BD 3

Différences Finies et Volumes Finis
Master Mathématiques et Applications
Bruno Després
2018
2
Introduction
On peut considérer que les méthodes numériques pour les équations aux dérivées partielles (EDP) d’évolution
s’appuient sur deux piliers. Le premier pilier en est l’analyse fonctionnelle et la théorie des espaces fonctionnels,
le second pilier s’appuie sur les modèles d’EDP et leurs liens avec la modélisation des phénomènes réels. Cette
discipline est liée de très près également au développement des moyens de calculs informatiques. Pour autant
la construction et l’analyse numérique de méthodes numériques efficaces pour les EDP d’évolution s’appuient
sur des règles propres qui forment l’objet de ces notes pour le cours de base du M2-Mathématiques de la
modélisation 1 .
Un problème modèle central dans ces notes est issu de la modélisation des phénomènes réels et de la pratique
de l’art de l’ingénieur. Il est de type transport-diffusion et s’écrit
∂t u + a · ∇u − ∆u = 0.
Cependant on considèrera le plus souvent séparément l’équation de transport ou d’advection ∂t u + a · ∇u = 0,

qui est de type hyperbolique, et l’équation de la chaleur ∂t u−∆u = 0, qui est de type parabolique. Les équations
de convection-diffusion, non linéaires cette fois, sont aussi très utilisées en traitement de l’image, par exemple
en suivant les modèles de Perona-Malik : ∂t u = ∇ · (g∇u) = g∆u + ∇g · ∇u avec g une fonction non linéaire
compliquée de u ; pour g = u on retrouve une équation pour les écoulements en milieux poreux. Nous ne
considérerons dans la suite que des équations à coefficients constants et donnés.
On s’appuiera sur les deux notions fondamentales que sont la stabilité et la consistance pour construire et
justifier les méthodes de Différences Finies et Volumes Finis qui seront étudiées dans ces notes. Les méthodes
d’Eléments Finis sont évoquées rapidement au chapitre 2. Les méthodes de Différences Finies sont simples à
construire et leur théorie sert de socle à la plupart des méthodes numériques non stationnaires. Les méthodes
de Volumes Finis peuvent être vues comme des méthodes de Différences Finies sur maillage tordu. Elles sont
également simples de construction et sont à la base de la plupart des codes industriels et de recherche de CFD
(Computational Fluid Dynamics).
Ce texte est rédigé avec deux niveaux de lecture. Tout ce qui concerne la construction des méthodes numériques
est en taille normale. Les parties en taille réduite apportent des détails complémentaires pour justifier certains
éléments ou pour mener à bien les diverses preuves. Elles doivent être laissées de côté en première lecture. De
même il est conseillé de passer directement au deuxième chapitre qui présente des principes de construction de
schémas numériques.
1. Des coquilles/erreurs peuvent subsister. Merci de les signaler par mail à despres@ann.jussieu.fr
3
4
Table des matières
1 Cadre fonctionnel et modèles 7

1.1 Cadre fonctionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Espaces de Lebesgue Lp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.3 Fonctions à variation bornée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Quelques modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Equation de transport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Equation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Principe du maximum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.4 Systèmes de Friedrichs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 Termes sources ou de couplage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Quelques principes de construction 17

2.1 Approximation numérique en dimension d = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1 Equation du transport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Équation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Approximation numérique en dimension d ≥ 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Méthodes de Différences Finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Méthode de Volumes Finis pour l’équation d’advection . . . . . . . . . . . . . . . . . . . . 28
2.2.3 Méthode de Volumes Finis pour l’équation de la chaleur . . . . . . . . . . . . . . . . . . . 31
2.2.4 Méthodes de Volumes Finis pour les systèmes de Friedrichs . . . . . . . . . . . . . . . . . 35
3 Transformée de Fourier et Schémas de différences finis 37

3.1 Transformations de Fourier continue et discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4 Analyse numérique abstraite : l’approche de Lax 43

4.1 Consistance, stabilité et théorème de Lax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1 Opérateur Πh d’interpolation/projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.2 Opérateur discret Ah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.3 Cas instationnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.4 Analyse du schéma d’Euler explicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.5 Schéma de Crank-Nicholson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.6 Schéma semi-discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.7 Principe de comparaison et supra-convergence . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.8 Caractérisation spectrale de la stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.9 Schéma de splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5
6 TABLE DES MATIÈRES
4.2.1 Schéma décentré en dimension un . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.2.2 Donnée moins régulière et ordre de convergence fractionnaire . . . . . . . . . . . . . . . . 55
4.2.3 Maillage non uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5 Analyse numérique des Volumes Finis 59

5.1 Equation d’advection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.1.1 Analyse de la condition de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.2 Approximation, erreur de projection initiale et inégalité de Poincaré-Wirtinger . . . . . . 64
5.1.3 Consistence des schémas de Volumes Finis pour l’advection . . . . . . . . . . . . . . . . . 67
5.2 Convergence dans L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.1 Première étape : estimation en temps dans Lp . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2.2 Deuxième étape : estimation en espace dans L2 . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3 Convergence dans L1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.3.1 Cas des fonctions indicatrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.3.2 Données générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.4 Convergence du schéma de diffusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Chapitre 1
Cadre fonctionnel et modèles
Pour toute méthode de discrétisation numérique d’une équation aux dérivées partielles, une question fonda-
mentale est de montrer la convergence de la solution numérique vers la solution exacte, et mieux d’obtenir des
estimations quantitatives optimales pour l’erreur. Pour cela, nous aurons besoin d’un cadre fonctionnel.
Ce chapitre peut être laissé de côté en première lecture.
1.1 Cadre fonctionnel

On renvoie à [6].
Définition 1 (Espace de Banach). Un espace de Banach réel V est un espace vectoriel réel, muni d’une
norme u 7→ kuk définie pour tout u ∈ V , et complet pour cette norme. Les propriétés de la norme sont
— kuk ≥ 0 pour tout u ∈ V ,
— kuk = 0 si et seulement si u = 0,
— kλuk = |λ| kuk pour tout λ ∈ R,
— ku + vk ≤ kuk + kvk pour tous u, v ∈ V .
L’espace V est appelé un espace de Hilbert dans le cas où la norme est associée à un produit scalaire
p
kuk = (u, u)
avec (u, v) ∈ R étant le produit scalaire de u et v. Pour mémoire, les propriétés d’un produit scalaire réel sont
— le produit scalaire est une forme bilinéaire,
— (u, u) ≥ 0 pour tout u ∈ V ,
— (u, u) = 0 si et seulement si u = 0,
— (u, v) = (v, u) pour tous u, v ∈ V .
1.1.1 Espaces de Lebesgue Lp

Soit Ω un ouvert régulier de Rd , borné ou non.
Définition 2 (Espaces de Lebesgue). Soit p ∈ [1, ∞]. R p
— Pour 1 ≤ p < ∞, l’espace Lp (Ω) est constitué des fonctions mesurables telles que Ω |u(x)| dx < ∞. La
norme dans Lp (Ω) est
Z p1
p
kukLp(Ω) = |u(x)| dx .
Ω
— Pour p = ∞, l’espace L (Ω) est constitué des fonctions mesurables et bornées. La norme dans L∞ (Ω)
∞
est
kukL∞ (Ω) = sup {λ; mes (|u(x)| > λ) 6= 0} < ∞.
7
8 CHAPITRE 1. CADRE FONCTIONNEL ET MODÈLES
— Les espaces de Lebesgue sont des espaces de Banach.

Les dérivées partielles d’une fonction sont notées
∂ k1 +···+kd
u(k1 ,··· ,kd ) = u, avec 0 ≤ ki pour tout i = 1, . . . , d.
∂xk11 . . . ∂xkdd
On renvoie à [6] pour une définition rigoureuse de la dérivation au sens des distributions d’une fonction mesu-
rable.
Définition 3. L’ensemble des fonctions mesurables de Lp (Ω) dont toutes les dérivées sont également dans
Lp (Ω) jusqu’à un ordre de dérivation totale de q ∈ N est noté W q,p (Ω).
Pour 1 ≤ p ≤ ∞ une norme dans W q,p (Ω) est
X
kukW q,p (Ω) = ||u(k1 ,··· ,kd ) ||Lp (Ω) .
k1 +···+kd ≤q
Le sous espace vectoriel de W q,p (Ω) constitué des fonctions à suport compact dans Ω est noté W0q,p (Ω) ⊂
W q,p (Ω).
1.1.2 Inégalités
Soient deux nombres positifs p ∈ [1, ∞] et q ∈ [1, ∞] (l’infini est autorisé) tels que
1 1
+ = 1.
p q
Nous dirons que p et q sont conjugués.
Lemme 1 (Inégalité de Hölder). Soient u ∈ Lp (Ω) et v ∈ Lq (Ω) où p et q sont des nombres conjugués. Alors
Z

u(x)v(x)dx ≤ kukLp (Ω) × kvkLq (Ω) .

Ω
Dans le cas p = q = 2, l’inégalité de Hölder est identique à l’inégalité de Cauchy-Schwarz. Le cas p = ∞ et q = 1 est immédiat.
1.1.3 Fonctions à variation bornée

Le cadre des fonctions à variation bornée permet de manipuler des fonctions discontinues, ce qui est très utile pour l’analyse
numérique des équations de transport. On renvoie à [18, 19].
Pour un vecteur ϕ = (ϕ1 , · · · , ϕd ) on notera q
|ϕ| = ϕ21 + · · · ϕ2d .
L’espace des fonctions à dérivée bornée, à valeur vectorielle, à support compact, et bornées par 1, sera noté
n o
1,∞
Wb,0 (Rd ) = ϕ ∈ W01,∞ (Rd ), |ϕ(x)| ≤ 1 ∀x
Définition 4 (Variation totale). Soit u ∈ L1loc (Rd ). Le nombre éventuellement infini

Z
|u|BV(Rd ) = sup − u(x)∇ · ϕ(x)dx
1,∞
ϕ∈Wb,0 (Rd ) Rd
sera appelé la variation totale de u.
Exemple 1 (En dimension un d’espace). Soit u ∈ W 1,1 (R). Alors

Z
|u|BV = ku′ kL1 (R) = |u′ (x)|dx.
R
Cela vient de la formule d’intégration par parties

Z Z
− u(x)ϕ′ (x)dx = u′ (x)ϕ(x)dx.
R R
Le supremum sur tous les ϕ tels que |ϕ| ≤ 1 montre que
Z Z
′
sup u′ (x)ϕ(x)dx = u (x) dx = ku′ k 1 .
L (R)
|ϕ|≤1 R R
1.2. QUELQUES MODÈLES 9
Exemple 2 (En dimension deux d’espace). Soit le carré unité C = {x = (x1 , x2 ), 0 < x1 , x2 < 1} ⊂ R2 . La fonction indicatrice
de C est notée 1C avec 1C (x) = 1 si x ∈ C ; 1C (x) = 0 dans le cas contraire.
Alors |1C |BV = 4.
1,∞
En effet on a a pour tout ϕ ∈ Wb,0 (R2 )
Z Z Z
− 1C (x)∇ · ϕ(x)dx = − ∇ · ϕ(x)dx = ϕ(x) · nS dx ≤ 4.
R2 x∈C x∈∂C
La borne est atteinte pour une suite bien choisie de fonctions ϕn .

On remarque par ailleurs que la valeur 4 est la valeur du périmètre du carré C, ce que nous noterons
|C| = |1C |BV .
Définition 5 (Espace BV). L’espace des fonctions de L1 (Rd ) à variation totale bornée est noté BV(Rd ). Une norme associée est
kukBV(Rd ) = |u|BV(Rd ) + kuk1 .
On a l’inclusion 1 dense W 1,1 (Rd ) ⊂ BV(Rd ).
L’exemple 1 montre l’inclusion en dimension un d’espace. La densité de l’inclusion sera montrée dans un cas particulier à la section
5.3. L’inclusion est stricte W 1,1 (Rd ) 6= BV(Rd ) comme conséquence de la définition et des exemples.
Soit u ≥ 0 une fonction mesurable positive ou nulle. On définit l’ensemble de niveau
n o
Eλ = x ∈ Rd , u(x) > λ ⊂ Rd .
Le périmètre de Eλ est !
Z

|Eλ | = 1Eλ BV(Rd ) = sup − ∇ · ϕ(x)dx ,
1,∞ Eλ
ϕ∈Wb,0 (Rd )d
où 1Eλ est la fonction indicatrice de Eλ . Pour toute fonction positive ou nulle, on
Z ∞
u(x) = 1Eλ (x)dλ p.p.
0
Lemme 2 (Formule de la coaire : voir [18]). Soit u ∈ BV(Rd ) une fonction positive ou nulle, u ≥ 0. Alors
Z ∞
|u|BV(Rd ) = |Eλ |dλ. (1.1)
0
1.2 Quelques modèles

Les modèles considérés sont linéaires. Ils servent souvent de briques de base pour des modèles plus élaborés.
1.2.1 Equation de transport

L’équation du transport libre à vitesse constante s’écrit en tout dimension
∂t u + c.∇u = 0, t > 0, x ∈ Rd .
1. Notons aussi que BV (R) ⊂ L∞ (R) en dimension un d’espace. Une preuve rapide est la suivante. Soit u ∈ BV (R) : on se
donne trois nombres x0 ∈ R, ε > 0 et µ > 0 et on considère la fonction continue négative ou nulle

 0x−x


pour x ≤ x0 ,
 0 pour x0 ≤ x ≤ x0 + ε,
ε
ϕ(x) = − 1 − µ(x − x − ε), pour x0 + ε ≤ x ≤ x0 + ε + µ 1
,

 0

 1
0 pour x0 + ε + µ ≤ x.
R R R
On a bien |ϕ| ≤ 1. On a aussi − R u(x)ϕ′ (x)dx ≤ BV(u). Un calcul montre que − R u(x)ϕ′ (x)dx = 1ε xx0 +ε u(x)dx −
0
R x0 +ε+ 1 R R x0 +ε+ 1
µ x0 +ε µ u(x)dx. Donc xx0 +ε (u(x) − BV(u)) dx ≤ εµ x0 +ε µ u(x)dx. Comme u ∈ L1 (R), on peut passer à la limite µ → 0
0
R x0 +ε+ 1 R
pour le deuxième terme qui tend vers zéro : limµ=0+ µ x0 +ε µ u(x)dx = 0. Donc xx0 +ε (u(x) − BV(u)) dx ≤ 0. Cela étant arbi-
0
traire par rapport à x0 et ε qui peut être aussi petit que souhaité, alors u(x) ≤ BV (u) presque partout. De même on montre en
prenant ψ = −ϕ que −BV (u) ≤ u(x) presque partout. Donc u ∈ L∞ (R).
La fonction (t, x) 7→ u(t, x) est l’inconnue : t est la variable de temps, et x = (x1 , · · · , xd ) ∈ Rd est la variable
d’espace. L’opérateur gradient est défini par

∂ ∂
∇u = u, · · · , u .
∂x1 ∂xd
Le champ x 7→ c(x) ∈ Rd est donné. Il est appelé champ de vitesse pour des raisons qui paraı̂tront évidentes
dans la suite.
Dimension d = 1
On considère tout d’abord le cas en dimension d = 1 pour une vitesse constante que l’on note a ∈ R. Il s’agit
de l’équation d’advection
∂t u + a∂x u = 0, t > 0, x ∈ R. (1.2)
On supposera que a > 0. L’autre cas a < 0 est symétrique et se déduit du cas a > 0. On munit l’équation d’une
condition initiale à t = 0
u(0, x) = u0 (x). (1.3)
Lemme 3. L’unique solution de (1.2) avec la condition initiale (1.3) est
u(t, x) = u0 (x − at). (1.4)
Démonstration. Cette propriété peut se démontrer dans tout type d’espace fonctionnel. Par souci de simplicité
on considère une donnée initiale régulière u0 ∈ C 1 (R). Prenons la fonction définie par (1.4). On a ∂t u =
−au′0 (x − at) et ∂x u = u′0 (x − at). Donc ∂t u + a∂x u = −au′0 + au′0 = 0 ce qui montre que (1.4) est bien une
solution.
t x = X1 + at
x = X2 + at
X1 X2
x
Figure 1.1 – La solution de l’équation d’advection est constante le long des droites caractéristiques x = X + at.
Montrons à présent l’unicité. Soient u1 et u2 deux solutions de classe C 1 (R) éventuellement différentes, avec la
même donnée initiale
u1 (0, x) = u2 (0, x) = u0 (x).
Soit x 7→ ϕ0 (x) une fonction dérivable, positive ou nulle, à support compact : ϕ0 (x) = 0 for |x| ≥ A. On note
ϕ(t, x) = ϕ0 (x − at) qui est solution de l’équation d’advection. Posons v = (u1 − u2 )2 ϕ ≥ 0. On commence par
vérifier que v est aussi solution de l’équation d’advection
2
∂t v + a∂x v = 2 (u1 − u2 ) ϕ (∂t (u1 − u2 ) + a∂x (u1 − u2 )) + (u1 − u2 ) (∂t ϕ + a∂x ϕ) = 0.
Par construction v est à support compact ce qui n’était pas nécessairement le cas de u1 ni de u2 . Donc
Z Z Z A+at Z
d
0= (∂t v + a∂x v) dx = ∂t vdx + a ∂x vdx = vdx.
R R −A+at dt R
R
Or v(0, x) = 0. Donc R v(T, x)dx = 0 pour tout T > 0. Comme v ≥ 0, il s’ensuit que v ≡ 0. Le support de v
pouvant être aussi grand que souhaitée, cela montre que u1 = u2 .
Soit un champ de vitesse de transport x 7→ c(x) ∈ R et u une solution de l’équation du transport
∂t u + c(x)∂x u = 0, u(x, 0) = u0 (x).
Nous construisons les courbes caractéristiques

′
y (t; X) = c(y(t; X)),
y(0; X) = X.
On utilise souvent des notations simplifiées. Par exemple en notant les courbes caractéristiques x(t) à la place
de x = y(t; X).
Proposition 1. Supposons c Lipschitzienne et bornée. Alors il existe une et une seule solution de l’équation
des courbes caractéristiques (x ∈ R, t ≥ 0).
Démonstration. C’est une conséquence du théorème de Cauchy-Lipshitz.
Proposition 2. Sous les mêmes hypothèses, une solution de l’équation du transport est
u(x, t) = u0 (X), x = y(t; X).
Démonstration. On a u(x, t) = u(y(t; X), t). Dérivant par rapport à t, X étant fixe, on obtient
d d
0= u0 (X) = u(y(t; X), t) = y ′ (t; X)∂x u(y(t; X), t) + ∂t u(y(t; X), t)
dt dt
= ∂t u(y(t; X), t) + c(y(t; X))∂x u(y(t; X), t).
Cela est vrai pour tout (t, X), c’est vrai pour tout x = y(t; X) et tout t. La preuve est terminée.
Dimension d ≥ 2 en domaine borné

Nous nous concentrons à présent sur les conditions au bord qu’il faut considérer en domaine borné, car cela
constituera un bon point de départ pour la construction de schémas numériques pour cette équation.
Soit Ω ⊂ Rd un ouvert borné régulier. On note le champ de vitesse x 7→ a(x). On supposera que a ∈ C 1 (Ω) est
à divergence nulle
∇.a = 0.
De ce fait l’équation admet une formulation conservative
∂t u + ∇ · (au) = ∂t u + a · ∇u + (∇ · a) u = 0.
Le bord de Ω est séparé en deux parties Γ = Γ− ∪ Γ+ avec
Γ− = {x ∈ Γ, a · n < 0}, Γ+ = {x ∈ Γ, a · n ≥ 0}.
Nous considérons le problème avec condition initiale et condition au bord


 ∂t u + a · ∇u = 0, x ∈ Ω, t > 0,
u(0, x) = u0 (x), x ∈ Ω, (1.5)

u(t, x) = u− (t, x), x ∈ Γ− .
On note immédiatement qu’il n’y a pas de condition sur le bord Γ+ .

n
Γ+
n n
Γ−
n
Figure 1.2 – Sur cet exemple le champ de vitesse a est orienté en diagonale : la partie Γ+ du bord surlignée
en gras est constitué des parties du bord en haut et à droite ; la partie Γ− du bord correspond aux parties du
bord en bas et à gauche.
Lemme 4. Soient deux fonctions u1 et u2 solutions régulières de (1.5). Supposons que u1 ont u2 ont la même
condition initiale, et ont la même condition sur le bord Γ− . Alors u1 = u2 .
Démonstration. La différence e = u1 − u2 est solution de

 ∂t e + a · ∇e = 0, x ∈ Ω, t > 0,
e(0, x) = 0, x ∈ Ω,

e(t, x) = 0, x ∈ Γ− .
1 2
Posons E(t) = 2 ke(t)k2 . Alors
Z Z 2
Z
′ e
E (t) = e∂t edx = − ea · ∇edx = − ∇· a dx
Ω Ω Ω 2
Z Z Z
e2 e2 e2
=− a · n dσ − a · n dσ = − a · n dσ ≤ 0.
Γ− 2 Γ+ 2 Γ+ 2
Notons que l’on a utilisé que e = 0 on Γ− . Or E(0) = 0 donc E(t) = 0 pour tout temps t > 0. Cela montre que
u1 = u2 .
Il est important de bien comprendre pourquoi le bord Γ+ ne joue finalement aucun rôle dans la preuve d’unicité.
Courbes caractéristiques ”en avant” dans un domaine borné

A présent nous construisons la solution à partir des courbes caractéristiques t 7→ y(t, X) définies par
d
y(t, X) = a(X) avec la donnée initiale y(0, x) = X.
dt
Ces courbes sont correctement construites dans le cadre du théorème de Cauchy-Lipschitz pour a ∈ C 1 (Ω).
Soit une fonction u constante le long des caractéristiques
u(y(X), t) = u0 (X).
Elle vérifie
d d
u = ∂t u + y(t, X).∇u = ∂t u + a.∇u = 0.
dt dt
Pour un x donné et un t donné, on peut ainsi déterminer la valeur de u(t, x) une fois que le pied de la caractéristique X a été défini
en résolvant l’équation
y(t, X) = x. (1.6)
Il s’ensuit qu’il est nécessaire d’inverser l’équation (1.6) pour obtenir le point de départ X ∈ Ω ∪ Γ− de la caractéristique qui arrive
en (t, x) ∈ R+ × Ω. Pour rendre la discussion légèrement plus simple, on peut construire les caractéristiques ”en arrière”.
x2 ∈ Γ+
X 1 ∈ Γ−
Figure 1.3 – La fonction u est constante le long des caractéristiques dont le point de départ est noté sous la
forme de cercle noir : le point X1 ∈ Γ− est un point de départ ; le point x2 ∈ Γ+ n’est pas un point de départ.
Courbes caractéristiques ”en arrière” dans un domaine borné

Les courbes caractéristiques en arrière sont construites à partir de la position au temps final
d
X(t, x) = −a(X) pour t > 0, avec X(0, x) = x ∈ Ω.
dt
Bien sûr X(t, x) est aussi le point de départ de la caractéristique en avant discutée précédemment. Nous définissons le temps (de
sortie)
T (x) = inf(t) tel que X(t, x) ∈ ∂Ω.
Si X(t, x) ∈ Ω pour tout t > 0, on posera T (x) = +∞. Par définition T (x) > 0 pour tout x ∈ Ω.
La construction de la solution u au point (t, x) s’appuie sur deux cas.
Premier cas : t < T (x). On pose
u(t, x) = u0 (X(t, x)). (1.7)
Deuxième cas : T (x) ≤ t. Pour le temps t = T (x) la courbe caractéristique rencontre le bord, nécessairement en Γ− . On
pose
u(t, x) = u− (t − T (x), X (T (x), x)) . (1.8)
Par construction la fonction u (1.7-1.8) satisfait la condition initiale
u(0, x) = u0 (x), ∀x ∈ Ω, (c’est à dire (1.7) à t = 0) ,
et la condition au bord
u(t, x) = u− (t, x), ∀x ∈ Γ− , c’est à dire (1.8) pour x ∈ Γ− .
Il reste à vérifier que u est bien solution, et en quel sens, de l’équation de transport. On a un premier résultat, qui est partiel
cependant car il y une restriction sur le temps.
Lemme 5. Supposons que u0 ∈ C 1 (Ω). Soit un point de l’espace temps (t, x) tel que t < T (x). Alors la fonction u (1.9) est
localement C 1 et est solution de
∂t u + a.∇u = 0 ∀x ∈ Ω ∀t < T (x).
Démonstration. On a par construction
X(t − h, X(h, x)) = X(t, x) pour de petits h > 0,
donc
u(t − h, X(t − hX(h, x)) = u(t, x) pour de petits h > 0. (1.9)
La transformation (t, x) 7→ X(t, x) est C1
localement autour de (t, x) dans le cas t < T (x). Par dérivation de (1.9) on obtient
d
dh
u(t − h, X(t − hX(h, x)) = 0, ou encore
d
−∂t u − X(t − hX(h, x) · ∇u = 0.
dh
d
Par ailleurs dh X(t − hX(h, x) = a(X(t − hX(h, x)), donc pour h = 0 on obtient −∂t u − a.∇u = 0.
La restriction est pour t ≥ T (x), qui peut faire apparaitre des pertes dans le caractère régulier de la solution. Par exemple le temps
de sortie x 7→ T (x) peut même ne pas être continu, comme dans l’exemple de la figure 1.4.
De manière générale il est possible de considérer que la fonction définie par formulation Lagrangienne (1.9) est une solution
généralisée de la formulation Eulérienne de l’équation du transport. On pourra consulter [2].
X2
X1
X0
x0 x2
x1 a
Figure 1.4 – La vitesse a est verticale et constante. La fonction x 7→ X(T (x), x)) n’est pas continue au point
x1 . Le temps de sortie T (x) est également discontinu en x1 .
1.2.2 Equation de la chaleur

L’opérateur Laplacien est défini en dimension d par
∂2 ∂2
∆u = ∇ · ∇u = 2 u + · · · + 2 u.
∂x1 ∂xd
Soit le problème de la chaleur en dimension d = 2 avec une condition de Neumann


 ∂t u − ∆u = 0, t > 0, x ∈ Ω,
∇u · n = 0, t > 0, x ∈ Γ, (1.10)

u(0, x) = u0 (x) x ∈ Ω.
Ce problème est bien posé. Il existe une et une seule solution de la formulation variationnelle associée : voir
[17, 19].
2 R R
On considère l’énergie quadratique E(t) = 12 ku(t)kL2 (Ω) . On a E ′ (t) = Ω u∂t udx = Ω u∆udx. Une intégration
R R R 2
par parties montre que E ′ (t) = − Ω ∇u · ∇udx + Γ u∇u · ndσ = − Ω |∇u| dx. Une intégration en temps
montre que
Z TZ
E(T ) + |∇u(t, x)|2 dxdt = E(0).
0 Ω
L’unicité est alors immédiate pour les solutions régulières.
Lemme 6. Soient deux solutions u1 et u2 pour la même condition initiale u0 . Alors u1 = u2 .
Démonstration. Soit u = u1 − u2 , qui est alors solution du même problème avec une condition initiale nulle.
L’identité précédente montre que E(T ) ≤ E(0) = 0, donc u ≡ 0, ce qui montre l’unicité de la solution.
Les liens entre (1.10) et les problèmes variationnels stationnaires sont immédiats après utilisation d’une procédure d’Euler implicite
pour la discrétisation de la dérivée en temps. Soit ∆t > 0 un pas de temps destiné in fine à tendre vers 0. On approche (1.10) par
une succession de problèmes stationnaires un
 n+1
 u − ∆t∆un+1 = un , x ∈ Ω,
∇un+1 · n = 0, t > 0, x ∈ Γ, (1.11)
 0
u = u0 x ∈ Ω.
Exercice 1. On considère que u0 ∈ L2 (Ω). Montrer que la formulation variationnelle de (1.11) admet une unique solution dans
H 1 (Ω) pour tout n ∈ N.
On renvoie à [9] pour les aspects complémentaires.

