Vous êtes sur la page 1sur 59

Approximations multi echelles

Marie Postel Laboratoire Jacques-Louis Lions Universit e Pierre et Marie Curie Bote courier 187 75252 Paris Cedex 05 http://www.ann.jussieu.fr/postel

Table des mati` eres


1 Introduction 2 Transformation multi echelle 2.1 La Transform ee de Fourier . . . . . . . . 2.2 La transformation multi echelle . . . . . 2.2.1 D ecomposition multi echelle . . . 2.2.2 Algorithmes de transformation . 2.3 Int er et de la repr esentation multi echelle 2.3.1 Analyse . . . . . . . . . . . . . . 2.3.2 Synth` ese . . . . . . . . . . . . . . 2.4 Codage par valeurs ponctuelles . . . . . 3 Multir esolution par valeurs moyennes 3.1 Projection . . . . . . . . . . . . . . . . 3.2 Pr ediction . . . . . . . . . . . . . . . . 3.3 D ecomposition Multi echelle . . . . . . 3.4 Ondelettes . . . . . . . . . . . . . . . . 3.5 Compression . . . . . . . . . . . . . . 3.6 Pr ecision polyn omiale . . . . . . . . . 3.7 Stabilit e multi echelle . . . . . . . . . . 3.8 Compression et arborescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6 7 7 9 10 11 11 12 12 14 15 15 18 19 20 20 21 24 29 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 36 37 39 40 40 41 41 42

4 Sch emas Volumes Finis pour les syst` emes de lois de conservation 5 Le 5.1 5.2 5.3 5.4 5.5 5.6 sch ema de Harten et le sch ema adaptatif Lhypoth` ese dHarten . . . . . . . . . . . . . Le sch ema de multir esolution dHarten . . . . Algorithme compl` etement adaptatif . . . . . . Linitialisation . . . . . . . . . . . . . . . . . Le ranement pr edictif . . . . . . . . . . . . Le calcul pr ecis des ux . . . . . . . . . . . . 5.6.1 Evaluation directe . . . . . . . . . . . 5.7 Analyse de lerreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Applications num eriques 42 6.1 Cas mono-dimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 6.2 Cas bidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7 Prediction operator for a triangular mesh 8 Conclusion 49 56

Table des gures


1 2 3 4 5 6 7 Approximation de f par ses valeurs moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Base orthonormale j,k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Approximations successives Pj et Pj +1 et d etail Qj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Londelette duale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algorithmes multi echelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Codage / d ecodage par valeurs ponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple de stencil de reconstruction sur une maillage non structur e. Les Ui sont les valeurs moyennes 1 sur les gros triangles correspondants j au niveau j 1 et les Vj , j = 0, ..., 3 sont les valeurs moyennes k j 1 sur les quatre subdivisions j . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . k j = 0, ...3 de 0 Ondelettes J,0 pour J variant entre 2 et 10 pour r = 0 (Haar) a ` gauche et r = 2 a ` droite. . . . . . . . Ondelettes J,0 pour J variant entre 2 et 10 pour r = 4 a ` gauche et r = 6 a ` droite. . . . . . . . . . . . Ondelettes primales r = 0, 2, 4 et 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple darbre non graduel et maillage adaptatif correspondant S (). . . . . . . . . . . . . . . . . Arbre graduel minimal (par rapport a ` (54)) contenant . . . . . . . . . . . . . . . . . . . . . . . . . . Analyse de la fonction y = f1 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f1 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite). . . . . . . . . . . . . . . . . Analyse de la fonction y = f2 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f2 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite). . . . . . . . . . . . . . . . . Analyse de la fonction y = f3 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f3 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite). . . . . . . . . . . . . . . . . Analyse de la fonction y = f4 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f4 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite). . . . . . . . . . . . . . . . . Erreur en norme L1 en fonction de (` a gauche) et en fonction du facteur de compression (` a droite). . S election adaptative du stencil If v au voisinage dun choc. . . . . . . . . . . . . . . . . . . . . . . . . . Ranement pr edictif dans le cas mono-dimensionnel dyadique . . . . . . . . . . . . . . . . . . . . . . Reconstruction des valeurs moyennes au niveau n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . = 0.001 Solution de l equation de Burgers a ` t = 0, Flux ENO - valeurs reconstruites . . . . . . . . . = 0.001 Solution de l equation de Burgers a ` t = 0.5, Flux ENO - valeurs hybrides . . . . . . . . . . . Reconstruction locale par valeurs moyennes pour calculer les ux sur une interface au niveau grossier, dans le cas bidimensionnel non structur e. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reconstruction locale par valeurs ponctuelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reconstruction locale par valeurs ponctuelles pour calculer les ux sur une interface au niveau grossier, dans le cas mono-dimensionnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grille adaptative au d ebut de la simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Solution adaptative au d ebut de la simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grille adaptative a ` la n de la simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Solution adaptative a ` la n de la simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . +1 Division of the triangle T0 into T0,j for j = 0, . . . , 3 and neighbors T1 , T2 , T3 used for the reconstruction The two cases for the dierences. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L1 norm of the error, a regular function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L1 norm of the error, a discontinuous function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 9 9 10 11 13

8 9 10 11 12 13

18 24 24 25 26 26

30

14

30

15

30

16

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

31 31 34 40 41 47 47 48 48 49 49 50 50 50 54 54 55 55

Introduction

Ces notes sont inspir ees des travaux en collaboration avec Albert Cohen, Nira Dyn, Sidi Mahmoud Kaber et Sigfried M uller [22], [20]. Elles pr esentent lapplication de la technique dapproximation multi echelles a ` la r esolution par volumes nis dun syst` eme de lois de conservations hyperboliques. Les m ethodes multi echelles sont un outil puissant en analyse pour des applications allant du traitement du signal a ` lanalyse num erique des EDP. Les fondements th eoriques de ces techniques ont concid e avec l emergence de la th eorie des ondelettes, dans les ann ees 80. Le tableau 1 donne une vue synth etique de cet aspect pluridisciplinaire. Un des principaux attraits des discr etisations dans des bases multi echelles est de pouvoir par un simple seuillage des coecients de la fonction discr etis ee dans une telle base, obtenir une discr etisation a ` une echelle plus grossi` ere dans les endroits o` u la fonction est r eguli` ere, tout en gardant les d etails relevant des discr etisations plus nes pr` es des singularit es. Cest le principe utilis e en traitement du signal ou dimage pour faire de la compression de donn ees. Dans le domaine qui nous int eresse, celui de la r esolution num erique des EDP, il sagira dans la mesure o` u la solution est r eguli` ere, exception faite de singularit es localis ees, dutiliser une technique multi echelle pour approcher cette solution en utilisant moins de m emoire et moins de temps CPU. On peut remarquer que les premi` eres applications de techniques multi echelles en simulation num erique avaient un objectif l eg` erement di erent : dans le contexte des equations elliptiques, les techniques multigrilles furent d evelopp ees a ` partir des ann ees 70 plut ot pour pr e-conditionner les syst` emes lin eaires que pour compresser les solutions. Plus r ecemment le d eveloppement des m ethodes AMR (Adaptive Mesh Renement / ranement adaptatif de maillages) a aussi des objectifs tr` es proches du n otre [12, 8]. Nous nous int eressons ici aux syst` emes de lois de conservations hyperboliques, probl` eme dans lequel lintroduction des techniques multi echelles est due a ` Ami Harten vers la n des ann ees 80. Les solutions de ces equations pr esentent en g en eral des discontinuit es - ou chocs - qui se propagent a ` vitesse nie. En exploitant leur d ecomposition multi echelle on va concentrer la repr esentation sur une grille tr` es ne au voisinage de ces discontinuit es et economiser ainsi des ressources de calcul tout en conservant la pr ecision du sch ema initial - ou tout au moins le m eme ordre derreur. R esumons le principe dans ses grandes lignes : on part dun sch ema num erique pour r esoudre un syst` eme d equations t u + div(f (u)) = 0. (1) A priori on peut choisir un sch ema aux di erences nies, volumes nis, etc... La solution a ` un temps t n est L , sur une grille . Cette grille a une taille de maille dordre 2L , repr esent ee par des valeurs discr etis ee un i n L o` u on a choisi L susamment grand pour que ui avec i repr esente une bonne approximation de la +1 solution exacte u(tn , xi ). On fait evoluer les valeurs discr` etes ( un ) ee dun pas kL de la solution approch k de temps a ` lautre en evaluant les ux a ` travers les interfaces entre les mailles. Lid ee de base est de faire une d ecomposition multi echelle de la solution, du type transform ee en ondelettes, et dutiliser les coecients de la transform ee comme des indicateurs de r egularit e. Ces indicateurs permettent dadapter le maillage en fonction de la r egularit e locale de la solution - cest ce que nous appelons la multir esolution adaptative. La solution est discr etis ee sur un maillage compos e de cellules appartenant a ` des niveaux de ranement plus ou moins ns suivant la r egularit e locale. Ce maillage, ou plut ot le niveau utilis e dans la hi erarchie de grilles, evolue en temps, puisquil d epend de la solution. Un int er et par rapport aux m ethodes AMR qui utilisent aussi des indicateurs de r egularit es, est la transformation multi echelle peut etre invers ee a ` tout moment et que la solution est en fait connue potentiellement sur la grille la plus ne, m eme si elle est calcul ee sur une grille beaucoup plus grossi` ere. Cet avantage est tr` es int eressant du point de vue de lanalyse de la m ethode, qui peut ainsi etre compar ee du point de vue pr ecision au sch ema de r ef erence sur la grille la plus ne. Cette m ethode de multir esolution adaptative est un d eveloppement assez r ecent ([22]). A lorigine les travaux dHarten ont plut ot port e sur lutilisation des coecients dondelettes comme indicateurs derreur dans le contexte dun sch ema d evolution sur la grille uniforme la plus ne. Ils indiquent en eet les zones o` u il est possible d economiser sur le calcul des ux, qui est dautant plus co uteux que la solution est singuli` ere : dans les r egions o` u les d etails au del` a dun niveau d echelle j < J sont petits (cest-` a-dire au dessous dun seuil ) on est dans une zone o` u la solution est r eguli` ere et on peut remplacer l evaluation des ux par leur

Analyse harmonique th eorie de lapproximation S eries de Fourier Transform ee de Fourier (XIX si` ecle) Base de Haar ( 1910) Base de Schauder ( 1920) Th eorie de Littlewood-Palay ( 1930) Fonctions Splines ( 1940 50) D ecompositions Atomiques ( 1960)

Traitement du signal et de limage Transform ee de Fourier rapide (FFT) ( 1950) ltrage sous-bande ( 1960 70) Bancs de ltres a ` reconstruction parfaite ( 1980)

Analyse num erique et simulations Di erences nies ( 1950 60) Elements nis ( 1960 70) M ethodes Multigrille ( 1970 80) Ranements de maillage et adaptivit e ( 1970 80) M ethodes spectrales et dordre elev e ( 1970 80 M ethodes Multir esolution (Harten, 90)

Transform ees Pyramidales et multi echelles ( 1980)

M ethodes ondelettes 1980 90 Tab. 1 Un peu dHistoire

interpolation a ` partir des valeurs sur un niveau de grille plus grossier. A lheure actuelle, plusieurs equipes travaillent dans ces deux directions avec toujours le point commun dacc el erer le calcul global tout en gardant la m eme pr ecision que le sch ema de r ef erence sur une grille uniforme. Sans tenter de passer toutes ces m ethodes en revue, nous d evelopperons plus en d etail les particularit es de lalgorithme adaptatif, en pr ecisant ses bases th eoriques dans le contexte de lanalyse multi echelle. Ce cours comprend, outre lintroduction, sept chapitres. Le chapitre 2 , introduit les notations et pr esente la m ethode multi echelles (MR) , du point de vue transform ee en ondelettes, avec les exemples de la base de Haar et de la base de Schauder. La pr esentation de lanalyse multir esolution dune fonction d enie par ses valeurs moyennes sur une grille uniforme, fait lobjet du chapitre 3, avec lintroduction des notions de compression, de pr ecision, de stabilit e et darborescence. Dans le chapitre 4, on pr esente les equations quon cherche a ` r esoudre et le sch ema volume nis (VF) de r ef erence, sans entrer dans les d etails de ce dernier. En particulier, on laissera le calcul du ux num erique sous forme g en erique sans particulariser a ` un syst` eme d equations. Dans le chapitre 5, on applique la m ethode multi echelle a ` un sch ema Volumes Finis tout dabord ` a la mani` ere d Harten. La m ethode multi echelle adaptative o` u la solution est calcul ee sur une grille de r esolution variable suivant sa r egularit e locale et adaptative en temps est ensuite d ecrite.

Le chapitre 6 regroupe les di erents algorithmes dans le cas mono-dimensionnel dyadique. Les probl` emes sp eciquement multidimensionnels, pos es par lanalyse multi echelle sur un maillage triangulaire sont trait es dans le chapitre 7, extrait de [20]. Enn, en guise de conclusion, on pr esente dans la partie 8 quelques articles sur le sujet, ainsi quune bibliographie sur les di erents th` emes abord es.

Transformation multi echelle

Dans ce chapitre on introduit la d ecomposition multi echelle dans le contexte de lanalyse du contenu fr equentiel dune fonction, et plus particuli` erement du point de vue de la th eorie des ondelettes. On introduit tout dabord quelques notations : La fonction caract eristique dune partie de Rd est not ee (x) (x) = 1 si x Rd , 0 sinon.

Si f est une fonction, la notation g = f (a +b) signie que g (x) = f (ax + b). On rappelle la d enition de quelques espaces fonctionnels utilis es dans ces notes. Pour une description d etaill ee, on renvoie a ` la section 25 du chapitre 3 du livre de Cohen [18]. On introduit les espaces de Banach Lp , pour p 1 Lp () := {f dans lesquels la norme est d enie par ||f ||Lp :=
1/p

t. q. ||f ||Lp < }

|f |p

si p <

sup esst |f (t)| si p =

Pour p = 2 on a lespace de Hilbert L2 avec la norme ||f ||L2 = [< f, f >] Les espaces C m () pour m N C m () = f C 0 () t.q. f = || f (x1 )1 ...(x
d) d 1/2

avec < f, g >=

f (x)g ( x)dx

C (), || = 1 + ... + d m

Les espaces de H older, C s () pour 0 < s < 1 C s () = pour m < s < m + 1 C s () = f C m () t.q.
s sup |n h f (x)| |h|

f C 0 () t.q.

sup |f (x) f (x + h)| |h|s

erateur di erence nies dordre n d eni de mani` ere r ecursive par o` u n h f est lop 1 h f (x) = f (x + h) f (x)
n1 1 )f (x) n h f (x) = h (h

On utilisera aussi les normes lp dans les espaces Rn :


n 1/p

||x||p =
s n

xp i
i=1

Enn on notera (R ) lespace des polyn omes de degr es s sur Rn .

2.1

La Transform ee de Fourier

Un outil sans doute bien connu, quon pourra mettre en parall` ele avec la notion de transform ee en ondelette qui sera introduite juste apr` es, est la Transform ee de Fourier ( ) := f
R

f (t)eit dt

f (t) :=

1 2

( )eit d f
R

g Rappelons que cette transformation d enit une isom etrie surjective de L2 (R) dans L2 (R) avec < f, >= 2 < f, g > La Transform ee de Fourier est loutil de base pour lanalyse harmonique. Elle sutilise dans les deux sens : soit f (t) une fonction de t R, lanalyse fr equentielle de f consiste a ` calculer : ( ) := f
R

f (t)eit dt.

(2)

, la synth` Si la fonction est connue sous la forme de sa transform ee, f ese consiste a ` calculer f par : f (t) := 1 2 ( )eit d. f
R

(3)

Sous certaines conditions, cette transformation revient a ` repr esenter f comme une combinaison lin eaire ( ) :=< f, e >. Si la fonction f est p dondes planes e (t) = eit de coecients f eriodique, elle va sexprimer comme une s erie de Fourier, cest a ` dire que lint egrale pr ec edente devient une somme discr` ete :
+

f (t) =
n=

2inf0 t f , ne

(4)

o` u f0 est la fr equence fondamentale, reli ee a ` la p eriode T0 par la relation f0 = 1/T0 . Les coecients f n sont 2inf0 t 2 les composantes de f dans la base {e }nZ de L ([T0 /2, T0/2]) 1 f n = T0
T0 /2 T0 /2

f (t)einf0 t dt.

(5)

La Transform ee de Fourier est donc loutil appropri e pour lanalyse et la synth` ese de fonctions uniform ement r eguli` eres sur un support compact, ou encore de combinaisons de fr equences pures, mais elle est inappropri ee pour etudier des fonctions r eguli` eres avec des singularit es isol ees, ou des fonctions avec un contenu fr equentiel variable et impr evisible en temps. On va introduire dans le paragraphe suivant la transformation multi echelle, mieux adapt ee a ` ce genre de situation.

