SlideShare uma empresa Scribd logo
1 de 13
Baixar para ler offline
1/13
Sayısal Yöntemlerle Kök Bulma
Sayısal yöntemler neden
kullanılır?
• Fonksiyon yoksa
• Fonksiyon çok karmaşıksa
• Fonksiyon “kara kutu” ise
2/13
Kök bulma temelleri
3/13
İterasyon kavramı
4/13
Ne kadar iterasyon?
5/13
Kök Bulma Metotları
Avantaj Dezavantaj
Ardışık yakınlaşma
(Successive Approx.)
● Anlamak ve kullanmak kolay ● Yakınsama garantisi yok
● Yavaş yakınsama
● Yakınsama için güzel başlangıç
değeri tahmin edilmeli
İkiye bölme
(Bisection)
● Anlamak ve kullanmak kolay
● Aralık doğru belirlenebilirse,
yakınsama garantisi var.
● Aralık doğru tahmin edilmeli
● Yavaş yakınsama
Newton-Raphson ● Anlamak ve kullanmak kolay
● Hızlı (üstel) yaklaşım. Köke
yaklaştıkça hız artar.
● Türevin analitik çözümü gerekli
● Türev sıfır olduğunda, işe
yaramaz
● Başlangıç değer tahmini gerekir.
Sekant
(Kiriş)
● Tek kök olduğunda, doğrusal
yaklaşıma göre daha hızlıdır.
● Çok kök varsa doğrusal yaklaşım
hızındadır.
● Türev işlemine gerek yoktur.
● İterasyon ıraksak olabilir.
● Hata miktarı kestirilebilir değildir.
6/13
ÖRNEKLER
● Colebrook denklemi
– Akışkanlar mekaniğinde, boruda türbülans hesabı yaparken,
borunun çapını bulmak için kullanılıyor.
● Re: Reynold sayısı
● E : pürüzlülük katsayısı
● f: Darcy sürtünme katsayısı
● D: boru çapı
7/13
Colebrook Denklemi
● Eşitliğin bir tarafında 0 kalacak şekilde
düzenlenebilir:
8/13
İkiye Bölme Algoritması
● f(xa) ve f(xü) değerleri hesaplanır.
● f(xa) * f(xü) < 0 olup olmadığı kontrol edilir.
● Yeni yaklaşık kök (xy) bulunarak ve f(xy)
hesaplanır. Bunun için aralığın orta noktası
alınır.
● Eğer f(xa).f(xy) < 0 ise xü=xy değilse xa=xy alınır.
● Hata toleransına ulaşınca kök bulunmuş olur.
9/13
Colebrook Bisection uygulaması
% bisection_cb.m
function x=bisection_cb(y,a,b,tol)
sfb = sign(y(b));
width = b-a;
%disp(' a b sfx')
while width > tol
width = width/2;
x = a + width;
sfx = sign(y(x));
%disp(sprintf('%0.8f %0.8f %2.0f',
[a b sfx]))
disp(sprintf('%0.8f', b))
if sfx == 0, a = x; b = x; return
elseif sfx == sfb, b = x;
else, a = x; end
end
%cb.m
Re = input('n Reynolds Numarası (Re) = ');
e = input(' Bağıl pürüzlülük (e/D) = ');
y = @(f) 1/sqrt(f) + 0.86*log(e/3.7 +
2.51/Re/sqrt(f));
bisection_cb(y,0.7,0.8,1e-3);
>> bisection_cb(y,0.7,0.8,1e-3);
0.80000000
0.75000000
0.72500000
0.71250000
0.70625000
0.70312500
0.70156250
10/13
ÖRNEKLER
● Kepler Yasası & İki cisim problemi
11/13
Newton Raphson Metodu
12/13
Eliptik Yörünge Newton-Raphson
%CalcEA.m
function E = CalcEA(M,e,tol)
%Checking for user inputed tolerance
if nargin == 2
%using default value
tol = 10^-8;
elseif nargin > 3
error('Too many inputs. See help CalcE')
elseif nargin < 2
error('Too few inputs. See help CalcE')
end
Etemp = M;
ratio = 1;
while abs(ratio) > tol
f_E = Etemp - e*sin(Etemp) - M;
f_Eprime = 1 - e*cos(Etemp);
ratio = f_E/f_Eprime;
if abs(ratio) > tol
Etemp = Etemp - ratio;
else
E = Etemp;
end
end
>> CalcEA(2,2)
ans =
2.754673754247060
>>
>> CalcEA(2,2,10^-2)
ans =
2.758967322944334
13/13
Kaynaklar
● http://utkstair.org/clausius/docs/che301/pdf/rootfind.pdf
● http://butler.cc.tut.fi/~piche/numa/lecture0506.pdf
● http://www.pearsonhighered.com/samplechapter/0130138517.pdf
● http://www.imo.org.tr/resimler/ekutuphane/pdf/5148.pdf
● http://www.math.utah.edu/mathcircle/notes/non_linear_root_finding.pdf
● http://binnerd.blogspot.com.tr/2012/04/elliptical-motion-solver.html
● http://www.mathworks.com/moler/zeros.pdf
● http://people.cs.uchicago.edu/~ridg/newna/nalrs.pdf
● https://www.wolframalpha.com/examples/NumericalRootFinding.html

