Del mismo modo, suponiendo que es una aproximacin 2.

Obtenemos

|| - 2 2 ll2

Y en ambos casos el destino obtenido es muy grande (en cuenta que

ll 1 ll 2 =

1 y

ll

2 l2 =

1),
Lo que indica que no se aproxima un eigen vector.

Eigen problema Generalizado

Consideremos ahora que se desea estimar la precisin obtenida en la solucin de lo
generalizado

Eigen problema K= .M Supongamos que hemos calculado como una aproximacin a

i los valores
y Luego, en analoga con los clculos efectuados anteriormente, podemos

Calcular un vector de error

rM, donde

rM = K M

(10.103)

Con el fin de relacionar el vector de error en (10.103) al vector de error que corresponde a
la eigen problema estndar, usamos
t
M
y luego

= ss ,

= K, -

(10.104)

Donde

s-1

, =

sT

and K

s-1 Ks-r (vase la Seccin

10.2.5). It is the vector s-1 rM que tendramos que utilizar, por lo tanto , para calcular la cota
de error dado en

( 1O.1O 1).
Estos Clculos de error obligado requeriran la factorizacin de M en
supone
Que es definida positiva.

ssT

donde se

Durante clculos
En los clculos reales frecuentemente usamos el mtodo de interaccin inversa (vanse
las secciones 11.2 y 11.6) , y luego un lmite de error basado en las siguientes
evaluaciones se pueden obtener de manera eficiente ( ver H. Matthies
[A] y tambin el ejercicio 10.11). Dejar

(10.106)

Entonces
tenemos

(10.105)
1

(10.107)

Y
Donde p (<f >) es el cociente de
Rayleigh

Veremos qu (10.105) es el paso tpico en una iteracin inversa, Lanczos iteracin, y la

iteracin sub espacio, y p ( ) es , en la prctica tambin casi siempre calculan de buena
calidad aproximacin del cociente de Rayleigh a un valor propio . Ntese tambin que el
trmino T M/TM consta de dos nmeros que se calculan con facilidad en las
iteraciones.
Mientras que los lmites de error anteriores son muy eficaces, es finalmente tambin de
inters para considerar la siguiente medida simple error:

(10.108)
Para evitar la factorizacin de M podemos en lugar de considerar el problema M, = - 1 K
, si la factorizacin de K ya est disponible, y luego establecer lmites sobre el - 1

Dado que, fsicamente, K representa las fuerzas elsticas de puntos nodales y M

representa las fuerzas de inercia de punto nodal cuando el elemento de conjunto finito est
vibrando en el modo evaluamos en (10.108) la norma de salida de la balanza de fuerzas
punto nodal dividido por la norma
De fuerzas elsticas punto nodal. Esta cantidad debe ser pequea si y Son una exacta
Solucin de un eigenpair.

If M = 1, debe tenerse en cuenta que podemos escribir

(10.10
y por lo
tanto

(10.110)
Ejemplo 10.23: Considere la eigen problema K = M , donde

Los valores propios y vectores propios exactos a la precisin de 12 dgitos son

Supongamos que = ( 1 + 2 ) c , donde c es tal que TM = 1 y = 10-1 , 10-3 , y 10-6

Para cada valor de evaluar X como la Ray1eigh cociente de ( i) y calcu1ar de los lmites
de error sobre la base de ( 10.104 ) , ( 10.106 ) , y la medida de error e dada en ( 10.108 ) .
La siguiente resume la tab1a de resu1tados obtenidos. Las ecuaciones utilizadas para
evaluar las cantidades se dan en (10.103) a (10.108). Los resultados en el tab1e muestran
que para cada valor de de los lmites de error son satisfactoriamente y que E es tambin
para una pequea solucin precisa.

10-1
0.597690792656

10-3
0.640374649073

10-6
0.640775610204

0.156698194481

0.105594378695

0.105070861597

4.154633890275

3.863414928932

3.863385512905

4.154633890275

3.863414928932

3.863385512905

rM

-1.207470493734
4.605630581124

-0.008218153965
0.049838803226

-0.000008177422
0.000049870085

1.634419466242
1.411679295681

0.021106743617
0.015042545327

0.000021152364
0.000015049775

TK

|1 |

0.291248377399

0.000029416056

0.000000000029

Destinado
(10.101/10.104)

2.159667897036

0.025918580132

0.000025959936

Bound
(10.106)

2.912483773983

0.029416056744

0.000029433139

Measure
(10.108)

0.447113235813

0.007458208660

0.000007491764

886

Preliminares

las

Soluciones

de

Eigen

problemas

Chap. 10
10.4.1 Ejercicios
10.11. La siguiente cota de error es discutido por J. Stoer y R. Bulirsch [ A]. Sea A una
matriz simtrica y A ; ser un valor propio de A; entonces

Para cualquier vector

Demostrar que (10.105) a (10.107) se siguen de esta frmula.

10.11. Considere el eigen problema en el Ejercicio 10.1. Dejar

Calcular usando (10.105) y p Estos valores, p ()Y , son ahora las mejores
aproximaciones a un valor propio y vector propio.
Establecer los lmites de error (10.101) [con (10.103) ] y ( 10.106 ) . Tambin evaluar el
error
Medida (10.108).

CAPTULO TEN

Preliminares
a la Solucin
de Eigenproble
ms
1.

INTRODUCCIN

En vario secciones de la anterior captulos nosotros encontrado eigenprobl

ems y la pliego de su soluciones. Nosotros hizo no en que tiempo discutir
cmo a obtener lanecesario ues
eigenval y vectores
propios. Ella es la propsito de este y la siguiente captulo a describir la s
olucin
real procedimientos usado a resolver laeigenproblems de inters. BEFARe
presentacin los
algoritmos, nosotros discutir en este captulo sorne importante bsico Con
sideraciones para la solucin deeigenproblems.
En primer
lugar, dejar nosotros briefty resumir la eigenproblems que nosotros querer a res
olver. La ms simple
problema encontrado es la estndar eige
nproblema,
K <J> = A <J> (10.1)
donde K es la rigidez matriz de un solo de elementos
finitos o de una elemento de
encaje. Recordamos que K tiene orden n, y para una elemento montaje la u
n medio de ancho de banda mK (Es decir, la
total ancho
de
banda es 2mK + 1), y que K es positivo semidefinido o positivo definida. Y
a Est

son n valores propios y correspondiente vectores

propios satisfactorio (10.1). La ITH eigenpair se denota como (A, CFA
J, donde la valores propios son ordenadoconforme a su magnitudes:
(10.2)

La solucin para p eigenpairs lat

a ser escrito
Kc,

c, A

(10.3)

donde fP es una n X p matriz con sus

columnas igual a la p vectores
propios y La es una p X p diagonal lista matriz la correspondiente valores
propios. Como unaejemplo, ( 10.3) mayo representar el solucin a la ms
bajo p valores
propios y correspondiente vectores
propios
de K, en que caso
fP = [Comit de Libertad Sindical , , CFA p] ANDA = diag
1

(A;), yo = 1, ..., P. Nosotros retirada que si K es positivo definido,

838

Sec. 10.1 lntroduccin

839

A; > O, yo = 1, ... , n, y si K es positivo semidefinido, A; > O, yo = 1, ... , n, donde el

nmero de cero valores
propios es igual a la nmero de rgido cuerpo modos en la sistema.
La solucin de de los valor propio problema en (1 0.1) es
decir, para ejemplo, buscado en la
evaluacin de una elemento rigidez matriz o en la clculo de la condicin nmero de
una estructura rigidez matriz. Nosotros discutido en Seccin 4.3.2 que la representacin
de el
elemento rigidez matriz en su cannico forma (Es
decir, en la vector
propio base) es usado para evaluar la eficacia de la elemento. En este caso todos valores
propios yvectores de K debe
ser calculado. En la otro mano, a evaluar la condicin nmero de un rigidez matriz,
slo la ms pequeo y ms grande valores propios son necesario (VerSeccin 8.2.6).
Antes proceder a la generalizada eigenproblems, nosotros debera mencionar que
otra
norma eigenproblems mayo tambin necesitar a ser resuelto. Para ejemplo,nosotros may
o exigir los
valores
propios de la masa matriz M, en que caso M reemplaza K en ( 10. 1). Del
mismo
modo, nosotros puede
querer a resolver para la valores
propios de un conductividad o calor capacidad matriz en calor anlisis
ftow (Ver Seccin 7 0.2).
La muy frecuentemente considerado eigenproblema es la uno a ser resuelto en la
vibracin modo
de
superposicin anlisis (Ver Seccin 9.3). En este caso nosotrosconsiderar la generalizad
a problema eigen,

K <Fa = AM <Fa (10,4)

donde K y M son, respectivamente, la rigidez matriz y masa matriz de la finito element
o
de
encaje. La valores
propios A; y vectores
propios !
<L; son la libre vibracinfrecuencias
(Radianes

segundo) cuadrado,

wr

' y correspondiente modo forma vectores, respectivamente. La

propiedades de K son como discutido anteriormente. La
masa matriz mayo ser bandas, en que caso su
un medio de ancho de banda mM es igual a mK, o M mayo ser diagonal con mu > O; es
decir, sorne elementos
de
la
diagonal mayo probablemente ser cero. La bandas masamatriz, obtenido en un consisten
te anlisis
de
masas, es
siempre positivo definido, mientras un agrupado masa matriz es definida positiva slo
si todos diagonal elementos sonmayor de cero. En en
general, un diagonal masa matriz es semidefinida positiva.
En analoga a ( 10.3), la solucin para p valores propios y correspondiente vectores
propios de (10.4) lata ser escrito
(10.5)

donde la columnas en fP son la vectores

propios y La es un diagonal matriz listado la corre corres- valores propios.
De Por
supuesto, la generalizada eigenproblema en ( 10.4) reduce a la estndar eigenprob
lem en (10.1) si Mis una identidad matriz. En otro palabras, la valores
propios y vectores propios
en (10.3) lata tambin ser pensamiento de como frecuencias cuadrado y vibracin modo
formas de el
sistema
de cundo unidad masa es especificado en cada grado de libertad.Correspondiente a la p
osibles
valores
propios en la solucin de (10. 1), la generalizada eigenproblema en (10.4) tiene autoval
ores
A; > O, yo = 1, ... , n, donde la nmero decero valores
propios es de
nuevo igual a la nmero de rgido cuerpo modos en la sistema.
Dos adicional generalizada eigenproblems debera ser mencionado briefty. La seg
undo
problema es resuelto en linealizado pandeo anlisis, en que caso nosotrosconsiderar (Ve
r Seccin 6.8.2)
(10.6)

donde - 'K y 'K son la rigidez matrices correspondientes a veces (Es

decir, carga niveles)
t - fl.t y t, respectivamente.

La tercera generalizada eigenproblema es encontrado en calor transfe

rencia anlisis, donde consideramos la ecuacin
K <Fa = AC <Fa (10,7)
donde K es la calor conductividad matriz y e es la calor capacidad matriz.
La valores
propios
y vectores
propios son la trmico valores
propios y modo formas,respectivamente. La solucin
de (1 O 7.) es necesario en calor anlisis
de
la
transferencia uso modo superposicin (Ver Ejercicio 9,25).
La matrices K y e en (10.7) son positivo definido o positivo semidefinido,
as que la
valores
propios de (10.7) son A; > O, i = 1, ... ,
n.

En este y la siguiente captulo nosotros discutir la solucin de la eigen

problems K <! L = Acf>
yK
<!
L = AM
<!
L en (10.1) y (10.4). Estos eigenproblems son encontrado frecuentemente
en
prctica. Sin
embargo, ella debera ser realizado que todos algoritmos a ser presentado
son tambin Applica
ble a la solucin de otro eigenproblems, previsto ellos son de la mismo for
ma y las
matrices satisfacer la apropiado condiciones de positivo definitud, semidef
initeness,y as sucesivamente. Para ejemplo, para resolver la problema en
(10.7), la masa matriz M simplemente n EDS a ser
reemplazado por la calor capacidad matriz e, y la matriz K es la calor con
ductividad matriz.
En vista
de la real computadora solucin de la necesario eigenproblems, nosotr
os retirada
que en la introduccin a ecuacin solucin procedimientos en anlisis
esttico (Ver Seccin 8.1),
que observado la importan ce de uso eficaz clculo procedimientos.Este e
s incluso ms por
lo
que
en eigensystem Clculos porque la solucin de valores

propios y correspondiente vectores

eigen requiere, en en
general, mucho mscomputadora esfuerzo de la solucin de esttico equi
librio ecuaciones. La particularmente importante consideracin es que la s
olucin algoritmos
deben ser estable,que es ms difcil a lograr en eigensolutions.
La variedad de eigensystem solucin mtodos tener estado desarrolla
do y son reportado en
el literatura (Vase, para ejemplo, J. H. Wilkinson [A]). Ms de latcnicas
tener han
ideado para ms
bien general matrices. Sin
embargo, en finito elemento anlisis nosotros tienen
que
ver
con la solucin de la especficoeigenproblems resumido anteriormente, en
que cada de las
matrices tiene especfico propiedades tal como ser bandas, positivo defini
do, y as en. El
eigensystemsolucin algoritmos debera tomar ventaja de estos propiedad
es en orden a hacer una ms econmico solucin posible.
La objetivo en este captulo es a poner la fundacin para un minucios
o comprensin de
efectivo eigensolution mtodos. Este es realizado por primero discutir lap
ropiedades de
los matrices, valores
propios, y vectores
propios de la problemas de inters y entonces sorne
presentar aproximado solucin tcnicas. La real solucinmtodos recome
ndado para utilizar son presentado en Captulo 11.
2. FUNDAMENTAL HECHOS USADO E
N LA SOLUCIN DE EIGENSYSTEM
S

Antes la laboral de cualquier eigensystem solucin procedimiento lata ser

correctamente estudiado, ella es
necesario primero a a
fondo entender la diferentepropiedades de la matrices y valores
eigen y vectores
propios considerado. En en
particular, nosotros voluntad encontrar que todos solucin mtodos son,
en esencia,basado en estos fundamental propiedades. Nosotros por
lo
tanto querer a resumir en esta
seccin la importante propiedades de la matrices y su eigensystems, aunq
uesorne de

Sec. 10.2

Fundamental Datos Usado en la Solucin de Eigensystems 841

la material tiene ya estado presentado en otro secciones de la libro. Como puntiagudo fuera en la
Seccin 10.1, nosotros considerar la eigenproblema K <! L = AM <! L, que reduce a K <! L= A
<! L
cundo M

= 1, pero la observaciones hecho son igualmente aplicable a otro eigenproblems d

e
inter
s.
1. Propiedades de
la Eigenvectores
Ella se ha sealado que la so1ution de la eigenprob1em generalizada K <! L

= AM

<!

