Vous êtes sur la page 1sur 12

Mathématiques §4

Équations aux dérivées partielles

Table des matières

I Outils (1) : Analyse numérique

I.1

I.2

I.3

. Suites récurrentes linéaires

Réduction de matrices

.

.

Résolution de grands systèmes linéaires Ax = b

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

II Outils (2) : Analyse hilbertienne, distributions, espaces de Sobolev

.

II.1

Analyse hilbertienne

II.1.1

II.1.2

II.1.3

II.1.4

Distributions

II.2.1

II.2.2

II.2.3

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

Espaces de Hilbert, projection sur une partie fermée

. Formes bilinéaires continues et coercives Théorème de Stampacchia et de Lax-Milgram

Dual topologique

II.2

.

Définition et premières propriétés .

.

L’espace L 2 (Ω) et les distributions

Dérivation .

II.3 Espaces de Sobolev

II.3.1

II.3.2

II.3.3

II.3.4

II.3.5

II.3.6

Définition

Théorèmes de Rellich Résultats de densité Théorèmes de traces

Formules de Green

L’espace H

.

.

.

.

.

.

.

0

(Ω) .

.

.

1

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

IIIRésolution théorique de problèmes elliptiques stationnaires par la méthode variationelle

2013-02-06 22:53

Page 1/22

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

3

3

3

4

5

5

5

5

5

6

6

6

7

8

8

8

9

9

9

10

10

11

MA1400

Présentation

Si f : (x 1 ,

, x n ) R n f(x 1 ,

, x n ), on pose x i f = ∂x f i = lim

h0

f(x 1 ,

, x i + h,

,

x n ) f(x 1 ,

,

x n )

h

Définitions : Une équation aux dérivées partielles est une équation dont les solutions sont les fonctions inconnues dont les dérivées partielles sont liées par des conditions.

ordre d’une EDP : plus grand ordre de dérivation présent dans l’équation aux dérivées partielles

équation stationnaire : pas de dérivée de temps

équation instationnaire : dérivée en temps

Si E, F sont deux espaces et A : E F , le problème A(u) = f dont on cherche une solution u E est dit bien posé au sens de Hadamard si, pour tout f F donné, il existe une unique solution u E et qu’elle dépend continument de f .

Classification d’une EDP : a∂ xx θ + b∂ yy θ + c∂ xy θ + d∂ x θ + e∂ y θ + = 0 (i) si 4ac b 2 > 0, on parle d’équation elliptique (ii) si 4ac b 2 < 0, on parle d’équation hyperbolique (iii) si 4ac b 2 = 0 avec abc = 0, on parle d’équation parbolique.

2

2

2

Par exemple, l’équation des ondes tt u c 2 xx u = 0 est une équation hyperbolique.

2

2

L’objectif de ce cours est de résoudre un problème elliptique.

1

écriture du modèle

2

analyse du problème mathématique

3

discrétisation :

a) passer d’un problème posé dans un domaine à un domaine discret avec des mailles (M i ) et des nœuds (x i ) (par exemple en 2D : polygones).

b) discrétisation du problème :

4

analyse numérique (convergence) : la solution du problème approchée est-elle une approximation de la solution exacte du problème continu ?

5

validation des résultats expérimentaux

Il existe deux type de problèmes :

Problème de Cauchy :

2013-02-06 22:53

y = f (x, y)

y(0) = y 0

Problème de Dirichlet :

Page 2/22

u = f dans

u |= 0

MA1400

I

Outils (1) : Analyse numérique

I.1 Réduction de matrices

Norme matricielle : C’est une norme sur M m,q (K). Par exemple, A = max

1

i m

q

j=1

|a ij |.

Soit . q une norme sur K q . La norme matricielle subordonnée à . q est définie par :

Ax n

A ∈ M n,q (K)

max

x q

xK q ,x

=0

Si A, B ∈ M m (K), AB A B .

Pour toute matrice carrée A ∈ M q (K), on pose Sp(A) l’ensemble des q valeurs propres de A dans C.

Théorème de décomposition de Schür : Soit A ∈ M q (K). Alors, il existe :

– une matrice triangulaire T T q,sup (C)

– une matrice unitaire U U n (C) (soit UU = I n , U = U T )

tels que

C ) – une matrice unitaire U ∈ U n ( C ) (soit UU ∗

Le théorème suivant nous donne une façon de localiser le spectre d’une matrice.

