Académique Documents
Professionnel Documents
Culture Documents
NUMERIQUES
1
1 1 1 2 2 2 2 3 3 3 4 4 4 5 7
I.4 I.5
Notion de stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Un peu d'histoire... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
9 10 10 10 11 11 12 12 12 13 14 15 15 16 17
ii
II.3 LES VOLUMES FINIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.3.2 Volumes Finis pour une loi de conservation . . . . . . . . . . . . . . . . . II.3.2.1 II.3.2.2 Cas monodimensionnel . . . . . . . . . . . . . . . . . . . . . . . Cas bidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . .
20 20 20 21 23 24 27 28 29 32 32 32 33 35 36 37
II.3.3 Exemple simple 1D avec conditions de Dirichlet . . . . . . . . . . . . . . . II.3.4 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann . . . . . . . II.3.5 Discrtisation de l'quation de la chaleur 1D . . . . . . . . . . . . . . . . . II.3.6 Discrtisation de l'quation de la chaleur 2D stationnaire . . . . . . . . . . II.4 LES ELEMENTS FINIS EN 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . II.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.4.2 Exemple simple 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.4.2.1 Choix des fonctions i : les lments nis . . . . . . . . . . . . . Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II.4.2.2
39
39 40 40 40 40 41 41 41 42 43 44 45 46
47
47 48 49 49 49 50 51 51 52
iii 52 52 52 53 54 55 56 56 56 58 58 59
IV.7.3 Mthode d'Euler-Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.7.4 Mthode de Crank-Nicholson . . . . . . . . . . . . . . . . . . . . . . . . . IV.7.5 Mthodes de Runge et Kutta . . . . . . . . . . . . . . . . . . . . . . . . . IV.7.5.1 Forme gnrale des mthodes de Runge et Kutta . . . . . . . . . IV.7.5.2 Mthodes de Runge et Kutta implicites . . . . . . . . . . . . . . IV.7.5.3 Application un systme . . . . . . . . . . . . . . . . . . . . . . IV.8 METHODES A PAS MULTIPLES . . . . . . . . . . . . . . . . . . . . . . . . . . IV.8.1 Mthode de Nystrom ou saute-mouton . . . . . . . . . . . . . . . . . . . . IV.8.2 Mthodes d'Adams-Bashforth-Moulton . . . . . . . . . . . . . . . . . . . . IV.8.3 Mthodes de Gear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.9 LES DIFFERENCES FINIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.10CONDITION DE STABILITE . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
61 62 62 63 63 63 64 64 64 64 66 66 66 67 67 68 68 69 69 69 69 70
71
71 72 72 73
iv Mthode de la parallle . . . . . . . . . . Mthode de la scante . . . . . . . . . . . Mthode de Steensen . . . . . . . . . . . Racines de polynmes . . . . . . . . . . . VI.1.7.1 Rduction polynomiale . . . . . VI.1.7.2 Mthode de Bairstow . . . . . . VI.2 SYSTEMES D'EQUATIONS NON LINEAIRES VI.1.4 VI.1.5 VI.1.6 VI.1.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
74 74 74 75 75 75 76
79
79 79 79 79 80 80 80 80 80 81 81 82 82 82 82 82 83 83 84 85 85
87
87 88 88 89 89 90 90 91
REFERENCES BIBLIOGRAPHIQUES
93
Chapitre I
C 2 hapitre
I:
ENSHMG
La reprsentation standard des rels choisie par les principaux constructeurs d'ordinateur est sous forme de nombre ottants o b = 2 et a, n sont deux nombres binaires. Un rel en simple prcision occupe 4 octets (32 bits). Son exposant est stock sur un octet (il prend toutes les valeurs entires entre -128 et +127), son signe sur un bit et sa mantisse occupe les 23 bits restants reprsente par t = 23 caractres binaires d1 , d2 , ..., dt avec d1 = 1. Un rel X correspond au nombre suivant :
X=
d1 d2 d3 dt + 2 + 3 + ... + 23 2 2 2 2
Le plus nombre en valeur absolue ou zro machine est : 2129 1.47 1039 Le plus grand nombre en valeur absolue ou inni machine est : (1 223 ) 2127
1.7 1038
La meilleure prcision possible pour des calculs sur des nombres de l'ordre de l'unit sera : 223 1.19 107 Pour des nombres de l'ordre de 1000, la meilleure prcision tombe : 223 210 1.22 104 Un rel en double prcision occupe 8 octets soit 64 bits : 1 bit de signe, 11 bits pour l'exposant et 52 bits pour la mantisse.
C 4 hapitre
I:
ENSHMG
Les besoins des militaires lors de la deuxime guerre mondiale stimulera la conception et la construction de calculateurs encore plus puissants. Aux Etats-Unis, l'arme par l'intermdiaire de l'Universit de Pennsylvanie va mettre au point le plus puissant calculateur jamais construit : l'ENIAC (Electronic Numerator, Integrator, Analyser and Computer). Il ne fut termin que trois mois aprs la n de la guerre. Il comptait une multitude de lampes lectroniques qui devaient tre remplaces souvent. Les lampes taient susceptibles d'tre rendues inoprantes quand un moustique (bug) s'y crasait, ce qui est l'origine de l'expression courante pour dsigner les erreurs de programmation. L'ENIAC n'est pas un ordinateur mais une calculatrice gante, cadence 200kHz.
La premire gnration (1948-1955) est caractrise par l'utilisation de lampes lectroniques et de tambours magntiques pour la mmoire. Le langage machine utilis pour leur programmation n'est pas universel et est conu sur mesure pour une application prcise.
C 6 hapitre
I:
La deuxime gnration (1956-1963) est caractrise par le remplacement des lampes par des transistors ; la mmoire y est souvent constitue de noyaux magntiques. Le langage machine a fait place l'assembleur. La troisime gnration (1964-1971) remplace un assemblage de transistors individuels par des circuits intgrs (dispositifs semiconducteurs dans lesquels sont intgrs des lments de type rsistances, transistors, condensateurs...). Cette gnration est aussi caractrise par l'utilisation d'un systme d'opration, un programme central qui coordonne l'excution de plusieurs autres programmes. La quatrime gnration est caractrise par l'emploi des microprocesseurs (units de contrle, de traitement et de mmoire rassembles sur une mme puce de silicium). Le premier microprocesseur fut commercialis par Intel en 1971. L'utilisation de microprocesseurs fabriqus une chelle industrielle permettra la commercialisation de petits ordinateurs et mme d'ordinateurs personnels la n des annes 1970. La cinquime gnration est dicile dnir ! Ce terme est dsign tort et travers pour diverses innovations ralises.
La rvolution informatique fut rendue possible par les progrs inous de l'ctronique. Le point de dpart de cette rvolution technologique est l'invention du transistor. La comprhension du comportement des semiconducteurs (substance cristalline comme le germanium ou silicium, dont les proprits de conduction lectrique sont intermdiaires entre un mtal et un isolant) date des anns 1930. Les laboratoires Bell mettront au point le premier transistor en dcembre 1947 ce qui vaudra ses auteurs Shockley, Bardeen, Brattain le prix Nobel de physique en 1956. En 1959, le jeune ingnieur Jack Kilby de la rme Texas Instrument construit le premier circuit intgr. De nombreuses compagnies s'tabliront Palo alto en Californie et constitueront la Silicon Valley. L'une de ses entreprises, fonde en 1965 par Gordon Moore et Bob Noyce, choisit le nom d'Intel (pour INTegrated ELectronics) et produit en 1971 le premier "ordinateur sur une puce" ou microprocesseur, le Intel 4004 avec 2300 transistors. En 1978, elle lance le Intel 8086 qui compte 29000 transistors et est cadenc 4,77 MHz. Toute une srie de processeurs suivent : 286 (en 1982), 386 (1985), 486 (1989), Pentium (1993), Pentium II (1997), Pentium III (1999), Pentium IV (2001)... La progression constante de la puissance des ordinateurs associe l'abaissement considrable des cots a ouvert la possibilit de raliser des simulations numriques sur des ordinateurs personnels. Mme si les super-ordinateurs restent ncessaires pour des simulations trs importantes, il devient possible de faire excuter des simulations numriques sur des PC bon march. L'unit de mesure pour valuer les performances d'un ordinateur est le GFlops (Giga FLoating OPeration per Second ou milliard d'oprations en virgule ottante par seconde). Un PC actuel de type Pentium IV cadenc 2.4 Ghz peut dlivrer une puissance d'environ 2Gops.
ENSHMG
1936 Publication par Alan Turing des principes gnraux des machines automatiques suivant 1945 1947 1948
un algorihme. Proposition de von Neumann pour l'architecture des calculateurs automatiques. Inauguration de l'ENIAC le dernier grand calculateur avant l'ordinateur. Invention du transistor par Bardeen, Brattain et Shockley aux laboratoires Bell. Le Manchester MARK1, premier ordinateur construit sur le plan de von Neumann. Le mathmaticien amricain Claude Shannon publie sa thorie mathmatique des communications et introduit l'acronyme bit (BInary digiT) pour dsigner le plus petit lment d'information. Invention de l'assembleur, langage de programmation de bas niveau. Le UNIVAC 1, premier ordinateur commercial. Premier ordinateur produit par IBM : le modle 701. Lancement du modle 704 d'IBM, dot d'une mmoire de 144ko. Premier rseau informatique : SABRE, cr pour American Airlines. W. Shockley quitte Bell pour fonder sa propre compagnie Palo Alto, en Californie, la premire de ce qui deviendra la Silicon Valley. Le premier ordinateur transistors : le TRADIC de Bell, marque le dbut de la deuxime gnration. Cration par John Backus du premier langage de programmation suprieur : le FORTRAN. Premier circuit intgr, ralis par Jack Kilby, de Texas Instrument. Le premier ordinateur interactif : le PDP 1 ; de la Digital Equipment Corporation. Production des premiers transistors eet de champ commerciaux. Fondation de la compagnie Intel, dans la Silicon Valley. Lancement du rseau ARPANET, l'anctre d'INTERNET. Invention de l'environnement fentres-souris. Dbut de la cration du systme d'opration UNIX. Premire mmoire vive RAM base de semiconducteurs : le Intel 1103 avec 1K de mmoire. Cration du premier microprocesseur : le Intel 4004, qui compte 2300 transistors. Cration du langage de programmation C, troitement li au systme d'opration UNIX. Lancement du supercalculateur CRAY 1 (puissance de crte 100 MFlops). Premier ordinateur Apple. IBM se lance dans la commercialisation des ordinateurs personnels. Cration du langage de programmation C++. Lancement du Macintosh de Apple, premier succs commercial d'un ordinateur environnement fentre-souris. Lancement du systme d'opration Windows 1.1 ; par Microsoft.
1956 1957 1958 1959 1962 1965 1968 1969 1970 1971 1973 1976 1977 1981 1983 1984 1986
C 8 hapitre
I:
1989 Cration du World Wide Web et du langage HTML, au Centre Europen de Recherche 1994
Nuclaire (CERN). Intel lance le Pentium, microprocesseur contenant plus de cinq millions de transistors. Les nouveauts : bus de donnes largit 64 bits pour l'accs la mmoire, capacit du processeur pouvoir traiter deux instructions par cycle d'horloge et deux niveaux de mmoire cache an d'acclrer le traitement des instructions au niveau du processeur. Lancement du Pentium II d'Intel et du K6-2 d'AMD. Dbut du Pentium III d'Intel. Ce processeur monte la frquence des PC 866 MHz. Dbut du Pentium IV d'Intel. Lanc 1 Ghz, il atteindra jusqu' 3,8 Ghz. Le nombre de transistors sur une puce de PC atteint les 1,7 milliards. Un microprocesseur de PC peut dlivrer jusqu' 6,4 GFlops. Le supercalculateur le plus puissant est le DOE BlueGene d'IBM intall au Lawrence Livermore National Laboratory (USA) avec une puissance maximale de 280,6 TFlops. Le supercalculateur le plus puissant de France (62me rang mondial) se trouve au CEA pour des applications militaires : le NovaScale Quadrics de Bull SA (5,8TFlops).
Loi de Moore
Devant l'volution extrmement rapide des technologies lies aux microprocesseurs, plusieurs personnes ont cherch formuler des hypothses sur le progrs de leurs performances. Ainsi Gordon Moore, cofondateur de la socit Intel a arm en 1965 pour une confrence de presse, que "le nombre de transistors par cicuit de mme taille va doubler tous les 18 mois". Cette armation a marqu les esprits, puisqu'elle est devenue un d tenir pour les fabriquants de microprocesseurs.
