MethodesNumeriques EricGoncalves

INSTITUT POLYTECHNIQUE DE GRENOBLE
METHODES, ANALYSE ET CALCULS

cel-00556967, version 1 - 18 Jan 2011
NUMERIQUES
Eric Goncalvs - septembre 2005
cel-00556967, version 1 - 18 Jan 2011
Table des matires

I MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE
I.1 I.2 I.3 Qu'est-ce qu'un modle ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Pourquoi faut-il modliser ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Quels sont les dirents modles ? . . . . . . . . . . . . . . . . . . . . . . . . . . . De la modlisation la simulation numrique . . . . . . . . . . . . . . . . . . . . Aspect ni des ordinateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I.5.1 I.5.2 I.6 I.6.1 I.6.2 I.6.3 I.7 I.7.1 I.7.2 I.7.3 Reprsentation des entiers . . . . . . . . . . . . . . . . . . . . . . . . . . . Reprsentation des rels ou nombres ottants . . . . . . . . . . . . . . . . Stabilit d'un problme physique : systme chaotique . . . . . . . . . . . . Stabilit d'un problme mathmatique : sensibilit . . . . . . . . . . . . . Stabilit d'une mthode numrique . . . . . . . . . . . . . . . . . . . . . . Avant les ordinateurs : les calculateurs . . . . . . . . . . . . . . . . . . . . Les ordinateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Petite chronologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1 1 1 2 2 2 2 3 3 3 4 4 4 5 7
cel-00556967, version 1 - 18 Jan 2011
I.4 I.5
Notion de stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Un peu d'histoire... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II DISCRETISATION DES EDP

II.1 LES TROIS GRANDES FAMILLES DE METHODES . . . . . . . . . . . . . . . II.2 LES DIFFERENCES FINIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.1 Principe - ordre de prcision . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.2 Notation indicielle - cas 1D . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.3 Schma d'ordre suprieur . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.4 Drive d'ordre suprieur . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.5 Gnralisation de la notation indicielle . . . . . . . . . . . . . . . . . . . . II.2.6 Quelques schmas en 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.7 Drives croises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.8 Exemple simple 1D avec conditions de Dirichlet . . . . . . . . . . . . . . . II.2.9 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann . . . . . . . II.2.10 Discrtisation de l'quation de la chaleur 1D . . . . . . . . . . . . . . . . . II.2.10.1 Schma explicite . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.10.2 Schma implicite . . . . . . . . . . . . . . . . . . . . . . . . . . . II.2.11 Discrtisation de l'quation de la chaleur 2D stationnaire . . . . . . . . . .
9
9 10 10 10 11 11 12 12 12 13 14 15 15 16 17
ii
Table des matires
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
cel-00556967, version 1 - 18 Jan 2011
II.4.2.2
II.5 APPLICATION NUMERIQUE . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.6 CONSISTANCE, CONVERGENCE ET STABILITE . . . . . . . . . . . . . . . .
III CLASSIFICATION DES EDP D'ORDRE 2

III.1 CLASSIFICATION DES EDP LINEAIRES D'ORDRE 2 . . . . . . . . . . . . . III.2 EQUATIONS ELLIPTIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.3 EQUATIONS PARABOLIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . III.4 EQUATIONS HYPERBOLIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . III.4.1 Origine physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.4.2 Equations types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.4.3 Caractristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III.4.3.1 Caractristiques pour les quations du premier type . . . . . . . III.4.3.2 Caractristiques pour l'quation de convection . . . . . . . . . . III.4.3.3 Caractristiques pour un systme de lois de conservation . . . . . III.4.4 Domaines de dpendance et d'inuence . . . . . . . . . . . . . . . . . . . . III.4.5 Forme conservative et non-conservative . . . . . . . . . . . . . . . . . . . . III.4.6 Discontinuit - relation de saut . . . . . . . . . . . . . . . . . . . . . . . .
39
39 40 40 40 40 41 41 41 42 43 44 45 46
IV RESOLUTION DES EDO

IV.1 DEFINITION DES EDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.2 RAPPEL - SOLUTIONS D'EDO SIMPLES . . . . . . . . . . . . . . . . . . . . . IV.3 LE PROBLEME DE CAUCHY . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.4 PRINCIPE GENERAL DES METHODES NUMERIQUES . . . . . . . . . . . . IV.5 PROPRIETES DES METHODES NUMERIQUES . . . . . . . . . . . . . . . . . IV.6 LES PRINCIPALES METHODES NUMERIQUES . . . . . . . . . . . . . . . . . IV.7 METHODES A UN PAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV.7.1 Mthodes d'Euler explicite et implicite . . . . . . . . . . . . . . . . . . . . IV.7.2 Mthode d'Euler amlior . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
47 48 49 49 49 50 51 51 52
Table des matires
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
cel-00556967, version 1 - 18 Jan 2011
V RESOLUTION DES SYSTEMES LINEAIRES

V.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.2 PIVOT DE GAUSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.2.1 Triangularisation de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . V.2.2 Cot de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.2.3 Pivot nul et choix du pivot . . . . . . . . . . . . . . . . . . . . . . . . . . V.3 FACTORISATION LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.4 FACTORISATION DE CHOLESKY . . . . . . . . . . . . . . . . . . . . . . . . . V.5 FACTORISATIONS DE HOUSEHOLDER ET QR . . . . . . . . . . . . . . . . . V.5.1 Transformation de Householder . . . . . . . . . . . . . . . . . . . . . . . . V.5.2 Triangularisation de Householder . . . . . . . . . . . . . . . . . . . . . . . V.5.3 Factorisation QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.6 METHODES ITERATIVES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.6.1 Mthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.6.2 Mthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . V.6.3 Mthode de Gauss-Seidel avec sur- ou sous-relaxation . . . . . . . . . . . V.6.4 Condition de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . V.7 METHODE DU GRADIENT CONJUGUE . . . . . . . . . . . . . . . . . . . . . V.7.1 L'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.7.2 Cot de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.8 GRADIENT CONJUGUE PRECONDITIONNE . . . . . . . . . . . . . . . . . . V.8.1 L'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V.8.2 Comparaison avec Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . .
61
61 62 62 63 63 63 64 64 64 64 66 66 66 67 67 68 68 69 69 69 69 70
VI RESOLUTION DES SYSTEMES NON LINEAIRES

VI.1 EQUATIONS NON LINEAIRES . . . . . . . . . . . . . . . . . . . . . . . . . . . VI.1.1 Vitesse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI.1.2 Mthode du point xe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI.1.3 Mthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Table des matires
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
74 74 74 75 75 75 76
VII INTERPOLATION ET APPROXIMATION

VII.1GENERALITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.1.1 Le problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.1.2 Les 3 grandes classes d'approximation fonctionnelle . . . . . . . . . . . VII.1.3 Les 3 grandes familles de fonctions approximantes . . . . . . . . . . . VII.2INTERPOLATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.2.1 Le thorme de Stone-Weierstrass . . . . . . . . . . . . . . . . . . . . . VII.2.2 Mthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.2.3 Mthode de Neville-Aitken . . . . . . . . . . . . . . . . . . . . . . . . VII.2.4 Mthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.2.5 Mthode de Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.2.6 Interpolation par morceaux - spline cubique . . . . . . . . . . . . . . . VII.2.7 Limites de l'interpolation polynmiale . . . . . . . . . . . . . . . . . . VII.3APPROXIMATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII.3.1 Approximation rationnelle - approximants de Pad . . . . . . . . . . . VII.3.2 Approximation polynomiale au sens des moindres carrs . . . . . . . . VII.3.2.1 Droite des moindres carrs discrets . . . . . . . . . . . . . . . VII.3.2.2 Droite des moindres carrs continus . . . . . . . . . . . . . . VII.3.2.3 Gnralisation - Polynme des moindres carrs discrets . . . VII.3.3 Approximation trigonomtrique au sens des moindres carrs . . . . . . VII.3.4 Approximation uniforme - Meilleure approximation . . . . . . . . . . . VII.3.5 Approximation polynomiale dans une base de polynmes orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
79 79 79 79 80 80 80 80 80 81 81 82 82 82 82 82 83 83 84 85 85
cel-00556967, version 1 - 18 Jan 2011
VIIIRECHERCHE DE VALEURS PROPRES

VIII.1 VIII.2 VIII.3 VIII.4 VIII.5 VIII.6 VIII.7 VIII.8 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . METHODE DE JACOBI . . . . . . . . . . . . . . . . . . METHODE QR . . . . . . . . . . . . . . . . . . . . . . . . TRANSFORMATION EN MATRICE DE HESSENBERG METHODE DE LANCZOS . . . . . . . . . . . . . . . . . METHODE DE BISSECTION . . . . . . . . . . . . . . . METHODE DE LA PUISSANCE . . . . . . . . . . . . . . METHODE DE DEFLATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
87 88 88 89 89 90 90 91
REFERENCES BIBLIOGRAPHIQUES
93
Chapitre I
MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

cel-00556967, version 1 - 18 Jan 2011
I.1 Qu'est-ce qu'un modle ?

Le principe d'un modle est de remplacer un systme complexe en un objet ou oprateur simple reproduisant les aspects ou comportements principaux de l'original (ex : modle rduit, maquette, modle mathmatique ou numrique, modle de pense ou raisonnement).
I.2 Pourquoi faut-il modliser ?

Dans la nature, les systmes et phnomnes physiques les plus intressants sont aussi les plus complexes tudier. Ils sont souvent rgis par un grand nombre de paramtres non-linaires interagissant entre eux (la mtorologie, la turbulence des uides...).
I.3 Quels sont les dirents modles ?

