בית דוגמאות צילומי מסך מדריך למשתמש הלוגו של בלוסקיי YouTube ☰
OghmaNano פלטפורמת סימולציה רב-פיזיקלית עבור התקנים אופטו-אלקטרוניים ומערכות פוטוניות הורד מדריך להתחלה מהירה

גזירת משוואת FDTDגזירת משוואת FDTD

1. מבוא1. מבוא

דף זה מציג את הנגזרת המתמטית המפורטת של משוואות העדכון העיקריות של שיטת הפרשים סופיים בזמן (FDTD), המשמשות לפתרון משוואות מקסוול בתחום הזמן. מטרת דף זה שונה מזו של הדף הראשי העוסק בתיאוריה. כאן, המטרה אינה לספק סקירה כללית, אלא להציג באופן מפורש כיצד משוואות הגזירה הרציפות מומרות לביטויים אלגבריים בדידים, המיושמים על ידי מחשב. זהו גם החלק בשיטת FDTD שקל ביותר לטעות בו ביישום הקוד: טעויות בסימנים, אינדקסים שגויים או שימוש לא עקבי בצעדי זמן עלולים להוביל מיד לתוצאות לא יציבות או לא פיזיקליות.דף זה מציג את הנגזרת המתמטית המפורטת של משוואות העדכון העיקריות של שיטת הפרשים סופיים בזמן (FDTD), המשמשות לפתרון משוואות מקסוול בתחום הזמן. מטרת דף זה שונה מזו של הדף הראשי העוסק בתיאוריה. כאן, המטרה אינה לספק סקירה כללית, אלא להציג באופן מפורש כיצד משוואות הגזירה הרציפות מומרות לביטויים אלגבריים בדידים, המיושמים על ידי מחשב. זהו גם החלק בשיטת FDTD שקל ביותר לטעות בו ביישום הקוד: טעויות בסימנים, אינדקסים שגויים או שימוש לא עקבי בצעדי זמן עלולים להוביל מיד לתוצאות לא יציבות או לא פיזיקליות.

לכן, אנו מתחילים מחוק אמפר וחוק פאראדיי בצורתם הדיפרנציאלית, מרחיבים אותם לרכיבים קרטזיים, ולאחר מכן מצמצמים אותם לבעיה אופטית דו-ממדית. הנגזרות המרחביות מוחלפות בהפרשים סופיים ממרכזים, הנגזרות הזמניות מפורקות באמצעות הסכמה הסטנדרטית מסוג "צעד צולב", והביטויים המתקבלים מסודרים מחדש כדי לקבל נוסחאות עדכון מפורשות עבור רכיבי השדה החשמלי והמגנטי.לכן, אנו מתחילים מחוק אמפר וחוק פאראדיי בצורתם הדיפרנציאלית, מרחיבים אותם לרכיבים קרטזיים, ולאחר מכן מצמצמים אותם לבעיה אופטית דו-ממדית. הנגזרות המרחביות מוחלפות בהפרשים סופיים ממרכזים, הנגזרות הזמניות מפורקות באמצעות הסכמה הסטנדרטית מסוג "צעד צולב", והביטויים המתקבלים מסודרים מחדש כדי לקבל נוסחאות עדכון מפורשות עבור רכיבי השדה החשמלי והמגנטי.

כדי לשמור על בהירות הניתוח, אנו מצמצמים כאן את המשוואות למקרה דו-ממדי שבו \(\partial/\partial y = 0\) והמוליכות המגנטית מוגדרים לאפס, \(\sigma_m = 0\). הדבר מקל מאוד על מעקב אחר האלגברה ומדגים באופן מפורש כיצד מתבצעת צמצום הממדים בפועל. עם זאת, בפתרון OghmaNano FDTD המלא, המשוואות האלקטרומגנטיות נפתרות בשלושה ממדים. לכן, הניתוח הדו-ממדי המוצג כאן נועד לשמש כדוגמה ברורה ומפורטת של השיטה, ולא כהצהרה שהפתרון הבסיסי מוגבל ל-2D.כדי לשמור על בהירות הניתוח, אנו מצמצמים כאן את המשוואות למקרה דו-ממדי שבו \(\partial/\partial y = 0\) והמוליכות המגנטית מוגדרים לאפס, \(\sigma_m = 0\). הדבר מקל מאוד על מעקב אחר האלגברה ומדגים באופן מפורש כיצד מתבצעת צמצום הממדים בפועל. עם זאת, בפתרון OghmaNano FDTD המלא, המשוואות האלקטרומגנטיות נפתרות בשלושה ממדים. לכן, הניתוח הדו-ממדי המוצג כאן נועד לשמש כדוגמה ברורה ומפורטת של השיטה, ולא כהצהרה שהפתרון הבסיסי מוגבל ל-2D.

