Percolación: un cambio de fase geométrico
1 Introducción
La percolación es un fenómeno de la vida cotidiana: el agua en forma
de vapor "percola" a través del café molido de la cafetera, se
impregna del mismo y nos despierta por la mañana. Si la concentración
de café en el filtro fuese extremadamente compacta, el agua no podría
percolar pues no encontraría espacios libres entre los poros para
hacerlo. En este caso la presión creciente acabaría rompiendo la
resistencia del tapón de café por su punto más débil y el agua
escaparía por el camino de ruptura así creado, sin impregnarse bien
del café. Por este motivo se recomienda no aplastar demasiado el polvo
de café con la cucharilla para preparar un buen expresso.
Otros ejemplos de percolación son:
- la extracción de petróleo del subsuelo, haciéndolo percolar a
través del medio rocoso/poroso bajo el que se encuentra.
- la percolación de infecciones o epidemias a través de una
población: si la probabilidad de contagio es alta, la infección se
"abre paso" o percola en una población dada.
Otro ejemplo, de carácter más físico es el siguiente: imaginemos un
retículo de alambre conductor (una alambrada). E imaginemos que se
corta un porcentaje de las conexiones entre nudos adyacentes (ver
figura 1). Si dicho porcentaje es pequeño y se aplica una diferencia
de potencial entre dos lados opuestos de la red, ésta será conductora,
y la corriente circulará de un extremo al otro (o del centro a los
extremos): la corriente "percola" por la red (ver figura 2 en la que
se muestra un camino percolante conectando el centro con el borde).
Sin embargo, si el número de enlaces cortados es suficientemente
alto, no habrá percolación y el retículo mutilado no podrá conducir de
extremo a extremo (o desde el centro a un extremo). Separando estos
dos regímenes existe un valor preciso del porcentaje de nodos podados
en el que se produce un cambio de fase. De hecho la percolación
constituye el cambio de fase más sencillo que uno puede estudiar.
Nótese su carácter esencialmente geométrico.
Ejercicio: ¿qué fracción de enlaces hay que quitar de una red
unidimensional para que esta deje de ser percolante?
Figure 1: Ejemplos de red de hilo conductor mutilada. En el caso de
la izquierda se han eliminado un 30 por ciento de los enlaces y un
70 por ciento en el de la derecha. En el primero hay
percolación de enlaces y por tanto conductividad no nula si se
aplica una diferencia de potencial entre dos extremos opuestos,
mientras que en el de la izquierda el sistema no percola y no hay
conducción.
Figure 2: Ilustración de un camino percolatante, conectando el centro
de la red con la frontera.
Otras figuras y ejemplos ilustrativos de este fenómeno se pueden encontrar en
A un nivel más formal, el concepto de percolación fue introducido
por Broadbent en 1954, quien en un simposio sobre métodos Monte
Carlo planteó la siguiente pregunta: ¿cuál es la probabilidad de
que exista un camino conexo (esto es, un camino "no podado" en el
ejemplo anterior) desde un extremo del retículo (o desde el centro)
hasta el extremo opuesto? (ver figura 2). Inmediatamente
después el problema fue abordado por Hammersley y el mismo Broadbent
[]. Mientras que en el caso de un retículo unidimensional la
solución al problema es trivial, en dos y más dimensiones el problema
se hace muy complejo desde el punto de vista analítico, y los estudios
numérico/computacionales son esenciales.
Figure 3: Arriba: ejemplos de percolación por nodos en una red
hexagonal y percolación por enlaces (izquierda) en una red
cuadrada. Se han marcado las distintas agrupaciones o "clusters" conexas (tanto
de enlaces como de sitios). Abajo a la izquierda, fase
no percolante (las agrupaciones son finitas y no atraviesan todo el
sistema). Abajo a la derecha, fase percolante; la agrupación marcada en
negro se expande por todo el sistema, esto es, percola.
La importancia de la transición de percolación radica en que está
íntimamente relacionada con conceptos fundamentales como
fractales e invariancia de escala, y constituye un adecuado
banco de pruebas para estudiar técnicas analíticas o numéricas que
después serán utilizadas en el estudio de otros cambios de fase más
complejos. Por ejemplo, el grupo de renormalización se puede
entender partiendo desde modelos percolativos, y os conceptos
de tamaño finito, escalado, dimensión fractal, etc.,
aparecen de manera natural en percolación, como veremos en esta
lección.
