Acta Agrophysica, 2005, 6(3), 795-813
ALGORYTM APROKSYMACJI SPEKTRUM RETARDACJI ROŚLINNYCH MATERIAŁÓW LEPKOSPRĘśYSTYCH FUNKCJAMI LEGENDRE’A
Anna Stankiewicz
Katedra Podstaw Techniki, Akademia Rolnicza ul. Doświadczalna 50A, 20-280 Lublin
e-mail: anna.stankiewicz@ar.lublin.pl
S t r e s z c z e n i e . W pracy rozwaŜa się problem wyznaczania spektrum retardacji liniowych mate-riałów lepkospręŜystych na podstawie dyskretnych zakłóconych pomiarów czasowych przebiegów funkcji pełzania (retardacji), zgromadzonych w standardowym teście pełzania. Zaproponowano metodę aproksymacji ciągłego spektrum częstotliwości retardacji skończoną sumą ortonormalnych funkcji Legendre’a. Problem wyznaczania spektrum retardacji jest źle uwarunkowanym problemem odwrot-nym. Do stabilizacji jego rozwiązania zastosowano technikę regularyzacji Tichonowa ze współczyn-nikim regularyzacji dobranym uogólnioną metodą sprawdzania krzyŜowego (GCV). Pokazano, Ŝe dokładność aproksymacji spektrum retardacji zaleŜy zarówno od zakłóceń w pomiarach funkcji pełzania oraz wartości współczynnika regularyzacji, jak i odpowiedniego doboru parametrów i liczby funkcji bazowych. Załączono wyniki eksperymentu numerycznynego.
S ł o w a k l u c z o w e : lepkospręŜystość, spektrum retardacji, algorytm identyfikacji, regularyzacja, funkcje Legendre’a
WSTĘP
Spektrum retardacji, lub równowaŜnie spektrum relaksacji, fundamentalne dla modeli konstytutywnych ośrodków liniowo lepkospręŜystych, niesie pełną infor-mację o właściwościach mechanicznych tych materiałów. Spektra relaksacji i retar-dacji są uŜytecznym narzędziem badania materiałów lepkospręŜystych, poniewaŜ na ich podstawie moŜna wyznaczyć dowolne inne liniowe charakterystyki opisujące materiały w dziedzinie czasu a takŜe w dziedzinie częstotliwości, w szczególności te charakterystyki, które są wykorzystywane współcześnie w obliczeniach inŜynier-skich, wymagających jak FEM i BEM szczegółowej wiedzy o zjawiskach dyna-micznych zachodzących w materiałach [11,14].
Zarówno spektrum retardacji jak i spektrum relaksacji nie są wprost dostępne pomiarowo, muszą więc być wyznaczane w oparciu o pomiarowo dostępne charakterystyki materiałów. Większość znanych w literaturze metod wyznaczania spektrum relaksacji lub retardacji, opracowanych głównie dla polimerów, bazuje na danych zgromadzonych w wyniku testu, w którym materiał poddawany jest odkształceniom oscylacyjnym o małej amplitudzie w dostatecznie duŜym zakresie częstotliwości [4,12,14-15]. Tylko kilka metod, przeznaczonych głównie do wyznaczania spektrum relaksacji materiałów biologicznych, opartych jest o po-miary przeprowadzane w dziedzinie czasu [5,8,16,18-20,21]. Metody Ter Haara [21] i Fujihary i in. [5] nie gwarantują wyznaczenia spektrum relaksacji z zada-walającą dokładnością, przede wszystkich jednak nie uwzględniają złego uwarun-kowania zadania identyfikacji spektrum, co praktycznie uniemoŜliwia ich zastosowanie w przypadku zakłóconych danych pomiarowych. W pracach [18-20] przedstawiono algorytmy identyfikacji spektrum czasów i częstotliwości relaksacji, w których dla zagwarantowania dobrego uwarunkowania zadania zastosowano róŜne techniki stabilizacji. W literaturze brak jest natomiast algorytmów iden-tyfikacji spektrum retardacji na podstawie danych zgromadzonych w dziedzinie czasu w teście pełzania, który jest dla materiałów pochodzenia roślinnego podsta-wowym źródłem informacji o ich właściwościach mechanicznych [2,17].
W tej pracy zaprezentowano metodę wyznaczania spektrum częstotliwości retardacji na podstawie dyskretnych pomiarów funkcji pełzania zgromadzonych w standardowym teście pełzania, bazującą na sprowadzeniu ciągłego zagadnienia identyfikacji spektrum retardacji do liniowo-kwadratowego problemu dyskretnego za pomocą rozwinięcia spektrum względem ortonormalnej bazy w przestrzeni funkcyjnej. Jest to podejście stosowane zarówno w teorii aproksymacji, jak i w za-daniach identyfikacji obiektów dynamicznych z czasem ciągłym [1].
MATERIAŁ I METODY Spektrum retardacji
W zakresie niewielkich deformacji związek między odkształceniem ε
( )
t anaprę-Ŝeniem σ
( )
t w materiale lepkospręŜystym opisuje całkowe równanie konstytutywne oparte o zasadę superpozycji Boltzmanna [3,14]( )
(
τ) ( )
σ τ τ ε t J t d t &∫
∞ − − =gdzie J
( )
t jest funkcją pełzania (retardacji). Dla lepkospręŜystych materiałów po-chodzenia roślinnego, takich jak wysoko uwodnione warzywa i owoce, funkcja pełzania J( )
t jest dana modelem Kelvina [2,17]( )
t J L( )
ν(
e ν)
dνJ = +∞
∫
− −t0
0 1 (1)
gdzie J0 to podatność natychmiastowa, natomiast funkcja L
( )
ν oznacza spektrum częstotliwości retardacji, które charakteryzuje frakcję elementów modelu (1) o często-tliwościach retardacji zawierających się pomiędzy ν a ν +dν [3,14].Identyfikacja [1] spektrum retardacji L
( )
ν sprowadza się do numerycznego problemu wyznaczenia rozwiązania całkowego równania Fredholma 1-go rodzaju (1) na podstawie dyskretnych danych pomiarowych. Praktyczna trudność w iden-tyfikacji spektrum retardacji ma źródło w problemie matematycznym, bowiem jak wiadomo zadanie to jest źle postawionym problemem odwrotnym [14,15,22] i jego rozwiązanie wymaga stosowania specjalnych metod. W tej pracy zapropo-nowano metodę identyfikacji spektrum retardacji, w której spektrum retardacji( )
νL przybliŜa się kombinacją liniową ortonormalnych funkcji Legendre'a.
