Analyse numériques des EDP

MNSA S3

Pr. A. RADID
Université Hassan II
Faculté des Sciences Aïn Chock
Département de Mathématiques et Informatique

Année universitaire 2020-2021

Table des matières

Introduction 1

1 Di¤érences …nies 4
1.1 Préliminaires et dé…nitions . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Résolution numérique des problèmes physiques . . . . . . . . 4
1.1.3 Dé…nition d’une EDP . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Ordre de l’EDP . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.5 EDP linéaire ou non linéaire . . . . . . . . . . . . . . . . . . 7
1.1.6 Les di¤érents types d’équations aux dérivées partielles . . . . 8
1.1.7 Problème aux limites . . . . . . . . . . . . . . . . . . . . . . 8
1.1.8 Problème bien posé . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.9 Les principales méthodes de discrétisation d’EDP . . . . . . 8
1.2 Les méthodes de di¤érences …nies . . . . . . . . . . . . . . . . . . . 9
1.2.1 Présentation de la méthode . . . . . . . . . . . . . . . . . . 9
1.2.2 Maillage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Formules d’approximation de dérivées par di¤érences divisées
en dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4 Stencil d’un schéma . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.5 Schéma à multipas . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.6 L’ordre d’un schéma . . . . . . . . . . . . . . . . . . . . . . 19
1.2.7 Discrétisation des conditions aux limites . . . . . . . . . . . 20
1.3 Consistance, Stabilité et Convergence . . . . . . . . . . . . . . . . . 25
1.3.1 Erreur de Troncature . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Consistance . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.3 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.4 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Equation de Laplace 1D . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5 Equation de la chaleur 1D . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.1 Schéma explicite de l’équation de la chaleur 1D . . . . . . . 33
1.5.2 Schéma implicite de l’équation de la chaleur . . . . . . . . . 41

2
1.6 Approximation par di¤érences …nies de l’équation de la chaleur en 2D 43

3
Chapitre 1

Di¤érences …nies

1.1 Préliminaires et dé…nitions

1.1.1 Introduction
Les équations aux dérivées partielles (EDP) interviennent dans la description de
très nombreux problèmes de physique, chimie, sciences de la Terre, biologie : mé-
canique des ‡uides, propagation des ondes, électromagnétisme, phénomènes de
di¤usion ...

1.1.2 Résolution numérique des problèmes physiques

Grandes étapes :

Problème physique continu est décrit par un modèle mathématique continue

(mis en équations)

Modèle mathématique continu est discretisé en s’appuyant sur une(des) méth-

ode(s) numérique(s)

Equations discretisées sont approximées à l’aide des schémas numériques

appropriés, l’algorithme de résolution est établie

Algorithme est codé ( Matlab, Gnuplot, FreeFem++...)

Si tout va bien, la solution approchée du problème initial est obtenue.

4
1.1.3 Dé…nition d’une EDP
Une équation aux dérivées partielles est une équation faisant intervenir une fonc-
tion inconnue de plusieurs variables u (x1 ; : : : ; xd ) ainsi que certaines de ses dérivées
partielles. F (x; u; D uj j p ) = 0:
Dans les applications à la physique, on distingue les problèmes stationnaires
où les variables sont des variables d’espaces : x 2 Rd ! u(x) 2 RN des prob-
lèmes d’évolution où l’une des variables est le temps qui joue un rôle particulier
x 2 Rd ; t 0 ! u(x; t) 2 RN .

Quelques exemples
Équation de la chaleur

– Equation de la chaleur monodimensionnelle :

8 @u(x;t) 2 u(x;t)
>
< @t D @ @x 2 = f (x; t); x 2]0; L[; t > 0
u(x; 0) = u0 (x); x 2 ]0; L[ conditions initiales
>
:
u(0; t) = u(L; t) = 0; t > 0 conditions aux limites
D coe¢ cient de di¤usion thermique
– En dimension supérieure d :
8 @u(x;t)
>
< @t 4u(x; t) = f (x; t); x2 ;t>0
u(x; 0) = u0 (x); x2
>
:
u(x; t) = 0; x2@ ; t>0
P @2u
4u = @x2 i
1 i d
ouvert borné de bord @

Equation des ondes

–8
En dimension 1
@ 2 u(x;t) 2 u(x;t)
>
< @t2 c2 @ @x 2 = f (x; t) x 2]0; L[; t > 0
u(x; 0) = u0 (x); @t u (x; 0) = v0 (x); x 2 ]0; L[
>
:
u(0; t) = u(L; t) = 0 t>0
@t2 au lieu de @t pour l’équation de la chaleur et deux conditions initiales
(position, vitesse) au lieu d’une.
u(x; t) est un champ scalaire dépend de la position x et du temps t,
comme la pression d’un gaz dans le cas du son.
La constante c est la vitesse de propagation des ondes.

5
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

– En dimension supérieure
8 @ 2 u(x;t)
>
< @t2 4u(x; t) = f (x; t) x2 ;t>0
u(x; 0) = u0 (x); @t u (x; 0) = v0 (x); x 2
>
:
u(x; t) = 0 x2@ ; t>0
propagation du son (acoustique)
u pression acoustique ou potentiel des vitesses

Equation de poisson

– En une dimension
0
(ku0 ) = f

le réel k est un coe¢ cient de di¤usion

Si k = 1, l’équation de Poisson s’écrit u" = f
En deux dimensions d’espace, elle s’écrit : 4u = f
Dans le cas f = 0, on obtient l’équation de Laplace 4u = 0:
– En trois dimension d’espace

divkru = f

le terme kru est un ‡ux de di¤usion

Equation de transport

– En une dimension
ut + cux = 0; 8x 2 R; 8t > 0
u(x; 0) = u0 (x) 8x 2 R
où c > 0 la vitesse de transport

L’équation de Schrödinger :

@u 1
i = 4u + V u
@t 2

qui décrit en mécanique quantique la fonction d’onde d’une particule massive

dans un potentiel V .
Elle représente aussi la propagation d’une onde harmonique à la limite parax-
iale, dans un milieu de permittivité = n2 = V + 1:

6
1.1.4 Ordre de l’EDP
Dé…nition 1.1 on appelle ordre d’une EDP l’ordre de la plus grande dérivée
présente dans l’équation.

Exemple 1.1 L’équation de la chaleur et l’équation des ondes sont d’ordre

2.

L’équation de la poutre élastique est d’ordre 4:

(
u0000 (x) (a(x)u0 (x))0 + c(x)u(x) = f (x) dans ]0; L[
u(0) = u0 (0) = u(L) = u0 (L) = 0

1.1.5 EDP linéaire ou non linéaire

Dé…nition 1.2 On dit que l’EDP est linéaire si elle se met sous la forme Lu = f
, où u ! Lu est une application linéaire par rapport à u . Sinon, elle est non
linéaire .

Exemples 1.1 1) L’équation de Black-Scholes qui donne l’évolution du prix d’une

option dans un marché …nancier est donnée par :
2
@v 1 2 2@ v(t; x) @v(t; x)
(t; x) + x 2
+ rx rv(t; x) = 0;
@t 2 @x @x

où le prix de l’option, v , est une fonction du prix du sous-jacent, x et du temps

t; r est le taux d’intérêt sans risque, et la volatilité du stock.
L’équation de Black-Scholes est une EDP linéaire d’ordre 2.
2) Equation de propagation d’onde

@2u @2u
=0
@t2 @x2

est linéaire d’ordre 2.

3) l’équation de Bürgers

ut + (u2 )x = 0; t 2 R+ ; x 2 R
u (x; 0) = u0 (0)

est une équation EDP non linéaire.

7
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

1.1.6 Les di¤érents types d’équations aux dérivées par-

tielles
Considérons une équation aux dérivées partielles linéaire, de degré 2, de la forme :
2 @2u 2
A @@t2u + B @t@x + C @@xu2 + D @u
@t
+ E @u
@x
+ Fu = 0
On distingue trois grandes catégories d’EDP:

Si B 2 4AC < 0, l’équation est dite elliptique

Exemple 1.2 Équation de Laplace : c4u = f

Si B 2 4AC = 0, l’équation est dite parabolique

@u
Exemple 1.3 Équation de la chaleur: @t
c4u = f ou l’équation de Black
scholes.

Si B 2 4AC > 0, l’équation est dite hyperbolique

@2u
Exemple 1.4 Équation des ondes : @t2
c2 4u = f

1.1.7 Problème aux limites

On appelle problème aux limites une équation aux dérivées partielles munie de
conditions aux limites sur la totalité de la frontière du domaine sur lequel elle est
posée.

1.1.8 Problème bien posé

Le problème est bien posé si pour toute donnée (second membre, domaine, données
au bord, etc.), il admet une solution unique et si cette solution dépend continument
de la donnée.

1.1.9 Les principales méthodes de discrétisation d’EDP

Les principales méthodes de discrétisation d’EDP
Les problèmes de type EDP sont in…ni-dimensionnels (il s’agit de detérminer
toute une fonction). Si l’on veut calculer la solution numériquement, il faut se
ramener à un problème en dimension …nie. Les principales méthodes utilisées sont
:

8
 Les méthodes de di¤érences …nies (ou de volumes …nis): discrétisation du
domaine et remplacement de l’opérateur di¤érentiel par un quotient dif-
férentiel.

Les méthodes de volumes …nis sont adaptées aux équations de conservation

et utilisées en mécanique des ‡uides depuis plusieurs décennies. Le principe
consiste à découper le domaine en des ”volumes de contrôle” ; on intègre
ensuite l’équation de conservation sur les volumes de contrôle ; on approche
alors les ‡ux sur les bords du volume de contrôle par exemple par une tech-
nique de di¤érences …nies.