2.2

La transformation multi echelle

On commence par un exemple tr` es simple doutil ondelette/multi echelle : soit f L1 [0, 1], on d enit une s erie dapproximations de f par des fonctions constantes par morceaux (voir gure (1)). Pour j 0 x e, on d enit Pj f comme lapproximation de f par ses valeurs moyennes sur les intervalles Ij,k := [2j k, 2j (k + 1)[ pour k = 0, ...2j 1 7

Pf j

2j 0 j 2 k

f 1

Fig. 1 Approximation de f par ses valeurs moyennes qui forment une partition de lintervalle [0, 1]. On d enit Pj f par morceau Pj f|Ij,k := 2j f (t)dt = aIj,k (f )
Ij,k

(6)

et en utilisant les fonctions caract eristiques de chaque intervalle


2j 1

Pj f =
k=0

aIj,k (f )Ij,k (f)

La fonction caract eristique Ij,k (t) joue ici le r ole de la fonction e2if0 t dans (4) mais on voit quon a rajout e a ` cette fonction de base, en plus de la d ependance spectrale f0 , une d ependance dans lespace temporel de d epart, par linterm ediaire du facteur de translation k . Lapplication qui a ` f L 2 associe Pj f est la 2 projection L -orthogonale de f sur lespace Vj := f L2 , f|Ij,k = constante, k = 0, ....2j 1 . k = 0, 1, ...2j 1

Notons := [0,1] , on v erie sans dicult e quune base orthonormale de Vj est j,k = 2j/2 Ij,k = 2j/2 (2j k), avec dim Vj = 2j (voir gure (2)). Avec ces notations, on a
2j 1

Pj f =
k=0

< f, j,k > j,k ,

o` u cj,k =< f, j,k >= 2j/2 aIj,k (f ). On dira que cj,k est le coecient dapproximation de f a ` l echelle 2j et a ` la position 2j k . Quelques Remarques : es : Vj Vj +1 Vj +2 . Si j0 < j les fonctions de base sur Vj0 et Vj sont les Les espaces Vj sont embot fonctions constantes sur des intervalles de tailles respectives 2j0 > 2j , les intervalles de taille 2j etant inclus dans ceux de taille 2j0 . Lapproximation Pj f converge dans Lp pour 1 p < et dans C 0 pour la norme uniforme : si f Lp , si f C 0 , alors alors
j +

lim ||f Pj f ||Lp = 0. lim ||f Pj f || = 0.

j +

=f[0,1]

2j/2

j,k

Ij,k

Fig. 2 Base orthonormale j,k

P f j+1 Pf j Qf j

Fig. 3 Approximations successives Pj et Pj +1 et d etail Qj Si lintervalle [0, 1] est remplac e par R, on a une construction identique avec : Vj = {f L2 (R); f|Ij,k = const., k Z Z } (j peut alors etre n egatif). 2.2.1 D ecomposition multi echelle

Si j0 < J , lespace VJ contient lespace Vj0 . Il est donc naturel de d ecomposer la projection de f sur lespace VJ comme la somme de la projection de f sur Vj0 , plus un d etail. En it erant ce proc ed e on obtient la d ecomposition suivante :
J 1

PJ f = PJ 1 f + [PJ f PJ 1 f ] = . . . = Pj0 f +

Qj f.
j =j0

o` u les termes Qj f = (Pj +1 Pj )f sont les d etails a ` l echelle 2j . Lop erateur Qj est en fait la projection (voir gure (3)) sur le compl ementaire orthogonal de Vj et Vj +1 , not e Wj , Wj Vj = Vj +1 .) Remarque : aIj,k (f ) = aIj+1,2k (f ) + aIj+1,2k+1 (f ) /2
1 f 1 signie que Qj f oscille sur chaque Ij,k . Plus pr ecis ement, notons := f[0, 2 ] [ 2 ,1] (voir gure 4), on a ainsi,

2j 1

Qj f =
k=0

dj,k j,k ,

o` u

j,k := 2j/2 (2j . k ) et dj,k :=< f, j,k > .

On dira que le coecient dj,k est la uctuation de f a ` l echelle 2j et a ` la position 2j k . On v erie facilement que (j,k )k=0,...,2j 1 est une base orthonormale de Wj , et donc que j,k , k = 0, ..., 2j 1 j,k , k = 0, ..., 2j 1 est une base orthonormale de Vj +1 . On peut it erer le proc ed e, ecrire Vj sous la forme Vj = Wj 1 Vj 1 = Wj 1 Wj 2 Vj 2 = .... 9 (7)

=f[0,1 f _ 2 [ [1 2,1[

j,k 0 Ij,k

1/2

Fig. 4 Londelette duale On a donc une s erie de bases orthonormales pour VJ : on peut ecrire une fonction fJ de VJ sous la forme canonique
2J 1

fJ =
k=0

cJ,k J,k ,

(8)

dans la base standard, ou bien dans la base dondelettes ou base multi echelle
2j0 1 J 1 2j 1

fJ =
k=0

cj0 ,k j0 ,k +
j =j0 k=0

dj,k j,k .

(9)

Puisque fJ = PJ f tend vers f dans L2 quand J +, on a aussi que {} {j,k }j 0,k=0,...2j 1 {(. k )}kZ Z {j,k }j 0,kZ Z est une base orthonormale de L2 (R). 2.2.2 Algorithmes de transformation (10) est une base orthonormale de L2 [0, 1] (Syst` eme de Haar). Par extension on obtient de mani` ere similaire que (11)

Regardons maintenant les op erations n ecessaires pour passer de la repr esentation dune fonction dans la base standard J,k de VJ a ` sa repr esentation dans la base multi echelle. Algorithme 1 D ecomposition Pour j = J j0 cj,k dj,k = = cj +1,2k + cj +1,2k+1 , 2 cj +1,2k cj +1,2k+1 2

echelle la plus grossi` ere j 0 , ainsi que les d etails, Dans lautre sens, si on connat les valeurs moyennes sur l on peut obtenir les valeurs moyennes sur l echelle la plus ne J Algorithme 2 Reconstruction Pour j = j0 J cj +1,2k cj +1,2k+1 = = cj,k + dj,k , 2 cj,k dj,k 2

10

CJ,k

dJ1,k CJ1,k

dJ2,k C J2,k C j0+1,k

d ,k j0 Cj ,k 0

a D a+b 2

b R ab 2

a+b 2

ab 2

CJ1,k CJ2,k C d dJ2,k

d J1,k dJ1,k

Fig. 5 Algorithmes multi echelles La complexit e de ces algorithmes multi echelles (illustr es par la gure (5)) d epend de l echelle la plus ne de la mani` ere suivante : si N = 2J = dimVJ est le nombre de coecients de la fonction sur l echelle la plus ne, le nombre dop erations dun des algorithmes pr ec edents est Noper 2J + 2J 1 + 2J 2 + . . . + 2j0 O(N ) (12)

Remarque : de tels algorithmes sappliquent dans de nombreux contextes Donn ees sous forme discr` ete (sk )k=... (e.g. traitement de signaux digitaux s(k t) identication de fJ = k sk J,k pour un J donn e et application de la transformation multi echelle a ` fJ Donn ee sous la forme dune fonction explicite f (e.g. f (x) = | cos(x)|) Calcul initial de PJ f pour un J donn e, par exemple evaluation des termes CJ,k =< f, J,K > par une formule de quadrature. On recherche une inconnue u dans VJ (e.g. discr etisation dune EDP, m ethode de Galerkin ...) La transformation multi echelle r esum ee par les deux algorithmes 1 et 2 est utilis ee pour passer de la repr esentation dans la base nodale a ` la repr esentation multi echelle et inversement.

2.3

Int er et de la repr esentation multi echelle

les int er ets de la repr esentation multi echelles sont multiples et seront dailleurs exploit es pleinement dans lalgorithme de multir esolution adaptative pr esent e au chapitre 5. 2.3.1 Analyse

Les coecients dune fonction dans sa repr esentation multi echelle permettent de mesurer sa r egularit e. Regardons le cas particulier du syst` eme de Haar : dj,k =< f, j,k j+1 >= 2 2 aIj+1,2k (f ) aIj+1,2k+1 (f ) (13)

si f est C 1 sur Ij,k , pour tout t Ij +1,2k il existe zt Ij +1,2k tel que
+1 f (t) = (t xj 2k )f (zt ) j o` u on note xj es la d enition (6) k = 2 k . Or dapr`

(14)

aIj+1,2k (f ) = 2j +1
Ij +1,2k

f (t)dt
+1 (t xj 2k )f (zt )dt

= 2j +1
Ij +1,2k

11

|aIj+1,2k (f )| 2j +1

Ij +1,2k

+1 (t xj 2k )dt

sup
tIj +1,2k

|f (t)| |f (t)|

+1 2 2j +1 21 (t xj 2k )

+1 xj 2k+1

+1 xj tIj +1,2k 2k

sup

do` u |dj,k | 2

1 2j +2
j +1 2

sup
tIj +1,2k

|f (t)| (15)

2j 1 sup |f (t)| C 23j/2 .


tIj,k

On admettra ici que si f C (sur Ij,k ) avec ]0, 1[ alors |dj,k | C 2(+1/2)j . On verra plus loin une g en eralisation de ce r esultat a ` des syst` emes autres que celui de Haar. On peut d ej` a admettre quil est possible de mesurer la r egularit e (locale) de f par la d ecroissance de d j,k en fonction de j +.

2.3.2

Synth` ese

Une autre utilisation de la d ecomposition multi echelle dune fonction est la compression. On peut d enir une approximation adaptative de f en seuillant ses coecients : on ne garde dans lexpression (9) que les coecients sup erieurs en valeur absolue a ` une certaine tol erance, qui peut d ependre du niveau d echelle f=
j,k

dj,k j,k

f :=
j,k

j,k j,k avec d j,k = d

dj,k si |dj,k | > j , 0 sinon.

(16)

On verra plus loin que cette compression assure une certaine pr ecision, d ependant de la tol erance. Une variante consiste a ` plut ot imposer une performance de compression donn ee : f fN := dj,k j,k .
N

(17)

plus grands

|dj,k j,k |

Dans les deux cas f fN ou f f sont des approximations non-lin eaires de f .

2.4

Codage par valeurs ponctuelles

Dans lexemple du syst` eme de Haar d evelopp e plus haut, on cherche une approximation de la fonction a ` analyser par une fonction constante par morceaux. Cette repr esentation est bien adapt ee a ` un sch ema volumes nis dans lequel, justement, les inconnues sont des approximations des valeurs moyennes de la solution sur les mailles. Elle nest cependant pas obligatoire et on peut choisir danalyser la fonction discr etis ee par ses valeurs ponctuelles. Lexemple introductif dans ce cas est celui de la base de Schauder, quon r esume bri` evement ici (voir [18] pour une etude d etaill ee). On cherche maintenant a ` approcher une fonction f par une fonction fj , continue et ane par morceaux sur les intervalles Ij,k , k Z. Une telle approximation est d enie de mani` ere unique par les valeurs de la fonction aux points 2j k . Dans le cas o` u f est continue on pose fj (2j k ) = f (2j k ), kZ

cest a ` dire quon d enit fj comme linterpol ee lin eaire de f a ` l echelle 2j . Notons Pj lop erateur dinterpolation qui envoie f sur fj . Pj est une projection sur lespace Vj = {f C (R); f|Ij,k P1 (Ij,k ), k Z} 12

N values

N/2 values N/2 details

N/4 values N/4 details N/2 details

N/8 values N/8 details N/4 details N/2 details

Fig. 6 Codage / d ecodage par valeurs ponctuelles Une base naturelle de Vj est form ee les fonctions chapeaux, en reprenant la terminologie el ements nis {j,k }, k Z, j,k (x) = 2j/2 (2j . k ), (x) = max{0, 1 |x|}

Les composantes de Pj f dans cette base nodale sont les valeurs nodales de f Pj f =
kZ

cj,k (f )j,k ,

cj,k (f ) = 2j/2 f (2j k )

(18)

La base nodale nest pas une base orthonormale, en revanche cest une base de Riesz, ce qui signie que
1/2

||fj ||

et
k

|cj,k (j )|

sont des normes equivalentes sur Vj L2 et la s erie (18) converge dans L2 . Lapproximation Pj f se d eduit de Pj +1 f par interpolation 2j/2 cj,k (f ) = f (2j k ) = 2(j +1)/2 cj +1,2k (f ) soit encore, Pj Pj +1 = Pj . On d enit maintenant les d etails Qj = Pj +1 Pj , permettant de passer dun niveau au suivant Qj f (2j (k + 1/2)) = f (2j (k + 1/2)) f (2j k ) f (2j (k + 1) 2

13

Qj f mesure l ecart entre les valeurs de la fonction sur les points de la grille ne j +1 = {2(j +1) k, k Z} et les interpolations lin eaires aux m emes points calcul ees avec les valeurs sur la grille grossi` ere j Qj f =
kZ

dj,k j,k ,

avec = (2x 1)

Tout comme dans lexemple du syst` eme de Haar (9), on peut ecrire f dans la base multi echelle f=
k

cj0 ,k j0 ,k +
j j0 k

dj,k j,k

(19)

et on a les algorithmes de codage similaires aux algorithmes (1,2), illustr es par la gure 6. Algorithme 3 D ecomposition Pour j = J j0 cj,k dj,k Algorithme 4 Reconstruction Pour j = j0 J cj +1,2k cj +1,2k+1 = = cj,k , 2 (cj,k + cj,k+1 )/2 + dj,k 2 = = 2cj +1,2k , 2 {cj +1,2k+1 (cj +1,2k + cj +1,2k+2 )/2}

Dans la suite, on se concentrera sur la multir esolution pour des fonctions discr etis ees par leur valeurs moyennes sur les mailles. Cest en eet ce qui semble le plus naturel pour analyser une solution dun sch ema volumes nis. La conservativit e de la solution compress ee est assur ee de mani` ere naturelle, ce qui est important dans notre cas, o` u on cherche a ` r esoudre un syst` eme de lois de conservation. Cependant lexemple ci-dessus montre quon peut faire de la multir esolution sur des fonctions discr etis ees par leurs valeurs ponctuelles. Les algorithmes de codage sont dans les articles dHarten [33] pour le cas mono-dimensionnel et [10] pour le cas bidimensionnel cart esien . Chiavassa et Donat ont appliqu e cette id ee a ` un sch ema di erences nies pour r esoudre un syst` eme de lois de conservation dans [15].

Multir esolution par valeurs moyennes

Dans loptique de notre application a ` des sch emas volumes nis, nous pr esentons maintenant la multir esolution ou encore lapproximation multi echelle dune fonction discr etis ee par ses valeurs moyennes. On d enit une hi erarchie de discr etisations sur des grilles imbriqu ees. Pour j = 0, 1, , J , on se donne des er e ) telles que chaque , Sj est lunion ees ( ) Sj de Rd (ou du domaine consid partitions embot dun nombre ni de cellules , Sj +1 . Lindex j fait r ef erence a ` l echelle du niveau au sens o` u il existe des constantes c, C telles que c2j diam(c ) diam(C ) C 2j , Sj . o` u c (resp. C ) sont des boules contenues (resp. contenant) . On utilisera la notation | | := j si Sj . pour d esigner lindice de l echelle du niveau auquel appartient Lexemple de base sera la d ecomposition en intervalles dyadiques en dimension 1
j j = j k := [2 k, 2 (k + 1)], Sj := {(j, k ) ; k Z},

(20)

(21)

(22)

14

On consid` ere un vecteur Uj := (u ) Sj de donn ees discr` etes sur une grille Sj , repr esentant les valeurs moyennes dune fonction u L1 (Rd ), i.e. u := | |1 u(x)dx,

(23)

On notera aussi uj echelle en haut, de mani` ere a ` pouvoir etendre facilement k = u , avec lindice du niveau d cette notation au cas cart esien bidimensionnel
j j j j j = j k,l := [2 k, 2 (k + 1)] [2 l, 2 (l + 1)], Sj := {(j, k, l ) ; k Z, l Z}, u = uk,l

(24)

On va maintenant d enir deux op erateurs permettant de passer de la repr esentation dune fonction au niveau ja ` sa repr esentation au niveau j 1 imm ediatement plus grossier (op erateur de projection) et inversement de pr edire la repr esentation dune fonction au niveau j a ` partir de sa repr esentation au niveau j 1 (op erateur de pr ediction).

3.1

Projection

On introduit un op erateur de projection Pjj1 , qui relie Uj a ` Uj 1 . Comme les partitions Sj sont imbriqu ees, on obtient naturellement les valeurs moyennes a ` un niveau en fonction des valeurs moyennes au niveau imm ediatement plus n par | |u . (25) u = | |1
||=| |+1,

Dans le cas mono-dimensionnel dyadique cela revient a ` prendre la demi somme des moyennes au niveau n, i.e. uj 1,k = (uj,2k + uj,2k+1 )/2. Il est clair quon peut d eduire toutes les valeurs moyennes UJ 1 , UJ 2 , , U0 jusquau niveau le plus grossier, a ` partir des valeurs moyennes au niveau le plus n en appliquant successivement les op erateurs Pjj1 .

3.2

Pr ediction

j de Uj . ` Uj 1 une approximation U On introduit maintenant lop erateur de pr ediction. Pjj 1 , qui associe a j 1 Contrairement a ` lop erateur de projection il y a une innit e de choix possibles pour d enir P j . Nous allons restreindre ces choix en imposant quelques contraintes de base. La pr ediction est locale, i.e. u d epend des valeurs u sur un stencil de cardinal ni R - une collection de cellules entourant , i.e. telles que R { ; | | = || 1 et dist( , ) M 2|| }, pour un M donn e. La pr ediction est consistante avec la projection au sens que | |u = | |u , (27) (26)

||=| |+1,

i.e. u doit etre conservative par rapport aux valeurs moyennes sur la grille grossi` ere, cest a ` dire que Pjj1 Pjj 1 = Id. En particulier cette propri et e implique que le stencil R doit contenir lindice tel que || = | | + 1 et . Le stencil de pr ediction dune cellule doit obligatoirement contenir son parent au niveau plus grossier. Un exemple trivial dun tel op erateur de pr ediction consiste a ` prendre tout simplement u = u , if . (28)

15

Remarquons qua priori nous nimposons pas la lin earit e de lop erateur de pr ediction bien que nous verrons par la suite que cest une hypoth` ese importante dans lanalyse num erique du sch ema. (voir [4] pour des exemples dop erateurs non lin eaires ). Dans le cas mono-dimensionnel dyadique on peut construire toute une classe dop erateurs de pr ediction lin eaires et de pr ecision arbitraire. On reprend les notations du paragraphe 2.2. On va chercher le polyn ome p de degr e r qui v erie aI||1,k p = aI||1,k u pour (|| 1, k ) R (29) et on posera u := aI p (30) Comme lintervalle parent de est forc ement dans R , pour avoir des op erateurs centr es et lin eaires on va sint eresser uniquement aux polyn omes de degr e r = 2s pairs. Le cas (28) correspond a ` r = 0. Pour r 0 on peut ecrire (30) sous la forme g en erique
s j 1 u j + 2k = uk l=1 1 j 1 j 1 l uj + Qs (k ; uj 1 ) k+l ukl = uk

(31)

o` u les coecients l , solutions du syst` eme lin eaire (29) sont donn es dans la table ci-dessous pour s 3. r s 1 2 0 3 0

0 0 0 1 8 22 128 201 1024

2 1

0 (32)

4 2

3 128 11 256

6 3

5 1024

Pour pr eciser les notations, le stencil de pr ediction Rj,k dans ce cas est de cardinal r + 1 : Rj,k = {(j 1, k/2 + l), |l| s} En dimension deux, il faut distinguer entre le cas des grilles cart esiennes, o` u on peut etendre les notions mono-dimensionnelles par tensorisation et le cas grilles triangulaires, plus complexe. Lexemple le plus simple est celui propos e par Harten [10] dans le cas dun maillage cart esien. Cest la version produit tensoriel de lop erateur de reconstruction polynomial d eni plus haut dans le cas mono-dimensionnel. Avec les conventions dindice (24) on a sur les quatre mailles au niveau j + 1, subdivisions de la maille k,l au niveau j uj 2k+1,2l+1 uj 2k,2l+1 uj 2k+1,2l uj 2k,2l
1 j 1 j 1 s s s j 1 = uj ) k,l + Q (k ; u.,l ) + Q (l ; uk,. ) + Q2 (k, l ; u 1 j 1 j 1 s s s j 1 = uj ) k,l Q (k ; u.,l ) + Q (l ; uk,. ) Q2 (k, l ; u