Podstawy matematyczne algorytmu
Będziemy zakładać, Ŝe funkcja L
( )
ν ∈L2(
0,∞)
. Funkcje Legendre’a dane wzorem [10]( )
(
k)
e P(
e)
, k ,, ,pk ν = 2α 2 +1 −αν k1−2 −2αν =01K (2)
gdzie Pk
( )
x są wielomianami Legendre’a zdefiniowanymi róŜniczkowym wzorem Rodriguesa [10]( )
( )
x , k , , , dx d k x P k k k k k 1 01K 2 1 2− = = ! ,tworzą zupełny ortonormalny układ bazowy w przestrzeni L 02
[
,∞)
funkcji całkowalnych z kwadratem w przedziale[
0,∞)
.Spektrum retardacji L
( )
ν będziemy przybliŜać za pomocą kombinacji liniowej K pierwszych elementów ciągu funkcyjnego{
pk( )
ν}
postaci( )
∑
−( )
= = 1 0 K k k k K g p L ν ν (3)Oznacza to przybliŜenie funkcji pełzania J
( )
t funkcją( )
∑
−( )
= + = 1 0 0 K k k k K t J g t J ϕ (4)gdzie ϕk
( )
t pk( )
ν(
e−tν)
dν ∞ − =∫
1 0 (5).Podstawowe znaczenie dla konstrukcji algorytmu identyfikacji spektrum retardacji ma następujące twierdzenie, które precyzuje postać funkcji bazowych
( )
tk
ϕ (5). Dowód twierdzenia podano w Dodatku.
Twierdzenie. Niech k ≥0, α >0 i t≥0 . Dla funkcji bazowych Legendre’a
( )
ν kp funkcje ϕk
( )
t (5) dane są wzorem( ) ( ) ( ) ( ) [ ] ( ) [ i t] , k ,, , t i k k t k i k i k 01K 1 2 1 2 1 2 1 1 2 2 0 1 0 = + + − + + − + = ∏ ∏ = − = α α α α ϕ (6)
lub, równowaŜną, prostą formułą rekurencyjną
( )
( )
[
[
(
(
)
)
]
]
(
)
(
k) (
[
(
k)
)
t]
, k ,, , k t k t k t k k k t t k k K 1 0 3 2 1 2 1 3 2 2 4 3 2 1 2 1 2 3 2 1 = + + + + + + + + − + + + = + α α α α ϕ ϕ (7) zaczynając od( )
(
t)
t t + = α α ϕ0 2 (8)Rys. 1. Funkcje bazowe ϕk( )t (6) dla k=0÷3, parametr α = 0,03 i α = 0,3 Fig. 1. The basis functions ϕk( )t (6) for k=0÷3, parameter α = 0.03 and α = 0.3
2 0 5 10 1 Czas t Time t, s F u n k cj e b az o w e ϕk (t ), P a -1 B as is f u n ct io n s ϕk (t ), P a -1 α = 0,3 ( )t 0 ϕ ( )t 1 ϕ ϕϕ23( )( )tt 0 0.5 1 2 Czas t Time t, s F u n k cj e b az o w e ϕk (t ), P a -1 B as is f u n ct io n s ϕk (t ), P a -1 α = 0,03 ⋅⋅⋅⋅0.5 ϕ0( )t ( )t 1 ϕ ϕϕ23( )( )tt
Funkcje
ϕ
k( )
t
(7) to funkcje wymierne zmiennej rzeczywistej t ≥0. Przebiegkilku pierwszych funkcji
ϕ
k( )
t
dla dwu róŜnych parametrów α przedstawionona rysunku 1.
Problem przybliŜania spektrum retardacji L
( )
ν kombinacją liniową funkcji Legendre’a LK( )
ν został więc sprowadzony do problemu aproksymacji funkcji pełzania J( )
t skończoną sumą JK( )
t (4) funkcji wymiernych ϕk( )
t (6).Problem identyfikacji
ZałóŜmy, Ŝe przeprowadzono skończony eksperyment dyskretny, którego rezultatem jest zbiór pomiarów funkcji pełzania J
( )
ti = J( ) ( )
ti +z ti w chwilach czasu ti ≥0 , i=1,K,N, gdzie z( )
ti jest addytywnym błędem pomiarowym. Jako miarę dokładności modelu (4) będziemy przyjmować klasyczny kwadratowy wskaźnik jakości, który definiując macierz i wektor( ) ( ) ( ) ( ) ( ) ( ) = − − 1 1 1 1 0 1 1 1 1 1 0 N K N N K N,K t t t t t t ϕ ϕ ϕ ϕ ϕ ϕ K M O M M M K Ψ Ψ Ψ Ψ ( ) ( ) = N N t J t J M 1 J (9)
moŜna zapisać w postaci
( )
[
( )
( )
]
2 1 2 K K N N N i i K i K N J t J t Q g = ∑ − = J −ΨΨΨΨ , g = (10)gdzie gK =
[
g0 K gK−1 J0]
T jest(
K+1)
elementowym wektoremniezna-nych współczynników w modelu (4), zaś
⋅
oznacza normę euklidesową w przestrzeni RN (dalej takŜe w przestrzeniach RK oraz RK+1).Problem identyfikacji spektrum retardacji w klasie funkcji LK
( )
ν postaci (3) sprowadza się więc do rozwiązania, względem gK , klasycznego liniowego problemu najmniejszej sumy kwadratów2 1 N N K K RK K min J , g g Ψ ΨΨ Ψ − + ∈ (11)
Problem identyfikacji ciągłego spektrum retardacji został więc sprowadzony do dyskretnego problemu najmniejszych kwadratów (11). Jak wiadomo [9,18-20, 22] zadanie to jest źle postawione w sensie Hadamarda [22] i nawet bardzo małe błędy w pomiarach mogą spowodować znaczne fluktuacje rozwiązania. Tradycyj-nie stosowanym remedium jest ograniczeTradycyj-nie zbioru rozwiązań dopuszczalnych lub odpowiednia regularyzacja problemu [22]. W tej pracy stosujemy obie
techniki równocześnie. Funkcję L
( )
ν przybliŜono kombinacją liniową funkcji Legendre’a (3), dla zapewnienia dobrego postawienia zadania zastosujemy technikę regularyzacji Tichonowa [22], polegającą na stabilizacji rozwiązania zadania (11) poprzez minimalizację zmodyfikowanego wskaźnika jakościK K K N N RK K min J , g g g 2 2 1 − +λ + ∈ ΨΨΨΨ (12)
gdzie λ >0 jest parametrem regularyzacji. Zadanie (12) jest dobrze uwarunko-wane i posiada jednoznaczne rozwiązanie:
(
N KT N K K ,K)
N KT NK I J
gλ =ΨΨΨΨ , ΨΨΨΨ , +λ +1 +1−1ΨΨΨΨ , (13) gdzie IK,K oznacza K×K wymiarową macierzą jednostkową. Wektor gλK (13) jest ciągłą funkcją zarówno macierzy ΨΨΨΨN ,K jak i wektora JN.
