Modelo comparativo de la ecuación de calor unidimensional: perspectivas deterministas y estocásticas
Barra lateral del artículo
Contenido principal del artículo
Resumen
Introducción: la incorporación de incertidumbre en los modelos de conducción de calor permite representar perturbaciones aleatorias presentes en diversos procesos físicos. Objetivos: la presente investigación se plantea como objetivo comparar las formulaciones determinista y estocástica de la ecuación del calor unidimensional bajo ruido blanco gaussiano aditivo y analizar la influencia de la difusividad térmica en la propagación de la incertidumbre. Metodología: se implementó una simulación computacional validada y reproducible para ecuaciones diferenciales parciales estocásticas en el software MATLAB, considerando un modelo determinista mediante esquema de Crank- Nicolson y una formulación estocástica mediante el método Euler-Maruyama. La incertidumbre se modeló con ruido blanco gaussiano aditivo y se evaluó mediante 200 simulaciones Monte Carlo en aluminio, acero inoxidable y madera. Se emplearon como métricas el RMSE, la varianza máxima y la energía térmica promedio. Resultados: la media del ensamblaje Monte Carlo presentó una elevada concordancia con la solución determinista. El incremento de la intensidad del ruido aumentó la dispersión estadística, mientras que la energía térmica promedio permaneció prácticamente constante. Conclusiones: en conclusión, la difusividad térmica actúa como un mecanismo natural de amortiguamiento de la incertidumbre, afectando principalmente la variabilidad de la solución sin modificar significativamente la dinámica promedio del proceso difusivo. Área de estudio general: Matemática Aplicada. Área de estudio específica: Simulación computacional. Tipo de estudio: Artículos originales.
Descargas
Detalles del artículo
dssfdsf
dsfdsf
Citas
Adamowicz, A. (2022). Determination of thermal diffusivity values based on the inverse problem of heat conduction – numerical analysis. Acta Mechanica et Automatica, 16(4), 399-407. https://doi.org/10.2478/ama-2022-0048
Anton, R., Cohen, D., & Quer-Sardanyons, L. (2017). A fully discrete approximation of the one-dimensional stochastic heat equation. arXiv [math.NA]. https://doi.org/https://doi.org/10.48550/arXiv.1711.08340
Azorin Penalva, A., & Yaulema Castañeda, J. L. (2021). Case analysis numerical solution of differential equations with uncertainty and applications. Conciencia Digital, 4(3.1), 253-272. https://doi.org/10.33262/concienciadigital.v4i3.1.1828
Bayer, C., Ben Hammouda, C., & Tempone, R. (2024). Multilevel Monte Carlo with numerical smoothing for robust and efficient computation of probabilities and densities. SIAM Journal on Scientific Computing, 46(3), A1514–A1548. https://doi.org/10.1137/22M1495718
Benítez Guarnizo, G. M., Toledo Toledo, J. F., & Martínez Ochoa, L. L. (2025). Implementación de un prototipo de calentador solar para evaluar las variaciones de temperatura producidas en el interior de un cuarto de estudio en la ciudad de Loja. Alfa Publicaciones, 7(2.1), 122–149. https://doi.org/10.33262/ap.v7i2.1.613
Bergman, T. L., Lavine, A. S., Incropera, F. P., & DeWitt, D. P. (2019). Fundamentals of heat and mass transfer. John Wiley & Sons, Inc. https://books.google.com.ec/books/about/Fundamentals_of_Heat_and_Mass_Transfer.html?id=0kAxEAAAQBAJ&redir_esc=y
Bogoi, A., Dan, C.-I., Strătilă, S., Cican, G., & Crunteanu, D.-E. (2023). Assessment of stochastic numerical schemes for stochastic differential equations with “white noise” using itô’s integral. Symmetry, 15(11), 2038. https://doi.org/10.3390/sym15112038
Cîmpean, I., Nachit, Y., & Tudor, C. A. (2026). Quartic variation of the solution to the semilinear stochastic heat equation: Limit behavior and asymptotic independence with respect to the data. Journal of Mathematical Analysis and Applications, 557(1), 130258. https://doi.org/10.1016/j.jmaa.2025.130258
Crank, J., & Nicolson, P. (1947). A practical method for numerical evaluation of solutions of partial differential equations of the heat-conduction type. Mathematical Proceedings of the Cambridge Philosophical Society, 43(1), 50–67. https://doi.org/10.1017/S0305004100023197
Dong, J., Zhao, W., & Li, H. (2025). A structure-preserving reduced-order finite difference approach for a class of semilinear stochastic partial differential equations driven by white noise. Journal of Mathematical Analysis and Applications, 552(2), 129807. https://doi.org/10.1016/j.jmaa.2025.129807
Elizalde Pin, R. A., Macao Ortega, J. A., & Marrero Ramírez, S. (2024). Análisis comparativo de consumo de energía en una estación de bombeo de agua con diferentes algoritmos de control voltaje/frecuencia. Alfa Publicaciones, 6(2.2), 48–67. https://doi.org/10.33262/ap.v6i2.2.488
