Taik TP1 AN3 PDF

A.
Taik TP AN3 LST-MI
Travaux Pratiques: Equations aux Dérivées Partièlles

Méthodes des Différence Finies
Département de Mathématiques 1
FST-Mohammedia, (2008)
Contents
1 Résolution d’une EDP elliptique 4

1. Résolution de l’EDP par la méthode directe: . . . . . . . . . . . . . . . . . . . . . 4
1.1. Cas où h = 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Cas où h = 2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Méthode de relaxation de Liebmann . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1. Relaxation: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Equation de Poisson 3D 11
3 Résolution d’une EDP parabolique 12

1. Programmation de la solution analytique: . . . . . . . . . . . . . . . . . . . . . . 13
2. Discrétisation de l’équation différentielle: . . . . . . . . . . . . . . . . . . . . . . 14
2.1. Rappel de la notation spatiale et temporelle: . . . . . . . . . . . . . . . . . 14
2.2. Discrétisation des dérivées partielles: . . . . . . . . . . . . . . . . . . . . 14
2.3. Equation aux dérivées partielles discrètisée: . . . . . . . . . . . . . . . . . 15
2.4. Résolution numérique du système: . . . . . . . . . . . . . . . . . . . . . . 15
3. Méthode de Crank - Nicolson ou méthode implicite: . . . . . . . . . . . . . . . . . 18
3.1. Programmation de la solution . . . . . . . . . . . . . . . . . . . . . . . . 19
4. Comparaison des méthodes: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.1. Comparaison de uexact (0.25, t) et uapp (0.25, t), uexact (0.75, t) et uapp (0.75, t) 21
4.2. Comparaison de uexact (x, 0.99) et uapp (x, 0.99), uexact (x, 1.98) et uapp (x, 1.98) 22
4 Résolution d’une EDP hyperbolique 24

1. Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1. Exercice 1: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2. Exercice 2: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3. Exercice 3: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.4. Exercice 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2
List of Figures
1.1 Evolution de la courbe ∆u = 0 en fonction de h avec la méthode directe . . . . . . 8

1.2 Evolution de la courbe ∆u = 0 en fonction de h pour la méthode de rélaxation . . 10
3.1 Représentation graphique de la solution analytique uexact (xi , tj ) . . . . . . . . . . 14

3.2 Courbe de la solution numérique, méthode explicite pour r < 12 . . . . . . . . . . . 18
3.3 Courbe de la solution numérique, méthode explicite pour r > 12 . . . . . . . . . . . 18
3.4 Courbe de la solution numérique, méthode implicite pour r < 12 . . . . . . . . . . 21
3.5 Courbe de la solution numérique, méthode implicite pour r > 12 . . . . . . . . . . 21
3.6 Comparaison graphique de uexact (0.25, t) et uapp (0.25, t) . . . . . . . . . . . . . . 22
3.7 Comparaison graphique de uexact (0.75, t) et uapp (0.75, t) . . . . . . . . . . . . . . 22
3.8 Comparaison graphique de uexact (x, 0.9281) et uapp (x, 0.9281) . . . . . . . . . . . 23
3.9 Comparaison graphique de uexact (x, 1.9594) et uapp (x, 1.9594) . . . . . . . . . . . 23
4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3
TP 1
Résolution d’une EDP elliptique
Exercice1:
Soit à résoudre l’équation de Laplace

 ∆u = 0 dans le domaine (x, y) ∈ [0, 20] × [0, 10]
u(x, 0) = u(x, 10) = u(0, y) = 0 et u(20, y) = 100

hx = hy = h ∈ {5, 2.5, 1.25, 0.625, 0.3125}
Tout en variant h, résoudre cette EDP:
1. En utilisant la méthode directe.
2. En utilisant la méthode de rélaxation de Liebmann.
3. Conclure.
1. Résolution de l’EDP par la méthode directe:

1.1. Cas où h = 5
On a: hx = b−anx
⇒ nx = b−a hx
= 20−0
5
= 4 et ny = d−c
hy
= 10−0
5
= 2 La grille maillée contient alors
(nx +1)×(ny +1) mailles vu que nous avons à rajouter les points où xi = 0 et ceux où yj = 0 c’est à
dire les points intersection de la courbe avec les axes. Mais comme les conditions aux limites nous
donnent les images sur les bords, alors les points inconnus restent seulement ceux de l’intérieur du
cadrillage. Ce qui fait donc que le nombre d’inconnues est alors (nx − 1) × (ny − 1) = 3 × 1 = 3
Nous obtenons le système de trois équations à trois inconnues suivant:

 −4u1,1 + u2,1 + 0u3,1 = 0
u1,1 − 4u2,1 + u3,1 = 0

0u1,1 + u2,1 − 4u3,1 = −100
4
A. Taik TP AN3 LST-MI
Il nous reste maintenant à résoudre le système matriciel: A × U = B Avec:

     
−4 1 0 0 u1,1
A =  1 −4 1  , B =  0  et U =  u2,1 
0 1 −4 −100 u3,1
Avec une des méthodes vues en Analyse Numérique II (résolution des systèmes linéaires), nous
obténons la solution:  
1.786
U =  7.143 
26.786
1.2. Cas où h = 2.5

Nous avons aussi: nx = b−a
h
= 20−0
2.5
= 8 et ny = d−c
h
= 10−0
2.5
= 4, ce qui nous donne un système
à n = (nx − 1) × (ny − 1) = 7 × 3 = 21 équations à 21 inconnues de la forme:

 −4u1,1 + u2,1 + · · · + u1,2 + · · · · · · = 0



 u1,1 − 4u2,1 + u3,1 + · · · + u2,2 + · · · = 0


 ..
.

 · · · · · · · · · + u6,1 − 4u7,1 + · · · · · · = −100



 u1,1 + · · · · · · − 4u2,1 + u2,2 + · · · · · · = 0

 ..
.
Les conditions aux limites nous ont ramené à avoir la grille suivante dans laquelle nous allons
chercher les inconnus de l’équation:
~y
6
0 0 0 0 0 0 0 0 0
0 u3,1 u3,2 u2,3 u3,4 u3,5 u3,6 u3,7 100
0 u2,1 u2,2 u2,3 u2,4 u2,5 u2,6 u2,7 100
0 u1,1 u1,2 u1,3 u1,4 u1,5 u1,6 u1,7 100
0 -
0 0 0 0 0 0 0 0 0 ~x
Avec un petit programme sur Matlab, nous transformons la matrcie U en un vecteur ~v pour
pouvoir bien résoudre le système sans erreur puisque la résolution du système AU = B éxige que
U soit un vecteur. Voici le programme qui a assuré la transformation:
********************************************
for j=1:ny-1
for i=1:nx-1
v(k)=u(i,j);
k=k+1;
end
end
**********************************************
Ce qui nous donne après, le système:

 −4v1 + v2 + · · · + v8 + · · · · · · = 0



 v1 − 4v2 + v3 + · · · + v9 + · · · = 0


 ..
.

 · · · · · · · · · + v6 − 4v7 + · · · · · · = −100



 v1 + · · · · · · − 4v8 + v9 + · · · · · · = 0

 ..
.
Il nous reste maintenant à résoudre le système matriciel suivant: A × ~v = B, avec

 
0
 
−4 1 1  .. 
 . 
 1 −4 1 1   . 
   .. 
0 1 −4 1 1   
  −100
 ... ... ...   
   . 
   .. 
A= 
1 −4 0 1  et B = 
  .. 

1 0 −4 1 1  . 
   