L yie1ds n
valores propios , \ , ... , An, ordenado como se muestra en (10.2), y correspondiente vectores
propios
<! L1, ... , <LLNA Cada eigenpair (A ;, ! <L;) satisface (10.4); es
decir; tenemos
K <Fa ; = A; M <Fa ;; i = 1, ... , n (10.8)
La significado de (1 0.8) debera ser bien entendido. La ecuacin dice que si nosotros establece
r una vector A;! M <l; y uso itas un carga vector R en la ecuacin KU = R, entonces U = <!
L ;. Este
pensamiento mayo inmediatamente sugerir la uso de esttico algoritmos
de
solucin para la clculo de
una vector
propio. Nosotros voluntad ver ms
tarde que la LDLr descomposicinalgoritmo es en
efecto un
importante parte de eigensolution procedimientos.
La ecuacin en ( 1 0.8) un l por lo espectculos que una vector
propio es definida slo dentro un mltiple
de en
s; es
decir, nosotros tambin te
ner
(10.9)
donde a es un distinto de cero Constan t. Por lo tanto, con ! <L; ser una vector propio, un <!
Lj es tambin un
vector
propio, y nosotros decir que una vector
propio es definida slo por sudireccin en la n-dimensional espacio considerado. Sin
embargo, en nuestro discusin nos referimos a la vectores propios ! <L;
como satisfactorio ( 10.8) y tambin la relacin !!
<LTM
<l; = 1, que correcciones la longitudes de la
vectores propios, es decir, la absoluto magnitud deEl elementos en cada vector propio. Sin
embargo, nosotros
mayo nota que la vectores
propios son todava definida slo dentro un multiplicador de -l.
Una importante relacin que la vectores propios satisfacer es que OFM-ortonormalidad; es
decir,
nosot
ros te
ner

(10.10)
donde Sij es la Kronecker delta. Este relacin siguiente desde la ortonormalidad de los
vectores
propios de estndar eigenproblems (Ver Seccin 2.5) y es discutido adicional en Seccin10.2.5.
Premultiplicando (10.8) por <! Lj transpuesto y uso la condicin en (10,10), obtenemos
(10.11)
significado que la vectores
propios son tambin Kortogonal. Cundo uso la relaciones en (10.10)
y (10.11) ella debera ser mantenido en mente que la M- y K-ortogonalidad seguir desde(10.8)
y que ( 10.8) es la bsico ecuacin a ser satisfecho. En otro palabras, si nosotros creer que ten
emos un
vector
propio y valor
propio, entonces como un
cheque nosotros deberasustituto ellos en (10.8) (vase Ejemplo 10.3).
As lejos nosotros tener hecho no mencionar de mltiple valores
propios y correspondiente res
eigenvec. Ella es importante a realizar que en este caso la vectores
propios son nonico pero que podemos siempre elegir un conjunto de M -orthonormal vectores
propios que lapso la subespacio que
corresponde a un mltiple valor
propio (Ver Seccin 2.5). En otropalabras, asumir que A;
tiene multiplicidad m (Es
decir, A; = ;
+
J=
= Ai +
mJ); entonces nosotros puede elegir m vectores propios

<!

;, ... , <!

LHM-I que lapso la m-

dimensional subespacio correspondiente a la valores

propios
de magnitud A; y que satisfacer la ortogonalidad relacin en (10.10)y (10,11).
Cmo
siempre, la vectores
propios son no nico; en
su
lugar, la autoespacio correspondiente Toa; es nico. Nosotros demostrar la resu
ltados por medio de sorneejemplos.
Ejemplo . 10 1: La rigidez matriz y masa matriz de un dos
grados de libertad sistema son

[ 5 -2]
-2 2 '
Ella es credo que la dos eigenpairs de la problema K <Fa = A. <Fa son
1
(D,

= (1, Vs );

V)

v5
2
(D2, v2)

= (6, v5 )
1

v5
(A)
y la dos eigenpairs de la problema K <Fa

(G,

W)

= AM <Fa son

(2, [n), (g2,

W2)

(12, [ _ ; ] >

(b)

Verificar que nosotros en efecto tener en (A) y (B) la eigensolutions de la problemas K <Fa

= A. <Fa y K <Fa

= AM <Fa , respectivamente.

Considerar primero la prob1em K <Fa = A. <Fa . La valores dado en (A) son en

efecto la eigensolution
si ellos satisfacer la relacin en (10.8) con M = 1 y, a arreglar la longitudes de lavectores, la
ortonormalidad relaciones en (10.10) con M = l. Sustituyendo en (10.3), que expresa la
relacin en (1 0.8) para todos eigenpairs, nosotros tener

1.

5 -2] v5 v5
2.

v5

v; [ ]
-2 2

v5

1
o

v5

v5 v5 v5
12 1 12

v5 v5 v5
=
Evaluacin (10,10), nosotros obtener

2 6

v5 v5
2 6

v5 v5
1
T. [

VV

] V :: =

v5
1

viv1

= [-]

v: j = o
v5

Sec. 10.2 Fundamental Datos Usado en la Solucin de Eigensystems

843
2

Vs
1
1

Vs
Por lo tanto, la relaciones en (10.3) y (10.10) son satisfecho, y nosotros tener
t = dt, Arizona = dz,

<Fa t

= v1, y <! 2 = V2.

A comprobar si nosotros tener en (B) la eigensolution a

, nosotros proceder de una
anlogo manera. Sustituyendo en (10.5), nosotros tener
o
y evaluacin (10.10), que obtener

wfMwt

= [ 1]

wrMw

K <Fa = AM <Fa

[ J [n =

= [ - 2]

(JUJ = O
w 2 r MW2

[5-2

feb J [O!

[=

_1
wfMw2

= wfMw1 = O

Por lo tanto, la relaciones en (10.5) y (10.10) son satisfecho y nosotros tener

Ejemplo 10.2: Considere la eigenproblema

K <Fa =

La

<Fa withK

=R

2,

y show que la vectores propios correspondiente a la mltiple valor propio son no nico.
La valores
propios de K son En

= 2, A2 = 2, y A = 3, y un conjunto de vectores propios es

3

(A)
donde <1 3 es nico. Estos valores podra ser comprobado como en Ejemplo 10.1. Sin
embargo, cualquier combinaciones lineales de <Fa t y <!
2 dado en (A) que satisfacer laortonormalidad condiciones en (10.10) con

M = 1 hara tambin ser vectores

propios. Para ejemplo, nosotros podra uso
1

--

V'2 V'2
<Fa =

1 y

<1 2 =

V'2

V'2

oo

Que estos son en

efecto vectores
propios correspondiente a = = 2 lata de
nuevo ser comprobado como en el
Ejemplo 1 0.1. Ella debera Debe
observarse que cualquiervectores
propios <Fa
y
<f proporcionar un base para la nica
de
dos
dimensiones autoespacio que corresponde a 1 y A 2.
La solucin a (10.4) para todos p necesario valores
propios y correspondiente autovectores
fue establecido en (1 0.5). Uso la relaciones en (1 0. 1 O) y (1 0,1 1), nosotros mayo ahoraescri
bir
1

c, rKc, = La

(10.12)

=1

(10.13)

c, rMc,

donde la p columnas PPPA son la vectores

propios. Ella es muy importante a nota que ( 10.12) y
( 10.13) son condiciones que la vectores propios necesario la satisfaccin, pero que SielMortonormalidad
y Kortogonalidad son satisfecho, la p vectores necesitar no necesariamente vectores propios a
menos
que
p = n. En otro palabras, asumir que X tiendas p vectores, p< n, y que xrKX = D y xrMX =
1; entonces la vectores en X y la diagonal elementos en D mayo o mayo no ser
vectores
propios y valores
propios de (10.4). Sin
embargo, si p = n, entonces X = fP y D = La ser
causa slo la vectores
propios lapso la completo n-dimensional espacio y diagonalizanlas
matrices K y M.
Para subrayar este observacin nosotros presente la siguiente ejemplo.
Ejemplo 10.3: Considere la eigenproblema K <Fa = M <Fa , donde
2 -1

o]

K = -1 -1 4 ;
1

M=1 O
y la dos vectores
[
[O

o -1 2
o

Show que la vectores V y v2 satisfacer la ortogonalidad relaciones en (10.12) y (10.13)

[Es decir, la relaciones en (10.11) y (10.10)] pero que ellos son no vectores propios.
Para la comprobar nosotros dejar V y v2 ser la columnas en e ,, y nosotros evalu
ar (10.12) y (10,13).

Por lo tanto, nosotros obtener

1
1

[-

\ 120

-! - ]
1
1

V'2
1

1 = [(4 - \ 12) o]
(A)
1

V'2

o o -1 2 o
V'2 o (4 + V'2)
o

Sec. 10.2 Fundamental

Datos Usado en la Solucin de Eigensystems

845

-t[]
y

Ya o

v2!

oo

Por lo
tanto, la ortogonalidad relaciones son satisfecho. A show que vi y v2 son no vectores
propios, empleamos (10.8). Para ejemplo,
1
2-1

v2 Kvi =

-1 + -.

Mvi =

v2

Va '

-O

v2
Sin
embargo,
el vector K vi no
puede ser igual a la vector AMV . donde un es un escalar; es
decir, K vi es no
en
paralelo a M vi, y por
lo
tanto vi es Notan vector
propio. Del
mismo
modo, v2 es Notan vector
propio y los
valores (4 - Ya) y (4 + Ya) calculado en (A) son no valores
propios. La real valores
propios y los correspondientes vectores propios son dadoen Ejemplo 10.4.
En la anterior presentacin nosotros considerado la propiedades de la vectores
propios de el
problema K
<!
L = AM
<!
L, y nosotros debera ahora brevemente comentario en lapropiedades de la vectores
eigen calculado en la solucin de la otro valor propio problemas de inters. La comentario
es simple:
el ortogonalidad relaciones discutido aqu mantenerigualmente para la vectores
propios Ofthe problemas encontrado en pandeo anlisis y calor transferencia anlisis. Que es
decir, nosotros tambin tener en pandeo anlisis, uso la notacinen (10.6),
<Fa i t-A'K <Fa i = 51J; <Fa i 'K <Fa i = At5} (10.14)
c, r t-AtKc, = 1; c, r 'K e, = La
y en calor transferencia anlisis, uso la notacin en ( . 10 7), nosotros tener
<Fa iC <Fa i = 5ij; <Fa iK <Fa i = A; 5; j} c,
rcc, = 1; c, rKc, = A
(10.15)
Como para la eigenproblema K
<!
l = AM
<!
L, la prueba de la relaciones en ( 10.14) y
(10.15) depende en la hecho que la generalizada eigenproblems lata ser transformadoestndar
toa formulario. Nosotros discutir este materia adicional en Seccin 10.2.5.

2. La Caracterstica L
os polinomios
de la Eigenproble
ma K <f

= AM <f
y de lts Asociado Restriccin Problemas
Una importante propiedad de la valores propios de la problema K <! L = AM <!
L es que ellos son las races de la polinomio caracterstico,
p (A)

det (K - AM)

(10,16)

Nosotros lata show que este propiedad deriva desde la bsico relacin en (10.
8). Reescribiendo (10.8) en la forma
(K - A; M) <Fa ; = O (10.17)
nosotros observar que (10.8) lata ser satisfecho slo para no trivial ! <L; (Es
decir, !
<L; no ser igual toa
nula vector) previsto que la matriz K - A; Mis singular. Estemedio que si nos
otros factorize
K - A; M en una
unidad inferior triangular matriz L y una superior triangular matriz S uso
Gauss eliminacin, nosotros tener Snn = O. S
in embargo, desde
p (A;) = det LS = fi S
i=l

(10.18)

ella siguiente que p

(A;) = O. Por
otra
parte, si , \; tiene multiplicidad m, nosotros tambin tener Sn - !, n- =
= Sn-m
+
n-!,
m
+
l = O. Nosotros debera nota que en lafactorizacin de K - A; M, intercambios
mayo ser es
necesario, en que caso la factorizacin de K - ,
\
M con su filas y
posiblemente su columnas intercambiado esobtenido (Cada
uno fila y cada columna intercambio luego
introduce un signo cambio en la determinante que necesario ser tomado en cu
enta; ver Seccin
2.2). Si nointercambios son realizado fuera, o fila y correspondiente columna
intercambios se
llevan
a
cabo, que en prctica es casi siempre posible (Pero ver Ejemplo 10.4 para un
caso
en
el
que ella es no es
posible), la coeficiente matriz restos simtrica. En este caso nosotros lata escr
ibir para (10.18)
1

p (A;) = det THDV = TI du

i=l

(10.19)

donde LDLr es la factorizacin OFK - ,

\
Mor deEl matriz derivado desde ella por ing
interchang filas y correspondiente columnas, es
decir, uso un diferente pedidopara la sistema grados
de libertad (Ver Seccin 8.2.5). La condicin Snn = O es ahora DNN = O, y cund
o , \ tiene multiplicidad m, el ltimo m elementos en D son cero.
En Seccin 8.2.5 nosotros discutido la Sturm secuencia propiedad de la
polinomios

caractersticos de la restriccin problemas asociado con la problema K

<!
L=A
<!
L. La propiedades
Sarne que nosotros observado en que discusin son aplicable tambin a la po
linomios
caractersticos de la restriccin problemas asociado con laproblema K
<!
L = Ama !>. La
prueba siguiente desde la hecho que la generalizada eigenproblema K
<!
L = AM <! L lata ser trans
formado a un estndar eigenproblema para que la Sturm secuencia propiedad
de la personaje
istic polinomios sostiene. Referente la prueba a Seccin 1 0.2.5, Ejemplo 10,
11, dejar Resumamos la importante resultado.
La eigenproblema de la rth asociado restriccin problema correspondient
ea
K <! L = AM <!
L es dado por
K (r) <Fa (r) = A (r) M (r) <Fa (r) (10.20)
donde todos matrices son de orden n - r y K
(r) y M
<r) son obtenido por borrado desde K
y
M la ltimo r filas y columnas. La caracterstica polinomio del rth asociadoc
on restriccin problema es
(10.21)

y como para la especial caso M = 1, la valores

propios de la (R + 1) st restriccin problema
aparte aquellos de la rth restriccin problema; es
decir, como declarado en(8.38), nosotros de nuevo tener
(10.22)

Considerar la siguiente ejemplo.

Ejemplo 10.4:

Considerar la eigenprob1em K <Fa = AM <Fa , donde

2 -1

o]

K = -1 -1 4 ;
[

o -1 2

a.