Ermakov, S. & Smilovitsky, M. G. (2021). Monte-Carlo for solving large linear systems of ordinary differential equations. Vestnik of Saint Petersburg University Mathematics Mechanics Astronomy, 8 (1), 37–48. https://doi.org/10.21638/spbu01.2021.104
Esmaeilbeigi, M., Chatrabgoun, O., & Shafa, M. (2019). Numerical solution of time-dependent stochastic partial differential equations using RBF partition of unity collocation method based on finite difference. Engineering Analysis with Boundary Elements, 104, 120–134. https://doi.org/10.1016/j.enganabound.2019.03.013
Evans, L. (2022). Partial differential equations (Vol. 19). American Mathematical Society. https://books.google.com.ec/books/about/Partial_Differential_Equations.html?id=Ott1EAAAQBAJ&redir_esc=y
Ghajar, A. J., & Çengel, Y. A. (2025). Heat and mass transfer: fundamentals & applications. McGraw Hill LLC. https://books.google.com.ec/books/about/Heat_and_Mass_Transfer_Fundamentals_and.html?id=B89MnwEACAAJ&redir_esc=y
Guzmán Clavijo, C. R., & Alvear Calle, D. A. (2021). Application of the thermal balance equation to determine hygrothermal comfort in a single-family house in canton Giron. Ciencia Digital, 5(2), 149-164. https://doi.org/10.33262/cienciadigital.v5i2.1722
Higham, D. J. (2001). An algorithmic introduction to numerical simulation of stochastic differential equations. SIAM Review, 43(3), 525–546. https://doi.org/10.1137/S0036144500378302
Khattab, A. G., Semary, M. S., Hammad, D. A., & Fareed, A. F. (2024). Exploring stochastic heat equations: a numerical analysis with fast discrete fourier transform techniques. Axioms, 13(12), 886. https://doi.org/10.3390/axioms13120886
Kloeden, P. E., & Platen, E. (1992). Numerical solution of stochastic differential equations. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-12616-5
Kroese, D. P., Taimre, T., & Botev, Z. I. (2011). Handbook of Monte Carlo methods. Wiley. https://www.wiley.com/en-us/Handbook+of+Monte+Carlo+Methods-p-9781118014943
LeVeque, R. J. (2007). Finite difference methods for ordinary and partial differential equations: steady-state and time-dependent problems. Society for Industrial and Applied Mathematics (SIAM). https://books.google.com.ec/books/about/Finite_Difference_Methods_for_Ordinary_a.html?id=lZysESfSWwgC
Li, Y., & Su, C. (2022). Stochastic heat transfer analysis and reliability assessment under non-stationary random thermal load using the explicit time-domain method. International Journal of Heat and Mass Transfer, 194, 123011. https://doi.org/10.1016/j.ijheatmasstransfer.2022.123011
Lord, G. J., & Tambue, A. (2018). A modified semi–implicit Euler–Maruyama scheme for finite element discretization of SPDEs with additive noise. Applied Mathematics and Computation, 332, 105–122. https://doi.org/10.1016/j.amc.2018.03.014
Navas Muñoz, M. J., Matovelle Bustos, C., Vélez Arcentales , A., & Córdova, F. (2022). Evaluación de modelos hidráulicos unidimensionales y bidimensionales para la generación de mapas de inundaciones en un río de montaña. Alfa Publicaciones, 4(1), 163–182. https://doi.org/10.33262/ap.v4i1.181
Ogethakpo, A. & Nkonyeasua, I. (2025). Analyzing Computational Approaches for Differential Equations: A Study of MATLAB, Mathematica, and Maple. arXiv [cs.MS]. https://doi.org/10.48550/arXiv.2510.02346
Rice, J. A. (2007). Mathematical statistics and data analysis (3rd ed.). Cengage Learning. https://korivernon.com/documents/MathematicalStatisticsandDataAnalysis3ed.pdf
Seyer, L., Enguehard, F., & Rochais, D. (2024). Deterministic and stochastic approaches for the modeling of conduction-radiation coupling within non-Beerian semi-transparent media. Journal of Quantitative Spectroscopy and Radiative Transfer, 325 (109086), 109086. https://doi.org/10.1016/j.jqsrt.2024.109086
Sterr, B., Mahravan, E., & Kim, D. (2021). Uncertainty quantification of heat transfer in a microchannel heat sink with random surface roughness. International Journal of Heat and Mass Transfer, 174(121307), 121307. https://doi.org/10.1016/j.ijheatmasstransfer.2021.121307
Villasante, A., Fernández-Serrano, Á., Osuna-Sequera, C., & Hermoso, E. (2025). Methodology for stiffness prediction in structural timber using cross-validation RMSE analysis. Journal of Building Engineering, 107(112767), 112767. https://doi.org/10.1016/j.jobe.2025.112767
Welford, B. P. (1962). Note on a method for calculating corrected sums of squares and products semantic scholar. Technometrics, 4(3), 419-420. https://doi.org/10.1080/00401706.1962.10490022
Zhang, A., & Li, Y. (2023). Thermal conductivity of aluminum alloys—a review. Materials, 16(8), 2972. https://doi.org/10.3390/ma16082972