 0 ... ..
.
.. .. ..
1 . . .  −100
   . 
 .   . 
 ..   . 
 . 
0 1 1 −4  .. 
−100
L’utilisation de la méthode de Jacobi ou Gauss-Seidel pourrait nous donner les solutions du

système. Toutefois, nous allons adapter la résolution directe comme le titre l’indique pour résoudre
ce système. voici le programme complet, expliqué, saisi en Matlab qui nous a permis d’avoir la
matrice U à partir des calculs des élements du vecteur ~v .
*************************************************
clc;clear
h=2.5;
a=0;
b=20;
c=0; d=10;
nx=(b-a)/h;
ny=(d-c)/h;
n=(nx-1)*(ny-1);
%%% (remplissage des éléments de la matrice A)
A=zeros(n);
for i=1:(n-1)
A(i,i)=-4;
A(i+1,i)=1;
A(i,i+1)=1;
if (mod(i,(nx-1))==0)
A(i+1,i)=0;
A(i,i+1)=0;
end
end
for i=1:n-nx+1
A(nx-1+i,i)=1;
A(i,nx-1+i)=1;
end
A(n,n)=-4;
%%% (remplissage des éléments de la matrice B)
for i=1:n
B(i)=0;
if (mod(i,nx-1)==0)
B(i)=-100;
end
end
%%% (résolution du système Av=B et transformation du vecteur ~v en la matrice U ).
V = A\B 0 ;
k=1;
for j=1:ny-1
for i=1:nx-1
u(j,i)=V(k);
k=k+1;
end
end
%%% (décallage des élements pour insérer les conditions aux limites)
for j=ny:-1:2
for i=nx:-1:2
u(j,i)=u((j-1),i-1);
end
end
for i=1:nx
for j=1:ny
u(1,i)=0;
u(j,1)=0;
u(ny+1,i)=0;
u(j,nx+1)=100;
end
end
u(1,nx+1)=0;
%%% les vecteurs x et y
x=0:h:b; y=0:h:d;
%%% (affichage la courbe en tenant compte des vecteurs x ,y et de la matrice U)
mesh(x,y,u)
**********************************************
Voici en résumé, les courbes qu’on obtient en variant h:
Figure 1.1: Evolution de la courbe ∆u = 0 en fonction de h avec la méthode directe
2. Méthode de relaxation de Liebmann

Le schéma numérique obtenu dans la partie 1 de ce projet nous donne:
ui−1,j + ui,j−1 − 4ui,j + ui+1,j + ui,j+1 = 0

ui−1,j + ui,j−1 + ui+1,j + ui,j+1
⇔ ui,j =
4
uk+1 k+1 k k
i−1,j + ui,j−1 + ui+1,j + ui,j+1
⇔ uk+1
i,j = (2.1)
4
Cette méthode est appelée méthode itérative de Liebmann. Une condition initiale est éxigée,
comme pour toute autre méthode itérative, pour pouvoir commencer le procéssus.
Pour cette méthode, on a besoin de seulement 6000 bytes (octets) pour résoudre le système au lieu
de 14000 bytes pour la méthode directe, pour h = 1.25.
On peut aussi écrire:
" #
k+1 k+1 k k
u i−1,j + u i,j−1 + u i+1,j + u i,j+1
uk+1 k
i,j = ui,j +
4
le terme entre crochets est appelé résidus conu comme un ajustement de la valeur précédente uki,j
pour avoir la valeur uk+1
i,j
2.1. Relaxation:
" #
uk+1 k+1 k k
i−1,j + ui,j−1 + ui+1,j + ui,j+1
uk+1 k
i,j = ui,j +w×
4
avec:
4
wopt = q
2+ 4 − (cos nπx + cos nπy )2
************************************************
clear; clc;
a=0; b=20;
c=0; d=10;
h=0.625 ;
%%% les vecteurs ox,
~ oy ~ x=0:h:b; y=0:h:d;
nx=(b-a)/h; ny=(d-c)/h;
c=cos(pi/nx)+cos(pi/xy);
w=4/(2+sqrt(4-C*C));
u=zeros(ny+1,nx+1);
v=zeros(ny+1,nx+1);
for j=2:ny
u(j,nx+1)=100;
end
while (abs(norm(u-v) 1e-6))
v=u;
for j=2:nx
for i=2:ny
u(i,j)= u(i,j)+w/4*(u(i+1,j)+u(i-1,j)+u(i,j+1)+u(i,j-1)-4*u(i,j));
end
end
end
mesh(x,y,u)
*************************************************
Voici les courbes répresentatives pour chaque valeur de h.
Figure 1.2: Evolution de la courbe ∆u = 0 en fonction de h pour la méthode de rélaxation
TP 2
Equation de Poisson 3D
Exercice:
Soit l’équation de Poisson (3D):


 4u = f (x, y, z) dans le domaine (x, y, z) ∈ [0, 1] × [0, 1] × [0, 1] ,



u(x = 0, y, z) = u(x, y = 0, z) = u(x, y, z = 0) = 0





u(x = 1, y, z) = u(x, y = 1, z) = u(x, y, z = 1) = 0,
Avec :
³
f (x, y, z) = − 2kyz(1 − y)(1 − z) + (kyz(1 − y)(1 − z)(1 − 2x))2
−2kzx(1 − z)(1 − x) + (kzx(1 − z)(1 − x)(1 − 2y))2
−2kxy(1 − x)(1 − y) + (kxy(1 − x)(1 − y)(1 − 2z))2 )
´
(−ekxyz(1−x)(1−y)(1−z) /(1 − ek/64 ) .
La solution éxacte est:
u(x, y, z) = (1 − ekxyz(1−x)(1−y)(1−z) )/(1 − ek/64 ).
Question 1: Résoudre cette EDP numériquement par différence finie (Méthode directe). Etablir
un code Matlab.
Question 2: Utiliser la méthode de relaxation de Liebmann pour rsoudre du même problème

et comparer la solution approchée avec la solution éxacte.
Question 3: Conclure.
11
TP 3
Résolution d’une EDP parabolique
TP:
∂u 2
Soit à résoudre l’équation de la chaleur ∂t
= α ∂∂xu2 avec α ∈ R fixe. Considérons le système:
 ∂u κ ∂2u

 ∂t
= cρ ∂x½
2

100x si x ∈ [0, 1]
u(x, 0) =

 100(2 − x) si x ∈ [1, 2]

u(0, t) = u(2, t) = 0
Prendre κ = 0.13, c = 0.11, ρ = 7.8g/cm3 , ∆x = 0.25. ∆t sera donné par les conditions de
κ ∆t
stabilité définies par l’inéquation: r = cρ ∆x2
< 12 . La solution analytique est donnée par:
∞
X 1 π(2n + 1)(x − 1) 2
uexact (x, t) = 800 × × cos × e−0.3738(2n+1) t
n=0
π 2 (2n + 1) 2 2
1 1
1. Utiliser la méthode directe (méthode explicite) en supposant r > 2
puis r < 2
. Que
constatez-vous?
2. Utiliser maintenant la méthode de Crank- Nicolson et faites varier le r. Que constatez-vous?
3. Comparaisons des méthodes:
(a) Comparer, en fonction de r, graphiquement uexact (0.25, t) et uapp (0.25, t) puis uexact (0.75, t)
et uapp (0.75, t)
(b) Même question pour uexact (x, 0.99) et uapp (x, 0.99) puis
uexact (x, 1.98) et uapp (x, 1.98)
4. Conclure.
12
1. Programmation de la solution analytique:

Soit:
∞
X 1 π(2n + 1)(x − 1) 2
uexact (x, t) = 800 × × cos × e−0.3738(2n+1) t
n=0
π 2 (2n+ 1) 2 2
Puisque nous sommes en analyse numérique et non en analyse fondamentale nous devons savoir
que nous ne travaillons qu’avec des points d’un maillage et non dans tout le domaine comme on
aurait cru le faire. Pour évaluer la valeur numérique de uexact pour tout point appartenant dans la
grille, nous devons faire une boucle qui, pour chaque point (xi , tj ), calcule uexact (xi , tj ).
Posons ∞ = 100 acceptable en analyse numérique, nous avons donc le programme suivant qui cal-
cule les éléments de la matrice v représentant exactement les valeurs de u(xi , tj ) dans le cadrillage.
***********************************
clc; clear;
k=0.13;c=0.11; p=7.8;dx=0.25;
r=1/4
dt=dx*dx*c*p*r/k;
Tmax=100*dt;%%(Nous avons fait Tmax un multiple de dt pour qu’en le divisant par dt, nt soit
toujours un entier, car sinon le programme ne compilera pas)%
cla=0; clb=0;
a=0;b=2;
nx=(b-a)/dx;
nt=Tmax/dt;
x=0:dx:b; t=0:dt:Tmax;
% *********** la solution analytique ********************
v=zeros(nx+1,nt+1);
n=0;
while(n ≤ 100)
for i=1:nx+1
for j=1:nt+1
u(i, j) = v(i, j) + 800 ∗ 1/(pi2 ∗ (2 ∗ n + 1)2 ) ∗ cos(pi ∗ (2 ∗ n + 1) ∗ (x(i) − 1)/2) ∗ exp(−0.3738 ∗
(2 ∗ n + 1)2 ∗ t(j));
v(i,j)=u(i,j);
end
end
n=n+1;
end
mesh(t,x,v)
*****************************
Voici la courbe que nous avons obténue pour r = 41 :
Figure 3.1: Représentation graphique de la solution analytique uexact (xi , tj )
2. Discrétisation de l’équation différentielle:

2.1. Rappel de la notation spatiale et temporelle:
Si la fonction u prend comme variables le temps tj et de l’esapce xi , yj , · · · , par commodité du
langage, on notera u(xi , tj ) par uji et en dimension 2D de l’espace et 1D en temps, u(xi , yj , tk )
sera notée par uki,j
2.2. Discrétisation des dérivées partielles:

∂2u
Nous pouvons approximer ∂x2
par:
∂2u uji+1 − 2uji + uji+1

(x ,
i jt ) ≈ (2.1)
∂x2 (∆x)2
Puisque ∂u
∂t
est une dérivée simple c’est à dire une dérivée prémière, nous utilisons ici l’une des
trois formules vues en projet 1, paragraphe 1.1.1. Prenons la formule avale (droite):
∂u uj+1 − uji
(xi , tj ) ≈ i (2.2)
∂t ∆t
Nous avons remplacé hx par ∆x et ht par ∆t.
2.3. Equation aux dérivées partielles discrètisée:

uj+1 −uji κ uji+1 −2uji +uji−1
Remplaons 2.1 et 2.2 dans l’EDP donnée en énoncé. On aura: i
∆t
≈ cρ
× (∆x)2
⇒ uj+1
i − uji = (∆x)
∆t κ j j j
2 × cρ × (ui+1 − 2ui + ui−1 )
∆t κ
Posons r = (∆x) 2 × cρ , l’équation devient:
uj+1
i = ruji+1 + (1 − 2r)uji + ruji−1
Ceci est l’équation discrétisée de l’équation de la chaleur avec la méthode des différences finies.
On l’appelle équation de la méthode directe.
Remark 1. :
1. r regroupe les constantes physiques du problème et celles de la discrétisation de l’espace

[a, b] et du temps [0, Tmax ]. Donc les pas de discrétisations influencent l’équation discrétisée.
2. Pour j = 0, t = 0 et u1i = ru0i+1 +(1−2r)u0i +ru0i−1 ⇒ l’équation nécéssite la connaissance

de la condition initiale pour démarrer le procéssus.Cette condition n’est autre que f (x, 0) =
f (xi ) donnée par l’énoncé du problème.
2.4. Résolution numérique du système:

Quand on fixe j et on varie i de 1 à nx − 1, on obtient le système linéaire de nx − 1 équations à
nx − 1 inconnues suivant:
 j+1

 u1 = ruj2 + (1 − 2r)uj1 + ruj0



 uj+1
2 = ruj3 + (1 − 2r)uj2 + ruj1 ½ j+1

 .
.. U = M × Uj + N
⇐⇒
 0 ≤ j ≤ nt − 1



 .
..


 j+1
unx −1 = rujnx + (1 − 2r)ujnx −1 + rujnx −2
Avec: u0j la condition aux limites en a, on la notera dans la programmation uj0 = cla et ujnx la
condition aux limites en b qui sera notée ujnx = clb. Nous avons donc:
   
1 − 2r r 0 ······ ··· 0 rU0j
 ... ..   0 
 r 1 − 2r r .   
   .. 
 .. ..   . 
 0 r 1 − 2r r . .   . 
M = .. ... ... ... ...  et N = 
 .. 

 . 0   . 
   .. 
 .. ...   
 . r 1 − 2r r   0 
0 ··· ··· 0 r 1 − 2r rUnj x
La matrice M est une matrice tridiagonale ou trigonale et la résolution est d’autant plus simple
à programmer avec une des méthodes itératives ou directes vues en analyse numérique II. Mais,
encore une fois, nous allons nous suffire de la résolution directe par la division matricielle. C’est
à dire si on a à résoudre le système Au = B alors on écrira en Matlab x = A \ B et nous aurons
automatiquement la réponse.
Attention: B doit être un vecteur colonne de même nombre d’éléments que le nombre des lignes
de A et le vecteur ~u sera donné en un vecteur colonne. Il ne nous est pas nouveau de donner la
transposée d’une matrice pour avoir tout ce que nous voulons.
Nous avons pris r = 14 pour le cas où r < 12 et r = 0.625 pour le cas où r > 21 , on a le programme
suivant qui nous calcule les valeurs du vecteur ~u, remplacé par le vecteur ~h dans le programme
pour pouvoir lier le programme avec le premier calculant les éléments de la matrice v pour la solu-
tion exacte, à chaque instant j et qui les stocke dans une matrice w, en commanant par les valeurs
initiales qui ne sont d’autres que les conditions initiales. Pour avoir la courbe du deuxième cas, il
suffit de remplacer r par 0.625
******************************************
clc; clear;
k=0.13;c=0.11;
p=7.8;dx=0.25;
r=1/4; dt=dx*dx*c*p*r/k;
Tmax=100*dt;
a=0;b=2;
cla=0;clb=0;
nx=(b-a)/dx;
nt=Tmax/dt;
for i=1:nx-1
N(i)=0;
end
N(1)=r*cla;
N(nx-1)=r*clb;
for i=1:nx-2
M(i,i)=1-2*r;
M(i,i+1)=r;
M(i+1,i)=r;
end
M(nx-1,nx-1)=1-2*r;
for i=1:nx+1
if x(i) < 1
Ci(i)=100*x(i);
else
Ci(i)=100*(2-x(i));
end
end
for i=1:nx-1
h(i)=Ci(i+1);
end
j=1;
h=h’;
while(j < nt + 2)
for i=1:nx-1
w(i,j)=h(i);
end
h=M*h+N’;
j=j+1;
end
for i=nx:-1:2
for j=nt+1:-1:1
w(i,j)=w(i-1,j);
end
end
for j=1:nt+1
w(1,j)=0;
w(nx+1,j)=0;
end
mesh(t,x,w);
*********************************
Voici les courbes obtenues après compilation pour les deux cas:
Constatations:
Nous avons rémarqué, d’après les deux graphes corresondantes à r < 12 et r > 12 , que la méthode
présente deux régions de stabilité. Si r < 12 la méthode est stable et converge vers la solution
analytique. Nous avons une courbe semblable à celle de la solution analytiquement établie. Plus
j s’accroit, plus les valeurs du vecteur ~u deviennent nulles. Ce qui est en entier accord avec la
solution éxacte qui est une série des fonctions convergente, alors son terme général doit tendre
forcement vers 0.
Mais si r > 12 , la méthode présente des failles et la courbe ne converge même pas. L’allure obténue
dans ce cas est totalement en désaccord avec celle de la solution éxacte.
Figure 3.2: Courbe de la solution numérique, Figure 3.3: Courbe de la solution numérique,
méthode explicite pour r < 12 méthode explicite pour r > 12
Pour avoir un bon résultat dans cette méthode, il faut donc ténir compte de la valeur de r car elle
influencera le résultat.
3. Méthode de Crank - Nicolson ou méthode implicite:

Nous remplaons les dérivées partielles par leurs approximations déjà établies pour avoir l’équation
numérique
µ suivante: ¶
1 uji+1 −2uji +uji−1 uj+1 j+1
i+1 −2ui +uj+1 cρ uj+1 −uji
2 (∆x)2
+ (∆x)2
i−1
= κ
× i
∆t
¡ ¢ ¡ j ¢
⇒ 2 uj+1
i − uji = (∆x) ∆t κ j j j+1 j+1
2 cρ ui+1 − 2ui + ui−1 + ui+1 − 2ui + uj+1
i+11 .
∆t κ
Posons r = (∆x)2 cρ , on trouve l’équation:
−ruj+1 j+1
i−1 + (2 + 2r)ui − ruj+1 j j j
i+1 = rui−1 + (2 − 2r)ui + rui+1
Ceci est le schéma numérique de Crank - Nicolson.

Lorsque nous fixons j et faisons varier i, nous obténons le système linéaire suivant:


 −ruj+1
0 + (2 + 2r)uj+1
1 − ruj+1
2 = ruj0 + (2 − 2r)uj1 + ruj2

 j+1

 −ruj+1
 1 + (2 + 2r)uj+1
2 − ruj+1
3 = ruj1 + (2 − 2r)u2i + ruj3
 j+1 j+1
 −ru2 + (2 + 2r)u3 − ru4 = ruj2 + (2 − 2r)uj3 + ruj4
..

 .

 ..



 .

−ruj+1 j+1 j+1 j j
nx −2 + (2 + 2r)unx −1 − runx = runx −1 + (2 − 2r)unx + runx
j
=⇒ M1 U j+1 + N1 = M2 U j + N2
Avec:
   
2 + 2r −r 0 ······ ··· 0 −rU0j+1
 .. 
..  0 
 −r 2 + 2r −r . 
.  
   .. 
 ... 
..  . 
 0 −r 2 + 2r −r .  .. 
M1 =  .  , N =  
 .. . .. . .. .. .. 
1  . 
 . . 0   .. 
 ..   . 
 . . .. −r 2 + 2r −r   
 0 
0 ··· ··· 0 −r 2 + 2r −rUnj+1x
   j 
2 − 2r r 0 ······ ··· 0 rU 0
 .. ..   0 
 r 2 − 2r r . .   
   .. 
 ... ..   . 
 0 r 2 − 2r r .   . 
M2 =  .. .. .. .. ..  , N2 = 
 .. 

 . . . . . 0    . 
  .. 
 .. ..   
 . . r 2 − 2r r   0 
0 ··· ··· 0 r 2 − 2r rUnj x
=⇒ U j+1 = M1−1 [M2 U j + (N2 − N1 )]
Ce système matriciel est linéaire d’ordre nx − 1.
3.1. Programmation de la solution

Voici le programme qui sert à donner la courbe de la solution numérique de la méthode de Crank
- Nicolson. Pour avoir la solution (la courbe) pour le deuxième cas, il suffit de remplacer r par 0.25:
*********************************
clc; clear;
k=0.13;c=0.11;
p=7.8;dx=0.25;
r=0.625;
dt=dx*dx*c*p*r/k;
Tmax=100*dt;
a=0;b=2;
cla=0;clb=0;
nx=(b-a)/dx; nt=Tmax/dt;
for i=1:nx-1
N1(i)=0;
N2(i)=0;
end
N2(1)=-r*cla;
N2(nx-1)=-r*clb;
for i=1:nx-2
M1(i,i)=2+2*r;
M1(i,i+1)=-r;
M1(i+1,i)=-r;
M2(i,i)=2-2*r;
M2(i,i+1)=r;
M2(i+1,i)=r;
end
M1(nx-1,nx-1)=2+2*r;
M2(nx-1,nx-1)=2-2*r;
for i=1:nx+1
if x(i)<1
Ci(i)=100*x(i);
else
Ci(i)=100*(2-x(i));
end
end
for i=1:nx-1
h(i)=Ci(i+1);
end
j=1;
h=h’;
I=eye(nx-1)
while(j<nt+2)
for i=1:nx-1
w(i,j)=h(i);
end
h=(M1\I)*(M2*h+(N2’-N1’));
j=j+1;
end
for i=nx:-1:2
for j=nt+1:-1:1
w(i,j)=w(i-1,j);
end
end
for j=1:nt+1
w(1,j)=0;
w(nx+1,j)=0;
end
mesh(t,x,w);
******************************************
Voici les courbes répresentatives de w dans les deux situations:
Figure 3.4: Courbe de la solution numérique, Figure 3.5: Courbe de la solution numérique,
méthode implicite pour r < 12 méthode implicite pour r > 12
Constatations
Nous remarquons ici que la méthode de Crank - Nicolson est inconditionnellement stable ( c’est à
dire quel que soit r ∈ R). Toutefois, quand r > 21 la méthode converge plus vite vers 0 que si c’est
le cas contraire. Il faut aussi savoir qu’on paie cette stabilité par la résolution, à chaque instant tj ,
d’un système linéaire qui nécéssite une inversion de la matrice M1 tridiagonale, soit:
M1 U j+1 + N1 = M2 U j + N2
=⇒ U j+1 = M1−1 [M2 U j + (N2 − N1 )]
4. Comparaison des méthodes:

En fonction de r, nous voulons comparer graphiquement la méthode numérique explicite (directe)
avec la solution analytique pour voir comment la solution approchée se rapproche à la solution
éxacte.
4.1. Comparaison de uexact (0.25, t) et uapp (0.25, t), uexact (0.75, t) et uapp (0.75, t)
Nous combinons le programme de la solution analytique avec celui de la solution numérique di-
recte pour pouvoir faire la comparaison, puis on ajoute à la fin du nouveau programme, la partie
suivante:
Rémarquons que xi = 0.25 si i = 2 et xi = 0.75 pour i = 4.
**************************
Sa1=v(2,:);
Sn1=w(2,:);
plot(t,Sa1,’r’,t,Sn1,’g’);
Sa2=v(4,:);
Sn2=w(4,:)
figure(2)
**************************
Voici donc les courbes comparatives de ces deux méthodes aux points 0.25 et 0.75:
Figure 3.6: Comparaison graphique de Figure 3.7: Comparaison graphique de

uexact (0.25, t) et uapp (0.25, t) uexact (0.75, t) et uapp (0.75, t)
4.2. Comparaison de uexact (x, 0.99) et uapp (x, 0.99), uexact (x, 1.98) et uapp (x, 1.98)
Remarquons qu’avec r = 14 , on n’a pas un point j tel que tj = 0.99 ni tj = 1.98 mais on voit que
pour j = 10, tj = 0.9281 ≈ 0.99 et pour j = 20, tj = 1.9594 ≈ 1.98. On refait ensuite la même
chose mais on ajoute à présent la partie suivate à la fin de la combinaison:
%%********************************
Sa1=v(:,10);
Sn1=w(:,10);
Sa2=v(:,20);
Sn2=w(:,20)
figure(2) plot(t,Sa2,’r’,t,Sn2,’g’);
*******************************
Voici donc les courbes comparatives des solutions pour les deux méthodes à tj = 0.9281 et tj =
1.9594:
Figure 3.8: Comparaison graphique de Figure 3.9: Comparaison graphique de

uexact (x, 0.9281) et uapp (x, 0.9281) uexact (x, 1.9594) et uapp (x, 1.9594)
TP 4
Résolution d’une EDP hyperbolique
1. Exercices d’application
1.1. Exercice 1:
Soit à résoudre:  ∂2u 2