1.2.3 Principe du maximum

Les équations d’advection et de diffusion satisfont le principe du maximum que nous étudions ici pour le problème
dans le plan
∂t u + a · ∇u − k∆u = 0, x ∈ R2 , t > 0
(1.12)
u(0, x) = u0 (x), x ∈ R2 ,
pour a ∈ R2 et k ≥ 0.
Soit ϕ : R → R une fonction de classe C 2 et convexe : ϕ′′ ≥ 0. On supposera que ϕ(0) = 0 et que u est négligeable à l’infini.
Lemme 7 (Estimation a priori). On a Z Z

ϕ (u(t, x)) dx ≤ ϕ (u0 (x)) dx. (1.13)
R2 R2
Démonstration. On a
Z Z Z
d
ϕ (u(t, x)) dx = ∂t u(t, x)ϕ′ (u(t, x)) dx = (k∆u − a · ∇u) ϕ′ (u(t, x)) dx
dt R2 R2 R2
Z Z Z
= ∇· k∇ ϕ (u(t, x)) dx − a ϕ (u(t, x)) dx −k |∇u(t, x)|2 ϕ′′ (u(t, x)) dx.
R2 R2 R2
Comme u tend vers 0 pour |x| → ∞ et que ϕ(0) = 0, on peut intégrer dans tout le domaine car les termes à l’infini disparaissent.
On obtient Z
d
ϕ (u(t, x)) dx ≤ 0.
dt R2
Cela termine la preuve après intégration en temps.
Soit u0 ∈ L∞ (R2 ), et pour simplifier positive et à support compact : 0 ≤ u0 ≤ ku0 kL∞ (R2 ) .
Lemme 8. On a pour tout t > 0
0 ≤ u(t, x) ≤ ku0 kL∞ (R2 ) , x ∈ R2 . (1.14)
Démonstration. Soit la fonction ϕ : R → R

ϕ− (v) = max (−v, 0)3 = max −v3 , 0 .
Cette fonction est convexe. Sa dérivée seconde est continue et nulle en v = 0. Donc ϕ− est C 2 . De Rplus ϕ ≥ 0 et ϕ(v) = 0 si
et
R seulement si v ≥ 0. Du fait de la positivité de la donnée initiale, l’estimation a priori fournit : R2 ϕ− (u(t, x)) ≤ 0. Donc
R2 ϕ− (u(t, x)) ≤ 0 et au final u(t, x) ≥ 0.
Soit à présent
3 3
ϕ+ (v) = max 0, v − ku0 kL∞ (R2 ) = max 0, v − ku0 kL∞ (R2 ) ,
qui est une fonction convexe et de dérivée seconde continue (et nulle en v = ku0 kL∞ (R2 ) ). On a alors
Z Z
ϕ+ (u(t, x)) dx ≤ ϕ+ (u0 (x)) dx = 0
R2 R2
ce qui montre in fine que u ≤ ku0 kL∞ (R2 ) .
1.2.4 Systèmes de Friedrichs

Soient deux matrices A1 , A2 ∈ Rn×n . On fait l’hypothèse majeure que les matrices sont symétriques
A1 = At1 et A2 = At2 .
On considère le système de Friedrichs à coefficients constants
∂t U + A1 ∂x1 U + A2 ∂x2 U = 0, t > 0, x = (x1 , x2 ) ∈ R2 . (1.15)
La fonction inconnue est U(t, x) ∈ Rn . La condition initiale s’écrit U(0, x) = U0 (x) pour tout x ∈ R2 , où la fonction U0 est la
donnée initiale. Les systèmes de Friedrichs sont accompagnés d’une identité d’énergie quadratique.
d
Proposition 3. Les systèmes de Friedrichs conservent l’énergie quadratique : dt
kU(t, ·)kL2 (R)n = 0.
Démonstration. On considère une solution de (1.15), suffisamment régulière d’une part. Le produit scalaire avec U donne
∂t U · U + A1 ∂x1 U · U + A2 ∂x2 U · U = 0.
On a ∂t U · U = 1
∂ |U|2 .
2 t
Par ailleurs

1 1 1 1 1 A1 + At1
∂x (A1 U · U) = A1 ∂x1 U · U + A1 U · ∂x1 U = A1 ∂x1 U · U + U · At1 ∂x1 U. = ∂x1 U · U.
2 1 2 2 2 2 2
Or A1 est symétrique. Donc 12 ∂x1 (A1 U · U) = (A1 ∂x1 U)·U. De même 21 ∂x2 (A2 U · U) = (A2 ∂x1 U)·U car A2 est aussi symétrique.
On a donc
1 1 1
∂t |U|2 + ∂x1 (A1 U · U) + ∂x2 (A2 U · U) = (∂t U + A1 ∂x1 U + A2 ∂x2 U) · U = 0.
2 2 2
d
R 2
D’où après intégration en espace pour une fonction assez petite à l’infini (en espace) dt R2 |U| dx = 0, d’où l’on déduit le
résultat.
1.2.5 Termes sources ou de couplage

Le couplage de certains modèles d’EDP avec des termes sources ou de couplage peut générer de nouvelles questions, tant en terme
d’analyse des modèles que de construction pour les méthodes numériques. C’est particulièrement vrai lorsqu’il a y interaction forte
entre les termes sources et les opérateurs aux dérivés partielles. Nous illustrons ce comportement sur le modèle suivant.
Soit le système des ondes linéaires avec deux paramètres ǫ > 0 et σ > 0
 1
 ∂t p + ε ∇ · u = 0, t > 0, x ∈ R2 ,
(1.16)

∂t u + 1ε ∇p + εσ2 u = 0, t > 0, x ∈ R2 ,
avec les conditions initiales p(0) = p0 et u(0) = u0 . Les inconnues sont d’une part p ∈ R qui est un scalaire et d’autre part u ∈ R2
qui est un vecteur.
Exercice 2. Montrer formellement l’identité d’énergie

Z Z
d σ
p(x, t)2 + |u(x, t)|2 dx = − 2 |u(x, t)|2 dx.
dt R2 ε R2
Un phénomène particulièrement intéressant apparait dans le régime où ε > 0 est petit. Pour le mettre en évidence nous considérons
un développement de Hilbert, c’est à dire que nous développons a priori chacune des quantités présentes en fonction de ε sous la
forme
p = p0 + εp1 + ε2 p2 + O(ε3 )
et
u = u0 + εu1 + ε2 u2 + O(ε3 ).
Dans ces expressions p et u dépendent de ε car sont solutions d’un système d’EDP qui dépend de ε. Cependant nous considérons
que p0 , p1 , p2 , u0 , u1 et u2 sont eux indépendants du paramètre ε. Ceci est un développement a priori ou Ansatz.
Lemme 9. La limite formelle p0 vérifie l’équation de la chaleur

1
∂t p0 − ∆p0 = 0, t > 0 et x ∈ R2 . (1.17)
σ
Démonstration. En plongeant ce développement dans le système (1.16) et en organisant en puissance de ε on obtient pour la
première équation
1
∇ · u0 + ∂t p0 + ∇ · u1 + O(ε) = 0
ε
et pour la deuxième équation (la puissance en ε du terme résiduel n’est pas la même)
1 1
σu0 + σu1 + ∇p0 + O(1) = 0.
ε2 ε
En identifiant les coefficients en puissance de ε, on obtient
∇ · u0 = 0 et σu0 = 0 =⇒ u0 = 0,
puis ∂t p0 + ∇ · u1 = 0 et σu1 + ∇p0 = 0 d’où l’on déduit le résultat après élimination de u1 .
Il s’ensuit que le système hyperbolique avec terme source (1.16) admet une limite asymptotique (1.17) qui est parabolique
sans terme source. Un tel phénomène de changement de type est tout à fait caractéristique de l’interaction de termes sources
avec des opérateurs aux dérivées partielles.
Chapitre 2
Quelques principes de construction
Nous considérons plusieurs types de discrétisation numérique en distinguant suivant que la grille est cartésienne
ou quelconque, suivant le type d’équation (transport ou chaleur) et suivant la méthode d’approximation (Différen-
ces Finies, Eléments Finis et Volumes Finis).
L’indice abstrait signalant une approximation numérique sera noté h. En pratique h est souvent égal au pas
d’espace ∆x. Plus généralement h pourra désigner l’ensemble des paramètres numériques, par exemple h =
(∆x, ∆t).
2.1 Approximation numérique en dimension d = 1

Nous considérons une grille de pas d’espace uniforme ∆x > 0 et de pas de temps ∆t > 0. Comme sur la figure
2.1, les points de grille en espace seront notés xj = j∆x pour j ∈ Z et les points de grille en temps seront notés
tn = n∆t pour n ∈ N.
t5 (x2 ,t3 )
t4
t3
t2
t1
t0
x x x x x
−1 0 1 2 3 x
Figure 2.1 – Grille Différences Finies
La valeur de la solution exacte u en (xj , tn ) est
u(xj , tn ).
La solution numérique au point (xj , tn ) sera notée unj . A priori unj 6= u(xj , tn ) En rassemblant toutes les valeurs
17
18 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
pour un temps donné, on définit la solution au temps tn
v n = (u(xj , tn ))j∈Z ∈ RZ .
On notera la solution numérique au temps tn par

un = unj j∈Z
∈ RZ .
Nous considérerons que la donnée initiale u0 est connue, et pour simplifier que c’est une fonction continue. Aussi
la discrétisation sur la grille de la condition initiale est immédiate
u0j = u0 (xj ), j ∈ Z. (2.1)
Le principe de discrétisation consiste à utiliser l’opérateur aux dérivées partielles pour établir une relation de
récurrence qui permette de calculer successivement la solution numérique à chaque pas de temps tn .
2.1.1 Equation du transport

Approximation par Différences Finies
Principe 1 (Différences Finies). Le principe de construction des méthodes de Différences Finies consiste à
discrétiser les opérateurs différentiels ∂t et ∂x , en faisant toutes hypothèses de régularité nécessaires pour justifier
les divers ordres d’approximations.
On a par exemple pour la dérivation en temps
u(xj , tn ) − u(xj , tn )
∂t u(xj , tn ) = + O(∆t).
∆t
Concernant la dérivation en espace on a

 u(xj , tn ) − u(xj−1 , tn )

 ∂x u(xj , tn ) = + O(∆x) (décentrement à gauche),

 ∆x
u(xj+1 , tn ) − u(xj−1 , tn )
∂x u(xj , tn ) = + O(∆x2 ) (approximation centrée),

 2∆x

 u(xj+1 , tn ) − u(xj , tn )
 ∂ u(x , t ) = + O(∆x) (décentrement à droite).
x j n
∆x
Supposons que la vitesse est positive a > 0 dans l’équation du transport. Pour des raisons de stabilité, il faut
privilégier la discrétisation en espace décentrée à gauche
u(xj , tn+1 ) − u(xj , tn ) u(xj , tn ) − u(xj−1 , tn )
+a = O(∆x, ∆t). (2.2)
∆t ∆x
En abandonnant le terme de résidu et en remplaçant la valeur exacte par l’approximation numérique, on obtient
le schéma de différences finies décentré
un+1
j − unj unj − unj−1
+a = 0, j ∈ Z, n ≥ 0. (2.3)
∆t ∆x
Ce schéma prend aussi le nom de schéma upwind, car le décentrement va chercher l’information en remontant
le courant, ou encore en remontant le vent. L’erreur de troncature visible dans (2.2) fait que ce schéma est dit
d’ordre un (en temps et en espace).
Principe 2 (Ordre d’un schéma : ce principe sera précisé et généralisé aux définitions 10, 9 et 11 et à la
remarque 12). Soit une équation aux dérivées partielles du premier ordre en temps et d’ordre quelconque en
espace. Soit un schéma numérique donné. Supposons que l’insertion des valeurs ponctuelles de la solution exacte
dans le schéma permet d’obtenir un résidu de la forme O(∆xp + ∆tq ). Alors on dira que le schéma est d’ordre
p en espace et q en temps.
2.1. APPROXIMATION NUMÉRIQUE EN DIMENSION D = 1 19
Une illustration numérique avec le schéma upwind est la suivante. Nous considérons une donnée initiale u0 (x) =
1 si 0.2 < x < 0.6 et u0 (x) = 0 ailleurs, et des conditions périodiques aux bords. La solution exacte est
u(x, t) = u0 (x − at) aussi
u(x, 0.3) = 1 pour 0.5 < x < 0.8, et u(x, 0.3) = 0 ailleurs.
Nous notons que cette solution est discontinue.

Nous résolvons numériquement avec 100 mailles sur un intervalle de longueur 1, soit ∆x = 0.01. Les résultats
∆t
calculés avec le schéma upwind sont présentés à la figure 2.2 pour ν = a ∆x avec trois valeurs du paramètre
ν = 1.1, ν = 0.1 et ν = 0.7. Pour ν = 1.1, on observe une solution numérique violemment oscillante, on dira
instable. En revanche la solution numérique semble proche de la solution exacte pour ν = 0.1 et ν = 0.7.
A partir de la forme explicite du schéma upwind,
un+1
j = (1 − ν)unj + νunj−1
on retrouve aisément que ν ≤ 1 est une condition suffisante pour éliminer les violentes oscillations numériques
du cas ν = 1.1. En effet

ν ≤ 1 =⇒ sup un+1j
≤ sup un .
j (2.4)
j j
Le phénomène de stabilité/instabilité sera étudié systématiquement au chapitre suivant. On démontrera aussi

la convergence numérique sous des conditions générales.
1 25
’sol0’ ’sol1’
20
0.8 15
10
0.6 5
u
0
0.4 −5
−10
0.2
−15
−20
0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 x
t=0 t = 0.3 et ν = 1.1

1 1
’sol2’ ’sol3’
0.8 0.8
0.6 0.6
u
0.4 0.4
0.2 0.2
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x x
t = 0.3 et ν = 0.1 t = 0.3 et ν = 0.7
Figure 2.2 – Donnée initiale en haut à gauche, solution numérique au temps t = 0.3 pour trois valeurs différentes
∆t
du paramètre ν = a ∆x . On observe une instabilité en haut à droite, et une solution numérique ”correcte” en
bas.
Approximation par Éléments Finis

Principe 3 (Méthode des éléments finis). La discrétisation numérique par méthode des éléments finis s’appuie
d’une part sur l’établissement d’une formulation variationnelle des équations, et d’autre part sur le choix d’un
espace d’approximation de Galerkin.
Nous présentons l’application de ce principe sur l’équation simplifiée stationnaire
d
u = f, x ∈ R. (2.5)
dx
pour un second membre donné f . La formulation faible que nous considérons est
Z Z
d
u(x)v(x)dx = f (x)v(x)dx, u ∈ V, ∀v ∈ V. (2.6)
R dx R
A priori l’espace vérifie V ⊂ H 1 (R), ce qui fait que les intégrales sont bien définies (i.e. sont convergentes).
Pour une raison de symétrie qui fait partie intégrante des approximations de Galerkin, les fonctions tests sont
à prendre dans le même espace. Il faut faire attention cependant car la forme bilinéaire définie dans (2.6) n’est
pas coercive. Cependant cela n’empêche pas d’appliquer l’approximation de Galerkin en dimension finie pour
obtenir une discrétisation numérique.
Lemme 10. L’approximation Eléments Finis de type P 1 de l’opérateur différentiel d
dx est centrée.
Démonstration. L’approximation de Galerkin discrète la plus simple de type P 1 s’appuie sur Vh = Vect (ϕj )j∈Z ⊂
V avec 

 ϕj (x) = 0 pour x ≤ (j − 1)∆x ou x ≥ (j + 1)∆x,

 x − (j − 1)∆x
ϕj (x) = pour (j − 1)∆x ≤ x ≤ j∆x, (2.7)
 ∆x

 (j + 1)∆x − x
 ϕj (x) = pour j∆x ≤ x ≤ (j + 1)∆x.
∆x
ϕj (x)
ϕj−1 (x) ϕj+1 (x)
xj−1 xj xj+1
x
Figure 2.3 – Fonction chapeau ϕj et les deux fonctions voisines ϕj−1 et ϕj+1
La formulation discrète est

Z Z
d
uh (x)vh (x)dx = f (x)vh (x)dx, uh ∈ Vh , ∀vh ∈ Vh , (2.8)
R dx R
ou encore Z Z
d
uh (x)ϕj (x)dx = f (x)ϕj (x)dx, ∀j. (2.9)
R dx R
L’approximation numérique est uh X
uh = ui ϕi .
i∈Z
On obtient
X Z Z
ϕ′i (x)ϕj (x)dx ui = f (x)ϕj (x)dx, ∀j.
i∈Z R R
R
Posons ai,j = R
ϕ′i (x)ϕj (x)dx. Des calculs élémentaires montrent que

 ai,j = 0
 i ≤ j − 2,



 a i,j = 0 i ≥ j + 2,

 Z (j+1)∆x

 1 (j + 1)∆x − x 1
 ×
 aj+1,j = j∆x

∆x ∆x
dx = ,
2
Z j∆x
 −1 x − j∆x 1

 aj−1,j = × dx = − ,

 ∆x ∆x 2

 Z
(j−1)∆x !

 d ϕ 2

 j
 aj,j =
 dx = 0.
R dx 2
On obtient une approximation numérique sous la forme

Z
uj+1 − uj−1
= f ϕj , j ∈ Z.
2 R
1
R
Posons par commodité fj = ∆x R f ϕj . On écrit alors
uj+1 − uj−1
= fj , j ∈ Z. (2.10)
2∆x
En comparant avec l’équation de départ (2.5), cela montre bien que l’approximation numérique obtenue par
éléments finis est centrée.
Ce principe s’étend naturellement à l’approximation par méthode variationnelle en espace-temps de ∂t u+a∂x u =
0 qui s’écrit Z Z
(∂t u + a∂x u) v(x, t)dxdt = 0, u ∈ V, ∀v ∈ V.
R R
Les fonctions discrètes en temps sont


 ψn (x) = 0 pour t ≤ (n − 1)∆t ou t ≥ (n + 1)∆t,

 t − (n − 1)∆t
ψn (x) = pour (n − 1)∆t ≤ t ≤ n∆t,
 ∆t

 ψn (x) = (n + 1)∆t − t

pour n∆t ≤ t ≤ (t + 1)∆t.
∆t
L’approximation numérique est X
uh (x, t) = um
i ϕi (x)ψm (t).
i,m
La variante discrète s’écrit

Z Z
(∂t uh + a∂x u∆x,∆t) ϕj (x)ψn (t)dxdt = 0, ∀j, n.
R R
On obtient
X Z Z
(ϕ′i (x)ψm (t) + aϕi (x)ψm
′
(t)) ϕj (x)ψn (t)dxdt um
i = 0, ∀j, n,
j,n R R
ou encore
X Z
ai,j bm,n + abi,j am,n um
i = 0, ∀j, n.
j,n R
Les coefficients sont  2


 pour i = j,

 3
Z 


bi,j = ϕi (x)ϕj (x)dx = 1

 pour i = j ± 1,
R 
 6



0 pour i 6= j − 1, j, j + 1.
On obtient finalement le schéma
1 n+1
6 uj−1 + 23 un+1
j + 16 un+1 1 n−1 2 n−1
j+1 − 6 uj−1 − 3 uj
n−1
− 16 uj+1
(2.11)
∆t
1 n−1
uj+1 + 23 unj+1 + 61 un+1 1 n−1 2 n 1 n+1
j+1 − 6 uj−1 − 3 uj−1 − 6 uj−1
+a 6 = 0.
∆t
On remarque que ce schéma est centré en temps et en espace. Il est aussi implicite car on ne peut pas calculer
directement un+1 .
Une autre possibilité consiste à utiliser une approximation d’éléments finis pour la partie en espace, et à se
contenter d’une discrétisation explicite pour la dérivée en temps. On obtient
un+1
j − unj unj+1 − unj−1
+a = 0. (2.12)
∆t 2∆x
d
Dans les trois cas (2.10), (2.11) et (2.12), l’approximation de dx par éléments finis est centrée.
Approximation par Volumes Finis

Principe 4. La discrétisation numérique par méthodes de volumes finies s’appuie : a) sur une écriture sous
forme divergente des équations ; b) sur une intégration des équations dans un volume de contrôle s’appuyant
sur un maillage : c) sur la construction de flux numériques pour clore la construction.
Une forme divergente des équations signale que les différents termes sont rangés ”à l’intérieur” des opérateurs
différentiels. Pour l’advection c’est le cas car on peut écrire ∂t (u) + ∂x (au) = 0.
L’étape b) peut se réaliser en intégrant dans un volume espace-temps ou uniquement espace, avec le même
résultat. Par souci de simplicité, nous intégrons dans un volume de type espace.
Le volume (ou maille, ou cellule) d’indice j est situé entre les bords de volume xj− 12 = j − 21 ∆x et xj+ 12 =

j + 12 ∆x. La longueur (volume en 3D) de la maille est ∆xj = xj+ 21 − xj− 12 : on remarque que les longueurs
de mailles peuvent être variables ce qui autorise plus de souplesse pour la mise en oeuvre.
L’intégration dans la maille fournit
Z x 1 Z x 1 Z x 1
j+ j+ j+
2 2 2
(∂t u + a∂x u) dx = ∂t udx + a∂x udx = 0. (2.13)
xj− 1 xj− 1 xj− 1
2 2 2
R xj+ 1 d
R xj+ 1 R xj+ 1
La première intégrale est aussi xj− 1
2 ∂t udx = dt xj− 1
2 u(t, x)dx. La quantité xj− 1
2 u(t, x)dx représente la
2 2 2
masse de l’inconnue u dans la maille. Puis nous définissons la valeur moyenne de cette même quantité au temps
tn R xj+ 1
2 u(x, t )dx
xj− 1 n
vjn = 2
.
∆xj
On peut remarquer qu’aucune approximation n’a pour l’instant été réalisée. Une approximation de type Différences
d
Finies de l’opérateur dt permet d’obtenir
Z
d xj+ 1
2 vjn+1 − vjn
u(t, x)dx = ∆xj + O(∆t) (2.14)
dt xj− 1 ∆t
2
qui est correct dès que u est suffisamment régulier. Il n’y a donc pas de difficulté véritable avec la discrétisation
de la dérivée temporelle.
A présent nous considérons Z xj+ 1
2
a∂x u(n∆t, x)dx.
xj− 1
2
On intègre dans la maille la forme divergente

Z x 1
j+
2
∂x au(n∆t, x)dx = au(n∆t, xj+ 12 ) − au(n∆t, xj− 12 ).
xj− 1
2
Le terme de bord a u(n∆t, xj+ 12 ) est le flux que nous devons discrétiser lors de l’étape c). L’idée est d’obtenir
une représentation précise de u(n∆t, xj+ 21 ) à partir de combinaisons bien choisies des vjn .
unj− 1 = unj−1 unj+ 1 = unj

2
2
x
| {z }
un
j
Figure 2.4 – La valeur en xj+ 12 est décentré en suivant le signe de la vitesse a > 0, ce qui revient à remonter
le long des caractéristiques.
Le choix usuel (de base) consiste à décentrer cette quantité suivant le sens des caractéristiques, donc suivant le
signe de la vitesse a. Pour a > 0, on prendra
u(n∆t, xj+ 21 ) = vjn + O(∆x), ∀j.
D’où Z xj+ 1
2
a∂x u(n∆t, x)dx = a(vjn − vj−1
n
) + O(∆x). (2.15)
xj− 1
2
On trouve en insérant (2.14) et (2.15) dans (2.13)
vjn+1 − vjn
∆xj + a(vjn − vj−1
n
) = O(∆x) + O(∆t).
∆t
Abandonnant le résidu à droite, nous obtenons le schéma de Volumes Finis
un+1
j − unj
∆xj + a(unj − unj−1 ) = 0. (2.16)
∆t
Ce schéma est d’ordre un en temps et en espace.
Pour le cas de l’équation d’advection, il est aisé de comparer le résultat de ces trois constructions.
Lemme 11. Soit une grille uniforme : ∆xj = ∆x pour tout j.
Les schémas de Volumes Finis (2.16) et de Différences Finies (2.3) sont identiques et décentrés, et sont donc
différents des schémas d’Elements Finis centrés tels que (2.11) et (2.12).
Exercice 3. Montrer que le schéma de Lax-Wendroff défini par (2.17) est d’ordre deux en temps et en espace.
ν + ν2 n ν2 − ν n
un+1
j = (1 − ν 2 )unj + uj−1 + uj+1 . (2.17)
2 2
Exercice 4. Montrer que le schéma de Beam-Warming défini par (2.18) est d’ordre deux en temps et en espace.