L'une des solutions est de recourir une srie d'expriences pour analyser les paramtres et grandeurs du systme. Mais les essais peuvent s'avrer trs coteux (essais en vol, essais avec matriaux rares, instrumentations trs chres...) et ils peuvent tre trs dangereux (essais nuclaires, environnement spatial...). Enn il peut tre dicile de mesurer tous les paramtres : chelles du problme trop petites (chimie du vivant, couche limite en uide...) ou trop grandes (astrophysique, mtorologie, gophysique...). On peut aussi construire un modle mathmatique permettant la reprsentation du phnomne physique. Ces modles utilisent trs souvent des systmes d'quations aux drives partielles (EDP) non-linaires dont on ne connait pas de solutions analytiques en gnral. Il faut alors rsoudre le problme numriquement en transformant les quations continues de la physique en un problme discret sur un certain domaine de calcul (le maillage). Dans certains cas il s'agit de la seule alternative (nuclaire, astrophysique, spatial...). Dans d'autres cas, les simulations numriques sont mnes en parallle avec des exprimentations.
C 2 hapitre
I:
I.4 De la modlisation la simulation numrique

Les direntes tapes pour modliser un systme complexe : Recherche d'un modle mathmatique rprsentant la physique. Mise en quation. Elaboration d'un maillage. Discrtisation des quations de la physique. Rsolution des quations discrtes (souvent systmes linaires rsoudre). Transcription informatique et programmation des relations discrtes. Simulation numrique et exploitation des rsultats. L'ingnieur peut tre amen intervenir sur l'une ou plusieurs de ces direntes tapes.
I.5 Aspect ni des ordinateurs

cel-00556967, version 1 - 18 Jan 2011
La solution exacte d'un problme d'EDO ou d'EDP est une fonction continue. Les ordinateurs ne connaissent que le ni et le discret. En eectuant un calcul numrique, un ordinateur ne peut retenir qu'un nombre ni de chires pour reprsenter les oprandes et les rsultats des calculs intermdiaires. Les solutions approches seront calcules comme des ensembles de valeurs discrtes sous la forme de composantes d'un vecteur solution d'un problme matriciel. La reprsentation des nombres dans un ordinateur introduit la notion d'erreur d'arrondi ou de troncature. Ces erreurs peuvent se cumuler sur un calcul et la solution numrique nale pourra s'avrer trs loigne de la solution exacte. Exemple d'erreur d'arrondi : considrons un ordinateur utilisant 4 chires pour reprsenter un nombre. Calculons la somme 1.348+9.999. Le rsultat exact est 11.347 et comporte 5 chires. Le calculateur va le preprsenter de manire approche : 11.35. Il commet une erreur d'arrondi gale (11.35-11.347)=0.003.
I.5.1 Reprsentation des entiers

Les entiers sont reprsents par une suite de bits organiss en octets. Par exemple un entier cod sur 2 octets occupera 16 bits (216 = 65536) et pourra rprensenter un entier compris entre -32768 et 32767. On parle d'entier simple prcision. Le type entier cod sur 4 octets (232 = 4294967296) permet la reprsentation des entiers compris entre -2 147 483 648 et 2 147 483 647. On parle d'entier double prcision. Les oprations sur les entiers, dans la mesure o le rsultat est un entier reprsentable par la machine, s'eectuent exactement.
I.5.2 Reprsentation des rels ou nombres ottants

Un nombre ottant s'crit sous la forme X = a.bn o a est la mantisse, b la base et n l'exposant. Par exemple, la reprsentation de avec 10 caractres est : +0.314159 10+1 . Les 10 caractres sont rpartis selon : 1 pour le signe, 6 pour la mantisse, 3 pour l'exposant dont 1 pour son signe.
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
cel-00556967, version 1 - 18 Jan 2011
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.
I.6 Notion de stabilit

On distingue trois types de stabilit La stabilit d'un problme physique. La stabilit d'un problme mathmatique. La stabilit numrique d'une mthode de calcul.
I.6.1 Stabilit d'un problme physique : systme chaotique

Un problme est dit chaotique si une petite variation des donnes initiales entrane une variation totalement imprvisible des rsultats. Cette notion de chaos, lie la physique d'un problme, est indpendante du modle mathmatique utilis et encore plus de la mthode numrique utilise pour rsoudre ce problme mathmatique. De nombreux problmes sont chaotiques, par exemple la turbulence des uides.
I.6.2 Stabilit d'un problme mathmatique : sensibilit

Un problme est dit trs sensible ou mal conditionn si une petite variation des donnes ou des paramtres entrane une grande variation des rsultats. Cette notion de conditionnement, lie au problme mathmatique, est indpendante de la mthode numrique utilise pour le rsoudre. Pour modliser un problme physique qui n'est pas chaotique, on construira un modle mathmatique qui sera le mieux conditionn possible.
C 4 hapitre
I:
I.6.3 Stabilit d'une mthode numrique

Une mthode est dite instable si elle est sujette une propagation importante des erreurs numriques de discrtisation et d'arrondi. Un problme peut tre bien conditionn alors que la mthode numrique choisie pour le rsoudre est instable. Dans ce cas, il est impratif de changer de mthode numrique. Par contre, si le problme de dpart est mal conditionn, aucune mthode numrique ne pourra y remdier. Il faudra alors essayer de trouver une formulation mathmatique dirente du mme problme, si on sait que le problme physique sous-jacent est stable.
I.7 Un peu d'histoire...

I.7.1 Avant les ordinateurs : les calculateurs
cel-00556967, version 1 - 18 Jan 2011
Le mot calcul vient du latin calculus, qui signie "petite pierre". Les romains, comme beaucoup de peuples antiques, utilisaient couramment de petites pierres pour viter de mmoriser les termes d'une addition. Cette pratique se perfectionna et donna naissance la machine calculer la plus ancienne connue : le boulier, ou abaque, qui fut d'une utilisation presque universelle jusqu' tout rcemment. Des machines mcaniques furent mises au point au XVIIeme sicle. La plus connue est la pascaline, construite par Blaise Pascal l'ge de 19 ans pour soulager son pre, collecteur d'impts, du fardeau des calculs rptitifs. La machine, base de roues dentes, ne pouvait qu'additionner et soustraire. Leibniz transforma la pascaline en une machine capable de multiplier. Il a fallu attendre le milieu du XIXeme sicle avant qu'une machine, construite par le Franais C. Thomas de Colmar, fonctionne vritablement et connaisse un succs commercial. Le concept de machine programmable fut conue sur le papier par l'Anglais Charles Babbage, base sur la lecture sur des cartes perfores des instructions de calcul et des donnes traiter. Signalons que les cartes perfores furent popularises dans le contexte des mtiers tisser par Joseph-Marie Jacquard. La machine analytique de Babbage inspira les constructeurs de machines calculer du dbut du XXeme sicle. Vers 1890, l'Amricain Herman Hollerith construira une machine cartes perfores destine compiler les rsultats du recensement des Etats-Unis. En 1896, Hollerith fonde sa compagnie, la Tabulating Machines Corporation qui deviendra en 1924 l'International Business Machines (IBM). La ncessit d'eectuer des calculs scientiques motivera la conception et la construction de machines ddies ces activits. L'Amricain Vannevar Bush construira, dans les annes 1930, un calculateur mcanique analogique. Ce calculateur simulait par un dispositif mcanique l'intgration d'une quation direntielle. Ce type de machine sera utilis pendant la deuxime guerre mondiale pour les besoins de la ballistique.
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.
I.7.2 Les ordinateurs

cel-00556967, version 1 - 18 Jan 2011
Le clbre mathmaticien John von Neumann est l'origine de l'architecture logique des machines pour automatiser les calculateurs. En juin 1945, il crit un rapport dans lequel il dcrit l'architecture d'une future machine qui inspirera les premiers ordinateurs. L'essentiel de l'architecture propose par von Neumann consiste coner la gestion du calcul une unit de contrle (Central Processing Unit ou CPU). L'unit de contrle gre les instructions d'un programme et coordonne les autres units de l'appareil : mmoire, entre/sortie et unit de calcul. Les instructions sont excutes de manire squentielle. L'architecture de base des ordinateurs est toujours la mme que celle imagine par von Neumann. Von Neumann fut inspir dans ses travaux par ceux d'un jeune mathmaticien anglais, Alan Turing. En 1936, Turing prcisa la notion d'algorithme et imagina une machine automatique, la machine de Turing, qui pouvait rsoudre n'importe quel problme : c'tait une machine universelle. Elle fonctionnait partir d'oprations logiques lmentaires et crivait, copiait ou lisait de l'information dans un registre. Turing fut impliqu dans la construction du tout premier ordinateur, construit Manchester de 1946 1948 et surnomm Manchester MARK1. Cet ordinateur fut un exemplaire unique. Il tait rserv des applications militaires (armements nuclaires). Le premier ordinateur civil fur le UNIVAC1 (UNIVersal Automatic Computer), cr et commercialis en 1951 par Eckert et Mauchly. IBM livrera son modle 701 aux militaires en 1951 et commercialisera son modle 650 en 1953. A Los Alamos, la machine MANIAC (Mathematical And Numerical Integrator And Computer) sera oprationnelle en 1952. On distingue gnralement cing gnrations d'ordinateurs qui dirent essentiellement (sauf la cinquime) par les moyens techniques utiliss :
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.
cel-00556967, version 1 - 18 Jan 2011
ENSHMG
I.7.3 Petite chronologie

Voici une chronologie sommaire du dveloppement de l'informatique :
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.
cel-00556967, version 1 - 18 Jan 2011
1950 1951 1952 1954 1955
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).
1998 2001 2003 2005
cel-00556967, version 1 - 18 Jan 2011
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.
Fig. I.1 Loi de Moore
Chapitre II
DISCRETISATION DES EDP

II.1
cel-00556967, version 1 - 18 Jan 2011
LES TROIS GRANDES FAMILLES DE METHODES
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
LES DIFFERENCES FINIES
II.2.1 Principe - ordre de prcision

La mthode des dirences nies consiste approximer les drives des quations de la physique au moyen des dveloppements de Taylor et se dduit directement de la dnition de la drive. Elle est due aux travaux de plusieurs mathmaticiens du 18me sicle (Euler, Taylor, Leibniz...). Soit u(x, y, z, t) une fonction de l'espace et du temps. Par dnition de la drive, on a :
u u(x + x, y, z, t) u(x, y, z, t) = lim x x0 x

Si x est petit, un dveloppement de Taylor de u(x + x, y, z, t) au voisinage de x donne :
u(x + x, y, z, t) = u(x, y, z, t) + x
cel-00556967, version 1 - 18 Jan 2011
u x3 3 u x2 2 u (x, y, z, t) + (x, y, z, t) + .... (x, y, z, t) + x 2 x2 6 x3
En tronquant la srie au premier ordre en x, on obtient :
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.
II.2.2 Notation indicielle - cas 1D

Considrons un cas monodimensionnel o l'on souhaite dterminer une grandeur u(x) sur l'intervalle [0,1]. La recherche d'une solution discrte de la grandeur u amne constituer un maillage de l'intervalle de dnition. On considre un maillage (ou grille de calcul) compos de N + 1 points xi pour i = 0, ..., N rgulirement espacs avec un pas x. Les points xi = ix sont appels les noeuds du maillage. Le problme continu de dpart de dtermination d'une grandeur sur un ensemble de dimension innie se ramne ainsi la recherche de N valeurs discrtes de cette grandeur aux dirents noeuds du maillage. Notation : on note ui la valeur discrte de u(x) au point xi , soit ui = u(xi ). De mme pour la u u drive de u(x) au noeud xi , on note = = ui . Cette notation s'utilise de faon x x=xi x i quivalente pour toutes les drives d'ordre successif de la grandeur u. Le schma aux dirences nies d'ordre 1 prsent au-dessus s'crit, en notation indicielle :
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
II.2.3 Schma d'ordre suprieur

Des schmas aux dirences nies d'ordre suprieur peuvent tre construits en manipulant des dveloppement de Taylor au voisinage de xi . On crit :
ui+1 = u(xi + x) = ui + x ui1 = u(xi x) = ui x
u x u x
+
i
x2 2
2u x2 2u x2
+ O(x3 )
i
x2 + 2 i
+ O(x3 )
i
cel-00556967, version 1 - 18 Jan 2011
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+2 + 6ui+1 3ui 2ui1 + O(x3 ) 6x
II.2.4 Drive d'ordre suprieur

