Acasă Exemple Capturi de ecran Manual de utilizare Logo-ul Bluesky YouTube ☰
OghmaNano Platformă de simulare multifizică pentru dispozitive optoelectronice și sisteme fotonice. DESCARCĂ Ghid de utilizare rapidă

Derivarea metodei FDTD.Derivarea metodei FDTD.

1. Introducere1. Introducere

Această pagină prezintă deducția matematică detaliată a principalelor ecuații de actualizare utilizate în metoda diferențelor finite în domeniul timpului (FDTD), pentru a rezolva ecuațiile lui Maxwell în domeniul timpului. Scopul acestei pagini este diferit de cel al paginii principale despre teorie. Aici nu ne propunem să oferim o prezentare generală simplificată, ci să arătăm în mod explicit modul în care ecuațiile continue ale rotației sunt transformate în expresiile algebrice discrete utilizate într-un program pe calculator. Aceasta este, de asemenea, partea metodei FDTD care este cel mai ușor de implementat incorect în cod: erori de semn, indici plasați greșit sau decalaje de timp inconsistente vor produce imediat rezultate instabile sau neplauzibile.Această pagină prezintă deducția matematică detaliată a principalelor ecuații de actualizare utilizate în metoda diferențelor finite în domeniul timpului (FDTD), pentru a rezolva ecuațiile lui Maxwell în domeniul timpului. Scopul acestei pagini este diferit de cel al paginii principale despre teorie. Aici nu ne propunem să oferim o prezentare generală simplificată, ci să arătăm în mod explicit modul în care ecuațiile continue ale rotației sunt transformate în expresiile algebrice discrete utilizate într-un program pe calculator. Aceasta este, de asemenea, partea metodei FDTD care este cel mai ușor de implementat incorect în cod: erori de semn, indici plasați greșit sau decalaje de timp inconsistente vor produce imediat rezultate instabile sau neplauzibile.

Prin urmare, vom începe cu legea lui Ampère și cu legea lui Faraday, exprimate sub formă diferențială, le vom extinde în componente carteziene și apoi ne vom concentra asupra unei probleme optice bidimensionale. Derivatele spațiale sunt înlocuite cu diferențe finite centrate, derivatele temporale sunt discretizate folosind schema standard „leapfrog”, iar expresiile rezultate sunt rearanjate pentru a obține formule explicite de actualizare pentru componentele câmpului electric și magnetic.Prin urmare, vom începe cu legea lui Ampère și cu legea lui Faraday, exprimate sub formă diferențială, le vom extinde în componente carteziene și apoi ne vom concentra asupra unei probleme optice bidimensionale. Derivatele spațiale sunt înlocuite cu diferențe finite centrate, derivatele temporale sunt discretizate folosind schema standard „leapfrog”, iar expresiile rezultate sunt rearanjate pentru a obține formule explicite de actualizare pentru componentele câmpului electric și magnetic.

Pentru a menține lizibilitatea demonstrației, reducem aici ecuațiile la un caz bidimensional în care \(\partial/\partial y = 0\) și conductivitatea magnetică sunt setate la zero, \(\sigma_m = 0\). Acest lucru simplifică mult algebra și arată în mod explicit modul în care se realizează reducerea dimensională în practică. Cu toate acestea, în solver-ul complet OghmaNano FDTD, ecuațiile electromagnetice sunt rezolvate în trei dimensiuni. Prin urmare, demonstrația bidimensională prezentată aici are scopul de a fi un exemplu clar și detaliat al metodei, și nu o afirmație conform căreia solver-ul de bază este limitat la 2D.Pentru a menține lizibilitatea demonstrației, reducem aici ecuațiile la un caz bidimensional în care \(\partial/\partial y = 0\) și conductivitatea magnetică sunt setate la zero, \(\sigma_m = 0\). Acest lucru simplifică mult algebra și arată în mod explicit modul în care se realizează reducerea dimensională în practică. Cu toate acestea, în solver-ul complet OghmaNano FDTD, ecuațiile electromagnetice sunt rezolvate în trei dimensiuni. Prin urmare, demonstrația bidimensională prezentată aici are scopul de a fi un exemplu clar și detaliat al metodei, și nu o afirmație conform căreia solver-ul de bază este limitat la 2D.

