Saltearse al contenido

SciPy: dejar de escribir el algoritmo

Si el algoritmo tiene nombre —bisección, Simpson, Runge-Kutta, Gradiente conjugado— ya está escrito, probado y con los casos raros resueltos. Escribirlo otra vez no es rigor: es riesgo. Este capítulo mide cuándo la biblioteca gana de verdad y cuándo el bucle propio sigue siendo mejor.

SciPy no es más rápido por magia: trae el algoritmo correcto y sus condiciones de borde. La parte que no trae es la comprobación contra un caso cerrado, y esa sigue siendo tuya.

El capítulo de tuberías resolvía Colebrook iterando la fórmula sobre sí misma. Se puede seguir haciendo, pero entonces hay que demostrar que la iteración converge. brentq no lo necesita: sólo pide una función continua y un intervalo con cambio de signo.

from scipy import optimize
def residuo(f):
rugosidad = eps_D / 3.7 + 2.51 / (Re * math.sqrt(f))
return 1 / math.sqrt(f) + 2 * math.log10(rugosidad)
f = optimize.brentq(residuo, 1e-4, 0.5, xtol=1e-15)
La misma raíz por tres métodos
Método f Coste
Punto fijo (capítulo de tuberías) 0.018134909113 8 iteraciones
Bisección a mano 0.018134909113 49 iteraciones
brentq 0.018134909113 15 evaluaciones

python mediciones/05-08-scipy.py

Las tres llegan al mismo número con diferencia de 4.3·10⁻¹⁵. Y aquí está la lección incómoda: la biblioteca no siempre gana. Para esta ecuación, el punto fijo converge en 8 iteraciones, la mitad que brentq. Lo que brentq compra no es velocidad: es no tener que demostrar que la iteración converge, y funcionar igual si mañana la ecuación cambia y deja de ser una contracción.

from scipy import integrate
volumen, error = integrate.quad(hidrograma, 0, 4.0)
Dos integrales con solución cerrada
Integral quad Cerrada Error relativo
Volumen del hidrograma (m³) 1 440 000.0 1 440 000.0 0
Flecha en el centro (mm) 1.607143 1.607143 1.3·10⁻¹⁶

python mediciones/05-08-scipy.py

La flecha es el caso interesante, porque tiene una trampa que el integrador no puede detectar. La ecuación de la elástica es EI·y'' = M(x), y la solución es una doble integral con dos condiciones de borde:

y(L/2) = ∫₀^(L/2) (L/2 − s)·M(s)/EI ds − (L/2)/L · ∫₀^L (L − s)·M(s)/EI ds

El segundo término es el giro del apoyo. Sin él, la doble integral da 0.964286 mm en vez de 1.607143: un 40 % menos, sin error, sin aviso y con toda la pinta de un resultado.

sol = integrate.solve_ivp(recesion, (0, 60), [8.0], rtol=1e-10, atol=1e-12)
Recesión exponencial, h₀ = 8 m, τ = 12 días
Magnitud Valor
h(60 días) con solve_ivp 0.053904 m
Analítica h₀·e^(−t/τ) 0.053904 m
Error máximo en los 61 puntos 1.2·10⁻¹⁰ m
Evaluaciones de la derivada 818

python mediciones/05-08-scipy.py

Con rtol=1e-10 el método de Runge-Kutta adaptativo reproduce la exponencial a diez decimales. Con el rtol por defecto (1e-3) el error sería del orden del milímetro: suficiente para un gráfico, insuficiente para un balance. La tolerancia es parte del resultado, igual que el Δt de Muskingum.

Un Laplaciano de diferencias finitas en 1D —el mismo esqueleto del capítulo de flujo de geotecnia— es una matriz tridiagonal. Guardarla entera es tirar memoria:

Laplaciano 1D: densa frente a dispersa
Incógnitas Densa Dispersa (spsolve)
1 000 0.11 s 0.34 ms
2 000 0.41 s 0.60 ms
20 000 pediría 3.2 GB 7.0 ms
—— densidad —— 100 % 0.0150 % (59 998 de 400 millones)

python mediciones/05-08-scipy.py

A 20 000 incógnitas la versión densa no es lenta: es imposible en un portátil. La dispersa resuelve en 7 ms con un residuo de 1.5·10⁻⁸.

La regla práctica: si más del 90 % de la matriz es cero, no la guardes. Y la comprobación: la solución dispersa y la densa coinciden a 5.8·10⁻¹⁰ en el mismo sistema.

Ajustar una Gumbel a mano son unas doscientas líneas de verosimilitud, derivadas y optimización. Con SciPy:

mu, alpha = stats.gumbel_r.fit(muestra)
Ajuste de una muestra Gumbel de 200 datos
Parámetro Generado Recuperado Error
μ 60.0 60.40 0.67 %
α 12.0 10.97 8.55 %
Tiempo de escritura — tres líneas —

python mediciones/05-08-scipy.py

El error del 8.55 % en α no es de SciPy: es el error de muestreo de 200 datos. La biblioteca devuelve el estimador correcto de un parámetro que la muestra no determina mejor.

  • Matrices pequeñas (menos de ~100 incógnitas): la densa es más rápida y más simple.
  • Funciones discontinuas: quad necesita points en los saltos o devuelve un valor con error grande y silencioso.
  • EDO rígidas: RK45 se arrastra; hay que cambiar de método, no de tolerancia.
  • Cuando el algoritmo es el objeto de estudio: si el capítulo trata de entender la bisección, se escribe la bisección. SciPy es para producir un número, no para aprender cómo se produce.

Calcula la flecha en el extremo de una viga en voladizo con carga puntual P = 10 kN, L = 3 m, EI = 2.1·10⁸ N·m², integrando la elástica con quad, y compárala con PL³/(3EI).

Solución
from scipy import integrate
P, L, EI = 10_000.0, 3.0, 2.1e8
def momento(s):
"""Momento flector a distancia s del empotramiento: M = P·(L − s)."""
return P * (L - s)
flecha, _ = integrate.quad(lambda s: (L - s) * momento(s) / EI, 0, L)
exacta = P * L**3 / (3 * EI)
print(f"quad: {flecha * 1000:.6f} mm")
print(f"PL³/3EI: {exacta * 1000:.6f} mm")
print(f"error relativo: {abs(flecha - exacta) / exacta:.1e}")

quad = 0.428571 mm y PL³/3EI = 0.428571 mm: error 2.5·10⁻¹⁶.

En el voladizo no hace falta el término del giro, porque el empotramiento tiene giro cero: la condición de borde ya está dentro de la integral. Compara con la viga biapoyada del capítulo: allí el giro del apoyo no es cero y hay que restarlo. La misma fórmula, dos condiciones de borde distintas, y una de las dos se olvida.

  • Documentación de SciPy: optimize.brentq, integrate.quad, integrate.solve_ivp, sparse.linalg.spsolve, stats.
  • Press, W. H. et al. Numerical Recipes, 3ª ed., Cambridge University Press, 2007.
  • Verificación: mediciones/05-08-scipy.py.
  • 06 · Vectorizar con numpy: el paso anterior, cuando el bucle sigue siendo tuyo.
  • 07 · Cachés: qué hacer cuando el cálculo no se puede delegar y hay que repetirlo.