Domů Příklady Snímky obrazovky Uživatelská příručka Logo Bluesky YouTube ☰
OghmaNano Multifyzikální simulační platforma pro optoelektronická zařízení a fotonické systémy. STÁHNOUT Stručný návod pro rychlý začátek

Odvození metody FDTD.Odvození metody FDTD.

1. Úvod1. Úvod

Na této stránce je podrobně popsáno matematické odvození hlavních aktualizačních rovnic metody konečných diferencí v časové oblasti (FDTD), které se používají k řešení Maxwellových rovnic v časové oblasti. Účelem této stránky se liší od hlavní stránky s teoretickými základy. Cílem zde není poskytnout stručný přehled, ale explicitně ukázat, jak se spojité rovnice popisující rotaci vektoru transformují na diskrétní algebraické výrazy, které se používají v počítačových výpočtech. Toto je také část metody FDTD, u které se v kódu nejčastěji vyskytují chyby: chyby v znaménkách, nesprávné indexy nebo nekonzistentní časové posuny okamžitě vedou k nestabilním nebo fyzikálně nesmyslným výsledkům.Na této stránce je podrobně popsáno matematické odvození hlavních aktualizačních rovnic metody konečných diferencí v časové oblasti (FDTD), které se používají k řešení Maxwellových rovnic v časové oblasti. Účelem této stránky se liší od hlavní stránky s teoretickými základy. Cílem zde není poskytnout stručný přehled, ale explicitně ukázat, jak se spojité rovnice popisující rotaci vektoru transformují na diskrétní algebraické výrazy, které se používají v počítačových výpočtech. Toto je také část metody FDTD, u které se v kódu nejčastěji vyskytují chyby: chyby v znaménkách, nesprávné indexy nebo nekonzistentní časové posuny okamžitě vedou k nestabilním nebo fyzikálně nesmyslným výsledkům.

Proto vycházíme ze zákona Ampèra a Faradayova zákona v diferenciální formě, rozšiřujeme je do kartézských složek a poté se zaměřujeme na dvourozměrný optický problém. Prostorové derivace nahrazujeme centrálními konečnými diferencemi, časové derivace diskretizujeme pomocí standardního schématu „skákající žába“ a výsledné výrazy uspořádáme tak, abychom získali explicitní vzorce pro aktualizaci složek elektrického a magnetického pole.Proto vycházíme ze zákona Ampèra a Faradayova zákona v diferenciální formě, rozšiřujeme je do kartézských složek a poté se zaměřujeme na dvourozměrný optický problém. Prostorové derivace nahrazujeme centrálními konečnými diferencemi, časové derivace diskretizujeme pomocí standardního schématu „skákající žába“ a výsledné výrazy uspořádáme tak, abychom získali explicitní vzorce pro aktualizaci složek elektrického a magnetického pole.

Abychom zachovali přehlednost odvození, zjednodušíme zde rovnice na dvourozměrný případ, ve kterém je \(\partial/\partial y = 0\) a magnetická vodivost nastaveny na nulu, \(\sigma_m = 0\). Díky tomu je algebra mnohem snazší a také je zřejmé, jak se v praxi provádí redukce dimenzí. V plné verzi řešiče OghmaNano FDTD se však elektromagnetické rovnice řeší ve třech rozměrech. Proto je zde uvedené dvourozměrné odvození zamýšleno spíše jako jasný příklad metody, než jako tvrzení, že základní řešič je omezen na 2D.Abychom zachovali přehlednost odvození, zjednodušíme zde rovnice na dvourozměrný případ, ve kterém je \(\partial/\partial y = 0\) a magnetická vodivost nastaveny na nulu, \(\sigma_m = 0\). Díky tomu je algebra mnohem snazší a také je zřejmé, jak se v praxi provádí redukce dimenzí. V plné verzi řešiče OghmaNano FDTD se však elektromagnetické rovnice řeší ve třech rozměrech. Proto je zde uvedené dvourozměrné odvození zamýšleno spíše jako jasný příklad metody, než jako tvrzení, že základní řešič je omezen na 2D.