Théorème de Gershgörin-Hadamard : Soient A ∈ M q (K), et pour tout k ∈
Théorème de Gershgörin-Hadamard : Soient A ∈ M q (K), et pour tout k ∈ {1,
, q}, posons :
 
 
 
D k =
z ∈ C, |z − a kk |
|a kj |
|a kj | 
 
1 j q
  
 = Disque   centre = a kk , rayon =
 
1 j q
j
=k
j
=k
n
Donc Sp(A) ∈
D k .
k=1

Rayon spectral : Soit A ∈ M q (K). On appelle rayon spectral A ∈ M q (K) le réel positif :

ρ(A) = max{|λ|, λ Sp(A)}

On a ρ(A) A .

Si B ∈ M n,q (K), alors B 2 ρ(B B) (car B B ∈ M q (K) est symétrique, définie-positive).

I.2 Suites récurrentes linéaires

Définitions :

Soient A ∈ M q (K), b, x 0 K q . Une suite récurrente linéaire est une suite (x n ) nN K N définie par :

n 0, x n+1 = Ax n + b.

Une méthode nuémrique définie par A ∈ M q (K), C K q de conditions initiales données, converge si,

pour tout b K q , tout x 0 C,

x 0 C

  n 0, x n+1 = Ax n + b

converge.

Erreur de convergence : si x n x, ε n = x n x est l’erreur de convergence. Le taux de convergence de x n est le taux de décroissance vers 0 de ε n

Convergence des méthodes numériques : Soit A ∈ M q (K). Il y a équivalence entre :

(i) pour tout x K d , (x n ) définie par x 0 = x, x n+1 = Ax n converge vers 0

(ii) A n

n+0

−→

(iii)

ρ(A) < 1

(iv)

il existe une norme matricielle subordonnée . telle que A < 1.

Calcul numérique du rayon spectral : Soit A ∈ M q (K), . une norme vectorielle sur K q , Sp(A) =

{λ 1 ,

Soit e 1 un vecteur propre associé à λ 1 et F un supplémentaire de Ke dans K q .

Posons

Alors la suite (x n ) définie par x n+1 = Ax n n est telle que lim

, λ q }. On suppose |λ 1 |>|λ 2 |

x 0 = µe 1 + f f

F, µ

= 0.

|λ q |.

Ax

n Ax n = ρ(A)

Ce résultat est indépendant de la norme vectorielle choisie !

I.3 Résolution de grands systèmes linéaires Ax = b

Il existe deux façons :

1

Méthodes directes (décomposition (LU, QR)) :

En posant A = BC, résoudre Ax = b revient à résoudre (By = b et Cx = y)

2

Méthodes itératives : suites, A = M N , th. sur la convergente. On étudie Mx n+1 = Nx n + b.

Sensibilité aux variations :

pour A GL q (K), on appelle conditionnement relatif à la norme . le nombre :

cond . (A) = A · A 1

Si . est subordonnée, cond . (A) = A · A 1 AA 1 = I q = 1. Un système est dit bien conditionné si cond . (A) est proche de 1.

Soit A GL q (K), b, b K q , b = 0 et . une norme sur K q .

Si x = A/b, x = A/(b + ∆b) x, alors x

x

cond . (A) b

b

Note : A/b veut dire A 1 b, mais en analyse numérique, on ne calcule jamais l’inverse d’une matrice.

Décomposition LU : Soit A GL n (K), A admet une décomposition LU s’il existe :

L T inf tel que diag(L) = (1,

U T sup inversible

tels que A = LU . Il existe une unique décomposition LU si la récurrence suivante aboutit.

, 1)

Pour i = 1, on doit avoir L

Hypothèse de récurrence : pour i 1, il existe L (i) U (i) = A (i) .

(1)

11

(1)

U

11

(1)

= A 11 d’où U

11

= A

(1)

11

si A

(1)

11

= 0

A (i+1) = L (i)

L

0

1

U (i)

0

U

u

= L (i) U (i)

LU (i)

LU + u

L

(i)

U

Résolution de L (i) U = A(1 : i, i + 1), LU (i) = A(i + 1, 1 : i) soit (U (i) ) T L T = A(i + 1, 1 : i) T et u = A(i + 1, i + 1) − LU

Décomposition QR :

préliminaire décomposition de Choleski : soit A GL q (R) une matrice symétrique définie positive. Alors il existe une unique matrice B T inf , B ii > 0 tel que BB T = A.

décomposition de Gram-Schmidt ou QR : toute matrice A GL q (R) s’écrit de manière unique comme

A = QR

Q O q (R) et R T sup (R) à diagonale strictement positive.

Méthodes itératives : Une méthode itérative consiste à écrire A = M N M GL q (R).


x 0 K q

Mx n+1

= Nx n + b . Si ρ(M 1 N ) < 1, la méthode converge.

