersónicos, donde la captura de las ondas de choque, gradientes de presión, esfuerzos
viscosos superficiales y transferencia de calor son los objetivos más importantes para
cualquier diseño.
Las ecuaciones de gobierno parabólicas se obtiene a partir de las de Navier-Stokes

considerando las siguientes hipótesis:
- Flujo estacionario.
- Los gradientes de esfuerzos viscosos son despreciables en la dirección de las líneas

de corriente.
- Los gradientes de presión en la dirección de las líneas de corriente se aproximan
por su valor en zonas de capa límite cercanas.
Se ha investigado mucho en las ecuaciones parabólicas de Navier-Stokes (Parabolized

Navier-Stokes) y se han desarrollado muchos algoritmos en los últimos años (Hirsch, 1988 y
Hoffman, 1989), aunque su aplicación está muy limitada al sector aeroespacial.
2.6.- Modelo de flujo incompresible.
Un flujo se denomina incompresible cuando la densidad del fluido en cada instante

permanece independiente de las variaciones de presión. La importancia de los flujos
incompresibles es indudable y algunos autores, como Batchelor (1967), llegan a afirmar que los
problemas relacionados con este tipo de flujos constituyen la aplicación más importante y
compleja de resolver de la Mecánica de Fluidos.
Cuando el flujo es además isotermo, las ecuaciones de gobierno se simplifican

notablemente y la solución para las distintas variables se hace independiente de la
temperatura. El sistema de ecuaciones requerido queda reducido a la ecuación de continuidad
y la de cantidad de movimiento, que expresadas adimensionalmente y con la única presencia
de la gravedad como fuerza volumétrica, adoptan la forma:
Continuidad:
∇·u = 0 (3)
du ∇p 1 2 1
=- + ∇ u+ g (4)
dt ρ Re Fr
Contrariamente a lo que pudiera pensarse, la hipótesis de incompresibilidad complica

bastante la resolución de las ecuaciones. No sólo la densidad sino también los distintos
coeficientes de transporte del fluido son independientes de la presión y de la temperatura. De esta
forma, las ecuaciones de continuidad y de cantidad de movimiento son independientes de la
ecuación de la energía, que no es necesario resolver para obtener los campos de velocidades y
presión. Pese a la ventaja que esto parece implicar, en la práctica, las dos ecuaciones a resolver se
vuelven “rígidas” por la ausencia de derivada temporal en la ecuación de continuidad, y su
solución resulta más dificultosa al no ser posible una iteración tomando ambas como punto de
partida.
2.7.- Modelos para simulación de la turbulencia.
El número de Reynolds de un flujo da una medida de la importancia relativa de las

fuerzas de inercia, asociadas con los efectos convectivos, y las fuerzas viscosas. En
experimentos con fluidos se observa que para valores inferiores a un número de Reynolds
denominado crítico, el flujo es intrínsecamente estable y las capas de fluido adyacentes se
deslizan unas sobre otras de forma ordenada. El régimen del flujo se denomina laminar.
Si el flujo tiene un valor del número de Reynolds por encima del denominado crítico,
se manifiestan en éste unas perturbaciones que dan lugar a un cambio radical del carácter del
flujo. El movimiento se vuelve intrínsecamente no estacionario, incluso con condiciones de
contorno constantes. Este régimen se denomina flujo turbulento.
La turbulencia se define como el estado de movimiento de un fluido en el que las

distintas variables relevantes (presión, velocidad, etc.) fluctúan de una forma desordenada. Se
trata de un estado no estacionario desde el punto de vista macroscópico en el que las distintas
variables adoptan valores dependientes tanto de la posición como del tiempo y estos valores
varían de una forma aleatoria y desordenada.
La descripción del movimiento de las partículas fluidas debido al efecto de la

turbulencia resulta altamente complejo y constituye un problema aún sin solución desde el
punto de vista de los métodos numéricos. Se han propuesto varias formas de resolver el
problema utilizando distintas aproximaciones. A continuación se exponen los métodos
conocidos como simulación directa, simulación de los grandes vórtices y promediado
temporal de las ecuaciones de Navier-Stokes.
- Simulación directa de las ecuaciones (“Direct Simulation”, DS).
Este método (cuyas iniciales provienen de la denominación inglesa Direct Simulation)

consiste, en realidad, en no utilizar ningún modelo para la turbulencia, sino realizar
discretizaciones temporales y espaciales que sean capaces de simular el flujo en un
determinado problema.
La resolución directa de las ecuaciones de Navier-Stokes resulta hoy en día abordable

sólo para un número muy limitado de problemas simples de interés académico. Los grandes
centros dedicados a la Mecánica de Fluidos disponen de líneas de investigación con esta
orientación, pero tanto las limitaciones en memoria de almacenamiento de las variables, como
en el tiempo de cálculo hacen de momento impensable la solución generalizada de problemas
prácticos usando este tipo de técnicas. Según Vandromme (1989), la primera solución de este
tipo se realizó en 1981 en la Universidad de Stanford.
- Simulación de grandes vórtices (“Large Eddy Simulation”, LES).
Este tipo de técnicas numéricas reducen la complejidad de las ecuaciones de gobierno

considerando sólo parte de los efectos turbulentos del flujo. Se estudia el intercambio
energético entre las denominadas “fluctuaciones de gran escala” y se simula el efecto de las
pequeñas escalas de la turbulencia.
Se trata de un tipo de modelo intermedio entre la simulación directa y el promediado

temporal de las ecuaciones de Navier-Stokes, que extiende el promedio temporal a la captura
de ciertos efectos turbulentos básicos de forma numérica. En los modelos de simulación de
grandes vórtices, las ecuaciones no estacionarias del flujo se resuelven para el flujo principal
y para los vórtices grandes mientras que se modela el efecto de los vórtices pequeños.
Aunque sin llegar al extremo de la simulación directa, sólo es posible para problemas
simplificados y requiere unas capacidades de cálculo muy elevadas.
- Modelos que promedian temporalmente las ecuaciones de Navier-Stokes

(RANS).
Los modelos de promedio de las ecuaciones de Navier-Stokes (Reynolds Averaged

Navier-Stokes) han sido muy estudiados y resultan bastante útiles en la mayoría de los
problemas prácticos resueltos mediante técnicas numéricas.
El procedimiento de promediar las leyes que describen el movimiento de una partícula

se introduce en las ecuaciones con el fin de obtener los comportamientos promedio y
turbulento (aleatorio) de las distintas variables. El punto de partida es muy sencillo. Se trata
de obtener una descomposición de las variables en su valor medio y su valor fluctuante. Por
ejemplo, para la velocidad, la descomposición sería:
u = u + u' (5)
donde la componente media de la velocidad se obtiene haciendo la integral de la velocidad

instantánea:
1 T
T∫0
u (t) = u(t) dt (6)
suponiéndose que el periodo de integración (T) es lo suficientemente grande en comparación

con la escala temporal de la turbulencia, pero lo suficientemente pequeño como para captar
cualquier fenómeno no estacionario distinto a la turbulencia. La utilización de este tipo de
métodos es bastante adecuado, pues la mayoría de los fenómenos no estacionarios en
Mecánica de Fluidos tiene lugar a frecuencias con rangos muy alejados del rango de
frecuencias de la turbulencia.
El proceso de promediado temporal de las ecuaciones diferenciales, da lugar a unos

términos, denominados de tensiones de Reynolds (“Reynolds stresses”), que involucran
medias de los productos de la fluctuaciones de las componentes de la velocidad, cuya relación
con las componentes medias del flujo es desconocida. Para obtener dicha relación es
necesario introducir un modelo adicional, denominado modelo de turbulencia o de cierre. Las
distintas posibilidades prácticas en cuanto a modelos de turbulencia son analizadas a
continuación.
Habitualmente lo que interesa son los efectos de la turbulencia sobre los valores
medios de las variables: la velocidad media y la presión media en el caso del flujo en un
conducto; en el caso de un avión, las fuerzas medias de resistencia y sustentación; para el caso
de un motor, los efectos de la turbulencia sobre las relaciones de mezcla entre combustible y
comburente.
Para conseguir esto, las ecuaciones de Navier-Stokes se promedian sobre las escalas
de las fluctuaciones de turbulencia (RANS). Estos métodos dan lugar a un campo de flujo
promediado y simulado que es más uniforme que el flujo real, y, por tanto, reduce
drásticamente el número de puntos de la discretización espacial y de la temporal necesario
para obtener las variables buscadas.
Un modelo de turbulencia es un procedimiento numérico que permite relacionar los

valores medios de las fluctuaciones de las variables con los valores promedio (en la
nomenclatura propia de estos métodos, se habla de cerrar el sistema de ecuaciones), de forma
que se puedan resolver las ecuaciones de gobierno. Un modelo de turbulencia será útil, dentro
de un programa CFD de propósito general, si es exacto, sencillo y económico
(computacionalmente hablando). Los modelos de turbulencia más comunes son los siguientes
(Wilcox, 1993):
Modelos algebraicos:
Modelo de cero ecuaciones: modelo de la longitud de mezcla.

Modelo Cebeci-Smith-Mosinki.
Modelo Baldwin-Lomax.
Modelos de viscosidad turbulenta:
Modelo de una ecuación: modelo k.

Modelo de dos ecuaciones: modelos k-ε, k-ω2 o q-ω, modelo RNG.
Modelos de ecuaciones de las tensiones de Reynolds (RSM).
Cada uno de ellos tiene sus ventajas e inconvenientes. Aquí se expondrá más en
detalle el modelo k-ε, por ser muy extendido.
2.8.- Modelos de dos ecuaciones: modelo k-ε.
Como modelo de cierre o estrategia numérica para resolver de forma aproximada las
ecuaciones de Navier-Stokes, se desarrollan dos ecuaciones de transporte adicionales
(similares a las definidas por las ecuaciones 3 y 4), una para la energía cinética turbulenta (k)
y otra para la tasa de disipación de energía cinética turbulenta (ε). Estas variables se definen
según las expresiones:
k=
2
(
1 2
u ' + v' 2 + w ' 2 ) (7)
ε = 2 ν e ij' e ij' (8)
donde e ij' es la parte fluctuante del tensor de velocidad de deformación.
Las ecuaciones de transporte para k y ε se basan en el conocimiento de los procesos

que producen los cambios en esas variables y son (Versteeg et al., 1995):
∂ ( ρk ) µ 
+ ∇·( ρku ) = ∇· t grad k  + 2µ t E ij E ij − ρε (9)
∂t  σk 
∂ (ρ ε ) µ  ε ε
+ ∇·( ρ ε u ) = ∇· t grad ε  + C1ε 2 µ t E ij E ij − C2ε ρ ε (10)
∂t  σε  k k
donde Eij es el tensor de componentes medias de la velocidad de deformación. El significado

físico de las anteriores expresiones se puede resumir en el siguiente balance:
 Velocidad de  Transporte de k / ε  Transporte de k / ε   Producción   Destrucción 

cambio de k / ε  +  por convección  =  por difusión  + de k / ε  − de k / ε 
         
Aparecen varios conceptos cinemáticos relacionados con las “escalas” o longitudes

típicas asociadas a los distintos movimientos del flujo (flujo principal medio y flujo oscilante
o turbulento, relacionado con los vórtices). La escala de velocidad ζ es característica de los
remolinos y de las propiedades del flujo principal y se define según la expresión:
∂ u
ζ =C (11)
∂ y
donde C es una constante adimensional y la escala de longitud turbulenta (o longitud de

mezcla), que se define como:
k 3/ 2
= (12)
ε
Este método utiliza la velocidad de disipación ε de los remolinos pequeños para

definir la escala de longitud de los remolinos grandes porque, para altos números de
Reynolds, la velocidad de extracción de energía del flujo de los remolinos grandes es igual a
la velocidad de transferencia de energía a los remolinos pequeños. Si esto no fuese así, la
energía en algunas escalas de la turbulencia podría aumentar o disminuir sin límite, cosa que
no ocurre en la práctica con lo que se justifica el uso de la velocidad de disipación ε dentro de
la definición de la escala de longitud “ ”.
Aplicando la misma aproximación del modelo de la longitud de mezcla se puede

obtener la viscosidad turbulenta como:
k2
µ t = ρC µ ζ = ρC µ (13)
ε
Las ecuaciones de transporte de k y ε contienen cinco constantes ajustables Cµ, los

números de Prandt (σk y σε), C1ε y C2ε, aunque se suelen emplear valores fijos para una
amplia gama de flujos turbulentos. Los números de Prandtl (números adimensionales que
muestran el peso relativo de los términos viscosos frente a los términos de transmisión de
calor por conducción) relacionan las difusividades de k y ε con la viscosidad turbulenta (µt).
Las principales ventajas e inconvenientes del modelo, tal y como pueden encontrarse
en la bibliografía consultada (Lakshminarayana, 1991 y Versteeg et al., 1995), son las
siguientes:
a) Ventajas:
- Sólo se necesita fijar las condiciones iniciales y de contorno.

- Resultados satisfactorios para una gran cantidad de flujos.
- Es el modelo turbulento más ampliamente utilizado en la mayoría de flujos en
aplicaciones industriales.
- Se dispone de leyes de pared desarrolladas como condiciones de contorno para este
tipo de modelos.
b) Inconvenientes:
- Implementación más compleja que los modelos algebraicos debido a la

introducción de dos ecuaciones diferenciales adicionales.
- Pobres resultados en casos como: flujos no confinados, flujos con grandes
gradientes longitudinales, flujos turbulentos completamente desarrollados en
conductos no circulares.
2.9.- Modelos matemáticos para la Capa Límite.
La capa límite es la zona del campo fluido próxima a un contorno sólido en la que se
manifiestan especialmente los efectos viscosos. Debido a la viscosidad y a la condición de no
deslizamiento, cerca de cualquier contorno sólido aparece un gradiente de velocidades en la
dirección normal a dicho contorno. Este gradiente de velocidades condiciona el intercambio
energético entre las distintas partículas de fluido con velocidades diferentes, originando
vorticidad y turbulencia.
El problema básico para la modelización numérica del intercambio energético en la

capa límite sobre cualquier frontera sólida consiste en la definición correcta de las velocidades
de las partículas en una zona muy próxima a dicha frontera. Esto implica una densidad de
mallado muy elevada, necesaria para capturar los distintos fenómenos que se producen dentro
de la capa límite.
Esta dificultad se ha abordado usando varias aproximaciones, que se pueden englobar

en cuatro grupos: modelos de distribución de las pérdidas, modelos de capa de cortadura,
modelos de capa límite y leyes de pared, que son brevemente explicados a continuación.
- Modelos de distribución de las pérdidas (“Distributed Loss Models”).
Este tipo de modelos constituye una aproximación muy usada en flujos internos (el
fluido está confinado en un canal de paso limitado por paredes sólidas). La hipótesis básica
consiste en suponer que el efecto de las tensiones cortantes debidas a la viscosidad es
equivalente a una fuerza de rozamiento distribuida a lo largo del canal de paso y definida por
valores semi-empíricos conocidos del problema a resolver.
Aunque con este tipo de modelos se puede predecir el flujo en gran parte de la
geometría, es claro que se pierde la definición en zonas cercanas a las superficies sólidas. A
veces esta falta de precisión en la definición del flujo no es tolerable y se requiere superponer
algún modelo de capa límite complementario.
Los modelos de distribución de pérdidas fueron muy populares en los inicios de las
técnicas CFD cuando la potencia de cálculo hacía difícil de llevar a la práctica cualquier otro
tipo de modelo (Bosman, 1976).
- Modelos de capa límite (“Boundary Layer Approximations”).
Derivado de los estudios de Prandtl sobre la estructura del flujo para elevados valores
del número de Reynolds. Bajo estas condiciones, el campo de velocidades en un fluido se
puede separar en dos zonas, una de flujo no viscoso alejada de los contornos sólidos y otra
dominada por los efectos de la viscosidad, denominada capa límite.
Las ecuaciones de este tipo de modelos se pueden derivar de las del modelo de la capa
de cortadura simplificándolas aún más mediante la hipótesis del valor despreciable de la
velocidad en la dirección normal a la superficie considerada en comparación con la velocidad
en la dirección de las líneas de corriente.
También existen muchas aplicaciones prácticas de este tipo de modelos (Launder et

al., 1972)
- Modelos de la capa de cortadura (“Thin Shear Layer, TSL”).
Son métodos apropiados para flujos con elevados números de Reynolds en los que las
zonas de influencia viscosa, estelas o capas de cortadura ocupan una extensión muy reducida
dentro de la geometría del problema estudiado. Fuera de estas zonas, resulta suficiente con
considerar el modelo de fluido ideal.
Para este tipo de modelos se requiere una discretización espacial muy densa en las
zonas en las que se espera influencia de los términos viscosos. En realidad, se trata de un
cálculo ligeramente más avanzado que el correspondiente al modelo de capa límite, porque en
este caso la geometría de la capa límite es resultado del cálculo y no se introducen hipótesis
adicionales.
Este tipo de modelos ha sido aplicado a multitud de problemas relacionados con

aplicaciones aerodinámicas (Hirsch, 1988).
- Leyes de pared.
Una posibilidad distinta a los modelos mencionados consiste en incluir en los cálculos
alguna aproximación para la distribución de velocidades esperada. Con tal fin, se pueden
utilizar las distribuciones de velocidad obtenidas experimentalmente, pero la práctica habitual

consiste en utilizar los datos de distribuciones teóricas. En el contexto de los métodos
numéricos, las funciones o “leyes de pared” constituyen un conjunto de fórmulas semi-
empíricas que relacionan los valores de las distintas variables en las zonas próximas a los
contornos sólidos y sobre dichos contornos. Normalmente incluyen tanto las relaciones para
las variables medias y fórmulas para el tratamiento de la turbulencia en zonas próximas a los
contornos sólidos.
La definición de las distintas fórmulas, con rangos de aplicabilidad variables,

provienen de los estudios sobre capa límite y parten de la definición de las variables
adimensionales características de dichos estudios. Suelen distinguirse dos zonas que dan lugar
a la utilización de las denominadas leyes para capas internas y leyes para capas externas.
En la bibliografía existen multitud de modelos basados en alguna hipótesis sobre la

distribución de velocidades dentro de la capa límite (Launder et al., 1972 o White, 1991).
3.- Aspectos matemáticos del procedimiento

de cálculo.
Los modelos matemáticos de la mayoría de fenómenos físicos pueden ser expresados

como un sistema de ecuaciones en derivadas parciales cuasi-lineales de primer o segundo
orden. Las propiedades matemáticas de estos sistemas de ecuaciones son un reflejo de las
propiedades físicas de los flujos.
Las ecuaciones de flujo representan un balance entre fenómenos de convección y

difusión además de la inclusión de términos fuente. En los flujos difusivos aparecen términos
con derivadas de segundo orden como consecuencia de la Ley de Fick generalizada. Por el
contrario en los flujos convectivos aparecen derivadas de primer orden que expresan
propiedades de transporte o arrastre. Cada una de estas contribuciones tiene influencia en la
naturaleza matemática de las ecuaciones. En concreto se distingue entre los siguientes tipos de
sistemas de ecuaciones en derivadas parciales:
• Elípticos.
• Parabólicos.
• Hiperbólicos.
Antes de dar una descripción matemática rigurosa de cada tipo, se considera como
ejemplo la componente sobre el eje x de la ecuación de Navier-Stokes para un flujo laminar e
incompresible en coordenadas cartesianas:
∂u ∂p
+ ρ ( u·∇ ) u = - + µ ∆u (14)
∂t ∂x
Si se adimensionaliza la ecuación 14 utilizando unas magnitudes de referencia L, T y

V se obtiene:
VT ∂ u ∂p 1
+ ( u ·∇ ) u = − + ∆u (15)
L ∂t ∂ x Re
donde:
ρVL VL
• Re = = es el número de Reynolds y
µ ν
VT
• el número de Strouhal.
L
Se analizan a continuación dos casos particulares:

Para Números de Reynolds muy bajos (un flujo muy viscoso), el término
convectivo puede ser despreciado, quedando por tanto:
V2 T ∂ u ∂p
− + ∆ u = Re (16)
ν ∂t ∂x
Analizando la ecuación anterior puede verse que, teniendo en cuenta la naturaleza

del flujo (estacionario o no estacionario) aparecen dos tipos de ecuación:
∂u
• Flujo Estacionario ⇒ = 0.
∂t
∂p
∆u = Re (Comportamiento elíptico) (17)
∂x
∂u
• Flujo No Estacionario ⇒ ≠ 0.
∂t
V2 T ∂ u ∂p
∆u = + Re (Comportamiento parabólico) (18)
ν ∂t ∂x
Para Números de Reynolds muy altos y fuera de la capa límite, los efectos
viscosos apenas tienen influencia en el flujo. La ecuación queda entonces reducida
a la ecuación de Euler (Ecuación de primer orden).
∂u ∂p
+ ρ ( u·∇ ) u = - (Comportamiento hiperbólico) (19)
∂t ∂x
La distinción entre unas ecuaciones y otras tiene una gran importancia porque los
métodos numéricos de discretización y resolución de problemas son diferentes en cada caso.
Los fenómenos de difusión actúan en todo el espacio independientemente de la dirección
predominante del flujo (comportamiento elíptico). Por el contrario, los fenómenos de
convección actúan en la dirección de propagación, en regiones concretas del espacio
(comportamiento hiperbólico)
Entre ambas posibilidades, una ecuación con comportamiento parabólico representa una
situación intermedia que se puede interpretar como un proceso de difusión en todas las
direcciones pero amortiguado en el tiempo.
En las ecuaciones de Navier-Stokes no estacionarias, la ecuación de continuidad es

hiperbólica mientras que las ecuaciones de la cantidad de movimiento y de la energía son
parabólicas en espacio y tiempo. Se habla de un comportamiento parabólico-hiperbólico. Sin
embargo, en las ecuaciones de Navier-Stokes en su versión estacionaria, las ecuaciones de la
cantidad de movimiento y de la energía tienen un comportamiento elíptico por lo que se
tienen propiedades elíptico-hiperbólicas.
3.1.- Condiciones iniciales y de contorno.
Se dice que un problema cuya resolución depende de una ecuación diferencial en

derivadas parciales está “bien planteado” si la solución depende de manera continua de las
condiciones iniciales y de contorno. Se consideran dos tipos de problemas:
• Problema de Condición Inicial. Se conoce la solución en t = 0 y se busca la

evolución de dicha solución en el tiempo.
• Problema de Condición de Contorno. Se fijan las condiciones en los
contornos del dominio y se busca la solución en su interior. En este caso existen
tres variantes posibles: condición de Dirichlet, condición de Neumann y condición
de Robin, que se detallarán en el apartado 4.
En este apartado se analiza cómo se transmite la información relativa a la solución en

las distintas regiones de flujo. Se detalla el fenómeno de propagación de la solución para cada
uno de los tipos de clasificación de las EDPS.
• Sistemas Hiperbólicos.
En la figura 2 se considera un problema hiperbólico bidimensional: Γ constituye un

contorno del dominio y la solución U sobre el trozo de contorno AB se propaga en el
dominio del flujo siguiendo las superficies características S A , S B que surgen en AB .
Existe una región, llamada “zona de Dependencia”, que delimitan las superficies
características que surgen de A y de B junto con el trozo de contorno AB y que determinan
la solución en el punto P . Asímismo existe una región, llamada “zona de Influencia”, en la
cual la solución resulta influenciada por la solución en el punto P .
Figura 2.- Zonas de influencia y de dependencia de un problema hiperbólico.

