Chango的数学Shader世界（十）流体模拟-有限微分形式

最新推荐文章于 2023-12-13 16:44:15 发布

目竞

最新推荐文章于 2023-12-13 16:44:15 发布

阅读量591

点赞数

分类专栏： Shader 计算机图形学

本文链接：https://blog.csdn.net/qq_41524721/article/details/97613160

版权

计算机图形学同时被 2 个专栏收录

42 篇文章 8 订阅

订阅专栏

Shader

23 篇文章 10 订阅

订阅专栏

目的：

参考《GPU Gems》，在UE4中尝试重现2D流体模拟。

本节解释连续函数下梯度，散度等各概念在离散情况下的形式。

参考：

《GPU Gems》

观察：

分析：

1.梯度（数量场）

连续：

$\nabla P=(\frac{\partial P}{\partial x},\frac{\partial P}{\partial y})$

离散：

$( \frac{P_{i+1,j}-P_{i-1,j}}{2\delta x} , \frac{P_{i,j+1}-P_{i,j-1}}{2\delta y} )$

不妨认为两个像素之间距离差为 $\delta x$ ，以此在2D空间上构造x-y坐标系。

并且 $P_{i,j}$ 在空间中的位置为 $(i\delta x,j\delta y)$

推导：

记得连续函数中，设函数P(x)，求其在x=i上的导数，有：

$\lim _{e->0} \frac{P(x+e )-P(x)}{e}$

就是求此点切线的斜率。但在离散情况下，点间距不能取得任意小。

在我们这，e最小为 $\delta x$ 。

用差商近似导数，就是用两端点连线斜率近似i点斜率

那么我们取哪两个整数点a,b(b>a)，使得两端点连线斜率

$\frac{P(b* \delta x)-P(a* \delta x)}{(b-a)* \delta x}$ 最接近于 $\lim _{e->0} \frac{P(i+e )-P(i)}{e}$

答案既不是a=i-1,b=i，也不是a=i,b=i+1。

而是a=i-1,b=i+1。

具体的证明还是很麻烦的，但结合拉格朗日中值定理(Lagrange Mean Value Theorem)来看，当取a=i-1,b=i时，必定有一点k,

其导数（切线斜率）等于 $\frac{P(b* \delta x)-P(a* \delta x)}{(b-a)* \delta x}$ （端点连线斜率），但i>k>i-1，点k在 $P_{i-1},P_{i}$ 之间，不包含端点。

然而，当我们取a=i-1,b=i+1时，在这个长度为2* $\delta x$ 的区间上，我们的 $\frac{P(b* \delta x)-P(a* \delta x)}{(b-a)* \delta x}$ 还是有可能正好等于 $P_{i}$ 处导数的，区间越小，这个概率越高。包含i，且区间长度最小，也只有a=i-1,b=i+1了。

上图手画函数的情况，正好能看出最佳选择就是a=i-1,b=i+1。

也就是 $\frac{P((i+1)\delta x)-P((i-1)\delta x)}{2\delta x}= \frac{P_{i+1}-P_{i-1}}{2\delta x}$

最后，结合2D网格，我们得出 $( \frac{P_{i+1,j}-P_{i-1,j}}{2\delta x} , \frac{P_{i,j+1}-P_{i,j-1}}{2\delta y} )$

（此时P变成了一个2参数，1返回值的函数）

我们再一次体会到，导数描绘了某点周围的变化，变化是主体。

2.散度（矢量场）

连续：

$\nabla \cdot u=\frac{\partial u1}{\partial x}+\frac{\partial u2}{\partial y}$

离散：

$\frac{u1_{i+1,j}-u1_{i-1,j}}{2\delta x} + \frac{u2_{i,j+1}-u2_{i,j-1}}{2\delta y}$