Méthode de Jacobi : M = diagA, N = diagA A

Méthode de Gauss-Seidel : M = triu(A) A = tril(A, 1)

II

Outils (2) : Analyse hilbertienne, distributions, espaces de Sobolev

II.1 Analyse hilbertienne

II.1.1 Espaces de Hilbert, projection sur une partie fermée

Espace de Hilbert : un espace de Hilbert H sur R est un ev muni d’un produit scalaire complet pour

la norme associée : . H : x H

(x|x) H R + .

Les espaces de dimension finie munis de leur p.s. naturel sont de Hilbert

Dans la suite, H un Hilbert muni du p.s. (.|.) H .

Projection sur un convexe fermé : Soit K = 0 un convexe fermé de H. Alors :

x H, !a K,

x a H =

yK d(x, y) = inf

inf

yK x y H

On note P K x a P K est la projection K-lipschitzienne telle que :

y K,

(x P K x|y P K x) H 0

Projection sur un sev fermé : Soit F un sev fermé de H. Alors :

x H, !a K, x a H =

yK d(x, y) = inf

inf

yK x y H

On note P F x a P F est la projection orthogonale continue de norme 1, définie par :

y F,

(x P F x|y) H = 0

Exemples : projecteurs euclidiens en dim finie, séries de Fourier.

II.1.2 Dual topologique

Définition : Le dual topologique de H est H = L C (H, R) l’ensemble des formes linéaires continues sur H. On note , le crochet de dualité :

φ H , v H,

φ, v H H = φ(v)

Le théorème suivant dit que toute forme linéaire de H peut se représenter par un produit scalaire avec un élément de H.

Théorème de représentation de Riesz-Fréchet :

φ H , !f H/v H,

φ, v = (f, v) avec f H = φ H

Exemples :

1. Soit un hyperplan Π de R q . Il existe v R q tel que Π = {v}

2. Soit φ L 2 (0, 1) . Alors il existe un unique f L 2 (0, 1) tel que : v L 2 (0, 1), φ, v = ]0,1[ fv

II.1.3 Formes bilinéaires continues et coercives

Définition : on dit qu’une forme bilinéaire a : H × H R est :

1. continue s’il existe une constante C tq : u, v H, |a(u, v)| C u H v H

2. coercive s’il existe une constante α > 0 tq : u H, a(u, u) α u 2

H

Exemple : Soit A ∈ M q (R) une matrice symétrique définie positive, alors la forme bilinéaire définie par (x, y)

(Ax, y) est continue et coercive, et on peut choisir C = max

λSp(A) λ et α =

λSp(A) λ.

min

II.1.4 Théorème de Stampacchia et de Lax-Milgram

Théorème de Stampacchia : Soient H un hilbert, a une forme bilinéaire continue et coercive, K = un convexe fermé de H. Soit φ H , alors il existe un unique u K tel que :

v K, a(u, v u) φ, v u

Corollaire : Posons J(v) = 1 2 a(v, v) φ, v Si a est de plus symétrique, alors u est caractérisé par u H et J(u) = min J(v).

vH

Théorème (de représentation) de Lax-Milgram : Soient H un hilbert, a une forme bilinéaire continue et coercive. Soit φ H , alors il existe un unique u H tel que :

v H, a(u, v) = φ, v

(1)

Preuve (en seconde lecture) : D’après le théorème de Riesz-Fréchet, il existe un unique f H tq : v H, φ, v = (f, v) H . De même, un théorème analogue aux formes bilinéaires continues, il existe un endomorphisme linéaire continu A ∈ L(H) tel que

u, v ∈ H, Alors (1) se

Il faut alors prouver que A est inversible : si c’est le cas, u est donné par u = A 1 f

a(u, v) = (Au, v) H . réécrit alors : !u H, v H, (Au, v) H = (f, v) H , soit :

!u H, Au = f .

A

est injective. En effet, comme a est coercive et par Cauchy-Scwharz, on a : v H, α v 2 a(v, v) = (Av, v) Av v .

puis Av α v pour tout v (2), d’où l’injectivité.

A

est surjective. Pour cela, soit Z l’image de A dans H.

L’inégalité (2) implique que, si Au n est une suite de Cauchy, alors u n est une suite de Cauchy dans H complet, donc converge vers

u H. Et comme A est continue, Au n converge vers Au.

Z est un sous-espace fermé de H et par le théorème du supplémentaire orthogonal d’un fermé, on a H = Z ⊕ Z . Soit w ∈ Z , on a (Aw, w) H = 0 et puis α w 2 a(w, w) = Aw, w = 0 d’où w = 0. Ainsi, Z = {0}, ce qui montre que A est surjectif.

Corollaire : Posons J(v) = 1 2 a(v, v) φ, v Si a est de plus symétrique, alors u est caractérisé par u H et J(u) = min J(v).

vH

Preuve : On a pour tout w ∈ H

1

: J(u + w) = J(u) + (a(u, w) φ, w ) + 2 a(w, w)

=0 par (1)

Et comme a est coercive, J(u + w) J(u) + α w 2 . On a donc J(u) J(v) pour tout v H.