 ∂t2
= 2 ∂∂xu2 − 4





 ∂u

 = 0, 0 ≤ x ≤ 1
 ∂t
½

 12x, 0 ≤ x ≤ 0.25

 u(x, 0) =

 4 − 4x, 0.25 ≤ x ≤ 1





u(0, t) = u(1, t) = 0
Prendre ∆x = 0.25 et ∆t = 0.1768
Corrigé
On a a = −2, b = 0, c = 1 et e = 4,
√ √ √
+2 2 2 2
Donc: b2 − 4ac = 0 − 4(−2)(1) = 8 > 0, m1 = 4
= 2
et m2 = − 2
.
Pour chaque point, nous avons deux caractéristiques:

√ √
2 2
∆t = 2
∆x et ∆t = − 2
∆x (voir figure 2).
Calculons u au point R2 (0.5, 0.1768): On a l’équation

am∆p + c∆q + e∆t = 0,
suivant la droite P R2 puis la droite QR2 on trouve:
24
~t
6
m−
q m+
p
@ @ ¡ ¡
@ @ ¡ ¡
@ @ ¡ ¡
@ @
¡ ¡
- @R¡R4
@
5 R¡
6
@ ¡@ @ ¡ ¡
@ @ ¡ @ ¡ ¡
@ @
¡ @
¡ ¡
@ ¡ @ ¡ @ ¡
R¡
@ 1 R¡
@ 2 R¡
@ 3
t = ∆t @ − ¡ @ ¡ @ ¡@ m¡+
m@p ¡ @ ¡ @ ¡ @ ¡
q
@
¡ @
¡ ¡
@ @
¡
¡ @ ¡ @ ¡ @ ¡ @
t = 0¡ @¡ @¡— @¡ @— - ~
x
P Q
Figure 4.1:
 √
 −2 22 (pR2 − pP ) + (qR2 − qP ) + 4∆t = 0,
 √
2
2 2
(pR2 − pQ ) + (qR2 − qQ ) + 4∆t = 0.
On prend: pP = ( ∂u ) = −4 (car on est à droite du point P ), pQ = ( ∂u

∂x P
) = −4, et qP = ( ∂u
∂x Q
) =
∂t P
∂u
qQ = ( ∂t )Q = 0 et on les remplace dans le système pour avoir:
½ √
− 2(pR2 + 4) + qR2 + 4∆t = 0,
√
2(pR2 + 4) + qR2 + 4∆t = 0.
√
2
Après résolution de ce système, on obtient: pR2 = −4 et qR2 = − 2
Maintenant, on évalue u au point R2 à travers ces variations le long de de P → R2 .

∆u = pav ∆x + qav ∆t,
pP + pR2 qP + qR2
⇒ uR 2 − uP = ( ) × 0.25 + ( ) × 0.1768,
2 √
2
−4 − 4 0 − 22
⇒ uR 2 = ( ) × 0.25 + ( ) × 0.1768 + 3.
2 2
⇒ uR2 = 1.9375
En continuant de la sorte à calculer les autres valeurs de u, on remplit le tableau suivant:
x 0 0.25 0.5 0.75 1

u(t = 0) 0.0 3.0 2.0 1.0 0.0
u(t = 0.1768) 0.0 0.9375 1.9375 0.9375 0.0
u(t = 0.3535) 0.0 -1.1875 -0.2500 0.8125 0.0
u(t = 0.5303) 0.0 -1.3125 -2.4375 -1.3125 0.0
Table 4.1: Tableau 1
Implementation numérique
code:
clear all;clc;
syms a b c e x u;
a=input(’donner la valeur de a:’);
b=input(’donner la valeur de b: ’);
c=input(’donner la valeur de c: ’);
e=input(’donner la valeur de e: ’);
dx=input(’entrer le pas de la discretisation: ’);
delta=b*b-4*a*c; m=(b-sqrt(delta))/(2*a); n=1/dx; N=n;
d=zeros(N+1,n+1); t=zeros(N+1,n+1); p=zeros(N+1,n+1);
q=zeros(N+1,n+1); u=12*x; f=diff(u);
u=4-4*x; g=diff(u); y=0:dx:1;
i=1;
for j=1:n+1
d(i,j)=y(i,j);
if(0.25<=d(i,j))
u(i,j)=4-4*d(i,j);
p(i,j)=subs(g,x,d(i,j));
q(i,j)=0;
else
if(d(i,j)==0)
u(i,j)=12*d(i,j);
p(i,j)=subs(f,x,d(i,j));
q(i,j)=0;
end
end
end for i=2:N+1
for j=2:n
d(i,j)=(d(i-1,j-1)+d(i-1,j+1))/(2);
t(i,j)=t(i-1,j-1)+m*(d(i,j)-d(i-1,j-1));
A=[a*m c ; -a*m c];
B=[a*m*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1)) ;
-a*m*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
V=A\B;
p(i,j)=V(1);
q(i,j)=V(2);
u(i,j)=((p(i,j)+p(i-1,j-1))/2)*(d(i,j)-d(i-1,j-1))
+((q(i,j)+q(i-1,j-1))/2)*(t(i,j)-t(i-1,j-1))+u(i-1,j-1);
end
for j=1:n+1
if(j==1)
d(i,j)=0;
t(i,j)=t(i-1,j+1)-m*(d(i,j)-d(i-1,j+1));
q(i,j)=0;
A=[-a*m];
B=[-a*m*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
V=A\B;
p(i,j)=V(1);
else
if(j==n+1)
d(i,j)=1;
t(i,j)=t(i-1,j-1)+m*(d(i,j)-d(i-1,j-1));
A=[a*m];
B=[a*m*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1))];
V=A\B;
p(i,j)=V(1);
end
end
end
end mesh(t,d,double(u))
Remarque: B est une matrice qui s’\’ecrit sous la forme B=[v;w]

suite \‘a la longueur du code nous avons tronqu\’es l’expression
de B de m\ˆeme pour l’expression de u
Execution du code:
Constat
Dans ce cas les caractéristiques données par l’equation am2 − bm + c sont des droites.ici nous
avons pris un pas de discrétisation egal à 0.25.
x 0 0.25 0.5 0.75 1

u(t = 0) 0.0 3.0 2.0 1.0 0.0
u(t = 0.1768) 0.0 0.9375 1.9375 0.9375 0.0
u(t = 0.3535) 0.0 -1.1875 -0.2500 0.8750 0.0
u(t = 0.5303) 0.0 -1.3125 -2.3750 -1.3125 0.0
Table 4.2: tableau 1
1.2. Exercice 2:
Soit à résoudre:  ∂2u ∂2u

 ∂t 2 = (1 + 2x) ∂x2 , x ∈ [0, 1]






 u(x, 0) = 0

 ∂u

 (x, 0) = x(1 − x)


∂t



u(0, t) = u(1, t) = 0
Corrigé
Pour ce problème, a = −(1+2x), b = 0, c = 1, e = 0. La résolution de l’équation am2 +bm+c =
0 donne: s
1
m=±
(1 + 2x)
Les courbes caractéristiques sont obtenues en résolvant les équations différentielles:
 q
 dt 1
 dx = 1+2x ,

 q

 dt 1
dx
=− 1+2x
.
En intègrant à partir du point initial de coordonnées (x0 , t0 ), on trouve:

 √ √
 t = t0 + 1 + 2x − 1 + 2x0 , pour m+ ,
 √ √
t = t0 − 1 + 2x + 1 + 2x0 , pour m− .
La figure suivante nous montre les différentes courbes caractéristiques que nous obtenons avec
cette équation.
On choisit deux points P (0, 0.25) et Q(0, 0.75) et on se propose de chercher la valeur de u dans
leur intérsection R qui, après résolution du système, donne les coordonnées R(0.4841, 0.1782).
∂u ∂u
En suite , on résout l’équation ?? pour avoir p = ∂x
et q = ∂t
.
Au point P : x = 0.25, t = 0, u = 0; p = ( ∂u ) = 0;
∂x P
q = ( ∂u ) = x − x2 = 0.8175;
∂t P
p
m= 1/(1 + 2x) = 0.18765;
a = −(1 + 2x) = −1.5, b = 0, c = 1, e = 0
Au point Q: x = 0.75, t = 0, u = 0; p = 0;
q = ( ∂u ) = x − x2 = 0.1875;
∂t P
p
m=− 1/(1 + 2x) = −0.6325;
a = −(1 + 2x) = −2.5, b = 0, c = 1, e = 0
Au point R: x = 0.4841, t = 0.1783;

p
m+ = 1/(1 + 2x) = 0.7128;
p
m− = − 1/(1 + 2x) = −0.7128
a = −(1 + 2x) = −1.9682, b = 0, c = 1, e = 0
Après utilisation de deux valeurs de m en chaque point, l’équation ?? donne le système suivant:

 −1.77341(0.45015)(pR − 0) + (1)(qR − 0.1875) = 0; P → R,

−2.22341(−0.6726)(pR − 0) + (1)(qR − 0.1875) = 0; Q → R.
Après la résolution de ce système, on obtient pR = 0 et qR = 0.1875.
Pour trouver sa valeur au point R, on calcule la variation de u le long de deux caractéristiques

en utilisant l’équation ??.
P → R : ∆u = 0(0.2341) + 0.1875(0.1783) = 0.0334
Q → R : ∆u = 0 + 0.0334 = 0.0334
⇒ uR = 0.0334 + uP = 0.0334 + uQ = 0.0334
Avec ∆u = uR − uP .
La représentation graphique précédente résume les autres valeurs de u dans le maillage.
Implémentation numérique
clear all; clc;
syms a b c e x u z h;
a=input(’donner la valeur de a: ’);
%
%
%
%
%
n=1/dx; N=n; d=zeros(N+1,n+1); t=zeros(N+1,n+1);
%
w=x.ˆ((1:n+1)’*(1:n+1)); v=x.ˆ((1:n+1)’*(1:n+1));
p=zeros(N+1,n+1); q=zeros(N+1,n+1); u=zeros(N+1,n+1);
delta=b*b-4*a*c; k=(b-sqrt(delta))/(2*a); g=simplify(k);
f=int(g,x); i=1; y=0:dx:1;
%
for j=1:n+1
d(i,j)=y(i,j);
w(i,j)=z-t(i,j);
v(i,j)=int(g,d(i,j),h);
q(i,j)=d(i,j)*(1-d(i,j));
p(i,j)=0;
r(i,j)=subs(a,x,d(i,j));
m(i,j)=subs(g,x,d(i,j));
u(i,j)=0;
end
%
j=1;
%
for i=2:N+1
u(i,j)=0;
q(i,j)=0;
u(i,n+1)=0;
q(i,n+1)=0;
end
%
for i=2:N+1
for j=2:n
M=w(i-1,j-1)-v(i-1,j-1);
T=w(i-1,j+1)+v(i-1,j+1);
[d(i,j),t(i,j)]=solve(M,T);
w(i,j)=z-t(i,j);
S1=((r(i,j)+r(i-1,j-1))/2)*((m(i,j)+m(i-1,j-1))/2);
S2=((r(i,j)+r(i-1,j+1))/2)*((-m(i,j)-m(i-1,j+1))/2);
A=[S1 c ; S2 c];
B=[S1*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1)) ;
S2*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
V=A\B;
p(i,j)=V(1);
q(i,j)=V(2);
u(i,j)=((p(i,j)+p(i-1,j-1))/2)*(d(i,j)-d(i-1,j-1))
+((q(i,j)+q(i-1,j-1))/2)*(t(i,j)-t(i-1,j-1))+u(i-1,j-1);
end
%
for j=1:n+1
if(j==1)
d(i,j)=0;
t(i,j)=t(i-1,j+1)-subs(sqrt(1+2*x),d(i,j))...
+subs(sqrt(1+2*x),d(i-1,j+1));
w(i,j)=z-t(i,j);
S2=((r(i,j)+r(i-1,j+1))/2)*((-m(i,j)-m(i-1,j+1))/2);
A=[S2];
B=[S2*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
V=A\B;
p(i,j)=V(1);
else
if(j==n+1)
d(i,j)=1;
t(i,j)=t(i-1,j-1)+subs(sqrt(1+2*x),d(i,j))...
-subs(sqrt(1+2*x),d(i-1,j-1));
w(i,j)=z-t(i,j);
S1=((r(i,j)+r(i-1,j-1))/2)*((m(i,j)+m(i-1,j-1))/2);
A=[S1];
B=[S1*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1))];
V=A\B;
p(i,j)=V(1);
end
end
end
end
Execution du code:
0.0 0.0 0.0 0.0 0.0

0.0 0.00235 0.0334 0.0209 0.0
0.0 0.0297 -0.0205 0.0017 0.0
0.0 -0.0010 -0.0187 -0.0329 0.0
Table 4.3: tableau de u
Constat:
Dans ce cas les caractéristiques ne sont pas des droites ,la pente m est une fonction en x. Nous
avons pris un pas égal à 0.25.
1.3. Exercice 3:
Soit à résoudre le système d’équations:
 ∂2u ∂2u 2

 2 − u ∂t2 + (1 − x ) = 0, x ∈ [0, 1]


∂x

u(x, 0) = x(1 − x), ut (x, 0) = 0,





u(0, t) = u(1, t) = 0.
Corrigé
On considère le point R donné par l’intersection de la caractéristique de pente positive du point
P (0.2, 0) et la caractéristique de pente négative du point Q(0.4, 0). Comparons cette équation avec
la forme standard:
auxx + buxt + cutt + e = 0,
On trouve a = 1, b = 0, c = −u, e = 1 − x2 . On calcule, avant tout, la valeur numérique de u, p

et q au point P et Q:
avec les conditions initiales,
u = x(1 − x),
donc,
uP = 0.2(1 − 0.2) = 0.16,
uQ = 0.4(1 − 0.4) = 0.24;
De plus, avec les différentiation des conditions initiales,
∂u
p= = 1 − 2x,
∂x
ce qui nous donne
pP = 1 − 2(0.2) = 0.6,
pQ = 1 − 2(0.4) = 0.2;
et enfin,
∂u
q= = 0.
∂t
Alors:
qP = 0 et qQ = 0
pour avoir les coordonnées du point R, nous devons connaı̂tre la pente m des caractéristiques.
En utilisant l’équation : am2 − bm + c = 0, on obtient:
√ √
b ± b2 − ac ± 4u √
m= = = ± u.
2a 2
Puisque m dépend de la solution u, nous aurons besoin de trouver le point R par des approxima-
tions. Pour un premier essai, on utilise des valeurs initiales le long de tout l’arc; i.e, on prend
m+ = +mP et m− = −mQ : √
√
m+ = uP = 0.16 = 0.4,
√ √
m− = uq = − 0.24 = −0.490.
A présent, on peut estimer les coordonnées de R en résolvant le système:

 tR = m+ (xR − xP ) = 0.4(xR − 0.2)

tR = m− (xR − xQ ) = −0.49(xR − 0.4).
Ce qui nous donne xR = 0.310 et tR = 0.044.
Puisqu’on ne connait pas m au point R, on utilise sa valeur initiale le long de chanque car-
actéristique pour approximer p et q au point R en utilisant l’équation ??:
am∆p + c∆q + e∆t = 0,
Nous remplacons les contantes connues par leurs valeurs pour chaque caractéristique pour avoir le
système suivant:
µ ¶
0.04 + 0.096
(1)(0.4)(pR − 0.6) + (−0.16)(qR − 0) + 1 − (0.044) = 0
2
µ ¶
0.16 + 0.096
(1)(0.490)(pR − 0.2) + (−0.24)(qR − 0) + 1 − (0.044) = 0
2
Après résolution, on obtient pR = 0.399 et qR = −0.246.
Pour une première approximation de u au point R, on a:
∆u = p∆x + q∆t,
0.6 + 0.399 0 − 0.246
⇒ uR − 0.16 = (0.310 − 0.2) + (0.044 − 0),
2 2
uR = 0.2095
Cette approximation a été établie en tenant compte de la courbe P R, en utilisant les différentes
valeurs de p et q. Toutefois, on pourrait alternativement procéder par la caractéristique QR. Ce qui
nous donnerait:
0.2 + 0.399 0 − 0.246
uR − 0.24 = (0.310) + (0.044 − 0),
2 2
⇒ uR = 0.2076 ≈ 0.2095
clear all; syms a b c e u x;
u=input(’donner la valeur de u:’);
n=1/dx; N=n; delta=b*b-4*a*c; m=(b+sqrt(delta))/(2*a);
d=zeros(N+1,n+1); t=zeros(N+1,n+1); q=zeros(N+1,n+1);
p=zeros(N+1,n+1); f=diff(u); i=1; y=0:dx:1; for j=1:n+1
d(i,j)=y(i,j);
u(i,j)=d(i,j)*(1-d(i,j));
m(i,j)=sqrt(u(i,j));
q(i,j)=0;
h(i,j)=subs(e,x,d(i,j));
r(i,j)=subs(c,x,d(i,j));
end
j=1;
for i=2:N+1
u(i,j)=0;
u(i,n+1)=0;
if(mod(i,2)==0)
for j=2:n+1
A=[1 -m(i-1,j-1) ; 1 m(i-1,j)];
B=[t(i-1,j-1)-m(i-1,j-1)*d(i-1,j-1)...
+ t(i-1,j)+m(i-1,j)*d(i-1,j)];
K=A\B;
t(i,j)=K(1);
d(i,j)=K(2);
u(i,j)=d(i,j)*(1-d(i,j));
h(i,j)=subs(e,d(i,j));
S1=(h(i,j)+h(i-1,j-1))/(2);
S2=(h(i,j)+h(i-1,j))/(2);
A=[a*m(i-1,j-1) r(i-1,j-1)-a*m(i-1,j) r(i-1,j)];
B=[a*m(i-1,j-1)*p(i-1,j-1)+r(i-1,j-1)*q(i-1,j-1)...
-S1*(t(i,j)-t(i-1,j-1))-a*m(i-1,j)*p(i-1,j)...
+r(i-1,j)*q(i-1,j)-S2*(t(i,j)-t(i-1,j))];
K=A\B;
p(i,j)=K(1);
q(i,j)=K(2);
u(i,j)=((p(i,j)+p(i-1,j-1))/2)*(d(i,j)-d(i-1,j-1)) ...
+((q(i,j)-q(i-1,j-1))/2)*(t(i,j)-t(i-1,j-1))+u(i-1,j-1);
end
for j=1:n+1
if(j==1)
d(i+1,j)=0;
t(i+1,j)=t(i,j+1)-m(i,j+1)*(d(i+1,j)-d(i,j+1));
m(i+1,j)=0;
r(i+1,j)=subs(c,x,d(i+1,j));
h(i+1,j)=subs(e,x,d(i+1,j));
S2=((h(i+1,j)+h(i,j+1))/2);
A=[-a*m(i,j+1)];
B=[-a*m(i,j+1)*p(i,j+1)+r(i,j+1)*q(i,j+1)...
-S2*(t(i+1,j)-t(i,j+1))];
K=A\B;
p(i,j)=K(1);
else
if(j==n+1)
d(i+1,j)=1;
t(i+1,j)=t(i,j)+m(i,j)*(d(i+1,j)-d(i,j));
m(i+1,j)=0;
r(i+1,j)=subs(c,x,d(i+1,j));
h(i+1,j)=subs(e,x,d(i+1,j));
S1=((h(i+1,j)+h(i,j))/2);
A=[a*m(i,j)];
B=[a*m(i,j)*p(i,j)+r(i,j)*q(i,j)...
-S1*(t(i+1,j)-t(i,j))];
K=A\B;
p(i,j)=K(1);
end
end
end
else
if(mod(i,2)˜=0)
for j=2:n
A=[1 -m(i-1,j) ; 1 m(i-1,j+1)];
B=[t(i-1,j)-m(i-1,j)*(d(i-1,j))...
+ t(i-1,j+1)+m(i-1,j+1)*(d(i-1,j+1))];
K=A\B;
t(i,j)=K(1);
d(i,j)=K(2);
u(i,j)=d(i,j)*(1-d(i,j));
h(i,j)=subs(e,x,d(i,j));
S1=(h(i,j)+h(i-1,j))/2;
s2=(h(i,j)+h(i-1,j+1))/2;
A=[a*m(i-1,j) r(i-1,j) -a*m(i-1,j+1) r(i-1,j+1)];
B=[a*m(i-1,j)*p(i-1,j)+r(i-1,j)*q(i-1,j)...
-S1*(t(i,j)-t(i-1,j))-a*m(i-1,j+1)*p(i-1,j+1)...
+r(i-1,j+1)*q(i-1,j+1)-S2*(t(i,j)-t(i-1,j+1))];
K=A\B;
p(i,j)=K(1);
q(i,j)=K(2);
u(i,j)=((p(i,j)+p(i-1,j))/2)*(d(i,j)-d(i-1,j))...
+((q(i,j)+q(i-1,j))/2)*(t(i,j)-t(i-1,j))+u(i-1,j);
end
end
end
end
Execution du code:
0.0 0.1600 0.2400 0.2400 0.1600 0.0

0.0 0.1600 0.2096 0.2435 0.2049 0.1600
0.0 0.2096 0.2228 0.2166 0.2049 0.0
0.0 0.0415 0.02346 0.2233 0.2166 0.1831
0.0 0.0636 0.2143 0.2233 0.1897 0.0
0.0 0.149 0.0594 0.2143 0.2289 0.1880
Table 4.4: valeurs de u
Constat:
On constate que m est une fonction qui dépend de la solution u. Nous avons pris un pas de
discrétisation égal à 0.2.
1.4. Exercice 4
Soit à résoudre le système d’équation :
 ∂2u 2 ∂2u

 ∂t 2 = c ∂x2 , x ∈ [0, 2] ,







 u(0, t) = u(2, t) = 0,



∂u
(x, 0) = x(1 − x), 0 < x < 2,


∂t





 u(x, 0) = 2x 0 < x < 1,





u(x, 0) = 2(2 − x) 1 < x < 2,
La solution exacte est donnée par :

