Articulo
Articulo
Articulo
Presentamos un informe de última generación sobre topología de flujo dependiente del tiempo.
Examinamos artículos representativos en visualización y Proporcionar una taxonomía de enfoques
existentes que generalizan la topología de flujo desde entornos independientes del tiempo a
entornos dependientes del tiempo. Los enfoques se clasifican en cuatro categorías: seguimiento de
topología estable, adaptación del marco de referencia y línea de ruta. clasificación o agrupamiento,
y generalización de puntos críticos. Nuestras contribuciones únicas incluyen la introducción de un
conjunto de deseables propiedades matemáticas para interpretar el significado físico para la
visualización del flujo dependiente del tiempo, infiriendo matemáticas propiedades asociadas con
trabajos de investigación selectivos y utilización de dichas propiedades para la clasificación. Los
cinco más importantes Las propiedades identificadas en la literatura existente incluyen la
coincidencia con el caso estable, la inducción de una partición dentro del dominio, invariancia
lagrangiana, objetividad e invariancia galileana.
INTRODUCCION
Por ejemplo, Lugt [Lug79] encuentra un problema similar al intentar definir un vórtice. Una imagen
aerodinámica instantánea no proporciona suficiente información para identificar un vórtice y, por
lo tanto, no se puede utilizar para definir un vórtice. De manera similar, Perry y Chong [PC94a]
describen que es difícil
interpretar la topología del campo vectorial en flujos inestables. En el estudio de la topología de los
patrones de flujo y los movimientos de remolinos, las líneas de corriente instantáneas han
encontrado un uso considerable, aunque no son invariantes galileanas y parecen perder significado
físico si el flujo es inestable. Debido a la aplicabilidad limitada de la topología de campo vectorial,
el
estudio de la topología de flujo dependiente del tiempo sigue siendo heterogéneo y fragmentario.
Este tema también está integrado en el contexto más amplio de los sistemas dinámicos, en
particular con fines de visualización. Aunque se han desarrollado algunas técnicas maduras y
metodologías sistemáticas para el estudio de la topología de flujo dependiente del tiempo,
esperamos imponer estructuras matemáticas a las técnicas existentes para facilitar su acceso a
investigadores y profesionales.
• ¿Cómo puede la noción de significado físico ¿Se debe caracterizar rigurosamente la visualización
del flujo? Para abordar estas cuestiones, nuestras aportaciones son:
2.2.4. Objetividad
La invariancia del marco es particularmente importante en flujos verdaderamente inestables, que
no tienen un marco de referencia distinguido.
Una de las propiedades más populares utilizadas en la periódicas y separatrices. literatura para
indicar que un concepto tiene significado físico es la objetividad Un método es objetivo si las
características extraídas no cambian bajo un cambio euclidiano del marco de referencia.
Precisamente, sea $\chi_{S(t)}(x, t): \mathbb{R}^d \times \mathbb{R} \rightarrow\{0,1\}$ la
función característica que indica si un punto en el espacio-tiempo pertenece a una característica
extraída a lo largo del tiempo $(x, t) \in S(t)$. Además, sea $x^{\prime}=Q(t) x+r(t) \in \
mathbb{R}^d$ un cambio de coordenadas con una matriz ortogonal dependiente del tiempo $Q: \
mathbb{R } \rightarrow S O(d)$ y un vector $r dependiente del tiempo: \mathbb{R} \rightarrow \
mathbb{R}^d$. Entonces, la característica es objetiva si $\chi_{S(t)}^{\prime}\left(x^{\prime}, t\
right)=\chi_{S(t)}(x, t)$ , ver sec. 5.1.
Una clasificación alternativa de puntos críticos se basa en los valores propios de la matriz jacobiana
$J_v$ que contiene las primeras derivadas del campo vectorial.
$$
J_v(x, y)=\left(\frac{\partial v}{\partial x}, \frac{\partial v}{\partial y},\right)=\left(\begin{array}{ll }
\frac{\partial v_1(x, y)}{\partial x} & \frac{\partial v_1(x, y)}{\partial y} \\
\frac{\partial v_2(x, y)}{\partial x} & \frac{\partial v_2(x, y)}{\partial y}
\end{matriz}\derecha)
$$
El determinante de $J_v$ se llama jacobiano del campo vectorial. Un punto crítico $x$ es un punto
crítico de primer orden si el jacobiano no desaparece en $x$; de lo contrario, se denomina punto
crítico de orden superior. La clasificación de los puntos críticos podría refinarse aún más en función
de los valores propios de $J_v$ para incluir nodos/focos atractivos y nodos/focos repelentes,
centros y sillas de montar, ver Fig. 1 y [HH89, Fig. 5].
Una línea de corriente es una línea que es tangencial a la dirección de la velocidad instantánea, ver
Fig. 2. Matemáticamente, una línea de corriente $s(t)$ .
Topología de un campo vectorial simple. El área amarilla es una región donde todas las líneas de
corriente comienzan en la misma fuente y terminan en el mismo sumidero. Las líneas de corriente
marrones son separatrices.
curva en el dominio de $v$, donde para cualquier $t$,
$$
\dot{s}(t)=v(s(t)) .
$$
Aquí, $t$ no es el tiempo, sino que se refiere a una parametrización arbitraria de la curva. Las
órbitas cerradas son líneas de corriente cerradas, lo que significa que hay un parámetro $\tau$ tal
que $s(t)=s(t+\tau), \forall t \in \mathbb{R}$.
Las separatrices son las líneas de corriente delimitadoras que separan las regiones de
comportamiento de línea de corriente uniforme. Suponiendo sólo puntos críticos de primer orden,
emergen de los puntos silla a lo largo de las direcciones de los vectores propios del jacobiano.
Finalmente, la topología de campo vectorial consta de puntos críticos y separatrices que
segmentan el dominio en regiones de comportamiento aerodinámico uniforme, ver Fig. 2.
3.2. Topología de campo vectorial 3D
Un campo vectorial $3 \mathrm{D}$ $v: D \subseteq \mathbb{R}^3 \rightarrow \mathbb{R}^3$
asigna un vector $3 \mathrm{D}$ a cada punto en el dominio $ D$, donde se supone que $v$ es
continuo y diferenciable. La topología de campo vectorial 3D consta de características críticas y
características de separación. Las características críticas son puntos críticos, órbitas periódicas y
estructuras 2D complejas, como atractores extraños. Las separatrices se convierten en superficies
separadoras que emergen de la silla. compárese con la Fig.3.
Ejemplos de puntos críticos en campos vectoriales lineales 3D. En 3D, las superficies de separación
emergen de los puntos de silla (c,d). Los puntos críticos se definen de manera similar al caso 2D
como ceros aislados en el campo vectorial, es decir, $v(x)=(0,0,0)^T=\mathbf{0}$, y $v(y) \ neq \
mathbf{0}$ para cualquier $y \neq x$ en una pequeña vecindad de $x$. Los puntos críticos
comúnmente se clasifican en función de los valores propios de la matriz jacobiana $J_v$. Un punto
crítico $x$ es un punto crítico de primer orden si el jacobiano no desaparece en $x$; de lo
contrario, se denomina punto crítico de orden superior. Los puntos críticos de primer orden
incluyen la atracción de nodos/espiral fuente y sumidero, y sillas de montar, ver Fig. 3.