一定要注意理解散度，比如某垃圾百科上抄了散度公式：

，但没抄

$F=F_{x}\boldsymbol{i}+F_{y}\boldsymbol{j}+F_{z}\boldsymbol{k}$

注意其中 $F_{x}$ 并非什么偏导数，而是场的x轴分量函数。

3.拉普拉斯算子（数量场）

连续：

$\nabla^{2}P=\frac{\partial ^{2}P}{\partial x^{2}}+\frac{\partial ^{2}P}{\partial y^{2}}$

二阶导是导数的导数，既然上面我们将导数近似为差商的形式，那么二阶导数就近似为差商的差商。

对于P(i)，其二阶差商为

$(\frac{P((i+1)*\delta x)-P(i*\delta x)}{\delta x}-\frac{P(i*\delta x)-P((i-1)*\delta x)}{\delta x})/\delta$

$=\frac{P_{i+1}+P_{i-1}-2P_{i}}{(\delta x)^{2}}$

那么我们的2D平面中就是

$\frac{P_{i+1,j}+P_{i-1,j}-2P_{i,j}}{(\delta x)^{2}}+\frac{P_{i,j+1}+P_{i,j-1}-2P_{i,j}}{(\delta y)^{2}}$

又因为我们这 $\delta x=\delta y$ ，所以可以简化为

$\frac{P_{i+1,j}+P_{i-1,j}+P_{i,j+1}+P_{i,j+1}-4P_{i,j}}{(\delta x)^{2}}$

注意到公式中出现的系数(1,1,1,1,-4)，就是Laplace描边卷积核中的系数由来。

PS:

拉普拉斯算子 $\nabla^{2}$ 又有时写成 $\Delta$ 。

在初学高数的时候，我总不能理解二阶导 $\frac{\partial ^{2}P}{\partial x^{2}}$ 的奇怪形式。但接触差商和算子后了解了，下半部分对比二阶差商，确实是本体的平方，即 $\delta x^2=(\delta x)^{2}$ 。而上半部分，表明了其对P进行了2次求导的操作。那这个2次为什么会写成平方？

梯度： $\nabla P = (\frac{\partial P}{\partial x},\frac{\partial P}{\partial y})$

而散度 $\frac{\partial u1}{\partial x}+\frac{\partial u2}{\partial y}$ 简直就像是 $(\frac{\partial }{\partial x} , \frac{\partial }{\partial y})\cdot (u1,u2)$ ，所以写成 $\nabla \cdot u$

而“拉普拉斯度” $\frac{\partial ^{2}P}{\partial x^{2}}+\frac{\partial ^{2}P}{\partial y^{2}}$ 简直就像是 $[(\frac{\partial }{\partial x} , \frac{\partial }{\partial y})\cdot (\frac{\partial }{\partial x} , \frac{\partial }{\partial y}) ]P$ ，所以写成 $(\nabla \cdot \nabla )P=\nabla^{2}P=\Delta P$ 。从中你可以看出在分子的 $\partial$ 符号上进行“平方”显得十分自然。

$\Delta f=h$ 是泊松方程。

当h=0， $\Delta f=0$ 就是拉普拉斯方程。

虽然照理来说拉普拉斯算子只用于数值场，但也写在矢量场上，表明对每个分量数值场进行拉普拉斯运算，如我们上一节的Navier–Stokes equations中的扩散项 $k\nabla^{2}u$ 。应用于矢量场的拉普拉斯算子，结果还是一个矢量场： $k(\nabla^{2}u1,\nabla^{2}u2)$

结语：

本节对梯度等概念的在Shader下的2D网格的离散形式进行了简单说明。

目竞

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Chango的数学Shader世界（十）流体模拟-有限微分形式

目的：参考《GPU Gems》，在UE4中尝试重现2D流体模拟。本节解释连续函数下梯度，散度等各概念在离散情况下的形式。参考：《GPU Gems》观察：分析：1.梯度（数量场）连续：离散：不妨认为两个像素之间距离差为，以此在2D空间上构造x-y坐标系。并且在空间中的位置为推导：记得连续函数中，设函数P(x)，求其在x...
复制链接

扫一扫

专栏目录