3 1 2 ν2 − ν n
un+1
j = 1 − ν + ν unj + (2ν − ν 2 )unj−1 + uj−2 . (2.18)
2 2 2
2.1.2 Équation de la chaleur

Nous appliquons à présent les principes de construction de Différences Finies, d’Elements Finis et de Volumes
Finis à l’équation de la chaleur sur la droite réelle
∂t u − ∂xx u = 0, x ∈ R, t > 0.
Les notations discrètes de points et de mailles sont conservées. Le pas de temps est noté ∆t > 0, et ∆x > 0 est
le pas d’espace.
Approximation par Différences Finies

Le schéma explicite de Différences Finis prend la forme
un+1
j − unj unj+1 − 2unj + unj−1
− = 0, ∀j ∈ Z. (2.19)
∆t ∆x2
Exercice 5. Montrer que ce schéma est d’ordre un en temps et deux en espace.
Une illustration numérique calculée avec le schéma (2.19) est la suivante. Soit une donnée initiale u0 (x) =
cos(2πx) et des conditions périodiques aux bords. La solution exacte est
2
u(x, t) = cos(2πx)e−4π t .
Pour un temps de T = log 2 1

4π 2 ≈ 0.0175581, on obtient u(x, T ) = 2 u0 (x).
Nous résolvons ce problème avec 100 mailles sur un intervalle de longueur 1, soit ∆x = 0.01. Les résultats
∆t
calculés avec le schéma (2.19) pour un paramètre ν = ∆x 2 sont présentés à la figure 2.5, pour trois valeurs du
paramètre ν = 1.1, ν = 0.1 et ν = 0.45.

A partir de la forme explicite du schéma upwind,
un+1
j = (1 − 2ν)unj + νunj−1 + νunj+1
1
on retrouve aisément que ν ≤ 2 est une condition suffisante pour éliminer les violentes oscillations numériques
du cas ν = 0.55. En effet
ν ≤ 1 =⇒ sup un+1
j
≤ sup unj .
j j
Approximation par Éléments Finis

La méthode des Eléments Finis s’appuie sur une formulation variationnelle que nous développons tout d’abord
pour l’équation stationnaire −u′′ (x) = f avec f ∈ L2 (R) pour fixer les idées. On a
Z Z
u (x)v (x)dx = f (x)v(x)dx, pour tout v dans un espace bien choisi de type H 1 (R).
′ ′
R
1 8e+08
’soldifini’ ’soldifCFL=.55’
6e+08
0.5 4e+08
2e+08
0 0
u
u
−2e+08
−0.5 −4e+08
−6e+08
−1 −8e+08
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x x
t=0 t = T et ν = 1.1
0.5 0.6
’soldifCFL=.45’ ’soldifCFL=.1’
0.4
0.4
0.3
0.2
0.2
0.1
0 0
u
−0.1
−0.2
−0.2
−0.3
−0.4
−0.4
−0.5 −0.6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x x
t = T et ν = 0.45 t = T et ν = 0.1
Figure 2.5 – Donnée initiale en haut à gauche, solution numérique au temps T = log 2
4π 2 . On observe une
instabilité en haut à droite, et une solution numérique ”correcte” en bas. Les amplitudes de l’instabilité sont
sans commune mesure avec l’amplitude de la solution exacte.
Soit une fonction test P 1 définie par (2.7). La formulation discrète est
Z Z
u′h ϕ′j dx = f ϕj dx.
R
P
Considérons comme auparavant que uh = i ui ϕi . On obtient
X Z Z
ϕ′i (x)ϕ′j (x)dx ui = f ϕj dx, ∀j.
i R
R ′ ′
Posons ci,j = R ϕi (x)ϕj (x)dx.
On obtient

 ci,j = 0 i ≤ j − 2,



 c i,j = 0 i ≥ j + 2,

 Z (j+1)∆x

 1 −1 1
 × dx = −
 cj+1,j =

∆x ∆x ∆x
,
Zj∆x
j∆x

 −1 1 1

 c j−1,j = × dx = − ,

 (j−1)∆x ∆x ∆x ∆x

 Z (j+1)∆x

 1 2

 cj,j = dx = .
∆x 2 ∆x
(j−1)∆x
1
R
Nous posons par commodité fj = ∆x R f ϕj . On obtient alors le schéma
uj+1 − 2uj + uj−1
− = ∆xfj , ∀j.
∆x
Une discrétisation de type Différences Finies explicite du terme ∂t u permet d’obtenir le schéma
un+1
j − unj uj+1 − 2uj + uj−1
∆x − = 0, n ∈ N, j ∈ Z. (2.20)
∆t ∆x
On retrouve le schéma aux Différences Finies (2.19).
Approximation par Volumes Finis

Considérons à présent une discrétisation par la méthode des Volumes Finis pour la forme divergente
∂t u + ∂x g = 0, g = −∂x u.
Nous intégrons en espace entre xj− 12 et xj+ 12

Z xj+ 1 Z xj+ 1
d 2 2
u(t, x)dx + ∂x g(t, x)dx = 0.
dt xj− 1 xj− 1
2 2
D’où Z xj+ 1
d 2
u(t, x)dx + ∂x g(t, xj+ 21 ) − ∂x g(t, xj− 21 ) = 0. (2.21)
dt xj− 1
2
Le centre des mailles est noté xj avec

xj− 21 + xj+ 21
. xj =
2
Comme auparavant la valeur moyenne de u dans la maille est notée
R xj+ 1
2 u(n∆t, x)dx
xj− 1
n
vj = 2
= u(n∆t, xj ) + O(∆x2j ), (2.22)
∆xj
et la dérivation en temps est approchée par la différence finie explicite (2.14). Une discrétisation naturelle du
flux ∂x u(t, xj+ 12 ) est
u(n∆t, xj+1 ) − u(n∆t, xj )

∂x u(n∆t, xj+ 21 ) = + O(xj+1 − xj ). (2.23)
xj+1 − xj
uj+1
uj+ 21
uj
xj+ 12
| {z } | {z }
xj+ 1 −xj xj+1 −xj+ 1
2 2
Figure 2.6 – Interpolation en xj+ 12 de la dérivée en espace.
On peut remarquer que si le maillage est uniforme
xj+1 − xj+ 12 = xj+ 21 − xj ⇐⇒ xj+ 32 − xj+ 21 = xj+ 12 − xj− 21 ,

2.2. APPROXIMATION NUMÉRIQUE EN DIMENSION D ≥ 2 27
alors l’erreur d’interpolation est du second ordre
u(n∆t, xj+1 ) − u(n∆t, xj )

∂x u(n∆t, xj+ 21 ) = + O (xj+1 − xj )2
xj+1 − xj
et donc a priori plus précis que (2.23). En remplaçant la valeur exacte par la valeur moyenne (2.22), nous
obtenons n
vj+1 − vjn
∂x u(n∆t, xj+ 12 ) = + O (max(∆xj+1 , ∆xj ))
xj+1 − xj
D’où à partir de (2.21)
vjn+1 − vjn n
vj+1 − vjn vjn − vj−1
n
∆xj − + = O (max (∆xj+1 , ∆xj , ∆t)) .
∆t xj+1 − xj xj − xj−1
Il reste à abandonner le résidu et à remplacer la solution exacte par la solution numérique pour obtenir
un+1
j − unj unj+1 − unj unj − unj−1
∆xj − + = 0. (2.24)
∆t xj+1 − xj xj − xj−1
Proposition 4. Soit une grille uniforme : ∆xj = ∆x pour tout j. Alors les schémas de Différences Finies
(2.19), d’Eléments Finis (2.20) et de Volumes Finis (2.24) sont identiques.
2.2 Approximation numérique en dimension d ≥ 2

Nous passons en revue quelques principes qui permettent d’étendre les schémas précédents en dimension
supérieure.
La présentation sera faite en dimension d = 2, cependant les principes restent les mêmes en dimension d = 3 et
plus.
2.2.1 Méthodes de Différences Finies

Soit une grille cartésienne uniforme dont les points en espace sont notés
xi,j = (i∆x, j∆x) , i, j ∈ Z.
Les pas de temps sont toujours tn = n∆t pour n ∈ N. La solution numérique au point d’espace-temps (xi,j , tn )
sera notée uni,j .
Principe 5. Une extension bidimensionnelle immédiate d’un schéma de Différences Finies monodimensionnel
consiste à additionner les discrétisations dans les diverses directions spatiales.
Soit par exemple l’équation d’advection bidimensionnelle
∂t u + a∂x u + b∂y u = 0, (x, y) ∈ R2 . (2.25)
En supposant a > 0 et b < 0, un schéma bidimensionnel explicite construit à partir de (2.3) s’écrit
un+1 n
i,j − ui,j uni,j − uni−1,j uni,j+1 − uni,j
+a +b = 0. (2.26)
∆t ∆x ∆x
Ce schéma est d’ordre un en temps et en espace.
Principe 6. Une extension bidimensionnelle par splitting directionnel d’un schéma de Différences Finies mo-
nodimensionnel consiste à décomposer le schéma en deux étapes monodimensionnelles.
Toujours pour la même équation (2.25) et avec les mêmes hypothèses a > 0 et b < 0, on aura le schéma explicite
en deux étapes
n+ 21
ui,j − uni,j uni,j − uni−1,j
Première étape : +a =0
∆t ∆x
suivi de
n+ 12 n+ 1 n+ 12
un+1
i,j − ui,j ui,j+1
2
− ui,j
Deuxième étape : +b = 0.
∆t ∆x
Une telle décomposition peut sembler surprenante à première vue. Cependant en additionnant ces deux étapes
on obtient
n+ 1 n+ 12
un+1 n
i,j − ui,j uni,j − uni−1,j ui,j+1
2
− ui,j
+a +b = 0, (2.27)
∆t ∆x ∆x
dans lequel on retrouve la discrétisation des dérivées en x et en y mais avec un centrage en temps intermédiaire
pour la dérivée discrète en y.
L’extention de ces principes est immédiate pour tout type d’équation qui admet une discrétisation de Différences
Finies en dimension d = 1 d’espace.
2.2.2 Méthode de Volumes Finis pour l’équation d’advection

Ces idées ont été développées à partir des travaux initiaux de Hill-Reed et Lesaint-Raviart [32, 28] pour la
discrétisation de problèmes en neutronique. La motivation initiale était d’utiliser des maillages quelconques
avec des données numériques constantes par maille, i.e. P 0 , car cela est adapté à la prise en compte d’une
physique complexe.
Soit a ∈ R2 un champ de vitesse constant en espace et en temps. Soit Ω ⊂ R2 un ouvert borné polygonal, une
illustration se trouve à la figure 2.7.
Γ+
Ωl
Ω
njk
nj
Ωk
a
Ωj
Ωp
Γ−
Figure 2.7 – Domaine et maillage

Soit un maillage de Ω. Ce maillage est une collection de mailles polygonales Ωj considérées comme des ouverts
disjoints, c’est à dire Ωi ∩ Ωj = ∅ pour i 6= j . La condition de recouvrement s’écrit
Ω = ∪j Ωj .
L’aire de Ωj est notée sj > 0 et X

Aire (Ω) = sj .
j
La normale sortante de Ωj est nj . L’interface entre Ωj et Ωk est Σjk = Σkj . Sur cette interface nj sera aussi
noté njk . La longueur de l’interface est ljk = lkj . Elle peut être nulle pour Σjk = ∅ ce qui signale que les mailles
ne sont pas voisines. Par construction
njk + nkj = 0 pour ljk > 0.
La frontière de Ωj est alors égale à la collection de segments
∂Ωj = ∪k Σjk ∪ Γ− +
j ∪ Γj
où
Γ− −
j = ∂Ωj ∩ Γ , c’est à dire a · nj < 0 sur Γ−
j ,
et
Γ+ +
j = ∂Ωj ∩ Γ , c’est à dire a · nj ≥ 0 sur Γ+
j .
La longueur de Γ± ±
j sera notée lj .
Définition 6 (Longueur caractéristique du maillage). Il est utile de définir une longueur caractéristique qui
mesure la finesse du maillage : on la notera h. On la définit comme

− +
h = max max ljk , max lj , max lj . (2.28)
jk j j
À partir de ces notations, nous sommes en mesure de construire un schéma de Volumes Finies en suivant le
principe 4. Une intégration de l’équation dans la maille Ωj donne
Z
(∂t u + ∇ · (f (u))) dx = 0.
Ωj
Ici
f (u) = au
est le flux exact. Séparant la dérivée en temps des dérivées en espace
Z Z
d
udx + ∇ · f (u)dx = 0. (2.29)
dt Ωj Ωj
La fonction u sera supposée aussi régulière que nécessaire, ce qui permet de justifier tous les développements
de Taylor qui seront réalisés. Le terme en temps est
Z !
d vjn+1 − vjn
udx (n∆t) = sj + O(h2 ∆t). (2.30)
dt Ωj ∆t
Ici vjn est la valeur moyenne de u au temps tn

R
Ωj u(tn , x)dx
vjn = . (2.31)
sj
Exercice 6. En notant xj le centre de masse de la maille, montrer que
vjn = u(n∆t, xj ) + O(h2 ). (2.32)
Considérons à présent la deuxième partie de (2.29), que nous intégrons directement dans la maille. En supposant
que Ωj est situé strictement à l’intérieur du domaine, on obtient
Z Z X
n
∇ · f (u(n∆t, x)) dx = f (u(n∆t, x)) · nj dσ = (ljk a · njk ) vjk . (2.33)
Ωj ∂Ωj k
n
Ici vjk est la valeur moyenne de u sur l’interface Σjk au temps tn
R
Σjk
u(n∆t, x)dσ
n
vjk = .
ljk
Il est temps d’appliquer l’étape c) du principe de construction 4 des schémas de Volumes Finis. Nous nous
appuyons sur les droites caractéristiques. Pour un champ de vitesse a est orienté de Ωj vers Ωk , on considére
n
que vjk ≈ vjn . Cela est illustré à la figure 2.8.
a a
Ωj
nj Ωj
nj
Ωk Ωk
n
vjk = vkn + O(h) n
vjk = vjn + O(h)
Figure 2.8 – On recherche une approximation décentrée suivant le signe de a · n de la valeur moyenne à
l’interface entre deux mailles.
La même idée est utilisée sur chaque interface. Sur le bord entrant Γ−
j , on utilise la donnée au bord u
−
R (n+1)∆t R
n∆t Γ− u− (s, x)dσds
uj−,n = j
. (2.34)
∆t lj−
n
Si a · njk = 0, alors la valeur choisie de vjk n’a pas d’importance car elle est multipliée ljk a · njk = 0 dans (2.33).
On obtient
vjn+1 − vjn
sj + O(h2 ∆t)
∆t
X X
+ ljk a · njk vjn + O(h) + ljk a · njk (vkn + O(h))
k, a·njk >0 k, a·njk <0

+lj− a · nj vj−,n + lj+ a · nj vjn + O(h) = 0.
En abandonnant les résidus O(·) et en remplaçant systématiquement les moyennes de la solutions exactes par
la solution numérique on obtient
un+1
j − unj X X
sj + ljk a · njk unj + ljk a · njk unk + lj− a · nj u−,n
j + lj+ a · nj unj = 0. (2.35)
∆t
k, a·njk >0 k, a·njk <0
Notons que le flux numérique sur chaque bord peut se représenter par la formule symétrique
a · njk + |a · njk | a · nkj − |a · nkj |

Fj,k (u, v) = u+ v. (2.36)
2 2
Ce flux numérique est une approximation numérique du flux exact, au sens où
Fj,k (u, u) = f (u) · njk . (2.37)
Cette propriété est appelée la consistance du flux numérique. Une autre propriété du flux numérique est
Fj,k (u, v) + Fj,k (v, u) = 0 ∀u, v ∈ R. (2.38)
Avec ces notations le schéma peut se récrire
un+1
j − unj X
sj + ljk Fjk (unj , unk ) + lj− Fj,j − (unj , u−,n
j ) + lj+ Fj,j + (unj , u+,n
j )=0 (2.39)
∆t
k
où nous avons utilisé la même convention d’écriture pour les flux sur les bords extérieurs indicés j − et j + (le
terme u+,n
j Pest artificiel et ne joue pas sur la valeur du flux numérique).
Soit M n = j sj unj la masse totale dans le domaine de calcul.
Lemme 12. Le schéma (2.35) est conservatif, au sens où la variation de masse totale se détermine en fonction
des flux sur les bords sortant et entrant
M n+1 − M n X − X
+ lj a · nj u−,n
j + lj+ a · nj unj = 0.
∆t j j
Démonstration. Considérant (2.39), il suffit de sommer sur toutes les mailles et de montrer que la contribution
des flux internes s’annule. On a
XX X
ljk Fjk (unj , unk ) = ljk Fjk (unj , unk ) + lkj Fkj (unk , unj ) = 0
j k j,k
en vertu de (2.38). La preuve est terminée.

La stabilité et la convergence de ce schéma seront établies au chapitre 5.
2.2.3 Méthode de Volumes Finis pour l’équation de la chaleur

Nous considérons l’équation de la chaleur en dimension d = 2 avec une condition de Neumann homogène

∂t u + ∇ · g(∇u) = 0, x ∈ Ω,
g(∇u) · n = 0, x∈Γ
pour le flux g(∇u) = −∇u.

Nous utilisons les notations précédentes sur le maillage. La méthode d’intégration de Volumes Finis est similaire
au cas de l’advection, cependant il apparaitra une condition de compatibilité sur le maillage, ce qui traduit une
différence fondamentale entre ces deux problèmes.
Après intégration dans Ωj , discrétisation explicite de la dérivée temporelle et expression des flux aux bords, on
obtient
vjn+1 − vjn X
sj + ljk wjkn
= O(h2 ∆t) (2.40)
∆t
k
où vjn
représente la valeur moyenne (2.31) de la solution exacte dans la maille et wjk est la valeur moyenne du
flux exact sur l’interface
Z
n
ljk wjk =− ∇u(n∆t, x)dσ · njk = −∇u(n∆t, xjk ) · njk + O(h2 )
Σjk
où xjk est défini comme le milieu du bord. On a
u(n∆t, xk ) = u(n∆t, xjk ) + ∇u(n∆t, xjk ) · (xk − xjk ) + O(h2 ),
et
u(n∆t, xj ) = u(n∆t, xjk ) + ∇u(n∆t, xjk ) · (xj − xjk ) + O(h2 ).
En soustrayant nous obtenons
u(n∆t, xk ) − u(n∆t, xj ) = ∇u(n∆t, xjk ) · (xk − xj ) + O(h2 ).
Posons
xk − xj
djk = |xk − xj | et mjk = avec |mjk | = 1.
djk
Pour continuer la construction, nous ajoutons des conditions sur le maillage.
Hypothèse 1 (Sur le maillage). Nous supposons qu’il existe une constante C > 0 indépendante de h telle que
inf djk ≥ Ch (2.41)

(j,k)
où h est la longueur caractéristique (2.28). De plus nous supposons que le segment qui relie les centres de maille
est orthogonal au bras
mjk = njk , ∀j, k. (2.42)
Un contre-exemple est proposé à la figure 2.9.

Grâce à (2.41) et (2.42) on peut écrire après division par djk
u(n∆t, xk ) − u(n∆t, xj )
∇u(n∆t, xjk ) · njk = + O(h). (2.43)
djk
C’est donc que

n u(n∆t, xk ) − u(n∆t, xj )
wjk = + O(h).
djk
Or on peut approcher à l’ordre deux les valeurs ponctuelles par les valeurs moyennes grâce à (2.32), d’où
n
vkn − vjn
wjk = + O(h).
djk
On reporte cette expression dans (2.40). Abandonnant les résidus et remplaçant les moyennes de la solution
exacte par la solution numérique, on obtient le schéma numérique de Volumes Finis
un+1
j − unj X unk − unj
sj − ljk = 0, ∀j. (2.44)
∆t djk
k
Cell j
njk
xk
xj mjk
Cell k
Figure 2.9 – Exemple d’un maillage satisfaisant localement (2.41), mais ne satisfaisant pas la condition d’ali-
gnement (2.42) car mjk 6= njk .
On remarque que la condition au bord de Neumann est automatiquement prise en compte car la somme sur les
mailles k exclut le bord. Cette construction permet d’identifier un flux numérique
u−v
Gjk (u, v) = , avec Gjk (u, v) + Gjk (v, u) = 0. (2.45)
djk
Il s’ensuit que le schéma (2.44) se récrit sous la forme générale
un+1
j − unj X
sj + ljk Gjk unj , unk = 0, ∀j. (2.46)
∆t
k
Lemme 13. Le schéma (2.46) est conservatif, au sens où la variation de masse totale est nulle.
Exercice 7. Le montrer.
La construction de ce schéma est soumise à la contrainte que les centres de mailles (xj ) doivent satisfaire
l’hypothèse 1. Cette hypothèse est en pratique une contrainte extrêmement forte sur le maillage. Les maillages
cartésiens voire cartésiens à pas variable tels que celui de la figure 2.10 vérifie cette contrainte. Cependant
il n’y a pas de raison qu’un maillage quelconque la satisfasse. Cela montre qu’il y a des liens forts entre la
méthode considérée de discrétisation de l’équation de la chaleur et la géométrie du maillage sur lequel s’appuie
la discrétisation.
On décrit dans ce qui suit une solution élégante qui relaxe en partie cette contrainte pour les maillages en
triangles. Nous allons définir un point x bj attaché à la maille Ωj et nous étudions quelques propriétés de la
valeur de la solution exacte interpolée en ce point
vbjn = u(n∆t, x
bj ).
Nous définissons par ailleurs des quantités géométriques

bk − x
x bj
dbjk = |b
xk − x
bj | et m
b jk = tel que |m
b jk | = 1. (2.47)
b
djk
Hypothèse 2. Supposons alors qu’il existe une constante universelle C > 0 indépendante de h avec les pro-
xj − xj | ≤ Ch ; inf (j,k) dbjk ≥ Ch ; m
priétés suivantes : supj |b b jk = njk pour tout (j, k).
On a pour une solution u suffisamment régulière
vjn+1 − vjn wjn+1 − wjn
sj = sj + O(h3 ).
∆t ∆t
∆y2
∆y1
∆x1 ∆x2
Figure 2.10 – Exemple d’un maillage en quadrangles satisfaisant les conditions de l’hypothèse 2. Ce maillage
est fortement contraint.
Donc on peut récrire (2.40) sous la forme
wjn+1 − wjn X
sj − n
ljk wjk = O(h2 ∆t) + O(h3 ). (2.48)
∆t
k
n
Or nous pouvons approcher wjk par une combinaison linéaire de wjn et wkn . En effet on a
b k ) − u(n∆t, x
u(n∆t, x bj ) = ∇u(n∆t, xjk ) · (b bj ) + O(h2 ).
xk − x
On trouve en utilisant les points a) et b) plus haut
bk ) − u(n∆t, x
u(n∆t, x bj )
∇u(n∆t, x
bjk ) · m
b jk = + O(h).
b
djk
Le reste de la construction étant similaire, on obtient en suivant les mêmes principes
un+1
j − unj X
sj + b jk unj , unk = 0,
ljk G ∀j (2.49)
∆t
k
pour le flux numérique

bjk (u, v) = u − v .
G (2.50)
dbjk
La convergence de la variante implicite de ce schéma sera établie au chapitre 5.
Pour un maillage donné, les conditions énoncées à l’hypothèse 2 sont des conditions suffisantes pour que le
schéma de Volumes Finis (2.49) soit construit en accord avec le principe 4.
Il est absolument remarquable qu’une solution simple à mettre en oeuvre existe pour un maillage en triangles
dont tous les angles sont strictement inférieurs à π2 .
Lemme 14. Soit un maillage constitué de triangles. Supposons que les angles des triangles soient tous stricte-
ment inférieurs à π2 − ǫ pour un ǫ indépendant de h. Soit x
bj le centre du cercle circonscrit à la maille d’indice
j.
bj ∈ Ωj pour tout j, et les autres conditions de l’hypothèse 2 sont vérifiées.
Alors x
xj
B
A
xk
C
D
Figure 2.11 – Triangles et cercles circonscrits.
Exercice 8. Démontrer ce résultat en partant de la figure 2.11.
Les triangles de la figure 2.11 constituent un cas particulier de maillage de Delaunay [16]. La discrétisation de
l’équation de la chaleur en Volumes Finis se conduit aussi pour les maillages de Delaunay-Voronoi pour lesquels
on renvoie à une référence initiale [22]. Voir aussi [15] pour une utilisation de la condition d’orthogonalité entre
les centres de mailles et les bras visible à la figure 2.11 dans le cadre des méthodes de Volumes Finis pour
l’équation de la chaleur.
2.2.4 Méthodes de Volumes Finis pour les systèmes de Friedrichs

