Redogöra för och tillämpa grundläggande begrepp i analys av funktioner av flera variabler, såsom mängder, följder och konvergens i $R^n$, gränsvärden och olika typer av kontinuitet, samt formulera och använda begreppen derivata, gradient, Jacobi- och Hesse-matris, kedjeregel och Taylors sats för att analysera och approximera sådana funktioner, t.ex. genom linjärisering och numerisk derivata.
Formulera problem i flera variabler som system av ekvationer och optimeringsproblem, använda gradient och riktningsderivata för att finna stationära punkter, klassificera dessa med hjälp av Hesse-matrisen samt tillämpa Newtons metod och grundläggande metoder för optimering på kompakta mängder och under bivillkor.
Formulera och beräkna dubbel- och trippelintegraler, använda Fubinis sats för att separera integraler, genomföra variabelsubstitution med Jacobi-determinant (i t.ex. polära, cylindriska och sfäriska koordinater) samt tillämpa dubbel- och trippelintegraler för att bestämma medelvärden, masscentrum, tröghetsmoment och generaliserade integraler.
Formulera och beräkna kurvintegraler och ytintegraler för skalära fält och vektorfält, använda gradient, rotation och divergens och tillämpa Greens sats, Stokes sats och Gauss sats i enkla situationer, samt analysera konservativa och inkompressibla fält med tolkning i termer av arbete, cirkulation och flöde.
Formulera och använda grundläggande begrepp för diskretisering och approximation i flera dimensioner, såsom triangulering och tetraedernät, basfunktioner och funktionsrum av styckvis polynom samt barycentriska koordinater, och tillämpa dessa för interpolation, projektion och numerisk integration (kvadratur).
Formulera grundläggande partiella differentialekvationer med tillhörande rand- och begynnelsevillkor som modeller för stationära och tidsberoende fenomen, redogöra översiktligt för stark och svag formulering samt tillämpa finita elementmetoden för linjära problem, inklusive uppställning av svag form, styvhets- och massmatris, assemblering och användning av enkla tidsstegningsmetoder.
Implementera och använda numeriska algoritmer i Python för beräkningar inom kursens område samt analysera, tolka och skriftligt kommunicera modellval, beräkningsresultat och begränsningar i tekniska tillämpningar.
Kursinnehåll
Differentialkalkyl i flera variabler: Mängder, följder och konvergens i $R^n$; gränsvärde och kontinuitet (inklusive likformig och Lipschitz-kontinuitet); deriverbarhet, derivata, partiella derivator, gradient, Jacobi- och Hesse-matriser; kedjeregeln; medelvärdessats och Taylors sats; linjärisering och numerisk derivata. Ekvationslösning och optimering: Newtons metod för system; gradient och riktningsderivata; stationära punkter och klassificering via Hesse-matrisen; optimering på kompakta mängder och under bivillkor (Lagrange-metoden); översikt av inversa och implicita funktionssatserna. Integralkalkyl i flera variabler: Dubbel- och trippelintegraler; Fubinis sats; variabelsubstitution och Jacobi-determinant (polära, cylindriska, sfäriska koordinater); medelvärden, masscentrum och tröghetsmoment; generaliserade integraler. Kurvintegraler och ytintegraler: Kurv- och ytintegraler; arbete, cirkulation, flöde; gradient, rotation och divergens; Greens sats, Stokes sats och Gauss sats; konservativa och inkompressibla fält. Diskretisering och approximation i flera dimensioner: Triangulering/tetraedernät; basfunktioner och funktionsrum av styckvis polynom; barycentriska koordinater; interpolation, projektion och kvadratur. Numerisk lösning av PDE: Grundläggande begrepp för PDE; stark och svag formulering; rand- och begynnelsevillkor; grundläggande modeller (Laplace/Poisson, värmeledning, advektiondiffusion); finita elementmetoden för linjära problem, svag form, styvhets- och massmatris, assemblering och gles struktur; tidsstegning (explicit/implicit Euler, mittpunkt); icke-linjära problem och Newtons metod; visualisering. Tillämpningar och programmering: Python som beräkningsverktyg för PDE: implementering, testning och verifiering; t.ex. advektiondiffusion, Schrödinger-ekvationen samt träning av neurala nät som en tillämpning av flervariabelanalys och gradientmetoden.
Förutsättningar
Grundläggande behörighet för grundnivå Samma behörighet som det kursägande programmet