Vous êtes sur la page 1sur 15

Mthodes de rsolution approximatives

Applications aux problmes de lingnieur


mcanique
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
1 / 60 Introduction
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
2 / 60
Pour eectuer des modlisations, des calculs et des prdictions
de phnomnes physiques, lingnieur utilise des modles
mathmatiques.
En gnral, les modles sont construits partir dquations
simples dcrivant des phnomnes physiques gnraux.
Ce qui est compliqu, par contre, est la solution des quations
dcrivant le phnomne physique dans le cas gnral ou
spcique.
Il y a des situations o les quations qui entrent en jeu nont
pas encore de solution analytique connue.
Dans la majorit des problmes rencontrs par lingnieur
mcanique en calcul de structures, la gomtrie du problme
est trop complexe pour mme esprer rver peut-tre
trouver une solution analytique.
On doit donc dvelopper des techniques numriques qui
permettent de trouver des solutions approximatives les plus
proches possibles de la solution exacte du problme.
Quelques problmes typiques en mcanique des solides
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
3 / 60
Figure 1: Problmes de la mcanique des solides o lon retrouve
des quations direntielles
Dirences nies
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
4 / 60
Les quations direntielles rgissent la nature.
Il existe quelques techniques pour rsoudre des problmes aux
quations direntielles
Dirences nies
lments nis
Dirences nies
Une mthode trs ancienne
Dans cette mthode, on va discrtiser, ou driver
numriquement, la fonction dans lquation direntielle.
Par exemple, si lon cherche connatre la fonction u(x), on
pourrait crire que:
d
dx
u(x) =
u(x) u(x h)
h
+ O(h) (1)
Dirences nies
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
5 / 60
Considrons le problme suivant
u1 = 0
u2 u3 u4
F = 1
x1 = 0 x2 =
50
3
x3 =
100
3
x4 = 50
Figure 2: Exercice sur le barreau droit
Lquation direntielle qui caractrise ce problme est la suivante:
d
dx
u(x) =
F
E
25
250 3x
(2)
Dirences nies
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
6 / 60
u1 = 0
u2 u3 u4
F = 1
x1 = 0 x2 =
50
3
x3 =
100
3
x4 = 50
En utilisant lapproximation
d
dx
u(x)
u(x) u(x h)
h
On obtiendra le systme dquations suivant:
du
dx

x=x2
=
u(x
2
) (u(x
1
) = 0)
h
=
25
250 3x
2
(3a)
du
dx

x=x3
=
u(x
3
) u(x
2
)
h
=
25
250 3x
3
(3b)
du
dx

x=x4
=
u(x
4
) u(x
3
)
h
=
25
250 3x
4
(3c)
Dirences nies
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
7 / 60
Ce systme peut se mettre sous la forme:
3
50

1 0 0
1 1 0
0 1 1

u
2
u
3
u
4

0.125
0.167
0.25

(4)
Ce qui conduit la solution

u
2
u
3
u
4

2.083
4.86
9.03

(5)
Cette solution est bien loin de la solution exacte u
4
= 7.636 ...
lments nis
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
8 / 60
Avec la mthode des lments nis, on va prendre une tout
autre approche.
Lapproche retenue est plus physique que mathmatique.
Par exemple, pour ce problme, on avait divis le barreau de
section variable en barreaux droits dont laire de la section avait
une valeur moyenne entre celles calcules ses extrmits:
u
1
= 0
u
2
u
3
u
4
F = 1
k
1
=