Chapitre II
Pour passer d'une problme exact continu rgit par une EDP au problme approch discret, il existe trois grandes familles de mthodes : Les dirences nies. La mthode consiste remplacer les drives partielles par des dirences divises ou combinaisons de valeurs ponctuelles de la fonction en un nombre ni de points discrets ou noeuds du maillage. Avantages : grande simplicit d'criture et faible cot de calcul. Inconvnients : limitation des gomtries simples, dicults de prise en compte des conditions aux limites de type Neumann.
Les volumes nis. La mthode intgre, sur des volumes lmentaires de forme simple, les quations crites sous forme de loi de conservation. Elle fournit ainsi de manire naturelle des approximations discrtes conservatives et est particulirement bien adapte aux quations de la mcanique des uides. Sa mise en oeuvre est simple avec des volumes lmentaires rectangles. Avantages : permet de traiter des gomtries complexes avec des volumes de forme quelconque, dtermination plus naturelle des conditions aux limites de type Neumann. Inconvnient : peu de rsultats thoriques de convergence. Les lments nis. La mthode consiste approcher, dans un sous-espace de dimension nie, un problme crit sous forma variationnelle (comme minimisation de l'nergie en gnral) dans un espace de dimension innie. La solution approche est dans ce cas une fonction dtermine par un nombre ni de paramtres comme, par exemple, ses valeurs en certains points ou noeuds du maillage. Avantages : traitement possible de gomtries complexes, nombreux rsultats thoriques sur la convergence. Inconvnient : complexit de mise en oeuvre et grand cot en temps de calcul et mmoire.
10
Chapitre
II :
II.2
u(x + x, y, z, t) = u(x, y, z, t) + x
u(x + x, y, z, t) u(x, y, z, t) u = (x, y, z, t) + O(x) x x u L'approximation de la drive (x) est alors d'ordre 1 indiquant que l'erreur de troncature x O(x) tend vers zro comme la puissance premire de x.
Dnition : la puissance de x avec laquelle l'erreur de troncature tend vers zro est appele l'ordre de la mthode.
u x
=
i
ui+1 ui + O(x) x
ENSHMG
Ce schma est dit "avant" ou "dcentr avant" ou upwind. Il est possible de construire un autre schma d'ordre 1, appel "arrire" :
11
u x
=
i
ui ui1 + O(x) x
u x u x
+
i
x2 2
2u x2 2u x2
+ O(x3 )
i
x2 + 2 i
+ O(x3 )
i
u + O(x3 ) x i Ce qui permet d'obtenir le schma d'ordre deux dit "centr" pour approximer la drive premire de u : u ui+1 ui1 = + O(x2 ) x i 2x Pour obtenir des ordres suprieurs, il faut utiliser plusieurs noeuds voisins de xi . Le nombre de points ncessaire l'criture du schma s'appelle le stencil. Par exemple, un schma aux dirences nies d'ordre 3 pour la drive premire s'crit :
La soustraction de ces deux relations donne : ui+1 ui1 = 2x
u x
=
i
ui+1 = ui + x ui1 = ui x
u x u x
+
i
x2 2
2u x2 2u x2
+
i
x3 6
3u x3 3u x3
+ O(x4 )
i
x2 + 2 i
x3 6 i
+ O(x4 )
i
2u +O(x4 ) x2 i Ce qui permet d'obtenir le schma d'ordre deux dit "centr" pour approximer la drive seconde de u : 2u ui+1 2ui + ui1 = + O(x2 ) 2 x i x2 Il existe aussi une formulation "avant" et "arrire" pour la drive seconde, toute deux d'ordre 1 :
En faisant la somme de ces deux galits, on aboutit : ui+1 +ui1 2ui = x2
2u x2
=
i
2u x2
=
i
Il est galement possible de construire, par le mme procd, des schmas aux dirences nies d'ordre suprieur pour les drives deuxime, troisime, etc...
12
Chapitre
II :
ui xui x ui x ui
(4) x4 ui 3 2
ui+1
1 -2 3 -4
ui+2
1 -3 6
ui+3
ui+4 xui x ui
2
ui4
ui3
ui2
1
ui1
-1 -2 -3 -4
ui
1 1 1 1
-1 1 -1 1
1 -4 1
x ui
(4) x4 ui
-1 1 -4
3 6
ui2 2xui x ui 2x ui
(4) x4 ui 3 2
ui1
-1 1
ui
-2 0 6
ui+1
1 1 -2 -4
ui3
ui2
1 -1
ui1
-8 16 13 -39
ui
0 -30 0 56
ui+1
8 16 -13 -39
ui+2
-1 -1 8 12
ui+3
-1 1
2 -4
8x ui
(4) 6x4 ui
-1 -1
-8 12
-1 -1
ENSHMG
La principe est toujours bas sur les dveleppoments de Taylor :
13
f (xi+l , yj+m )
= +
f (xi , yj ) + lx 2mlxy 2 2f
f x
+ my
i
f y
+
j
(lx)2 2
2f x2
+
i
(my)2 2
2f y 2
xy
+ ...
i,j
f x f x f x f x
+ y
i
f y f y f y f y
+ xy
j
2f xy 2f xy 2f xy 2f xy
+
i,j
x2 2 x2 2 x2 2 x2 2
2f x2 2f x2 2f x2 2f x2
+
i
y 2 2 y 2 2 y 2 2 y 2 2
2f y 2 2f y 2 2f y 2 2f y 2
y
i
+ xy
j
+
i,j
+
i
y
i
xy
j
+
i,j
+
i
+ y
i
xy
j
+
i,j
+
i
En eectuant une combinaison linaire des quatre quations prcdentes ((1)+(2)-(3)-(4)), nous obtenons une approximation de la drive croise l'ordre 1 :
2f xy
=
i,j
x ]0, 1[
o f est une fonction continue. Le maillage est construit en introduisant N + 1 noeuds xi avec i = 0, 1, .., N , rgulirement espacs avec un pas x. La quantit ui dsignera la valeur de la fonction u(x) au noeud xi . L'quation rsoudre s'crit, sous forme discrte en chaque noeud xi :
d2 u dx2
= f (xi ) = fi
i
d2 u dx2
=
i
Chapitre
II :
1 2 1 uN 2 0 1 2 uN 1
0 1 .. .. . .
0 0 . . .
u1 u2 . . .
f1 + /x2 f2 . . . fN 2 fN 1 + /x2
x ]0, 1[
Les modications du problme discrtis par rapport au cas prcdent sont les suivantes. Tout d'abord, le nombre d'inconnues a chang. Il y a une inconnue au bord en x = 1. Le problme discret a donc maintenant, sur la base du mme maillage que prcdemment, N inconnues ui pour i variant de 1 N . D'autre part, il faut discrtise la condition de Neumann u (1) = . Plusieurs choix sont possibles pour approximer cette drive premire. C'est un des inconvnients de la mthode des dirences nies : elle ne donne pas de faon naturelle une bonne approximation des conditions de Neumann. uN uN 1 Dans notre cas, utilisons une approximation d'ordre 1 : u (1) = x Sous forme matricielle, on obtient :
1 2 x 0 0 0
2 1 0 1 2 1 . .. .. .. . . . . . 0 0 0
1 2 1 0 uN 2 0 1 2 0 uN 1 uN 0 0 1 1
0 0 . . .
0 0 . . .
u1 u2 . . .
f1 + /x2 f2 . . . fN 2 fN 1 /x
ENSHMG
15
T 2T = 2 t x
o est la diusivit thermique. A cette EDP s'ajoute deux conditions aux limites aux extrmits de la barre T (0, t) = Tg et T (1, t) = Td ainsi qu'une condition initale T (x, 0) = T0 . L'intervalle [0,1] est discrtis en N + 1 noeuds de coordonnes xi (i variant de 0 N ) rgulirement espacs. Notons x le pas d'espace. Le temps est discrtis en intervalles de pas constant t. Notons Tin la temprature au noeud xi = ix et l'instant t = nt.
On peut utiliser deux approches pour discrtiser cette quation de la chaleur. La premire dite explicite utilise une discrtisation au noeud xi et l'itration courante n :
T t
=
i
2T x2 2T x2
n i
T t
n+1
n+1 i
=
i
II.2.10.1
Schma explicite
Nous utilisons un schma avant d'ordre 1 pour valuer la drive temporelle et un schma centr d'ordre 2 pour la drive seconde en espace :
T t 2T x2
=
i n
Tin+1 Tin t
n n Ti+1 2Tin + Ti1 x2
=
i
i variant de 1 N-1
1 2 0 1 2 . .. .. . . . . 0 0 0 0 0
T 1 2 N 2 TN 1 1 2
.. .
0 0 . . .
T1 T2 . . .
+ 0 Td
Tg 0 . . .
16
Chapitre
II :
II.2.10.2
Schma implicite
Nous utilisons un schma arrire d'ordre 1 pour valuer la drive temporelle et un schma centr d'ordre 2 pour la drive seconde en espace :
T t 2T x2
En posant =
n+1
=
i n+1
Tin+1 Tin t
n+1 n+1 Ti+1 2Tin+1 + Ti1 x2
=
i
On constate que les inconnues l'itration n + 1 sont relies entre elles par une relation implicite (d'o le nom de la mthode). Sous forme matricielle : 1 + 2 0 0 1 + 2 0 . . .. .. .. . . . . . . . 0 0 1 + 2 0 0 0 1 + 2
T N 2 TN 1
T1 T2 . . .
n+1
= T N 2 TN 1
T1 T2 . . .
+ 0 Td
Tg 0 . . .
A chaque itration, le vecteur des inconnues discrtes se dtermine par rsolution d'un systme linaire. La matrice du systme tant tridiagonale, un algorithme de Thomas (bas sur la mthode du pivot de Gauss) est trs souvent utilis.
Algorithme de Thomas
Cet algorithme est utilis pour la rsolution d'un systme avec une matrice tridiagonale de dimension N faisant intervenir un vecteur d'inconnues discrtes Xi , de la forme :
ai Xi1 aN XN 1
+ +
b1 X1 bi Xi b N XN
+ +
c1 X2 ci Xi+1
= = =
d1 di dN
Le calcul s'eectue en deux tapes (qui correspondent aux deux tapes du pivot de Gauss). La triangularisation fait apparatre les coecients i et i valus par rcurrence :
i =
ai bi + ci i+1
et
i =
di ci i+1 bi + ci i+1
pour i variant de N 1
La deuxime tape dtermine les inconnues selon la rcurrence : X1 = 1 puis Xi = i Xi1 + i pour i variant de 2 N .
ENSHMG
17
T (0, y) = Tg T (x, 0) = Tb
et T (Lx , y) = Td et T (x, Ly ) = Th
Le domaine de calcul est discrtis en (N+1)(P+1) noeuds (xi , yj ) (i variant de 0 N et j variant de 0 P). On supposera que les pas d'espace dans chaque direction x et y sont constants. La temprature discrte au noeud (xi , yj ) sera note Tij = T (xi , yj ).
Nous utilisons un schma centr d'ordre 2 pour approximer les drives secondes en espace :
2T x2 2T y 2
=
ij
=
ij
2A y 2 0 x2 0 0 0 0 0 2 2A y 2 2 y 0 x 0 0 0 0 2 2A 2 0 y 0 0 x 0 0 0 2 2 2 x 0 0 2A y 0 x 0 0 2 2 2A y 2 2 0 x 0 y 0 x 0 2 2 2A 0 0 x 0 y 0 0 x2 0 0 0 x2 0 0 2A y 2 0 2 2 2A y 2 0 0 0 0 x 0 y 2 0 0 0 0 0 x 0 y 2 2A
x2 Tb + y 2 Tg x2 Tb x2 Tb + y 2 Td y 2 Tg 0 y 2 Td x2 Th + y 2 Tg x2 Th x2 Th + y 2 Td
Dans le cas o les pas d'espace sont identiques x = y , la formulation devient, pour i variant de 1 N 1 et j variant de 1 P 1 :
Chapitre
II :
4 1 0 1 0 0 0 0 0 1 4 1 0 1 0 0 0 0 0 1 4 0 0 1 0 0 0 1 0 0 4 1 0 1 0 0 0 1 0 1 4 1 0 1 0 0 0 1 0 1 4 0 0 1 0 0 0 1 0 0 4 1 0 0 0 0 0 1 0 1 4 1 0 0 0 0 0 1 0 1 4
Tb + Tg Tb Tb + Td Tg 0 Td Th + Tg Th Th + Td
4 1 0 D = 1 4 1 0 1 4
Notons T1 , T2 et T3 les vecteurs 3 composantes dnis par :
D I 0 T1 B1 I D I T2 = B2 0 I D T3 B3
La matrice obtenue est tridiagonale et chacun de ses blocs est tridiagonal. La rsolution du systme peut s'eectuer par une mthode de Thomas matriciel o une mthode itrative matricielle (mthode de Gauss-Seidel).
