FDTD meetodi tuletamineFDTD meetodi tuletamine
1. Sissejuhatus1. Sissejuhatus
See leht sisaldab peamiste lõplike erineuste meetodil põhinevate (FDTD) ajasammude uuendamisvõrrandite üksikasjalikku matemaatilist tuletist, mida kasutatakse Maxelli võrrandite lahendamiseks ajas. Selle lehe eesmärk on erinev peamise teoorialehe eesmärgist. Siin ei ole eesmärk anda lühikest ülevaadet, vaid näidata selgelt, kuidas pidevad vektoriaalsed võrrandid muudetakse diskreetseteks algebralisteks avaldisteks, mida kasutatakse arvutis. See on ka FDTD meetodi osa, kus on kõige lihtsam koodis vigu teha: valed märgid, valesti paigutatud indeksid või ebaühtlane ajaline nihkumine võivad kohe põhjustada ebastabiilseid või ebarealistlikke tulemusi.See leht sisaldab peamiste lõplike erineuste meetodil põhinevate (FDTD) ajasammude uuendamisvõrrandite üksikasjalikku matemaatilist tuletist, mida kasutatakse Maxelli võrrandite lahendamiseks ajas. Selle lehe eesmärk on erinev peamise teoorialehe eesmärgist. Siin ei ole eesmärk anda lühikest ülevaadet, vaid näidata selgelt, kuidas pidevad vektoriaalsed võrrandid muudetakse diskreetseteks algebralisteks avaldisteks, mida kasutatakse arvutis. See on ka FDTD meetodi osa, kus on kõige lihtsam koodis vigu teha: valed märgid, valesti paigutatud indeksid või ebaühtlane ajaline nihkumine võivad kohe põhjustada ebastabiilseid või ebarealistlikke tulemusi.
Seega alustame Ampère’i seadusest ja Faraday’ seadusest diferentsiaalkujul, laiendame need Cartesiuse komponentideks ja seejärel spetsifitseerime need kahemõõtmelise optilise probleemi jaoks. Ruumilised derivaadid asendatakse tsentreeritud lõplike erinevustega, ajalised derivaadid diskretiseeritakse standardse hüppemeetodiga ja saadud avaldised ümberkorraldatakse, et saada elektrivälja ja magnetvälja komponentide jaoks eksplitsiitsed uuendamisvalemid.Seega alustame Ampère’i seadusest ja Faraday’ seadusest diferentsiaalkujul, laiendame need Cartesiuse komponentideks ja seejärel spetsifitseerime need kahemõõtmelise optilise probleemi jaoks. Ruumilised derivaadid asendatakse tsentreeritud lõplike erinevustega, ajalised derivaadid diskretiseeritakse standardse hüppemeetodiga ja saadud avaldised ümberkorraldatakse, et saada elektrivälja ja magnetvälja komponentide jaoks eksplitsiitsed uuendamisvalemid.
Et tuletus oleks hõlpsamini jälgitav, lihtsustame siin võrrandid, piirdudes kahemõõtmelise juhtumiga, kus \(\partial/\partial y = 0\) ja magnetiline juhtivus on seatud nulli, \(\sigma_m = 0\). See muudab algebralised arvutused palju lihtsamaks ja näitab selgelt, kuidas toimub mõõtmete vähendamine praktikas. Täielikus OghmaNano FDTD-lahendajas lahendatakse elektromagnetilised võrrandid aga kolmes mõõtmes. Seega on siin esitatud kahemõõtmelise tuletuse eesmärk anda selge näidis selle meetodi kohta, mitte väita, et aluseks olev lahendaja on piiratud ainult kahe mõõtmega.Et tuletus oleks hõlpsamini jälgitav, lihtsustame siin võrrandid, piirdudes kahemõõtmelise juhtumiga, kus \(\partial/\partial y = 0\) ja magnetiline juhtivus on seatud nulli, \(\sigma_m = 0\). See muudab algebralised arvutused palju lihtsamaks ja näitab selgelt, kuidas toimub mõõtmete vähendamine praktikas. Täielikus OghmaNano FDTD-lahendajas lahendatakse elektromagnetilised võrrandid aga kolmes mõõtmes. Seega on siin esitatud kahemõõtmelise tuletuse eesmärk anda selge näidis selle meetodi kohta, mitte väita, et aluseks olev lahendaja on piiratud ainult kahe mõõtmega.
Käesoleval lehel hinnatakse elektrivälja komponente täisarvulistel ajapunktidel \(n\Delta t\), samas kui magnetvälja komponente hinnatakse poolarvulistel ajapunktidel \(\left(n+\tfrac{1}{2}\right)\Delta t\). See on standardne Yee-võre hüppelahendus, mida kasutatakse FDTD-meetodis. Erinevalt lühemast ülevaatlehest on siin indekseerimine selgemalt kirjeldatud, et seda saaks lugeda nii juhendmaterjalina kui ka matemaatilise selgitusena.Käesoleval lehel hinnatakse elektrivälja komponente täisarvulistel ajapunktidel \(n\Delta t\), samas kui magnetvälja komponente hinnatakse poolarvulistel ajapunktidel \(\left(n+\tfrac{1}{2}\right)\Delta t\). See on standardne Yee-võre hüppelahendus, mida kasutatakse FDTD-meetodis. Erinevalt lühemast ülevaatlehest on siin indekseerimine selgemalt kirjeldatud, et seda saaks lugeda nii juhendmaterjalina kui ka matemaatilise selgitusena.