Calcu1ate la eigenva1ues uso la caracterstica po1ynomia1 como defini

da en (10,16).
(B) So1ve para la vectores propios <Fa ;, = 1, 2, 3, por uso la re1ation en (10.17) y la Morthonorma1ity condicin de la vectores propios.
(E) Calcu1ate la eigenva1ues de la asociado restriccin prob1ems y show que la eigen
va1ue separacin propiedad dado en (10.22) ho1ds.
Uso (10,16), nosotros obtener la caracterstica po1ynomia1
p (A) = (2- A) (4- A) (2- A) - (-1) (- 1) (2- A) - (-1) (- 1) (2Por lo tanto,

p (A) = - Un + 3A - llA
y nosotros tener
3

+ 12

A obtener la correspondiente vectores

propios, nosotros uso la re1ation en (10,17). Para La
-1

!. \)

nosotros tener

O]
2 -1 <! 1 = 0

-1 1
(A)
La coeficiente matriz K - La 1M en (A) lata ser factorizada en LDLr sin intercambios. Usando
el procedimiento descrito en la Seccin 8.2.2, nosotros obtener

[o
-1

-1

JJ

-} = o

1
(B)

Nosotros nota que d33 = 0.0. A eva1uar <Fa 1. nosotros obtener desde (B),

[1
U so a1so <! fM <Fa 1 =

<Ta f = 1

-1

-} = o

1, nosotros tener

V'2
A obtener <! 2 y <Fa
3, nosotros proceder en una ana1ogous manera. Eva1uating K - A 2 M, nosotros obtener
de (10,17),

o -1 o]
-1

O -1 <1 2 = 0
o -1 o

En este caso nosotros no puede factorizar la coeficiente matriz conservacin simetra; es

decir, nosotros necesitar para intercambiar on1y la primero y segundo filas
(y no la correspondienteco1umns). Este fila

intercambio resultados en la relacin

o
-1 Oc!> 2 = 0
-1 O
Factorizacin la coeficiente matriz en un unidad inferior triangular matriz L y una superior matriz
triangular S, nosotros obtener

y Por lo tanto,

-n ,
y

[> _. -

= S33 O. A resolver para c!

w,

eu

se

c!> FMC!> 2 = l. Por lo tanto, nosotros obtener

cl> f = [-1 o 1]
A calcular

cl> 3, nosotros evaluar K - A 3 M y tener

-l -1

o]

-1 -2 -1 cl> 3 = O
[

o -1 -1

La coeficiente matriz lata ser factorizada en LDF sin intercambios; es decir, nosotros tener

Nosotros nota que

d33 = O. A calcular ci> J nosotros uso

-1

-] o

cl> FMC!> J = l. Por lo tanto,

1

v2
La valores
propios de la primero asociado restriccin problema son obtenido desde la solucin de
[

Por lo tanto,

pO> (A O>)

A <1>

2 -1Jc > O> = A <J> [o] c > <J>

4 A <1> + 7

y
>

= 4 - V; A > = 4 + V
A

Tambin AF> = 4, y por lo tanto la valor

propio separacin propiedad dado en (10.22) es en este caso:

l. Para la valores propios de la primero y segundo asociado restriccin problemas,

4-AV <4 <4 + V
2. Para la valores propios de Kcl> = AME!> y la primero asociado restriccin problema,
2 < (4 - V) < 4 < (4 + V) < 6
Una importante hecho que siguiente desde la propiedad de la separacin de valores
propios tal
como
se
expresa en (10.22) es la siguiente. Asumir que nosotros lata factorizar lamatriz K - JLM en T
HDV; es decir, ninguno de la asociado restriccin problemas tiene un cero valor propio. Por
simplicidad de discusin dejar nosotros primero asumir que todos valores
propios son distinto; es
decir, ya
est son hay
mltiples valores
propios. La importante hecho es que en la descomposicin de K - JLM, el
nmero de negativo elementos en D esigual a la nmero de valores

propios menor de JLA

Por el contrario, si ; < JL < i + 1, ya
est son exactamente yo negativo diagonal elementos en D. La prueba de ello
es obtenido uso la separacin propiedad en (10.22) y es relativamentefcilmente esbozado por l
a
siguiente consideraciones. Referente a Fig. 10.1, asumir que,
en la bosquejo de la caracterstico polinomios nosotros conectar por derecho lneas todos valor
es propios IRL , r = O, 1, ... ,con

i
= , y llamada la resultante curva C. Del mismo
modo, nosotros establecer curvas CZ, C3, ... , como
indicado en Fig. 10.1. Considerar ahora que ; < JL < i + 1 y dibujar un lnea vertical corre
corres- a JL en la figura deEl caracterstica polinomios; es
decir, este lnea establece donde JLmentiras en relacin a la valores
0

propios de la asociado restriccin problemas. Nosotros nota que la

lnea correspondiente a JL necesario cruzar la curvas C1, ... , C; y porque de la valor propio
Figura 10.1 Construccin de curvas C; para la caracterstica polinomios de la problema
K

= AM y de la asociado restriccin problemas

separacin propiedad no puede cruzar la curvas

CH, .a ,

Cn. Sin embargo, desde

p <r> (.t) = "F du

i=l

(10.23)
y desde cada cruce de JL con una envoltura Ck corresponde a un negativo elemento que
aparece en D, nosotros tener exactamente yo negativo elementos en D.
Estos Consideraciones tambin mantener en la caso de mltiple valores
propios; es
decir, en Fig. 10.1 lo
haramos meramente encontrar que sorne valores
propios son iguales, perola argumento dado arriba hara no cambia.
La propiedad que la nmero de negativo elementos en D es igual a la nmero de
valores
propios menor de JL lata ser usado directamente en la solucin de valores
propios (Ver Seccin
11.4.3). Narnely, por asumiendo un cambio JL y de
cheques si JL es menor o
ms
grande de la
requerida valor
propio, nosotros lata sucesivamente reducir la intervalo en que la valor
propio debe
mentir. W e demostrar la solucin procedimiento en la siguiente exarnple.
Ejemplo 10.5: Uso la hecho que la nmero de negativo elementos en D, donde LD
F = K - .tM, es igual a la nmero de valores
propios menor de .t en orden a calcular A de Kcl> = AME!>, donde
2

2 -I

o]

K = -1 -1 4 ;
[

o -1 2

La tres valores
propios de la problema tener ya estado calculado en Ejemplo 10.4. Nosotros
ahora proceder en la fullowing sistemtico pasos.
l. Dejar nosotros assu e .t = l y evaluar LDV de K - .tM,
-1
3
1
Por lo tanto,
LDL '[l
_J
7

Il

f.] ['

2.

-n
Desde todos elementos en D son mayor de cero, nosotros tener A1 > l.
Nosotros ahora intentar .t = 8, donde
y
Desde todos tres diagonal elementos son menor de cero, ella siguiente que

,\3

< 8.

3.
La siguiente estimacin .t debera lgicamente mentira entre l y 8; nosotro
s elegir .t = 5, para que

-n
-1

Desde dos negativos e1ementos son en D, nosotros tener A < 5.

4. La siguiente estmate debe
mentir entre 1 y 5. Dejar nosotros uso JL = 3, en que caso
2

K- [-! -n
-1

LDL '[-

1,

-1

J N
-2

1
Por lo tanto A > 3, porque ahi esta uno on1y e1emento
negativo en D.
La patrn de la so1ution procedimiento tiene ahora estado establecida. As lejos
nosotros saber que
3 < A2 <5. En orden a obtener un ms
cerca estmate en A 2 nosotroswou1d continuar elegir un cambiar JL en la interv
a1 3 tr> 5 y investigar si la nuevo cambio es menor o 1arger de A

Por a1ways elegir una apropiado nuevo cambio, lanecesario eigenva1ue lata ser
determinado
muy accurate1y (Ver Seccin 11.4.3). Ella shou1d ser conocido que nosotros hizo
no necesitar a uso
intercambios en las
factorizaciones de K - JLM realizado fuera anteriormente.
2

3.
Ca
m
b
i
o
Una importante procedimiento que es usado extensamente en la solucin de valores
propios y res
eigenvec es desplazamiento. La propsito de desplazamiento es a acelerar la Clculos dela ne
cesario

eigensystem. En la solucin Kc, = AMe ,, nosotros realizar un cambio p en

K por calc

ulador
K=

K- PM (10.24)

y nosotros entonces considerar la eige

nproblema
K \ fl

= JLM \ fl (10.25)

A identificar cmo la valores propios y vectores

propios de Kc, = AMe, son conexo a los de la problema

K \ jl = JLM \

jl nosotros nueva versin ( 10.25) en la forma

(10.26)

donde y = p + JLA
hecho, la eigenproblema

Sin

Kc, = AMe

embargo, ( 10.26) es

,, y ya

decir, en De
que

la solucin de este problema es nico, nosotros tener

(10.27)
; = p + .L ;;
En otro palabras, la vectores propios DO: K \ jl = JLM \ jl son la mismo como la vectores
propios de

Kc, = AMe

,, pero la valores

propios tener estado disminucin por p. La frecuente aplicacin de

desplazamiento ocurre en la clculo de rgido cuerpo modos cundo una algoritmo es a ser u
sado es
decir no diseado explcitamente a calcular cero valores
propios. Nosotros ilustrar taluna aplicacin en el siguiente ejemplo.

Ejemplo 10.6: Considerar la eigenproblema

[- - J

A [J

(a)

Calcular la valores propios y vectores propios. Entonces imponer un cambio p = 2 y resolver de nuevo para los valores propios y correspondiente vectores propios.
A calcular la valores propios nosotros uso la caracterstica polynornial
p (A)

= det (K - AM) = 3A

18A

y as obtener La = O, A = 6. A calcular y 2 nosotros uso la relacin en (10.17) y l

a masa ortonormalidad condicin ; M = l. Nosotros tener
1

[_

-3
3].!...

'"1

= O

'

Por lo tanto, =
1

v'6
YO

v'6
1
(B)

y
-9
[-9
-9

por lo tanto, 2 =

'! "2",

v2
(E)

Imponente un cambio de p = -2, nosotros obtener la problema

[- - J = A [J

(d)

Proceder como antes, nosotros tener

p (A)

= La

Loa

+ 16

y obtener como la races A1 = 2, A = 8. Por lo tanto la valores

propios tener aumentado por 2; es decir, ellos han disminuido por p.
La vectores propios hara ser calculado uso (10. 1 7). Sin
embargo, nosotros nota que este relacin
de nuevo rendimientos la ecuaciones en (B) y (E), y por lo tanto la vectores
propios deEl problema en (D) son
aquellos de la problema en (A).
Una importante observacin resultante desde la arriba discusin es que, en principie, n
ecesitamos slo solucin algoritmos a calcular la valores propios y correspondiente vectores
propios
de la problema Kc, = AMe, cundo todos valores
propios son mayor de cero. Este siguiente,
porque si rgido cuerpo modos son presente, nosotros mayo siempre oper a te en un desplaza
do rigidez matriz que renders todos valores propios positiva.
2

Extenso aplicaciones de desplazamiento son dado en Captulo 11, donde la vario eigens
ys
tem solucin algoritmos son discutid
o.
4. Efecto
de Cer
o Mas
a
Cundo uso un agrupado masa matriz, M es diagonal con positivo y probablemente sorne ce
ro
diagonal elementos. Si todos elementos mu son mayor de cero, la valores
propios
lataen
general no
sea obtenido sin la uso de una valor
propio solucin algoritmo como descrito en Captulo 11.

Sin
embargo, si M tiene sorne cero diagonal elementos, decir r diagonal elementos
en M son cero, podemos inmediatamente decir que la problema Kc, = AMe
, tienelos valores propios Una = nI =

= n-r + l = oc y lata tambin construir la correspondiente vectores

propios por inspeccin.

A obtener la arriba En
consecuencia, dejar nosotros retirada la fundamental objetivo en una eigensolut
ion. Ella es importante a recordar que todos nosotros exigir es unvector e, y
escalar La que satisfacer la ecuacin
Kcl> = AME!> (10.4)
donde e, es no
trivial; es
decir, e, es un vector con en menos uno elemento en ella distinto
de
cero. En otras
palabras, ifwe tener un vector e, y escalar La quesatisfacer (10. 4), entonces
La ande, son una autovalor
A; y vector
propio e,;, respectivamente, donde ella debera ser conocido que ella hace n
o materia cmo e,y La tener estado obtenido. Si, para ejemplo, nosotros lata
adivinar e, y A, nosotros debera ciertamente tomar
ventaja de ella. Este mayo :,
E la caso cundo rgido cuerpo modos son presente en la elemento
estructural de
encaje. Por
lo
tanto, si nosotros saber que la elemento montajelata someterse un rgido
cuerpo modo, nosotros tener
= O y necesitar a buscar c,
I a satisfacer la ecuacin Kc,
1 = O. En
general, la solucin de e,
necesario ser obtenido uso unaecuacin solver, pero en un simples finitos
elemento montaje nosotros mayo ser capaz a identificar c
, I por inspeccin.
En la caso de r cero diagonal elementos en un diagonal masa matriz M, nos
otros lata siempre
inmediatamente establecer r valores
propios y correspondiente vectores
propios. Reescribiendo la problema eigen en (10.4) en la forma
(10.28)

donde JL = Al, nosotros encontrar que si mkk = O, nosotros tener una eigenpair (JL ;, e

,;) = (O, ek); es decir,

c!> i = [O O. . . O 1 O. . . O];
t
kth elemento

J.L

= o (10.29)

Que e
,; y JL; en (10.29) son en
efecto una vector
propio y valor
propio de ( 10.28) es verificado simplemente sustitucin en (10.28) y sealand
o que (JL ;, e ,;) esun no trivial solucin. Desde JL = A- 1, nosotros por lo
tanto fundar que una eigenpair de Kc, = AMe, es dado por (A ;, e ,;)
= (Oc, ek).
En vista de la caso de r cero diagonal elementos en M, ella siguiente que ya
est son r valores
propios
infinitas, y la correspondiente vectores
propios lata ser tomado a serunidad vectores con cada
unidad vector tener la 1 en un ubicacin correspondiente a un cero masa eleme
nto en M. Desde Una es entonces una valor
propio de multiplicidadr, la correspondiente vectores propios son no nico (Ver
Seccin .
10.2 1). En Adems, observamos que la longitud de una vector
propio no
puede ser fijo usando
elcondicin de Mortonormalidad. Nosotros demostrar cmo nosotros establecer la valores
propios y vectores propios por medio de un breve ejemplo.
Ejemplo 10.7: Considerar la eigenproblema

-1
2 -1

-1 2
-1

Ya Est son dos cero diagonal elementos en M; Por lo tanto, A = oo, , \,

= oo. Como vectores propios correspondientes nosotros lata uso
(A)
Alternativamente, cualquier lineal combinacin de cl> 3 y c1>
4 dado en (A) hara representan vector
propio. Nosotros debera nota que ci>;
MCL>; = O para yo = 3, 4, y por lo tanto la magrritude de la elementos en el>; no
puede ser fijo uso la M-ortonormalidad condicin.
3

5. Transformacin de la Generalizad Eig

enprob! Em Kcf- = AM
<f- a un Estndar Forma
La ms comn eigenproblems que son encontrado en general cientfico anlisis son
estndar eigenproblems, y ms otro eigenproblems lata ser reducido a un estndar formulario.
Para esterazn, la solucin de estndar eigenproblems tiene atrado mucho atencin en numri
co anlisis, y muchos solucin algoritmos son disponible. La propsito de este seccin
es a show cmo la eigenproblema Kc, = AMe, lata ser reducido a un estndar formulari
o. La
implicaciones de la transformacin son doble. En
primer
lugar, ser causa la transformacin es posible,
el
uso lata ser hecho de la vario solucin algoritmos disponible para estndareigenproblems. Nos
otros ver que la eficacia de la eigensolution procedimiento empleado depende a un
gran grado en la decisin si o no a llevar fuera un transformacin a un estndarformulario. En
segundo
lugar, si un generalizada eigenproblema lata ser escrito en estndar forma, la propied

ades de
los valores
propios, vectores
propios, y caractersticapolinomios deEl generalizada lem
eigenprob lata ser deducida desde la propiedades de la correspondiente cantidades de
la eigenproblema
estndar. Al
darse
cuenta
de quela propiedades de estndar eigenproblems son ms fcil
de
evaluar, ella es a un grande grado para la segundo razn que la transformacin un eigenproble
ma
estndar es importante a serestudiado. En
Efecto, despus presentacin la transformacin proce
dimientos, nosotros mostrar cmo la propiedades de la vectores
propios (S e
e Seccin 10.2.1) y la
propiedades de la caracterstica polynornials (ver Seccin 10.2.2) de la problema K <Fa =
AMe, son derivado desde la correspondiente propiedades de la estndar eigenproble
ma.
En la siguiente nosotros asumir que M es positivo definida. Este es la caso cundo Mis
diagonal con mu > O, yo = 1, ... , n, o M es bandas, como en un consistente masa anlisis.
SiM es diagonal con sorne cero diagonal elementos, nosotros primero necesitar a realizar est
tico la
condensacin en la sin
masa grados de libertad como descrito en Seccin 10.3.1.Assurning que M
es positivo definido, nosotros lata transformar la generalizada eigenproblema Kc, = AMe
, dado en (10.4) por uso un descomposicin de M de la forma
M = SST (10.30)
donde S es cualquier no
singular matriz. Sustituyendo para M en (10.4), nosotros tener

K el> = ASS T el>

Premultiplicando ambos lados de (10.31) por

s-

y definicin un v

ector,

, = S T el>

(10,32)

(10,31)

nosotros obtener la estndar eigenproblema,

donde:

K = s-IKS-r

(10.33)
(10.34)

Uno de dos descomposiciones de M es usado en general: Cholesky factorizacin o la

espectral descomposicin de M. TJte fholesky factorizacin de M es obtenido como descrito e
n la Seccin 8.2.4 y rendimientos M = LML & t. En (10.30) a (10.34) nosotros por lo
tanto tener
(L0.35)

La espectral descomposicin de M requiere solucin de la completo eigensystem de M.