De-a lungul acestei pagini, componentele câmpului electric sunt evaluate la intervale de timp întregi \(n\Delta t\), în timp ce componentele câmpului magnetic sunt evaluate la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Aceasta este configurația standard a schemei Yee, utilizată în metoda FDTD. Spre deosebire de pagina de prezentare generală, mai scurtă, aici indexarea este prezentată mai explicit, astfel încât demonstrația să poată fi citită atât ca un ghid de implementare, cât și ca o notă matematică.De-a lungul acestei pagini, componentele câmpului electric sunt evaluate la intervale de timp întregi \(n\Delta t\), în timp ce componentele câmpului magnetic sunt evaluate la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Aceasta este configurația standard a schemei Yee, utilizată în metoda FDTD. Spre deosebire de pagina de prezentare generală, mai scurtă, aici indexarea este prezentată mai explicit, astfel încât demonstrația să poată fi citită atât ca un ghid de implementare, cât și ca o notă matematică.

2. Ecuațiile inițiale2. Ecuațiile inițiale

Pornim de la ecuațiile lui Maxwell, sub formă vectorială, într-un mediu liniar cu conductivitate electrică \(\sigma\), permitivitate electrică \(\epsilon\), permeabilitate magnetică \(\mu\) și, pentru a generaliza, conductivitate magnetică \(\sigma_m\):Pornim de la ecuațiile lui Maxwell, sub formă vectorială, într-un mediu liniar cu conductivitate electrică \(\sigma\), permitivitate electrică \(\epsilon\), permeabilitate magnetică \(\mu\) și, pentru a generaliza, conductivitate magnetică \(\sigma_m\):

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

În forma determinată, buclele suntÎn forma determinată, buclele sunt

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

Acestea sunt ecuațiile în timp continuu și în spațiu continuu. Scopul restului paginii este de a le transforma într-o schemă explicită de diferențe finite, care poate fi utilizată pentru a efectua calcule succesive în timp.Acestea sunt ecuațiile în timp continuu și în spațiu continuu. Scopul restului paginii este de a le transforma într-o schemă explicită de diferențe finite, care poate fi utilizată pentru a efectua calcule succesive în timp.

3. Forma componentă a ecuațiilor de calcul al curburii.3. Forma componentă a ecuațiilor de calcul al curburii.

Extinderea legii lui Ampère la componentele carteziene conduce la:Extinderea legii lui Ampère la componentele carteziene conduce la:

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

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

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

Extinderea legii lui Faraday conduce la:Extinderea legii lui Faraday conduce la:

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

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

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

În această etapă, nu s-a făcut încă nicio presupunere cu privire la dimensionalitate. Expresiile de mai sus reprezintă pur și simplu forma componentelor ecuațiilor complete de rotație tridimensională.În această etapă, nu s-a făcut încă nicio presupunere cu privire la dimensionalitate. Expresiile de mai sus reprezintă pur și simplu forma componentelor ecuațiilor complete de rotație tridimensională.

4. Reducerea la două dimensiuni.4. Reducerea la două dimensiuni.

Pentru a simplifica procesul de derivare, reducem acum problema la două dimensiuni, presupunând că nu există variații în direcția \(y\), deci \(\partial / \partial y = 0\). Acest pas este efectuat exclusiv pentru a simplifica calculele și a face structura ecuațiilor de actualizare mai ușor de înțeles. Aceeași procedură poate fi extinsă direct la trei dimensiuni, iar, în practică, OghmaNano rezolvă forma completă 3D a ecuațiilor lui Maxwell.Pentru a simplifica procesul de derivare, reducem acum problema la două dimensiuni, presupunând că nu există variații în direcția \(y\), deci \(\partial / \partial y = 0\). Acest pas este efectuat exclusiv pentru a simplifica calculele și a face structura ecuațiilor de actualizare mai ușor de înțeles. Aceeași procedură poate fi extinsă direct la trei dimensiuni, iar, în practică, OghmaNano rezolvă forma completă 3D a ecuațiilor lui Maxwell.