Les méthodes d’éléments …nis : très liée à la formulation variationnelle des

EDP.
Principe: remplacer un espace de Hilbert H par un sous espace de dimension
…nie H N

Les méthodes spectrales : Chercher une solution approchée sous forme d’un
développement sur une certaine famille de fonctions (Fourier, polynômes,
splines, etc.) :

X
n
u= i (u) pi
i=1

Méthodes souvent coûteuses, mais précises.

Note : On ne va pas étudier cette dernière méthode.

1.2 Les méthodes de di¤érences …nies

1.2.1 Présentation de la méthode
La méthode des di¤érences …nies est basée sur la ré-écriture sous forme discrète de
tous les termes de dérivées présents dans les équations et dans les conditions aux
limites et/ou initiales sous forme discrète.
On considère un domaine physique Rd , où d est la dimension de l’espace.
Le principe des méthodes de di¤érences …nies (DF) consiste à se donner un certain
nombre de points du domaine, qu’on notera (x1 ; : : : ; xd ) (Rd )N . On approche
l’opérateur di¤érentiel en espace en chacun des xji par des quotients di¤érentiels.
Il faut alors discrétiser la dérivée en temps : on pourra par exemple considérer un
schéma d’Euler explicite ou implicite pour la discrétisation en temps.

9
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

L’équation discrète di¤ère ainsi de l’équation continue par l’erreur de troncature

associée au schéma. L’interprétation correcte des résultats issus d’un calcul par
di¤érence …nies, requiert la véri…cation des points suivants :

les conditions aux limites sont respectées ;

le schéma est consistant ;

le schéma est stable ;

le maillage est choisi su¢ samment ’…n’pour s’assurer d’une quasi-indépendance

de la solution à son égard ;

Avantages : grande simplicité d’écriture et faible coût de calcul.

Inconvénients : limitation à des géométries simples, di¢ cultés de prise en
compte des conditions aux limites de type Neumann.

1.2.2 Maillage
Un maillage est la discrétisation spatiale d’un milieu continu, ou aussi, une mod-
élisation géométrique d’un domaine par des éléments proportionnés …nis et bien
dé…nis.
Exemples :

1. Pour d = 1, si on discrétise que l’espace.

Découpage irrégulier
On se donne une subdivision de [0; 1], c’est à dire une suite de points
(xk )k=0;:::;N +1 tels que x0 = 0 < x1 < : : : < xN < xN +1 = 1:
Pour i = 0; : : : ; N , on note hi+ 1 = xi+1 xi et on dé…nit le pas du
2
maillage par : h = max hi+ 1 :
i=0;:::;N 2

Découpage régulier
Sur un intervalle [a; b], pour un pas du temps constant on prend xi+1
xi = h 8i 2 [0; N ] ; xi = x0 + ih avec x0 = a et h = bNa

10
 2. Pour d = 2; si on discrétise l’espace = ]0; 1[ ]0; 1[ :

Découpage régulier :
On découpe ]0; 1[ en N intervalles sur axe des x de longueur h, xi = ih avec
h = N1
De même sur axe des y de longueur h, y j = jh.

Maillage d’un regtangle en di¤érences …nies

1.2.3 Formules d’approximation de dérivées par di¤érences

divisées en dimension 1
La résolution d’un problème continu est remplacé par la recherche de (N + 1)
valeurs discrètes ui , approchant la valeur de la solution exacte u(xi ) aux points
du maillage, points de grille, xi :

ui u(xi ) avec i = 0; : : : ; N

11
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

On identi…e le pas de discrétisation par xi+1 xi = 4xi = hi : Fréquemment,

le pas est constant, alors il est simplement noté par h.
On donne maintenant quelques formules simples d’approximation des dérivées
par des di¤érences divisées

Dérivées premières
u est de classe C 2 au voisinage de x; en utilisant le développement limité à l’ordre
2, on obtient :
2
u(x + h) = u(x) + hu0 (x) + h2 u00 (x) + O(h3 )
2
u(x h) = u(x) hu0 (x) + h2 u00 (x) + O(h3 )
u0 (x) = u(x+h)h u(x) + O(h) ordre 1, décentré avant
0 u(x) u(x h)
u (x) = h
+ O(h) ordre 1, décentré arrière
0 u(x+h) u(x h) 2
u (x) = 2h
+ O(h ) ordre 2, centré
Les deux premières formules décentrées d’ordre 1, sont obtenues directement
à partir des développemts en avant et en arrière respectivement. La troisième
équation qui provient de la soustraction au deuxième développenet du premier.
Au point du maillage xi ; on obtient :
@u ui+1 ui
u0 (xi ) = (xi ) '
@x h
h2 (3)
On a : @u
@x
(xi ) = u(xi +h)2hu(xi h) 6
u ( i)
u(x + h ) u(x h ) h2 (3)
ou bien @u
@x
(xi ) = i 2 h i 2 24
u ( i)
Ce qui conduit, dans le cas de discrétisations uniformes de pas constant h , à :
ui+ 1 ui 1
u0 (xi ) = @u
@x
(xi ) ' ui+12hui 1 ou 2
h
2

ui+ 1 et ui 1 sont les valeurs approchées de u aux points xi + h2 et xi h

2
respec-
2 2
tivement.

Exercice 1.1 1) Soit u une fonction classe C 2 au voisinage de x, Montrer que :

!
@u u(x + h) u(x) ju"(y)j
(x) sup h:
@x h y2[x;x+h[ 2

2) Si u est de classe C 3 au voisinage de x, alors :

!
@u u(x + h) u(x h) u(3) (y)
(x) sup h2 :
@x 2h y2]x h;x+h[ 6

Réponse :
2) u 2 C 3 au voisinage de x. Pour h su¢ samment petit, u 2 C 3 [x h; x + h]

12
 E¤ectuons un développement de Taylor au point x; il existe 1 et 2 dans ]0; 1[
2 3
u(x + h) = u(x) + hu0 (x) + h2 u00 (x) + h6 u(3) (x + 1 h)
2 3
u(x h) = u(x) hu0 (x) + h2 u00 (x) h6 u(3) (x + 2 h)
En soustrayant, on obtient :
u(x+h) u(x h) 2
2h
= u0 (x) + h12 u(3) (x + 1 h) + u(3) (x + 2 h)
u(3) continue, le théorème des valeurs intermédiaires nous assure qu’il existe un
point entre 1 et 2 que nous notons x + h et qui véri…é
(u(3) (x+ 1 h)+u(3) (x+ 2 h))
u(3) (x + h) = 2
ce qui nous permet de conclure :
0 1
(3)
u(x + h) u(x h) u (y)
u0 (x) h2 @sup A
2h 6
y2]x h;x+h[

Di¤érence divisée décentrée avant (aval) d’ordre deux :

Pour des pas réguliers de longueur h, le développement limité :

u(x + 2h) + 4u(x + h) 3u(x) h2 (3)

u0 (x) = + u ( x)
2h 3
donne la formule d’ordre 2 progressive suivante :

@u ui+2 + 4ui+1 3ui

u0 (xi ) = (xi ) ' :
@x 2h
Di¤érence divisée décentrée arrière (amont) d’ordre deux
Pour des pas réguliers de longueur h, le développement limité :

u(x 4u(x h) + 3u(x) h2 (3)

2h)
u0 (x) = + u ( x)
2h 3
On obtient également une formule régressive d’ordre deux :

@u 3ui 4ui 1 + ui 2
u0 (xi ) = (xi ) '
@x 2h

Dérivées secondes
u 2 C 4 au voisinage de x:Pour h su¢ samment petit, u 2 C 4 [x h; x + h] :
En utilisant la formule de Taylor au point x, il existe 1 et 2 dans ]0; 1[ tels
que :
2 3 4
u(x + h) = u(x) + hu0 (x) + h2 u00 (x) + h6 u(3) (x) + h24 u(4) (x + 1 h)
2 3 4
u(x h) = u(x) hu0 (x) + h2 u00 (x) h6 u(3) (x) + h24 u(4) (x 2 h)
En additionnant ces deux égalités, on obtient :
u(x+h) 2u(x)+u(x h) 4
h2
u00 (x) = h24 u(4) (x + 1 h) + u(4) (x 2 h)

13
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Puisque u(4) est continue, le théorème des valeurs intermédiares nous assure
qu’il existe un point entre x 2 h et x + 1 h que nous notons x + h et qui véri…é
:
(4) u(4) (x + 1 h) + u(4) (x 2 h)
u (x + h) =
2
ce qui entraîne

u(x + h) 2u(x) + u(x h) h2 (4)

u00 (x) = u (x + h) (1.1)
h2 12
avec 2 ] 2 ; 1 [ ] 1; 1[
En négligeant le terme en h2 ; on obtient l’approximation de la dérivée seconde
centrée d’ordre 2
@2u ui+1 2ui + ui 1
2
(xi ) (1.2)
@x h2
En utilisant l’équation (1.1) on obtient aussi la majoration suivante :
0 1
(4)
@2u u(x + h) 2u(x) + u(x h) u (y)
2
(x) 2
h2 @sup A
@x h 12
y2]x h;x+h[

@u u(xi + h ) u(xi h
)
On peut retrouver le résultat (1.2) en utilisant : @x
(xi ) = 2
h
2

h2 (3)
24
u ( i)
@2u u0 (x + h ) u0 (x
h
h
) 2
@x2
(xi )
= i 2
h
i 2
24
u(4) ( i )
Approximation de la dérivée seconde de u :
@2u
@x2
(x) = u(x+h) 2u(x)+u(x
h2
h)
+ O(h2 ) ordre 2, centré
2
@ u u(x+2h) 2u(x+h)+u(x h)
@x2
(x) = h2
+ O(h) ordre 1, décentré avant
@2u u(x) 2u(x h)+u(x 2h)
@x2
(x) = h2
+ O(h) ordre 1, décentré arrière

Dérivées troisièmes
Di¤érence divisée décentrée avant (aval)

@3u ui+3 3ui+2 + 3ui+1 ui

u(3) (xi ) =
(x i ) '
@x3 h3
Di¤érence divisée décentrée arrière (amont)

@3u ui 3 + 3ui 2 3ui 1 ui

u(3) (xi ) = (xi ) '
@x3 h3
Di¤érence divisée centrée
On a deux formules possibles. L’une utilisant des points milieux de segments

14
 @3u ui+3=2 3ui+1=2 + 3ui 1=2 ui 3=2
u(3) (xi ) = 3
(xi ) '
@x h3
L’autre utilisant les noeuds du maillages.