בכל דף זה, רכיבי השדה החשמלי מחושבים בנקודות זמן שלמות \(n\Delta t\), בעוד שרכיבי השדה המגנטי מחושבים בנקודות זמן שהן חצי שלמות \(\left(n+\tfrac{1}{2}\right)\Delta t\). זוהי תצורת רשת Yee הסטנדרטית המשמשת בשיטת FDTD. בניגוד לדף הסקירה המקוצר, כאן מצוין האינדקס באופן מפורש יותר, כך שההסבר יכול לשמש גם כמדריך ליישום וגם כהערה מתמטית.בכל דף זה, רכיבי השדה החשמלי מחושבים בנקודות זמן שלמות \(n\Delta t\), בעוד שרכיבי השדה המגנטי מחושבים בנקודות זמן שהן חצי שלמות \(\left(n+\tfrac{1}{2}\right)\Delta t\). זוהי תצורת רשת Yee הסטנדרטית המשמשת בשיטת FDTD. בניגוד לדף הסקירה המקוצר, כאן מצוין האינדקס באופן מפורש יותר, כך שההסבר יכול לשמש גם כמדריך ליישום וגם כהערה מתמטית.

2. משוואות התחלתיות2. משוואות התחלתיות

אנו מתחילים ממשוואות הגריל של מקסוול במצע ליניארי בעל מוליכות חשמלית \(\sigma\), קבוע דיאלקטרי \(\epsilon\), חדירות מגנטית \(\mu\), ולשם הכללה, מוליכות מגנטית \(\sigma_m\):אנו מתחילים ממשוואות הגריל של מקסוול במצע ליניארי בעל מוליכות חשמלית \(\sigma\), קבוע דיאלקטרי \(\epsilon\), חדירות מגנטית \(\mu\), ולשם הכללה, מוליכות מגנטית \(\sigma_m\):

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

בצורה דטרמיננטית, התלתלים הםבצורה דטרמיננטית, התלתלים הם

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

אלו הן המשוואות המתארות מערכת רציפה בזמן ובמרחב. מטרת שאר הדף היא להמיר אותן למערכת משוואות סופיות מפורשות, שאותן ניתן לפתור באופן איטרטיבי לאורך זמן.אלו הן המשוואות המתארות מערכת רציפה בזמן ובמרחב. מטרת שאר הדף היא להמיר אותן למערכת משוואות סופיות מפורשות, שאותן ניתן לפתור באופן איטרטיבי לאורך זמן.

3. הצורה הווקטורית של משוואות הכריבול (הסלסול)3. הצורה הווקטורית של משוואות הכריבול (הסלסול)

הרחבת חוק אמפר לרכיבים קרטזיים נותנת:הרחבת חוק אמפר לרכיבים קרטזיים נותנת:

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

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

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

הרחבת חוק פאראדיי נותנת:הרחבת חוק פאראדיי נותנת:

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

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

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

בשלב זה טרם הניחו דבר לגבי המימד. הביטויים שלעיל הם פשוט הצורה המרכיבה של משוואות הדיפרנציאליות המלאות בתלת-ממד.בשלב זה טרם הניחו דבר לגבי המימד. הביטויים שלעיל הם פשוט הצורה המרכיבה של משוואות הדיפרנציאליות המלאות בתלת-ממד.

