Ciencia Aplicada a la Ingenierı́a Dr. Roberto Rozas Ecuaciones Diferenciales 05.06.2024 I Semestre 2024 e-mail: rrozas@ubiobio.cl Tarea 2 Estudiante: Christopher Vergara Saavedra Evolución de poblaciones (20 pts) Problema N°1: El modelo de Lotka-Volterra dx = ax − bxy dt dy = −cy + dxy dt describe la evolución de las poblaciones de predadores y y presas x. a, b, c y d son parámetros del modelo. La población de presas además de ser reducida por la interacción con predadores puede estar limitada tambı́en por otros factores como el espacio disponible. Este factor puede ser incorporado mediante una contribución similar a la del modelo logı́stico de crecimiento. El modelo Lotka-Volterra modificado es dx x =a 1− x − bxy dt K dy = −cy + dxy dt donde K es la población máxima que x alcanzarı́a sin predadores. Considere a = 1.2, b = 0.6, c = 0.8 y d = 0.3 y las condiciones iniciales x(0) = 2 e y(0) = 1. Usando el método Runge-Kutta de cuarto orden con un paso ∆t = 0.1 resuelva la evolución de x e y para 0 ≤ t < 100 en los siguientes casos (a) El modelo Lotka-Volterra. (b) El modelo Lotka-Volterra modificado con K = 108 . (c) El modelo Lotka-Volterra modificado con K = 20. Incluya el código del programa utilizado para resolver el problema. 1 Solución: (b) (c) Código MATLAB utilizado: %% Parametros y c o n d i c i o n e s i n i c i a l e s h = 0.1; t0 = 0 ; t f = 100; a = 1.2; b = 0.6; c = 0.8; d = 0.3; x0 = 2 ; y0 = 1 ; %% Modelo Lotka−V o l t e r r a dxdt=@( x , y ) ( a ∗x−b∗x . ∗ y ) ; dydt=@( x , y)(− c ∗y+d∗x . ∗ y ) ; t = t0 : h : t f ; x = zeros ( 1 , length ( t ) ) ; x ( 1 ) = x0 ; y = zeros ( 1 , length ( t ) ) ; y ( 1 ) = y0 ; f o r i =1:( length ( t ) −1) 2 kx1 = dxdt ( x ( i ) , y ( i ) ) ; ky1 = dydt ( x ( i ) , y ( i ) ) ; kx2 = dxdt ( x ( i )+0.5∗ h∗kx1 , y ( i )+0.5∗ h∗ ky1 ) ; ky2 = dydt ( x ( i )+0.5∗ h∗kx1 , y ( i )+0.5∗ h∗ ky1 ) ; kx3 = dxdt ( ( x ( i )+0.5∗ h∗ kx2 ) , y ( i )+0.5∗ h∗ ky2 ) ; ky3 = dydt ( ( x ( i )+0.5∗ h∗ kx2 ) , ( y ( i )+0.5∗ h∗ ky2 ) ) ; kx4 = dxdt ( ( x ( i )+kx3 ∗h ) , y ( i )+ky3 ∗h ) ; ky4 = dydt ( ( x ( i )+kx3 ∗h ) , ( y ( i )+ky3 ∗h ) ) ; x ( i +1) = x ( i ) + ( 1 / 6 ) ∗ ( kx1+2∗kx2+2∗kx3+kx4 ) ∗ h ; y ( i +1) = y ( i ) + ( 1 / 6 ) ∗ ( ky1+2∗ky2+2∗ky3+ky4 ) ∗ h ; end figure ( 1 ) ; plot ( t , x ) ; hold on plot ( t , y ) ; xlabel ( ’ Tiempo [ s ] ’ ) ; ylabel ( ’ P o b l a c i o n ’ ) ; t i t l e ( ’ Modelo Lotka−V o l t e r r a | E v o l u c i o n P r e d a d o r e s y P r e s a s ’ ) ; legend ( ’ P r e d a d o r e s ’ , ’ P r e s a s ’ ) figure ( 2 ) ; plot ( x , y ) xlabel ( ’ P o b l a c i o n P r e d a d o r e s ’ ) ; ylabel ( ’ P o b l a c i o n P r e s a s ’ ) ; t i t l e ( ’ Modelo Lotka−V o l t e r r a | R e l a c i o n P r e d a d o r e s y P r e s a s ’ ) ; %% Modelo Lotka−V o l t e r r a m o d i f i c a d o option = 2; i f o p t i o n == 1 K = 1E8 ; e l s e i f o p t i o n == 2 K = 20; end dxdt=@( x , y ) ( a .∗(1 −( x/K) ) . ∗ x−b . ∗ x . ∗ y ) ; dydt=@( x , y)(− c . ∗ y+d . ∗ x . ∗ y ) ; t = t0 : h : t f ; x = zeros ( 1 , length ( t ) ) ; x ( 1 ) = x0 ; y = zeros ( 1 , length ( t ) ) ; y ( 1 ) = y0 ; 3 f o r i =1:( length ( t ) −1) kx1 = dxdt ( x ( i ) , y ( i ) ) ; ky1 = dydt ( x ( i ) , y ( i ) ) ; kx2 = dxdt ( x ( i )+0.5∗ h∗kx1 , y ( i )+0.5∗ h∗ ky1 ) ; ky2 = dydt ( x ( i )+0.5∗ h∗kx1 , y ( i )+0.5∗ h∗ ky1 ) ; kx3 = dxdt ( ( x ( i )+0.5∗ h∗ kx2 ) , y ( i )+0.5∗ h∗ ky2 ) ; ky3 = dydt ( ( x ( i )+0.5∗ h∗ kx2 ) , ( y ( i )+0.5∗ h∗ ky2 ) ) ; kx4 = dxdt ( ( x ( i )+kx3 ∗h ) , y ( i )+ky3 ∗h ) ; ky4 = dydt ( ( x ( i )+kx3 ∗h ) , ( y ( i )+ky3 ∗h ) ) ; x ( i +1) = x ( i ) + ( 1 / 6 ) ∗ ( kx1+2∗kx2+2∗kx3+kx4 ) ∗ h ; y ( i +1) = y ( i ) + ( 1 / 6 ) ∗ ( ky1+2∗ky2+2∗ky3+ky4 ) ∗ h ; end figure ( 1 ) ; plot ( t , x ) ; hold on plot ( t , y ) ; xlabel ( ’ Tiempo [ s ] ’ ) ; ylabel ( ’ P o b l a c i o n ’ ) ; legend ( ’ P r e d a d o r e s ’ , ’ P r e s a s ’ ) i f o p t i o n == 1 t i t l e ( ” Modelo Lotka−V o l t e r r a m o d i f i c a d o , K = 10ˆ8 | E v o l u c i o n P r e d a d o r e s y P r e s a s e l s e i f o p t i o n == 2 t i t l e ( ” Modelo Lotka−V o l t e r r a m o d i f i c a d o , K = 20 | E v o l u c i o n P r e d a d o r e s y P r e s a s ” ) end figure ( 2 ) ; plot ( x , y ) xlabel ( ’ P o b l a c i o n P r e d a d o r e s ’ ) ; ylabel ( ’ P o b l a c i o n P r e s a s ’ ) ; i f o p t i o n == 1 t i t l e ( ’ Modelo Lotka−V o l t e r r a Modificado , K = 10ˆ8 | R e t r a t o de Fase ’ ) ; e l s e i f o p t i o n == 2 t i t l e ( ’ Modelo Lotka−V o l t e r r a Modificado , K = 20 | R e t r a t o de Fase ’ ) ; end 4 Problema N°2: Barra sometida a carga (20 pts) La ecuación diferencial de una barra sometida a una carga uniforme con los extremos fijos es d2 y wLx wx2 − EI 2 = dx 2 2 Al derivar dos veces esta ecuación respecto a x se obtiene una ecuación equivalente d4 y EI 4 = −w dx Se requiere de cuatro condiciones para resolver el problema. Considere que el módulo elástico de una barra es E = 200 MPa, el segundo momento de area I = 3 · 10−4 m4 , la densidad lineal de carga w = 15 kN/m y L = 3 m. Las