@3u ui+2 2ui+1 + 2ui 1 ui 2

u(3) (xi ) =
3
(xi ) '
@x h3
Ces deux formules centrées sont d’ordre deux.

Dérivées quatrièmes
Di¤érence divisée centrée

d4 u ui+2 4ui+1 + 6ui 4ui 1 + ui 2

u(4) (xi ) = 4
(xi ) '
dx h4
Remarque 1.1 On peut observer que l’on retrouve dans ces formules les coe¢ -
cients du développement du binôme.

La dérivée en dimension 2
On considère maintenant u comme une fonction de deux variables de classe C 4 :
Le principe d’approximation des dérivées est exactement le même.
Si 4x et 4y tendent vers 0, nous avons :

@u u (x + 4x; y) u (x; y)
(x; y) = + O (4x)
@x 4x

@u u (x; y) u (x 4x; y)
(x; y) = + O (4x)
@x 4x

@u u (x + 4x; y) u (x 4x; y)
(x; y) = + O 4x2
@x 24x

@2u u (x + 4x; y) 2u (x; y) + u (x 4x; y)

(x; y) = + O 4x2
@x2 4x2
De même pour les dérivées par rapport y:

Exercice 1.2 Dérivées premières en dimension 2.

Donner l’expression des 3 formules usuelles d’approximation de la dérivée pre-
mière d’une fonction u en un point de grille (xi ; yj ); 0 < i < N; 0 < j < M:
Préciser la régularité requise de u et l’ordre d’approximation obtenu.

15
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Exercice 1.3 Démontrer la formule aux di¤érences …nies à 5 points pour ap-
procher le laplacien d’une fonction u en un point de grille (xi ; yj ); 0 i N; 0
j M.
E¤ectuer une …gure pour illustrer les notations.
Préciser la régularité requise de u et l’ordre d’approximation obtenu.

Correction de l’exercice 1.2

On écrit les Développements limités de Taylor suivants:

h2 2 h3 3
u (xi + h; yj ) = u (xi ; yj ) + h@x u (xi ; yj ) + @xx u (xi ; yj ) + @xxx u (xi ; yj ) + O h4
2 3!

h2 2 h3 3
u (xi h; yj ) = u (xi ; yj ) h@x u (xi ; yj ) + @ u (xi ; yj ) @xxx u (xi ; yj ) + O h4
2 xx 3!

k2 2 k3 3
u (xi ; yj + k) = u (xi ; yj ) + k@y u (xi ; yj ) + @yy u (xi ; yj ) + @yyy u (xi ; yj ) + O k 3
2 3!

k2 2 k3 3
u (xi ; yj k) = u (xi ; yj ) k@y u (xi ; yj ) + @ u (xi ; yj ) @ u (xi ; yj ) + O k 3
2 yy 3! yyy
Et on obtient directement les formules aux D.F. recherchées:

Les formules aux di¤érences …nies décentrées à droite :

@u ui+1;j ui;j @u ui;j+1 ui;j
(xi ; yi ) et (xi ; yi ) ; ordre 1
@x 4x @y 4y

Les formules aux di¤érences …nies décentrées à gauche :

@u ui;j ui 1;j @u ui;j ui;j 1

(xi ; yi ) et (xi ; yi ) ; ordre 1
@x 4x @y 4y

Les formules aux di¤érences …nies centrées :

@u ui+1;j ui 1;j @u ui;j+1 ui;j 1
(xi ; yi ) et (xi ; yi ) ; ordre 2
@x 24x @y 24y

Pour les formules centrées, il su¢ t de soustraire les équations deux à deux.

16
 Opérateurs d’ordre deux en dimension 2

@2u u (x + 4x; y) 2u (x; y) + u (x 4x; y)

2
(x; y) = + O 4x2
@x 4x2
De même pour les dérivées par rapport y:
La formule aux di¤érences …nies à 5 points pour approcher le laplacien s’écrit
:
1 1
4u (xi ; yj ) [ui+1;j 2ui;j + ui 1;j ] + [ui;j+1 2ui;j + ui;j 1 ] ; ordre 2
4x2 4y 2
(1.3)

Exercice 1.4 1) Démontrer la formule aux di¤érences …nies à 5 points pour ap-
procher le laplacien (1.3) d’une fonction u en un point de grille (xi ; yj ); 0 i
N; 0 j M .
E¤ectuer une …gure pour illustrer les notations.
Préciser la régularité requise de u et l’ordre d’approximation obtenu.
2) Discrétiser l’opérateur di¤érentiel div ( ru) ; où la fonction est donnée,
a-priori dépendante de x.
h i
1
div ( ru) 1 (ui+1;j ui;j ) + i 1 ;j (ui+1;j ui;j )
4x2
h i+ 2 ;j 2 i
1
+ 4y2 i;j+ 1 (ui;j+1 ui;j ) + i;j 1 (ui;j 1 ui;j )
2 2

Corrigé de l’exercice 1.4

1) On écrit les D.L. de Taylor jusqu’à l’ordre 4 (u doit être de classe C 4 ) :

@ h2 @ 2 h3 @ 3 h4 @ 4
u (xi + h; yj ) = u (xi ; yj ) +h u (xi ; yj ) + u (x ;
i jy ) + u (x ;
i jy ) + u (xi ; yj ) +O h5
@x 2 @x2 3! @x3 4! @x4
@ h2 @ 2 h3 @ 3 h4 @ 4
u (xi h; yj ) = u (xi ; yj ) h
u (xi ; yj ) + u (xi ; yj ) u (x ;
i jy ) + u (xi ; yj ) +O h5
@x 2 @x2 3! @x3 4! @x4
Puis de même selon l’axe des y
@ k2 @ 2 k3 @ 3 k4 @ 4
u (xi ; yj + k) = u (xi ; yj ) +k u (xi ; yj ) + u (x i ; y j ) + u (x i ; y j ) + u (xi ; yj ) +O k 5
@y 2 @y 2 3! @y 3 4! @y 4
@ k2 @ 2 k3 @ 3 k4 @ 4
u (xi ; yj k) = u (xi ; yj ) k u (xi ; yj ) + 2
u (xi ; yj ) 3
u (xi ; yj ) + 4
u (xi ; yj ) +O k 5
@y 2 @y 3! @y 4! @y
Par combinaison linéaire (on ajoute les deux équations), on obtient la formule
D.F. à 5 points qui approche la valeur de 4u (xi ; yj ) ; formule d’ordre 2 car en
O(h2 + k 2 ):
2) Voir Exercice 1 des TD1.

17
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Dérivées croisées
@ u 2
Déterminons une approximation de la dérivée croisée @x@y de la fonction de 2
variables u(x; y).
La discrétisation du domaine de calcul est bidimensionnelle et fait intervenir
deux pas d’espace supposés constants 4x et 4y dans les directions x et y .
La principe est toujours basé sur les développements de Taylor :
@u @u (l4x)2 @2u
u(xi+l ; yj+m ) = u (xi ; yj ) + l4x @x i
+ m4y @y
+ 2 @x2
j i
2
@2u @2u
+ (m4y)
2 @y 2
+ 2ml4x4y
2 @x@y
+
j i;j

Exercice 1.5 Montrer que

@2u ui+1;j+1 ui+1;j 1 ui 1;j+1 + ui 1;j 1

=
@x@y i;j 44x4y
Corrigé:
@u @u
u (xi+1 ; yj+1 ) = u(xi ; yj ) + 4x (xi ; yj ) + 4y (xi ; yj ) + (1.4)
@x @y
4x2 @ 2 u 4y 2 @ 2 u 4x4y @ 2 u
(x ;
i jy ) + (x ;
i jy ) + 2 (xi ; yj ) + :::
2! @x2 2! @y 2 2 @x@y

@u @u
u (xi+1 ; yj 1 ) = u(xi ; yj ) + 4x (xi ; yj ) 4y (xi ; yj ) + (1.5)
@x @y
4x2 @ 2 u 4y 2 @ 2 u 4x4y @ 2 u
(x ;
i jy ) + (x ;
i jy ) 2 (xi ; yj ) + :::
2! @x2 2! @y 2 2 @x@y

@u @u
u (xi 1 ; yj+1 ) = u(xi ; yj ) 4x (xi ; yj ) + 4y (xi ; yj ) + (1.6)
@x @y
4x2 @ 2 u 4y 2 @ 2 u 4x4y @ 2 u
(x ;
i jy ) + (x ;
i jy ) 2 (xi ; yj ) + :::
2! @x2 2! @y 2 2 @x@y

@u @u
u (xi 1 ; yj 1 ) = u(xi ; yj ) 4x (xi ; yj ) 4y (xi ; yj ) + (1.7)
@x @y
4x2 @ 2 u 4y 2 @ 2 u 4x4y @ 2 u
(x ;
i jy ) + (x ;
i jy ) + 2 (xi ; yj ) + :::
2! @x2 2! @y 2 2 @x@y
On fait le calcul de (1.4)-(1.5)-(1.6)+(1.7) et on obtient : ui+1;j+1 ui+1;j 1
@2u
ui 1;j+1 + ui 1;j 1 = 44x4y @x@y
i;j

18
1.2.4 Stencil d’un schéma
Dé…nition 1.3 On appelle stencil d’un schéma le nombre de points nécessaire à
l’écriture du schéma.

