Otimização do método multigrid geométrico para sistemas de equações 2D em CFD Orientando: Cosmo D. Santiago – MSc. Orientador: Carlos H. Marchi – Dr.Eng. Programa de Pós-Graduação em Engenharia Mecânica -PG-Mec - UFPR 1º Seminário do projeto Multigrid - abril/2008 Objetivos dessa apresentação Apresentar um resumo de resultados já obtidos. Atividades em andamento Resultados esperados Objetivos dessa etapa da pesquisa Obter parâmetros ótimos do método multigrid geométrico para 2 sistemas de equações. Os parâmetros estudados são: - Iterações internas (ITI); - Número de níveis (L); - Número de variáveis (N). Verificar se os parâmetros ótimos são os mesmos para os esquemas CS e FAS. Verificar se os valores ótimos obtidos com os 2 sistemas são os mesmos obtidos para uma equação. Modelos Matemáticos – 2D • Equação de Laplace 2T x 2 2T y 2 0 Solução analítica: 0 x, y 1 T x, y xy T representa o campo de temperaturas. Modelos Matemáticos – 2D • Equações de Navier (Termoelasticidade) u v 2u 2u T C 2 2 2C Su x x y x x y u v v v T 2 2 2C Sv y x y x y y 2 C Onde : C 1 1 2 0 x, y 1 e é a razão de Poisson, S u e S v são termos fontes T x, y sin x sinhy sinh( ) é o campo de temperaturas e 1e 1 ux, y sinx e 1e 1 2x y 2 u e v representam os deslocamentos. e vx, y xy 2 sol. analítica Modelos Matemáticos – 2D • Equações de Burgers u 2 (vu) p 2u 2u 2 2 x y x x y 0 x, y 1 (uv) v 2 p 2 v 2 v 2 2 B x y y x y Onde : p é a pressão estática B é o termo fonte ux, y 8 x 4 2 x3 x 2 4 y 3 2 y vx, y 8 4 x 6 x 2 x y y 3 2 4 2 p, u e v são dados analíticamente por Shih et al. (1989) u e v representam as velocidades. Sol. analítica Modelo numérico Para os três problemas: - Discretização com o Método de Diferenças Finitas - Malha uniforme - Aproximações: UDS/CDS para os termos advectivos e difusivos, respectivamente - Solver: MSI e tolerância 1012 - Condições de contorno de Dirichlet - Implementação Linguagem: Fortran/95 Multigrid Geométrico com Ciclo V Engrossamento da malha: 2 (padrão) Restrição: injeção Prolongação: interpolação bilinear Algoritmos: • Equação de Laplace e equações de Navier (CS e FAS) • Equações de Burgers (FAS) Resultados Iterações internas (ITI): Equação de Laplace x Equações de Navier (a) Iterações internas com CS (b) Iterações internas com FAS Fig. 1: Comparação do número de iterações internas com os esquemas CS e FAS Conclusão: ITIoptimum = 2 para os dois problemas Conclusão: ITIoptimum = 2 para Navier ITIoptimum = 8 para Laplace Resultados Número de malhas (L): Equação de Laplace x Equações de Navier (a) Número de níveis com CS (b) Número de níveis com FAS Fig. 2: Comparação do número de níveis com os esquemas CS e FAS Para os dois problemas e os dois esquemas (CS/FAS) observa-se que: tCPU Lmáximo tCPU Lótimo Resultados Número de variáveis (N): Equação de Laplace x Equações de Navier (a) Ajuste de curva com CS (b) Ajuste de curva para Navier com FAS Fig. 3: Comparação do esforço computacional com CS e FAS Para os dois problemas e os dois esquemas (CS/FAS) observa-se que: MG: o tempo computacional cresce linearmente com o aumento do número de variáveis. SG : o tempo computacional cresce muito rapidamente com o aumento do número de variáveis. Resultados Iterações internas (ITI): Equações de Burgers (Somente esquema FAS) Fig. 6: Ajuste de curva para os 3 solvers Fig. 4: Comparação do número de iterações internas com o FAS Fig. 5: Comparação do número de níveis Observe-se que: Na Fig. 4, ITIoptimum = 5. Na Fig. 5, tCPU Lmáximo tCPU Lótimo Na Fig. 6: MG: o tempo de CPU cresce linearmente com o aumento do nº de variáveis. SG : o tempo de CPU cresce muito rapidamente com o aumento do nº de variáveis. Algumas conclusões Verificou–se que: Equação de Laplace x Equações de Navier Esquema CS ITIoptimum = 2, em qualquer malha. O ITI afeta significativamente o tempo de CPU. O número ótimo de malhas é próximo do máximo, isto é, Loptimum ≈ Lmaximum. O número de malhas pode afetar significativamente o tempo de CPU O acoplamento das duas equações não degenera a perfomance do multigrid quando comparado com o caso de uma equação. O tempo de CPU cresce aproximadamente linear com o aumento do número de variáveis. Algumas conclusões Esquema FAS ITIoptimum = 8, (Equação de Laplace) ITIoptimum = 2, (Equações de Navier) O ITI afeta significativamente o tempo de CPU. Nº de níveis (Idem a conclusão com esquema CS). Acoplamento (Idem a conclusão com esquema CS). O tempo de CPU (Idem a conclusão com esquema CS) Algumas conclusões Equações de Burgers (apenas esquema FAS) ITIoptimum = 5, em todas as malhas. O ITI afeta significativamente o tempo de CPU. Nº de níveis (Idem aos casos anteriores). Acoplamento (Idem aos casos anteriores). O tempo de CPU (Idem aos casos anteriores). Próximas etapas Otimizar o método multigrid geométrico ciclo V para as equações de Navier-Stokes nas formulações: Função Corrente-Velocidade (mai/jun); Função Corrente-Vorticidade (jul/ago/set); Vorticidade –Velocidade (out/nov/dez); Modelo numérico: Mesmo usado com os problemas mostrado aqui. Atividades em andamento Desenvolvimento do texto de qualificação; Texto de artigo para Cilamce/2008 sobre os resultados obtidos até agora; Implementação dos algoritmos SG/MG-FAS para a formulação função corrente-velocidade. Próximas etapas Resultados esperados: Otimizar o método multigrid geométrico ciclo V para problemas com duas equações; Mostrar que o acoplamento das equações não degenera a performance do método multigrid. Otimizar o método multigrid para as equações de Navier-Stokes em formulações alternativas. Agradecimentos - Laboratório de Experimentação Numérica (LENA) do Demec/UFPR; Prof. Marchi Meus amigos do LENA.