Ai Xi1 AN XN 1
+ +
B1 X1 Bi Xi BN XN
+ +
C1 X2 Ci Xi+1
= = =
D1 Di DN
ENSHMG
On introduit la matrice i et le vecteur i valus par les relations de rcurrence suivantes :
19
i = (Bi + Ci i+1 )1 Ai
et
i variant de N 1
La deuxime tape dtermine les inconnues selon la rcurrence : X1 = 1 puis Xi = i Xi1 + i pour i variant de 2 N .
Remarque : Avec une condition de Neumann sur l'un des bords du domaine, par exemple en y = 0 un ux de chaleur gale b , il faudrait ajouter la formulation prcdente la discrtisation de cette condition au bord. Ceci a pour consquence l'ajout de N 1 inconnues supplmentaires savoir les valeurs de la temprature au bord (j = 0 et i variant de 1 N 1).
T y
=
i,0
Ti,1 Ti,0 = b y
20
Chapitre
II :
II.3
II.3.1 Introduction
La mthode des Volumes Finis consiste intgrer, sur des volumes lmentaires, les quations crites sous forme intgrale. C'est une mthode particulirement bien adapte la discrtisation spatiale des lois de conservation, contrairement aux Elments Finis, et est ainsi trs utilise en mcanique des uides. Sa mise en oeuvre est simple si les volumes lmentaires ou "volumes de contrle" sont des rectangles en 2D ou des paralllpipdes en 3D. Cependant, la mthode des Volumes Finis permet d'utiliser des volumes de forme quelconque et donc de traiter des gomtries complexes, contrairement aux Dirences Finies.
De nombreux codes de simulation numrique en mcanique des uides reposent sur cette mthode : Fluent, StarCD, CFX, FineTurbo, elsA...
t
L'intgrale
w d +
F.n d =
S d
suppos constant sur chaque face, l'intgrale se ramne une somme discrte sur chaque face de la maille. Il vient : F.n d = Ff ace .nf ace f ace
f aces de la maille
F.n d reprsente la somme des ux travers chaque face de la maille. Le ux est
La quantit Ff ace = F (wf ace ) est une approximation du ux F sur une face de la maille, c'est le ux numrique sur la face considre. La discrtisation spatiale revient calculer le bilan des ux sur une maille lmentaire. Ce bilan comprend la somme des contributions values sur chaque face de la maille. La manire dont on approche les ux numriques en fonction de l'inconnue discrte dtermine le schma numrique. L'criture du schma numrique peut galement utiliser des inconnues auxiliaires, par exemple le gradient de l'inconnue par maille.
ENSHMG
21
Explicitons maintenant le terme de drive temporelle. Un lment fondamental de la discrtisation en Volumes Finis est de supposer que la grandeur w est constante dans chaque maille et gale une valeur approche de sa moyenne sur la maille ou bien sa valeur au centre de la maille. D'autre part, le terme de drivation en temps est valu au moyen d'une mthode numrique d'intgration d'quation direntielle (Runge-Kutta, Euler explicite ou implicite...) et fait intervenir un pas de temps d'intgration t. Ce dernier peut tre constant ou variable. Pour xer les ides, on crira la formulation avec une mthode d'Euler explicite. Notons w l'incrment de la grandeur w entre deux itrations temporelles successives. On peut ainsi crire :
w d =
dw dt
=
maille
w t
Finalement la loi de sconservation discrtise avec la mthode des Volumes Finis peut s'crire :
w + t
Dcomposer la gomtrie en mailles lmentaires (laborer un maillage). Initialiser la grandeur w sur le domaine de calcul. Lancer le processus d'intgration temporelle jusqu' convergence avec :
Calcul du bilan de ux par maille par un schma numrique. Calcul du terme source. Calcul de l'incrment temporel par une mthode numrique d'intgration. Application des conditions aux limites.
II.3.2.1
Cas monodimensionnel
t f (u) dx = 0 x
u dx +
O u est une grandeur physique fonction de la variable d'espace x et du temps t et f (u) est une fonction de u. Le domaine de calcul est divis en N mailles de centre xi . Chaque maille a une taille hi = xi+1/2 xi1/2 . Les indices demi-entier dsignent les interfaces de la maille avec les mailles voisines (voir gure II.1).
22
x i-1/2 x i-1 xi
Chapitre
II :
x i+1/2 x xi+1
Le temps est discrtis en intervalles de pas constant t. La fonction u est suppose constante dans chaque maille et gale une valeur approche de la moyenne. Notons un cette valeur i moyenne dans la i-me maille de centre xi , l'instant t = nt. Ainsi :
u(x, t) = un i
Souvent, cette valeur approche de la moyenne est la valeur de la fonction u au centre xi de la maille, on parle alors de Volumes Finis Cell-Centered (et dans ce cas, un = u(xi , t)). i
Le discrtisation spatiale par les Volumes Finis consiste intgrer maille par maille la loi de conservation : f (u) dx = 0 u dx + t maille maille x Soit pour la i-me maille de centre xi , au temps t = nt :
t
Ce qui s'intgre comme suit :
xi+1/2 xi1/2
u dx +
xi+1/2 xi1/2
f dx = 0 x
hi
un i n n + fi+1/2 fi1/2 = 0 t
n La quantit fi+1/2 dsigne une approximation du ux f (u) l'interface xi+1/2 et au temps nt. C'est le ux numrique au point xi+1/2 . Ce ux numrique s'value en fonction des valeurs moyennes de u dans les mailles voisines, ce qui dtermine le schma numrique.
Une mthode d'Euler explicite est utilise pour valuer la drive en temps (d'autres schmas peuvent tre utiliss, par exemple le schma de Runge-Kutta). La formulation discrtise en Volumes Finis de la loi de conservation est ainsi :
hi
23
Considrons une loi de conservation d'une grandeur physique u(x, y, t) o x et y sont les deux directions d'espace. Le domaine gomtrique est divis en mailles lmentaires, par exemple en mailles rectangulaires comme reprsent sur la gure II.2. La grandeur u est suppose constante dans chaque maille et gale une valeur approche de la moyenne sur la maille (ou encore la valeur au centre de la maille).
n B C
d'une maille lmentaire. Plaons-nous sur la maille de contour ABCD comme indiqu sur la gure. Le ux F est suppos constant sur chaque arte de la maille AB , BC , CD et AD. L'intgrale se ramne une somme discrte sur chaque arte :
F.n d =
ABCD
F.n dl =
AB,BC,CD,AD
Ceci revient valuer le bilan des ux travers chaque facette de la maille.
24
Chapitre
II :
x ]0, 1[
o f est une fonction continue. L'intervalle ]0,1[ est discrtis en N mailles de centre xi et de taille hi = xi+1/2 xi1/2 . La fonction u(x) est suppos constante dans chaque maille et gale une valeur approche de la moyenne sur la maille considre. On notera ui cette valeur dans la i-me maille de centre xi . Ainsi, on a dans la i-me maille : x [xi1/2 , xi+1/2 ], u(x) = ui .
1/2
=0 x1
3/2
x i-1/2 x2 x i-1 xi
x i+1/2 x xi+1
La discrtisation spatiale par les Volumes Finis consiste intgrer maille par maille l'quation direntielle du problme, soit pour la i-me maille :
xi+1/2 xi1/2
u (x) dx =
xi+1/2 xi1/2
f (x) dx
u (xi1/2 ) u (xi+1/2 ) = hi fi
pour i variant de 1 N
xi+1/2 xi1/2
f (x) dx
Il reste maintenant exprimer u (xi1/2 ) en fonction des inconnues ui . L'approximation la plus naturelle est de prendre la valeur moyenne de u (x) sur le segment [xi1 , xi ], soit :
u (xi1/2 ) =
avec hi1/2 =
1
hi1 +hi 2
xi
u (x) dx =
xi1
hi1 + hi 2
Cette dernire expression n'est pas valable au bord gauche, pour i = 1, en x1/2 = 0, car elle fait intervenir le point x0 qui n'est pas dni. Il se pose alors le problme du traitement des bords qui exige une formulation particulire. Une possibilit est de dnir une maille ctive gauche de l'intervalle [0,1], et d'aecter une valeur moyenne de la fonction u dans cette maille. Une autre possibilit est de considrer la valeur moyenne de u (x1/2 ) non plus sur le segment [x0 , x1 ] qui
ENSHMG
25
n'est pas dni mais sur le segment [x1/2 , x1 ], c'est ce que nous choisissons dans cet exemple. Ainsi on crit :
u (x1/2 ) =
2 h1
x1
u (x) dx =
x1/2
ui+1 ui . Le mme problme hi+1/2 survient au bord droit, pour i = N , en xN +1/2 = 1. On considre la valeur moyenne de u (xN +1/2 ) non plus sur le segment [xN , xN +1 ] qui n'est pas dni mais sur le segment [xN , xN +1/2 ], soit :
Et de mme pour le terme u (xi+1/2 ), on crit que : u (xi+1/2 ) =
u (xN +1/2 ) =
2 hN
xN +1/2 xN
u (x) dx =
2(u(1) uN ) 2( uN ) = hN hN
= = =
hi fi h1 f1 hN fN
Dans le cas particulier d'un maillage rgulier de pas h. La discrtisation en Volumes Finis devient :
= = =
fi
2 f1 + 2 h 2 fN + 2 h
u N 1 uN
u1 u2 . . .
f1 + 2/h2 f2 . . . fN 1 fN + 2/h2
26
Chapitre
II :
d2 u dx2
= f (xi ) = fi
i
Approximons la drive seconde de u au moyen d'un schma l'ordre 2. On crit les dveloppements de Taylor de ui+1 et ui1 au voisinage de xi :
du dx du dx
+
i
h2 i+1/2 2 h2 i1/2 2
d2 u dx2 d2 u dx2
+
i
= =
du dx
Par somme des deux galits, on obtient une approximation l'ordre 2 de la drive seconde de u. Au nal, la discrtisation par des Dirences Finies est la suivante :
2 hi+1/2 + hi1/2
= fi
pour i variant de 1 N
Dans la cas particulier d'un maillage rgulier de pas h, l'quation discrtise s'crit :
pour i variant de 1 N
ENSHMG
27
x ]0, 1[
o l'on a cette fois une condition de Neumann en x = 1. On se place sur le mme maillage que prcdemment et on adopte la mme dmarche. L'quation intgre sur une maille lmentaire est :
u (xi1/2 ) u (xi+1/2 ) = hi fi
pour i variant de 1 N
Le calcul des termes de drive aux interfaces s'eectue de la mme manire que prcdemment. Au bord droit, l'interface xN +1/2 = 1, l'application de la condition u (1) = s'applique trs naturellement et l'on a : u (xN +1/2 ) = . La discrtisation en Volumes Finis est donc nalement :
= = =
hi fi h1 f1 hN fN
Dans le cas particulier d'un maillage rgulier de pas h. La discrtisation en Volumes Finis devient :
= = =
fi
2 f1 + 2 h fN + h
u N 1 uN
u1 u2 . . .
f1 + 2/h2 f2 . . . fN 1 fN + /h
28
Chapitre
II :
T 2T = 2 t x
o est la diusivit thermique que l'on supposera gale 1. A cette EDP s'ajoute deux conditions aux limites aux extrmits de la barre T (0, t) = Tg et T (1, t) = Td ainsi qu'une condition initale T (x, 0) = T0 . L'intervalle [0,1] est discrtis en N mailles de centre xi (i variant de 1 N ), de taille x = xi+1/2 xi1/2 constante. Le temps est discrtis en intervalles de pas constant t. A chaque instant, la temprature T (x, t) est suppose constante dans chaque maille et gale une valeur approche de la moyenne sur la maille considre. On notera Tin cette valeur dans la i-me maille de centre xi l'instant t = nt. La discrtisation spatiale par les Volumes Finis consiste intgrer maille par maille l'EDP du problme, soit pour la i-me maille :
xi+1/2 xi1/2
T dx = t
xi+1/2 xi1/2
2T dx x2
Nous utilisons un schma d'Euler explicite pour valuer la drive temporelle, il vient :
Tin+1 Tin = t
T x
xi+1/2
T x
n xi1/2
Les termes de drive premire aux interfaces xi+1/2 sont valus en considrant la valeur moyenne T de sur le segment [xi , xi+1 ], soit : x
T x
=
xi+1/2
1 x
xi+1 xi
T n Tin T dx = i+1 x x
Cette formulation n'est pas valable dans la maille N l'extrmit droite de la barre. Dans cette maille, on considre la valeur moyenne calcule sur l'intervalle [xN , 1]. D'o :
T x
=
xN +1/2
2 x
1 xN
n T n TN T dx = 2 d x x
De mme, les termes de drive premire aux interfaces xi1/2 sont valus en considrant la T sur le segment [xi1 , xi ], soit : valeur moyenne de x
T x
=
xi1/2
1 x
xi xi1
n T n Ti1 T dx = i x x
ENSHMG
29
Avec un problme dans la premire maille l'extrmit gauche de la barre. Dans cette maille, on considre la valeur moyenne calcule sur l'intervalle [0, x1 ]. D'o :
T x
En posant =
n x1/2
2 = x
x1 0
n n T1 Tg T dx = 2 x x
= = =
i variant de 2 N-1
1 3 0 1 2 . .. .. . . . . 0 0 0 0 0
T 1 2 N 1 1 3 TN
.. .