3.3. Desde las perspectivas de los sistemas dinámicos
Los principales ingredientes de la topología de campo vectorial se han estudiado en sistemas
dinámicos, a saber, conjuntos de límites ,lineas separadoras, y superficies separadoras $\gamma: D
\subseteq \mathrm{n}^d \rightarrow \mathrm{n}^d $ denota un campo vectorial d-dimensional
Sea $c_p$ denota una línea de corriente que pasa por un punto $p \in D$ En esta forma más
general, los conjuntos de límites de una línea de corriente, denominados como denominados Sillín
Hundir Fuente como conjunto de límite α y conjunto de límite ω, se definen como
$$
\begin{alineado}
& A\left(c_p\right)=\left\{q \in D \exists\left(g_n\right)_{n=0}^{\infty} \subset \mathbb{R} \text
{ con } \lim _{n \rightarrow \infty} t_R=-\infty\right. \\
& \text { anclar eso } \left.\lim _{\mathrm{s} \rightarrow \infty} c_p(2 \mathrm{n})=q\right\} \\
& \Omega\left(c_p\right)=\left\{q \in D \exists\left(a_n\right)_{n=0}^{\infty} \subset \mathbf{R} \
text { wih } \lim _{n \rightarrow \infty} i_n=\infty\right. \\
& \text { ach that: } \lim _{g \rightarrow \infty} c_p(2 \mathrm{e})-q \text { \} } \\
&
\end{alineado}
$$
La forma explícita de los conjuntos de límites varía según la dimensión del campo vectorial. Estos
conjuntos se investigan mejor para el caso 2D, donde los conjuntos de límites consisten en puntos
críticos; que se clasifican según el comportamiento aerodinámico en sus proximidades (ver
Segundo.3.1). Las líneas de corriente se consideran equivalentes si sus conjuntos de límites
coinciden, lo que significa que una línea de corriente tiene el mismo conjunto de origen (conjunto
de límites α) y el mismo conjunto final (conjunto de límites ω). En 2D, las líneas de corriente que
están en el límite de líneas de corriente equivalentes son las líneas separadoras; en 3D, se
convierten superficies separadoras; en dimensiones superiores, son colectores separadores. Por lo
tanto, el esqueleto topológico consta de conjuntos de límites y variedades de separación de
grandes dimensiones.
Skraba y Wang [SW14] infieren correspondencias entre puntos críticos en función de su cercanía
en estabilidad, medida por robustez, en lugar de solo proximidades de distancia dentro del
dominio. Intuitivamente, la robustez de un punto crítico es la cantidad mínima de perturbación
necesaria para cancelarlo. Demuestran formalmente que la robustez nos ayuda a comprender las
condiciones de muestreo bajo las cuales podemos resolver el problema de correspondencia
basado en técnicas de superposición de regiones, y la unicidad e incertidumbre asociadas con
Ejemplos de topología de campo vectorial basada en líneas de flujo y líneas de ruta. tales técnicas.
Estas condiciones también proporcionan una base teórica para visualizar las realizaciones lineales
por partes de trayectorias de puntos críticos a lo largo del tiempo. Todos los métodos anteriores
comparten un objetivo similar en términos de seguimiento de características, lo que induce
propiedades matemáticas idénticas. Estas propiedades matemáticas se resumen en la tabla1. Los
métodos estudiados coinciden trivialmente con el caso estacionario y segmentan el dominio del
flujo; sin embargo, no son invariantes lagrangianos ni galileanos y, por tanto, no son objetivos.
Mesa1destaca las deficiencias de la topología de campo vectorial estable, que algunos autores
denominan “no física”.
Los artículos anteriores persiguen dos objetivos principales. Wiebelet al.[WGS02] y Bhatiaet al.
[BPB14,BPKB14] hacen uso del HHD debido a sus propiedades y aplicaciones útiles. Están menos
centrados en la invariancia del marco y no muestran la invariancia galileana en sus artículos.
Gunteret al.[GGT17,RG20] y Hadwigeret al.[HMTR18], por otro lado, diseña específicamente
adaptaciones del marco de referencia para cumplir con la invariancia del marco. Mientras que el
primero coincide con el caso estable, el segundo produce resultados fluidos debido a su naturaleza
global. Podemos ver en la tabla2cómo los métodos satisfacen propiedades más deseables. Una
observación obvia es la aparente falta de invariancia lagrangiana para los métodos en la categoría
actual de adaptación del marco de referencia.
4.3. Categorizar o agrupar líneas de ruta
Las líneas de trayectoria son tangenciales a un campo vectorial en todas partes en el tiempo, pero
las líneas de corriente son tangenciales en un punto fijo en el tiempo. En un campo vectorial
estable, las líneas de ruta y las líneas de corriente coinciden, lo que motiva a los investigadores a
seleccionar, categorizar y agrupar líneas de ruta para generalizar.
| papel | $\begin{array}{l}\text { colisionar con } \\\text { caso skady }\end{array}$ | $\begin{array}
{l}\text { amasas separadas } \\\text { de cuherent } \\\text { behwior }\end{array}$ | Laynangkin |
Insariante galiano | obictino |
| :---: | :---: | :---: | :---: | :---: | :---: |
| [WCSED2] | Ejemplo 3 | $\begin{array}{l}\text { eparifices } \\\text { un (hiper-) } \\\text
{ sucfaces en } \\d+1\end{array}$ | Bejemplo fi | Teorema I | Ejemplo 4 |
| $\begin{array}{l}\text { [BPB 14, } \\\text { BPKB14] }\end{array}$ | Ejemplo 3 | | Ejemplo 6 |
Tasenem 1 | Ejemplo 5 |
| [HMTRI8] | $\begin{array}{l}\text { Tharen 2, Fx- } \\\text { amplio } 7\end{array}$ | $\
begin{array}{l}\text { sparifrices } \\\text { un (hiper-) } \\\text { superficies en } \\d+1\end{array}$ |
Ejemplo 8 | $\begin{array}{l}\text { Sec } 4.3 \text { en sus nefers de papel } \\\text { en peoor en
[TND44] }\end{array}$ | $\begin{array}{l}\text { Sec. } 4.3 \text { en sus registros de papel } \\\text {
para buscar en [TNO4] }\end{array}$ |
| | $\begin{array}{l}F_0=0 \text { es al: } \\\text { listo opdimim }\end{array}$ | $\begin{array}{l}\
text { eparifices } \\\text { w (tryper-) } \\\text { artzoes in } \\d+1\end{array}$ | Ejemplo 9 | $\
begin{array}{l}\text { Sec } 3.1 \text { del adicional } \\\text { material de [Rcian], bert not } \\\text
{ campos lineales lejanos, Sec } 7.10 \text { ] } \\\text { en [GGII)] }\end{array}$ | |
Figura 9:La acumulación de partículas a lo largo del tiempo indica un sumidero en el famoso
conjunto de datos de placas de Petri. Las partículas están codificadas por colores según el
momento de la siembra
Wiebelet al.[WCW∗ 11] iniciar líneas de ruta en un conjunto de puntos de tiempo. En cualquier
momento final, calculan la densidad de los puntos finales de las líneas de ruta y rastrean los
máximos locales de este escalar similar a un histograma.
campo como el análogo variable en el tiempo de los sumideros. Su enfoque proporciona una
visualización físicamente significativa de un conjunto de datos muy complicado que involucra una
placa de Petri giratoria, ver Fig.9. o comportamiento de contracción durante todo el tiempo de
simulación [BDZG19], ver Fig.11. Los resultados son áreas que segmentan el dominio y se reducen
hacia las verdaderas ubicaciones de puntos críticos si se dispone de un tiempo de integración más
largo. Üffingeret al. [USO12] ampliar el trabajo anterior [SW10] a un caso 3D calculando
separatrices basadas en rayas a partir de curvas de siembra 1D. Estos últimos se obtienen a partir
de superficies de trayectoria que emanan de crestas 2D en campos FTLE directos e inversos.