Wzór (13) ma znaczenie głównie teoretyczne, do konstrukcji numerycznego algorytmu wyznaczania macierzy odwrotnej w (13) zastosujemy technikę dekom-pozycji macierzy względem wartości szczególnych (SVD) [9]. Zastosowanie tej techniki uprości takŜe rozwiązanie zadania doboru współczynnika regularyzacji.
Podstawy algebraiczne algorytmu
Niech rozkład SVD macierzy ΨΨΨΨN,K przyjmuje postać [9] T K N, UΣΣΣΣ V Ψ Ψ Ψ Ψ = (14)
gdzie macierz ΣΣΣΣ ∈RN,K+1 jest macierzą utworzoną z niezerowych wartości szczególnych σ1,K,σr macierzy ΨΨΨΨN,K [9]
(
1,K, ,0,K,0)
r diag σ σ = ΣΣΣΣ(
N,K)
r =rządΨΨΨΨ , zaś V ∈RK+1,K+1 i U∈RN,N są macierzami ortonormalnymi. Na podstawie wzoru (14), wykorzystując ortonormalność macierzy V , mamy
(
)
(
)
(
)
T ,K K T ,K K T T ,K K K N T K N V I V I V V I , , 1 1 1 1 1 1 + + + + + + + = + = + λ λ λ ΣΣΣΣ ΣΣΣΣ ΣΣΣΣ ΣΣΣΣ Ψ Ψ Ψ Ψ Ψ Ψ Ψ Ψ (15)a stąd ,wykorzystując ponownie ortonormalność macierzy V , otrzymujemy
gdzie ΛΛΛΛ jest
(
K+1) (
× K +1)
wymiarową macierzą diagonalną postaci(
)
(
)
(
1 σ12+λ ,K,1 σ2+λ ,1λ,K,1λ)
=diag r Λ ΛΛ Λ (17)Ostatecznie więc na podstawie wzorów (13) oraz (15)-(17) parametr gλK dany jest formułą
gλK =VΛΛΛΛVTΨΨΨΨN,KT JN (18)
Dobór parametru regularyzacji
Skuteczność stosowania techniki regularyzacji Tichonowa zaleŜy od metody doboru parametru regularyzacji. Dobór współczynnika regularyzacji jest sztuką wymagającą zarówno intuicji, dobrych heurystyk, jak i często wiedzy aprio-rycznej o zakłóceniach. Generalnie parametr λ dobiera się tak, aby uzyskane rozwiązanie gλK było moŜliwie bliskie rozwiązaniu, jakie uzyskalibyśmy dla pomiarów bezszumowych. Wśród wielu metod zaproponowanych dla doboru parametru regularyzacji λ najczęściej wymienia się: zasadę nie zrównowaŜenia Morozowa, technikę L-krzywej, kryterium quasi-optymalności oraz uogólnioną metodę sprawdzania krzyŜowego (Generalized Cross Validation-GCV). Dwie pierwsze metody wymagają znajomości wariancji zakłóceń obciąŜających pomiary, w pozostałych nie jest to konieczne. W pracy [18] zastosowano prostą regułę doboru współczynnika regularyzacji, która uwzględniając wprost wartość wskaź-nika jakości identyfikacji, gwarantuje załoŜoną dokładność modelu, podczas gdy w [19] parametr λ dobiera się tak, aby zagwarantować z góry załoŜoną wartość normy z gλK.