• Sistemas Parabólicos.
En la figura 3 se muestra lo que ocurre en un problema parabólico bidimensional.
Figura 3.- Zonas de influencia y de dependencia de un problema parabólico.
En este tipo de problemas ambas superficies características no tienen más que una
línea en común ( S A ). La “zona de Dependencia” del punto P se extiende a un lado de la
línea S A y la “zona de Influencia” ocupa el semiespacio restante.
• Sistemas Elípticos.
En la figura 4 se considera un problema elíptico bidimensional. En este caso no hay

superficies características y en consecuencia las “zonas de Dependencia y de Influencia”
coinciden y son iguales a todo el dominio del problema.
Figura 4.- Zonas de influencia y de dependencia de un problema elíptico.
La naturaleza del problema a resolver es un aspecto crucial en la selección de la

técnica de discretización más apropiada. Hay que recurrir a la teoría de las ecuaciones
diferenciales en derivadas parciales.
3.2.- Consideraciones físicas.
Considérese un problema estacionario de transferencia de calor, en el que se requiere

hallar la distribución de temperatura en una barra de sección transversal rectangular constante
y longitud infinita. El problema es bidimennsional y la ecuación a resolver es:
∂2 T ∂2 T
+ =0 (20)
∂ x2 ∂ y2
Para resolver el problema la ecuación debe ser completada con un conjunto de

condiciones de contorno. Supóngase que se conoce una solución y que se introduce una
perturbación en un punto P (p.e. un foco de calor). Dicha perturbación va a ser percibida en
todos los demás puntos de la barra. Por tanto, las temperaturas en todos los puntos del
dominio están relacionadas entre sí y con las condiciones de contorno. Habrá que especificar
la temperatura (o el flujo de calor) en todos los puntos del contorno para determinar la
solución. Se trata de un “problema de contorno”.
Ejemplo: se quieren estudiar movimientos de pequeña amplitud en un conducto recto. Las

ecuaciones gobernantes son:
∂ρ ∂ρ ∂u
+u +ρ =0
∂t ∂x ∂x
(21)
∂u ∂u 1 ∂P
+u =−
∂t ∂x ρ∂x
y la ecuación de la energía se reduce a la igualdad s = cte (entropía constante). Esto permite

relacionar las variaciones de presión y densidad:
∂P ∂ρ
= a2 (22)
∂x ∂x
siendo “a” la velocidad del sonido.
Si la amplitud es pequeña:
∂ρ ∂ρ ∂u ∂u
u << y u << (23)
∂x ∂t ∂x ∂t
entonces:
∂ρ ∂u
+ρ =0
∂t ∂x
(24)
∂u a 2 ∂ρ
=−
∂t ρ ∂x
donde ρ es la densidad del fluido en reposo; combinando ambas ecuaciones:

∂ 2ρ 2 ∂ 2ρ
−a =0 (25)
∂ t2 ∂ x2
Esta ecuación diferencial de segundo orden se debe resolver en un dominio espacio-

temporal. Considérese de nuevo el efecto de una perturbación introducida en el dominio; esta
perturbación lógicamente sólo afectará a tiempos t ≥ ti (donde ti es el instante en el que se
produce dicha perturbación), es decir, sólo a una parte del dominio temporal. No se puede
pues imponer condiciones de contorno en tiempos después de tt. En este caso, los puntos del
dominio están relacionados sólo con los puntos que pueden influenciarles, y la solución puede
ser obtenida avanzando progresivamente en el dominio temporal (“time-marching”). Se trata
de un “problema de valor inicial”.
o0o
A continuación se describe la naturaleza de algunos problemas de Mecánica de

Fluidos:
Problemas de contorno (PC).
Flujo estacionario subsónico no viscoso irrotacional.

Flujo estacionario viscoso.
Problemas de valor inicial (PVI).
Flujo no estacionario.
Flujo estacionario supersónico no viscoso.
Flujo en capa límite.
Problemas híbridos.
Flujo estacionario subsónico rotacional.

Flujo estacionario no viscoso irrotacional con zonas subsónicas y supersónicas.
4.- Métodos de resolución y naturaleza de

las ecuaciones de gobierno.
La solución de un determinado problema utilizando las técnicas numéricas implica los

siguientes pasos:
1) El planteamiento inicial de las ecuaciones a resolver (ecuaciones de gobierno con

condiciones de contorno apropiadas).
2) La obtención de los distintos campos de propiedades fluidas.
3) La interpretación crítica de las soluciones obtenidas (coherencia de resultados y
obtención de variables macroscópicas, como esfuerzos, rendimientos, etc.). En la
figura 5 se muestra un esquema simplificado de todo el proceso.
En este apartado se describe de forma general las distintas posibilidades y se resuelven

varios ejemplos prácticos de flujos sencillos.
Figura 5.- Esquema general de los métodos numéricos.

4.1.- Ecuaciones de gobierno, condiciones de contorno y condiciones

iniciales.
Las leyes que rigen el movimiento de una partícula fluida son conocidas desde
mediados del siglo XIX. Son las denominas ecuaciones de Navier-Stokes, que pueden
expresarse con distintas nomenclaturas, en distintos sistemas de referencia y con distintas
notaciones (ver Aris, 1962; Batchelor, 1967; White, 1979 o Hirsch, 1988; por ejemplo). Para
un fluido Newtoniano, se pueden expresar así (Hirsch, 1988):
Continuidad:
dρ
+ ρ∇·u = 0 (26)
dt
du ∂u  1 
ρ =ρ + ρ (u·∇)u = −∇p + µ ∇ 2 u + ∇ ( ∇·u )  + ρ f e (27)
dt ∂t  3 
Energía:
∂ (ρ E)
∂t
( )
+ ∇·(ρ u E) = ∇·(k∇T) + ∇· σ·u + Wf + q H (28)
Las ecuaciones 26 a 28 están obtenidas teniendo en cuenta que cualquier evolución

física de un sistema está gobernada por leyes de conservación. El concepto de conservación
significa que la variación de una determinada magnitud intensiva o propiedad en un
determinado volumen es debida al efecto neto de las fuentes internas de esa magnitud y al
efecto del flujo de esa magnitud que atraviesa la frontera del volumen que define al sistema.
En el caso de la Mecánica de Fluidos, las propiedades que se conservan son la masa, la
cantidad de movimiento y la energía.
Algunas veces, en las técnicas numéricas no se intenta resolver estas ecuaciones

directamente sino que se adimensionalizan de forma que, por un lado, resulte más cómodo
manejar las ecuaciones sin preocuparse de las unidades y, por otro, se pueda llegar a
despreciar términos por su valor muy inferior al resto de términos de la ecuación. Tal y como
se ha señalado, eliminar ciertos términos resulta necesario en casi todos los problemas de
Mecánica de Fluidos.
Ya sea en su forma dimensional o adimensional, se trata de un sistema de cinco

ecuaciones diferenciales de segundo orden no lineales y no estacionarias. Las incógnitas o
variables dependientes son la velocidad (3 componentes), la presión, la temperatura, la
densidad y la viscosidad. Para su correcta solución se deberá disponer de dos ecuaciones
adicionales que relacionen la densidad y la viscosidad del fluido con la temperatura y la
presión (ecuaciones de estado). La solución analítica de estas ecuaciones con las
correspondientes condiciones de contorno y condiciones iniciales definiría el campo fluido en
una geometría cualquiera. Sin embargo, como se ha dicho, es imposible encontrar una
solución analítica exacta de estas ecuaciones.
Condiciones de contorno y condiciones iniciales.
De tanta importancia como las ecuaciones de gobierno resultan las condiciones de

contorno y condiciones iniciales. En la mayoría de los textos dedicados a las técnicas
numéricas se concede gran importancia a las discusiones sobre las distintas posibles
condiciones de contorno e iniciales.
Las condiciones iniciales definen el estado del fluido en el instante inicial considerado
como origen para la evolución temporal (t = 0). Por tanto, para la correcta definición de un
problema se deberá conocer el valor que tienen todas las variables en ese instante. Muchas
veces, en problemas resueltos mediante técnicas numéricas esto es imposible, con lo que se ha
de buscar una alternativa. La más sencilla y habitual consiste en dar a todas las variables un
valor cero, asumiendo que, si se avanza suficientemente en el tiempo, se llega a un estado
estacionario, o periódico, independientemente de la solución inicial, según las condiciones de
contorno sean constantes o periódicas. Tiene como ventaja la sencillez de implementación,
pero tiene una gran desventaja, pues si dicha solución inicial se aparta bastante de la solución
real, puede dar lugar a problemas de convergencia en cuanto a la resolución de las ecuaciones.
En función del tipo de evolución temporal, se clasifican las ecuaciones diferenciales y,

por tanto los problemas de origen, en elípticas, parabólicas e hiperbólicas. Una ecuación
diferencial se clasifica dentro de un grupo u otro dependiendo de la forma de dependencia
espacio-temporal de la evolución de las variables.
Las condiciones de contorno pueden ser de varios tipos. Los más comunes en la
práctica son:
a) Condiciones de contorno tipo Dirichlet. La variable dependiente es conocida en la

frontera física del problema.
b) Condiciones de contorno tipo Neumann. Se conoce en la frontera física del
problema el valor del gradiente normal de la variable dependiente.
c) Condiciones de contorno tipo Robin. La condición conocida constituye una
combinación lineal de los tipos anteriores.
d) Condiciones de contorno mixtas. En unas zonas de la frontera física se tienen
condiciones de contorno Dirichlet y en otras zonas condiciones del tipo Neumann.
La correcta definición de las condiciones de contorno constituye una parte

fundamental en la definición de un problema numérico.
4.2.- Discretización de las ecuaciones.
A lo largo de la historia de los métodos numéricos aplicados a la Mecánica de Fluidos

muchas han sido las aproximaciones o formas de pasar del modelo fisico-matemático al
modelo numérico discreto. Las técnicas modernas se construyen con un requerimiento
adicional importante, consistente en la condición de que el resultado final de la discretización
sea fácilmente integrable en una arquitectura de cálculo determinada. Se indican a
continuación las técnicas más comunes que cumplen este requerimiento y que son usadas en
las distintas aproximaciones en CFD.
La aplicación de las leyes básicas de la Física permite obtener las relaciones entre las
distintas variables a través de un conjunto de ecuaciones diferenciales en derivadas parciales:
son las Ecuaciones de Constitución de la Mecánica de Fluidos (ecuaciones 26 a 28). Por
desgracia, debido a su gran complejidad, rara vez es posible resolverlas de un modo exacto
(solución analítica del problema) y es necesario buscar métodos alternativos que proporcionen
una buena predicción, es decir, métodos que proporcionen una solución numérica
aproximada. Así, la solución numérica aproximada se obtendrá a partir de la resolución de
una serie de relaciones algebraicas obtenidas mediante técnicas de discretización de las
ecuaciones diferenciales en derivadas parciales.
En la figura 6 se muestra de forma esquemática la metodología propuesta por los

métodos numéricos.
Figura 6.- Metodología utilizada en las resoluciones numéricas.

4.2.1.- Consistencia, convergencia y estabilidad.
Se dice que el sistema de ecuaciones algebraicas generadas en el proceso de

discretización es consistente con el sistema original si, cuando el espaciado del mallado
tiende a cero, el sistema de ecuaciones es equivalente al sistema en derivadas parciales en
cada punto.
La comprobación de la consistencia requiere la sustitución de la solución exacta en las

ecuaciones algebraicas resultantes de la discretización, y la expansión de todos los términos
como series de Taylor en torno a un punto. Para obtener consistencia, la expresión resultante
debe estar formada por la ecuación en derivadas parciales original más un resto, el cual debe
anularse si el mallado se refina.
Se define la convergencia como la capacidad que tiene un conjunto de ecuaciones

algebraicas para representar la solución analítica de un conjunto de ecuaciones diferenciales,
si ésta existiese. Las ecuaciones se dice que convergen si la solución numérica tiende a la
solución analítica cuando el espaciado del mallado o el tamaño del elemento tiende a cero.
Una solución de un sistema de ecuaciones algebraicas que aproxima un sistema de

ecuaciones en derivadas parciales es convergente si la solución aproximada es igual a la solución
exacta para cada valor de la variable independiente cuando el espaciado en el mallado tiende a
cero (numéricamente esto se expresa diciendo que ∆x, ∆t → 0).
Un conjunto de ecuaciones resulta estable si los valores de las variables implicadas

tienden hacia una solución correcta sin que los errores de cálculo en la solución discreta
deformen los resultados mientras se realiza el proceso numérico.
El concepto de estabilidad está relacionado con el crecimiento o la atenuación de errores

introducidos en la fase de cálculo, pues el ordenador introduce un error de redondeo en cada
cálculo que realiza. Se utilizan distintos métodos numéricos para obtener una valoración de dicha
estabilidad. Destaca por su mayor flexibilidad el método de las perturbaciones discretas, aunque
existe otros muchos, como el de Von Neumann.
- Método de las perturbaciones discretas: En este método se introduce una

perturbación en un punto y se observa su efecto en los puntos vecinos. Si la perturbación se
atenúa a medida que la solución procede, el esquema numérico es estable. Pero si la perturbación
crece con la solución, el esquema es inestable.
- Método de Von Neumann: Permite establecer la condición necesaria y suficiente para

la estabilidad de problemas lineales. En el resto de casos, el método se aplica localmente,
congelando los términos no lineales, por lo que solo proporciona condiciones necesarias.
En el método de Von Neumann, la solución de la ecuación en diferencias finitas se

desarrolla en series de Fourier; la atenuación o el crecimiento de las amplitudes de los modos
indican si el algoritmo numérico es o no estable.
En la práctica se dice que un proceso numérico converge si los valores de las variables
en los puntos del dominio tienden hacia unos valores fijos mientras la solución progresa. Esto
es así porque en muchos casos no se puede demostrar matemáticamente la convergencia
“estricta”. En el caso de un cálculo no estacionario en una turbomáquina, la convergencia no
se entiende como la obtención de un valor fijo para las distintas variables dependientes sino
como la obtención de una variación periódica de los valores de cada una de estas variables.
Teorema de equivalencia de Lax: Dado un problema lineal correctamente planteado y

una aproximación por diferencias finitas que satisface la condición de consistencia, la estabilidad
es condición necesaria y suficiente para que sea convergente.
En la figura 7 se muestra un resumen de los conceptos desarrollados en este apartado.
Figura 7.- Requisitos que han de cumplir las discretizaciones en los métodos numéricos.
4.2.2.- Dificultades asociadas a la naturaleza de las ecuaciones de gobierno.
En este apartado, se van a mostrar algunas limitaciones prácticas de la estabilidad de

los métodos numéricos y se va a introducir el concepto de problema rígido.
Considérese la ecuación:
du
= qu u(0)=1 con q: número complejo (29)
dt
Si se discretiza según un método de diferencias finitas centrado en el tiempo, se

obtiene:
u n +1 − u n −1
= qun (30)
2 ∆t
Esta discretización particular se denomina método explícito del punto medio (en inglés
“leap frog”). En el apartado 4.5 se amplía el estudio a otros tipos de métodos utilizados en la
práctica. Si se expresa ahora u n +1 en función de u n y de u n −1 , se puede obtener que el factor
de amplicación (ω) debe cumplir la ecuación:
ω 2 − 2 q ∆t ω − 1 = 0 (31)
que tiene dos raíces:
ω1, 2 = q ∆ t ± 1 + (q ∆ t ) 2 (32)
y debería satisfacer la condición ya mencionada de ω≤ 1 + O(∆t). Si ahora se aplica el

método para q = −1 y ∆t = 0.1, se requiere de dos valores iniciales para iterar. El primero
viene dado por la condición de contorno, es decir:
u 0 = 1.0 (33)
y el segundo puede calcularse utilizando alguna fórmula aproximada, por ejemplo la

simplificación de una fórmula de dos puntos. En la figura 8 se muestra la solución para los
valores u1 = 0.9 (línea continua) y u1 = 0.85 (círculos). Aparecen oscilaciones que no son
permisibles. Se puede observar como el concepto de estabilidad no es suficiente, porque el
límite ∆ t → 0 no aporta suficiente información del método de discretización. Se introduce
entonces el concepto de estabilidad absoluta, que indica que una solución debe mantenerse
limitada (sin oscilar) para n → ∞ para un valor finito de ∆t.
u [m/s]
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 t [s] 1.0
Figura 8.- Evolución de la solución usando el método del punto medio.
Para una solución iterativa del problema propuesto, la solución con estabilidad
absoluta se define como un conjunto z = q ∆t tales que la secuencia de valores un permanezca
limitada (sin oscilaciones). Matemáticamente, esto implica:
ω ≤1 (34)
Para el método del punto medio, el factor de amplificación se obtiene según la

ecuación 32, por lo que ω1 = ω2 = − 1, por lo que la única opción de estabilidad es
ω1 = ω 2 = 1 , es decir, ω = eiα. Sustituyendo este resultado en la ecuación 32 y resolviendo

para z, se obtiene:
z = i sen α (35)
Es decir, la región de estabilidad es el segmento del eje imaginario entre –i y +i. Por lo
que para q = −1 no es posible obtener un valor de ∆t que proporcione un método con
estabilidad absoluta, lo cual explica el comportamiento observado en la figura 8.
Sin embargo, el caso del método del punto medio constituye una situación límite. Si se
considera el método de Euler hacia adelante (“forward Euler”) y se discretiza la misma
ecuación 29, se obtiene:
u n +1 − u n
= q un (36)
∆t
de donde se obtiene ω = 1 + q ∆t. La región de estabilidad será ahora el conjunto de los z tales
que 1 + z ≤ 1 , es decir, una circunferencia de radio unidad centrada en z = -1, tal y como se
muestra en la figura 9. Para q = -1, la solución numérica del problema permanece limitada
(sin oscilaciones) siempre que –2 ≤ - ∆t ≤ 0 o bien ∆t ≤ 2. Esta condición no es demasiado
rígida y limitará el valor de ∆t, pero no a valores demasiado pequeños. Para obtener una
precisión suficiente el salto temporal debe estar siempre en torno a una fracción de la escala
de tiempos del problema en cuestión. En este caso, la escala de tiempos máxima admisible
resulta ser la unidad (1/ q ).
Figura 9.- Región de estabilidad para el método de Euler hacia adelante.
Por ejemplo, si se considera la ecuación diferencial ordinaria dada por el sistema:
d  u1   − 3 1   u1 
 =   (37)
d t  u 2   0 − 100   u 2 
en el que los coeficientes de la diagonal principal tienen valores tan dispares, y se observa su
solución (combinación lineal de dos soluciones particulares):
 u1  1  −3t  1  −100t
  = C1   e + C2  e (38)
 u2  0  − 97 
El segundo término decae muy rápido y no se pierde generalidad si en la práctica se

desprecia. Sin embargo, el segundo término, que corresponde al valor propio q2 = -100
impone un límite ∆t ≤ 0.02.
Este ejemplo muestra como siempre resulta ser la menor escala de tiempo la que
impone un límite al salto temporal. Para problemas con grandes rangos de escalas de tiempo,
el problema se vuelve rígido y las restricciones pueden hacer muy difícil su solución
utilizando técnicas CFD. Desafortunadamente, los problemas con escalas de tiempo muy
amplias son comunes en la Mecánica de Fluidos.
Con el fin de abordar la mencionada limitación, se deben buscar soluciones que se

encuentren limitadas. Para ello sería necesario que la región de estabilidad incluyera el
semiplano izquierdo por completo. Entonces se tendría condición de estabilidad absoluta o A-
estabilidad. Por ejemplo, si se considera la discretización de la ecuación 29 según un esquema
de Euler hacia atrás (“backward Euler”), se obtiene:
u n +1 − u n
= q u n +1 (39)
∆t
En este caso, el factor de amplificación es 1/(1 – q ∆t) y la región de estabilidad viene

dada por 1 − z ≤ 1 , que se corresponde con el círculo de radio 1 y centrado en z = 1 (figura
10).
Figura 10.- Región de estabilidad para el método de Euler hacia atrás.

Existe una diferencia clara entre los dos esquemas “hacia adelante” y “hacia atrás”. En
el primero, la solución en un instante “n+1” se obtiene explícitamente de la solución en el
instante “n”, realizando operaciones aritméticas. Sin embargo, en el segundo caso, los valores
en el nuevo instante aparecen de forma implícita en la solución de una ecuación algebraica.
Aparece la diferenciación entre métodos explícitos y métodos implícitos.
Se puede extraer la conclusión general de que los métodos explícitos resultan más
económicos para cada paso temporal. Desafortunadamente, se ha demostrado que los métodos
explícitos nunca pueden ser A-estables.
Por lo tanto, la elección entre un método explícito o implícito requiere siempre buscar
un equilibrio entre la sencillez a la hora de programar y la estabilidad del método. Para
problemas en los que no exista demasiada rigidez tales como los de flujos no viscosos, los
métodos explícitos resultan competitivos, principalmente para problemas tridimensionales,
por requerir una menor cantidad de información almacenada. Por el contrario, para problemas
muy rígidos, tales como los flujos con viscosidad predominante o con reacciones químicas,
los métodos implícitos son generalmente los más utilizados, a pesar del incremento de
necesidades de almacenamiento de las variables que imponen.
4.3.- Métodos de discretización empleados.
El objetivo de la discretización es sustituir el problema continuo con infinitos grados de

libertad en espacio y tiempo por un problema discreto con finitos grados de libertad. En función
de que la discretización se realice en el dominio temporal o en el dominio espacial, se presentan
diferentes métodos de discretización:
- Discretización temporal: Diferencias finitas
- Discretización espacial: Diferencias finitas

Elementos finitos
Volúmenes finitos
Residuos ponderados
Se agrupan estos en tres métodos básicos en la discretización de las ecuaciones de

gobierno: diferencias finitas, volúmenes finitos y residuos. A continuación se describen
brevemente las tres posibilidades.
4.3.1.- Método de las diferencias finitas.
Está basado en la representación de una derivada mediante una aproximación por

diferencias entre los puntos vecinos. Utilizando los desarrollos en series de Taylor se
describen las derivadas como diferencias entre los valores de una variable en varios puntos
del espacio o del tiempo. Mediante la aplicación de tales aproximaciones, el sistema original
de ecuaciones diferenciales se reduce a un sistema de ecuaciones algebraicas, que es resuelto
mediante técnicas convencionales.
La discretización en diferencias finitas está especialmente ideada para una malla

cartesiana. Su extensión a geometrías curvilíneas más complejas requiere la transformación de
las ecuaciones de gobierno por medio del correspondiente cambio de base a un sistema de
coordenadas que siga la dirección de dichas geometrías curvilíneas. Una vez realizado el
cambio de variable, el método de diferencias finitas es aplicable a resolución de problemas en
dichas geometrías (Hoffman, 1988).
Considérese una ecuación en derivadas parciales sobre un dominio rectangular (ver

figura 11).
Se sustituye el espacio continuo por un mallado (regular):
xi, j , yi, j con i = 1...iN j = 1...jM (40)
de tal forma que se cumple:
xi, j = ∆x i
yi, j = ∆y j (41)
Figura 11.- Dominio cartesiano para definir un problema bidimensional dado.
Se define una función en los puntos del mallado (i, j):
ui, j = u (xi , yj ) (42)
A continuación, se estiman las derivadas en un punto (i, j) por cocientes de diferencias,

basados en la definición de derivada, es decir:
∂u u(x + ∆x, y) - u(x, y)

= lim (43)
∂x ∆x →0 ∆x
Si ∆x es lo suficientemente pequeño, el cociente de diferencias es una buena

aproximación de la derivada.
Existen varias posibilidades a la hora de elegir el cociente de diferencias:

Diferencia hacia delante.
∂u  u i+1, j - u i, j
 = (44)
∂x  i, j ∆x
Diferencia centrada.
∂u  u i+1, j - u i-1, j
 = (45)
∂x i, j 2∆x
Diferencia hacia atrás.
∂u  u i, j - u i-1, j
 = (46)
∂x i, j ∆x
El error de truncado es la diferencia entre la derivada real y el cociente de diferencias. Se

obtiene mediante desarrollo en serie de Taylor alrededor del punto (i, j). Por ejemplo en el caso
de la diferencia hacia adelante:
∂u  ∆ x 2 ∂ 2u  ∆ x 3 ∂ 3u 
u i+1, j = u i, j + ∆x  + + + ... (47)
∂x i, j 2 ∂ x 2 i, j 3! ∂ x 3 i, j
∂u  u i+1, j - u i, j ∆x ∂ 2u  ∆ x 2 ∂ 3u 
 = - - + ... (48)
∂x  i, j ∆x 2 ∂ x 2 i, j 3! ∂ x 3 i, j
o en el caso de la diferencia centrada:
∂u  ∆ x 2 ∂ 2u  ∆ x 3 ∂ 3u 
u i+1, j = u i, j + ∆x  + + + ... (49)
∂x i, j 2 ∂ x 2 i, j 3! ∂ x 3 i, j
∂u  ∆ x 2 ∂ 2u  ∆ x 3 ∂ 3u 
u i-1, j = u i, j - ∆x  + - + ... (50)
∂x i, j 2 ∂ x 2  i, j 3! ∂ x 3 i, j
∂u  u i+1, j - u i-1, j ∆ x 2 ∂ 3u 
 = - + ... (51)
∂x  i, j 2∆x 6 ∂ x 3  i, j
El orden de la discretización es la menor potencia del incremento (∆x en este caso) que
aparece en el error de truncado. En la diferencia hacia delante es de primer orden:
∆x
E.T. = - u + ... = O(∆x) (52)
2 xx
y en la diferencia centrada resulta de segundo orden:
∆ x2
E.T. = - u + ... = O(∆ x 2) (53)
6 xxx
Una expresión puede ser de primer orden en un punto y de segundo en otro; así la
expresión siguiente sería de primer orden para el punto (i, j) y de segundo orden para el punto
(1+1/2, j):
u i+1, j - u i, j
u x )i, j = + O(∆x) (54)
∆x
u i+1, j - u i, j
u x )i+ 1 , j = + O(∆ x 2 ) (55)
2 ∆x
La discretización en un mallado no uniforme puede reducir el orden del error de truncado

(ver figura 12).
∆x i ∆x i+1
x
i-1 i i+1
Figura 12.- Mallado no uniforme unidimensional.
∂u  ∂u  ui +1 - u i u i - u i-1
 -  -
∂x i +1 ∂x i ∆ x i +1 ∆ xi
u xx )i = = + E.T. (56)
∆ x i +1 - ∆ x i ∆ x i +1 - ∆ x i
2 2
En general, el error de truncado se mantendrá de segundo orden si
∆ x i +1 = ∆ x i + O(∆ x 2 ) (57)
es decir, si los mallados son regulares.
Otro aspecto que influye en el error de la discretización es la distorsión del mallado, es

decir, que sus direcciones no sean ortogonales. Considérese el mallado de la figura 13.
i j+1
θ i+1 j
ij S
y
i-1 j
x
i j-1
Figura 13.- Mallado bidimensional no ortogonal (direcciones “x” y “S”).