1 j 1 j 1 s s s j 1 = uj ) k,l + Q (k ; u.,l ) Q (l ; uk,. ) Q2 (k, l ; u

1 j 1 j 1 s s s j 1 = uj ) k,l Q (k ; u.,l ) Q (l ; uk,. ) + Q2 (k, l ; u

16

o` u lop erateur Qs d eni dans (31) est utilis e dans les deux directions et lop erateur Qs 2 est un produit tensoriel
s1 j 1 Qs )= 2 (k, l ; u a=1 s1

a
b=1

1 j 1 j 1 j 1 b uj k+a,l+b uk+a,lb uka,l+b + uka,lb

Dans ce cas, comme dans le cas mono-dimensionnel, le stencil de pr ediction est le m eme pour toutes les subdivisions dune m eme cellule : Rj,(k,l) = {j 1, (k/2 + m, l/2 + n), s m, n s} Dans le cas de maillages triangulaires le choix de lop erateur de reconstruction est vaste. La premi` ere id ee est de faire comme dans le cas mono-dimensionnel : on d etermine un polyn ome de reconstruction p de degr e s, en imposant la condition de conservation sur d triangles, (avec d la dimension de s (R2 ). p (x, y )dx dy = u

pour

(33)

j = P j Uj 1 localement sur les mailles de niveau j = || + 1 incluses dans par et on d enit lop erateur U j 1 u j =

p (x, y )dx dy,

, | | = || + 1,

Mais la s election des d 1 triangles voisins de qui vont servir a ` d eterminer le polyn ome p par (33) nest pas un probl` eme trivial. Par exemple, dans le cas repr esent e sur la gure 7, pour d eterminer un polyn ome ane, comment choisir les les deux triangles en plus de 0 qui feront partie du stencil de reconstruction pour lune des 4 subdivisions ? Une id ee simple serait de choisir pour chaque subdivision, les deux gros triangles ayant une ar ete commune avec elle, cest a ` dire R j
1

1 j 1 j 1 = {j O , 2 , 3 }

R j

j 1 1 j 1 = {j O , 1 , 3 }

R j

1 j 1 j 1 = {j O , 1 , 2 }

de calculer un polyn ome ane di erent pour chacune de ces subdivisions a ` laide de (33) , et de d enir la reconstruction sur la subdivision centrale en imposant la relation de conservativit e:
3 j 1 j 1 |j j 0 0 |u 0 = |0 |u k=1

|j j k |u k

(34)

L etude d etaill ee de ce sch ema est donn ee en annexe 2. (extraite de [20]). 17

Malheureusement ce proc ed e est instable, au moins dans le cas de maillages r eguliers, cest a ` dire que si on it` ere cet op erateur ind eniment en partant dune solution compos ee dune seule valeur non nulle sur la grille grossi` ere, on converge vers une solution qui nest pas dans L () (voir [20]). On a donc d evelopp e un 1 j 1 j 1 j 1 op erateur lin eaire bas e sur le m eme stencil pour les quatre subdivisions (soit R j = {j , , , 0 1 2 3 } k sur la gure 7). j 1 0,0 = u i u 0 j 1 1 1 i1 2 ui +u i + ( ui u 0,1 = u 0 1 )/6 3 2 (35) j 1 1 1 1 i + ( ui +u i 2 ui u 0,2 = u 0 1 3 2 )/6 u 1 1 1 1 i + ( ui +u i 2 ui j 0,3 = u 0 1 2 3 )/6

U6 V3 U2 V 1 V0

U5 U1 U0 V2 U4 U3 U7

U8 U9

U 10

Fig. 7 Exemple de stencil de reconstruction sur une maillage non structur e. Les Ui sont les valeurs moyennes 1 sur les gros triangles correspondants j au niveau j 1 et les V , j = 0, ..., 3 sont les valeurs moyennes j k j 1 sur les quatre subdivisions j j = 0 , ... 3 de 0 k Une approche plus globale mais non lin eaire consiste a ` prendre un stencil assez gros, mais sans s election co uteuse, par exemple tous les triangles ayant un sommet en commun avec le triangle dont on veut reconstruire les quatre subdivisions, et on d etermine un polyn ome de reconstruction de degr e donn e p s (R2 ) qui sera valable pour les quatre subdivisions de - qui ont donc toutes les quatre le m eme stencil R. Dans la cas de la gure 7 R = {i , i = 0, ..., 10} . Pour d eterminer p , on impose la conservation des valeurs moyennes de mani` ere exacte sur le triangle en question et au sens des moindres carr es sur les autres triangles de R. Les valeurs reconstruites au niveau n sont les int egrales de p sur chacune des quatre subdivisions. p(x, y )dx dy

= u =
q s (R2 )

E (p) o` u

min

E (q )

E (q ) =
R

p(x, y )dx dy

Cette id ee est due a ` Abgrall et Harten qui lont mise en oeuvre dans [3, 2]. Elle a et e reprise plus r ecemment par Sonar et al [47] dans le contexte de sch emas volumes nis vertex centered pour des maillages non structur es. Les cellules au niveau le plus ns sont les volumes de controles (le maillage dual du maillage triangulaire) et la hi erarchie de grilles est construite en agglom erant ces volumes. Lapplication de cette id ee a ` une hi erarchie de maillages triangulaires comme d ecrite ci-dessus est dans [37].

3.3

D ecomposition Multi echelle

On peut d enir lerreur de pr ediction au niveau j comme les di erences entre les valeurs exactes et les valeurs pr edites i.e. d := u u . (36) Dapr` es lhypoth` ese de consistance, on voit que cette erreur doit v erier des relations | |d = 0. (37)

||=| |+1,

18

Grace a ` cette relation, pour chaque cellule au niveau grossier on peut eliminer une des relations de pr ediction de la valeur moyenne sur ses descendants. On va d enir un ensemble j Sj en enlevant pour chaque Sj 1 un Sj tel que . On d enit un vecteur des d etails Dj = (d )j , ce qui met en evidence la correspondance biunivoque entre Uj et (Uj 1 , Dj ) quon peut impl ementer en utilisant les j j 1 op erateurs Pj 1 et Pj . Dans le cas mono-dimensionnel dyadique, le vecteur des d etails peut etre d eni par Dj = (dj,k )kZ avec dj,k = (uj,2k u j,2k ). En it erant cette d ecomposition on obtient une repr esentation multi echelle de U J en fonction de MJ = (U0 , D1 , D2 , , DJ ). En utilisant la structure locale des op erateurs de projection et de pr ediction, on peut impl ementer la transformation multi echelle M : UJ MJ , (38)

et son inverse M1 avec une complexit e optimale O(NJ ), o` u NJ :=card(SJ ) repr esente la dimension de UJ .

3.4

Ondelettes

On va maintenant faire le lien entre la d ecomposition multi echelle et les transformations en ondelettes introduites dans la section 1. Dans le cas o` u Pjj 1 est lin eaire, i.e. u :=

c, u ,

(39)

es par (23), en utilisant le langage M et M1 sont de simples changements de bases. Si les Uj sont donn ondelettes on peut ecrire u := u, , o` u la fonction d echelle duale est simplement := | |1 , et d = u u = u, est donn o` u londelette duale ee par := c, .

(40)

(41) (42)

, c, u, = u,

(43)

Dans toute la suite, pour d ecrire de mani` ere simple le vecteur multi echelle on d enit J := J j =0 j avec 0 := S0 et on ecrit )J , MJ = (d )J = ( u, (44) = o` u on a pos e d = u et si 0 . Dans le cas dun maillage structur e, comme cest le cas pour lexemple mono-dimensionnel dyadique, il est assez naturel dimposer une structure simple, invariante par translation, a ` lop erateur de pr ediction. On prendra la forme g en erale u j,k = ck2m uj 1,m , (45)
m

(2j k ) avec des adaptations aux cas particuliers pr` es des fronti` eres du domaine. j,k = |j,k |1 j,k = 2j (2j k ). Remarquons j,k := 2j avec := [0,1] , conduit a ` la structure habituelle pour les ondelettes 1 que la fonction d echelle duale et londelette sont normalis ees dans L . Dune mani` ere g en erale, on a aussi

19

L1 C ind L1 = 1 par (41) et ependamment de en raison de (43), si on suppose quon a une estimation uniforme sur les coecients de pr ediction c, (ce qui sera toujours vrai dans notre cas). Dans le cas mono-dimensionnel dyadique, lop erateur de pr ediction le plus simple donn e en exemple (28) conduit au fameux Syst` eme de Haar j,k := 2j ( j+1,2k+1 ). j +1,2k d ej` a d etaill e dans la section 2.2. (46)

3.5

Compression

Lint er et de d ecomposer UJ dans MJ est que cette repr esentation est plus appropri ee pour y appliquer la compression de donn ees. Pr ecisons maintenant cette notion d ej` a introduite au paragraphe 2.3.2. Soit un ensemble J dindices , on d enit un op erateur de seuillage T sur la repr esentation multi echelle. T (d ) = 0 si , d sinon. (47)

Pour un param` etre = (0 , 1 , ..., J ) d enissant une famille de niveaux de seuillages associ es a ` chaque niveau, on d esignera par lensemble des indices correspondant a ` des d etails non seuill es = (0 , 1 , , J ) := { t.q. |d | || }. (48)

Ceci d enit de mani` ere pr ecise lop erateur de seuillage T (d). A partir de cet op erateur qui agit sur la repr esentation multi echelle, on construit un op erateur dapproximation A , sur la fonction de d epart UJ A := M1 T M., (49) A est non-lin eaire puisque d epend de Uj par (48). Une etude approfondie de lapproximation non-lin eaire - en particulier des algorithmes de seuillages - se trouve dans [27]. De notre point de vue, la propri et e la plus int eressante est de pouvoir d ecrire une fonction r eguli` ere par morceaux avec un petit nombre de param` etres. On sattend en eet a ` ce que les d etails non seuill es sur les niveaux d echelles ns soient concentr es pr` es des singularit es. Mais cette propri et e nest pas susante pour pouvoir etre utilis ee en pratique dans un algorithme de r esolution dEDP. Des propri et es suppl ementaires de pr ecision polyn omiale et de stabilit e multi echelle doivent etre v eri ees par lop erateur de pr ediction Pjj 1 .

3.6

Pr ecision polyn omiale

La premi` ere propri et e requise signie que lop erateur de pr ediction a une pr ecision dordre N , ou, de mani` ere equivalente, est exact pour les polyn omes de degr e N 1 : i.e. si u N 1 , alors u = u pour tout . En dautres termes, pour tout u N 1 et pour tout J , on a = d = 0, u, (50) Les N premiers moments de londelette duale doivent donc etre nuls, ce qui a une cons equence imm ediate ) pour un sur la taille des d etails d dans les zones r eguli` eres : si u est r eguli` ere, par exemple u C s ( pour tout p N 1 pour majorer ce coecient par s N , on peut utiliser le fait que d = u p, |d |
pN 1

inf

up

) L (

L1

C2

pN 1 s||

inf

up

) L (

(51)

|u|C s ( ).

, le support de londelette On utilise ici les propri et es de lapproximation localement polyn omiale sur || (on verra dans le paragraphe 3.7 que sa mesure est en O(2 )). On utilise egalement le fait que londelette 20

duale est normalis ee dans L1 . La d ecroissance rapide des d etails dans les r egions r eguli` eres est donc assur ee si N est susamment grand. Remarquons a ` ce sujet que lop erateur de pr ediction (28) associ e au syst` eme de Haar nest exact que pour les constantes. Avec les notations introduites ci-dessus , cela veut dire que la multir esolution sera de pr ecision dordre 1. Une mani` ere daugmenter la pr ecision est de d enir Pjj+1 a ` laide dun algorithme de reconstruction polyn omiale, ce qui est assez facile pour les grilles cart esiennes, mais beaucoup moins dans le cas des maillages non structur es, comme on le verra dans lannexe 2 consacr ee aux maillages triangulaires. Reprenons le cas j mono-dimensionnel dyadique d ej` a etudi e au paragraphe 3.2. on consid` ere le stencil centr e (u j kM , , uk+M ) et on d enit de mani` ere unique le polyn ome pj,k de degr e 2M tel que 2j
j,l

pj,k (x)dx = uj l , l = k M, , k + M.

(52)

Ensuite on d enit simplement la pr ediction sur les deux demi-intervalles par les valeurs moyennes de p j,k sur les deux moiti es de j,k , i.e.
+1 j +1 u j 2k = 2 +1 j +1 pj,k (x)dx et u j 2k+1 = 2

pj,k (x)dx.
j +1,2k+1

(53)

j +1,2k

Il est clair que cet algorithme est exact pour les polyn omes de degr e 2M , i.e a une pr ecision dordre N = 2M + 1. Il est aussi clair dapr` es la formule (31) et le tableau des coecients (32) quaugmenter la pr ecision signie augmenter la taille du stencil R . Comme par ailleurs la pr ecision globale du sch ema est limit ee aussi par la pr ecision du sch ema volumes nis sur la grille ne on se contentera dans la plupart des applications de la pr ecision dordre 3 : 1 j 1 j j +1 j j +1 j j u j 2k+1 = uk + (uk+1 uk1 ). 2k = uk + (uk1 uk+1 ) et u 8 8 (54)

3.7

Stabilit e multi echelle

La deuxi` eme hypoth` ese enonc ee dans le paragraphe 3.5 signie quon doit etre capable de contr oler leet du seuillage sur le r esultat de lerreur dapproximation entre UJ et A UJ , pour une norme donn ee. Pour un op erateur de pr ediction lin eaire, cette etude peut seectuer en etudiant individuellement la contribution de chaque d etail d dans la reconstruction sur la grille ne par linterm ediaire de M1 . Cette contribution est en fait d enie par d J, o` u J, est le vecteur correspondant dans la base associ ee a ` la d ecomposition multi echelle, qui est obtenue en appliquant M1 au vecteur de Dirac M := (, )J . On peut d ecomposer cette reconstruction en deux etapes : On reconstruit dabord un vecteur de valeurs moyennes sur la grille S|| a ` partir de M , puis on applique a ` ce vecteur de mani` ere successive les op erateurs de pr ediction P jj 1 pour j = || + 1, , J sans ajouter les d etails. Londelette J, = j,k est d enie explicitement par
J 1 J 2 j,k = PJ PJ 1 Pjj+1 (0, , 0, 1, 1, 0, , 0),

(55)

avec 1 en position 2k et 1 en position 2k + 1, ou de mani` ere equivalente par j,k := j,2k j,2k+1 avec
J 1 J 2 j,k = PJ PJ 1 Pjj+1 (0, , 0, 1, 0, , 0),

(56)

avec 1 en position k . Il est donc primordial de connatre la stabilit e de ces applications it eratives des op erateurs de pr ediction Pjj 1 . Dans le cas des maillages cart esiens avec une repr esentation multi echelle sur des grilles embot ees de mani` ere dyadique, ce probl` eme est vraiment bien compris parce que le proc ed e de ranement dun niveau au suivant est le m eme pour tous les niveaux. Dans ce cas, on traite naturellement le probl` eme en analysant la convergence de J, , consid er ee comme une suite de fonctions constantes par morceaux sur SJ , vers la fonction limite quand le niveau de ranement J tend vers +. Cest a ` dire quon consid` ere une hi erarchie innie de discr etisations (Sj )j 0 , avec les ensembles dindices := j 0 j . 21 (57)

L etude de ces fonctions limites des processus de ranement - dalgorithmes de subdivisions - est un sujet en soi dans le domaine de la conception g eom etrique assist ee par ordinateur ainsi que dans la th eorie des ondelettes, tr` es document e, comme on la d ej` a dit, dans le cas des subdivisions r eguli` eres. On renvoie a ` [29] et [13] pour une revue des algorithmes de subdivision et a ` [26] ou [18] pour leurs liens avec les ondelettes et on se contente ici de rappeler quelques r esultats assez simples. Si le proc ed e de subdivision converge au moins dans L1 alors on peut v erier que les fonctions limites ) un syst` ( ) forment avec ( eme dondelettes biorthogonales similaire a ` ceux introduits dans [19] : une fonction quelconque u L1 peut etre d ecompos ee dans ce syst` eme u=
j 0 ||=j

, u,

(58)

et on a les relations duales

, = , .