W tej pracy zastosujemy technikę GCV, o jej wyborze decyduje zarówno prosta idea, elegancja matematyczna oraz łatwy w implementacji algorytm jak I to, Ŝe dla zastosowania GCV nie jest niezbędna Ŝadna wiedza aprioryczna o zakłóceniach w pomiarze funkcji pełzania. Schemat doboru współczynnika regularyzacji metodą sprawdzania krzyŜowego (CV) został zaproponowany w [23], a następnie uogólniony w [7] i [13]. Idea CV jest następująca: dla danego parametru regularyzacji λ dzielimy zbiór danych na dwa podzbiory, jeden z nich jest wykorzystywany do wyznaczenia rozwiązania zregularyzowanego, drugi podzbiór zaś wykorzystywany jest do oceny błędu aproksymacji. Parametr λ dobiera się tak, aby minimalizował on sumę błędów dla danych z drugiego podzbioru dla wszystkich moŜliwych podziałów. W uogólnionej zasadzie spraw-dzania krzyŜowego, zachowując ideę CV, dane poddaje się pewnemu przekształ-ceniu unitarnemu bazującemu na macierzy Fouriera [7,13], co oznacza, Ŝe GCV jest wersją CV inwariantną ze względu na obrót danych o wielokrotności kąta
N
π
2 . W pracach [7,13] pokazano, Ŝe dla układów liniowych parametr regulary-zacji zgodnie z zasadą GCV dobiera się jako globalne minimum
( )
λ λ λ GCV GCV arg minV 0 > = (19)tzw. funkcji GCV danej wzorem
( )
λ( )
λ 2(
trace[
M( )
λ]
)
2VGCV = r gdzie M
( )
λ jest macierzą postaci( )
(
)
T K N ,K K K N T K N K N N N, M λ = I −ΨΨΨΨ , ΨΨΨΨ , ΨΨΨΨ , +λ I +1 +1−1ΨΨΨΨ ,natomiast r
( )
λ = M( )
λ JN = JN−ΨΨΨΨN,K gKλ jest wektorem residualnym dla rozwiązania zregularyzowanego (13).Wykorzystując rozkład SVD macierzy ΨΨΨΨN,K (14), oraz wzory (16)-(18) i definiując N wymiarowy wektor Y =UT JN, występującą w liczniku funkcji
( )
λ GCVV normę z wektora residualnego r
( )
λ moŜna łatwo obliczyć jako funkcję wartości szczególnych σ1,K,σr oraz składowych wektoraY
postaci:( )
(
)
∑
∑
+ = = + + = N r i i r i i i y y 1 2 1 2 2 2 2 2 λ σ λ λ rRównieŜ ślad występujący w mianowniku funkcji VGCV
( )
λ dany jest prostym wzorem( )
[
]
∑ ∑ = = + = − + + − = r i i r i i i N r N M trace 1 2 1 2 2 λ σ λ λ σ σ λa stąd funkcja GCV dana jest dogodnym wzorem analitycznym
( )
(
)
2 1 2 1 2 1 2 2 2 2 + + − + + =∑
∑
∑
= + = = r i i N r i i r i i i GCV y N r y V λ σ λ λ σ λ λ (20)W pracy [7] pokazano, dla przypadku probabilistycznego, Ŝe funkcja
( )
λ GCVEV posiada w przedziale
[
0,∞)
przynajmniej jedno minimum lokalne 0≥
∗
λ . Generalnie jednak problem istnienia rozwiązania zadania optymalizacji (19) nie został rozstrzygnięty ani w pracach twórców metody i ich współpra-cowników [8,13], ani w licznych pracach poświęconych zastosowaniom zasady
minimum właściwe w przedziale
[
0,∞)
jest istnienie 1≤i≤r, takiego Ŝe 0≠
i
y , w przeciwnym bowiem przypadku VGCV
( )
λ (20) jest funkcją monoto-nicznie malejącą dla λ∈[
0,∞)
. PoniŜej wykazano, iŜ dla rozpatrywanego zadania identyfikacji spektrum retardacji warunek ten jest spełniony.Własność 1. Niech K ≥1, N ≥1 i α >0 . Wówczas istnieje 1≤i≤r, takie Ŝe 0
≠
i
y .
D o w ó d przeprowadzimy nie wprost. ZałóŜmy, Ŝe yi =0 dla i=1,K,r. Niech
N T T N T J U U J U Y Y Y = = = 2 1 2 1 (21)
gdzie Y1∈Rr, Y2∈RN−r, U1∈RN,r, a U2∈RN,N−r będzie rozkładem blokowym iloczynu Y =UT JN. RównieŜ
rozkład SVD
(14)macierzy
ΨΨΨΨN ,KmoŜna przedstawić w postaci blokowej
[
]
= = T T T K N 2 1 11 2 1 V V U U V U , 0 0 0 ΣΣΣΣ ΣΣΣΣ Ψ ΨΨ Ψ (22)gdzie macierz ΣΣΣΣ11=diag
(
σ1,K,σr)
, zaś V1∈RK+1,r a V2∈RK+1,K+1−r. Wyznaczymy iloczyn Y V J U V J W =ΨΨΨΨN,KT N = ΣΣΣΣT T N = ΣΣΣΣTNa podstawie (22) i (21) wykorzystując załoŜenie Y1=0r, gdzie 0r oznacza
r wymiarowy wektor zerowy, otrzymujemy
1 1 11 1 1 11 1 = = + = = T T K K N J V U J V Y 0 W ΨΨΨΨ , N ΣΣΣΣ N ΣΣΣΣ (23)
Równocześnie uwzględniając definicje macierzy ΨΨΨΨN ,K (9) i wektora JN (9), łatwo sprawdzić, Ŝe WK+1 =∑iN=1J
( )
ti , a poniewaŜ J( )
ti >0 dla i=1,K,N,równieŜ WK+1 >0, co jest sprzeczne z (23) i kończy dowód.
□
Łatwo zauwaŜyć, iŜ dowód tej własności wykorzystuje zarówno strukturę macierzy ΨΨΨΨN ,K o jednostkowych elementach ostatniej kolumny, która wynika ze struktury modelu Kelvina (1), jak i specyfikę procesu pełzania, w którym
( )
ti > 0J . Prosty wystarczający warunek a posteriori istnienia rozwiązania zadania (19) podaje kolejna własność.
Własność 2. Niech K ≥1, N ≥1, α >0 i r =rząd
(
ΨΨΨΨN,K)
< N. Jeśli[
]
[ ]
2 1 2 2 1 2 N r y N y N r i i N i i ∑ ≥ − ∑ + = = (24)to istnieje rozwiązanie zadania (19) doboru współczynnika regularyzacji metodą
GCV.