Supóngase que se desea evaluar las derivadas siguientes:
∂u  ∂u 
 y  (58)
∂x i, j ∂y i, j
Entonces:
∂u  u i, j+1 - u i, j-1
 = (59)
∂y i, j ∆y
∂u  u i+1, j - u i-1, j
 = (60)
∂S i, j ∆S
Como, por otro lado, se puede deducir a partir de la figura 14 la relación:
∂ ∂ ∂
= senθ + cos θ (61)
∂S ∂x ∂y
entonces, se deduce:
∂u  u i+1, j - u i-1, j 1 u i, j+1 - u i, j-1

 = - cotgθ (62)
∂x  i, j ∆S senθ ∆y
Se observa que cuando θ es pequeño la derivada respecto a x se convierte en la diferencia

de dos términos de gran magnitud, reduciéndose la exactitud del cálculo. Así pues se tenderá a
utilizar mallados lo más ortogonales posible para evitar estos errores.
Otro aspecto a destacar de este método es que precisa la utilización de mallados

cartesianos, aunque las ecuaciones diferenciales originales se pueden expresar en un sistema de
coordenadas curvilineas arbitrario.
4.3.2.- Método de los volúmenes finitos.
Considérese una ecuación genérica en derivadas parciales que proviene de una ley de
conservación integral:
∂u
+∇ F=Q (63)
∂t
Integrando para un cierto volumen
∂
u dΩ + ∫ F d Γ = ∫ Q dΩ, ∀Ω
∂t Ω∫
(64)
∂Ω Ω
Por ejemplo, para la ecuación de continuidad se tiene:

u = ρ ; F = ρu ; Q = 0 (65)
La ley integral utiliza flujos en el contorno de Ω en la figura 14. Por tanto, esta
formulación posee la siguiente propiedad:
∂
∂ t ∫ ABC ∫
+ = (66)
Ω1
∂
∂ t ∫ BDE ∫
+ = (67)
Ω2
∂
∂ t ∫ ADE ∫
+ = (68)
Ω3
Ω = Ω1 + Ω2 +Ω3 C Ω2
B
Ω1 Ω3
A
Figura 14.- Dominio bidimensional Ω.
Sumando la contribución de los tres términos anteriormente descritos, los

correspondientes a los flujos sobre los contornos internos se anulan, y se obtiene conservación
global en Ω. Siempre que la discretización satisface esta propiedad se llama conservativa.
Además, si se cometen errores en la evaluación de los flujos en fronteras interiores, la

conservación global no se ve afectada.
Ejemplo: Sea la ecuación:
∂u ∂f(u)
+ =q (69)
∂t ∂x
la correspondiente formulación cuasi-lineal es
∂u ∂u ∂f
+a = q siendo a= (70)
∂t ∂x ∂u
Considérese un mallado regular y una discretización centrada, como la de la figura 15.

i-3/2 i-1/2 i+1/2 i+3/2

x
i-1 i i+1
∆x
Figura 15.- Discretización unidimensional centrada.
Se tienen las siguientes aproximaciones:
∂ ui f i+ 2 − f i− 2
1 1
Punto i: + = qi (71)
∂t ∆x
∂ u i +1 f i + 2 − f i + 2
3 1
Punto i+1: + = qi +1 (72)

∂t ∆x
∂ u i −1 f i − 2 − f i − 2
1 3
Punto i-1: + = qi −1 (73)

∂t ∆x
Sumando las expresiones 71 a 73 y dividiendo y dividiendo por 3, se obtiene:
∂  u i −1 + u i + u i +1  f i + 2 - f i − 2 qi −1 + qi + qi +1
3 3
 + = (74)
∂t  3  3∆x 3
Esta expresión representa una discretización aplicada al elemento comprendido entre los
puntos i-3/2 e i+3/2.
Si se considera la formulación cuasi-lineal:
∂ ui ui+ 1 - ui− 1
Punto i: + ai 2 2
= qi (75)
∂t ∆x
∂ ui+ 3 - ui+ 1
Punto i+1: ui+1 + a i+1 2 2
= qi+1 (76)
∂t ∆x
∂ u i −1 ui − 1 - ui− 3
Punto i-1: + a i-1 2 2
= qi-1 (77)
∂t ∆x
ai+ 1 - ai− 1
2 2
Sumando, reordenando y llamando: a i = , se obtiene:
2
∂  u i −1 + u i + u i +1  a i + 2 - a i- 2 u i + 2 - u i − 2  q i −1 + q i + q i +1 
3 3 3 3
  + -  =
∂t 3  2 3∆x  3 
a i+ 1 - a i− 3 ui+ 3 - ui− 1 ai+ 3 - ai− 1 ui+ 1 - ui+ 3

= 2 2
+ 2 2 22 2 2
(78)
2 3∆x 2 3∆x
Una discretización directa de la ecuación cuasi-lineal sobre el elemento comprendido
entre i-3/2 y i+3/2 habría proporcionado la parte izquierda de la ecuación. Se aprecia que la
discretización de la formulación no conservativa produce “términos extra”. Dichos términos se
pueden considerar una discretización de segundo orden de un término proporcional a:
∆ x 2 [(a x u x ) x - a x u xx ] (79)
en el punto i. Para flujos continuos, estos términos son del mismo orden que el error de truncado,
y pueden ser despreciados; pero pueden producir grandes errores cuando hay discontinuidades,
como en el caso de existir ondas de choque.
o0o
Las discretizaciones conservativas son la base del método de los volúmenes finitos. Este
método constituye la técnica más comúnmente empleada en la discretización de las ecuaciones de
constitución. Se desarrolló para resolver específicamente problemas de transferencia de calor y de
mecánica de fluidos (Patankar, 1980). Parte del hecho de que las leyes básicas de la mecánica de
fluidos son leyes de conservación y pueden ser expresadas en forma de balances macroscópicos de
las distintas variables.
En primer lugar se define una división del dominio en celdas que no se superpongan
unas con otras. Normalmente se usan figuras geométricas sencillas, que constituyen el
mallado del dominio a estudiar.
A continuación se aplican los balances de los flujos de las distintas variables en los
volúmenes construidos a partir del mallado definido. En general éstos no tienen porque
coincidir con las celdas del mallado, pudiendo ser conjuntos de celdas o encontrarse
desplazados con respecto a dichas celdas.
Para cada uno de los volúmenes el balance de los flujos de una determinada variable
proporciona información sobre el valor medio de dicha variable en el interior del mismo.
Desde un punto de vista práctico, el método consiste en ir sustituyendo las integrales de la
ecuación general de conservación por sumatorios sobre las caras del volumen, que indicarán la
forma de variación de dicha variable para cada volumen elemental, llegándose a la expresión:
 n ∆ t
∆ ( Variable ) =  ∑ (Flujos + Términos fuente  (80)
 1 ϑ
donde ϑ es el volumen de cada volumen, n es el número de las caras del volumen y los
términos de flujo se evalúan en la dirección normal de cada cara.
Los valores de las distintas variables en las caras (superficies o lados) de los distintos
volúmenes no son conocidos y se requiere algún tipo de interpolación numérica para su
cálculo. La elección de los volúmenes, así como la de las interpolaciones, dan lugar a una gran
variedad de métodos (Hirsch, 1988; Degrez, 1994).
El método de los volúmenes finitos constituye el método más flexible, bajo el punto de
vista geométrico, para la discretización de las ecuaciones de gobierno. A continuación se
exponen los distintos pasos (Versteeg, 1995) que este tipo de métodos emplea en la
discretización de las ecuaciones de gobierno para flujo incompresible no estacionario:
a) Discretización de los términos difusivos en la ecuación de la energía. Cuando se

presenta un problema en el que no existen términos convectivos, debidos a la velocidad del
flujo, la resolución de las ecuaciones es inmediata. Este paso es previo en la utilización de
este tipo de métodos.
b) Discretización de los problemas con términos convectivos y difusivos. El principal

problema para la aplicación de este método consiste en la definición del valor de la variable
considerada en la frontera del volumen de cálculo. Mientras que en el caso de los términos
difusivos la influencia de las celdas próximas es idéntica (sin direcciones predominantes), los
términos convectivos se ven afectados por el flujo (mayor influencia de las celdas aguas
arriba que el de las situadas aguas abajo). El tipo de interpolación usada condiciona la
estabilidad y convergencia del método. Se utilizan métodos centrados, métodos que
consideran el predominio de las posiciones aguas arriba y métodos de orden superior
(QUICK).
c) En el caso de los flujos incompresibles hay que añadir un algoritmo adicional para
poder obtener los campos de presión y velocidad. Este consiste en un proceso iterativo basado
en la solución de los campos de presión y velocidad para un determinado instante, de forma
que se asegure la verificación de la ecuación de continuidad. Normalmente se usan algoritmos
del tipo SIMPLE (Patankar, 1980), MAC (Ikohagi, 1991) o PISO (recomendado para cálculos
no estacionarios en mallados altamente distorsionados, Versteeg et al., 1995). Este esquema
se puede aplicar también a flujos compresibles.
d) Cuando el flujo considerado es no estacionario, se precisa una discretización

temporal y la solución de las ecuaciones con una determinada precisión temporal
condicionará la validez de la solución. Algunas técnicas utilizadas en la práctica se comentan
en el apartado dedicado a las discretizaciones temporales.
Siguiendo los pasos descritos se llega a la definición de un sistema de ecuaciones

lineales, cuya solución definirá los valores de las distintas variables consideradas.
Algunos ejemplos de aplicación de este tipo de técnicas pueden encontrarse en

Jameson (1981), Walker (1990) o Rosenfeld (1991). A continuación se define mediante un
ejemplo lo que se entiende por discretización conservativa para pasar después a exponer la
técnica de volúmenes finitos.
Las ventajas de este método son:
- Aplicable a leyes de conservación

- Admite dominios arbitrarios
- La discretización es conservativa
Existen dos formas de aplicar el método, dependiendo de donde se definen las variables:
centrado en las celdas (“cell centered”) o centrado en los vértices (“cell vertex”).
1) Centrado en las celdas. Las variables son representativas del elemento.
i) Se divide el dominio en volúmenes finitos Ωi con contornos ∂ Ωi (figura 16).
Se deben cumplir las siguientes reglas básicas:
- La unión de todos los elementos debe cubrir el dominio completo

- Cada contorno de cada volumen finito debe ser común a dos volúmenes
- Las incógnitas se definen en el centro del volumen finito
ii) Se discretiza la ley de conservación integral para cada volumen.
∂
∂ t Ω∫i
u dΩ + ∫ F dΓ = ∫ Q dΩ (81)
∂ Ωi Ωi
Ωi
Figura 16.- Dominio discretizado para la resolución

según la técnica de volúmenes finitos.
Discretizando:
∂ ui
Ωi + Σ F Γ = Qi Ω i (82)
∂ t lados
El flujo a través de un contorno debe ser calculado mediante una fórmula independiente
del volumen a que pertenezca (figura 17):
FAB = (f AB, g AB) (83)
fi + f j gi + g j
f AB = , g AB = (84)
2 2
O también:
 ui + u j   ui + u j 
f AB = f  , g AB = g  (85)
 2   2 
∂ ui j
∆x∆y + (f AB - f CD)∆y + (g BC - g AD)∆x = ∆x∆y Qi j (86)
∂t
Ejemplo: Mallado rectangular de la figura 18, donde Ω = ∆x ∆y y F = f nX + g nY.
B
Ωi
Ωj
A
Figura 17.- Dominios adyacentes.
Figura 18.- Mallado bidimensional rectangular.
Como se cumple:
fAB = fi + ½, j fCD = fi - ½, j
gBC = gi, j +½ gAD = gi, j - ½ (87)
fAB = fi + ½, j fCD = fi - ½, j
Dividiendo por ∆x ∆y:

∂ u i, j f i+ 12 , j - f i- 12 , j g i, j+ 12 - g i, j- 12
+ + = Qi, j (88)
∂t ∆x ∆y
Es equivalente a una discretización en diferencias finitas de segundo orden. Si se elige

como fórmula para calcular los flujos:
f i, j + f i +1, j g i, j + g i, j+1
f i+ 12 , j = , g i, j+ 1 = (89)
2 2 2
se obtiene:
∂ u i, j f i+1, j - f i-1, j g i, j+1 - g i, j-1

+ + = Q i, j (90)
∂t 2∆x 2∆y
o0o
2) Centrado en los vértices. Las variables se definen en los vértices del elemento (ver figura 19).
Figura 19.- Dominio discretizado con la

técnica de nodos centrados en las celdas.
i) Se define un mallado como en el caso anterior.

ii) Se definen los volúmenes finitos; existen dos posibilidades:
a) Construir un mallado dual conectando los centros de los elementos originales

(volumen finito ABCDE alrededor del punto I).
b) Considerar el contorno alrededor de un punto como volumen finito (volumen

finito JKLMNOP alrededor del punto I). En este caso los volúmenes finitos se
solapan pero cada contorno sólo pertenece a dos volúmenes finitos diferente.
Esto hace que los flujos correspondientes se anulen al realizar el balance global.
4.3.3.- Método de los residuos.
Se basa en una representación funcional de la solución numérica. Hasta ahora, en los

otros dos métodos vistos, se hacía una representación discreta de la solución (conjunto de
puntos). Aquí, en cambio, la solución se escribe como combinación lineal de varias funciones
continuas denominadas base (vi), de forma que se cumplirá: u = ∑ u i v i ( x ). Al tratarse de un
proceso numérico, la solución no será exacta sino que dará lugar a un residuo, cuya
minimización por medio de funciones peso caracterizará el método (método Galerkin, método
de colocación o método Petrov-Galerkin). La definición de la base de funciones sobre la que
se construye la solución da lugar a dos tipos básicos de métodos: los de elementos finitos y de
los métodos espectrales, que son descritos a continuación.
- Residuos ponderados.
Se basa en una representación funcional de la solución numérica, tal y como se muestra

en la siguiente ecuación:
u* = Σ ui vi (x) (91)
esta función no satisface el problema diferencial D(u) = 0, sino que D(u*) = r* ≠0, donde r* es el
residuo. Se trata de minimizar el residuo.
- Método de los mínimos cuadrados.
Se minimiza el cuadrado del residuo sobre el dominio, es decir:
∫ ϑ
(r*) 2 dϑ es minimo (92)
Esta integral es función de n variables: los parámetros ui de la aproximación numérica.

Por tanto, una condición para que exista un mínimo es que las derivadas con respecto a ui sean
nulas, es decir:
∂r*
∫ ϑ ∂ ui
r* dϑ = 0 (93)
Esta expresión representa una suma ponderada de los residuos sobre el dominio ϑ siendo
∂ r*
el coeficiente de ponderación w i = .
∂ ui
Existen variantes del método dependiendo de la elección de las funciones de ponderación
wi y de las funciones base:
Supóngase que se han elegido las funciones base. Entonces las posibilidades son cuatro:
1) Si se eligen como funciones de ponderación a las funciones base: Método de

Galerkin.
2) Si se eligen como funciones de ponderación distribuciones de Dirac, es decir,
imponer que el residuo se anule en puntos concretos del dominio: método de
colocación.
3) Si se impone que el valor medio del residuo se anule en sub-dominios concretos,

utilizando pesos constantes sobre los sub-dominios: método de los sub-dominios.
4) Si se elige otro tipo de funciones: método de Petrov-Galerkin.
El método a utilizar depende del problema a resolver. El método de los mínimos

cuadrados da lugar a un problema algebraico simétrico. La función de ponderación es compleja y
las funciones base son de orden alto.
El método de Galerkin da buenos resultados si el problema diferencial es equivalente a

un problema de minimización. Si se trata de problemas convectivos, en cambio, presenta
problemas de estabilidad.
En cuanto a los métodos de los sub-dominios y de Petrov-Galerkin, son simples y menos

exactos y requieren funciones de ponderación de alto orden.
Respecto a las funciones base, cuantas más existan, la solución numérica se acercará más
a la solución exacta.
- Método de elementos finitos.
Aplica a una representación funcional los conceptos del método de las diferencias
finitas. Los parámetros de la representación son puntos que dividen el dominio en una serie de
elementos. Las funciones base se definen como interpolaciones polinómicas restringidas a los
elementos contiguos (normalmente triángulos o cuadriláteros en dos dimensiones). Las
interpolaciones pueden resultar en aproximaciones lineales, cuadráticas o de orden superior.
Normalmente, para las aplicaciones de Mecánica de Fluidos se recomienda que sean al menos
cuadráticas para poder aproximar las derivadas segundas con cierta precisión.
Un ejemplo de aplicación del método de elementos finitos se muestra en Combes

(1991).
Al igual que en el método de diferencias finitas, los parámetros de la representación

son valores puntuales asociados a los nodos de un mallado. En este caso, los puntos se sitúan
en curvas que subdividen el dominio en zonas no superpuestas. Además, a cada nodo se le
asociará una función de interpolación polinómica entre elementos contiguos. Así, se consigue
un sistema de ecuaciones algebraicas compactas que relacionan pocos valores puntuales. Los
diferentes pasos del método son:
i) Cubrir el dominio con un conjunto de elementos no superpuestos, normalmente

triángulos o cuadriláteros (ver figura 20). En cada nodo definirán los valores discretos de
las funciones incógnitas; en cada elemento pueden definirse puntos o nodos tanto en el
interior o en los lados (ver figura 21).
Figura 20.- Dominio preparado para la utilización de elementos finitos.
i
Figura 21.- Nodos de partida para elementos bidimensionales y unidimensionales.
ii) El segundo paso es construir unas funciones Ni(x) asociadas a cada nodo i: funciones
de interpolación o funciones de forma. Con estas funciones se pretende reconstruir
una aproximación continua de una función a partir de los valores discretos en los
nodos.
En función del número de nodos considerados para la construcción de estas funciones de

forma, éstas funciones de interpolación podrán tener diferente grado; así, para el caso
unidimensional, las más utilizadas son las lineales (elementos con dos nodos en sus extremos), y
las cuadráticas (elementos con dos nodos en los extremos y uno en el interior).
El esquema general se resume en el siguiente esquema:
Dado Requerido
u1 en x1,y1 u (x) en un punto arbitrario que se aproxime a u(x)

. de forma que u (xi)=ui
.
ui en xi,yi
.
.
uN en xN,yN
La función requerida se define u (x) = ∑ uj Nj(x). Las funciones Nj(x) se definen con las
siguientes restricciones:
1) Deben ser simples, para evitar una expresión compleja que implique muchos
puntos (ver figura 23).
Así, en xj < x < xj+1 u (x) = uj Nj(x) + uj+1 Nj+1(x)
2) Se requiere que u (xi) = ui; por tanto u (xi) = Σ uj Nj(xi) = ui. Esto implica:
Ni(xi) = 1
Nj(xi) = 0 si i ≠ j, o sea Ni(xj) = δij
Νi (x)
x
i
x
1 2 3 4 5
Figura 22.- Dominio unidimensional con las funciones en cada nodo.
3) Se requiere que una función constante sea reconstruida exactamente; esto

quiere decir que si uj = U0 = cte ∀ j, se debe verificar u (x) = U0 en todos los puntos. Esto
implica:
u (x) = Σ uj Nj(x) = U0 Nj(x) = U0, o sea, Σ Nj(x) = 1 ∀x (94)
iii) El tercer paso es discretizar una formulación integral de la ecuación en derivadas

parciales.
Ejemplo: Considérese la ecuación de Poisson en el dominio de la figura 23.
ΓD ΓΝ
u = u* ∂u
=g
∂n
Figura 23.- Dominio bidimensional para aplicación del método de los elementos finitos.
Donde la ecuación a resolver es
∆u = q (95)
con las condiciones de contorno:
u = u* en ΓD (96)
∂u
= g en ΓN (97)
∂n
Una formulación equivalente es la siguiente (aplicación del teorema de Green):
∫ w∆udV = ∫ wqdV, ∀w (98)

Ω Ω
Integrando el primer miembro por partes:
∂u
- ∫ ∆w ∆u dϑ + ∫ w dΓ = ∫ w q dϑ, ∀w (99)
Ω
∂n Ω
En el método de Galerkin, las funciones w elegidas son las funciones de forma Ni(x):
w(x, y) = Σ αi N j (x, y); siendo αi coeficientes arbitrarios (100)
Sustituyendo:
 ∂u 
Σ αi - ∫ ∆ Ni ∆u dϑ + ∫ Ni ∂n dΓ - ∫ N i q dV  = 0 (101)
i  Ωi Ωi 
Como esta expresión es válida para todos los coeficientes αi, se tendrá:
∂u
- ∫ ∆ Ni ∆u dϑ + ∫ Ni dΓ - ∫ N i q dϑ = 0 (102)
∂n
Ωi Ωi
Se obtiene así una expresión para cada nodo. Ahora sustituyendo u a partir de las
funciones de forma:
u = Σ u j N j y ∆u = Σ u j ∆ N j (103)
j j
se obtiene:
∂u
- Σ u j ∫ ∆ N j ∆ Ni dϑ + ∫ Ni dΓ - ∫ N i q dϑ = 0 (104)
j ∂n
Ωi Ωi
Si “i” no pertenece al contorno: Ni = 0 a lo largo de G, y la integral de línea será nula.