Pornind de la această premisă, ecuațiile câmpului electric se reduc la:Pornind de la această premisă, ecuațiile câmpului electric se reduc la:

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

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

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

Dacă, în plus, stabilim că conductivitatea magnetică este egală cu zero, \(\sigma_m = 0\), ecuațiile câmpului magnetic devin:Dacă, în plus, stabilim că conductivitatea magnetică este egală cu zero, \(\sigma_m = 0\), ecuațiile câmpului magnetic devin:

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

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

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

Acestea sunt ecuațiile continue care vor fi acum discretizate. Este important să menționăm în mod explicit că aceasta este o reducere la două dimensiuni a problemei inițiale, tridimensionale. Scopul nu este să afirmăm că toate metodele FDTD sunt în mod inerent bidimensionale, ci să obținem ecuații de actualizare clare pentru cazul comun în care o direcție este neglijată.Acestea sunt ecuațiile continue care vor fi acum discretizate. Este important să menționăm în mod explicit că aceasta este o reducere la două dimensiuni a problemei inițiale, tridimensionale. Scopul nu este să afirmăm că toate metodele FDTD sunt în mod inerent bidimensionale, ci să obținem ecuații de actualizare clare pentru cazul comun în care o direcție este neglijată.

5. Grila Yee, indexare și notație.5. Grila Yee, indexare și notație.

Pentru a rezolva numeric ecuațiile menționate mai sus, atât spațiul, cât și timpul sunt discretizați. Fie distanțele dintre punctele rețelei de calcul în direcțiile \(x\) și \(z\) egale cu \(\Delta x\), respectiv \(\Delta z\), și fie pasul de timp egal cu \(\Delta t\). Utilizăm indicii întregi \(i\) și \(k\) pentru direcțiile \(x\) și \(z\):Pentru a rezolva numeric ecuațiile menționate mai sus, atât spațiul, cât și timpul sunt discretizați. Fie distanțele dintre punctele rețelei de calcul în direcțiile \(x\) și \(z\) egale cu \(\Delta x\), respectiv \(\Delta z\), și fie pasul de timp egal cu \(\Delta t\). Utilizăm indicii întregi \(i\) și \(k\) pentru direcțiile \(x\) și \(z\):

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

Timpul este indexat de numărul întreg \(n\), astfel încâtTimpul este indexat de numărul întreg \(n\), astfel încât

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

În schema Yee, câmpurile electrice și magnetice nu sunt stocate în aceleași puncte, nici în spațiu, nici în timp. În schimb, ele sunt decalate. Componentele câmpului electric sunt calculate la intervale de timp întregi \(n\Delta t\), în timp ce componentele câmpului magnetic sunt calculate la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Aceasta este originea structurii de tip „leapfrog” a metodei FDTD.În schema Yee, câmpurile electrice și magnetice nu sunt stocate în aceleași puncte, nici în spațiu, nici în timp. În schimb, ele sunt decalate. Componentele câmpului electric sunt calculate la intervale de timp întregi \(n\Delta t\), în timp ce componentele câmpului magnetic sunt calculate la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Aceasta este originea structurii de tip „leapfrog” a metodei FDTD.

Din punct de vedere spațial, componentele câmpului sunt, de asemenea, decalate, astfel încât fiecare derivată finită centrată să fie definită în mod natural între locațiile adiacente ale grilei. Într-o implementare completă a codului, fiecare componentă a câmpului are propria pereche de indici spațiali, de exemplu \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) și așa mai departe. Pentru a menține lizibilitatea ecuațiilor, unii dintre indicii „observatori” repetați nu sunt întotdeauna scriși explicit în pașii de mai jos. Cu toate acestea, interpretarea este întotdeauna aceeași:Din punct de vedere spațial, componentele câmpului sunt, de asemenea, decalate, astfel încât fiecare derivată finită centrată să fie definită în mod natural între locațiile adiacente ale grilei. Într-o implementare completă a codului, fiecare componentă a câmpului are propria pereche de indici spațiali, de exemplu \(E_x^n(i,k)\), \(H_y^{n+\frac{1}{2}}(i+\tfrac{1}{2},k+\tfrac{1}{2})\) și așa mai departe. Pentru a menține lizibilitatea ecuațiilor, unii dintre indicii „observatori” repetați nu sunt întotdeauna scriși explicit în pașii de mai jos. Cu toate acestea, interpretarea este întotdeauna aceeași:

De exemplu, aproximarea cu diferențe finite centrată pentru \(\partial H_y / \partial z\) este:De exemplu, aproximarea cu diferențe finite centrată pentru \(\partial H_y / \partial z\) este:

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

și, în mod similar, aproximarea centrată pentru \(\partial H_z / \partial x\) esteși, în mod similar, aproximarea centrată pentru \(\partial H_z / \partial x\) este

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

Acum că această notație a fost clarificată, algoritmul prezentat mai jos poate fi interpretat fără ambiguitate ca o metodă adecvată de actualizare a grilei Yee.Acum că această notație a fost clarificată, algoritmul prezentat mai jos poate fi interpretat fără ambiguitate ca o metodă adecvată de actualizare a grilei Yee.

6. Obținerea ecuațiilor pentru actualizarea câmpului electric.6. Obținerea ecuațiilor pentru actualizarea câmpului electric.

Câmpul electric este evaluat la intervale de timp întregi \(n\Delta t\), în timp ce câmpul magnetic este evaluat la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Pentru a obține ecuațiile de actualizare, derivata temporală este aproximată printr-o diferență finită centrată, iar termenul conductiv este evaluat folosind media câmpurilor electrice vechi și noi. Aceasta oferă o abordare trapezoidală, stabilă din punct de vedere numeric, a conductivității.Câmpul electric este evaluat la intervale de timp întregi \(n\Delta t\), în timp ce câmpul magnetic este evaluat la intervale de timp semi-întregi \(\left(n+\tfrac{1}{2}\right)\Delta t\). Pentru a obține ecuațiile de actualizare, derivata temporală este aproximată printr-o diferență finită centrată, iar termenul conductiv este evaluat folosind media câmpurilor electrice vechi și noi. Aceasta oferă o abordare trapezoidală, stabilă din punct de vedere numeric, a conductivității.

Această etapă de mediere este importantă. Dacă termenul de conductivitate ar fi tratat în mod inconsistent, coeficienții de actualizare nu ar mai avea forma standard amortizată, iar corespondența cu ecuațiile FDTD obișnuite s-ar pierde.Această etapă de mediere este importantă. Dacă termenul de conductivitate ar fi tratat în mod inconsistent, coeficienții de actualizare nu ar mai avea forma standard amortizată, iar corespondența cu ecuațiile FDTD obișnuite s-ar pierde.

6.1 Actualizați ecuația pentru \(E_x\).6.1 Actualizați ecuația pentru \(E_x\).

Începe de la...Începe de la...

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

Evaluați termenul de conductivitate folosind media valorilor \(E_x^{n+1}\) și \(E_x^n\) și evaluați derivata în raport cu timpul folosind o metodă de diferențe finite centrată:Evaluați termenul de conductivitate folosind media valorilor \(E_x^{n+1}\) și \(E_x^n\) și evaluați derivata în raport cu timpul folosind o metodă de diferențe finite centrată:

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

Adună termenii \(E_x^{n+1}\) în partea stângă:Adună termenii \(E_x^{n+1}\) în partea stângă:

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

Prin urmare.Prin urmare.

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

Înmulțind numărătorul și numitorul cu \(2\Delta t\), obținem forma familiară a coeficientului:Înmulțind numărătorul și numitorul cu \(2\Delta t\), obținem forma familiară a coeficientului:

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

6.2 Actualizați ecuația pentru \(E_y\).6.2 Actualizați ecuația pentru \(E_y\).

Începe de la...Începe de la...

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

Discretizați ambii termeni derivați pe grila Yee:Discretizați ambii termeni derivați pe grila Yee:

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

Reorganizarea oferă.Reorganizarea oferă.

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

Aceasta este singura componentă a câmpului electric din reducerea 2D care conține contribuții provenite din două derivate separate ale câmpului magnetic și, prin urmare, este cea mai ușor de interpretat greșit în cod. În special, semnul relativ dintre termenii derivate \(x\) și \(z\) rezultă direct din expansiunea rotorului și nu ar trebui modificat.Aceasta este singura componentă a câmpului electric din reducerea 2D care conține contribuții provenite din două derivate separate ale câmpului magnetic și, prin urmare, este cea mai ușor de interpretat greșit în cod. În special, semnul relativ dintre termenii derivate \(x\) și \(z\) rezultă direct din expansiunea rotorului și nu ar trebui modificat.