Le principe est identique et repose sur les dveloppements de Taylor au voisinage de xi . Par exemple pour construire un schma d'approximation de la drive seconde de u, on crit :
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
ui+2 2ui+1 + ui1 + O(x) x2
2u x2
=
i
ui 2ui1 + ui2 + O(x) x2
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 :
II.2.5 Gnralisation de la notation indicielle

Dans le cas 1D instationnaire, considrons l'volution d'une grandeur u(x, t) en fonction de l'espace et du temps. Le domaine de dnition de u est dcompos en N noeuds xi rpartis rgulirement avec un pas d'espace x. De mme, le temps est dcompos en intervalle lmentaire de pas constant t. On notera un la valeur discrte de la grandeur u(x, t) au noeud xi et au i temps nt. Dans le cas 2D, considrons une grandeur u(x, y) dnie sur un certain domaine. Ce dernier est dcompos en N P noeuds (xi , yj ) rpartis rgulirement avec un pas d'espace x dans la direction x et y dans l'autre direction. On notera uij la valeur discrte de la grandeur u(x, y) au noeud (xi , yj ). De faon similaire, dans le cas 2D instationnaire, on notera un la valeur discrte de la grandeur ij u(x, y, t) au noeud xi , yj et au temps nt. Et dans le cas 3D instationnaire, on notera un la ijk valeur discrte de la grandeur u(x, y, z, t) au noeud (xi , yj , zk ) et au temps nt.
cel-00556967, version 1 - 18 Jan 2011
II.2.6 Quelques schmas en 1D

Dirences nies avant, ordre 1 Dirences nies arrire, ordre 1
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
Dirences nies centr, ordre 2
Dirences nies centr, ordre 4
ui2 2xui x ui 2x ui
(4) x4 ui 3 2
ui1
-1 1
ui
-2 0 6
ui+1
1 1 -2 -4
ui+2 12xui 12x ui

1 1
2
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
II.2.7 Drives croises

2f de la fonction de 2 variables f (x, y). xy La discrtisation du domaine de calcul est bidimensionnelle et fait intervenir deux pas d'espace supposs constants x et y dans les directions x et y .
Dterminons une approximation de la drive croise
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
Au voisinage du point (i, j) :
fi+1,j+1 = fi,j + x fi1,j1 = fi,j x
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
cel-00556967, version 1 - 18 Jan 2011
fi+1,j1 = fi,j + x fi1,j+1 = fi,j x
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
fi+1,j+1 fi+1,j1 fi1,j+1 + fi1,j1 4xy
II.2.8 Exemple simple 1D avec conditions de Dirichlet

Considrons l'quation direntielle suivante :
u (x) = f (x) , u(0) = et u(1) =
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
Approximons la drive seconde de u au moyen d'un schma centr l'ordre 2 :
d2 u dx2
=
i
ui+1 2ui + ui1 x2
14 L'quation discrtise est ainsi :
Chapitre
II :
2ui ui+1 ui1 = fi x2
; pour i variant de 1 N-1
cel-00556967, version 1 - 18 Jan 2011
Il est trs pratique d'utiliser connues discrtes : 2 1 1 2 1 . . .. . 2 . x 0 0 0 0
une formulation matricielle en faisant apparatre le vecteur des in-
1 2 1 uN 2 0 1 2 uN 1
0 1 .. .. . .
0 0 . . .
u1 u2 . . .
f1 + /x2 f2 . . . fN 2 fN 1 + /x2
II.2.9 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann

u (x) = f (x) , u(0) = et u (1) =

o l'on a cette fois une condition de Neumann en x = 1.
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
II.2.10 Discrtisation de l'quation de la chaleur 1D

Considrons le problme monodimensionnel de la conduction de la chaleur dans une barre de 1m de longueur. Le champ de temprature T (x, t) vrie l'quation de la chaleur :
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.
cel-00556967, version 1 - 18 Jan 2011
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
Et la seconde dite implicite utilise une discrtisation au noeud xi et l'itration n + 1 :
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
t En posant = , la temprature l'itration n + 1 est donne par : x2

n n Tin+1 = Ti1 + (1 2)Tin + Ti+1
i variant de 1 N-1
Soit sous forme matricielle : n+1 T1 T2 . . = . T N 2 TN 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
t , la temprature l'itration n + 1 est donne par : x2 i variant de 1 N-1
n+1 n+1 (1 + 2)Tin+1 (Ti+1 + Ti1 ) = Tin
cel-00556967, version 1 - 18 Jan 2011
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
i=1 i variant de 2 N-1 i=N
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
II.2.11 Discrtisation de l'quation de la chaleur 2D stationnaire

Considrons le problme bidimensionnel stationnaire de la conduction de la chaleur dans un domaine rectangulaire [0,Lx ][0,Ly ]. Le champ de temprature T (x, y) vrie l'quation de Laplace : 2T 2T T = + = 0 , (x, y) [0, Lx ] [0, Ly ] x2 y 2
T (0, y) = Tg T (x, 0) = Tb
et T (Lx , y) = Td et T (x, Ly ) = Th
0 < y < Ly 0 < x < Lx
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 ).
cel-00556967, version 1 - 18 Jan 2011
Nous utilisons un schma centr d'ordre 2 pour approximer les drives secondes en espace :
2T x2 2T y 2
=
ij
Ti+1,j 2Ti,j + Ti1,j x2 Ti,j+1 2Ti,j + Ti,j1 y 2
=
ij
La formulation discrtise est alors, pour i variant de 1 N 1 et j variant de 1 P 1 :
y 2 (Ti+1,j + Ti1,j ) + x2 (Ti,j+1 + Ti,j1 ) 2(x2 + y 2 )Ti,j = 0
Soit sous forme matricielle, pour N =P =4, en posant A = x2 + y 2 :
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
T11 T21 T31 T12 T22 T32 T13 T23 T33
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 :
Ti+1,j + Ti,j1 + Ti1,j + Ti,j+1 4Ti,j = 0
18 Soit sous forme matricielle, pour N =P =4 :
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
T11 T21 T31 T12 T22 T32 T13 T23 T33
Tb + Tg Tb Tb + Td Tg 0 Td Th + Tg Th Th + Td
cel-00556967, version 1 - 18 Jan 2011
Notons I la matrice identit d'ordre 3 et D la matrice de dimension 3 dnie par :
4 1 0 D = 1 4 1 0 1 4
Notons T1 , T2 et T3 les vecteurs 3 composantes dnis par :
T11 T1 = T21 T31
T12 T2 = T22 T32
T13 T3 = T23 T33
Le systme peut s'crire sous la forme matricielle bloc suivante :
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).
Algorithme de Thomas matriciel

Cet algorithme est utilis pour la rsolution d'un systme avec une matrice, de dimension N , tridiagonale par bloc, faisant intervenir un vecteur d'inconnues discrtes Xi , de la forme :
Ai Xi1 AN XN 1
+ +
B1 X1 Bi Xi BN XN
+ +
C1 X2 Ci Xi+1
= = =
D1 Di DN
i=1 i variant de 2 N-1 i=N
Ai , Bi , Ci sont des matrices et Di un vecteur.
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 = (Bi + Ci i+1 )1 (Di Ci i+1 )
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).
cel-00556967, version 1 - 18 Jan 2011
Par exemple utilisons un schma d'ordre 1 pour valuer le ux de chaleur :
T y
=
i,0
Ti,1 Ti,0 = b y
Soit sous forme matricielle, dans le cas o 1 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 1 1 0 0 1 0 0 4 1 0 1 0 0 1 0 1 4 1 0 1 0 0 1 0 1 4 0 0 0 0 0 1 0 0 4 1 0 0 0 0 1 0 1 4 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
x = y et pour N =P =4 : 0 0 0 0 T10 b x / b x / 0 0 0 0 T20 T / 0 0 0 0 30 b x 0 0 0 0 T11 Tg T 0 0 0 0 21 0 T31 1 0 0 0 Td T = 0 1 0 0 12 Tg T22 1 0 1 0 0 T 4 0 0 1 32 Td Th + Tg 0 4 1 0 T13 T 0 1 4 1 23 Th 1 0 1 4 T33 Th + Td
20
Chapitre
II :
II.3
LES VOLUMES FINIS
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.
cel-00556967, version 1 - 18 Jan 2011
De nombreux codes de simulation numrique en mcanique des uides reposent sur cette mthode : Fluent, StarCD, CFX, FineTurbo, elsA...
II.3.2 Volumes Finis pour une loi de conservation

Considrons une loi de conservation d'une grandeur physique w dans une maille de volume , faisant intervenir un ux F (w) et un terme source S(w). Son expression sous forme intgrale est : w d + div F (w) d = S(w) d t Appelons la surface de la maille, de normale extrieure n. Le thorme d'Ostrogradski conduit :
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 :
cel-00556967, version 1 - 18 Jan 2011
w + t
Ff ace .nf ace f ace = S

f aces
La mthodes des Volumes Finis consiste donc :
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
Considrons une loi de conservation 1D :
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
Fig. II.1 Maillage 1D
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 :
x [xi1/2 , xi+1/2 ] et t = nt,
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
cel-00556967, version 1 - 18 Jan 2011
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
un+1 un i i n n + fi+1/2 fi1/2 = 0 t
ENSHMG II.3.2.2 Cas bidimensionnel
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
cel-00556967, version 1 - 18 Jan 2011
Dans le cas bidimensionnel, le terme intgral
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 reprsente la circulation sur un contour
F.n d =
ABCD
F.n dl =
AB,BC,CD,AD
Farete .narete Longueurarete
Ceci revient valuer le bilan des ux travers chaque facette de la maille.
24
Chapitre
II :
II.3.3 Exemple simple 1D avec conditions de Dirichlet

u (x) = f (x) , u(0) = et u(1) =
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 .
cel-00556967, version 1 - 18 Jan 2011
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
Ce qui donne aprs intgration :
u (xi1/2 ) u (xi+1/2 ) = hi fi
pour i variant de 1 N
xi+1/2 xi1/2
1 o fi dsigne la valeur moyenne de f sur la i-me maille : fi = hi
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
u(xi ) u(xi1 ) ui ui1 = hi1/2 hi1/2
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
2(u1 ) 2(u1 u(0)) = h1 h1
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
cel-00556967, version 1 - 18 Jan 2011
La discrtisation en Volumes Finis est donc nalement :
ui ui1 ui+1 ui hi1/2 hi+1/2 u2 u1 2(u1 ) h1 h3/2 uN uN 1 2( uN ) hN 1/2 hN
= = =
hi fi h1 f1 hN fN
pour i variant de 2 N-1
Dans le cas particulier d'un maillage rgulier de pas h. La discrtisation en Volumes Finis devient :
2ui ui1 ui+1 h2 3u1 u2 h2 3uN uN 1 h2
= = =
fi
2 f1 + 2 h 2 fN + 2 h
Sous forme matricielle, ceci s'exprime : 3 1 0 0 1 2 1 0 1 . . . .. .. .. . . . . . h2 . 0 0 1 2 1 0 0 0 1 3
u N 1 uN
u1 u2 . . .
f1 + 2/h2 f2 . . . fN 1 fN + 2/h2
26
Chapitre
II :
Comparaison avec un schma aux Dirences Finies