4. צמצום דו-ממדי4. צמצום דו-ממדי

כדי להפוך את הניתוח לישים יותר, אנו מצמצמים כעת את הבעיה לשני ממדים על ידי הנחה שאין שינוי בכיוון \(y\), ולכן \(\partial / \partial y = 0\). פעולה זו נעשית אך ורק כדי לפשט את האלגברה ולהקל על הבנת מבנה המשוואות המעודכנות. ניתן להרחיב את אותה שיטה ישירות לשלושה ממדים, ובפועל, OghmaNano פותרת את הצורה המלאה של משוואות מקסוול בשלושה ממדים.כדי להפוך את הניתוח לישים יותר, אנו מצמצמים כעת את הבעיה לשני ממדים על ידי הנחה שאין שינוי בכיוון \(y\), ולכן \(\partial / \partial y = 0\). פעולה זו נעשית אך ורק כדי לפשט את האלגברה ולהקל על הבנת מבנה המשוואות המעודכנות. ניתן להרחיב את אותה שיטה ישירות לשלושה ממדים, ובפועל, OghmaNano פותרת את הצורה המלאה של משוואות מקסוול בשלושה ממדים.

בהנחה זו, משוואות השדה החשמלי מצטמצמות ל-בהנחה זו, משוואות השדה החשמלי מצטמצמות ל-

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

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

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

אם גם נגדיר את המוליכות המגנטית לאפס, \(\sigma_m = 0\), משוואות השדה המגנטי יהפכו ל-אם גם נגדיר את המוליכות המגנטית לאפס, \(\sigma_m = 0\), משוואות השדה המגנטי יהפכו ל-

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

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

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

אלו הן המשוואות הרציפות שאותן נמיר כעת למשוואות בדידות. חשוב לציין במפורש שמדובר בהפחתה של הבעיה התלת-ממדית המלאה לבעיה דו-ממדית. המטרה אינה לטעון שכל שיטות FDTD הן מטבען דו-ממדיות, אלא לגזור משוואות עדכון ברורות עבור המקרה הנפוץ שבו כיוון אחד מושבת.אלו הן המשוואות הרציפות שאותן נמיר כעת למשוואות בדידות. חשוב לציין במפורש שמדובר בהפחתה של הבעיה התלת-ממדית המלאה לבעיה דו-ממדית. המטרה אינה לטעון שכל שיטות FDTD הן מטבען דו-ממדיות, אלא לגזור משוואות עדכון ברורות עבור המקרה הנפוץ שבו כיוון אחד מושבת.

5. רשת יֵי, אינדוקס וסימון5. רשת יֵי, אינדוקס וסימון

כדי לפתור את המשוואות שלעיל בשיטה נומרית, גם המרחב וגם הזמן מפורקים ליחידות בדידות. נניח שהמרחקים בין נקודות הרשת החישובית בכיוונים \(x\) ו-\(z\) הם \(\Delta x\) ו-\(\Delta z\), בהתאמה, ושהצעד בזמן הוא \(\Delta t\). אנו משתמשים במדדים השלמים \(i\) ו-\(k\) עבור הכיוונים \(x\) ו-\(z\):כדי לפתור את המשוואות שלעיל בשיטה נומרית, גם המרחב וגם הזמן מפורקים ליחידות בדידות. נניח שהמרחקים בין נקודות הרשת החישובית בכיוונים \(x\) ו-\(z\) הם \(\Delta x\) ו-\(\Delta z\), בהתאמה, ושהצעד בזמן הוא \(\Delta t\). אנו משתמשים במדדים השלמים \(i\) ו-\(k\) עבור הכיוונים \(x\) ו-\(z\):

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

הזמן מסומן באמצעות המספר השלם \(n\), כך ש-הזמן מסומן באמצעות המספר השלם \(n\), כך ש-