(59)

servant respectivement a Les fonctions et ` la synth` ese et a ` lanalyse sont appel ees les ondelettes primale et duale. Dans le cas mono-dimensionnel dyadique, si on suppose que lop erateur de pr ediction a la structure de Toeplitz (45), les ondelettes primales ont la forme g en erale j,k = (2j k ). (60)

Dans les cas plus g en eraux, on a toujours la normalisation L , cest-` a-dire L C ind ependamment de , a ` condition que le proc ed e de subdivision converge dans L . Au niveau discret J , pour || J , le vecteur J, concide avec les valeurs moyennes sur chaque cellule de au J , i.e. J, = ( , ) SJ . On peut d enir au niveau J la m etrique normalis ee 1 par UJ := 2dJ
SJ

|u |,

(61)

qui est equivalente a ` la norme L1 de la fonction constante par morceaux correspondante. On obtient directement J, C L1 C 2d|| . (62) On peut donc contr oler leet du seuillage par la majoration suivante : U J A UJ = d J, C |d |2d|| = C |d |2d|| . (63)

|d |<||

Par la suite on utilise un seuillage du type j := 2dj , (64) ce qui revient a ` garder les contributions d (ou d L1 ) les plus grandes en norme L1 . Cette strat egie - d ej` a propos ee par Harten dans [34] trouve des justications th eoriques dans la th eorie de lapproximation non-lin eaire : Pour r esumer, pour beaucoup de normes, X , on peut montrer quon peut approcher une fonction u par une combinaison de N termes dondelettes uN de mani` ere presque optimale dans la norme X (i.e. u uN X C u vN X pour nimporte quelle autre combinaison vN de N termes). Lapproximation X uN est obtenue en tronquant la s erie de u, et en gardant seulement les N plus grands coecients d (voir [27] ou [18]). Notre but est une estimation derreur en norme L1 (parce que cest la norme utilis ee de mani` ere standard pour etudier les solutions volumes nis de sch emas pour les lois de conservation). Il est donc naturel dutiliser un seuillage qui d epend du niveau de mani` ere a ` minimiser le nombre N de degr es de libert e n ecessaires pour atteindre une pr ecision donn ee en norme L1 , et il est donc aussi crucial dutiliser des op erateurs de pr ediction dont londelette primale est au moins dans L1 . 22

Si le domaine d etude est born e, on peut alors poursuivre l etude et obtenir lestimation suivante U J A UJ = C
|d |<||

|d |2d||

#(J ) = C #(SJ ) C 2Jd .

|d |2dj j =0 || = j | d | < j J C j 2dj


j =0 Sj

(65)

Cette derni` ere majoration justie le choix de Harten : = 2dJ , cest-` a-dire j := 2d(j J ) , (66)

de mani` ere a ` assurer une erreur de seuillage dordre . Il faut cependant remarquer que (65) est une estimation tr` es grossi` ere puis quelle majore tous les coecients seuill es en norme L1 par m eme si beaucoup dentre eux peuvent etre beaucoup plus petits. En dautres termes le choix de par (48) et (66) peut conduire a ` garder trop de termes pour obtenir la pr ecision voulue. Une strat egie de seuillage plus ecace qui assure aussi une erreur dordre tout en minimisant le nombre de coecients conserv es est la suivante. On classe les indices dans une suite ordonn ee N |(n)| d , de telle sorte que la suite d := 2 | d | soit croissante, on trouve le plus grand N tel que ( n ) n n=0 n et on d enit alors := {((n)) ; n > N }. On remarque que r epond encore a ` la d enition (48) avec j = 2dj mais avec qui peut maintenant etre plus grand que 2dJ . Le seuillage (66) propos e par Harten est pourtant celui utilis e dans la plupart des impl ementations num eriques. Une de ses sp ecicit es est dassurer egalement une estimation derreur dordre en norme , (et donc par interpolation dans toutes les normes discr` etes p ) si les ondelettes primales sont dans L . En eet, on a d J, U J A UJ =
|d | J

d J,
j =0 J |d | ,||=j

(67) d J,

C C

sup
j =0 |d | ,||=j J j =0

j C,

o` u on a utilis e le fait que et J, sont normalis ees en norme innie, et qu` a un niveau x e || = j , les supports des fonctions J, ne se recouvrent pas trop - au sens o` u d J,
||=j

C sup d J,
||=j

(68)

Lint egrabilit e des fonctions d echelle et des ondelettes primales est en quelque sorte la condition minimale pour pouvoir contr oler leet du seuillage. Cependant lanalyse compl` ete de lalgorithme va n ecessiter des propri et es de r egularit e encore plus fortes sur ces fonctions, en raison de la propri et e suivante : si les sont dans C r , on a une propri et e inverse de (51) assurant que cette propri et e de d ecroissance est eectivement 23

1 0.0 0.5 1.0

1 0.0 0.5 1.0

Fig. 8 Ondelettes J,0 pour J variant entre 2 et 10 pour r = 0 (Haar) a ` gauche et r = 2 a ` droite.

1 0.0 0.5 1.0

1 0.0 0.5 1.0

Fig. 9 Ondelettes J,0 pour J variant entre 2 et 10 pour r = 4 a ` gauche et r = 6 a ` droite. un indicateur de r egularit e locale. Plus pr ecis ement, si est un domaine donn e et si pour s < r on a | C 2s|| pour tout telle que le support de et ont une intersection non vide, alors u | u, est de r egularit e C s sur . Ici, C s est la classe de H older habituelle quand s est rationnel, et quand s est s entier, il faut en fait remplacer C s par lespace de Besov B eg` erement plus grand que C s , voir , (qui est l par exemple [40, 36, 18, 26] ). = et donc Notons que dans le cas de lop erateur de pr ediction (28) associ e au syst` eme de Haar on a londelette primale na pas de r egularit e au sens de H older. En revanche, on peut montrer que les fonctions limites associ ees a ` (54) ont une r egularit e C r pour tout r < 1. Les gures 8 a ` 9 montrent la succession des fonctions J,0 pour J variant entre 2 et 10 pour les quatre op erateurs de pr ediction pr evus dans le tableau (32). La gure 10 permet de comparer les ondelettes obtenues dans chacun des cas comme limite de J,0 quand J tend vers linni.

3.8

Compression et arborescence

Principalement pour des raisons de complexit e algorithmique, on impose a ` lensemble des indices conserv es - non seuill es - une structure darbre. De mani` ere a ` d enir cette structure de mani` ere pr ecise on introduit la terminologie suivante : Si avec | | = || 1, on dit que est un descendant de et que est le 24

1.9 psi0 1.5 psi2 psi4 psi6 1.1

0.7

0.3

-0.1

-0.5

-0.9

-1.3 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Fig. 10 Ondelettes primales r = 0, 2, 4 et 6. parent de . Notons que par d enition de j , si a N descendants, N 1 dentre eux sont dans j , cest a ` dire quils repr esentent un d etail. On les appelle les d etails descendants de D enition 2.1. Un ensemble dindices est un arbre si les propri et es suivantes sont v eri ees (i) le niveau de base 0 = S0 est contenu dans . (ii) si et sont des d etails descendants du m eme , alors si . (iii) si est tel que ses d etails descendants sont dans , alors le parent de a la m eme propri et e. Dans le cas mono-dimensionnel dyadique cette d enition peut etre r e ecrite de mani` ere plus simple 0 et (j, k ) (j 1, [k/2]) . (69) En particulier, la propri et e (ii) est inutile ici puisque chaque = (j, k ) a un seul d etail descendant, correspondant au d etail dj,k . Limportance de ces structures darbre, r eside dans le fait quelles permettent de d enir une discr etisation hybride sur des cellules appartenant a ` des niveaux di erents. On d enit en premier les feuilles L() dun arbre comme les qui nont pas de descendant dans . Il est clair que les , pour L(), sont disjoints mais ils ne forment pas une partition, en particulier ils ne recouvrent pas lensemble du domaine. Par exemple, dans le cas o` u les feuilles sont toutes a ` un m eme niveau j i.e. L() = j , on na pas une partition puisque j a et e construit comme un sous-ensemble de Sj strictement inclus de mani` ere a ` eviter la redondance des d etails Donc pour avoir une partition il faut ajouter aux feuilles L() tous ces qui ont un parent en commun avec un L() mais qui ne sont pas dans (dans le cas o` u L() = j , ceci correspond a ` compl eter j dans Sj ). Dans le cas g en eral, lensemble compl et e correspond a ` une partition adaptative du domaine ( )S () , qui peut aussi etre d enie par un processus de ranement it eratif : On etails part dune partition grossi` ere ( )S0 , et on subdivise une cellule de la partition courante si les d descendants de sont dans . On d enit aussi un ensemble plus grand R(), correspondant a ` toutes les cellules produites au cours du proc ed e de ranement y compris durant les etapes interm ediaires, i.e. toutes les cellules qui sont des unions de cellules avec S (). On v erie facilement que #(S ()) = #() #(R()) 2#(). (70)

On pr esente sur la gure 11 un exemple darbre ainsi que le maillage adaptatif correspondant S () dans le cas mono-dimensionnel dyadique. Une famille dop erateurs de pr ediction Pjj 1 etant x ee, on sint eresse maintenant a ` l elaboration dune structure darbre correspondant a ` une certaine graduation dans le maillage hybride correspondant. Il est assez 25

Fig. 11 Exemple darbre non graduel et maillage adaptatif correspondant S ().

Fig. 12 Arbre graduel minimal (par rapport a ` (54)) contenant . intuitif en eet d eviter, pour des raisons algorithmiques qui seront d etaill ees plus loin, davoir des mailles adjacentes et appartenant a ` des niveaux non cons ecutifs, mais cette condition d epend en fait de lop erateur de pr ediction utilis e.

D enition 1 On dira quun arbre est graduel si pour tout , le stencil de pr ediction R appartient a ` R().

Notons que dans le cas de lop erateur de pr ediction (28), correspondant au syst` eme de Haar, un arbre est toujours graduel. En revanche larbre de la gure 11 nest pas graduel pour lop erateur de pr ediction (54) qui utilise trois mailles pour pr edire les valeurs moyennes sur les deux descendants de la maille centrale. On montre sur la gure 12 un exemple darbre graduel pour cet op erateur, qui est le plus petit arbre graduel contenant larbre de la gure 11. Dans le cas de lop erateur (54) la propri et e de graduation prend une forme plus simple que la d enition (1) (j, k ) (j 1, [k/2] + l) , l = 1, 0, 1. Lint er et de la propri et e de graduation est du au r esultat suivant (voir [22] pour la preuve). (71)

Proposition 1 Si est un arbre graduel, il existe un isomorphisme M qui associe aux valeurs moyennes sur les cellules (u )S () dune fonction u, les d etails (d ) . Les op erateurs de d ecomposition et de re1 construction adaptative (i.e. M et M ) peuvent tous les deux etre impl ement es en O(#()) op erations.

Remarque 2.4 Pour un arbre non graduel on peut toujours montrer le r esultat suivant : si u a tous ses d etails d = 0 pour / , alors il existe un isomorphisme entre les valeurs moyennes (u )S () et les o` coecients (d ) . Cependant la complexit e de limpl ementation de cet isomorphisme est en O(#()) u est le plus petit arbre graduel contenant . Ceci est d u au fait que la reconstruction de u n ecessite la connaissance de u pour R . Dans la suite on consid erera toujours la compression de donn ees sur un arbre graduel, quon obtient par exemple en agrandissant lensemble des d etails non seuill es : on d enit comme le plus petit arbre graduel 26

contenant lensemble { ; |d | || }, o` u j est le seuillage d ependant du niveau d eni par (66). On d enit l op erateur dapproximation sur larbre A := A . Comme est plus grand et contient lensemble d enit par le simple seuillage et utilis e pour obtenir (67) on a au moins la m eme estimation UJ A UJ C, (72)

Avant de passer a ` lutilisation de ces notions dans lanalyse du sch ema volumes nis, nous allons etudier leur impl ementation dans le cas statique, en terme decacit e, du point de vue de la compression, de la pr ecision et de la complexit e algorithmique. Tout dabord les algorithmes de codage et d ecodage d ej` a pr esent es au paragraphe 2.2.2 sont repris ici avec un op erateur de reconstruction Pjj+1 plus g en eral, d eni suivant les r` egles du paragraphe 3.2. (Le cas mono-dimensionnel dyadique est trait e en annexe 6.) Algorithme 5 Codage par valeurs moyennes u est connue par ses valeurs moyennes UJ sur la grille ne { }, SJ 0 1. Calcul de Uj : u = | |1 j +1 = P j Uj 2. Calcul de U j +1 j +1 3. Calcul des d etails entre Uj +1 et U j D = (d )j+1 , avec d = u u ,
,||=j +1

Pour j = J 1

| |u ,

Sj

(73)

4. Remplacement de Uj +1 par Uj et Dj Fin de Pour j

u est maintenant cod ee sous la forme (U0 , D0 , D1 , ...DJ 1 ) Algorithme 6 D ecodage (valeurs moyennes) u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1 j +1 = P j Uj 1. Interpolation : calcul de U j +1 2. Reconstruction : calcul de Uj +1 u = u + d , pour j +1 et u par (73) pour Sj +1 \j +1 J 1

Pour j = 0

3. Remplacement de Uj et Dj par Uj +1 Fin de Pour j

u est maintenant connue par ses valeurs moyennes UJ sur la grille ne Pour compresser la solution, on regarde simultan ement les 2d 1 d etails relatif a ` une cellule du niveau j . Sils sont tous de norme inf erieure au seuil alors on les mets tous a ` z ero, sinon on les conserve tous. Algorithme 7 Seuillage Harten u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1 0 Pour Sj

Pour j = J 1

Si pour tout j +1 , |d | < j alors d = 0 j +1 , 27

Fin de Pour Fin de Pour j Lop erateur dapproximation A d eni dans (49) peut donc etre appliqu e en utilisant successivement les algorithmes 5, 7, 6. En revanche si on veut repr esenter la fonction sur la grille hybride il faut avoir recours a ` un algorithme plus compliqu e respectant la structure darbre d enie par 3.8 et 1 : Algorithme 8 Construction de larbre graduel u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1

initialisation = S0 Pour j = J 1

1` ere etape, le seuillage : Pour j

Si |d | < j

Alors d = 0 Sinon

Fin de Pour Fin de Pour j

2` eme etape, l arbre : Pour j = J 1 Pour n , t. q. | | = j

soit , | | + 1 = | | et

Fin de Pour Pour n , , Si

alors j , Si , Alors | | = j

+1 n

Fin de Pour Fin de Pour j

|| + 1 = | | et ,Alors

n+1

3` eme etape, l arbre graduel : Pour j = J 1 Pour n , | | = j n+1 R ,

Fin de Pour Fin de Pour j

Algorithme 9 Reconstruction partielle sur les feuilles de larbre R() u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et les d etails d pour . Pour j J 1

Pour j = 0

Alors Calcul de toutes les feuilles de : 28

Si Sj +1 ,

u puis u = u + d , j +1 avec Fin de Pour Fin de Pour j

u par consistance (73) pour Sj +1 \j +1 , et

Les gures 13 a ` 16 illustrent lalgorithme de compression (49) dans le cas mono-dimensionnel dyadique avec lop erateur de reconstruction dordre r = 2 du tableau 32. Quatre fonctions de r egularit e di erentes sont test ees f1 (x) f3 (x) = exp(50(x 0.5)2 ), f2 (x) = 0.5 |x 0.5| , = [/6,1] (x), f4 (x) = 0.5 |x 0.5| .
4

On xe le nombre maximum de niveaux de r esolution a ` 10, avec 4 cellules sur la grille la plus grossi` ere et une tol erance de d etails sur le niveau le plus n egale a ` = 102 ||f || . On repr esente pour chaque fonction fi , i = 1, . . . , 4 la fonction et sa reconstruction sur la grille la plus ne sur le graphe de gauche, la fonction et la fonction compress ee sur la grille adaptative sur le graphe du milieu. Enn sur le graphe de droite la grille elle-m eme est repr esent ee par une fonction constante par morceau egale au niveau de r esolution maximale utilis e localement. Ce dernier graphe montre que pour la fonction f1 , qui est inniment r eguli` ere, seuls les niveaux de r esolution 2, 3 et 4 sont utilis es pour repr esenter la fonction sur la grille adaptative du graphe du milieu. A la tol erance pr` es, on peut, en utilisant lop erateur de pr ediction, reconstituer la fonction sur le niveau le plus n L = 10 a ` partir de ces seules donn ees. Pour la fonction f2 , continue mais dont la d eriv ee en x = 0.5 est discontinue, lanalyse des d etails conduit a ` les conserver jusquau niveau 7 dans la zone de singularit e - sur 4 mailles - puis sur les niveaux inf erieurs pour avoir un arbre graduel. En revanche loin de la singularit e le niveau de r esolution 3 est susant. Pour la fonction f3 qui est discontinue en x = /6, on ne peut evidemment pas faire l economie du niveau le plus n, qui est donc utilis e sur une maille a ` cet endroit, puis tous les niveaux jusquau plus grossier en respectant la r` egle de graduation. Le niveau 0 est evidemment susant pour repr esenter une fonction constante. Il lest aussi pour une fonction ane, et larbre des d etails pour la fonction f4 pr esente lui aussi des mailles au niveau le plus grossier loin de la discontinuit e sur la d eriv ee en x = 0.5, o` u le niveau 6 est utilis e. La gure 17 pr esente une etude de la convergence de lalgorithme quand on fait varier le niveau de seuillage . Pour chaque valeur de seuil, on calcule lerreur en norme L1 entre la fonction initiale et sa reconstruction sur le niveau apr` es la transformation codage-seuillage -d ecodage. Cette erreur est ensuite repr esent ee dans un rep` ere gradu e logarithmiquement, en fonction de sur le graphe de gauche et du facteur de compression sur le graphe de droite. Le facteur de compression est le rapport entre le nombre de mailles sur la grille la plus ne et le nombre de mailles dans la grille adaptative. Pour les deux fonctions continues f1 et f2 , le comportement de lerreur est r egulier en fonction du param` etre de seuillage et on observe bien le comportement en () annonc e par (67). Pour les fonctions f3 et f4 , les graphes ne comportent que quelques points car pour les petites valeurs de seuillage lerreur est identiquement nulle. En eet ces deux fonctions etant respectivement constante et ane par morceaux, lop erateur de pr ediction (54) est exact pour ces fonctions en dehors des zones de discontinuit e. D` es que le param` etre de seuillage est inf erieur au plus petit d etail dans ces zones, tous les d etails calcul es par lalgorithme de codage sont soit signicatifs et donc conserv es, soit identiquement nuls. Les calculs ont et e eectu es avec les scripts Scilab que le lecteur pourra t el echarger sur le site web http ://www.ann.jussieu.fr/~postel/Roscoff.

Sch emas Volumes Finis pour les syst` emes de lois de conservation

Dans ce chapitre on pr esente le type d equations pour lesquelles la multir esolution est bien adapt ee et on fait quelques rappels sur les sch emas de Harten-Lax pour les syst` emes de lois de conservation (extensions du Sch ema de Godunov), qui seront utilis es dans les exemples num eriques. On renvoie par exemple a ` [31]

29

1.0

initiale recons

1.0

initiale mr

++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ + + ++ ++ ++ ++ ++ ++ +++++ + + +

10 8 6 4 2
+ ++ ++++++++++ ++ ++++++++++++++++++++ ++ ++++++++++ + + + + + + + + + + + + + +

0.5

0.5

++ ++ ++ + + ++ ++ ++ ++ ++ + + + ++++++

0.0 0.0

0.5

1.0

0.0 0.0

0.5

1.0

0 0.0

0.5

1.0

Fig. 13 Analyse de la fonction y = f1 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f1 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite).

initiale recons

initiale mr

+ + + + + + + + + ++ + ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ + ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ + + + + + + + + + + + +

10 8 6 4 2 0 0.0 0.5 1.0


+ + + + + + + + + + + + + + + + + + ++ + ++ +++++++++++++ ++ +++++++++++++ + + + + + + + + +

+ + + + + + + + + + + +

0.0

0.5

1.0

0.0

0.5

1.0

Fig. 14 Analyse de la fonction y = f2 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f2 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite).

1.0

initiale recons

1.0

initiale mr

+ + + + + ++ + +

+ ++ + + +

10 8

+ + + + + + + + ++ + + + + + + + +

+ + + + + + + + ++ + + + + ++ + ++ ++ ++ + + + + + + + + + + + +

+ + + + + + + + ++ + + +

0.5

0.5

6 4 2

0.0 0.0

0.5

1.0

0.0 0.0

+ + + ++ +

+ +++ + + + +

0.5

1.0

0 0.0

0.5

1.0

Fig. 15 Analyse de la fonction y = f3 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f3 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite).