2 El modelo de percolación más sencillo
Para modelar de forma económica la fenomenología anteriormente
descrita se suelen considerar los sencillos modelos de
percolación por nodos (o sitios) y percolación por enlaces
(véase la figura 3).
Percolación por nodos (o sitios): sea una conjunto de N puntos
formando un retículo. Por simplicidad consideraremos normalmente redes
cuadradas, pero el modelo es extensible a redes arbitrarias (en la
figura 3 arriba a la izquierda, se representa una red hexagonal).
Cada nodo ocupado se considera conectado con sus vecinos próximos en la red
siempre y cuando éstos estén ocupados también.
Si todos y cada uno de los nodos de la red estén ocupados, se podrá
encontrar, obviamente, un camino que conecte cualesquiera dos nodos
siguiendo los enlaces. Esta propiedad se mantiene si se
elimina al azar una fracción relativamente pequeña de nodos.
Sin embargo, supongamos que en un cierto momento hay una proporción
q=1−p (donde p es la probabilidad de que cada nodo esté ocupado)
relativamente alta de nodos, con posiciones aleatoriamente
distribuidas, que han sido eliminados de la red . Es obvio que si p = 0 o p es muy pequeño, es imposible encontrar un camino que
percole a través del sistema.
En este último caso, como se ilustra en la figura 3 (arriba a la izquierda),
para un red hexagonal, en la que se representan en distintos colores
los distintos caminos conectados, sólo existe caminos limitados, que no
atraviesan la red de parte a parte. Los puntos conectados entre sí forman
agregados o "clusters".
La parte inferior de la figura 3 ilustra el aspecto de redes
no percolantes (izquierda) y percolantes (derecha) para percolación por
sitios. Nótese como en el caso no percolante aparecen multitud de
agrupaciones de sitios conectados (cada una de un color diferente),
mientras que en el caso percolante hay una agrupación (representada en
color negro) que se expande por todo el sistema.
De hecho, se puede demostrar analíticamente que, para una red de
tamaño infinito, existe un valor crítico de p que llamaremos
umbral de percolación, pc, de forma que si p > pc existe al
menos un camino de nodos interconectados que se extiende por toda la
red. Por el contrario, si p < pc tendremos agrupaciones de nodos
interconectados, pero que no se extienden por toda la red.
Un aspecto importante es que pc, si se determina haciendo experimentos
en redes finitas (como es necesariamente el caso en cualquier estudio
computacional), depende del tamaño de la red que se considere, puesto
que, obviamente, cuanto mayor sea la red, mayor es el valor de p
necesario para generar caminos percolantes, que son más largos cuanto mayor
sea la red. Dicho de otra manera, un valor p < pc que genere caminos muy
largos pero no infinitos puede parecer que esté en la fase percolante
si el tamaño de red que consideramos es pequeño porque los caminos no
infinitos abarcan toda la extensión del tamaño considerado y son, por
tanto, indistinguibles de caminos percolantes. Esto es lo que se
denomina "efectos de tamaño finito"; efectos similares aparecen en
las cercanías de todos los puntos críticos.
Sin embargo, se puede demostrar que cuando L → ∞, el
valor aparente de pc tiende a un valor bien definido que constituye el
punto crítico en tamaño infinito.
Lo que hace interesante a este modelo es comprender lo que ocurre
alrededor de pc y en pc. En particular, para p = pc la
estructura geométrica del agrupamiento de nodos interconectados más
grande tiene estructura fractal. Esta propiedad, así como muchas
otras, es debida a que p = pc es un punto crítico y el sistema
tiene un cambio de fase: de fase percolante (o super-crítica) para p > pc a fase no percolante (o sub-crítica) para p < pc (ver figura
).
Figure 4: Diagrama que muestra la densidad de sitios en el agregado
percolante como función del parámetro de control p: para p < pc
dicha probabilidad es cero (fase no percolante), mientras que para
p > pc la densidad crece monótonamente con p.
Percolación por enlaces: En este caso, todos los sitios están
presentes, pero sólo hay enlaces entre ellos con
probabilidad p (parte superior derecha de la figura 3; al igual que en el
caso anterior, se representan con colores diferentes los distintos
caminos conectados; no hay ninguno que atraviese el sistema de parte a
parte).
Percolación dinámica: "modelos de incendios forestales"
Los dos modelos introducidos anteriormente (percolación por sitios y
percolación por enlaces) son modelos estáticos. Las agrupaciones que
generan pueden ser identificadas de una forma "dinámica" utilizando
el llamado "modelo de incendios forestales".