0 0 . . .
T1 T2 . . .
+ 2 0 Td
Tg 0 . . .
T (0, y) = Tg T (x, 0) = Tb
et T (Lx , y) = Td et T (x, Ly ) = Th
Le domaine de calcul est discrtis en NP mailles de centre (xi , yj ) (i variant de 1 N et j variant de 1 P). On supposera que les pas d'espace dans chaque direction x = xi+1/2 xi1/2 et y = yj+1/2 yj1/2 sont constants. La temprature T (x, y) est suppose constante dans chaque maille et gale une valeur approche de la moyenne sur la maille considre. On notera Tij cette valeur dans la maille (i, j). La discrtisation spatiale par les Volumes Finis consiste intgrer maille par maille l'EDP du problme, soit pour la maille (i, j) de centre (xi , yj ) :
xi+1/2 xi1/2 yj+1/2 yj1/2
2T 2T + x2 y 2
dxdy = 0
30 Il vient :
yj+1/2 yj1/2
Chapitre
II :
T x
xi+1/2
T x
dy +
xi1/2
xi+1/2 xi1/2
T y
yj+1/2
T y
dx = 0
yj1/2
=
xi+1/2
1 x
Ti+1,j Tij T dx = x x
T l'interface xi1/2 est valu en calculant une valeur moyenne x xi1/2 sur l'intervalle [xi1 ,xi ]. Ce qui permet d'crire :
De mme, le terme
yj+1/2 yj1/2
T x
xi+1/2
T x
dy
xi1/2
yj+1/2 yj1/2
dy
T aux interfaces yj+1/2 et yj1/2 , on aboutit y l'expression suivante valable pour i variant de 2 N 1 et j variant de 2 P 1 : y 2 (Ti+1,j + Ti1,j ) + x2 (Ti,j+1 + Ti,j1 ) 2(x2 + y 2 )Tij = 0
Cette relation n'est pas valable aux bords du domaine pour lesquels les termes de drives premires sont valus en considrant une valeur moyenne sur une demie-maille. T , la valeur moyenne sera calcule sur l'intervalle [0,x1 ] et Par exemple, pour la drive x x1/2 fera intervenir les conditions aux limites (la temprature Tg au bord gauche) :
T x
=
x1/2
2 x
x1 0
T1j Tg T dx = 2 x x
Ainsi pour les cellules adjacentes au bord gauche (i = 1, j variant de 1 P ), la formulation est :
y 2 (T2,j + 2Tg ) + x2 (T1,j+1 + T1,j1 ) (2x2 + 3y 2 )T1j y 2 (T21 + 2Tg ) + x2 (T12 + 2Tb ) 3(x2 + y 2 )T11 y 2 (T2P + 2Tg ) + x2 (2Th + T1,P 1 ) 3(x2 + y 2 )T1P
= = =
ENSHMG
31
On aura une formulation quivalente pour les cellules adjacentes aux 3 autres bords du domaine. Soit sous forme matricielle, pour N =P =3, en posant A = x2 + y 2 , B = 3x2 + 2y 2 et C = 2x2 + 3y 2 :
3A y 2 0 x2 0 0 0 0 0 2 2 2 y B y 0 x 0 0 0 0 2 3A 2 0 y 0 0 x 0 0 0 2 2 2 x 0 0 C y 0 x 0 0 2 2 2A y 2 2 0 x 0 y 0 x 0 2 2 0 0 x 0 y C 0 0 x2 0 0 0 x2 0 0 3A y 2 0 2 2 0 0 0 0 x 0 y B y 2 0 0 0 0 0 x2 0 y 2 3A
= 2
x2 Tb + y 2 Tg x2 Tb x2 Tb + y 2 Td y 2 Tg 0 y 2 Td x2 Th + y 2 Tg x2 Th x2 Th + y 2 Td
Dans le cas o les pas d'espace sont identiques x = y , la formulation matricielle, pour N =P =3 devient : 6 1 0 1 0 0 0 0 0 T11 Tb + Tg 1 5 1 0 1 0 0 0 0 T21 Tb 0 T31 Tb + Td 1 6 0 0 1 0 0 0 1 0 0 5 1 0 1 0 0 T12 Tg 0 T22 = 2 1 0 1 4 1 0 1 0 0 0 1 0 1 5 0 0 1 T32 Td 0 0 Th + Tg 0 0 1 0 0 6 1 0 T13 0 0 0 0 1 0 1 5 1 T23 Th 0 0 0 0 0 1 0 1 6 T33 Th + Td
Remarque : dans le cas de conditions aux limites mixtes Dirichlet-Neumann, la condition de ux de chaleur est prise en compte trs simplement, directement dans les termes de drives aux interfaces du bord concern.
32
Chapitre
II :
II.4
II.4.1 Introduction
La mthode des Elments Finis consiste approcher, dans un sous-espace de dimension nie, un problme crit sous forme variationnelle dans un espace de dimension innie. Cette forme variationnelle est quivalente une forme de minimisation de l'nergie en gnral (principe des travaux virtuels). La solution approche est dans ce cas une fonction dtermine par un nombre ni de paramtres, par exemple, ses valeurs en certains points (les noeuds du maillage). Cette mthode est particulirement bien adapte aux problmes d'quilibre. Elle permet de traiter des gomtries complexes contrairement aux Dirences Finies mais elle demande un grand cot de temps de calcul et de mmoire.
De nombreux codes de calculs de structure reposent sur les Elments Finis : ANSYS, CADDS, CATIA...
x ]0, 1[
La prsentation trs succinte faite sur cet exemple simple a pour but de donner les ides de base et ne constitue qu'une premire introduction la mthodes des Elments Finis. L'approche repose sur la mthode de Galerkin qui permet d'crire le systme direntiel sous forme variationnelle dans un espace de dimension nie. Soit une fonction v(x) C 1 ([0, 1]), nulle en 0 et 1. On peut crire :
1 1
u (x) v(x) dx =
0
f (x) v(x) dx
u (x) v (x) dx =
0 0
f (x) v(x) dx
v V
(II.1)
avec V = v C 0 ([0, 1]); v(0) = v(1) = 0 , v' continue par morceaux de C 1 ([0, 1]).
un sous-espace vectoriel
Une solution de la forme variationnelle (II.1) s'appelle solution faible du problme direntiel de dpart.
ENSHMG
33
On cherche alors crire un problme approch dans un sous-espace vectoriel de dimension nie. Soit V un sous-espace vectoriel de V de dimension N nie. Soient 1 , 2 , ..., N N fonctions linairement indpendantes de V . Ces fonctions constituent une base du sous-espace V . Ainsi, toute fonction u de V peut se dcomposer selon :
N
u(x) =
j=1
uj j (x)
Rsoudre le problme direntiel de dpart revient alors chercher une solution u V telle que :
1 1
u (x) v (x) dx =
0 0
f (x) v (x) dx
V v
uj
j=1
j (x) v (x) dx =
f (x) v (x)dx
0
V v
Ou encore :
uj
j=1
j (x) i (x) dx =
f (x) i (x) dx
i V
aij =
j (x) i (x) dx
et
bi =
f (x) i (x) dx
Par dnition, la matrice A est symtrique. Notons U le vecteur des N inconnues u1 , u2 , ..., uN . Le problme direntiel se ramne nalement la rsolution du systme linaire :
A.U = B
Il reste maintenant choisir les N fonctions i de faon ce que le systme soit simple rsoudre numriquement.
II.4.2.1
L'intervalle ]0,1[ est discrtis en N points de coordonnes xi . Les fonctions i (x) sont choisies comme fonctions polynomiales de degr 1 dnies par : x xi1 si xi1 x xi x x i i1 x xi+1 i (x) = si xi x xi+1 xi xi+1 0 sinon
34
Chapitre
II :
Ces fonctions sont appeles les lments nis de degr 1. Avec ces lments nis, la matrice A est tridiagonale. Il est aussi possible de choisir pour lments nis des fonctions de degr 2 ou plus. Le calcul de la matrice A fait intervenir les drives i (x) simples calculer :
1 x x i i1 1 i (x) = x x i+1 i 0
si si sinon
xi1 x xi xi x xi+1
Calculons maintenant les lments de la matrice A, tridiagonale et symtrique. Les trois termes des diagonales sont :
aii =
0 1
i (x) i (x) dx =
ai,i+1 =
0 1
ai1,i =
Et calculons les composantes du vecteur B par une mthode des trapzes (chaque intgrale sur un segment lmentaire sera value comme l'aire du trapze correspondant), soit :
1
bi =
f (x) i (x) dx = fi
xi+1 xi1 2
pour i variant de 1 N
pour i variant de 1 N
Ainsi, on constate que les deux mthodes sont rigoureusement identiques. Ceci n'est plus vri quand les composantes du vecteur B ne sont plus values avec une mthode des trapzes.
ENSHMG
35
Dans le cas o les N points de l'intervalle ]0,1[ sont rgulirement espacs avec un pas h. La discrtisation en Elments Finis devient :
pour i variant de 1 N
1 2 1 uN 1 uN 0 1 2
0 1 .. .. . .
0 0 . . .
u1 u2 . . .
= f N 1 fN
f1 f2 . . .
II.4.2.2
Bilan
La mthodes des Elments Finis 1D consiste donc : Choisir N points entre 0 et 1 et choisir les fonctions i
Construire la matrice A Dterminer le vecteur B (avec une mthode d'intgration) Rsoudre le systme linaire A.U = B o U dsigne le vecteur des inconnues
36
Chapitre
II :
II.5
APPLICATION NUMERIQUE
Comparons les trois mthodes de discrtisation sur le cas simple prcdemment expos. On choisit comme fonction f (x) = sin (x). L'quation direntielle rsoudre est donc :
x ]0, 1[
Divisons l'intervalle ]0,1[ en dix segments rguliers de pas h = 0.1. Pour les discrtisations avec les Dirences Finies et les Elements Finis, il y a N = 9 noeuds de calculs. Et pour la mthode des Volumes Finis, il y a N = 10 mailles de calculs.
La solution discrte obtenue avec les Dirences Finies (ou les Elments Finis) est reporte dans le tableau V.1 :
xi ui (ui )a
|erreur|
9.6 103
8.4 103
7.3 103
8.3 103
1 102
8.3 103
7.3 103
8.4 103
9.6 103
La valeur moyenne par maille obtenue avec les Volumes Finis est reporte dans le tableau II.2. sin h 2 Le calcul de la valeur moyenne de f (x) dans la i-me maille est : fi = fi . Notons (i )a u h 2 la valeur moyenne de la solution analytique calcule sur la i-me maille soit : sin h 1 xi+1/2 2 (i )a = u u(x) dx = ui . h xi1/2 h 2
xi ui (ui )a
|erreur|
2.5 103
2.6 103
2.8 103
2.4 103
2 103
2 103
2.4 103
2.8 103
2.6 103
2.5 103
Les trois mthodes permettent d'obtenir des rsultats avec une bonne prcision. L'erreur la plus faible est obtenue avec la mthode des Volumes Finis.
ENSHMG
37
II.6
Un certain nombre de notion est ncessaire lors de la rsolution d'quations aux drives partielles (EDP) au moyen de leurs quivalents discrtiss. Les trois principales sont la convergence, la stabilit et la consistance. Ces trois proprits permettent de relier la solution exacte des quations continues la solution exacte des quations discrtises et la solution numrique obtenue. Ces dirents liens, rsums sur la gure II.4, sont :
la stabilit, c'est la proprit qui assure que la dirence entre la solution numrique obtenue et la solution exacte des quations discrtises est borne. la consistance, c'est la proprit qui assure que la solution exacte des quations discrtises tende vers la solution exacte des quations continues lorsque le pas de discrtisation (t et x) tendent vers zro.
la convergence, c'est la proprit qui assure que la solution numrique tende vers la (ou une) solution exacte des quations continues. C'est videmment la proprit la plus recherche !