2

II.2 Distributions

II.2.1 Définition et premières propriétés

Notations : Soit un ouvert de R d

• D(Ω) est l’ensemble des fonctions à support compact de classe C D(Ω) = {f ∈ C (Ω), supp(f ) borné}

Si α = (α 1 ,

, α d ) N d , on note D α φ =

|α|

α

1

α

d φ =

|α| φ

∂x α 1

1

∂x

α

d

d

|α| =

d

i=1

α

i

Topologie de Fréchet : On munit D(Ω) de la notion de convergence suivante : soient (φ n ) une suite de fonctions de D(Ω) et φ ∈ D(Ω). On dit que (φ n ) converge vers φ si :

1. les supports des (φ n ) sont inclus dans un compact fixe : K compact de , n, supp(φ n ) K

2. pour tout α

N d , D α φ n D α φ uniformément sur .

On notera

φ n D(Ω) −→ φ
φ n D(Ω)
−→ φ

Espace des distributions : L’espace des distributions D (Ω) est le dual topologique de D(Ω)

D (Ω) = L C (D(Ω), R)

Les éléments de D (Ω) sont les distributions :

Soit T ∈ D (Ω). Pour tout φ ∈ D(Ω), on note T (φ) = T, φ

T est linéaire et continue pour la convergence dans D(Ω) :

Exemples (important) :

φ n D()

−→ φ,

T, φ n D()

−→ T, φ

1. La masse de Dirac δ a en a est la fonctionnelle tq :

Φ ∈ D(Ω),

Φ(a) = δ a , Φ

δ a est une distribution car elle est une forme linéaire continue : φ n D()

−→ φ,

| δ a , φ n δ a , φ | = | δ a , φ n φ | = |(φ n φ)(a)| φ n φ 0

2. Soit K un compact. On définit l’intégrale sur K par I K : φ ∈ D(Ω)

On a I K ∈ D (Ω), et pour tout φ ∈ D(Ω), K

φ mes(K) φ

K φ(x)dx.

1

Distribution régulière : Soit f L loc (Ω). On définit T f :

D(Ω) R

Φ

fΦ

La fonctionnelle T f est une distribution régulière.

Par exemple, la distribution de Dirac n’est pas régulière.

Identification de L loc : La fonctionnelle T : f L loc (Ω) T f ∈ D (Ω) est injective. Autrement dit :

1

1

1. L loc ⊂ D (Ω)

2. pour tout f L loc (Ω), T f = f et

1

1

tout f ∈ L l o c (Ω) , T f = f et 1 1

(.|.) L 2 est le produit scalaire dans L 2 : (f|g) L 2 = fg

Multiplication par une fonction régulière :

T ∈ D (Ω), f ∈ C (Ω),

f · T : Φ ∈ D(Ω)

T, f Φ R est une distribution de D (Ω)

II.2.2 Dérivation

Soit f L loc (I), il existe g L loc (I) tel que : Φ ∈ D(I), fΦ = gΦ.

De même, si T ∈ D (Ω), S : Φ

1

1

T, Φ = S, Φ avec S = T

Définition-Théorème : Soit T ∈ D (Ω). Pour i ∈ {1,

, d}, on définit :

S i :

D(Ω) R

Φ

S i , Φ = T, ∂ x i Φ

alors S i est une distribution, appelée dérivée première de T selon x i et notée S i = x i T.

Retenons que :

Φ ∈ D(Ω),

x i T, Φ = T, ∂ x i Φ

Généralisation : pour tout α N d , D α T, Φ = (1) |α| T, D α Φ .

1

Exemple : fonction de Heaviside H 0 = 1 R + L loc (R). T H 0 ∈ D (R), mais H 0 n’est pas continue en 0, ni dérivable en 0. Au sens des distributions, on a :

Φ ∈ D(R),

(T H 0 ) , Φ = T H 0 , Φ = R 1 x 0 Φ = +Φ = Φ(0) = δ 0 , Φ

0

H 0 est dérivable au sens des distributions et sa dérivée est δ 0 .

Deux notions de dérivée : Soit un ouvert de R d . Si f L loc est dérivable sur , et f L loc , on a :

1

1

Ω un ouvert de R d . Si f ∈ L l o c est dérivable

1

Formule des sauts en dim 1 : Soit Ω =]a 0 , a k1 [. Soit f C par morceaux (Ω). Soient a 1 <

< a k les

points de discontinuités de f . Alors : Pour i ∈ {1,

, d}, on définit :

k

(T f ) = T f +

i=1

+

[f(a )