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)
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:
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
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 é o passo espacial (tamanho de célula) e estamos em
dimensões, o número de nós
cresce aproximadamente como
Se
Explicação didática: em 1D se eu dividir o intervalo ao meio (
pela metade) eu dobro o número de pontos; em 2D eu quadruplo; em 3D eu multiplico por oito. Ou seja, cada redução linear em
causa um aumento muito maior em
quando
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
. Para métodos diretos o tempo pode crescer como algo entre e dependendo do método e da estrutura da matriz; para métodos iterativos o custo por iteração é cerca de mas o número de iterações pode crescer. - Portanto, reduzir
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
A relação típica entre passo e erro é
onde
é a ordem do método (por exemplo
para esquemas de segunda ordem) e
constante. Isso significa: para reduzir o erro por um fator
preciso diminuir
por
. Em contrapartida, o número de nós cresce como
, logo o custo para reduzir o erro cresce aproximadamente como
Exemplo concreto e simples: em 2D com método de ordem
, para reduzir o erro pela metade (
) eu preciso diminuir
por
, e o número de nós aumenta por cerca de
— 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
diminui. Um comportamento típico é a condição crescer como (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
costuma precisar obedecer uma condição de estabilidade tipo CFL: (ou proporcional a em alguns casos). Logo, diminuir força um 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 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 (
), 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
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.