Denotando la matriz de ortonormal vectores
propios por R y la diagonal matriz
de ues
eigenval por D nosotros tener
2,

(10.36)

y nosotros uso en (10.30) a (10,34),

S = RD

(10.37)

lt debera ser conocido que cundo Mis diagonal, la matrices S en (10.35) y (10.37) son lo
mismo, pero cundo M es bandas, ellos son diferente.
En
vista
de la eficacia deEl sol cin deEl necesario valores
propios y res
eigenvec de (10,33), ella es ms importante tJtat K tiene la mismo ancho
de
banda como K cundo M es
diagonal. Sin
embargo, cundo Mis bandas, K en (10.33) es en general un completo matriz, que hace
que
la transformacin ineficaz en casi alllarge
orden finito elemento anlisis. Este se
convertir ms aparente en Captulo 11 cundo vario eigensystem solucin algoritmos se
discuten.
Comparando la Cholesky factorizacin y la espectral descomposicin de M, ella mayo D
ebe
observarse que la uso de la Cholesky factores es en general computacionalmente mseficiente
que
t_he uso de la espectral descomposicin porque menos operaciones son implicado en clculo
de LM de R y D. Sin
embargo, la espectral descomposicin de M mayorendimiento un ms exacto
solucin de Kc,

= AMe ,. Asumir que M es mal

condicionado con respeto a inversin; entonces

la transformacin proceso a la estndar eigenproblema es tambin mal
acondicionado. En que caso
ella es importante a emplear la ms estable transformacin procedimiento. Uso la Factorizaci
n de
Cholesky de M sin pivotante, nosotros encontrar que

LM

tiene grande elementos enmucho

s ubicaciones
porque de la enganche en M y
En consecuencia,

LM

K es calculado con poco precisin,

y la ms bajo valores propios y correspondiente vectores propios son determinado inexacta.

En la otro mano, uso la espectral descomposicin de M, bueno precisin mayo obtenerse

en la elementos de R y

nz, aunque sorne elementos en Nueva

Zelanda sonpequeo en relacin

a la otro elementos. La -cof2ditioning enfermo de M es ahora concentrado en slo la pequeos
elementos de D y en
vista
de K, slo aquellos filas y columnas que corresponder a la
pequea elementos en D tener grande elementos, y la valores
propios de normal tamao son ms probablemente ser en conserva con precisin.
Considerar la siguiente ejemplos de transformadora la generalizada valor propio problema
Kc, = AMe, a un estndar formulario.
2,

Ejemplo 10.8: Considerar la prob1em Kcl> = AME!>, donde

3 -1
K = -1 2 -1 ;

31

-1 1

o]

12

Uso la Cho1esky factorizacin de M a calcu1ate la matriz K de un correspondiente b 1 em

eigenpro estndar.
Nosotros primero ca1cu1ate la THDV descomposicin de M,
Por lo tanto, la Cho1esky factor de Mis (Ver Seccin 8.2.4)

v2
1 _2

LM = v

o
1

v2
1
y

(-

--v'1o
1

-- 1

v4o v'1o
La matriz de la estndar eigenprob1em

K = L yo KL l es en este caso,
-

v'5 v'5

K=
v'5 5 - 3
4 42
Ejemplo 10.9: Considerar la generalizada eigenprob1em en Ejemp1o 10.8. Uso la descom
posicin espectral de M a ca1cu1ate la matriz K de un correspondiente estndar eigenprob1em.
La eigenva1ues y correspondiente vectores propios de la prob1em Me!
> = A el> lata ser ca1cu- 1ated como se
muestra en Ejemp1o 10.4. Nosotros obtener A1 = 1, A2 = 2, A3 = 4, y
11
1
V'3

v2 v'6
el> =

1
--Una

cl> 2 C =

o!>

3=2
v'6

V'3 '

111

V'3

v2 v'6

Sec. 10.2 Fundamental Datos Usado en la Solucin de Eigensystems

857

Por lo tanto, la descomposicin M = R D RT es

2

11111

V'3

v2

v'6
V'3 V'3

V'3
M= - 1

['
.] 1

o2

o1

V'3

v'6
v2 v2
1111

V'3 v2 v'6 v'6 v'6 v'6

Observando que S = RD y s - 1 = n- 1 RT porque RRT = 1, nosotros obtener
111
-

V'3 V'3 V'3

s-1 =

11

--

2
11

2v'6 v'6 2v'6

La matriz de la estndar eigenprob1em es K = s - 1 KS-T; es
decir,

K=

--1-1-1
3va

2v'6

Nosotros shou1d nota que

la matriz

K obtenido aqu es diferente desde la matriz K derivado en

Ejemp1o 10.8.
En la arriba discusin nosotros considerado slo la factorizacin de M en M = SST
y
luego la transformacin de K e, = AMe, en la forma dado en ( 10.3 3). Nosotrospu
ntiagudo fuera que
este transformacin lata rendimiento inexacto resultados si M es mal
acondicionado. En tal un caso parece natural a evitar la descomposicin de M y en
lugar usoun factorizacin de K. Reescritura Kc, = AMe, en la forma Me, = (1 /
A) Kc ,, nosotros lata uso una anlogo procedimiento para obtener la eigenproblema
Me!> = -el> (10,38)
La
donde: M = s - 1 Ms-T

(10.39)
K = SST

(10.40)

CT> = S T el> (10,41)

y S es obtenido uso la Cholesky factor o espectral descomposicin de K. Si K est bien
acondicionado, la transformacin es tambin bien acondicionado. Sin
embargo, desde K essiempre

bandas, M es siempre un completo matriz, y la transformacin es en

general ineficiente para la
solucin de Kc, = AMe ,.

Como nosotros puntiagudo fuera antes, la posibilidad de en

realidad resolucin un generalizada eigenprob
lem
por primera
transformacin ella en una
norma forma es
slo uno razn por
qunosotros considerado lo
anterior transformaciones. El
segundo razn es que la propiedades de la
eigensolution de
la
generalizada eigenproblema lata ser deducida desde la propiedades de la solucin dela corre
corres- estndar eigenproblema. Especficamente, nosotros lata derivar la ortogonalidad propiedades
de la vectores
propios como dado en (1 S. 1 O) y (1 O 0.11), y el
turm S secuencias
y
c n cepropiedad de la
caracterstica polinomios de la eigenproblema K <l> = AM <I> y de su asociado estafa
restriccin problemas como dada en (10,22). En ambos casos no fundamentalmente nuevo conceptos
necesitar probarse; en su lugar, la correspondiente propiedades de la estndar eigenproblema, que esob
contenida desde la generalizada eigenproblema, son utilizado. Nosotros dar la pruebas en la siguiente
ejemplos asan aplicacin
de la transformacin de un generalizada eigenproblema toa stan
dard formulario.
Ejemplo 10.10: Show que la vectores
propios
de la problema K
<!> = AM
<I> son M- y K ortogonal y discutir la ortogonalidad de la vectores propios de la problemas 'K
<I> = A'-A'Kcfl dadoen (10.6) y K <!> = AC <I> dado en (10.7).
La vector
propio ortogonalidad es demostrado por transformadora la generalizada eigenproblema a
una estndar forma y uso la hecho que la vectores propios de un estndar eigenproblemacon una
simtrica matriz son
ortogonales. Considerar primero la problema K
<!> = AM
<I> y asumir que M
es positivo definida. Entonces nosotros lata uso la transformacin en (10.30) a (10.34) a obtene
r, equivalente asan eigenproblema,
donde
K <i}

= A <i)

K = s-

Ks-R;

Pero desde la vectores propios <I); de la problema K <i)

<i) tener la propiedades (Ver Seccin 2.7)

nosotros tener, sustitucin

= A.

<I); = sr <!> ;, <I> j = sr <!> J,

<L> iM <!> J = 5; J; <L> iK <1> = A; 5;

1

(a)

Si M es no positivo definitiva, nos considerar la eigenproblema M <!> = (1 / A.) K

<I> (Con K
positivo definido ora cambio necesario ser impuesto; ver Seccin 10.2.3). Nosotros ahorauso la
transformacin
M
(A

1)

- ->
<!

<- 1>

donde
y la propiedades
Sustituyendo para

<I); y <I) J> nosotros obtener

(B)

= (1 / A.) K <!>
Se
consider. A obtener la mismos
vectores como en la problema K
<!> = AM
<I>, nosotrosnecesitar a multiplicar los vectores propios <!>; de la problema M <!> = (1 / A.)
K <I> por la factores y; yo = 1, ... , n.
con la vectores propios ahora ser Ortonormalizada-K, porque la problemm <!>

En vista
de estos pruebas, nosotros nota que nosotros arreglado la eigenproblems en tal un camino
que
la matriz asociado con la valor
propio, es
decir, la matriz en la de
la
mano
derecha lado deEl valor propio

Sec. 10.2 Fundamental

Datos Usado en la Solucin de Eigensystems 859

problema, es positivo definida. Este es necesario a ser capaz a crry fuera la transf
ormacin de la generalizada eigenproblema a un estndar forma y as derivar la vector
propiopropiedades
de
ortogonalidad en (A) y (B). Sin
embargo, en
vista
de la problemas 'K
<!> = A'- 'K
<I> y K
<!> = AC
<!>
Dado en (10.6) y (10.7), nosotros lata proceder en un similarmanera. La resultados hara
ser el vector propio ortogonalidad propiedades dado en (10.14) y (10,15).
Ejemplo 10.11: Probar la Sturm secuencia propiedad de la caracterstica polinomios
de
los problema K
<!> = AM
<I> y la asociado restriccin problemas. Demostrar la prueba parala
siguiente matrices:
-1

(a)

-1

La prueba que nosotros considerar aqu es residencia

en la transformacin de la eigenproblems K <!> = AM <I> y K <'l <l> < l = , \ <
lM <'l <> < l a estndareigenproblems, para que la caracterstica
polinomios son conocido a forma un Sturm secuencia (Ver Secciones 2.6 y 8.2.5).
Como en Ejemplo 10.10, nosotros asumir primero que Mis positivo definida. En est
e caso nosotros puede transformar la problema K <!> = AM <I> en la forma
K <i) = A <i)
donde

y LM es la Cholesky factor de M.
En vista de la eigenproblerns K <i) = A. <i) y i < l <i) < l = , \ < l <i)
< l, r = 1, ... , n - 1
[Ver (8.37)], nosotros saber que la caracterstica polinomios forma Sturm secuencia. En l
a Por
otro
lado, si nosotros considerar la eigenproblema K
<!> = AM
<I> y laeigenproblerns de su restriccin asociada problemas, es decir, K <'l <> <
l = , \ < Lm < l <> < l [Ver (10.20)], nosotros nota que la problemas (<
l <i) < l = A. < l <i) < l y K <'l <l> (r) = , \ < Lm < l <l>
(r) tener la mismo valores propios. A saber, K < l <l> (r) =
, \ < l <i) < l es un eigenproblema estndar corrzsponding t2 K <'l <l> <
l = , \ < Lm < l <l> < l; i:... e, en lugar de
eliminando la r filas y columnas desde K (A obtener K
<

l), nosotros lata tambin calcular K < l como de la siguiente manera:

((r) = yo, -ik (R) i, -T; M (r)

= L L T; <i) <rl = L T <l> (r) (b)

Nota que L y yo, - lata ser obtenido simplemente por borrado la ltimo r filas y colu
rnns y de 1 ', respectivamente.
Por lo
tanto, la Sturm secuencia propiedad tambin ejerce para la caracterstica polinomios d
e
K
<!> = ..
\
M
<!
> y la asociado restriccin problerns.
Para la ejemplo a ser considerado, nosotros tener
1

[2 o o]
Por lo tanto,

o
LM = 2

o2
o22
-1

O] ['

-!

-J

-1

(E)

K=H

JH - =
2

-]

(D)
-

-1

-2

Uso K en (D) a obtener ((ll y K <2 l, nosotros tener

((l)

-1]

=[
-1

En la otro mano, nosotros lata obtener la mismo matrices : K <ll y

- (!)

(2) uso la relaciones en (B),

= L- (1) -1 K <'LL- (1) -T, K (2) = i (2) -1 K (2) L (2) -T
MMMM

donde K <rl y M <rl (A calcular L ) son obtenido desde K y M en (A).

En la anterior discusin nosotros asumido que M es positivo definida. Si M es semidef
inida positiva, nosotros lata considerar la problema M <!> = (1 / A) K <I> en su
lugar, en que K esdefinida
positiva (Esto mayo significar que un cambio tiene a ser impuesto; ver Seccin 10.2.3) y as
mostrar que la Sturm secuencia propiedad todava sostiene.

1t mayo ser conocido que ella siguiente desde este discusin que la caracterstica polino
mios de
la eigenproblerns 'K <I> = A'- 'K <I> y K <!> = AC <!> dado en (10.6) y (10.7) y de su
asociado restriccin problemas tambin forma un Sturm secuencia.

6.

Ejercicios
1.

Considerar la generalizada eigenproblema

6 -1

-1 4
-1 <!> = A O 2 1 <!>
[

o -1

o 11
a. Calcular la valores propios y vectores propios y show explcitamente que la vectores
propios son M -orthogonal.

b.

3.

Encontrar dos vectores que son M-ortogonal pero son no vectores propios.
2. Calcular la valores
propios de la eigenproblema en Ejercicio 10.1 y de su asociado restriccin problem
as. Show que la valores propios satisfacer la separacin propiedad (10,22).
Considerar la eigenproblema

H -} {

2}

a. Calcular la valores propios y vectores propios de

los problema. Tambin, calcular la valores
propios de la asociado restriccin problemas [Ver (10.20)].

b.
1

Establecer dos vectores que son M-ortogonal pero son no vectores propios.
Calcular la valores propios y vectores propios de la problema
[- 1

junio-1

abril]

<!> = A

[2

5.
6.