30

0.5

initiale recons

0.5

initiale mr

+ + + + + + + + + ++ ++ + + + + + + + +

10 8
+

6
+

+ + + + + ++ + + + + + + + +

+ + + + + + ++ + ++ ++ + + + + + + + + + + +

+ + + + ++ + + +

4
+ + + ++ + + + +

+ + + ++ + + + + +

2 0 0.0

0.0 0.0

0.5

1.0

0.0 0.0

0.5

1.0

0.5

1.0

Fig. 16 Analyse de la fonction y = f4 (x), avec la reconstruction dordre r = 2 : fonction dorigine et fonction reconstruite pour = 103 ||f4 || sur la grille uniforme la plus ne(` a gauche), fonction reconstruite sur la grille adaptative (au milieu) et arbre des d etails non seuill es (` a droite).

Erreur en fonction de epsilon


-1

10

f1 f2 f3 f4 eps

Erreur en fonction de la compression


1

-6

10 + + +

++

+ +

+ + + ++ +

10

f1 f2 f3 f4

10
+ + + 11 + 10 +
16

++

+ + ++ + + ++

-11

10 +
-16 10 -13

+ +
-12

-11

-10

-9

-8

-7

-6

-5

-4

-3

-2

-1

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

Fig. 17 Erreur en norme L1 en fonction de (` a gauche) et en fonction du facteur de compression (` a droite).

31

pour les d etails et justications th eoriques. On sint eresse a priori a ` des syst` emes d equations aux d eriv ees partielles tr` es g en eraux ecrits sous la forme Ut = AU, U (0) = U0 + Conditions Limites (74)

On introduit lop erateur d evolution E (t) qui prend en compte les conditions limites U (t) = E (t)U0 . On introduit aussi lop erateur de discr etisation D. Cest un op erateur lin eaire D : F V, F est lespace fonctionnel o` u on a l existence de la solution du probl` eme (74) et V est un espace vectoriel de dimension J dans lequel on va chercher la solution discr etis ee approchant la solution exacte. On ne pr ecise pas plus pour le moment ; D peut etre lop erateur correspondant a ` une discr etisation par valeurs ponctuelles (di erences nies), valeurs moyennes sur des mailles (volumes nies), coecients dans une base de fonctions (El ements nis, m ethodes spectrales). D est une projection dans le sens o` u pour tout v V il existe f F tel que Df = v . On d enit aussi un op erateur de reconstruction R, qui pourra etre non lin eaire, allant de V dans F et inverse a ` droite de D. Cest a ` dire que DRv = v. En int egrant (74) entre tn et tn+1 , avec tn = nt, on obtient U (tn+1 ) U (tn ) t = = 1 t 1 t
tn +t

AU ( )d,
tn t

AE (t)U (tn )dt.


0

On peut maintenant d enir le sch ema num erique, comme lalgorithme permettant de calculer une approximation discr` ete v n de la solution U au temps tn , v n DU (tn ), Rv n U (tn ) (75)

la donn ee de d epart etant la solution au temps initial U0 = U (t0 ). Pour cela, on ecrit l equation reliant les solutions approch ees a ` deux pas de temps cons ecutifs, en prenant comme condition initiale de (74) la solution reconstruite a ` partir de la solution discr` ete au temps tn v n+1 = DE (t)Rv n = v n + D
t 0

A[E (t)Rv n ]dt

(76)

Finalement en it erant ce proc ed e, on obtient la solution approch ee v n en fonction de la solution initiale 0 discr etis ee v = DU0 v n = DE (t)RD E (t)R . . . DE (t)Rv 0 = [DE (t)R]n v 0 (77)

Remarquons dans cette expression le terme RD , qui lui nest pas egal a ` lidentit e comme DR et est en fait la projection de F sur un espace fonctionnel de dimension nie, qui va d ependre du choix de lop erateur de reconstruction R. On introduit maintenant le sch ema semi-discret. A partir de (76),on ecrit v n+1 v n 1 =D t t 32
t 0

A[E (t)Rv n ]dt

(78)

dv = DA[E (0+)Rv ] (79) dt On va maintenant particulariser tout ce qui pr ec` ede au cas des syst` emes de lois de conservation hyperboliques Au = divf (u), avec u : Rd Rp et f : Rp Rp pour tout k = 1, ..., d on note Jk (u) = fi,j (u) uk (80)

et on fait tendre t vers 0. On obtient

1i,j p

la matrice jacobienne de fk Rappelons que ce syst` eme, sous forme conservative, est dit hyperbolique si pour tout u et tout Rd , la matrice J (u, ) = d k=1 k Jk (u) a p valeurs propres r eelles 1 (u, ) 2 (u, ) ... p (u, ) et p vecteurs propres lin eairement ind ependants. (En dautres termes, J (u, ) doit etre diagonalisable dans R. Si en plus les valeurs propres sont toutes distinctes, on dit que le syst` eme est strictement hyperbolique). On commence par pr eciser le choix de lop erateur de discr etisation, dans le cadre dun sch ema volumes nis. Il faut d enir un maillage S du domaine dans lequel on cherche la solution. On num erote les cellules j de ce maillage et on d enit les normales N aux ar etes des mailles, avec toujours la convention de prendre la normale avec un signe positif dirig ee vers lext erieur de la cellule. La solution discr` ete est d enie comme la suite des valeurs moyennes de la solution exacte (Du)j = 1 |j | udx
j

o` u on note |j | la mesure de la cellule j , longueur en dimension 1, surface en dimension 2, etc. En int egrant (74) avec (80) entre tn et tn+1 et en appliquant la projection D on obtient U (tn+1 ) U (tn ) t DU (tn+1 )j DU (tn )j t = = = 1 t
t

div (f (E (t)U (tn ))) dt,


0 t

1 1 t |j | 1 1 t |j |

div (f (E (t)U (tn ))) dxdt,


0 t j

(f (E (t)U (tn ))) .N dsdt.


0 j

Le sch ema num erique va consister a ` calculer une approximation de ces valeurs moyennes
n+1 n vj = vj

1 |j |

t 0 j

f (E (t)Rv n ) .N dsdt

Notons que dans l equation pr ec edente, le cas o` u lop erateur de reconstruction envoie v n dans lespace des fonctions constantes par morceaux correspond au sch ema volumes nis bien connu de Godunov. On va dailleurs d etailler ce cas particulier : le sch ema semi-discret est obtenu comme pr ec edemment en faisant tendre t vers 0 dvj dt = = 1 |j | 1 |j |
j

f (E (0+)Rv n ) .N ds
R fN Rv| , Rv| + ds
j j

33

R o` u fN = f.N d esigne le produit scalaire avec le vecteur normale, fN (u1 , u2 ) est le ux num erique approchant le ux exact sur une ar ete o` u la solution est u1 et u2 de part et dautre. Dans le cas de la m ethode de Godunov, x R eme de Riemann fN (u1 , u2 ) = fN (W (0; u1 , u2 )), o` u W ( ; u1 , u2 ) est la solution du probl` t

Wt W

fN (W ) = 0, u1 , si < 0, (, 0) = u2 , si > 0, +

Le sch ema le plus simple (de Godunov) consiste a ` utiliser comme op erateur de reconstruction lapplication qui a ` (vj )j G associe la fonction constante par morceaux Rv (x) = vj j (x)
j G

mais on peut envisager, pour am eliorer la pr ecision, dutiliser un op erateur de reconstruction polynomial par morceau
r 1

(Rv ) (x) =

k=0 |l|=k

Bl (x ci )l

pour x Ci

avec x Rd , l = (l1 , ..., ld ), |l| = li , et ci le centre de gravit e de la cellule Ci . Un tel op erateur de reconstruction doit v erier certaines propri et es dont lexactitude polynomiale, cest a ` dire la v erication de DR = Id, ce qui conduit a ` un syst` eme lin eaire reliant les coecients {B l } de R
r 1

(DRv )j =

k=0 |l|=k

Bl D.(x ci )l

= vj ,

j If v (i)

Dans les relations ci-dessus, If v (i) est une famille de cellules, contenant en particulier Ci , quon appelle en g en eral stencil. Le choix de ce dernier est crucial. Suivant la dimension du probl` eme et le degr e du polyn ome on aura a ` choisir parmi plusieurs stencils possibles et le crit` ere de s election du stencil conduira a ` des m ethodes plus ou moins stables et plus ou moins pr ecises. Par exemple, dans le cas dune reconstruction Essentiellement Non-Oscillante (ENO) , le stencil If v (i; v n ) est s electionn e de mani` ere adaptative de telle sorte que la solution reconstruite soit r eguli` ere (voir gure (18) et r ef erences [28, 14]). On peut r esumer ce choix parfois tr` es compliqu e du ux num erique en ecrivant le sch ema volumes nis sous la forme condens ee v
n+1

Shock Stencil

S fv(i;v n ) i

Cell

=v b

(81)

Fig. 18 S election adaptative du stencil If v au voisinage dun choc.

o` u bn = B (v n ) est un op erateur non-lin eaire. En dimension 1 la condition de conservativit e des ux impose la forme de lop erateur B
n+1 n vj = vj

t n n n n n n f (vj p , vj p+1 , ...vj +q ) f (vj p1 , vj p , ...vj +q 1 ) x 34

(82)

n o` u on a not e vj une approximation de la valeur moyenne de la solution sur la maille [xj 1/2 , xj +1/2 ]. On impose le plus souvent, pour d emontrer la convergence dun algorithme, une condition de consistance

(u, u, ..., u) = f (u) f et une hypoth` ese de r egularit e Lipschitzienne (vj p , vj p+1 , ..., vj +q ) f (u) K max |vj +i u| f
piq

(83)

(84)

o` u F d esigne cette fois le bilan des ux num eriques sur la cellule j . En dimension 1, ce bilan s ecrit
n n n n n n D(un k ; k = j p, ...j + q ) = f (vj p , vj p+1 , ...vj +q ) f (vj p1 , vj p , ...vj +q 1 )

pour tout vj +i susamment proche de u. On introduit nalement la notation suivante, qui peut etre utilis ee aussi en dimension 2 t D(un (85) bn k ; k If v (j )), j = |j | (86)

En dimension deux, le bilan seectue sur les ar etes de la cellule not ees , = D(un ) =
n |, |F, ,

(87)

n o` u le ux num erique F, est une approximation du ux exact n F, = R fN (Rv , Rv ) ds

(88)

calcul ee a ` partir des valeurs de un , pour I ( ). Ce ux est dit conservatif si ces approximations satisfont aussi
n n F, + F, = 0.

On d enote par E lop erateur d evolution discret et non-lin eaire associ ea ` ce sch ema, ce qui revient a ` r e ecrire (76) puis (77) pour obtenir 0 V n = EV n1 = = E n U . (89) o` u U 0 est le vecteur des valeurs moyennes de la solution exacte u0 = u(t = 0). Terminons ce paragraphe par quelques remarques sur la justication th eorique des sch emas num eriques n introduits : si U est le vecteur des valeurs moyennes de la solution exacte u au temps nt, on d enit lerreur par n en := V n U . (90)

o` u la constante C d epend typiquement dune estimation des d eriv ees partielles dordre un en espace de la fonction ux sur le domaine de valeurs recouvert par la solution initiale |v | u0 L . Lutilisation de sch emas volumes nis dordre elev e se heurte donc a ` deux dicult es. Lune, th eorique, de lanalyse de la convergence de la solution vers la solution entropique et lautre, pratique, du co ut du calcul des ux FN , particuli` erement quand le choix du stencil r esulte dun algorithme non lin eaire et adaptatif. En fait cest cette derni` ere dicult e qui a ` motiv e au d epart lutilisation de techniques multi echelles pour limiter le besoin de recourir a ` de tels ux. 35

Pour des solutions non r eguli` eres de lois de conservation scalaires, on peut en g en eral montrer que les sch emas volumes nis dordre 1 convergent vers la solution possible entropique au sens de la norme L 1 . Il est 1 dobtenir une estimation derreur a priori en Cnt x en 1D (voir [46]) et en Cnth /4 avec h := max G diam( ), en dimension sup erieure a ` 1 (voir [17]). Dans les cas plus g en eraux, on peut seulement se er aux r esultats num eriques pour evaluer cette estimation. Notons aussi que le pas de temps est limit e par une condition CFL : t C x, (91)

Le sch ema de Harten et le sch ema adaptatif

n n o` u VJ esentant la solution num erique au temps nt et BJ := (un := (bn ) SJ est le vecteur repr ) SJ avec t n n n b := | | |, |F, le bilan des ux num eriques sur la cellule . Lincr ement b d epend localement seulement mais de mani` ere non lin eaire, de la solution num erique, et sexprime de la mani` ere suivante, coh erente avec les notations introduites en (87) et (88)

Les deux sch emas que lon pr esente dans ce chapitre, le sch ema multir esolution dHarten et le sch ema adaptatif sont tous les deux bas es sur un sch ema volumes nis de r ef erence, r epondant aux imp eratifs d ecrits dans la section 4 de mani` ere a ` r esoudre le syst` eme de lois de conservation (80). On reprend les notations introduites a ` la n du paragraphe pr ec edent, et on r e ecrit la discr etisation volumes nis (81) sur le niveau le plus n n+1 n n VJ = VJ BJ , (92)

bn :=

t F (un ; I ( )), | |

(93)

o` u I ( ) repr esente le stencil volumes nis associ ea ` la cellule , et F la fonction de bilan des ux num eriques. La condition CFL introduite en (91) devient t C 2J , et lerreur
n UJ n en := VJ UJ . n

(94) (95)

o` u on rappelle que est le vecteur des valeurs moyennes de la solution exacte u sur la grille J . Le but des n sch emas multir esolution pr esent es ici est de calculer une solution num erique U J avec un gain de temps de calcul signicatif par rapport au sch ema volumes nis de r ef erence sans que lerreur additionnelle
n n an := UJ VJ

(96)

ne d epasse une pr ecision donn ee. Il est naturel de choisir cette limite du m eme ordre que lestimation (95) de lerreur en disponible sur le sch ema de r ef erence.

5.1

Lhypoth` ese dHarten

Les deux algorithmes que nous etudions ici reposent tous les deux sur lid ee intuitive, introduite par Harten dans [34], que lensemble des coecients signicatifs de la solution num erique evolue lentement dun pas de temps a ` lautre. Plus pr ecis ement si n est larbre graduel obtenu en appliquant lop erateur A a ` une n n approximation UJ de U J , on peut r esumer lid ee dHarten de la mani` ere suivante : n+1 conteHypoth` ese (Heuristique dHarten ) : On peut agrandir lensemble n en un arbre graduel n+1 n+1 n n nant a ` la fois et de telle sorte que, si UJ = EJ UJ , on a
n n +1 U UJ A n J C et n+1 n+1 +1 U UJ A C, n J

(97)

+1 n i.e. larbre graduel est adapt e pour d ecrire la solution a ` la fois aux temps nt et (n + 1)t. Pr ecisons maintenant la signication du terme agrandir dans lhypoth` ese ci-dessus. Il est clair que cette n+1 comme lensemble des cellules de la grille la plus ne J . armation est vraie si on d enit simplement +1 n Mais ce choix na aucun int er et du point de vue pratique : lensemble ne doit pas etre beaucoup plus n grand que . La strat egie dagrandissement propos ee par Harten dans [34] consiste a ` faire grandir larbre en fonction de la taille de ses d etails. Plus pr ecis ement, on appliquera les r` egles suivantes, g en eralisation directe des r` egles propos ees par Harten dans le cas cart esien, avec en plus la structure darbre graduel :

36

Algorithme 10 R` egles de ranement pr edictives dHarten n+1 ` initialisation de a S0 Pour j = J 1 , | | = j n+1 pour V t (i) Si d j Alors

n+1 pour j +1 (ii) Si d 2p j Alors

, .

La premi` ere r` egle (i) est dict ee par la prise en compte de la vitesse nie de transport de la solution, en respectant la restriction CFL (94) sur le pas de temps. On sait quune discontinuit e eventuelle ne pourra pas se propager sur plus dune maille en un pas de temps et on d enit Vt comme le voisinage imm ediat de la cellule au m eme niveau (ce sont les cellules dindices k 1 et k + 1 en dimension un, toutes les mailles ayant un sommet en commun avec en dimension sup erieure). Remarquons aussi quen dimension deux pour des maillages cart esiens, Harten et Bihari [10] pr econisent un seuillage un peu di erent o` u les crit` eres sont trois combinaisons lin eaires des d etails relatifs a ` la m eme maille avec un param` etre de seuil di erent pour chaque combinaison lin eaire. La seconde r` egle (ii) a pour but de pr evoir la formation de discontinuit es. En eet dans le cas dune equation hyperbolique, on peut partir dune solution inniment r eguli` ere au temps 0 - et donc utiliser seulement les niveaux de r esolution grossiers - qui va d evelopper en temps ni une discontinuit e qui n ecessitera le codage de la solution sur le niveau le plus n non utilis e au d epart. Les d etails de la solution vont etre utilis es comme indicateurs de r egularit e num erique ce qui pr esuppose que la perte de r egularit e encore a ` venir peut etre en quelque sorte d etect ee sur les niveaux de discr etisation plus grossiers. Dans le cas monodimensionnel, Harten ([33]) propose de prendre p = r 1, o` u r est le degr e du polyn ome d enissant lop erateur de reconstruction (31). Dans le cas bidimensionnel cart esien, les crit` eres sont toujours des combinaisons lin eaires des d etails et le coecient p est r + 2 ou r + 1. Les hypoth` eses pr ec edentes sont cruciales dans lanalyse derreur des sch emas de multir esolution adaptatifs en temps. En fait, la justication rigoureuse de (97) (voir [22]) n ecessite un am enagement des r` egles de croissance. En particulier, il peut etre n ecessaire dintroduire plusieurs niveaux de ranement quand |d | est tr` es grand plut ot que les deux seuls descendants directs. Le nombre de g en erations a ` introduire d epend du degr e de r egularit e de H older r de londelette de synth` ese . Pour tout n enit le nombre de , on d niveaux de ranement a ` introduire a ` lendroit dun d etail non n egligeable par n(), lunique entier tel que
(n()+1)s 2n()s || < |dn || . | 2

(98)

Comme || est donn e par (66), notre proc edure de pr ediction va prendre en compte a ` la fois la taille et l echelle de d . Il est clair que subdiviser une maille sur n() et en m eme temps respecter les r` egles de graduation de larbre conduira a ` agrandir n eme niveau (voir Algorithme 16 ). aussi sur le m

5.2

Le sch ema de multir esolution dHarten


n+1 n n +1 V +1 (V A = A n n J BJ ) J

A partir de (92), on obtient

(99)