Figura 10:Ejemplo de superficie de recirculación. Este método produce visualizaciones
verdaderamente estables, es decir, características que no dependen del tiempo. El color codifica la
hora de inicio (izquierda) y la hora de integración (derecha). Imagen reproducida de Wilde et al.
[WRT18, Figura 1]. salvajeet al.[WRT18] presentan un método para extraer superficies de
recirculación para campos de flujo inestable 3D. La idea clave es incrustar el flujo en una variedad
de dimensiones superiores para la extracción de líneas y luego proyectar los resultados
nuevamente al espacio 3D. Una línea de recirculación se define como una ruta que regresa al
mismo lugar después de un tiempo. No es necesario que la dirección del flujo sea la misma
después de regresar al punto, consulte la Fig.10. salvajeet al.El artículo de es una excepción en esta
categoría de métodos ya que no pretende generalizar la topología de campo vectorial. Sin
embargo, incluimos este artículo en la encuesta, porque la idea de un campo de desplazamiento
5D podría usarse hipotéticamente para categorizar o agrupar líneas de ruta, aunque el campo de
desplazamiento depende del marco.
Figura 11:Representación espacio-temporal de una segmentación no trivial a lo largo del tiempo de
un campo giratorio en regiones con comportamiento similar a una fuente (rojo), un sumidero
(azul) y una silla de montar (blanco). Otras regiones son transparentes. Imagen reproducida de
[BDZG19].
Bujacket al.[BDBR∗ 19] sigue el trabajo de Sadlo y Weiskopf [SW10] para extraer líneas de ruta de
fuerte comportamiento hiperbólico como sillas de montar de tiempo finito. A diferencia de
trabajos anteriores, introducen una definición lagrangiana utilizando toda la gama de momentos
temporales capturados en el conjunto de datos. Además, sugieren una clasificación más sólida
basada en el tiempo de integración hacia adelante y hacia atrás por separado y muestran que es
un criterio suficiente para su contraparte lagrangiana. Posteriormente amplían esta definición y
clasifican las líneas de trayectoria como sumideros, fuentes o sillas de montar en función de su
expansión en el tiempo finito.
o comportamiento de contracción durante todo el tiempo de simulación [BDZG19], ver Fig.11. Los
resultados son áreas que segmentan el dominio y se reducen hacia las verdaderas ubicaciones de
puntos críticos si se dispone de un tiempo de integración más largo.
Mesa3muestra las propiedades matemáticas de estos enfoques. Vemos que aunque el primer uso
de la topología basada en líneas de ruta por parte de Theiselet al.[TWHS05] es una gran idea, la
implementación real no mejora la independencia del marco ni las deficiencias lagrangianas de la
topología clásica. Los trabajos siguientes satisfacen la independencia del marco concentrándose en
ciertos tipos de características, como únicamente monturas y separatrices [SW10,USO12,BDBR∗
19], y solo se hunde [WCW∗ 11], hasta que los conceptos teóricos se unifiquen en un marco que
abarque las regiones de tipo silla, fuente y sumidero [BDZG19]. Los métodos de esta categoría en
parte no son lagrangianos a pesar de que están basados en líneas de ruta, porque no utilizan todo
el tiempo disponible. Esta elección puede estar motivada por una de las dos razones siguientes. En
primer lugar, un enfoque de ventana deslizante puede producir resultados más intuitivos y
visualmente agradables, porque no captura el plegado y la mezcla caóticos. En segundo lugar, un
método lagrangiano puede presentar problemas de robustez o estabilidad porque requiere
integración en una variedad inestable durante mucho tiempo. Estos métodos pueden hacerse
lagrangianos si se aplican al intervalo de tiempo completo de los datos.
4.4. Generalización de puntos críticos
Esta sección comprende una dirección de investigación que sigue explícitamente el objetivo de
generalizar la topología de campo vectorial clásica a campos inestables o marcos de referencia
cambiantes. Estos métodos utilizan campos escalares y utilizan sus extremos (o ceros) para definir
puntos críticos generalizados. Figura 12:La magnitud de la aceleración se muestra como un mapa
de altura
coloreado y los mínimos extraídos (esferas) sirven como puntos críticos generalizados. Imagen
reproducida de Kasten et al. [KHNH11]. castilloet al.[KHNH11,krh∗ dieciséis] amplían el concepto
de puntos críticos a los mínimos del campo de aceleración. Esta extensión incluye la definición
clásica de puntos críticos en campos estacionarios,
pero es invariante galileana. Filtran a estos candidatos utilizando una versión del filtrado
lagrangiano. Realizan un seguimiento de dos propiedades escalares sobre partes de una
trayectoria: la aceleración y la minimalidad. Cuando una línea de ruta viola uno de los umbrales,
dejan de considerarla crítica. Luego, consideran sólo aquellas líneas de ruta que tienen una vida
útil superior a un umbral determinado. Un problema importante es que el parámetro de tiempo
debe ser mucho menor para los puntos críticos en forma de silla de montar que para los centros,
ver Fig.12. Relacionado con esto está el trabajo de Reininghaus. et al.[RKWH12], quienes proponen
un algoritmo de seguimiento combinatorio para puntos críticos en campos escalares. Aplican el
método para rastrear los puntos críticos clásicos de los flujos, así como los puntos críticos
generalizados a partir de los mínimos de aceleración de Kasten.et al.[krh∗ dieciséis]. En teoría, el
método de seguimiento en sí es independiente del FOR siempre que el campo escalar utilizado
para la definición de los puntos críticos sea invariante galileana. En la práctica, sin embargo, la
densidad de muestreo temporal requerida del flujo archivado depende de la fuerza del flujo de
fondo. En consecuencia, el seguimiento de puntos críticos a partir de una topología de campo
vectorial estable no es invariante galileana, y el seguimiento de ceros en la aceleración es
invariante si la densidad de muestreo temporal es lo suficientemente alta.
extienden los conceptos de puntos críticos de estado estacionario a datos variables en el tiempo
de cuatro maneras diferentes. Primero miran los ceros de la aceleración. Luego sugieren que cada
punto detectado adapte el FOR para convertirse en un punto crítico clásico. Clasifican estos puntos
en el sentido clásico, lo que permite separa trices localmente significativas. Para compensar
cambios FOR más complejos, Fuchset al. Sugerimos seleccionar partículas que observen una
velocidad casi constante en su vecindad y tengan una pequeña
aceleración. Para ello introducen el concepto de inestabilidad como derivado material del
jacobiano. Además, aplican suavizado lagrangiano tanto a la inestabilidad como a la velocidad.
Muestran que el filtrado lagrangiano aplicado a la magnitud de la velocidad, la magnitud de la
aceleración y la inestabilidad proporciona resultados comparables al FTLE en el doble giro. Por otra
parte, para una versión analítica de la placa de Petri, sólo la inestabilidad lagrangiana suavizada da
resultados similares a los del FTLE.