O <!>
Entonces aplicar un cambio p = 3 en K y calcul a te la valores propios y vectores
propios de la nuevo problema [vase (10.25)].
Transformar la generalizada eigenproblema en Ejercicio 10.1 en un estndar formulario.
(A) La valores propios y vectores propios de la problema
K <!> = A <!>
son A

= 1;

Calcular K.
<1> 1 =

_1 [1]

v21
<1> 2 =

_1 [ 1]

v2 -1

(B)

La valores propios y vectores propios de la problema

K <!> = AM
<I>
<1> 1 =

son

_1 [1]

1;

v31
Calcular K y M. Son la K y M matrices en (A) y (B) nico?
10.3 APROXIMADO SOLUCIN TCNICAS

Ella es aparente desde la naturaleza de un dinmica problema que un din

mica respuesta clculo

debe ser sustancialmente ms costoso de un esttico anlisis. Mientrasen u
n esttico anlisis la
solucin es obtenido en uno paso, en dinmica la solucin es necesario en
un nmero de
tiempo
discreto puntos encima la tiempo intervaloconsiderado. En
Efecto, nosotros fundar que en un directo paso
a
paso
de
integracin solucin, una ecuacin de esttica, que incluye la efectos de in
ercia y fuerzas
de
amortiguacin, es considerado en la fin de cada discreto tiempo paso (Ver
Seccin 9.2). En
vista
de un
modo
de superposicin anlisis,
el principal computacionalesfuerzo es gastado en la clculo deEl
requerido frecuencias y modo formas, que tambin requiere considerablem
ente ms esfuerzo que una esttico anlisis. Ella espor lo tanto natural que
mucho atencin ha
sido dirigido hacia
eficaz algoritmos para la clculo de la necesario eigensystem en la proble
ma
K
<l> = AM
<j>. En De
hecho, porque la "Exacta" solucin de la necesario valores propios y corre
corres- vectores
propios lata ser prohibitivamente caro cundo la orden de la sistema es gra
nde
y un "Convencional" tcnica es utilizado, aproximado tcnicas de solucin
tener ha
desarrollado. La propsito de este seccin es a presente la mayor aproxim
adomtodos que
tienen estado diseado y son Actualmente todava en usar.
La aproximado solucin tcnicas tener ante
todo estado desarrollado a calcular la
ms
baja valores
propios y correspondiente vectores propios en la problema K <l> = AM
<I> cundo el

orden de la sistema es grande. Ms programas uso exacto solucin tcnica

s en la anlisis
de pequea
orden sistemas. Sin
embargo, laproblema de calculador la pocos ms
bajo eigenpairs de
relativamente a
gran
orden sistemas es muy importante y es encontrado en todos ramas de
estructuralingeniera y en particular en terremoto respuesta anlisis. En la
siguiente
secciones nosotros presente tres mayor tcnicas. La objetivo en la presentacin es
no a abogar por la implementacin de cualquier uno de estos mtodos pero ms
bien adescribir su practica / utilizar, su limitaciones, y la supuestos empleada. Por
otra
parte, la relaciones entre el
aproximado tcnicas son descrito, y en Seccin 11.6nosotros voluntad, en De
hecho, encontrar que el
aproximado tcnicas considerado h e re
puede entenderse a ser un primero iteracin (y puede ser usado como tales) enla s
ubespacio iteracin algoritmo.
1 0.3.1 Esttico Con
densacin

Nosotros tener ya encontrado la procedimiento de esttico condensacin e

n la solucin de equilibrio
esttico ecuaciones, donde nosotros mostr que condensacin esttica es
decir, en De hecho, una aplicacin de Gauss eliminacin (Ver Seccin .
8.2 4). En esttico condensacin nosotros eliminado aquellos grados

de libertad que son no necesario a aparecer en la global finito elemento de

encaje. Por
ejemplo, la desplazamiento grados de libertad en la interna! nodos de un finito
elemento puede
ser condensado fuera porque ellos hacer no tomar parte en imponente interele
ment continuidad. Mencionamos en Seccin 8.2.4 que la plazo "Estticacond
ensacin "era realmente acuado en el anlisis de dynarnic.
La bsico asuncin de esttico condensacin en la clculo de frecuencias y el
modo
de formas es que
la masa de la estructura lata ser agrupado en slo sorneespecfico grados
de libertad sin mucho efecto en la precisin de la frecuencias y modo formas de
inters. En la caso de un agrupado masa matriz con sorne cero diagonalelementos, so
rne de

la masa lumping tiene ya estado realizado a

cabo. Sin
embargo, adicional masa lumping es en
general requerido. Tpicamente, la proporcin de masa grados de libertad a la
total nmero de grados de libertad mayo ser en alguna parte entre 1 y
La ms masalumping es
realizado, la menos computadora esfuerzo es necesario en la solucin; sin
embargo, la ms es
probable es tambin que la necesario frecuencias y modo formas son noprevi
sto con precisin. We Shall tener ms a decir acerca de este ms tarde.
Asumir que la masa lumping ha sido realizado a
cabo. Por particionamiento la matrices, nosotros
lata entonces escribir la eigenproble
ma en la forma
1

Kaa Kac] [<> A] = La [Ma O] [<> A]

Kca Kcc <l> c O O <l> c
(10.42)

donde c: l> a y c: l> c son la desplazamientos en la masa y la sin

masa grados de libertad,
respectivamente, y M, es un diagonal masa matriz. La relacin en ( 10.42) da l
acondicin
Kca <l> a + Kcc <!> E = O
que lata ser usado a elirninate c: l> Ca Desde ( 10.43) nosotros obtener
<L> c = - K Kca <l> a
y sustitucin en (1 0.42), nosotros obtener la reducido eigenproblema
Ka <L> a = Ama <L> a
1

donde

(10.43)
(10.44)

(10.45)
(10.46)

La solucin de la generalizada eigenproblema en ( 10.45) es en ms cas

os obtenido por
transforrning la problema primero en un estndar forma como descrito enSec
cin 1 0.2.5. Si n ce M
,. es un diagonal masa matriz con
toda su diagonal elementos positivo y probablemente no pequea, la
transformacin es en general bien acondicionado.
La analoga a la uso de esttico condensacin en esttico anlisis debera
ser observado.
Al
darse
cuenta
de que la de
la
mano
derecha lado de ( 10.42) mayo ser entendido a ser un carga vector R, donde
(10.47)

nosotros lata uso Gauss elirnination en la sin

masa grados de libertad en la mismo camino como nosotros hacerlo en la gra
dos de libertad asociado
con la interior nodosde una elemento o un subestructura (ver Seccin 8.2.4).
Uno importante aspecto debera ser observado cundo comparar la estti
co condensacin
procedimiento en la sin
masa grados de libertad en ( 10.42) a ( 10.46) en la uno lado, con
Gauss elirnination o esttico condensacin en esttico anlisis en la otro lado
.Teniendo en cuenta ( 10,47), nosotros encontrar que la cargas en la c: l>
a grados de libertad depender en la valor propio

(Libre
de
vibraciones frecuencia al
cuadrado) y vector
propio (Modo forma desplazamientos). Esto
significa
que en (1 0.45) un adicional reduccin de la nmero de gradosde libertad a con
siderarse es no posible. Este es un bsico diferencia a esttico condensacin co
mo aplicado en
esttico anlisis, donde la cargas son dado explcitamente ysu efecto lata ser re
alizado encima al restante grados de libertad.
Ejemplo 10.12: Uso esttico condensacin a calcular la valores propios y vectores
propios problema deEl K <!> = AM <!>, donde

o 01

2 -1
= -1 2 -1
K O -1 2 -1 '

o o -1 1
Primero

nosotros reordenar columnas y filas a obtener la forma dado en (10,42), que es

Por lo tanto,

Ka dado en (10.46) es en este caso,

Ka = [] - [- = J

[J [= - J = [_

La eigenproblema Ka <l> a = Ama <l> a es decir, Por lo tanto,

[- 1 1 -1] <l> a
y nosotros tener Por lo tanto,
det (Ka- AMA) = 2A

2A

1 V'2 1 V'2

2 - 4;

2 4

A =
A =
+
La correspondiente vectores propios son calculado uso
Por lo tanto
Uso (10,44), nosotros obtener
2

<L> c, = -

,, -r:

= La

[2 J

<l> a

864 Preliminares a la Solucin de Eigenproblems

Cap. 10

Por lo tanto, la solucin a la eigenproblema

K <!> = AM <I> es
1
-

4
1
1

V'2

, \, =

Z- 4;

<!> =
1

+ V'2

V'2
2

--1
4
1

2
<1> 2 =

-1

+ V'2
4

V'2
2

En la arriba DE
DEBATE nosotros dio la formal matriz ecuaciones para
llevar fuera condensacin
esttica. La principal computacional esfuerzo es en calculador Kadado en ( 10,46), don
de debera ser conocido que en
la
prctica un formal inversin de Kcc es no realizado. En lugar de ello, Ka
lata ser obtenido convenientemente uso la Cholesky factor

Lec de Kcc. Si nosotros fa

ctorizar Kceo

Kcc = Lir (10.48)

nosotros lata calcular Ka en la siguiente manera:
Ka = Kaa- yry

(10.49)

donde Y es resuelto desde

(10.50)

Como puntiagudo anteriormente, este procedimiento es

decir, en De
hecho, Gauss eliminacin de la grados
sin
masa offreedom, es
decir, eliminacin ofthose gradosoffreedom en que no externo fuerzas
(masa efectos) son actuando. Por
lo
tanto, una alternativa procedimiento a la uno dado en ( 10.42) a (1 0.50) es a directame
nte uso Gausselirnination en la c:
l>
c grados de libertad sin ing

particin K en la submatrices Kaa, Kceo Kaeo y Kca porque Gauss elirnination lata r
ealizar en cualquier orden (VerEjemplo 8,1, Seccin 8.2.1). Sin embargo, la ancho de
banda deEl
rigidez Matrix entonces, en en
general, aumentar durante la reduccin proceso, y problemas
dealmacenamiento necesario ser considerado.

Por la solucin de la eigenproblema Ka

<l>
a = Ama
<l>
a, ella es importante a nota que Ka es, en en
general, un completo matriz, y la solucin es relativamentecaro a
menos
que la orden de las matrices es pequea.
En
lugar de calculador la matriz Ka, ella mayo ser preferible a evaluar la ftexi
bility
matriz Fa = K ;; que es obtenido uso
1

Kaa Kac] [Fa] [']

Kca Kcc Fe = O
(10.51)

donde 1 es un unidad matriz de la mismo orden como KAAA

Por
lo
tanto, en (10,51), nosotros resolver para los
desplazamientos de la estructura cundo unidad cargasson aplicado en vez en l
a masa grados de
la
libertad. Aunque la grados de libertad tener estado particionado en ( 10,51), ya
est es no
hay
necesidad para ella en esteanlisis (Ver Ejemplo 10,13). Tener resuelto para Fa
, nosotros ahora considerar en cambio de ( 10.45) la eigenproblema
(10.52)

Aunque este eigenproblema es de un ligeramente diferente forma de la general

izada problema
K
<l> = AM
<j>, la transformacin a un estndar problema ganancias enmucho la mismo
manera (ver Seccin 10.2.5). Por la transformacin nosotros definir
(10.53)

donde M! es un diagonal matriz con su ITH diagonal elemento igual a la raz de la

ITH diagonal elemento de Ma. Premultiplicando ambos lados de ( 10.52) por M! 1 ysus
titucin la relacin en ( 10.5 3), nosotros obtener
12

(10.54)
(10.55)

Una vez la desplazamientos <L>

a tener estado calculado, nosotros obtener la completo desplazar
cin vector uso
(10.56)

donde Fe fue calculado en (10,51). La relacin en (10.56) es llegado en por d

ndose
cuenta que
la fuerzas aplicado en la masa grados de libertad a imponer <l> a son Ka <l>
a. Uso (10.51),
la correspondiente desplazamientos en todos grados de libertad son dado en (
10,56).

Ejemplo 10.13: Uso la procedimiento dado en (10.51) a (10.56) a calcular la valores

propios y vectores propios de la problema K <!> = AM <I> considerado en Ejemplo 10.12.
La primero paso es a so1ve la ecuaciones
- 1 febrero-1febrero - 1

o
ro

1
(A)

r0o-1
2 -1 [V Vz] = 0 0
-1 1 1
donde nosotros hizo no intercambio filas y columnas en K en orden a obtener la forma en (10,5
1).

Para la solucin de la ecuaciones en (A), nosotros uso la THDV descompos

icin de K, donde
Por lo tanto, nosotros obtener
y Por lo tanto,
vf = [1 2

!L

Fa = [
2 2];

vr = [1 2 3 4]

Fe = [

!]
F = [V'2 0] [2 de 2] [V'2
un

o] [ 4 2v '2]

O 1 2 4 O 1 = 2v'2 4

La solucin de la eigenproblema

da JL =

4 - 2v'2;
1

V'2
al =

V'2
1

V'2
(B)
# 1-2 =

Desde <L> a = M;

112

4 + 2v'2;

a. nosotros tener

a2 =

V'2

.. [0 : J
1

11
-

V'2 2
1 1 '<l>

a2 =

(e)

V'2
V'2

V'2
La vectores <L> c ,, y <L> c 2 son calculado uso (1 0.56); Por lo tanto,

(D)
Desde JL = 1 /
A. nosotros realizar que en (B) a (D) nosotros tener la mismo solucin como obtenido e
n Ejem plo 10.12.
En vista de la diferente procedimientos de eliminando la sin masa grados de libertad,
la resultados de
los eigensystem anlisis son la misma
con
independencia deEl procedimientoseguido,
es
decir, si Ka o Fa es establecido y si la eigenproblema en (10.45) o en (10.52)
es resuelto. La bsico asuncin en la anlisis es que resultante desde masa formacin
de
grumos.Como discutimos en Seccin 1 0.2.4, cada cero masa corresponde a una infinito frecue
ncia en la

sistema. Por lo tanto, en aproximacin la original sistema ecuacin K <Fa = , \ M <Fa

por la ecuacin en ( 10,42), nosotros reemplazar, en De hecho, sorne de la frecuencias de K
<Fa
=,
\
M
<Fa
por frecuencias
infinitas y asumir que
la ms
bajo frecuencias resuelto desde cualquiera
de
los
dos ecuacin son no
mucho diferente. La precisin con que la ms bajo frecuencias de K <Fa = , \ M
<Fa son ap
proximated por resolucin Ka
<Fa
un = Ama
<Fa
un depende en la especfico masa lumping preferido y
puede ser adecuado ocrudo en
efecto. En en
general, ms precisin lata ser esperado si ms grados
de
masas de libertad son incluido. Sin embargo, dndose cuenta que la esttico resultados de
condensacinen Ka tener un mayor ancho
de
banda de K (Y Fa es ciertamente completo), la computacional esfuerzo
requerido en la solucin de la reducida
eigenproblema aumenta rpidamente comola orden de Ka se
convierte
en grande (Ver Seccin 11.3). En la otro mano, si suficiente masa grados de la
libertad
para precisin de solucin son seleccionado, nosotros mayo no msquerer a calcular la eigens
ystem completa de Ka <Fa un = Ama <Fa un pero slo la ms pequeo valores
propios y correspondiente res
vec. Sin
embargo, en este caso nosotros mayoslo como bien considerar la problema K <Fa = , \
M
<Fa
sin
masa lumping y resolver directamente slo para la valores
propios y vectores de inters uso uno de la algoritmosdescrito en Captulo 11.
En resumen, la principal defecto de la masa lumping procedimiento seguido por conden
sacin esttica es que la precisin de solucin depende a un grande grado en la experiencia
de la analista en distribucin la masa apropiadamente y que la solucin precisin es
en
realidad no evaluado. Nosotros considerar la siguiente ejemplo a show la aproximacin que
puedetpicamente resultado.
Ejemplo 10. 14: En Ejemplo 10.4 nosotros calculado la eigensystem de la problem
aK
<!> = AM
<!
>, donde K y M son dado en la ejemplo. A evaluar una aproximacin a la menor valor
propio y correspondiente vector
propio, considerar en
lugar la siguiente eigenproblema, en la que la masa es agrupado
- -: - ] <1> =

A [o 2]

<1>

(A)

o -1 2 o
Uso la procedimiento dado en (10.51) a (10,56), nosotros obtener
F [.!]
[

un 3 '

Por lo tanto, A = , <L> a = [1 / V'2], y

1

2v'2
1

2v'2
La solucin de la eigenproblema en (A) para la ms pequeo valor
propio y correspondiente vector propio
es por lo tanto
\ - 3.
/ \ -

2v'2
1

V'2
1

2v'2

mientras la solucin de la original problema (Ver Ejemplo 10.4) es

V2
= 2;
cf>,
1
=

V2
1

V
2
lt debera ser conocido que uso la masa lumping procedimiento, la valores propios lata ser ms
pequeo, como en este ejemplo o- mayor de la valores propios de la original sistema.