D o w ó d : Funkcja VGCV
( )
λ jest róŜniczkowalna dla dowolnego λ ≥0, na podstawie wzoru (20) łatwo wyznaczyć formułę analityczną dla pochodnej( )
λ dλdVGCV , i sprawdzić, Ŝe w szczególności
( )
[
]
3 1 2 1 2 1 2 0 r N y d dV r i i N r i i GCV − ∑ ∑ − = = + = σ λczyli
dV
GCV( )
0
d
λ
<
0
. Jeśli spełniona jest nierówność (24), to( )
[ ]
[
]
2( )
0 1 2 2 1 2 GCV N r i i N i i GCV y N y N r V V lim − = ∑ ≥ ∑ = + = = ∞ → λ λa to wraz z ciągłością funkcji VGCV
( )
λ implikuje istnienie jej minimum właści-wego λGCV w przedziale[
0,∞)
.Funkcja VGCV
( )
λ jest róŜniczkowalna dla kaŜdego λ, do rozwiązania zada-nia minimalizacji (19) moŜna więc zastosować dowolną gradientową technikę optymalizacji.WYNIKI I DYSKUSJA Analiza
Zastąpienie wyjściowego zadania najmniejszych kwadratów (11) zmodyfiko-wanym problemem optymalizacji (12) słuŜyło ograniczeniu fluktuacji rozwiąza-nia gλK. Ocenę skuteczności tego podejścia umoŜliwia następujące oszacowanie wynikające wprost z Własności 1 w [18]
(
)
1 2 2 2 1 2 2 2 2 2 N K r i i i r i GCV i i i K y y GCV g g < = + =∑
∑
= = σ λ σ σ λ (25)gdzie gKN jest rozwiązaniem normalnym zadania (11). Równość we wzorze (25) ilustruje mechanizm stabilizacji rozwiązania GCV
K
λ
przyj-muje parametr λGCV, tym silniej ograniczone są fluktuacje wektora GCV K
λ
g .
Szczegółowe omówienie procesu stabilizacji rozwiązania GCV K
λ
g podano w [18]. PoniewaŜ funkcje bazowe
{
pk( )
ν}
są ortonormalne w przestrzeni L 02[
,∞)
, dla dowolnego LK( )
ν postaci (3) zachodzi równość( ) ( )
= ∑[ ]
∑ ∑ = − = − = − = ∞∫
1 0 2 1 0 1 0 0 2 1 K k k K k K j k j k j K g g p p d g L ν ν νgdzie ⋅ 1 oznacza normę kwadratową w przestrzeni L 02
[
,∞)
. Stąd, poniewaŜ[
]
TK K = g0 K g −1 J0
g , otrzymujemy proste oszacowanie
[ ]
[ ]
2 2 0 2 1 0 2 2 1 K K K k k K g J L =∑
− = g − ≤ g = (26)Wygładzenie rozwiązania problemu dyskretnego (11) gwarantuje więc równo-cześnie ograniczenie fluktuacji spektrum retardacji LK
( )
ν , w szczególności zape-wnia ograniczenie fluktuacji wyznaczonego spektrum( )
∑
−( )
= = 1 0 K k k K K g p Lˆ ν λGCV ν (27)Funkcja LˆK
( )
ν (27) jest więc przybliŜeniem w klasie funkcji (3) rzeczywistego spektrum retardacji L( )
ν optymalnym w sensie kwadratowego wskaźnika jakości identyfikacji QN( )
gK (10) o ograniczonej fluktuacji LˆK < gKN1 .
Spektrum LˆK
( )
ν (27) stanowi oczywiście jedynie przybliŜenie spektrum, które moŜna by uzyskać w klasie funkcji postaci (3), minimalizując wprost (bez regularyzacji) kwadratowy wskaźnik jakości identyfikacji dla pomiarów dokład-nych, czyli przybliŜenie funkcji( )
∑
−( )
= = 1 0 K k k N k N K g p L ν ν (28)gdzie gKN jest rozwiązaniem normalnym wyjściowego zadania najmniejszych kwadratów (11), jakie uzyskalibyśmy dla pomiarów bezszumowych. PokaŜemy,
Ŝe dokładność aproksymacji zaleŜy zarówno od zakłóceń w pomiarach, jak I współczynnika regularyzacji λGCV.
Własność 3. Niech K ≥1, N ≥1 i α >0 . Zachodzą oszacowania N r i i i GCV N K K N K K y L Lˆ g GCV g γ z σ λ λ − ≤ ∑ + ≤ − =1 3 1 (29) gdzie zN =
[
z( )
t1 K z( )
tN]
T, a 1 0 1 > ∑ = r= i σi γ .D o w ó d : PoniewaŜ gKN =ΨΨΨΨN,K+ JN, gdzie ΨΨΨΨN ,K+oznacza pseudoodwrotność Moore’a-Penrose’a [9] macierzy ΨΨΨΨN ,K, łatwo sprawdzić, Ŝe
(
)
2 1 3 2 1 6 2 2 1 2 2 2 2 2 2 ∑ ≤ ∑ ≤ ∑ + = − = = = r i i i GCV r i i i GCV r i GCV i i i GCV N K K y y y GCV σ λ σ λ λ σ σ λ λ g g (30)a stąd na podstawie nierówności trójkąta, oszacowania (26) oraz nierówności
N N K N K N K N K g g g z g − ≤ − ≤γ
otrzymujemy następujący ciąg oszacowań
r N i i i GCV N K N K N K K N K K N K K y L Lˆ g GCV g g GCV g g g γ z σ λ λ λ − ≤ − + − ≤ ∑ + = − =1 3 1 czyli nierówność (29).
□
Na podstawie nierówności (29) wektor współczynników GCV Kλ
g dąŜy do wektora normalnego gKN, liniowo ze względu na zN , gdy równocześnie
0
→
GCV
λ i zN →0. Nierówność (29) gwarantuje równieŜ zbieŜność spektrum retardacji LˆK
( )
ν do LNK( )
ν w kaŜdym punkcie ν ich ciągłości, gdy0
→
GCV
λ i zN →0.