Mais conteúdo relacionado

Mais procurados

numerical differentiation&integration
numerical differentiation&integrationnumerical differentiation&integration
numerical differentiation&integration8laddu8
 
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...mwong29
 
linear equation and gaussian elimination
linear equation and gaussian eliminationlinear equation and gaussian elimination
linear equation and gaussian eliminationAju Thadikulangara
 
Encontrar o MAIOR e o MENOR elemento da Lista Encadeada
Encontrar o MAIOR e o MENOR elemento da Lista EncadeadaEncontrar o MAIOR e o MENOR elemento da Lista Encadeada
Encontrar o MAIOR e o MENOR elemento da Lista EncadeadaElaine Cecília Gatto
 
Particles Swarm Optimization
Particles Swarm OptimizationParticles Swarm Optimization
Particles Swarm OptimizationBrian Raafiu
 
Probability distribution for Dummies
Probability distribution for DummiesProbability distribution for Dummies
Probability distribution for DummiesBalaji P
 
Maximums and minimum
Maximums and minimum Maximums and minimum
Maximums and minimum rubimedina01
 
Multi objective optimization and Benchmark functions result
Multi objective optimization and Benchmark functions resultMulti objective optimization and Benchmark functions result
Multi objective optimization and Benchmark functions resultPiyush Agarwal
 
PRML 2.4-2.5: The Exponential Family & Nonparametric Methods
PRML 2.4-2.5: The Exponential Family & Nonparametric MethodsPRML 2.4-2.5: The Exponential Family & Nonparametric Methods
PRML 2.4-2.5: The Exponential Family & Nonparametric MethodsShinichi Tamura
 
Deep Learning for Chatbot (2/4)
Deep Learning for Chatbot (2/4)Deep Learning for Chatbot (2/4)
Deep Learning for Chatbot (2/4)Jaemin Cho
 
Bayesian Deep Learning
Bayesian Deep LearningBayesian Deep Learning
Bayesian Deep LearningRayKim51
 
Statistics - SoftMax Equation
Statistics - SoftMax EquationStatistics - SoftMax Equation
Statistics - SoftMax EquationAndrew Ferlitsch
 
13 integration by parts x
13 integration by parts x13 integration by parts x
13 integration by parts xmath266
 
All pairs shortest path algorithm
All pairs shortest path algorithmAll pairs shortest path algorithm
All pairs shortest path algorithmSrikrishnan Suresh
 
Integral de stieltjes
Integral de stieltjesIntegral de stieltjes
Integral de stieltjesbdeotto
 

Mais procurados (20)

numerical differentiation&integration
numerical differentiation&integrationnumerical differentiation&integration
numerical differentiation&integration
 
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...
Estimation Of The Box Cox Transformation Parameter And Application To Hydrolo...
 
linear equation and gaussian elimination
linear equation and gaussian eliminationlinear equation and gaussian elimination
linear equation and gaussian elimination
 
Es272 ch5b
Es272 ch5bEs272 ch5b
Es272 ch5b
 
Encontrar o MAIOR e o MENOR elemento da Lista Encadeada
Encontrar o MAIOR e o MENOR elemento da Lista EncadeadaEncontrar o MAIOR e o MENOR elemento da Lista Encadeada
Encontrar o MAIOR e o MENOR elemento da Lista Encadeada
 
Particles Swarm Optimization
Particles Swarm OptimizationParticles Swarm Optimization
Particles Swarm Optimization
 
