1.5 Numerisk modellering av bevegelse

Når formlene tar slutt

Hittil har vi løst bevegelse analytisk — vi har funnet eksakte formler som $v(t) = v_0 + at$ og $\displaystyle x(t) = x_0 + v_0 t + \frac{1}{2}at^2$. Det fungerer fint så lenge akselerasjonen er konstant. Men virkeligheten er sjelden så snill. Luftmotstand vokser med farten, fjærkrefter avhenger av posisjon, gravitasjon endrer seg med avstand, og magnetiske krefter avhenger av både hvor og hvor fort. For slike problemer finnes det ofte ingen formel å løse — ingen eksakt analytisk løsning eksisterer.

Da griper vi til numeriske metoder: algoritmer som regner ut tilnærmede verdier steg for steg. Vi deler tiden opp i små biter $\Delta t$, beregner posisjon og hastighet trinnvis, og bygger oss fram gjennom bevegelsen. Det er nøyaktig slik datamaskiner simulerer satellittbaner, værmodeller, dataspill og molekyler. Grunnideen er forbløffende enkel: ny verdi = gammel verdi + endring.

Eulers metode

Den enkleste numeriske metoden er Eulers metode, oppkalt etter Leonhard Euler. Den bygger direkte på definisjonen av den deriverte. Husk at $\displaystyle f'(t) = \lim_{\Delta t\to 0}\frac{f(t+\Delta t) - f(t)}{\Delta t}$. Hvis vi ikke tar grensen, men bruker en liten, endelig $\Delta t$, får vi en tilnærming som omskrevet gir Euler-formelen:

$$f(t + \Delta t) \approx f(t) + f'(t)\cdot\Delta t$$

Geometrisk betyr dette at vi følger tangenten et lite skritt om gangen, og erstatter den buede løsningskurven med en rekke rette linjestykker. For bevegelse i én dimensjon blir oppdateringene:

$$v_{n+1} = v_n + a_n\cdot\Delta t \qquad x_{n+1} = x_n + v_n\cdot\Delta t$$

Algoritmen er en enkel løkke: sett startverdier $x_0$, $v_0$, $t_0 = 0$ og et tidssteg $\Delta t$; beregn så akselerasjonen $a_n = F_n/m$ fra kreftene, oppdater hastighet, så posisjon, så tid, og gjenta til du når sluttiden. Mindre $\Delta t$ gir bedre nøyaktighet, men krever flere beregninger. Tommelregelen er at $\Delta t$ skal være mye mindre enn systemets karakteristiske tidsskala — for fritt fall holder kanskje $0{,}01$–$0{,}1$ s, mens en pendel krever $0{,}001$–$0{,}01$ s.

La oss prøve på fritt fall fra $20$ m med $\Delta t = 0{,}5$ s og $g = 10$ m/s². Start: $v = 0$, $y = 20$. Etter første steg: $v = 0 + (-10)\cdot 0{,}5 = -5$ m/s, $y = 20 + 0\cdot 0{,}5 = 20$ m. Andre steg ($t=1{,}0$ s): $v = -5 - 5 = -10$ m/s, $y = 20 + (-5)\cdot 0{,}5 = 17{,}5$ m. Den analytiske fasiten er $\displaystyle y = 20 - \frac{1}{2}\cdot 10\cdot 1 = 15$ m — Euler ligger litt etter, fordi vi brukte den gamle hastigheten.

Feilkilder og en bedre metode

Euler er enkel, men ikke perfekt. Den viktigste feilkilden er diskretiseringsfeilen (avkuttingsfeil): vi erstatter en glatt kurve med rette stykker. For Eulers metode er feilen per steg proporsjonal med $(\Delta t)^2$, mens den totale feilen etter mange steg er proporsjonal med $\Delta t$. Halverer du tidssteget, halverer du den totale feilen — derfor kalles Euler en førsteordens metode. I tillegg kan feilene akkumulere: feil i posisjon påvirker kraftberegningen, feil i hastighet påvirker posisjonen, og de kan forsterke hverandre. For noen systemer blir metoden til og med ustabil, slik at feilene vokser eksponentielt — typisk når tidssteget er for stort eller systemet svinger raskt.

Heldigvis finnes en nesten gratis forbedring: Euler-Cromer-metoden (symplektisk Euler). Den eneste forskjellen er at vi bruker den nye hastigheten når vi oppdaterer posisjonen:

$$v_{n+1} = v_n + a_n\Delta t \qquad x_{n+1} = x_n + v_{n+1}\Delta t$$

Denne lille endringen bevarer energien langt bedre i svingende systemer som pendler og fjærer, og er mye mer stabil — men like enkel å programmere. Anbefalingen er klar: bruk Euler-Cromer i stedet for vanlig Euler for de fleste fysikkproblemer. Enda mer nøyaktige metoder finnes, som midtpunktmetoden og Runge-Kutta, men de er mer komplekse.

Numerisk modellering i praksis

Det er når kreftene blir kompliserte at numeriske metoder virkelig skinner. Ta en fallskjermhopper med masse $80$ kg og luftmotstand $F_L = -bv^2$ med $b = 0{,}25$ kg/m. Bevegelseslikningen blir $ma = mg - bv^2$. Når luftmotstanden balanserer tyngden, slutter hopperen å akselerere og når terminalhastigheten, der $mg = bv_t^2$, altså $v_t = \sqrt{mg/b} = \sqrt{80\cdot 9{,}81/0{,}25} = 56$ m/s. Selve veien dit har ingen enkel formel — akselerasjonen avhenger av farten i kvadrat — så her løser vi numerisk og kan til og med sammenligne med den eksakte løsningen $v(t) = v_t\tanh(gt/v_t)$ for å sjekke koden.

Et annet klassisk eksempel er pendelen, der vinkelakselerasjonen er $\displaystyle \alpha = -\frac{g}{L}\sin\theta$. For små utslag ($\theta < 15°$) kan vi tilnærme $\sin\theta \approx \theta$ og få en analytisk løsning, men for store utslag må vi simulere — og da er Euler-Cromer uvurderlig fordi den bevarer energien gjennom svingningene. De samme teknikkene driver simulering av planetbaner (der gravitasjonen $F = -GMm/r^2$ varierer med avstand), skrått kast med luftmotstand (asymmetrisk bane, optimal vinkel under $45°$), bremsesystemer, sportsanalyse med Magnus-effekt, og værmodeller. Numerisk modellering er rett og slett broen mellom fysikkens lover og den uryddige virkeligheten.

Oppsummering

Når akselerasjonen ikke er konstant — ved luftmotstand, varierende gravitasjon eller posisjonsavhengige krefter — finnes det ofte ingen analytisk løsning, og da bruker vi numeriske metoder. Eulers metode oppdaterer trinnvis: $v_{n+1} = v_n + a_n\Delta t$ og $x_{n+1} = x_n + v_n\Delta t$, ved å følge tangenten i små skritt. Den er en førsteordens metode der den totale feilen er proporsjonal med tidssteget $\Delta t$, og feil kan akkumulere og gjøre metoden ustabil. Euler-Cromer-metoden bruker den nye hastigheten i posisjonsoppdateringen og bevarer energien mye bedre i svingende systemer. Med disse verktøyene kan vi simulere alt fra fallskjermhoppere med terminalhastighet $v_t = \sqrt{mg/b}$ til pendler med store utslag og planetbaner — broen mellom fysikkens lover og den kompliserte virkeligheten.