A
(1)
E
L
(1)
k
2
=

A
(2)
E
L
(2)
k
3
=

A
(3)
E
L
(3)
Figure 3: Reprsentation de la modlisation par lments nis du
problme illustr la gure 2
Dans ce problme, on peut considrer les barreaux comme des
ressorts de rigidit k
i
.
lments nis
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
9 / 60
En utilisant la compatibilit gomtrique et lquilibre des
forces, on peut voir que la force transmise dans chaque ressort
doit tre gale (ressorts installs en srie).
On aura donc le systme dquations suivant:
k
1
(u
2
u
1
) = 1 (6a)
k
2
(u
3
u
2
) = 1 (6b)
k
1
(u
4
u
3
) = 1 (6c)
qui peut se mettre sous la forme:

k
1
0 0
k
2
k
2
0
0 k
3
k
3

u
2
u
3
u
4

1
1
1

(7)
lments nis
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
10 / 60
En rorganisant les quations, on obtient nalement

k
1
+k
2
k
2
0
k
2
k
2
+k
3
k
3
0 k
3
k
3

u
2
u
3
u
4

0
0
1

(8)
qui est bien le systme que lon obtient en utilisant la technique
montre au dbut du cours.
Par la suite, en supposant que le dplacement varie linairement
entre les deux extrmits de llment, on peut obtenir une
fonction approche u

(x) de la solution u(x).


Dirences nies vs. lments nis
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
11 / 60
Dirences nies lments nis
Cherche rsoudre une quation
direntielle
Cherche rsoudre une quation
direntielle
Discrtise lquation diren-
tielle
On choisit une forme approche
u

(x) de la solution u(x)


Conduit un systme linaire
dquations rsoudre
Conduit un systme linaire
dquations rsoudre
La solution donne les valeurs dis-
crtes u

(x
i
)
La solution donne les valeurs dis-
crtes u

(x
i
) ainsi quune inter-
polation entre elles u

(x)
Applicable des problmes o la
gomtrie est simple et rgulire
Aucune restriction sur la
gomtrie du problme ni sur
les conditions limites et le
chargement
Prcision amliore en prenant
des pas de calculs h de plus en
plus petits
Prcision amliore en prenant
des lments de plus en plus pe-
tits
Problmes conditions aux rives
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
12 / 60
Dans ce cours, on va tudier lquation direntielle typique
suivante (en 1D):

d
dx

(x)
dU
dx

+ (x)U(x) = f(x) (9)


Cette quation gnrale est rencontre dans plusieurs problmes
physiques associs la mcanique des solides
Flche dune poutre
Conduction thermique
etc.
Dans un problme physique rel modlis par lquation 9, on
cherche connatre la solution dans un domaine particulier.
Cela peut tre par exemple une poutre de longueur L ou une
plaque de surface A.
Lquation 9 peut aussi tre gnralise en 3D.
Problmes conditions aux rives
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
13 / 60
Pour trouver la solution de cette quation direntielle, on
applique des conditions aux rives du domaine tudi.
Ce sera par exemple des dplacements ou des forces appliques
sur la structure.
u
1
= 0
u
2
u
3
u
4
F = 1
k
1
=

A
(1)
E
L
(1)
k
2
=

A
(2)
E
L
(2)
k
3
=

A
(3)
E
L
(3)
Problmes conditions aux rives
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
14 / 60
En gnral, pour les problmes physiques rencontrs en
mcanique des solides, on applique 2 types de conditions aux
rives:
Conditions sur la fonction U
Conditions sur le ux (x) = (x)
dU
dx
Par exemple, si U est un dplacement, le ux est
(x) = (x)
dU
dx
= , o est la dformation
Si lon choisit = E, o E est le module dYoung du
matriau, alors: = E = .
Si lon choisit = EA, o A est la surface sur au-travers
laquelle le ux scoule, on aura = AE = A = A
F
A
= F.
Imposer des conditions sur le ux du dplacement revient
imposer des forces sur la structure.
Problmes conditions aux rives
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
15 / 60
Au nal, on aura schmatiquement le problme suivant
rsoudre:
x
a
x
b
U(x
a
) = U
a
ou U(x
b
) = U
b
ou
domaine de solution
Figure 4: Schmatisation dun problme dquations direntielles
conditions aux rives sur un domaine
En 3D, lapproche est similaire: au lieu de manipuler une
quation, on va manipuler des systmes dquations.
Problmes conditions aux rives
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
16 / 60
Avec cette mthode, on peut traiter dirents types de
problmes
Problmes aux valeurs propres (ambement, frquences
naturelles)
Problmes de diusion: en plus de lespace, le temps est une
variable. Matriaux viscolastiques, rgimes transitoires, etc.
Problmes dynamiques: les quations ne font pas intervenir
que U, elles font aussi intervenir ses drives temporelles.
Schma gnral de la mthode de solution
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
17 / 60
Le problme est le suivant:
On a une quation direntielle rsoudre sur un domaine,
comme illustr la gure 4.
On cherche la solution de ce problme qui est U(x) (qui nous
donnerait, par exemple, la che en fonction de la coordonne x
sur une poutre).
Comme on ne connat pas U(x) on va postuler priori une
forme de cette fonction que lon va noter U

