参数设置
扩散方程
$$\frac{\partial u}{\partial t}= D \frac{\partial^2 u}{\partial x^2}$$稳定性条件: $\Delta t \leq \frac{\Delta x^2}{2D}$
结果 1
—
结果 2
—
计算结果
使用有限差分法求解一维扩散/热传导方程。自由设定初始条件和边界条件，以动画形式显示数值解。
稳定性条件: $\Delta t \leq \frac{\Delta x^2}{2D}$
计算结果
这是描述一维扩散/热传导过程最核心的偏微分方程（PDE），它建立了物理量u随时间的变化与其在空间中分布曲率之间的关系。
$$\frac{\partial u(x, t)}{\partial t}= D \frac{\partial^2 u(x, t)}{\partial x^2}$$$u(x,t)$: 待求的物理量，如温度、浓度、概率密度。
$t$: 时间。
$x$: 空间位置。
$D$: 扩散系数，恒为正数，由材料性质决定，单位是 m²/s。
这是使用显式有限差分法（FTCS格式）离散化上述PDE后得到的数值求解公式，也是本模拟器背后实际计算的依据。
$$u_i^{n+1}= u_i^n + \frac{D \Delta t}{(\Delta x)^2}(u_{i+1}^n - 2u_i^n + u_{i-1}^n)$$$u_i^n$: 在第n个时间步、第i个网格点上的物理量值。
$\Delta t$: 时间步长。
$\Delta x$: 空间步长，$\Delta x = L / N$。
稳定性条件: 为保证计算稳定，必须满足 $\frac{D \Delta t}{(\Delta x)^2}\leq \frac{1}{2}$。
热传导工程分析：这是最直接的应用。比如分析发动机气缸壁的温度分布，或电子芯片散热片的热量传递过程。通过设定不同的边界条件（如一端固定温度），可以预测部件各点随时间变化的温度，防止过热失效。
环境科学与地下水污染：有害物质泄漏到土壤或地下水中后，其浓度随时间和空间的扩散过程可以用此方程模拟。通过调整扩散系数D来匹配不同土壤介质的性质，从而预测污染范围，制定治理方案。
半导体制造中的掺杂工艺：在芯片制造中，需要将杂质原子（如硼、磷）扩散进硅晶圆以改变其电学性质。这个过程严格受扩散方程控制，工程师通过精确控制加热温度（影响D）和时间，来得到所需的杂质分布深度和浓度。
金融数学中的期权定价：著名的布莱克-舒尔斯方程在形式变换后与热传导方程等价。这里的“扩散”描述的是股票价格波动率的传播，而“解”u则对应着期权的理论价格。一维扩散求解器是理解更复杂金融模型的基础。
开始使用这个工具时，有几个容易踩坑的地方需要留意。首先是“扩散系数 D 取值的现实感”。教科书常采用 D=1.0 进行计算，但实际数值往往相差多个数量级。例如，空气中水蒸气的扩散系数约为 2.5e-5 m²/s，钢材的热扩散率约为 1e-5 m²/s。若在模拟器中设置 D=1，会观察到扩散过程瞬间完成，这正是忽略了“尺度感”所致。在应用于实际问题时，需结合区域长度 L 和时间尺度，关注无量纲数傅里叶数 $F_o = D \Delta t / (\Delta x)^2$。尽管 Crank-Nicolson 法无条件稳定，但为保证精度，建议将 $F_o$ 控制在较小值（例如 10 以下）。
其次是“Neumann 边界条件=0 的真实含义”。它表示绝热或无物质进出是正确的，但这是“梯度为零”的条件，即边界处分布曲线趋于平坦。因此，若初始分布在边界处有非零值，该值将完全保持不变。例如，仅对金属棒中心加热并将两端绝热，热量即使到达边界也无法散失，最终整体会趋于均匀温度。注意不要与 Dirichlet（固定值）条件混淆。
最后是“数值扩散与振荡”的陷阱。虽然该求解器性能优异，但当初始条件存在剧烈变化（如阶跃函数）时，计算中可能出现轻微“模糊”现象，或在最初几个时间步长中出现微小数值振荡。这是离散化过程中难以完全避免的现象，可通过细化网格（减小 Δx）来缓解。在实际应用中，若发现“计算结果过于平滑？”，应养成检查网格依赖性的习惯。
这种一维扩散概念实际上是众多领域的基础。首先是“电池工程”。锂离子电池充放电时，电极内部锂离子的扩散过程直接影响性能。若将模拟器中的浓度 u 视为锂离子浓度、D 视为固相扩散系数，就能理解充电过快导致电极表面浓度饱和并引发劣化（镀锂）现象的机理。
其次是“向结构力学领域的延伸”。掌握扩散方程的求解方法，实际上可成为理解梁挠度微分方程和一维波动方程数值解法的桥梁，因为控制方程形式相似。例如，梁挠度的基本方程为 $EI \frac{d^4 w}{dx^4} = q(x)$，同样可用有限差分法求解。其线性方程组求解算法（Thomas算法）的数学基础完全一致。
此外，该方法也应用于“图像处理”领域。图像的“高斯滤波”和“各向异性扩散”技术，正是在二维图像上求解扩散方程，从而实现去噪和边缘保持平滑。通过本工具观察一维高斯分布随时间逐渐平滑扩散的过程，可直接深化对图像模糊化本质的理解。
熟悉本工具后，可尝试“向二维扩展”。一维情况下用 Thomas 算法轻松求解的方程组，在二维中将转化为大型稀疏矩阵。如何高效求解成为下一个关键课题，此时需要引入“迭代法（如 SOR 法、共轭梯度法）”。建议先从正方形区域入手，想象两端冷却的金属板温度分布随时间变化的场景。
若希望深化数学背景，可学习“偏微分方程分类（抛物型、椭圆型、双曲型）”。本文讨论的扩散方程是典型的“抛物型”方程。与此相对，理解描述稳态的拉普拉斯方程（椭圆型）和描述振动的波动方程（双曲型）之间的区别，有助于系统化认识 CAE 中遇到的各种物理现象。仔细观察本工具中 Crank-Nicolson 法的公式，会发现时间项的处理方式是关键所在。
最后，在实际工程中使用 CAE 工具时，“无量纲化”概念不可或缺。前文提及的傅里叶数即是一例。将方程无量纲化可减少参数数量，凸显物理本质。例如，对于包含扩散系数 D、长度 L、时间 t 的问题，通过无量纲时间 $t^* = D t / L^2$ 进行整理，仅用一条曲线即可描述整个现象。这是实验数据与仿真结果对比时的核心技能，建议尽早掌握其要领。