2. Algvõrrandid2. Algvõrrandid
Alustame Maxwelli keerisvõrranditest, mis kehtivad lineaarsete omadustega keskkonna kohta, millel on elektrijuhtivus \(\sigma\), elektripermittiivsus \(\epsilon\), magnetiline läbitavus \(\mu\) ja üldisuse huvides ka magnetiline juhtivus \(\sigma_m\):Alustame Maxwelli keerisvõrranditest, mis kehtivad lineaarsete omadustega keskkonna kohta, millel on elektrijuhtivus \(\sigma\), elektripermittiivsus \(\epsilon\), magnetiline läbitavus \(\mu\) ja üldisuse huvides ka magnetiline juhtivus \(\sigma_m\):
\[ \nabla \times \boldsymbol{H} = \sigma \boldsymbol{E} + \epsilon \frac{\partial \boldsymbol{E}}{\partial t}, \qquad \nabla \times \boldsymbol{E} = - \sigma_m \boldsymbol{H} - \mu \frac{\partial \boldsymbol{H}}{\partial t}. \] \[ \nabla \times \boldsymbol{H} = \sigma \boldsymbol{E} + \epsilon \frac{\partial \boldsymbol{E}}{\partial t}, \qquad \nabla \times \boldsymbol{E} = - \sigma_m \boldsymbol{H} - \mu \frac{\partial \boldsymbol{H}}{\partial t}. \]
Determinantvormis on lokidDeterminantvormis on lokid
\[ \nabla \times \boldsymbol{H} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ H_x & H_y & H_z \end{vmatrix}, \qquad \nabla \times \boldsymbol{E} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ E_x & E_y & E_z \end{vmatrix}. \] \[ \nabla \times \boldsymbol{H} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ H_x & H_y & H_z \end{vmatrix}, \qquad \nabla \times \boldsymbol{E} = \begin{vmatrix} \hat{\boldsymbol{x}} & \hat{\boldsymbol{y}} & \hat{\boldsymbol{z}} \\ \dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\ E_x & E_y & E_z \end{vmatrix}. \]
Need on pideva aja ja pideva ruumi korral kasutatavad võrrandid. Ülejäänud teksti eesmärk on teisendada need selgeks, diskreetse diferentside meetodiga lahendatavaks skeemiks, mida saab aja jooksul edasi arendada.Need on pideva aja ja pideva ruumi korral kasutatavad võrrandid. Ülejäänud teksti eesmärk on teisendada need selgeks, diskreetse diferentside meetodiga lahendatavaks skeemiks, mida saab aja jooksul edasi arendada.
3. Lokkjoone võrrandite komponentvorm3. Lokkjoone võrrandite komponentvorm
Ampère’i seaduse laiendamine kartesiaalseteks komponentideks annab:Ampère’i seaduse laiendamine kartesiaalseteks komponentideks annab:
\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = \frac{\partial H_z}{\partial y} - \frac{\partial H_y}{\partial z}, \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = \frac{\partial H_z}{\partial y} - \frac{\partial H_y}{\partial z}, \]
\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = \frac{\partial H_x}{\partial z} - \frac{\partial H_z}{\partial x}, \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = \frac{\partial H_x}{\partial z} - \frac{\partial H_z}{\partial x}, \]
\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x} - \frac{\partial H_x}{\partial y}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x} - \frac{\partial H_x}{\partial y}. \]
Faraday seaduse laiendatud vorm onFaraday seaduse laiendatud vorm on
\[ -\sigma_m H_x - \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_z}{\partial y} - \frac{\partial E_y}{\partial z}, \] \[ -\sigma_m H_x - \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_z}{\partial y} - \frac{\partial E_y}{\partial z}, \]
\[ -\sigma_m H_y - \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_x}{\partial z} - \frac{\partial E_z}{\partial x}, \] \[ -\sigma_m H_y - \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_x}{\partial z} - \frac{\partial E_z}{\partial x}, \]
\[ -\sigma_m H_z - \mu \frac{\partial H_z}{\partial t} = \frac{\partial E_y}{\partial x} - \frac{\partial E_x}{\partial y}. \] \[ -\sigma_m H_z - \mu \frac{\partial H_z}{\partial t} = \frac{\partial E_y}{\partial x} - \frac{\partial E_x}{\partial y}. \]
Selles etapis ei ole veel tehtud ühtegi oletust dimensioonide kohta. Ülaltoodud avaldised on lihtsalt täielike kolmemõõtmeliste keerduvõrrandite komponendid.Selles etapis ei ole veel tehtud ühtegi oletust dimensioonide kohta. Ülaltoodud avaldised on lihtsalt täielike kolmemõõtmeliste keerduvõrrandite komponendid.