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

בשיטת יי, השדות החשמליים והמגנטיים אינם מאוחסנים באותם מקומות, הן במרחב והן בזמן. במקום זאת, הם מסודרים באופן מדורג. רכיבי השדה החשמלי מחושבים בנקודות זמן שלמות \(n\Delta t\), בעוד שרכיבי השדה המגנטי מחושבים בנקודות זמן שהן חצי שלמות \(\left(n+\tfrac{1}{2}\right)\Delta t\). זוהי המקור למבנה "קפיצת הצפרדע" של שיטת FDTD.בשיטת יי, השדות החשמליים והמגנטיים אינם מאוחסנים באותם מקומות, הן במרחב והן בזמן. במקום זאת, הם מסודרים באופן מדורג. רכיבי השדה החשמלי מחושבים בנקודות זמן שלמות \(n\Delta t\), בעוד שרכיבי השדה המגנטי מחושבים בנקודות זמן שהן חצי שלמות \(\left(n+\tfrac{1}{2}\right)\Delta t\). זוהי המקור למבנה "קפיצת הצפרדע" של שיטת FDTD.

מבחינה מרחבית, גם רכיבי השדה מוסטים כך שכל סליל סופי של הפרשים, הממוקם במרכז, מוגדר באופן טבעי בין מיקומים סמוכים ברשת. ביישום מלא של הקוד, לכל רכיב שדה יש זוג משלו של אינדקסים מרחביים, למשל \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) וכן הלאה. כדי לשמור על בהירות האלגברה, חלק מהאינדקסים החוזרים, המשמשים כ"צופים", אינם נכתבים תמיד במפורש בשלבים הבאים. עם זאת, הפרשנות תמיד זהה:מבחינה מרחבית, גם רכיבי השדה מוסטים כך שכל סליל סופי של הפרשים, הממוקם במרכז, מוגדר באופן טבעי בין מיקומים סמוכים ברשת. ביישום מלא של הקוד, לכל רכיב שדה יש זוג משלו של אינדקסים מרחביים, למשל \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) וכן הלאה. כדי לשמור על בהירות האלגברה, חלק מהאינדקסים החוזרים, המשמשים כ"צופים", אינם נכתבים תמיד במפורש בשלבים הבאים. עם זאת, הפרשנות תמיד זהה:

לדוגמה, הקירוב של הפרשים סופיים מרכזיים עבור \(\partial H_y / \partial z\) הוא:לדוגמה, הקירוב של הפרשים סופיים מרכזיים עבור \(\partial H_y / \partial z\) הוא:

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

ובאופן דומה, הקירוב המרכזי ל-\(\partial H_z / \partial x\) הוא:ובאופן דומה, הקירוב המרכזי ל-\(\partial H_z / \partial x\) הוא:

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

לאחר שההגדרה הזו הובהרה במפורש, ניתן לקרוא את התיאור שלהלן באופן חד-משמעי כשיטה תקנית לעדכון רשת יֵי.לאחר שההגדרה הזו הובהרה במפורש, ניתן לקרוא את התיאור שלהלן באופן חד-משמעי כשיטה תקנית לעדכון רשת יֵי.

6. גזירת המשוואות לעדכון השדה החשמלי6. גזירת המשוואות לעדכון השדה החשמלי

השדה החשמלי מחושב בנקודות זמן שלמות \(n\Delta t\), בעוד שהשדה המגנטי מחושב בנקודות זמן שהן חצי מספר שלם \(\left(n+\tfrac{1}{2}\right)\Delta t\). כדי לגזור את משוואות העדכון, הנגזרת בזמן מחושבת באמצעות קירוב של הפרש סופי מרכזי, והאיבר המוליך מחושב באמצעות ממוצע של השדות החשמליים הישן והחדש. כך מתקבלת שיטה מספרית יציבה בצורת טרפז לחישוב המוליכות.השדה החשמלי מחושב בנקודות זמן שלמות \(n\Delta t\), בעוד שהשדה המגנטי מחושב בנקודות זמן שהן חצי מספר שלם \(\left(n+\tfrac{1}{2}\right)\Delta t\). כדי לגזור את משוואות העדכון, הנגזרת בזמן מחושבת באמצעות קירוב של הפרש סופי מרכזי, והאיבר המוליך מחושב באמצעות ממוצע של השדות החשמליים הישן והחדש. כך מתקבלת שיטה מספרית יציבה בצורת טרפז לחישוב המוליכות.