Nous introduisons un schma aux Dirences Finies an de comparer les deux mthodes de discrtisation. On se place sur le mme maillage construit pour les Volumes Finis. Les points xi seront considrs comme les noeuds du maillage pour les Dirences Finies. Et la quantit ui dsignera alors la valeur de la fonction u au noeud xi . ATTENTION aux notations propres aux deux mthodes, dans un cas ui dsigne une valeur moyenne de u sur la i-me maille, et dans l'autre cas, ui dsigne la valeur de u en xi . L'quation rsoudre s'crit, sous forme discrte en chaque noeud xi :
cel-00556967, version 1 - 18 Jan 2011
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 :
ui+1 = u(xi + hi+1/2 ) = ui + hi+1/2 ui1 = u(xi hi1/2 ) = ui hi1/2
du dx du dx
+
i
h2 i+1/2 2 h2 i1/2 2
d2 u dx2 d2 u dx2
+ O(h3 i+1/2 ) + O(h3 i1/2 )
+
i
Ce qui peut s'exprimer sous la forme :
ui+1 ui hi+1/2 ui1 ui hi1/2
= =
du dx
hi+1/2 d2 u + O(h2 i+1/2 ) 2 dx2 i i hi1/2 d2 u du + + O(h2 i1/2 ) dx i 2 dx2 i +
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
ui ui1 ui+1 ui hi1/2 hi+1/2
= fi
Dans la cas particulier d'un maillage rgulier de pas h, l'quation discrtise s'crit :
2ui ui+1 ui1 = fi h2
ENSHMG
27
II.3.4 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann

u (x) = f (x) , u(0) = et u (1) =
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
cel-00556967, version 1 - 18 Jan 2011
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 :
ui ui1 ui+1 ui hi1/2 hi+1/2 2(u1 ) u2 u1 h1 h3/2 uN uN 1 hN 1/2
= = =
hi fi h1 f1 hN fN
Dans le cas particulier d'un maillage rgulier de pas h. La discrtisation en Volumes Finis devient :
2ui ui1 ui+1 h2 3u1 u2 h2 uN uN 1 h2
= = =
fi
2 f1 + 2 h fN + h
Sous forme matricielle, ceci s'exprime : 3 1 0 0 1 2 1 0 1 . . . .. .. .. . . . . . h2 . 0 0 1 2 1 0 0 0 1 1
u N 1 uN
u1 u2 . . .
f1 + 2/h2 f2 . . . fN 1 fN + /h
28
Chapitre
II :
II.3.5 Discrtisation de l'quation de la chaleur 1D

Considrons le problme monodimensionnel de la conduction de la chaleur dans une barre de 1m de longueur. Le champ de temprature T (x, t) vrie l'quation de la chaleur :
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
cel-00556967, version 1 - 18 Jan 2011
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
t , la temprature l'itration n + 1 est donne par : x2 Tin+1

n+1 T1 n+1 TN
= = =
n n Ti1 + (1 2)Tin + Ti+1 n n 2Tg + (1 3)T1 + T2 n n n TN 1 + (1 3)TN + 2Td
i variant de 2 N-1
cel-00556967, version 1 - 18 Jan 2011
Soit sous forme matricielle : n+1 T1 T2 . = . . T N 1 TN
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 . . .
II.3.6 Discrtisation de l'quation de la chaleur 2D stationnaire

Considrons le problme bidimensionnel stationnaire de la conduction de la chaleur dans un domaine rectangulaire [0,Lx ][0,Ly ]. Le champ de temprature T (x, y) vrie l'quation de Laplace : 2T 2T T = + = 0 , (x, y) [0, Lx ] [0, Ly ] x2 y 2
T (0, y) = Tg T (x, 0) = Tb
et T (Lx , y) = Td et T (x, Ly ) = Th
0 < y < Ly 0 < x < Lx
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
Le terme de drive premire
T x moyenne sur l'intervalle [xi ,xi+1 ] : T x
l'interface xi+1/2 est valu en calculant une valeur

xi+1/2 xi+1 xi
=
xi+1/2
1 x
Ti+1,j Tij T dx = x x
cel-00556967, version 1 - 18 Jan 2011
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
Ti+1,j Tij Ti,j Ti1,j x x
dy
Ti+1,j + Ti1,j 2Tij x
En oprant identiquement pour les termes
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
= = =
0 ; j=2 P-1 0 ; j=1 0 ; j=P
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
T11 T21 T31 T12 T22 T32 T13 T23 T33
= 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
cel-00556967, version 1 - 18 Jan 2011
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
LES ELEMENTS FINIS EN 1D
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.
cel-00556967, version 1 - 18 Jan 2011
De nombreux codes de calculs de structure reposent sur les Elments Finis : ANSYS, CADDS, CATIA...
II.4.2 Exemple simple 1D

Reprenons le cas prcdent de l'quation direntielle :
u (x) = f (x) , u(0) = u(1) = 0
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
En intgrant par parties, il vient :

1 1
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
C'est--dire chercher N rels u1 , u2 , ..., uN vriant :
cel-00556967, version 1 - 18 Jan 2011
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
Soient A la matrice N N d'lment courant aij et B le vecteur N composantes bi dnies par :

1
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
Choix des fonctions i : les lments nis
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 :
cel-00556967, version 1 - 18 Jan 2011
aii =
0 1
i (x) i (x) dx =
1 1 + xi xi1 xi+1 xi 1 xi+1 xi 1 xi xi1
ai,i+1 =
0 1
i+1 (x) i (x) dx = i (x) i1 (x) dx =
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
Le systme linaire rsoudre s'crit donc, sous forme indicielle :
ui ui1 ui+1 ui xi+1 xi1 = fi xi xi1 xi+1 xi 2
On rappelle la discrtisation avec un schma aux Dirences Finies d'ordre 2 :
ui ui1 ui+1 ui xi+1 xi1 = fi xi xi1 xi+1 xi 2
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 :
2ui ui+1 ui1 = fi h2

Soit sous forme matricielle 2 1 1 2 1 . . .. . h2 . 0 0 0 0 :
1 2 1 uN 1 uN 0 1 2
0 1 .. .. . .
0 0 . . .
u1 u2 . . .
= f N 1 fN
f1 f2 . . .
cel-00556967, version 1 - 18 Jan 2011
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 :
u (x) = sin (x) , u(0) = u(1) = 0

La solution analytique au problme est u(x) = analytique.
x ]0, 1[
sin (x) . Notons par un indice 'a' la solution 2
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.
cel-00556967, version 1 - 18 Jan 2011
La solution discrte obtenue avec les Dirences Finies (ou les Elments Finis) est reporte dans le tableau V.1 :
xi ui (ui )a
|erreur|
0.1 0.0316 0.0313
0.2 0.06 0.0595
0.3 0.0826 0.082
0.4 0.09716 0.09636
0.5 0.10216 0.10113
0.6 0.09716 0.09636
0.7 0.0826 0.082
0.8 0.06 0.0595
0.9 0.0316 0.0313
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
Tab. II.1 Mthode des Dirences Finies et des Elments Finis
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|
0.05 0.01589 0.01585
0.15 0.04612 0.046
0.25 0.07184 0.07164
0.35 0.0905 0.09028
0.45 0.1003 0.1001
0.55 0.1003 0.1001
0.65 0.0905 0.09028
0.75 0.07184 0.07164
0.85 0.04612 0.046
0.95 0.01589 0.01585
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
Tab. II.2 Mthode des Volumes Finis
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
CONSISTANCE, CONVERGENCE ET STABILITE
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.
cel-00556967, version 1 - 18 Jan 2011
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 !
Fig. II.4 Solutions exacte, numrique et discrte
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.
Condition de stabilit CFL

Pour des problmes d'volution temporelle, certains schmas sont stables condition que le pas de temps soit infrieur une certaine valeur critique fonction du pas d'espace. Cette ingalit constitue la condition de Courant-Friedrichs-Lewy (1928) ou condition CFL. Elle est ncessaire et susante pour assurer la stabilit. La condition CFL varie d'une quation une autre.
cel-00556967, version 1 - 18 Jan 2011
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
CLASSIFICATION DES EDP D'ORDRE 2

cel-00556967, version 1 - 18 Jan 2011
III.1 CLASSIFICATION DES EDP LINEAIRES D'ORDRE 2

Considrons une quation aux drives partielles (EDP) du second ordre ayant la forme suivante :
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 :
III.2 EQUATIONS ELLIPTIQUES

Les quations elliptiques rgissent les problmes stationnaires, d'quilibre, gnralement dnis sur un domaine spatial born de frontire sur laquelle l'inconnue est soumise des conditions aux limites, le plus souvent de type Dirichlet ou Neumann. Le problme elliptique type est celui fourni par l'quation de Laplace (ou de Poisson) soumise des conditions aux limites, par exemple de Dirichlet : u = f dans
u = u0
sur
cel-00556967, version 1 - 18 Jan 2011
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.
III.3 EQUATIONS PARABOLIQUES

Les quations paraboliques rgissent les problmes d'volution ou instationnaires dans lesquels intervient le mcanisme de diusion ou de dissipation. Ces problmes sont gnralement dnis sur un domaine spatial born de frontire sur laquelle l'inconnue est soumise des conditions aux limites du mme type qu'en elliptique (quelquefois elles-mmes instationnaires), ainsi qu' des conditions initiales. Le problme elliptique type est celui fourni par l'quation de la chaleur soumise des conditions aux limites, par exemple de Dirichlet, ainsi qu' des conditions initiales : 2T T = 2 dans t x sur T = T0 T (x, 0) = f (x) dans
III.4 EQUATIONS HYPERBOLIQUES

III.4.1 Origine physique
Les quations hyperboliques modlisent la propagation d'ondes sans dissipation. En linaire, c'est par exemple la propagation du son dans un milieu homogne. En lectromagntisme, les quations de Maxwell sont hyperboliques et linaires. En non linaire, les quations hyperboliques sont l'expression de lois de conservation. Par exemple, les quations d'Euler expriment la conservation de la masse, de la quantit de mouvement et de l'nergie totale dans un uide parfait compressible.
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
cel-00556967, version 1 - 18 Jan 2011
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
III.4.3.1 Caractristiques pour les quations du premier type

Considrons l'quation hyperbolique suivante :
2u 2u 2u + c 2 = 0 avec b2 4ac > 0 +b x2 xy y
Cette quation peut s'crire dans un autre jeu de coordonnes (X, Y ) :
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
Nous obtenons ainsi deux quations direntielles ordinaires (EDO) :
dy b+ = dx
b2 4ac 2a
et
dy b = dx
b2 4ac 2a
Celles-ci sont appeles les quations caractristiques.
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
2u 2u x2 2 = 0. Les quations caractristiques sont : x2 y

et
cel-00556967, version 1 - 18 Jan 2011
dy = dx
x 4x2 y 2 = 2 2y y
x dy 4x2 y 2 = = 2 dx 2y y
Nous obtenons ainsi l'quations des deux courbes caractristiques :
y 2 x2 = cte 2
et
y 2 + x2 = cte 2 y 2 x2 y 2 + x2 et Y (x, y) = 2 2
Les coordonnes caractristiques sont : X(x, y) = Et la nouvelle expression de l'EDP :
2u Y u X u = 2 Y 2 ) X 2 Y 2 ) Y XY 2(X 2(X
III.4.3.2 Caractristiques pour l'quation de convection