Ces proprits sont lies les unes aux autres par des thormes :
Le thorme de Lax
Dans un problme bien pos, et avec un schma numrique consistant, la stabilit est une condition ncessaire et susante pour la convergence.
38
Chapitre
II :
Le thorme de Lax-Wendro
Si un schma numrique consistant converge lorsqu'on rane les pas de temps et d'espace, c'est--dire lorsque t 0 et x 0, alors il converge vers une solution faible des quations.
Par exemple pour l'quation de la chaleur 1D, les schmas explicites sont stables sous la condition CFL suivante : t < 0.5 x2 alors que les schmas implicites sont toujours stables.
39
Chapitre III
2u 2u u 2u u +c 2 +d +e + fu = g +b x2 xy y x y
(III.1)
dans laquelle u est une fonction de deux variables x et y . On dit que l'quation (III.1) est : hyperbolique ssi b2 4ac > 0 parabolique ssi b2 4ac = 0 elliptique ssi b2 4ac > 0 Remarque 1 : la terminologie utilise dans cette dnition est base sur la classication des coniques du plan. On rappelle que la conique d'quation :
ax2 + bxy + cy 2 + dx + ey + f = 0
est une hyperbole (resp. une parabole, une ellipse) ssi b2 4ac est positif (resp. nul, ngatif). Remarque 2 : Si les coecients a, b, ..., g dpendent des variables x et y , le type de l'quation (III.1) est local. L'quation est hyperbolique au point (x0 , y0 ) ssi b(x0 , y0 )2 4a(x0 , y0 )c(x0 , y0 ) > 0, etc. Remarque 3 : le type de l'EDP est invariant par changement de base.
40
Chapitre
III :
u = u0
sur
Exemples : Equation de la chaleur en stationnaire (temprature d'quilibre). Dplacement vertical d'une membrane dont le bord est x. En mcanique des uide, dans le cas d'un coulement plan, permanent d'un uide parfait incompressible, le potentiel des vitesses vrient une quation de Laplace.
ENSHMG
41
III.4.2
Equations types
Pour une grandeur w(x, t) on distingue deux grands types d'quation hyperbolique : Le premier type d'quation du cas hyperbolique est l'quation des ondes homognes :
2w 2w c2 = 0 t2 x2 Le deuxime type du cas hyperbolique conduit la dnition suivante : Soit A une matrice n n. Le systme (linaire ou non) du premier ordre w w + A(w) = 0 t x
est hyperbolique ssi la matrice A est diagonalisable valeurs propres relles, pour tout w. Dans le cas scalaire (n = 1), le systme se ramne l'quation de convection pure :
w w +c = 0 t x
III.4.3
Caractristiques
2u 2u u 2u u +C +E = 0 +B +D 2 2 X XY Y X Y
o A, B , C , D et E sont fonctions de a, b, c et des drives de X ,Y par rapport x, y . Dans le but de dterminer une forme canonique de l'EDP, nous pouvons chercher s'il existe des coordonnes (X, Y ) telle que A = 0 ou C = 0, ce qui revient rsoudre l'quation suivante :
dy dx
dy dx
+c = 0
dy b+ = dx
b2 4ac 2a
et
dy b = dx
b2 4ac 2a
42
Chapitre
III :
En rsolvant ces deux quations nous obtenons les courbes caractristiques. Et les nouvelles coordonnes (X(x, y), Y (x, y)) sont les coordonnes caractristiques. Aprs ce changement de coordonnes, nous aurons une EDP de la forme :
u u 2u +K +K = 0 XY X Y
Remarque : Dans le cas o les coecients a, b et c sont constants, les caractristiques sont des droites. Exemple : Considrons l'quation y 2
dy = dx
x 4x2 y 2 = 2 2y y
x dy 4x2 y 2 = = 2 dx 2y y
y 2 x2 = cte 2
et
y 2 + x2 = cte 2 y 2 x2 y 2 + x2 et Y (x, y) = 2 2
2u Y u X u = 2 Y 2 ) X 2 Y 2 ) Y XY 2(X 2(X
w w +c = 0 t x
o la vitesse c peut tre constante ou non.
43
dx dt
= c, alors
C
dw dt
=
C
w w +c = 0. t x
On montre ainsi que la rsolution de l'EDP de dpart se ramne la rsolution d'un systme d'EDO. Ce systme dnit une famille de courbes que l'on nomme courbes caractristiques. Cette mthode peut aussi s'interprter comme un changement de variable. Sa validit cesse lorsque les courbes caractristiques se coupent. Ce cas correspond l'apparition de singularits dans la solution de l'quation de convection (ondes de choc par exemple). La mthode des caractristiques consiste donc remplacer la rsolution de l'EDP par la recherche d'une famille de courbes C d'quation x = X(t) et d'une famille de fonctions wC solutions du systme d'quations direntielles ordinaires couples : dx = c dt C dw = 0 dt C
w w Exemple : Rsolution de l'quation de convection + c0 = 0 avec la condition initiale t x w(x, 0) = w0 (x) et une vitesse c0 constante. Le systme d'EDO rsoudre est : x = c0 w = 0
avec les conditions initales [x(0), w(0)] = [a, w0 (a)]. On en dduit alors :
x = X(t) = a + c0 t
et
wC = w0 (a) = w0 (x c0 t)
Les courbes caractristiques sont donc des droites parallles de pente 1/c0 dans le plan (x, t) et la grandeur w est invariante le long de ces droites. On en dduit que w(x, t) = w0 (x c0 t). La grandeur w est dans ce cas appele un invariant de Riemann.
w w + A(w) = 0 t x
o la matrice A est diagonalisable valeurs propres relles k (w). Ce systme d'EDP peut se transformer en un systme d'EDO faisant intervenir la drivation des solutions le long de courbes caractristiques dont le trac dpend lui-mme des solutions. Cette transformation permet une interprtation gomtrique des solutions dans le plan (x, t) et conduit souvent des rsolutions analytiques ou numriques.
44
Chapitre
III :
Cette mthode des caractristiques n'est plus valide lorsque les courbes caractristiques se coupent. C'est le cas lorsque des discontinuits existent (ondes de choc en Euler). Dans ce cas, il n'y a pas unicit de la solution. On introduit un vecteur propre gauche Lk de la matrice A (ie Lk A = k Lk ). On multiplie le systme d'EDP par ce vecteur propre. Il vient :
Lk
w w + A(w) t x
= Lk
w w + k (w) t x
= 0
(III.2)
dx = k (w) dt
L'quation (III.2) peut alors se rcrire :
Lk
Ou plus simplement :
w w + t x
dx dt
= Lk
Ck
dw dt
= 0
Ck
Lk
dw = 0 dt
sur la courbe C k
(III.3)
Les courbes C k constituent une famille de courbes caractristiques. Si w est continue alors il passe une courbe caractristique et une seule en chaque point du plan (x, t). En considrant n vecteurs propres linairement indpendants, on peut former n quations scalaires de la forme (III.3), linairement indpendantes, et remplacer le systme de n EDP par un systme de n EDO. Cette simplication du problme s'opre toutefois au prix d'un couplage entre les quations dnissant les courbes caractristiques et les quations (III.3) valables sur ces courbes, puisque les valeurs propres k (w) dpendent de l'inconnue w. Remarque : Une mthode importante permettant de traiter le problme de l'absence d'unicit des solutions dans le cas o apparaissent des discontinuits consiste introduire un terme de viscosit. Le systme considrer s'crit :
w w + A(w) = w t x
o est un petit paramtre de viscosit que l'on appelle articiel (car non physique). On constate alors que les solutions de ce systme sont rgulires, les discontinuits ont disparu.
III.4.4
Une proprit fondamentale des problmes hyperboliques est l'existence de domaines de dpendance et d'inuence.
ENSHMG
45
Dans le plan (x, t), pour un point M x, il existe un domaine DM qui inuence la solution au point M . Ce domaine, appel domaine de dpendance du point M , est dlimit par les courbes caractristiques qui passent par M . Dans le plan (x, t), pour un point P x sur l'axe des abscisses, il existe un domaine DP inuenc par la solution au point P . Ce domaine, appel domaine d'inuence du point P , est dlimit par les courbes caractristiques qui partent de P .
domaine dinfluence
domaine de dependance x P
Fig. III.1 Domaine de dpendance et d'inuence
III.4.5
w f (w) + = 0 t x
(III.4)
o f est une fonction non linaire dite fonction de ux. Le systme (III.4) est dit sous forme conservative ou forme divergence. Exemple : L'quation de Burgers monodimensionnelle :
u + t x
u2 2
= 0
Si w(, x, t) est une solution rgulire vriant le systme (III.4), on peut valuer le terme de drive de la fonction ux en introduisant la matrice jacobienne de f par rapport w. On obtient alos le systme sous forme non-conservative :
w w + A(w) = 0 t x
46
Chapitre
III :
fi (w) . wj
u u +u = 0 t x
III.4.6
Mme dans le cas o la fonction de ux f et la solution initale sont rgulires, il peut apparatre des discontinuits et des solutions non rgulires (formation de chocs). Les solutions du systme ne sont pas ncessairement de classe C 1 , on parle alors de solutions faibles du systme. Pour une solution faible (discontinue), on peut introduire des relations de saut au travers de la discontinuit (par exemple les relations de Rankine-Hugoniot en uide parfait compressible). Supposons qu'une solution faible w soit discontinue le long d'une courbe rgulire dans le plan (x, t). Cette courbe spare le plan en deux rgions 1 et 2 . On note w1 et w2 les restrictions de w 1 et 2 que l'on suppose rgulires. On dsigne par n la normale dirige vers l'extrieur de 1 de composante (nx , nt ). La relation de saut de l'inconnue w et de la fonction de ux au travers de la courbe s'crit :
1 2 n
x
47
Chapitre IV
y1 y 2 y p
L'quation canonique se met sous la forme y1 = y = 2 y = p
= =
y y = y (p1)
y2 y3 f (x, y, y1 , y2 , ..., yp )
48
Chapitre
IV :
x = ax + b
x(t) = Ceat
b a
x = a(t)x + b(t)
avec A(t) =
tx x = f (x)
ORDRE 2 quation de Bernoulli x + a(t)x + b(t)x = 0
x(t) = Ct + g(C)
quation de Ricatti
eectuer le changement de fonction z(t) = x(t) xp o xp est une solution particulire de l'quation on se ramne une quation de Bernoulli avec = 2
x + ax + bx = c
r1 et r2 racines de l'quation caractristique r2 + ar + b = 0 x(t) = C1 er1 t + C2 er2 t + c/b si r = s + ip alors x(t) = est (D1 cos(pt) + D2 sin(pt)) + c/b
... x + a + bx + cx = 0 x
ENSHMG
49
y (x) y(a)
= =
f (x, y(x)) y0
x [a, b]
Si la fonction f est continue et vrie une condition de Lipschitz par rapport la deuxime variable alors le problme admet une solution unique. On dit que le problme est bien pos. Attention : un problme bien pos ne signie pas qu'il peut se rsoudre numriquement !
50
Chapitre
IV :
ENSHMG
51
yn+1
y0 donn = yn + (xn , yn , h)
o la fonction dnit la mthode utilise. La formulation gnrale des mthodes un pas implicite est :
yn+1
Ces mthodes sont obtenues en intgrant l'quation direntielle et en utilisant des formules d'intgration numrique pour le second membre. L'ordre du schma est gal au degr du polynme pour lequel l'intgration est exacte + 1. Rsultats thoriques : 1) Si la fonction est lipschitzienne par rapport la deuxime variable alors les mthodes explicites sont stables. 2) Les mthodes implicites sont toujours stables. 3) Les mthodes sont consistantes ssi x [a, b], (x, y, 0) = f (x, y).
yn+1
y0 donn = yn + hf (xn , yn )
La mthode peut s'interprter de plusieurs manires : 1) Via les formules d'intgration numrique : la mthode est le rsultat de l'application de la formule des rectangles base au point xn . 2) Gomtriquement : la mthode revient remplacer localement en chaque point xn la courbe solution par sa tangente. 3) Via les dveloppements de Taylor : la mthode provient du dveloppement de Taylor d'ordre 1 de la fonction y au voisinage de xn . Mthode implicite, d'ordre 1, dont l'algorithme est :
yn+1
52
Chapitre
IV :
y0 donn = = yn +
Gomtriquement, la mthode consiste remplacer dans la mthode d'Euler la pente de la tangente en (xn , yn ) par la valeur corrige au milieu de l'intervcalle [xn , xn+1 ].