Na této stránce jsou hodnoty složek elektrického pole vypočítány v celočíselných časových krocích \(n\Delta t\), zatímco hodnoty složek magnetického pole jsou vypočítány v poločíselných časových krocích \(\left(n+\tfrac{1}{2}\right)\Delta t\). Toto je standardní uspořádání mřížky Yee, které se používá v metodě FDTD. Na rozdíl od stručnějšího přehledu je zde indexování uvedeno explicitněji, aby bylo možné odvození chápat nejen jako matematickou poznámku, ale také jako návod k implementaci.Na této stránce jsou hodnoty složek elektrického pole vypočítány v celočíselných časových krocích \(n\Delta t\), zatímco hodnoty složek magnetického pole jsou vypočítány v poločíselných časových krocích \(\left(n+\tfrac{1}{2}\right)\Delta t\). Toto je standardní uspořádání mřížky Yee, které se používá v metodě FDTD. Na rozdíl od stručnějšího přehledu je zde indexování uvedeno explicitněji, aby bylo možné odvození chápat nejen jako matematickou poznámku, ale také jako návod k implementaci.

2. Počáteční rovnice2. Počáteční rovnice

Začínáme Maxwellovými rovnicemi popisujícími vířivé pole v lineárním prostředí s elektrickou vodivostí \(\sigma\), elektrickou permitivitou \(\epsilon\), magnetickou permeabilitou \(\mu\) a pro obecnost také s magnetickou vodivostí \(\sigma_m\):Začínáme Maxwellovými rovnicemi popisujícími vířivé pole v lineárním prostředí s elektrickou vodivostí \(\sigma\), elektrickou permitivitou \(\epsilon\), magnetickou permeabilitou \(\mu\) a pro obecnost také s magnetickou vodivostí \(\sigma_m\):

\[ \nabla \times \boldsymbol{H} = \sigma \boldsymbol{E} + \epsilon \frac{\partial \boldsymbol{E}}{\partial t}, \qquad \nabla \times \boldsymbol{E} = - \sigma_m \boldsymbol{H} - \mu \frac{\partial \boldsymbol{H}}{\partial t}. \] \[ \nabla \times \boldsymbol{H} = \sigma \boldsymbol{E} + \epsilon \frac{\partial \boldsymbol{E}}{\partial t}, \qquad \nabla \times \boldsymbol{E} = - \sigma_m \boldsymbol{H} - \mu \frac{\partial \boldsymbol{H}}{\partial t}. \]

V determinované formě jsou kudrlinkyV determinované formě jsou kudrlinky

\[ \nabla \times \boldsymbol{H} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ H_x & H_y & H_z \end{vmatrix}, \qquad \nabla \times \boldsymbol{E} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ E_x & E_y & E_z \end{vmatrix}. \] \[ \nabla \times \boldsymbol{H} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ H_x & H_y & H_z \end{vmatrix}, \qquad \nabla \times \boldsymbol{E} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ E_x & E_y & E_z \end{vmatrix}. \]

Toto jsou rovnice pro spojitý čas a spojitý prostor. Cílem zbytku této stránky je převést je na explicitní schéma konečných diferencí, které lze postupně řešit v čase.Toto jsou rovnice pro spojitý čas a spojitý prostor. Cílem zbytku této stránky je převést je na explicitní schéma konečných diferencí, které lze postupně řešit v čase.

3. Vektorová forma rovnic popisujících rotaci3. Vektorová forma rovnic popisujících rotaci

Rozšíření Ampérova zákona na kartézské složky vede k následujícímu:Rozšíření Ampérova zákona na kartézské složky vede k následujícímu:

\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = \frac{\partial H_z}{\partial y} - \frac{\partial H_y}{\partial z}, \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = \frac{\partial H_z}{\partial y} - \frac{\partial H_y}{\partial z}, \]

\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = \frac{\partial H_x}{\partial z} - \frac{\partial H_z}{\partial x}, \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = \frac{\partial H_x}{\partial z} - \frac{\partial H_z}{\partial x}, \]

\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x} - \frac{\partial H_x}{\partial y}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x} - \frac{\partial H_x}{\partial y}. \]

Rozšířením Faradayova zákona získáme:Rozšířením Faradayova zákona získáme:

\[ -\sigma_m H_x - \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_z}{\partial y} - \frac{\partial E_y}{\partial z}, \] \[ -\sigma_m H_x - \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_z}{\partial y} - \frac{\partial E_y}{\partial z}, \]

\[ -\sigma_m H_y - \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_x}{\partial z} - \frac{\partial E_z}{\partial x}, \] \[ -\sigma_m H_y - \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_x}{\partial z} - \frac{\partial E_z}{\partial x}, \]

\[ -\sigma_m H_z - \mu \frac{\partial H_z}{\partial t} = \frac{\partial E_y}{\partial x} - \frac{\partial E_x}{\partial y}. \] \[ -\sigma_m H_z - \mu \frac{\partial H_z}{\partial t} = \frac{\partial E_y}{\partial x} - \frac{\partial E_x}{\partial y}. \]