6.3 Actualizați ecuația pentru \(E_z\).6.3 Actualizați ecuația pentru \(E_z\).

Începe de la...Începe de la...

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

Discretizarea oferăDiscretizarea oferă

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

Prin urmare.Prin urmare.

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

În acest moment, au fost obținute ecuațiile discrete pentru actualizarea câmpului electric, în forma lor standard, cu amortizare. Următorul pas este să se derive ecuațiile corespunzătoare pentru câmpul magnetic, calculate pentru intervale de timp semi-întregi.În acest moment, au fost obținute ecuațiile discrete pentru actualizarea câmpului electric, în forma lor standard, cu amortizare. Următorul pas este să se derive ecuațiile corespunzătoare pentru câmpul magnetic, calculate pentru intervale de timp semi-întregi.

7. Obținerea ecuațiilor pentru actualizarea câmpului magnetic.7. Obținerea ecuațiilor pentru actualizarea câmpului magnetic.

Câmpul magnetic este actualizat la intervale de timp semi-întregi. În cazul \(\sigma_m = 0\), ecuațiile câmpului magnetic nu conțin un termen de amortizare, astfel încât formulele de actualizare au o formă mai simplă, de tip „pas înainte”. Această parte a demonstrației este mai scurtă din punct de vedere algebric decât în cazul câmpului electric, deoarece nu există un termen de conductivitate trapezoidală care să fie aplicat.Câmpul magnetic este actualizat la intervale de timp semi-întregi. În cazul \(\sigma_m = 0\), ecuațiile câmpului magnetic nu conțin un termen de amortizare, astfel încât formulele de actualizare au o formă mai simplă, de tip „pas înainte”. Această parte a demonstrației este mai scurtă din punct de vedere algebric decât în cazul câmpului electric, deoarece nu există un termen de conductivitate trapezoidală care să fie aplicat.

7.1 Actualizați ecuația pentru \(H_x\).7.1 Actualizați ecuația pentru \(H_x\).

Începe de la...Începe de la...

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

Discretizarea în timp între pașii intermediari \(n-\tfrac{1}{2}\) și \(n+\tfrac{1}{2}\) și în spațiu, utilizând o diferență centrală în direcția \(z\), oferă:Discretizarea în timp între pașii intermediari \(n-\tfrac{1}{2}\) și \(n+\tfrac{1}{2}\) și în spațiu, utilizând o diferență centrală în direcția \(z\), oferă:

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

În notația compactă cu jumătate de indice, utilizată frecvent în demonstrații, același rezultat poate fi scris astfel:În notația compactă cu jumătate de indice, utilizată frecvent în demonstrații, același rezultat poate fi scris astfel:

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

Prin urmare.Prin urmare.

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

7.2 Actualizați ecuația pentru \(H_y\).7.2 Actualizați ecuația pentru \(H_y\).

Începe de la...Începe de la...

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

Discretizarea oferăDiscretizarea oferă

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

Din nou, folosind notația simplificată a indicelui parțial,Din nou, folosind notația simplificată a indicelui parțial,

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

Prin urmare.Prin urmare.

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

7.3 Actualizați ecuația pentru \(H_z\).7.3 Actualizați ecuația pentru \(H_z\).

Începe de la...Începe de la...

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

Discretizarea oferăDiscretizarea oferă

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

În mod echivalent, folosind o notație mai concisă:În mod echivalent, folosind o notație mai concisă:

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

Prin urmare.Prin urmare.

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

Odată ce aceste înlocuiri au fost efectuate, ecuațiile standard de actualizare FDTD pentru metoda „leapfrog” pot fi aplicate direct.Odată ce aceste înlocuiri au fost efectuate, ecuațiile standard de actualizare FDTD pentru metoda „leapfrog” pot fi aplicate direct.