1.2.5 Schéma à multipas

Dé…nition 1.4 Un schéma aux di¤érences …nies est dit schéma à p pas en temps
si les valeurs un+1
j des solutions approchées au temps tn+1 sont fonctions des
valeurs aux p instants précédents, soit aux temps tn , tn 1 , ...tn p+1 . En partic-
ulier, un schéma est dit à un pas si les un+1
j ne dépendent que des unj .

1.2.6 L’ordre d’un schéma

Dé…nition 1.5 L’ordre du schéma mesure la précision ou erreur de troncature
mathématique commise en remplaçant les dérivées partielles exactes par leurs ap-
proximations sous formes de di¤érences divisées. L’ordre est déterminé par des
développements de Taylor obtenus en injectant dans l’écriture du schéma numérique
la fonction solution continue exacte du problème di¤érentiel.

Dé…nition 1.6 Un schéma aux di¤érences …nies est d’ordre p en temps et d’ordre
q en espace si la di¤érence entre l’équation et le schéma appliqué à la fonction
solution du problème continu est un in…niment petit d’ordre p en temps et d’ordre
q en espace.

Exercice 1.6 On considère le schéma saute-mouton pour approcher l’équation de

transport
@u @u
+a = 0 (a > 0)
@t @x
sur une grille spatiale régulière de pas 4x et avec un pas de temps 4t :

un+1
j = unj 1
unj+1 unj 1

4t
où n 1 et u0j et u1j sont donnés et où on a posé = a 4x :
Dessiner le stencil du schéma
De quel type de schéma s’agit-il ?
Quel est l’ordre de ce schéma ?

Réponse : Le stencil su schéma :

2) c’est un schéma explicite à deux pas.

3) On a :
un+1
j = unj 1 unj+1 unj 1

19
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

4t
or = a 4x donc

un+1
j unj 1
unj+1 unj 1
+a =0
24t 24x
Le schéma étant écrit au temps tn et au point xj . Faisons des développe-
ments limités autour de ces valeurs. On obtient par développement de Taylor les
approximations suivantes :

un+1
j unj 1
@u
= (xj ; tn ) + O 4t2
24t @t
unj+1 unj 1 @u
= (xj ; tn ) + O 4x2
24x @x
Donc le schéma est d’ordre deux en temps et en espace, comme peut le montrer
sa réécriture sous forme de di¤érences centrées

1.2.7 Discrétisation des conditions aux limites

Les di¤érences …nies consistent à approcher les opérateurs de dérivation par des
opérateurs discrets de dérivation et il faut de plus ajouter des conditions aux limites
qui peuvent être de plusieurs types.. Par exemple, pour d = 1 :

20
 Si l’équation est dé…nie sur un domaine borné, par exemple x 2 [ ; ], le
maillage sera restreint à cet intervalle c’est à dire j 2 f0; 1; : : : ; N g avec x0 = et
xN =
Par exemple, si on a des conditions aux limites de Dirichlet

u( ; t) = L; u( ; t) = R; 8t 2 R+

elles se traduisent au niveau discret en

un0 = L; unN = R

Si on a des conditions de Neumann

@x u( ; t) = L; @x u( ; t) = R; 8t 2 R+

elles se traduisent au niveau discret en

un1 un0 un unN
= L; N 1
= R; 8n;
4x 4x

Si on a des conditions périodiques

u (x + ; t) = u (x + ; t) ; 8t

elles se traduisent au niveau discret en

un0 = unN ; 8n

et plus généralement unj = unN +j :

Exercice 1.7 Soit f une fonction continue sur [0; 1] et c 2 C ([0; 1] ; R+ )

1. Déterminer la solution explicite de l’équation

u" + c(x)u = f dans ]0; 1[ (1.8)

associée aux conditions de Dirichlet homogènes au bord :

u (0) = u (1) = 0

2. Déterminer la solution explicite de l’équation (1.8) associée aux conditions

de Dirichlet:
u (0) = ; u (1) = ; pour ; 2 R

21
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

3. Même question en considérant les conditions de Newmann:

u0 (0) = ; u0 (1) = :

4. Ecrire le problème 2) sous forme matricielle : Ah uh = bh et montrer que la

matrice Ah est inversible

Corrigé

1. Soit N un entier, on subdivise l’intervalle [0; 1] en seegments de longueur

h = N 1+1 : Soit xi = ih pour i variant de 0 à N + 1.
On va chercher une solution approchée (u0 ; : : : ; uN +1 ) dé…nie en les xi : ui =
u(xi )
les conditions initiales u (0) = 0; u (1) = 0 implique u0 = 0; uN +1 = 0:
On cherche uh = (u1 ; : : : ; uN )T
Sachant que u00 (xi ) + c (xi ) u (xi ) = f (xi ) pour i = 1; : : : ; N
On obtient en utilisant l’approximation de la dérivée seconde de u

u (xi+1 ) 2u(xi ) + u (xi 1 ) h2 (4)

+ c (x i ) u (x i ) + u (xi + i h) = f (xi )
h2 12
ui+1 2ui + ui 1
+ ci ui = fi pour i = 1; : : : ; N
h2
Pour i = 1
1
( u2 + 2u1 ) + c1 u1 = f1
h2
Pour i = N
1
( uN 1 + 2uN ) + cN uN = fN
h2
2. les conditions initiales u (0) = ; u (1) = implique u0 = ; uN +1 = :
Le schéma explicite est le même comme dans 1) :
ui+1 2ui + ui 1
+ ci ui = fi pour i = 1; : : : ; N
h2

Pour i = 1
u2 2u1 + u0
+ c1 u1 = f1
h2
1
( u2 + 2u1 ) + c1 u1 = f1 + 2
h2 h

22
 Pour i = N
uN +1 2uN + uN 1
+ cN uN = fN
h2
1
( uN 1 + 2uN ) + cN uN = fN +
h2 h2
3.
ui+1 2ui + ui 1
+ ci ui = fi pour i = 1; : : : ; N
h2
u0 (0) = ; u0 (1) = :
Approximation d’ordre 1
u(h) u(0)
= u0 (0) = h
+ O (h) ) u1 = u0 + h
u(1) u(1 h)
= u0 (1) = h
+ O (h) ) uN +1 = uN + h
Approximation d’ordre 2
h2 00
u(h) = u(0) + hu0 (0) + 2
u (0) + O (h3 )
u00 (x0 ) + c (x0 ) u (x0 ) = f (x0 ) c’est à dire u00 (0) = c0 u0 f0
2 h2 h2
u1 = u0 + h + h2 (c0 u0 f0 ) + O (h3 ) c’est à dire 1 + 2 0
c u0 u1 = 2 1
f

De même on trouve uN = uN +1 + 12 h2 (cN +1 un+1 fn+1 ) :

4. Matriciellement, le problème 2) s’écrit :

Ah u h = b h (1.9)

où
0 1 0 1
2 + c1 h2 1 f1 + h2
B 1 2 + c2 h2 1 C B C
1 B
B . . ...
C
C
B
B ..
C
C
Ah = 2 B .. .. C ; bh = B . C
h B C B C
@ 1 2 + cN 1 h2 1 A @ A
1 2 + cN h2 fN + h2

et

t
Uh = u1 ; : : : ; uN
Supposons que c 0. Montrer que la matrice Ah est symétrique dé…nie positive.
La matrice Ah est clairement symétrique. Montrons que Ah est dé…nie positive.

23
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Soit v un vecteur de RN ; de composantes v1 ; : : : ; vN : On a :

(0)
X
N
(0)
t t
v Ah v = v Ah v + ci vi2 v t Ah v
i=1

or

(0) 1
P
N
v t Ah v = h2
vi ( vi 1 + 2vi vi+1 )
i=1
Par changement d’indice
" N #
1 X XN X
N +1
t (0)
v Ah v = 2 ( vi 1 vi ) + vi2 vi 1 vi
h i=1 i=1 i=2

et comme on a posé v0 = vN +1 = 0; on peut écrire :

1X 2 1X
N N
t (0)
v Ah v = 2 2v + ( 2vi 1 vi )
h i=1 i h2 i=1

(0) 1
P
N P
N P
N
v t Ah v = h2
vi2 + vi2 2vi 1 vi
i=1 i=1 i=1
1
PN NP+1 PN
= h2
vi2 + vi2 1 2vi 1 vi
i=1 i=1 i=1
1
PN
= h2
vi2 2vi 1 vi + vi2 1 + vN 2
i=1
PN
= 1
h 2 (vi vi 1 )2 + vN 2
i=1
NP +1
= (vi vi 1 )2 0
i=1

Donc 8v = (v1 ; : : : ; vN )t 2 RN ; Ah v:v 0 donc Ah est positive.

Si on suppose Ah v:v = 0; on a alors
X
N
ci h2 vi2 = 0 et vi = vi 1 8i = 1; : : : ; N + 1
i=1

On a donc v1 = v2 = = vN = vN +1 = 0:
Remarquons que ces égalités sont véri…ées même si les ci sont nuls.
Donc la matrice Ah est bien dé…nie.
La matrice Ah est symétrique dé…nie positive donc elle est inversible, ce qui
entraine l’existence et l’unicité de la solution.

24
Remarque 1.2 On peut aussi monter que A est inversible en calculant ses valeurs
propres ou en véri…ant que A est une matrice à diagonale fortement dominante et
irréductible.