Figura 13:Los marcos de referencia locales (derecha) de los puntos críticos generalizados revelan
los componentes individuales (izquierda, pequeño) de una super composición (izquierda, grande)
de diferentes campos. El campo vectorial se visualiza mediante LIC [CL93] y coloreado según la
velocidad a la izquierda: azul significa valores bajos y rojo significa valores altos. El campo vectorial
está coloreado por el determinante del jacobiano de la derecha: azul significa negativo, rojo
significa positivo y blanco significa valores cero.
sugieren eliminar el requisito de que un punto crítico tenga velocidad cero porque siempre existe
un FOR que puede hacerlo crítico. Dado que la categorización de los puntos críticos en sumideros,
fuentes, sillas de montar y centros es invariante galileana, sugieren que los puntos críticos se
generalicen como extremos del determinante del jacobiano. Luego, asumen localmente FOR para
estos puntos en la visualización.
utilizan el concepto topológico de robustez, que está relacionado con la persistencia en el caso
escalar. Este concepto refleja cuánto se debe perturbar un campo vectorial para que se cancele un
punto crítico. Realizan un seguimiento de la solidez de los puntos críticos a lo largo del tiempo. Sin
embargo, dado que el significado físico de los puntos críticos clásicos es dudoso bajo cambios en el
marco de referencia, aplican la medida de robustez no sólo a los puntos críticos sino también a
cualquier punto en su propia referencia. WBPRH17], lo que hace que el método galileano sea
invariante.
Machadoet al. [MBES16] extraen trayectorias hiperbólicas como líneas de trayectoria cercanas a
líneas de bifurcación en el espacio de fase extendido, es decir, la representación espaciotemporal
del campo vectorial. Argumentan que estas líneas de trayectoria y sus variedades invariantes
producen LCS como la intersección de crestas FTLE hacia adelante y hacia atrás y como las
superficies materiales que comienzan en estas intersecciones (desde [SW10] pero más rápido).
Para la definición de líneas de bifurcación se sigue a Roth.et al.[podredumbre00,RP98] y use los
lugares geométricos donde la velocidadves paralelo a la formulación constante de la aceleracióna=
(∇v)vo el vector b = (∇a)v. Refinan los resultados para formar líneas de flujo como en su trabajo
anterior [MSE13]. Debido a que los resultados fueron pobres, abandonaron el enfoque del vector
de sacudidas y utilizaron la aceleración. Para el caso del campo espacio-temporal, la condición
nX×a=0 es equivalente a loci con aceleración evanescente=0, que muestra la relación con técnicas
anteriores.
5. Teoría
En esta sección, proporcionamos un análisis matemático detallado resumido en Tablas1–4. Las
tablas proporcionan una descripción general de nuestros resultados de clasificación. Cada celda de
la tabla hace referencia a una parte de esta sección, que proporciona detalles bajo demanda en
forma de boceto de prueba o de (contra)ejemplo. Primero revisamos los comportamientos
asociados con las características básicas del flujo que los métodos estudiados utilizan con
frecuencia en transformaciones de coordenadas. Luego, proporcionamos ejemplos y teoremas
para inferir las propiedades de estos métodos. Nuevamente, los artículos estudiados se clasifican
por enfoques cómo se detalla en la Sec.2.1.
5.1. Transformaciones de coordenadas
En esta sección, recopilamos los conceptos matemáticos y las características de flujo
que se utilizan para generalizar la topología de campo vectorial clásica (es decir, independiente del
tiempo) a datos dependientes del tiempo y analizamos sus propiedades bajo cambios del marco de
referencia. Nosotros entonces centrarse en determinar para cuál de las propiedades deseables es
suficiente el método sugerido. Una introducción a los principios físicos se puede encontrar, por
ejemplo, Nos fijamos en las transformaciones euclidianas de coordenadas
centrarse en determinar para cuál de las propiedades deseables es suficiente el método sugerido.
Se puede encontrar una introducción a los principios físicos, por ejemplo, en [Liu02, SJ06].
x^{\prime}=Q(t) x+r(t)
con una matriz ortogonal dependiente del tiempo $Q: \mathbb{R} \rightarrow S O(d)$ y un vector
dependiente del tiempo $r: \mathbb{R} \rightarrow \mathbb{R}^d$ [TN04].
Una transformación galileana es un subconjunto de (5) con la restricción adicional de $r$ que
depende solo linealmente del tiempo, $\dot{r}=$ const.
Un campo escalar $s(x, t)$, un campo vectorial $v(x, t)$ y un campo matricial $M(x, t)$ se llaman
objetivos, es decir, invariantes con respecto a una transformación de coordenadas, si son
suficientes
\begin{alineado}
s^{\prime}\left(x^{\prime}, t\right) & =s(x, t), \\
v^{\prime}\left(x^{\prime}, t\right) & =Q(t) v(x), \\
M^{\prime}\left(x^{\prime}, t\right) & =Q(t) M(x, t) Q^T(t) .
\end{alineado}
\begin{alineado}
v^{\prime}\left(x^{\prime}, t\right) & \stackrel{(7)}{=} \frac{d x^{\prime}}{d t} \\
& \stackrel{(5)}{=} \frac{d}{d t}(Q(t) x+r(t)) \\
& =\dot{Q}(t) x+Q(t) \dot{x}+\dot{r}(t) \\
& \stackrel{(7)}{=} \dot{Q}(t) x+Q(t) v(x, t)+\dot{r}(t) .
\end{alineado}
\begin{alineado}
v_{x_0^{\prime}}^{\prime}\left(x^{\prime}, t\right) \stackrel{(8)}{=} v^{\prime}\left(x^{ \prime}, t\
right)-v^{\prime}\left(x_0^{\prime}, t\right) \\
\stackrel{(8)}{=} \dot{Q}(t) x+Q(t) v(x, t)+\dot{r}(t) \\
\\
-\left(\dot{Q}(t) x_0+Q(t) v\left(x_0, t\right)+\dot{r}(t)\right) \\
=Q(t)\left(v(x, t)-v\left(x_0, t\right)\right)+\dot{Q}(t)\left(x-x_0\right) .
\end{alineado}
Por lo tanto, según $(10), v_{x_0}$ no es objetivo sino invariante galileano; $v_{x_0}$ se conoce
como puntos críticos invariantes galileanos.
TABLA 3
Tabla 4: Propiedades matemáticas y referencias a pruebas de artículos clasificados como
principalmente Generalización de puntos críticos. La codificación de colores se explica en la Fig.4.
5. 1.3. Aceleración
El campo de aceleración left.\mathrm{KRH}^* 16\right] es la derivada material del campo de flujo
\begin{alineado}
a(x, t) & =x \\
& \stackrel{(7)}{=} \frac{D v(x, t)}{D t} \\
& =\frac{d v(x, t)}{d x} \frac{d x}{d t}+\frac{\partial v(x, t)}{\partial t} \\
& \stackrel{(7),(13)}{=} J(x, t) v(x, t)+\frac{\partial v(x, t)}{\partial t} .