Pensemos en un bosque como una red cuadrada en la que cada celda está
ocupada por un árbol con probabilidad p, o vacía con probabilidad
1−p. Esta distribución de árboles y huecos será el estado inicial.
La caída de un rayo o de una colilla prende fuego en un árbol al azar y,
acto seguido, el fuego se extiende propagándose a todos los árboles
adyacentes a los que estén ardiendo. Obviamente, cada incendio
identifica un agregado del bosque.
Si el fuego puede saltar de un árbol a otro con una cierta
probabilidad que depende de la distancia, un problema real muy
importante en el diseño de estrategias de preservación forestal
y en el de plantaciones de árboles, es el determinar la
distancia a la que deben plantarse los árboles para que su densidad
sea la mayor posible y, al mismo tiempo, en caso de incendio no arda
todo el bosque sino una fracción lo menor posible. La respuesta a esta
pregunta (al menos bajo ciertas condiciones) es plantar árboles
justo por debajo del umbral de percolación, muy cerca del punto
crítico.
Los dos enlaces siguientes muestran visualizaciones del modelo de
incendios forestales:
2.1 En el punto crítico de percolación emerge un fractal
Justo en el punto crítico se puede demostrar que la agrupación
percolante es un fractal. Un fractal es un objeto geométrico
cuya "masa", en nuestro caso el número de nodos/árboles)
crece al aumentar el tamaño lineal del sistema como una
ley de potencias
Figure 5: Agregado percolante en percolación por sitios en una red
cuadrada.
donde Df es la dimensión fractal. Un objeto bidimensional
(red cuadrada completamente llena) tendrá dimensión fractal Df=2,
pues al duplicar la longitud el número de nodos se multiplica por 4.
Una linea de puntos, tendrá dimensión Df=1. El agregado mayor de
percolación por sitios en el punto crítico, tiene una dimensión
fractal
Esto es, se trata de un objeto que interpola entre una línea y una
superficie (ver figura 5). Se dice que la "masa" del
objeto escala como la longitud elevada a la dimensión fractal. Esto
implica que el objeto subyacente es invariante de escala, o lo
que es lo mismo auto-similar. La auto-similaridad deriva del
hecho de que si cambiamos el tamaño lineal de observación, basta con
reescalar la "masa" de un modo adecuado para seguir teniendo la
misma ley. Los fractales aparecen en multitud de
escenarios en la Naturaleza [].
Información y curiosidades sobre fractales se pueden encontrar en
http://es.wikipedia.org/wiki/Fractal
Figure 6: Fractales en un experimentos de ruptura dieléctrica y de
agregación.
La Figura 6 ilustra algunos fractales reales en la Naturaleza.
Compárese su aspecto con el del agregado en el umbral de percolación
representado en la figura 5.
3 Problemas
Obligatorio: Diseñar y escribir el programa que genere una red
cuadrada bidimensional y una los sitios con probabilidad p. Repetir
el experimento para distintos tamaños lineales L. Visualizar las
configuraciones emergentes (esto es, generar figuras semejantes a las
figuras 1, 2 y 3).
Voluntario I: Para distintos tamaños lineales de la red L = 16, L = 32, L = 64 y L = 128 (o más si se desea):
- estimar el umbral de percolación pc(L);
- calcular la distribución de probabilidad del número de nodos que
pertenecen a un agrupamiento genérico para varios valores de p < pc, para p = pc y para varios valores de p > pc.
Voluntario II: Fijando p = pc y tomando un tamaño tan grande
como sea posible, hallar la dimensión fractal del agregado.
4 Método numérico
4.1 Algoritmo
Lo más directo para generar una configuración el modelo de percolación
por sitios donde la proporción 1−p de ellos no funciona sería
barrer secuencialmente la red (i,j) donde i y j pueden tomar los
valores (1,2,...,L). Con probabilidad p daríamos valor a N(i,j) = 1 y con probabilidad 1−p valor N(i,j) = 0, donde N(i,j)
representa que el elemento situado en (i,j) esté funcionando o no
respectivamente.
El problema del anterior algoritmo es que generamos una configuración
donde conviven agrupamientos grandes y pequeños mezclados entre sí, de
forma que para detectar la distribución de tamaños o el agrupamiento
más grande hemos de (posteriormente) recurrir a algoritmos
sofisticados para su detección. Esto es factible pero complicado.