1.3 Consistance, Stabilité et Convergence

Un certain nombre de notion est nécessaire lors de la résolution d’équations aux
dérivées partielles (EDP) au moyen de leurs équivalents discrétisés. Les trois prin-
cipales sont la convergence, la stabilité et la consistance. Ces trois propriétés
permettent de relier la solution exacte des équations continues à la solution exacte
des équations discrétisées et à la solution numérique obtenue.
Ces di¤érents liens sont :

la stabilité, c’est la propriété qui assure que la di¤érence entre la solu-

tion numérique obtenue et la solution exacte des équations discrétisées, est
bornée.

la consistance, c’est la propriété qui assure que la solution numérique des

équations discrétisées tende vers la solution exacte des équations continues
lorsque le pas de discrétisation (4t; 4x) tendent vers zéro.

la convergence, c’est la propriété qui assure que la solution numérique tende

vers la (ou une) solution exacte des équations continues. C’est évidemment
la propriété la plus recherchée !

1.3.1 Erreur de Troncature

Notons S x; t u(xj ; tn ) l’application d’un schéma aux di¤érences …nies à la solution
continue u .

Dé…nition 1.7 on appelle erreur de troncature E.T, l’ensemble des termes nég-
ligés dans les développements limités lors de l’obtention d’une équation (ou schéma)
discrète.

Il est en e¤et possible d’écrire :

Équation continue = Équation discrète + E.T

Remarque 1.3 Le calcul des erreurs de troncature est usuellement basé sur les
développements de Taylor.

25
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

1.3.2 Consistance
Un schéma aux di¤érences …nies est consistant avec l’équation aux dérivées par-
tielles, si l’erreur de troncature du schéma tend vers zéro, lorsque tous les pas de
discrétisation tendent vers zéro.

lim E:T: = 0
(4x;4t)!0
4t
Des problèmes peuvent se poser si l’erreur de troncature varie comme 4x . Dans
4t
ce sas, on est obligé de ra¢ ner de sorte que 4x ! 0: On dit dans ce cas le schéma
a une consistance conditionnelle.

Remarque 1.4 Si on n’approche pas correctement le problème continu, on n’aura

aucune chance d’obtenir la convergence du schéma. La qualité de la consistance
n’est autre que la précision du schéma.

1.3.3 Stabilité
Autre les outils qui permettent de comparer les performances des di¤érents sché-
mas, on doit également choisir les pas 4x et 4t de sorte que le schéma correspon-
dant donnera une solution approchée correcte, au sens où une petite perturbation
de la donnée initiale n’induira par une perturbation trop grande sur la solution
calculée au temps …nal.
Soit U n = unj 1 j N la solution numérique d’un schéma au temps tn .
Nous pouvons exprimer le vecteur U n+1 au temps tn+1 en fonction de U n . par
:

U n+1 = C (4t; 4x) U n

où C est une matrice caractérisant le schéma et dépendant des pas de temps
et d’espace.
On en déduit :
U n = C nU 0
où U 0 est le vecteur des conditions initiales.
Critère de stabilité au sens des normes
Introduisons les normes L1 et L2 discrètes suivantes. Pour tout v 2 RM on
note
kvk1 = max jvi j
1 i M

!1=2
X p
kvk2;h = h jvi j2 = h kvk2
1 i M

26
 Dé…nition Un schéma aux di¤érences …nies est dit stable pour la norme k:k
s’il existe une constante K > 0 indépendante de 4x et 4t ( lorsque ces valeurs
tendent vers zéro) telle que quelque soit la donnée initiale U 0

kU n k K U0 pour tout n 0

Si cette inégalité n’a lieu que pour des pas 4x et 4t restreints à certaines inégalités,
on dit que le schéma est conditionnellement stable.

Remarque 1.5 La stabilité est un concept qui s’applique sur les schémas numériques
et pas sur les équations continues.

Di¤érents types de stabilité

Un schéma peut être :

Inconditionnellement stable : Quels que soient 4t et 4x les erreurs

causées par le schéma numérique n’explose pas au …l des itérations.

Conditionnellement stable : On doit poser une condtion sur 4t et 4x

pour que la solution n’explose pas.

Inconditionnellement instable : Quels que soient 4t et 4x les erreurs s’ampli…ent

au …l des itérations. Ceci cause des résultats complétement faux.

Stabilité d’un schéma linéaire:

La stabilité d’un schéma linéaire à deux niveaux est facile à interpréter. En ef-
fet, par linéarité tout schéma linéaire à deux niveaux peut s’écrire sous la forme
condensée,
AU n = U n+1
où A est une matrice (dite d’itération) et on obtient An U 0 = U n+1 , (la notation
An désigne ici la puissance n-ème de A) et par conséquent la stabilité du schéma
est équivalente à

An U 0 K U 0 ; 8n 0; 8U 0 2 RN
kM uk
Introduisant la norme matricielle subordonnée kM k = sup kuk
, la sta-
u2RN 1 ;u6=0

bilité du schéma est équivalente à

kAn k K ; 8n 0

qui veut dire que la suite des puissances de A est bornée.

27
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

La stabilité de majorations de la norme de la matrice A souvent obtenues par

le calcul de ses valeurs propres.
La condition nécessaire et su¢ sante de stabilité pour les équations aux dif-
férences s’énonce kAk 1;
Remarque : Si kAk 1 alors (A) 1 car (A) kAk
Si la matrice A symètrique réelle alors kAk2 = (A):

1.3.4 Convergence
La convergence d’un schéma aux di¤érences …nies est une propriété naturelle qui
assure que, pour des valeurs su¢ samment petites des pas d’espace et de temps,
la solution numérique calculée sera proche de la solution exacte du problème de
départ.

Dé…nition 1.8 Le schéma aux di¤érence …nies utilisé pour la résolution numérique
de l’équation aux dérivées partielles est convergent si, pour toute solution u , la
suite unj converge vers u(xj ; tn ) avec (4x; 4t) ! (0; 0) :

Théorème 1.1 (Théorème de Lax) Pour un problème linéaire, la consistance et

la stabilité sont nécessaires et su¢ santes pour assurer la convergence.

Remarque 1.6 La consistance et la stabilité d’un schéma sont en général beau-

coup plus facile à étudier que sa convergence.

1.4 Equation de Laplace 1D

On considère le problème aux limites 1D suivant :

u00 = f; x 2 ]0; 1[
(1.10)
u (0) = u (1) = 0:

Si u 2 C 4 alors
2u (x) u (x + h) u (x h) h2 (4)
u00 (x) = + u (x + h) avec 2 ] 1; 1[
h2 12
(1.11)
On note u(x) la fonction inconnue, solution de l’EDP. Le domaine spatial des
EDP qu’on va résoudre est [0; 1] (une dimension spatiale).
Schéma de di¤érences …nies :
Discrétisation du domaine : On le discrétise en utilisant un pas d’espace h ; les
points de discrétisation sont x0 ; :::; xN +1 , avec xi = i h; on a donc 1 = (N +1)h: On
note ui l’approximation numérique de la solution u en xi ; et on note fi = f (xi ) :

28
 On obtient les équations discrètes en approchant u00 (xi ) par le quotient dif-
férentiel par développement de Taylor (1.11),

2u (xi ) u (xi + h) u (xi h) h2 (4)

u00 (xi ) = + u (xi + h) avec 2 ] 1; 1[
h2 12
(1.12)
le problème (1.10) devient :

2u (xi ) u (xi + h) u (xi h) h2 (4)

+ u (xi + h) = f (xi ); i = 1; : : : ; N; (1.13)
h2 12
avec u(x0 ) = 0; u(xN +1 ) = 0:
En négligeant le terme en h2 et en approchant alors u (xi ) par ui ; on obtient
le schéma discrétisé suivant :
1
(ui+1 2ui + ui 1 ) = fi ; i = 1; : : : ; N; (1.14)
h2
avec u0 = uN +1 = 0:
le schéma (1.14) est un schéma à 3 points (ui 1 ; ui ; ui+1 ):
Écriture matricielle :
On peut écrire les équations (1.14) sous forme matricielle :

A(N ) U N = F (N ) (1.15)

avec
0 1 0 1 0 1
2 1 0 u1 f1
B
1 B 1 2 1 C B .. C B .. C
C B C B C
A(N ) = 2B ... C 2 MN (R) ; U N = B . C et F N = B . C
h @ 1 A @ A @ A
0 1 2 uN fN

Exercice 1.8 Montrer que la matrice A(N ) symétrique dé…nie positive.

La matrice A(N ) est évidemment symétrique. Montrons qu’elle est dé…nie pos-
itive.
A est symétique,
Notons < :; : > le produit scalaire euclidien.
Soit v = (v1 ; v2 ; : : : ; vN )t 2 Rn ; v 6= 0;
on pose v0 = vN +1 = 0: Calculons le produit scalaire A(N ) v; v = v t A(N ) v: On
a :

1
P
N
A(N ) v; v = h2
vi ( vi 1 + 2vi vi+1 )
i=1

29
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Par changement d’indice

" N #
1 X XN X
N +1
A(N ) v; v = 2 ( vi 1 vi ) + 2vi2 vi 1 vi
h i=1 i=1 i=2

et comme on a posé v0 = vN +1 = 0; on peut écrire :

1X 2 1X
N N
(N )
A v; v = 2 2v + ( 2vi 1 vi )
h i=1 i h2 i=1

1
P
N P
N P
N
A(N ) v; v = h2
vi2 + vi2 2vi 1 vi
i=1 i=1 i=1
1
PN NP
+1 P
N
= h2
vi2 + vi2 1 2vi 1 vi
i=1 i=1 i=1
PN
= + h12 vi2 2vi 1 vi + vi2 1
2
+ vN
i=1
P
N
= + h12 (vi vi 1 )2 + vN
2
i=1
NP+1
= + h12 (vi vi 1 )2 0
i=1

Donc 8v = (v1 ; : : : ; vN )t 2 RN ; A(N ) v:v 0 donc A(N ) est positive.