On reprend les notations sur le maillage introduites précédemment et on considère une solution régulière du système de Friedrichs
(1.15). La valeur moyenne de la solution exacte dans la maille est notée
R
n Ωj U(x, t)dx
Vj = .
sj
La valeur moyenne sur un bras de la solution exacte est notée
R
Σjk U(x, t)dσ
n
Vjk = .
ljk
Après intégration en temps de l’équation (1.15), discrétisation explicite de la dérivée temporelle et expression des termes de flux
au bord, on obtient
Vjn+1 − Vjn X
sj + n
ljk Ajk Vjk = O(h2 ∆t) (2.51)
∆t k
où les matrices de bord sont définies exactement par

Ajk = A1 n1jk + A2 n2jk = −Akj , njk = n1jk , n2jk ∈ R2 . (2.52)
Le terme de flux vient d’une utilisation de la formule de Stockes sous la forme

Z Z X

(∂x1 (A1 U) + ∂x2 (A2 U)) dx = n1j A1 U + n2j A2 U dσ = ljk Ajk Vjk .
Ωj ∂Ωj k
L’expression (2.51) est exacte car aucune approximation n’a été réalisée pour l’instant.
Si on peut déterminer une expression des termes d’interfaces Vjk n en fonction des valeurs moyennes Vn et en tenant compte de
j
la structure matricielle du problème, cela permet de proposer une façon de terminer la construction de la méthode. C’est ce que
l’on appelle communément un solveur de Riemann. Il se trouve qu’il est beaucoup plus judicieux en pratique de chercher à
n en fonction de Vn et de Vn . En effet les exemples usuels montrent que les matrices
déterminer une valeur pour le produit Ajk Vjk j k
Ajk peuvent être non inversible (detAjk = 0).
On considère dans ce qui suit un mode de construction simple qui s’appuie sur une décomposition en partie positive et partie
négative de la matrice de bord sous la forme
Ajk = A+ jk + Ajk
−
(2.53)
t t
où A+jk = Ajk
+
≥ 0 est une matrice symétrique positive ou nulle et A− jk = Ajk
−
≤ 0 est une matrice symétrique négative
ou nulle, tout en conservant A+ − − +
jk = Akj et Ajk = Akj . Une telle décomposition est aisée à réaliser pour des matrice symétriques,
cependant elle n’est pas unique ce qui explique en partie la profusion de solveurs de Riemann. Pour fixer les idées on part d’une
diagonalisation
Xn
Ajk = p
λpjk wjk p
⊗ wjk
p=1
p
où les vecteurs propres wjk sont orthonormés. On choisit alors
X p p p
X p p p
A+jk = λjk wjk ⊗ wjk et A−
jk = λjk wjk ⊗ wjk . (2.54)
p p
λjk >0 λjk <0
On a la formule
n
Ajk Vjk = A+ n − n
jk Vj + Ajk Vk + O(h) (2.55)
qui sert pour définir le flux numérique. En effet on pose
fjk (U, V) = A+ −
jk U + Ajk V. (2.56)
En abandonnant les différents termes d’erreur et en remplaçant la solution exacte par la solution numérique, on obtient le schéma
de Volumes Finis explicite
Un+1
j − Un
j
X
sj + ljk fjk Un n
j , Uk = 0. (2.57)
∆t k
On peut faire quelques remarques.
Remarque 1. On peut se demander pourquoi ne pas prendre un flux numérique plus simple, par exemple fjk (U, V) = Ajk U+V
2
.
Il se trouve qu’un tel choix mène à un schéma instable, et c’est pour cela qu’il n’est jamais retenu.
Remarque 2. Si le problème est scalaire c’est à dire n = 1, alors le système de Friedrichs est identique à l’équation d’advection.
On peut alors vérifier que le flux (2.56) est identique au schéma décentré défini par le flux (2.36).
Remarque 3. On peut remarquer que la formule (2.55) ne permet pas de définir de valeur intermédiaire car la matrice Ajk peut
ne pas être inversible.
La stabilité et la convergence de ce schéma peuvent être établies avec les estimations développées au chapitre 5, ce qui justifie cette
construction.
Chapitre 3
Transformée de Fourier et Schémas de

différences finis
Les schémas ont été abondamment étudiés dans la littérature depuis le début des méthodes numériques [5, 11,
20, 34, 35]. Pour simplifier on considère dans ce chapitre des schémas explicites à un pas. Cependant l’ordre
peut être arbitrairement élevé.
Ces schémas prennent la forme
Xk
un+1
j = αr unj+r (3.1)
r=k−p
où les p + 1 coefficients (αr )k−p≤r≤k caractérisent la méthode et dépendent des paramètres numériques tels
que les pas de temps ∆t et d’espace ∆x. On conviendra que αr = 0 pour r > k ou r < k − p. On parle aussi
de schémas compacts car le stencil est le plus petit possible compte tenu des propriétés d’approximation
obtenues.
n+1
u
j
n n n n
u u u u
j−2 j−1 j j+1
Figure 3.1 – Représentation graphique d’un schéma à 4 points pour lequel k = 1 et p = 3.
3.1 Transformations de Fourier continue et discrète

Un outil d’analyse important pour cette famille de schémas est la transformation de Fourier.
On commence par caractériser l’EDP à l’aide de la transformée de Fourier. Le schéma (3.1) est une discrétisation
d’une équation aux dérivées partielles que l’on prend sous la forme
∂t u = Au,
et dont l’inconnue est u(t, x) avec une donnée initiale u(0, x) = u0 (x). La transformée de Fourier de w ∈ L2 (R)
est Z
b
w(θ) = w(x)e−iθx dx, i2 = −1,
R
37
38 CHAPITRE 3. TRANSFORMÉE DE FOURIER ET SCHÉMAS DE DIFFÉRENCES FINIS
avec la transformée inverse Z

1 iθx
w(x) = b
w(θ)e dθ
2π R
2 1 2
et la formule de Plancherel kwkL2 (R) = 2π kwk
b L2 (R) . Un opérateur A à coefficients constants peut se caractériser
par son symbole en Fourier au moyen de son symbole.
Définition 7 (Symbole d’un opérateur). La fonction θ 7→ µ(θ) telle que Aeiθx = µ(θ)eiθx est le symbole de A.
On a la représentation intégrale de la solution
Z
1
u(t, x) = eµ(θ)t+iθx u
b0 (θ)dθ (3.2)
2π R
où u
b0 est la transformée de Fourier de la donnée initiale u0 . En effet
Z Z
1 1
∂t u − Au = (∂t − A) eµ(θ)t+iθx u
b0 (θ)dθ = (µ(θ) − µ(θ)) eµ(θ)t+iθx u
b0 (θ)dθ = 0.
2π R 2π R
Par ailleurs on a bien Z
1
u(0, x) = eiθx u
b0 (θ)dθ = u0 (x).
2π R
Remarque 4. Pour l’équation d’advection A = −a∂x avec a ∈ R, le symbole est µ(θ) = −iaθ.
Pour l’équation de diffusion, A = D∂xx avec un coefficient de diffusion D ≥ 0, le symbole est µ(θ) = −Dθ2 .
On note que dans les deux cas
µ(θ)t
e ≤ 1 pour t ≥ 0 et θ ∈ R. (3.3)
Notons à présent la solution numérique au temps tn = n∆t comme un vecteur infini disposé en colonne
 
...
 un−1 
 n 
Uh = 
n  Z
 u0n  ∈ R .
 u1 
...
Le schéma numérique peut se mettre sous la forme
Uhn+1 = M Uhn
où la matrice doublement infinie M = (mij )i,j∈Z a pour coefficients
mij = αr avec r = j − i. (3.4)
On dit que M est une matrice bande. Seules p + 1 bandes de M ne sont pas nulles. La matrice M caractérise
l’opérateur d’itération Jh,∆t . Par exemple la matrice doublement infinie à deux bandes du schéma upwind est
 
· · · · · ·
 · 1−ν ν 0 0 · 
 
 · 0 1−ν ν 0 · 
M =  ·

 0 0 1−ν ν · 

 · 0 0 0 1−ν · 
· · · · · ·
Notons que les coefficients de M dépendent de h et ∆t, ce qui fait que l’on aurait pu noter avec plus de précision
Mh,∆t .
Proposition 5. La matrice M commute avec sa matrice transposée.
3.1. TRANSFORMATIONS DE FOURIER CONTINUE ET DISCRÈTE 39
Démonstration.
P Cette propriété
P est une conséquence directe de la structure bande. Les coefficients de P = M M t
sont pij = k mik mjk = k αk−i αk−j . Les coefficients de Q = M t M sont
X X X
qij = mki mkj = αi−k αj−k = αl−j αl−i = pij
k k l; k=i+j−l
ce qui montre le résultat.

Exercice 9. Vérifier que M commute aussi avec l’opérateur de décalage (translation) d’un indice.
Vérifier que deux matrices bandes commutent.
Comme le signale le lemme 23, un bon cadre alors est le cadre quadratique (Hilbertien). Cependant une différence
importante avec la situation évoquée au lemme 23 est que nous sommes à présent en dimension infinie.
On pose ( )
X
2 2
Vh = l = U = (ui )i∈Z , |ui | < ∞
i
muni d’une norme pondérée par le pas d’espace
X
kU k2h = ∆x |ui |2 . (3.5)
i∈Z
La projection/interpolation sur les points de grille est naturellement 1

Πh : C 0 (R) ∩ L2 (R) → Vh
P
avec Πh u = (u(i∆x))i∈Z . Soit la transformation de Fourier discrète u b(θ) = ∆x j∈Z uj e−iθj∆x qui est une
2π π π

fonction ∆x -périodique appartenant à L2 − ∆x , ∆x La représentation en Fourier de la solution est
Z ∆x
π
1
uj = b(θ)eiθj∆x dθ,
u j ∈ Z,
2π − ∆xπ
avec la formule de Plancherel adaptée

Z π
1 ∆x
kU k2h = u(θ)|2 dθ.
|b (3.6)
2π π
− ∆x
Définition 8 (Symbole du schéma). Le symbole du schéma est la fonction

k
X
λ(θ) = αr eiθr , θ ∈ R,
r=k−p
en notant bien que λ dépend de h et ∆t par l’intermédiaire des αr .

Le symbole est en fait la valeur propre
de M . Les vecteurs propres (on parle plutôt de vecteurs propres généralisés
voir [25]) de M sont U (θ) = eiθj j∈Z avec
M U (θ) = λ(θ)U (θ).

En effet
   
p
X p
X
(M U (θ))i =  αr ei(j+r)θ  =  αr eirθ  eijθ = λ(θ)eijθ = λ(θ) (U (θ))i i ∈ Z.
r=k−p r=k−p
On note que les vecteurs propres sont des modes de Fourier, et qu’ils ne dépendent pas des paramètres de
discrétisation. En revanche la valeur propre en dépend par l’intermédiaire des coefficients αr .

1. Soit une fonction w ∈ L2 (R), constante sur tout morceau i − 21 ∆x, i + 12 ∆x . Comme w est continue autour de chaque
point i∆x on peut définir Πh w sans problème. On note que kwkL2 (R) = kΠh wkh ce qui est la raison du poids ∆x dans la norme
(3.5).
3.2 Stabilité
Lemme 15 (Stabilité au sens de von Neumann). Le schéma numérique (3.1) est stable au sens de Von Neumann
ssi
sup |λ(θ)| ≤ 1. (3.7)
θ∈R
La stabilité au sens de Von Neumann est ici équivalente à la stabilité uniforme dans l2 .
P
Démonstration. On définit ubnh (θ) = ∆x j∈Z unj eiθj∆x où (unj ) = unh . Donc
   
X X p X X p
bn+1
u (θ) = ∆x  αr unj+r  e−iθj∆x = ∆x  αr eiθr∆x unj+r e−iθ(j+r)∆x
h
j∈Z r=k−p j∈Z r=k−p
On fait le changement d’indice j ′ = j + r. D’où

 
Xk
bn+1
u h (θ) =  αr eiθr∆x u
bnh (θ) = λ(θ∆x)b
unh (θ).
r=k−p
R π 0 2
Donc kUhn k2 = 1
2π π
− ∆x
∆x
|λ(θ∆x)|2n u
bh (θ) dθ ce qui montre que la stabilité au sens de Von Neumann est une
b0h est quelconque, la condition
condition suffisante pour la stabilité uniforme en norme quadratique. Comme u
est aussi nécessaire.
Le symbole permet aussi de caractériser la stabilité d’un schéma en norme l∞ ou en norme l1 .
Lemme 16. Le schéma numérique (3.1) est stable en norme l1 ou l∞ ssi il existe une constante C ∈ R+ indépendante de h telle
que  
X Z 2π

n −ijθ
sup  λ(θ) e dθ  ≤ C. (3.8)
n≥0 j∈Z 0
Démonstration. Une formule classique d’algèbre 1 ∞

P Plinéaireindique que les normes l et l d’une matrice M = (mij )ij sont donnés
par kM k1 = supj i |mij et kM k∞ = supi j |mij | . La matrice Mh étant une matrice bande on obtient
X
kMh k1 = kMh k∞ = |αr | (3.9)
r∈Z
où les coefficients αr peuvent se déterminer à partir du symbole par

Z 2π
1
αr = λ(θ)e−ijθ dθ.
2π 0
Or le symbole du produit de deux matrices bande est le produit des symboles, car les vecteurs propres sont communs. Donc le
symbole de Mhn est λn . L’utilisation de l’identité (3.9) termine la preuve.
3.3 Convergence
La consistance et la convergence de la méthode numérique peuvent se caractériser en comparant les symboles à
partir du critère (3.10), ce qui est aisé à vérifier pour un schéma donné.
Lemme 17 (Consistance et convergence). On suppose qu’il existe p, q, r ∈ N∗ et une constante C > 0
indépendante de ∆t, ∆x et θ ∈ R avec l’inégalité

µ(θ)∆t r
e − λ(θ∆x) ≤ C(1 + |θ| ) (∆xp + ∆tq ) ∆t, −π ≤ θ∆x ≤ π. (3.10)
Supposons que les critères de stabilité unitaires sont vérifiées, tant continu (3.3) que discret (3.7).
Alors le schéma est convergent à l’ordre p en espace et q en temps en norme quadratique pour des solutions
dans H r (R).
3.3. CONVERGENCE 41
R
Démonstration. Une norme adaptée, évaluée en Fourier, est kuk2H r (R) = R (1 + θ 2r )|b
u(θ)|2 dθ.
Pour les commodités de la preuve nous définissons un opérateur de projection Π4h particulier sous la forme Π4h v = Π1h Fh v où Fh v
est la fonction tronquée en Fourier
Z π
1 ∆x
Fh v(x) = eiθx v
b(θ)dθ.
2π − ∆xπ
On peut vérifier que Π1h Fh v est correctement défini car Fh vestunef onctioncontinue : c’est garanti au moins si v ∈ H 2 (R) avec
r ≥ 2. Donc cette condition ne pose pas de difficulté.
Soit la solution numérique un 0 4 n 4
h issue de la donnée initiale uh = Πh u0 . On pose vj = (Πh u)(n∆t, j∆x) c’est à dire
Z
1
vjn = eµ(θ)n∆t eiθj∆x u
b0 (θ)dθ.
2π |θ|< ∆xπ
Par ailleurs on a Z
1
un
j = λ(θ∆x)n eiθj∆x u
b0 (θ)dθ.
2π π
|θ|< ∆x
Grâce à la formule de Plancherel (3.6), on a

4
Π u(tn ) − un = √1 eµ(θ)n∆t − λ(θ∆x)n u b0 (θ)

.
h h h π , π )
2π L2 (− ∆x ∆x
P
Posant α = eµ(θ)∆t et β = λ(θ∆x), on peut estimer la parenthèse par αn − β n = (α − β) n−1 p=0 α
n−1−p β p . Compte tenu de la
stabilité unitaire du problème continu, i.e. |α| ≤ 1, et de celle du problème discret, i.e. |β| ≤ 1, on obtient |αn − β n | ≤ n |α − β|.
En conséquence on a
4
Π u(tn ) − un ≤ √n eµ(θ)∆t − λ(θ∆x) u

b0 (θ) 2
Cn∆t
≤ √ k1 + |θ|r ub0 (θ)kL2 (− π , π ) (∆xp + ∆tq )
h h h π , π )
2π L (− ∆x ∆x 2π ∆x ∆x
grâce à l’hypothèse de consistance sur les symboles (3.10). Pour une donnée initiale dans H r (R), on a (quitte à redéfinir la constante
C > 0) 4
Π u(tn ) − un ≤ CT ku0 k r p q
h h H (R) (∆x + ∆t ) , n∆t ≤ T. (3.11)
La preuve est terminée.
On peut compléter la preuve en mesurant l’erreur entre l’interpolation ponctuelle classique Π1h v et l’interpolation ponctuelle de la
fonction tronquée en Fourier Π4h v. On a le résultat suivant pour une fonction un tout petit plus que H r (R).
Lemme 18. Soit v ∈ V r (R) ⊂ H r (R) avec

V r (R) w ∈ H r (R), x(∂x )r−1 w ∈ L2 (R) r ≥ 1.
1
Alors Πh v − Π4h v h ≤ C kvkV r (R) ∆xr−1 .
Démonstration. On peut vérifier qu’une norme adaptée évaluée en Fourier est

Z

kvk2V r (R) = (1 + θ 2r )|b
v (θ)|2 + θ 2r−2 |b
v′ (θ)|2 dθ.
R
Soit w = Π1h v − Π4h v avec

Z Z ∞ Z π
− ∆x
1 1 1
wj = b(θ)eiθj∆x dθ =
v b(θ)eiθj∆x dθ +
v b(θ)eiθj∆x dθ .
v
2π π
|θ|> ∆x 2π π
∆x
2π −∞
| {z } | {z }
=aj =bj
Pour j > 0 on commence par faire une intégration par partie, en intégrant eiθj∆x par rapport à θ. D’où par exemple pour le premier
1
R∞ ′ eiθj∆x −(−1)j
terme aj = − 2π v (θ)
π b
ij∆x
dθ. On obtient
∆x
Z ∞
1 ′
|aj | ≤ v
b (θ) dθ
πj∆x π
∆x
puis
Z Z !1 Z !1
1 ∞ 1 1 ∞ ′ 2 2 ∞ dθ 2
r−1 ′ 2r−2
|aj | ≤ θ b (θ)
v dθ ≤ θ v
b (θ) dθ
πj∆x π
∆x
θ r−1 πj∆x π
∆x
π
∆x
θ 2r−2
3
Cr 1 C ′ ∆xr− 2
≤ kvkV r (R) ∆xr− 2 ≤ r ku0 kV r (R) .
πj∆x j
Le terme a0 se majore en utilisant que v ∈ H s (R). D’où par une nouvelle inégalité de Cauchy-Schwarz (et 1+ 14 +· · ·+ j12 +· · · < ∞) :
kakh ≤ C ′′ kvkV r (R) ∆xr−1 . De même pour b = (bj ). La preuve est terminée.
On peut alors mesurer l’erreur entre l’interpolation classique (opérateur Π1h ) de la solution exacte et la solution
numérique issue de l’interpolation classique unh = Jhn Π1h u(t0 ). En notant Jh l’opérateur d’itération on a par
exemple la décomposition télescopique

Π1h u(tn ) − unh = Π1h u(tn ) − Π4h u(tn ) + Π4h u(tn ) − Jhn Π4h u(t0 ) + Jhn Π4h u(t0 ) − Π1h u(t0 ) .
n n
Par inégalité triangulaire on obtient une majoration de l’erreur numérique sous la forme Enum ≤ Esch + Einter .
L’erreur du schéma est estimée par le Lemme (17)

n
Esch = Π4h u(tn ) − Jhn Π4h u(t0 ) h ≤ CT (∆xp + ∆tq ) n∆t ≤ T, (3.12)
et est a priori une fonction croissante de l’indice d’itération n. L’erreur d’interpolation
Einter ≤ C∆xr−1
est indépendante du temps (de n), et peut être aussi petite que souhaitée pour un r suffisamment grand,
ce paramètre étant indépendant des paramètres du schéma caractérisé par p et q. Pour r ≥ p + 1 l’erreur
d’interpolation est au moins du même ordre que l’erreur du schéma.
Principe 7. Au final on retiendra que l’erreur (3.12) de consistance en norme quadratique peut se mesurer
directement sur la différence (3.10) entre le symbole exact et le symbole discret. Ce principe est valable pour
tout schéma de Différences Finis.
3.4 Applications
∆t
Pour l’équation d’advection un cas couramment rencontré concerne r = p + 1 avec p = q. On note ν = a ∆x .
Proposition 6 (Forme simplifiée de (3.10) pour l’advection). Considérons le cas de l’équation d’advection.
Pour r = p + 1 = q + 1, le critère (3.10) est équivalent
−iνθ p
e − λ(θ) ≤ C |θ| ν, −π ≤ θ ≤ π. (3.13)
Démonstration. Evident avec le changement de variables θ ← θ∆x.

Par exemple le symbole du schéma upwind est λup (θ) = (1 − ν) + νe−iθ . Comme on vérifie sans peine que

(1 − ν) + νe−iθ − e−iνθ ≤ Cνθ,
on retrouve bien le fait que le schéma est d’ordre un en norme quadratique.

Considérons à présent le symbole du schéma à trois points (2.19) pour l’équation de diffusion
∆t
λ(θ) = 1 − 2ν(1 − cos θ), ν= , θ ← θ∆x2 .
∆x2
Un développement local montre que
−νθ2
e − λ(θ) ≤ Cνθ2
ce qui permet de retrouver la convergence à l’ordre deux en espace (et un en temps mais c’est la même chose
pour un schéma explicite de ce type). Le cas général est présenté dans la propriété suivante.
Proposition 7 (Forme simplifiée de (3.10) pour la chaleur). Considérons l’équation de la chaleur. Pour r = p+2
et sans tenir compte de l’ordre en temps, le critère de consistance (3.10) est équivalent

−νθ2 p
e − λ(θ) ≤ C |θ| ν, −π ≤ θ ≤ π. (3.14)
Démonstration. Laissée au lecteur.

Chapitre 4
Analyse numérique abstraite :

l’approche de Lax
L’analyse numérique des méthodes de Différences Finies se réalise à partir des notions fondamentales de consis-
tance et de stabilité, ce qui permet d’évaluer et parfois de mesurer quantitativement la précision numérique.
Cela pose par ailleurs les bases de l’analyse numérique de la plupart des méthodes numériques instationnaires.
La présentation qui suit est tout à fait classique [33, 27, 11, 1, 20, 14], en veillant toutefois à permettre l’analyse
numérique des méthodes de Volumes Finis avec les mêmes outils au chapitre suivant.
4.1 Consistance, stabilité et théorème de Lax

La présentation du cadre théorique sera développée à partir du problème linéaire modèle
∂
∂t u = Au, t > 0,
(4.1)
u(0) = u0 ∈ V,
où V un espace de Banach de norme || · ||. L’opérateur linéaire est A : D(A) → V de domaine dense D(A) ⊂ V .
Nous supposerons 1 qu’il existe un unique u(t) ∈ C 1 ([0, +∞) : V ) ∩ C 0 ([0, +∞) : D(A)) solution de (4.1). Par
convention, on représentera u(t) sous la forme abstraite
u(t) = etA u0 . (4.2)
Définition 9. Nous considèrerons que le semi-groupe d’opérateur etA est borné
∃ K, L ≥ 0 tels que ||etA || ≤ KeLt, t ∈ R. (4.3)
Nous dirons que etA est uniformément borné si L = 0.