\end{alineado}
\begin{alineado}
a^{\prime}\left(x^{\prime}, t\right) & =\frac{d^2 x^{\prime}(t)}{d t^2} \\
& \stackrel{(11))}{=} \frac{d^2}{d t^2}(Q(t) x+r(t)) \\
& \stackrel{(5)}{=} Q(t) x+2 Q(t) \dot{x}+Q(t) \bar{x}+r(t), \\
& \stackrel{\sigma),(11)}{=} Q(t) x+2 Q(t) v(x, t)+Q(t) a(x, t)+r(t),
\end{alineado}
Estas dos representaciones están relacionadas a través del problema de valor inicial
\begin{aligned}
& F_{t_0}^{\prime r_1}\left(x_0^{\prime}\right) \stackrel{(22)}{=} x_0^{\prime}+\int_{t_0}^{t 1}
v^{\prime}\left(F_{t_0}^{\prime \prime 1}\left(x_0^{\prime}\right), t\right) d t \\
& \stackrel{(8)}{=} x_0^{\prime}+\int_{t_0}^{t_1} \dot{Q}(t) F_{t_0}^{I_1}\left(x_0\right)+Q(t) \
dot{H}_{t_0}^{f_1}\left(x_0\right)+\dot{r}(t) d t \\
& =x_0^{\prime}+\int_{t_0}^{t_1} \dot{Q}(t) F_{t_0}^{f_1}\left(x_0\right) d t+\int_{t_0}^{f_1}
Q(t) \dot{F}_{t_0}^{f_1}\left(x_0\right) d t+[r(t)]_{t_0}^{t_1} \\
& \stackrel{\text { integration by parts }}{=} x_0^{\prime}+\left[Q(t) F_{t_0}^{t_1}\left(x_0\right)
+r(t)\right]_{t_0}^{t_1} \\
& =x_0^{\prime}+Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-\left(Q\left(t_0\
right) F_{t_0}^{t_0}\left(x_0\right)+r\left(t_0\right)\right) \\
& \stackrel{(5)}{=} x_0^{\prime}+Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-
x_0^{\prime} \\
& =Q\left(t_1\right) F_{I_0}^{r 1}\left(x_0\right)+r\left(t_1\right) . \\
&
\end{aligned}
\begin{aligned}
& \left\|F_{t_0}^{\prime t_1}\left(x_0^{\prime}\right)-F_{t_0}^{\prime t_1}\left(y_0^{\prime}\
right)\right\| \\
& \stackrel{(23)}{=}\left\|Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-Q\
left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)\right\| \\
& =\left\|Q\left(t_1\right)\left(F_{t_0}^{t_1}\left(x_0\right)-F_{t_0}^{t_1}\left(x_0\right)\right)\
right\| \\
& =\left\|F_{t_0}^{t_1}\left(x_0\right)-F_{t_0}^{t_1}\left(x_0\right)\right\| .
\end{aligned}
\mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^{d \times d}, \quad
t_0 \times t_1 \times x_0 \mapsto \nabla F_{t_0}^{t_1}\left(x_0\right)
se transforma a través de
\begin{aligned}
\nabla_{x_0^{\prime}} F_{t_0}^{\prime I 1}\left(x_0^{\prime}\right) & \stackrel{(23)}{=} \
nabla_{x_0^{\prime}}\left(Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)\right) \\
& =Q\left(t_1\right) \nabla_{x_0^{\prime}} F_{t_0}^{f 1}\left(x_0\right) \\
& \stackrel{(14)}{=} Q\left(t_1\right) \nabla_{x_0} F_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T
\end{aligned}
debido a la regla de la cadena [Liu03], lo que significa que el gradiente de deformación no es
objetivo, sino invariante galileana.
Por otro lado, el determinante del gradiente de deformación es objetivo, debido a la
multiplicatividad del determinante y la ortogonalidad de $Q(t)$ :
$$
\left|\nabla F^{\prime}\right|=\left|Q\left(t_1\right) \nabla F Q^T\left(t_0\right)\right|=\left|Q\
left(t_1\right)\right||\nabla F|\left|Q^T\left(t_0\right)\right|=|\nabla F| .
$$
5.1.9. Tensor de deformación verde de Cauchy
El tensor de deformación de Cauchy-Green correcto
$$
\begin{aligned}
& \mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^{d \times d}, \\
& t_0 \times t_1 \times x_0 \mapsto C_{t_0}^{d_1}\left(x_0\right)=\left(\nabla F_{t_0}^{s_1}\
left(x_0\right)\right)^T \nabla F_{t_0}^{s_1}\left(x_0\right)
\end{aligned}
$$
y sus valores propios son la base para el exponente de Lyapunov de tiempo finito (FTLE) [Hal02b] y
métodos relacionados basados en la expansión y contracción de partículas El tensor se transforma
mediante
$$
\begin{aligned}
C_{t_0}^{t_1 1}\left(x_0^{\prime}\right) & \stackrel{(28)}{=}\left(\nabla F_{t_0}^{t_1{ }^{\prime}}\
left(x_0^{\prime}\right)\right)^T \nabla F_{t_0}^{t_1{ }^{\prime}}\left(x_0^{\prime}\right) \\
& \stackrel{(26)}{=}\left(Q\left(t_1\right) \nabla F_{t_0}^{t_1}\left(x_0\right) Q\left(t_0\right)^T\
right)^T Q\left(t_1\right) \nabla F_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T \\
& =Q\left(t_0\right)\left(\nabla F_{t_0}^{t_1}\left(x_0\right)^T \nabla F_{t_0}^{t_1}\left(x_0\
right)\right) Q\left(t_0\right)^T \\
& \stackrel{(28)}{=} Q\left(t_0\right) C_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T .
\end{aligned}
$$
$$
\begin{aligned}
\lambda\left(C_{t_0}^{t_1}\left(x_0^{\prime}\right)\right) & \stackrel{(29)}{=} \lambda\left(Q\
left(t_0\right) C_{I_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T\right) \\
& =\lambda\left(C_{t_0}^{f_1}\left(x_0\right)\right),
\end{aligned}
$$
lo que los hace objetivos.
5.1.10. Distancia entre partículas en diferentes tiempos
El campo de desplazamiento
$$
\mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^d, \quad t_0 \times
t_1 \times x_0 \mapsto d_{t_0}^{t_1}\left(x_0\right)=F_{t_0}^{t_1}\left(x_0\right)-x_0
$$
dependiendo de la ubicación inicial $x_0$, la hora de inicio $t_0$ y la hora de finalización $t_1$,
mide la distancia entre las partículas observadas en diferentes momentos. A cada punto de inicio
$x_0$, asigna el vector entre él y la ubicación posterior de una parcela de flujo que se liberó en el
momento $t_0$ en la ubicación $x_0$. El campo de desplazamiento se transforma mediante.
$$
\begin{aligned}
d_{t_0}^{r f 1}\left(x_0^{\prime}\right) & \stackrel{(31)}{=} F_{t_0}^{\prime f_1}\left(x_0^{\prime}\
right)-x_0^{\prime} \\
& \stackrel{(23))}{=} Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-\left(Q\left(t_0\
right) x_0+r\left(t_0\right)\right) \\
& =Q\left(t_1\right)\left(F_{t_0}^{t_1}\left(x_0-x_0\right)+\left(Q\left(t_1\right)-Q\left(t_0\right)\
right) x_0+r\left(t_1\right)-r\left(t_0\right)\right. \\
& \stackrel{(31)}{=} Q\left(t_1\right) d\left(x_0, t_0, t_1\right)+\left(Q\left(t_1\right)-Q\left(t_0\
right)\right) x_0+r\left(t_1\right)-r\left(t_0\right),
\end{aligned}
$$
$$
v(x, t)=x+t-1 .
$$
Este campo tiene un punto crítico clásico en $x_0(t)=1-t$. Este punto crítico no forma una línea de
ruta, porque no es tangencial al campo vectorial $v\left(x_0(t), t\right)=1-t+t-1=0 \neq x_0(t)=- 1$.
Ejemplo 2 La topología clásica de campo vectorial estable no es invariante galileana. Como
contraejemplo, observamos el campo de vector estable ID
$$
v(x,t)=x.
$$
$v(x, t)$ se transforma bajo la coordenada galileana transforma $x^{\prime}=x+t$ al campo (33).
Su punto crítico en $x_0(t)=0$ se transforma en $x_0^{\prime}(t)=$ $t$, que no coincide con el
punto crítico en $1-t$ del campo transformado (33) .