4. Kahemõõtmelise vähendamine4. Kahemõõtmelise vähendamine
Et tuletusprotsess oleks hõlpsamini jälgitav, lihtsustame probleemi, vähendades selle kahele mõõtmele, eeldades, et \(y\)-suunas ei esine muutusi, seega \(\partial / \partial y = 0\). See samm on tehtud eelkõige algebraliste arvutuste lihtsustamiseks ja uuendavate võrrandite struktuuri paremaks mõistmiseks. Sama lähenemist saab otse laiendada kolmele mõõtmele ning praktikas lahendab OghmaNano täieliku kolmemõõtmelise Maxwelli võrrandite süsteemi.Et tuletusprotsess oleks hõlpsamini jälgitav, lihtsustame probleemi, vähendades selle kahele mõõtmele, eeldades, et \(y\)-suunas ei esine muutusi, seega \(\partial / \partial y = 0\). See samm on tehtud eelkõige algebraliste arvutuste lihtsustamiseks ja uuendavate võrrandite struktuuri paremaks mõistmiseks. Sama lähenemist saab otse laiendada kolmele mõõtmele ning praktikas lahendab OghmaNano täieliku kolmemõõtmelise Maxwelli võrrandite süsteemi.
Sellise eelduse korral lihtsustuvad elektrivälja võrrandid järgmiselt:Sellise eelduse korral lihtsustuvad elektrivälja võrrandid järgmiselt:
\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}, \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}, \]
\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}, \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}, \]
\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \]
Kui me seame ka magnetilise juhtivuse väärtuseks null, \(\sigma_m = 0\), siis muutuvad magnetvälja võrrandid järgmisteks:Kui me seame ka magnetilise juhtivuse väärtuseks null, \(\sigma_m = 0\), siis muutuvad magnetvälja võrrandid järgmisteks:
\[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}, \] \[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}, \]
\[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}, \] \[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}, \]
\[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \] \[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \]
Need on pidevad võrrandid, mis nüüd diskretiseeritakse. On oluline rõhutada, et tegemist on 3D-probleemi lihtsustatud 2D-versiooniga. Eesmärk ei ole väita, et kõik FDTD-meetodid on sisuliselt kahemõõtmelised, vaid tuletada selged uuendamisvõrrandid tavalise juhtumi jaoks, kus üks mõõde on välja jäetud.Need on pidevad võrrandid, mis nüüd diskretiseeritakse. On oluline rõhutada, et tegemist on 3D-probleemi lihtsustatud 2D-versiooniga. Eesmärk ei ole väita, et kõik FDTD-meetodid on sisuliselt kahemõõtmelised, vaid tuletada selged uuendamisvõrrandid tavalise juhtumi jaoks, kus üks mõõde on välja jäetud.
5. Yee võre, indekseerimine ja notatsioon5. Yee võre, indekseerimine ja notatsioon
Ülaltoodud võrrandite numbrilise lahenduse jaoks diskretiseeritakse nii ruum kui ka aeg. Olgu arvutusvõre samm \(x\)- ja \(z\)-suundades vastavalt \(\Delta x\) ja \(\Delta z\) ning ajaline samm \(\Delta t\). Kasutame \(x\)- ja \(z\)-suundade jaoks täisarvulisi indekse \(i\) ja \(k\):Ülaltoodud võrrandite numbrilise lahenduse jaoks diskretiseeritakse nii ruum kui ka aeg. Olgu arvutusvõre samm \(x\)- ja \(z\)-suundades vastavalt \(\Delta x\) ja \(\Delta z\) ning ajaline samm \(\Delta t\). Kasutame \(x\)- ja \(z\)-suundade jaoks täisarvulisi indekse \(i\) ja \(k\):
\[ x_i = i \Delta x, \qquad z_k = k \Delta z. \] \[ x_i = i \Delta x, \qquad z_k = k \Delta z. \]
Aeg on tähistatud täisarvuga \(n\), etAeg on tähistatud täisarvuga \(n\), et
\[ t^n = n \Delta t. \] \[ t^n = n \Delta t. \]
Yee meetodis ei salvestata elektri- ja magnetvälju ühes ja samas kohas, ei ruumis ega ajas. Selle asemel on need nihkega. Elektrivälja komponendid arvutatakse täisarvulistel ajapunktidel \(n\Delta t\), samas kui magnetvälja komponendid arvutatakse poolarvulistel ajapunktidel \(\left(n+\tfrac{1}{2}\right)\Delta t\). See on FDTD meetodi hüppeprotsessi struktuuri aluseks.Yee meetodis ei salvestata elektri- ja magnetvälju ühes ja samas kohas, ei ruumis ega ajas. Selle asemel on need nihkega. Elektrivälja komponendid arvutatakse täisarvulistel ajapunktidel \(n\Delta t\), samas kui magnetvälja komponendid arvutatakse poolarvulistel ajapunktidel \(\left(n+\tfrac{1}{2}\right)\Delta t\). See on FDTD meetodi hüppeprotsessi struktuuri aluseks.
