Baixe o app para aproveitar ainda mais
Prévia do material em texto
Descrição Estatística Do ç Escoamento Turbulento Evento certo: evento sempre ocorre. Evento impossível: evento nunca ocorre. Evento aleatório: evento pode ocorrer ou Evento aleatório: evento pode ocorrer ou talvez possa ocorrer, mas não é necessário que ocorra. un Uma variável aleatória não possui um valor único. Ex: un (n=1, 2, ….) medidas de um experimentoexperimento Num escoamento turbulento, o campo de velocidade u(x t) é aleatório n 1 velocidade u(x,t) é aleatório. Porque um escoamento turbulento é randômico (aleatório) se as equações de movimento são determinísticas? Em todo escoamento turbulento ocorrem perturbações nas condições iniciais, condições de contorno e propriedades materiaisç , ç p p O escoamento turbulento apresenta alta sensibilidade à estas perturbaçõesperturbações As equações de Lorentz (1963) podem demonstrar esta alta sensibilidade as condições de contornosensibilidade as condições de contorno zxyxy xyx )( com = 10 = 8/3 e = 28 yxzz zxyxy 2 com = 10, = 8/3 e = 28. Solução com condição inicial (em t=0) [x, y, z] =[0,1; 0,1; 0,1] Solução com condição inicial (em t=0) [x, y, z] =[0,100 001; 0,1;0,1] Diferença entre as soluções 3 O comportamento do sistema de Lorentz depende dos coeficientes Dependendo dos coeficientes o sistema tendecoeficientes. Dependendo dos coeficientes o sistema tende a um ponto fixo, isto é, as variáveis [x, y, z] tendem assintoticamente à valores fixos. No entanto, para outros coeficientes apresenta um comportamento caótico. As equações de Navier Stokes apresentam As equações de Navier-Stokes apresentam comportamento similar. Isto é, para certas condições (escoamento laminar e regime permanente) apresentam solução única, mas para outras condições (altos número de Reynolds, escoamento turbulento) apresentam comportamento caótico.co po a e o caó co 4 Caracterização de Variáveis Aleatórias (randômicas) Para escoamento laminar, a solução das Equações de Navier-Stokes fornece um campo de velocidade e pressão que apresenta alto grau de confiabilidade quandoque apresenta alto grau de confiabilidade quando comparado com dados experimentais Apesar das Equações de Navier-Stokes serem aplicáveisApesar das Equações de Navier Stokes serem aplicáveis para escoamento turbulento, o objetivo da teoria deve ser diferente. Escoamento turbulento é aleatório, logo a velocidade u é inerentemente imprevisível. Uma teoria que prevê um determinado valor para u certamente será errada Podedeterminado valor para u certamente será errada. Pode- se, no entanto, determinar a probabilidade dos eventos, por exemplo tal que A { u < 10 m/s } 5 Uma variável randômica u é completamente caracterizada pela sua função densidade de probabilidade PDFpela sua função densidade de probabilidade, PDF. A caracterização do campo de velocidade randômico u(x, t) é bem mais complexaé bem mais complexa. Vamos introduzir algumas definições para caracterizar um campo randômicocampo randômico 6 Espaço de Amostragem V, correspondente a variável u As figuras a seguir, ilustram diferentes eventos, bVuB e baba VVparaVuVC os quais correspondem a diferentes regiões do espaço de amostragem. 7 g Probabilidade A probabilidade de um evento B, pode ser escrita como p = P(B) P {u < Vb} sendo p um número real (0 ≤ p ≤ 1 ) Evento impossível: p=0 Evento impossível: p 0 Evento certo, garantido: p =1 Função distribuição cumulativa A probabilidade de um evento pode ser determinada l f ã di t ib i ã l ti CDF d fi idpela função distribuição cumulativa CDF, definida por F(V) P {u < V} No exemplo considerado )()( bb VFVuPBP e )()()( VFVFVPVPVVPCP 8 )()()( ababba VFVFVuPVuPVuVPCP A CDF possui três propriedades básicas: (i) F (- ∞) = 0 pois { u < - ∞) é impossível (ii) F ( ) 1 pois { < ) é certo garantido(ii) F ( ∞) = 1 pois { u < ∞) é certo, garantido (iii) F (Vb) ≥ F (V ) para Vb > V(iii) F (Vb) ≥ F (Va) para Vb > Va , pois a probabilidade de todo evento é não negativa, logo p p g g F (Vb) - F (Va) = P {Va < u < Vb} ≥ 0 Logo, CDF é uma função não decrescente 9 Função densidade de probabilidade A função densidade de probabilidade PDF é definida como a derivada da CDF VdF )( dV VdFf )( Pelas propriedades da CDF pode-se concluir que a PDF é não negativa 0)(Vf e que satisfaz a condição de normalização 0)(Vf 1 dVVf )( 0 )()( ff 10 Tem-se ainda que a probabilidade uma variável randômica encontrar se em um determinado intervalo é bV randômica encontrar-se em um determinado intervalo é igual a integral da PDF sobre aquele intervalo dVVfVFVFVuVP b a V V abba )()()( Probabilidade do evento C {Va < u < Vb} PDF correspondente. A área sombreada é a probabilidade de C 11 probabilidade de C Para um intervalo infinitesimal dVVfVFdVVFdVVuVP )()()( logo a PDF f(V) é a probabilidade por unidade de distância no espaço de amostragem – logo o termo função densidade de probabilidade. Deve-se enfatizar que a PDF f(V) (ou igualmente a CDF) caracterizam completamente uma variável randômica U. Duas ou mais variáveis randômicas que possuem a mesma PDF são identicamente distribuídas ou estatisticamente idênticas 12 estatisticamente idênticas. Médias e Momentos O it d édi d j t ( bl ) éO conceito de média de conjunto (ensemble average) é baseado no conceito de eventos estatísticos independentes. Considere un como um evento independente Médi it éti U 1Média aritmética: Média de conjunto: u n-ésima realização do evento u nN uNU Média de conjunto: un n-ésima realização do evento u N nuuU 1 lim Média aritmética é uma estimativa da média verdadeira ou n nNN 1 média do conjunto 13 A quantidade U pode ser referenciada como o valor d d iá l dô i i l tesperado da variável randômica u, ou simplesmente sua média A média (ou expectância) de uma variável aleatória u é definida por dVVfVu )( é a probabilidade média ponderada de todos os é a probabilidade média ponderada de todos os possíveis valores de u. 14 Generalizando, se Q(u) é uma função de u, a média de Q(u) é Q( ) dVVfVQuQ )()()( A média acima só existe se a integral convergir de forma absoluta. As regras para se determinar médias são simples. Se Q(u) e R(u) são funções de u, e se a e b são constantes, Q( ) ( ) ç então L d é li d ( ) ( ) )()()()( uRbuQauRbuQa Logo, o operador é linear e apesar de u, Q(u) e R(u) serem aleatórios, suas médias não são, logo uu )(;)(; uRuQu , g 15 uu Flutuações em relação à média É importante conhecer como as variáveis randômicas se distribuem com relação à média. As figuras ilustram funções randômicas com o tempo, que possuem a mesma média, mas pertencem a conjuntos diferentes, uma vez que as amplitudes das flutuações não se distribuem igualmente. Para diferenciar os conjuntos, pode-se examinar as propriedades í f à é (estatísticas das flutuações em relação à média ( ou simplesmente flutuações), definidas por: u’= u U = u <u > onde < u’> = 0 16 u = u – U = u - <u > onde < u > = 0 mas, a média de conjunto do quadrado da flutuação não é zero, sendo chamada de variânciazero, sendo chamada de variância N n N Uu N Uuuu 1 222 1 ][lim][']var[ Pode-se facilmente mostrar que nN N 1 22 Uuu ]var[ Portanto, a variância é o segundo momento menos o quadrado do primeiro momento (média) implicando que aquadrado do primeiro momento (média), implicando que a média é o primeiro momento. 17 Para uma variável randômica, a variância é definida como dVVfuVuu )()(')var( 22 O desvio padrão é a raiz quadrada da variância (também chamada de norma rms de u). 