(x)
On va esprer que la forme que lon a choisi pour U

(x) soit
voisine de la forme de U(x)... On appelle U

(x) fonction
dessai.
Une fois la forme de la fonction U

(x) dtermine, on doit


trouver un moyen de dterminer les paramtres de cette
fonction de manire ce que U

(x) soit la plus proche possible


de U(x) tout en rencontrant les conditions aux rives
Il existe plusieurs manires pour eectuer cette tche, chacune
avec ses avantages et inconvnients.
Schma gnral de la mthode de solution
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
18 / 60
On aura donc le schma gnral suivant:
1. Dnir la forme de la fonction dessai U

(x) U(x)
En gnral, on choisit:
U

(x) =
0
(x) +a
1

1
(x) +a
2

2
(x) +a
3

3
(x) +. . . (10)
o les
i
(x) sont des fonctions, pas ncessairement linaires, et
les a
i
sont des constantes relles.
U

(x) est, en gnral, une combinaison linaire de fonctions qui


ne sont pas ncessairement linaires.
On a donn une forme de U

(x) mais les paramtres a


i
sont
encore inconnus...
Schma gnral de la mthode de solution
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
19 / 60
U

(x) =
0
(x) +a
1

1
(x) +a
2

2
(x) +a
3

3
(x) +. . .
2. Dterminer les paramtres inconnus (les a
i
) de U

(x)
Les a
i
doivent tre choisis pour que U

(x) rencontre les


conditions aux rives du problme
Il faut que U

(x) soit la plus prs possible de U(x), et ce, pour


tout x dans le domaine du problme
Nest-ce pas un peu parodoxal ? Comment peut-on tre
certain que les paramtres que lon a dtermin pour U

(x)
sont les meilleurs puisque lon ne mme connat pas U(x) ?
Quel sens donne-t-on le plus prs possible de U(x) ?
En eet, on peut mesurer une distance entre deux points,
mais comment peut-on dire que deux fonctions sont proches
lune de lautre ?
On verra que cette dnition nest pas unique... Alors, dans
ce cas l, laquelle choisir ?
Schma gnral de la mthode de solution
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
20 / 60
3. Estimation de la prcision de U

(x)
Si lon dnit lerreur comme tant:
E(x) = U(x) U

(x) (11)
on cherchera estimer cette erreur.
Encore l, cest paradoxal: comment peut-on estimer E(x) sans
connatre U(x) ?
On verra quil existe des techniques pour sassurer que lerreur
est assez petite pour notre application.
Exemple de calcul
Mth. Approx.
Introduction
Pb. types
Di. nies
lments nis
Comparaison
Pb. cond. rives
Mthode sol.
Exemple
Rs. pond.
Convergence
21 / 60
Soit lquation direntielle suivante:
d
dx

x
dU
dx

=
2
x
2

U(1) = 2
(2) = x
dU
dx

x=2
=
1
2
(12)
domaine de solution
x = 1 x = 2
Figure 5: Illustration du domaine de solution du problme de lq.
12
On fait le choix suivant:
U