שלב הממוצע הזה חשוב. אם המקדם של המוליכות יטופל באופן לא עקבי, מקדמי העדכון לא יהיו בעלי הצורה הסטנדרטית של דעיכה, וההתאמה למשוואות ה-FDTD הרגילות תאבד.שלב הממוצע הזה חשוב. אם המקדם של המוליכות יטופל באופן לא עקבי, מקדמי העדכון לא יהיו בעלי הצורה הסטנדרטית של דעיכה, וההתאמה למשוואות ה-FDTD הרגילות תאבד.

6.1 עדכן את המשוואה עבור \(E_x\).6.1 עדכן את המשוואה עבור \(E_x\).

התחל מ-התחל מ-

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

חשבו את ערך המוליכות באמצעות ממוצע הערכים של \(E_x^{n+1}\) ו-\(E_x^n\), וחשבו את הנגזרת בזמן באמצעות שיטת הפרשים סופיים מרכזית:חשבו את ערך המוליכות באמצעות ממוצע הערכים של \(E_x^{n+1}\) ו-\(E_x^n\), וחשבו את הנגזרת בזמן באמצעות שיטת הפרשים סופיים מרכזית:

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

אוספים את האיברים \(E_x^{n+1}\) בצד שמאל:אוספים את האיברים \(E_x^{n+1}\) בצד שמאל:

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

לכןלכן

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

כאשר מכפילים את המונה והמכנה ב-\(2\Delta t\), מקבלים את הצורה המוכרת של המקדם:כאשר מכפילים את המונה והמכנה ב-\(2\Delta t\), מקבלים את הצורה המוכרת של המקדם:

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

6.2 עדכן את המשוואה עבור \(E_y\).6.2 עדכן את המשוואה עבור \(E_y\).

התחל מ-התחל מ-

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

בצע דיסקרטיזציה לשני האיברים הנגזרים ברשת יִי:בצע דיסקרטיזציה לשני האיברים הנגזרים ברשת יִי:

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

סידור מחדש מניב תוצאות.סידור מחדש מניב תוצאות.

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

זהו הרכיב היחיד של השדה החשמלי בהפחתה הדו-ממדית, המכיל תרומות משתי נגזרות שונות של השדה המגנטי, ולכן הוא הרכיב הקל ביותר לטעות בו בקוד. במיוחד, הסימן היחסי בין האיברים הנגזרים \(x\) ו-\(z\) נובע ישירות מהפירוק של הרוטור, ואין לשנותו.זהו הרכיב היחיד של השדה החשמלי בהפחתה הדו-ממדית, המכיל תרומות משתי נגזרות שונות של השדה המגנטי, ולכן הוא הרכיב הקל ביותר לטעות בו בקוד. במיוחד, הסימן היחסי בין האיברים הנגזרים \(x\) ו-\(z\) נובע ישירות מהפירוק של הרוטור, ואין לשנותו.

6.3 עדכון המשוואה עבור \(E_z\)6.3 עדכון המשוואה עבור \(E_z\)

התחל מ-התחל מ-

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

דיסקרטיזציה נותנתדיסקרטיזציה נותנת

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

לכן / מכאן נובע / מכאןלכן / מכאן נובע / מכאן

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

בשלב זה התקבלו המשוואות המתארות את השינוי בשדה החשמלי, והן מוצגות בצורתן הסטנדרטית, הכוללת דעיכה. השלב הבא הוא לגזור את המשוואות המתאימות לשדה המגנטי, תוך התקדמות בזמנים שהם חצי ממספר שלם.בשלב זה התקבלו המשוואות המתארות את השינוי בשדה החשמלי, והן מוצגות בצורתן הסטנדרטית, הכוללת דעיכה. השלב הבא הוא לגזור את המשוואות המתאימות לשדה המגנטי, תוך התקדמות בזמנים שהם חצי ממספר שלם.