212sdev / ')var(|'|)( uuuu u )var(uu 2 18 Momentos de Alta Ordem ou Note que nas duas figuras acima, que as duas variáveis dô i édi iâ irandômicas possuem a mesma média e variância, mas claramente são diferentes. Logo, nota-se que é útil definir momentos de ordem mais elevada da distribuição para distinguir essas diferenças. O momento de ordem m de uma variável randômica é N m nN m u N u ][1lim dVVfVu mm )( 19 nN N 1 O momento central fornece diretamente informação como iá l dô i di t ib i l ã édia variável randômica se distribui em relação a sua média. O m-ésimo momento central é definido como dVVfuVu mmm )()(' Evidentemente temos que =0 2u q u 20 Normalização É conveniente trabalhar com variáveis randômicas normalizadas, as quais por definição, possuem média zero e variância unitária. A variável aleatória normalizada correspondente a u é e sua PDF normalizada é uuuU /)(ˆ )ˆ()ˆ(ˆ VufVf e sua PDF normalizada é )()( VufVf uu Os momentos normalizados de são VdVfV u n n n n n n ˆ)ˆ(ˆ ' ˆ uu 101 21 ˆ;ˆ;ˆo ˆ ˆ 21 Obliquidade: Curtose: 3ˆ 4ˆ Função característica de uma variável randômica u é dVeVfes iVssui )()( A integral acima é a transforma inversa de Fourier: s) e f(V) formam o par da transformada de Fourier, e conseqüentemente eles contem a mesma informação. A f ã t í ti é f t t áti A função característica é uma ferramenta matemática que facilita algumas derivações e provas. 22 Exemplos de distribuições de probabilidade Distribuição uniforme: se U é distribuído uniformemente no intervalo bVa , então a 1 PDF de U é bVeaVpara bVapara abVf ; ; )( 0 1 f(V)F(V) f(V) ab 1 F(V) 1 a b V a b V 23 Distribuição exponencial: Se U é distribuído exponencialmente com parâmetro , então 1 sua PDF é 00 0 1 Vpara VparaV Vf ; ;)/exp( )( f(V) 1F(V) 1 ( ) 1 e 1 V V 24 Distribuição Normal ou Distribuição Gaussiana: se U possui distribuição normal com média e desvio padrão , então a PDF de U é 222 / 2 1exp 2 1),;()( VVΝVf indica distribuição normal com média e variância 2.),;( 2VΝ F(V) f(V) (2)-1/2 F(V) V 2 1 0,159 0,023 V 25 V -2 -1 V Se U possui a distribuição normal apresentada, então ˆ /)(ˆ UU é a variável randômica Gaussiana normalizada com PDF 2 22 2 110 /),;()(ˆ VeVVf A CDF correspondente é p )2/(erf1 2 1 2 1)(ˆ 2/ 2 VdxeVF V x 26 22 Distribuição Log-normal: CConsidere U com distribuição normal, com média e variância 2. Então a variável randômica positiva Y= eU é possui por definição distribuição log-normalé, possui por definição distribuição log normal. A CFD F (y) e a PDF f (y) de Y podem ser derivada dasA CFD FY(y) e a PDF fY(y) de Y podem ser derivada das CFD e PDF de U, i.e., F(V) e f(V), como vimos dadas por 222 / 2 1exp 2 1),;()( VVΝVf 27 Uma vez que Y é positiva, o espaço de amostragem pode assumir toda a linha de valores reais positivos (y ≥0)assumir toda a linha de valores reais positivos (y ≥0) }(ln}ln{}{}{)( yFyUPyePyYPyF UY CDF ]/)(lnexp[)(ln)()( 22 2 1 2 111 yyyfydy ydFyf YYPDF <Y> 1<Y>=1 Altos valores de 2 PDF com cauda longa, com CDF lentamente 28 g , tendendo a 1 Distribuição Gamma: A variável randômica positiva U, com média e variância 2 possui p , p uma distribuição gamma se sua PDF é VVyf exp)( 11 2 Vyf exp)()( 0 1 dxex x )( Para =1, o valor da PDF na origem é f(0) = 1/ Para grande valores de , a PDF é zero na origem, enquanto que para pequenos valores de , a PDF é infinito na origem. 29 Distribuição de função-delta: Suponha que a variável randômica U assume o valor a com p q probabilidade p, e o valor b (b > a) com probabilidade 1-p. A CDF de U é aVpara0 bVpara bVaparap aVpara VUPVF 1 0 )( Esta expressão pode ser escrita utilizando as funções Heaviside H( )H(x) como )()1()()( bVHpaVHpVF Obs: A derivada de H(x) é (x) e H(x) é a integral 30 A PDF correspondente (obtida diferenciando F) é )()1()()( bVVVf )()1()()( bVpaVpVf f(V) F(V) p 1- p F(V) 1 a b V a b V p Uma variável randômica que pode assumir somente um número finito de valores é uma variável discreta randômica. Apesar das ferramentas apresentadas terem sido desenvolvidas para variáveis contínuas, com o uso da função Heavside e delta dirac variáveis randômicas discretasuso da função Heavside e delta dirac, variáveis randômicas discretas também podem ser tratadas. Adicionalmente, se U é uma variável certa, com probabilidade um de ter 31 o valor a, sua CDF e PDF são F(V)= H(V-a) f(V)= (V-a) Obliquidade e Curtose Uma vez que é importante caracterizar o formato de uma PDF, é útil definir momentos centrais de terceira e quarta ordem o skewness S e kurtosis Kcentrais de terceira e quarta ordem, o skewness S e kurtosis K 3Uu S 4Uu K 2/32UuS 22UuK O skewness S (obliqüidade) é medida da assimetria e kurtosis K (curtose) é uma medida deO skewness S (obliqüidade) é medida da assimetria e kurtosis K (curtose) é uma medida de dispersão que caracteriza o "achatamento" da curva da função. 