Ruumiliselt on väljakomponendid nihutatud nii, et iga keskpunktiga määratud lõplike erineuste pöörlev komponent on loomulikult määratletud naaberpunktide vahel. Täielikus koodiimplementatsioonis kannab iga väljakomponent oma paari ruumilisi indekseid, näiteks \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) ja nii edasi. Et algebra oleks paremini loetav, ei kirjutata mõningaid korduvaid „vaatleja” indekseid allpool olevates etappides alati selgesõnaliselt välja. Kuid tõlgendus on alati sama:Ruumiliselt on väljakomponendid nihutatud nii, et iga keskpunktiga määratud lõplike erineuste pöörlev komponent on loomulikult määratletud naaberpunktide vahel. Täielikus koodiimplementatsioonis kannab iga väljakomponent oma paari ruumilisi indekseid, näiteks \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) ja nii edasi. Et algebra oleks paremini loetav, ei kirjutata mõningaid korduvaid „vaatleja” indekseid allpool olevates etappides alati selgesõnaliselt välja. Kuid tõlgendus on alati sama:
- \(i\) määrab \(x\) suuna.\(i\) määrab \(x\) suuna.
- \(k\) määrab \(z\) suuna.\(k\) määrab \(z\) suuna.
- \(n\) tähistab täisarvulisi elektrivälja ajataset ja\(n\) tähistab täisarvulisi elektrivälja ajataset ja
- \(n+\tfrac{1}{2}\) näitab magnetvälja ajaliselt muutuva intensiivsuse väärtusi, kus muutus toimub poolteise sammu võrra.\(n+\tfrac{1}{2}\) näitab magnetvälja ajaliselt muutuva intensiivsuse väärtusi, kus muutus toimub poolteise sammu võrra.
Näiteks on \(\partial H_y / \partial z\) jaoks keskmestatud lõplike erinevuste meetodil arvutatud ligikaudne väärtus järgmine:Näiteks on \(\partial H_y / \partial z\) jaoks keskmestatud lõplike erinevuste meetodil arvutatud ligikaudne väärtus järgmine:
\[ \frac{\partial H_y}{\partial z} \approx \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \] \[ \frac{\partial H_y}{\partial z} \approx \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \]
ja samamoodi on \(\partial H_z / \partial x\) keskmistatud ligikaudne väärtusja samamoodi on \(\partial H_z / \partial x\) keskmistatud ligikaudne väärtus
\[ \frac{\partial H_z}{\partial x} \approx \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ \frac{\partial H_z}{\partial x} \approx \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]
Kui see tähistus on selgesõnaliselt määratletud, saab allolevat valemit lugeda üheselt mõistetava ja korrektse Yee-võre uuendusskeemina.Kui see tähistus on selgesõnaliselt määratletud, saab allolevat valemit lugeda üheselt mõistetava ja korrektse Yee-võre uuendusskeemina.
6. Elektrivälja muutuste võrrandite tuletamine6. Elektrivälja muutuste võrrandite tuletamine
Elektrilist välja arvutatakse täisarvulistes ajapunktides \(n\Delta t\), samas kui magnetvälja arvutatakse poolarvulistes ajapunktides \(\left(n+\tfrac{1}{2}\right)\Delta t\). Värskendavate võrrandite tuletamiseks kasutatakse ajatuletise ligikaudset arvutamist keskmise diferentsi abil ning juhtivusterminit arvutatakse, kasutades vana ja uue elektrilise välja keskmist. See tagab numeeriliselt stabiilse trapetsikujulise lähenemise juhtivuse arvutamisel.Elektrilist välja arvutatakse täisarvulistes ajapunktides \(n\Delta t\), samas kui magnetvälja arvutatakse poolarvulistes ajapunktides \(\left(n+\tfrac{1}{2}\right)\Delta t\). Värskendavate võrrandite tuletamiseks kasutatakse ajatuletise ligikaudset arvutamist keskmise diferentsi abil ning juhtivusterminit arvutatakse, kasutades vana ja uue elektrilise välja keskmist. See tagab numeeriliselt stabiilse trapetsikujulise lähenemise juhtivuse arvutamisel.
See keskmistamisetapp on oluline. Kui juhtivuse termini suhtes ei järgitaks ühtset lähenemist, ei oleks uuendusteguritel enam standardset summutatud vormi ja seos tavaliste FDTD-võrranditega läheks kaotsi.See keskmistamisetapp on oluline. Kui juhtivuse termini suhtes ei järgitaks ühtset lähenemist, ei oleks uuendusteguritel enam standardset summutatud vormi ja seos tavaliste FDTD-võrranditega läheks kaotsi.