V této fázi se ještě neučinilo žádné předpoklady ohledně dimenzionality. Výše uvedené výrazy představují pouze složkovou formu úplných třírozměrných rovnic popisujících rotaci vektoru.V této fázi se ještě neučinilo žádné předpoklady ohledně dimenzionality. Výše uvedené výrazy představují pouze složkovou formu úplných třírozměrných rovnic popisujících rotaci vektoru.

4. Dvourozměrné zmenšení.4. Dvourozměrné zmenšení.

Abychom zjednodušili odvození, omezíme se nyní na dvě dimenze a předpokládáme, že v směru \(y\) nedochází k žádným změnám, a tedy \(\partial / \partial y = 0\). Tento krok je proveden výhradně za účelem zjednodušení algebraických výpočtů a usnadnění pochopení struktury aktualizačních rovnic. Stejný postup lze přímo rozšířit na tři dimenze a v praxi program OghmaNano řeší plnou 3D formu Maxwellových rovnic.Abychom zjednodušili odvození, omezíme se nyní na dvě dimenze a předpokládáme, že v směru \(y\) nedochází k žádným změnám, a tedy \(\partial / \partial y = 0\). Tento krok je proveden výhradně za účelem zjednodušení algebraických výpočtů a usnadnění pochopení struktury aktualizačních rovnic. Stejný postup lze přímo rozšířit na tři dimenze a v praxi program OghmaNano řeší plnou 3D formu Maxwellových rovnic.

Za tohoto předpokladu se rovnice popisující elektrické pole zjednoduší na:Za tohoto předpokladu se rovnice popisující elektrické pole zjednoduší na:

\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}, \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}, \]

\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}, \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}, \]

\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \]

Pokud navíc nastavíme magnetickou vodivost na nulu, \(\sigma_m = 0\), rovnice popisující magnetické pole budou vypadat takto:Pokud navíc nastavíme magnetickou vodivost na nulu, \(\sigma_m = 0\), rovnice popisující magnetické pole budou vypadat takto:

\[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}, \] \[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}, \]

\[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}, \] \[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}, \]

\[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \] \[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \]

Následující rovnice popisují spojitý systém, který nyní budeme diskretizovat. Je důležité výslovně uvést, že se jedná o redukci z plně trojrozměrného problému na dvourozměrný. Cílem není tvrdit, že všechny metody FDTD jsou ze své podstaty dvourozměrné, ale odvodit přehledné rovnice pro aktualizaci, které platí pro běžný případ, kdy je jedna dimenze potlačena.Následující rovnice popisují spojitý systém, který nyní budeme diskretizovat. Je důležité výslovně uvést, že se jedná o redukci z plně trojrozměrného problému na dvourozměrný. Cílem není tvrdit, že všechny metody FDTD jsou ze své podstaty dvourozměrné, ale odvodit přehledné rovnice pro aktualizaci, které platí pro běžný případ, kdy je jedna dimenze potlačena.

5. Yeeho mřížka, indexování a notace.5. Yeeho mřížka, indexování a notace.

Pro numerické řešení výše uvedených rovnic se prostor i čas diskretizují. Nechť jsou velikosti kroků výpočetní mřížky ve směrech \(x\) a \(z\) rovny \(\Delta x\) a \(\Delta z\) a nechť je časový krok roven \(\Delta t\). Pro směry \(x\) a \(z\) používáme celočíselné indexy \(i\) a \(k\):Pro numerické řešení výše uvedených rovnic se prostor i čas diskretizují. Nechť jsou velikosti kroků výpočetní mřížky ve směrech \(x\) a \(z\) rovny \(\Delta x\) a \(\Delta z\) a nechť je časový krok roven \(\Delta t\). Pro směry \(x\) a \(z\) používáme celočíselné indexy \(i\) a \(k\):

\[ x_i = i \Delta x, \qquad z_k = k \Delta z. \] \[ x_i = i \Delta x, \qquad z_k = k \Delta z. \]