ENSHMG
53
Une mthode explicite, d'ordre 4, peut tre obtenue par l'utilisation de la formule de Simpson. L'algorithme, not RK4, s'crit : y0 donn k1 = hf (xn , yn ) k1 h k2 = hf xn + , yn + 2 2 h k2 k3 = hf xn + , yn + 2 2 k4 = hf (xn + h , yn + k3 ) 1 y (k1 + 2k2 + 2k3 + k4 ) n+1 = yn + 6
x [0, 1]
Introduisons q points intermdiaires dans chaque intervalle [xn , xn+1 ] nots xn,1 , xn,2 , ..., xn,q . On se donne c1 , c2 , ..., cq rels dans l'intervalle [0, 1] et on pose xn,i = xn + ci h pour i = 1 q . La valeur discrte yxn,i vrie :
xn,i
yxn,i
= y(xn ) +
f (t, x(t)) dt
xn ci
0 1 0
On choisit q + 1 mthodes d'intgration q points pour approximer ces intgrales. Ce qui revient se donner q(q + 1) paramtres (aij )1i,jq et (bi )1iq tels que :
ci 0 1 0 q
j=1 q
Au bilan la formulation de la mthode est : y0 donn q yn,i = yn + h aij f (xn,j , yn,j ) j=1 q yn+1 = yn + h bi f (xn,i , yn,i )
i=1
54
Chapitre
IV :
La mthode se caractrise par les paramtres (aij ), (bi ) et (ci ). On construite le tableau qui rassemble ces paramtres :
c1 c1 . . . cq
a12 a22
. . .
aq2 b2
Par exemple, les paramtres de deux mthodes d'ordre 4 (dont l'algorithme RK4) : 0 1/3 2/3 1 0 1/3 -1/3 1 1/8 0 0 1 -1 3/6 0 0 0 1 3/6 0 0 0 0 1/8
q i=1 bi
0 1/2 1/2 1
0 1/2 0 0 1/6
0 0 1/2 0 2/6
0 0 0 1 2/6
0 0 0 0 1/6
Rsultat thorique : Si
k 2 y n+1
Il est ncessaire de rsoudre un systme linaire pour valuer k1 et k2 . Par exemple, les paramtres (aij ), (bi ) et (ci ) pour les mthodes d'ordre 3 et 5 sont :
1/3 1
4 6 10 4 6 10
1
2 + 3 6 225 2 3 6 225 1 9 1 9
55
x, z [a, b]
L'algorihme de Runge-Kutta RK2 s'crit, pour ce systme : y0 , z0 donns y n+1 = yn + hf (xn , yn , zn ) z n+1 = zn + hg(xn , yn , zn ) h y n+1 = yn + f (xn , yn , zn ) + f (xn , yn+1 , zn+1 ) 2 h z n+1 = zn + g(xn , yn , zn ) + g(xn , yn+1 , zn+1 ) 2
L'algorihme k1 = k2 =
l2 = hg xn + l3
h , yn + 2 h = hg xn + , yn + 2
56
Chapitre
IV :
yn+1 = yn + h
j=1
j f (xnj , ynj )
Mthode d'Adams-Bashforth 2 pas, explicite, d'ordre 2 : y0 donn y1 calcul avec une mthode un pas yn+1 = yn + h (3f (xn , yn ) f (xn1 , yn1 )) 2
Mthode d'Adams-Bashforth 3 pas, explicite, d'ordre 3 : y0 donn y1 , y2 calculs avec une mthode un pas yn+1 = yn + h (23f (xn , yn ) 16f (xn1 , yn1 ) + 5f (xn2 , yn2 )) 12
Mthode d'Adams-Bashforth 4 pas, explicite, d'ordre 4 : y0 donn y1 , y2 , y3 calculs avec une mthode un pas yn+1 = yn + h (55f (xn , yn ) 59f (xn1 , yn1 ) + 37f (xn2 , yn2 ) 9f (xn3 , yn3 )) 24
ENSHMG
Mthode d'Adams-Moulton 1 pas, implicite, d'ordre 2 : y0 donn
57
Mthode d'Adams-Moulton 2 pas, implicite, d'ordre 3 : y0 donn y1 calcul avec une mthode un pas yn+1 = yn + h (5f (xn+1 , yn+1 ) + 8f (xn , yn ) f (xn1 , yn1 )) 12
Mthode d'Adams-Moulton 3 pas, implicite, d'ordre 4 : y0 donn y1 , y2 calcul avec une mthode un pas yn+1 = yn + h (9f (xn+1 , yn+1 ) + 19f (xn , yn ) 5f (xn1 , yn1 ) + f (xn2 , yn2 )) 24
Pour rendre les mthodes d'Adams-Moulton explicite, on remplace le yn+1 "gnant" par son estimation par la mthode d'Adams-Bashforth. Sont construits ainsi des schmas explicites dits prdicteur-correcteur, par exemple un schma d'ordre 2 : y0 donn y1 calcul avec une mthode un pas
y n+1 y n+1
Le schma prdicteur-correcteur d'ordre 4 est : y0 donn y1 , y2 calcul avec une mthode un pas
y n+1 y n+1
= =
h (55f (xn , yn ) 59f (xn1 , yn1 ) + 37f (xn2 , yn2 ) 9f (xn3 , yn3 )) 24 h 9f (xn+1 , yn+1 ) + 19f (xn , yn ) 5f (xn1 , yn1 ) + f (xn2 , yn2 ) yn + 24 yn +
58
Chapitre
IV :
Mthode de Gear 3 pas, implicite, d'ordre 3 : y0 donn y1 , y2 calcul avec une mthode un pas yn+1 = 18 yn 9 yn1 + 2 yn2 + 2h f (xn+1 , yn+1 ) 11 11 11 11
Mthode de Gear 4 pas, implicite, d'ordre 4 : y0 donn y1 , y2 , y3 calcul avec une mthode un pas yn+1 = 48 yn 36 yn1 + 16 yn2 3 yn3 + 12h f (xn+1 , yn+1 ) 25 25 25 25 25
ENSHMG
59
y (x) y(0)
Si
= =
f (x, y(x)) y0
x [0, T ]
f < 0, il existe un pas de discrtisation seuil hmax partir duquel une mthode explicite y sera stable. La condition de stabilit s'crit : h < hmax = 2 max |
f y
f < 0, les methodes explicites sont instables quelque soit le pas de discrtisation h. Les y mthodes sont dites inconditionnellement instables.
Si
f peut changer de signe. Le comportement de la mthode est y instable dans certains intervalles et stable dans d'autres.
60
Chapitre
IV :
RESOLUTION DES EDO
61
Chapitre V
V.1 INTRODUCTION
Considrons un systme d'quations linaires de la forme AX = B avec A une matrice inversible de dimension n n, B un vecteur connu et X le vecteur des inconnus.
a11 a21 . . .
a12 a22 . . .
x1 x2 . . . xn
b1 b2 . . . bn
an1 an2
Il existe deux grandes familles de mthodes de rsolution : Les mthodes directes qui permettent de rsoudre le systme soit par triangularisation ou soit par factorisation de la matrice A. Les principales mthodes sont : - Le pivot de Gauss - La factorisation LU - La factorisation de Cholesky - Les factorisations de Householder et QR Ces mthodes sont utilises pour les matrices pleines et les petits systmes (n peu elev).
Les mthodes itratives qui introduisent une notion de convergence vers la solution. Les principales mthodes sont : - Mthode de Jacobi - Mthode de Gauss-Seidel (avec ou sans relaxation) - Mthode du gradient conjugu (avec ou sans prcondionnement)
Ces mthodes sont utilises pour les matrices creuses et les grands systmes.
62
Chapitre
V:
. L'inconnue x1 peut (1) a11 1 s'liminer des lignes i = 2, ..., n en leur retranchant li fois la premire ligne. En faisant, la mme chose pour le membre de droite, on dnit :
ai1
(1)
aij bi
(2)
= =
(1)
(1)
pour i, j = 2, ..., n
(2)
(1)
Un nouveau systme est obtenu, de la forme A(2) X = B (2) , quivalent au systme de dpart :
0 . . . 0
a11
(1)
a12 a22 . . .
(1)
(2)
a1n a2n . . .
(1) (2)
x1 x2 . . . xn
(2) b2 = . . . bn
(2)
b1
(1)
(2) an2
ann
(2)
Ce systme peut nouveau tre transform de faon liminer l'inconnue x2 des lignes 3, ..., n. En pousuivant ainsi, on obtient une suite de systme equivalents : A(k) X = B (k) . Pour k = n, on aboutit au systme triangulaire suprieur A(n) X = B (n) : (1) (1) (1) (1) (1) a11 a12 a1n1 a1n b x1 1 (2) 0 a(2) a(2) x2 b(2) 22 2n1 a2n 2 (3) (3) (3) 0 0 a33 a3n x3 = b3 . . . . . . . .. .. . . . . . . . . . . (n) (n) xn 0 0 0 ann bn On note U (upper) la matrice triangulaire suprieure A(n) . Les termes akk sont appels pivots et doivent tre videmment non nuls. Pour passer du k -ime systme au k + 1-ime systme, les formules sont :
k li (1)
= = =
aik
akk bi
(k)
aij bi
(k+1) (k+1)
k aij li akj k li bk
(k)
(k)
ENSHMG
63
V.3 FACTORISATION LU
La factorisation LU (Lower Upper) pour une matrice A inversible consiste dterminer deux matrices triangulaires, l'une infrieure L et l'autre suprieure U telles que A = L U . Cette dcomposition, unique, existe ssi les n mineurs de A sont non nuls. La matrice U est obtenue par la mthode d'limination de Gauss. Et la matrice L fait intervenir k les pivots successifs de l'algorithme de Gauss li :
L= l1 2 n1 ln1 1 2 ln ln
1 1 l2 . . .
0 1
0 0 .. .
.. . 1
n1 ln
0 0 . . .
0 1
La factorisation LU est utile lors de la rsolution d'une suite de systmes de mme matrice A o seul le vecteur B change (exemple : calcul d'une mme structure soumise dirents cas de charge). Une fois calcule L et U , rsoudre le systme de dpart consiste rsoudre successivement les deux systmes triangulaires LY = B puis U X = Y .
64
Chapitre
V:
rii =
i1
aii aij
2 rik k=1 i1
rji = 1 rii
rik rjk
k=1
; pour j=i+1 n
H = In 2
u t u t u.u
La multiplication de H par v transforme le vecteur v en un vecteur dont toutes les composantes sont nulles sauf la premire :
u t u v = Hv = v 2 t u.u
|| v || 0 . . . 0
ENSHMG
65
0 A(2) = . . .
a11
(2)
a12 a22 . . .
(2) (2)
a1n
(2) (2)
a2n . . .
(2) an2
ann
(2)
Puis on eectue une nouvelle transformation de Householder partir du deuxime vecteur co(2) lonne ai2 pour i = 2, ..., n. Notons H (2) la matrice de Householder de dimension n 1. On calcule la matrice H (2) de dimension n de la faon suivante :
H
(2)
1 0 0 . . . 0
H (2)
On construit une nouvelle matrice et un nouveau vecteur par multiplication par cette matrice : A(3) = H (2) A(2) et B (3) = H (2) B (2) . Le nouveau systme linaire A(3) X = B (3) est quivalent aux deux prcdents. La matrice A(3) a ses deux premires colonnes nulles sous la diagonale : (2) (2) (2) (2) a11 a12 a13 a1n 0 a(3) a(3) a(3) 22 23 2n (3) (3) 0 a33 a3n A(3) = 0 . . . . .. . . . . . . . . . (3) (3) 0 0 a3n ann Aprs k 1 itrations du mme type, on a dtermin une matrice A(k) et un vecteur B (k) . On (k) eectue une nouvelle transformation de Householder partir du k -ime vecteur colonne aik pour i = k, ..., n. Notons H (k) la matrice de Householder de dimension n k + 1. On calcule la matrice (k) de dimension n de la faon suivante : H
H (k)
Ik1
H (k)
On construit une nouvelle matrice et un nouveau vecteur par multiplication par cette matrice : A(k+1) = H (k) A(k) et B (k+1) = H (k) B (k) . Le nouveau systme linaire A(k+1) X = B (k) est quivalent aux k prcdents. Aprs n 1 itrations, on aboutit au systme linaire A(n) X = B (n) o la matrice A(n) est triangulaire suprieure. Le systme se rsout alors en cascade en commenant par xn .