Considrons l'quation de convection d'une grandeur w(x, t) :
w w +c = 0 t x
o la vitesse c peut tre constante ou non.
Drive le long d'une courbe

On introduit la notion de drive de la grandeur w par rapport au temps le long d'une courbe C du plan (x, t). On se limite au cas des courbes dcrites par une quation du type x = X(t). Cette notion de drive est facile saisir intuitivement : on regarde la variation de w en suivant la courbe C et on drive par rapport au temps. On dnit la drive de la grandeur w(x, t) par rapport au temps le long de la courbe C d'quation x = X(t) par : dw w w dx dw = (X(t), t) = + dt C dt t x dt C
ENSHMG Construction des solutions avec une famille de courbes

A partir de la dnition ci-dessus, on constate que si le long de la courbe C , la drive de w le long de la courbe est nulle :
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
cel-00556967, version 1 - 18 Jan 2011
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.
III.4.3.3 Caractristiques pour un systme de lois de conservation

Considrons un systme de lois de conservation d'ordre n sous la forme non-conservative :
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)
Pour k x, on introduit une famille de courbes C k dnies par l'EDO ;
dx = k (w) dt
L'quation (III.2) peut alors se rcrire :
cel-00556967, version 1 - 18 Jan 2011
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
Domaines de dpendance et d'inuence
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
cel-00556967, version 1 - 18 Jan 2011
domaine de dependance x P
Fig. III.1 Domaine de dpendance et d'inuence
III.4.5
Forme conservative et non-conservative
Considrons un systme de lois de conservation d'ordre n crit pour un vecteur w(x, t) :
w f (w) + = 0 t x
avec w(x, 0) = w0 (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
avec u(x, 0) = u0 (x)
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
avec w(x, 0) = w0 (x)
46
Chapitre
III :
o la matrice A(w) = f (w) est la jacobienne de f : Aij =
A est diagonalisable pour tout w valeurs propres relles.
fi (w) . wj
Exemple : La forme non-conservative de l'quation de Burgers est :
u u +u = 0 t x
avec u(x, 0) = u0 (x)
III.4.6
Discontinuit - relation de saut
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 :
cel-00556967, version 1 - 18 Jan 2011
(w1 w2 )nt + (f (w1 ) f (w2 )) nx = 0
1 2 n
x
Fig. III.2 Solution discontinue le long d'une courbe
47
Chapitre IV
RESOLUTION DES EDO

Les quations direntielles ordinaires (EDO) apparaissent trs souvent dans la modlisation de la physique et des sciences de l'ingnieur. Trouver la solution d'une EDO ou d'un systme d'EDO est ainsi un problme courant, souvent dicile ou impossible rsoudre de faon analytique. Il est alors ncessaire de recourir des mthodes numriques pour rsoudre ces quations direntielles.
cel-00556967, version 1 - 18 Jan 2011
IV.1 DEFINITION DES EDO

Soit une fonction y(x) dnie sur un intervalle de R et de classe Cp (continment drivable d'ordre p). On appelle quation direntielle d'ordre p une quation de la forme :
F (x, y, y , y , ..., y (p) ) = 0

On appelle forme canonique d'une EDO une expression du type :
y (p) = f (x, y, y , y , ..., y (p1) )

Seul ce type d'quations sera considr dans ce chapitre. Toute quation direntielle canonique peut tre crite comme un systme d'quations direntielles du premier ordre en introduisant p 1 fonctions dnies comme :
y1 y 2 y p
L'quation canonique se met sous la forme y1 = y = 2 y = p
= =
y y = y (p1)
du systme d'EDO d'ordre 1 suivant :
y2 y3 f (x, y, y1 , y2 , ..., yp )
48
Chapitre
IV :
RESOLUTION DES EDO
IV.2 RAPPEL - SOLUTIONS D'EDO SIMPLES

Nous rappelons ici les principes de rsolution des quations direntielles simples. Dans ce qui suit, la variable indpendante sera note t et la variable dpendante x(t). ORDRE 1 SOLUTION GENERALE
x = ax + b
x(t) = Ceat
b a
x = a(t)x + b(t)
avec A(t) =
x(t) = eA(t) (B(t) + C) a(t) dt et B(t) = exp (A(t))b(t) dt
cel-00556967, version 1 - 18 Jan 2011
tx x = f (x)
ORDRE 2 quation de Bernoulli x + a(t)x + b(t)x = 0
x(t) = Ct + g(C)
eectuer le changement de fonction x(t) = z(t) 1 l'quation devient : z = ( 1) (a(t)z + b(t))
quation de Ricatti
x + a(t)x + b(t)x2 + c(t) = 0
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
quation d'Euler t2 x + atx + bx = c(t) ORDRE 3
changements de variable t = eu et de fonction x(t) = z(u) l'quation devient : z + (a 1)z + bz = c(eu )
... x + a + bx + cx = 0 x
r1 , r2 , r3 racines de l'quation caractristique r3 + ar2 + br + c = 0 x(t) = C1 er1 t + C2 er2 t + C3 er3 t
ENSHMG
49
IV.3 LE PROBLEME DE CAUCHY

On appelle problme de Cauchy ou problme la valeur initiale le problme qui consiste trouver une fonction y(x) dnie sur l'intervalle [a, b] telle que :
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 !
cel-00556967, version 1 - 18 Jan 2011
IV.4 PRINCIPE GENERAL DES METHODES NUMERIQUES

Pour obtenir une approximation numrique de la solution y(x) sur l'intervalle [a, b], nous allons estimer la valeur de cette fonction en un nombre ni de points xi , pour i = 0, 1, ..., n, constituants les noeuds du maillage. La solution numrique discrte obtenue aux points xi est note yi = y(xi ). L'cart entre deux abscisses, not h, est appel pas de discrtisation. Ce pas, dans les mthodes les plus simples, est constant, mais il peut tre judicieux de travailler avec un pas variable hi = xi xi1 . Le choix du maillage et de la rpartitiondes noeuds peuvent s'avrer crucial. Les techniques de rsolution des EDO sont bases sur : l'approximation gomtrique de la fonction les formules d'intgration numrique (rectangle, trapze, Simpson...) les dveloppements de Taylor au voisinage de xi
IV.5 PROPRIETES DES METHODES NUMERIQUES

Plusieurs notions mathmatiques sont introduites lors de la rsolution d'EDO au moyen de leurs quivalents discrtiss. Les trois principales sont la convergence, la stabilit et la consistance (cf. cours sur la discrtisation des EDP), permettant de relier la solution exacte des quations continues la solution exacte des quations discrtises et la solution numrique obtenue. A ces proprits, il convient d'ajouter la notion de prcision ainsi que des aspects informatiques comme la facilit de mise en oeuvre, les cots CPU et mmoire.
Consistance d'une mthode

La consistance est la proprit qui assure que la solution exacte de l'quation discrtise tende vers la solution exacte de l'quation continue lorsque le pas de discrtisation h tend vers 0.
50
Chapitre
IV :
RESOLUTION DES EDO
Stabilit d'une mthode

C'est la proprit qui assure que la dirence entre la solution numrique obtenue et la solution exacte des quations discrtises reste borne. Le stabilit indique si l'erreur augmente ou non au cours du calcul. Une mthode peut tre stable sous condition (elle sera dite conditionnellement stable) ou toujours stable (elle sera dite inconditionnellement stable).
Ordre de prcision d'une mthode

L'erreur de troncature est dnie comme la dirence entre la solution exacte y et l'approxima p ). L'ordre de prcision de la mthode tion numrique obtenue yn , soit : n =| y (xn ) yn |= O(h est donne par l'entier p.
cel-00556967, version 1 - 18 Jan 2011
Convergence et taux de convergence d'une mthode

Une mthode est convergente si, lorsque le pas de discrtisation tend vers 0, la solution numrique tend vers la solution exacte de l'quation continue. Une mthode est convergente l'ordre l ssi : lim max | i | = O(hl )
n i
Rsultat thorique : Une mthode stable et consistante est convergente.
IV.6 LES PRINCIPALES METHODES NUMERIQUES

Les principales mthodes de rsolution numrique des EDO sont spares en deux grands types : les mthodes un pas Pour ces mthodes, le calcul de la valeur discrte yn+1 au noeud xn+1 fait intervenir la valeur yn obtenue l'abscisse prcdente. Les principales mthodes sont : - Mthodes d'Euler explicite et implicite - Mthode d'Euler amlior - Mthode d'Euler-Cauchy - Mthode de Crank-Nicholson - Mthodes de Runge et Kutta
les mthodes pas multiples

Pour ces mthodes, le calcul de la valeur discrte yn+1 au noeud xn+1 fait intervenir plusieurs valeurs yn , yn1 , yn2 , ... obtenues aux abscisses prcdentes. Les principales mthodes sont : - Mthode de Nystrom ou saute-mouton - Mthodes d'Adams-Bashforth-Moulton - Mthodes de Gear
ENSHMG
51
IV.7 METHODES A UN PAS

La formulation gnrale des mthodes un pas explicite est :
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
y0 donn = yn + (xn , yn , yn+1 , h)
L'obtention de la solution chaque abscisse ncessite la rsolution d'une quation.
cel-00556967, version 1 - 18 Jan 2011
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).
IV.7.1 Mthodes d'Euler explicite et implicite

Mthode explicite, d'ordre 1, dont l'algorithme est :
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
y0 donn = yn + hf (xn+1 , yn+1 )
52
Chapitre
IV :
RESOLUTION DES EDO
IV.7.2 Mthode d'Euler amlior

Mthode explicite dont l'algorithme yn+1 yn+1 est :
y0 donn = = yn +
h f (xn , yn ) 2 h yn + hf (xn + , yn+1 ) 2
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 ].
IV.7.3 Mthode d'Euler-Cauchy

Mthode explicite dont l'algorithme est : y0 donn yn+1 = yn + hf (xn , yn ) yn+1 = yn + h f (xn , yn ) + f (xn+1 , y ) n+1 2 Gomtriquement, la mthode consiste remplacer dans la mthode d'Euler la pente de la tangente en (xn , yn ) par la moyenne de cette pente avec la valeur corrige en xn+1 .
cel-00556967, version 1 - 18 Jan 2011
IV.7.4 Mthode de Crank-Nicholson

Mthode implicite, d'ordre 2, dont l'algorithme est : y0 donn yn+1 = yn + h [f (xn , yn ) + f (xn+1 , yn+1 )] 2 Elle est obtenue en utilisant la formule d'intgration numrique des trapzes.
IV.7.5 Mthodes de Runge et Kutta