Prueba Supongamos un campo vectorial $v(x, t): \mathbb{R}^d \times \mathbb{R} \rightarrow \
mathbb{R}^d$ que tiene la descomposición de Helmholtz Hodge
$$
v(x, t)=d(x, t)+r(x, t)+h(x, t)
$$
donde $d$ contiene la parte divergente, $r$ la parte rotacional y $h$ la parte armónica. De ( 8 ) se
deduce que el campo transformado por una traducción dependiente del tiempo $x^{\
prime}=x+r(t)$ tiene la forma
$$
v^{\prime}\left(x^{\prime}, t\right)=v(x, t)+r(t)
$$
Dado que $r(t)$ es independiente de $x$, es libre de divergencia y rotación y pertenece a la parte
armónica $h$ de la descomposición. Como resultado, no tiene influencia en los flujos localizados
sugeridos por ambos métodos $v^*(x, t):=d(x, t)+r(x, t)$ donde se elimina la parte armónica.
Ejemplo 5 Mostramos que el método de Bhatia ef al. [BPB14, BPKB 14] no es objetivo para el
ejemplo del campo vectorial cero
$$
v(x, y)=\left(\begin{array}{l}
0 \\
0
\end{array}\right).
$$
Su flujo localizado $v^*\left(x_0, y_0\right)=d^*\left(x_0, 0\right)+r^*\left(x_0, 0\right)$ también
es cero, porque
$$
\begin{aligned}
& D^*\left(x_0, y_0\right):=\int_{\Omega} G_{\infty}\left(x, x_0\right) \nabla \cdot v(x) d x=0, \\
& R^*\left(x_0, y_0\right):=-\int_{\Omega} G_{\infty}\left(x, x_0\right) \nabla \times v(x) d x=0,
\end{aligned}
$$
donde $G_{\infty}$ es la función de Green en el espacio libre, y
$$
\begin{aligned}
d^*\left(x_0, y_0\right) & :=\nabla \cdot D^*\left(x_0\right)=0, \\
r^*\left(x_0, y_0\right) & :=\nabla \times R^*\left(x_0\right)=0 .
\end{aligned}
$$
De (8) se deduce que la contraparte rotada por $x^{\prime}=Q(t) x$ con la matriz que representa
una rotación de $\pi$ en el momento $t=0$ es suficiente
$$
\hat{p}(x, x)=\left(\begin{array}{c}
-y \\
X
\end{array}\right).
$$
En la descomposición de Helmholtz Hodge, esta parte debe estar en la componente rotacional,
porque no es armónica ni divergente. Por tanto, la parte rotacional no coincide con su contraparte
original, que era cero.
Teorema 2 La estabilización de Hadwiger et al. [HMTR18] coincide con el caso estable si se omite el
término de regularización, es decir, para $\mu=0$.
se transforma mediante una transformación galileana $x^{\prime}-x-a$ Entonces el campo
transformador es un campo de exterminio $a(x, t)-c$ satisfactorio.
$$
x^{\prime}-x-\int_0 d(x(\tau), \tau) d \tau-x-\int_0 c d r-x-a
$$
y el campo indomable cuenta la forma
$$
v^{\prime}\left(x^{\prime}, t\right)=v(x)-i(x, t)-x-c-x^r+a-c .
$$
Entonces, dado que estás matando, la energía asesina no contribuye a la integral de energía. .
suponemos $\lambda-1, \mu-2$ y el dominio $\Omega=$ $[0,1] \times[-1,1]$.
$$
\begin{aligned}
& E(c)=\int_0^1 \int_{-1}^1\left|\frac{D v_a\left(\zeta_1, \tau\right)}{D}\right|+2\left|v_a(5, r)\
right| d z d s \\
& =\int_0^1 \int_{-1}^1\left|v_c+\nabla v \cdot u\right|+2|x+a-c| d x d ; \\
& -\int_0^1 \int_{-1}^1|0+1 c|+2|x+a-c| d e d t^2 \\
&
\end{aligned}
$$
que toma su mínimo en $E(-3/16)-29/16$, lo que significa que el campo sólido $v(x)-x$ está
insertado en el campo inestable $v_u(x, t)=x-3 / 16+3 / 16$ Como resultado, aplicar la topología
estable al campo adaptado $v_u$ general no coincide con la topología estable del campo de
entrada.
Del Teorema 2 se deduce que esta elección es consecuencia de la regularización. Se puede mitigar
con un pequeño cambio:
1. Intente calcular el campo del observador con $\mu=0$, es decir, deshabilitando la
regularización. Si se encuentra un mínimo único, el campo de observador correspondiente dejará
los campos estables sin cambios.
2 Si no había un mínimo único, establezca μ a un valor muy pequeño y calcular el campo del
observador con eso.
Ejemplo 8 Demostraremos que las líneas críticas en el campo estabilizado producidas por el
método sugerido por Hadwigeret al.[HMTR18] generalmente no son lagrangianos.. De manera
simple, asumimos $\mu-0$ y $0<\lambda<<1$, es decir, las ponderaciones se establecen de modo
que el término de energía de destrucción en la minimización tenga una ponderación
desproporcionadamente alta, de modo que solo los campos de destrucción verdaderos tusones
posibles y la minimización de energía sólo afecta a la estabilidad. Análogamente al ejemplo7,
tratamos un campo vectorial 1D
$$
v(x)=\left(x-t^2\right)^2
$$
bajo sólo una trasformación galiana $x^{\prime}-x-a$
$$
\gamma\left(x^{\prime} t\right)-\gamma(x)-a(x, t)-\left(x-t^2\right)^2-c-\left(x^{\ primo}+a-t^2\
right)^2-c .
$$
En el dominio $\Omega=\mid 0,1] \times(-1,1]$ la energía toma la forma
$$
E(c){ }^{(44)} \lambda \int_0^1 \int_{-1}^1 \mid 4 t\left(-a^2+x\right)-c\left(2 x-2 a^2 y d d s ;\right.
$$
que requiere un mínimo de $ 2 E (0) -4 / 3 $. Eso significa Eso significa que el campo de entrada no
se transforma. Sus ceros son transforma. $x_{\mathrm{D}}(2)-t^2 w$ tangente $x_0(t)-2 y$ que
no apunta en la dirección del flujo $\gamma_a\left(x_D(t) , t\right)=0$. Dado que las líneas de ruta
se transforman en líneas de ruta a través de la transformación, la línea $x_0(t)$ transformado a las
coordenadas originales tampoco es una línea de ruta en el campo original.
Ejemplo 9Mostramos que la optimización sugerida por Rojo y
Alabama. [RG20] generalmente no extrae puntos críticos lagrangianos. Como ejemplo, tomamos el
campo vectorial.
$$
v(x, t)=\left(\begin{array}{c}
\left(x-t^2\right)^2 \\
y^2
\end{array}\right)
$$ Suponemos una transformación galileana que no depende del espacio, por lo que la
aproximación de Taylor de orden cero del desplazamiento La función de mento debería ser
suficiente. En ese caso, la matriz $M$ tiene la forma.
$$
M(x+t)=\left(\begin{array}{ll}
-J & I
\end{array}\right)=\left(\begin{array}{cccc}
2^2-2 x & 0 & 1 & 0 \\
0 & -2 y & 0 & 1
\end{array}\right) .
$$
La derivada temporal parcial de $v$ basta :
$$
w(x, t)=\left(\begin{array}{c}
4\left(t^2-x\right) t \\
0
\end{array}\right)
$$
Para cada ubicación, integramos sobre una vecindad espacial simétrica y resuelve el ajuste de
mínimos cuadrados
$$
\int_{-c}^c \int_{-c}^c M^T(x+2) M(x, t) d x d y=-\int_{-c}^c \int_{-c}^c M^T v_b d x d y
$$
lo que resulta en
$$
P=\left(\begin{array}{c}
-2 \\
0 \\
0 \\
0
\end{array}\right)
$$
independientemente de la ubicación y el tamaño del vecindario. Como resultado, el flujo
estabilizado w toma la forma
$$
w(x, t)-v(x, t)+\left(\begin{array}{c}
-2 y \\
0
\end{array}\right)-\left(\begin{array}{c}
\left(x-t^2\right)^2-2 y \\
y^2
\end{array}\right) .
$$
$(2 t \pm 1 / \sqrt{2}, 0)$. Los campos específicos $f$ y $v$ apuntan a lo largo de $v\left(x_0^*(t),
f\right)=$ $(22,0)$ thoegh, lo que significa que $x_D^{\infty}( 2)$ no es una ruta. Por lo tanto, el
método no es no es lagrangiano.