Si on suppose A(N ) v:v = 0; on a alors

vi = vi 1 8i = 1; : : : ; N + 1

On a donc v1 = v2 = = vN = vN +1 = 0:
(N )
Donc la matrice A est bien dé…nie.
(N )
La matrice A est symétrique dé…nie positive donc elle est inversible, ce qui
entraine l’existence et l’unicité de la solution.
Etude de la consistance du schéma:
L’erreur de consistante ici est donc l’erreur qu’on commet en remplaçant l’opérateur
u"par le quotient 2u(xi ) u(xih+h)
2
u(xi h)
:
h2 (4)
on note : i = 12 u (xi + h) ; d’après (1.13), on obtient :

h2 (4) h2
j ij = u (xi + h) max u(4) (x) ; 8i = 1; : : : ; N
12 12 0 x 1
lorsque h tend vers 0 l’erreur de troncature i tend aussi vers 0 donc le schéma est
consistant à l’ordre 2.

30
Exercice 1.9 Calculer les valeurs propres et les vecteurs propres de la matrice
0 1
2 1 0
B ..
. C
B 1 2 C
A=B ... .. C:
@ . 1 A
0 1 2
.

Rappel :

Dé…nition 1.9 Soit M = (aij ) 2 Mn (K) : Pour tout i 2 [1; n] on nomme :

! ( )
X
n Xn
Di = Bf aii ; jaij j = x 2 K= jaii xj jaij j
j=1;j6=i j=1;j6=i

la ième ligne de Gerschgorin.

Théorème 1.2 (Théorème de Gerschgorin ) Soit M 2 Mn (K) ; l’ensemble des

valeurs propres est inclus dans la réunion des disques de Gerschgorin. C’est à dire
: n
est une valeur proprede M =) 2 [ Di :
i=1

Corrigé de l’exercice 1.9:

Cherchons les valeurs propres de la matrice A 0 1
0 1 0
B ..
. C
B 1 0 C
En écrivant la matrice A sous la forme : A = 2I B avec B = B ... ... C
@ 1 A
0 1 0
la matrice B est symétrique réelle, donc toutes ses valeurs propres réelles. Avec
le théorème de Gerchgörin, on déduit que pour toute valeur valeur propre 2 R
on a j j 2:Une telle valeur propre peut s’écrire = 2 cos avec 2 [0; ] : Si x
est un vecteur propre non nul associé à la valeur propre ses composantes sont
alors solutions de la récurrence :

xk 1 xk + xk+1 = 0 (1 k N) (1.16)

avec les conditions aux limites x0 = 0 et xN +1 = 0:

Le polynôme caractéristique de (1.16) est :

r2 2 cos r + 1 = r ei r e i

31
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

les racines sont donc r1 = ei ; r2 = e i

et on a :

xk = c1 eik + c2 e ik

De x0 = 0; on déduit que c2 = c1 et de xN +1 = 0 avec (c1 ; c2 ) 6= (0; 0) ; on

déduit que sin (N + 1) = 0 et = Nj+1 avec 1 j N:
Les valeurs propres de A sont donc : k = 2 2 cos Nk+1 = 4 sin2 2(Nk +1) pour
1 k N:
Les valeurs propres de A sont : k = 2 1 cos Nk+1 ; avec k = 1; : : : ; N ; et
les vecteurs propres sont : xk = sin Njk+1 j=1;:::;N
Etude de la stabilité
Rappel :
On rappelle que par dé…nition, si M = (mij ) 2 MN (K), v 2 KN
kM vk
Norme matricielle induite ou subordonnée : kM k = sup kvk 1 = sup kM vk1 ;
1
v2RN ;v6=0 v2RN ;kvk1 =1
avec kvk1 = sup jvi j
1 i N
En particulier
X
N
kM k1 = max jmij j
1 i N
j=1
r P
kvkp = jvi jp ; 8p 1:
1 i N
P
kM k1 = max jaij j ;
1 j N1 i N
P
kM k1 = max jaij j ;
1 i N1 j N
p
kM k2 = (M M ):

Pour toute norme matricielle sur MN (C) : (M ) kM k :

Pour tout " > 0, il existe au moine une norme matricielle subordonnée telle
que : kM k (M ) + ":
1
Si une matrice A est inversible et symétrique, alors la matrice A et symétrique.
1
Le spectre de la matrice A est l’ensemble des inverses du spectre de A:

La matrice A(N ) = h12 A donc les valeurs propres de A(N ) sont : h22 1 cos Nk+1 :
la valeur propre la plus petite en valeur absolue est 1 = h22 (1 cos ( h)) et
développement de Taylor, on a
2 2
2 h
1 = 2 + O h2 = 2
+ O h2 donc min = 1 ' 2
:
h 2

32
Par conséquent,
A(N ) v 1
A(N ) 1
= sup 1
= ;
v2RN ;v6=0 kvk1 1

1 1
A(N ) 2
1

1 1
UN 1
= A(N ) F (N ) 2
kF k1
1

D’où la stabilité de la méthode.

Majoration de l’erreur :

1 1
EN A(N ) (N )
2 2
(N )
2
2

(N ) 1 2 (4) (N )
où j la jème composante de (N ) s’écrit : j = 12 hu j
N 2
Donc E Ch ; d’où la convergence du schéma numérique.

1.5 Equation de la chaleur 1D

1.5.1 Schéma explicite de l’équation de la chaleur 1D
Considérons l’équation de la chaleur suivante :

8
@u @2u
>
< @t = D @x2 (x; t) 2]0; 1[ ]0; T [
u(x; 0) = (x) donnée : condition initiale (1.17)
>
:
u(0; t) = u(1; t) = 0 8t conditions aux limites de Dirichlet homogène

D coe¢ cient de di¤usion thermique

On peut considérer qu’il s’agit de l’évolution de la température d’une barre
soumise aux extremités à une température nulle.
Pour résoudre cette équation numériquement, on doit discrétiser les variables
x et t:

Discrétisation de l’équation de la chaleur

Construisons un maillage régulier. on note xj = j4x; j = 0; : : : ; N +1 et tn = n4t:

On note unj l’approximation de u(xj ; tn ).

33
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

En utilisant pour la dérivée temporelle une approximation à droite, on obtient

:

@u un+1
j unj
(xj ; tn ) '
@t 4t
et une approximation centré pour la dérivée seconde en espace :

@2u unj+1 2unj + unj 1

(x ;
j nt ) '
@x2 4x2
Le schéma se pose alors :
8 n+1 n
> uj uj un 2un n
j +uj
>
< 4t = D
j+1
4x2
1
j = 1; : : : ; N
u0j = u0 (xj ) j = 1; : : : ; N (1.18)
>
>
:un = un = 0 8n 2 N
0 N +1

Ce schéma est un schéma à un pas, car le vecteur des solutions approchées au

temps tn+1 ne dépend que des solutions approchées au temps tn . C’est un schéma
explicite car il donne une formule explicite de calcul de la solution au temps tn+1
en fonction des valeurs de la solution au temps précédent. Il n’y a pas d’équation
à résoudre pour obtenir la valeur au nouvel instant tn+1

Consistance du schéma :
Exercice : Montrer que le schéma d’Euler explicite centré en espace pour l’équation
de la chaleur est d’ordre un en temps et d’ordre deux en espace.
On condère l’équation de la chaleur suivante :

@u @2u
D =0
@t @x2
Corrigé
En développant un+1
j et unj par développement de Taylor, soustrayant les résul-
tats et divisant le tout par 4t,

34
 @u un+1
j unj 4t @ 2 u (xj ; tn )
= O (4t)2
@t 4t 2 @t2

En développant unj+1 et unj 1 par développement de Taylor,additionnant les

résultats, on obtient

@2u (unj+1 2unj + unj 1 ) 4x2 @ 4 u (xj ; tn )

= O 4x4
@x2 4x2 12 @x4

2
h i
@u u(xj ;tn+1 ) u(xj ;tn ) u(x ;t ) 2u(xj ;tn )+u(xj 1 ;tn )
@t
D @@xu2 4t
D j+1 n 4x2
=
2 2 4
4t @ u(xj ;tn ) @ u(xj ;tn )
2 @t2
+ D 4x12 @x4
+ O (4t)2 + O (4x4 )
u(xj ;tn+1 ) u(xj ;tn ) u(xj+1 ;tn ) 2u(xj ;tn )+u(xj 1 ;tn )
On pose : S x; t u(xj ; tn ) = 4t
D 4x2
donc
@ @2
u (xj ; tn ) u (xj ; tn ) S x; t u(xj ; tn ) = O (4t) + O (4x2 )
D
|@t @x2 {z }
= Erreur de Trancature
lorsque 4t et 4x tendent vers zéro, l’erreur de trancature tend aussi vers 0;
le schéma est donc consistant.
on retrouve l’erreur de troncature sur le temps, O (4t). En suivant le même
principe avec le terme sur l’espace, on trouve une erreur en O (4x2 ) :
L’ordre de l’erreur de troncature est O(4t; 4x2 )
D4t n
un+1
j = u +
4x2 j 1
1 2 D4t
4x2
unj + D4t n
u pour
4x2 j+1
j = 1; : : : ; N
en posant = D4t
4x2
, on obtient :

un+1
j = unj 1 + (1 2 ) unj + unj+1 pour j = 1; : : : ; N (1.19)

On connaît les u0j , on en déduit les u1j et ainsi de suite jusqu’aux unj . Ce
schéma est dit explicite car les un+1
j se déduisent directement des unj . Dans ce
genre de schéma, aucune système d’équation n’est à résoudre (pas de matrice à
inverser numériquement!!!), le nouveau pas se déduit des pas précédement calculés.