Nous dirons que etA est unitairement borné si de plus K = 1, auquel cas on a ||etA || ≤ 1 pour tout temps.
La plupart des exemples considérées dans ces notes correspond à des semi-groupes uniformément voire unitai-
rement bornés.
1. Dans le cas plus restreint où V est un space de Hilbert, et sous la condition que A soit maximal monotone

l’opérateur A est monotone : (Av, v) ≥ 0 ∀v ∈ D(A),
l’opérateur A est maximal monotone : (I + A) est surjectif de D(A) dans V.
ce problème est bien posé (existence et unicité de la solution) dans le cadre du Théorème de Hille-Yosida [11, 6]. Pour tout
u0 ∈ D(A), il existe un unique
u(t) ∈ C 1 ([0, +∞) : V ) ∩ C 0 ([0, +∞) : D(A))
d
solution de (4.1). L’hypothèse de monotonie implique que dt
ku(t)k2 ≤ 0, ce qui implique alors que ku(t)k ≤ ku0 k pour tout t ≥ 0.
43
44 CHAPITRE 4. ANALYSE NUMÉRIQUE ABSTRAITE : L’APPROCHE DE LAX
Le problème modèle avec second membre s’écrit

∂
u = Au + f, t > 0,
∂t (4.4)
u(0) = u0 .
Sa solution est donnée par la formule de Duhamel
Z t
u(t) = etA u0 + e(t−s)A f (s)ds.
0
Cependant pour des raisons de simplicité de notations, nous ne considérerons que le problème homogène f = 0. Par ailleurs cela
ne changerait pas fondamentalement les conclusions auxquelles nous arriveront.
4.1.1 Opérateur Πh d’interpolation/projection

On suppose l’existence d’un sous-espace dense dans V noté X ⊂ D(A) ⊂ V
∀u ∈ V, inf ku − vk = 0.
v∈X
Le sous espace X est typiquement constitué de fonctions régulières, par exemple de classe C 2 voire même C ∞ .
Ce qu’il faut c’est que X permette au moins de définir l’opérateur d’interpolation et de réaliser les différentes
études de consistance nécessaires qui vont suivre.
Soit Vh ⊂ V un sous-espace vectoriel de V et Πh un opérateur d’interpolation,
Πh : X → Vh .
Ici interpolation fait référence au fait que X 6= V , ce qui est le cas pour l’exemple central (4.5). Si Πh Πh = Πh
on dira que plus Πh est un opérateur de projection. Dans la plupart des situations rencontrés dans ces notes
et avec quelques adaptations dans les notations, Πh est à la fois un opérateur d’interpolation et de projection.
L’exemple central qui permet d’illustrer ces définitions est le suivant. On peut prendre V = Lp (R2 ) pour
1 ≤ p ≤ ∞. Un sous-espace X qui convient naturellement est X = C 0 (R2 ). On peut aussi prendre X = C q (Ω)
pour q ∈ N assez grand ce qui se révèlera adapté pour l’étude de consistance. L’espace discret s’appuie sur un
maillage c’est-à-dire une collection de points
xij = (i∆x, j∆y), (i, j) ∈ Z2 .
Un opérateur d’interpolation ponctuel naturel est
Πh (u) = (u(xij ))i,j∈Z (4.5)
qui est défini pour des fonctions de classe C ∞ . Le pas d’espace ∆x dans la direction x est éventuellement différent
du pas ∆y dans la direction y. On aura naturellement h = max(∆x, ∆y). L’espace discret Vh est constitué des
fonctions discrètes dont les values sont spécifiées aux points du maillage
n o
Vh = vh = (vij )i,j∈Z .
On pourrait objecter que Vh n’est pas un sous-espace de V . Mais ce n’est en rien une restriction pour peu que
l’on identifie (que l’on confonde) Vh et Wh qui est l’espace des fonctions constantes par morceaux sur des carrés
Cij =](i − 12 )∆x, (i + 12 )∆x[×](j − 21 )∆y, (j + 21 )∆y[ de centre xij
Wh = {v ∈ V, v est constant sur tous Cij } .
P p1
On a alors Vh ≈ Wh ⊂ V et la norme dans Vh est la norme de V : kvh k = ∆x∆y ij |vij |p . Dans ces
conditions on a bien que Vh ⊂ V . Enfin il est aisé de donner un sens à la relation Πh Πh = Πh ce qui fait que
Πh est aussi un opérateur de projection.
Ces objets dépendent d’un paramètre h > 0 qui est destiné à converger vers zéro. Ce paramètre représente les
paramètres numériques de la méthode. On peut identifier h à la plus grande longueur du maillage telle que
définie dans (2.28).
Nous considérerons que Πh est un bon opérateur d’approximation au sens où
∀u ∈ X, lim ||u − Πh u|| = 0. (4.6)
h→0
4.1. CONSISTANCE, STABILITÉ ET THÉORÈME DE LAX 45
4.1.2 Opérateur discret Ah

Soit Ah : Vh → Vh . un schéma numérique qui réalise une approximation de A.
Définition 10 (Consistance, ordre d’approximation). On dit que le schéma numérique Ah est une approxima-
tion consistante de A ssi
∀u ∈ X, lim ||Ah Πh u − Au|| = 0. (4.7)
h→0
On dira que l’approximation est d’ordre p > 0 ssi il existe une constante C > 0 indépendante de h (mais
dépendant de u et de ses dérivées) telle que
||Ah Πh u − Au|| ≤ Chp , u ∈ X. (4.8)
On note que l’ordre d’approximation peut dépendre de X et Πh .
4.1.3 Cas instationnaire

Soit ∆t > 0 un pas de temps et tn = n∆t pour n ∈ N. Avec l’ensemble de ces notations, le schéma d’Euler
explicite pour la discrétisation de (4.1) s’écrit

 un+1 − unh
h
= Ah unh , n ≥ 0, (4.9)
∆t
 u0 = Π u .
h h 0
L’erreur de troncature de ce schéma est naturellement définie par rhn ∈ Vh avec
1
rhn = (Πh u(tn+1 ) − Πh u(tn )) − Ah Πh u(tn ), ∀n, h. (4.10)
∆t
Définition 11. On dira que le schéma (4.9) est une approximation consistante de (4.1) ssi
!
∀u ∈ C 1 ([0, T ] : X), lim max krhn − (∂t u − Au) (tn )k = 0. (4.11)
h,∆t→0 T
n≤ ∆t
Comme on montre grâce au théorème de Heine 2 que ∂t u est uniformément continu, on peut vérifier que

1
lim (Πh u(tn+1 ) − Πh u(tn )) − Πh ∂t u pour u ∈ C 1 ([0, T ] : X).
h,∆t→0 ∆t = 0,
Aussi le critère de consistance (4.11) pour ce problème instationnaire se trouve être équivalent au critère de
consistance (4.7) pour le problème stationnaire.
Une extension naturelle pour les schémas d’ordre élevé consiste à construire une discrétisation de A qui
dépendent de tous les paramètres discrets, ce qui est le cas pour les schémas de Strang d’ordre élevé présentés
à la fin de ce chapitre. On notera l’opérateur discret Ah,∆t : Vh → Vh . Le schéma explicite devient alors

 un+1 − unh
h
= Ah,∆t unh , n ≥ 0, (4.12)
∆t
 u0 = Π u .
h h 0
L’erreur de troncature devient rhn ∈ Vh
1
rhn = (Πh u(tn+1 ) − Πh u(tn )) − Ah,∆t Πh u(tn ), ∀n, h. (4.13)
∆t
2. Toute fonction continue d’un espace métrique dans un espace métrique est uniformément continue si l’espace de départ est
compact.
Définition 12 (Critère de consistance précisé et simplifié). Supposons que : pour toute solution suffisamment
régulière u ∈ C r ([0, T ] : X)de ∂t u − Au = 0, on a
max krhn k ≤ C(hp + ∆tq ), p, q > 0. (4.14)

T
n≤ ∆t
Alors on dira que l’approximation (4.12) est d’ordre p en espace et q (pour des solutions u ∈ C r ([0, T ] : X)).
Notons qu’on a augmenté la régularité en temps dans (4.14) par rapport à (4.11) car sinon il y a peu de chance
d’obtenir un précision en temps à l’ordre q pour q assez grand.
4.1.4 Analyse du schéma d’Euler explicite

Pour la suite nous analyserons le schéma d’Euler explicite qui peut se récrire sous la forme
un+1
h = Jh,∆t unh
où Jh,∆t = Ih + ∆tAh est l’opérateur d’itération et Ih est l’opérateur identité dans Vh : Ih vh = vh pour tout
vh ∈ Vh . On peut aussi considérer plus généralement Jh,∆t = Ih + ∆tAh,∆t . La question de la stabilité de cet
opérateur d’itération est naturelle. On étend alors la définition 9 en introduisant une possible restriction sur
le pas de temps 3 pour suivre ce que l’on a observé aux simulations numériques présentées dans les figures 2.2
et 2.5.
Définition 13 (Stabilité et condition CFL de Courant-Friedrichs-Levy). Nous supposons qu’il existe une fonc-
tion τ : R+ → R+ et deux constantes K ′ , L′ ≥ 0 avec la propriété suivante : pour tous h et ∆t satisfaisant la
condition CFL de restriction sur le pas de temps
∆t ≤ τ (h), (4.15)
on a
n
Jh,∆t ≤ K ′ eL′ n∆t . (4.16)
Nous dirons alors que l’opérateur d’itération est stable pour la condition CFL (4.15).
Si L′ = 0, on dira que l’opérateur d’itération est uniformément stable pour la condition CFL (4.15).
Si enfin L′ = 0 et K ′ = 1, on se propose de dire que l’opérateur d’itération est unitairement stable pour la
condition CFL (4.15).
En général pour un opérateur Ah qui discrétise un opérateur aux dérivées partielles donné A, le pas de temps
maximal est tel que
lim τ (h) = 0. (4.17)
h→0
Une conséquence de la condition CFL (4.17) est alors : plus le maillage est fin, plus le pas de
temps est petit, ce qui accroit d’autant la charge de calcul de l’ordinateur.
Théorème 1 (Théorème de Lax : première version). Soit un schéma linéaire (4.9) consistant au sens de (4.14).
Supposons que le pas de temps satisfasse à la condition CFL (4.17). Alors il est convergent au sens où
!
∀T > 0, lim max kΠh u(tn ) − unh k =0 (4.18)
h,∆t→0 T
n≤ ∆t
pour tout u ∈ C 1 ([0, T ] : X) solution de (4.1).

3. Cela fait référence au célèbre article de 1928 de Courant, Friedrichs et Levy [10].
Démonstration. On définit l’erreur numérique enh = unh − Πh u(tn ). On a la formule de récurrence en+1
h =
(Ih + ∆tAh ) enh + ∆t rhn avec l’initialisation e0h = 0. D’où la formule de représentation
n−1
X
n n−1−p p
enh = (Ih + ∆tAh ) e0h + ∆t (Ih + ∆tAh ) rh ,
p=0
Pn−1
ou plus précisément enh = ∆t p=0 (Ih + ∆tAh )n−1−p rhp . D’où
n−1 n−1
!
X n−1−p
X ′ ′
||enh || ≤ ∆t || (Ih + ∆tAh ) || ||rhp || ≤ ∆t ||rhp || eL T ≤ T eL T max krhn k (4.19)
T
n≤ ∆t
p=0 p=0
pour tout n tel que n∆t ≤ T . Or u ∈ C 1 ([0, T ] : X) est solution

de (4.1).
Donc le critère de consistance (4.14)
n
montre que l’erreur de troncature tend vers zéro, limh,∆t→0 maxn≤ T krh k = 0. D’où le résultat recherché.
∆t
La forme utile en pratique est plutôt la suivante.
Théorème 2 (Théorème de Lax : deuxième version). Soit un schéma linéaire (4.12) vérifiant le critère de
consistance précisé (4.14) à l’ordre p en espace et q en temps. Supposons que le schéma est stable (4.16) sous
CFL (4.17). Alors il est convergent à l’ordre p en espace et q en temps et
′
max kΠh u(tn ) − unh k ≤ CT eL T (hp + ∆tq ) .
T
n≤ ∆t
Démonstration. Préciser (4.19).
Ce théorème est central dans la compréhension des propriétés d’approximation des schémas numériques linéaires.
Exercice 10. Enoncer et montrer un théorème de Lax pour le problème avec second membre (4.4).
Schéma d’Euler implicite

On analyse ici un fait bien connu qui est que les schémas implicites ont souvent des propriétés de stabilité
supérieures par rapport à celles des schémas explicites.
Soit par exemple le schéma d’Euler implicite pour résolution numérique de (4.1)

 un+1 − unh
h
= Ah un+1
h , n ≥ 0, (4.20)
∆t
 u0 = Π u .
h h 0
On remarque que Ah est ici indépendant de ∆t. La relation de récurrence est à présent
(Ih − ∆tAh )un+1

h = unh .
Cela définit un+1

h à condition que l’opérateur linéaire Ih − ∆tAh soit inversible.
Proposition 8 (Stabilité du schéma d’Euler implicite). Supposons que l’opérateur d’itération explicite Ih +∆tAh
est uniformément stable
k(Ih + ∆tAh )n k ≤ K ′ , n ∈ N
pour un pas de temps ∆t ≤ τ (h) restreint par une condition CFL (4.15).
Alors pour tout ∆t > 0, l’opérateur I − ∆tAh est inversible et uniformément stable avec la même constante

(Ih − ∆tAh )−n ≤ K ′ , n ∈ N.
Démonstration. Il est remarquable que le schéma implicite soit stable indépendamment de toute condition CFL
sur le pas de temps.
∆t τ (h)
On définit Th = Ih + τ (h)Ah , α = ∆t+τ (h) et β = 1 − α = ∆t+τ (h) . Alors
1
Ih − ∆tAh = (Ih − αTh ) .
β
On a la série de Neumann ∞
−1 −1
X
(Ih − ∆tAh ) = β (Ih − αTh ) =β αp Thp .
p=0
Cette série est bien convergente et

∞
X X ∞ X K′
p p
α Th ≤ αp kTh kp ≤ αp K ′ = .
β
p=0 p=0 p

Cela montre que la majoration (Ih − ∆tAh )−1 ≤ K ′ , et implique l’inversibilité de Ih − ∆tAh .
Par ailleurs on a !n
∞
X X∞
−n p p
(Ih − ∆tAh ) = β n
α Th = βn C(q, n)αq Thq .
p=0 q=0
avec C(q, n) qui désigne le nombre de combinaisons possibles pour que
p1 + · · · + pn = q avec 0 ≤ pi ≤ n pour tout 1 ≤ i ≤ n.
D’où !n
∞
X ∞
X 1 ′
−n
(Ih − ∆tAh ) ≤ β n C(q, n)αq K ′ = β n α p
K ′ = βn K = K ′.
q=0 p=0
βn
Remarque 5 (Calcul effectif de un+1 h ). En pratique, c’est à dire pour des calculs sur ordinateur, l’opérateur
linéaire Mh = Ih − ∆tAh est une matrice de dimension finie. Le calcul de un+1 h s’effectue en inversant un
système linéaire, ce qui doit s’opérer par des méthodes efficaces d’algèbre linéaire qui ne sont pas évoquées dans
ces notes.
Proposition 9. Soit un schéma numérique d’Euler explicite uniformément stable sous condition CFL, consis-
tant et donc convergent. Alors le schéma numérique d’Euler implicite associé (4.20) est également convergent.
Démonstration. La stabilité ayant déjà été montrée, il reste à vérifier la consistance ce qui permettra d’appliquer
le théorème de Lax sous la forme générale 1. L’erreur de consistance ou de troncature du schéma implicite
1
rbhn =
(Πh u(tn+1 ) − Πh u(tn )) − Ah Πh u(tn+1 ), n ∈ N. (4.21)
∆t

On a immédiatement limh,∆t→0 maxn≤ T kb rhn − Πh (∂t u − Au) (tn )k = 0 pour tout u ∈ C 1 ([0, T ] : X) solution
∆t
de (4.1). Cela établit la consistance.
Pour finir la preuve de convergence, on peut récrire (4.21) sous la forme
Πh u(tn+1 ) = (Ih − ∆tAh )−1 Πh u(tn ) + ∆tsnh , snh = (Ih − ∆tAh )−1 rhn .
De son côté le schéma se récrit

−1
un+1
h = (Ih − ∆tAh ) unh .
−1
Donc la différence enh = unh −Πh u(tn ) est solution de en+1
h = (Ih − ∆tAh ) enh +∆tsnh avec une erreur initialement
0
nulle eh = 0. On peut alors se contenter de reprendre la preuve des théorèmes 1 ou 2. La preuve est terminée.
4.1.5 Schéma de Crank-Nicholson

Le terme Ah unh pour le schéma explicite, ou Ah un+1
h pour le schéma implicite est un discrétisation du premier
ordre de la dérivée en temps. La méthode de Cranck Nicholson est a priori plus précise car du deuxième ordre
d’approximation pour la partie temporelle. Elle s’écrit

 un+1
h − unh un+1 + unh
= Ah h , n ≥ 0, (4.22)
 u0 =∆t Π u ,
2
h h 0
où Ah est indépendant de ∆t. La relation de récurrence est

1 1
Ih − ∆tAh un+1 h = Ih + ∆tA n
h uh .
2 2
Sous les hypothèses de la proposition 9, l’opérateur Ih − 12 ∆tAh est inversible. Le schéma est également uni-
formément stable, consistant et donc est convergent.
4.1.6 Schéma semi-discret

A présent nous considérons le schéma semi-discret qui est la limite continue en temps du schéma explicite (ou du schéma
implicite) c’est à dire pour ∆t → 0 et h fixe. Au contraire des précédents schémas, c’est un schéma purement théorique au sens
où il n’est pas possible de le programmer sur ordinateur. Son intérêt est qu’il peut simplifier de manière importante l’étude des
méthodes numériques.
Formellement on écrit que vh (t) est solution du système
d
v (t) = Ah vh (t),
dt h (4.23)
vh (0) = Πh u0 .
Encore une fois Ah est ici indépendant de ∆t.
Dans le cas où Vh est un espace de dimension fini, Ah est de fait une matrice carrée de taille finie. La solution est donnée par
l’exponentielle de matrice
vh (t) = etAh Πh u0 .
Il suffit que Ah soit un opérateur borné pour donner un sens à cette représentation de la solution. Or c’est bien le cas si le schéma
′
explicite est stable sous condition CFL, car alors k(Ih + τ (h)Ah )n k ≤ K ′ d’où l’on tire que kAh k ≤ 1+K
τ (h)
< ∞ ce qui fait que Ah
tA
est bien un opérateur linéaire borné. On en déduit que e h ≤ etkAh k .
On a en fait mieux en supposant la stabilité uniforme du schéma explicite. En effet on a la formule etAh = e−µ eµ(Ih +τ (h)Ah ) pour
t
µ = τ (h) . Cela montre que
X∞
µn
etAh = e−µ (Ih + τ (h)Ah )n .
n=0
n!
On obtient l’estimation
X∞
µn
tAh
e ≤ e−µ K = e−µ eµ K = K. (4.24)
n=0
n!
Cela montre que le schéma semi-discret bénéficie de la même propriété de stabilité que le schéma explicite. Ce résultat est en fait
une extension de la proposition 9.
4.1.7 Principe de comparaison et supra-convergence

Nous montrons un principe de comparaison pour un opérateur Ah dont l’opérateur d’itération explicite est stable (4.16) sous un
condition de type CFL telle que (4.15). Ce principe sera utilisé au chapitre 5 pour l’analyse numérique des schémas de Volumes
Finis.
Soit unh solution du schéma d’Euler explicite pour une certaine donnée initiale u0
 n+1
 uh − un h
= Ah un
h , n ≥ 0, (4.25)
 0 ∆t
uh = Πh u0 .
n donné par
Soit vh  n+1
 vh n
− vh n n
= Ah vh + rh , n ≥ 0, (4.26)
 0
∆t
vh = Πh u0 ,
n joue le rôle d’une erreur de troncature avec des propriétés particulières. On fait l’hypothèse que l’on peut écrire
où rh
n
rh = τ (h)Ah sn
h avec ksn
h k ≤ S < ∞ pour tout h, n. (4.27)
n
Comme la condition de stabilité (4.16) permet simplement de borner kτ (h)Ah k ≤ C, on déduit à partir de (4.27) que rh ≤ C.
Ce terme est O(1) par rapport à h. Donc une stratégie basé sur le théorème de Lax pour estimer la différence entre un n
h et vh ne
n n
donnera que vh − uh = O(1). L’intérêt du résultat suivant est qu’il indique que la structure (4.27) fait que la différence tend
vers zéro, avec un taux de convergence explicite. Cette propriété abstraite développée dans [12] sera utile pour l’étude de certaines
méthodes de Volumes Finis, et tente de correspondre à la notion de supraconvergence énoncée dans [38].
Lemme 19. Il existe une constante C > 0 (qui dépend des estimations de stabilité) telle que
s
n n T τ (h)
kvh − uh k ≤ CS , n∆t ≤ T, (4.28)
1−ν
∆t
avec ν = τ (h)
< 1 et S donné dans (4.27).
Dans les cas que nous considérons, on a τ (h) → 0 pour h tendant vers 0. Aussi cette inégalité est en fait un résultat de convergence
de vhn vers un . Notons que la condition CFL est stricte, au sens où ∆t doit être strictement inférieur au pas de temps maximal
h
τ (h).
en+1 −en 0
Démonstration. Soit en n n
h = vh − uh avec
h
∆t
h
= Ah e n n
h + rh et eh = 0. Donc
n−1
X p
en
h = ∆t (Ih + ∆tAh )n−1−p rh . (4.29)
p=0

Posons Th = Ih + τ (h)Ah dont les puissances sont bornées sous la forme Thq ≤ K ′ eL q∆t grâce à la stabilité (4.16). On posera
′
′
q
C=K e ′ L T
un majorant uniforme des Th pour q∆t ≤ T .
Posons ν = τ∆t
(h)
avec ν ≤ 1 du fait de l’hypothèse (4.15). On note également q = n − 1 − p pour simplifier. Alors on peut écrire
 
Xq
q p p q
q
(Ih + ∆tAh ) rh = ((1 − ν)Ih + νTh ) (Th − Ih ) sh =  (1 − ν) q−j j j
ν Th  (Th − Ih ) sph .
j
j=0
| {z }
=Aq

q P
On pose aqj = (1 − ν)q−j ν j ainsi que aqj = 0 pour j < 0 ou j > q + 1. Alors Aq = q
j (aj−1 − aqj )Thj . Or
j
q!
aqj−1 − aqj = [j − (q + 1)ν] × (1 − ν)q−j ν j−1
(q − j)!(j − 1)!
La fonction entre crochets j 7→ j − (q + 1)ν est croissante, négative pour j = 0 et positive pour n = q. Donc ij − (q + 1)ν ≤ 0 pour
j ≤ j∗ ≡ [(q + 1)ν] et 0 ≤ j − (q + 1)ν pour j∗ < j. On a
X q X q
kAq k ≤ aj − aqj−1 C + −aj + aqj−1 C = 2aqj∗ C
j≤j∗ j≥j∗ +1

Or une estimation basique 4 montre que aqj ≤ min √ 2
,1 pour tous j et q. On est en mesure d’estimer l’erreur (4.29) par
ν(1−ν)q
  ! !
n−1
X Z n
2 2 dx 2 √
ken
hk ≤ ∆t 2 + p  2CS ≤ ∆t 2+ p √ 2CS ≤ ∆t 2+ p 2 n−2 2CS.
p=2 ν(1 − ν)p ν(1 − ν) 1 x ν(1 − ν)
4
On peut vérifier que 2 − √ ≤ 0 pour toute valeur de ν ∈]0, 1[. Donc
ν(1−ν)
8n
ken
h k ≤ ∆t p CS.
ν(1 − ν)
q p p
Par ailleurs ∆t nν
= n∆tτ (h) ≤ T τ (h) ce qui termine la preuve quitte à redéfinir la constante C.
1
R 2π n 2
4. Par exemple on a par un calcul en Fourier en développant an
j = 2π 0 (1 − ν) + νeiθ e−ijθ dθ. Or (1 − ν) + νeiθ =
θ
1 − 4ν(1 − ν) sin2 .
D’où par des majorations élémentaires
2
Z n Z n
1 π 2 θ
2 1 π θ2 2
|an
j | ≤ 1 − 4ν(1 − ν) sin dθ ≤ 1 − 4ν(1 − ν) dθ
π 0 2 π 0 π2
Z π Z Z
1 2
−2ν(1−ν)n θ 2 1 ∞ −2ν(1−ν)n θ22 1 ∞ 2
≤ e π dθ ≤ e π dθ = p e−u du.
π 0 π 0 2ν(1 − ν)n 0
R ∞ −u2 √ π √ 1
Reconnaissant l’intégrale de Gauss −∞ e du = π, on trouve an j ≤
√ ≤ √ 2 . Par ailleurs |an
j | ≤ 1.
8 ν(1−ν)n ν(1−ν)n
On peut utiliser ce principe pour estimer la différence entre le schéma explicite et le schéma implicite. Partons de un
h solution du
n solution du schéma implicite
schéma explicite (4.25) et de vh
 n+1
 vh n
− vh n+1
= Ah vh , n ≥ 0, (4.30)
 0 ∆t
vh = Πh u0 ,
que l’on récrit comme un schéma explicite avec un reste
 n+1
 vh n
− vh n n
= Ah vh + rh , n ≥ 0, (4.31)
 0
∆t
vh = Πh u0 ,
où
n n+1 n
rh = Ah vh − vh = τ (h)Ah sn
h (4.32)
et
n+1 ∆t
sn
h = νAh vh , ν= . (4.33)
τ (h)
Lemme 20. Supposons la condition CFL vérifiée sous la forme ν < 1. Alors il existe une constante C telle que
n
p
kvh − un h k ≤ C kAh Πh u0 k T τ (h), n∆t ≤ T.
Cela établit que la différence entre le schéma explicite et le schéma implicite tend vers 0 avec h. Il faut cependant s’assurer d’une
estimation naturelle annexe kAh Πh u0 k ≤ C ′ qu’il faut en pratique vérifier en utilisant la condition initiale et les propriétés du
schéma numérique.
n −n 0 n = (I + ∆tA )−n A v 0 . Le schéma implicite étant stable, on a
Démonstration. On an vh =′′ (I
h + ∆tA
h) vh d’où Ah vh h h h h
immédiatement Ah v ≤ C Ah v0 = C ′′ kAh Πh u0 k où C ′′ est la constante de stabilité. Pour ν ≤ 1, on obtient
h h

n+1
ksn h k = νAh vh ≤ C ′′ kAh Πh u0 k ce qui définit S = C ′′ kAh Πh u0 k .
La preuve est terminée par application du principe de comparaison (4.28).
L’extension au schéma semi-discret est immédiate.