Čas je označen celým číslem \(n\), a to proto, žeČas je označen celým číslem \(n\), a to proto, že

\[ t^n = n \Delta t. \] \[ t^n = n \Delta t. \]

V metodě Yeeho se elektrická a magnetická pole neukládají ve stejném místě v prostoru ani v čase. Místo toho jsou posunuta. Komponenty elektrického pole se vyhodnocují v celočíselných časových úrovních \(n\Delta t\), zatímco komponenty magnetického pole se vyhodnocují v poločíselných časových úrovních \(\left(n+\tfrac{1}{2}\right)\Delta t\). To je základ pro „skákavou“ strukturu metody FDTD.V metodě Yeeho se elektrická a magnetická pole neukládají ve stejném místě v prostoru ani v čase. Místo toho jsou posunuta. Komponenty elektrického pole se vyhodnocují v celočíselných časových úrovních \(n\Delta t\), zatímco komponenty magnetického pole se vyhodnocují v poločíselných časových úrovních \(\left(n+\tfrac{1}{2}\right)\Delta t\). To je základ pro „skákavou“ strukturu metody FDTD.

Z prostorového hlediska jsou složky pole také posunuty tak, aby každá středová konečná diference rotace byla přirozeně definována mezi sousedními body mřížky. V plné implementaci kódu má každá složka pole svou vlastní dvojici prostorových indexů, například \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) a tak dále. Aby byla algebra srozumitelnější, některé z opakujících se „pozorovací“ indexů nejsou vždy explicitně uváděny v následujících krocích. Interpretace je však vždy stejná:Z prostorového hlediska jsou složky pole také posunuty tak, aby každá středová konečná diference rotace byla přirozeně definována mezi sousedními body mřížky. V plné implementaci kódu má každá složka pole svou vlastní dvojici prostorových indexů, například \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) a tak dále. Aby byla algebra srozumitelnější, některé z opakujících se „pozorovací“ indexů nejsou vždy explicitně uváděny v následujících krocích. Interpretace je však vždy stejná:

Například, metoda konečných diferencí se středním bodem pro \(\partial H_y / \partial z\) má následující tvar:Například, metoda konečných diferencí se středním bodem pro \(\partial H_y / \partial z\) má následující tvar:

\[ \frac{\partial H_y}{\partial z} \approx \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \] \[ \frac{\partial H_y}{\partial z} \approx \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \]

a podobně i aproximace \(\partial H_z / \partial x\) se provádí se středem.a podobně i aproximace \(\partial H_z / \partial x\) se provádí se středem.

\[ \frac{\partial H_z}{\partial x} \approx \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ \frac{\partial H_z}{\partial x} \approx \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]

Jakmile je tato notace jasně definována, lze následující odvození jednoznačně interpretovat jako správný postup pro aktualizaci mřížky podle metody Yee.Jakmile je tato notace jasně definována, lze následující odvození jednoznačně interpretovat jako správný postup pro aktualizaci mřížky podle metody Yee.

6. Odvození rovnic pro aktualizaci elektrického pole.6. Odvození rovnic pro aktualizaci elektrického pole.

Elektrické pole se vyhodnocuje v celočíselných časových krocích \(n\Delta t\), zatímco magnetické pole se vyhodnocuje v poločíselných časových krocích \(\left(n+\tfrac{1}{2}\right)\Delta t\). Pro odvození aktualizačních rovnic se časová derivace aproximuje pomocí centrální konečné diference a vodivý člen se vyhodnocuje pomocí průměru starého a nového elektrického pole. Tím se dosáhne numericky stabilní trapezoidální metody pro výpočet vodivosti.Elektrické pole se vyhodnocuje v celočíselných časových krocích \(n\Delta t\), zatímco magnetické pole se vyhodnocuje v poločíselných časových krocích \(\left(n+\tfrac{1}{2}\right)\Delta t\). Pro odvození aktualizačních rovnic se časová derivace aproximuje pomocí centrální konečné diference a vodivý člen se vyhodnocuje pomocí průměru starého a nového elektrického pole. Tím se dosáhne numericky stabilní trapezoidální metody pro výpočet vodivosti.