Formulation matricielle du schéma

Soit sous forme matricielle :

U n+1 = CU n

35
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

0 1 0 10 1
un+1
1
1 2 0 0 un1
B un+1 C B 1 2 0 CB un2 C
B 2 C B .. CB C
B .. C B ..
.
..
.
..
. CB .. C
B . C = B 0 . CB . C
B n+1 C B ... CB n C
@ uN 1 A @ 0 1 2 A @ uN 1 A
un+1
N 0 ::: 0 1 2 unN
n
= (I A) U
avec 0 1
2 1 0
B ... C
B 1 2 C
A=B .. .. C
@ . . 1 A
0 1 2

Analyse de Stabilité du schéma explicite de l’équation de la chaleur

Etude matricielle de la stabilité La matrice C = I D4t 4x2
A est une matrice
symétrique réelle. Ces vecteurs propres sont ceux de A (Voir Exercice 1.9), ses
valeurs propres sont égales à :

D4t k
k =1 k avec k =2 2 cos
4x2 N +1

Les vecteurs propres de C associés aux valeurs propres k sont les vecteurs vk =
(sin Nk+1 ); sin N2k+1 ; : : : ; sin N
Nk
+1
avec 1 k N:
Majorons la norme euclidienne de U n+1

4t
U n+1 2
I D A kU n k2
4x2 2

Comme la matrice C est une matrice symétrique, sa norme euclidienne est égale
à son rayon spectral donc

D4t D4t D4t 2 k

kCk2 = I A = I A = max 1 4 sin ;
4x2 2 4x2 1 k N 4x2 2 (N + 1)
D4t 1
la condition de stabilité kCk2 1 se traduit donc par : 0 4x2 2
donc le
schéma explicite est donc conditionnellement stable.
Cette condition D4t
4x2
1
2
est la condition classique de stabilité du schéma
d’Euler explicite pour l’équation de la chaleur. Elle impose des pas de temps
très petits, ce qui condamne pratiquement l’usage de ce schéma explicite pour les
problèmes paraboliques.

36
 Si D4t
4x2
> 1
2
: les valeurs propres de C sont les k = 1 4 D4t
4x2
sin2 k
2(N +1)
; 1
k N:

D4t 2 N
N =1 4 sin = 1 4 +O(4x2 ) = (4 1)+O(4t); 4 1>1
4x2 2 (N + 1)
T
0 n 4t
T
Si n0 = E 4t
! 1 alors :

C n0 v N 1 n0
=j Nj = (4 1)n0 exp (n0 O (4t)) ! 1
kv N k1

Etude de stabilité par l’analyse de Fourier

La transformé de Fourier est un outil très utile pour l’étude de la stabilité de
schémas numériques dans L2 (R) : L’utilisation de la T.F. dans ce contexte est
encore appelée méthode de von Neumann. Elle se généralise notamment à des EDP
avec d variables d’espace (transformée de Fourier dans L2 Rd ), à des systèmes
d’EDP, ainsi qu’au cas de conditions aux limites périodiques (la transformée de
Fourier est alors remplacée par la décomposition en séries de Fourier).
La solution u de l’équation de la chaleur
8
@u @2u
>
< @t = @x2 (x; t) 2 [0; 1] [0; T ]
u(x; 0) = u0 (x)
>
:
u(0; t) = u(L; t) = 0 8t
sous la forme du développement est donnée par :
X
u(x; t) = u~k (t) exp (ikx)
k2Z

où k est un coe¢ cient réel intégrant le nombre d’onde, le type de conditions

aux limites et la dimension du domaine. Les coe¢ cients de Fourier u~k véri…ent
chacun une équation di¤érentielle en temps dont la solution s’écrit : u~k (t) =
u~k (0) exp ( k 2 t)
Faisons la même analyse dans le cas discret. Injectons dans le schéma numérique
une suite de solutions de la forme : unj = u~nk eikj4x
Ces solutions ont pour conditions initiales u0j = u~0k eikj4x et correspondent cha-
cune a une composante harmonique. L’étude de la stabilité se ramène à l’étude
de l’évolution au cours des pas de temps n des suites u~nk quand n augmente. La

37
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

condition minimale de stabilité numérique nécessite que les nombres u~nk restent
bornés 8k et 8n = 0; : : : ; N .
Si l’on veut de plus décroissance de la solution approchée, on devra avoir
décroissance des u~nk quand n augmente.
Dans les schémas à p pas, on obtient les u~n+1
k par multiplication par une matrice
d’ampli…cation G(4t; k) selon :
0 n+1 1 0 1
u~k u~nk
B u~n C B u~n 1 C
B k C B k C
B .. C = G (4t; k) B .. C
@ . A @ . A
u~nk p+2
u~nk p+1

Dans les schémas à un pas, la matrice d’ampli…cation se réduit à un facteur

d’ampli…cation G (4t; k) tel que u~n+1
k = Gk (4t) u~nk .

Condition nécessaire de stabilité de Von Neumann Pour que le schéma

soit stable, il faut qu’il existe > 0 tel que les valeurs propres i de la matrice
d’ampli…cation G(4t; k) soient toutes majorées en module selon :

j ij 1 + c4t 8i = 1; : : : ; p

avec c > 0; quel que soit k et pour tout 0 < 4t <

Dans le cas de schéma à un pas la matrice d’ampli…cation se réduit à un facteur
scalaire et la condition de Von Neuman est su¢ sante.

Conditions su¢ santes de stabilité 1) Si la matrice d’ampli…cation est nor-

male, c’est à dire qu’elle commute avec son adjointe (ou transposée dans le cas
réel)

GG = G G
ou bien, ce qui est équivalent, si elle admet une base de vecteurs propres or-
thonormés, alors la condition de Von Neumann est su¢ sante.
2) La condition précédente étant parfois di¤cile à véri…er, on peut utiliser la
condition su¤sante suivante : le schéma est stable si les coe¤cients de la matrice
G(4t; k) sont bornés et si ses valeurs propres sont toutes de module strictement
inférieur à 1 sauf éventuellement une de module égal à 1.
Analyse du schéma explicite :
On peut écrire le schéma sous la forme :

un+1
j = unj 1 + (1 2 ) unj + unj+1 pour j = 1; : : : ; N

38
 On considère une solution discrète particulière unj = Gn eikxj avec xj = j4x
avec le coe¢ cient d’ampli…cation.
Gn+1 eikj4x = Gn eik(j 1)4x + (1 2 ) Gn eikj4x + Gn eik(j+1)4x
On simpli…e par Gn eikj4x

G = e ik4x + (1 2 ) + e+ik4x
= 1 + e ik4x 2 + e+ik4x
ik4x ik4x 2
= 1+ e+ 2 e 2

k4x
= 1 4 sin2 2
1
donc la condition jGj 1 impose j1 4 j 1 d’où 0 2
:

Stabilité L1
Dé…nition 1.10 On dit qu’un schéma est L1 -stable si la solution approchée est
bornée dans L1 indépendamment du pas du maillage.
Proposition 1.1 Si la condition de stabilité = D 4x
4t
< 1
2
est véri…ée, alors le
schéma (1.18) est L1 stable au sens où :
sup unj = ku0 k1 :
j=1;:::;N
n=1;:::;M

Preuve 1.1 On peut écrire le schéma (1.18) sous la forme :

un+1
j = unj 1 + (1 2 ) unj + unj+1 pour j = 1; : : : ; N
Si 0 1
2
, on a 0 et 1 2 0 et la quantité un+1
j est combinaison convexe
n n n
de uj ; uj 1 et uj+1 :
Soit M n = max unj , on a alors
j=1;:::;N

un+1
j M n + (1 2 ) M n + M n pour tout j = 1; : : : ; N
et donc un+1
j M n , On en déduit en passant au maximum que : M n+1 M n:
On montre de la même manière que
max un+1
j max unj ;
j=1;:::;N j=1;:::;N

On en déduit
max un+1
j max u0j et min un+1
j min u0j
j=1;:::;N j=1;:::;N j=1;:::;N j=1;:::;N

d’où
sup un+1
j ku0 k1 :
j=1;:::;N
1 n M

39
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Convergence
Dé…nition 1.11 Soit u la solution du problème (1.17) et unj j=1;:::;N la suite de
(1.19). On appelle erreur de discrétisation au point (xj ; tn ) la quantité enj = u unj

Théorème 1.3 (Lax) Soit u(x,t) la solution su¢ samment régulière de l’équation
de la chaleur (1.17) (avec des conditions aux limites appripriées). Soit unj la solu-
tion numérique discrète obtenue par un schéma de di¤érences …nies avec la donnée
initiale u0j = u0 (xj ) :On suppose que le schéma est linéaire, à deux niveaux, con-
sistant, et stable pour une norme kk : Alors le schéma est convergent au sens où

8T > 0; lim sup ken k =0

4t;4x !0 tn T

avec en le vecteur "erreut" dé…ni par ses composantes enj = unj u (tn ; xj )
De plus, si le schéma est précis à l’ordre p en espace et à l’ordre q en temps,
alors pour tout T > 0 il existe une constante CT > 0 telle que

sup ken k CT ((4x)p + (4t)q )

tn T

Preuve 1.2 On note unj = u (xj ; tn ). On a donc par dé…nition de l’erreur de

consistance :
un+1
j unj D
2unj unj 1 unj+1 = nj (1.20)
4t 4x2
D’autre part, le schéma numérique s’écrit :
un+1
j unj D
2
2unj unj 1 unj+1 = 0 (1.21)
4t 4x
Retranchons (1.20) et (1.21), on obtient :

en+1
j enj D
2
2enj enj 1 enj+1 = n
j (1.22)
4t 4x
Soit encore :

en+1
j = enj 1 + (1 2 ) enj + enj+1 + 4t n
i pour j = 1; : : : ; N

Or
1
enj 1 + (1 2 ) enj + enj+1 ken k1 ; car ;
2
et donc comme le schéma est consistant, nj C (4t + 4x2 ) ; ce qui entraine
que :
en+1
j ken k1 + 4tC 4t + 4x2

40
 On a donc par récurrence :

ken k1 e0 1
+ n4tC 4t + 4x2

ken k1 e0 1
+ T C 4t + 4x2
Ce qui est démontre le théorème.

