Simulação Numérica

Como a Schubart Master Formula é uma integral dupla sobre energia e ângulo, avaliá-la para qualquer caso concreto exige métodos numéricos. Este capítulo descreve a metodologia geral para fazê-lo — como discretizar a integral, como fornecer as entradas e como confirmar que um resultado calculado convergiu. Ao longo do texto, a ênfase recai sobre o método, e não sobre números específicos; quaisquer valores mencionados são valores de referência ilustrativos, apresentados como tais, não resultados medidos.

Discretizando a integral

O ponto de partida é a representação física expandida,

$$P(t) = \iint \Phi(E,\theta,t)\,\sigma(E)\,\Delta p\,v_{\text{ph}}\,\eta_{\text{conv}}\;dE\,d\theta .$$

A abordagem numérica mais direta substitui as integrais contínuas por somas sobre uma grade. O eixo de energia é particionado em $N_E$ intervalos e o eixo angular em $N_\theta$ intervalos, e o integrando é avaliado em pontos representativos de cada célula. Escrevendo o integrando como $f(E,\theta,t)$, uma quadratura simples se lê

$$P(t) \approx \sum_{i=1}^{N_E}\sum_{j=1}^{N_\theta} w_{ij}\,f(E_i,\theta_j,t)\,\Delta E_i\,\Delta\theta_j ,$$

onde $\Delta E_i$ e $\Delta\theta_j$ são as larguras das células e $w_{ij}$ são os pesos de quadratura. Para a regra do ponto médio, os pesos são unitários e os pontos de amostragem ficam nos centros das células. Esquemas mais precisos — quadratura trapezoidal, de Simpson ou de Gauss–Legendre — substituem a avaliação no ponto médio por somas ponderadas que reduzem o erro de discretização para um dado número de pontos. A escolha do esquema é um compromisso padrão entre precisão e custo de avaliação, e nada no arcabouço favorece uma quadratura particular em detrimento de outra.

Estratégia de discretização e ordem de convergência

Como o domínio é um produto dos eixos de energia e de ângulo, a regra bidimensional é construída mais simplesmente como um produto tensorial de regras unidimensionais, uma para $E$ e uma para $\theta$. Essa fatoração importa tanto para o custo quanto para a precisão. Do lado do custo, uma grade tensorial usa $N_E \times N_\theta$ avaliações do integrando, de modo que refinar ambos os eixos juntos é quadraticamente caro; quando um eixo carrega toda a estrutura — uma ressonância aguda em $\sigma(E)$ ao longo do eixo de energia, digamos — frequentemente é muito mais barato refinar apenas esse eixo. Do lado da precisão, cada regra unidimensional carrega sua própria ordem de convergência, o expoente $p$ no escalonamento assintótico do erro

$$\left| P_{\text{exact}} - P_{N} \right| \;\sim\; C\,N^{-p} ,$$

onde $N$ é o número de pontos ao longo do eixo e $C$ depende da suavidade do integrando. Para a regra trapezoidal, $p = 2$, de modo que reduzir o passo pela metade corta o erro aproximadamente por um fator de quatro; para a regra de Simpson, $p = 4$ em um integrando suave; e para a quadratura de Gauss–Legendre, a convergência é ainda mais rápida, efetivamente exponencial para um integrando analítico sem singularidades no domínio. Essas ordens são exatamente os resultados clássicos tabulados em referências padrão como Press et al., Numerical Recipes, e se transferem para a integral dupla por meio da construção tensorial. A consequência prática é que a suavidade do integrando, e não a ordem nominal do esquema, determina a precisão alcançável: uma regra de quarta ordem aplicada atravessando uma quase-descontinuidade em $\sigma(E)$ degrada-se localmente para comportamento de primeira ordem, e o erro global passa então a ser dominado por essa única região mal resolvida.

Fornecendo as entradas

Uma simulação só tem tanto significado quanto suas entradas. Quatro tipos de entrada devem ser fornecidos. Primeiro, o modelo de fluxo $\Phi(E,\theta,t)$: uma descrição do espectro ambiental e de sua distribuição angular, seja medida ou extraída de uma distribuição suposta. Segundo, a seção de choque $\sigma(E)$: o acoplamento dependente da energia, tipicamente fornecido como uma função tabulada ou parametrizada; seu comportamento analítico é discutido em análise de sigma. Terceiro, os parâmetros de transferência de momento, transporte e eficiência $\Delta p$, $v_{\text{ph}}$ e $\eta_{\text{conv}}$, que podem ser constantes ou podem eles próprios depender de $E$ e $\theta$. As definições e unidades de todos eles estão fixadas em definições de variáveis. Como várias dessas entradas carregam incerteza, uma simulação responsável propaga essa incerteza em vez de reportar um único número determinístico — um ponto retomado em validação de Monte Carlo.