2. Rayleig
h-Ritz A
nlisis

La ms general tcnica para descubrimiento aproximaciones a la ms

bajo valores
propios y corre
corres- vectores
propios de la problema K = AM es la RayleighRitzanlisis. La condensacin
esttica procedimiento en Seccin 10.3.1, la componente modo sntesis descrito en el
prximo seccin, y vario otro mtodos puede
ser entendido aser Ritz anlisis. Como nosotros vern, la tcnicas diferir slo en la elec
cin de la Ritz vectores
de
la
base asumido en la anlisis. En la siguiente nosotros primero presente laRayleigh-Ritz a
nlisis procedimiento en general y a
continuacin,
mostrar cmo otro tcnicas relacionar a ella.

La eigenproblema que nosotros considerar es

Kcf> = Mcf>

(10.4)

donde nosotros ahora primero asumir para claridad de presentacin que K y M

son ambos definida
positiva, que asegura
que la valores
propios son todos positivo; es
decir,A, > O. Como nosotros puntiagudo en Seccin 10.2.3,
K lata ser asumido positivo definido porque un cambio lata siempre ser introdu
ccin
producido a obtener undesplazado rigidez matriz que satisface este condicin.
Como para la matriz
de
masa, nosotros ahora asumir que M es un consistente masa matriz o un agrupa
do masamatriz sin cero diagonal elementos, que es un condicin que nosotros d
eber ms tarde reljese.
Considerar primero la Rayleigh mnimo principie, que estados que
= min p (cf>) (10,57)
donde la mnimo es tomado encima todos posible vectores . y p
( ) es la Rayleigh cociente
cf> TKcf>

p ( cf>) = cf> BMM> (10,58)

Este Rayleigh cociente es obtenido desde la Rayleigh cociente de la estndar pr

oblema
de
valores
propios :
CIJ, = Acj, (Ver Secciones 2.6 y 10.2.5). Desde ambos K y Mson positivo defi
nido, p
( ) tiene finito valores para todos
Referente a Seccin 2,6, la lmites en la Rayleigh
cociente
son
O < :::::; p (cf>) :::::;

<

00

(10,59)

En la Ritz anlisis nosotros considerar un conjunto de vectores. que son li

neal combinaciones de los Ritz base vectores t! J ;, yo = 1, ... , q; es
decir, un tpico vectores dado por
q

el> = L X; TLL;
i=l

(10.60)

donde la X son la Ritz coordina. Desde e, es un lineal combinacin de la

Ritz vectores de la base, e, no puede ser cualquier arbitrario vector pero en
lugarmentiras en la subespacio abarcado por la
Ritz base vectores, que nosotros llamada Vq (Ver Secciones 2.3 y 11.6). lt deb
era ser conocido que
los
vectores \
Fl, yo = 1, ... , q, necesario ser linealmenteindependiente; Por
lo
tanto, la subespacio Vq tiene
dimensin q. Adems, denotando la ndimensional espacio en que la matrices K y M se
definen por Vn, nosotros tenerque Vq es contenida en Vn.
En la Rayleigh-Ritz anlisis nosotros objetivo a determinar la especfico
vectores c,
j, yo = 1, ... , Q, que, con la restriccin de acostado en la subespacio abarcadop
or la Ritz base vectores,
"mejor" aproximado la necesario vectores
propios. Para este propsito nosotros invocar la Mnimo
Rayleigh principie. La uso de este principiedetermina en qu sentido la soluci
n "Mejor"
se
aproxima la vectores
propios buscado, una aspecto que nosotros deber punto fuera durante la Pres
en
tacin de la solucin proc
edimiento.
A invocar la Rayleigh mnimo principie en e ,, nosotros primero evalu
ar la Rayleigh
coc
ient
e,
donde
qq

L L XXi (,
p (cf>) = : ..., I;, ..: l - = -: i;, ...: - 1--

L L XXfffl
j =!

i=l

kij = tlliKtll
(10.61)
(10.62)

mij = tlliMtll (10.63)

La necesario condicin para un mnimo de p (c,) dado en (10.61) es ap (c,)

jaxj = O,
yo = 1, ... , q, porque la X son la slo variables. Sin embargo,
q -- q

"" P (..! ..) 2ta .L

Xk -

2k L Xffl

_u _ '! "_

= ! J = I (10,64)

y uso p = k / ra , la condicin para un mnimo de p (c,) es

q

(K

pmij) x

=
1

para yo = 1, ... , q

(10,65)

j =!

En real anlisis nosotros escribir la q ecuaciones en ( 10.65) en matriz forma, a

s obtencin la eigenproblema
Kx = PMX (10.66)
donde K y M son q X q matrices con tpico elementos definida en (1 0.62) y (1
0,63), respectivamente, y x es un vector de la Coordenadas Ritz buscado:
(10.67)

La solucin a ( 1 0.66) rendimientos q valores propios p, ... , pq, que

son aproximaciones a
A ,, ... , Q , y q vectores propios,
(10.68)

La vectores
propios X; son u SED a evaluar la vectores, ... , q, que son aproximaciones
a la vectores propios ... , qa Uso (10.68) y (10,60), nosotros tener
q

cf>; =

L x; tllj;
j=l

yo

1, ... , q

(10,69)

Una importante caracterstica de la valor

propio aproximaciones calculado en la anlisis es
que ellos son superior encuadernado aproximaciones a la valores
propios deinters; es decir,
(10.70)

significado que desde K y M son asumido a ser positivo definido, K y M son ta

mbin definida positiva matrices.
La prueba de la desigualdad en (10.70) espectculos la real mecanismo es
decir usado para obtener la valor
propio aproximaciones p ;. A calcular p nosotrosbsqueda para la rninimum
de p
( <1>) que lata ser alcanzado por linealmente combinando todos disponible Ritz
base vectores. La desigualdad A1 < p siguiente desde laRayleigh mnimo pri
ncipie en (10.57) y porque Vq es con
contenida en la ndimensional espacio Vn, en que K y M son definido.
La condicin que es empleado a obtener pz es tpico de la mecanismo usa
do para calcular la aproximaciones a la superior valores propios. En primer
lugar, nosotrosobservar que para el
valor
propio problema K = AM , nosotros tener
A2 = min p (cf>) (10.71)
donde la rninimum es ahora tomado encima todos posible vectores en Vn que sat
isfacer la orthog onality condicin (Ver Seccin 2.6)
(10.72)

En vista de la aproximado vectores propios; obtenido en la RayleighRitz anlisis, observar que

(10.73)

donde 5; j es la Kronecker delta, y que, Por lo tanto, en la arriba RayleighRitz anlisis obtuvimos pz por evaluacin
P2 = min p (cf>)

(10.74)

donde la rninimum fue tomado encima todos posible vectores

en Vq que satisfacer la condicin de ortogonalidad
(10.75)

A show que Arizona < pz, nosotros consideran auxiliar problema; es

decir, asumir que nosotros evaluar

= min p ((ji)
donde la rninimum es tomado encima todos vectores que satisfacer la condicin
cf> T Mcf> = 0
[H

(10.76)
(10.77)

La problema definida en
(10.76) y (10.77) es la mismo como la problema en (10.71) y
(10,72), excepto que en la ltimo caso la mnimo es tomado encima todos .mie
ntras en el
problema en (10.76) y (10.77) consideramos todos vectores en Vq. Entonces de
sde Vq es contenida en Vn, nosotros tener Arizona < j) z. En la otro mano, j)
z< pz porque la ms grave restriccin en

e, en (10.77) es e, . Por lo tanto, nosotros tener

(10.78)

La base para la clculo de c,

z, y por
lo
tanto pz, es que la rninirnurn de p
(c,) se
busca con la ortogonalidad condicin
en
la (1 O 75.) en e,
. Sirnilarly, aobtener p; un nd e, , que
en hecho rninirnize p
( e,) con la ortogonalidad condiciones c,
rMc,
j = O para j = 1, ... , Yo - l. En
consecuencia, la desigualdad en p en(10.70) lata ser demostrado en una anl
ogo rnanner
a la procedimiento usado arriba para pz, pero todos yo - 1 restriccin ecuacione
s necesitar para ser satisfecho.
La observacin que yo - 1 restriccin ecuaciones necesitar a ser cumplido
en la evaluacin
de p tambin indica
que nosotros lata esperar menos precisin en la approxirnation de la valores
propios
superiores de en la approxirnation de la inferior valores
propios, para que menos restricciones
son irnposed. Este es en
general tambinobservado en real anlisis.
En
vista
de la procedimiento en practica! dynarnic anlisis, la Ritz base funciones rnay
ser calculado frorn un esttico solucin en que q carga patrones sonespecificad
o en R; es decir, consideramos
K \ fl

= R (10.79)

donde '\} F es una n X q rnatrix almacenamiento la Ritz base vectores; es decir, '\}
F = [\ Fl, ... , \
FLQ]. El
anlisis es seguido por evaluacin la proyecciones de K y Msobre la subespaci
o Vq atravesado por la vectores \ Fl ;, yo = 1, ... , q; es decir, nosotros calcular

K = 'FiTK \ fl (10.80)
y

donde porque de (10.79) nosotros tener

Siguiente nosotros resolver la eigenproblern K x = p M x, la solucin de que l

ata ser escrito
(10.81)
(10.82)

X=M

Xp (10.83)

donde pis un diagonal Atrix

J
!! listado la valor
propio approxirnations p
;, p = diag
(p;), y X
es un rnatrix almacenamiento la M- orthonorrnal vectores propios x 1,
, Xq. La approxirnations a los
vectores
propios de la problern Kc, = AMe, son entonces
cll = \ F! X (10.84)

As lejos nosotros tener assurned que la rnass rnatrix de la finito elernent

systern es definida
positiva; es
decir, Mis nota diagonal rnass rnatrix con sorne cero diagonalelernents. La raz
n
de este assurnption fue a evitar la caso c,
rMc, igual a cero en la clculo de la
Rayleigh cociente, en que caso p
( e,) da una infinito valor
propio.Sin
embargo, la Rayleigh
Ritz anlisis lata ser realizado fuera como descrito arriba cundo M es un diag
onal rnatrix con sorne
cero diagonal elernents, previsto la Ritz basevectores son seleccionado a menti
ra en la subespacio
que corresponde a la finito valores
propios. En Adems, la Ritz base vectores rnust ser linealmente
independientes whn en
vista
de slo la rnass grados de freedorn en orden a obtener un definida
positiva rnatrix M. Uno camino de lograr este en prctica es a excitar diferente
rnass grados
defreedorn en
cada de la carga vectores en
R en (10.79) (Ver Seccin 11.6.3 y Ejem plo 10,16).
De particular inters son la errores que nosotros rnay esperar en la solucin. Aunq
ue tenemos se
muestra que una valor
propio calculado desde la Ritz anlisis es una superiorencuadernado en la

correspondiente exacta valor

propio de la sistema, nosotros hizo no establecer cualquier cosa acerca de el
real error en la valor propio. Este error
depende en la Ritz basevectores usado porque la

vectores e, son lineal combinaciones de la Ritz base vectores \

Fl ;, i = 1, ... , q. Nosotros lata obtener
bueno resultados slo si la vectores \
Fl; lapso un subespacio Vq que es cerca a la menos subespacio
dominante de K y M abarcado por e ,,, ... , c,
q. Elladebera ser conocido que este hace no significar
que la Ritz base vectores debera cada ser cerca a una vector
propio buscado pero ms bien, que combinaciones
lineales de la Ritz base vectores lata establecer buenoaproximaciones de la ne
cesario
vectores
propios de Kc, = AMe ,. Nosotros adicional discutir la seleccin de bue
no Ritz base vectores y
la aproximaciones implicado en la anlisis en Seccin 11.6 cundo nosotros pr
esente la subespacio
iteracin mtodo, porque este mtodo usos la Ritz anlisis tcnica.
A demostrar la Rayleigh-Ritz anlisis procedimiento, considerar , La
siguiente examen
ples.
Ejemplo 10.15: Obtener soluciones
aproximadas a la eigenproblema Kcf>

= ACCM> Ered consid en Ejemplo 10.4, donde

2 -1

o]

K = -1 -1 4 ;
[

o -1 2

La exacto valores propios son A,

= 2, A2 = 4, A = 6.
3

l. Uso la siguiente carga vectores a generar la Ritz base vectores

2. Entonces uso un diferente conjunto de carga vectores a generar la Ritz base vectores
En la Ritz anlisis nosotros emplear la relaciones en (10.79) a (10.84) y obtener, en
caso 1,

- J [YoJ
\Fl=

fi

fi]
Por lo tanto,

6 6

17

TI TI

y
La solucin de la eigenproblema

Kx = PMX es

M: = _1_ [29 1 1 J
144 11 29
(P,

X)

= (2.4004,

1.3418]
1.3
({12. x2)
008]

(4.0032,

[_

2.