Lemme 21. Supposons la condition CFL vérifiée sous la forme ν < 1. Alors il existe une constante C telle que la différence entre
le schéma semi-discret et le schéma est explicite est majorée par
p
kvh (n∆t) − un h k ≤ C kAh Πh u0 k T τ (h), n∆t ≤ T.
n = v (n∆t) de sorte que (4.31) est satisfait avec r n = h v (tn+1 )−vh (tn )
Démonstration. Posons vh h h ∆t
− Ah vh (tn ) = τ (h)Ah sn
h et
Z tn+1
1 v h (s) − vh n)
(t
sn
h = ν ds.
∆t tn ∆t
d
Sous la condition que Ah Πh u0 est borné indépendamment de h, on obtient une estimation uniforme de la dérivée dt vh (s) grâce à

vh (s)−vh (tn ) ′′′ kA Π u k ce qui implique une majoration uniforme de sn .
la définition (4.23) et à la stabilité (4.24). D’où ∆t ≤ C h h 0 h
Cela termine la preuve.
4.1.8 Caractérisation spectrale de la stabilité

Pour une méthode de Différences Finies l’opérateur d’interpolation est naturellement défini par les valeurs aux
points de grille. Cela garantit également la consistance. Aussi la difficulté est souvent de montrer la stabilité.
Une approche efficace quand elle peut être menée consiste à passer par l’étude du spectre (des valeurs propres)
de l’opérateur d’itération. C’est la stabilité au sens de von Neumann, la référence initiale trouvant dans [7].
Le schéma général s’écrit
un+1
h = Jh,∆t unh . (4.34)
L’opérateur d’itération Jh,∆t est égal par exemple à Ih +∆tAh pour le schéma d’Euler explicite, à (Ih − ∆tAh )−1
−1
pour le d’Euler schéma implicite et à Ih − 21 ∆tAh Ih + 12 ∆tAh pour le schéma Cranck-Nicholson.
Pour simplifier on suppose que Vh est de dimension finie. Les valeurs propres de l’opérateur d’itération sont
notées λph ∈ C avec
Jh,∆t vhp = λph,∆t vhp , vhp 6= 0, 1 ≤ p ≤ dim(Vh ).
Le rayon spectral de Jh est
ρ(Jh,∆t ) = max |λph,∆t |.
p
Lemme 22 (Condition nécessaire de stabilité en dimension finie). Soit Jh,∆t un opérateur d’itération stable.
Alors il existe une constante C > 0 telle que ρ(Jh,∆t ) ≤ 1 + C∆t pour tout ∆t ∈ (0, 1] et tout h.
Si Jh,∆t est uniformément stable, alors ρ(Jh,∆t ) ≤ 1.
1
n n
Démonstration. On sait que ρ(Jh,∆t ) ≤ Jh,∆t . Partant d’un opérateur stable au sens de (4.16) on a
1 ′
ρ(Jh,∆t ) ≤ (K ′ ) n eL ∆t . D’où
1 ′ ′
ρ(Jh,∆t ) ≤ lim(K ′ ) n eL ∆t = eL ∆t ≤ 1 + C∆t
∞
pour une constante C > 0 bien choisie. Si l’opérateur est uniformément stable, L′ = 0 ce qui clôt la preuve.
La définition en dimension finie d’un opérateur normal est qu’il commute avec son opérateur adjoint. Aussi
l’opérateur Jh,∆t est normal ssi
∗ ∗
Jh,∆t Jh,∆t = Jh,∆t Jh,∆t .
Cette notion n’a de sens qu’au sein d’un espace de Hilbert car l’opérateur adjoint est défini grâce au produit
scalaire par
∗
(Jh,∆t uh , vh ) = (uh , Jh,∆t vh ), uh , vh ∈ Vh .
Pour une matrice M ∈ Rn×n , on dit que M est normale ssi M M t = M t M .
Lemme 23 (Condition suffisante pour les opérateurs normaux en dimension finie). Soit l’opérateur d’itération
Jh,∆t pour le schéma (4.34) posé dans un espace de Hilbert. Supposons que Jh,∆t est normal, et supposons que
ρ(Jh,∆t ) ≤ 1 pour tout h, ∆t. Alors le schéma est unitairement stable.
Démonstration. Pour un opérateur normal en dimension finie on sait que kJh,∆t k = ρ(Jh,∆t ). Voir [11]. D’où le
résultat.
4.1.9 Schéma de splitting

Les méthodes de Splitting se rencontrent lors de l’implémentation effective de méthodes numériques. Elles ont été évoquées pour
la méthode de différences finies en dimension deux lors de l’énoncé du principe 6.
Nous considèrerons le problème abstrait
∂t u = Au + Bu (4.35)
dont le second membre est splitté (i.e. décomposé) en la somme de deux termes.
Exemple 3 (Splitting directionnel). Cela correspond aux situations où A est un opérateur aux dérivées partielles dans la direction
x, et B est un opérateur aux dérivées partielles dans la direction y. Par exemple
∂t u = a∂x u − ∂xx u + b∂y u − ∂y (D(x, y)∂y u (4.36)
| {z } | {z }
=Au =Bu
où D ≥ 0 est un coefficient de diffusion a priori borné et régulier.
Nous considérons tout d’abord le schéma explicite


n+ 1

 u 2 − un

 h h
= A h un
h,
∆t (4.37)
 n+1 n+ 1
 u 2
 h − uh
 n+ 1
= Bh uh 2 .
∆t
Les deux étapes sont explicites par simplicité, mais peuvent être remplacées par des discrétisations implicites. La forme explicite
est
un+1
h = J h un
h avec Jh = (Ih + ∆tBh )(Ih + ∆tAh ).
Que peut-on dire en terme de stabilité ?
Lemme 24. Supposons que les opérateurs d’itération sont stables au sens où il existe K ′′ , L′′ tels que
′′ n∆t ′′ n∆t
k(Ih + ∆tAh )n k ≤ K ′′ eL et k(Ih + ∆tBh )n k ≤ K ′′ eL .
Alors
4.2. APPLICATIONS 53
— soit Ah et Bh commutent, auquel cas l’opérateur d’itération Jh est stable

′′
kJhn k ≤ K ′′ e2L n∆t
.
— soit Ah et Bh sont unitairement stables (K ′′ = 1 et L′′ = 0), auquel cas l’opérateur d’itération Jh est aussi unitairement
stable.
Démonstration. Evident.
La situation vraiment intéressante correspond au cas unitairement stable car elle se rencontre souvent dans les applications qui
sont dominées par le transport et la diffusion.
Exercice 11. Proposer pour l’exemple (4.36) un splitting directionnel par schéma explicite unitairement stable.
On peut déterminer une condition CFL de stabilité unitaire pour l’opérateur non splitté Ih + ∆t (Ah + Bh ).
Proposition 10. Supposons que Ih + ∆tAh et Ih + ∆tBh sont chacun unitairement stable sous une condition CFL égale respec-
tivement à τA (h) et τB (h). Alors le schéma non splitté est unitairement stable sous la condition CFL
τA (h)τB (h)
∆t ≤ τA+B (h) = .
τA (h) + τB (h)
Démonstration. On a la décomposition

∆t ∆t
Ih + ∆t (Ah + Bh ) = α Ih + Ah + (1 − α) Ih + Bh 0 < α < 1.
α 1−α
∆t ∆t
Si α
≤ τA (h) et α
≤ τB (h), alors kIh + ∆t (Ah + Bh ) k ≤ 1. Cela fait apparaitre une condition de stabilité
∆t ≤ min (ατA (h), (1 − α)τB (h))
dans laquelle α est une valeur arbitraire que l’on peut choisir pour maximiser le terme à droite de l’inégalité, ce qui permettra de
τB (h)
prendre un grand pas de temps. La valeur optimale correspond à ατA (h) = (1 − α)τB (h) dont la solution est α = τ (h)+τ (h)
. On
A B
τA (h)τB (h)
trouve τA+B (h) = ατA (h) = τA (h)+τB (h)
ce qui termine la preuve.
Proposition 11. Supposons qu’il existe un opérateur d’interpolation commun Πh et un espace dense commun X tels que les
opérateurs Ah et Bh sont tous deux consistants (avec A et B respectivement). Alors Ah + Bh est consistant avec A + B.
Démonstration. Considérons pour simplifier le critère de consistance stationnaire (4.7). On a pour u ∈ X

k(Ah + Bh )Πh u − (A + B)uk ≤ kAh Πh u − Auk + kBh Πh u − Buk
grâce à l’inégalité triangulaire. D’où le résultat.
4.2 Applications
On illustre l’utilisation des différents concepts de consistance et stabilité à partir de quelques exemples.
4.2.1 Schéma décentré en dimension un

Soit le schéma numérique décentré (2.3) pour l’advection en dimension d = 1, la vitesse d’advection étant
positive a > 0. La condition initiale est x 7→ u0 (x). Soit h = ∆x > 0 le pas constant du maillage en espace.
∆x
xj−1 xj xj+1
Figure 4.1 – Maillage Différences Finies à pas constant.

Soit unh = unj j∈Z
∈ RZ la solution numérique au temps tn = n∆t. Le schéma (2.3) se récrit
un+1
h = (Ih + ∆tAh ) unh ,
où Ih est l’identité de RZ et Ah : RZ → RZ est l’opérateur défini par

unj − unj−1
Ah u = (wj ) avec wj = −a .
∆x
Montrer la convergence consiste in fine à comparer unh et vhn = Πh u(tn ), mais aussi à choisir l’espace fonctionnel
et la norme pour lesquels la convergence va être étudiée. L’approche la plus simple, quand elle est possible,
consiste à mener cette étude dans un espace de fonctions bornée. Aussi nous prendrons ici

∞
V = L (R) et Vh = vh = (vj )j∈Z , sup |vj | < ∞ = l∞ .
j
On écrira indistinctement kvh k = kvh k∞ = kvh kL∞ (R) . L’opérateur d’interpolation Πh : C ∞ (R) → Vh est
Πh (u) = (u(xj ))j∈Z , xj = j∆x.
On sait grâce à (2.4) que le schéma est stable sous CFL avec
h ∆x
kIh + ∆tAh k ≤ 1 pour ∆t ≤ τ (h) = = .
a a
On note vhn = Πh u(tn ).
Soit l’erreur numérique enh = vhn − unh qui est solution du processus itératif
en+1 − enh
h
= Ah enh + rhn avec la donnée initiale e0h = 0.
∆t

Le terme source est l’erreur de troncature rhn = rjn avec
vjn+1 − vjn vjn − vj−1

n
rjn = +a .
∆t ∆x
Pour continuer l’analyse nous supposons ici que la donnée initiale est suffisamment régulière, u0 ∈ W 2,∞ (R).
On a par un développement de Taylor
n 1
vjn+1 = vjn + ∆t∂t u (tn , xj ) + ∆t2 k∂t2 uk∞ αnj , αj ≤ , (4.38)
2
et
n 1
n
vj−1 = vjn − ∆x∂x u (tn , xj ) + ∆x2 k∂x2 uk∞ βjn , βj ≤ . (4.39)
2
On obtient
rjn = ∂t u (n∆t, j∆x) + (∆tk∂t uk∞ ) αnj + a∂x u (n∆t, j∆x) + a ∆xk∂x2 uk∞ βjn

= (∆tk∂t uk∞ ) αnj + a ∆xk∂x2 uk∞ βjn .
Notons que k∂t2 uk∞ = a2 k∂x2 u0 k∞ et k∂x2 uk∞ = k∂x2 u0 k∞ . D’où
n
rj ≤ a ∆xαnj + a∆tβjn k∂x2 u0 k∞ .
∆x
Or la condition CFL implique que le pas de temps est borné par le pas d’espace sous la forme ∆t ≤ a . Cela
implique que
krhn k∞ ≤ a∆xk∂x2 u0 k∞ . (4.40)
On dira que le schéma est consistant à l’ordre 1 en O(∆x) dans L∞ .
On obtient le résultat de convergence.
Lemme 25. Supposons que u0 ∈ W 2,∞ (R). Supposons la condition CFL satisfaite. Soit T > 0 donné. Alors
pour tout n tel que tn = n∆t ≤ T , on a l’estimation d’erreur
kenh k∞ ≤ k∂x2 u0 k∞ (aT ∆x). (4.41)
Le schéma converge à l’ordre un en espace (et en temps).
Démonstration. La preuve est ne fait que reprendre la démonstration du théorème de Lax. On a en+1 h =
(Ih + ∆tAh ) enh + ∆trhn . Donc ken+1
h k ∞ ≤ k (Ih + ∆tA h ) e n
k
h ∞ + ∆tkr n
h ∞k . Or la stabilité fait que kIh +
∆tAh k∞ ≤ 1. Donc ken+1 h k∞ ≤ kenh k∞ + ∆tkrhn k∞ . Comme e0 = 0, on obtient finalement que ken k∞ ≤
Pn−1
∆t p=0 krp k∞ . Le résultat est démontré grâce à (4.40).
4.2.2 Donnée moins régulière et ordre de convergence fractionnaire

Une question intéressante est de déterminer un ordre de convergence pour la solution numérique du schéma
upwind (2.3) avec une donnée moins dérivable, par exemple u0 ∈ W 1,∞ (R). Nos verrons que le prix à payer sera
que l’ordre de convergence est sous-linéaire.
u0
-2 0 2 4 6 x
Figure 4.2 – Exemple d’une donnée initiale u0 ∈ W 1,∞ (R) pour laquelle le résultat de convergence d’ordre
fractionnaire s’applique : u0 (x) = mink∈Z |x − 2k|. Cette fonction est par ailleurs 2-périodique.
Définition 14 (Régularisation). Soit ϕ ∈ W01,∞ (R) une fonction positive ou nulle, de dérivée bornée, à support
compact 5 et telle que Z
ϕ(z)dz = 1.
R
Pour une fonction donnée w ∈ W 1,∞ (R), nous définissons la fonction régularisée par convolution
Z
1 x−y
wε (x) = ϕ w(y)dy. (4.43)
ε R ε
Lemme 26. On a les inégalités

R
|ϕ′ (z)|dz ′
kwε k∞ ≤ kwk∞ , kwε′ k∞ ≤ kw′ k∞ , kwε′′ k∞ ≤ kw k∞ , (4.44)
ε
et Z
kwε − wk∞ ≤ ε ϕ(z)|z|dzk∂x wk∞ . (4.45)
5. On peut prendre par exemple
ϕ(z) = 1 − |z| pour |z| ≤ 1, et ϕ(z) = 0 pour |z| ≥ 1. (4.42)
Démonstration. Cela est standard [6]. A partir de la définition de w ε on a

Z
1 x−y
|w ε (x)| ≤ ϕ dy kwk∞ .
ε R ε
R R
Comme 1ε R ϕ x−y ε
dy = R ϕ(z)dz = 1, cela montre immédiatement que kw ε k∞ ≤ kwk∞ .
On a aussi l’inégalité Z Z
1 x−y 1 x−y
wε′ (x) = − 2 ϕ′ w(y)dy = ϕ w ′ (y)dy
ε R ε ε R ε
qui montre que kwε′ k∞ ≤ kw ′ k∞ .
Considérons ensuite Z
1 x−y
wε′′ (x) = − 2 ϕ′ w ′ (y)dy
ε R ε
qui implique que Z R ′
′′ ′ x−y
wε (x) ≤ 1 ϕ dykw ′ k∞ = |ϕ (z)|dz kw ′ k∞ .
2
ε R ε ε
Il reste à montrer (4.45). Or on a par construction
Z
1 x−y
wε (x) − w(x) = ϕ (w(y) − w(x)) dy
ε R ε
d’où l’on tire Z Z
1 x−y
|wε (x) − w(x)| ≤ ϕ |x − y|dy kw ′ k∞ = ε ϕ(z)|z|dz kw ′ k∞ .
ε R ε
Cela termine la preuve.
On peut alors montrer le résultat suivant pour le schéma (2.3).

Lemme 27 (Convergence à l’ordre 12 ). Soit une donnée initiale u0 ∈ W 1,∞ (R). Supposons la condition CFL
satisfaite. Soit T > 0 un temps final donné. Alors pour tout tn = n∆t ≤ T , on a l’estimation
4 √
kenh k∞ ≤ √ k∂x u0 k∞ aT ∆x.
3
Démonstration. On commence par régulariser la donnée initiale
Z
1 x−y
u0,ε (x) = ϕ u0 (y)dy.
ε R ε

La solution numérique découlant de cette donnée initiale est notée un
ε,h = uε,j
n avec
j∈Z
 n+1
 uε,h − un
ε,h
= Ah un
ε,h ,
 ∆t
un
ε,j = u0,ε (j∆x).
On a l’inégalité triangulaire
ken n n n n n n n n
h k∞ = kvh − uh k∞ ≤ kvh − vε,h k∞ + kvε,h − uε,h k∞ + kuε,h − uh k∞ , (4.46)
où n
vh = (u(n∆t, j∆x))j∈Z et n
vε,h = (uε (n∆t, j∆x))j∈Z .
La stabilité du schéma montre que le troisième terme est borné par kun n 0 0
ε,h − uh k∞ ≤ kuε,h − uh k∞ ≤ ku0,ε − u0 k∞ .
Comme la régularisation commute avec l’advection, on a pour le deuxième terme kvh n − vn k
R ε,h ∞ ≤ ku0,ε − u0 k∞ .
Il reste à estimer le deuxième terme. Grâce (4.44) on obtient ku0,ε − u0 k∞ ≤ ε ϕ(z)|z|dzku′0 k∞ . La dérivée seconde de la solution
régularisée peut se contrôler grâce à (4.44). Aussi, utilisant (4.41) on trouve
R ′
n |ϕ (z)|dz ′
kvε,h − unε,h k∞ ≤ ku0 k∞ (aT ∆x).
ε
Après insertion dans (4.46) on obtient
Z R ′
|ϕ (z)|dz
ken
h k∞ ≤ 2ε ϕ(z)|z|dz + aT ∆x ku′0 k∞ .
ε
R 1
aT ∆x
R |ϕ′ (z)|dz 2
Il reste à choisir la valeur optimale de ε qui est celle qui permet de minimiser le résultat : on prend ε = 2 ϕ(z)|z|dz
.
Finalement
Z Z 1
2
′
kenh k∞ ≤ 2 2aT ∆x |ϕ (z)|dz × ϕ(z)|z|dz ku′0 k∞ .
R R
Pour le noyau (4.42) on a |ϕ′ (z)|dz × ϕ(z)|z|dz = 32 . Le reste de la preuve est évident.
4.2.3 Maillage non uniforme

Enfin nous considérons l’équation d’advection ∂t u + a∂x u = 0 discrétisée en dimension d = 1 avec le schéma
upwind (2.3) sur un maillage non uniforme par le schéma (2.16). Cet exemple permet d’illustrer une difficulté
spécifique de l’analyse numérique des schémas aux Différences Finies et aux Volumes Finis sur maillage non
uniforme. La difficulté sera nettement plus conséquente en dimension supérieure, voir chapitre 5.
xj− 21
xj+ 12
xj−1 xj xj+1
∆xj−1 ∆xj ∆xj+1
Figure 4.3 – Maillage non uniforme en 1D. Ici ∆xj−1 6= ∆xj 6= ∆xj+1 . Les centres des mailles sont d’indice
entier. Les bords de mailles sont d’indices demi-entier.
On commence par définir la finesse du maillage
h = sup ∆xj
j
où ∆xj = xj+ 12 −xj− 21 est la longueur de la maille d’indice j. Il s’agit ensuite de définir l’opérateur de projection
sur la maillage ce qui nécessite de définir préalablement les centres de mailles par
xj+ 21 − xj− 21
xj = , (4.47)
2
d’où une première définition naturelle de l’opérateur d’interpolation/projection Π1h : W 2,∞ (R) → Vh = l∞ par
Π1h (v) = (v(xj ))j∈Z .
Une deuxième définition possible de l’opérateur d’interpolation/projection, elle aussi naturelle, est fournie par
les valeurs moyennes  
Z x 1
1 j+
Π2h (v) =  v(x)dx
2
.
∆xj xj− 1
2 j∈Z
Proposition 12. L’erreur de consistance associée à Π1h ou Π2h ne tend pas vers zéro pour un maillage non
uniforme.
1
Démonstration. Commençons par évaluer l’erreur
de consistance pour Πh à partir de l’un des deux critères (4.7)
ou (4.11) au choix. Pour (4.11) on a rhn = rjn j∈Z avec
vjn+1 − vjn vjn − vj−1

n
rjn = +a − ∂t u(tn , xj ) − a∂x u(tn , xj ).
∆t ∆xj
Reprenant (4.38-4.39) pour une fonction dont les dérivées secondes sont bornées, on a

xj − xj−1
rjn = − 1 a∂x u(tn , xj ) + O(∆t) + O(∆x). (4.48)
∆xj
x −x
Le terme principal disparait pour j ∆xj−1 j
= 1 pour tout j, ce qui revient in fine à considérer que le maillage
est uniforme : ∆xj = ∆xk = ∆x pour tout j, k.
Cependant pour un maillage non uniforme on a uniquement rhn = O(1) ce qui fait que cette erreur de consistance
de tend pas vers zéro.
Pour v ∈ W 2,∞ (R), on a Π1h v − Π2h v ∞ ≤ ∆x2 kv ′′ kL∞ (R) . Cette différence étant d’ordre deux en h, la résultat
est le même en partant de Π2h . La preuve est terminée.
Cette analyse montre d’une part que l’analyse numérique des schémas sur grille non uniforme est moins évident
que pour des grilles uniformes, et d’autre part que le critère de consistance (4.7) ou (4.11) dépend bien du
choix de l’opérateur d’interpolation Πh . Cependant on a bien la convergence à partir d’un autre opérateur
d’interpolation adapté au schéma. Soit Π3h : W 2,∞ (R) → Vh = l∞ défini par

Π3h (v) = v(xj+ 12 ) . (4.49)
j∈Z
On observe que le point d’interpolation est décentré sur le bord droit des mailles.
Proposition 13. L’erreur de consistance associée à Π3h tend vers zéro à l’ordre un pour une donnée suffisam-
ment régulière et pour tout maillage.
Π3h u(tn+1 )−Π3h u(tn )
Démonstration. On part de l’erreur de consistance définie par (4.14). Pour rhn = ∆t − Ah unh −
Π3h (∂t u − Au(tn )) on a
u(tn+1 , xj+ 12 ) − u(tn , xj+ 21 ) u(tn , xj+ 21 ) − u(tn , xj− 21 )

rjn = +a − ∂t u(tn , xj+ 21 ) − a∂x u(tn , xj+ 12 ).
∆t ∆xj
Reprenant (4.38-4.39) pour une fonction dont les dérivées secondes sont bornées, on a

n
xj+ 12 − xj− 21
rj = − 1 a∂x u(tn , xj ) + O(∆t) + O(∆xj ) = O(∆t) + O(∆x)
∆xj
car xj+ 12 − xj− 12 = ∆xj . Cela termine la preuve.
Lemme 28. Soit le schéma (2.16) avec l’initialisation u0h = Π3h u0 pour une donnée initiale u0 ∈ W 2,∞ (R).
Supposons la condition CFL satisfaite. Alors
kΠ3h u(tn ) − unh k∞ ≤ aT ku′′0 k∞ h, n∆t ≤ T. (4.50)
Pour une donnée initiale moins régulière u0 ∈ W 1,∞ (R), on a l’ordre de convergence fractionnaire moitié
4 √
kΠ3h u(tn ) − unh k∞ ≤ √ ||u′0 ||∞ × aT h, n∆t ≤ T. (4.51)
3
Démonstration. Il s’agit de la même preuve que pour le lemme 25, à partir de l’erreur d’interpolation associée
à Π3h .
Chapitre 5
Analyse numérique des Volumes Finis
Les méthodes de Volumes Finis sur maillage non structurés sont à la base des codes de CFD (Computational
Fluid Dynamics) et de résolution de systèmes hyperboliques non linéaires pour lesquels l’objectif est le calcul
précis de solutions très peu régulières voire même discontinues (les discontinuités et les ondes de chocs). Le
calcul de transport et diffusion en milieux poreux sont eux aussi très demandeurs en méthodes de Volumes
Finis.
L’analyse numérique des méthodes de Volumes Finis met en évidence deux propriétés fortes qui sont d’une part
la stabilité et le principe du maximum et d’autre part une structure de données simple. Cela explique l’intérêt
fort de ces méthodes en calcul scientifique et ingénierie numérique.
Cependant la convergence avec le pas du maillage apparaı̂t nettement plus délicate à analyser. On verra qu’il
est cependant possible de montrer par exemple la convergence à l’ordre 12 pour le transport de données BV
ce qui est représentatif de la convergence des méthodes de Volumes Finis pour des données peu régulières. La
difficulté principale est qu’il faudra obtenir ces résultats sans passer par la consistance au sens des Différences
Finies, c’est à dire sans utiliser la méthode de régularisation de la preuve du lemme 27.
5.1 Equation d’advection

Le problème modèle est
∂t u + a · ∇u = 0, x ∈ Ω, t > 0,
(5.1)
u(0, x) = u0 (x), x ∈ Ω,
dans un domaine Ω que l’on prend sans bord pour simplifier les notations. Par exemple on pourra considérer
soit que Ω = R2 soit que Ω = T = [0, 1] × [0, 1] est le tore (carré académique périodique) : on peut identifier
x + 1 = x et y + 1 = y.
Nous considérons ici un champ de vitesse éventuellement non constant, mais régulier a ∈ C 1 (Ω) et à divergence
nulle
∇ · a = 0.
On utilise les notations générales de la section 2.2.2. On pose
Z
1
ajk = a(x) · njk (x)dσ
ljk Σjk
qui est la valeur moyenne de a après produit scalaire contre la normale extérieure. Pour simplifier un peu les
notations, on définit
I + (j) = {k tels que ajk > 0} et I − (j) = {k tels que ajk < 0}
et on utilisera la convention de notation
k ± au lieu et place de de k ∈ I ± (j).
59
60 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
On utilise aussi la notation

mjk = ljk |ajk | ∀j, k..
Un schéma de Volumes Finis qui généralise (2.35) s’écrit
un+1
j − unj X X
sj + mjk unj − mjk unk = 0. (5.2)
∆t + k − k
En dimension d = 2 on peut évaluer la valeur numérique des ajk sans difficulté.
−
A+
jk = Ajl
tjk = (−β, α)
Maille l
njk = (α, β)
A+
jl Maille j
Maille k
A−
jk
Figure 5.1 – Orientation des interfaces
En effet on peut supposer que a est le rotationnel d’un potentiel scalaire donné q ∈ C 2 (Ω)
a = ∇ ∧ q = (−∂x2 q, ∂x1 q) .
Par construction ∇ · a = ∂x1 (−∂x2 q) + ∂x2 (∂x1 q) = 0. Posons n = (α, β) et t = (−β, α) : alors
Z Z Z Z
1 1 1 1 ∂q
ajk = ∇ ∧ q · njk dσ = (−∂x2 q α + ∂x1 q β) dσ = − ∇q · t dσ = − dσ,
ljk Σjk ljk Σjk ljk Σjk ljk Σjk ∂t
ou encore
q Ajk− − q Ajk+
ajk = .
ljk
Par convention (A− +

jk , Ajk ) sont orientés dans le sens des aiguilles d’une montre sur le bord Σjk . On a par ailleurs
que A− +
jk = Akj .
P
Lemme 29. On a l’égalité k ljk ajk = 0.