Tento krok, který zahrnuje výpočet průměru, je důležitý. Pokud by se s členem reprezentujícím vodivost zacházelo nekonzistentně, aktualizační koeficienty by již neměly standardní tlumený tvar a ztratila by se souvislost s běžnými rovnicemi FDTD.Tento krok, který zahrnuje výpočet průměru, je důležitý. Pokud by se s členem reprezentujícím vodivost zacházelo nekonzistentně, aktualizační koeficienty by již neměly standardní tlumený tvar a ztratila by se souvislost s běžnými rovnicemi FDTD.

6.1 Aktualizujte rovnici pro \(E_x\).6.1 Aktualizujte rovnici pro \(E_x\).

Začněte od.Začněte od.

\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}. \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}. \]

Vypočítejte hodnotu členu vyjadřujícího vodivost pomocí průměru hodnot \(E_x^{n+1}\) a \(E_x^n\) a vypočítejte časovou derivaci pomocí centrální diferenční metody:Vypočítejte hodnotu členu vyjadřujícího vodivost pomocí průměru hodnot \(E_x^{n+1}\) a \(E_x^n\) a vypočítejte časovou derivaci pomocí centrální diferenční metody:

\[ \sigma \frac{E_x^{n+1}(i,k) + E_x^n(i,k)}{2} + \epsilon \frac{E_x^{n+1}(i,k) - E_x^n(i,k)}{\Delta t} = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ \sigma \frac{E_x^{n+1}(i,k) + E_x^n(i,k)}{2} + \epsilon \frac{E_x^{n+1}(i,k) - E_x^n(i,k)}{\Delta t} = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]

Sesbírejte členy \(E_x^{n+1}\) na levé straně:Sesbírejte členy \(E_x^{n+1}\) na levé straně:

\[ \left( \frac{\sigma}{2} + \frac{\epsilon}{\Delta t} \right) E_x^{n+1}(i,k) = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} + \left( \frac{\epsilon}{\Delta t} - \frac{\sigma}{2} \right) E_x^n(i,k). \] \[ \left( \frac{\sigma}{2} + \frac{\epsilon}{\Delta t} \right) E_x^{n+1}(i,k) = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} + \left( \frac{\epsilon}{\Delta t} - \frac{\sigma}{2} \right) E_x^n(i,k). \]

Proto.Proto.

\[ E_x^{n+1}(i,k) = \frac{ \left( \dfrac{\epsilon}{\Delta t} - \dfrac{\sigma}{2} \right) E_x^n(i,k) - \dfrac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} }{ \dfrac{\epsilon}{\Delta t} + \dfrac{\sigma}{2} }. \] \[ E_x^{n+1}(i,k) = \frac{ \left( \dfrac{\epsilon}{\Delta t} - \dfrac{\sigma}{2} \right) E_x^n(i,k) - \dfrac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} }{ \dfrac{\epsilon}{\Delta t} + \dfrac{\sigma}{2} }. \]

Pokud vynásobíme čitatel i jmenovatel číslem \(2\Delta t\), získáme známý tvar koeficientu:Pokud vynásobíme čitatel i jmenovatel číslem \(2\Delta t\), získáme známý tvar koeficientu:

\[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]

6.2 Aktualizujte rovnici pro \(E_y\).6.2 Aktualizujte rovnici pro \(E_y\).

Začněte od.Začněte od.

\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}. \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}. \]

Diskrétně aproximujte obě derivace na Yeeho mřížce:Diskrétně aproximujte obě derivace na Yeeho mřížce:

\[ \sigma \frac{E_y^{n+1}(i,k) + E_y^n(i,k)}{2} + \epsilon \frac{E_y^{n+1}(i,k) - E_y^n(i,k)}{\Delta t} = - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ \sigma \frac{E_y^{n+1}(i,k) + E_y^n(i,k)}{2} + \epsilon \frac{E_y^{n+1}(i,k) - E_y^n(i,k)}{\Delta t} = - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]

Přeskupení přinášíPřeskupení přináší

\[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right]. \] \[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right]. \]

Toto je jediná složka elektrického pole ve 2D redukci, která obsahuje příspěvky ze dvou odlišných derivací magnetického pole, a proto je nejsnadnější ji v kódu chybně zadat. Konkrétně, relativní znaménko mezi členy derivací \(x\) a \(z\) přímo vyplývá z rozvoje pomocí rotace a nemělo by se měnit.Toto je jediná složka elektrického pole ve 2D redukci, která obsahuje příspěvky ze dvou odlišných derivací magnetického pole, a proto je nejsnadnější ji v kódu chybně zadat. Konkrétně, relativní znaménko mezi členy derivací \(x\) a \(z\) přímo vyplývá z rozvoje pomocí rotace a nemělo by se měnit.