Z nierówności (29), równości we wzorze (30) oraz definicji stałej γ wynika,
Ŝe dokładność aproksymacji rzeczywistego spektrum retardacji zaleŜy od zakłóceń w pomiarach funkcji pełzania, wartości parametru λGCV oraz wartości szczególnych σ1,K,σr macierzy ΨΨΨΨK,K, które z kolei zaleŜą zarówno od doboru liczby funkcji bazowych p0
( )
ν ,K,pK−1( )
ν , jak i parametru α.Algorytm identyfikacji spektrum retardacji
1. Przeprowadź eksperyment (test pełzania [2,17]) i zgromadź pomiary J
( )
tifunkcji pełzania w chwilach czasu ti ≥0 , i=1, K,N.
3. Wyznacz funkcję VGCV
( )
λ (20), a następnie wyznacz parametr λGCV rozwiązując zadanie optymalizacji (19).4. Wyznacz macierz
(
K +1) (
× K+1)
wymiarową macierz diagonalną(
)
(
)
(
GCV r GCV GCV GCV)
diag1 σ12+λ ,K,1 σ2+λ ,1λ ,K,1λ = Λ ΛΛ Λ5. Wyznacz rozwiązanie zregularyzowane GCV K λ g zgodnie ze wzorem N T K N T K V V J gλ = ΛΛΛΛ ΨΨΨΨ ,
6. Wyznacz spektrum częstotliwości retardacji LˆK
( )
ν dane sumą funkcji Legendre’a (27).U w a g a 1 : Rozkład SVD macierzy ΨΨΨΨK,K jest z numerycznego punktu widzenia głównym etapem algorytmu. Procedury SVD są dostępne w prawie kaŜdym pakiecie obliczeniowym (np. svds(A) i svd(A) w Mathcadzie i svd(A) Matlabie). U w a g a 2 : W przedstawionym algorytmie parametr α >0 umoŜliwia zmianę skali czasu. Zachodzi następująca prawidłowość: im mniejszą wartość przyjmuje parametr α tym krótsze są czasy, czyli większe częstotliwości retardacji. Prawidłowość tę ilustruje rysunek 1.
U w a g a 3 : Dobierając parametr α optymalnie moŜemy zagwarantować lepsze dopasowanie modelu do danych eksperymentalnych. W tym celu naleŜy procedurę identyfikacji rozszerzyć o nadrzędny moduł odpowiedzialny za dobór najlepszego parametru α. W praktyce wystarczy jednak zgrubna strategia doboru współczyn-nika α bazująca na porównaniu dla róŜnych wartości stałej α uzyskanych ekspery-mentalnie przebiegów czasowych funkcji pełzania J
( )
t oraz kilku pierwszych elementów ciągu funkcyjnego{
ϕk( )
t}
. W ten sposób moŜna takŜe wstępnie oszacować liczbę K składników sumy (3), lub równowaŜnie (4).Przykład numeryczny
RozwaŜmy materiał lepkospręŜysty, którego spektrum retardacji dane jest rozkładem Gaussa
( )
( )2( )
2 o 2 2 1 ν ν ρ ρ π ν = e− − Lz parametrami νo =1 i ρ =0.2, podatność natychmiastowa J0 =0.2Pa−1. Przebieg funkcji pełzania J
( )
t = J( ) ( )
t +z t z addytywnymi zakłóceniami pomiarowymi z( )
t o rozkładzie jednostajnym w przedziale[
−0.02,0.02]
przedstawia rysunek 2(a). Funkcję J
( )
t spróbkowano w N =100 punktach pomiarowych ze stałym okresem próbkowania ∆t=0.06. Parametry K =6 iα
=0.3 zostały dobrane zgodnie z opisaną powyŜej procedurą, współczynnik regularyzacji λGCV = 0.112⋅10-2
. Przebiegi „rzeczywistego” spektrum retardacji
( )
νL oraz jego przybliŜenia LˆK
( )
ν przedstawiono na rysunku 2(b). Normy z rozwiązania normalnego i zregularyzowanego oraz odpowiednie wartości wskaźnika jakości identyfikacji są następujące:34 16 gKN = . , gKGCV =1.352 λ ,
( )
2 10 172 1 g = . ⋅ − QN KN i( )
g GCV =1.181⋅10−2 K N Q λ .Rys. 2. Przebieg funkcji pełzania J( )ti =J( ) ( )ti +z ti z zakłóceniami pomiarowymi (a), Spektrum retardacji L( )ν (linia przerywana) i przybliŜenie LˆK( )ν (linia ciągła) (b)
Fig. 2. Creep compliance J( )ti =J( ) ( )ti +zti corrupted by additive noise (a), Retardation
spectrum L( )ν (dash line) and approximation LˆK( )ν (solid line) (b)
WNIOSKI
1. PrzybliŜenie funkcji L
( )
ν wielomianem funkcyjnym LK( )
ν ogranicza zbiór rozwiązań dopuszczalnych do skończenie wymiarowej podprzestrzeni{
p0,p1, , p −1}
⊂ L2(
0,∞)
Lin K K . W konsekwencji problem identyfikacji ciągłego
spektrum retardacji został sprowadzony do statycznego dyskretnego źle uwarunko-wanego problemu najmniejszych kwadratów. Stabilizację jego rozwiązania zapew-nia zastosowanie techniki regularyzacji Tichonowa, dobór współczynnika regulary-zacji umoŜliwia efektywna obliczeniowo uogólniona metoda sprawdzania krzyŜowego. 2. Dobór ortonormalnych funkcji bazowych gwarantuje, iŜ wygładzenie zregularyzowanego rozwiązania tego problemu zapewnia wygładzenie wyznaczo-nego spektrum retardacji.
Czas t Time t, s 0 5 1 ( )ti J , Pa-1 (a) (b) ( )ν K Lˆ ( )ν L Częstotliwośćν Frequencyν, s-1 0 0 0 1 2 3 0 1 2
3. Wybór parametru α oraz liczby K funkcji bazowych zaleŜy zarówno od wiedzy apriorycznej o badanym procesie, jak i od informacji, którą dysponujemy a
posteriori po zgromadzeniu i wstępnej analizie wyników eksperymentu. Ostate-cznie jednak o wyborze konkretnych wartości tych parametrów decyduje przede wszystkim jakość aproksymacji rzeczywistego spektrum retardacji mierzona wartością wskaźnika jakości identyfikacji, jaką te parametry gwarantują.