(x) = a
0
+a
1
x +a
2
x
2
+a
3
x
3
(13)
Les polynmes sont en gnral un bon choix car si lon
augmente lordre du polynme, on peut reprsenter de plus en
plus prcisment nimporte quelle fonction continue.
La mthode des rsidus pondrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
22 / 60
Introduction
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
23 / 60
Rappel
On avait le problme suivant rsoudre:
d
dx

x
dU
dx

=
2
x
2

U(1) = 2
(2) = x
dU
dx

x=2
=
1
2
(14)
On avait suppos une fonction dessai
U

(x) = a
0
+a
1
x +a
2
x
2
+a
3
x
3
qui approxime la solution
exacte U(x) de ce problme. Aprs quelques modications
(imposition des conditions aux rives), on avait:
U

(x) =
0
(x) +a
2

2
(x) +a
3

3
(x) = U

(x, a
i
) (15)
Il nous reste maintenant dterminer les paramtres a
2
et a
3
qui sont pour le moment inconnus.
Principes de base
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
24 / 60
On cherche dterminer les paramtres a
2
et a
3
de la fonction
dessai U

(x, a
i
) =
0
(x) +a
2

2
(x) +a
3

3
(x)
Comment faire ? Et dailleurs, quest ce que lon cherche faire
exactement ?
On voudrait que la fonction U

soit la plus proche possible de


la fonction U, qui est la solution du problme et que lon ne
connat pas.
Si lon connaissait U(x), on pourrait par exemple, laide
dalgorithmes dapproximation, dterminer les paramtres a
i
qui
interviennent dans U

en minimisant lquation suivante:


min
a2,a3

2
1
[U(x) U

(x, a
i
)]
2
dx (16)
Mais dans notre cas, comme on ne connat pas U, comment
faire ?
Principes de base
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
25 / 60
Reprenons notre quation direntielle et crivons-la sous la
forme:
d
dx

x
dU
dx

2
x
2
= R(x) = 0 (17)
o R est ce que lon appelle le rsidu.
Le rsidu peut tre interprt comme une mesure de la capacit
de la fonction U rencontrer les conditions imposes par
lquation direntielle. Comme U est la solution du problme,
R(x) = 0 x du domaine de solution (ici x [1, 2])
Maintenant, si lon crit:
d
dx

x
dU

dx

2
x
2
= R(x, a
i
) (18)
on a que le rsidu R(x, a
i
) reprsente une mesure de la capacit
de la fonction dessai rencontrer les mmes conditions
imposes par lquation direntielle que la solution U
Principes de base
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
26 / 60
Stratgie
Comme lon sait que R(x) = 0 pour U(x), on va chercher les
paramtres a
i
de U

(x, a
i
) qui font que R(x, a
i
) 0 x dans le
domaine de solution.
Note
Pour la fonction U

dtermine pour le problme de lquation


12, le rsidu est:
R(x, a
i
) =
1
4
+ 4(x 1)a
2
+ 3(3x
2
4)a
3

2
x
2
(19)
Il existe plusieurs stratgies pour dterminer les paramtres a
i
de U

.
Chacune donne un sens particulier la condition R(x, a
i
) 0
La collocation par points
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
27 / 60
Dans cette technique, on dtermine les valeurs des coecients
a
i
qui font que R(x
i
, a
i
) = 0 pour certaines valeurs de x = x
i
.
Par exemple, dans notre cas, comme on a 2 inconnues, on doit
gnrer deux quations.
On fait le choix de prendre des points x
i
qui sont quirpartis
sur le domaine de solution.
Figure 6: Illustration des points utiliss pour la collocation (pour le
problme particulier qui nous intresse)
On aura donc les quations suivantes:
VOIR DMONSTRATION AU TABLEAU
La collocation par points
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
28 / 60
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
1 1.2 1.4 1.6 1.8 2
R
e
s
i
d
u
x
Figure 7: Illustration du rsidu pour la mthode de collocation par
points
La collocation par points
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
29 / 60
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
exacte
approchee
Figure 8: Comparaison entre U

et U pour la mthode de
collocation par points
La collocation par points
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
30 / 60
0.4
0.6
0.8
1
1.2
1.4
1.6
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
exacte
approchee
Figure 9: Comparaison entre

et (ux) pour la mthode des


collocation par points
La collocation par sous domaines
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
31 / 60
Dans cette technique, on demande au rsidu davoir une
moyenne nulle dans un certain nombre de sous-domaines.
Pour notre exemple, on sparerait notre domaine de solution en
deux sous-domaines, comme illustr la gure 10
Figure 10: Illustration des sous-domaines o la moyenne du rsidu
doit tre nulle
La collocation par sous domaines
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
32 / 60
On aura donc le systme dquations suivantes rsoudre:

1.5
1
R(x, a
i
)dx = 0 (20a)

2
1.5
R(x, a
i
)dx = 0 (20b)
Ce systme nous donne donc bien deux quations pour nos
deux inconnues.
La collocation par sous domaines
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
33 / 60
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
1 1.2 1.4 1.6 1.8 2
R
e
s
i
d
u
x
Figure 11: Illustration du rsidu pour la mthode des collocations
par sous-domaines
La collocation par sous domaines
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
34 / 60
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
exacte
approchee
Figure 12: Comparaison entre U

et U pour la mthode des


collocations par sous-domaines
La collocation par sous domaines
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
35 / 60
0.4
0.6
0.8
1
1.2
1.4
1.6
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
exacte
approchee
Figure 13: Comparaison entre

et (ux) pour la mthode des


collocations par sous-domaines
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
36 / 60
La mthode des collocations par sous-domaines est intressante
car elle fait intervenir une mesure globale des performances de
U

rencontrer les exigences de lquation direntielle.


Par contre, le danger avec cette technique est quelle se base
sur la moyenne du rsidu.
On pourrait en eet imaginer un rsidu qui passe par des
valeurs trs grandes, positives et ngatives, mais dont la
moyenne demeure nulle.
On aurai alors une mauvaise approximation de U
Pour viter ce problme, on pourrait imaginer un critre plus
svre: minimiser le carr du rsidu sur tout le domaine de
solution.
Le carr du rsidu est une mesure de la distance (positive ou
ngative) du rsidu par rapport 0.
Le problme rsoudre est donc le suivant:
min
ai
E
2
(a
i
) = min
ai

D
R(x, a
i
)
2
dx (21)
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
37 / 60
On va donc chercher les paramtres a
i
de U

qui font que


E
2
(a
i
) est minimale
Il faut voir ici que E
2
(a
i
) =

D
R(x, a
i
)
2
dx est une fonction
des a
i
uniquement.
En eet, la variable x est disparue dans lintgration.
Comme la fonction U

=
0
(x) +

i
a
i

i
(x) est une
combinaison linaire de fonctions de x et des paramtres a
i
, le
rsidu au carr sera une fonction quadratique en a
i
, ainsi que
E
2
(a
i
)
De plus, on sait que E(a
i
)
2
0
Alors, E
2
(a
i
) possde un minimum et en plus, il est unique !
On sait quau minimum dune fonction, son gradient est nul.
On formera alors le systme dquations suivant:


a
i

D
R(x, a
i
)
2
dx

D
R(x, a
i
)

a
i
R(x, a
i
)dx

= {0}
(22)
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
38 / 60
Donc, pour notre problme, on aura les deux quations
suivantes:

2
1
R(x, a
i
)

a
2
R(x, a
i
)dx = 0 (23a)

2
1
R(x, a
i
)

a
3
R(x, a
i
)dx = 0 (23b)
Ce qui nous fait 2 quations pour 2 inconnues
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
39 / 60
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
1 1.2 1.4 1.6 1.8 2
R
e
s
i
d
u
x
Figure 14: Illustration du rsidu pour la mthode des moindres
carrs
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
40 / 60
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
exacte
approchee
Figure 15: Comparaison entre U

et U pour la mthode des


moindres carrs
La mthode des moindres carrs
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
41 / 60
0.4
0.6
0.8
1
1.2
1.4
1.6
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
exacte
approchee
Figure 16: Comparaison entre

et (ux) pour la mthode des


moindres carrs
La mthode de Galerkin
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
42 / 60
Si lon considre le systme dquations pour la mthode des
moindres carrs:

D
R(x, a
i
)

a
i
R(x, a
i
)dx

= {0}
on voit que lon peut le mettre sous une autre forme:

D
R(x, a
i
)w
i
(x, a
i
)dx

= {0} (24)
o w
i
(x, a
i
) peut tre interprte comme une fonction de
pondration.
Lquation 24 consiste donc annuler une moyenne pondre.
Avec la mthode de Galerkin, on utilise une autre fonction de
pondration w
i
(x, a
i
): on prendra les fonctions
i
(x) qui
multiplient les paramtres a
i
dans lexpression de U

On verra la justication de ce choix plus tard.


La mthode de Galerkin
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
43 / 60
Donc, avec la mthode de Galerkin, le systme dquations
rsoudre pour identier les a
i
est:

D
R(x, a
i
)
i
(x)dx

= {0}
Pour notre exemple, on aura les quations suivantes rsoudre:

2
1
R(x, a
i
)
2
(x)dx = 0 (25a)

2
1
R(x, a
i
)
3
(x)dx = 0 (25b)
La mthode de Galerkin
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
44 / 60
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
1 1.2 1.4 1.6 1.8 2
R
e
s
i
d
u
x
Figure 17: Illustration du rsidu pour la mthode de Galerkin
La mthode de Galerkin
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
45 / 60
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
exacte
approchee
Figure 18: Comparaison entre U

et U pour la mthode de Galerkin


La mthode de Galerkin
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
46 / 60
0.4
0.6
0.8
1
1.2
1.4
1.6
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
exacte
approchee
Figure 19: Comparaison entre

et (ux) pour la mthode de


Galerkin
Comparaison des performances des mthodes
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
47 / 60
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
1 1.2 1.4 1.6 1.8 2
R
e
s
i
d
u
x
Collocation pt
Collocation s.-d.
Moindres carres
Galerkin
Figure 20: Illustration du rsidu pour les mthodes tudies
Comparaison des performances des mthodes
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
48 / 60
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
exacte
Collocation pt
Collocation s.-d.
Moindres carres
Galerkin
Figure 21: Comparaison entre U

et U pour les mthodes tudies


Comparaison des performances des mthodes
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
49 / 60
0.4
0.6
0.8
1
1.2
1.4
1.6
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
exacte
Collocation pt
Collocation s.-d.
Moindres carres
Galerkin
Figure 22: Comparaison entre

et (ux) pour pour les mthodes


tudies
Conclusion
Mth. Approx.
Rs. pond.
Introduction
Principes
Collocation pt.
Collocation s-d.
Moindres carrs
Galerkin
Comparaison
Conclusion
Convergence
50 / 60
La mthode des rsidus pondrs est une mthode qui consiste
rechercher la valeur numrique des paramtres dune fonction
dessai U

qui soit la plus proche possible de la solution U


Pour ce faire, on cherche annuler la moyenne pondre de la
somme de tous les rsidus sur le domaine de solution.
Ce qui direntie les techniques entre elles sont les fonctions de
pondration utilises
La mthode de Galerkin est la mthode des rsidus pondrs la
plus utilise.
On peut voir que lon peut obtenir une grande prcision sur la
fonction U
Mais sur le ux, la prcision sera toujours moindre.
Il existe dautres techniques que celle des rsidus pondrs pour
obtenir une solution approximative de U. Parmi ces mthodes,
il y a les formulations variationnelles que lon verra plus tard
dans le cours.
Convergence des solutions numriques
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
51 / 60 Introduction
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
52 / 60
Problme
On cherche une solution approximative U