Probability distribution for Dummies
Probability distribution for DummiesProbability distribution for Dummies
Probability distribution for Dummies
 
Maximums and minimum
Maximums and minimum Maximums and minimum
Maximums and minimum
 
Multi objective optimization and Benchmark functions result
Multi objective optimization and Benchmark functions resultMulti objective optimization and Benchmark functions result
Multi objective optimization and Benchmark functions result
 
PRML 2.4-2.5: The Exponential Family & Nonparametric Methods
PRML 2.4-2.5: The Exponential Family & Nonparametric MethodsPRML 2.4-2.5: The Exponential Family & Nonparametric Methods
PRML 2.4-2.5: The Exponential Family & Nonparametric Methods
 
Deep Learning for Chatbot (2/4)
Deep Learning for Chatbot (2/4)Deep Learning for Chatbot (2/4)
Deep Learning for Chatbot (2/4)
 
The gamma function
The gamma functionThe gamma function
The gamma function
 
Bayesian Deep Learning
Bayesian Deep LearningBayesian Deep Learning
Bayesian Deep Learning
 
Chap8 new
Chap8 newChap8 new
Chap8 new
 
Statistics - SoftMax Equation
Statistics - SoftMax EquationStatistics - SoftMax Equation
Statistics - SoftMax Equation
 
13 integration by parts x
13 integration by parts x13 integration by parts x
13 integration by parts x
 
Partial derivatives
Partial derivativesPartial derivatives
Partial derivatives
 
Multivariate Calculus Abdul Aziz
Multivariate Calculus Abdul AzizMultivariate Calculus Abdul Aziz
Multivariate Calculus Abdul Aziz
 
All pairs shortest path algorithm
All pairs shortest path algorithmAll pairs shortest path algorithm
All pairs shortest path algorithm
 
Integral de stieltjes
Integral de stieltjesIntegral de stieltjes
Integral de stieltjes
 

Destaque

Mühendislik problemlerinin bilgisayar ortamında sayısal analiz yöntemleriyle...
Mühendislik problemlerinin  bilgisayar ortamında sayısal analiz yöntemleriyle...Mühendislik problemlerinin  bilgisayar ortamında sayısal analiz yöntemleriyle...
Mühendislik problemlerinin bilgisayar ortamında sayısal analiz yöntemleriyle...Abdurrahman Tunç
 
Programlamaya Giriş, Algoritma ve Akış Şeması Diyagramı
Programlamaya Giriş, Algoritma ve Akış Şeması DiyagramıProgramlamaya Giriş, Algoritma ve Akış Şeması Diyagramı
Programlamaya Giriş, Algoritma ve Akış Şeması DiyagramıAhmet POLAT
 
Yazılım Nedir
Yazılım NedirYazılım Nedir
Yazılım Nedir_aerdeger
 
Teğet Eğimi -My Matematik - Mustafa Yağcı
Teğet Eğimi -My Matematik - Mustafa YağcıTeğet Eğimi -My Matematik - Mustafa Yağcı
Teğet Eğimi -My Matematik - Mustafa YağcıHsamet Eagle
 
Hamming Yapay Sinir Ağı (Sunu)
Hamming Yapay Sinir Ağı (Sunu)Hamming Yapay Sinir Ağı (Sunu)
Hamming Yapay Sinir Ağı (Sunu)Murat Özalp
 
Anakartlar ve önbellekler
Anakartlar ve önbelleklerAnakartlar ve önbellekler
Anakartlar ve önbelleklerselimcihan
 
İşlemci(cpu) eşe baysal
İşlemci(cpu) eşe baysalİşlemci(cpu) eşe baysal
İşlemci(cpu) eşe baysalCelal Karaca
 
Dijital Hikaye Oluşturmaya giriş
Dijital Hikaye Oluşturmaya girişDijital Hikaye Oluşturmaya giriş
Dijital Hikaye Oluşturmaya girişfatihmeetsmeli
 
5 whys - The Path to Resolution
5 whys - The Path to Resolution5 whys - The Path to Resolution
5 whys - The Path to ResolutionTor Ivry
 
How can we understand the problem?
How can we understand the problem?How can we understand the problem?
How can we understand the problem?Frank Calberg
 
kurumsal yönetim anlayışı
kurumsal yönetim anlayışıkurumsal yönetim anlayışı
kurumsal yönetim anlayışıBatuhan Altun
 
Micro teaching konsep logika algoritma
Micro teaching konsep logika algoritmaMicro teaching konsep logika algoritma
Micro teaching konsep logika algoritmaApriyanto_apo
 

Destaque (20)

Mühendislik problemlerinin bilgisayar ortamında sayısal analiz yöntemleriyle...
Mühendislik problemlerinin  bilgisayar ortamında sayısal analiz yöntemleriyle...Mühendislik problemlerinin  bilgisayar ortamında sayısal analiz yöntemleriyle...
Mühendislik problemlerinin bilgisayar ortamında sayısal analiz yöntemleriyle...
 