Par ailleurs pour un ensemble dindices a ` conserver x e, , lop erateur A est lin eaire. Donc lhypoth` ese dHarten implique aussi que n n +1 B BJ A (100) n J C, n+1 . Etant donn e une tol erance > 0, le cest a ` dire que le bilan des ux est aussi bien repr esent e par n n +1 B sch ema propos e par Harten dans [34] consiste a ` utiliser le vecteur compress e A a ` la place de BJ . Les n J valeurs moyennes de la solution vont etre evolu ees en temps par
n+1 n n +1 B . = UJ A UJ n J

(101)

37

n +1 qui lui est appliqu Bien entendu, en plus de lop erateur A e, BJ di` ere du terme original car cest le n n n bilan des ux num eriques calcul e sur la solution UJ et non pas sur la solution volumes nis standard VJ . Comme on la expliqu e plus haut le but de cet algorithme est d economiser du temps de calcul en ayant moins d evaluations de ux num eriques a ` eectuer. A cet eet, on remarque que dapr` es la Proposition 1 n n +1 page 26, on peut reconstruire A B , cest a ` dire les valeurs moyennes sur la grille ne a ` partir des valeurs J n n n +1 moyennes (bn ) de B sur la grille hybride. Ces derni` e res sont d e nies a ` partir de BJ par ) J S (

bn :=
| |=J,

| | n b , | |

(102)

Dun autre c ot e, comme b est un bilan de ux num eriques sur , on peut aussi le d enir globalement sur la cellule , t n bn |, |F, . (103) := | |
| |=||=J, ,, n En dautres termes, le calcul de va nalement n ecessiter le calcul de ux num eriques F, sur la grille ne, correspondant a ` des bords de cellules de la grille ne, inclus dans des bords de cellules de la grille +1 n adaptative S ( ). Pour xer les id ees on d etaille ci-dessous les etapes de calcul de lalgorithme dHarten dans le cas bidimensionnel triangulaire [20]. (Le cas mono-dimensionnel dyadique est dans lannexe 1 et larticle de Bihari-Harten [10] d etaille le cas dun maillage cart esien). Limpl ementation est bas ee sur deux structures de donn ees : les triangles et les ar etes. j +1 t ` chaque triangle T de larbre on associe ses quatre subdivisions (T A , S = {|| = | | + 1, T T }), j t ses ar etes (a , A , ses voisins au m eme niveau V ( ) = {, || = | |, T T = }, et ses voisins au sens au m de la multir esolution : les trois triangles R eme niveau qui vont permettre dinterpoler les valeurs sur t S gr ace a ` 35. a ` chaque ar A ete a de larbre on associe ses deux subdivisions (a , S = {|| = | | + 1, a a }), ses a deux triangles voisins V ( ) = (, || = | |, a T }, et lorientation de sa normale. Au niveau le plus n on d enit pour chaque ar ete un voisinage au sens du sch ema volumes nis Vvf , cest a ` dire lensemble des triangles entrant dans le calcul du ux num erique a ` travers lar ete a . Remarque : comme on va de toutes fa cons faire evoluer la solution sur la grille la plus ne, le seuillage eectif des d etails en dessous du seuil de tol erance nest pas indispensable. En fait il napporte rien du point n+1 de vue algorithmique puisque les donn ees ne seront pas eectivement compress ees. La grille hybride est dans ce cas virtuelle et sert simplement a ` rep erer la r egularit e de la solution. Il est cependant important de respecter la structure darbre qui est utilis ee dans lalgorithme 12 de calcul des ux. n +1 B A n J

Algorithme 11 Volumes Finis + Multir esolution Initialisation : calcul de U J,0 = {| |1 la grille la plus ne. Boucle sur tn , n = 0, ...
n avec lalgorithme 5 Codage de UJ

u(x, t = 0)dx}, S J , la discr etisation de la condition initiale sur

n+1 10 : Indicateurs de r egularit e, avec pr ediction Calcul des ux avec lalgorithme 12 Evolution au niveau n : Pour , | | = J ,
+1 un = un + b

Fin de Pour Fin de Pour tn

38

Algorithme 12 Calcul des ux en partant du niveau grossier Niveau grossier 0 Boucle sur les ar etes : Pour , | | = 0 (ii) F =
a a ,||=J a (i) , || = J et a a F = Fx,y |x,y avec (x, y ) V

F (voir 103)

Fin de Pour Boucle sur les triangles Pour , | | = 0 (iii) b = |T |1 J 1

F
A

Fin de Pour Pour j = 0 boucle sur les triangles : Pour , n+1 Si | | = j

t calcul exact des ux sur toutes les petites ar etes composant les ar etes de T , S comme en (i), (ii).

Sinon

t calcul de b , S comme en (iii)

Fin de Pour Fin de Pour j

t avec lop calcul de b , S par interpolation des valeurs de b , R erateur 35.

Remarques : Il est clair quune petite ar ete au niveau J interviendra dans le calcul des ux (ii) a ` travers plusieurs ar etes a ` des niveaux interm ediaires, (toutes ses ar etes ascendantes). Il faut donc rep erer si le ux el ementaire (i) a d ej` a et e calcul e ou non. Dans le cas mono-dimensionnel (voir algorithme 24) le nombre de ux a ` calculer pr ecis ement est directe+1 n ment proportionnel au cardinal de , mais ce nest plus vrai en dimension sup e rieure o` u le calcul du ux sur une cellule sur la grille grossi` ere fait intervenir un grand nombre de ux sur des petites ar etes au niveau le plus n. Cet algorithme ne permet aucun gain en m emoire puisque, on la d ej` a remarqu e, l evolution se fait sur la grille la plus ne. De plus, du point de vue CPU, le gain est lui aussi limit e parce que la complexit e des calculs est toujours de lordre de S J . M eme si le calcul des bilans de ux b sont moins co uteux pour n+1 puis quil se fait par interpolation, il doit quand m / eme etre eectu e sur toute la grille la plus ne.

5.3

Algorithme compl` etement adaptatif

Nous pr esentons maintenant lalgorithme permettant de faire evoluer la solution directement sur la grille +1 n hybride sans la reconstruire enti` erement sur la grille la plus ne comme cest le cas dans les algorithmes dHarten. Algorithme 13 Algorithme adaptatif Initialisation de la solution UJ ,0 et de 0 0 Codage de la solution MUJ et seuillage (48) Pour n = 0, ... Boucle sur tn , 39

Graded tree Prediction

Fig. 19 Ranement pr edictif dans le cas mono-dimensionnel dyadique


n n+1 ` 1. Ranement pr edictif : construction de a partir de n et de MU (voir algorithme 16) n +1 MU 2. D ecodage partiel M1 T pour avoir les valeurs moyennes de la solution sur la grille hybride (voir n algorithme 15) 3. Evolution de la solution sur la grille hybride +1 n n n+1 ) un = u b pour S ( 4. Codage partiel MU n+1 (voir algorithme 14) +1 +1 n 5. Seuillage des coecients (48) et restriction de ` a n Fin de Pour n

5.4

Linitialisation

En toute rigueur, il faut partir de la solution donn ee initialement sur la grille la plus ne pour pouvoir, apr` es analyse (codage) et seuillage des coecients, d enir la grille hybride initiale. Cette etape n ecessite donc loccupation m emoire maximale, m eme si ult erieurement cette m emoire peut etre lib er ee. Cependant, si la condition initiale est donn ee par une fonction sous sa forme explicite, on peut envisager de calculer directement une repr esentation compress ee de cette condition initiale, en partant du niveau grossier, ce qui optimise loccupation m emoire. Algorithme 14 Codage partiel de la solution voir Proposition 1. Algorithme 15 D ecodage partiel de la solution

5.5

Le ranement pr edictif

En pratique, dans l etape (5) de seuillage et restriction de lalgorithme 13 on applique seulement la premi` ere etape de lalgorithme 8, sans imposer la structure darbre graduel qui sera de toute fa con assur ee par l etape (1) de ranement adaptatif d ecrite ci-dessous. Algorithme 16 Ranement pr edictif La solution est connue sous la forme cod ee (MU )n n+1 = n 0 (48) Initialisation Ranement pr edictif (voir gure 19 Pour j = J 0 Boucle sur les niveaux Pour n | | = j , n+1 t V (transport des singularit es) calcul de n() (98) (croissance des singularit es) +1 n , Si et || || + n() , Alors Fin de Pour Fin de Pour j Structure darbre (voir algorithme 8) Graduation de larbre (voir algorithme 8) 40

     V 1     V   2      V 3      V  4              


U2

U1

   

U3

       

U4

Fig. 20 Reconstruction des valeurs moyennes au niveau n

5.6

Le calcul pr ecis des ux

A l etape 3 de lalgorithme adaptatif 13, on doit calculer les bilans de ux ( bn n+1 ) , sur les mailles de )S ( la grille hybride, ce qui est dicile puisquon ne dispose pas directement des valeurs (un ) SJ de la solution sur la grille ne, ce qui nous permettrait de calculer (bn ) avec (103), de mani` ere aussi pr ecise que n+1 ) S ( dans lalgorithme 11 (aux erreurs de seuillage pr` es). Dans le cas de grilles uniformes cart esiennes, on peut pallier cette dicult e en remarquant que si les d etails sont n egligeables localement a ` partir dun certain niveau d echelle j , les valeurs moyennes a ` ce niveau susent pour reconstruire, toujours localement, les valeurs moyennes a ` nimporte quel niveau plus n que j . Ceci est illustr e sur la gure 20 correspondant au cas de lop erateur de pr ediction dordre 3. Les valeurs moyennes (U1 , ..U4 )T , localis ees aux extr emit es gauches des gros intervalles, permettent de pr edire les valeurs moyennes (V1 , ..V4 )T au niveau imm ediatement plus n, sur les quatre subdivisions correspondant aux deux mailles centrales sur le niveau grossier, en combinant les relations (31) correspondantes : 1/8 1 1/8 0 1 1/8 0 1/8 V = (104) U 0 1/8 1 1/8 0 1/8 1 1/8

Des relations equivalentes peuvent etre obtenues pour un op erateur lin eaire dordre quelconque. La taille de la matrice augmentant bien sur en cons equence, et aussi dans le cas des maillages cart esiens. En plus de la simplicit e dimpl ementation, cette m ethode permet une analyse de lerreur, dans la mesure o` u le sch ema volume nis de r ef erence est 1 contractant. En revanche, dans le cas dun maillage triangulaire, m eme r egulier, avec un op erateur de reconstruction tel que (35), lobtention dune telle relation matricielle nest pas evidente. Une valeur moyenne au niveau n sexprime di eremment en fonction des valeurs moyennes au niveau grossier suivant sa place dans la subdivision (centrale ou non), et la complexit e du stencil en est dautant plus grande. (Voir les travaux de N. Dyn sur ce sujet) 5.6.1 Evaluation directe

et en it erant cette relation on obtient quatre valeurs moyennes cons ecutives au niveau le plus n en fonction des quatre valeurs moyennes correspondantes au niveau j , si les d etails sont n egligeables pour tous les ascendants successifs des 4 petites cellules J j uk2 u2J j k2 j uJJ j 2 k1 = AJ j uk1 . (105) j uJ u uJ 2J j k+1
2J j k

uj k+1

Dans le cas des maillages triangulaires, deux sch emas ont et e test es. Dans le premier cas, on utilise pour n calculer les bilans de ux ( bn ethode n+1 ) les valeurs dont on dispose directement (u )S ( n+1 ) . Cette m )S ( est evidemment tr` es peu pr ecise, en fait de lordre de la grille la plus grossi` ere, et ne donne pas de tr` es bons r esultats. Une autre id ee est dutiliser un ux num erique dordre plus elev e en reconstruisant par exemple la solution sur les ar etes avec un sch ema de type ENO (voir annexe 3). Enn, on peut imaginer une strat egie 41

interm ediaire (pas impl ement ee) : on associe a ` chaque grosse ar ete sur un niveau interm ediaire un nombre xe N , de petites ar etes au niveau le plus n - faisant partie de la grosse ar ete. On reconstruit la solution localement uniquement sur les triangles voisins de ce petit nombre de petites ar etes et on calcule les ux sur ces derni` eres. Puis on calcule le ux sur les grosses ar etes par une quadrature dordre elev e, d etermin e par N.

5.7

Analyse de lerreur

On renvoie principalement a ` [20] pour lanalyse de lerreur du sch ema de Harten pour un maillage triangulaire et a ` ([22], section 4) pour lanalyse derreur du sch ema adaptatif dans le cas de maillages r eguliers.

6
6.1

Applications num eriques


Cas mono-dimensionnel

On pr esente ici les algorithmes d etaill es dans le cas mono-dimensionnel dyadique M eme dans ce cas relativement simple, une impl ementation ecace du point de vue temps de calcul et place m emoire n ecessite un investissement assez important du point de vue informatique. Les algorithmes ci-dessous nont certainement pas la pr etention de r epondre enti` erement a ` ces objectifs ! (voir par exemple [50] pour un d ebut de r eponse...) Algorithme 17 Codage par valeurs moyennes
J u est connue par ses valeurs moyennes UJ sur la grille ne {J k }, k = 0, ...N 2 1

Pour j = J 1

1. Calcul de Uj : uj k =
+1 2. Calcul de u j 2k

1 j +1 +1 (u + uj k = 0, ..., N 2j 1 2k+1 ), 2 2k k = 0, ..., N 2j 1 (avec lop erateur de reconstruction polynomiale 31)

3. Calcul des d etails entre Uj +1 et Uj j j +1 +1 dk = u2k u j k = 0, ..., N 2j 1, 2k 4. Remplacement de Uj +1 par Uj et Dj Fin de Pour j u est maintenant cod ee sous la forme (U0 , D0 , D1 , ...DJ 1 ) Algorithme 18 D ecodage (valeurs moyennes) u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1
+1 1. Interpolation : calcul de u j 2k

Pour j = 0

J 1

k = 0, ..., N 2j 1 avec (31)

2. Reconstruction : calcul de Uj +1 k = 0, ..., N 2j 1 , +1 +1 j uj = u j 2k 2k + dk


+1 uj 2k+1 j +1 = 2uj k u2k

3. Remplacement de Uj et Dj par Uj +1 Fin de Pour j 42

u est maintenant connue par ses valeurs moyennes UJ sur la grille ne Algorithme 19 Seuillage Harten u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1 Pour k = 0, ..., N 2j 1 Si |dj k | < j Alors dj k =0 J 1

Pour j = 0

Fin de Pour k Fin de Pour j Par convention on notera Aj ` larbre ((j, k ) ). On peut etre encore plus pr ecis et k = 1 lappartenance a imaginer limpl ementation sous forme dun arbre construit r ecursivement. Chaque branche de larbre a un pointeur vers la branche plus ne. Si la branche nexiste pas le pointeur est nul. Algorithme 20 Construction de larbre graduel u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et tous les d etails Dj pour j = 0, . . . , J 1 Pour j = J 1 0

1` ere etape, le seuillage :

Pour k = 0, ..., N 2j 1 Si |dj k | < j


j +1 Alors dj k = 0 et A2k = 0

+1 Sinon Aj 2k = 1

Fin de Pour k Fin de Pour j A0 k = 1 pour tout k = 0, ..., N 2` eme etape, l arbre : Pour j = J 2
j 1 Pour k = 0, ...N 2j et Aj k = 1, Ak/2 = 1

Fin de Pour k Fin de Pour j 3` eme etape, l arbre graduel : pour une reconstruction dordre r = 2s + 1 Pour j = J 1 Pour k = 0, ..., N 2j 1 et Aj k = 1, Fin de Pour k Fin de Pour j Algorithme 21 Reconstruction partielle sur les feuilles de larbre R()
1 Aj k/2+l = 1, pour |l | s

43

u est connue par ses valeurs moyennes U0 sur la grille grossi` ere et les d etails Dj pour j = 0, ..., J 1 et on conna t larbre graduel minimum , sous la forme Aj = 1 si ( j, k ) k Pour j = 0 Pour k = 0, ..., N 2j 1 et Aj k =1
+1 j +1 Si Aj 2k = 1 ou A2k+1 = 1

J 1

Alors Fin de Pour k Fin de Pour j

+1 +1 j uj j 2k = u 2k + dk j +1 j +1 u2k+1 = 2uk uj 2k

On d enit une fonction r ecursive permettant de parcourir larbre et de classer les feuilles Algorithme 22 La fonction sur la grille hybride fonction [X, U ] = hybrid(X, U, j, k, A)
+1 j +1 Si Aj 2k = 1 ou A2k+1 = 1

Alors

[X, U ] = hybrid (X, U, j + 1, 2k, A) [X, U ] = hybrid (X, U, j + 1, 2k + 1, A)

j Sinon X = [X, xj k ] et U = [X, uk ]

Initialisation X = [],U = [] Pour k = 0, ...N 1 [X, U ] = hybrid(X, U, 0, k, A)

Algorithme 23 R` egles de ranement pr edictives dHarten


0 initialisation de Aj k = 0, j > 0, niveau grossier Ak = 1

Pour j = J 1
j

k = 0, ...N 2 1 Si |dj k | j Alors Aj k+l = 1 pour |l | 1


r Si |dj k | 2 j +1 Alors Aj 2k+l = 1 pour l = 0, 1

Multir esolution coupl ee avec un sch ema volume nis : Algorithme dHarten dans le cas mono-dimensionnel dyadique : Algorithme 24 Volumes Finis + Multir esolution Initialisation : calcul de la discr etisation de la condition initiale sur la grille la plus ne : Pour k = 0, ..., N 2J 1
J,0 Uk = 2J xJ k+1 xJ k

u(x, t = 0)dx,

Fin de Pour k Evolution en temps : Boucle sur tn ,Pour n = 0, ...