P P q(Ajk− )−q(Ajk+ ) P
Démonstration. En effet k ljk ajk = k ljk ljk = k Ajk− − Ajk+ = 0 pour tout contour
P R R
fermé. On peut aussi utiliser la condition de divergence nulle k ljk ajk = ∂Ωj a · nj dσ = Ωj ∇ · a dx = 0.
P P
Lemme 30. On a k+ mjk = k− mjk .
Immédiat à partir de la définition de mjk du lemme 29.

5.1. EQUATION D’ADVECTION 61
5.1.1 Analyse de la condition de stabilité

Le schéma (5.2) peut se mettre sous la forme explicite
!
∆t X ∆t X
un+1
j = 1− mjk unj + mjk unk . (5.3)
sj − sj −
k k
Lemme 31. Supposons que le pas de temps satisfasse à l’inégalité de stabilité (condition CFL)
∆t X
mjk ≤ 1, ∀j. (5.4)
sj −
k
Alors la solution numérique vérifie le principe du maximum
inf (unk ) ≤ un+1

j ≤ sup (unk ) . (5.5)
k k
Démonstration. Soit m = inf k unk le minimum de la solution numérique au temps tn . Nous allons commencer
par montrer que m ≤ un+1
j pour toute maille j. On a
!
∆t X ∆t X
un+1
j −m= 1− mjk (unj − m) + mjk (unk − m).
sj − sj −
k k
∆t P ∆t P
Les coefficients 1 − sj k− mjk et sj k− mjk sont positifs ou nuls et leur somme fait 1. Donc un+1
j − m est
une combinaison convexe, c’est à dire une moyenne, des unk . Donc m ≤ un+1j pour tout j.
Une inégalité similaire se démontre pour la borne supérieure M = supk unk . Cela termine la preuve.
Soit plus généralement une fonction convexe u 7→ ϕ(u)
ϕ (θu1 + (1 − θ)u2 ) ≤ θϕ (u1 ) + (1 − θ)ϕ (u2 )
pour tous u1 et u2 et pour tout θ ∈ [0, 1].

Lemme 32. Supposons la condition CFL (5.4) satisfaite. On a l’inégalité
X X
sj ϕ un+1
j ≤ sj ϕ unj . (5.6)
j j
P P
Démonstration.PComme ϕ est convexe, on a plus l’inégalité ϕ ( θi ui ) ≤ θi ϕ (ui ) sous les conditions θi ≥ 0
pour tout i et θi = 1. Donc
!
n+1
∆t X ∆t X
ϕ uj ≤ 1− mjk ϕ unj + mjk ϕ (unk ) .
sj − sj −
k k
Sommons sur tout le maillage

X X X X ∆t mjk X X ∆t mjk
ϕ un+1
j ≤ ϕ unj − ϕ unj + ϕ (unk ) .
s j s j
j j − − j k j k
On a
X X ∆t mjk X X ∆t mjk
ϕ unj = ϕ unj
j
sj j
sj
k− k, ajk >0
et
ϕ (unk ) = ϕ (unk ) .
j
sj j
sj
k− k, ajk <0
Or on a l’égalité
ϕ unj = ϕ (unk ) .
j
sj j
sj
k, ajk >0 k, ajk <0
Le reste de la preuve est évident.

Remarque 6. Dans le cas où le maillage est infini ce qui correspond par exemple à Ω = R2 , il faut cependant
justifier la convergence et la permutation des sommes infinies dans la preuve de (5.6). C’est bien le cas si
ϕ(0) = 0 et la solution numérique est à support compact. Cela couvre les cas particuliers étudiés ci-dessous.
Pour un maillage fini, cette difficulté n’a pas lieu.
Lemme 33. Le schéma de Volumes Finis (5.2) est stable dans tous les Lp sous la même condition (5.4). Plus
précisément
kun+1 kpLp (Ω) ≤ kun kpLp (Ω) 1 ≤ p ≤ ∞. (5.7)
Démonstration. Tout d’abord on considère 1 ≤ p < ∞. La fonction ϕ(u) = |u|p étant convexe, on peut appliquer
l’inégalité précédente. D’où le résultat. Le cas p = ∞ est une conséquence du principe du maximum (5.5).
Cependant l’inégalité 32 permet de dériver aussi le principe du maximum, ce qui fournit une deuxième démonstration
de la stabilité dans L∞ .
ϕ(u)
ϕ− (u) ϕ+ (u)
M u
m
| {z }
un
j
Figure 5.2 – ϕ− et ϕ+
On pose m = mink unk et M = maxk unk . Soit la fonction

m−u pour u ≤ m,
ϕ− (u) =
0 pour m ≤ u.
Cette fonction ϕ− est continue, convexe et ϕ− (0) = 0. L’inégalité (32) implique que
X
sj ϕ− un+1
j ≤ 0.
j
n+1

Or ϕ− ≥ 0. Donc ϕ− uj = 0 pour tout j, ce qui montre que m ≤ un+1j pour tout j.
n+1
Pour montrer que uj ≤ M , nous considérons une deuxième fonction convexe

0 pour u ≤ M,
ϕ+ (u) =
u − M pour M ≤ u.
Un raisonnement similaire montre que un+1 j ≤ M pour tout j.

A présent nous interprétons géométriquement la condition de CFL. Le membre de droite de
sj
∆t ≤ P ∀j, (5.8)
k+ mjk
dépend de la structure locale du maillage. Il importe de s’assurer que ce terme n’est pas excessivement petit,
d’augmenter les temps de calcul dans des proportions excessives. Pour simplifier l’analyse on considère que
a ∈ R2 est constant en espace. (5.9)
A lj
B
lj
Maille j
E
G C
lj
a
F
Figure 5.3 – Largeur apparente d’une maille
Nous définissons lj la largeur apparente de la maille Ωj comme la dimension de cette maille vue par un obser-
vateur à l’infini dans la direction a.
Lemme 34. Supposons les mailles convexes. Alors l’inégalité de stabilité se récrit
sj
∆t ≤ (5.10)
|a|lj
où lj est la longueur apparente comme sur la figure 5.3.
Démonstration. Nos montrons cette propriété sur l’exemple de la maille pentagonale Ωj de sommets ABCDE
de la figure 5.3.
On construit une maille plus grande Ωj ′ avec Ωj ⊂ Ωj ′ : ses sommets sont ABCF G, les segments AG et CF
étant parallèles au vecteur a. Comme Ωj est convexe par hypothèse et que a est constant, les bords sortants
k ∈ I + (j) (i.e. AB et BC sur la figure) forment une ligne brisée connexe. De la même manière les bords entrants
k ∈ I − (j) (i.e. CD, DE et EA sur la figure) forment une ligne brisée connexe. Les bords sortants de Ωj ′ sont
les mêmes que ceux de Ω, ce que l’on peut noter par
I + (j) = I + (j ′ ).
Alors X X X
mjk = mjk = mjk = |a|lj .
k∈I + (j) k∈I + (j ′ ) k∈I − (j ′ )
Or AG et CF sont parallèle à a, donc ils ne contribuent pas. La preuve est terminée.

P P
Remarque 7. En revanche k+ mjk = k− mjk > |a|lj est tout à fait possible pour une maille non convexe.
Dans ce cas le pas de temps est plus restreint que pour (5.10).
Soit à présent une maille Ωj convexe : on définit rj− le plus grand rayon des cercles internes et rj+ le plus petit
rayon des cercles externes. On a
diam(Ωj ) ≤ 2rj+ .
Pour un triangle rj− est le rayon du cercle inscrit, et rj+ est le rayon du cercle circonscrit.
Lemme 35. Soit une maille convexe. Alors une condition suffisante pour obtenir (5.8) est que
π(rj− )2
∆t ≤ . (5.11)
2|a|rj+
Démonstration. Par définition sj ≥ π(rj− )2 et lj ≤ 2rj+ . Aussi (5.10) est une conséquence de (5.11).
Définition 15. On définit le facteur de qualité, aussi appelé rapport d’aspect, du maillage
!
rj+
Q = sup ≥ 1,
j rj−
et la longueur caractéristique du maillage

h = sup (diam(Ωj )) .
j
La définition de h est une alternative possible à une définition similaire (2.28).

Avec ces notations, la condition sur le pas de temps (5.11) est vérifiée dès que
2
Q ∆t
|a| ≤ 1. (5.12)
π h
Pour un calcul sur ordinateur, on a toujours intérêt à utiliser le plus grand pas de temps possible. Le pas du
maillage h est le plus souvent dicté par la précision souhaitée. En revanche Q est donné par la structure du
maillage. De ce point de vue l’intérêt pratique dicte d’utiliser un maillage avec une constante Q la plus petite
possible.
Définition 16. Une suite de maillages indicés par n et de longueur caractéristique hn avec hn → 0 pour n → ∞
est dite régulière si
1 ≤ Qn ≤ C, ∀n.
Les preuves de convergence utilisent une telle hypothèse de régularité de maillage. Il faut noter que la situation
est identique pour la théorie de convergence des méthodes d’éléments finis [8].
5.1.2 Approximation, erreur de projection initiale et inégalité de Poincaré-Wirtinger

On démontre quelques inégalités d’interpolation de base qui utiles pour l’analyse numérique générale des
méthodes de Volumes Finis, et en particulier pour caractériser l’erreur d’approximation ku0 − Πh u0 kLp (Ω) de la
donnée initiale à la toute première itération.
La première inégalité, lemme 36, est un résultat classique qui mesure l’erreur de projection en moyenne. La
deuxième inégalité, lemme 38, est tout aussi classique. Elle mesure l’erreur entre la valeur moyenne dans les
mailles par rapport à la valeur moyenne sur les segments aux interfaces des mailles.
Les mailles en dimension deux d’espace sont supposées convexes. La longueur caractéristique du maillage h est
par définition plus grandes que tous les bords de mailles. Le maillage est pris régulier. Enfin le nombre de voisins
est borné par une constante indépendante de h.
Lemme 36 (Inégalité de type Poincaré-Wirtinger). Soit Πh l’opérateur de projection en moyenne. Alors il
existe une constante C > 0 telle que
ku − Πh ukLp(Ω) ≤ Chk∇ukLp(Ω) (5.13)
pour tout u ∈ W 1,p (Ω).
Démonstration. L’inégalité (5.13) ne fait que préciser la dépendance par rapport au maillage de la constante de
l’inégalité de Poincaré-Wirtinger dans Lp (Ω).
Le cas p = ∞ est évident aussi on considère 1 ≤ p < ∞. On a
p Z p
p
XZ
1
Z
X 1 Z

ku − Πh ukLp(Ω) = u(x) − u(y)dy dx = (u(x) − u(y))dy dx.
j x∈Ωj sj y∈Ωj spj x∈Ωj y∈Ωj j

R R p1 1
1 1 p
L’inégalité de Hölder pour p + q = 1 implique y∈Ωj (u(x) − u(y))dy ≤ y∈Ωj |u(x) − u(y)| dy sjq . D’où
X 1 Z Z
ku − Πh ukpLp (Ω) ≤ |u(x) − u(y)|p dxdy. (5.14)
j
s j x∈Ωj y∈Ωj
R1 R1 p
Or u(x) − u(y) = 0 ∇u (tx + (1 − t)y) dt · (x − y) d’où l’on tire |u(x) − u(y)|p ≤ hp 0 |∇u (tx + (1 − t)y)| dt.
Il s’ensuit que
Z Z Z Z Z 1
p
|u(x) − u(y)|p dxdy ≤ hp |∇u (tx + (1 − t)y)| dtdxdy
x∈Ωj y∈Ωj x∈Ωj y∈Ωj 0
puis en utilisant un principe de symétrie

Z Z Z Z Z !
1
p p p
|u(x) − u(y)| dxdy ≤ 2h |∇u (tx + (1 − t)y)| dx dydt.
1
x∈Ωj y∈Ωj y∈Ωj 2 x∈Ωj
Le terme entre parenthèse s’évalue aisément grâce à un changement de variables. On pose z = tx + (1 − t)y,
pour t et y donnés. On remarque que z ∈ Ωj et que tdx = z ce qui implique que t2 dx = dz. On remarque
surtout que que la troncature en 12 < t < 1 dans les intégrales a permis d’éviter une singularité en t12 qui aurait
été catastrophique. Cette idée semble remonter à la démonstration initiale de Poincaré lui-même.
On a alors Z Z Z
p 1 p
|∇u (tx + (1 − t)y)| dx ≤ 2 |∇u (z)| dz ≤ 4 |∇u (x)|p dx
x∈Ωj t z∈Ωj x∈Ωj
qui est une majoration indépendant de t ∈ [0, 1] et y ∈ Ωj . Cela implique que

Z Z Z
p
|u(x) − u(y)|p dxdy ≤ 4sj hp |∇u (x)| .
x∈Ωj y∈Ωj x∈Ωj
Une insertion de cette inégalité dans (5.14) et une simplification donnent

1
ku − Πh ukLp(Ω) ≤ 4 p hk∇ukLp(Ω) .
La constante peut-être prise indépendant de p, soit C = 4. La preuve est terminée.
Soit u ∈ W 1,p (Ωj ), p ∈ [1, ∞]. On note uj la valeur moyenne dans la maille Ωj et ujk la valeur moyenne sur le
bord Σjk Z Z
1 1
uj = u(x)dx, ujk = u(x)dσ, ∀k.
sj Ωj ljk Σjk
Soit Aj une mesure de la différence dans une norme de type Lp
  p1
X
Aj = h ljk |ujk − uj |p  . (5.15)
k∈I(j)
Lemme 37. On a l’inégalité Aj ≤ Ch k∇ukLp (Ω) , où la constante C ne dépend pas de u ni des paramètres du
maillage.
Démonstration. On note Θ = Ωj , puis enlève les indices j pour plus de lisibilité. Soit
Z
1
v =u− u(x)dx
Θ Θ
dont la valeur moyenne est nulle dans Θ. En considérant que le bord de Θ est constitué d’un nombre fini de segments de droites de
longueur lk , on a (par exemple en utilisant la convexité de la fonction v 7→ |v|p )
X Z
lk |vk |p ≤ |v(x)|p dσ (5.16)
k ∂Θ
où les vk sont les valeurs moyennes de v sur chacun des segments.
ω
O x
y
n
Figure 5.4 – Disque ω à l’intérieur d’une maille convexe Ω polygonale. On a bien (x − y, n(x)) ≥ 0 pour tout
x ∈ ∂Ω et tout y ∈ ω.
Un peu de géométrie : à une translation près, on peut toujours supposer que l’origine appartient à Ω qui est convexe par hypothèse,
et que l’origine est centre d’un disque ω ⊂ Ω de rayon r − . Notons que pour des maillages réguliers, ce rayon minimum est borné
inférieurement par r − ≥ ch, c > 0 indépendant de h. La maille Θ étant convexe, on a que
(x − y, n(x)) ≥ 0, ∀x ∈ ∂Θ et ∀y ∈ Θ.
Soit y = chn(x) ∈ ω. Alors on a une inégalité géométrique
(x, n(x)) ≥ ch, ∀x ∈ ∂Θ. (5.17)
R R
Soit alors le champ de vecteurs y(x) = |v(x)|p x pour lequel on peut utiliser la formule de Stokes ∂Θ (y, n) dσ = Θ ∇ · ydx, ou
encore Z Z

(x, n) |v(x)|p dσ = 2|v(x)|p + p|v(x)|p−1 signe(v(x)) (∇v(x), x) dx
∂Θ Θ
Donc Z Z
ch |v(x)|p dσ ≤ 2 kvkpLp (Θ) + hp |v(x)|p−1 |∇v|dx.
∂Θ Θ
Or l’inégalité de Hölder pour |v(x)|p−1 ∈ Lq (Θ) et |∇v| ∈ Lp (Θ) indique que
Z p
|v|p−1 |∇v|dx ≤ kvkLq p (Θ) k|∇v||kLp (Θ) .
Θ
L’inégalité (5.13) appliqué à v dans Θ montre que kvkLp (Ω) ≤ Chk∇vkLp (Ω) . D’où
Z p
ch |v(x)|p dσ ≤ 2C p hp + phh q k∇vkpLp (Ω) = (2C p + p) hp k∇vkpLp (Ω)
∂Θ
puis en reprenant (5.13)
!1 1
X p
2C p + p p
p
h lk |vk | ≤ hk∇vkLp (Ω) .
k
c
1
b= 2C p +p p
Le résultat est démontré pour une constante C c
que l’on peut majorer indépendamment de p.
Soit  p
X
A= Apj  . (5.18)
j
Lemme 38. On a l’inégalité A ≤ Ch k∇ukLp (Ω) (évident).

5.1.3 Consistence des schémas de Volumes Finis pour l’advection

Nous allons plutôt montrer que la non consistance au sens des Différences Finies est la règle générale
pour l’équation d’advection. Cette non consistance formelle est la raison des difficultés d’analyse numérique
générées pas ces méthodes.
Nous partons du schéma de Volumes Finis pour un maillage général (5.2) ou (5.3). Pour analyser la consistance
au sens des Différences Finis, il faut définir un opérateur de projection Πh à partir de points xj . Ces points
peuvent être les centres de masses des mailles mais ce n’est pas obligatoire. Il apparait raisonnable de demander
que xj ∈ Ωj , mais ce n’est pas obligatoire non plus.
Soit u = u0 (x − at) une solution exacte pour la donnée initiale u0 ∈ W 2,∞ (R2 ). L’erreur de troncature est alors
vjn+1 − vjn 1 X 1 X vjn+1 − vjn 1 X

rjn = + n
mjk vj − n
mjk vk = − mjk vkn − vjn .
∆t sj + sj − ∆t sj −
k k k
où vjn , vjn+1 et les vkn sont les valeurs ponctuelles associées à des points xj que l’on a choisi préliminairement :
vjn = u(n∆t, xj ) pour tout j et tout n. Pour des fonctions régulières un développement de Taylor montre que
vjn+1 = vjn + ∂t u(n∆t, xj )∆t + O(∆t2 ) = vjn − a · ∇u(n∆t, xj )∆t + O(∆t2 )
et
vkn = vjn + ∇u(n∆t, xj ) · (xk − xj ) + O(h2 ).
On supposera que les points sont tels que
sup |xj − xk | ≤ Ch pour C indépendant de h.

k∈I(j)
On obtient
1 X
rjn = −a · ∇u(n∆t, xj )∆t − ljk a · njk ∇u(n∆t, xj ) · (xk − xj ) + O(∆t) + O(h),
sj −
k
ou encore
rjn = Mtjk a · ∇u(n∆t, xj ) + O(∆t) + O(h). (5.19)
1
P
avec une matrice Mj = −I + sj k− ljk njk ⊗ (xk − xj ) ∈ R2×2 . Donc pour avoir rjn = O(∆t + h) il faut et
il suffit que Mtj a s’annule. On note que l’on retrouve exactement le critère déjà étudié (4.48) en dimension un
d’espace. Comme il apparait raisonnable que les points xj soit indépendants autant que possible de l’équation,
on retiendra la définition suivante.
Définition 17 (Consistence au sens des Différences Finies : première version). On dira que le schéma est
consistent au sens des Différences Finies si il existe des points (xj ) solution de l’équation Mj = 0, c’est à dire
X
ljk njk ⊗ (xk − xj ) = sj I, ∀j. (5.20)
k−
Si de plus xj ∈ Ωj la solution est locale.
La somme étant sur les k − , il subsiste une dépendance par rapport à a dans cette définition.
Comme nous le savons déjà , les maillages cartésiens bénéficient de la consistance au sens des Différences Finies,
ce que l’on retrouve rapidement de la façon suivante. Soit en effet un maillage cartésien (en dimension d = 2).
Considérons que xj est le centre de masse (aussi centre de gravité ou barycentre) de la maille d’indice j. Alors
la condition de consistance (5.20) est vraie pour tout a. En effet sj = ∆x2 , ljk = ∆x et xk − xj = ∆x njk .
Deux bords au plus contribuent dans (5.20). Le reste est affaire de calcul évident.
Un résultat négatif est le suivant.
Maille j
xj
njk a
xk
Maille k
Figure 5.5 – Un cas particulier sans solution au critère de consistance (5.20)
Lemme 39. Il existe des maillages pour lesquels il n’y a aucune solution au critère de consistance (5.20).
Démonstration. Considérons le maillage en triangles de la figure 5.5.
Une seule maille est dans I − (j). La somme (5.20) se réduit à une seule contribution ljk njk ⊗ (xk − xj ). Cette
matrice est au plus de rang un, et ce pour tout xj et tout xk . Elle ne peut donc pas être égale à sj I qui est de
rang deux.
Cela incite à étudier une version affaiblie de la relation de consistance (5.20).

Définition 18 (Consistance au sens des Différences Finies : deuxième version). Un deuxième critère de consis-
tance au sens des Différences Finis s’écrit : Mtjk a = 0. Ou encore
X ljk a · njk sj
xj = P xk − P a. (5.21)
r − l jr a · n jr k − l jk a · njk
k
−
Si (5.21) est vrai alors l’erreur de troncature (5.19) est en O(∆t + h), ce qui est exactement la définition de la
consistance au sens des Différences Finies.
Il est possible a priori de résoudre (5.21) de proche en proche en considérant que les xk ont déjà été calculés.
Cela détermine le point xj comme une moyenne des xk plus une correction géométrique, ce qui propage la
connaissance de xj de mailles en mailles. Cependant l’étude de ce système, même élémentaire, n’a pas évidente.
Par exemple la solution peut ne pas être locale, xj 6∈ Ωj . Cela rend l’interprétation de la solution délicate. On
pourra consulter [3].
5.2 Convergence dans L2

Nous montrons la convergence dans L2 du schéma de Volumes Finis pour l’advection, en utilisant une combi-
naison de techniques adaptées. Le domaine d’étude est le tore T . Le champ de vitesse a ∈ R2 est constant en
temps et en espace. La donnée initiale est une fois dérivable dans L2 , soit u0 ∈ H 1 (T ).
Le maillage est régulier avec un nombre de voisins par mailles qui est borné indépendant de h. Cela est assuré
pour un maillage dont les mailles sont des polygones avec un nombre donné maximal de côtés. Les mailles sont
toutes convexes.
Théorème 3. Supposons la condition CFL vérifiée. Alors le schéma de Volumes Finis est convergent avec
l’estimation d’ordre fractionnaire
1
kunh − Πh u(n∆t)kL2 (T ) ≤ Ck∇ukL2 (T ) (T h) 2 , n∆t ≤ T. (5.22)
5.2. CONVERGENCE DANS L2 69
a hj
xj x′j x′′j
xk x′k lj x′′k
j h s
Figure 5.6 – Ici l’équation (5.21) se simplifie en xj = 2|a| a + xk . La hauteur du triangle est hj = ljj . Si le
second membre de (5.21) est xk alors xj ∈ Ωj . Cependant si x′k ou x′′k sont près des coins, alors xj ∈
6 Ωj .
Remarque 8. La comparaison avec les résultats en dimension un d’espace de la section 4.2.3 montre que ce
résultat est optimal car il retrouve exactement l’ordre de convergence moitié pour une donnée une fois dérivable
(dans L2 ).
Pour simplifier un peu, la preuve est décomposé en deux étapes. La première étape est plus générale car dans
Lp .
5.2.1 Première étape : estimation en temps dans Lp

On s’appuie sur le lemme 21 pour remplacer le schéma explicite
 
un+1
j − unj 1 X X
+ mjk un
j − mjk un
k
 = 0,
∆t sj + − k k
par le schéma semi-discret  

1 X X
vj′ (t) + mjk vj (t) − mjk vk (t) = 0.
sj + −
k k
La condition initiale est commune Z
1
u0j = vj (0) = u0 (x)dx.
sj Ωj
Lemme 40. Soit une donnée initiale u0 ∈ W 1,p (T ). Soit une suite de maillages réguliers de pas h → 0. Alors il existe une
constante universelle C > 0 telle que
1
kun
h − vh (n∆t)kLp (T ) ≤ Ck∇u0 kLp (T ) (T h) ,
2 n∆t ≤ T. (5.23)
Démonstration. On applique l’inégalité de comparaison du lemme 21. Tout d’abord les hypothèses sur le maillage et l’étude de la
condition CFL montrent que τ (h) ≤ Ch pour une constante C > 0 bornée indépendamment de h. Il reste à obtenir une bonne
estimation sur Ah Πh u0 = (wj ) avec
1 X
wj = ljk u0k − u0j
sj +
k
R R
où u0j = s1 Ω u(x)dx et u0k = s1 Ω u(x)dx sont les valeurs moyennes obtenues par projection de la donnée initiale. On a
j j k k
1 X 1 X
wj = ljk u0jk − u0j + ljk u0k − u0jk
sj + sj +
k k
1
R
oùu0jk = ljk ∂Ωj ∩∂Ωk u(x)dx est la valeur moyenne sur l’interface commune de la donnée initiale. L’inégalité de Hölder montre
que
 1  1
p p X q
1
X X 1
ljk u 0
− u 0
≤  ljk u 0
− u 0
  ljk
 ≤ Ch− p Aj h q
jk j jk j
k+ k+ k+
où on a repris la définition (5.15) de Aj . De même pour les autres termes. D’où grâce à la minoration uniforme sj ≥ ch2 :
 