condiciones de contorno en el extremo izquierdo de la barra son y(0) = 0 m, y ′ (0) = −0.28125, y ′′ (0) = 0 m−1 e y ′′′ (0) = 0.375 m−2 . (a) Obtenga una solución analı́tica para y(x). (b) Resuelva numéricamente el problema usando un método de su elección. Use un paso ∆x = 0.01 para realizar la integración numérica. (c) Compare las soluciones analı́tica y numérica. Para ésto realice un gráfico y versus x y otro para el error de las soluciones e = |y − y ∗ | versus x. (d) Resuelva nuevamente el problema pero esta vez cambiando una condición de borde, y ′ (0) = −0.1. Presente el resultado como gráfico y versus x. Incluya el código del programa utilizado para resolver el problema. Solución: (a) Considerando que la ecuación está escrita de tal forma que las variables x e y están separadas, la solución analı́tica puede obtenerse fácilmente mediante integraciones sucesivas. Primero: Z 4 d3 y dy = dx 3 dx dx4 Z 1 = − wdx EI 1 = − wx + c1 EI Reemplazando la condición inicial y ′′′ (0) = 0.375: 1 w(0) + c1 EI ⇒ c1 = 0.375 y ′′′ (0) = − 5 Integrando nuevamente: d2 y = dx2 d3 y dx dx3 Z 1 = − wx + 0.375 dx EI 1 =− wx2 + 0.375x + c2 2EI Z Reemplazando la condición inicial y ′′ (0) = 0, es evidente que c2 = 0. Integrando una vez más: Z 2 dy dy = dx dx dx2 Z 1 2 wx + 0.375x dx = − 2EI 1 0.375 2 =− wx3 + x + c3 6EI 2 Reemplazando la condición inicial y ′ (0) = −0.28125: 0.375 2 1 w(0)3 + (0) + c3 6EI 2 ⇒ c3 = −0.28125 y ′ (0) = − Realizando una última integración: Z dy y(x) = dx dx Z 1 0.375 2 3 = − wx + x − 0.28125 dx 6EI 2 1 0.375 3 =− wx4 + x − 0.28125x + c4 24EI 6 Nuevamente, reemplazando la condición inicial y(0) = 0 es evidente que c4 = 0. Ası́, la solución es: y(x) = − 0.375 3 1 wx4 + x − 0.28125x 24EI 6 6 Reemplazando los valores de E, I, w se obtiene la solución analı́tica final: 1 0.375 3 (15 × 103 )x4 + x − 0.28125x 6 −4 24(200 × 10 )(3 × 10 ) 6 1 1 9 = − x4 + x3 − x 96 16 32 y(x) = − O bien, en forma decimal aproximada: y(x) = −0.010416x4 + 0.0625x3 − 0.28125x (b) Transformamos la ecuación de segundo órden en un sistema de ecuaciones de primer órden, definiendo Y1 = y(x) e Y2 = dy/dx: EI dY2 wLx wx2 = − dx 2 2 dY1 = Y2 dx con condiciones iniciales Y1 (0) = 0 y Y2 (0) = −0.28125. 7 Problema N°3: Modelo epidemiológico (20 pts) El siguiente sistema de ecuaciones diferenciales ha sido propuesto como modelo epidemiológico dS = −aSI dt dI = aSI − rI dt dR = rI dt donde S, I y R son las poblaciones de individuos susceptibles, infectados y recuperados, respectivamente. a y r son las tasas de infección y recuperación respectivamente. Una ciudad tiene una población de 10000 personas donde todas son inicialmente susceptibles. 