4. Zastosowanie funkcji bazowych, dla których całki (5) dane są prostymi formułami analitycznymi, pozwoliło takŜe, co szczególnie istotne w kontekście
źle postawionego problemu odwrotnego, uniknąć błędów przybliŜeń kwadratur numerycznego całkowania, występujących w znanych algorytmach [4,12,15] wyznaczania ciągłego spektrum relaksacji i retardacji.
DODATEK
Dowód Twierdzenia. Łatwo zauwaŜyć, Ŝe całkę ϕk
( )
t (5) moŜna przed-stawić jako róŜnicę dwu całek( )
t pk( )
d pk( )
e t d k( )
k( )
t k ν ν ν ν φ φ ϕ =∞∫
−∞∫
−ν = 0 − 0 0 (D1)gdzie funkcja φk
( )
t jest zdefiniowana następująco( )
( )
ν ν φk t pk e−tν d ∞∫
= 0 (D2) Najpierw pokaŜemy Ŝe całki φk( )
t dane są następującym wzorem( )
(
)
[
(
)
]
(
)
[
]
K , , k , t i t i k t k i k i k 01 1 2 1 2 1 2 2 0 1 0 = ∏ + + ∏ + − + = = − = α α α φ (D3)Dowód wzoru (D3) przeprowadzimy metodą indukcji matematycznej. Aby wykazać słuszność wzoru (D3) dla k =0 i k =1 wystarczy, wykorzystując równości P0
( )
x =1 i P1( )
x =x [10], wyznaczyć całki φ0( )
t i φ1( )
t na podstawie wzoru definicyjnego (D2) i sprawdzić, Ŝe są one dane wzorem (D3). Kolejno( )
(
)
= ∏[
(
+)
+]
+ = ∫ = = − − ∞ 0 0 0 0 2 2 1 1 2 2 i t i t t d e e t α α α α ν α φ αν ν( )
t = α∞∫(
− e−)
e− e−t dν = α(
α−t) (
[
α +t)(
α+t)
]
φ 6 1 2 αν αν ν 6 3 0 2 1 czyli( )
(
)
∏[
(
)
]
∏[
(
)
]
= = + − + + + = 1 0 0 0 1 2 2 1 2 1 2 1 i i t i t i t α α α φZałóŜmy teraz, Ŝe równość (D3) jest prawdziwa dla
(
k −1)
i k , gdzie k ≥1. PokaŜemy, Ŝe wzór (D3) jest prawdziwy równieŜ dla(
k+1)
Wykorzystując toŜsamość(
k +1)
Pk+1( ) (
x = 2k +1)
xPk( )
x −kPk−1( )
x [10, wzór (23,1)] oraz wzory definicyjne (2) i (D2) otrzymujemy równość
(
)
( )
( )
(
)
( )
t k k k t k k t k k t k k k k k 1 1 1 2 3 2 2 1 2 3 2 2 1 2 3 2 1 − + − + − + + + − + + = + φ α φ φ φ czyli równowaŜnie( )
(
)
[
( )
(
)
]
(
k)
k( )
t k k t t k k k t k k k k 1 1 1 2 1 3 2 2 2 1 1 2 3 2 − + = + + + φ − φ + α − + + − φ φ (D4) PoniewaŜ(
)
[
]
= −(
+) (
∏[
+)
−]
∏ + − − − = − = 2 0 1 0 1 2 2 1 2 k i k i t i t t i α α α α i podobnie(
)
[
]
(
)
∏[
(
+)
+]
+ = ∏ + + + + = = 1 0 0 1 2 1 2 1 2 k i k i t i t t i α α α αna podstawie wzoru (D3) dla k otrzymujemy
(
)
(
)
(
)
[
(
)
]
[
(
)
]
(
)
(
)
[
k t]
[
(
k)
t]
( )
t t t i t i k t t k k i k i k φ α α α α α α α α φ + + − − + − = ∏ + + ∏ + − + + − = + + = − = 3 2 1 2 1 2 1 2 1 2 2 2 2 1 0 2 0 2 (D5)Następnie, na podstawie wzorów (D4) i (D5), uwzględniając formułę (D3) dla
(
k−1)
i k , po prostych przekształceniach algebraicznych, otrzymujemy wzór (D3) dla(
k+1)
.Obecnie przejdziemy do wykazania słuszności wzoru (6); wykorzystamy wzór (D1). Na mocy wzoru (D3) dla dowolnego k ≥ 0
( )
(
)
[
(
)
]
(
)
[
]
(
)
(
)
(
2 1)
2 1 2 1 2 2 1 2 1 2 1 2 2 0 0 1 0 + = + + = + + + =∏
∏
= − = k k k i i k k i k i k α α α α α α φ (D6)a stąd na podstawie wzorów (D3) oraz (D1) otrzymujemy dla k ≥0
( )
(
)
(
)
(
)
[
]
(
)
[
]
∏
∏
= − = + + − + + − + = k i k i k t i t i k k t 0 1 0 1 2 1 2 1 2 2 1 2 2 α α α α ϕskąd po prostych przekształceniach natychmiast wynika wzór (6).