7. גזירת המשוואות לעדכון השדה המגנטי7. גזירת המשוואות לעדכון השדה המגנטי

השדה המגנטי מתעדכן במרווחי זמן שהם חצי מספר שלם. במודל \(\sigma_m = 0\), משוואות השדה המגנטי אינן מכילות איבר דעיכה, ולכן נוסחאות העדכון מקבלות את הצורה הפשוטה יותר של חישוב קדימה. חלק זה של הנגזרת קצר יותר מבחינה אלגברית מהמקרה של השדה החשמלי, מכיוון שאין בו איבר מוליכות טרפזית שצריך להעביר אותו.השדה המגנטי מתעדכן במרווחי זמן שהם חצי מספר שלם. במודל \(\sigma_m = 0\), משוואות השדה המגנטי אינן מכילות איבר דעיכה, ולכן נוסחאות העדכון מקבלות את הצורה הפשוטה יותר של חישוב קדימה. חלק זה של הנגזרת קצר יותר מבחינה אלגברית מהמקרה של השדה החשמלי, מכיוון שאין בו איבר מוליכות טרפזית שצריך להעביר אותו.

7.1 עדכן את המשוואה עבור \(H_x\).7.1 עדכן את המשוואה עבור \(H_x\).

התחל מ-התחל מ-

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

ביצוע דיסקרטיזציה בזמן בין השלבים \(n-\tfrac{1}{2}\) ו-\(n+\tfrac{1}{2}\), ובמרחב באמצעות שימוש בשיטת הפרשים מרכזית בכיוון \(z\), נותן:ביצוע דיסקרטיזציה בזמן בין השלבים \(n-\tfrac{1}{2}\) ו-\(n+\tfrac{1}{2}\), ובמרחב באמצעות שימוש בשיטת הפרשים מרכזית בכיוון \(z\), נותן:

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

בשיטת הסימון המקוצרת, הנפוצה לעיתים קרובות בחישובים, ניתן לרשום את אותה תוצאה כך:בשיטת הסימון המקוצרת, הנפוצה לעיתים קרובות בחישובים, ניתן לרשום את אותה תוצאה כך:

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

לכןלכן

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

7.2 עדכון המשוואה עבור \(H_y\).7.2 עדכון המשוואה עבור \(H_y\).

התחל מ-התחל מ-

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

דיסקרטיזציה נותנתדיסקרטיזציה נותנת

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

שוב, בשימוש בסימון המקוצר של חצי האינדקס,שוב, בשימוש בסימון המקוצר של חצי האינדקס,

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

לכן / מכאן נובע / מכאןלכן / מכאן נובע / מכאן

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

7.3 עדכון המשוואה עבור \(H_z\).7.3 עדכון המשוואה עבור \(H_z\).

התחל מ-התחל מ-

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

דיסקרטיזציה נותנתדיסקרטיזציה נותנת

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

באופן שקול, בסימון מקוצר:באופן שקול, בסימון מקוצר:

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

לכןלכן

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

לאחר השלמת החלפות אלו, משוואות העדכון הסטנדרטיות של שיטת FDTD מסוג "קפיצה" נובעות באופן ישיר.לאחר השלמת החלפות אלו, משוואות העדכון הסטנדרטיות של שיטת FDTD מסוג "קפיצה" נובעות באופן ישיר.

8. משוואות עדכון סופיות8. משוואות עדכון סופיות

לאחר איסוף התוצאות, משוואות העדכון הדו-ממדיות של שיטת FDTD הן:לאחר איסוף התוצאות, משוואות העדכון הדו-ממדיות של שיטת FDTD הן:

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

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

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

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

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

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

כאשר התוכנית מתוארת בצורה זו, משמעותה של שיטת "קפיצה לסירוגין" ברורה. השדה החשמלי בנקודת זמן \(n+1\) מתקבל מהשדה המגנטי בנקודת זמן \(n+\tfrac{1}{2}\), בעוד שהשדה המגנטי בנקודת זמן \(n+\tfrac{1}{2}\) מתקבל מהשדה החשמלי בנקודת זמן \(n\). לכן, השדות מתקדמים בסדרת מחזורים מתחלפת לאורך זמן.כאשר התוכנית מתוארת בצורה זו, משמעותה של שיטת "קפיצה לסירוגין" ברורה. השדה החשמלי בנקודת זמן \(n+1\) מתקבל מהשדה המגנטי בנקודת זמן \(n+\tfrac{1}{2}\), בעוד שהשדה המגנטי בנקודת זמן \(n+\tfrac{1}{2}\) מתקבל מהשדה החשמלי בנקודת זמן \(n\). לכן, השדות מתקדמים בסדרת מחזורים מתחלפת לאורך זמן.