Verificando a convergência

A questão central de controle de qualidade para uma quadratura determinística é se o resultado convergiu em relação à resolução da grade. O procedimento padrão é calcular $P(t)$ em uma sequência de grades sucessivamente mais finas — duplicando $N_E$ e $N_\theta$ a cada passo — e observar como a estimativa muda. Quando refinamentos sucessivos alteram o resultado por menos que uma tolerância escolhida, a grade é considerada suficiente. Uma versão mais quantitativa desse teste usa a ordem de convergência suposta diretamente: se o erro escala como $N^{-p}$, então calcular a integral em três grades com espaçamentos $h$, $h/2$ e $h/4$ e comparar as diferenças sucessivas revela tanto a ordem observada quanto, por extrapolação de Richardson, uma estimativa aprimorada. Escrevendo $P_h$, $P_{h/2}$, $P_{h/4}$ para os três resultados, a razão

$$\frac{P_{h} - P_{h/2}}{P_{h/2} - P_{h/4}} \;\approx\; 2^{p}$$

deve recuperar a ordem esperada; um valor muito distante de $2^p$ é um aviso de que o integrando não é tão suave quanto suposto e de que a estimativa de erro nominal não pode ser confiada. Para um integrando suave, uma quadratura bem escolhida converge rapidamente; características agudas em $\sigma(E)$ ou no fluxo, como uma ressonância estreita, exigem amostragem mais fina na região da característica e são uma causa comum de convergência lenta. Esquemas adaptativos, que subdividem células sempre que uma estimativa de erro local exceda um limiar e, assim, colocam mais pontos onde o integrando varia rapidamente, são o remédio natural.

Como exemplo ilustrativo apenas, poder-se-ia constatar que aumentar a grade de energia de um ajuste grosseiro para um moderadamente fino desloca uma estimativa de saída de referência por alguns por cento, após o que um refinamento adicional a altera por bem menos de um por cento — a assinatura de um cálculo convergido. Tais valores são puramente nocionais e precisariam ser estabelecidos de novo para qualquer caso real; são dados aqui apenas para mostrar a forma de um estudo de convergência, não para afirmar um resultado.

Estimativa e orçamento de erro

Um resultado numérico defensável vem acompanhado de um orçamento de erro explícito que separa as contribuições distintas. O erro de discretização é o termo $C\,N^{-p}$ acima, estimado na prática pela diferença de refinamento sucessivo $|P_{h/2} - P_{h/4}|$, que, para uma sequência convergente, limita o erro remanescente a um pequeno fator. O erro de truncamento surge de cortar o domínio de energia em um limite superior finito; é limitado pela integral da cauda desprezada, e o domínio deve ser estendido até que esse limite caia abaixo do erro de discretização. O erro de entrada, propagado a partir da incerteza em $\Phi$, $\sigma(E)$, $\Delta p$, $v_{\text{ph}}$ e $\eta_{\text{conv}}$, costuma ser o maior dos três e é tratado pelos métodos estocásticos de validação de Monte Carlo, e não por refinamento de grade. Um erro comum e instrutivo é refinar a grade até a precisão de máquina enquanto se ignora uma incerteza de entrada de dezenas de por cento — polir um número cujo erro verdadeiro é dominado por um fator que a quadratura não pode tocar. A disciplina é reportar as três contribuições e deixar a maior delas governar quanto esforço cada refinamento adicional merece.

Fontes de erro numérico

Além do erro de discretização, um praticante cuidadoso vigia algumas armadilhas recorrentes. Truncar a integral de energia cedo demais descarta fluxo nas caudas; o domínio deve se estender até que o integrando seja genuinamente desprezível, como observado em arquitetura matemática. Usar uma grade angular que ignore a medida correta — por exemplo, omitir um fator $\sin\theta$ onde uma integração em ângulo sólido o exige — introduz um viés sistemático que nenhum refinamento removerá, porque é um erro no integrando, não em sua amostragem. E interpolar um $\sigma(E)$ grosseiramente tabulado através de uma característica aguda pode sub ou superestimar a sobreposição com o fluxo. Cada um desses é evitável com higiene numérica padrão, e cada um deve ser documentado junto a qualquer resultado reportado.

Da avaliação determinística à estatística

A quadratura determinística responde à pergunta “dadas estas entradas exatas, qual é $P(t)$?”. Ela não responde, por si só, “dada a incerteza nestas entradas, quão confiantes devemos estar em $P(t)$?”. Essa segunda pergunta exige métodos estocásticos, nos quais as entradas são amostradas de suas distribuições e a integral é estimada estatisticamente. Esses métodos, e os intervalos de confiança que produzem, são o tema de validação de Monte Carlo e análise de sigma. Uma quadratura determinística convergida também cumpre um segundo papel ali: executada sobre um único conjunto fixo de entradas, ela é a referência contra a qual um estimador de Monte Carlo é verificado cruzadamente, de modo que os dois métodos são complementares, e não alternativos.

Leitura adicional

• Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3ª ed.). Cambridge University Press — a referência padrão para esquemas de quadratura, ordem de convergência e integração adaptativa.
• Stoer, J., & Bulirsch, R. (2002). Introduction to Numerical Analysis (3ª ed.). Springer — tratamento rigoroso da análise de erro de quadratura e da extrapolação de Richardson.
• Davis, P. J., & Rabinowitz, P. (1984). Methods of Numerical Integration (2ª ed.). Academic Press — abrangente sobre quadratura gaussiana e integração multidimensional.