, Codage de UJ n (algorithme 5)

Indicateurs de r egularit e, avec pr ediction (algorithme 23) 44

Initialisation de larbre Pour j = J 1 Pour k = 0, ..., N 2j 1 Si |dj k | j Alors Aj k+l = 1 pour |l | 1


r Si |dj k | 2 j +1 Alors Aj 2k+l = 1 pour l = 0, 1

J 1

Fin de Pour k Fin de Pour j Calcul des ux (algorithme 25) Evolution sur la grille ne : Pour k = 0, ...N 2J 1, Fin de Pour k Fin de Pour n Algorithme 25 Calcul des ux, algorithme de Harten Calcul des ux au niveau grossier : Pour k = 0, ...N 1, (uJ,n F0 = f , ..., uJ,n ) J J
k 2 kp 2 k+q +1 j J uJ,n = uJ,n k k t(Fk+1 Fk )

Pour j = 0

Pour k = 0, ..., N 2j 1 Si Aj k =1
J,n j +1 J J,n Alors F2 k+1 = F2J j 1 (2k+1) = f (u2J j 1 2k+1p , ..., u2J j 1 2k+1+q ) j +1 j +1 J j Sinon F2 k+1 = F2J j 1 (2k+1) = I (x2k+1/2 ; F )

J 1

Fin de Pour k Fin de Pour j

+1 Dans cet algorithme, lop erateur I qui sert a ` interpoler le ux au point xj 2k+1 en fonction des valeurs des j ux aux points sur la grille plus grossi` ere Fk erateur de pr ediction Pjj+1 dordre r utilis e +l nest pas lop pour les valeurs de la solution, mais lop erateur de reconstruction polynomiale dordre r + 1 sur les valeurs ponctuelles. (voir [34] pour la justication). Sur le mod` ele de la base de Schauder vue au paragraphe 2.4, on peut construire des op erateurs lin eaires de reconstruction par valeurs ponctuelles de pr ecision polynomiale arbitraire en cherchant le polyn ome p de degr e r = 2s tel que j pkj (xk+l ) = fk l = s + 1, ..., s puis en prenant comme valeurs reconstruites au niveau j + 1 +l ,

avec les valeurs des i dans le tableau ci-dessous, pour r = 2, 4 et 6.

j +1 k f2 j +1 f 2k+1

j j = s l=s+1 l (fk+l + fkl+1 )

j = fk +1 j +1 j = I (xj 2k+1 ; f ) = pk,j (x2k+1 )dx

(106)

45

1 1 2 9 16 150 256

2 0

3 0

2 1

4 2

1 16 25 256

(107)

6 3

3 256

On peut se passer de lop erateur I en interpolant les bilans de ux sur chaque maille comme on le fait en dimension deux. Lalgorithme modi e est alors Algorithme 26 Calcul des ux, algorithme modi e Calcul des ux au niveau grossier : Pour k = 0, ...N 1, J,n 0 (uJ,n Fk =f 2J kp , ..., u2J k+q ) Calcul des bilans de ux au niveau grossier : Pour k = 0, ...N 1, Pour j = 0
J 0 0 b0 (Fk k =2 +1 Fk )

calcul des ux : Pour k = 0, ..., N 2j 1 Si Aj k =1


j +1 J,n J J,n Alors F2 k+1 = F2J j 1 (2k+1) = f (u2J j 1 2k+1p , ..., u2J j 1 2k+1+q )

J 1

Fin de Pour k calcul des bilans de ux Pour k = 0, ..., N 2j 1 Si Aj k =1 Alors


+1 j +1 j +1 j +1 bj (F2 2k = 2 k+1 F2k ) j +1 j +1 j +1 b2k+1 = 2j +1 (F2(k+1) F2 k+1 ) +1 j +1 bj 2k = b2k +1 j j +1 bj 2k+1 = 2bk b2k

Sinon Fin de Pour k Fin de Pour j

( avec (31))

Exemple num erique dans le cas mono-dimensionnel Lint er et de lalgorithme adaptatif est bien illustr e lexemple scalaire mono-dimensionnel suivant. On consid` ere l equation de Burgers t u + x u2 /2 = 0

(108)

avec comme condition initiale une fonction r eguli` ere u( x) = 2 + sin(2x) sur lintervalle [0, 1] avec des conditions de p eriodicit e. Le ux num erique est evalu e avec une reconstruction ENO dordre 2. On utilise la technique de reconstruction locale pr esent ee au paragraphe 5.6, et on compare avec les r esultats obtenus en utilisant les valeurs sur la grille hybride pour calculer les ux. On repr esente les r esultats correspondant a ` huit niveaux de r esolution avec 20 intervalles au niveau le plus grossier. Le pas de temps t = 2.5 10 5 et la solution est repr esent ee a ` t = 0.5. Le seuil de tol erance est 103 . Sur la gure 21 on montre la solution 0 initiale sur la grille hybride D , superpos ees a ` cette derni` ere au m eme temps t = 0. Comme la solution 46

7 levels at most - eps=0.001 - 2nd order flux reconstructed on fine grid 3 2.8 2.6 2.4 2.2 2 1.8 1.6 1.4 1.2 1 0 0.2 0.4 x 0.6 0.8 1 2 level 7 levels at most - eps=0.001 - 2nd order flux reconstructed on fine grid 7 6 5 4 2 3 1.8 1.6 1.4 1.2 0 0.2 0.4 x 0.6 0.8 1 2 1.6 1 1.4 0 1.2 0 0.2 0.4 x 0.6 0.8 1 u 2.8 2.6 2.4 2.2 level 2 2 1.8 level u eps=0.001 fv 3 u eps=0.001 grid 3

Fig. 21 = 0.001 Solution de l equation de Burgers a ` t = 0, Flux ENO - valeurs reconstruites


7 levels at most - eps=0.001 - 2nd order flux reconstructed on fine grid 2.8 2.6 2.4 2.2 eps=0.001 fv grid

Fig. 22 = 0.001 Solution de l equation de Burgers a ` t = 0.5, Flux ENO - valeurs hybrides initiale est r eguli` ere seuls deux niveaux de multir esolution sont utilis es (correspondant en fait au choix de la discr etisation). Sur le gure 22, a ` gauche on montre la solution reconstruite sur le niveau le plus n avec pour r ef erence la solution calcul ee par le sch ema volumes nis classique aussi sur le niveau le plus n cest a ` n+1 , superpos dire 2560 intervalles. A droite on montre la solution sur la grille hybride D ees a ` cette derni` ere au m eme temps t = 0.5. Seuls les intervalles les plus ns sont repr esent es, mais tous les intervalles plus gros +1 n dont ils sont des subdivisions appartiennent aussi a ` . La grille hybride localise tr` es bien lemplacement du choc, endroit o` u tous les niveaux d echelle sont utilis es.

6.2

Cas bidimensionnel

La m ethode de multir esolution mise au point par Harten se g en eralise sans dicult e majeure en dimension deux. Par simple produit tensoriel des op erateurs de projection et reconstruction, dans le cas dune grille cart esienne (voir [10]) ou m eme sur des maillages non structur es (voir [3, 2, 47, 20]). En revanche, la g en eralisation de lalgorithme adaptatif dans le cas bidimensionnel se heurte au probl` eme du calcul pr ecis des ux sur les interfaces des mailles a ` des niveaux grossiers. Si lon veut conserver la m eme pr ecision que le sch ema de r ef erence sur la grille uniforme la plus ne, on doit en toute rigueur reconstruire la solution jusquau niveau le plus n tout le long des ar etes de mailles grossi` eres, comme lillustre la gure 23. Cette etape sera dune complexit e algorithmique de lordre de la taille de la grille ne - alors quen dimension un la lin earit e de lop erateur de reconstruction permettait de simplier ce calcul (voir paragraphe 5.6). Lapproche utilis ee en pratique, dans [11] par exemple, consiste a ` utiliser une reconstruction de la solution de part et dautre des ar etes utilisant directement la solution sur la grille adaptative. Pour compenser la perte

47

Fig. 23 Reconstruction locale par valeurs moyennes pour calculer les ux sur une interface au niveau grossier, dans le cas bidimensionnel non structur e.
V 1
U1

 2   

 V 3  
U3

 V  4   

 V  5   
U4


U2

U5

Fig. 24 Reconstruction locale par valeurs ponctuelles. de pr ecision lop erateur sera dordre plus elev e mais non lin eaire - avec en particulier des limiteurs de pente pour assurer la stabilit e. Ces derniers ont pour eet de faire retomber la reconstruction a ` lordre un dans le voisinage des singularit es, mais comme dans ces zones lanalyse des d etails de la multir esolution entrane la repr esentation de la solution sur la grille ne, on ne perd pas en pr ecision par rapport au sch ema uniforme. Une solution alternative consiste a ` abandonner la repr esentation de la solution par ses valeurs moyennes choix motiv e par lutilisation dun sch ema volumes nis - au prot dune repr esentation par valeurs ponctuelles qui sera de toutes fa cons plus naturelle dans le cadre dun sch ema aux di erences nies ou aux el ements nis. En dimension un, dans le cas dun op erateur de reconstruction exacte pour les polyn omes de degr e trois, la reconstruction locale au niveau n a ` partir des valeurs grossi` eres se fait en multipliant la matrice Apv de l equation (109) a ` la puissance voulue par les 5 valeurs centr ees comme lillustre la gure 24. 0 1 0 0 0 0 1/16 9/16 9/16 1/16 = 0 0 1 0 0 0 1/16 9/16 9/16 1/16 0 0 0 1 0

V = Apv U

avec Apv

(109)

En dimension 2 sur une grille cart esienne, on peut cette fois tensoriser la m ethode utilis ee en dimension car 48

7
1 2 6

8
4 5 10 20 25

10

11

12

16 21 22

15

24

16

17

20

21

22

23

24

25

Fig. 25 Reconstruction locale par valeurs ponctuelles pour calculer les ux sur une interface au niveau grossier, dans le cas mono-dimensionnel.

Fig. 26 Grille adaptative au d ebut de la simulation. pour faire evoluer une valeur discr` ete de la solution sur un niveau de grille grossi` ere, on doit reconstruire des valeurs sur la grille la plus ne uniquement au voisinage de ce point, comme lillustre la gure 25. De la m eme mani` ere quen dimension 1 on a des relations lin eaires permettant de calculer les valeurs n ecessaires au niveau n en fonction des valeurs connues a ` un niveau plus grossier. A titre dexemple, on applique lalgorithme de multir esolution a ` l equation des ondes acoustiques lin eaires. Le sch ema num erique de r ef erence sur la grille uniforme est un sch ema aux el ements nis dordre deux, propos e par Tsogka dans [5]. Lexp erience simul ee est une explosion due a ` une source situ ee au point de coordonn ees (5, 1) dun domaine rectangulaire [0, 10] [0, 20]. On sint eresse a ` la propagation en temps long, et pour que les calculs restent raisonnables on limite le domaine d etude dans la plus petite dimension en utilisant des conditions limites de type PML (perfectly matching layer). Ces conditions limites pr esentent aussi lavantage d etre compatibles avec une solution p eriodique, ce qui permet de r eduire la complexit e de lalgorithme multir esolution. On pr esente dans les gures 26 a ` 29 les r esultats de calcul sur une hi erarchie de quatre niveaux, avec une taille de maille grossi` ere egales a ` 0.4 dans chaque direction. Le module de compressibilit e K = 2.25 et la densit e est x ee a ` = 1. Avec un seuillage = 0.01 lalgorithme code la solution initiale sur 2416 mailles et la solution au bout de 400 pas de temps sur 11895 mailles, alors que la grille uniforme de r ef erence en compte 80000.

Prediction operator for a triangular mesh

Let (Si,j )3 j =1 be the vertices of the triangle Ti . For each vertices Si,j , we can associate a polynomial pi,j (x, y ) of degree lower or equal to M dened by imposing the so-called recovery condition : the mean values of pi,j and the mean values of the function u should coincide on a set Vi,j of neighbor triangles of 49

Fig. 27 Solution adaptative au d ebut de la simulation.

Fig. 28 Grille adaptative a ` la n de la simulation.

Fig. 29 Solution adaptative a ` la n de la simulation.

50

Si,j : A(T )pi,j = A(T )u, if T Vi,j . (110)


+1 T i,j

The reconstructed solution is dened as the mean value of this polynomial on the subtriangle the given vertices Si,j (as shown on gure 30).
+1 +1 u i,j = A(Ti,j )pi,j

containing (111)

for j = 1, . . . , 3.

The mean value on the central subtriangle is computed by imposing conservation of the total sum on T i , see (34). The case M = 1 (i.e. second order accurate reconstruction) was numerically experimented in [37], together with other strategies to select p 1 . We shall see below that a straightforward selection of p that mimics the 1D construction fails to provide a stable reconstruction in the sense that the limit function is not even in L1 , and we shall propose a modied prediction operator which overcomes this drawback. We denote by T0 the current triangle and Ti , i = 1, 2, 3, the three triangles that share an edge with T0 . Their numbering is such that the vertex S0,j of T0 does not belong to Tj . Then the most natural choice for p0,3 seems to be by imposing (110) on T0 and the two neighbors T1 and T2 . A similar construction is done for p0,1 and p0,2 . Writing p0,3 (x, y ) = a0,3 x + b0,3 y + c0,3 , (112) and using the fact that for a polynomial of degree 1 one has A(Tk )p0,3 = p0,3 (xk , yk ), we obtain the three equations a0,3 xk + b0,3 yk + c0,3 = u k , (113) x1 x 0 y 1 y 0 x2 x 0 y 2 y 0 is non singular if the two centroids of T1 and T2 are not aligned with the current centroid G0 , which is the case for uniform triangulations. The last coecient c0,3 is computed by (113). A particular feature of this decomposition is that, for uniform triangulations, the centroid of the triangle T0,+1 3 is also the midpoint of the segment between the centroids of the triangles T1 and T2 . Therefore any plane containing both points +1 1 u1 + u 2 )) whatever be the value of p(x0 , y0 ). (x1 , y1 , u 1 ) and (x2 , y2 , u 2 ) also contains the point (x0+1 ,3 , y0,3 , 2 ( In other words the interpolated value on non central subtriangles of T0 does not depend on the value of the function on T0 : 1 u 0+1 u +u 2 ). (114) ,3 = ( 2 1 This remark enables to show on a simple example that this scheme is not stable. We consider the case of a 0 piecewise constant function equal to one on a triangle T0 and to zero everywhere else. After n iterations of the subdivision scheme the reconstructed function takes the value 4n on the center triangle of the nth level which clearly means that the limit function is not bounded (and not even in L1 since it features a Dirac at the origin). We have not yet analyzed the higher degree reconstructions from this point of view, but they present anyway the other drawback of requiring much larger stencils to compute the local reconstruction polynomials. We adopt therefore an alternate solution consisting (again in the case of uniform decomposition) in the following reconstruction scheme on four triangles : +1 u 0,0 = u 0 , u 0+1 = u 0 + ( u2 + u 3 2 u1 )/6, ,1 (115) +1 u ,2 = u 0 + ( u1 + u 3 2 u2 )/6, 0+1 u 0,3 = u 0 + ( u1 + u 2 2 u3 )/6. for k {0, 1, 2}. The coecients a0,3 and b0,3 solve a 2 2 linear system whose matrix Although not based on a polynomial selection process, this reconstruction is still exact for polynomials of degree one and thus second order accurate. Moreover, it is stable, in the sense that the limit function has C t smoothness for all t < 1. 51

A one parameter subdivision scheme. We replace the denition of u 0,3 as given by ( 114) by the following more general formula u 0+1 u1 + u 2 ) + bu 3 + cu 0 . (116) ,3 = a( We now show that the constants a, b and c can be chosen to ensure the stability and provide the same accuracy as the initial scheme (112). To this eect the formula (116) should be exact for polynomials of degree one. For such a polynomial p(x, y ) we have
+1 +1 u 0+1 ,3 = p(x0,3 , y0,3 ) = a p(x1 , y1 ) + p(x2 , y2 ) + bp(x3 , y3 ) + cp(x0 , y0 ).

(117)

which is veried for all p 1 if and only if b = a 1/2 and c = 3/2 3a. The scheme then becomes 1 1 u3 + 3( a) u0 , u 0+1 u1 + u 2 ) + (a ) ,3 = a( 2 2 and similarly 1 1 u + 3( a) u0 , u 0+1 u1 + u 3 ) + (a ) ,2 = a( 2 2 2 1 1 u 0+1 u2 + u 3 ) + (a ) u1 + 3( a) u0 . ,1 = a( 2 2 (118)

(119)

and

(120)

The central subdivision u 0+1 ,0 is determined so as to satisfy (34) 1 1 u 0+1 u (3a )( u +u 2 + u 3 ). ,0 = (9a ) 2 0 2 1 (121)

For a = 1/2, one obtain the original non stable scheme (110), (111), (112). We shall now see that other values of a improve the stability in the sense that the limit functions are not only integrable but also H older continuous. Convergence. There exists now many dierent techniques to analyze the convergence of subdivision algorithms, as well as the smoothness of the limit function. Some of these techniques make use of Fourier analysis, while other directly operate in the physical domain (see e.g. [1] and [29] for substantial review on these dierent approaches.) Here we are specically interested in evaluating the H older smoothness. In this context, a standard analysis method consists in deriving an auxiliary subdivision algorithm which maps the (innite) vector D of nite dierences between averages on adjacent triangles at level to the same nite dierence vector D +1 at level + 1. Convergence and H older smoothness of the limit follows by proving a contraction property on this auxiliary scheme. More precisely, convergence to a continuous limit holds if lim D = 0 when starting from the dierence vector D 0 associated to the fundamental data with average 1 on a single triangle of 0 and 0 elsewhere (or equivalently from the dierence vector D 0 associated to any bounded sequence of averages on 0 ). In addition, if one can prove an estimate of the type D

(122)

) for some [1/2, 1[, then the limit functions have H older smoothness C with = log( log(2) . A simple computation from the above formulas dening the subdivision for the averages shows that the subdivision for the dierences can be described by two rules, corresponding to the two cases depicted in gure 7 (note that each dierence is associated to an edge and an orientation in the normal direction) : for a dierence D1+1 at level + 1 associated to an edge which does not belong to an edge of the coarser level , we have D1+1 = (4a 1)D1 + (4a 1/2)(D2 + D3 ), (123)

52

while for a dierence D2+1 at level + 1 associated to an edge which belongs to an edge of the coarser level , we have D2+1 = (2a 1)D2 + a(D1 + D4 ) + (a 1/2)(D3 + D5 ). (124) Therefore, if we denote by SD the corresponding operator, we see that it acts boundedly on SD = Max{|4a 1| + 2|4a 1/2| ; |2a 1| + 2|a| + 2|a 1/2|}; It can easily be checked that the right hand side can never be smaller than 1. In turn, we cannot hope to obtain (122) with < 1 through a rough estimate such as D SD D0 . n In order to prove (122), we thus need to consider higher powers of SD : if SD < 1 for some n > 0, it is n 1/n clear that (122) holds with := SD . n The operators SD are also described by a nite number of rules, relating D to D +n , which however become more numerous and complicated as n increases. With the help of a computer, we were able to compute n 7 these rules and thus the norms SD for powers up to n = 8. In particular, we nd that SD < 1 for 8 0.16 a 0.21 and SD < 1 for 0.14 a 0.23. Therefore, we are ensured that the limit function has some positive H older smoothness for values of a in log( S 8 ) the interval [0.14, 0.23]. It is of course possible to evaluate this smoothness by = 8 logD since we have 2 8 1/8 SD . However, direct evaluation of the dierences D indicate that this is a pessimistic estimate 8 1/8 in the sense that could be actually much smaller than SD . In fact, it is even possible that (122) holds with some strictly smaller than the spectral radius of S D on n 1/n (i.e. limn SD ) for the following reason : the dierences cannot be any arbitrary sequence indexed by the edges since they need to satisfy compatibility relations (the dierences over all the edges connected to one point sum up to zero when conveniently oriented). Therefore a sharper estimate for should be the spectral radius of SD on the subspace of dened by these conditions. At a more empirical level, we have directly evaluated the contraction factor D +1 / D which tends to stabilize for 5. We nd that this experimental contraction factor exp is strictly less than 1 for 0.13 a < 0.25 and is close to its minimal value 0.7 for 0.16 a 0.21. We can therefore conjecture that the limit function is continuous for 0.13 a < 0.25 and has H older smoothness 0.5 for 0.16 a 0.21. In an other direction, one can identify as follows an interval for a out of which no H older smoothness can be expected. Consider a triangle of +1 which is a central subtriangle of a triangle in (e.g. T0,+1 0 on gure 30.) We see from (123) that the three dierences associated to its edges only depend on the three dierences associated to the edge of the triangle of which contains it. With an outward orientation of the normal, the matrix describing this dependence is given by 4a 1 4a 1/2 4a 1/2 4a 1/2 4a 1 4a 1/2 . (125) 4a 1/2 4a 1/2 4a 1 Some information on the smoothness of the limit function can be derived from the spectral properties of the 1 and 3 = 12a 2, so that if a does not above matrix : the eigenvalues of this matrix are 1 = 2 = 2 0 belong to ]1/12, 1/4[, we can nd an initial vector D (which does satisfy the compatibility conditions) such that D does not tend to zero.