Ce sont des mthodes d'ordre lev, obtenues partir des formules d'intgration numrique plus prcises que la formule des rectangles. Une mthode explicite, d'ordre 2, peut tre obtenue par l'utilisation de la formule des trapzes. L'algorithme, not RK2, s'crit : y0 donn yn+1 = yn + hf (xn , yn ) yn+1 = yn + h f (xn , yn ) + f (xn+1 , y ) n+1 2
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
cel-00556967, version 1 - 18 Jan 2011
IV.7.5.1 Forme gnrale des mthodes de Runge et Kutta

On cherche rsoudre le problme de Cauchy suivant :
y (x) = f (x, y(x)) y(0) = y0
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
= y(xn ) + h yxn+1 = y(xn ) + h
0 1 0
f (xn + h , y(xn + h)) d f (xn + h , y(xn + h)) d
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
f (xn + h, y(xn + h)) d f (xn + h, y(xn + h)) d
j=1 q
aij f (xn + cj h , y(xn + cj h)) bi f (xn + ci h , y(xn + ci h))

i=1
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 :
RESOLUTION DES EDO
La mthode se caractrise par les paramtres (aij ), (bi ) et (ci ). On construite le tableau qui rassemble ces paramtres :
c1 c1 . . . cq
a11 a21 . . . aq1 b1
a12 a22

. . .
a1q a2q . . . aqq bq
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
cel-00556967, version 1 - 18 Jan 2011
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
= 1 alors la mthode est consistante.
IV.7.5.2 Mthodes de Runge et Kutta implicites

Des mthodes de Runge et Kutta implicites (ou mthodes de Radau) peuvent aussi tre construites partir des techniques d'intgration numriques. Une mthode implicite, d'ordre 3, peut tre obtenue :
y0 donn k1 = hf h h , yn + (5k1 k2 ) 3 12 h = hf xn + h , yn + (3k1 + k2 ) 4 1 = yn + (3k1 + k2 ) 4 xn +
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
5/12 3/4 3/4
-1/12 1/4 1/4
4 6 10 4 6 10
1
88 7 6 360 296 + 169 6 1800 16 6 36 16 6 36
296 169 6 1800 88 + 7 6 360 16 + 6 36 16 + 6 36
2 + 3 6 225 2 3 6 225 1 9 1 9
ENSHMG IV.7.5.3 Application un systme

Considrons le systmes d'EDO aux y (x) = z (x) = y(a) = valeurs initales suivant :
55
f (x, y(x), z(x)) ; g (x, y(x), z(x)) y0 et z(a) = z0
x, z [a, b]
cel-00556967, version 1 - 18 Jan 2011
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 =
de Runge-Kutta RK4 s'crit, pour ce systme :
y0 , z0 donns hf (xn , yn , zn ) hf h , yn + 2 h xn + , yn + 2 xn + k1 , zn + 2 k2 , zn + 2 l1 2 l2 2 l1 = hg(xn , yn , zn ) k1 , zn + 2 k2 , zn + 2 l1 2 l2 2
l2 = hg xn + l3
k = hf 3 k = hf (x + h , y + k , z + l ) 4 n n 3 n 3 1 y (k1 + 2k2 + 2k3 + k4 ) n+1 = yn + 6
h , yn + 2 h = hg xn + , yn + 2
l4 = hg(xn + h , yn + k3 , zn + l3 ) zn+1 = zn + 1 (l1 + 2l2 + 2l3 + l4 ) 6
56
Chapitre
IV :
RESOLUTION DES EDO
IV.8 METHODES A PAS MULTIPLES

IV.8.1 Mthode de Nystrom ou saute-mouton
Mthode 2 pas dont l'algorithme est : y0 donn y calcul avec une mthode un pas 1 yn+1 = yn1 + 2hf (xn , yn ) Gomtriquement : on considre la droite de pente f (xn , yn ) passant par le point (xn1 , yn1 ) parallle la tangente passant par (xn , yn ). La valeur yn+1 est l'ordonne du point de cette droite d'abscisse xn+1 .
cel-00556967, version 1 - 18 Jan 2011
IV.8.2 Mthodes d'Adams-Bashforth-Moulton

Mthodes bases sur des techniques d'intgration numrique, dont la formulation gnrale est :
p
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
yn+1 = yn + h (f (xn , yn ) + f (xn+1 , yn+1 )) 2
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
cel-00556967, version 1 - 18 Jan 2011
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
h (3f (xn , yn ) f (xn1 , yn1 )) 24 h f (xn , yn ) + f (xn+1 , yn+1 ) = yn + 2 = yn +
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 :
RESOLUTION DES EDO
IV.8.3 Mthodes de Gear

Les mthodes de Gear ne sont pas construites partir de techniques d'intgration numrique mais directement partir de polynme d'interpolation passant par p points (xi+1 , yi+1 ) , (xi , yi ),..., (xip+1 , yi+1 ). Mthode de Gear 2 pas, implicite, d'ordre 2 : y0 donn y1 calcul avec une mthode un pas yn+1 = 4 yn 1 yn1 + 2h f (xn+1 , yn+1 ) 3 3 3
cel-00556967, version 1 - 18 Jan 2011
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
IV.9 LES DIFFERENCES FINIES

Il est possible de rsoudre une EDO ou un systme d'EDO en utilisant une discrtisation de type dirences nies (cf. cours sur la discrtisation des EDP). Un maillage du domaine de dnition de la fonction inconnue est construit. Les drives de la fonction inconnue sont approximes par un schma aux dirences nies ce qui permet d'obtenir une relation de rcurrence sur les inconnues discrtes.
ENSHMG
59
IV.10 CONDITION DE STABILITE

Considrons un problme la valeur initiale :
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
cel-00556967, version 1 - 18 Jan 2011
Dans certains cas, la drive
f peut changer de signe. Le comportement de la mthode est y instable dans certains intervalles et stable dans d'autres.
Cas particulier d'une EDO linaire

Dans le cas particulier d'une EDO linaire, la solution numrique satisfait une quation rcurrente linaire p + 1 niveaux :
ap yn+p + ap1 yn+p1 + ... + a0 yn = bn

Soient r1 , r2 , ..., rp les racines complexes de l'quation caractristique associe :
ap rp + ap1 rp1 + ... + a1 r + a0 = 0

La condition de stabilit s'crit : i, | ri |< 1
cel-00556967, version 1 - 18 Jan 2011
60
Chapitre
IV :
RESOLUTION DES EDO
61
Chapitre V
RESOLUTION DES SYSTEMES LINEAIRES

cel-00556967, version 1 - 18 Jan 2011
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 . . .
a1n a2n . . . ann
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:
V.2 PIVOT DE GAUSS

La mthode d'limination de Gauss a pour but de transformer le systme de dpart en un systme ayant la mme solution de la forme U X = B o U est une matrice triangulaire suprieure et B un vecteur. La rsolution est en deux tapes : Triangularisation de la matrice A. Rsolution du systme triangulaire en cascade.
V.2.1 Triangularisation de Gauss

1 Posons A(1) = A, B (1) = B et introduisons le multiplicateur li =
. 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)
cel-00556967, version 1 - 18 Jan 2011
aij bi
(2)
= =
1 aij li a1j 1 bi li b1 (1)
(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
(k) (k) (k)
akk bi
(k)
pour i = k + 1, ..., n pour i, j = k + 1, ..., n pour i = k + 1, ..., n
aij bi
(k+1) (k+1)
k aij li akj k li bk
(k)
(k)
Aprs triangularisation, le systme U X = B se rsout en cascade en commenant par xn .
ENSHMG
63
V.2.2 Cot de la mthode

Pour eectuer l'limination de Gauss, 2(n 1)n(n + 1)/3 + n(n 1) oprations ou ops (pour oating operations) sont ncessaires, auxquels il faut ajouter n2 ops pour la rsolution par remonte du systme triangulaire. Pour n grand, la mthode requiert environ 2n3 /3 ops.
V.2.3 Pivot nul et choix du pivot

La mthode de Gauss n'est correctement dnie que si les pivots akk sont non nuls pour (k) k = 1, ..., n 1. Si le terme diagonal akk est nul, il faut choisir un autre lment non nul k de la colonne k pour calculer le multiplicateur li en permutant l'ordre des lignes de la matrice. Attention aussi au choix du pivot, de grosses erreurs peuvent en dcouler. Si le terme diagonal k akk est trs petit, il faut choisir un autre terme pour valuer le pivot li en permutant l'ordre des lignes de la matrice.
(k)
cel-00556967, version 1 - 18 Jan 2011
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:
V.4 FACTORISATION DE CHOLESKY

Mthode de factorisation pour une matrice A dnie positive et symtrique. Il existe une unique matrice R triangulaire infrieure dont les termes diagonaux sont strictement positifs telle que A = R t R. Les lments de R sont, pour i = 1 n :
rii =
i1
aii aij
2 rik k=1 i1
rji = 1 rii
rik rjk
k=1
; pour j=i+1 n
Le systme rsoudre AX = B se ramne alors la rsolution de deux systmes triangulaires : t RX = Y RY = B et
cel-00556967, version 1 - 18 Jan 2011
Cot de la mthode pour n grand n3 /3 ops.
V.5 FACTORISATIONS DE HOUSEHOLDER ET QR

V.5.1 Transformation de Householder
Soit v un vecteur quelconque de composante vi . Soit le vecteur u de composantes ui telles que : u1 = v1 + || v || et ui = vi , pour i = 2, ..., n. On appelle matrice de Householder, la matrice H symtrique et orthogonale, dnie par :
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
V.5.2 Triangularisation de Householder

Posons A(1) = A, B (1) = B et eectuons la transformation de Householder du premier vecteur colonne de A(1) . Notons H (1) la matrice de Householder. Une nouvelle matrice et un nouveau vecteur sont construits par multiplication par cette matrice : A(2) = H (1) A(1) et B (2) = H (1) B (1) . Le nouveau systme linaire A(2) X = B (2) est quivalent au prcdent (c'est--dire de mme solution). La matrice A(2) a sa premire colonne nulle sauf la premire composante :
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)
cel-00556967, version 1 - 18 Jan 2011
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
V.6 METHODES ITERATIVES

cel-00556967, version 1 - 18 Jan 2011
Ces mthodes induisent un processus itratif par construction d'une suite de vecteur qui converge vers la solution du systme. A chaque itration k + 1, un vecteur X (k+1) est valu partir du vecteur de l'itration prcdente X (k) , ce qui peut s'crire sous forme matricielle :
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.
V.6.1 Mthode de Jacobi

1) Initialisation avec un X (0) arbitraire. 2) A l'itration k + 1, le vecteur X (k+1) est calcul par la relation : n (k+1) 1 (k) x = b1 a1j xj 1 a11 j=2 . . . n 1 (k+1) (k) x = bi aij xj i aii j=1,j=i . . . n1 (k+1) 1 (k) x = bn anj xj n ann
j=1
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
V.6.2 Mthode de Gauss-Seidel

1) Initialisation avec un X (0) arbitraire. 2) A l'itration k + 1, le vecteur X (k+1) est calcul par la relation :
cel-00556967, version 1 - 18 Jan 2011
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)
Sous forme matricielle :
X (k+1) = (D E)1 F X (k) + (D E)1 B
V.6.3 Mthode de Gauss-Seidel avec sur- ou sous-relaxation