32 As PDF abaixo podem ser distinguidas pelo skewness S e kurtosis K O caso (a) possui menor kurtosis K que o caso (b). Alta kurtosis K indica que maiores afastamentos da média são mais prováveis. O kurtosis K é uma medida do comportamento das pontas das PDF. Ambos os casos (a) e (b) possuem skewness S zero, enquanto que os casos das figuras (c) e (d) que não possuem simetria apresentam S diferente de zeronão possuem simetria apresentam S diferente de zero. A PDF Gaussiana possui skewness S = 0 e kurtosis K = 3. 33 Variáveis Conjuntas Randômicas Com freqüência é importante considerar mais de uma variável randômica em um instante de tempo. O vetor velocidade possui 3 componentes que são inter-relacionados e devem ser considerados em conjunto. Por exemplo, se u e v são variáveis randômicas, existem 3 momentos de segunda ordem que podem ser definidos com <u2> , <v2> e < u v>. O produto < u v> é chamado de l ã d iâ i d ( i l tcorrelação cruzada ou covariância cruzada (ocasionalmente, simplesmente correlação). Os momentos <u2>e <v2> são referenciados como covariâncias ou simplesmente variâncias. Considere os componentes do vetor velocidade (U1, U2, U3) em uma posição e tempo particular de um escoamento turbulento. O espaço de amostragem das variáveis correspondentes as O espaço de amostragem das variáveis correspondentes as variáveis randômicas (U1, U2, U3) é denotado por V=(V1, V2, V3). 34 A figura ilustra um espalhamento de N=100 pontos de onde nn UU ede N=100 pontos de , onde são os valores de U1 e U2 da n- ésima experiência. Neste exemplo UU 21 e U1 e U2 são um conjunto normal com <U1>=2, <U2>=1, ; .A CDF das variáveis conjuntas randômicas 121 u 16/522 u A CDF das variáveis conjuntas randômicas (U1, U2) 22112112 VUVUPVVF ,),( é a probabilidade de um ponto encontrar-se dentro da área sombreada da Figura. é uma função não decrescente de cada um de seus argumentos: ),( 2112 VVF )()( VVFVVVVF 00 VV 35 ),(),( 2112221112 VVFVVVVF 00 21 VV ; A CDF F2(V2) de uma única variável randômica U2 é chamada de CDF marginal, onde Analogamente, a CDF marginal de U1 é )(,),( 2222221212 VFVUPVUUPVF ),()( 11211 VFVFAnalogamente, a CDF marginal de U1 é . A PDF conjunta de U1, U2 é ),()( 11211 VFVF ),(),( 2112 21 2 2112 VVFVV VVf Sua propriedade fundamental é 21 b bV V1 2 O t i d d b a b a V V V V baba dVdVVVfVUVVUVP 1 1 2 2 212112222111 ),(; Outras propriedades: onde f (V ) é a PDF marginal de U 0),( 2112 VVf )(),( 2212112 VfdVVVf 1),( 212112 dVdVVVf 36 onde f2(V2) é a PDF marginal de U2. A covariância de U1 e U2 é o segundo momento misto 21211222112121 dVdVVVfUVUVuuUU ),())((),cov( e o coeficiente de correlação é 212 2 2 1 21 12 / uu uu De acordo com a figura de espalhamento apresentada, um coeficiente de correlação positivo ocorre quando distribuições positivas a partir da média de uma variável (u1 >0) for preferencialmente associada com distribuição positiva para a outra variável (u2>0). 