∂u
Si “i” pertenece a GN: = g; ∫ N i g dϑ , que es fácilmente evaluable.
∂n Γ
Si “i” pertenece a GD: ui es conocido.
En definitiva, se obtiene un sistema de ecuaciones en el que las incógnitas son los valores
uj, es decir:
∑ u j k i j = Fi j (105)
j
o0o
- Métodos espectrales.
Se trata de métodos basados en la descomposición de una función en series de Fourier

(combinación de funciones seno y coseno que, en realidad, se pueden considerar como una
base ortogonal de funciones). En particular las funciones senoidales sólo son aplicables a
problemas con condiciones de contorno periódicas y normalmente se usan funciones
polinómicas del tipo de Chebyshev o Legendre.
Los métodos espectrales han demostrado su eficiencia en problemas unidimensionales,

pero para problemas en dos o tres dimensiones su aplicación resulta muy complicada. Por otra
parte, la gran precisión de los cálculos permite reducir mucho el número de puntos de la
discretización y les hace apropiados en el tratamiento de fenómenos como la turbulencia. Así,
estos métodos son los usados en los métodos de simulación directa de las ecuaciones de
Navier-Stokes (Peyret et al., 1983).
4.3.4.- Comparación entre las técnicas de discretización.
Algunos aspectos relacionados con los métodos numéricos que pueden aparecer de
forma común en las tres técnicas son:
- Obtención de un sistema de ecuaciones algebraicas para los valores de las variables

en un número finito de puntos del dominio.
- Las condiciones iniciales para comenzar el cálculo de la solución.
- Las condiciones de contorno del problema.
- La forma explícita o implícita de las ecuaciones.
Las diferencias básicas entre las diferentes técnicas son:
- Las diferencias finitas y los volúmenes finitos producen ecuaciones numéricas referidas
a un punto pero dependientes de los valores de los puntos vecinos. Los elementos finitos
producen ecuaciones para cada punto independientes entre sí, y solamente cuando se combinan
los valores de los puntos interactúan entre ellos.
- Los elementos finitos toman la derivada de las condiciones de contorno cuando las
ecuaciones se forman aplicando los valores fijos de las variables a las matrices globales. Los
otros dos métodos aplican fácilmente los valores fijos de las condiciones de contorno
modificando las ecuaciones si se quiere introducir alguna derivada de una condición de contorno.
- En el método de diferencias finitas se debe usar siempre un mallado regular y uniforme

(gran inconveniente) aunque la cantidad de datos a almacenar relacionados con la conectividad
del mallado es muy pequeña (gran ventaja). Estas dos características implican unos programas de
resolución muy simples y rápidos.
- En el método de los residuos, los elementos pueden no estar uniformemente

distribuidos pero se necesita almacenar más datos siendo bueno para casos en los que
intervengan geometrías complicadas, aunque tiene el inconveniente de que los programas son
lentos y muy complejos. Una ventaja de estos métodos es que fueron orientados hacia las
técnicas CFD y por lo tanto tiene una programación muy estructurada.
- Para el caso de geometrías complejas, que además incluyan distintas partes con
movimiento relativo unas respecto a otras, como es el caso de turbomáquinas radiales, el
método de volúmenes finitos es prácticamente la única posibilidad con valor práctico, debido
a la gran dificultad para solucionar el flujo en geometrías alejadas de cualquier división
cartesiana por parte de los métodos de diferencias finitas y dada la gran complejidad en la
programación de los métodos de los residuos.
4.4.- Discretización temporal.
En los casos anteriores las aproximaciones se han realizado en los términos espaciales,
pero no se ha mencionado el tratamiento posible de los términos temporales. En este punto
conviene distinguir entre modelos estacionarios y modelos no estacionarios. En los modelos
estacionarios, las derivadas temporales sólo se necesitan en resoluciones transitorias siendo
nulas al llegar al régimen estacionario. Algunos métodos han incluido el término transitorio
para resolver las ecuaciones de un flujo estacionario comprobando que se ha llegado a la

convergencia numérica cuando este término se vuelve nulo. Por su parte, en los métodos no
estacionarios se debe resolver de forma exacta el sistema de ecuaciones para cada paso
temporal.
Para cada instante temporal, una vez discretizadas las ecuaciones de gobierno, el
problema se reduce a un sistema de ecuaciones algebraicas que se puede resolver mediante
una gran variedad de métodos. Una forma general de las ecuaciones, para una variable U
genérica, es la siguiente:
U in +1 = f ( ,U in−2 ,U in−1,U in , U in+1,U in+ 2 , ) (106)
donde el superíndice n indica la iteración o coordenada espacial. En forma matricial el

conjunto completo de los puntos del mallado será:
U n +1 = AU n (107)
donde “A” es la matriz de los coeficientes derivados de la discretización. Los métodos de

resolución dependen de las características de la matriz “A”. En particular, tal y como se ha
mencionado, se distinguen dos tipos de algoritmos: los explícitos y los implícitos. En los
primeros, la matriz “A” depende únicamente de los valores de las variables en el instante n,
mientras que en los implícitos, la matriz “A” depende de las variables en los instantes n y
n+1. Los métodos implícitos son más estables que los explícitos aunque el coste numérico en
la resolución del sistema de ecuaciones es también mayor.
A menudo es necesario introducir un factor de relajación dentro del procedimiento de

~
iteración resolviendo, en este caso, la ecuación para un valor intermedio U in +1 (que se puede
calcular como extrapolación lineal de los dos últimos valores temporales ya calculados), y
luego relajando mediante el valor anterior U in con un factor λ, donde 0 < λ < 1, para obtener
el nuevo valor:
~
U in +1 = λ U in +1 + (1 − λ )U in (108)
Como ejemplo de discretización unidimensional, se puede aplicar este método a una

ecuación sencilla como es la ecuación de difusión no estacionaria, que consta de una derivada
temporal de primer orden y de una derivada espacial de segundo orden:
∂U ∂2U
=α 2 (109)
∂t ∂x
Sea un dominio espacial uniforme con puntos separados una longitud constante ∆x.
Una vez se haya definido el mallado, se discretiza la ecuación:
U in +1 − U in U n − 2U in + U in+1
= α i −1 (110)
∆t ∆x 2
Usando un factor de relajación λ, se llega a la expresión:

~ ~ ~
U in +1 − U in  U in−+11 − 2U in +1 + U in++11   U n − 2U in + U in+1 
= α λ   + α (1 − λ )  i −1  (111)
∆t ∆x 2   ∆x 2 
   
En esta nueva ecuación se observa que hay una relación entre la velocidad en la
iteración n+1 y la velocidad en la iteración n, pudiendo cambiar los nodos que deben ser
consultados, lo que da lugar a dos tipos de esquemas:
n n +1 n n +1 n +1 n +1
i-1 i i+1 i-1 i i+1
Figura 24.- Diferencias entre esquemas explícitos (izquierda) e implícitos (derecha).
i) En el esquema explícito (figura 24) se deben resolver todas las ecuaciones para
conocer todas las variables. Las ecuaciones explícitas necesitan pasos
temporales muy pequeños de tiempo ∆ t . En este caso se ha de verificar la
relación ∆ t / ∆ x 2 ≤ 1 / 2 para asegurar la estabilidad.
ii) En cambio, las ecuaciones implícitas no tienen este problema si se toma como
factor de relajación 1/2 (conocido como esquema de Crank-Nicholson, ver
apartado siguiente).
Una clasificación más detallada de las distintas posibilidades puede verse en Hirsch
(1988, volumen I).
4.5.- Tipos de aproximación numérica utilizadas en la práctica.
Aunque hasta ahora ya se han mencionado distintas discretizaciones y más adelante en

los ejemplos prácticos se profundizará en algunas otras, conviene presentar aquí las
aproximaciones numéricas que se utilizan en la práctica con el fin de permitir una visión
global de las mismas.
Se parte de una ecuación diferencial con una única variable dependiente (la extensión
a dos o tres dimensiones es inmediata) en la forma:
d d  dφ
(ρ u φ) =  Γ  (112)
dx dx dx
donde φ es una función dada y σ un parámetro conocido.

Γ
Si ahora se llama F al producto ρ u y D al cociente , se tienen las siguientes
∆x
opciones para un mallado unidimensional, similar al mostrado en la figura 25:
i-1 i i+1
∆x
Figura 25.- Mallado unidimensional para discretizar la ecuación 129.
Discretización central.
Si se utiliza una discretización central, se llega a una fórmula del tipo:
 φ + φi +1   φi −1 + φi 
Fi +1  i  − Fi −1   = Di +1 ( φi +1 − φi ) + Di −1 ( φi − φi −1 ) (113)
 2   2 
Discretización aguas arriba (“upwind”).
Para este tipo de discretización, se utiliza una fórmula del tipo:
Fi +1φi − Fi −1φi −1 = Di +1 ( φi +1 − φi ) + Di −1 ( φi − φi −1 ) (114)
cuando uW > 0 y uE > 0, mientras que adopta la forma:
Fi +1φi +1 − Fi −1φi = Di +1 ( φi +1 − φi ) + Di −1 ( φi − φi −1 ) (115)
cuando uW < 0 y uE < 0.
El mayor problema de esta discretización es el de su precisión cuando existan

importantes componentes de la velocidad en una dirección que no coincida con las líneas del
mallado. El esquema aguas arriba produce entonces un “masajeado” artificial de las variaciones
de las variables. El error resultante presenta la apariencia de una difusión y, por tanto,
normalmente se le conoce como “falsa difusión”.
Discretización híbrida.
Se trata de una discretización que intenta solventar el problema de la discretización aguas

F F
arriba utilizando ésta cuando el cociente es mayor de 2 y una discretización central si < 2.
D D
Discretización según una ley polinómica.
Desarrollada por Patankar en 1980. Constituye una metodología más precisa que la
F
híbrida. No se crea falsa difusión si el cociente es superior a 10. En realidad sus propiedades
D
son muy similares a las del algoritmo híbrido.
Discretización QUICK.
Se trata de una discretización de segundo orden que emplea una interpolación

cuadrática de tres puntos “aguas arriba” y ponderada para los valores de las funciones en las
caras de cada celda. En particular, la fórmula utilizada es:
6 3 1
φi = φi −1 + φi − φi − 2 (116)
8 8 8
Tiene precisión de tercer orden para mallados uniformes y se trata de un algoritmo

estable solo condicionalmente. Es decir, pueden aparecer problemas de pequeñas oscilaciones
en la evolución de la solución.
En cuanto a las técnicas para la evolución en el tiempo, es decir, técnicas explícitas o

implícitas (a veces aparece también el término pseudo-implícitas para describir una situación
intermedia), se puede hablar también distintos métodos generales. Para una ecuación
diferencial genérica donde la única variable sea la evolución temporal (variable “t”), es decir,
del tipo:
dU
= S U + Q = H ( U, t ) (117)
dt
donde S, Q y, por tanto, H son funciones conocidas y U es la variable dependiente. Las

discretizaciones o métodos más utilizados son los siguientes: diferenciación hacia atrás, Euler
hacia atrás, trapezoidal de un paso y Euler explícito.
De una forma genérica, las discretizaciones temporales se pueden expresar en función de

tres coeficientes base ξ, θ y ϕ para un instante “n” conocido, según la expresión:
(1 + ξ ) U n + 2 − (1 + 2ξ ) U n +1 + ξU n = ∆ t [θ H n + 2 + (1 − ϕ − θ)H n +1 ] (118)
Si se desea tener precisión de segundo orden en este tipo de discretizaciones, se debe

cumplir la relación específica:
1
ϕ = ξ−θ+ (119)
2
A continuación se plantean las discretizaciones utilizadas según los distintos métodos

mencionados.
Método hacia atrás (“backward”).
Utiliza los valores ξ = 1/2, θ = 1 y ϕ = 0. Es decir, se cumple la ecuación 119. Su

esquema general es, por lo tanto:
3 n +2
2
U
1
− 2 U n +1 + U n = ∆ t H n + 2
2
[ ] (120)
Método Euler hacia atrás (“backward Euler”).
En este caso, ξ = 0, θ = 1 y ϕ = 0. Es decir, no se cumple la ecuación 119. Su esquema

general resulta con precisión de primer orden y es:
(U n+2 − U n+1 ) = ∆ t [H n +2 ] (121)
Método trapezoidal de un solo paso (también llamado de Crank-Nicolson).
En este caso, ξ = 0, θ = 1/2 y ϕ = 0. Es decir, se cumple la ecuación 119 y es un esquema

con precisión de segundo orden. Su esquema general es:
(U n+1 − U n ) = ∆2t [H n +1 + H n ] (122)
Método Euler explícito.
En este caso, ξ = 0, θ = 0 y ϕ = 0. Es decir, no se cumple la ecuación 119. Su esquema

general resulta con precisión de primer orden y es:
(U n+1 − U n ) = ∆ t [H n ] (123)
Ejemplo.
Si se parte de la ecuación parabólica de difusión en dos dimensiones, es decir:
∂u  ∂2 u ∂2 u 
= α  2 + 
2 
(124)
∂t  ∂ x ∂ y 
Si se discretiza en un mallado regular con ∆x = ∆y y utilizando un método centrado de

segundo orden, para el término espacial, se llega a:
∂ u i, j α
∂t
=
∆x 2
( u i+1, j + u i, j+1 + u i−1, j + u i, j−1 − 4 u i, j ) (125)
Ahora si se considera el método Euler hacia atrás para la discretización de la derivada

temporal, se obtiene:
α ∆ t n +1
u i,n +j1 = u i,n j +
∆x 2
( u i+1, j + u i,n +j+11 + u in−+1,1 j + u i,n +j−11 − 4 u i,n +j1 ) (126)
Es decir, aparece un sistema penta-diagonal de ecuaciones lineales para cada nodo. Si

fuera en coordenadas generalizadas (no ortogonales) sería un sistema con más de 5 elementos
en la diagonal.
o0o
En realidad, si se aplica cualquiera de los métodos de evolución temporal y se

distingue entre las direcciones “x” e “y” (y si existe “z”) aparece un sistema tri-diagonal en
cada una de las direcciones, que se debe resolver por alguno de los métodos siguientes:
• Métodos predictor-corrector.
• Linealización local.
• Métodos implícitos (ADI).
• Métodos Runge-Kutta.
4.6.- Resolución numérica de problemas sencillos.
En este apartado se describen varias soluciones unidimensionales y bidimensionales de

cálculos realizados en problemas tipo, tales como la transmisión de calor en barras o el flujo
en conductos.
4.6.1.- Transferencia de calor en una barra alargada.
Sea un problema de transferencia de calor, en el que se requiere hallar la distribución

de temperatura en una barra de sección transversal rectangular y longitud mucho mayor que
cualquier dimensión transversal, en la que se conocen las temperaturas en los dos extremos.
El problema es unidimensional y la ecuación a resolver mediante el método de las diferencias
finitas es:
∂2 T
=0 (127)
∂ x2
Para resolver el problema, la ecuación debe ser complementada con un conjunto de

condiciones de contorno. Supóngase que se conoce una solución y que se introduce una
perturbación en un punto determinado (p.e. un foco de calor). Parece evidente que esa
perturbación va a ser percibida en todos los demás puntos de la barra. Por tanto, las
temperaturas en todos los puntos del dominio están relacionados entre sí y con las condiciones
de contorno. Habrá que especificar la temperatura (o el flujo de calor) en todos los puntos del
contorno para determinar la solución. Se trata de un problema de contorno. El ejemplo que
se resolverá se muestra en la figura 26.
Figura 26.- Geometría de la barra unidimensional (21L >> L).
Se lleva a cabo una discretización espacial considerando la barra como sólido

unidimensional (tal y como se muestra en la figura 27).
Figura 27.- Discretización para el problema unidireccional de transmisión de calor.
Se toma como ejemplo práctico un caso con ∆x = 5 m y barra de aluminio

(conductividad térmica k = 202.4 W/(mK)). Para el nodo i-ésimo se tendrá, utilizando una
diferencia centrada para discretizar la ecuación:
Ti+1 − 2Ti + Ti-1

=0 (128)
2 ∆x
Ecuación que puede ser expresada en forma matricial:
 a1 a 2 0 0   T1   b1 
  T b
−1 2 1 0  2   2 
 0 −1 2 1 0   T3   b 3 
    
 0 ... 0     
 · =  (129)
0 0
    
 0 −1 2 −1 0    
     
0 −1 2 −1    

  T20 b 20 
 0 a 20 a 21   T   b 
  
21 21
donde b2 = b3 = b4 = ... = b20 = 0 y los valores de a1, a2, a20, a21, b1 y b21 se deducen de las
condiciones de contorno (temperaturas en los extremos de la barra).
Para los dos extremos se puede tomar una aproximación lineal o de segundo orden no
centrada (similar a la de la ecuación 128). Si se toma la aproximación lineal, se tiene (ver
figura 28):
 T −T  T −T 
k 2 1  = k 1 A  (130)
 ∆x   ∆x/2 
Figura 28.- Detalle de la discretización en la zona inicial de la barra.
de donde se deduce:
2 TA − 3 T1 + T2 = 0 (131)
De forma paralela, se tendrá:
2 TB − 3 T21 + T20 = 0 (132)
Por lo que el sistema de ecuaciones completo será:
 3 −1 0 0   T1   2 TA 
 
−1 2 1 0   T2   0 
 0 −1 2 1 0   T3   0 
    
 0 ... 0     
 ·   =   (133)
 0 0     
 0 −1 2 −1 0     
    0 
0 − 1 2 − 1   

 T20   0 
 
0 − 1 3  T21   2 TB 

  
Conocidas las temperaturas en los extremos de la barra, se puede resolver el sistema

de ecuaciones lineales descrito. En este caso, se obtiene una distribución lineal de temperatura
entre A y B (independiente del material). Sean, por ejemplo, TA = 300 K y TB = 400 K, se

obtiene:
 T1   302.38 
   
 T2   307.14 
 T3   311.90 
   
   
 =  (134)
   
   
   
 T   390.48 
 20   
 T21   395.24 
Esta distribución se representa gráficamente en la figura 29.
T [K]
500
450
400
350
x [m]
300
0 20 40 60 80 100 120
Figura 29.- Distribución de temperatura para la conducción unidimensional.
Si ahora, en vez de conocer TA y la temperatura en los dos extremos, se conoce una

temperatura y un flujo de calor, qB por ejemplo, la ecuación a resolver es la siguiente:
∂2 T
k = q B . Dicha ecuación discretizada en el extremo B da lugar a:
∂ x2
 T − T21 
k  B  = qB (135)
 ∆x/2 
es decir:
qB
TB = T21 − ∆x (136)
k
que introduciéndolo en la expresión de la ecuación para el último punto, da lugar al término:
q
− T20 + 3 T21 = 2 TB = 2  T21 − B ∆x  = 2 T21 − 0.00494 q B (137)
 k 
Si qB = 250 W/m2, se tendrá:
− T20 + T21 = −1.23 (138)
Ahora se puede plantear de nuevo el sistema completo
 T1   600 
 3 −1 0 0    
   T2   0 
 −1 2 1 0 T   0 
 0 −1 2 1 0  3   
    
 0 ... 0 ·  =   (139)
 0 0    
    
 0 −1 2 −1 0    
 0 
0 −1 2 −1     
   T20   0 
 0 −1 1     
 T21   −1.23 
que resuelto proporciona la solución mostrada en la figura 30. Se obtiene de nuevo una
solución lineal, pero con un mayor gradiente de temperaturas (TB = 430 K).
T [K]
500
450
400
350
x [m]
300
0 20 40 60 80 100 120
Figura 30.- Distribución de temperatura para barra unidimensional
con flujo de calor en uno de sus extremos.
Si existieran fuentes puntuales de calor, se pueden repetir los dos casos anteriores
(temperatura en los dos extremo o temperatura en un extremo y condición de flujo de calor en
el otro). La ecuación diferencial, para este nuevo problema, sería:
∂  ∂T
k +S = 0 (140)
∂ x  ∂ x 
expresión en la que los coeficientes “S” serían los posibles valores de fuentes puntuales
(términos independientes de las matrices).
En concreto, se introduce una fuente puntual de calor en el nodo 11. Las ecuaciones
para ambos casos no cambiarían y únicamente habría que introducir un valor distinto de 0 en
el término independiente de la ecuación correspondiente al tramo número 11. Por ejemplo,
para el caso de conocer las temperaturas en los dos extremos, se tendrá:
 3 −1 0 0   T1   2TA 
  T 0 
−1 2 1 0  2  
 0 −1 2 1 0   T3   0 
    
 0 ... 0    
 ·  =  b11  (141)
0 0
    
 0 −1 2 −1 0     
     0 
0 − 1 2 − 1   

  T20 0 
 
0 − 1 3   T21   2TB 


Si se particulariza para una fuente calorífica de valor S = 150 W/m3, el término

independiente de la ecuación será:
∆x 5 m
b11 = ( S ∆x ) = ( 750 W/m 2 ) = 18.53 K (142)
k 202.4 W/(mK)
con lo que el sistema a resolver es:
 T1   2TA 
3 -1 0 0    
   T2   0 
 -1 2 1 0  T   0 
0 -1 2 1 0  3   
    
 0 ... 0  ·   = 18.53  (143)
 0 0    
    
 0 -1 2 -1 0    
 0 
0 -1 2 -1    
   T20   0 
0 -1 3    
 
 T21   2TB 
Resolviendo para TA = 300 K y TB = 400 K, se obtiene la gráfica de evolución de la

temperatura de la figura 31.
4.60e+02 T [K]
4.40e+02
4.20e+02
4.00e+02
3.80e+02
3.60e+02
3.40e+02
3.20e+02 x [m]
3.00e+02
Y 0 20 40 60 80 100 120
Figura 31.- Evolución de la temperatura en una barra con fuente de calor puntual.
Esta distribución se puede mostrar también en forma de campo de temperatura a lo

largo de la barra (figura 32), en la que se representa por medio de escala graduada la
temperatura en la barra (escala de 300 K a 450 K).
4.50e+02
4.35e+02
4.20e+02
4.05e+02
3.90e+02
3.75e+02
3.60e+02
3.45e+02
3.30e+02
3.15e+02 Y
Z X
3.00e+02
Figura 32.- Campo de temperaturas en una barra unidimensional con fuente puntual de calor.
De forma totalmente paralela, el sistema para el caso de tener un flujo calorífico de

150 W/m2 en el extremo B, resulta ser:
 3 −1 0 0   T1   2 TA 
 
−1 2 1 0   T2   0 
 0 −1 2 1 0   T3   0 
    
 0 ... 0    
 ·  = 18.53  (144)
 0 0    
 0 −1 2 −1 0     
     0 
0 − 1 2 − 1   

 T20   0 
 
0 − 1 1   T21   − 1.23 

que para TA = 300 K, da lugar a la distribución de temperaturas mostrada en la figura 33,

ahora con la escala de 300 K a 650 K.
6.50e+02
6.15e+02
5.80e+02
5.45e+02
5.10e+02
4.75e+02
4.40e+02
4.05e+02
3.70e+02
3.35e+02 Y
Z X
3.00e+02
Figura 33.- Distribución de temperatura con flujo de calor en un extremo.
Si existieran fuentes de calor no puntuales, no ocurriría como el caso anterior en el que

sólo se altera la linealidad en un solo punto. Al introducir fuentes en más de un punto, la
distribución de temperaturas deja de ser lineal.
Para los dos casos estudiados, se tendrán ecuaciones distintas. Si, por ejemplo, se
introducen fuentes puntuales en las 10 primeras celdas, se cambiarían esos diez primeros
coeficientes del término independiente (b1 a b10). De éstos, es distinto el correspondiente al
primer término, que se calcula según la figura 28, siguiendo la expresión:
T −T  T −T 
k  A 1  − k  1 2  + q1 ∆x = 0 (145)
 ∆x/2   ∆x 
es decir:
k k
(2 TA − 2 T1 ) − (T1 − T2 ) + q1 ∆x = 0 (146)
∆x ∆x
O, lo que es lo mismo:
k k k k k
3 T1 = 2 T1 + T2 + q1 ∆x = 2 T1 + T + b1 (147)
∆x ∆x ∆x ∆x ∆x 2
Para el resto, se tiene, si se toma S1 = S2 =... = S10 = 150 W/m3:
∆x 5 m
b1 = b 2 = b3 = ... = b10 = ( S ∆x ) = ( 750 W/m 2 ) = 18.53 K (148)
k 202.4 W/(mK)
En el caso de que las temperaturas sean TA = 300 K y TB = 400 K, se obtiene el

siguiente sistema de ecuaciones, cuya solución se muestra gráficamente en la figura 34:
 3 −1 0 0   T1   2 TA + 18.53 
 
−1 2 1 0   T2   18.53 
 0 −1 2 1 0   T3   18.53 
    ...

 0 ... 0    
 ·  =  18.53  (149)
 0 0    
   0 
 0 −1 2 −1 0 
     ... 
 0 − 1 2 − 1    
 T20   0 
 
0 − 1 3   T21  
   2 TB 
9.00e+02 T [K]
8.00e+02
7.00e+02
6.00e+02
5.00e+02
4.00e+02
x [m]
3.00e+02
Y 0 20 40 60 80 100 120
Figura 34.- Evolución de la temperatura en una barra con fuente de calor puntual.
Esta distribución se puede mostrar también en forma de campo de temperatura a lo

largo de la barra (figura 35), en la que se representa por medio de escala graduada la
temperatura en la barra (escala de 300 K a 900 K).
9.00e+02
8.40e+02
7.80e+02
7.20e+02
6.60e+02
6.00e+02
5.40e+02
4.80e+02
4.20e+02
3.60e+02 Y
Z X
3.00e+02
Figura 35.- Campo de temperatura en una barra unidimensional

con fuentes no puntuales de calor.
En el caso que la temperatura sea TA = 300 K y el flujo de calor en B de 250 W/m2, el

sistema a resolver es:
 3 −1 0 0   T1   2 TA + 18.53 
 
−1 2 1 0   T2   18.53 
 0 −1 2 1 0   T3   18.53 
    ...

 0 ... 0     
 ·   =  18 . 53  (150)
 0 0     
     0 
0 −1 2 −1 0
    ... 
 0 − 1 2 − 1    
 T20   0 
   
0 − 1 1   T21  
 − 1.23 
La solución se muestra en forma de campo de temperatura a lo largo de la barra (figura

36), en la que se representa por medio de escala graduada la temperatura en la barra (en este
caso, escala de 300 K a 1300 K).
Al igual que en ejemplos anteriores, también se puede representar en gráfica

unidimensional (figura 37).
1.30e+03
1.20e+03
1.10e+03
1.00e+03
9.00e+02
8.00e+02
7.00e+02
6.00e+02
5.00e+02
4.00e+02 Y
Z X
3.00e+02
Figura 36.- Campo de temperatura en una barra unidimensional

con fuentes no puntuales de calor y flujo calorífico en un extremo.
1.30e+03 T [K]
1.20e+03
1.10e+03
1.00e+03
9.00e+02
8.00e+02
7.00e+02
6.00e+02
5.00e+02
4.00e+02 x [m]
3.00e+02
Y 0 20 40 60 80 100 120
Figura 37.- Evolución de la temperatura en una barra unidimensional
con fuentes no puntuales de calor y flujo calorífico en un extremo.
4.6.2.- Transferencia de calor en una placa plana bidimensional.
En este caso, la ecuación a resolver es la de conducción de calor bidimensional en una

placa plana, es decir:
∂2 T ∂2 T
+ =0 (151)
∂ x2 ∂ y2
sobre la geometría de la figura 38 (se ha tomado una geometría rectangular con la base el
doble de la altura).
Figura 38.- Placa plana rectangular con relación de lados 0.5.
Para el caso más elemental (sin fuentes de calor puntuales), haciendo un balance de los
flujos que intervienen, se llega a:

 k i −1, j ∆ i −1, j
( Ti, j − Ti−1, j ) − k ∆ ( Ti+1, j − Ti, j ) 
+
i +1, j i +1, j
 x i, j − x i −1, j x i +1, j − x i, j 

+  k i, j−1∆ i, j−1
( Ti, j − Ti, j−1 ) − k ∆ ( Ti, j+1 − Ti, j ) 
=0 (152)
i, j+1 i, j+1
 yi, j − yi, j−1 yi, j+1 − yi, j 
donde los puntos (i-1, j), (i, j+1), (i, j-1) y (i+1, j) son los correspondientes a la nomenclatura
de la figura 39.
Figura 39.- Celda unitaria para la discretización bidimensional de un dominio.