6.1 Uuendage võrrandit \(E_x\) jaoks.6.1 Uuendage võrrandit \(E_x\) jaoks.
Alusta sellest:Alusta sellest:
\[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}. \] \[ \sigma E_x + \epsilon \frac{\partial E_x}{\partial t} = - \frac{\partial H_y}{\partial z}. \]
Hinnake juhtivusparameetrit, kasutades \(E_x^{n+1}\) ja \(E_x^n\) keskmist väärtust, ning hinnake ajatuletist, kasutades tsentreeritud lõplike erineuste meetodit:Hinnake juhtivusparameetrit, kasutades \(E_x^{n+1}\) ja \(E_x^n\) keskmist väärtust, ning hinnake ajatuletist, kasutades tsentreeritud lõplike erineuste meetodit:
\[ \sigma \frac{E_x^{n+1}(i,k) + E_x^n(i,k)}{2} + \epsilon \frac{E_x^{n+1}(i,k) - E_x^n(i,k)}{\Delta t} = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ \sigma \frac{E_x^{n+1}(i,k) + E_x^n(i,k)}{2} + \epsilon \frac{E_x^{n+1}(i,k) - E_x^n(i,k)}{\Delta t} = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]
Koonda \(E_x^{n+1}\) terminid vasakule poolele:Koonda \(E_x^{n+1}\) terminid vasakule poolele:
\[ \left( \frac{\sigma}{2} + \frac{\epsilon}{\Delta t} \right) E_x^{n+1}(i,k) = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} + \left( \frac{\epsilon}{\Delta t} - \frac{\sigma}{2} \right) E_x^n(i,k). \] \[ \left( \frac{\sigma}{2} + \frac{\epsilon}{\Delta t} \right) E_x^{n+1}(i,k) = - \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} + \left( \frac{\epsilon}{\Delta t} - \frac{\sigma}{2} \right) E_x^n(i,k). \]
SeegaSeega
\[ E_x^{n+1}(i,k) = \frac{ \left( \dfrac{\epsilon}{\Delta t} - \dfrac{\sigma}{2} \right) E_x^n(i,k) - \dfrac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} }{ \dfrac{\epsilon}{\Delta t} + \dfrac{\sigma}{2} }. \] \[ E_x^{n+1}(i,k) = \frac{ \left( \dfrac{\epsilon}{\Delta t} - \dfrac{\sigma}{2} \right) E_x^n(i,k) - \dfrac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} }{ \dfrac{\epsilon}{\Delta t} + \dfrac{\sigma}{2} }. \]
Arvutades murru lugeja ja nimetaja korrutise, kus korrutajaks on \(2\Delta t\), saame tuttava kuju, kus esineb koefitsient:Arvutades murru lugeja ja nimetaja korrutise, kus korrutajaks on \(2\Delta t\), saame tuttava kuju, kus esineb koefitsient:
\[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]
6.2 Uuendage võrrandit \(E_y\) jaoks.6.2 Uuendage võrrandit \(E_y\) jaoks.
Alusta sellest:Alusta sellest:
\[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}. \] \[ \sigma E_y + \epsilon \frac{\partial E_y}{\partial t} = - \frac{\partial H_z}{\partial x} + \frac{\partial H_x}{\partial z}. \]
Diskretiseeri mõlemad tuletisfunktsioonide liikmed Yee võrgustikul:Diskretiseeri mõlemad tuletisfunktsioonide liikmed Yee võrgustikul:
\[ \sigma \frac{E_y^{n+1}(i,k) + E_y^n(i,k)}{2} + \epsilon \frac{E_y^{n+1}(i,k) - E_y^n(i,k)}{\Delta t} = - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \] \[ \sigma \frac{E_y^{n+1}(i,k) + E_y^n(i,k)}{2} + \epsilon \frac{E_y^{n+1}(i,k) - E_y^n(i,k)}{\Delta t} = - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}. \]
Ümberkorraldamine annab võimaluse.Ümberkorraldamine annab võimaluse.
\[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right]. \] \[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right]. \]
See on ainus elektrivälja komponent kahemõõtmelises redutseeritud väljas, mis sisaldab panust kahest erinevast magnetvälja derivaadist, ja seetõttu on seda koodis kõige lihtsam valesti esitada. Eelkõige tuleneb \(x\) ja \(z\) derivaatterminite suhteline märk otse vektorpõldu lahendusest ning seda ei tohiks muuta.See on ainus elektrivälja komponent kahemõõtmelises redutseeritud väljas, mis sisaldab panust kahest erinevast magnetvälja derivaadist, ja seetõttu on seda koodis kõige lihtsam valesti esitada. Eelkõige tuleneb \(x\) ja \(z\) derivaatterminite suhteline märk otse vektorpõldu lahendusest ning seda ei tohiks muuta.