1. Si un individuo infectado entra a la ciudad a t = 0 calcule la evolución de la epidemia hasta que el número de infectados sea menor que 10 personas. Use los siguientes parámetros a = 0.002 personas−1 · semana−1 y r = 0.15 dı́a−1 . Grafique S, I, R y también un retrato de fase donde se represente S versus I versus R. 2. Suponga que luego de la recuperación, hay una pérdida de inmunidad que provoca que los individuos recuperados se vuelvan susceptibles. El mecanismo de reinfección puede ser incorporado en el modelo como un término ρR, donde ρ es la tasa de reinfección. Modifique el modelo para incorporar este mecanismo y repita los cálculos con ρ = 0.015 dı́a−1 . Incluya el código del programa utilizado para resolver el problema. Solución: %% Parametros y c o n d i c i o n e s i n i c i a l e s h = 0.01; t0 = 0 ; t f = 100; a = 0.002∗(1/7); r = 0.15; rho = 0 . 0 1 5 ; % En p e r s o n a s ˆ−1 ∗ d i a s ˆ−1 % En d i a s ˆ−1 % En d i a s ˆ−1 S0 = 1 0 0 0 0 ; I0 = 1; R0 = 0 ; %% Ecuacion d i f e r e n c i a l numerica dSdt=@( S , I ,R)(−a ∗S∗ I+rho ∗R ) ; 8 d I d t=@( S , I ) ( a ∗S∗ I−r ∗ I ) ; dRdt=@( I ,R) ( r ∗ I−rho ∗R ) ; %% t = t0 : h : t f ; S = zeros ( 1 , length ( t ) ) ; S ( 1 ) = S0 ; I = zeros ( 1 , length ( t ) ) ; I (1) = I0 ; R = zeros ( 1 , length ( t ) ) ; R( 1 ) = R0 ; f o r i =1:( length ( t ) −1) kS1 = dSdt ( S ( i ) , I ( i ) ,R( i ) ) ; kI1 = dIdt (S( i ) , I ( i ) ) ; kR1 = dRdt ( I ( i ) ,R( i ) ) ; kS2 = dSdt ( S ( i )+0.5∗ h∗kS1 , I ( i )+0.5∗ h∗ kI1 ,R( i )+0.5∗ h∗kR1 ) ; k I 2 = d I d t ( S ( i )+0.5∗ h∗kS1 , I ( i )+0.5∗ h∗ k I 1 ) ; kR2 = dRdt ( I ( i )+0.5∗ h∗ kI1 ,R( i )+0.5∗ h∗kR1 ) ; kS3 = dSdt ( ( S ( i )+0.5∗ h∗ kS2 ) , I ( i )+0.5∗ h∗ kI2 ,R( i )+0.5∗ h∗kR2 ) ; k I 3 = d I d t ( ( S ( i )+0.5∗ h∗ kS2 ) , I ( i )+0.5∗ h∗ k I 2 ) ; kR3 = dRdt ( I ( i )+0.5∗ h∗ kI2 ,R( i )+0.5∗ h∗kR2 ) ; kS4 = dSdt ( ( S ( i )+kS3 ∗h ) , I ( i )+ k I 3 ∗h ,R( i )+kR3∗h ) ; k I 4 = d I d t ( ( S ( i )+kS3 ∗h ) , I ( i )+ k I 3 ∗h ) ; kR4 = dRdt ( I ( i )+ k I 3 ∗h ,R( i )+kR3∗h ) ; S ( i +1) = S ( i ) + ( 1 / 6 ) ∗ ( kS1+2∗kS2+2∗kS3+kS4 ) ∗ h ; I ( i +1) = I ( i ) + ( 1 / 6 ) ∗ ( k I 1 +2∗ k I 2 +2∗ k I 3+k I 4 ) ∗ h ; R( i +1) = R( i ) + ( 1 / 6 ) ∗ ( kR1+2∗kR2+2∗kR3+kR4 ) ∗ h ; end figure ( 1 ) ; plot ( t , S ) ; hold on plot ( t , I ) ; plot ( t ,R ) ; xlabel ( ’ Tiempo [ d i a s ] ’ ) ; ylabel ( ’ P o b l a c i o n ’ ) ; grid on 9