Si k es constante y se toma un mallado uniforme, es decir: ∆i-1, j = ∆i+1, j = ∆i, j-1 = ∆i, j+1
= ∆x = ∆y = ∆, se obtiene:
k  4 Ti, j − Ti +1, j − Ti −1, j − Ti, j+1 − Ti, j−1  = 0 (153)
de donde:
4 Ti, j = Ti +1, j + Ti −1, j + Ti, j+1 + Ti, j−1  (154)
Fórmula que generalizada para cualquier punto “i, j”, proporciona la expresión:
Ti j =
1
[T + Ti+1 j + Ti j−1 + Ti j+1 ]
4 i −1 j
(155)
Como condición de contorno, se impondrá la temperatura en los laterales de la placa

plana. En particular se supondrá que la temperatura es uniforme en todo el contorno excepto
en una zona central situada en la base de la placa, tal y como se muestra en la figura 40.
Figura 40.- Condición de contorno para el problema de la conducción en una placa plana.
En concreto, se resuelve el problema para obtener la distribución de temperaturas en

una placa de (6×3 m2, es decir, L = 3 m) y considerando una discretización de 24×12 celdas.
Se impone una zona central formada por 8 celdas (2 m) en la base con una mayor temperatura
que el resto. Las condiciones de contorno elegidas son:
T0 j = 300 K ∀ j
Ti12 = 300 K ∀ i
T24 j = 300 K ∀ j (156)
Ti 0 = 300 K para i = 0...7 e i = 17...24
Ti 0 = 800 K para i = 8...16
Se ha resuelto el problema por dos procedimientos distintos: resolución directa del

sistema de ecuaciones lineales y utilizando un código numérico comercial. Las dos soluciones
obtenidas para este problema se muestra en las figuras 41 y 42 para distintas posiciones “i”.
En la figura 41 se muestra la solución directa del sistema lineal de ecuaciones.
750
T [K] y=2.75
700 y=2.5 m
650 Y=2.25 m
600 Y=2 m
550 y=1.75 m
500 y=1.5 m
450 y=1.25 m
y=1 m
400
y=0.75 m
350
y=0.5 m
300
y=0.25 m
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Posiciones “i”
Figura 41.- Conducción de calor en una placa plana. Distribución de temperaturas.
En la figura 42 se muestra la solución obtenida mediante un código numérico

comercial. Además, con este código se puede obtener una distribución bidimensional del
campo de temperaturas en la placa. Para las condiciones de contorno de la ecuación 156, se
obtiene el resultado mostrado en la figura 43.
T [K]
x [m]
Figura 42.- Conducción de calor en una placa plana. Distribución de temperaturas.
Figura 43.- Campo de temperaturas en el problema de conducción en placa plana.
Para la solución obtenida mediante el código numérico se obtiene (comparar figuras

41 y 42) una distribución con un mayor gradiente de temperaturas en la zona de calentamiento
en la base, debido a que en este caso en la discretización espacial se han utilizado más celdas.
Una segunda condición de contorno probada es la de imponer un flujo de calor en las

paredes verticales y en la pared superior. En concreto se elige la condición de flujo nulo, que
equivale a un aislamiento externo adiabático.
Para esta nueva condición, una vez discretizado y considerando la ecuación que
resultaría para la pared derecha (lado “i-1” en la figura 39), se obtiene:
2  Ti −1, j Ti, j−1 

Ti, j =  +  (157)
3  2 2 
Impuesta esta nueva relación en el sistema a resolver, se llega a la distribución de

temperaturas mostrada en la figura 44.
800 T [K] y=2.75

750 y=2.5 m
700 Y=2.25 m
650
Y=2 m
600
y=1.75 m
550
y=1.5 m
500
y=1.25 m
450
y=1 m
400
350 y=0.75 m
300 y=0.5 m
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 y=0.25 m
Posiciones “i”
Figura 44.- Conducción de calor en una placa plana con
flujo neto nulo en tres paredes. Distribución de temperaturas.
Los resultados que se obtienen con el código numérico se muestran (ver figura 45) en
forma similares distribuciones a las mostradas en la figura 44 y en forma de campo de
temperaturas en la figura 46.
T [K]
x [m]
Figura 45.- Conducción de calor en una placa plana con flujo neto nulo en las paredes.
Distribución de temperaturas obtenida utilizando el código numérico.
Figura 46.- Campo de temperaturas en una placa plana

con condiciones de flujo nulo en tres caras.
La solución a partir del sistema de ecuaciones se ha implementado en una hoja de

cálculo en forma de algoritmo que resuelve el caso de la transmisión de calor en una placa
bidimensional tanto imponiendo condiciones de temperatura, como imponiendo condiciones
de flujo de calor. En la figura 47 se muestra la salida que proporciona dicho algoritmo en el
último caso.
12 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300 300
11 300 302 304 306 309 311 313 315 317 319 321 322 322 322 321 319 317 315 313 311 309 306 304 302 300
10 300 304 308 312 317 322 326 331 335 339 342 344 344 344 342 339 335 331 326 322 317 312 308 304 300
9 300 306 312 318 325 332 340 347 354 360 364 367 368 367 364 360 354 347 340 332 325 318 312 306 300
8 300 308 316 324 333 343 353 363 373 381 388 392 393 392 388 381 373 363 353 343 333 324 316 308 300
7 300 309 319 329 341 353 366 380 394 405 414 420 422 420 414 405 394 380 366 353 341 329 319 309 300
6 300 310 321 333 347 362 379 398 416 432 444 451 454 451 444 432 416 398 379 362 347 333 321 310 300
5 300 311 322 336 351 370 391 415 440 462 478 488 491 488 478 462 440 415 391 370 351 336 322 311 300
4 300 311 322 336 352 374 401 433 467 497 519 531 535 531 519 497 467 433 401 374 352 336 322 311 300
3 300 309 320 333 349 372 405 448 499 541 568 583 588 583 568 541 499 448 405 372 349 333 320 309 300
2 300 307 315 325 340 362 397 455 542 598 629 645 650 645 629 598 542 455 397 362 340 325 315 307 300
1 300 304 308 314 323 338 367 434 614 680 707 718 722 718 707 680 614 434 367 338 323 314 308 304 300
0 300 300 300 300 300 300 300 300 800 800 800 800 800 800 800 800 800 300 300 300 300 300 300 300 300
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 47.- Solución del sistema de ecuaciones en una discretización 23×11.

4.6.3.- Flujo entre placas planas.
Se trata aquí de resolver el problema del flujo de un fluido entre dos placas planas,
siendo la separación entre ambas mucho menor que la longitud de los lados de dichas placas
(figura 48).
h
x
L
Figura 48.- Geometría para el problema del flujo entre placas planas paralelas.
Se parte de las ecuaciones de Navier-Stokes (ecuación 2) y se introducen las siguientes

hipótesis simplificativas:
i) Flujo incompresible: ∇·u = 0 .
ii) Flujo estacionario, variaciones temporales nulas.
iii) Movimiento bidimensional (separación entre placas mucho menor que longitud de
las mismas, h << L):
∂ ∂2 ∂n
= = ... = =0 (158)
∂ x ∂ x2 ∂ xn
iv) Flujo unidireccional:
u = u i +v j+wk = u i (159)
v) Fuerzas volumétricas nulas, a excepción de la gravedad que se supone que actúa en la

dirección “y” negativa.
vi) Flujo laminar.
Con lo que se llega a:
∂p ∂ 2u
=µ 2
∂x ∂y (160)
∂p
= −ρ g
∂y
Si además el efecto de la gravedad es despreciable, se llega a:

∂p ∂ 2u
=µ 2 (161)
∂x ∂y
A) Si no existe gradiente de presión, se tiene un movimiento denominado flujo de

Couette, en el que la placa superior se mueve con velocidad U y para el que se obtiene:
∂ 2u
=0 (162)
∂ y2
Es decir:
u ( y) = c1 y + c 2 (163)
que con las condiciones de contorno:
y = 0 → u ( y) = 0
(164)
y = h → u ( y) = U
Conduce a la ecuación de un perfil lineal de velocidades (figura 49):
U
u ( y) = y (165)
h
y U
h
x
L
Figura 49.- Perfil lineal de velocidades entre dos placas.
B) En el caso de que exista un gradiente de presión en la dirección x, p* = ∆p/L, que

habitualmente se denomina gradiente de presión reducido (porque puede ser considerado
como un gradiente que incluya también los efectos de la gravedad), se obtiene:
∂ 2u
− p*+ µ =0 (166)
∂ y2
Si ahora se imponen las condiciones de contorno de velocidad nula de las dos placas,
se tiene:
y = 0 → u ( y) = 0
(167)
y = h → u ( y) = 0
expresión que da lugar a un perfil parabólico (ver figura 50), habitualmente denominado flujo
de Poiseuille:
u ( y) =
2µ
[
p* 2
y −hy ] (168)
h UMÁX
x
L
Figura 50.- Perfil parabólico de velocidades entre dos placas.
C) Si se tiene la superposición de los dos casos anteriores, se obtiene:
u ( y) =
U
h
y+
p* 2
2µ
[
y −hy ] (169)
ecuación en la que el efecto de p* puede ser el mismo (p* > 0 o bien en la figura 51) o
contrario (p* < 0 o bien en la figura 52) que el movimiento de la placa.
y U U
h + =
x
L
Figura 51.- Perfil parabólico más perfil lineal para el flujo entre dos placas con p* > 0.
y U U
h + =
x
L
Figura 52.- Perfil parabólico más perfil lineal para el flujo entre dos placas con p* < 0.
Se puede obtener el caudal circulante integrando la velocidad entre las dos placas:
Q h U h p* h 3
q=
b
= ∫ 0
u(y) dy = -
2 12 µ
(170)
que se anula (q = 0) para la condición de p* negativo e igual a:
6µ U
p* = − (171)
h2
A continuación, se particulariza para la geometría mostrada en la figura 53 (h = 0.005

m y L = 5 m) con ancho b constante (perpendicular al plano de dicha figura) y para un fluido
con las propiedades siguientes: ρ = 889.2 kg / m3 y µ = 1·10−6 Pa s .
5 metros
5 mm
Figura 53.- Solución numérica particular para el flujo entre placas paralelas.
Además de haber obtenido las expresiones teóricas exactas, se puede resolver el flujo
utilizando un método numérico (código comercial Fluent). Para el caso de flujo de Couette y
velocidad uniforme de 5 m/s y se obtiene el resultado mostrado en la figura 54.
Figura 54.- Flujo con perfil lineal entre dos placas planas.
Para el caso de flujo de Pouseuille con ∆p = 8.5 MPa (p* = ∆p/L = 1.7 MPa/m), se
obtiene el perfil parabólico de la figura 55. Se ha escogido este valor porque según la
ecuación 168 produce una velocidad máxima de 5 m/s.
Figura 55.- Flujo parabólico entre dos placas planas paralelas.
Si se resuelve la situación mostrada en la figura 51, es decir, gradiente de presión

superpuesto al perfil lineal y produciendo flujo el mismo sentido, se obtiene la solución
mostrada en la figura 56. Resolviendo la ecuación 169 se obtiene una velocidad máxima de
7.82 m/s, que es prácticamente la misma que la que proporciona el método numérico.
Figura 56.- Perfil parabólico superpuesto al lineal con efectos en el mismo sentido.
En la figura 57 se muestra la distribución de velocidad para las distintas alturas y entre

las placas (0 < y < 0.005 m), observándose claramente la posición y valor del máximo.
u (y) [m/s]
y [m]
Figura 57.- Distribución de velocidad entre las dos

placas planas con superposición de efectos.
Si, por el contrario, el efecto del gradiente de presión es opuesto al del movimiento de
la placa superior (ecuación 169 con p* < 0), se obtiene el resultado de la figura 58. Se utilizan
los mismos valores numéricos: velocidad uniforme de 5 m/s y ∆p = 8.5 MPa.
Figura 58.- Perfil parabólico superpuesto al lineal con efectos en sentido opuesto.
En la figura 59 se muestra la evolución de la velocidad para una posición “x” dada en

función de la altura.
u (y) [m/s]
y [m]
Figura 59.- Distribución de velocidad entre las dos

placas planas con superposición de efectos opuestos.
Se puede resolver este caso para la condición de caudal nulo (Q = 0), en cuyo caso el
gradiente de presión reducida ha de ser:
6µ U
p* = − = 1.272 MPa (172)
h2
Imponiendo un ∆p = 6.36 MPa, se obtiene la distribución de velocidad y el perfil en

una posición “x” mostrados en las figuras 60 y 61.
Figura 60.- Distribución de velocidad para el caso de Q = 0.

u (y) [m/s]
y [m]
Figura 61.- Perfil de velocidad en una posición “x” en función de la altura “y”.
Numéricamente, a partir de la solución obtenida, se comprueba que Q = 0 para el caso

así definido.
4.6.4.- Flujo en un conducto cilíndrico.
Se resuelve ahora el flujo laminar en un conducto cilíndrico. A partir de las hipótesis

ya señaladas para el flujo entre placas planas (flujo estacionario, incompresible) y añadiendo
la condición de axi-simetría impuesta por la geometría cilíndrica, se puede obtener, para la
tensión cortante:
r
τ = − p* (173)
2
donde, al igual que en el apartado anterior, p* es el gradiente de presión reducido, que no

depende del radio considerado y que se puede expresar en función de la nomenclatura de la
figura 62 como:
∆p
p* = + ρ g cos θ (174)
∆L
Expresión que tiene en cuenta el efecto gravitatorio y la diferencia de presiones en el

conducto entre las dos secciones “1” y “2” separadas una distancia ∆L.
Se obtiene la siguiente distribución de velocidad:
u=
4µ
(
p* 2
r − R2 ) (175)
p1
p2
θ
D ∆L
Figura 62.- Geometría básica para el flujo laminar en conductos cilíndricos.
que constituye un perfil parabólico y que, habitualmente, se expresa en función de la velocidad

máxima, según la expresión:
 R 2 p*R2
u = u MÁX 1 −    con u MÁX = − (176)
 r  4µ
El caudal circulante será entonces:
πp* 4
Q=− R (177)
8µ
A continuación se va a resolver este problema mediante un código comercial. Se resuelve

el caso particular de tener un fluido con unas propiedades dadas por:
ρ = 889.2 kg/m3 y µ = 1·10-6 Pa s .
y un conducto horizontal, tal y como se muestra en la figura 63.
5 metros
Ø 5 cm
Figura 63.- Geometría para el problema del flujo en conductos cilíndricos.
Para ello se discretiza el dominio usando un mallado no estructurado en la sección

transversal y proyectándolo en la dirección del flujo, tal y como se muestra en la figura 64.
Figura 64.- Geometría discretizada para resolución del caso de conducto horizontal.
El movimiento del flujo será debido únicamente a la diferencia de presión entre la

entrada y la salida. Se fija un caudal que asegure el flujo laminar, por ejemplo, 3.92 l/s. El
gradiente de presión reducida necesario será:
8µ Q
p* = = 1693 Pa / m (178)
πR4
La velocidad máxima, que se alcanza en el eje del conducto, será:
p*R 2
u MÁX = − = 1 m/s (179)
4µ
La resolución del flujo en el interior del conducto permite visualizar la velocidad en

distintas secciones (figura 65). En dicha figura se muestran los vectores velocidad en seis
secciones distintas del conducto.
Figura 65.- Distribución de velocidad en un conducto circular con flujo laminar.

Tal y como se había previsto con la ecuación teórica, se obtiene un perfil parabolico de
velocidad. En la figura 66 se muestra dicho perfil en la sección de salida, donde cada punto
representa el valor de la velocidad en cada celda de la sección transversal del conducto.
u (r) [m/s]
r [m]
Figura 66.- Distribución de velocidad en la salida (perfil parabólico).
También se puede visualizar la presión en distintas secciones, observándose su

carácter lineal con la distancia (figura 67).
Figura 67.- Distribución lineal del salto de presión. ∆P= 8690 Pa.
En caso de utilizar un conducto con inclinación, la diferencia de presión varía al

introducirse el término ρg cosθ en la ecuación 174, pero el caudal, que es el que impone una
velocidad máxima del flujo, y el perfil parabólico se mantienen.
Con los datos de partida se obtiene un número de Reynolds de 84. En caso de tener un
número de Reynolds mayor de 4000, el flujo deja de ser laminar y se hace necesaria la
utilización de un modelo de la turbulencia para la resolución del flujo.
4.6.5.- Flujo incompresible no estacionario: apertura de válvula en conducto.
Los flujos incompresibles han sido mencionados como una aplicación particular de las
ecuaciones de Navier-Stokes en apartados anteriores. Se profundiza un poco más en su
estudio y se presenta un ejemplo de cálculo basado en el algoritmo del paso fraccional.
A continuación se describe la resolución de uno de los problemas clásicos en la

Mecánica de Fluidos: la descarga de un depósito a través de un conducto con una válvula que
tiene una apertura dependiente del tiempo. Inicialmente se describe la problemática general de
los flujos incompresibles para pasar luego a la resolución del problema concreto.
Introducción: Estudios sobre flujo incompresible mediante métodos numéricos.
En el artículo de Gresho (1991), publicado en el Annual Review of Fluid Mechanics,

se realiza una exposición muy detallada sobre las posibles formas de abordar numéricamente
un problema de flujo incompresible.
Primero expone la formulación matemática genérica de este tipo de problemas para

pasar luego a señalar las opciones en cuanto al planteamiento de los distintos términos
presentes en las ecuaciones de Navier-Stokes. Distingue así las siguientes formulaciones: la
de divergencia de las tensiones, la clásica, la mixta divergencia-rotacional, la rotacional, la
convectiva difusiva y la simétrica, entre otras. Añade a estas formulaciones básicas dos más,
derivadas de las anteriores, con gran aplicación práctica, como son la formulación de la
ecuación de Poisson para la presión (PPE) y la de la ecuación de transporte para la vorticidad
(VTE).
Después discute las distintas posibilidades que conducen al establecimiento de un

problema “bien definido” en lo que se refiere a las condiciones de contorno y las condiciones
iniciales. Particulariza todas las posibilidades para los tipos de formulación de las ecuaciones
discutidas anteriormente. Finalmente, realiza algún estudio más a fondo sobre distintos
problemas tipo, particularizando para problemas en los que hay saltos bruscos en las
condiciones de contorno.
Se trata de un artículo básico en el estudio numérico de los flujos incompresibles y, si

bien, su orientación es hacia los flujos no estacionarios, la mayor parte de las conclusiones es
totalmente aplicable a flujos estacionarios, considerando a estos como una evolución no
estacionaria que se estabiliza en un valor constante.
Kwak en sus múltiples artículos (Kwak et al., 1986; Kwak et al., 1992; Rogers et al.,
1989 o Rosenfeld et al., 1991) y, sobre todo, en el monográfico sobre métodos numéricos
usados en el cálculo de flujos incompresibles (Kwak, 1989) analiza un amplio rango de
posibles aplicaciones para el estudio de flujos bi y tridimensionales.
Ha desarrollado numerosos algoritmos basados en formulaciones que emplean las

variables primitivas (presión y velocidad). Destacan la aplicación práctica de algoritmos de
pseudocompresibilidad (Kwak et al., 1986) y de paso fraccional (Rosenfeld et al., 1991). En
su trabajo, ha presentado numerosas validaciones con problemas tipo (entre otros, flujo en un
escalón, flujo en una cavidad cuadrada y flujo en la estela de un cilindro), así como multitud
de soluciones numéricas a problemas prácticos tan dispares como el flujo en el motor de una
lanzadera espacial o el flujo en un implante de un corazón.
Constituye un referente ineludible en cualquier estudio relacionado con la aplicación

de técnicas numéricas al estudio de flujos incompresibles.
Posibilidades de resolución de las ecuaciones para flujos incompresibles no estacionarios.
El desarrollo de las técnicas numéricas ha permitido un análisis cada vez más riguroso
de los flujos, mejorando principalmente lo que se refiere a flujos compresibles. Los flujos
incompresibles han seguido esta evolución con cierto retraso, aún cuando muchas de las
realizaciones industriales son aplicación de flujo incompresible. Dos dificultades básicas han
frenado el desarrollo de los métodos numéricos aplicados a flujos incompresibles respecto a los
equivalentes para flujo compresible. Por un lado la excesiva y ya descrita “rigidez” de las
ecuaciones y, por otro, el menor interés de estos flujos en el campo de la aeronáutica militar.
Así, la mayor parte del esfuerzo investigador se ha dedicado a modelizar el estado estacionario
de la evolución del fluido en los distintos equipos, mientras que muchos flujos reales son
esencialmente no estacionarios (desprendimiento de vórtices, turbulencia, flujo en
turbomáquinas o en sistemas biológicos, entre otros).
Tal y como señalan Peyret y Taylor (1983) o Hirsch (1988), existen dos grandes grupos
de métodos según se plantee la resolución de las ecuaciones del flujo incompresible: las basadas
en el empleo de variables primitivas y las que emplean la ecuación de la vorticidad. Estas
últimas surgieron debido a la inexistencia de condiciones de contorno físicas de contacto con
sólidos para la presión. Sin embargo, la búsqueda de una condición de contorno para la
vorticidad, salvo en casos puntuales, resulta más complicado.
A pesar del gran abanico de variantes que presentan ambas formas de solución (ver
Quarteroni, 1996), son básicamente las que usan variables primitivas las únicas usadas para el
caso de flujo no estacionario. Entre éstas destacan los algoritmos que operan con la ecuación de
Poisson para resolver el campo de presiones, y el método de pseudocompresibilidad. Ambos
tratan de solventar la “rigidez” de las ecuaciones para flujo compresible a bajos números de
Mach. La diferencia básica entre los dos métodos reside en el carácter de las ecuaciones a
resolver.
En el caso de la compresibilidad artificial o pseudocompresibilidad se trata de adaptar al

cálculo de flujos incompresibles las soluciones que se tienen para el caso de fluidos
compresibles. El método introduce un parámetro de compresibilidad artificial para lograr la
adaptación de las ecuaciones (Kwak, 1992). El sistema resultante se resuelve utilizando un
algoritmo de “evolución en el tiempo” (time-marching). Su principal aplicación ha sido la
modelización de casos estacionarios, debido a que sólo mediante modificaciones en el salto
temporal, introduciendo tiempos artificiales (pseudotime) o “inclinación temporal” (time-
inclining), se ha podido llegar a soluciones no estacionarias. La inclusión en el modelo de un
parámetro artificial, y la crucial dependencia de algunas características del algoritmo numérico
como son la convergencia o la estabilidad con dicho parámetro, hacen que el método se pueda
considerar poco adaptable a problemas no estacionarios.
Respecto a las soluciones que emplea la ecuación de Poisson para la presión, se pueden
distinguir dos aproximaciones diferentes, de características similares, pero de muy distinta
implementación:
i) Método de presión corregida. Introducido por Patankar (1980), consiste en una

manipulación de la presión que da lugar a un proceso de solución iterativo para los campos de
presiones y velocidad. La aplicación de este razonamiento, ha dado lugar a un conjunto de
soluciones para el caso de flujos estacionarios usado en muchos programas comerciales. Para el
caso no estacionario su mayor desventaja es la necesidad de condiciones de contorno para el
campo de presiones ficticio y la de requerir una iteración adicional para cada paso temporal. A
este tipo de métodos se les denomina SIMPLE, debido a que son estas las iniciales del
algoritmo más importante desarrollado por Patankar (1980).
ii) Método de paso fraccional. Desarrollado a partir de los algoritmos MAC (Mark and
Cell), su aplicación para el estudio de flujos incompresibles y no estacionarios fue establecida
por Peyret y Taylor (1983). Se parte de la formulación de ecuación de Poisson para la presión y
se trata de discretizar las ecuaciones de gobierno para luego diferenciar la ecuación de cantidad
de movimiento aplicando la condición de divergencia nula para la velocidad. El método de paso
fraccional es una de las posibilidades más aconsejadas en la bibliografía consultada (Rosenfeld
et al., 1991 o Gresho, 1991) para el tratamiento de flujos no estacionarios. Además, a través de
estrategias computacionales como el multimallado, puede conducir a soluciones con un tiempo
de cálculo muy reducido, lo cual le daría una gran ventaja respecto al método de la
pseudocompresibilidad.
Ejemplo de algoritmo de resolución.
Se considera primeramente la simplificación de fluido ideal (µ = 0) y se plantea una

resolución de las ecuaciones de gobierno para flujo incompresible siguiendo un modelo de paso
fraccional. Las ecuaciones de Euler de continuidad y de cantidad de movimiento para flujo
incompresible son:
∇·u = 0 (180)
Du 1
=-∇p+ g (181)
Dt Fr
Ecuación en la que se han usado variables adimensionales y p representa la presión