37 Se o coeficiente de correlação é zero, então as variáveis U1 e U2 não sãoSe o coeficiente de correlação é zero, então as variáveis U1 e U2 não são correlacionadas. Já se é igual à unidade, então U1 e U2 são perfeitamente correlacionadas. A desigualdade de Cauchy-Schwartz é -1 = = 1 -1 ≤ ≤ 1 Se a PDF conjunta é conhecida, o momento conjunto de todas as ordens pode ser determinado. Para o momento conjunto de ordem m e n , tem-se 2121122211 ),()()( dVdVVVfUVUVvu nmnm 38 Para o gráfico de espalhamento a seguir é claro que amostras com U1 ˜ V1a e as amostras com U1 ˜ V1b apresentaram valores de U2 significativamente diferentes. O que pode serco U1 V1b ap ese ta a va o es de U2 s g cat va e te d e e tes. O que pode se confirmado no gráfico da PDF conjunta f12 (V1, V2) para V1 = V1a e V1 = V1b. Para V1a fixo, f12 (V1a, V2) indica como U2 é distribuído nas amostras (U1, U2) com U1 = V1a . 39 PDF condicional: A PDF condicional de U em U =V éA PDF condicional de U2 em U1=V1 é )(/),()|(/ 1121121212 VfVVfVVf Isto é simplesmente a PDF conjunta de f12 normalizada para satisfazer a condição 121212 dVVVf )|(| 121212 dVVVf )|(| Para a função Q(U1, U2), a média condicional (condicional em V1) Q|V1 é definida como 40 ( 1) Q| 21212211121 dVVVfUUQVUUUQ )|(),(|),( | O conceito de independência é muito importante: Se U U ã i d d t h i t dU1 ou U2 são independentes, o conhecimento de um dos valores não fornece informações sobre o outro. Logo, as PDF condicionais ou marginais são iguais )()|(/ 221212 VfVVf para U1 e U2 independientes)()|(/ 221212 VfVVf para U1 e U2 independientes logo, a PDF conjunta é o produto das PDF marginais )()(),( 22112112 VfVfVVf para U1 e U2 independentes Variáveis randômicas independentes não são correlacionadas porém em geral o inverso não é 41 correlacionadas, porém, em geral, o inverso não é verdadeiro. Distribuição Normal e Normal-conjunta Como a distribuição normal ou distribuição Gaussiana possui um papel fundamental na teoria dap p p probabilidade, as propriedades da distribuição normal j t ã t d iconjunto são apresentadas a seguir. Vimos que se U possui a distribuição normal, então /)(ˆ UU é a variável randômica Gaussiana normalizada com PDF 22 2 1 /)(ˆ VeVf 42 A distribuição normal conjunto é muito importante tanto para a teoria da probabilidade como para escoamentos turbulentos. Considere um vetor velocidade U={U1, U2, U3} (porConsidere um vetor velocidade U {U1, U2, U3} (por exemplo, componentes da velocidade). Sua média e fl t ã ã < U > U <U>sua flutuação são =< U > u = U - <U> A matriz co-variante é C = < u uT> i.e. Cij = < ui uj> 43 j j Se U={U1, U2, ..., UD} é uma distribuição normal conjunta, então a PDF conjunta é μ)](VCμ)(Vexp[(C)))( 1T 1]det[(2π 1/2DVf μ)](VCμ)(Vexp[(C)))( 2 ]det[(2πVf Considere o par U={U1, U2} de uma distribuição normal conjunta (D=2). A figura ilustra um mapa de espalhamento com linhas de densidade de p probabilidade constante para escolhas particulares de C 44 e C. A PDF normal conjunta pode ser escrita em função das variâncias 21u , 22u e coeficiente de correlação 12 como 12 221212222122112 12 1 14 uuVVf )( exp)]([),( / 2 2 22 2122 221112 2 2 11 12 2 12 u UV uu UVUV u UV )( )( ))(()( )( / 2211 uuuu )( Pode-se mostrar que: (i) A PDF marginal de U1 e U2 [f1(V1) e f2(V2) ] são Gaussianas 45 são Gaussianas. (ii) Se U1 e U2 não são correlacionadas (i.e. 12=0), então são independentes [já que f (V V ) f (V ) f (V ) ]f12(V1,V2 )= f1(V1) f2(V2) ] (iii) A média condicional de U1 é )(| 222 2 21 1221 UVu uuUVUU 2 (iv) A variância condicional de U1 é )(|)|( 212 2 12 2 2211 1 uVVUUU (v) A PDF condicional de f1/2 V1|V2) é Gaussiana 46 (v) A PDF condicional de f1/2 V1|V2) é Gaussiana Processo Randômico Considere uma variável randômica, como por exemplo, um componente de velocidade U em um repetido experimento de escoamento turbulento, em um determinada posição e tempo (relativo ao início doum determinada posição e tempo (relativo ao início do experimento). A variável randômica U é l t t t i d l PDF f(V)completamente caracterizada pela sua PDF, f(V). Considere agora, a mesma velocidade, mas agora como função do tempo, isto é U(t). 