with norm

Optimal parameter. We nally test the approximation properties of our subdivision scheme for dierent functions u and dierent values of the parameter a. We start from the mean values of the function at the coarse grid 0 (256 triangles). Iterating the subdivision scheme from this coarse data produces a limit function u which can be viewed as the projection of u onto the space spanned by the dual scaling functions. A practical way to select a good value of a is by optimizing the error u u in some prescribed norm. In practice, we can only do a nite number of subdivision steps. After three iterations, we compute the error between the result and the exact mean values of u on this ner grid, which amount in evaluating the averages of u u on the nest grid 3 . The results are presented in the L1 norm (the behavior with respect to a was observed to be similar in the L2 and L norm). 53

T 3 S 01 T 01
l+1

T 02 T 00
l+1

l+1

S 02

T 2

T 03

l+1

T 1

S 03

+1 Fig. 30 Division of the triangle T0 into T0,j for j = 0, . . . , 3 and neighbors T1 , T2 , T3 used for the reconstruction

D1
l+1 l

D2 D3
l

D1 D2
l

l+1

D4

D5

Fig. 31 The two cases for the dierences. For a smooth function u(x, y ) = sin(2x) sin(2y ), the results are shown on gure 32. For a discontinuous function, u(x, y ) = 1 on a disc centered at (0.5, 0.5), with radius 0.2 and u(x, y ) = 0 elsewhere, the results are shown on 33. These two gures justify our choice for the value of the parameter a = 1/6 which belongs to the interval ]0.16, 0.21[ of highest smoothness and leads to a particularly simple scheme : +1 u 0,0 +1 u 0,1 u +1 ,2 0+1 u 0,3 = = = = u 0 u 0 u 0 u 0

+ ( u2 + u 3 2 u1 )/6 + ( u1 + u 3 2 u2 )/6 + ( u1 + u 2 2 u3 )/6

(126)

The above analysis is tied to the use of fully uniform triangulations. In practice, the triangulation can be thought as uniform after a certain number of subdivision steps, except near the exceptional points and edges corresponding to the coarsest mesh. A more elaborate (yet feasible) analysis can be performed in order to analyze the smoothness of the dual functions in these regions (in the uniform regions, smoothness is determined by the previous analysis). Note that the prediction scheme needs anyway to be modied near the exceptional points and edges in order to ensure polynomial exactness. A natural generalization of the optimal scheme (with parameter a = 1/6) seems to be by imposing u 0+1 0 for the central triangle and computing ,0 = u the coecients of the three remaining prediction rules from the constraints of polynomial exactness up to order 1 and conservation of the average.

54

0.045 erreur:norme L1 0.04

0.035

0.03

0.025

0.02

0.015

0.01

0.005 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45

Fig. 32 L1 norm of the error, a regular function

0.14 erreur:norme L1

0.12

0.1

0.08

0.06

0.04

0.02 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

Fig. 33 L1 norm of the error, a discontinuous function

55

Conclusion

Pour approfondir les aspects abord es dans ces notes, nous renvoyons a ` la bibliographie ci-dessous, ainsi quaux r ef erences cit ees dans le texte. Sur la m ethode des ondelettes appliqu ees ` a lanalyse num erique, on pourra consulter Ingrid Daubechies, Ten lectures on wavelets, SIAM, 92. [26]. Albert Cohen, Wavelet methods in numerical analysis, in Handbook of numerical analysis, vol VII, 99. [18]. Une alternative aux m ethodes pr esent ees dans ce cours sont les m ethodes AMR (Adaptive Mesh Renement), o` u le ranement du maillage est pilot e localement par des indicateurs derreur a posteriori. calcul es a ` partir du gradient de la solution [6, 7] ou bien a ` partir des r esidus locaux [35, 49, 48]. Linconv enient de ces approches tr` es performantes en pratique est la dicult e de contr oler th eoriquement lerreur induite par ladaptivit e. En eet, alors que dans le contexte des r esolutions des probl` emes stationnaires par el ements nis les estimations a priori permettent une analyse de lalgorithme pour un eventail assez large d equations (cf [9]), l equivalent pour les sch emas volumes nis est disponible uniquement dans le cas scalaire ou pour des sch emas dordre 1 (cf [43]). Sur les techniques de multir esolution appliqu ees aux syst` emes de lois de conservation on pourra consulter les articles dHarten et de ses collaborateurs, pr esentant lalgorithme dans le cas mono-dimensionnel scalaire [33], et vectoriel, [34]. Bihari et Harten, [10], d eveloppent lapplication au cas scalaire bidimensionnel sur une grille cart esienne, avec codage par valeurs moyennes. Des applications a ` des Volumes nis cell centeredsur des maillages non structur es, toujours par codage des valeurs moyennes ont et e r ealis ees ult erieurement. (Abgrall [3, 2], Sonar [47]) Une approche di erente, avec une impl ementation tr` es pouss ee, pour des syst` emes conservatifs (Euler compressible) et des performances de calcul am elior ees par la parall elisation est d evelopp ee par Chiavassa et Donat [16]. La solution volumes nis sur des maillages cart esiens est cette fois ci cod ee par valeurs ponctuelles. Dans le cadre d etude sur des domaines a ` g eom etrie plus complexe, Dahmen et al [25]) ont utilis e les ondelettes biorthogonales et des maillages curvilignes. Toujours dans le but de pouvoir etudier des g eom etries compliqu ees, nous avons d evelopp e un algorithme de multir esolution pour Volumes nis cell centeredsur des triangles, (Cohen, Dyn, Kaber, Postel [20]). (La section en anglais sur lalgorithme de pr ediction sur les triangles, est extraite de cet article.) Lextension a ` la Multir esolution adaptative pr esent ee au paragraphe 5.3 a donn e lieu a ` de nombreuses publications : Le principe dun algorithme compl` etement adaptatif, annonc e dans les travaux dHarten, est d eni dans ses grandes lignes dans [32] et analys e dans le cas scalaire mono-dimensionnel dans [22]. Cette m ethode et une synth` ese des premi` eres applications sont reprises dans le livre de M uller [41]. Limpl ementation au cas vectoriel 1D et 2D sur des maillages triangulaires sont d etaill ees dans [21, 23, 24]. Parmi les applications plus r ecentes, on pourra regarder [11], dans lequel Brankamp, Lamby et M uller r esolvent les equations de Navier-Stokes pour un gaz compressible en formulation ALE sur des maillages param etr es a ` partir de maillage cart esien a ` laide dun produit tensoriel de B-splines. Lanalyse multi echelle est faite dans une base dondelettes biorthogonales. Le code est teste en 2D sur le prol NACA0012. Roussel et Schneider appliquent lalgorithme adaptatif a ` des equations de r eaction-diusion en 3D dans [44] et a ` des EDP paraboliques dans [45]. Dans [39] Campos et Mehrenberger adaptent le principe de lalgorithme adaptatif pr esent e ici a ` un sch ema semi-Lagrangien, dans le but de r esoudre le probl` eme de Cauchy associ e au syst` eme Vlasov-Poisson en 1D p eriodique. Le dernier d eveloppement est le passage a ` ladaptivit e en temps et en espace : dans les m ethodes pr esent ees dans ce cours le sch ema en temps est le m eme partout sur la grille adaptative. Le pas de temps est 56

uniforme et soumis a ` une condition de stabilit e de type CFL, contr ol ee par la taille de la maille sur la grille la plus ne. Ceci r eduit evidemment beaucoup le gain en performance de temps calcul. Dans [42] M uller et al ont mis au point un algorithme adaptatif a ` la fois en espace et en temps, o` u le sch ema d evolution utilise des pas de temps localement adapt es a ` la taille de la maille. Le sch ema est test e en une dimension sur l equation de Burgers en stationnaire et instationnaire pour des sch emas en temps explicite et implicite. Cette m ethode est ensuite appliqu ee aux equations de Saint-Venant bidimensionnelles avec terme source dans [38]. Dans le cadre dun projet de recherche sur la mod elisation des ecoulements polyphasiques, nous etudions actuellement lutilisation de cet algorithme coupl e avec le sch ema semi-implicite adaptatif d ej` a mis au point pour ce probl` eme dans [30].

R ef erences
[1] W. Dahmen A. Cavaretta and C. A. Micchelli. Stationary subdivisions. In Memoirs of the A.M.S., volume 453, 1991. [2] R. Abgrall. Multiresolution analysis on unstructured meshes. In Chetverushkin and al., editors, Experimentation, modelling and combustion. John Wiley & Sons, 1997. [3] R. Abgrall and A. Harten. Multiresolution representation in unstructured meshes. Technical report, I. Preliminary report, CAM report 94-20, UCLA, 1994. [4] F. Ar` andiga and R. Donat. Nonlinear multi-scale decompositions : The approach of a. harten, numerical algorithms. Technical report, University of Valencia,Spain, 2000. [5] E. B ecache, P. Joly, and C. Tsogka. Fictitious domains, mixed nite elements and perfectly matched layers for 2-D elastic wave propagation. J. Comput. Acoust., 9(3) :11751201, 2001. Ultrasonic eld synthesis and modeling (Trieste, 1999). [6] M. J. Berger and P. Collela. Local adaptive mesh renement for shock hydrodynamics. Journal of Computational Physics, 82 :6484, 1989. [7] M. J. Berger and J. Oliger. Adaptive mesh renement for hyperbolic partial dierential equations. Journal of Computational Physics, 53 :484512, 1984. [8] Marsha J. Berger and Randall J. Leveque. Adaptive mesh renement using wave-propagation algorithms for hyperbolic systems. SIAM J. Numer. Anal., 35(6) :22982316 (electronic), 1998. [9] Christine Bernardi and Fr ed eric Hecht. Mesh adaptivity in the mortar nite element method. In Domain decomposition methods in sciences and engineering (Chiba, 1999), pages 8392 (electronic). DDM.org, Augsburg, 2001. [10] B.L. Bihari and A. Harten. Multiresolution schemes for the numerical solutions of 2-d conservations laws. I. Siam J. Sci. Comp, 18(2) :315354, 1997. [11] F. Bramkamp, Ph. Lamby, and S. M uller. An adaptive multiscale nite volume solver for unsteady and steady state ow computations. J. Comput. Phys., 197(2) :460490, 2004. [12] M. J. Castro-Daz, F. Hecht, B. Mohammadi, and O. Pironneau. Anisotropic unstructured mesh adaption for ow simulations. Internat. J. Numer. Methods Fluids, 25(4) :475491, 1997. [13] A. Cavaretta, W. Dahmen, and C.A. Micchelli. Stationary subdivision. Memoirs of AMS, 453, 1991. [14] S.R. Chakravarthy and A. Harten. Multidimentional ENO schemes for general geometries. Technical Report 76, Icase, 1991. [15] G. Chiavassa and R. Donat. Numerical experiments with point value multiresolution for 2d compressible ows. Technical report, Technical Report GrAN-99-4, University of Valencia, 1999. [16] Guillaume Chiavassa and Rosa Donat. Point value multiscale algorithms for 2D compressible ows. SIAM J. Sci. Comput., 23(3) :805823 (electronic), 2001. [17] B. Cockburn, F. Coquel, and P. Leoch. An error estimate for nite volume methods for multidimensional conservation laws. Math. Comp., 63 :77103, 1994. 57

[18] A. Cohen. Wavelet methods in numerical analysis. In Handbook of Numerical Analysis, vol. VII. Elsevier, 1999. [19] A. Cohen, I. Daubechies, and J.-C. Feauveau. Biorthogonal bases of compactly supported wavelets. Comm. Pure and Applied Math., 45 :485560, 1992. [20] A. Cohen, N. Dyn, S.M. Kaber, and M. Postel. Multiresolution schemes on triangles for scalar conservation laws. J. Comp. Phys., 1(161) :264286, 2000. [21] A. Cohen, S.M. Kaber, and Postel M. Multiresolution analysis on triangles : application to conservation laws. In Finite Volumes for Complex Applications II, pages 841848, 1999. [22] Albert Cohen, Sidi Mahmoud Kaber, Siegfried M uller, and Marie Postel. Fully adaptive multiresolution nite volume schemes for conservation laws. Math. Comp., 72(241) :183225 (electronic), 2003. [23] Albert Cohen, Sidi Mahmoud Kaber, and Marie Postel. Multiresolution analysis on triangles : application to gas dynamics. In Hyperbolic problems : theory, numerics, applications, Vol. I, II (Magdeburg, 2000), volume 141 of Internat. Ser. Numer. Math., 140, pages 257266. Birkh auser, Basel, 2001. [24] Albert Cohen, Sidi Mahmoud Kaber, and Marie Postel. Adaptive multiresolution for nite volume solutions of gas dynamics. Computer and Fluids, 32 :3138, 2003. [25] Wolfgang Dahmen, Birgit Gottschlich-M uller, and Siegfried M uller. Multiresolution schemes for conservation laws. Numer. Math., 88(3) :399443, 2001. [26] I. Daubechies. Ten Lectures on Wavelets. SIAM, Philadelphia., 1992. [27] R. DeVore. Nonlinear approximation. In Acta Numerica, pages 55151, 1998. [28] L.J. Durlofsky, B. Engquist, and S. Osher. Triangle based adaptive stencils for the solution of hyperbolic conservation laws. J. Comp. Phys., 98 :6473, 1992. [29] N. Dyn. Subdivision schemes in computer-aided geometric design. In Advances in Numerical Analysis, vol. II. Clarendon Press - Oxford, 1992. [30] Coquel Fr ed eric, Postel Marie, Poussineau Nicole, and Tran Quang-Huy. Multiresolution techniques and semi implicite schemes for multiphase ows. 2005. [31] E. Godlewski and P-A. Raviart. Numerical Approximation of Hyperbolic Systems of Conservation Laws, volume 118. Springer, 1996. [32] B. Gottschlich-M uller and S. M uller. Adaptive nite volume schemes for conservation laws based on local multiresolution techniques. In M. Fey and R. Jeltsch, editors, Proceedings of 7th International Conference on Hyperbolic Problems, Z urich, February 1998. Birkauser-Verlag. [33] A. Harten. Adaptive multiresolution schemes for shock computations. J. Comp. Phys., 115 :319338, 1994. [34] A. Harten. Multiresolution algorithms for the numerical solutions of hyperbolic conservation laws. Comm. on Pure and Appl. Math., 48 :13051342, 1995. [35] P. Houston, J. A. Mackenzie, E. S uli, and G. Warnecke. A posteriori error analysis for numerical approximations of Friedrichs systems. Numer. Math., 82(3) :433470, 1999. [36] S. Jaard. Pointwise smoothness, two-microlocalization and wavelet coecients. Publicacions Matem` atiques, 35 :155168, 1991. [37] S.M. Kaber and M. Postel. Multiresolution using triangles. Publications du Laboratoire dAnalyse Num erique R98023, 1998. [38] Philipp Lamby, Siegfried M uller, and Youssef Stiriba. Solution of shallow water equations using fully adaptive multiscale schemes. preprint : Report No. 246, IGPM, RWTH Aachen, 2004. [39] Campos Pinto Martin and Mehrenberger Michel. Convergence of an adaptative scheme for the one dimensional vlasov-poisson system. 2005. [40] Y. Meyer. Ondelettes et Op erateurs. Hermann, Paris, 1990. english tranlation by D.H. Salinger (1992), Cambridge University Press, Cambridge. 58

[41] Siegfried M uller. Adaptive multiscale schemes for conservation laws, volume 27 of Lecture Notes in Computational Science and Engineering. Springer-Verlag, Berlin, 2003. [42] Siegfried M uller and Youssef Stiriba. Fully adaptive multiscale schemes for conservation laws employing locally varying time stepping. preprint : Report No. 238, IGPM, RWTH Aachen, 2004. [43] Mario Ohlberger. Higher order nite volume methods on selfadaptive grids for convection dominated reactive transport problems in porous media. Comput. Vis. Sci., 7(1) :4151, 2004. [44] Olivier Roussel and Kai Schneider. A fully adaptive multiresolution scheme for 3D reaction-diusion equations. In Finite volumes for complex applications, III (Porquerolles, 2002), pages 819826 (electronic). Lab. Anal. Topol. Probab. CNRS, Marseille, 2002. [45] Olivier Roussel, Kai Schneider, Alexei Tsigulin, and Henning Bockhorn. A conservative fully adaptive multiresolution algorithm for parabolic PDEs. J. Comput. Phys., 188(2) :493523, 2003. [46] R. Sanders. On convergence of monotone nite dierence schemes with variable spatial dierencing. Math. Comp., 40 :91106, 1983. [47] F. Schr oder-Pander, T. Sonar, and O. Friedrich. Generalized multiresolution analysis on unstructured grids. Numerische Math., 86(4) :685715, 2000. [48] T. Sonar, V. Hannemann, and D. Hempel. Dynamic adaptivity and residual control in unsteady compressible ow computation. Math. Comput. Modelling, 20(10-11) :201213, 1994. Theory and numerical methods for initial-boundary value problems. [49] Thomas Sonar and Endre S uli. A dual graph-norm renement indicator for nite volume approximations of the Euler equations. Numer. Math., 78(4) :619658, 1998. [50] A. Voss and S. M uller. A manual for the template class library igpm t lib. Technical Report 197, IGPM, RWTH Aachen, 1999.

59