cinemática, es decir, presión dividida por densidad. El desarrollo del método se va a realizar
considerando que las fuerzas gravitatorias son despreciables. Discretizando la ecuación de
cantidad de movimiento entre dos pasos temporales consecutivos, “n” y “n+1”, y usando
algoritmo explícito con primer orden de aproximación temporal se obtiene:
n +1
-u n
u + ∇ p n +1 + ( u n · ∇ ) u n = 0 (182)
∆t
Se introduce ahora una velocidad auxiliar intermedia, denominada ficticia ( u f ), de

forma que se cumple la relación siguiente:
f n
u - u + ( n · ∇) n = 0 (183)
u u
∆t
Según la ecuación de cantidad de movimiento 182, esta última relación obtenida

implica:
n +1
u -uf
+ ∇ p n +1 = 0 (184)
∆t
La condición que se busca para el paso temporal “n+1” es la adivergencia del campo de
velocidades. Expresada matemáticamente, dicha condición se escribe:
∇· u n +1
=0 (185)
La forma de operar del método de paso fraccional se puede resumir en los siguientes
cuatro pasos básicos:
i) Resolución de la ecuación 183, obteniéndose de forma explícita el campo de

velocidades intermedio ( u f ), por ser la única incógnita en el paso temporal n.
ii) Se toma la divergencia de la ecuación 184 e imponiendo la condición dada por 185,
se obtiene la ecuación de Poisson para la presión:
1
∆ p n +1 = ∇·u f (186)
∆t
iii) Una vez resuelta esta última, se puede obtener la solución para el campo de
presiones.
iv) Resolviendo 184, con pn+1 ya conocido, se llegaría al campo de velocidades

adivergente buscado para paso temporal n+1.
Algoritmo unidimensional. Problema de la descarga no estacionaria de un depósito.
La descarga de un depósito constituye un problema clásico en Mecánica de Fluidos y ha

sido tratada ampliamente en la bibliografía técnica (Liñán, 1991 o Pentaris et al. 1996). A pesar
de la aparente sencillez, se trata de un problema con escalas, tanto espaciales como temporales
muy diferentes, lo que posibilita distintas aproximaciones y a la vez imposibilita una solución
exacta. Aquí se resolverá para una condición de contorno no estacionaria consistente en un
cierre periódico de la válvula de salida.
Usando una discretización según diferencias finitas para el problema unidimensional, se

puede llegar a una discretización para la ecuación 186. Se trata de un sistema de ecuaciones
tridiagonal con incógnitas las presiones en tres puntos (a indica los valores de las áreas del canal
en los distintos puntos). Dicho sistema tridiagonal (ecuación 137) se resuelve numéricamente,
obteniéndose el campo de presiones para cada paso temporal considerado (paso “n + 1”).
∆x
n+1 n+1 n+1
A i-1/2 pi-1 - (A i-1/2 + A i+1/2) pi + A i+1/2 pi+1 =  A i+1/2 u fi+1/2 - A i-1/2 u fi-1/2  (187)
∆t
Con el campo de presiones calculado, se obtiene la velocidad en cada punto y en

concreto para el punto de salida del depósito.
El problema así planteado posee una solución analítica que se expresa en función de la
frecuencia de cierre de la válvula ω y de la velocidad adimensional en la sección de salida del
depósito hacia el conducto (u), que se obtiene resolviendo la ecuación diferencial:
ln ( AR ) d u 1 1
+ 2
u = [ 1 − cos (ω t) ] (188)
AR − 1 d t 2 AR 2
4
Donde “AR” es la relación de anchos entre la secciones de entrada y de salida del tubo
de descarga. Se observa como detalle importante que la ecuación diferencial del fenómeno no se
ve afectada por la longitud total del canal. Este hecho es coherente con haber considerado la
solución de las ecuaciones de Euler.
En la figura 68 se puede comprobar la comparación entre la solución analítica y la

solución usando el modelo y discretización explicados. Ambas evoluciones se muestran por
medio de la variable u*, que sería equivalente a la variable u en la ecuación 187, en función
del tiempo adimensionalizado (t*), también equivalente a la variable t en 187. Tal y como
puede verse, la concordancia de ambos resultados es muy grande.
1.00
u*
0.75
0.50
Modelo Unidimensional
0.25
Ecuación Diferencial
0.00
0 5 10 15 t* 20
Figura 68.- Comparación de resultados entre la resolución
teórica (ecuación 140) y el modelo unidimensional (González et al., 1997).
Algoritmo bidimensional.
Según lo dicho al comienzo de este apartado, es posible resolver un flujo

incompresible usando únicamente las ecuaciones de continuidad y cantidad de movimiento.
Como modelo físico, en este apartado se plantean las ecuaciones de gobierno para flujo
bidimensional, incompresible no estacionario, de un fluido ideal, expresadas en un sistema de
referencia curvilíneo ortogonal (ξ,η). A través del cambio de variable se posibilita resolver el
problema utilizando una técnica de diferencias finitas.
De forma adimensional y para el caso de fuerzas másicas nulas, se tiene:

∂
( )
 ∂ ξ h2 u + ∂ η
∂
( h v) = 0
1


1  ∂ ∂p 
∂ u

∂
+  (h u)+
2
2 ∂
( h u v) + u v ∂∂ hη
1
1
− v2
∂ h2
+ h2  = 0
 t h1 h 2  ∂ ξ ∂η ∂ξ ∂ξ 


∂ v 1  ∂ ∂p 
 +  ( h u v) +
1
∂
( h v ) + u v ∂∂ hξ
1
2 2
− u2
∂ h1
+ h1  = 0
∂ t h1 h2  ∂ ξ

∂η ∂η ∂η


(189)
Ecuaciones en las que u y v son las componentes de la velocidad ( u ) en función del

tiempo (t), expresadas en la referencia del sistema ortogonal y los hi son los coeficientes métricos
correspondientes al cambio de base del sistema de coordenadas, necesario para poder continuar
usando la discretización en diferencias finitas. En este caso, se realiza una discretización espacial
según diferencias finitas que asegure una aproximación de segundo orden al sistema de
ecuaciones diferenciales.
Se construye un mallado bidimensional escalonado (staggered grid), que se representa

en la figura 69. Los términos espaciales se discretizan mediante diferencias centradas, excepto
en los puntos del contorno.
Figura 69.- Esquema del mallado escalonado utilizado.

Según la nomenclatura de la figura 69, la discretización de la ecuación general para la

primera componente de la velocidad resulta ser:
u if+1 / 2, j = u in+1 / 2, j −
∆t
h1i +1 / 2, j
 ∂
 [
h2 un(
h 2 i +1 / 2, j  ∂ ξ i +1 / 2, j i+1/ 2 , j
) ]+
2 ∂
h1 ( u n v in+1 / 2, j
∂ η i +1 / 2, j i+1 / 2 , j
)
  
 ∂ h1i +1 / 2, j   2 ∂ h
2 i +1 / 2 , j 
+ u ni+1 / 2 , j v in+1 / 2, j    − (v in+1 / 2, j ) 


  ∂η    ∂ ξ 
     

(190)
Tras resolver esta ecuación y la equivalente para la segunda componente de la velocidad

f
(v ), se plantea la ecuación de Poisson para la presión, que será en este caso:
∂  h2 i,j  ∂ pi , j 

h
 + ∂  1 i , j
 ∂ pi , j 


 = 1  ∂ h 2  + ∂ h  
 u f
u f
∂ ξ  h1 i , j  ∂ ξ  ∂ η  h  ∂ η  ∆ t  ∂ ξ  i+1 / 2 , j
i + 1 / 2 , j
 ∂ η  i , j+1 / 2
1 i , j + 1 / 2
 
    2 i,j   
(191)
Tras discretizar las derivadas planteadas, se llega a un sistema penta-diagonal de

ecuaciones lineales. Dicho sistema se resuelve usando un método aproximado, a diferencia
del sistema tridiagonal que se obtuvo en el caso unidimensional, mostrado anteriormente. Se
elige un método implícito según direcciones alternativas con aceleración de la convergencia
(Accelerated Alternating Direction Implicit, conocido por AADI). La aceleración en la
convergencia se hace por medio de un parámetro λ de sobrerrelajación, que reduce
notablemente el número de iteraciones en cada paso temporal. En la figura 70 se presenta la
disminución tanto en tiempo de cálculo como en número de iteraciones para uno de los casos
probados y la forma de obtener el parámetro λ óptimo, que resulta ser función de la
discretización espacial, y más en concreto del parámetro β (β=∆ξ/∆η).
λ
1.4
1.3
λopt=1.271
1.2
1.1
1.0 Iteraciones
Tiempo de CPU [s]
0.9
0.8
0 50 100 150 200 250 300
Figura 70.- Evolución del número de iteraciones y del tiempo de cálculo
en función del parámetro de sobrerrelajación (λ).
Una vez resuelto el campo de presiones en cada instante temporal, se pasa a actualizar el
campo de velocidades como segundo paso del método de proyección (se proyecta la velocidad
hasta conseguir su adivergencia). La discretización para la obtención de la primera componente
de la velocidad resulta:
u in++11/ 2, j = u f
i +1 / 2, j
−
∆t
2 ∆ξ h 1i +1 / 2, j
(
p in++11, j − p in−+11, j ) (192)
Con esta última operación concluye el cálculo para cada instante. La precisión del
método descrito es de primer orden para la discretización temporal y de segundo orden en la
discretización espacial, es decir, los residuos son del orden de O(∆ξ2, ∆η2, ∆t).
Se obtienen también los correspondientes campos de presión y velocidades en cada

instante para la geometría considerada (difusor recto). La solución para distintas relaciones de
área del difusor puede verse en la figura 71. Dada la independencia del modelo del ángulo del
difusor (modelo no viscoso), se han representado los campos de velocidades para una
geometría del difusor con ángulo θ = 30o, aunque para las relaciones de área estudiadas el
límite práctico en el ángulo del difusor es mucho menor (2θ ≈ 15o).
1.6
u* AR = 2.0
(∆t=2·10E-4)
1.4
1.2
AR = 1.5
(∆t=2·10E-3)
1.0
0.8
AR = 1.0
(∆t=1·10E-2)
0.6
0.4 Ec. Dif.
0.2 Modelo 2D
t*
0.0
0 5 10 15 20 25
Figura 71.- Comparación de resultados entre la resolución teórica
y el modelo bidimensional (González et al., 1998).
5.- Discretización del dominio: generación

de mallados.
Las técnicas numéricas para la generación de un mallado sobre el que resolver las
ecuaciones de gobierno se definen (Thomson et al., 1982; Thomson et al., 1983; Thomson,
1984 o Niederdrenk, 1987) como procedimientos para la distribución ordenada de
observadores o estaciones de toma de datos en un dominio físico, de forma que exista la
posibilidad de comunicación eficiente entre los distintos observadores y que los distintos
fenómenos físicos que ocurran en dicho dominio físico continuo estén representados con la
suficiente exactitud por medio de dichos observadores (discretización espacial).
Los mallados se pueden clasificar atendiendo a dos criterios: la forma de definir las
fronteras del dominio y la conectividad entre los distintos observadores o puntos del mallado.
En cuanto a la forma de definir las fronteras, están los mallados conformes (no
interpolan en la definición de la frontera) y los no conformes (que no definen la frontera real
sino una aproximación numérica de la misma).
Atendiendo al criterio de conectividad o estructura de los datos del mallado, existen

dos métodos de generación de mallados que darían lugar a los dos tipos de mallados básicos:
los estructurados y los no estructurados. En los mallados estructurados, los observadores se
colocan siguiendo una red de familias de líneas coordenadas que permiten visualizar la
relación entre unos y otros de forma directa. Este hecho simplifica mucho los algoritmos
respecto a lo que sería una mallado no estructurado.
En cualquiera de los casos (estructurado o no estructurado), el mallado debería

cumplir una serie de requisitos genéricos:
- Ajuste a las fronteras de la región a estudiar de forma que las condiciones de

contorno queden representadas con la mayor exactitud posible.
- El mallado debe distribuirse localmente de la forma más regular posible, con
variaciones suaves de densidad. La densidad de un mallado se define como el
número de puntos por unidad de superficie o volumen.
- La mayor densidad del mallado se debe localizar donde se espere que las
variaciones espaciales de la solución sean mayores.
- El mallado debería ajustarse dinámicamente a las variaciones de las variables en la
solución del flujo.
Los métodos de generación de mallados utilizados en la práctica se pueden agrupar en

las siguientes categorías (Deconinck, 1994):
a) Mallados estructurados. Pueden ser curvilíneos generalizados u ortogonales.

Los primeros son más fáciles de construir pero tienen el inconveniente de generar términos
adicionales a la hora de resolver las ecuaciones de gobierno. Existen dos grandes grupos de
técnicas de construcción de mallados curvilíneos generalizados, la interpolación algebraica y
la resolución de ecuaciones diferenciales. En cuanto a los ortogonales, estos pueden ser

conformes (resolución de ecuación diferencial elíptica) o generados resolviendo una ecuación
diferencial hiperbólica (técnica de avance en el espacio, es decir, válida para flujos externos
donde una frontera es libre). A priori, se desearía la ortogonalidad del mallado, no sólo por la
simplicidad a la hora de resolver las ecuaciones sino porque cualquier desviación del mallado
respecto a la ortogonalidad introduce errores de truncatura en cualquier modelo de solución de
las ecuaciones de gobierno.
b) Mallados no estructurados. Existen dos técnicas básicas: el avance frontal y

la triangularización de Delaney. La primera consiste en la construcción de triángulos o
tetraedros partiendo de la definición de la frontera del dominio hasta completar el mismo. La
triangularización de Delaney parte de una serie de puntos o nodos y los triángulos o tetraedros
se construyen de forma que dichos puntos son los correspondientes centros de masas.
c) Técnicas de multibloque. Combinan mallados estructurados y no

estructurados. Se crean bloques cuya estructura general sigue una disposición estructurada de
mallados elementales que pueden tener una disposición interna en mallados estructurados o
no estructurados. No se trata de otro tipo de mallado, sino una mezcla de los dos tipos básicos.
5.1.- Clasificación de los mallados basada en la conectividad y estructura de

datos.
A continuación, se muestran ejemplos de los distintos tipos de mallados utilizados en

la práctica, señalándose las ventajas e inconvenientes de cada uno. Dada la dificultad para
mostrar mallados tridimensionales, todos los ejemplos son de aplicaciones bidimensionales.
Como grandes grupos de mallados existen los estructurados y los no estructurados, en

función de las relaciones existentes entre las variables en los distintos puntos.
En el tipo de mallados estructurados se subdivide la región a estudiar en rectángulos o

cubos (según se trate de problemas bidimensionales o tridimensionales).
Se muestra un ejemplo en la figura 72. Sus características más relevantes son las
siguientes:
• No es necesario dar la conectividad explícitamente en la formación del mallado

ya que los nodos vecinos son conocidos.
• En general, esto significa que el dominio es tranformado sobre un rectángulo o
un cubo subdividido uniformemente en celdas. Por lo tanto, cada nodo es
identificado por los índices (i, j) en el caso de dos dimensiones y con (i, j, k) para
el caso de tres dimensiones. En dos dimensiones, los nodos vecinos serían (i-1, j ),
(i+1, j), (i, j-1), etc.
• Puede ser necesaria una transformación del dominio, tal y como se muestra en
la figura 72.
Figura 72.- Ejemplo de mallado bidimensional estructurado.
Ventajas:
- La conectividad ordenada, conduce a resoluciones más simples y, es ideal para

computadores vectoriales.
- Se requiere de menos memoria para el almacenamiento de las variables.
- Los métodos implícitos utilizan la estructura del mallado: ADI, métodos de relajación
lineal, relajación en el plano.
- La suavización y ortogonalidad pueden ser controlados fácilmente.
Desventajas:
- El manejo de geometrías complicadas no es flexible.

- La adaptibilidad solo es posible añadiendo o moviendo líneas de mallado (2D) o
superficies de mallado (3D), lo cual no lo hace flexible.
- El movimiento de contornos es difícil de manejar.
Como aplicación práctica, se puede recordar el ejemplo de la transmisión de calor en

una placa rectangular, ya estudiado en el apartado anterior. Como ilustración de la malla
utilizada, se muestra ésta en la figura 73.
Figura 73.- Mallado bidimensional estructurado.
En el tipo de mallados no estructurados se subdivide la región a estudiar en elementos

irregulares bi o tridimensionales. En los siguientes apartados se muestran distintos ejemplos
prácticos de este tipo de mallados.
5.2.- Métodos de generación de mallados no estructurados.
Se muestra un ejemplo en la figura 74 Sus características más relevantes son las

siguientes:
• La conectividad tiene que ser expresada explícitamente. Por ejemplo, en la

figura 74, se tiene que la celda 10 está constituida por los nodos 7, 14 y 37.
• Las celdas pueden ser polígonos cuadriláteros, triángulos, etc.
Figura 74.- Mallado bidimensional no estructurado.
Ventajas:
- Flexibilidad para manejar geometrías complicadas, adaptabilidad, movimiento de

contornos.
- La generación de mallado automática es más fácil, incluso para geometrías de tres
dimensiones muy complicadas como el generador de mallado ‘mínima entrada
utilizada’.
Desventajas:
- Requiere mayor almacenamiento de variables y precisa un direccionamiento indirecto.

- Las resoluciones son más complicadas en general.
- La exactitud es más baja, en general, debido a la falta de suavidad del mallado.
Como aplicación práctica, se puede mostrar el mallado para la resolución del flujo en
una bomba centrífuga (figura 75).
Figura 75.- Mallado bidimensional no estructurado para una bomba centrífuga.
5.3.- Mallados “Multiblock”.
Consiste en una combinación de mallados estructurados y no estructurados: en la

macro-escala, el mallado está compuesto de bloques no estructurados (macro-elementos). Con
cada uno de los “macro-elementos” o “bloque”, el mallado es estructurado. Se muestra un
ejemplo de geometría difícil de mallar con celdas estructuradas en la figura 76 y la solución
multiblock en la figura 77.
Figura 76.- Geometría altamente irregular difícil de mallar con celdas estructuradas.
En este tipo de mallados, las coordenadas de cada nodo llevan una componente
adicional que indica el bloque al que pertenecen. Así, para un punto (i,j), se tendría (i,j,l),
indicándose que pertenece al bloque “l” y para un punto en una geometría tridimensional
(i,j,k), se pasaría a (i,j,k,l).
Figura 77.- Mallado multiblock para la geometría de la figura 76.
Se trata de solventar algunas de los puntos débiles del trabajo con los mallados
estructurados de bloque único.
Ventajas:
- Se pueden manejar geometrías más complicadas, lo que aumenta la flexibilidad en

general.
- Permite maneras fáciles de paralelizar en un multiprocesador.
- Ahorra memoria en máquinas de secuencias, permitiendo bloques de Jacobi.
(Tratamiento secuencial de cada bloque).
Desventajas:
- La generación de mallados es difícil: La forma de especificar los contornos entre

bloques de forma adecuada exige alto grado de experiencia.
- Es todavía menos flexible que los mallados sin estructurar, cuando existe movimiento
de contornos.
5.4.- Mallados ajustados a los contornos (“Body Fitted Coordinates” o BFC).
Respeta los contornos de la geometría que va a ser discretizada, tal y como se muestra
en las figuras 78 y 79.
Figura 78.- Mallado estructurado que se ajusta al contorno de un álabe.
Figura 79.- Mallado no estructurado que se ajusta al contorno de un álabe.
5.1.5.- Mallados no ajustados a los contornos.
El contorno del dominio no es parte del mallado (ver figura 80).
Las características más importantes de este tipo de mallado son las siguientes:
• El no ajuste a la geometría del problema conlleva en general a una resolución

particular para la gran cantidad de discretizaciones de contornos.
• Es muy eficiente para campos internos.
• Permite fácil adaptabilidad.
Figura 80.- Mallado estructurado que no se ajusta al contorno superficial (de un álabe).
En la práctica se han utilizado muchos tipos de mallados, que resultan de la

combinación de las dos clasificaciones propuestas. Además existen tipos intermedios y
soluciones “imaginativas” que han permitido resolver situaciones geométricas complejas, que
requieren la aplicación de técnicas altamente sofisticadas. Dado el enfoque que se pretende
aquí, no se puede profundizar en todo este tipo de técnicas, que corresponderían a un curso
mucho más avanzado que el aquí propuesto.
6.- Bibliografía.
Existe una multitud de publicaciones relacionadas con los métodos numéricos. Entre
ellas, destacan el libro escrito por Peyret et al. (1983), los de Hirsch (1988), los de Fletcher
(1988), el de Hoffman (1989) y, más recientemente, el editado por Gunzburger (1993), que se
centra en métodos apropiados para estudio de flujos incompresibles, el de Anderson (1995) y
el de Versteeg et al. (1995), sobre el método de volúmenes finitos. Cada uno de los
mencionados presenta sus propias peculiaridades, pero entre todos completan una panorámica
bastante amplia de un campo continuamente cambiante.
A continuación se detallan los libros, artículos y otras publicaciones que han servido
de apoyo para la elaboración de este texto:
[1] Abdallah, S., Smith, C.F.,“Three-dimensional solutions for inviscid incompressible flow in
turbomachines”, Journal of Turbomachinery. Vol. 112, págs. 391-398. July 1990.
[2] Anderson, H.H., “Computational fluid dynamics: the basics with applications”. Mc Graw
Hill, 1995.
[3] Aris, R., “Vectors, tensors and the basic equations of fluid mechanics”, Dover publications.
New York, 1962.
[4] Arnone, A., Stecco, S.S., “Multigrid calculation of incompressible flows for turbomachinery
applications”, XIV IAHR Congress. ISBN 84-7790-101-5. Págs. c-361 a c-368. Madrid. 1991.
[5] Arnone, A., Swanson, R.C., “A Navier-Stokes solver for turbomachinery applications”
Journal of Turbomachinery. Vol. 115, págs. 305-313. April 1993.
[6] Ballesteros, R., “Métodos numéricos aplicados a la mecánica de fluidos y la transmisión de

calor”. Curso de doctorado de la Universidad de Oviedo (publicación interna). 1995.
[7] Combes, J.F., “Calcul par elements finis de l'eculement 3D turbulent dans une pompe
centrifuge”, AGARD Conference Proceedings 510. CFD Thechniques for Propulsion
Applications. San Antonio, USA. 1991.
[8] Deconinck, H., “Overview of grid generation methods”, Lecture Series del von Karman
Institute for Fluid Dynamics. Bélgica, 1994.
[9] Degrez, G., “Introduction to computational fluid dynamics”, Lecture Series del von Karman
Institute for Fluid Dynamics. Bélgica, 1994.
[10] Fletcher, C.A.J., “Computational techniques for fluid dynamics” (vols. I y II). Springer-
Verlag, USA. 1988.
[11] Fox, R.W., McDonald, A.T. “Introducción a la mecánica de fluidos”. McGraw-Hill1,

Méjico 1995 (cuarta edición).
[12] Gresho, P.M., “Incompressible fluid dynamics: some fundamental formulation issues”,
Annual Review of Fluid Mechanics. Vol. 23, págs. 413 a 453. 1991.
[13] González, J., Santolaria, C., Ballesteros, R., Robles del Peso, A., “Modelización numérica
de flujos incompresibles no estacionarios mediante un método de paso fraccional”, Anales de
Ingeniería Mecánica. Año 11, vol. I, págs. 35-42, 1997.
[14] González, J., Santolaria, C., Ballesteros, R., “Desarrollo de un algoritmo para la resolución
de flujos no estacionarios bidimensionales usando un método de paso fraccional”, Anales de
Ingeniería Mecánica. Año 12, vol. I, págs. 553-558, 1998.
[15] González, J., “Modelización numérica del flujo no estacionario en una bomba centrífuga.
Efectos dinámicos de la interacción entre rodete y voluta”, Tesis Doctoral, Universidad de
Oviedo, 2000 (publicada en CD ROM).
[16] Gunzburger, M.D., Nicolaides, R.A., “Incompressible computational fluid dynamics.