Aquí vamos a utilizar un método alternativo que genera agrupamientos
típicos para un p dado, uno a uno, con lo cual se evita el problema
de identificar agregados. Para ello utilizamos un proceso de
crecimiento, en el siguiente modo:
- Etiquetar todos los puntos de la red como no definidos: N(i,j) = 2; i,j (1,2,...,L). Ocupar un punto del centro del retículo:
N(L/2,L/2) = 1.
- Generar o modificar la lista de puntos adyacentes (esto es,
puntos en contacto directo con el agregado ocupado) y no definidos
al agregado. A los adyacentes se les asigna el valor N(i,j)=0. Si
la lista no contiene puntos entonces FIN.
- Elegir aleatoriamente uno de los puntos del conjunto de
adyacentes, (m,n), y considerarlo para el siguiente paso.
- Generar un número aleatorio uniforme v [0,1]. Si v < p
entonces N(m,n) = 1, Si v > p entonces N(m,n) = 3.
Esto es, los puntos de la frontera se añaden al agregado con probabilidad p.
- Ir a (2).
De este modo, sólo se definen (encendido o apagado) los nodos de la red correspondientes
al agregado central, que se encienden con probabilidad p, como en el modelo original.
Iterando el proceso anterior se generan muchas agrupaciones para cada
valor dado de p. Es necesario construir un histograma que muestre la
distribución de probabilidad de los tamaños de dichos agregados,
fijados p y L.
4.2 Estimación del punto crítico
La mejor forma de calcular el punto critico es: estimar (fijados p y
L) la fracción, f, de realizaciones (esto es iteraciones del
algoritmo anterior) que llegan al borde 1.
Al representar f frente a p se observará una transición abrupta
separando los dos valores límites: f=0 para p pequeño y f=1 para
p grande. Se puede identificar el punto crítico pc(L) con el
valor de p para el que f=1/2. Observar que al aumentar el tamaño
la transición se hace más y más abrupta. De hecho, es sólo en el
límite termodinámico, L → ∞ cuando aparece una
singularidad en un punto específico (pc).
4.3 Estimación de la dimensión fractal del agregado crítico
Para determinar la dimensión fractal, tomar el lado del cuadrado tan
grande como sea posible (por ejemplo, L = 512). Generar una
configuración usando p=pc. Contar el tamaño del agregado M(l)
solapando con cajas (centradas) de tamaños: l = 10, l = 20, l = 50, l = 100, l = 200. Obviamente al crecer l habrá más y más
"masa" del agregado solapando con la caja.
Promediando sobre muchas realizaciones se obtiene una buena
estadística. Una vez calculado con precisión el valor medio de M(l)
para los distintos valores de l, un simple ajuste de mínimos
cuadrados de log(M) frente a log(l) permite determinar la
dimensión fractal (para demostrarlo, basta tomar logaritmos en la
ecuación (1) y verificar que la ley de potencias se
convierte en una línea recta al tomar logaritmos). La pendiente de la
recta que mejor se ajuste con los datos en escala doblemente logarítmica
debe coincidir con la dimensión fractal.
References
- []
- Percolation Structures and Processes, edited by
G. Deutsher, R. Zallen y J. Adler, Annals of the Israel Physical
Society, Vol. 5 (Hiler, Bristol, 1980).
- []
- D. Stauffer y A. Aharony,
Introduction to Percolation Theory
Taylor and Francis, London (1992); revised 2nd edition (1994).
- []
- Geoffrey Grimmett,
Percolation, second edition,
Springer (1999).
- []
- B. Bollobás y Oliver Riordan,
Percolation, Cambridge University Press (2006).
- []
- Kim Christensen y Nicholas R. Moloney,
Complexity and criticality, Imperial College Press (2006).
- []
- Harry Kesten,
What is ... Percolation?, Notices of
the American Mathematical Society, 53 (5), 572-573 (2006).
- []
- S. R. Broadbent y J. M. Hammersley,
Percolation processe I and II,
Proc. Cambridge Philos. Soc. 53, 629 (1957).
- []
- B. Mandelbrot,
The fractal Geometry of Nature, Freeman, San Francisco (1982).
Footnotes:
1Para tener
suficiente estadística hacer del orden de M = 100 (o más) realizaciones para cada tamaño
File translated from
TEX
by
TTH,
version 4.03.
On 3 Feb 2014, 12:37.