Dynamical Modeling and Bifurcation Analysis of the Briggs–Rauscher Oscillating Reaction
La reazione di Briggs–Rauscher (BR) è uno degli esempi più spettacolari di oscillatore chimico: mostra cambi di colore periodici tra ambra e blu profondo, guidati da processi redox accoppiati e meccanismi di feedback non lineari. Oltre all'impatto visivo, la BR è un sistema di riferimento per la dinamica lontana dall'equilibrio e la formazione di pattern, con implicazioni per la cinetica chimica, gli oscillatori biologici e la teoria generale dei sistemi dinamici.
Costruire e analizzare un modello matematico semplificato della reazione BR, concentrandosi sul comportamento temporale del sistema attraverso equazioni differenziali ordinarie.
- Derivare un sistema ridotto di ODE a partire da schemi cinetici consolidati (per es. modelli di Field–Noyes o Furrow).
- Applicare una procedura di adimensionalizzazione per semplificare lo spazio dei parametri.
- Identificare gli stati stazionari e valutarne la stabilità lineare via analisi degli autovalori.
- Rilevare biforcazioni di Hopf e costruire diagrammi di biforcazione al variare di parametri chiave (concentrazioni iniziali, pH, temperatura).
Le tecniche analitiche sono integrate da simulazioni numeriche per riprodurre le osservabili sperimentali principali — periodo di oscillazione, ampiezza, regimi transitori.
- Stack Python:
NumPy,SciPy,Matplotlibper integrazione di ODE e visualizzazione. - Analisi di continuazione (opzionale):
PyAutooMatContper il tracciamento di rami di equilibri e orbite periodiche. - Se il tempo lo permette, estensione a un quadro di reazione–diffusione in una dimensione spaziale per studiare onde chimiche e strutture di Turing stazionarie.
- Una classificazione dei regimi di parametri che danno origine a comportamento oscillatorio o caotico.
- Un set riproducibile di esperimenti numerici con output grafici.
- Una tesi scritta che documenti sia l'analisi teorica che l'approccio computazionale.
Possibili sviluppi a livello magistrale: stima dei parametri da dati sperimentali, analisi di pattern in modelli spaziali, collegamenti con sistemi biologici o chimici sintetici. Il progetto si apre anche verso la biologia matematica, l'ottica non lineare e l'ingegneria chimica — un trampolino per ricerca più avanzata su sistemi auto-organizzanti.
Solide basi di analisi matematica, algebra lineare ed equazioni differenziali ordinarie; interesse per i sistemi non lineari e il calcolo scientifico. Esperienza pregressa con Python utile ma non strettamente necessaria.