Programlamaya Giriş, Algoritma ve Akış Şeması Diyagramı
Programlamaya Giriş, Algoritma ve Akış Şeması DiyagramıProgramlamaya Giriş, Algoritma ve Akış Şeması Diyagramı
Programlamaya Giriş, Algoritma ve Akış Şeması Diyagramı
 
Yazılım Nedir
Yazılım NedirYazılım Nedir
Yazılım Nedir
 
Teğet Eğimi -My Matematik - Mustafa Yağcı
Teğet Eğimi -My Matematik - Mustafa YağcıTeğet Eğimi -My Matematik - Mustafa Yağcı
Teğet Eğimi -My Matematik - Mustafa Yağcı
 
Why storyboard
Why storyboardWhy storyboard
Why storyboard
 
Hamming Yapay Sinir Ağı (Sunu)
Hamming Yapay Sinir Ağı (Sunu)Hamming Yapay Sinir Ağı (Sunu)
Hamming Yapay Sinir Ağı (Sunu)
 
Anakartlar ve önbellekler
Anakartlar ve önbelleklerAnakartlar ve önbellekler
Anakartlar ve önbellekler
 
Çevik testler
Çevik testlerÇevik testler
Çevik testler
 
İşlemci(cpu) eşe baysal
İşlemci(cpu) eşe baysalİşlemci(cpu) eşe baysal
İşlemci(cpu) eşe baysal
 
İşlemciler
İşlemcilerİşlemciler
İşlemciler
 
Proje döngü yönetimi
Proje döngü yönetimiProje döngü yönetimi
Proje döngü yönetimi
 
Yalın bursa 2017
Yalın bursa 2017Yalın bursa 2017
Yalın bursa 2017
 
5 Why's of Agile
5 Why's of Agile5 Why's of Agile
5 Why's of Agile
 
Dijital Hikaye Oluşturmaya giriş
Dijital Hikaye Oluşturmaya girişDijital Hikaye Oluşturmaya giriş
Dijital Hikaye Oluşturmaya giriş
 
5 whys - The Path to Resolution
5 whys - The Path to Resolution5 whys - The Path to Resolution
5 whys - The Path to Resolution
 
Cloud for Agile Testing - Burak Koyuncu
Cloud for Agile Testing - Burak KoyuncuCloud for Agile Testing - Burak Koyuncu
Cloud for Agile Testing - Burak Koyuncu
 
How can we understand the problem?
How can we understand the problem?How can we understand the problem?
How can we understand the problem?
 
Performance Testing - Keytorc Approach
Performance Testing - Keytorc ApproachPerformance Testing - Keytorc Approach
Performance Testing - Keytorc Approach
 
kurumsal yönetim anlayışı
kurumsal yönetim anlayışıkurumsal yönetim anlayışı
kurumsal yönetim anlayışı
 
Micro teaching konsep logika algoritma
Micro teaching konsep logika algoritmaMicro teaching konsep logika algoritma
Micro teaching konsep logika algoritma
 

