La libreria Matplotlib di Python è molto interessante e ricca di funzionalità (tutte le info sul sito ufficiale matplotlib.org). Viene usata principalmente per mostrare a video grafici di funzioni matematiche.
Per installare Matplotlib, la strada da seguire in un sistema Linux Debian-based è pip install matplotlib (ovviamente se prima occorre installare pip, sudo apt install python3-pip). Altri sistemi operativi (Linux Arch-based, ecc) hanno rispettivi comandi.
Matplotlib lavora bene in cooperazione con l'altra libreria di Python molto usata in ambito scientifico, Numpy (pip install numpy).
Fatta questa premessa, vediamo ora un caso pratico (richiede una matematica un pochino avanzata, tipico caso di ingegneria): equazione della diffusione 1D, risolta numericamente tramite schema FTCS alle differenze finite. Riportiamo i dati del problema:
- equazione:
∂C/∂t = D * ∂²C/∂x²
- N=10 (numero celle)
- BCl: la cella di sinistra ha valore costante zero (condizione Dirichlet omogenea)
- BCr: analogo a BCl per la cella di destra, valore costante zero (condizione Dirichlet omogenea)
- IC: condizioni iniziali valore zero ovunque, tranne nella seconda cella ovvero C[1] dato che come indice si parte da C[0] e il valore è C[1]=100; quindi un impulso iniziale tipo Delta di Dirac discreta
- passo di discretizzazione: Fo=0.25, il limite massimo per l'Analisi di stabilità di Von Neumann di FTCS 1D è 0.5
- numero di iterazioni pari a 15 (a titolo di esempio)
Dopo un certo numero di iterazioni (in questo caso, n_steps=15) l'andamento diffusivo mostrerà un risultato differente rispetto all'impulso iniziale, ovviamente nel tempo il picco C=100 tende ad attenuarsi mentre nelle zone vicine il valore inizialmente zero, tende a crescere. Si ha appunto un fenomeno diffusivo.
Nota: qui stiamo facendo una trattazione matematica, risoluzione numerica di un'equazione differenziale. Il concetto di "diffusione", dal punto di vista fisico, può essere poi inteso nei vari ambiti (diffusione di un inquinante non reattivo in questo caso, diffusione della temperatura, ecc) semplicemente assegnando i valori opportuni alle variabili.
Importante: prima di riportare il codice, commentiamo un errore piuttosto comune nell'implementazione. Il seguente codice di esempio
while(time<=Tout):
for i in range(1,N-1):
C[i]=C[i]+Fo*(C[i+1]-2*C[i]+C[i-1])
sarebbe SBAGLIATO, anche se può apparire intuitivamente corretto come implementazione di FTCS. Questo perché C viene aggiornato in-place, quindi non è più il metodo FTCS ma uno schema misto. In pratica il metodo FTCS prevede di calcolare C[ i ] al tempo n+1 usando i valori C[ i ], C[ i+1 ] e C[ i-1 ] al tempo n; tuttavia C[ i-1 ] è già stato calcolato, questo codice aggiornerebbe C[ i ] con un valore C[ i-1 ] del tempo n+1 anziché n, quindi appunto sbagliato.
Vediamo dunque la versione completa e corretta del codice Python, con copia temporanea (per evitare l'errore precedentemente illustrato). A seguire lo screenshot del risultato grafico.
import numpy as np
import matplotlib.pyplot as plt
N = 10
C = np.zeros(N)
C[1] = 100.0 # impulso iniziale
C_init = C.copy()
Fo = 0.25 # Numero di Fourier D*dt/dx^2, deve essere <= 0.5 per stabilità
n_steps = 15
# Metodo FTCS esplicito corretto (con copia temporanea)
for _ in range(n_steps):
C_new = C.copy()
C_new[1:-1] = C[1:-1] + Fo * (C[2:] - 2*C[1:-1] + C[:-2])
C = C_new
# C[0] e C[-1] restano 0 = Dirichlet omogenee
plt.figure(figsize=(10, 5))
x = np.arange(N)
plt.plot(x, C_init, '--', label='t = 0 (iniziale)', alpha=0.7)
plt.plot(x, C, label=f't = {n_steps} steps')
plt.xlabel('Cella X')
plt.ylabel('Concentrazione C')
plt.title('Diffusione 1D - Metodo FTCS (Fo=0.25)')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Altre discussioni in tema:
BTCS, algoritmo di Thomas per sistema tridiagonale - Python
BTCS diffusion 1D - linguaggio Nim
Metodo trapezoidale (Crank-Nicolson) per equazione della diffusione - Python
Diffusione numerica (Lax-Wendroff) - onda quadra - Python (NB differenza diffusione fisica e diffusione numerica)