Trends and advances”, Cambridge University Press. 1993.
[17] Hirsch, C., “Numerical computation of internal and external flows. Vols. I y II:
fundamentals of numerical discretization & computational methods for inviscid and viscous
flows”, John Wiley & Sons. Bélgica, 1988.
[18] Hirsch, C., “State of the art of computational fluid dynamics in industry”, Industrial
Computational Fluid Dynamics. Lecture Series 1995-03. Von Karman Institute, Bélgica. 1995.
[19] Hoffman, K.A., “Computational fluid dynamics for engineers”, Engineering Education
System. Austin, USA. 1989.
[20] Jameson, A., Schmidt, W., Turkel, E., “Numerical solutions of the Euler equations by finite
volume methods using Runge - Kutta time - stepping”, AIAA Paper No. 81-1259. 1981.
[21] Jameson, A., “The role of CFD in preliminary aerospace design”, ASME FEDSM2003-
45812, Honolulu, (2003).
[22] Kwak, D., Chakravarthy, S.R., “A three-dimensional incompressible Navier-Stokes flow

solver using primitive variables”, AIAA Journal. Vol. 24, No. 3, pags. 390-396. March 1986.
[23] Kwak, D., Kiris, C., Wiltberger, N., Rogers, S, Rosenfeld, M., "Numerical methods for
simulating unsteady incompressible flows", Lecture Notes in Phisics, Vol. 414, págs. 448-452.
Numerical Methods in F.D., 13th Conference. Rome, 1992.
[24] Lakshminarayana, B., “An assesment of computational fluid dynamic techniques in the
analysis and design of turbomachinery – The 1990 Freeman Scholar Lecture”, Journal of Fluid
Engineering, vol. 113, pp. 315-352. Septiembre 1991.
[25] Launder B.E., Spalding D.B., “Mathematical models of turbulence”, Academic Press. New
York, 1972.
[26] P.L. Lions, “Mathematical topics in fluid mechanics. Incompressible models”. Clarendon
Press, Oxford, 1996.
[27] Moin, P., Kim, J., “Tackling turbulence with supercomputers”, Scientific American, 276.
1997.
[28] Niederdrenk, P., “A short introduction to numerical grid generation”, Course Note (IB 221-
87 A 14) at DFVLR-AVA, Göttingen. 1987.
[29] Pan, D, Chackravarthy, S.R., “Unified formulation for incompressible flow”, AIAA Paper,
No. 89-01222. 27th Aerospace Science Meeting. Reno, Nevada. 1989.
[30] Panton, R.L., “Incompressible flow”, John Wiley & Sons, USA, 2nd Edition. 1996.
[31] Patankar, T.C., “Numerical heat transfer and fluid flow”, Mc. Graw-Hill. 1980.
[32] Pentaris, A., Tsangaris, S., “A proyection methodology for the simulation of unsteady
incompressible viscous flows using the approximate factorization technique”, NATO-AGARD
CP-578. Progress and Challenges in CFD Methods and Algorithms, págs. 35-1 a 35-14. Abril,
1996.
[33] Peyret, R., Taylor, T.D., “Computational methods for fluid flow”, Springer-Verlag. New
York, 1983.
[34] Quarteroni, A., “Domain decomposition methods: algebraic aaspects and application to
compressible and incompressible flows”, 27th Computational Fluid Dynamics. Lecture Series.
Von Karman Institute. Bélgica. 1996.
[35] Rasmussen, E.B., “A finite diference scheme for three-dimensional modelling of fluid
dynamics”, XIV IAHR Congress. ISBN 84-7790-101-5. Págs. c -341 a c - 348. Madrid. 1991.
[36] Shaw, C.T., “Using computational fluid dynamics”, Prentice Hall. 1992.
[37] Strazisar, A.J., “The changing roles of experimental and computational fluid mechanics”,
Global Gas Turbines News, IGTI, pp. 16-18. Agosto 1994.
[38] Streeter, V.L., Wylie, E.D., “Mecánica de los Fluidos”, Mc. Graw-Hill, Méjico. 1987.
[39] Thomson, J.F., Warsi, Z.U.A., Mastin, C.W., “Numerical grid generation: foundations and
applications”, Ed. Joe F. Thomson. North-Holland, 1982.
[40] Thomson, J.F., “Grid generation techniques in computational fluid dynamics”, AIAA
Journal, Vol. 22, No. 11, pp. 1505-1523. 1984.
[41] Versteeg, H.K., Malalasekera, W., “An introduction to computational fluid dynamics”,
Longman Scientific&Technical. 1995.
[42] White, F.M. “Mecánica de fluidos”. McGraw-Hill, Madrid 1983.

[43] White, F.M., “Viscous fluid flow”. Mc. Graw-Hill Editions. 1991.
[44] Wilcox, D.C., “Turbulence modeling for CFD”, DCW Industries. 1993.
Anexo I. El metodo Von Neumann para

analisis de estabilidad.
Los análisis de estabilidad para problemas lineales con coeficientes constantes son
bien conocidos si las condiciones de contorno pueden ser despreciadas. Este es el caso para un
dominio infinito, o para condiciones periódicas en un dominio finito. En este ultimo caso se
considera que la longitud L en el eje x se repite periódicamente, por tanto, todas las
cantidades, la solución, así como también los errores, pueden ser desarrollados en una serie de
Fourier finita sobre el dominio 2L. Este desarrollo forma las bases para el análisis de
estabilidad de Von Neumann.
Este método es el más utilizado para los análisis de estabilidad en los que intervienen
ecuaciones lineales con coeficientes constantes y condiciones periódicas de contorno. Sin
embargo, siempre que se tenga que tratar con coeficientes no constantes, y términos no
lineales en las ecuaciones básicas, la información sobre la estabilidad se vuelve muy limitada.
Consideraciones iniciales.
Considerando uno de los modelos representativos de la convección, se considera la

siguiente ecuación hiperbólica:
∂u ∂u
+a = 0 (AI.1)
∂t ∂x
donde “u” función de ( x,t ); “a” la velocidad de convección, o la velocidad de onda, de

acuerdo a la interpretación dada a la expresión AI.1 y se supone que a > 0. Se suele utilizar
una notación más corta de la misma, donde la derivada esta indicada como subíndice:
ut + a ux = 0 (AI.2)
Se consideran las siguientes condiciones iniciales:
t=0 u ( x, t ) = f ( x ) 0≤x≤L
(AI.3)
x=0 u (0, t ) = g ( x ) t≥0
Para aplicar un método de elementos finitos a la ecuación, se podría establecer un

centro en “i”. Haciendo la subdivisión del espacio del dominio en celdas de longitud ∆x , la
formula de discretización de u x para el punto “i” del mallado es la siguiente:
a
(u t ) i = − (u i +1 − u i −1 ) (AI.4)
2 ∆x
El lado izquierdo representa la derivada respecto al tiempo en el punto “i”.

El siguiente paso es la discretización del tiempo. Esto implica el remplazo de (u t ) i

por la forma discreta, teniendo en cuenta el nivel del tiempo para el cual el lado derecho del la
ecuación será evaluado. Un esquema simple sería la evaluación del lado derecho en intervalos
de tiempo “n”. Tal método es conocido como el método de Euler para la integración respecto
al tiempo de una ecuación diferencial ordinaria, que es un esquema explícito.
u in +1 − u in a
=− (u in+1 − u in−1 ) (AI.5)
∆t 2 ∆x
Evaluando el lado derecho de la ecuación en el nivel (n+1) conduce al esquema

implícito, conocido como aguas abajo, o método de Euler implícito
u in +1 − u in a
=− (u in++11 − u in−+11 ) (AI.6)
∆t 2 ∆x
donde tres valores aparecen simultáneamente en el nivel (n+1)
De las definiciones de orden de precisión de las fórmulas de diferencias finitas se

espera que las ecuaciones AI.5 y AI.6 sean de primer orden en tiempo, y de segundo orden en
espacio en los puntos (“i”) y en el nivel de tiempo “n”. Por otro lado, mediante una
diferenciación en espacio aguas abajo, con una aproximación de primer orden, se llega a la
forma semidiscreta:
a
(u t ) i = − (u i − u i −1 ) (AI.7)
∆x
Con una diferenciación hacia delante en tiempo se obtendría el siguiente esquema

explícito, conocido como el esquema de primer orden aguas arriba (“upwind”), es decir:
u in +1 − u in a
=− (u in − u in−1 ) (AI.8)
∆t ∆x
La correspondiente versión implícita, evaluando el lado derecho (n+1) es:
u in +1 − u in a
=− (u in +1 − u in−+11 ) (AI.9)
∆t ∆x
a ∆t
donde se define el cociente σ = , que constituye el denominado habitualmente como
∆x
“número de Courant”.
Descomposición del error (Fourier)
n
Sea u i la solución exacta de una ecuación, y u in la solución numérica aproximada. La
diferencia podría ser debida a los errores de redondeo introducidos por el algoritmo de
cálculo, o bien a los errores en los datos iniciales. De esta forma, se debe cumplir:
n
u in = u i + ε in o bien, lim ε in ≤ K (AI.10)
n →∞
donde ε in indica el error respecto al tiempo en el punto “i” del mallado. K es independiente de
n
n. Cualquier esquema numérico lineal es satisfecho exactamente por u i , y por tanto los
errores ε in son también soluciones para la ecuación.
Con el fin de presentar los fundamentos del método, primero se hará referencia a los
ejemplos previos. Considerando la ecuación AI.5, e insertando en ella el resultado de AI.10 se
tiene:
n +1
ui − u in ε in +1 a a n n
+ =− (ε in+1 − ε in ) − (u i +1 − u i −1 ) (AI.11)
∆t ∆t 2∆x 2∆x
n
Como u i satisface la ecuación AI.5, se obtiene la ecuación para los errores ε in :
ε in +1 − ε in a
=− (ε in+1 − ε in−1 ) (AI.12)
∆t 2∆x
que es idéntica al esquema básico. Así pues, los errores ε in varían a través del tiempo de la
misma forma que la solución numérica u in .
Los errores no deberían crecer indefinidamente de un intervalo de tiempo a otro. Un

análisis basado en el desarrollo del tiempo en si mismo en lugar de la conducta del error,
establece que cualquier componente de la solución inicial no debería ser amplificado sin
limite. Expresada esta condición en forma matemática se tiene una matriz en la cual todos las
incógnitas de cada punto del mallado, en un tiempo dado, están agrupadas en un vector “U”,
definido como sigue un tiempo n ∆ t .
 u 1n 
 
 ... 
 n 
u i −1
U = n 
n
(AI.13)
u 
 i 
 u in+1 
 
 ... 
El esquema se puede escribir con un operador como función de Un según la expresión:

n +1 n
U =CU (AI.14)
donde el operador “C” es función del tiempo ∆ t , y del tamaño del mallado ∆ x .
Si se considera al operador “C”, lineal, si ε n designa el vector columna de los errores

en un nivel de tiempo “n”:
 
 
 ε
n
i−1 
ε n
=  ε n 
(AI.15)
 i

 ε n
i+1

 
 
n
La ecuación AI.10 se puede escribir con U indicando la solución exacta,
Un = U n + en (AI.16)
Insertando esta ecuación en el esquema básico se conduce a la expresión:
n +1 n
U + e n +1 = C U + C e n (AI.17)
o bien:
e n +1 = Ce n (AI.18)
n
por definición de U como una solución de la expresión:
n +1 n
U =CU (AI.19)
Así, la evolución en el tiempo del error esta determinado por el mismo operador C
como solución numérica del problema. Si las condiciones de contorno están consideradas
como periódicas, el error ε in puede ser descompuesto en series de Fourier en el espacio para
cada nivel de tiempo “n”. Como el dominio es de una longitud finita, se tendrá una
representación de Fourier sobre un número finito de oscilaciones. En el dominio L la serie de
Fourier representa la región (0, L) y la negativa (-L, 0),la frecuencia fundamental corresponde
a la máxima longitud de onda λmax = 2L. La longitud de onda asociada k = 2π/λ alcanza un
mínimo valor en kmin = π/L. Además, el máximo valor de kmax en el intervalo (-L, L) está
asociado con la menor longitud de onda con un espaciamiento ∆x. Esta menor longitud de
onda es igual a 2∆x (ver figura AI.1) y por tanto, kmax = π/∆x.
Así, con un mallado de índice “i”, de 0 a N, con xi = i. ∆x, se tendrá:

∆x = L/N (AI.20)
Todas las oscilaciones representadas en un tiempo finito están dadas por:
π π
k j = j k min = j =j con j = 0,1,2,...,N (AI.21)
L N ∆x
con el máximo valor de j asociado a la máxima frecuencia. Así, con kmax = π/∆x el mayor
valor de “j” es igual al número de intervalos N del mallado (ver figura AI.1).
Figura AI.1.- Representación del error en el intervalo (-L, L).
Cualquier función finita del mallado se puede descomponer en series de Fourier

como:
N N
∑ E nj e ∑E
I k j i ∆x
ε in = = n
j eI i j π/ N (AI.22)
j= − N j= − N
donde I = − 1 y E in es la amplitud de la oscilación “j-ésima”.
Por otro lado, j = 0 representa una función constante. El producto kj ∆x es a menudo

representado como un ángulo de fase.
π
Φ = k j ·∆x = j (AI.23)
N
Y cubre el dominio (-π, π) en intervalos π/N.
Factor de amplificación.
El tiempo de evolución de una oscilación simple E nj e IiΦ es determinado de la misma forma

que u in . Así utilizando estos términos en la ecuación AI.12, se obtiene:
( E n +1 + E n ) a
e Ii Φ + ( E n e I ( i +1 ) Φ − E n e I ( i −1 ) Φ ) = 0 (AI.24)
∆t 2∆x
Dividiendo entre e Ii Φ , se llega a:
n +1 σ n IΦ
(E + En)+ E (e − e − I Φ ) e Ii Φ = 0 (AI.25)
2
donde el parámetro σ es
a ∆t
σ= (AI.26)
∆x
La condición de estabilidad dada por AI.10 será satisfecha si la amplitud de cualquier

error En no crece en el tiempo, es decir, si la relación:
E n +1
G ≡ ≤1 para todo Φ (AI.27)
En
La cantidad G, definida por
E n +1
G= (AI.28)
En
es el denominado factor de amplificación, y es función del factor del intervalo de tiempo ∆t, a
frecuencia y el valor de ∆x.
De la ecuación AI.25 se puede llegar a:
σ
G −1+ 2 I sin Φ = 0 (AI.29)
2
o bien, una expresión equivalente sería:
G = 1 − I σ sin Φ (AI.30)
La condición de estabilidad requiere que G sea menor o igual a uno:

2
G = 1+ σ 2
sin 2
Φ (AI.31)
y esto claramente no es satisfecho.
Ejemplo del esquema dado por la discretización AI.8: estabilidad condicional.
Insertando la oscilación simple E nj e IiΦ en el esquema dado por la ecuación AI.8, se

obtiene:
n +1
(E − E n ) + σ E n ( e Ii Φ − e − I ( i − 1 ) Φ ) = 0 (AI.32)
O bien, después de dividir por E nj e IiΦ
G = 1 − σ + σe − IΦ (AI.33)
es decir:
G = 1 − 2 σ sin 2 Φ / 2 − Iσ sin Φ (AI.34)
Con el fin de analizar la estabilidad de la ecuación AI.8, que es la región donde el

modulo del factor de amplificación G es menor a uno, una conveniente aproximación es una
representación de G en el plano complejo. Escribiendo ξ y η, respectivamente para las partes
real e imaginaria de G se tendrá:
2
ξ = 1 − 2 σ sin Φ / 2 = (1 − σ ) + σ cos Φ
(AI.35)
η = − σ sin Φ
lo cual puede ser considerado como una ecuación paramétrica para G con Φ como parámetro.
En el plano complejo de G la condición de estabilidad dada por AI.27 fija que la curva
representativa de G para todos los valores de Φ = k·∆x debería permanecer dentro del círculo
(ver la Figura AI.2). El esquema es estable para:
0 < σ ≤1 (AI.36)
Figura AI.2.- Región de estabilidad para el esquema dado por la expresión AI.8.
Así la ecuación AI.8 es condicionalmente estable, y la condición AI.36 es conocida

como la Courant-Friedrich-Lewy o condición CFL. El parametro σ es llamado el número de
Courant.
Comentarios sobre la condición CFL.
Esta condición de estabilidad de la mayoría de los esquemas explícitos para ondas y

ecuaciones de la convección expresa que la distancia cubierta durante el intervalo de tiempo
“∆t”, por los disturbios de propagación a velocidad “a”, deben ser más bajos que la distancia
mínima entre dos puntos del mallado. Teniendo en cuenta la figura AI.3, la línea PQ es la
caracteristica dx/dt = a (a través de P) y define el dominio de dependencia de la ecuación
diferencial en P. Por otro lado la ecuación define el dominio de dependencia de P entre PAC.
La condición σ ≤ 1 expresa que ∆t/∆x debe ser elegido de tal forma que el dominio de
dependencia de la ecuación diferencial debería estar contenido en el dominio de dependencia
de la ecuación discretizada. Es decir, el esquema numérico u in +1 en el punto i debe ser capaz
de incluir toda la información física que influye en ese punto.
Figura AI.3.- Interpretación geométrica de la condición CFL, σ ≤ 1 .
Ejemplo del esquema dado por AI.6: condición de inestabilidad.
El esquema implícito de Euler, con una discretización central del espacio de la

ecuación de convección ofrece una tercera situación con respecto a las condiciones de
estabilidad. Con el mismo análisis de estabilidad que AI.6, la amplitud del error En+1 se
vuelve, después de la introducción de una oscilación de la forma En eΙiΦ
σ
e Ii Φ ( E n +1
+ E n
) + E n +1
( e I Φ − e − I Φ ) e Ii Φ = 0 (AI.37)
2
o bien:
σ
G −1+ G ( e IΦ − e − IΦ ) = 0 (AI.38)
2
y se tiene
1
G = (AI.39)
1 + I σ sin Φ
El modulo G siempre es menor que uno para todos los valores de σ
2 1
G = G .G * = 2 2
(AI.40)
1+ σ sin Φ
Por tanto la ecuación implícita es incondicionalmente estable. Así, esta visto que el
sistema puede tener estabilidad condicional, estabilidad incondicional, o inestabilidad
incondicional. El método Von Neumann ofrece una forma fácil y simple de hallar las
propiedades de estabilidad de los esquemas lineales con coeficientes constantes cuando las
condiciones de frontera son asumidas como periódicas.
Formulación general del metodo Von Neumann: sistema de ecuaciones.
Se muestra aquí la formulación en forma de matriz y operador. Se considera que el

esquema numérico es obtenido en dos pasos: un espacio de discretización, seguido por el
tiempo de integración.
1) Cuando se aplica el espacio de discretización (método de diferencias finitas) el espacio

diferencial del operador es aproximado por un espacio discretizado del operador S,
conduciendo al método de formulación de línea para valores discretos
u in = u ( x , n∆t ) … donde … xi es el punto "i" del mallado.
du i
= S ui + qi (AI.41)
dt
donde qi: contiene términos fuentes eventuales y la contribución desde las condiciones de
frontera. La representación matricial es descrita con el vector Un del sistema dado por AI.15.
dU
=SU+q (AI.42)
dt
2) Cuando se aplica el esquema de tiempo de integración, correspondiendo a un nivel dos del

esquema conectando niveles de tiempo (n+1) y n, el esquema numérico asociado con la
n +1
ecuación diferencial genérica, es decir: U = C U n , se tiene:
n
u n +1 = C u i + q i (AI.43)
o en forma matricial:
U n +1 = C U n + Q (AI.44)
donde C puede ser considerado como un operador de discretización del esquema.
Para el nivel dos del esquema implícito de la forma: B1 U n +1 = B 0 U n el operador C es

definido por C = B1−1B 0 .
Anexo II. Ecuaciones en sistemas

generalizados.
Partiendo de una ecuación diferencial en la forma
∂ q ∂ F ∂ G
+ + =0
∂ t ∂ x ∂ y
(AII.1)
que se puede escribir en notación simplificada:
q t + Fx + G y = 0
(AII.2)
Si se realiza el cambio de variables independiente del tiempo, pasando a un nuevo

sistema de coordenadas ξ, η:
( ξ, η ) = f ( x, y ) ≠ f ( t )
(AII.3)
Para modificar las derivadas parciales se debe hacer siguiendo la regla de la cadena, es
decir:
∂ ∂ ∂
= ξx + ηx
∂ x ∂ ξ ∂ η
(AII.4)
∂ ∂ ∂
= ξy + ηy
∂ y ∂ ξ ∂ η
Según este cambio de variables, el Jacobiano de la transformación resulta ser:
∂ ξ ∂ ξ
∂ x ∂ y ξx ξy
J= = = ξ x ηy − ξ y ηx
∂ η ∂ η ηx ηy
∂ x ∂ y
(AII.5)
Y, entonces, la ecuación diferencial de partida se transforma en:

∂ q ∂ F ∂ F ∂ G ∂ G
+ ξx + ηx + ξy + ηy =0
∂ t ∂ ξ ∂ η ∂ ξ ∂ η
(AII.6)
Ecuación que en notación simplificada resulta:
q t + ξ x Fξ + ξ y G ξ + η x Fη + η y G η = 0
(AII.7)
Dividiendo por el Jacobiano, que es independiente de la variable tiempo, se obtiene:
∂  q  ξ x Fξ ξ y G ξ η x Fη η y G η
 + + + + =0
∂ tJ J J J J
(AII.8)
A partir de operaciones para transformar las parciales con respecto a (x,y) a parciales
respecto a las nuevas variables (ξ, η), se obtiene finalmente:
∂ q* * *
+ Fξ + G η = 0
∂ t
(AII.9)
donde las variables con asterisco representan:
ξx F + ξyG ηx F + ηy G
F* = , G* =
J J
(AII.10)
y q* representa la variable q dividida por el Jacobiano de la transformación.
Ecuaciones para flujo incompresible ideal bidimensional.
Ecuación de continuidad:
∂ u ∂ v
+ =0
∂ x ∂ y
(AII.11)
Ecuación de cantidad de movimiento:
∂ u ∂ p ∂ u2 ∂ ( u v)
 + + + =0
∂ t ∂ x ∂ x ∂ y

 (AII.12)
∂ v ∂ p ∂ ( u v) ∂ v2
 + + + =0
∂ t ∂ y ∂ x ∂ y

Adimensionalizando según las variables características del problema de descarga del

depósito, se tiene:
x
x* =
L
y
y* =
L
u (AII.13)
u* =
2gH
v
v* =
2gH
Las ecuaciones no sufren variación y serían las mismas pero con las variables
adimensionales.
Cambio de sistema de coordenadas (plano físico-plano computacional).
Se define el cambio de coordenadas siguiente:


ξ = x
*

 (AII.14)
 2 y*
η =
 * * *
h 1 + (h 2 − h 1 ) x *

Es decir, prescindiendo de los asteriscos, se tendrán las siguientes métricas:
∂ ξ
=1
∂ x
∂ ξ
=0
∂ y
(AII.15)
∂ η − 2 (h 2 − h 1 ) y (h 2 − h 1 ) η
= =
∂ x [h 1 + (h 2 − h 1 ) x ] 2
[h 1 + (h 2 − h 1 ) ξ ]
∂ η −2 −2
= =
∂ y [
h 1 + (h 2 − h 1 ) x ] [
h 1 + (h 2 − h 1 ) ξ ]
Y el Jacobiano, por tanto, resulta ser:
ξx ξy 2
J= = ξ x ηy − ξ y ηx =
ηx ηy [
h 1 + (h 2 − h 1 ) ξ ] (AII.16)
La ecuación de continuidad quedará en este caso, según la ecuación (AII.9):
∂ u 2 (h 2 − h 1 ) y ∂u 2 ∂v
− + =0
∂ ξ (h 1 + (h 2 − h 1 ) x )2
∂ η (h 1 + (h 2 − h 1 ) x )
2
∂ η
(AII.17)
Es decir:
∂ u ∂u ∂v
+A +B =0 (AII.18)
∂ ξ ∂ η ∂ η
Con las constantes A y B iguales a:
2 (h 2 − h 1 ) y
A=−
(h 1 + (h 2 − h 1 ) x )2
(AII.19)
B=J
Las ecuaciones de cantidad de movimiento (AII.12) se transforman según la expresión

general (AII.9), es decir:
 ∂ ξ ∂ ξ  ∂ η ∂ η 
  ( p + u2 ) + ( u v)   ( p + u 2) + ( u v) 
∂ u ∂ ∂ x ∂ y  ∂ ∂ x ∂ y 
∂ +  +   =0
 t ∂ ξ J  ∂ η  J 
    
    


 ∂ ξ ∂ ξ  ∂ η ∂ η 
 ( u v) + ( p + v 2)   ( u v) + ( p + v 2) 
∂ v ∂  ∂ x ∂ y  ∂ ∂ x ∂ y 
 +  +   =0
∂ t ∂ ξ  J  ∂ η  J 
    
    
(AII.20)
Operando, para el caso particular del cambio de variables definido, se llega a las
expresiones:
∂

u ∂  p + u2  ∂  − 2 (h 2 − h 1 ) y p + u2 2 uv
+   +  + =0
∂ t ∂ ξ  J (
 ∂ η  h 1 + (h 2 − h 1 ) x )
2
J (
h 1 + (h 2 − h 1 ) x J 

)



∂ v ∂  u v  ∂  − 2 (h 2 − h 1 ) y uv 2 ( p + v 2) 
+  +  +  =0
∂
  (
t ∂ ξ  J  ∂ η  h 1 + (h 2 − h 1 ) x )
2
J (
h 1 + (h 2 − h 1 ) x J ) 
(AII.21)
Ecuaciones que se simplifican bastante si se sustituye el valor del Jacobiano según el

cálculo realizado en la ecuación (AII.16). Así, se llega a:
∂ u ∂  p + u2  ∂  −η ( h 2 − h1 ) 
 +   +  ( )
p + u2 + u v = 0
∂ t ∂ ξ  J  ∂ η 2 