6.3 Uuendage võrrandit \(E_z\) jaoks.6.3 Uuendage võrrandit \(E_z\) jaoks.
Alusta sellest:Alusta sellest:
\[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \] \[ \sigma E_z + \epsilon \frac{\partial E_z}{\partial t} = \frac{\partial H_y}{\partial x}. \]
Diskretiseerimine annab.Diskretiseerimine annab.
\[ \sigma \frac{E_z^{n+1}(i,k) + E_z^n(i,k)}{2} + \epsilon \frac{E_z^{n+1}(i,k) - E_z^n(i,k)}{\Delta t} = \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ \sigma \frac{E_z^{n+1}(i,k) + E_z^n(i,k)}{2} + \epsilon \frac{E_z^{n+1}(i,k) - E_z^n(i,k)}{\Delta t} = \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]
SeegaSeega
\[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \] \[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}. \]
Selles etapis on saadud diskreetsete elektrivälja muutuste võrrandid nende standardsetes summutatud kujudes. Järgmine samm on tuletada vastavad magnetvälja võrrandid, mis on arvutatud poolarvulistel ajapunktidel.Selles etapis on saadud diskreetsete elektrivälja muutuste võrrandid nende standardsetes summutatud kujudes. Järgmine samm on tuletada vastavad magnetvälja võrrandid, mis on arvutatud poolarvulistel ajapunktidel.
7. Magnetvälja muutuste võrrandite tuletamine7. Magnetvälja muutuste võrrandite tuletamine
Magnetväli uuendatakse poolarvuliste ajaintervallidega. \(\sigma_m = 0\) korral ei sisalda magnetvälivõrrandid summutustegurit, mistõttu on uuendamisvalemid lihtsamad ja võtavad lihtsama vormi. See osa tuletusest on algebraliselt lühem kui elektrvälja puhul, kuna seal ei ole trapezoidset juhtivustegurit, mida edasi viia.Magnetväli uuendatakse poolarvuliste ajaintervallidega. \(\sigma_m = 0\) korral ei sisalda magnetvälivõrrandid summutustegurit, mistõttu on uuendamisvalemid lihtsamad ja võtavad lihtsama vormi. See osa tuletusest on algebraliselt lühem kui elektrvälja puhul, kuna seal ei ole trapezoidset juhtivustegurit, mida edasi viia.
7.1 Uuendage võrrandit \(H_x\) jaoks.7.1 Uuendage võrrandit \(H_x\) jaoks.
Alusta sellest:Alusta sellest:
\[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}. \] \[ \mu \frac{\partial H_x}{\partial t} = \frac{\partial E_y}{\partial z}. \]
Diskreetseks muudetud ajaline vahe \(n-\tfrac{1}{2}\) ja \(n+\tfrac{1}{2}\) sammude vahel ning ruumiline diskreetimine, kasutades keskset diferentsmeetodit \(z\) suunas, annab:Diskreetseks muudetud ajaline vahe \(n-\tfrac{1}{2}\) ja \(n+\tfrac{1}{2}\) sammude vahel ning ruumiline diskreetimine, kasutades keskset diferentsmeetodit \(z\) suunas, annab:
\[ \mu \frac{ H_x^{n+\frac{1}{2}}(i,k+\frac{1}{2}) - H_x^{n-\frac{1}{2}}(i,k+\frac{1}{2}) }{\Delta t} = \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}. \] \[ \mu \frac{ H_x^{n+\frac{1}{2}}(i,k+\frac{1}{2}) - H_x^{n-\frac{1}{2}}(i,k+\frac{1}{2}) }{\Delta t} = \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}. \]
Tihedas poolindeksiga tähistuses, mida sageli tuletistes kasutatakse, saab sama tulemuse kirjutada järgmiselt:Tihedas poolindeksiga tähistuses, mida sageli tuletistes kasutatakse, saab sama tulemuse kirjutada järgmiselt:
\[ \mu \frac{ H_x^{n+\frac{1}{2}} - H_x^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ \mu \frac{ H_x^{n+\frac{1}{2}} - H_x^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]
SeegaSeega
\[ H_x^{n+\frac{1}{2}} = H_x^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ H_x^{n+\frac{1}{2}} = H_x^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(k+\frac{1}{2}\right) - E_y^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]
7.2 Uuendage võrrandit \(H_y\) jaoks.7.2 Uuendage võrrandit \(H_y\) jaoks.
Alusta sellest:Alusta sellest:
\[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}. \] \[ \mu \frac{\partial H_y}{\partial t} = \frac{\partial E_z}{\partial x} - \frac{\partial E_x}{\partial z}. \]
Diskretiseerimine annab.Diskretiseerimine annab.
\[ \mu \frac{ H_y^{n+\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) - H_y^{n-\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) }{\Delta t} = \frac{ E_z^n(i+1,k+\frac{1}{2}) - E_z^n(i,k+\frac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\frac{1}{2},k+1) - E_x^n(i+\frac{1}{2},k) }{\Delta z}. \] \[ \mu \frac{ H_y^{n+\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) - H_y^{n-\frac{1}{2}}(i+\frac{1}{2},k+\frac{1}{2}) }{\Delta t} = \frac{ E_z^n(i+1,k+\frac{1}{2}) - E_z^n(i,k+\frac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\frac{1}{2},k+1) - E_x^n(i+\frac{1}{2},k) }{\Delta z}. \]
Jällegi, kasutades lühendatud poolindeksi tähistust,Jällegi, kasutades lühendatud poolindeksi tähistust,
\[ \mu \frac{ H_y^{n+\frac{1}{2}} - H_y^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \] \[ \mu \frac{ H_y^{n+\frac{1}{2}} - H_y^{n-\frac{1}{2}} }{\Delta t} = \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z}. \]
SeegaSeega
\[ H_y^{n+\frac{1}{2}} = H_y^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z} \right]. \] \[ H_y^{n+\frac{1}{2}} = H_y^{n-\frac{1}{2}} + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n\!\left(i+\frac{1}{2}\right) - E_z^n\!\left(i-\frac{1}{2}\right) }{\Delta x} - \frac{ E_x^n\!\left(k+\frac{1}{2}\right) - E_x^n\!\left(k-\frac{1}{2}\right) }{\Delta z} \right]. \]