8. Ecuațiile finale de actualizare.8. Ecuațiile finale de actualizare.

După colectarea rezultatelor, ecuațiile de actualizare FDTD bidimensionale sunt:După colectarea rezultatelor, ecuațiile de actualizare FDTD bidimensionale sunt:

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

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

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

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

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

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

Așa cum este prezentat, sensul schemei de tip „leapfrog” este clar. Câmpul electric la momentul \(n+1\) este obținut din câmpul magnetic la momentul \(n+\tfrac{1}{2}\), în timp ce câmpul magnetic la momentul \(n+\tfrac{1}{2}\) este obținut din câmpul electric la momentul \(n\). Prin urmare, câmpurile evoluează într-o secvență alternativă în timp.Așa cum este prezentat, sensul schemei de tip „leapfrog” este clar. Câmpul electric la momentul \(n+1\) este obținut din câmpul magnetic la momentul \(n+\tfrac{1}{2}\), în timp ce câmpul magnetic la momentul \(n+\tfrac{1}{2}\) este obținut din câmpul electric la momentul \(n\). Prin urmare, câmpurile evoluează într-o secvență alternativă în timp.

9. Observații privind implementarea.9. Observații privind implementarea.

Într-un cod practic, coeficienții care înmulțesc valorile vechi ale câmpului și termenii de rotație sunt adesea calculați și stocați în prealabil, mai ales atunci când \(\epsilon\), \(\mu\) sau \(\sigma\) variază de la o celulă la alta. De exemplu, actualizarea câmpului electric are, de obicei, următoarea formă:Într-un cod practic, coeficienții care înmulțesc valorile vechi ale câmpului și termenii de rotație sunt adesea calculați și stocați în prealabil, mai ales atunci când \(\epsilon\), \(\mu\) sau \(\sigma\) variază de la o celulă la alta. De exemplu, actualizarea câmpului electric are, de obicei, următoarea formă:

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

unde coeficienții locali \(C_a\) și \(C_b\) codifică parametrii materialului și pasul de timp. Acest lucru simplifică implementarea și evită recalcularea acelorași factori la fiecare pas de timp.unde coeficienții locali \(C_a\) și \(C_b\) codifică parametrii materialului și pasul de timp. Acest lucru simplifică implementarea și evită recalcularea acelorași factori la fiecare pas de timp.

De asemenea, este important să subliniem că ecuația de mai sus prezintă doar schema de bază pentru actualizarea FDTD. Pentru o simulare funcțională, sunt necesare în plus surse, condiții la limită, straturi absorbante, cum ar fi straturile perfect adaptate (PML), și un pas de timp care să satisfacă condiția de stabilitate Courant. Niciuna dintre aceste adăugiri nu modifică structura fundamentală de tip „leapfrog” derivată aici, dar fiecare dintre ele modifică modul în care ecuațiile de actualizare sunt aplicate în anumite puncte ale rețelei.De asemenea, este important să subliniem că ecuația de mai sus prezintă doar schema de bază pentru actualizarea FDTD. Pentru o simulare funcțională, sunt necesare în plus surse, condiții la limită, straturi absorbante, cum ar fi straturile perfect adaptate (PML), și un pas de timp care să satisfacă condiția de stabilitate Courant. Niciuna dintre aceste adăugiri nu modifică structura fundamentală de tip „leapfrog” derivată aici, dar fiecare dintre ele modifică modul în care ecuațiile de actualizare sunt aplicate în anumite puncte ale rețelei.

În cele din urmă, deși notațiile de mai sus au fost redactate cu suficientă atenție pentru a fi relevante pentru implementare, amplasarea exactă a fiecărui component în spațiu depinde de convenția de grilă utilizată în cod. Cerința esențială nu este tipografia în sine, ci coerența: operatorul de înfășurare, decalajul și semnele trebuie să corespundă aceleiași configurații de celule Yee pe tot parcursul.În cele din urmă, deși notațiile de mai sus au fost redactate cu suficientă atenție pentru a fi relevante pentru implementare, amplasarea exactă a fiecărui component în spațiu depinde de convenția de grilă utilizată în cod. Cerința esențială nu este tipografia în sine, ci coerența: operatorul de înfășurare, decalajul și semnele trebuie să corespundă aceleiași configurații de celule Yee pe tot parcursul.