418
2

0008

Por lo tanto, nosotros tener como valor

propio aproximaciones p

= 2,40, P2 = 4.00, y evaluacin

0

895

- = [ ] [1,3418 2,0008] = [
cll 1.3418 -2.0008
0,895
Ti Ti

nosotros tener
(J) 1 =

0,895]

= [ 1.00] [
0,895 -1,00

; (J) 2

H -n [: J!
Siguiente nosotros asumir la carga vectores en caso 2 y ungento
Por lo tanto,
y

[! J!
K=

1]

'

33

M = J .. [41
36 13
La solucin de la eigenprob1em

Kx = PMX da
0,70711]
({12, X2)

= (6.0000,

-2,1213])

(P1, X1)

= (2.000, [0.70711 ); [

.
6 3640
Por lo tanto, nosotros tener como valor
propio aproximaciones P1 = 2.00, P2
cll = [0.70711
5 1 0.70711

= 6,00, y evaluacin

66

-2,1213] [0.70711
6.3640 = 0,70711
0.70711
-0,70708]
0.70713
-0.70708
nosotros tener

0,70711]

4> 1 = 0,70711 ;
[
0.70711
-0,70708]

4> 2 = O. 70713
[
-0.70708
Comparando la resu1tados con la exacto solucin, ella es interesante a nota que en caso 1
, P1 > A1 y P2 = A2, mientras en caso 2, P1 = A 1 y P2 =
3. En ambos casos nosotros hizo noobtener una buena aproximaciones a la ms bajo dos valores
propios, y ella es claramente demostrado que la resultados
depender completamente en la inicial Ritz base vectores elegido.
Ejemplo 10.16: Uso la Ray1eigh-Ritz anlisis a calcular una aproximacin a A1 y cf> 1
de la eigenproblema considerado en Ejemplo 10.12.
Nosotros nota que en este caso M es positivo sernidefinite. Por
lo
tanto, a llevar fuera la Anlisis
Ritz nosotros necesitar a elegir un carga vector en R que excita en menos uno masa. Asumirque
nosotros uso

RT = [O 1

o O]

Entonces la solucin de (10.79) rendimientos (Ver Ejemplo 10.13)

wr = [1 2 2 2]

Por lo tanto,

K=

[2];

p =

6 1;

M = [12]
X =

[2 ]

> A, .
La Ritz anlisis procedimiento presentado arriba es un muy general herr
amienta,
y, como puntiagudo anteriormente, vario anlisis mtodos conocido bajo difer
entenombres lata en
realidad ser se
muestra para ser Ritz anlisis. En Seccin 10.3.3 nosotros presente la compone
nte modo sntesis como un Anlisis
Ritz. En la siguientenosotros brevemente querer a show que la tcnica de est
tico condensacin
como descrito en Seccin 10.3.1 es
decir, en De
hecho, tambin un Ritz anlisis.
En la esttico condensacin anlisis nosotros asumido que todos masa la
ta ser agrupado en q grados de libertad. Por
lo
tanto, como una aproximacin a laeigenproblema K = AM . obtuvimos la sigui
ente problema:
Por lo tanto nosotros tener, como era de esperar, p,

Kaa Kae] [E!> ] = "- [MA O] [E!

> ]
Kea Kee cf> e O O cf> e
(10.42)

con q finito y n - q infinito valores

propios, que corresponder a la sin
masa grados de libertad (Ver Seccin 10.2.4). Para calcular lo finito valores
propios, nosotros usadoesttico la
condensacin en la sin
masa grados de libertad y llegado en la eigenproblema
(10.45)

donde K. es definida en (10,46). Sin

embargo, este solucin es en
realidad un Ritz anlisis de la
agrupado masa modelo considerado en ( 1 0,42). La Base
Ritz vectoresson la patrones
de
desplazamiento asociado con la . grados de libertad cundo la e grados de libe
rtad son liberados. Resolver la ecuaciones
Kaa Kae]
Kea Kee Fe O

[Fa ] = [1]
(10.51)

en que F. = K ;;
', nosotros encontrar que la Ritz base vectores a ser usado en (10,80), (10,81)
, y (10.84) son
(10.85)

A verificar que un Ritz anlisis con la base vectores en (10.85) rendimien

tos en hecho (10.45), que evaluar (10.80) y (10,81). Sustituyendo para '\}
F y K en (10,80),nosotros obtener

K = [1

(FeKaYJ [ :: J [Fe J

(10,86)

que, uso ( 10,5 1), reduce a

K = K.

Sirnilarly, sustitucin para '\} F y M en (10,81), nosotros tener

M = [1
(10.87)
(10.88)

(FeK.Y] [ ] [Fe J

o M = Ma

(10.89)

Por lo tanto, en la esttico condensacin nosotros en

realidad realizar un Ritz anlisis de la masa
concentrada modelo. lt debera ser conocido que en la anlisis nosotroscalcular l
a q finito valores propios
exactamente (Es
decir, p; = A; para yo = 1, ... , q) porque la Ritz base vectores lapso la q
dimensional subespacio correspondiente a lo finito valores propios. En la
prctica, la evaluacin de
la vectores '\}
F en (10.85) es no necesario (Y hara ser costosa), y en
lugar la Anlisis Ritz es mejor realizado fuera uso
\ Fl

= [ :]

(10.90)

Desde la vectores en (10.90) lapso la mismo subespacio como la vectores en (1

0,85), la mismos
valores
propios y vectores
propios son calculado empleando cualquiera
de
los
dos conjunto de base vectores.
Especficamente, uso (10,90), nosotros obtener en la Ritz anlisis la reduc
ido eigenproblema
(10.91)

Para
mostrar que este eigenproblema es en
efecto equivalente a la problema en (1 0.45), nosotros Premul
tiply ambos lados en ( 10,91) por K. y uso la transformacin x =Kai, dando Kai
= Amai, es decir, la problema en (10.45).
Ejemplo 10.17: Uso la Ritz ana1ysis procedimiento a realizar esttico condensacin de la
mass1ess grados de libertad en la problema Kcf> = ACCM> considerado en Ejemplo 10.12.
Nosotros primero necesitar a evaluar la Ritz base vectores dado en
( 10,90). Este fue hecho en
Ejemplo 10.13, donde nosotros fundar que

La Ritz reduccin dado en (10.91) as rendimientos la eigenprob1em

2 2] - , \ [12 16]
2 4 X- 16 24 X

Finalmente, nosotros debera nota que la uso deEl Ritz base vectores en (
10.85) [(O en (10.90)]
es tambin conocido como la Guyan reduccin (Ver R. J. Guyan [A]).En la Guya
n esquema la Vectores
Ritz son usado a funcionar en un agrupado masa matriz con cero elementos en
la diagonal como
en (10.88) o en fulllumped
general
oconsistente masa matrices. En este reduccin la unos grados de libertad son frec
uentemente referido a como dinmica grados de libertad.

3. Componente M
odo Sntesis

Como para la esttico condensacin procedimiento, la componente modo snte

sis es
decir, en De
hecho, un
anlisis
Ritz, y la mtodo fuerza tener estado presentado en laanterior seccin como un
aplicacin
especfica. Sin
embargo, como fue repetidamente puntiagudo fuera, la ms importante aspecto
en un Anlisis
Ritz es la seleccin deapropiado Ritz base vectores porque la resultados lata se
r slo tan
bueno como la Ritz base vectores permitir ellos a ser. La especfico esquema u
sado en la modo
de
componente sntesis es de particular inters, que es la razn nosotros querer a
dedicar un seccin separada a la discusin de la mtodo.

La componente modo sntesis tiene estado desarrollado a un grande grado

como un consecuencia
natural de la anlisis procedimiento seguido en prctica cundogrande y compl
ejo turas
estruc son analizada. La general practica! procedimiento es que diferente grupo
s realizar los
anlisis de diferente componentes de la estructura bajoconsideracin. Para eje
mplo, en una
planta anlisis, uno grupo mayo analizar un principal pipa y otro grupo un tube
ra sistema
conectado a ella. En un primero preliminaranlisis, ambos grupos trabajo por
separado y modelo los
efectos de el
otro componentes en la componente
especfico que ellos considerar en una aprox
imate manera. Paraejemplo, en la anlisis de la dos tubera sistemas referido a
anteriormente, el anlisis grupo de la lado rama mayo asumir completo
fijeza en el
punto de interseccin con la
principal tubera, y el
grupo anlisis la principal pipa mayo introducir un concentrado primavera y la
masa a permitir para la lado rama. La ventaja de en
vista
de lacomponentes de la
estructura por
separado es ante
todo uno de tiempo programacin; es
decir, la separado grupos lata trabajar
en la anlisis y diseos de la componentes enla mismo tiempo. lt es ante
todo para esta
razn que la componente modo sntesis es muy atractivo en la anlisis y diseo
de gran estructural sistemas.
Asumir que la preliminar anlisis de la componentes tener estado realizad
o fuera y
que la completo estructura deber ahora ser analizada. lt es en este etapa que la
modo
de
componente sntesis es un natural procedimiento a usar. A
saber, con la modo forma caractersticas
de cada componente conocido, ella aparece natural a uso esteinformacin en es
timar las
frecuencias y modo formas de la completo estructura. La especfico procedimi
ento mayo varan
(vase R. R. Craig, Jr. [A]), pero, en esencia, lamodo formas de la componente
s son usado en una Rayleigh-Ritz anlisis a calcular aproximado modo formas
y frecuencias de la completa estructura.
Considerar para ilustracin que cada componente estructura fue obtenido
por fijacin a11 su
lmite grados de libertad y denotar la rigidez matrices de la componenteestruct
uras

de K1, Kn, ... , KM (Ver Ejemplo 10,18). Asumir que slo componente estructu
ras L - 1
y L conectar, L = 2, ... , M; entonces nosotros lata escribir para la rigidez matriz
de la completo
estructura,
KNA
K=

(10.92)

Uso una anlogo notacin para la masa matrices, nosotros tambin tener
M.

Mn
M=

(10.93)

Asumir que la ms bajo valores propios y correspondiente vectores

propios de cada componente

estructura tener estado calculado; es

decir, nosotros tener para cada componente estructura,
K, ELA , = M, 1 A,
K n < u = M u el u A u
KM CIA M = MM < M AM
1

(10.94)

donde la L y Alabama son la matrices de calculado vectores propios y valores

propios de la Componente Lth estructura.
En un componente modo sntesis, aproximado modo formas y frecuencias lata
obtenerse por perforrning un Rayleigh-Ritz anlisis con la siguiente asumido cargas enla
derecha lado de ( 1 O. 79),
(10.95)

o
donde IL-IL es un unidad matriz de orden igual a la conexin grados de libertad
entre
el
componente estructuras L - 1 y L. La unidad matrices corresponder a cargas que
sonaplicada
a la conexin grados de libertad de la componente estructuras. Desde en la deri
vacin
de la modo forma matrices usado en (10.95) la componente estructuras eranfijo
en sus
lmites, la unidad cargas tener la efecto de liberando estos conexin grados de l
ibertad. lf, en la otro mano, la conexin grados de libertad han
sido incluido en laanlisis
de la componente estructuras, nosotros mayo dispensar con la unidad matrices
en R.
Una importante consideracin es la precisin que lata ser esperado en la ar
riba
nente
compo modo sntesis. Desde un Ritz anlisis es realizado, todos precisinConsi
deraciones dis
cussed en Seccin 10.3.2 son directamente aplicable; es
decir, la anlisis rendimientos superior lmites a la
exacto valores
propios de la problema K = AM . Sin
embargo, la real precisin alcanzado en
la solucin es no conocido, aunque ella lata ser evaluado, para ejemplo, como
descrito en
Seccin 10.4. La hecho que la solucin precisin es muy dependiente en la vect
ores usado en R (Es
decir, la Ritz base vectores) es
decir, como en todos Ritz anlisis, laprincipal defecto de la mtodo. Sin
embargo, en la
prctica, razonable precisin lata a
menudo ser obtenido porque la vectores propios correspondientes a la ms
pequeovalores

propios de la componente estructuras son usado en R. Demostramos la anlisis

procedimiento en la siguiente ejemplo.
Ejemplo . 10 18: Considerar la eigenproblema Kcf> = ACCM>, donde
2 -1:
-1 2:. -1
K = -1 2 -1
..

-1 : - -

T - -_: _- 1
: -l 1

I_ j

'

M=1
r -----

:1
1

Uso la
subestructura eigenproblems indicado por la discontinua lneas en K y M a establecer la carga

matriz dado en (10.95) para un componente modo sntesis anlisis. Entonces calcular valor
propio y vector propio aproximaciones.
Aqu nosotros tener para infraestructura 1,
con la eigensolution

La
K, =

[-

febreroa1 febrero];

M
1

[1

o o]

y para infraestructura 11,

con la eigensolution
Kn =

[- 2 1
En

l];

= Mu
1

o_ J

A, = 2-

V2, A2 = 2 + V2;

As nosotros tener para la matriz R en ( 10,95),

V2 V2 o
22

V2 V2 o
R=

22

oo

V2 V2 o
22
11

Ahora realizar la Ritz anlisis como dado en (10.79) a (10,84), nosotros obtener

[22.40
7.243 1.586

5.328

7.243]

[222,4 77,69]
50,69

M = 50.69

11.94 17.59
77.69 17.59 27.5

y Por lo tanto, p

["" 098

2.83

= 1,

B
J
0,207
0,181
4J) = 0,509
0,594
0,655

-0.773
0.0984
1.47
-0.385
0,574

0.00690
-0.0655
0,443
-0.166
-0.978

La exacto valores propios son

La = 0.09789 A2 = 0,824; A3 = 2,00;, \ . = 3.18, As: 3.90
y por lo
tanto nosotros nota que nosotros obtenido en p 1 un bueno aproximacin a A, pero p2 y p3 hacer
no representan aproximaciones a valores propios.
1

10.3.4 Ejercicios
7.
Considerar la eigenproblema
-1
4

-1
-1 !> = A O 2 1 f>

2o11
Realizar la esttico condensacin como en
general realizado [Ver ( 10.46)] y entonces por la Rayleigh
Ritz anlisis procedimiento [Ver ( 10,51)].
8. Considerar la eigenproblema en Ejercicio 10.1. Realizar un Rayleigh-Ritz anlisis con l
a dos vectores
a calcular una aproximacin a la ms pequeo valor propio y correspondiente vector propio.
9. Ella es ser reclamado que Si, en la solucin de la generalizada eigenproblema K
f> = AM f>, la Ritz vectores son

"'1 = !> T + 2 1> 2

"'2 = 3 f> t - 1> 2
donde
f>
ty
!>
2 son la vectores
propios correspondiente a En y A 2 , entonces la Anlisis
de
RayleighRitz voluntad dar la exacto valores propios En y A2 y la correspondientevectores propios
f> y 1> 2. Mostrar explcitamente que este resultado es en efecto obtenido.
Considerar la siguiente primavera sistema.
a. Evaluar la exacto ms
pequeo frecuencia de la sistema.
(B) Evaluar una aproximacin de la ms
pequeo frecuencia por uso la componente modo synthe
sis tcnica en Seccin 10.3.3. Uso slo la vector
propio de la ms
pequeo frecuencia de cada componente en la sistema.
1

10.

Componente 1

-------------,
/K m*\
l 1

....

_ ------------ ""

K = 10
k= 1
m=2m*= 1

4.