6.3 Aktualizujte rovnici pro \(E_z\).6.3 Aktualizujte rovnici pro \(E_z\).

Začněte od.Začněte od.

\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \]

Diskrétizace poskytuje.Diskrétizace poskytuje.

\[ \sigma \frac{E_z^{n+1}(i,k) + E_z^n(i,k)}{2} + \epsilon \frac{E_z^{n+1}(i,k) - E_z^n(i,k)}{\Delta t} = \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ \sigma \frac{E_z^{n+1}(i,k) + E_z^n(i,k)}{2} + \epsilon \frac{E_z^{n+1}(i,k) - E_z^n(i,k)}{\Delta t} = \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]

Z toho důvodu.Z toho důvodu.

\[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]

V této fázi byly získány diskrétní rovnice pro výpočet elektrického pole v jeho standardní tlumené podobě. Dalším krokem je odvození odpovídajících rovnic pro magnetické pole, které se počítají v časech odpovídajících polovině celého časového kroku.V této fázi byly získány diskrétní rovnice pro výpočet elektrického pole v jeho standardní tlumené podobě. Dalším krokem je odvození odpovídajících rovnic pro magnetické pole, které se počítají v časech odpovídajících polovině celého časového kroku.

7. Odvození rovnic pro aktualizaci magnetického pole7. Odvození rovnic pro aktualizaci magnetického pole

Magnetické pole se aktualizuje v čase v krocích odpovídajících polovině celého čísla. V případě \(\sigma_m = 0\) neobsahují rovnice popisující magnetické pole žádný člen pro tlumení, takže vzorce pro aktualizaci mají jednodušší tvar založený na přímém výpočtu. Tato část odvození je algebraicky kratší než v případě elektrického pole, protože zde není třeba uvažovat žádný člen pro trapézovou vodivost.Magnetické pole se aktualizuje v čase v krocích odpovídajících polovině celého čísla. V případě \(\sigma_m = 0\) neobsahují rovnice popisující magnetické pole žádný člen pro tlumení, takže vzorce pro aktualizaci mají jednodušší tvar založený na přímém výpočtu. Tato část odvození je algebraicky kratší než v případě elektrického pole, protože zde není třeba uvažovat žádný člen pro trapézovou vodivost.

7.1 Aktualizujte rovnici pro \(H_x\).7.1 Aktualizujte rovnici pro \(H_x\).

Začněte od.Začněte od.

\[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}. \] \[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}. \]

Diskrétní aproximace v čase mezi body \(n-\tfrac{1}{2}\) a \(n+\tfrac{1}{2}\) a v prostoru pomocí centrální diference ve směru \(z\) vede k:Diskrétní aproximace v čase mezi body \(n-\tfrac{1}{2}\) a \(n+\tfrac{1}{2}\) a v prostoru pomocí centrální diference ve směru \(z\) vede k:

\[ \mu \frac{ H_x^{n+\frac{1}{2}}(i,k+\frac{1}{2}) - H_x^{n-\frac{1}{2}}(i,k+\frac{1}{2}) }{\Delta t} = \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}. \] \[ \mu \frac{ H_x^{n+\frac{1}{2}}(i,k+\frac{1}{2}) - H_x^{n-\frac{1}{2}}(i,k+\frac{1}{2}) }{\Delta t} = \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}. \]

V kompaktní notaci s polovičním indexem, která se často používá při odvozování, lze stejný výsledek zapsat jako:V kompaktní notaci s polovičním indexem, která se často používá při odvozování, lze stejný výsledek zapsat jako:

\[ \mu \frac{ H_x^{n+\frac{1}{2}} - H_x^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ \mu \frac{ H_x^{n+\frac{1}{2}} - H_x^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]

Proto.Proto.

\[ H_x^{n+\frac{1}{2}} = H_x^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ H_x^{n+\frac{1}{2}} = H_x^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]

7.2 Aktualizujte rovnici pro \(H_y\).7.2 Aktualizujte rovnici pro \(H_y\).

Začněte od.Začněte od.

\[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}. \] \[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}. \]

