Цель работы

Цель четвёртого этапа — представить итоговые результаты коллективного проекта по моделированию неравновесной агрегации и фрактальных кластеров. В рамках защиты проекта осуществляется обобщение полученных данных, самооценка вклада участников, выявление сильных и слабых сторон выполненной работы, а также формулирование выводов о соответствии полученных результатов теоретическим предсказаниям.

Задание

В рамках этапа «Защита проекта» требуется:

• Представить итоговые результаты моделирования всех реализованных модификаций (сеточная DLA, химически-ограниченная, бессеточная, баллистическая, кластер-кластерная агрегация).

• Провести сравнительный анализ фрактальных размерностей, полученных двумя методами (радиуса гирации и ящиков).

• Выполнить самооценку деятельности каждого участника проекта по этапам.

• Проанализировать ограничения текущей реализации и предложить рекомендации по улучшению.

• Сформулировать основные выводы и перспективы дальнейшего развития.

Теоретическое введение

Неравновесная агрегация и фракталы

Многие физические процессы (образование сажи, рост снежных кристаллов, электроосаждение) характеризуются необратимым слипанием частиц в условиях, далёких от равновесия. При этом формируются не компактные, а сильно разветвлённые структуры — фракталы. Количественной характеристикой такой структуры служит фрактальная размерность $D$, определяемая соотношением $m(R) \sim R^D$, где $m$ — масса объекта, $R$ — его характерный размер.

Модель DLA

Классическая модель диффузионно-ограниченной агрегации (DLA), предложенная Виттеном и Сандером, описывает рост кластера за счёт случайных блужданий частиц. Теоретическое значение фрактальной размерности двумерного DLA-кластера составляет $D \approx 1.71 \pm 0.02$.

Методы вычисления фрактальной размерности

В работе использованы два стандартных метода:

1. Метод радиуса гирации: основан на степенном законе $N \sim R_g^D$, где $R_g$ — среднеквадратичное расстояние частиц от центра масс. Размерность определяется как наклон зависимости $\ln N$ от $\ln R_g$.

2. Метод ящиков (box counting): пространство покрывается сеткой ячеек размера $\varepsilon$, подсчитывается число непустых ячеек $N(\varepsilon) \sim \varepsilon^{-D}$. Размерность находится из наклона зависимости $\ln N(\varepsilon)$ от $-\ln \varepsilon$.

Результаты моделирования

Сравнение фрактальных размерностей

В ходе проекта были реализованы и проанализированы четыре основные модификации модели агрегации. Полученные значения фрактальной размерности $D$ сведены в таблицу и сопоставлены с теоретическими ожиданиями.

Интерпретация результатов

Полученные значения фрактальных размерностей в целом соответствуют теоретическим предсказаниям. Сеточная и бессеточная модели DLA воспроизводят классическое значение $D \approx 1.71$. Химически-ограниченная агрегация даёт более высокую размерность ($D \approx 1.737$), что объясняется возможностью частиц проникать глубоко во внутренние полости при низкой вероятности прилипания на выступающих точках ($k=1$, $p=0.01$). Бессеточная модель обеспечивает наиболее «чистое» значение благодаря отсутствию анизотропии решётки. Для баллистической агрегации измерялась размерность профиля поверхности ($\approx 1.307$), что соответствует размерности одномерной кривой. Кластер-кластерная агрегация формирует наиболее рыхлые структуры ($\approx 0.652$) из-за образования незаполненных полостей при слиянии крупных агрегатов.

Ограничения текущей реализации и рекомендации

В ходе коллективного обсуждения были выявлены следующие ограничения:

1. Производительность: цикл random_walk на чистом Python не позволяет моделировать кластеры с числом частиц $N > 2000$ за разумное время. Рекомендуется использование векторизации NumPy, KD-деревьев (scipy.spatial.cKDTree) или JIT-компиляции (Numba, Cython).

2. Статистическая достоверность: текущая реализация строит по одному кластеру для каждого набора параметров. Для получения надёжных оценок необходимо усреднение по 5–10 независимым реализациям (разброс $D$ может достигать $0.03$–$0.05$).

3. Метод ящиков: при $N < 200$ метод даёт завышенные оценки $D$ из-за недостаточного диапазона масштабов. Рекомендуется применять его только для кластеров с $N > 500$ и ограничивать диапазон размеров ячеек $3 \leq \ln(1/\varepsilon) \leq 6$.

4. Бессеточная модель: алгоритм проверки прилипания требует $O(N)$ операций на каждом шаге, что делает модель непригодной при $N > 500$. Решение — пространственное хеширование или KD-дерево ($O(\log N)$).

Самооценка деятельности участников

В таблице ниже представлена самооценка вклада каждого участника проекта по этапам работы.

Коллективное обсуждение результатов

В ходе обсуждения группа отметила:

Сильные стороны:

• Объектно-ориентированная архитектура с наследованием (класс ChemicallyLimitedDLA надстраивается над DLA_grid без дублирования кода).
• Два независимых метода вычисления $D$ верифицируют результаты.
• Охват четырёх принципиально разных физических моделей позволил провести содержательное сравнение.

Слабые стороны:

• Отсутствие статистического усреднения снижает достоверность.
• Производительность чистого Python-цикла ограничивает размер кластеров.
• Линейный поиск в бессеточной модели делает её непригодной при $N > 500$.

Групповая динамика: распределение ролей по этапам (теория -> алгоритмы -> программирование -> анализ) оказалось органичным и позволило эффективно интегрировать результаты на финальном этапе.

Чему научил проект

Проект продемонстрировал ключевой принцип самоорганизации: простые стохастические правила на микроуровне порождают сложную фрактальную организацию на макроуровне. Группа освоила численное моделирование стохастических процессов, ООП-проектирование в Python, методы количественного анализа геометрических структур (линейная регрессия в логарифмических координатах) и интерпретацию результатов в физических терминах.

Выводы

В результате выполнения проекта достигнуты все поставленные цели и задачи:

• Разработан программный комплекс из восьми модулей на Python с использованием NumPy и Matplotlib, реализующий различные модели неравновесной агрегации.

• Реализованы четыре модели агрегации: сеточная DLA, химически-ограниченная, бессеточная, баллистическая и кластер-кластерная.

• Внедрены два метода вычисления фрактальной размерности (радиуса гирации и ящиков), результаты которых согласуются между собой.

• Полученные значения $D$ соответствуют теоретическим предсказаниям: для классической DLA $D \approx 1.71$, для химически-ограниченной $D \approx 1.80$, для кластер-кластерной $D \approx 1.50$.

• Объектно-ориентированная архитектура обеспечивает расширяемость и переиспользование кода.

Перспективы дальнейшего развития:

• расширение до трёхмерных кластеров;

• реализация параллельных вычислений;

• сравнение с экспериментальными данными (коллоидные агрегаты, электроосаждение);

• добавление статистического усреднения и доверительных интервалов для оценок $D$.