66
Chapitre
V:
V.5.3 Factorisation QR
Mthode de factorisation pour une matrice A quelconque base sur la triangularisation de Householder. Il existe une unique dcomposition A = Q R en une matrice R triangulaire suprieure et une matrice Q orthogonale. Les matrices R et Q sont dtermines partir des n1 matrices de Householder H (1) , H (2) , ..., H (n1) et de la matrice A(n) : R = A(n) et Q = H (1) H (2) ... H (n1) Le systme AX = B se ramne alors la rsolution d'un systme triangulaire : RX = t QB
M X (k+1) = N X (k) + B
o les matrices M et N vrient M N = A. Il se pose plusieurs problmes : Initialisation de la mthode, choix du vecteur X (0) . Condition de convergence. Critre de convergence et nombre d'itrations eectuer. Vitesse de convergence et ecacit de la mthode.
Le vecteur R(k) = B AX (k) s'appelle le vecteur rsidu. Il tend vers le vecteur nul lorsque la mthode converge.
ENSHMG
67
Sous forme matricielle, en dcomposant la matrice A en trois matrices D, E et F respectivement diagonale, triangulaire infrieure et triangulaire suprieure :
X (k+1) = D1 (E + F )X (k) + D1 B
x1
. . .
(k+1)
1 b1 a11
n j=2
(k) a1j xj
xi
. . .
(k+1)
1 bi aii
i1 j=1
aij xj
(k+1)
(k) aij xj
j=i+1
x(k+1) = n
1 bn ann
n1 j=1
anj xj
(k+1)
xi
(k+1)
= (1 )xi
(k)
+ xi,GS
(k+1)
Pour = 1, on retrouve la mthode Gauss-Seidel. Pour > 1, on parlera de sur-relaxation. Pour < 1, on parlera de sous-relaxation. Sous forme matricielle :
(k+1)
D E
1 D + F X (k) +
D E
68
Chapitre
V:
convergence convergence
En consquence : modier l'ordre des lignes ou des colonnes de la matrice A pour obtenir une diagonale dominante. Pour la mthode de Gauss-Seidel avec sur- ou sous-relaxation, il existe une autre condition ncessaire et susante dans le cas o la matrice A est symtrique : A dnie positive convergence pour A symtrique
ENSHMG
69
V.7.1 L'algorithme
1) Initialisation avec un X (0) arbitraire, rsidu R(0) = B AX (0) et vecteur P (0) = R(0) 2) Itration k variant de 0 n 1, n de l'algorithme si le rsidu R(k+1) est nul. || R(k) ||2 k = < AP (k) , P (k) > (k+1) X = X (k) + k P (k)
= = =
V.8.1 L'algorithme
1) Initialisation avec un X (0) arbitraire, rsidu R(0) = B AX (0) . Le vecteur P (0) est obtenu en rsolvant le systme CP (0) = R(0) . On introduit le vecteur Z (0) = R(0) . 2) Itration k variant de 0 n 1 k (k+1) X (k+1) R
= = = = = =
< R(k) , Z (k) > < AP (k) , P (k) > X (k) + k P (k) R(k) k AP (k) R(k+1) < R(k+1) , Z (k+1) > < R(k) , Z (k) > Z (k+1) + k+1 P (k)
70
Chapitre
V:
Il existe plusieurs prconditionnements, citons par exemple : - SSOR d'Evans - prconditionnement bas sur Cholesky C = T t T
n
47 83 150 225 329
m/n2
0.12 0.07 0.04 0.03 0.02 0.02 0.01 0.01
8.05 103 3.96 104 2.01 105 6.39 105 1.74 106 3.78 106 8.31 106 1.19 107
1.26 104 3.03 104 8.86 104 1.95 105 3.39 105 5.49 105 8.61 105 1.11 106
Tab. V.1 Cot de calcul (ops) et de la mmoire occupe (bytes) entre les mthodes de
Cholesky et du Gradient Conjugu pour des matrices creuses n n avec m lments non nuls.
Fig. V.1 Cot de calcul CPU entre les mthodes de Cholesky et du Gradient Conjugu pour
71
Chapitre VI
Les principales mthodes itratives : Mthode du point xe Mthode de Newton ou Newton-Raphson Mthode de la scante (ou regula-falsi) Mthode de la parallle Mthode de Steensen Mthode de Bairstow (racine d'un polynme)
72
Chapitre
VI :
|| xn+1 X || = n || xn X || lim
Si = 0 la convergence est dite super linaire.
la convergence est d'ordre p si il existe > 0 tel que || xn+1 X || = n || xn X ||p lim
Si p = 2, la convergence d'ordre 2 est dite quadratique. Si p = 3, la convergence d'ordre 3 est dite cubique. Remarque : p n'est pas forcment un nombre entier. La suite convergence d'autant plus rapidement que la valeur de p est eleve.
L'algorithme
1) Choix d'un x0 . 2) Itration xn+1 = G(xn ) jusqu' convergence.
Convergence de la mthode
Notons r l'unique point xe de G(x) sur l'intervalle [a,b]. si x0 [a, b] et si | G (r) |< 1 alors la mthode converge vers r. On appelle bassin d'attraction du point xe r le voisinage de r pour lequel la mthode du point xe converge vers r quelque soit la valeur initiale x0 appartenant ce voisinage. | G (r) |< 1 le point xe est dit attractif | G (r) |> 1 le point xe est dit rpulsif | G (r) |< 1 cas indtermin
ENSHMG
73
L'algorithme
1) Choix d'un x0 . 2) Itration xn+1 = xn
F (xn ) F (xn )
jusqu' convergence.
Convergence de la mthode
Notons X l'unique racine de F (x). Si x0 est susamment proche de X alors la mthode converge vers X et la convergence est quadratique. Dans le cas d'une racine multiple, la convergence est linaire.
74
Chapitre
VI :
L'algorithme
1) Choix d'un x0 et d'un rel . 2) Itration xn+1 = xn F (xn ) jusqu' convergence. Le rel est souvent choisi gale 1/F (x0 ) Pour x0 susament proche de la racine X , la mthode convergence linairement.
L'algorithme
1) Choix d'un x0 . 2) Calcul de x1 par la mthode de Newton. xn xn1 3) Itration xn+1 = xn F (xn ) jusqu' convergence. F (xn ) F (xn1 ) Pour x0 susament proche de la racine X , la mthode convergence l'ordre 1.618.
L'algorithme
1) Choix d'un x0 . 2) Itration xn+1 =
ENSHMG
75
P (x) = a0
j=1
x2 + pj x + qj
p
x2 + pj x + qj
L'algorithme
On introduit le polynme Q(x) de degr n2 et les fonctions R(p, q), S(p, q) obtenus par division de P (x) par le polynme x2 + px + q de degr 2 :
R(p, q) = 0 P (p, q) = 0
Pour trouver p et q , il sut de rsoudre ce systme. Par exemple par la mthode Newton :
p(i+1) q (i+1)
p(i) q (i)
R p S p
76
Chapitre
VI :
On obtient en identiant :
; ; ;
L'algorithme
1) Choix d'un vecteur inital X (0) . 2) Itration X (k+1) = X (k) J(X (k) )
1
o J(X (k) ) est la matrice jacobienne valu en X (k) . Ce qui s'crit encore :
(k+1) x2 . . . xn
(k+1)
x1
(k+1)
(k) x = 2 . . . xn
(k)
x1
(k)
f1 x1 f2 x1
. . .
f1 x2 f2 x2
. . .
f1 xn f2 xn
1
(x1 ,x2 ,...,xn (k))
(k) (k)
. . .
f1 (x1 , x2 , ..., xn )
(k)
(k)
(k)
fn x1
fn x2
fn xn
fn (x1 , x2 , ..., xn )
ENSHMG
77
En posant X (k) = X (k+1) X (k) , le problme revient rsoudre le systme linaire suivant, chaque itration k : J(X (k) ) X (k) = F (X (k) ) La mthode de Newton linarise ainsi le systme. Il faut alors, chaque itration, rsoudre un systme linaire jusqu' ce que le vecteur X soit susament proche de la solution. Pour une seule quation non linaire et une suite de rels, le critre d'arrt est bas sur l'erreur k =| xk+1 xk | entre le rsultats de deux itrations successives (par exemple, < 105 ). Pour un systme d'quations et une suite de vecteurs, le critre d'arrt est bas sur la norme entre le rsultats de deux itrations successives : || X (k+1) X (k) ||, qui doit tre infrieure une valeur donne.
1) La norme L1 : || X ||1 =
i=1
| xi | x2 + x2 + ... + x2 n 1 2
78
Chapitre
VI :
79
Chapitre VII
INTERPOLATION ET APPROXIMATION
cel-00556967, version 1 - 18 Jan 2011
VII.1
GENERALITES
VII.1.1 Le problme
Etant donn une fonction f , dnie soit de faon discrte, soit de faon continue, l'objectif est de dterminer une autre fonction g , de forme donne, qui, en un certain sens, approche le mieux possible la fonction f .
l'approximation aux moindres carrs On minimise la somme des carrs des erreurs en n points x1 , x2 , ..., xn , c'est--dire qu'on cherche g qui minimise la quantit : n || f (xi ) g(xi ) ||2 i=1 l'approximation uniforme On minimise le maximum de l'amplitude de l'erreur entre la fonction f et son approximation Les points de collocation s'expriment en fonction des racines des polynmes de Tchebychev.
80
Chapitre
VII :
INTERPOLATION ET APPROXIMATION
VII.2
INTERPOLATION
Il existe un UNIQUE polynme Pn (x) qui concide avec f (x) aux n + 1 points, savoir Pn (xi ) = f (xi ). Ce polynme a pour expression :
n n
Pn (x) =
i=0
x xj xi xj
Les polynmes Li (x) sont les polynmes de Lagrange et Pn (x) est le polynme d'interpolation de Lagrande de f aux ponts xi . Cot de l'interpolation : pour n grand 3n2 oprations.
xj ) et Q0 (x) = 1
On appelle dirences divises d'ordre k de la fonction f aux points x0 , x1 , ..., xk la quantit note f [x0 , x1 , ..., xk ] dnie par rcurrence : f [xi ] = f (xi ) pour i=0 n
f [x0 , x1 , ..., xk ] =
ENSHMG
81
Le polynme Pk (x) d'interpolation de Newton de la fonction f aux points x0 , x1 , ..., xk1 est dni par rcurrence : Pk (x) Pk1 (x) = f [x0 , x1 , ..., xk ]Qk (x) Le polynme Pn (x) d'interpolation de Newton de la fonction f aux points x0 , x1 , ..., xn est :
n
Pn (x) = f (x0 ) +
k=1
Ai = 0, 1, ..., n Al = 0, 1, ..., i
(l)
PN est le polynme d'interpolation de Hermite de f aux points xi aux ordres i . Pour i = 0, on retrouve le polynme d'interpolation de Lagrange.