de la solution du
problme U.
Comment dterminer si la solution que lon obtient est une
bonne approximation de la solution exacte du problme ?
On ne peut pas vraiment le faire de manire rigoureuse...
Par contre, on peut avoir une indication quant la qualit de la
solution en conduisant une tude de convergence
Il existe deux mthodes principales pour les tudes de
convergence: la mthode h et la mthode p .
La mthode h
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
53 / 60
Dans cette mthode, on rane le maillage de la structure en
utilisant plus dlments.
Par exemple, si lon considre lexercice suivant, on demandait
de rsoudre le problme:
On demandait de rsoudre ce problme avec 1, 2 et 3 lments.
La mthode h
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
54 / 60
On avait les solutions numriques suivantes:
1 lment 2 lments 3 lments

u
1
u
2

0
7.14

u
1
u
2
u
3

0
2.94
7.49

u
1
u
2
u
3
u
4

0
1.85
4.23
7.56

Et la solution exacte tait u


x=50
= 7.636.
On peut voir quen utilisant de plus en plus dlments, on
sapproche de la solution exacte.
La mthode p
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
55 / 60
Pour illustrer la mthode p, considrons le problme 1.2:
d
dx

(x + 1)
dU
dx

= 0

U(1) = 1
(2) = (x + 1)
dU
dx

x=2
= 1
(26)
On demande de calculer 2 solutions approximatives avec la
mthode de Galerkin:
1. U

1
(x) = a
1
+a
2
x +a
3
x
2
2. U

2
(x) = a
1
+a
2
x +a
3
x
2
+a
4
x
3
Ici, avec la mthode p, on augmente lordre du polynme de la
fonction dessai.
VOIR DMONSTRATION AU TABLEAU
La mthode p
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
56 / 60
Solutions
1. U

1
(x) =
1
27

42 17x + 2x
2

2. U

2
(x) =
1
486

793 382x + 85x


2
10x
3

3. U(x) = 1 ln

x+1
2

0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
1 1.2 1.4 1.6 1.8 2
U
(
x
)
x
U(x)
U1(x)
U2(x)
Figure 23: Comparaison des solutions approximatives avec la
solution analytique pour le problme 1.2
La mthode p
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
57 / 60
0.96
0.97
0.98
0.99
1
1.01
1.02
1.03
1 1.2 1.4 1.6 1.8 2
F
l
u
x
x
U(x)
U1(x)
U2(x)
Figure 24: Comparaison des solutions approximatives avec la
solution analytique pour le ux pour le problme 1.2
On peut voir que pour le ux, on est beaucoup plus prcis avec
le polynme de degr plus lev
Conclusion
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
58 / 60
Mthode h Mthode p
Plus dlments Mme nombre dlments
Mme degr de polynme Augmente le degr du polynme
Technique
On ralise un maillage et on obtient une solution U
n
On ralise une autre analyse soit en augmentant le nombre
dlments ou en augmentant le degr du polynme de U

. On
nomme cette solution U
n+1
On aura convergence au point qui nous intresse x
i
si lon a
|U
n
(x
i
) U
n+1
(x
i
)| < (27)
Conclusion
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
59 / 60
Attention !
Il peut y avoir des situations o lon converge
asymptotiquement vers une mauvaise solution
Dans la majeure partie des problmes dingnierie mcanique,
pour quune solution converge il faut que la fonction dessai
rencontre deux conditions:
1. Elle doit tre complte
Lordre du polynme doit tre tel que la drivation de
U

dans lquation direntielle dnissant le problme


conduise au moins une reprsentation constante.
2. Elle doit tre continue (ainsi que certaines de ces drives)
dans le domaine de solution.
Malgr cela, il existe quand mme des cas pathologiques o lon
sait que la solution diverge localement (mais pas globalement)
Conclusion
Mth. Approx.
Rs. pond.
Convergence
Introduction
Mthode h
Mthode p
Conclusion
60 / 60
Contrainte dans
cette zone tend
vers linfini
F
Matriau 1
Matriau 2
Figure 25: Exemple connu o la solution diverge dans une certaine
zone. Ici, le dplacement obtenu converge, mais la contrainte tend
vers linni mesure que lon rane le maillage