Un ejemplo de campo vectorial 1D (tiempo vertical, espacio horizontal) que muestra que la
topología orientada a líneas de ruta de no es invariante galileana. La fuente se transforma en un
sumidero mediante la transformación. La línea roja muestra el plano ortogonal a la velocidad y las
flechas rojas las proyecciones sobre el plano.
(a) Velocidad del (b) Su mapa de flujo $F_0^1\left(x_0\right)$ (c) Gradiente del mapa de flujo $1
D$ campo vectorial $v(x)$ de (57) visualizado $\nabla F_0^1 \left(x_0\right)$ de (58) y de (56). $\
quad$ hasta el punto final como 1 como referencia a la función de separación del punto de inicio.
tasa de expansión desde regiones atractivas.
Figura 15: La expansión máxima $x \in\left[0.5,1.55 e^{-t}+0.45\right]$ y la ubicación de la silla
$x=0$ en general no coinciden. Eje horizontal: espacio.
val $\left[0.5,1.55 e^{-t}+0.45\right]$, que excluye la verdadera ubicación del punto crítico en
$x_0=0$.
5.2.4. Generalización de puntos críticos
Esta subsección contiene contraejemplos para la Tabla 4.
Ejemplo 12 Kasten et al. [KHNH11] utiliza ubicaciones que minimicen la aceleración. Dado que en
un campo estacionario la aceleración en un punto crítico es cero, se incluyen todos los puntos
críticos clásicos, es decir, la definición es suficiente. Sin embargo, el siguiente ejemplo $1 \
mathrm{D}$ mostrará que la definición no es necesaria. El campo vectorial $1 \mathrm{D}$
$$
v(x)=\sqrt{x}+x e^{-|x|}
$$
tiene la aceleración
$$
a(x)=\left(\frac{1}{2 \sqrt{x}}+e^{-|x|}-\frac{x^2 e^{-|x|}}{|x| }\right)\left(\sqrt{x}+x e^{-|x|}\right)
$$
Ejemplo 13 Las líneas de aceleración de fuga en general no son líneas de trayectoria, por ejemplo,
el campo vectorial 1D dependiente del tiempo
$$
v(x,t)=x+t^2
$$
tiene la aceleración
$$
a(x,t)=t^2+2t+x
$$
con un cero a lo largo de la línea $x_0(t)=-t^2-2 t$. La tangente de esta recta satisface $\
dot{x}_0(t)=-2 t-2$, pero el campo vectorial a lo largo de esta recta es suficiente $v\left(x_0(t), t\
right)=-2 t $, lo que significa que no sigue la línea, lo que significa que los métodos sugeridos por
Kasten et al. [KHNH11] y Fuchs et al. [FKS*10], y el método basado en la aceleración de
Reininghaus et al. [RH11] no son lagrangianas.
Kasten et al. [KHNH11] y Fuchs et al. [FKS*10] amplían su idea de buscar mínimos/ceros de
aceleración utilizando el suavizado lagrangiano e introducen puntos de equilibrio lagrangiano, que
son líneas de trayectoria que exhiben una baja aceleración durante un período de tiempo. Su
método se basa en varios parámetros: umbrales para la aceleración, la aceleración relativa en
comparación con puntos vecinos y un
El campo (59) v está en rojo, su jacobiano J está en verde y su aceleración a está en azul. La
aceleración asume un mínimo.
Prueba En el caso de un campo vectorial estable, la aceleración $a=$ $\nabla v v+v_t$ se simplifica
a $a=\nabla v v$, que es cero si $v=0$ o el rango de $\nabla v$ no está lleno y $v$ está en su
núcleo. En el primer caso, tenemos un punto crítico estable. En el último caso, el determinante del
jacobiano $\nabla v$ es cero, lo que lo haría degenerar.
Ejemplo 14 Bujack et al. [BHJ16] observa los extremos del determinante del jacobiano. Estos
generalmente no coinciden con los puntos críticos clásicos. Por ejemplo, el campo vectorial
estacionario
$$
v(x, y)=\left(\begin{array}{c}
x-1 \\
y
\end{array}\right) e^{-\sqrt{x^2+y^2}}
$$
tiene un punto crítico en $(1,0)^T$, pero el máximo del determinante del jacobiano
$$
e^{-2 \sqrt{x^2+y^2}} \frac{\sqrt{x^2+y^2}\left(x^2+y^2-x\right)-x^2 -y^2}{x^2+y^2}
$$
está ubicado en $(0,0)^T$, compare la Fig. 17.
El mismo ejemplo muestra que el método no es lagrangiano, porque la tangente $\
dot{x}_0(t)=(0,0)^T$ de la línea extraída del determinante máximo del jacobiano $x_0(t)=( 0,0)^T$
no es tangencial al campo vectorial $v\left(x_0(t)\right)=v(0,0)=(-1,0)^T$.
Ejemplo 16 El método de Wang et al. [WBPRH17] no encuentra un segundo punto crítico para
anular un punto crítico generalizado para el ejemplo simple (63). Supondremos que, en este caso,
dicho punto crítico se anula con un punto ficticio en el infinito. El campo es tan simple que, para
alcanzar el infinito desde cada punto en su propio sistema de referencia $\tilde{v}(x, y)=v(x, y)-v\
left(x_0, y_0\right)$ , encontraremos una trayectoria monótona en el campo de magnitud de
velocidad adaptada. Por lo tanto, podemos obtener la robustez de la diferencia entre la magnitud
de la velocidad del punto en cuestión, que es cero en su propio marco, y el infinito, que es $\lim
_{\sqrt{x^2+y^2} \ flecha derecha \infty}\left\|v(x, y)-v\left(x_0, y_0\right)\right\|=\left\|v\
left(x_0, y_0\right)\right\|$. Por lo tanto, el máximo de la robustez generalizada también se ubica
en $(0,0)$ como en el Ejemplo 14. Como resultado, el método de Wang et al. [WBPRH17] no
coincide con la topología clásica y no es lagrangiana.
6. Trabajo relacionado más allá de la visualización
El estudio de la topología de flujo dependiente del tiempo va más allá de la literatura sobre
visualización para incluir dinámica de fluidos y sistemas dinámicos, por nombrar algunos. Dado que
el objetivo de la visualización es ayudar a los científicos de aplicaciones a obtener información
sobre sus datos y amplificar la cognición [CMS99], creemos que prestar mucha atención a sus
problemas y soluciones es crucial, porque tienen una comprensión más profunda de su campo. A
menudo, los avances en matemáticas, ciencias e ingeniería inspirarán nuevas técnicas de
visualización. En esta sección proporcionamos algunos ejemplos que creemos que son más
prometedores para avanzar en la topología y visualización del flujo inestable en el futuro.
