🙋
このシミュレーターで「方形波」を選んでNを増やすと、ギザギザが細かくなるけど、角のところはいつも尖ったままですね。これが「ギブス現象」ってやつですか？
🎓
その通り！不連続点（角）の近くで、高調波を何十項も足しても約9%のオーバーシュートが消えない現象だ。上の「高調波次数 N」のスライダーを1から50まで動かしてみて。角の上と下にできる小さな山が、ずっと残るのがわかるよね。
🙋
え、そうなんですか？でも「三角波」に切り替えると、角は滑らかになっていきますね。同じフーリエ級数なのに、なぜ違うんですか？
🎓
良いところに気づいたね。方形波は値がジャンプする「不連続点」があるからギブス現象が起きる。一方、三角波は連続だから、Nを増やすと元の形にスムーズに近づくんだ。右のスペクトル表示を見ると、方形波は高次成分がゆっくり減衰するのも特徴だよ。
🙋
実務では、この「有限項で打ち切る」ことが影響するんですか？例えば、全部の波を足しきれない場合とか。
🎓
まさにそこがCAEでは重要だ。現実の計算では無限項は計算できないから、どこかで打ち切る。この「打ち切り誤差」が数値解析の精度を決める。例えば自動車の振動シミュレーションでFFTを使う時、高周波成分をどこまで考慮するかは、計算時間と精度のトレードオフになるんだ。
Nを増やすほど元の波形に近づきますが、方形波やのこぎり波では不連続点付近に「ギブス現象」と呼ばれる約9%のオーバーシュートが残ります。Nを50まで上げてもこの超過は消えず、幅が狭まるだけです。三角波ではギブス現象は発生しません。
各高調波の振幅（フーリエ係数）を周波数軸上にプロットしたものです。例えば方形波は奇数次高調波のみを持ち、振幅は1/nで減衰します。スペクトルを見れば、どの周波数成分が波形を構成しているか一目で把握できます。
不連続な波形を有限個の滑らかな正弦波で近似しようとするためです。フーリエ級数は不連続点で平均値に収束しますが、その両側で過渡的な振動（リップル）が発生します。Nを増やしても振動の最大振幅は約9%に収束し、消失しません。
フーリエ変換の直感的理解に最適です。例えば方形波を送信する際、高調波をどこまで含めるかで帯域幅と波形歪みのトレードオフを視覚的に学べます。また、ギブス現象の存在はフィルタ設計や画像圧縮（JPEGのブロック歪み）の原理理解にも応用できます。
振動・音響解析：エンジンや車体の振動データをFFT（高速フーリエ変換）で周波数スペクトルに変換し、どの周波数（=どの部品の振動）が支配的かを同定します。騒音の原因特定にも不可欠です。
信号処理・通信：デジタル信号は方形波の集まりとみなせるため、フーリエ解析が基礎理論となります。ノイズ除去やデータ圧縮（JPEG, MP3）にも応用されています。
熱伝導・流体解析：偏微分方程式で記述される非定常熱伝導問題などで、境界条件を周期関数で表現し、フーリエ級数展開を用いて解析解を得る手法が用いられます。
画像処理：画像の濃淡パターンを2次元のフーリエ級数（フーリエ変換）で表現し、エッジ検出や画像圧縮、パターン認識に活用されています。
まず、「Nを大きくすればするほど、常に精度が上がる」と思いがちですが、実はそう単純ではありません。確かに滑らかな三角波ではそうですが、方形波のように不連続点を持つ波形では、ギブス現象による約9%のオーバーシュートはNを100にしても1000にしても消えません。これは数学的に証明された収束の性質です。実務では、「どこまで項数を増やすべきか」は、許容できる誤差と計算コストのバランスで決めます。例えば、音声信号の再現で9%の歪みが致命的なら、方形波近似自体が不適切かもしれません。
次に、シミュレーターで見ている「スペクトル」は、あくまで理想的な周期波形のものだという点。実際のCAEデータ（例えば、時間歴の振動データ）をFFTして得るスペクトルは、ノイズや非定常成分が混ざり、こんなに綺麗な離散線にはなりません。例えば、エンジンの振動データをFFTすると、回転数に対応したピークは見えますが、背景にブロードなノイズが必ず存在します。ツールの綺麗なスペクトルをそのまま現実と同一視しないことが重要です。
最後に、係数の減衰速度 $1/n$ や $1/n^2$ が物語る「波形の性質」を理解しましょう。減衰が遅い（方形波の$1/n$）ほど高周波成分が多く、急峻な変化を含みます。逆に減衰が速い（三角波の$1/n^2$）波形は滑らかです。これは実務でのメッシュ分割や時間刻み設定に直結します。衝撃波のような急峻な現象をシミュレートするには、高速な減衰を仮定できないため、非常に細かいメッシュや高いサンプリング周波数が必要になる、というわけです。