47 A figura ilustra os caminhos de amostragem, isto é, valores de U(t)a ost age , sto é, a o es de U(t) obtidos com diferentes repetições de um mesmo experimento. Esta variável randômica dependente do tempo é chamada de um processo randômico. A cada instante de tempo, a iá l U(t) é t i d l VtUPtVF )()( variável U(t) é caracterizada pela sua CDF de um tempo VtUPtVF )(),( ou, de forma equivalente pela a PDF de um tempo V tVFtVf ),();( 48 Contudo, estas quantidades não contem nenhuma informação conjunta relacionada a U(t) em dois ou mais instantes de tempo. A fi i il tA figura a seguir ilustra amostragem de caminhos de diferentes processosrandômicos, cada um com a mesma PDF de umcada um com a mesma PDF de um tempo. Comportamentos radicalmente diferentes podem ser obtidos mas não sãoobtidos, mas não são representados pela PDF de um tempo. 49 A CDF conjunto do tempo-N de um processo U(t) éA CDF conjunto do tempo N de um processo U(t) é ,)(.....,,)(,)(),.....;,;,( NNNNN VtUVtUVtUPtVtVtVF 22112211 d { } i donde {t1, t2, ...., tN} representam instantes de tempo específicos e ),.....;,;,( NNN tVtVtVf 2211 é a correspondente PDF conjunto do tempo-N. Para caracterizar completamente o processoPara caracterizar completamente o processo randômico, é necessário conhecer esta PDF conjunta d i d lpara todos os instantes de tempo, o que em geral não é possível. 50 Um processo é estatisticamente estacionário se todas as estatísticas multi-temporais são invariantes com umas estatísticas multi temporais são invariantes com um deslocamento no tempo, isto é, se para todos os intervalos de tempo positivos T, e todas as escolhas de { t1, t2, ...., tN}, tem-se{ t1, t2, ...., tN}, tem se ,.....;,;,(),.....;,;,( NNNNNN tVtVtVfTtVTtVTtVf 22112211 51 O exemplo mostrado atinge um regime t ti ti t t Ob l fiestatisticamente permanente. Observe pela figura a seguir que a média )(tU e a variância 2)(tu deste processo tornam-se independentes do tempo, pata t>5. Apesar de U(t) variar significativamente com o tempo, suas estatísticas são independentes do tempo. 52 Para um processo estatisticamente estacionário, a estatística multi-temporal mais simples que pode ser considerada é a autocovariância )()()( stutusR ou, na forma normalizada, a função de autocorrelação )()( )( stutu s 2)( )( tu s d é flonde )()()( tUtUtu é a flutuação. 53 Para um processo estatisticamente estacionário, a édi iâ i t iâ i f ã dmédia, a variância, a autocovariância e a função de autocorrelação são independentes do tempo. A função de autocorrelação é o coeficiente deç ç correlação entre os processos dos instantes t e t+s. C ü t t i i t i d dConseqüentemente, possui as seguintes propriedades: 10 )( ; 1)(s Adicionalmente, tem-se que (s) é uma função par, pois para t’=t+ s 54 pois, para t t+ s )(/)'()'(/)()()( sutustuustutus 22 Se U(t) é periódico com período T , isto é, U(t+T)=U(t), então (s+T)=(s). Contudo, para processo provenientes de ( ) ( ) , p p p escoamentos turbulentos, espera-se que a correlação diminua quando o deslocamento de tempo s cresce. Normalmente, (s) diminui suficientemente rápido tal que a integral dss)((s) diminui suficientemente rápido tal que a integral converge: então é a escala de tempo integral do processo. 0 dss)( As figuras a seguir apresentam as funções de autocorrelação dos cinco processos apresentados anteriormente (Fig. 3.20). Note que o processo de alta freqüência (b) possui uma autocorrelação mais estreita, e portanto menor , que o processo da baixa freqüência (a). Por construção, o processo (c) possui a mesma autocorrelação que o processo (a). ( ) p ç q p ( ) Ambos os processos (d) e (e) possuem a função de autocorrelação , com a mesma escala de tempo integral que o processo (a). Com exceção do )/||exp()( ss p g q p ( ) ç processo (b), todos possuem a mesma escala de tempo integral. 