La mthode permet d'acclrer la convergence par rapport la mthode de Gauss-Seidel. Elle consiste pondrer, chaque itration, le rsultat obtenu par la mthode de Gauss-Seidel et le rsultat de l'itration prcdente, par l'intermdiaire d'un paramtre de relaxation compris entre 0 et 2. Si l'on note xi,GS la valeur de xi l'itration k + 1 value par la mthode de Gauss-Seidel. La valeur l'itration k + 1 est :
(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:
V.6.4 Condition de convergence

Une condition ncessaire et susante de convergence d'une mthode itrative est que le rayon spectral de la matrice L = M 1 N (o M et N dpendent de la mthode itrative choisie) soit infrieur 1. (L) < 1 convergence En pratique cette condition est dicile utiliser car elle ncessite de connatre le maximum en module des valeurs propres de la matrice L. Pour les mthodes de Jacobi et Gauss-Seidel, il existe une condition susante de convergence plus pratique vrier, savoir que la matrice A soit diagonale dominante.
n
pour toutes les colonnes,
| aij | < ajj

i=1,i=j n
convergence convergence
cel-00556967, version 1 - 18 Jan 2011
pour toutes les lignes,

j=1,j=i
| aij | < aii
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
V.7 METHODE DU GRADIENT CONJUGUE

Mthode "itrative" pour une matrice A dnie positive et symtrique. L'algorithme converge en au plus n itrations. En thorie c'est une mthode directe. En pratique cause des erreurs d'arrondi on la considre comme une mthode itrative. Rsoudre le systme AX = B est quivalent chercher le minimum de la fonction quadratique J(X) dnie par : J(X) = < AX, X > 2 < B, X > Le minimum est obtenu en annulant le gradient de J (d'o le nom de mthode du gradient). La forme matricielle de la mthode itrative est : X (k+1) = X (k) + k P (k) o P (k) est un vecteur et k un scalaire. On note R(k) = B AX (k) le vecteur rsidu l'itration k .
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)
R(k+1) k+1 (k+1) P
= = =
R(k) k AP (k) || R(k+1) ||2 || R(k) ||2
R(k+1) + k+1 P (k)
cel-00556967, version 1 - 18 Jan 2011
V.7.2 Cot de la mthode

Le cot de la mthode, pour n grand, est de 2n3 ops. C'est bien suprieur Cholesky. Pour diminuer le cot on introduit un prconditionnement de la matrice A. Le cot devient alors infrieur n oprations.
V.8 GRADIENT CONJUGUE PRECONDITIONNE

Le principe consiste remplacer le systme initial AX = B par le systme C 1 AX = C 1 B avec une matrice de prconditionnement C 1 bien choisie. Cette mthode est l'une des mieux adaptes la rsolution de grand systme linaire dont la matrice est symtrique, dnie positive et creuse.
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)
CZ (k+1) k+1 (k+1) P
A chaque itration, il faut rsoudre le systle linaire CZ = R.
70
Chapitre
V:
Il existe plusieurs prconditionnements, citons par exemple : - SSOR d'Evans - prconditionnement bas sur Cholesky C = T t T
V.8.2 Comparaison avec Cholesky

Cholesky ops mmoire Gradient Conjugu ops mmoire ops(Chol)/ ops(GC) 0.64 1.31 2.26 3.27 5.15 6.88 9.65 10.66 Mem(Chol/ Mem(GC) 2.04 2.64 3.4 4.47 5.39 6.83 8.49 9.23
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
464 1405 4235 9260 17974 30185 50785 68468
1.26 104 3.03 104 8.86 104 1.95 105 3.39 105 5.49 105 8.61 105 1.11 106
228 533 1245 2073 3330 4513 5981 7421
cel-00556967, version 1 - 18 Jan 2011
424 530 661
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
des matrices creuses n n.
71
Chapitre VI
RESOLUTION DES SYSTEMES NON LINEAIRES

cel-00556967, version 1 - 18 Jan 2011
VI.1 EQUATIONS NON LINEAIRES

Le problme consiste trouver les solutions d'une quation non-linaire de la forme F (x) = 0. Il peut aussi se formuler comme la recherche du point xe de la fonction G(x) = F (x) + x. Les mthodes qui seront tudies ici procdent par itrations. Partant d'une valeur initiale x0 , un algorithme itratif permet de calculer les itrs successifs x1 , x2 , x3 , .... Le calcul est arrt lorsqu'une prcision susante est atteinte. Parfois, la convergence n'est garantie que pour certaines valeurs de x0 . Parfois encore, l'algorithme peut ne pas converger. Quelles sont les dicults des mthodes itratives ? Le choix de x0 La convergence (locale, globale) de la mthode La vitesse de convergence et l'ecacit de la mthode La propagation des erreurs numriques et la prcision
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 :
VI.1.1 Vitesse de convergence

Soit une suite (xn ), issue d'une mthode itrative, qui converge vers X . On s'intresse la vitesse de convergence de cette suite. On dit que : la convergence est d'ordre 1 ou linaire si il existe ]0, 1[ tel que
|| 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
cel-00556967, version 1 - 18 Jan 2011
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.
VI.1.2 Mthode du point xe

Mthode pour rsoudre G(x) = x
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
cel-00556967, version 1 - 18 Jan 2011
Fig. VI.1 Point xe - concergence et divergence
VI.1.3 Mthode de Newton

Mthode trs utilise pour rsoudre F (x) = 0
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 :
Les problmes de la mthode

1) Une premire dicult apparat lorsque la drive F (xi ) est nulle, la formule n'est alors plus applicable. 2) Lorsque la valeur de la pente de la tangente F (xi ) est non nulle mais trs petite, le point xi+1 peut se retrouver trs loin de xi . Ceci peut entraner une convergence, par accident, vers une racine trs loigne de x0 . 3) Des situations de bouclage peuvent se produire si des termes de la suite se rptent.
VI.1.4 Mthode de la parallle

Mthode pour rsoudre F (x) = 0
cel-00556967, version 1 - 18 Jan 2011
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.
VI.1.5 Mthode de la scante

Mthode pour rsoudre F (x) = 0
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.
VI.1.6 Mthode de Steensen

Mthode pour rsoudre G(x) = x
L'algorithme
1) Choix d'un x0 . 2) Itration xn+1 =
G (G(xn )) xn G(xn )2 jusqu' convergence. G (G(xn )) 2G(xn ) + xn
Si x0 est susamment proche de X alors la convergence de la mthode est quadratique.
ENSHMG
75
VI.1.7 Racines de polynmes

VI.1.7.1 Rduction polynomiale
La recherche de racines d'un polynme se construit de la manire suivante : soit Pn (x) un polynme de degr n, si on obtient une premire racine x1 , on peut crire
Pn (x) = (x x1 )Pn1 (x)

o Pn1 (x) est un polynme de degr n 1. Ainsi, une fois obtenue une premire racine, on peut recommencer la recherche d'une autre racine pour un polynme de degr strictement infrieur. On poursuit cette procdure jusqu' l'obtention des n racines complexes du polynme.
cel-00556967, version 1 - 18 Jan 2011
VI.1.7.2 Mthode de Bairstow

Soit P (x) un polynme de degr n : P (x) = a0 xn + a1 xn1 + ... + an1 x + an La mthode consiste calculer les facteurs quadratiques de P (les polynmes de degr 2) :
p
Si n est pair (n = 2p),
P (x) = a0
j=1
x2 + pj x + qj
p
Si n est impair (n = 2p + 1), P (x) = a0 (x )

j=1
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 :
P (x) = Q(x) x2 + px + q + xR(p, q) + S(p, q)

avec Q(x) = b0 xn2 + b1 xn3 + ... + bn3 x + bn2 Si x2 + px + q est un diviseur de P (x), on a :
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
R 1 R p(i) , q (i) q S (i) , q (i) S p q (p(i) ,q(i) )
76
Chapitre
VI :
On obtient en identiant :
R(p, q) = bn1 R (p, q) = cn2 p R (p, q) = cn3 p

avec b1 = 0 , b0 = a0 , c1 = 0 , c0 = b0
; ; ;
S(p, q) = bn + pbn1 S (p, q) = bn1 cn1 pcn2 p S (p, q) = cn2 pcn3 p
bk = ak pbk1 qbk2 pour k = 1, ..., n ck = bk pck1 qck2 pour k = 1, ..., n 1
cel-00556967, version 1 - 18 Jan 2011
VI.2 SYSTEMES D'EQUATIONS NON LINEAIRES

La mthode de Newton vue prcdemment pour une quation non linaire peut tre gnralise pour rsoudre des systmes n quations non linaires :
f1 (x1 , x2 , ..., xn ) = 0 f2 (x1 , x2 , ..., xn ) = 0 . . . fn (x1 , x2 , ..., xn ) =

. . . 0
Ou encore, chercher un vecteur X = (x1 , x2 , ..., xn ) vriant F (X) = 0
L'algorithme
1) Choix d'un vecteur inital X (0) . 2) Itration X (k+1) = X (k) J(X (k) )
1
F (X (k) ) jusqu' convergence.
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)
. . .
(k) (k) (k) f2 (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.
cel-00556967, version 1 - 18 Jan 2011
En calcul numrique, trois normes sont frquemment utilises :

n
1) La norme L1 : || X ||1 =
i=1
| xi | x2 + x2 + ... + x2 n 1 2
2) La norme euclidienne ou L2 : || X ||2 = 3) La norme innie : || X || = max | xi |

i
78
Chapitre
VI :
cel-00556967, version 1 - 18 Jan 2011
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 .
VII.1.2 Les 3 grandes classes d'approximation fonctionnelle

Il existe trois grandes classes de mthodes : l'interpolation On approche la fonction f par une fonction g appartenant une classe de fonctions approximantes (souvent des polynmes) et qui concide avec f en n points discrets.
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.
VII.1.3 Les 3 grandes familles de fonctions approximantes

Les trois grandes familles de fonctions approximantes sont : les polynmes (thorme de Stone-Weierstrass) les fractions rationnelles (approximants de Pad) les fonctions trigonomtriques (srie de Fourrier)
80
Chapitre
VII :
VII.2
INTERPOLATION
VII.2.1 Le thorme de Stone-Weierstrass

Toute fonction numrique continue dnie sur un compact de Rn est limite d'une suite de polynmes qui converge uniformment sur ce compact. Toute fonction continue valeurs complexes, priodique de priode 2 , est limite d'une suite de polynmes trigonomtriques qui converge uniformment sur C .
VII.2.2 Mthode de Lagrange

Considrons une fonction f connue en n + 1 points x0 , x1 , ..., xn (appels points de collocation). On cherche un polynme de degr infrieur ou gal n qui passe par ces n + 1 points.
cel-00556967, version 1 - 18 Jan 2011
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
f (xi ) Li (x) o Li (x) =

j=0,j=i
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.
VII.2.3 Mthode de Neville-Aitken

Le polynme d'interpolation Pn (x) est calcul l'aide d'une formule de rcurrence. Initialisation : Pi,i (x) = f (xi ), pour i = 0 n Itration : Pi,i (x) =
(x xi )Pi+1,j (x) (x xj )Pi,j1 (x) , pour i = 0 n, j > i xj xi
Le polynme d'interpolation est Pn (x) = P0,n (x).
VII.2.4 Mthode de Newton