Diskrétizace poskytuje.Diskrétizace poskytuje.

\[ \mu \frac{ H_y^{n+\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) - H_y^{n-\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) }{\Delta t} = \frac{ E_z^n(i+1,k+\frac{1}{2}) - E_z^n(i,k+\frac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\frac{1}{2},k+1) - E_x^n(i+\frac{1}{2},k) }{\Delta z}. \] \[ \mu \frac{ H_y^{n+\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) - H_y^{n-\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) }{\Delta t} = \frac{ E_z^n(i+1,k+\frac{1}{2}) - E_z^n(i,k+\frac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\frac{1}{2},k+1) - E_x^n(i+\frac{1}{2},k) }{\Delta z}. \]

Opět, v zkráceném zápisu pomocí polovičních indexů:Opět, v zkráceném zápisu pomocí polovičních indexů:

\[ \mu \frac{ H_y^{n+\frac{1}{2}} - H_y^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ \mu \frac{ H_y^{n+\frac{1}{2}} - H_y^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]

Z toho důvodu.Z toho důvodu.

\[ H_y^{n+\frac{1}{2}} = H_y^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z} \right]. \] \[ H_y^{n+\frac{1}{2}} = H_y^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z} \right]. \]

7.3 Aktualizujte rovnici pro \(H_z\).7.3 Aktualizujte rovnici pro \(H_z\).

Začněte od.Začněte od.

\[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \] \[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \]

Diskrétní aproximace umožňujeDiskrétní aproximace umožňuje

\[ \mu \frac{ H_z^{n+\frac{1}{2}}(i+\frac{1}{2},k) - H_z^{n-\frac{1}{2}}(i+\frac{1}{2},k) }{\Delta t} = - \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \] \[ \mu \frac{ H_z^{n+\frac{1}{2}}(i+\frac{1}{2},k) - H_z^{n-\frac{1}{2}}(i+\frac{1}{2},k) }{\Delta t} = - \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \]

Ekvivalentně, v kompaktní notaci:Ekvivalentně, v kompaktní notaci:

\[ \mu \frac{ H_z^{n+\frac{1}{2}} - H_z^{n-\frac{1}{2}} }{\Delta t} = - \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \] \[ \mu \frac{ H_z^{n+\frac{1}{2}} - H_z^{n-\frac{1}{2}} }{\Delta t} = - \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \]

Proto.Proto.

\[ H_z^{n+\frac{1}{2}} = H_z^{n-\frac{1}{2}} - \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \] \[ H_z^{n+\frac{1}{2}} = H_z^{n-\frac{1}{2}} - \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \]

Po provedení těchto substitucí přímo vyplývají standardní aktualizační rovnice metody FDTD, které se používají pro simulaci šíření vln.Po provedení těchto substitucí přímo vyplývají standardní aktualizační rovnice metody FDTD, které se používají pro simulaci šíření vln.

8. Závěrečné rovnice pro aktualizaci.8. Závěrečné rovnice pro aktualizaci.

Po shromáždění výsledků vypadají dvoudimenzionální aktualizační rovnice FDTD takto:Po shromáždění výsledků vypadají dvoudimenzionální aktualizační rovnice FDTD takto:

\[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \] \[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \]

\[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right], \] \[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right], \]

\[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}, \] \[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}, \]

\[ H_x^{n+\frac{1}{2}}(i,k+\tfrac{1}{2}) = H_x^{n-\frac{1}{2}}(i,k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}, \] \[ H_x^{n+\frac{1}{2}}(i,k+\tfrac{1}{2}) = H_x^{n-\frac{1}{2}}(i,k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}, \]

\[ H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) = H_y^{n-\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n(i+1,k+\tfrac{1}{2}) - E_z^n(i,k+\tfrac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\tfrac{1}{2},k+1) - E_x^n(i+\tfrac{1}{2},k) }{\Delta z} \right], \] \[ H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) = H_y^{n-\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n(i+1,k+\tfrac{1}{2}) - E_z^n(i,k+\tfrac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\tfrac{1}{2},k+1) - E_x^n(i+\tfrac{1}{2},k) }{\Delta z} \right], \]

\[ H_z^{n+\frac{1}{2}}(i+\tfrac{1}{2},k) = H_z^{n-\frac{1}{2}}(i+\tfrac{1}{2},k) - \frac{\Delta t}{\mu} \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \] \[ H_z^{n+\frac{1}{2}}(i+\tfrac{1}{2},k) = H_z^{n-\frac{1}{2}}(i+\tfrac{1}{2},k) - \frac{\Delta t}{\mu} \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \]