55 56 A autocovariância e o d b d t d i E( ) f d t f d d )()()()()( stustutusR 2 dobro do espectro de energia E() formam um par da transformada de Fourier 0 21 dsssRdsesRE si )cos()()()( 0 02 1 dsEdeEsR si )cos()()()( R(s) e E() contém a mesma informação, em formas diferentes. Como 0 R(s) é real e par, então E() também é. Pode-se mostrar que a flutuação da velocidade u(t) possui uma representação espectral como a soma ponderada de modos de Fourier de diferentes freqüências ; i.e., eit= cos ( t)+ i sen ( t) 57 A propriedade fundamental do espectro de freqüências é que para i t l a < b, a integral b a dE )( é a contribuição de todos os modos na faixa de freqüência a < < b. 2para a variância Tem-se então que variância é 2)(tu 0 20 dEtuR )()()( Uma conexão adicional entre o espectro e as autocorrelações é a 0 escala integral de tempo dada por 22 0 u E )( 58 A figura mostra o espectro do processo randômico p ocesso a dô co estacionário dos exemplos dados (Fig. 3.20). O processo (b) de alta freqüência possui uma escala de tempo integral menor que o processo (a), e tem um valor correspondente d t imenor do espectro na origem, mas seu espectro se estende às altas freqüências. Na prática, a função de autocorrelação ou o espectro são normalmente as únicas quantidades usadas para caracterizar as propriedades de múltiplos tempos de um processo randômico 59 propriedades de múltiplos tempos de um processo randômico Porém, deve-se ressaltar que a PDF de tempo único e a função de autocorrelação fornecem somente uma caracterização parcial do E t t é l t d t d lprocesso. Este aspecto é claramente demonstrado pelos processos (d) e (e), pois são quantitativamente bem diferentes e ainda assim possuem a mesma PDF de tempo único (Gaussiana) e a mesma função de autocorrelaçãofunção de autocorrelação )/||exp()( ss O processo Gaussiano é importante, mas é um caso bem especial. Se o processo é Gaussiano, então, por definição, a PDF geral do tempo-N é normal conjunta, sendo completamente caracterizada pela édi <U(t )> iâ i < (t ) (t )>sua média <U(tn)> e suas co-variâncias <u(tn) u(tm)>. Para um processo Gaussiano estatisticamente estacionário <u(tn) u(tm)>= R(tn - tm)= <u(t)2>= (tn - tm) então um processo Gaussiano estatisticamente estacionário é complemente caracterizado pela sua média <U(t)> e sua variância <u(t)2> e sua função de auto-correlação (s)[ou de forma equivalente, 60 pelo espectro E()] Na Figura 3.20, o processo (c) é definido por um processo Gaussiano com o mesmo espectro que o processo (a). Os processos possuem dif t E t d ( ) é G i t t idiferentes. Enquanto do processo (c) é Gaussiano, e portanto possui kurtoisis = 3, o processo (a) não é Gaussiano, sendo que não é Gaussiano, possuindo kurtoisis = 11. Processos randômicos típicos de escoamento turbulento, são semelhantes ao processo (a). São diferenciáveis, sendo que a média e tUdtdU )()( a derivada temporal comutam O processo (d) é não diferenciável, é um processo difusivo típico, chamado de processo de Ornstein-Uhlembeck. O processo decai dtdt )( 61 p p com E() ≈-2 nas altas freqüências e sua auto-correlação é não diferencial na origem.)/||exp()( ss Em um escoamento turbulento U(x t) é um campo vetorial aleatório Campos Randômicos Em um escoamento turbulento, U(x, t) é um campo vetorial aleatório dependente do tempo. Pode ser descrito (ou parcialmente caracterizado) com extensões das ferramentas apresentadas. Estatísticas de um Ponto A CDF conjunto de um ponto da velocidade é e a PDF conjunta é 3 321 ,,,),()x,(V, iVtxUPtF ii Na notação utilizada o ponto-vírgula de indica que f é 321 3 VVV tFtf )x,(V,)x,(V; )x,(V; tf Na notação utilizada, o ponto-vírgula de indica que f é uma densidade com respeito a espaço de amostragem das variáveis que aparecem a direta do ponto-vírgula, enquanto f é uma função com relação ao resto das variáveis. )x,(V; tf 62 ç Em cada ponto e instante de tempo, estaPDF caracteriza completamente a velocidade randômica, mas não contém nenhuma co p eta e te a e oc dade a dô ca, as ão co té e u a informação conjunta de duas ou mais instantes de tempo e posições. Com relação a esta PDF, o campo de velocidade média é O campo