SOLUCIN ERRORES

Una importante parte de una valor

propio y vector solucin es a estimacin la precisin con
la
cual la necesario eigensystem tiene estado calculado. Desde unaeigensyst
em solucin es
necesariamente iterativo, la solucin debera ser finalizado una
vez convergencia dentro la descripre tolerancias dando la real precisintiene estado obtenido. Cundo uno
de la aprox
imate solucin tcnicas esbozado en Seccin 10.3 es utilizado, una estima
cin deEl real precisin
de
la
solucinobtenido es de curso tambin importante.
1.
Error
L
m
it
e
s

En orden a identificar la precisin que tiene estado obtenido en una eigen

solution, nosotros retirada que la ecuacin a ser resuelto es
K = AM

(10.96)

Dejar nosotros primero asumir que uso cualquier uno solucin procedimi
ento obtuvimos una aproximacin X y <F> Toan eigenpair. Entonces sin r
especto a cmo lavalores tener estado obtenido, nosotros puede
evaluar un residual vector que da importante informacin acerca
de la precisin con que
X y <F> aproximado la eigenpair. La resultados son dado en (10.101) a (
10.104). Nosotros entonces
presente tambin error encuadernado Clculos til en soluciones basado e
n inverso iteraciones y un
simple erro
r medir.
Estndar Eigenproblema

Considerar primero que M = l. En que caso nosotros lata escribir

r=K-X
y uso la relaciones en (10.12) y (10,13), nosotros tener
r = CIA (A - XI) CLA r (i)
o porque X es no igual pero slo cerca a una valor propio, nosotros tener
Ci) = CIA (A - Xlt1cl rr

Por lo tanto, porque 11 <F> llz = 1, toma normas nosotros obtener

1 : S;

II <A - XI) - 11211 rll2

1

(10.97)
(10.98)
(10.99)
(10.100)

Pero desde
nosotros tener

II (A- XI) - 112 = m x Al IA

1

min lA; - XI : 511 rll2

1

(10.101)

Por
lo
tanto, un concluyente declaracin lata ser hecho acerca
de la precisin con que compaeros
de
Approxi una valor
propio A; por evaluacin llrllz comoexpresada en (10,101). Este es bastante dife
rente
de la informacin que podra ser obtenido desde la evaluacin de la residual vec
tor r en el solucin de la estticoequilibrio ecuaciones.

Aunque la relacin en ( 10.101) establece que X es cerca Toan valor

propio a condicin de que 11 r llz es pequea, ella debera ser
reconocido que la relacinhace no decir que valor propio
es aproximada. De
hecho,
para identificar que especfico valor
propio tiene estado aproximado, ella es
necesario a uso la Sturm
propiedad
secuencia (Ver Seccin 1 0.2.2
y la siguiente ejem plo).

Ejemplo 10.19: Considerar la eigenproblema K

= La . donde

K = [- - - ]
o -1 3
La eigensolution es En
Asumir que nosotros calculado

= 1, A2 = 3, A3 = 4, y
3

1
= _ [- ]

v31
X = 3.1 y
0.7 ]

= 0,1414
[

-0,7
como aproximaciones a A2 y 2 Aplicar la error encuadernado relacin en (10,101).
Nosotros tener en este caso
r = - 1 marzo-1febrero - 1 ] [0 0 1 4 1 1 4].. - 3. 1
[

[1] [0. O 1.

4 7 1 4]

o -1 3 -0,7 -0,7 1

Por lo tanto
-0.2114]
r = -0.1555 ; [
-0.2114

llrll2 = 0.3370
1

La re1ation en (10.101) ahora da

A2 - X 1 :: s; 0.3370
que es en efecto verdadero porque X - A2 = 0.1.
Asumir ahora que nosotros tener calculado slo X y Ci) y hacer no saber que val
or
propio y
vector
propio ellos aproximada. En
este caso nosotros puede
utilizar la re1ation en( 10.101) a establecer lmites
en la desconocido exacto valor
propio en orden a app1y Sturm secuencia cheques (Ver Seccin 10.2.2).
Para la ejemplo considerado aqu nosotros tener
2.7630 : S A; ::
5 3.4370
Dejar nosotros uso como un 1ower encuadernado 2.7 andas una superior encuadernado 3
.5. La LDLr triangular factorizacin de K - LI da, en #L = 2,7,

r-31
-1

O]

-0,7 -1
o -1 0,3
-3.333

-4,033
0,2479

y en #L

= 3,5,

C0.5 o ] ['-0,5
-1

-1 -1,5 -1

21

-1 -0,5 -2 o

(A)

0,3248

0.5 (b)

_, _,] ['

-;]

Pero ya
est es uno negativo e1emento en D en (A) y ya
est son dos negativo e1ementos en D en
(b); Por
lo
tanto, nosotros lata concluir que 2.7 < A < 3.5. Por
otra
parte,ella siguiente que X y Ci) son aproximaciones a A y 2.
2

En vista de ahora la precisin con que

<F> se aproxima una vector propio, una anlisis

equivalente a este uno no slo requiere la evaluacin de

LLR 1!

2 pero la espaciamientoentre la
individual valores
propios es tambin sea
necesario. En real anlisis este espaciamiento es conocido slo aprox
madamente porque valores propios han sido evaluado en! I toa especficoacc acy.
Asumir que
aproxima
la valores

<F> tener estado calculado, donde <F> ll2 = 1, y que se

11

propios ;, yo = p, ... , Q. Para la error anlisis nosotros tambin asumir que la valores
propios
; para todos yo pero yo i
= p, ... , q son conocido (Aunque nosotros hara necesitar a uso la valores
propios
calculados aqu). La final resultado de la precisin anlisis es que si

lA;

- XI <llrll2 para i = p, ... , Q y ; - X > s para todos yo, yo i

= p, ... , q, entonces ya
est es un vector el) = APA j> p
+ + aq <f> q, para que ll <f> - el) ll2 < llrllds (Ver Ejemplo 10,20). Por
lo tanto, si X es una
aproximacin toa solo valor propio ;, la correspondiente vector <F> es una aproximacin a
<F>
;, dond
1

e
s = miniA-XI
allj

(10.102)
Sin
embargo, si es cerca toa nmero de valores
, entonces la anlisis slo muestra

propios A

p ... , Q

que la correspondiente vector <F> es cerca toa vector que mentiras en lasubespacio correspo
ndiente
a <F>
p, .

. , <F>
qa
En practica! anlisis (Es
decir, modo
de
superposicin en dinmica respuesta cl
culos), este es ms probable todos que es necesario porque la cerca valores
propios mayo casi ser tratado con como igual valores propios, en que caso la vectores propios
calculados hara tambin no ser
nico pero mentira en la subespacio correspondiente a laigual valores
propios. En la siguiente nosotros
primero dar la prueba para la precisin con que
propio y entonces

<F> se

aproxima una vector

demostrar la resultados por medio de ejemplos.

Ejemplo 10.20: Asumir que nosotros tener calcu1ated

X, . con 11 ll2 = 1, como v

alor
propio y
propio aproximaciones y que K - X = r. Considerar la caso en que
S

vector

1 A; - X 1 :

llrll2 para = 1, ... , q y lA;

- XI ; ::: s para yo = q + 1, ... , n. Show que 11 - Ci) LL2 :

s, donde cj) es un vector en la subespacio que corresponde a .... ,
qa

La calcu1ated vector propio aproximacin puede ser escrito como

n

= La; ;
i=l

Uso cj) =

a; ;,
i=l

o, porque T = SIJ,
Pero
o
1

(A)

nosotros tener

llrll2

que da

llrlb
n

una:) 1/2
(B)
1

Por lo tanto, combinando (A) y (B), nosotros obtener

11 (j) - ci> 112 : 5

! KFU
S

Ejemplo 10.21: Considerar la eigenproblema en Ejemplo 10.19. Asumir que En y A

3 se
conocen (Es
decir, En = 1, A3 = 4) y que X y
!
> dado en Ejemplo 10.19 tener estadoevaluado. (En

real anlisis nosotros hara tener slo aproximaciones a En y A 3 , y todos error encuader
nado clculos
hara ser aproximados.) Estimacin la precisin con que
!>se
aproxima f> 2 .
Para la estimacin nosotros uso la relacin en ( 10.102). En este caso nosotros tener
con

min ! Al1 = 1,3

Por lo tanto, desde X = 3,1, nosotros tener s = 0.9 y

11 (J) - A2A !> 2ll2 : 5 0.3744
Evaluacin 11 !> - !> 2ll2 exactamente, nosotros tener
11a > - 1> 2112 = [(O.7-

0.7

y+

(0.1414- 0)

(-

+ Ao

= 0.1418
Ejemplo 10.22: Considerar la eigenproblema Ka f>

= AA f>, donde

K = [J
La valores propios y vectores propios de la problema son
11

A2 = 101, 1> 2 =

v '2
-

[-

Asumir que nosotros tener calculado valor propio y vector

propio aproximaciones A

= 100, !

->

[1]

Evaluar r y as establecer la relaciones dado en ( 10.101) y ( 10.102).

En primer lugar, nosotros calcular r como dado en ( 10,97),

Por lo tanto, llrll2 = 1 y (10.101) rendimientos

miniA-

XI : 51
1

(A)

Por lo tanto, nosotros lata concluir que una valor

propio tiene estado aproximada con acerca de 1 por ciento o
menos error. Desde sabemos En y A2, nosotros lata comparar X con En oA2 y encontrar
que (A) hace en efecto
bo l d.
En vista de ahora la vector propio aproximacin f>, nosotros nota que
f> hace no aproximar cualquiera f> t o !> 2
Este es tambin reflejada por evaluacin larelacin ( 10.102). Suponiendo que
f> es una
aproximacin a !> T. que da s = 1, nosotros tener
11 (J) - un 1 !> t lb : 5 1

Del mismo modo, asumiendo es decir una aproximacin a

2.

nosotros obtener

11 - a2 2ll2 S: 1
y en ambos casos la encuadernado obtenido es muy grande (Nota que

ll 1ll2 = 1 y ll 2

libras = 1),
indicando que hace no aproximado una vector propio.
Generalizad Eigenproblema
Considerar ahora que nosotros desear a estimacin la precisin obtenido en la solucin
de un eigenproblema generalizada K <f>

= AM

<f>. Asumir que nosotros tener calculado como unaaproximacin a ; y

<F>; la valores

X y <F>. Luego, en analoga a la Clculos realizado anteriormente, nosotros lat

a
calcular una error vector RM, donde

K - XM (i) (10.103)

rM =

En orden a relacionar la error vector en ( 10.103) a la error vector que corresponde a la

norma eigenproblema, nosotros uso M

= Ssr, y luego
r

donde r

= s-

RM,

= icf, - Xcf,

<F) = sr <F>, y K = s-

(10.104)

Ks-r (Ver

Seccin 10.2.5). Ella es la vector s- IM que nosotros hara necesitar a utilizar, Por lo
tanto, a calcul a te la errorencuadernado g i ven en ( 1 O. 1 O 1). Estos
error encuadernado Clculos hara exigir la factorizacin de M en ssr, donde ella es asumido
que Mis positivo definida.
Durante Clculos
En real clculos nosotros frecuentemente uso la mtodo de inverso iteracin (Ver Secciones 11.
2
y 11.6), y entonces una error encuadernado basado en la siguiente evaluaciones lata serobtenid
o de manera eficiente (Ver H. Matthies [A] y tambin Ejercicio 10,11). Dejar
Entonces nosotros tener
1

Nyn
_
1

; -

p()

Mpc,
{(Cf, TMA f,)

K=

s; TM

_} Medio
- [P ( ) J2

(10.105)
(10.106)
y
min

1 ; -

A; O ;

TM

(10.107)

p (Ci))

s;

{1 - (p5 (i})) 2} 1/2

A

donde p (<f>) es la Rayleigh cociente,

- (I} conocimientos tradicionales (i}

p()

= TM

Nosotros voluntad ver que ( 10.

05 1) es la tpico paso en una inverso iteracin, Lanczos iteracin, y subespacio iteracin, y p
(<f>) es en prctica tambin casi siempre calculadoporque deEl
bueno aproximacin calidad de los Rayleigh cociente a una valor propio. Aviso tambin que el
trmino cl>
rMcl> / <F> rM
<f> consiste de dos nmeros que son fcilmentecalculado en la iteraciones.
Mientras la arriba error lmites son muy efectiva, ella es finalmente
tambin de inters a considerar la siguiente simple error medir:

IIK (i) - XM (i) ll2

E = IIK 112 (10.lOS)
A evitar la factorizacin de M nosotros podemos en
lugar considerar la problema Me, = A - Kc, si la factorizacin
de K es ya disponible, y entonces establecer lmites en A 1

Dado
que, fsicamente, K
<f> representa la elstico nodal punto fuerzas y AM <f> representa la
inercia nodal punto fuerzas cundo la finito elemento montaje es vibrandoen la
modo <F>,
que evaluar en ( 10.108) la norma de fuera
de
equilibrio nodal punto fuerzas dividido por la norma
de nodal
elstica punto fuerzas. Este cantidad debera ser pequeo si X y <F> son una e
xacto
solucin de una ei
genpair.
Si M = 1, ella debera Debe observarse que nosotros lata escribir
y Por lo tanto,
XE = / Lrll2
E 2 ::

m m. 1

A; -

XI

(10.109)
; '---' - A = ---- '(10.110)

Ejemplo 10.23: Considere la eigenproblema K = AM , donde

K

= [ 10 -Lo] M = [2 1]

-10 100 '1 4

La exacto valores propios y vectores propios a 12 dgitos precisin son

A1 = 3.863385512876;
0.640776011246]
1

[,105070337503

-0.40 1 041 986 380]

A2 = 33,279471629982;
2 = [

0.524093989558
Asumir que (Yo) = ( 1 + s 2) c, donde e es tal que (I) TM = 1 y S = 10-1, 10-3, y 10-6
Para cada valor de S evaluar X como la Ray1eigh cociente de (Yo) y calcu1ate la lmites de
error basado en (10.104), (10.106), y la error medir E dado en (10,108).
La siguiente tab1e resume la resu1tados obtenido. La ecuaciones usado a evaluar las
cantidades son dado en ( 10.103) a ( 10.108). La resultados en la tab1e show que para cada val
or de S laerror lmites son satisfecho y que E es tambin pequeo para una exacto solucin.
S

10-1 10-3

10-6
0.597690792656 ,640374649073
0,640775610204
0.156698194481 ,105594378695 0,105070861597

4LK 4,154633890275 3,863414928932 3,863385512905

X 4,154633890275 3,863414928932 3,863385512905
-1.207470493734 -0,008218153965 -0,000008177422
rM 4,605630581124
,049838803226 ,000049870085
1.634419466242 0,021106743617
0,000021152364
1.411679295681 ,015042545327
0,000015049775
JA1- XJ 0,291248377399 0,000029416056 ,000000000029
Bound 2,159667897036 ,025918580132 ,000025959936 (10.101 / 10.104)

Bound 2,912483773983 ,029416056744 0,000029433139

(10.106)
Mida 0,447113235813 0,007458208660 0,000007491764
(10.108)

886 Preliminares a
2.

la Soluciones de Eigenproblems Cap. 10

Ejercicios
11. La siguiente error encuadernado es discutido por J. Stoer y R. Bulirsch [A]. Dejar La s
er un simtrico matriz y A; ser una valor propio de A; entonces
min

lA; -

xrAx

:5

i XTX

para cualquier vector x

* O.

Show que (10.105) a (10.107) seguir desde este frmula.

12.

Considerar la eigenproblema en Ejercicio 10.1. Dejar

Calcula utilizando (10.105) y p ( ). Estos valores, p (Ci)) y Ci), son ahora la mejor las
approxima a una valor propio y vector propio.
Establecer la error lmites (10.101) [con (10.103)] y (10,106). Tambin evaluar la error
medir (10,108).