On introduit les polynmes de Newton Qi (x) dnis par : Qi (x) =
j<i (x
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 ] =
f [x1 , x2 , ..., xk ] f [x0 , x1 , ..., xk1 ] xk x0
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
f [x0 , x1 , ..., xk ]Qk (x)
Cot de l'interpolation : pour n grand n3 oprations.
VII.2.5 Mthode de Hermite

Plutt que de faire concider la fonction f et le polynme Pn aux points xi , on peut chercher faire aussi concider les drives de f et de Pn en ces points, jusqu' un ordre x que l'on notera i aux points xi . Posons N = n + 0 + 1 + ... + n Si f admet des drives d'ordre i aux points xi , il existe un UNIQUE polynme PN tel que :
cel-00556967, version 1 - 18 Jan 2011
Ai = 0, 1, ..., n Al = 0, 1, ..., i
PN (xi ) = f (l) (xi )
(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.
VII.2.6 Interpolation par morceaux - spline cubique

Sur tout intervalle [xi1 , xi ], entre deux points de collocation, on eectue une interpolation LOCALE avec des polynmes de bas degr Pk (x) (degr 1, 2 ou 3). Les polynmes se raccordent aux pointx xi ainsi que leurs drives d'ordre aussi lev que possible.
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 :
= f (xi1 ) et Pi (xi ) = f (xi ) = fi = Pi+1 (xi ) = f (xi ) = Pi+1 (xi ) = f (xi )
Les polynmes Pi (x) ont pour expression :
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 :
Avec : hi = xi xi1 et les i solutions du systme suivant :
hi hi + hi+1 hi+1 fi+1 fi fi fi1 i1 + i + i+1 = 6 3 6 hi+1 hi

o les paramtres 0 = f (x0 ) et n = f (xn ) sont choisis arbitrairement (nuls par exemple).
VII.2.7 Limites de l'interpolation polynmiale

L'interpolation polynmiale pose plusieurs problmes : lorsque le nombre de points de collocation est grand (instabilit de calculs, erreurs d'arrondi et cot de calculs). en pratique, les valeurs discrtes rsultent d'expriences ou de simulations numriques. Ce sont des valeurs approximatives. Il est souvent plus intressant de chercher une bonne approximation plutt qu'une interpolation. Par exemple, un exprimentateur qui relve 100 points quasiment aligns sera plus intress par la droite passant "au mieux" par ces 100 points plutt que par le polynme de degr 99 ralisant l'interpolation exacte.
cel-00556967, version 1 - 18 Jan 2011
VII.3
APPROXIMATION
VII.3.1 Approximation rationnelle - approximants de Pad

On approche la fonction f par une fraction rationnelle : F (x) = Pn (x)/Qm (x) o Pn (x) et Qm (x) sont des polynmes de degr n et m tels que le dveloppement limit au voisinage de de f (x)Qm (x) Pn (x) ait son terme constant ainsi que les termes en (x ), (x )2 , ..., (x )n+m nuls. Le calcul consiste identier 0 ces n + m + 1 termes.
VII.3.2 Approximation polynomiale au sens des moindres carrs

VII.3.2.1 Droite des moindres carrs discrets
On cherche approcher la fonction f , connue uniquement en n valeurs discrtes, par une droite P (x) = a0 + a1 x au sens des moindres carrs. Soient n valeurs y1 , y2 , ..., yn de la fonction f aux n abscisses x1 , x2 , ..., xn . La droite 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 ) =
i=1
[yi (a0 + a1 xi )]2
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
Droite des moindres carrs continus
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
Gnralisation - Polynme des moindres carrs discrets
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
[yi (a0 + a1 xi + ... + am xm )]2 i
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 :
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
(yi a0 a1 xi ... am xm ) i (yi a0 a1 xi ... am xm ) xi i

i=1 n
< Y G, X > = 0 = > = 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
cel-00556967, version 1 - 18 Jan 2011
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
. . . n 2m1 i=1 xi n 2m i=1 xi
n m i=1 xi n m+1 i=1 xi
a m1 am
a0 a1 . . .
. . . n xm1 yi i=1 i n my i=1 xi i
n i=1 yi n i=1 xi yi
Posons Uq =
i=1
xq et Vq = i U1 U2 . . .
n i=1
xq yi . Le systme s'crit alors : i Um Um+1 . . . U2m a0 a1 . . . am V0 V1 . . . Vm
U0 U1 . . .
Um Um+1
VII.3.3 Approximation trigonomtrique au sens des moindres carrs

Mthode analogue au cas polynomial en utilisant des polynmes trigonomtriques de degr m :
m
Pm (x) =
a0 + 2
(ak cos kx + bk sin kx)

k=1
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
VII.3.4 Approximation uniforme - Meilleure approximation

Soit f une fonction dnie sur [a, b]. On souhaiterait identier le choix des points de collocation x0 , x1 , ..., xn pour lequel le polynme d'interpolation de Lagrange Pn (x) ralise la meilleure approximation de f au sens de la norme innie, c'est--dire minimiser l'erreur d'interpolation :
(x0 , x1 , ...xn ) = max | f (x) Pn (x) |

x[a,b]
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
cel-00556967, version 1 - 18 Jan 2011
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 :
Tn (x) = cos (n arccos x)

avec T0 (x) = 1 et T1 (x) = x.
ou par recurrence
Tn+1 (x) + Tn1 (x) = 2xTn (x)
VII.3.5 Approximation polynomiale dans une base de polynmes orthogonaux

On cherche une approximation de la fonction f par un polynme exprime dans une base de polynmes orthogonaux. Il existe de nombreuses bases de polynmes orthoginaux : Legendre, Jacobi, Tchebychev, Laguerre, Hermite...
86
Chapitre
VII :
cel-00556967, version 1 - 18 Jan 2011
87
Chapitre VIII
RECHERCHE DE VALEURS PROPRES

cel-00556967, version 1 - 18 Jan 2011
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
Les lments de la matrice symtrique A(k+1) sont donns par :
cel-00556967, version 1 - 18 Jan 2011
(k+1) aij (k+1) a ip (k+1) a iq (k+1) app (k+1) aqq
= aij
(k) (k) (k) (k)
pour i = p, q et j = p, q pour i = p, q pour i = p, q

(k) (k)
= 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)
2apq o l'angle ] , 0[]0, [ vrie : tan 2 = (k) (k) 4 4 aqq app

Deux mthodes pour le choix des entiers p et q : 1) Les deux entiers peuvent tre choisis de faon cyclique : p = 1, q = 2 puis (p = 1, q = 3), etc.. (k) 2) Les deux entiers peuvent tre choisis tel que l'lment | apq | soit la plus grande valeur hors lments de la diagonale.
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
TRANSFORMATION EN MATRICE DE HESSENBERG
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 =
cel-00556967, version 1 - 18 Jan 2011
. .. . .. .. .
.. .. . .
. . .
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 :
i+1 Uk = A.Uk1 k Uk1 k Uk2

avec :
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 :
Pn () = (an )Pn1 () cn1 bn1 Pn2 ()

Le calcul des racines de Pn () s'opre de la manire suivante : chercher un intervalle o Pn () change de signe et localiser une racine par bissection.
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.
cel-00556967, version 1 - 18 Jan 2011
cel-00556967, version 1 - 18 Jan 2011
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.
cel-00556967, version 1 - 18 Jan 2011

MethodesNumeriques EricGoncalves

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MethodesNumeriques EricGoncalves

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUT POLYTECHNIQUE DE GRENOBLE

METHODES, ANALYSE ET CALCULS

Eric Goncalvs - septembre 2005

cel-00556967, version 1 - 18 Jan 2011

Table des matires

cel-00556967, version 1 - 18 Jan 2011

II DISCRETISATION DES EDP

Table des matires

cel-00556967, version 1 - 18 Jan 2011

II.5 APPLICATION NUMERIQUE . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.6 CONSISTANCE, CONVERGENCE ET STABILITE . . . . . . . . . . . . . . . .

III CLASSIFICATION DES EDP D'ORDRE 2

IV RESOLUTION DES EDO

Table des matires

cel-00556967, version 1 - 18 Jan 2011

V RESOLUTION DES SYSTEMES LINEAIRES

VI RESOLUTION DES SYSTEMES NON LINEAIRES

Table des matires

VII INTERPOLATION ET APPROXIMATION

cel-00556967, version 1 - 18 Jan 2011

VIIIRECHERCHE DE VALEURS PROPRES

MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

I.1 Qu'est-ce qu'un modle ?

I.2 Pourquoi faut-il modliser ?

I.3 Quels sont les dirents modles ?

MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

I.4 De la modlisation la simulation numrique

I.5 Aspect ni des ordinateurs

I.5.1 Reprsentation des entiers

I.5.2 Reprsentation des rels ou nombres ottants

cel-00556967, version 1 - 18 Jan 2011

I.6 Notion de stabilit

I.6.1 Stabilit d'un problme physique : systme chaotique

I.6.2 Stabilit d'un problme mathmatique : sensibilit

MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

I.6.3 Stabilit d'une mthode numrique

I.7 Un peu d'histoire...

I.7.2 Les ordinateurs

MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

cel-00556967, version 1 - 18 Jan 2011

I.7.3 Petite chronologie

cel-00556967, version 1 - 18 Jan 2011

1950 1951 1952 1954 1955

MODELISATION, DISCRETISATION ET SIMULATION NUMERIQUE

1998 2001 2003 2005

cel-00556967, version 1 - 18 Jan 2011

Fig. I.1  Loi de Moore

DISCRETISATION DES EDP

LES TROIS GRANDES FAMILLES DE METHODES

DISCRETISATION DES EDP

LES DIFFERENCES FINIES

II.2.1 Principe - ordre de prcision

u u(x + x, y, z, t) u(x, y, z, t) = lim x x0 x

cel-00556967, version 1 - 18 Jan 2011

u x3 3 u x2 2 u (x, y, z, t) + (x, y, z, t) + .... (x, y, z, t) + x 2 x2 6 x3

En tronquant la srie au premier ordre en x, on obtient :

II.2.2 Notation indicielle - cas 1D

II.2.3 Schma d'ordre suprieur

ui+1 = u(xi + x) = ui + x ui1 = u(xi x) = ui x

cel-00556967, version 1 - 18 Jan 2011

ui+2 + 6ui+1 3ui 2ui1 + O(x3 ) 6x

II.2.4 Drive d'ordre suprieur

ui+2 2ui+1 + ui1 + O(x) x2

ui 2ui1 + ui2 + O(x) x2

I.3 Quels sont les dirents modles ?

I.5 Aspect ni des ordinateurs

I.5.2 Reprsentation des rels ou nombres ottants

Fig. I.1 Loi de Moore

Dirences nies centr, ordre 2

Dirences nies centr, ordre 4

Notons I la matrice identit d'ordre 3 et D la matrice de dimension 3 dnie par :

Par exemple utilisons un schma d'ordre 1 pour valuer le ux de chaleur :