7.3 Uuendage võrrandit \(H_z\) jaoks.7.3 Uuendage võrrandit \(H_z\) jaoks.
Alusta sellest:Alusta sellest:
\[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \] \[ \mu \frac{\partial H_z}{\partial t} = - \frac{\partial E_y}{\partial x}. \]
Diskreetimine annab.Diskreetimine annab.
\[ \mu \frac{ H_z^{n+\frac{1}{2}}(i+\frac{1}{2},k) - H_z^{n-\frac{1}{2}}(i+\frac{1}{2},k) }{\Delta t} = - \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \] \[ \mu \frac{ H_z^{n+\frac{1}{2}}(i+\frac{1}{2},k) - H_z^{n-\frac{1}{2}}(i+\frac{1}{2},k) }{\Delta t} = - \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \]
Vastavalt sellele, lühivormis kirjutatuna:Vastavalt sellele, lühivormis kirjutatuna:
\[ \mu \frac{ H_z^{n+\frac{1}{2}} - H_z^{n-\frac{1}{2}} }{\Delta t} = - \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \] \[ \mu \frac{ H_z^{n+\frac{1}{2}} - H_z^{n-\frac{1}{2}} }{\Delta t} = - \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \]
SeegaSeega
\[ H_z^{n+\frac{1}{2}} = H_z^{n-\frac{1}{2}} - \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \] \[ H_z^{n+\frac{1}{2}} = H_z^{n-\frac{1}{2}} - \frac{\Delta t}{\mu} \frac{ E_y^n\!\left(i+\frac{1}{2}\right) - E_y^n\!\left(i-\frac{1}{2}\right) }{\Delta x}. \]
Kui need asendused on tehtud, järgnevad tavalised hüppelahendusega FDTD-meetodi iteratsioonivõrrandid.Kui need asendused on tehtud, järgnevad tavalised hüppelahendusega FDTD-meetodi iteratsioonivõrrandid.
8. Lõplikud uuendamisvõrrandid8. Lõplikud uuendamisvõrrandid
Kõigi tulemuste kokkuvõtmisel on kahemõõtmelised FDTD-i iteratsioonivõrrandid järgmised:Kõigi tulemuste kokkuvõtmisel on kahemõõtmelised FDTD-i iteratsioonivõrrandid järgmised:
\[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \] \[ E_x^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_x^n(i,k) - \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_y^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z}, \]
\[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right], \] \[ E_y^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_y^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \left[ - \frac{ H_z^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_z^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x} + \frac{ H_x^{n+\frac{1}{2}}\!\left(i,k+\frac{1}{2}\right) - H_x^{n+\frac{1}{2}}\!\left(i,k-\frac{1}{2}\right) }{\Delta z} \right], \]
\[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}, \] \[ E_z^{n+1}(i,k) = \frac{ 2\epsilon - \sigma \Delta t }{ 2\epsilon + \sigma \Delta t } E_z^n(i,k) + \frac{ 2 \Delta t }{ 2\epsilon + \sigma \Delta t } \frac{ H_y^{n+\frac{1}{2}}\!\left(i+\frac{1}{2},k\right) - H_y^{n+\frac{1}{2}}\!\left(i-\frac{1}{2},k\right) }{\Delta x}, \]
\[ H_x^{n+\frac{1}{2}}(i,k+\tfrac{1}{2}) = H_x^{n-\frac{1}{2}}(i,k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}, \] \[ H_x^{n+\frac{1}{2}}(i,k+\tfrac{1}{2}) = H_x^{n-\frac{1}{2}}(i,k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \frac{ E_y^n(i,k+1) - E_y^n(i,k) }{\Delta z}, \]
\[ H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) = H_y^{n-\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n(i+1,k+\tfrac{1}{2}) - E_z^n(i,k+\tfrac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\tfrac{1}{2},k+1) - E_x^n(i+\tfrac{1}{2},k) }{\Delta z} \right], \] \[ H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) = H_y^{n-\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2}) + \frac{\Delta t}{\mu} \left[ \frac{ E_z^n(i+1,k+\tfrac{1}{2}) - E_z^n(i,k+\tfrac{1}{2}) }{\Delta x} - \frac{ E_x^n(i+\tfrac{1}{2},k+1) - E_x^n(i+\tfrac{1}{2},k) }{\Delta z} \right], \]
\[ H_z^{n+\frac{1}{2}}(i+\tfrac{1}{2},k) = H_z^{n-\frac{1}{2}}(i+\tfrac{1}{2},k) - \frac{\Delta t}{\mu} \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \] \[ H_z^{n+\frac{1}{2}}(i+\tfrac{1}{2},k) = H_z^{n-\frac{1}{2}}(i+\tfrac{1}{2},k) - \frac{\Delta t}{\mu} \frac{ E_y^n(i+1,k) - E_y^n(i,k) }{\Delta x}. \]
Sellisel kujul kirjeldatuna on hüppeprotsessi põhimõte selgelt arusaadav. Elektrivälja väärtus ajapunktis \(n+1\) määratakse magnetvälja väärtuse põhjal ajapunktis \(n+\tfrac{1}{2}\), samas kui magnetvälja väärtus ajapunktis \(n+\tfrac{1}{2}\) määratakse elektrivälja väärtuse põhjal ajapunktis \(n\). Seega vahelduvad väljad ajas üksteise järel.Sellisel kujul kirjeldatuna on hüppeprotsessi põhimõte selgelt arusaadav. Elektrivälja väärtus ajapunktis \(n+1\) määratakse magnetvälja väärtuse põhjal ajapunktis \(n+\tfrac{1}{2}\), samas kui magnetvälja väärtus ajapunktis \(n+\tfrac{1}{2}\) määratakse elektrivälja väärtuse põhjal ajapunktis \(n\). Seega vahelduvad väljad ajas üksteise järel.
