Термодинамическое равновесие и его численное моделирование. Петрусев А.С. - 13 стр.

UptoLike

Составители: 

Σ
i,j
α(y
i
)a
ki
a
ji
λ
j
=
Σ
p
i=1
α(y
i
)a
ki
(ln
RTy
i
p
0
v
-
Φ
i
R
),
решая которую, находим приближённые значения λ
j
, λ
e
.
Весовые
коэффициенты α(y
i
)>0 используют для уменьшения вклада в сумм
у
E(λ) слагаемых, соответствующих малым y
i
,
которые известны с
большой погрешностью. Например, можно положить α(y
i
)=(y
i
)
ε
,
где
ε=0.1÷0.5. В целом, процедура вычисления начального приближения с
помощью линейного программирования оказывается довольно
громоздкой.
Другим сравнительно эффективным методом вычисления
начального приближения является грубое реш
е
ние системы уравнений
(19)-(25) каким-либо методом, обладающим хорошей устойчивостью,
например методом покоординатного спуска (см. [6]). По аналогии с
демпфированным методом Ньютона, метод покоординатного спуска
основан на использовании нормированной невязки. Однако, в отличие
от метода Ньютона, минимум невязки ищется не вдоль направления
(f’(x
n
))
-1
(f(x
n
)-b), а последовательно по каждой из переменных
методом дихотомии или золотого сечения. Из-
з
а сильной
нелинейности системы уравнений, метод покоординатного спуска, по
сравнению с демпфированным методом Ньютона, оказывается менее
трудоёмок (не требуется решать систему линейных уравнений), более
устойчив и на начальном этапе часто даёт более быстру
ю
сходимость. Такой метод вычисления начального приближения
значительно проще использования линейного программирования. В
тоже время, из-за нелинейности решаемых уравнений, существует
опасность сходимости итераций покоординатного спуска к побочном
у
минимуму нормированной невязки. Это является весьма неприятны
м
исходом и может привести к развалу последующего счёта.
В некоторых простых случаях решение задачи линейного
программирования (31),(22)-
(
24) даёт точное решение задачи о
термодинамическом равновесии. С помощью этого метода можно также
несколько уточнить корни системы уравнений (19)-(25), полученные
после Ньютоновских итераций. Несмотря на полезность данной
процедуры, она не решает полностью проблему малых концентраций,
являясь некоторым компромиссом между погрешностью, даваемой
методом Ньютона из-за вырождения уравнений (22)-
24) и
приближённостью задачи минимизации (31) при Φ
i
=const. Кроме того,
вычисление Φ
i
производиться легко, только если задана температура
системы. Если вместо температуры задаются другие параметр
ы
(например U или H), использование процедуры ли
н
ейного
программирования перед началом расчёта представляется
проблематичным.
Решить проблему малых концентраций позволяет предложенный
автором метод
«квазилинейного исключения», применённый
последовательно к уравнениям (22)-
(
24). Этот метод аналогичен
процедуре исключения Гаусса с выбором главного элемента при
решении системы линейных уравнений и состоит в следующем. В
первом из уравнений (22) выбирается
«лидирующее вещество»
,
имеющее максимальное значение y
i
a
ji
.
После этого, первое уравнение
                     p
                                  RTyi Φi
Σ α(y )a
i,j
      i   kiajiλj=
                 i=1
                     Σ α(y )a
                          i   ki(lnp0v - R ),

решая которую, находим приближённые значения λj, λe. Весовые
коэффициенты α(yi)>0 используют для уменьшения вклада в сумму
E(λ) слагаемых, соответствующих малым yi, которые известны с
большой погрешностью. Например, можно положить α(yi)=(yi)ε, где
ε=0.1÷0.5. В целом, процедура вычисления начального приближения с
помощью     линейного     программирования     оказывается     довольно
громоздкой.
     Другим     сравнительно     эффективным     методом     вычисления
начального приближения является грубое решение системы уравнений
(19)-(25) каким-либо методом, обладающим хорошей устойчивостью,
например методом покоординатного спуска (см. [6]). По аналогии с
демпфированным методом Ньютона, метод покоординатного спуска
основан на использовании нормированной невязки. Однако, в отличие
от метода Ньютона, минимум невязки ищется не вдоль направления
(f’(xn))-1(f(xn)-b), а последовательно по каждой из переменных
методом    дихотомии     или   золотого    сечения.    Из-за    сильной
нелинейности системы уравнений, метод покоординатного спуска, по
сравнению с демпфированным методом Ньютона, оказывается менее
трудоёмок (не требуется решать систему линейных уравнений), более
устойчив и на начальном этапе часто даёт более быструю
сходимость.    Такой    метод   вычисления   начального    приближения
значительно проще использования линейного программирования. В
тоже время, из-за нелинейности решаемых уравнений, существует
опасность сходимости итераций покоординатного спуска к побочному
минимуму нормированной невязки. Это является весьма неприятным
исходом и может привести к развалу последующего счёта.
     В некоторых простых случаях решение задачи линейного
программирования (31),(22)-(24) даёт точное решение задачи о
термодинамическом равновесии. С помощью этого метода можно также
несколько уточнить корни системы уравнений (19)-(25), полученные
после Ньютоновских итераций. Несмотря на полезность данной
процедуры, она не решает полностью проблему малых концентраций,
являясь некоторым компромиссом между погрешностью, даваемой
методом    Ньютона    из-за   вырождения    уравнений    (22)-(24)    и
приближённостью задачи минимизации (31) при Φi=const. Кроме того,
вычисление Φi производиться легко, только если задана температура
системы. Если вместо температуры задаются другие параметры
(например    U    или    H),   использование     процедуры    линейного
программирования      перед     началом     расчёта     представляется
проблематичным.
     Решить проблему малых концентраций позволяет предложенный
автором     метод     «квазилинейного     исключения»,     применённый
последовательно к уравнениям (22)-(24). Этот метод аналогичен
процедуре исключения Гаусса с выбором главного элемента при
решении системы линейных уравнений и состоит в следующем. В
первом из уравнений (22) выбирается «лидирующее вещество»,
имеющее максимальное значение yiaji. После этого, первое уравнение