Sayısal Yöntemlerle Kök Bulma

  • 1. 1/13 Sayısal Yöntemlerle Kök Bulma Sayısal yöntemler neden kullanılır? • Fonksiyon yoksa • Fonksiyon çok karmaşıksa • Fonksiyon “kara kutu” ise
  • 5. 5/13 Kök Bulma Metotları Avantaj Dezavantaj Ardışık yakınlaşma (Successive Approx.) ● Anlamak ve kullanmak kolay ● Yakınsama garantisi yok ● Yavaş yakınsama ● Yakınsama için güzel başlangıç değeri tahmin edilmeli İkiye bölme (Bisection) ● Anlamak ve kullanmak kolay ● Aralık doğru belirlenebilirse, yakınsama garantisi var. ● Aralık doğru tahmin edilmeli ● Yavaş yakınsama Newton-Raphson ● Anlamak ve kullanmak kolay ● Hızlı (üstel) yaklaşım. Köke yaklaştıkça hız artar. ● Türevin analitik çözümü gerekli ● Türev sıfır olduğunda, işe yaramaz ● Başlangıç değer tahmini gerekir. Sekant (Kiriş) ● Tek kök olduğunda, doğrusal yaklaşıma göre daha hızlıdır. ● Çok kök varsa doğrusal yaklaşım hızındadır. ● Türev işlemine gerek yoktur. ● İterasyon ıraksak olabilir. ● Hata miktarı kestirilebilir değildir.
  • 6. 6/13 ÖRNEKLER ● Colebrook denklemi – Akışkanlar mekaniğinde, boruda türbülans hesabı yaparken, borunun çapını bulmak için kullanılıyor. ● Re: Reynold sayısı ● E : pürüzlülük katsayısı ● f: Darcy sürtünme katsayısı ● D: boru çapı
  • 7. 7/13 Colebrook Denklemi ● Eşitliğin bir tarafında 0 kalacak şekilde düzenlenebilir:
  • 8. 8/13 İkiye Bölme Algoritması ● f(xa) ve f(xü) değerleri hesaplanır. ● f(xa) * f(xü) < 0 olup olmadığı kontrol edilir. ● Yeni yaklaşık kök (xy) bulunarak ve f(xy) hesaplanır. Bunun için aralığın orta noktası alınır. ● Eğer f(xa).f(xy) < 0 ise xü=xy değilse xa=xy alınır. ● Hata toleransına ulaşınca kök bulunmuş olur.
  • 9. 9/13 Colebrook Bisection uygulaması % bisection_cb.m function x=bisection_cb(y,a,b,tol) sfb = sign(y(b)); width = b-a; %disp(' a b sfx') while width > tol width = width/2; x = a + width; sfx = sign(y(x)); %disp(sprintf('%0.8f %0.8f %2.0f', [a b sfx])) disp(sprintf('%0.8f', b)) if sfx == 0, a = x; b = x; return elseif sfx == sfb, b = x; else, a = x; end end %cb.m Re = input('n Reynolds Numarası (Re) = '); e = input(' Bağıl pürüzlülük (e/D) = '); y = @(f) 1/sqrt(f) + 0.86*log(e/3.7 + 2.51/Re/sqrt(f)); bisection_cb(y,0.7,0.8,1e-3); >> bisection_cb(y,0.7,0.8,1e-3); 0.80000000 0.75000000 0.72500000 0.71250000 0.70625000 0.70312500 0.70156250
  • 10. 10/13 ÖRNEKLER ● Kepler Yasası & İki cisim problemi
  • 12. 12/13 Eliptik Yörünge Newton-Raphson %CalcEA.m function E = CalcEA(M,e,tol) %Checking for user inputed tolerance if nargin == 2 %using default value tol = 10^-8; elseif nargin > 3 error('Too many inputs. See help CalcE') elseif nargin < 2 error('Too few inputs. See help CalcE') end Etemp = M; ratio = 1; while abs(ratio) > tol f_E = Etemp - e*sin(Etemp) - M; f_Eprime = 1 - e*cos(Etemp); ratio = f_E/f_Eprime; if abs(ratio) > tol Etemp = Etemp - ratio; else E = Etemp; end end >> CalcEA(2,2) ans = 2.754673754247060 >> >> CalcEA(2,2,10^-2) ans = 2.758967322944334
  • 13. 13/13 Kaynaklar ● http://utkstair.org/clausius/docs/che301/pdf/rootfind.pdf ● http://butler.cc.tut.fi/~piche/numa/lecture0506.pdf ● http://www.pearsonhighered.com/samplechapter/0130138517.pdf ● http://www.imo.org.tr/resimler/ekutuphane/pdf/5148.pdf ● http://www.math.utah.edu/mathcircle/notes/non_linear_root_finding.pdf ● http://binnerd.blogspot.com.tr/2012/04/elliptical-motion-solver.html ● http://www.mathworks.com/moler/zeros.pdf ● http://people.cs.uchicago.edu/~ridg/newna/nalrs.pdf ● https://www.wolframalpha.com/examples/NumericalRootFinding.html