9. Märkused rakendamise kohta9. Märkused rakendamise kohta
Praktilises koodis arvutatakse ja salvestatakse sageli ette väärtused, mis korrutavad vanu väljaväärtusi ja keertermide väärtusi, eriti kui \(\epsilon\), \(\mu\) või \(\sigma\) muutuvad elemendist elemendisse. Näiteks elektrilise välja uuendamine toimub tavaliselt järgmisel kujul:Praktilises koodis arvutatakse ja salvestatakse sageli ette väärtused, mis korrutavad vanu väljaväärtusi ja keertermide väärtusi, eriti kui \(\epsilon\), \(\mu\) või \(\sigma\) muutuvad elemendist elemendisse. Näiteks elektrilise välja uuendamine toimub tavaliselt järgmisel kujul:
\[ E^{n+1} = C_a E^n + C_b (\nabla \times H), \] \[ E^{n+1} = C_a E^n + C_b (\nabla \times H), \]
kus kohalikud koefitsiendid \(C_a\) ja \(C_b\) kirjeldavad materjali parameetreid ja ajasammu. See muudab implementatsiooni lihtsamaks ja väldib sama teguri iga kord ümberarvutamist.kus kohalikud koefitsiendid \(C_a\) ja \(C_b\) kirjeldavad materjali parameetreid ja ajasammu. See muudab implementatsiooni lihtsamaks ja väldib sama teguri iga kord ümberarvutamist.
Samuti on oluline rõhutada, et ülaltoodud tuletus annab ainult FDTD-meetodi põhiosa. Praktiliselt kasutatav simulatsioon nõuab lisaks veel allikaid, piirtingimusi, neelavaid kihte, näiteks täiuslikult sobitatud kihte (PML), ja ajasammut, mis vastab Couranti stabiilsustingimusele. Ükski neist lisanditest ei muuda siin tuletatud põhilist hüppelahendusstruktuur, kuid igaüks neist muudab seda, kuidas värskendusvõrrandeid rakendatakse konkreetsetes võrepunktides.Samuti on oluline rõhutada, et ülaltoodud tuletus annab ainult FDTD-meetodi põhiosa. Praktiliselt kasutatav simulatsioon nõuab lisaks veel allikaid, piirtingimusi, neelavaid kihte, näiteks täiuslikult sobitatud kihte (PML), ja ajasammut, mis vastab Couranti stabiilsustingimusele. Ükski neist lisanditest ei muuda siin tuletatud põhilist hüppelahendusstruktuur, kuid igaüks neist muudab seda, kuidas värskendusvõrrandeid rakendatakse konkreetsetes võrepunktides.
Lõpetuseks, kuigi ülaltoodud notatsioon on piisavalt hoolikalt koostatud, et see oleks praktiliselt kasutatav, sõltub iga komponendi täpne paigutus ruumis kasutatavast ruudustiku süsteemist. Oluline ei ole niivõrd konkreetne kujundus, vaid pigem ühtsus: lokkoperaator, nihkumismuster ja märgid peavad kõik vastama ühele ja samale Yee-raku paigutusele kogu koodis.Lõpetuseks, kuigi ülaltoodud notatsioon on piisavalt hoolikalt koostatud, et see oleks praktiliselt kasutatav, sõltub iga komponendi täpne paigutus ruumis kasutatavast ruudustiku süsteemist. Oluline ei ole niivõrd konkreetne kujundus, vaid pigem ühtsus: lokkoperaator, nihkumismuster ja märgid peavad kõik vastama ühele ja samale Yee-raku paigutusele kogu koodis.