Wzór (8) wynika z (6) dla k =0. Aby udowodnić słuszność reguły rekurencyjnej (7) wystarczy zauwaŜyć, Ŝe na podstawie wzoru (D3) dla kaŜdego k ≥0 zachodzi zaleŜność rekurencyjna
( )
( )
[
[
(
(
)
)
]
]
, k ,,K t k t k k k t t k k 01 3 2 1 2 1 2 3 2 1 ++ −+ = + + = + φ αα φStąd, wykorzystując wzór (D1), otrzymujemy równość
( )
( )
[
[
(
(
)
)
]
]
( )
[
[
(
(
)
)
]
]
t k t k k k t k k k k t k k k ++ −+ + + − + + + + = + φ φ αα ϕ 3 2 1 2 1 2 3 2 3 2 1 2 1 2 3 2 0 1czyli, wykorzystując ponownie wzór (D1), mamy
( )
( )
[
[
(
(
)
)
]
]
[
( )
( )
]
[
[
(
(
)
)
]
]
t k t k k k t k k k k t k k k k ++ −+ + + − − + + + + = + φ φ ϕ αα ϕ 3 2 1 2 1 2 3 2 0 3 2 1 2 1 2 3 2 0 1a stąd, poniewaŜ na podstawie wzoru (D3) φk
( )
0 = 2α 2k+1, otrzymujemy( )
( )
[
[
(
(
)
)
]
]
(
(
)
)
[
[
(
(
)
)
]
]
+ + − + + + − + + + + − + + + = + kk kk tt k t k t k k k t t k k ϕ αα α αα ϕ 3 2 1 2 1 2 3 2 1 3 2 2 3 2 1 2 1 2 3 2 1PIŚMIENNICTWO
1. Bubnicki Z.: Identification of Control Plants. PWN, Warszawa, Elsevier, Amsterdam, 1980. 2. Bzowska-Bakalarz M.: Właściwości mechaniczne korzeni buraków cukrowych. Rozprawy
Naukowe Akademii Rolniczej w Lublinie, 166, 1994.
3. Christensen R. M.: Theory of Viscoelasticity. An Introduction. Academic Press, New York, 1971. 4. Elster C., Honerkamp J., Weese J.: Using regularization methods for the determination of relaxation and retardation spectra of polymeric liquids. Rheological Acta, 30, 161-174, 1991. 5. Fujihara S., Yamamoto R., Masuda Y.: Maxwellian Spectra of Stress Relaxation in the Cell
Wall and Growth Regulation in Higher Plants. Proc. of Int. Workshop Stress Relaxation in Solids and Biological Origin, 47-51, Prague, 1995.
6. Golub G.H., Heath M.T., Wahba G.: Generalized cross-validation as a method for choosing a good ridge parameter. Technometrics, 21, 215-223, 1979.
7. Gu Ch., Heckman N., Wahba G.: A note on generalized cross-validation with replicates. Statistics & Probability Letters, 14, 283-287, 1992.
8. Hellebrand H. J.: Comparison of Models for Evaluation of Stress Relaxation. Proc. of Int. Workshop Stress Relaxation in Solids and Biological Origin, 3-10, Prague, 1995.
9. Kaczorek T.: Wektory i macierze w automatyce i elektrotechnice. WNT, Warszawa, 1998. 10. Lebiediew N.N.: Funkcje specjalne i ich zastosowania. PWN, Warszawa, 1957.
11. Lemaitre J. (Ed.): Handbook of Materials Behavior Models, Academic Press, New York, 2001. 12. Malkin A. Ya., Masalova I.: From dynamic modulus via different relaxation spectra to relaxation
and creep functions. Rheol. Acta, 40, 261-271, 2001.
13. Nguyen N., Milanfar P., Golub G.: A computationally efficient superresolution image reconstruction algorithm. IEEE Trans. Image Processing, 10(4), 573-583, 2001.
14. Owens R. G., Phillips T. N.: Computational Rheology. Imperial College Press London, 2002. 15. Paulson K. S., Jouravleva S., McLeod C. N.: Dielectric Relaxation Time Spectroscopy. IEEE
Trans. on Biomedical Engineering, 47, 1510-1517, 2000.
16. Ptaszek P., Grzesik M.: LepkospręŜyste zjawiska retardacyjne w modelowym układzie skrobia kukurydziana-guma guar. Acta Agrophysica, 3(3), 573-578, 2004.
17. Rao M.A.: Rheology of Fluid and Semisolid Foods. Principles and Applications. Aspen Publishers, Inc., Gaithersburg, Maryland, 1999.
18. Stankiewicz A.: Algorytm identyfikacji ciągłego spektrum czasów relaksacji biologicznych materiałów lepkospręŜystych. Acta Sci. Pol., Seria Technica Agraria, 2(2), 77-91, 2003. 19. Stankiewicz A.: Metoda optymalnej identyfikacji ciągłego spektrum relaksacji materiałów
lepkospręŜystych. InŜynieria Rolnicza, 12(54), 373-384, 2003.
20. Stankiewicz A., Gołacki K.: Metoda wyznaczania ciągłego spektrum relaksacji lepkospręŜystych materiałów roślinnych. Acta Agrophysica, 2(3), 627-638, 2003.
21. Ter Haar D.: A Phenomenological Theory of Visco-Elastic Behaviour. I. Physica, XVI, 719-737, 1950.
22. Tikhonov A. N., Arsenin V. Y.: Solutions of Ill-posed Problems. Wiley, New York, 1977. 23. Wahba G., Wold S.: A completely automatic French curve: fitting splines by cross validation.
APPROXIMATION OF THE RETARDATION SPECTRUM
OF VISCOELASTIC PLANT MATERIALS USING LAGENDRE FUNCTIONS
Anna Stankiewicz
Department of Technical Science, University of Agriculture ul. Doświadczalna 50A, 20-280 Lublin
e-mail: anna.stankiewicz@ar.lublin.pl
A b s t r a c t . The paper deals with the problem of direct recovery of continuous retardation spectrum of linear viscoelastic materials from discrete-time noise measurements of creep compliance obtained in a standard creep experiment. An optimal orthogonal scheme of the spectrum approximation by the finite series of Legendre functions is presented. Since the problem of retardation spectrum identification is practically an ill-posed problem of reconstructing solution of Fredholm integral equation of the first kind from measured data, Tikhonov regularization with generalized cross validation (GCV) is used to guarantee the stability of the scheme. It is proved that the accuracy of the spectrum approximation depends both on measurement noises and regularization parameter as well as on the proper selection of the basic orthogonal functions. Numerical calculations on model data are enclosed.
K e y w o r d s : viscoelasticity, retardation spectrum, identification algorithm, regularization, Legendre functions