1.5.2 Schéma implicite de l’équation de la chaleur

Discrétisation par Euler implicite
Discrétisons la même équation avec le même maillage mais utilisons cette fois une
approximation à gauche pour la dérivée temporelle :

@u un+1
j unj
(xj ; tn ) =
@t 4t
Observons le nouveau schéma :
8 n+1 n
> uj uj un+1 2un+1 +un+1
>
< 4t = D j+1 j
4x2
j 1
j = 1; : : : ; N
> u0j = (xj ) j = 1; : : : ; N
>
:un = un = 0
0 N 8n 2 N

la solution à l’itération n est donné par :

un+1 n+1
j 1 + (1 + 2 ) uj
n+1
uj+1 = unj pour j variant de 1à N (1.23)

On constate que les inconnues à l’itération n sont reliées entre elles par une
relation implicite (d’où le nom de la méthode)

Analyse de stabilité du schéma implicite

Stabilité matricielle : On écrit le schéma (1.23) sous forme matricielle :
0 1 0 n+1 1 0 1
1+2 0 0 u1 un1
B 1+2 0 C B un+1 C B un C
B .. CB 2 C B 2 C
B ..
.
..
.
..
. C B .
. C B .
. C
B 0 . CB . C = B . C
B ... C B n+1 C B n C
@ 0 1+2 A @ uN 1 A @ uN 1 A
0 ::: 0 1+2 un+1
N unN
A chaque itération, le vecteur des inconnues discrètes se détermine par résolu-
tion d’un système linéaire. La matrice du système étant tridiagonale, un algorithme
de Thomas (basé sur la méthode du pivot de Gauss) est très souvent utilisé.

41
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Ce schéma nécessite la résolution d’un système d’équations. Au temps tn+1 le

système d’équations s’écrit :
0 1 0 n+1 1 0 1
u1 un1
B C B un+1 C B un C
B CB 2 C B 2 C
B . . .
.. .. .. C B . C B . C
B C B .. C = B .. C
B C B n+1 C B n C
@ A @ uN 1 A @ uN 1 A
un+1
N unN

avec = 1 + 2 D4t
4x2
= 1 + 2 et = D4t4x2
=
Soit
0 n+1 1 0 1 1 0 1
u1 un1
B un+1 C B C B un2 C
B 2 C B C B C
B .. C B ... ... ... C B .. C 1
B . C=B C B . C=C Un
B n+1 C B C B n C
@ uN 1 A @ A @ uN 1 A
un+1
N unN

avec C = I + 2 D4t
4x2
A; les valeurs propres de la matrice C sont k = 1+
4 D4t
4x2
sin2 k
2(N +1)
1; 81 k N et par suite les valeurs propres de C 1
sont
1 1
(C ) = max K
1; 81 k N; donc le schéma est inconditionnement
1 k N
stable.
Trouver les un+1
j à partir de unj nécessite ici la résolution d’un système i.e.
l’inversion d’une matrice. Le système est ici tridiagonal. On peut le résoudre
facilement par l’algorithme de Thomas, spécialement adapté aux matrices bandes.
Un tel schéma est implicite.

Analyse du schéma implicite par Von Neumann:

un+1 n+1
j 1 + (1 + 2 ) uj un+1 n
j+1 = uj pour j variant de 1à N

Gn+1 eik(j 1)4x

+ (1 + 2 ) Gn+1 eikj4x Gn+1 eik(j+1)4x = Gn eikj4x

G est le facteur d’ampli…cation

On simpli…e par Gn eikj4x on obtient :
G e ik4x + (1 + 2 ) eik4x = 1
G e ik4x + eik4x + (1 + 2 ) = 1
G( (2 cos k4x) + (1 + 2 )) = 1

42
 1
G=
1 + 2 (1 cos k4x)
ou encore
1
G= k4x
1 + 4 sin2 2
On constate que pour ce schéama la condition jGj 1 est toujours respectée, donc
qu’il est inconditionnement stable.

1.6 Approximation par di¤érences …nies de l’équation

de la chaleur en 2D
La méthode des di¤érences …nies s’étend sans di¢ culté aux problèmes en plusieurs
dimensions d’espace. Considérons par exemple l’équation de la chaleur en deux
dimensions d’espace dans le domaine rectangulaire = (0; 1) (0; L) avec des
conditions aux limites de Dirichlet
@u @2u @2u
@t @x2
= 0 pour (x; y; t) 2
@y 2
R+
u (t = 0; x; y) = u0 (x; y) pour (x; y) 2 (1.24)
u (t; x; y) = 0 pour t 2 R+ ; (x; y) 2 @

Pour discrétiser le domaine ; on introduit deux pas d’espace 4x = Nx1+1 > 0

et 4y = Ny1+1 > 0 (avec Nx et Ny deux entiers positifs). Avec le pas de temps
4t > 0, on dé…nit ainsi les noeuds d’un maillage régulier.
(tn ; xj ; yk ) = (n4t; j4x; k4y) pour n 0; 0 j Nx + 1; 0 k Ny + 1:
On note unj;k la valeur d’une solution discrète approchée au point (tn ; xj ; yk ) ; et
(t; x; y) la solution exacte de (1.24).
Les conditions aux limites de Dirichlet se traduisent, pour n > 0; en
un0;k = unNx +1;k = 0; 8k et unj;0 = unj;Ny +1 = 0; 8j
La donnée initiale est discétisée par
u0j;k = u0 (xj ; yk ) 8j; k
La généralisation au cas bidimentionnelle du schéma explicite est évidente :
un+1
j;k unj;k unj 1;k + 2unj;k unj+1;k unj;k 1 + 2unj;k unj;k+1
+ + =0
4t (4x)2 (4y)2
pour n 0; j 2 f1; : : : ; Nx g et k 2 f1; : : : ; Ny g : La seule di¤érence notable
avec le cas unidimensionnel est le caractère deux fois plus sévère de la condition
CFL.

43
Pr. A. Radid CHAPITRE 1. DIFFÉRENCES FINIES

Nous avons le résultat suivant à démontrer :

Exercice : Montrer que le schéma explicite est stable en norme L1 (et même
qu’il véri…e le principe du maximum) sous la condition CFL.
4t 4t 1
2 +
(4x) (4y)2 2
Correction

4t 4t 4t 4t
un+1
j;k = 1 2 2 + unj;k + n
2 uj 1;k + unj+1;k + n
2 uj;k 1 + unj;k+1
(4x) (4y)2 (4x) (4y)
4t 4t
Si (4x)2
+ (4y) 2
1
2
alors un+1
j;k est une combinaison convexe de coordonnées de
n
u et
un+1
j;k kun k1 :
Schéma implicite :
Le schéma implicite est :
un+1
j;k unj;k un+1 n+1
j 1;k + 2uj;k un+1
j+1;k un+1 n+1
j;k 1 + 2uj;k un+1
j;k+1
+ + = 0 (1.25)
4t (4x)2 (4y)2
Remarquons que le schéma implicite nécessaite, pour calculer un+1 en fonction
de un ; la résolution d’un système linéaire sensiblement plus compliqué qu’en une
dimension d’espace (la situation serait encore pire en 3 dimensions).
Rappelons qu’en dimension un, il su¢ t d’inverser une matrice tridiagonale.
Nous allons voir qu’en dimension deux la matrice a une structure moins simple.
L’inconnue discrète unj;k est indicée par deux entiers j et k, mais en pratique on
utilise un seule indice pour stocker un sous la forme d’un vecteur dans l’ordinateur.
Une manière (simple et e¢ cace) de ranger dans un seul vecteur les inconnues
unj;k est d’écrire

un = un1;1 ; : : : ; un1;Ny ; un2;1 ; : : : ; un2;Ny ; : : : ; unNx ;1 ; : : : ; unNx ;Ny

Remarquons qu’on a rangé les inconnues"colonne par colonne", mais qu’on aurait
aussi bien pu le faire " en "ligne par ligne"
Avec cette convention, le schéma implicite (1.25) requiert l’inverse de la matrice
symétrique tridiagonale par "blocs"
0 1
D1 E1
B E1 D2 E2 C
B C
M =B B C
C
@ ENx 2 DNx 1 ENx 1 A
ENx 1 DNx

44
 où les blocs diagonaux Dj sont des matrices carrées de taille Nx :
0 1
1 + 2 (cx + cy ) cy
B ..
. C
B cy 1 + 2 (cx + cy ) C
Dj = B . . C
@ .. .. cy A
cy 1 + 2 (cx + cy )
4t
avec cx = (4x) 2 et cx =
4t
(4x)2
; et les blocs extra-diagonaux Ej = (Ej )t sont des
matrices carrées de taille Ny
0 1
cx 0
B ... C
Ej = @ A
0 cx

Au total la matrice M est pentadiagonale et symétrique.

Cependant les cinq diagonales ne sont pas contigués, ce qui entraîne une aug-
mentation considérable du coût de la résolution d’un système linéaire associé à M .
La situation serait encore plus pire en 3 dimensions.

45