Spline cubique
Le polynme d'interpolation locale est de degr 3. Le fonction interpolante S(x) est constitue de morceaux de polynmes de degr 3 qui se raccordent, ainsi que que leurs drives premires et secondes, aux points de collocation. Sur chaque intervalle [xi1 , xi ], la Pi (xi1 ) Pi (xi ) P (x ) i i restriction de S(x) est un polynme Pi (x) de degr 3 tel que :
Pi (x) = i1
(xi x) (xi x)2 h2 (x xi1 ) (x xi1 )2 h2 fi1 (xi x) fi (x xi1 ) i i + i + + 6hi 6hi hi hi
82
Chapitre
VII :
INTERPOLATION ET APPROXIMATION
VII.3
APPROXIMATION
S(a0 , a1 ) =
i=1
La quantit S(a0 , a1 ) apparat comme le carr de la norme euclidienne du vecteur (yi a0 a1 xi ). Introduisons les vecteurs n composantes suivants : Y = (yi ), X = (xi ) et U le vecteur unit. La mthode consiste chercher le vecteur G le plus proche du vecteur Y dans le sous-espace vectoriel de dimension 2 engendr par les vecteurs U et X , c'est--dire minimiser la distance
ENSHMG
83
euclidienne || Y G ||2 . Pour vrier ceci, le vecteur Y G doit tre orthogonal aux vecteurs U et X , d'o les relations suivantes : n < Y G, U > = 0 = (yi a0 a1 xi )
< Y G, X > = 0 =
Ceci conduit au systme linaire suivant :
i=1 n i=1
(yi a0 a1 xi ) xi
n
n i=1 xi
n i=1 xi n 2 i=1 xi
a0 a1
n i=1 yi n i=1 xi yi
VII.3.2.2
cel-00556967, version 1 - 18 Jan 2011
On cherche approcher la fonction f , connue sur l'intervalle [a, b], par une droite P (x) = a0 +a1 x au sens des moindres carrs. La dtermination des coecients a0 et a1 s'eectue identiquement la mthode des moindres carrs discrts. Le produit scalaire utilis n'est plus bas sur la norme euclidienne :
b
< g1 , g2 > =
Le systme linaire rsoudre devient :
b a dx b a x dx b a x dx b 2 a x dx
g1 (x)g2 (x) dx
a0 a1
b a f (x) dx b a xf (x) dx
VII.3.2.3
On cherche approcher la fonction f , connue uniquement en n valeurs discrtes, par un polynme de degr m < n P (x) = a0 + a1 x + a2 x2 + ... + am xm au sens des moindres carrs. Soient n valeurs y1 , y2 , ..., yn de la fonction f aux n abscisses x1 , x2 , ..., xn . Le polynme P (x) qui ralise la meilleure approximation au sens des moindres carrs des valeurs yi aux points xi est celle qui minimise la somme des carrs des carts entre les yi et les P (xi ) soit :
n
S(a0 , a1 , a2 , ..., am ) =
i=1
La quantit S(a0 , a1 , ..., am ) apparat comme le carr de la norme euclidienne du vecteur (yi a0 a1 xi ... am xm ). Introduisons les vecteurs n composantes suivants : Y = (yi ), X = (xi ), i X 2 = (x2 ),..., X m = (xm ) et U le vecteur unit. i i La mthode consiste chercher le vecteur G le plus proche du vecteur Y dans le sous-espace vectoriel de dimension m + 1 engendr par les vecteurs U , X , X 2 ,...,X m c'est--dire minimiser
84
Chapitre
VII :
INTERPOLATION ET APPROXIMATION
la distance euclidienne || Y G ||2 . Pour vrier ceci, le vecteur Y G doit tre orthogonal ux vecteurs U , X , X 2 ,...,X m d'o les relations suivantes :
< Y G, U > = 0 =
i=1 n
2 < Y G, X < Y G, X m
(yi a0 a1 xi ... am xm ) x2 i i
> = 0 =
i=1
(yi a0 a1 xi ... am xm ) xm i i
Ceci conduit au systme linaire suivant : n n i=1 xi n n 2 i=1 xi i=1 xi . . . . . . n n m1 m i=1 xi i=1 xi n n m+1 m i=1 xi i=1 xi
n
a m1 am
a0 a1 . . .
n i=1 yi n i=1 xi yi
Posons Uq =
i=1
xq et Vq = i U1 U2 . . .
n i=1
U0 U1 . . .
Um Um+1
Pm (x) =
a0 + 2
Les conditions d'orthogonalit s'appliquent aux vecteurs U/2, cos X , sin X , cos 2X , sin 2X , ..., cos mX , sin mX . Dans le cas continu, le produit scalaire est dni par :
2
< g1 , g2 > =
g1 (x)g2 (x) dx
ENSHMG
85
La solution de ce problme n'est pas connue en gnral. Cependant, lorsque la fonction f C n+1 ([a, b]), on peut introduire la dnition suivante de meilleure approximation : On appelle meilleure approximation de f par un polynme de degr au plus gal n, le polynme d'interpolation de Lagrange Pn (x) de f , associ aux points de collocation x0 , x1 , ..., xn pour lesquels la quantit suivante est minimale :
n
x[a,b]
max |
i=0
(x xi ) |
On montre que les points de collocation xi s'expriment en fonction des racines du polynme de Tchebychev Tn+1 et vrient :
xi =
ba a+b + cos 2 2
(2i + 1) 2n + 2
pour i = 0, 1, ..., n
Polynme de Tchebychev : polynme de degr n not Tn (x) dni sur l'intervalle [1, 1] par :
ou par recurrence
86
Chapitre
VII :
INTERPOLATION ET APPROXIMATION
87
Chapitre VIII
VIII.1
INTRODUCTION
Nous nous intressons la dtermination des valeurs propres (le spectre) et/ou des vecteurs propres correspondants d'une matrice A de dimension n. Les n valeurs propres complexes sont les racines du polynme caractristique de degr n : Pn () = det(A In ). La dtermination des racines de ce polynme n'est pas ecace du point de vue numrique. Des mthodes plus adaptes sont utilises, elles sont spares entre deux types de mthodes : Les mthodes globales Ces mthodes permettent d'valuer le spectre entier de la matrice A. Elles utilisent une transformation de la matrice en une matrice semblable dont on calcule ensuite les lments propres. Les principales mthodes sont : - Mthode de Jacobi - Mthode QR - Transformation sous forme de matrice de Hessenberg - Mthode de Lanczos - Mthode de bissection
Les mthodes partielles Ces mthodes visent valuer la plus grande ou la plus petite valeur propre ou encore la valeur propre la plus proche d'une valeur donne. Les principales mthodes sont : - Mthode de la puissance - Mthode de dation
Applications : un problme aux valeurs propres merge d'tudes d'oscillateurs physiques (systmes masse-ressort, systmes vibratoires, systmes quantiques, ...), d'tudes de dynamique des structures, de ambage de poutre ainsi que d'tudes de stabilit des coulements de uides (transition laminaire/turbulent)...
88
Chapitre
VIII :
VIII.2
METHODE DE JACOBI
Mthode pour une matrice symtrique A. La mthode revient eectuer une suite de transformation de type rotation planaire qui permet d'annuler un lment (p, q), o p et q sont deux entiers, de la matrice A. Chaque rotation lmentaire fait intervenir une matrice orthogonale Ppq . On construit ainsi une suite de matrices symtriques A(k) qui tend vers la matrice diagonale D semblable A. On pose A(1) = A et, chaque transformation k , on construit la matrice A(k+1) dnie par :
(k) (k) A(k+1) = t Ppq A(k) Ppq
= aij
= aip cos aiq sin = aip sin + aiq cos = app cos 2 + aqq sin 2 2apq cos sin = app sin 2 + aqq cos 2 + 2apq cos sin
(k) (k) (k) (k) (k) (k)
VIII.3
METHODE QR
Mthode pour une matrice quelconque A. La mthode consiste eectuer des factorisations QR successives sur une suite de matrices A(k) qui convergent vers une matrice triangulaire suprieure semblable A. Posons A(1) = A. A la k -ime tape, appelons Q(k) , R(k) les matrices issues de la factorisation QR de A(k) . La matrice A(k+1) est dnie par : A(k+1) = R(k) Q(k) . Cette mthode est plus ecace que la mthode de Jacobi. Il existe de nombreuses variantes (QL, QZ...).
ENSHMG
89
VIII.4
Mthode pour une matrice quelconque A. Avec la transformation X = T.Y o T est une matrice inversible, le problme A.X = X devient (T 1 AT ).Y = Y . Les matrices A et T 1 AT sont semblables. Le but est de trouver une matrice T telle que la matrice T 1 AT devienne "plus simple". Une possibilit est de chercher la matrice T tel que T 1 AT soit une matrice de Hessenberg H , c'est--dire vriant hij = 0 pour i > j + 1 :
1 T AT = H =
. .. . .. .. .
.. .. . .
. . .
Pour arriver ce but, il existe plusieurs algorithmes : transformations lmentaires par limination de Gauss. transformations orthogonales (Householder, Schur, Lanczos...).
VIII.5
METHODE DE LANCZOS
Mthode itrative pour une matrice quelconque A. La mthode consiste calculer les puissances successives de A en construisant un suite de vecteurs orthogonaux Uk selon :
pour k = 2, ..., n 1
k k+1
= =
tU
k1 .A.Uk1 2 k k
tU 2 k1 .A .Uk1
Les vecteurs U0 , U1 , ..., Un1 forment une base, appele base de Krylov. Dans cette base, la matrice reprsentant A, ayant les mmes valeurs propres que A, est tridiagonale : 1 2 0 0 0 2 2 3 0 0 .. 0 3 3 . 4 0 A = . . . .. .. . .. ... . . . . . 0 0 n1 n1 n 0 0 n n
90
Chapitre
VIII :
La dtermination des valeurs propres peut s'eectuer avec une mthode de type QR ou une mthode de bissection. Initialisation de l'algorithme : Choix d'un vecteur initial U0 normalis. 2 Calculs de : 1 =t U0 .A.U0 et 2 = t U0 .A2 .U0 1 Le vecteur U1 est dni par : 2 U1 = A.U0 1 U0
VIII.6
cel-00556967, version 1 - 18 Jan 2011
METHODE DE BISSECTION
Mthode pour une matrice tridiagonale A. Appelons ai , bi et ci respectivement les termes diagonaux, suprieurs et infrieurs de la matrice A. La mthode consiste calculer les valeurs propres partir du polynme caractristique Pn () = det(A In ). Un dveloppement du dterminant par rapport la dernire ligne permet d'crire la relation de rcurrence suivante :
VIII.7
METHODE DE LA PUISSANCE
Mthode itrative pour une matrice quelconque A qui permet d'valuer son rayon spectral (A). Le principe de la mthode repose sur le fait qu'en appliquant un grand nombre de fois la matrice sur un vecteur initial quelconque, les vecteurs successifs vont prendre une direction qui se rapproche du vecteur propre de la plus grande valeur propre (en valeur absolue). L'algorithme : 1) Choisir un vecteur X0 . AXk jusqu' convergence || Xk+1 Xk ||< . 2) Itrer : Xk+1 = || AXk || La suite des vecteurs (Xk ) convergent vers le vecteur propre de la plus grande valeur propre et la suite des normes || AXk || converge vers le rayon spectral (A). Condition de convergence : Si le vecteur de dpart X0 n'appartient pas au sous-espace vectoriel engendr par n 1 vecteurs propres de A alors la mthode converge.
ENSHMG
91
VIII.8
METHODE DE DEFLATION
Mthode itrative pour une matrice quelconque A. Supposons connu le rayon spectral de A, 1 = (A) et le vecteur propre correspondant X1 (calculs par la mthode de la puissance). Il est possible de calculer 2 , la valeur propre de module immdiatement infrieur 1 , et d'autres valeurs propres par la suite. La mthode consiste transformer la matrice A en une matrice A(1) , ayant les mmes valeurs propres que A except 1 remplace par une valeur propre nulle, puis d'appliquer de nouveau A(1) la mthode de la puissance. L'algorithme : 1) Application de la mthode de la puissance pour dterminer 1 et X1 . 2) Choix d'un vecteur W tel que < W, X1 > = 1. 3) Calcul de la matrice A(1) = A 1 X1 t W qui a les mmes valeurs propres que A sauf 1 remplace par une valeur propre nulle. 4) Application de la mthode de la puissance A(1) pour dterminer 2 et le vecteur propre associ Y2 (vecteur propre de A(1) ). Le vecteur propre de A correspondant est donn par : 1 X2 = Y2 + < W, Y2 > X1 2 1 En itrant la dation sur A(1) , A(2) ,..., d'autres valeurs propres de la matrice A peuvent tre dtermines.
92
BIBLIOGRAPHIE
93
Bibliographie
[1] J. Baranger. Analyse numrique. Hermann, 1988. [2] J. Beuneu. Algorithmes pour le calcul scientique. Cours de l'Ecole Universitaire d'Ingnieurs de Lille, 1999. [3] J.A. Desideri. Introduction l'analyse numrique. INRIA, 1998. [4] E. Hairer. Mthodes numriques. Cours de l'universit de Genve, 2004. [5] C. Hirsch. Numerical computation of internal and external ows, volume I : fundamentals of numerical discretization. John Wiley & Sons, Chichester, New York, 1986. [6] P. Lascaux and R. Theodor. Analyse numrique matricielle applique l'art de l'ingnieur, tomes I et II. Masson, Paris, 1986. [7] V. Legat. Mathmatique et mthodes numriques. Cours de l'universit catholique de Louvain, 2004. [8] B. Mohammadi and J.H. Saiac. Pratique de la simulation numrique. Dunod, 2003. [9] N. Point and J.H. Saiac. Equations aux drives partielles - mathmatiques et mthodes numriques. Cours de l'ESCPI, 2005. [10] J. Reveillon. Simulation et modlisation numrique. Cours de l'universit de Rouen, 2003. [11] D. Senechal. Histoire des sciences. Cours de l'universit de Sherbrooke, 2004. [12] A. Quarteroni. Analyse numrique. Cours de l'EPFL, 2003. [13] P. Viot. Mthodes d'analyse numriques. Cours de DEA de Jussieu, 2003.