 (AII.22)

∂ v ∂  u v  ∂ − η ( h 2 − h 1 ) 
∂
+  +  ( u v) + ( p + v2 )  = 0
 t ∂ ξ  J  ∂ η 2 
Si ahora se usa la ecuación de continuidad (AII.17), se puede simplificar esta última

expresión, obteniéndose:
∂ u ∂  p   u  ∂ J η ( h 2 − h1 ) ∂ p
2
( h 2 − h1 ) ∂ u ∂v
 +  −   − − p + u2 + v −u ( =0 )
∂ t ∂ ξ J J ∂ ξ 2 ∂ η 2 ∂ η ∂ η


∂

v u∂ v ∂ 1  η ( h 2 − h 1 ) ∂v ( h 2 − h1 ) ∂p ∂v
+ + ( u v)   − u − u v+ +v =0
∂ t J∂ ξ ∂ ξ J 2 ∂ η 2 ∂ η ∂ η

(AII.23)
Anexo III. Glosario de términos empleados

en técnicas numéricas.
Las técnicas numéricas aplicadas a la Mecánica de Fluidos se prestan en la mayoría de

los textos a la aparición de multitud de acrónimos o siglas, tanto de distintas técnicas utilizadas,
como de instituciones que se dedican a la investigación en este campo. Esto puede sorprender
inicialmente e incluso crear gran confusión. Este anexo surgió con el fin de poder servir de ayuda
en la interpretación de alguno de los mencionados términos. No se pretende aclarar todos los
matices de dichos términos (algunos de los cuales darían para escribir libros enteros) sino que se
trata de indicar el brevemente su significado y su contexto de aplicación.
Se incluye a continuación un glosario de términos empleados habitualmente en textos

y artículos relacionados con las técnicas numéricas. Algunos de los términos están
relacionados con la aplicación de dichas técnicas numéricas al campo más específico de las
turbomáquinas dentro de la Mecánica de Fluidos y algunas son más generales. También se
incluyen los acrónimos de algunas instituciones u organismos que aparecen comúnmente en
los textos.
La organización de la información se hace dividiendo la lista completa en tres subgrupos,

uno con los acrónimos de técnicas, algoritmos o estrategias numéricas, otro con las siglas de
instituciones u organismos y un último con los acrónimos no clasificables en los dos grupos
anteriores. Dentro de cada grupo, se ordenan las palabras por orden alfabético de sus iniciales y
se explica su significado siguiendo el esquema tipo que se indica a continuación:
ACRÓNIMO EN MAYÚSCULAS (significado en inglés de las iniciales). Breve

explicación del origen o significado del término.
AIII.1.- Acrónimos usuales en los textos de Mecánica de Fluidos

Computacional.
A
AC (Aditive Corrections). Correcciones en los valores de las variables en técnicas de
multimallados. De forma más general se usan para indicar corriente alterna.
ADI (Alternating Direction Implicit). Método de resolución de ecuaciones lineales. Como
indica su nombre se trata de un método implícito según direcciones alternativas.
También se aplica este término para la solución de distintos algoritmos que siguen
el mencinado procedimiento.
AF (Approximate Factorization Scheme). Técnica numérica de descomposición de derivadas
por términos equivalentes hasta un determinado orden.
AFLBI (Approximate Factorization Linear Block Implicit Scheme). Esquema implícito
basado en la factorización aproximada (AF) de las ecuaciones.
AMG (Algebraic Multi Grid). Estrategia multimallado algebraica. Constituye uno de los
métodos más rápidos para solución de sistemas lineales de ecuaciones.
ARSM (Algebraic Reynolds Stresses Model). Modelo de turbulencia algebraico de las

tensiones de Reynolds.
B
BL (Baldwin-Lomax). Modelo de turbulencia algebraico.
BC (Boundary conditions). Condiciones de contorno de un determinado problema.
BFC (Body Fitted Coordinates). Coordenadas que siguen líneas de los contornos.
C
CAD (Computer Aided Design). Diseño asistido por ordenador. Conjunto de técnicas de
dibujo en ingeniería apoyadas en el uso de ordenadores.
CAE (Computer Aided Engineering). Ingeniería asistida por ordenador. Similar al término
anterior pero más amplio.
CAM (Computer Aided Manufacturing). Fabricación asistida por ordenador. Término
también utilizado en contextos muy similares a los dos anteriores.
CFD (Computational Fluid Dynamics). Técnicas numéricas aplicadas a la Mecánica de
Fluidos.
CGC (Coarse Grid Correction). Modificación de la solución en técnicas multimallado a partir
del valor de las variables en la malla menos fina.
CGM (Congugate Gradients Method). Método de los gradientes conjugados.
CPPE (Consistent Pressure Poisson Equation). Método consistente utilizado en la ecuación de
Poisson para la presión. El método de la ecuación de Poisson para la presión se
explica en el capítulo cuatro de esta tesis.
CPU (Central Proccess Unit). Unidad de procesado de datos de un ordenador. Constituye el
núcleo básico de cualquier sistema informático.
CUPW (Convected Upwind Scheme). Algoritmo de solución de las ecuaciones aguas arriba.
Desarrollado por Lacor en 1986.
D
DAES (Differential Algebraic Equations). Ecuaciones diferenciales resueltas por métodos
algebraicos.
DO (Discrete Ordinates Radiation Model). Modelo de radiación discreto.
DOC (Direct Operating Costs). Costes de operación directos. Término usado habitualmente
en aeronáutica.
DRW (Discrete Random Walk). Movimientos discretos y aleatorios.
DS (Direct Simulation). Método de simulación directa de las ecuaciones de gobierno.
DTRM (Discrete Transfer Radiation Model). Modelo de radiación de la transferencia
discreta.
F
FAS (Full Aproximated Storage). Método de almacenamiento de datos.
FAVOR (Fractional Area/Volume Representation). Algoritmo que utiliza una malla
cartesiana como base para el dominio de la solución, calculando fracciones de
volumen o área para cada cara de la discretización.
FCBR (Fully Coupled Blade Row). Tipo de cálculo del flujo en una turbomáquina que
considera los efectos de varias coronas de álabes.
FCT (Flux Corrected Transport). Se trata del método precesor del TVD y fue introducido
por Boris y Brook en 1973.
FDM (Finite Difference Method). El método de elementos finitos consiste en una
discretización numérica de las ecuaciones de gobierno basada en la aproximación
de derivadas por diferencias entre las variables.
FEM (Finite Element Method). El método de elementos finitos consiste en una
discretización numérica de las ecuaciones de gobierno basada en la utilización de
funciones de interpolación para las distintas variables.
FVM (Finite Volume Method). El método de elementos finitos consiste en una de
discretización numérica de las ecuaciones de gobierno basada en la propiedad de
conservación de dichas ecuaciones.
G
GCGTVD (Generalized Conjugate Gradient Total Variation Diminishing). Técnica
numérica derivada de los métodos TVD.
GGDH (Generalized Gradient Diffusion Hypothesis). Hipótesis del gradient generalizado de
difusión. Introducida por Daly y Harlow en 1970.
H
HOT (Higher Order Terms). Términos de orden superior.
HP (High Pressure Stages). Escalones (Stages) de turbomáquinas de alta relación de
presiones.
I
IBVP (Initial Boundary Value Problem). Tipo de problema cuya solución viene
condicionada por una determinada situación inicial o valor inicial de las variables.
IC (Initial Conditions). Condiciones iniciales de un problema que evoluciona en el tiempo.
IGV (Inlet Guide Vanes). Corona de álabes a la entrada de una turbomáquina.
L
LED (Local Extremum Diminsishing). Técnica de solución de las ecuaciones desarrollada
por Jameson en 1993. Se trata de un esquema no oscilatorio de segundo orden de
precisión.
LES (Large Eddy Simulation). Aproximación a las ecuaciones de Navier-Stokes usando las
hipótesis de intercambio energético entre los vórtices de gran y pequeño tamaño.
Discutido más en profundidad en el capítulo cuatro del texto.
LHS (Left Hand Side). Lado izquierdo de una igualdad matemática.
LP (Low Pressure Stages). Escalones de baja presión en turbomáquinas.
LSOR (Line Succesive Overrelaxation). Técnica de resolución de sistemas de ecuaciones
lineales basada en la utilización de un parámetro de sobrerrelajación.
LU (Lower and Upper Diagonal). Método de resolución de sistemas de ecuaciones lineales
basado en los elementos por encima y por debajo de la diagonal.
LU-SGS (Lower-Upper Symmetric-Gauss-Seidel Scheme). Similar al anterior pero
utilizando una estrategia Gauss-Seidel simétrica.
M
MAC (Marker and Cell). Modelos de resolución de las ecuaciones diferenciales basados en
la utilización de mallados escalonados.
MARS (Monotone Advection and Reconstruction Scheme) Esquema de segundo orden con
menor sensibilidad o precisión con la estructura de la malla y el “skewness”.
MHD (Magneto Hidrodynamics). Magnetohidrodinámica de Fluidos.
MRF (Multiple Reference Frame). Métodos de resolución de las ecuaciones que se basan en
la utilización de varios sistemas de referencia.
MUSCL (Monotone Upstream-Centered Schemes for Conservation Laws). Leyes de
conservación resueltas según algoritmos monótonos aguas arriba.
N
NBC (Natural Boundary Conditions). Condiciones de contorno naturales.
NS (Navier-Stokes). Ecuaciones de gobierno en Mecánica de Fluidos.
O
OBC (Outflow Boundary Conditions). Condiciones de contorno de cualquier tipo, excepto
del tipo Dirichlet. También a veces se usa para hablar de Open Boundary
Conditions, con el mismo significado.
ODE (Ordinary Differential Equations). Ecuaciones diferenciales simples, en contraposición
con las PDE.
P
PDE (Partial Differential Equations). Ecuaciones diferenciales en derivadas parciales.
PISO (Pressure Implicit with Spliting of Operators). Método de solución de las ecuaciones
para flujo incompresible.
PNS (Parabolized Navier-Stokes). Modelo de las ecuaciones de Navier-Stokes
“parabolizadas”. Modelo intermedio entre el TSL y las ecuaciones reales.
PPE (Pressure Poisson Equation). Método de resolución de las ecuaciones de gobierno para
flujo incompresible consistente en operar haciendo la divergencia de las
ecuaciones de cantidad de movimiento y luego aplicar la condición de
incompresibilidad.
PPNS (Partially Parabolized Navier Stokes). Idéntico al PNS pero haciendo la
“parabolización” de forma parcial.
PSOR (Point Succesive Overrelaxation). Método de resolución de sistemas de ecuaciones
lineales basadas en la utilización de un parámetro de sobrerrelajación para acelerar
la convergencia del método iterativo.
Q
QUICK (Quadratic Upstream Interpolation for Convective Kinetics). Algoritmos de
interpolación cuadrática usados en la discretización de las ecuaciones en los
métodos de volúmenes finitos.
R
RANS (Reynolds Averaged Navier-Stokes Equations). Ecuaciones de Navier-Stokes
promediadas según esfuerzos de Reynolds. Técnicas de solución de las ecuaciones
de gobierno discutidas en el capítulo cuatro de este documento.
RHS (Right Hand Side). Términos al lado derecho de una igualdad matemática.
RIT (Rotor Inlet Temperature). Temperatura de entrada en el rotor. No se trata de un
término exclusivo de las técnicas numéricas, sino que es un término general usado
en turbomáquinas.
RNG (Renormalization Group Theory). Teoría del grupo renormalizado. Técnica

matemática utilizada como modelo de turbulencia.
RSM (Reynolds Stresses Model). Modelo de las tensiones de Reynolds. También llamado
modelo de cierre de segundo orden para las ecuaciones de conservación.
RSE (Reynolds Stresses Equations). Ecuaciones que utiliza el método definido
anteriormente (RSM).
RTE (Radiactive Transfer Equation). Ecuación de transferencia de calor por reacción
radioactiva.
S
SCBR (Steady Coupled Blade Row). Resolución de las ecuaciones de la Mecánica de
Fluidos en turbomáquinas considerando la interacción entre varias coronas de
álabes. Modelos estacionarios.
SGS (Subgrid Scale). Escala de la malla inferior en un sistema de resolución por medio de
varios mallados (multimallado).
SIMPLE (Semi Implicit Method for Pressure Linked Equations). Método de resolución de
las ecuaciones de gobierno establecido por Patankar (1976).
SIMPLEC (Semi Implicit Method for Pressure Linked Equations Consistent). Una variación
del método anteriormente descrito.
SIP (Strongly Implicit Method). Métodos de resolución de sistemas de ecuaciones lineales
basados en algoritmos altamente implícitos.
SLIP (Symmetric Limited Possitive Schemes). Algoritmos definidos que conducen a
sistemas de ecuaciones simétricos y con coeficientes positivos.
SPD (Symmetric Positive Definite Matrix). Matriz simétrica y definida positiva.
SSBR (Steady Single Blade Row). Resolución de las ecuaciones en turbomáquinas
considerando únicamente el canal entre álabes de una única corona.
SUDS (Skew Upwind Differencing Scheme). Método de resolución de las ecuaciones
basado en la diferenciación aguas arriba. Establecido por Raithby en 1976.
SU/PG (Streamline Upwind Petrov Galerkin). Método espectral basado en la variación de la
función peso en elementos finitos para considerar la dirección del flujo.
Desarrollado por Brook y Huges en 1982.
T
TDMA (Tri-Diagonal Matrix Algorithm). Algoritmo de resolución basado en la utilización
de sistemas lineales tridiagonales.
TVD (Total Variation Diminishing). Algoritmo de resolución utilizado en modelos de flujos
compresibles que controla la variación de la solución de forma no lineal.
Introducido por Harten en 1983.
TSL (Modelo Thin shear Layer). Uno de los modelos de aproximación de las ecuaciones de
Navier-Stokes. Se explica más en profundidad en el texto (capítulo cuatro).
TKE (Turbulent Kinetic Energy). Energía cinética turbulenta, normalmente nombrada con la
letra k.
TSTE (Taylor Series Truncation Error). Error de truncatura de los distintos modelos que se
basan en los desarrollos en series de Taylor.
U
UDS (User Defined Scalar). Escalar definido por el usuario. Término usado en los códigos
numéricos comerciales.
U-P (Velocity – Pressure). Modelos que usan en su desarrollo las variables primitivas, es
decir, la presión y la velocidad.
USLIP (Upwind Symmetric Limited Possitive Schemes). Esquemas aguas arriba y
simétricos con valores positivos.
V
VOF (Volume Of Fluid). Algoritmo que intenta capturar el movimiento de las partículas
siguiendo la fracción de flujo que atraviesa cada cara del mallado.
VTE (Vorticity Transport Equations). Ecuaciones de transporte de la turbulencia. Suele
darse este nombre a las técnicas numéricas que utilizan la vorticidad.
W
WSGGM (Weighted Sum of Gray Gases Model). Modelo de la suma de los gases grises. Es
un modelo usado en combustión.
AIII.2.- Instituciones y organismos que aparecen habitualmente en textos

numéricos.
AGARD (Advisory Group for Aerospace Research & Development). Consejo para la
investigación y desarrollo aeroespacial. Perteneciente a la OTAN.
AIAA (American Institute of Aeronautics and Astronautics). Instituto Americano par la
aeronáutica y la astronáutica.
API (American Petroleum Institute). Instituto Americano del petróleo. Estados Unidos.
ASME (American Society of Mechanical Engineers). Asociación Americana de Ingenieros
Mecánicos. Entre otras muchas actividades, publican los PTC (Performanes Test
Code) o códigos para ensayos experimentales.
ASPE (American Society of Plumbing Engineers). Sociedad Americana de Ingenieros
dedicados al diseño e instalación de conductos. Estados Unidos.
ASRHAE (American Society of Heating, Refrigeration, and Air Conditioning Engineers).
Sociedad Americana de Ingenieros dedicados a instalaciones de calefacción,
refrigeración y aire acondicionado.
BHRA (British Hidromechanics Research Association). Asociación Británica para la
investigación hidromecánica. Inglaterra.
BRITE (Basic Research In Technology for Europe). Programa Europeo para el desarrollo de
investigación tecnológica básica.
CALTECH (California Institute of Technology). Instituto de Tecnologías en California
(Estados Unidos).
CETIM (Centre Technique d’Industries Mécaniques). Centro Tecnológico de Industrias
Mecánicas. Situado en Nantes, Francia.
CGPM (Conférence Général des Poids et Mesures). Comité Internacional de Pesas y
medidas. Creado en Francia, estableció en 1960 el SI (Sistema Internacional) de
medidas.
CREMHYG (Centre de Recherche et d’Essais de Machines Hydrauliques de Grenoble).
Centro de Investigación y ensayo de máquinas hidráulicas de Grenoble, Francia.
DFVLR (Deutsche Forschungs-und Versuchsanstalt für Luft- und Raumfahrt). Laboratorio
para la investigación en Alemania.
EUROMECH (European Mechanics Society). Sociedad Europea para la Ingeniería
Mecánica.
GALCIT (Graduate Aeronautical Laboratories at California Institute of Technology).

Laboratorios de aeronáutica en el CALTECH.
HENSA (Higher Education National Software Archive). Archivo Nacional de Software
dedicado a la Educación. Institución de Inglaterra.
HVAC (Automotive Heating, Ventilation and Air Conditioning engineers). Asociación de
los Ingenieros dedicados a la calefacción, ventilación y aire acondicionado en
automóviles. Estados Unidos.
IGTI (International Gas Turbine Institute). Instituto Internacional dedicado a las Turbinas de
Gas. Organismo dependiente del ASME.
ISABE (International Society for Air Breathing Engines). Sociedad Internacional para los
Motores de Combustión que utilizan el aire.
JPL (Jet Propulsion Laboratory). Es una de la instituciones o laboratorios que funcionan
dentro del CALTECH.
JSME (Japanese Society of Mechanical Engineers). Sociedad Japonesa de Ingenieros
Mecánicos.
LLNL (Lawrence Livermore National Laboratory). Laboratorio Americano dedicado a la
Mecánica de Fluidos. Estados Unidos.
MIT (Massachussets Institute of Technology). Instituto Tecnológico de Massachussets. Uno
de los grandes centros de Investigación a nivel mundial.
MTU (Motoroen-und Turbinen-Union Munchen). Instituto para la investigación en Motores
y Turbinas. Munich (Alemania).
NACA (National Advisory Committee for Aeronautics). Comité Nacional para la
Aeronáutica. Es el organismo predecesor de la NASA. Estados Unidos.
NASA (National Aeronautics and Space Administration). Administración Nacional para la
Aeronáutica y el Espacio. Estados Unidos.
NGTE (National Gas Turbine Establisment). Instituto para las Turbinas de Gas. Estados
Unidos.
NIST National Institute of Standards and Technology). Instituto Nacional para la Normativa
y las Tecnologías. Estados Unidos.
NRC (Nuclear Regulatory Commission). Comisión Reguladora de actividades Nucleares.
Estados Unidos.
ONERA (Office National d’Etudes et de Recherche Aéroespatiales). Oficina Nacional para
la Investigación. Paris, Francia.
RAE (Royal Aircraft Establishment). Academia Real para la Aviación. Inglaterra.
ROMAC (Rotating Machinery and Controls). Máquinaria rotativa y controles. Centro de
investigación de la Universidad de Virginia (Estados Unidos).
SHF (Société Hydrothermique de France). Sociedad para estudios Hidráulicos y Térmicos
de Francia.
UMIST (University of Manchester Institute of Science and Technology). Instituto de
Ciencia y Tecnología de la Universidad de Manchester (Inglaterra).
UTRC (United Technologies Research Center). Centro de investigación en varias áreas de la
ingeniería. Connecticut (Estados Unidos).
VKI (von Karman Institute). Instituto de Investigación von Karman. Dedicado a
investigación sobre Mecánica de Fluidos. Situado en Bélgica.
ISBN 84-607-9546-2

Tecnicas Numericas Mecanica de Fluidos PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tecnicas Numericas Mecanica de Fluidos PDF

Cargado por

Copyright:

Formatos disponibles

Universidad de Oviedo

ÁREA DE MECÁNICA DE FLUIDOS

MONOGRAFÍAS DE MECÁNICA DE FLUIDOS

Rafael Ballesteros Tajadura

2.- Modelos físico-matemáticos............................................ 13

3.- Aspectos matemáticos del procedimiento de cálculo ...... 23

4.- Métodos de resolución y naturaleza de las ecuaciones de

5.- Discretización del dominio: generación de mallados ...... 99

6.- Bibliografía .................................................................... 109

Anexo I.- El metodo Von Neumann para analisis de

Anexo II.- Ecuaciones en sistemas generalizados............... 123

Anexo III.- Glosario de términos empleados en técnicas

Las técnicas numéricas en Ingeniería han experimentado un gran desarrollo en las

Esta publicación constituye el resultado de varios años de impartición de la asignatura

La dinámica de fluidos computacional (o CFD, acrónimo de las palabras inglesas

Los métodos numéricos aplicados a la Mecánica de Fluidos resultan una herramienta

1.1.- Perspectiva histórica.

Hasta finales de los años 60 los ordenadores no alcanzaron velocidades de cálculo

En la actualidad, los ensayos experimentales siguen siendo necesarios para la

Desde su inicial concepción, orientada a la industria aeroespacial, la técnicas numéricas

1.2.- Aplicaciones habituales de las técnicas numéricas.

a) Industria automovilística. Las aplicaciones típicas son el estudio de la aerodinámica

b) Industria electrónica. Los problemas más estudiados son el flujo y la distribución de

c) Industrias de proceso y químicas. Problemas habituales resueltos con técnicas CFD

d) Industria de conformados metálicos. Las aplicaciones más comunes en esta industria

e) Industria nuclear. Algunos estudios relacionados con el flujo en conductos de

g) Industria biomédica y farmacéutica. Entre otras aplicaciones, destacan el flujo de la

h) Industria alimentaria. Destacan los diseños de procesos de pasteurización, los estudios

i) Industria aeroespacial. Las aplicaciones habitualmente estudiadas son los efectos de la

j) Industria aeronáutica y naval. Estudios en perfiles aerodinámicos, diseño de trenes de

k) Otras aplicaciones. Destacan los estudios en oceanografía, predicciones en hidrología

Por lo tanto, la panorámica es realmente amplia y susceptible de crecimiento en el

- Reducción sustancial de tiempos y de costes en los nuevos diseños.

Los desarrollos en el campo de las técnicas numéricas dedicadas al estudio de flujos se

esfuerzos en sólidos y estructuras. Su retraso se debe a la gran complejidad de las ecuaciones

1.3.- Niveles de aproximación empleados en las técnicas numéricas.

El desarrollo de las técnicas numéricas y su aplicación a cualquier ciencia o tecnología

Establecidas las ecuaciones de gobierno resulta imprescindible introducir una segunda

En cuanto a la geometría a estudiar, se debe señalar que la aproximación a la que debe

En el caso de tener ecuaciones que dependan de la variable tiempo (flujo no

Finalmente, se pueden manipular las ecuaciones eliminando ciertos términos cuya

Resumiendo, desde el modelo matemático (ecuaciones diferenciales no lineales) que

Figura 1.- Las técnicas numéricas en la Mecánica de Fluidos.

2.- Modelos físico-matemáticos.

Existen varias posibles simplificaciones en cuanto a la definición del modelo

2.1.- Modelos de flujo potencial.

Describen el comportamiento de flujos irrotacionales de fluidos ideales, desarrollados

2.2.- Ecuaciones para flujo ideal.

Cuando el número de Reynolds es suficientemente elevado, lo que ocurre en muchas

2.3.- Modelo para flujo ideal, estacionario y rotacional.

2.4.- Solución directa de las ecuaciones de Navier-Stokes.

Las ecuaciones de Navier-Stokes constituyen una modelización correcta del flujo de

La resolución numérica de las ecuaciones de Navier-Stokes sí que es posible si se

2.5.- Modelo parabólico de las ecuaciones de Navier-Stokes (PNS).

Este tipo de modelos ha sido desarrollado para el cálculo de flujos supersónicos e

Las ecuaciones de gobierno parabólicas se obtiene a partir de las de Navier-Stokes

- Los gradientes de esfuerzos viscosos son despreciables en la dirección de las líneas

Se ha investigado mucho en las ecuaciones parabólicas de Navier-Stokes (Parabolized

2.6.- Modelo de flujo incompresible.

Un flujo se denomina incompresible cuando la densidad del fluido en cada instante

Cuando el flujo es además isotermo, las ecuaciones de gobierno se simplifican

Contrariamente a lo que pudiera pensarse, la hipótesis de incompresibilidad complica

2.7.- Modelos para simulación de la turbulencia.