V této podobě je význam metody „skákavého“ výpočtu jasně definován. Elektrické pole v časovém okamžiku \(n+1\) se získá z magnetického pole v časovém okamžiku \(n+\tfrac{1}{2}\), zatímco magnetické pole v časovém okamžiku \(n+\tfrac{1}{2}\) se získá z elektrického pole v časovém okamžiku \(n\). Pole se tedy v čase střídavě mění.V této podobě je význam metody „skákavého“ výpočtu jasně definován. Elektrické pole v časovém okamžiku \(n+1\) se získá z magnetického pole v časovém okamžiku \(n+\tfrac{1}{2}\), zatímco magnetické pole v časovém okamžiku \(n+\tfrac{1}{2}\) se získá z elektrického pole v časovém okamžiku \(n\). Pole se tedy v čase střídavě mění.

9. Poznámky k realizaci.9. Poznámky k realizaci.

V praktickém kódu se koeficienty, kterými se násobí staré hodnoty polí a členy popisující rotaci, často předem vypočítávají a ukládají, zejména pokud se \(\epsilon\), \(\mu\) nebo \(\sigma\) mění z buňky do buňky. Například aktualizace elektrického pole má obvykle následující podobu:V praktickém kódu se koeficienty, kterými se násobí staré hodnoty polí a členy popisující rotaci, často předem vypočítávají a ukládají, zejména pokud se \(\epsilon\), \(\mu\) nebo \(\sigma\) mění z buňky do buňky. Například aktualizace elektrického pole má obvykle následující podobu:

\[ E^{n+1} = C_a E^n + C_b (\nabla \times H), \] \[ E^{n+1} = C_a E^n + C_b (\nabla \times H), \]

kde lokální koeficienty \(C_a\) a \(C_b\) kódují materiálové parametry a časový krok. Díky tomu je implementace přehlednější a není nutné opakovaně přepočítávat stejné faktory v každém časovém kroku.kde lokální koeficienty \(C_a\) a \(C_b\) kódují materiálové parametry a časový krok. Díky tomu je implementace přehlednější a není nutné opakovaně přepočítávat stejné faktory v každém časovém kroku.

Je také důležité zdůraznit, že výše uvedený odvozený postup poskytuje pouze základní schéma aktualizace FDTD. Pro funkční simulaci jsou navíc zapotřebí zdroje, okrajové podmínky, absorpční vrstvy, jako jsou dokonale přizpůsobené vrstvy (PML), a časový krok, který splňuje Courantovu podmínku stability. Žádný z těchto doplňků nemění základní strukturu „skákajícího“ algoritmu, která byla zde odvozena, ale každý z nich upravuje způsob, jakým se rovnice aktualizace aplikují v konkrétních bodech výpočetní mřížky.Je také důležité zdůraznit, že výše uvedený odvozený postup poskytuje pouze základní schéma aktualizace FDTD. Pro funkční simulaci jsou navíc zapotřebí zdroje, okrajové podmínky, absorpční vrstvy, jako jsou dokonale přizpůsobené vrstvy (PML), a časový krok, který splňuje Courantovu podmínku stability. Žádný z těchto doplňků nemění základní strukturu „skákajícího“ algoritmu, která byla zde odvozena, ale každý z nich upravuje způsob, jakým se rovnice aktualizace aplikují v konkrétních bodech výpočetní mřížky.

A konečně, i když je výše uvedené značení dostatečně precizní, aby bylo relevantní pro implementaci, přesné prostorové umístění každé komponenty závisí na použité mřížkové konvenci v kódu. Nejdůležitější není samotná typografie, ale konzistence: operátor curl, posunutí a znaménka musí odpovídat stejnému uspořádání buněk podle modelu Yeeho v celém kódu.A konečně, i když je výše uvedené značení dostatečně precizní, aby bylo relevantní pro implementaci, přesné prostorové umístění každé komponenty závisí na použité mřížkové konvenci v kódu. Nejdůležitější není samotná typografie, ale konzistence: operátor curl, posunutí a znaménka musí odpovídat stejnému uspořádání buněk podle modelu Yeeho v celém kódu.