∞
16 X (−1)n−1 sin((2n − 1) πx
2
)cos((2n − 1) πct
2
)
u(x, t) = 2 2
.
π n=1 (2n − 1)
Code:
clear all; clc;

syms a b c e x k; cla=0;clb=2;
k=input(’donner lavaleur de k: ’);
dx=input(’entrer le pas de discretisation: ’);
n=(clb-cla)/dx N=n; delta=b*b-4*a*c; m=(b-sqrt(delta))/(2*a);
d=zeros(N+1,n+1); t=zeros(N+1,n+1); p=zeros(N+1,n+1);
q=zeros(N+1,n+1); y=0:dx:2; u=2*x; f=diff(u); u=2*(2-x);
g=diff(u); i=1; for j=1:n+1
d(i,j)=y(i,j);
if(1<=d(i,j))
p(i,j)=subs(g,x,d(i,j));
u(i,j)=2*(2-d(i,j));
q(i,j)=0;
else
if(d(i,j)<1)
u(i,j)=2*d(i,j);
q(i,j)=0;
end
end
end j=1;
for i=2:N+1
u(i,j)=0;
q(i,j)=0;
u(i,n+1)=0;
q(i,n+1)=0;
end
for i=2:N+1
for j=2:n
d(i,j)=(d(i-1,j-1)+d(i-1,j+1))/(2);
t(i,j)=t(i-1,j-1)+m*(d(i,j)-d(i-1,j-1));
A=[a*m c ; -a*m c];
B=[a*m*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1)) ;
-a*m*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
V=A\B;
p(i,j)=V(1);
q(i,j)=V(2);
u(i,j)=(((p(i,j)+p(i-1,j-1))*(d(i,j)-d(i-1,j-1)))/2)...
+(((q(i,j)+q(i-1,j-1))*(t(i,j)-t(i-1,j-1)))/2)+u(i-1,j-1);
end
for j=1:n+1
if(j==1)
d(i,j)=0;
t(i,j)=t(i-1,j+1)-m*(d(i,j)-d(i-1,j+1));
A=[-a*m];
B=[-a*m*p(i-1,j+1)+c*q(i-1,j+1)-e*(t(i,j)-t(i-1,j+1))];
p(i,j)=A\B;
else
if(j==n+1)
d(i,j)=2;
t(i,j)=t(i-1,j-1)+m*(d(i,j)-d(i-1,j-1));
A=[a*m];
B=[a*m*p(i-1,j-1)+c*q(i-1,j-1)-e*(t(i,j)-t(i-1,j-1))];
p(i,j)=A\B;
end
end
end
end
mesh(t,d,double(u))
Execution du code:
0.0 0.5000 1.0000 1.5000 2.0000 1.5000 1.0000 0.5000 0.0

0.0 0.5000 1.0000 1.0000 1.5000 1.5000 1.0000 0.5000 0.0
0.0 0.5000 0.5000 1.0000 0.5000 1.0000 1.0000 0.5000 0.0
0.0 0.0 0.5000 0.0 0.5000 0.0 0.5000 0.5000 0.0
0.0 0.0 -0.5000 0 -0.5000 0.0 -0.5000 0.0 0.0
0.0 -0.5000 -0.5000 -1.0000 -0.500 -1.0000 -0.5000 -1.0000 0.0
0.0 -0.5000 -1.0000 -1.0000 -1.5000 -1.0000 -1.5000 -0.5000 0.0
0.0 -0.5000 -1.0000 -1.5000 -1.5000 -2.0000 -1.0000 -1.5000 0.0
0.0 -0.5000 -1.0000 -1.5000 -2.0000 -1.5000 -2.0000 -0.5000 0.0
Table 4.5: valeurs de u

Taik TP1 AN3 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Taik TP1 AN3 PDF

Transféré par

Droits d'auteur :

Formats disponibles

A.

Taik TP AN3 LST-MI

Travaux Pratiques: Equations aux Dérivées Partièlles

1 Résolution d’une EDP elliptique 4

3 Résolution d’une EDP parabolique 12

4 Résolution d’une EDP hyperbolique 24

1.1 Evolution de la courbe ∆u = 0 en fonction de h avec la méthode directe . . . . . . 8

3.1 Représentation graphique de la solution analytique uexact (xi , tj ) . . . . . . . . . . 14

Résolution d’une EDP elliptique

Tout en variant h, résoudre cette EDP:

1. En utilisant la méthode directe.

2. En utilisant la méthode de rélaxation de Liebmann.

1. Résolution de l’EDP par la méthode directe:

Il nous reste maintenant à résoudre le système matriciel: A × U = B Avec:

1.2. Cas où h = 2.5

0 u3,1 u3,2 u2,3 u3,4 u3,5 u3,6 u3,7 100

0 u2,1 u2,2 u2,3 u2,4 u2,5 u2,6 u2,7 100

0 u1,1 u1,2 u1,3 u1,4 u1,5 u1,6 u1,7 100

Il nous reste maintenant à résoudre le système matriciel suivant: A × ~v = B, avec

L’utilisation de la méthode de Jacobi ou Gauss-Seidel pourrait nous donner les solutions du

Voici en résumé, les courbes qu’on obtient en variant h:

Figure 1.1: Evolution de la courbe ∆u = 0 en fonction de h avec la méthode directe

2. Méthode de relaxation de Liebmann

ui−1,j + ui,j−1 − 4ui,j + ui+1,j + ui,j+1 = 0

Figure 1.2: Evolution de la courbe ∆u = 0 en fonction de h pour la méthode de rélaxation

La solution éxacte est:

u(x, y, z) = (1 − ekxyz(1−x)(1−y)(1−z) )/(1 − ek/64 ).

Question 2: Utiliser la méthode de relaxation de Liebmann pour rsoudre du même problème

Résolution d’une EDP parabolique

2. Utiliser maintenant la méthode de Crank- Nicolson et faites varier le r. Que constatez-vous?

3. Comparaisons des méthodes:

1. Programmation de la solution analytique:

Voici la courbe que nous avons obténue pour r = 41 :

Figure 3.1: Représentation graphique de la solution analytique uexact (xi , tj )

2. Discrétisation de l’équation différentielle:

2.2. Discrétisation des dérivées partielles:

∂2u uji+1 − 2uji + uji+1

2.3. Equation aux dérivées partielles discrètisée:

1. r regroupe les constantes physiques du problème et celles de la discrétisation de l’espace

2. Pour j = 0, t = 0 et u1i = ru0i+1 +(1−2r)u0i +ru0i−1 ⇒ l’équation nécéssite la connaissance

2.4. Résolution numérique du système:

3. Méthode de Crank - Nicolson ou méthode implicite:

Ceci est le schéma numérique de Crank - Nicolson.

3.1. Programmation de la solution

Voici les courbes répresentatives de w dans les deux situations:

=⇒ U j+1 = M1−1 [M2 U j + (N2 − N1 )]

4. Comparaison des méthodes:

Figure 3.6: Comparaison graphique de Figure 3.7: Comparaison graphique de

Figure 3.8: Comparaison graphique de Figure 3.9: Comparaison graphique de

Résolution d’une EDP hyperbolique

Prendre ∆x = 0.25 et ∆t = 0.1768

Pour chaque point, nous avons deux caractéristiques:

Calculons u au point R2 (0.5, 0.1768): On a l’équation

On prend: pP = ( ∂u ) = −4 (car on est à droite du point P ), pQ = ( ∂u

Maintenant, on évalue u au point R2 à travers ces variations le long de de P → R2 .

En continuant de la sorte à calculer les autres valeurs de u, on remplit le tableau suivant:

x 0 0.25 0.5 0.75 1

Remarque: B est une matrice qui s’\’ecrit sous la forme B=[v;w]

x 0 0.25 0.5 0.75 1

En intègrant à partir du point initial de coordonnées (x0 , t0 ), on trouve:

a = −(1 + 2x) = −1.5, b = 0, c = 1, e = 0

a = −(1 + 2x) = −2.5, b = 0, c = 1, e = 0

Au point R: x = 0.4841, t = 0.1783;