Questões conceituais:
Quanto mais refinada a rede nodal construída para uma solução por diferenças finitas, mais precisa tende a ser a solução. Na prática, um refinamento excessivo é sempre evitado. Por quê? (0,5)

Passo 1

O enunciado pergunta: por que, na prática, evita-se um refinamento excessivo da malha em métodos de diferenças finitas, mesmo sabendo que uma malha mais fina tende a dar soluções mais precisas?
Informações relevantes dadas/implícitas:
  • Quanto mais refinada a rede nodal (malha), maior a densidade de pontos/nós.
  • A solução tende a ser mais precisa quando o passo espacial h diminui.
  • Queremos entender as razões práticas (computacionais e numéricas) para não refinar indefinidamente.

Passo 2

Primeiro conceito importante: quantas incógnitas temos ao refinar a malha?
Se h é o passo espacial (tamanho de célula) e estamos em d dimensões, o número de nós N cresce aproximadamente como
N \propto h^{-d}.
Explicação didática: em 1D se eu dividir o intervalo ao meio ( h pela metade) eu dobro o número de pontos; em 2D eu quadruplo; em 3D eu multiplico por oito. Ou seja, cada redução linear em h causa um aumento muito maior em N quando d é maior.

Passo 3

Custo computacional e memória:
  • O custo (tempo de CPU) e a memória exigida para montar e resolver o sistema linear que surge das diferenças finitas dependem fortemente de N. Para métodos diretos o tempo pode crescer como algo entre O(N^{1,5}) e O(N^{3}) dependendo do método e da estrutura da matriz; para métodos iterativos o custo por iteração é cerca de O(N) mas o número de iterações pode crescer.
  • Portanto, reduzir h modestamente pode aumentar dramaticamente o tempo de cálculo e o uso de memória — algo que, na prática, pode tornar o problema insolúvel no tempo/recursos disponíveis.

Passo 4

Erro de discretização versus ordem do método:
A relação típica entre passo e erro é
E(h) \approx C\,h^{p},
onde p é a ordem do método (por exemplo p=2 para esquemas de segunda ordem) e C constante. Isso significa: para reduzir o erro por um fator r preciso diminuir h por r^{1/p}. Em contrapartida, o número de nós cresce como h^{-d}, logo o custo para reduzir o erro cresce aproximadamente como
\text{custo} \propto h^{-d} \propto r^{d/p}.
Exemplo concreto e simples: em 2D com método de ordem p=2, para reduzir o erro pela metade ( r=1/2) eu preciso diminuir h por \sqrt{2}, e o número de nós aumenta por cerca de 2^{d/2}=2^{1}=2 — ou seja, duplico o trabalho só para cortar o erro pela metade. Em 3D o aumento é ainda pior.

Passo 5

Erros numéricos e condicionamento da matriz:
  • Matrizes que aparecem em discretizações (ex.: Poisson) normalmente ficam mais mal condicionadas quando h diminui. Um comportamento típico é a condição crescer como \kappa \sim h^{-2} (dependendo do problema).
  • Matrizes mal condicionadas amplificam erros de arredondamento e tornam os métodos iterativos mais lentos para convergir; em prática, depois de um certo refinamento adicional a solução pode não melhorar (ou até piorar) por causa do erro de aritmética finita.
    Resumo: refinar demais pode transformar erro de discretização pequeno em erro numérico devido ao condicionamento e ao arredondamento.

Passo 6

Problemas dependentes do tempo e restrições de estabilidade:
  • Para esquemas explícitos em problemas de evolução o passo de tempo \Delta t costuma precisar obedecer uma condição de estabilidade tipo CFL: \Delta t \lesssim C_{\text{CFL}}\,h (ou proporcional a h^2 em alguns casos). Logo, diminuir h força um \Delta t menor e aumenta muito o número de passos temporais — multiplicando o custo total.
  • Alternativamente, usar métodos implícitos alivia a CFL, mas cada passo exige resolver um sistema linear maior e mais caro. Ou seja, refinamento espacial tem custo temporal associado.

Passo 7

Diminuição de retornos e fontes de erro não-discretização:
  • Depois de certo refinamento, outras fontes de erro dominam: imprecisão nos dados (condição de contorno, propriedades físicas), erros de modelagem (o modelo numérico não descreve perfeitamente o fenômeno), e erros de arredondamento. Assim, continuar refinando dá ganhos muito pequenos no erro global — é desperdício.
  • Por isso, em vez de refinar uniformemente, costuma-se usar refinamento adaptativo onde se refina apenas onde o erro estimado é grande (fronteiras, singularidades, camadas limites).

Passo 8

Qualidade da malha e aspectos geométricos:
  • Refinamento exagerado sem cuidado pode produzir elementos com má qualidade (aspect ratio ruim), especialmente em malhas não estruturadas. Elementos deformados pioram a precisão e o condicionamento, então mais pontos nem sempre significam melhor solução.
  • Há também custo humano: geração de malha, verificação e armazenamento ficam mais complexos.

Passo 9

Conclusão prática e recomendações (como agir na prova):
  • Pense em trade-off: ganho de erro versus custo. Use a relação \;E(h)\approx C h^{p}\; e N\propto h^{-d} para estimar se a redução do erro justifica o aumento de N.
  • Prefira estratégias como refinamento adaptativo, estimadores de erro a posteriori e aumento da ordem do esquema (quando possível) em vez de refinamento uniforme desenfreado.
  • Avalie também condicionamento e limites da aritmética de ponto flutuante e, para problemas temporais, a influência da condição CFL.

Resposta

Porque o custo computacional e de memória cresce muito rápido com a malha ( N\propto h^{-d}), a estabilidade/condicionamento da discretização piora (aumentando erros de arredondamento e o número de iterações necessárias), e os retornos em precisão decrescem (o erro de discretização \approx C h^{p} torna-se dominado por outras fontes de erro), além de restrições de tempo em problemas dinâmicos — por isso refinamento excessivo é ineficiente e pode até prejudicar a solução.

Exercícios relacionados