de flutuação de velocidade é V)x,(V;V)x,(V;V)x,U dtfdVdVdVtft( 321 )xU)xU)xu t(t(t( O campo de flutuação de velocidade é A covariância de um ponto e um tempo da velocidade )x,U)x,U)x,u t(t(t( é chamada de tensões de Reynolds Como os campos de velocidade são diferenciais, a derivada espacial )x,)x, t(ut(u ji p , p e média comutam j i j i dx Ud dx dU 63 Estacionaridade estatística e homogeneidade O campo U(x t) é estatisticamente estacionário se todas as estatísticasO campo U(x, t) é estatisticamente estacionário se todas as estatísticas são invariantes com relação a um deslocamento do tempo. Similarmente um campo é estatisticamente homogêneo se todas asSimilarmente, um campo é estatisticamente homogêneo se todas as estatísticas são invariantes com relação a um deslocamento de posição. Turbulência homogênea quando a flutuação da velocidade é estatisticamente homogênea Turbulência isotrópica Um campo estatisticamente homogêneo U(x, t) é por definição p g ( , ) p ç estatisticamente invariante com relação a translações. Se o campo também é estatisticamente invariante com relação à rotação e reflexões do sistema de coordenadas, então o mesmo é 64 (estatisticamente) isotrópico. Correlação de Dois Pontos A estatística mais simples contendo informações sobre a estruturaA estatística mais simples contendo informações sobre a estrutura espacial randômica de um campo é a autocovariância de um tempo e dois pontos, também chamada de correlação de dois pontos Diversos comprimentos de escalas podem ser definidos, como por exemplo )r,x)x,)x,(r, t(ut(utR jiij exemplo onde e1 é o vetor unitário na direção x1. drtrR tR tL 0 111 11 11 0 1 )x,,(e )x,,( )(x, onde e1 é o vetor unitário na direção x1. Espectro do número de Onda Para a turbulência homogênea a correlação de dois pontos é)(r tRPara a turbulência homogênea, a correlação de dois pontos é independente de x, e a informação contida na mesma pode ser re- expressa em termos do espectro de número de onda. )(r,tRij 65 O modo espacial de Fourier x)(kx)(kxk sincos ie i é a função que varia de forma senoidal (com comprimento de onda na direção do vetor comprimento de onda k, e que é constante nos planos normais a k O tensor espectral de velocidade k/2 constante nos planos normais a k. O tensor espectral de velocidade é a transformada de Fourier da correlação de dois pontos)(k,t )(R)(k rk dtt i 1 e a transformada inversa é r)(r,R )( )(k, rk dtet ij i ij 32 k)(k)(rR rk dtt i Arbitrando r=0 essa equação torna se k)(k,)(r,R rk dtet ij i ij Arbitrando r=0, essa equação torna-se k)(k,),(R dtuut ijjiij 0 66 jjj onde representa a contribuição do covariante)(k, tij ji uu dos modos de velocidade com número de onda k. A dependência de em r e de em k, fornece informação sobre a )(r,R tij )(k, tij dependência direcional da correlação; enquanto os componentes de e nos fornecem informações sobre as direções das ijRij velocidades. 1 A função espectro de energia é k)k()(k,)(k, dkttE ii 2 1 a qual pode ser interpretada como sem todas as informações de direção. )(k,tij 67 Integrando a função espectro de energia sobre todos os números de onda escalares k, tem-se iiii uutRdktE 2 10 2 1 0 ),()(k, logo representa a contribuição para a energia cinética )(k,tE turbulenta de todos os modos com na faixa deii uu2 1 k dkkk k 68 Probabilidade e Média O valor médio da velocidade pode ser avaliado baseado naO valor médio da velocidade pode ser avaliado, baseado na probabilidade da velocidade encontrar-se no espaço de amostragem dVtVfVtU );()( Outras médias podem ser avaliadas, como a média temporal, f Tt dttUU ')'(1 Média de um conjunto de experimentos, sendo a medida da n-ésima experiência t dttU T U )( )()( tU n N Para turbulência homogênea em um domínio cúbico de lado a N n n N tUN tU 1 1 )()( )( Para turbulência homogênea em um domínio cúbico de lado , a média espacial de U(x, t) é 3213 1 dxdxdxtUtU ),()( x 69 0 0 03
Compartilhar