Quemadura negraet al.y otros utilizan los límites entre regiones con valores propios complejos y
regiones con valores propios reales para segmentar el dominio en regiones coherentes. Chonget
definen los puntos críticos en el flujo 3D como puntos donde la pendiente de la línea de corriente
es indeterminada y la velocidad es cero en relación con un observador apropiado. Clasifican las
líneas de corriente según su comportamiento 2D alrededor de los puntos críticos en los tres
planos de vectores propios. Excluyen explícitamente los marcos giratorios y asumen que el centro
de coordenadas sigue una partícula fluida. Soriaet calculan las invariantes del jacobiano en todas
partes del dominio y detectan una forma de lágrima que parece característica del flujo de fluido
incompresible. Posteriormente, Chacín y Cantwell [CC00] utilizan los invariantes lagrangianos
promediados del Jacobiano a lo largo de líneas de trayectoria para detectar dos regiones separadas
de altas concentraciones. Además, encuentran que los límites entre regiones con valores propios
complejos y aquellas con valores propios reales se correlacionan sólo con regiones de alto estrés
de Reynolds y eventos generadores de energía cinética.
ideaet al.[ISW02] analizan trayectorias hiperbólicas distinguidas. Consideran una trayectoria
hiperbólica si la linealización del flujo a su alrededor tiene un conjunto completo de soluciones que
crecen o decrecen exponencialmente. Una trayectoria es distinguida reside en un barrio
delimitado para siempre mientras todos sus vecinos abandonan este barrio. Si todas las
trayectorias salen del dominio. aplicar una transformación de coordenadas basada en una
estructura euleriana, como un punto crítico. Muestran que no existen trayectorias hiperbólicas
únicas y distinguidas si el campo de flujo se da solo durante un tiempo finito, pero sugieren una
aproximación basada en una extensión artificial del tiempo hasta el infinito utilizando la serie de
Fourier. Muestran que estas trayectorias coinciden con las líneas críticas esperadas en campos
lineales incluso bajo cambios en el marco de referencia. Más tarde Juet sugieren un algoritmo
iterativo para la extracción computacional de estas trayectorias hiperbólicas distinguidas
aproximadas. Branicki y Wiggins [BW09] extiende el algoritmo iterativo al flujo tridimensional.
En este contexto, el flujo podría interpretarse como un mapeo de una discretización temporal de
un campo vectorial. Dado un campo vectorial estable $v$ en un dominio $X$, el mapa $f: X \
rightarrow X$ describe el movimiento desde un paso de tiempo $t$ al siguiente paso de tiempo
$t+\tau$. Una trayectoria por un punto $x \in X$ es entonces una función $\sigma_x: Z \rightarrow
X$ generada por la aplicación consecutiva de la función $f$, con $\sigma_x(0)=x$ y $\
sigma_x( n+1)=f(x(n))=f^k(x)$. En combinación con una discretización espacial, el campo vectorial
puede representarse mediante un operador de transferencia y expresarse como una matriz de
transferencia. Existe una difusión numérica inherente asociada con el procedimiento de
discretización, y la La noción de conjuntos invariantes es reemplazada por conjuntos casi
invariantes. Por ejemplo, Según esta formulación, las órbitas cerradas están representadas por
conjuntos recurrentes de cadenas portacables. Los puntos críticos son ejemplos para aislar
invariantes.
conjuntos y se pueden representar aislando vecindarios que son robustos con respecto a pequeños
cambios en el campo. Este concepto proporciona la base para varios enfoques algorítmicos. para la
extracción de las estructuras dinámicas de un vector campo calculando una descomposición
"óptima" en casi conjuntos invariantes. Estos son métodos computacionales que pueden
proporcionar información precisa sobre estructuras globales de dinámica no lineal. sistemas y son
rigurosos en el sentido de las matemáticas. pruebas modela el comportamiento del sistema
dinámico como una cadena de Markov de estado finito representada por una matriz de transición.
Su objetivo es dividir la fase. espacio en un número finito de conjuntos conectados Ai con interior
no vacío cubriendo el espacio de fase, que revelan el grano grueso dinámica que muestra la
evolución de los decorados. Describen un algoritmo numérico para detectar "conjuntos casi
invariantes casi óptimos y ciclos". Con respecto a la teoría de campos vectoriales estándar, su La
teoría asume un campo vectorial independiente del tiempo y no es lagrangiana. ni invariante
galileana.
Basándose en tales observaciones, extrae conjuntos coherentes analizando el cambio de los límites
del conjunto al adveccionar los conjuntos. El concepto de conjuntos coherentes se basa en las
propiedades de transporte del flujo y, por tanto, tiene una perspectiva lagrangiana. Dado que su
cálculo se basa únicamente en el desarrollo de conjuntos, también es invariante galileano y
objetivo. Sin embargo, la discretización elegida específicamente puede violar la condición
invariante estricta.
6.3. Estructuras coherentes lagrangianas
Haller [Hal15] analiza el trabajo reciente sobre estructuras coherentes lagrangianas (LCS), en el que
rechaza sus enfoques anteriores basados en y promueve líneas y líneas de estiramiento como LCS
Una encuesta que sigue una estructura similar a la nuestra realizada por Hadjighasem analiza y
compara enfoques para identificar LCS. También analiza los métodos en función de sus efectos
matemáticos. propiedades. Señalamos brevemente los más prometedores y menos comunes.
enfoques utilizados para el campo de la visualización. Froyland persigue el objetivo de identificar
barreras a la mezcla, que son localmente los que repelen o atraen más fuerte objetos. Lo central
del método es el análisis del operador de transferencia, que es un operador lineal que proporciona
una descripción global del Acción del flujo sobre las densidades. En la implementación, este
operador se discretiza dando como resultado una matriz de transición de cadena de Markov. Casi
Los conjuntos invariantes corresponden entonces a vectores singulares de esta matriz.
Hadjighasem et al. [HKTH16] construye una matriz de similitud $W \in$ $\mathbb{R}^{n \times n}$
en la que cada entrada $W_{i j}$ es el recíproco de las distancias $L^1$ entre los $ Trayectoria de
partícula i$-ésima y $j$-ésima. Luego, hacen uso de la agrupación espectral para identificar el
número óptimo de agrupaciones buscando la mayor diferencia entre valores propios generalizados
consecutivos en la matriz $D-W$, donde $D$ es la matriz diagonal que contiene las sumas de las
filas de $W$. Luego, usan k-medias para agrupar la matriz $U \in \mathbb{R}^{n \times k}$ de los
primeros vectores propios generalizados en $k+1$ grupos, el adicional representa el fondo
incoherente.
La teoría geodésica de LCS combina LCS hiperbólicas y parabólicas, trayectorias de corte
lagrangiano promedio [FH12, FH13] y LCS elípticas, trayectorias cerradas de deformación promedio
[HBV 13].
Banisch y Koltai [BK17] aplican mapas de difusión a las trayectorias de los conglomerados. Heil et
al. [HRHB17] define la topología de flujo a través de la topología escalar del campo de vorticidad.
Esta noción de topología se aplica a la calle de vórtices de Karman para diferentes números de
Reynolds para comprender mejor la formación de vórtices. Rypina et al. [RSPB11] divide el dominio
en función de diferentes niveles de complejidad (ergodicidad, cobertura espacial).
Algorítmicamente, se cuenta el número de puntos de muestreo en la línea de ruta en celdas. El
tamaño de la celda es un parámetro algorítmico. Una línea de trayectoria se considera un punto
fijo si es un mínimo en el campo de la ergodicidad.