9. הערות לגבי יישום9. הערות לגבי יישום

ביישום מעשי של קוד, המקדמים המכפילים את הערכים הישנים של השדה ואת איברי הגזירה מחושבים מראש ונשמרים, במיוחד כאשר \(\epsilon\), \(\mu\) או \(\sigma\) משתנים מתא לתא. לדוגמה, עדכון השדה החשמלי מתבצע בדרך כלל בצורה הבאה:ביישום מעשי של קוד, המקדמים המכפילים את הערכים הישנים של השדה ואת איברי הגזירה מחושבים מראש ונשמרים, במיוחד כאשר \(\epsilon\), \(\mu\) או \(\sigma\) משתנים מתא לתא. לדוגמה, עדכון השדה החשמלי מתבצע בדרך כלל בצורה הבאה:

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

שם המקדמים המקומיים \(C_a\) ו-\(C_b\) מקודדים את הפרמטרים של החומר ואת גודל צעד הזמן. הדבר הופך את היישום ליעיל יותר ומונע חישוב מחדש של אותם גורמים בכל צעד זמן.שם המקדמים המקומיים \(C_a\) ו-\(C_b\) מקודדים את הפרמטרים של החומר ואת גודל צעד הזמן. הדבר הופך את היישום ליעיל יותר ומונע חישוב מחדש של אותם גורמים בכל צעד זמן.

כדאי גם להדגיש שהנגזרת שלעיל מציגה רק את תכנית העדכון הבסיסית של FDTD. כדי לבצע סימולציה מעשית, יש צורך גם במקורות, בתנאי שפה, בשכבות בולעות כגון שכבות התאמה מושלמת (PML), ובצעד זמן העומד בתנאי היציבות של קורנט. אף אחת מהתוספות הללו אינה משנה את המבנה הבסיסי של שיטת "צעד הצפרדע" הנגזרת כאן, אך כל אחת מהן משנה את אופן יישום משוואות העדכון בנקודות ספציפיות ברשת.כדאי גם להדגיש שהנגזרת שלעיל מציגה רק את תכנית העדכון הבסיסית של FDTD. כדי לבצע סימולציה מעשית, יש צורך גם במקורות, בתנאי שפה, בשכבות בולעות כגון שכבות התאמה מושלמת (PML), ובצעד זמן העומד בתנאי היציבות של קורנט. אף אחת מהתוספות הללו אינה משנה את המבנה הבסיסי של שיטת "צעד הצפרדע" הנגזרת כאן, אך כל אחת מהן משנה את אופן יישום משוואות העדכון בנקודות ספציפיות ברשת.

לבסוף, אף על פי שהסימון שלעיל נכתב בקפידה מספקת כדי שיהיה רלוונטי ליישום, המיקום המדויק של כל רכיב במרחב תלוי בשיטת הסריג שבה נעשה שימוש בקוד. הדרישה החשובה ביותר אינה קשורה לעיצוב הגופני עצמו, אלא לעקביות: אופרטור הגלגול, הדפוס המדורג והסימנים חייבים להתאים כולם לאותו סידור של תאי Yee לאורך כל הקוד.לבסוף, אף על פי שהסימון שלעיל נכתב בקפידה מספקת כדי שיהיה רלוונטי ליישום, המיקום המדויק של כל רכיב במרחב תלוי בשיטת הסריג שבה נעשה שימוש בקוד. הדרישה החשובה ביותר אינה קשורה לעיצוב הגופני עצמו, אלא לעקביות: אופרטור הגלגול, הדפוס המדורג והסימנים חייבים להתאים כולם לאותו סידור של תאי Yee לאורך כל הקוד.