1 − 1 −2 X
|wj | ≤ Ch q p  Aj + Ak  .
k+
P 1
p
Puis en utilisant le fait que le nombre de voisins est borné indépendamment de h, on obtient kAh Πh u0 k = j sj |wj |p ≤
1 − 1 −2+ 2 2 1
p
Ch q p p A, avec A défini par (5.18) : le terme hp vient des contributions de la forme sj . Or A ≤ ch k∇u0 kLp (T ) par le lemme
1 1 2
38. Comme q
− p
−2+ p
+ 1 = 0, cela établit le résultat.
5.2.2 Deuxième étape : estimation en espace dans L2

Nous étudions à présent la différence entre la solution du schéma semi-discret et la projection de la solution
exacte, en norme L2 .
Lemme 41. Supposons : u0 ∈ H 1 (T ) ; la condition CFL réalisée ; et les maillages réguliers. On a l’estimation
d’erreur
1
||u(n∆t) − vh (n∆t)||L2 ≤ C k∇u0 kL2 (T ) h + (T h) 2 , n∆t ≤ T. (5.24)
Démonstration. La fonction vh (t) ∈ L2 (Ω) est constante par mailles. On étudie
Z
1
E(t) = (u(t) − vh (t))2 . (5.25)
2 T
avec E(0) ≤ C(∇u0 )h2 au temps initial en utilisant le résultat du lemme 36. Le résultat final (5.24) sera démontré si nous pouvons
montrer que E ′ (t) ≤ C||∇u0 ||2L2 h. Or nous allons voir que c’est affaire de calculs élémentaires.
R R R
On a E(t) = 21 Ω u(t)2 + 21 Ω vh (t)2 − Ω vh (t)u(t). Donc
 
Z
d 1 1X X
E ′ (t) = u(t)2 + − mjk (vj − vk )2 
dt 2 T 2 j
| {z } k∈I + (j)
=A1 | {z }
=A2
P P
X mjk vj − mjk vk
Z X X X
k+ k−
+ u(t) + uj (− mjk ujk + mjk ujk ) .
j
sj Ωj j k+ k−
| {z } | {z }
=A3 =A4
où ujk dénote la valeur moyenne de la solution exacte au temps t sur l’interface ∂Ωj ∩ ∂Ωk . Le premier terme A1 est nul car la
norme L2 de la solution de l’équation d’advection est constante pour un domaine sans bord
Z Z Z Z
d u2 u
A1 = = u∂t u = − ua · ∇u = − a · ∇ = 0.
dt Ω 2 Ω Ω Ω 2
LeR deuxième terme A2 est négatif ou nul. Les termes suivants A3 et A4 sont a priori tels que leur somme est homogène à
≈ Ω (a.∇(uwh ) = 0. On peut alors anticiper qu’une réécriture adaptée permet de mettre en évidence que leur somme est petite en
un sens àPdéfinir. Vérifions.
P
Comme k+ mjk = k− mjk , alors
R !
XX XX Ωj
u
A3 = − mjk (vj − vk )ujk + mjk (vj − vk ) ujk − . (5.26)
j k− j k−
sj
| {z } | {z }
=A5 =A6
Une intégration par partie discrète, c’est à dire une permutation des indices de sommation,
R
montre que A5 = −A4 . Par ailleurs une

u 2
P P Ω
inégalité de la forme αβ ≤ 41 α2 + β 2 montre que A6 ≤ − 12 A2 + j k− mjk ujk − s j
. One obtient alors
j
R !
1X X 1 XX Ωj
u 2
E ′ (t) + 2
mjk (vj − vk ) ≤ mjk ujk − .
2 j 2 j − sj
k∈I + (j) k
P P
Le résultat du lemme 38 pour p = 2 montre que E ′ (t) + 12 j k∈I + (j) mjk (vj − vk )2 ≤ Ch||∇u0 ||2L2 . Il s’ensuit que
Z tX X
1
E(t) + mjk (vj (s) − vk (s))2 ds ≤ Ch2 k∇u0 k2L2 + Ch k∇u0 k2L2 T. (5.27)
2 0 j + k∈I (j)
Le résultat est démontré avec de plus une estimation sur les différences de la solution semi-discrète qui sera utilisée dans ce qui
suit.
Remarque 9. La structure de la preuve de l’inégalité (5.24) s’appuie d’une part sur la dissipation de l’énergie L2 ce qui est
une propriété courante pourPune méthodePnumérique et d’autre part sur la structure d’un schéma de Volumes Finis qui peut se
caractériser par la relation k+ mjk = k− mjk qui est fondamentale dans les méthodes de Volumes Finis. En résumé le point
clé de la preuve est la transformation (5.26).
Preuve final du théorème 3. Le théorème de convergence 3 s’obtient par inégalité triangulaire à partir de l’inégalité (5.23) et de
l’inégalité (5.24).
5.3. CONVERGENCE DANS L1 71
5.3 Convergence dans L1

On fera l’hypothèse que
u0 ∈ BV(T )
ce qui permet de traiter les cas des fonctions indicatrices, lesquelles sont liées au calcul numérique de la propa-
gation d’interfaces par des schémas de Volumes Finis.
La stratégie générale de preuve de convergence est identique au cas précédent. D’abord se ramener au schéma semi-discret ce qui
ne pose pas de difficultés à partir du résultat du lemme 40 et du fait que W 1,1 est dense dans BV . D’où une première estimation
1
kun
h − vh (n∆t)kL1 (T ) ≤ C |u0 |BV(T ) (T h) ,
2 n∆t ≤ T. (5.28)
L’estimation en espace va être montrée pour des fonctions indicatrices.
5.3.1 Cas des fonctions indicatrices

La donnée initiale u0 = 1ω est prise comme la fonction indicatrice d’une partie ω ⊂ T
u0 (x) = 1 pour x ∈ ω, et u0 (x) = 1 pour x 6∈ Θ.
On supposera le périmètre ω borné, auquel cas
|u0 |BV = |ω| < ∞.
On commence par régulariser/convoluer la donner initiale u0 à l’aide d’un noyau positif ou nul, borné, de masse unité et à support
compact Z
1 x−y
uε0 (x) = (ϕε ∗ u0 ) (x) = ϕ u0 (y)dy.
ε y∈T ε
Un résultat classique [19] montre que
kuε0 − u0 kL1 (T ) ≤ Cε|ω|. (5.29)
On a également que Z
1 x−y
∇uε0 = ∇ϕ u0 (y)dy
ε2 y∈T ε
d’où l’on tire à partir de la définition d’une fonction BV que
|u0 |BV (T )
k∇uε0 kL∞ (T ) ≤ C et k∇uε0 kL1 (T ) ≤ C |u0 |BV (T ) .
ε
Il s’ensuit une inégalité qui va jouer un rôle dans la suite
|u0 |BV (T )
k∇uε0 kL2 (T ) ≤ C 1 . (5.30)
ε2
ε (t) = eAh t Π uε . La solution du schéma semi-discret issu de u est v (t) =
La solution du schéma semi-discret issu de uε0 est vh h 0 0 h
e Ah t Π h u0 .
Lemme 42. L’erreur entre la solution numérique semi-discrète et la solution exacte peut se majorer par l’erreur entre les solutions
régularisées plus un reste
ε
kvh (t) − u(t)kL1 (T ) ≤ kvh (t) − uε (t)kL1 (T ) + Cε|ω|. (5.31)
Démonstration. On a l’inégalité triangulaire

ε ε
kvh (t) − u(t)kL1 (T ) ≤ kvh (t) − vh (t)kL1 (T ) + kvh (t) − uε (t)kL1 (T ) + kuε (t) − u(t)kL1 (T ) .

On a kuε (t) − u(t)kL1 (T ) ≤ uε0 − u0 L1 (T ) . Or on a aussi vh (t) − vh ε (t)
L1 (T )
≤ vh (0) − vhε (0)
L1 (T )
en utilisant la stabilité
unitaire dans L1 du schéma semi-discret, laquelle peut soit se voir comme une conséquence de la propriété générale
(4.24) qui étend
ε (t)
au semi-discret les propriétés de stabilité des schémas explicites, soit se re-démontrer directement. Puis vh (t) − vh L1 (T )
≤
ε
u − u0 1 . Donc
0 L (T )
ε
kvh (t) − u(t)kL1 (T ) ≤ kvh (t) − uε (t)kL1 (T ) + 2 kuε0 − u0 kL1 (T )
La preuve est terminée grâce à (5.29).
Lemme 43. On a la formule

kuε (t) − vh
ε
(t)kL1 (T ) = kuε (t)k2L2 (T ) − kvh
ε
(t)k2L2 (T ) + kuε (t) − vh
ε
(t)k2L2 (T ) + O(ε|ω|)
où le terme O(ε|ω|) est indépendant du temps.

Démonstration. Le support du noyau de convolution ϕ est compact, aussi uε0 (x) = u0 (x) sauf éventuellement dans une région dont
l’aire peut se majorer en Aε = Per(ω)O(ε). Cela étant vrai pour ω de la forme d’un disque ou d’un carré, nous l’admettons sans
démonstration pour le cas général. Après advection on a la même propriété entre uε (t) et u(t).
Dans les régions où uε (t) = 1
|uε (t) − wh
ε ε
(t)| = 1 − wh (t).
En effet whε (t) ≤ 1 car le schéma semi-discret vérifie aussi le principe du maximum : cela qui peut se voir comme une conséquence
de la propriété générale (4.24) qui étend au semi-discret les propriétés de stabilité des schémas explicites, soit se re-démontrer
directement.
Dans les régions où uε (t) = 0 on a par un principe similaire
|uε (t) − wh
ε ε
(t)| = wh (t).
Ces deux situations peuvent se résumer par
|uε (t) − wh
ε
(t)| = (uε (t) − wh
ε
(t)) × (2uε (t) − 1) ,
qui est valide presque partout excepté dans un domaine d’aire Aε = O(ε|ω|). On a donc
Z
kuε (t) − vh
ε
(t)kL1 (T ) = (uε (t) − wh
ε
(t)) × (2uε (t) − 1) + O(ε|ω|).
Ω
R
Or l’initialisation de la donnée initiale en valeur moyenne et la conservativité (lemme 12) du schéma font que Ω uε (t) − wh
ε (t) = 0.
2 2
ε 2uε = |uε |2 − w ε + uε − w ε que l’on retrouve directement dans le résultat. La preuve est
Il reste alors les termes uε − wh h h
terminée.
Théorème 4. Soient T > 0 et h ≤ 1. Il existe une constante C > 0 telle que

1 1
kuε (t) − vh
ε 2
(t)kL1 (T ) ≤ C |u0 |BV (T )
h2 , t ≤ T.
Démonstration. En effet l’inégalité (5.23) en norme L2 combinée avec (5.30) l’estimation sur le gradient également en norme L2
implique
|u0 |2BV (T ) 2
kuε (t) − vh ε
(t)k2L2 (T ) ≤ C k∇uε0 k2L2 (T ) h2 + th ≤ C h + th .
ε
D’autre part
d ε 1X X
ku (t)k2L2 (T ) − kvh ε
(t)k2L2 (T ) = mjk (vjε − vkε )2
dt 2 j + k∈I (j)
car la norme L2
de uε
est constante, et le schéma est dissipatif. Le terme dissipatif est exactement le terme A2 dans la preuve du
lemme 41, et dont l’intégrale en temps peut se majorer par (5.27). Donc on peut écrire

kuε (t)k2L2 (T ) − kvh
ε
(t)k2L2 (T ) ≤ kuε0 k2L2 (T ) − kvh
ε
(0)k2L2 (T ) + Ch2 k∇uε0 k2L2 + Cth k∇uε0 k2L2 .
On a immédiatement que
kuε0 k2L2 (T ) − kvh
ε
(0)k2L2 (T ) = (uε0 − vh
ε
(0), uε0 + vh
ε
(0))L2 (T ) ≤ kuε0 − vh
ε
(0)kL1 (T ) × kuε0 + vh
ε
(0)kL∞ (T ) .
2 ε 2 2
D’où grâce à (5.13) et au fait que les données sont bornées dans L∞ : uε0 L2 (T ) − vh (0) L2 (T ) ≤ Ch ∇uε0 L1 (T ) puis uε0 L2 (T ) −
ε 2
v (0) 2 ≤ Ch |u0 | . Donc on peut écrire
h L (T ) BV (T )
h2 + th
kuε (t)k2L2 (T ) − kvh
ε
(t)k2L2 (T ) ≤ Ch |u0 |BV (T ) + C |u0 |2BV (T ) .
ε
En regroupant ces diverses expressions on obtient
h2 + th
ku(t) − vh (t)kL1 (T ) ≤ Ch |u0 |BV (T ) + C |u0 |2BV (T ) + Cε |u0 |BV (T ) .
ε
√
Une valeur optimale du paramètre de convolution est ε = h. On obtient
3 1 1

ku(t) − vh (t)kL1 (T ) ≤ C h + h 2 + th 2 + h 2 |u0 |BV (T ) .
On obtient alors le résultat pour h ≤ 1 et t ≤ T donné.
5.3.2 Données générales

Le résultat du théorème de convergence dans L1 pour une fonction indicatrice peut s’étendre aux fonctions de BV à partir de
l’inégalité de la co-aire (1.1).
5.4. CONVERGENCE DU SCHÉMA DE DIFFUSION 73
5.4 Convergence du schéma de diffusion

On analyse à présent la version implicite du schéma (2.49) pour l’équation de la chaleur. Il s’écrit pour tout
n≥0
un+1
j − unj n+1
1 X uk − uj
n+1
− ljk = 0, ∀j. (5.32)
∆t sj djk
k
Les éléments caractéristiques du maillage du tore T sont l’aire de la maille courante notée sj > 0, la longueur
de l’interface entre les mailles voisines notée ljk > 0 : la distance entre les centres de gravité xj et xk de deux
mailles voisines, initialement dénotée dbjk , sera noté djk > 0 pour alléger la notation. On envisage l’initialisation
ponctuelle
u0j = u0 (xj ), ∀j. (5.33)
On pourrait tout aussi bien étudier les variantes explicites ou semi-discrètes avec des résultats similaires.
Comme noté précédemment, la matrice du système linéaire qui permet de calculer un+1 h en fonction de unh est
2
inversible. On peut le retrouver comme conséquence de la décroissance de la norme L .
Lemme 44 (Stabilité inconditionnelle en norme quadratique). Soit vh = (vj ) donné. Soit uh = (uj ) une
u −v P u −u
solution de j∆t j + s1j k ljk kdjk j = 0, ∀j. Alors pour tout ∆t > 0
kuh kL2 (T ) ≤ kvh kL2 (T ) .
Démonstration. Le schéma se récrit

∆t X uk − uj
uj − ljk = vj .
sj djk
k
Multipliant par uj et sommant sur toutes les mailles on trouve

!
X X X uk − uj X
sj u2j − ∆t uj ljk = sj uj vj
j j
djk j
k
ce qui implique après quelques manipulations

X X ljk 2 1X 1X X 2
sj u2j + ∆t (uj − uk ) = sj u2j + sj vj2 − sj (uj − vj )
j
djk 2 j 2 j j
j<k
P P P
où j<k = j k, j<k est une somme double sur toutes les interfaces entre maille d’indice j et mailles
d’indices k. D’où
1X X ljk 2
X 2 1X
sj u2j + ∆t (uj − uk ) + sj (uj − vj ) = sj vj2 (5.34)
2 j djk j
2 j
j<k
ce qui termine la preuve.
On retrouve bien que si vh ≡ 0, alors l’unique solution du système linéaire est uh ≡ 0. Or c’est un des critères
possibles pour caractériser l’invisibilité du système linéaire qui permet de déterminer uh en fonction de vh . Donc
le système linéaire est inversible.
Pour poursuivre l’analyse numérique on empreinte une idée très courante dans les formulations variationnelles
pour les problèmes elliptiques qui est de récrire (5.32) sous une forme mixte, c’est à dire en faisant apparaitre
explicitement des discrétisations d’opérateurs différentiels du premier ordre. On obtient
 n+1

 uj − unj 1 X

 − ljk pn+1
jk = 0, ∀j,
∆t sj
k


 un+1
k − un+1
j
 pn+1
jk − = 0, ∀(j, k).
djk
On note bien sûr que pn+1

kj = −pn+1
jk . Puis on reprend l’idée de la consistance au sens des Différences Finies, qui
est d’introduire la solution exacte dans le schéma est d’évaluer l’erreur de troncature. Le point important est
que l’on effectue cette étude de consistance pour les deux équations discrètes séparément.
On prend vjn = u(xj , tn )dx qui est la valeur au point xj de la solution exacte et
Z
n 1
qjk = ∇u(x, tn ) · njk dσ
ljk ∂Ωj ∩∂Ωk
qui est la projection en moyenne sur les segments d’interface. La valeur ponctuelle est correctement définie pour
une fonction continue ce qui sera le cas pour la régularité envisagée dans le lemme qui suit. On définit alors
deux erreurs de troncature


 v n+1 − vjn 1 X
 rjn = j
 − n+1
ljk qjk , ∀j,
∆t sj
k


 n+1
vkn+1 − vjn+1
 tnjk = qjk − , ∀(j, k).
djk

Le terme tnjk évalue la consistance du flux numérique. Ces deux erreurs de troncature rhn = rjn j et tnh =

tnjk ne vivent pas dans les mêmes espaces, mais peuvent toutes deux s’estimer dans des normes quadratiques
jk
2 P
adaptées. Comme auparavant on prendra krh kL2 (T ) = j sj rj2 . On définit
X
|||th |||2L2 (T ) = ljk djk t2jk .
jk
On remarque sj = O(h2 ) et ljk djk = O(h2 ) ce qui fait que ce sont deux normes de type L2 .
Proposition 14 (Consistance des erreurs de troncature). Supposons que la solution soit u ∈ W 2,∞ ([0, T ] × T ).
Supposons le maillage triangulaire et satisfaisant la condition du lemme 14.
Alors il existe C qui dépend de u et de ses dérivées telle que
krhn kL2 (T ) ≤ C (∆t + h) et |||tnh |||L2 (T ) ≤ Ch, n∆t ≤ T.
Cette preuve est loin d’être optimale, ne serait-ce que parce que la régularité de la solution est évaluée dans
des espaces de type L∞ et que l’erreur est mesurée dans L2 . Mais la structure de la preuve est intéressante en
elle-même car la dépendance des estimations par rapport aux éléments caractéristiques du maillage apparait
clairement. Les conditions sur le maillage sont elles-aussi restrictives.
On consultera [15] pour des développements complémentaires.
Démonstration. On a Z
u(xj , tn+1 ) − u(xj , tn ) 1
rjn = − ∇u(x, tn+1 ) · nj dσ
∆t sj ∂Ωj
Z
u(xj , tn+1 ) − u(xj , tn ) 1
= − ∆u(x, tn+1 )dx
∆t sj Ωj
Z
u(xj , tn+1 ) − uj (x, tn ) 1
= − ∂t u(x, tn+1 )dx
∆t sj Ωj
Z
u(xj , tn+1 ) − u(xj , tn ) 1
= − ∂t u(xj , tn+1 ) + (∂t u(xj , tn+1 ) − ∂t u(x, tn+1 )) dx.
∆t sj Ωj
Or ∂tt u ∈ L∞ ([0, T ] × T ). On a alors pour le terme entre parenthèse

u(xj , tn+1 ) − u(xj , tn ) 1
− ∂t u(xj , tn+1 ) ≤ ∆t k∂tt u(tn+1 )kL∞ ([0,T ]×T ) .
∆t 2
5.4. CONVERGENCE DU SCHÉMA DE DIFFUSION 75
Comme on a aussi ∇∂t u ∈ L∞ ([0, T ] × T ) le terme sous l’intégrale s’estime par
|∂t u(xj , tn+1 ) − ∂t u(x, tn+1 )| ≤ h k∇∂t ukL∞ ([0,T ]×T )
avec diam(Ωj ) ≤ h. Donc

n 1
rj ≤ ∆t k∂tt u(tn+1 )k ∞
L (T ) + h k∇∂t ukL∞ ([0,T ]×T ) .
2
1
Comme krhn kL2 (T ) ≤ krhn kL∞ (T ) |T | 2 , on obtient une première estimation
 
1  1
krhn kL2 (T ) ≤  
 2 k∂tt u(tn+1 )kL∞ (T ) ∆t + k∇∂t ukL∞ ([0,T ]×T ) h |T | ≤ C(∆t + h).
2 (5.35)
| {z } | {z }
=c1 =c2
1
avec C = max (c1 , c2 ) |T | 2 .
On évalue à présent le deuxième terme. On a
!
vkn+1 − vjn+1
n+1
tnjk = qjk − ∇u(xjk , tn+1 ) · njk + ∇u(xjk , tn+1 ) · njk − .
djk
Or Z
n 1
qjk − ∇u(xjk , tn+1 ) · njk = (∇u(x, tn+1 ) − ∇u(xjk , tn+1 )) · njk dσ
ljk ∂Ωj ∩∂Ωk
Comme la matrice Hessienne des dérivées secondes de u est bornée, ∇2 u ∈ L∞ ([0, T ] × T )4 , on en déduit que
n
q − ∇u(xjk , tn+1 ) · njk ≤ ∇2 u ∞ h.
jk L ([0,T ]×T )4
Le dernier terme à estimer est

vkn+1 − vjn+1 u(xk , tn+1 ) − u(xj , tn+1 )
∇u(xjk , tn+1 ) · njk − = ∇u(xjk , tn+1 ) · njk −
djk djk
où le point xjk est situé entre xj et xk , et où djk est précisément la distance entre en xj et xk . Bien que
bidimensionnelle, la situation est identique à celle de la figure 2.6 en dimension un d’espace. Il s’ensuit que

vkn+1 − vjn+1 2

∇u(xjk , tn+1 ) · njk − ≤ ∇ u L∞ ([0,T ]×T )4 h.
djk

Cela implique que tnjk ≤ 2 ∇2 u L∞ ([0,T ]×T )4 h. Or
sX sX P
k ljk djk
n
kt kL2 (T ) ≤ max tnjk ljk djk ≤ max tnjk sj max .
jk jk
j
j sj
jk
Avec les hypothèses usuelles sur le maillage, on obtient

ktn kL2 (T ) ≤ K ∇2 u L∞ ([0,T ]×T )4 h (5.36)
où K > 0 ne dépend que du maillage.

La preuve est terminée.
A présent que la consistance est établie, il reste à utiliser une nouvelle fois la stabilité pour obtenir la convergence.
Théorème 5. Soit T > 0 un temps final donné. Sous les hypothèses précédentes, il existe une constante C > 0
telle que
kunh − vhn kL2 (T ) ≤ C(∆t + h). (5.37)
Démonstration. On définit les différences enj = vjn − unj et fjkn
= qjkn − pnjk qui vérifient
 n+1

 ej − enj 1 X n+1

 − ljk fjk = rjn , ∀j,
∆t sj
k (5.38)


 n+1
en+1
k − en+1
j
 fjk − = tnjk , ∀(j, k).
djk
La condition initiale (5.33) devient e0j = 0 pour tout j. Il n’y a pas de condition initiale pour fjk 0
. On peut
alors reprendre l’analyse de la stabilité qui donne lieu à (5.34) sous la forme suivante : on multiplie la première
équation de (5.38) par ∆tsj en+1
j et on somme ; dans le même temps multiplie la deuxième équation de (5.38)
n+1
par ∆tljk djk fjk et on somme. On obtient
1 X n+1 2 X ljk
en+1 − en+1 2 +
X 2
sj e j + ∆t j k sj en+1
j − enj
2 j djk j
j<k
1 X n 2 X X
= sj ej + ∆t sj rjn en+1
j + ∆t n+1
ljk djk tnjk fjk
2 j j jk
1X 2 X X X 2 X
= sj enj + ∆t sj rjn ejn+1 − enj + ∆t sj rjn enj + ∆t ljk djk tnjk + ∆t ljk tnjk en+1
k − en+1
j
2 j j j jk jk
(5.39)
n+1
après élimination des fjk par la deuxième équation de (5.38). On a les différentes inégalités de type Minkovski 1
X 1 X n+1 2 1 X 2
∆t sj rjn en+1
j − enj ≤ sj ej − enj + ∆t2 sj rjn ,
j
2 j 2 j
X 1 X n 2 1 X n 2
∆t sj rjn enj ≤ ∆t sj rj + ∆t sj e j ,
j
2 j
2 j
et
X 1 X ljk n+1 2 1 X 2
∆t ljk tnjk en+1 − en+1 ≤ ∆t e − en+1 + ∆t ljk djk tnjk .
k j j k
2 djk 2
jk j<k jk
En insérant ces inégalités dans l’expression précédente (5.39) on obtient après quelques simplifications évidentes
1 X n+1 2 1 X 2 1 X 2 1 X 2
sj e j ≤ (1 + ∆t) sj enj + ∆t + ∆t2 ∆t sj rjn + ∆t ljk djk tnjk
2 j 2 j
2 j
2
jk
ou plus simplement
n+1 2 n+1 2
e 2 n 2 n+1 2
h L (T )
≤ (1 + ∆t) ke k 2
h L (T ) + ∆t (1 + ∆t) rh L2 (T )
+ |||t h ||| L (T ) .
2
2
Utilisant à présent les estimations de consistance, on obtient en+1
h
2
L (T )
≤ e∆t kenh k2L2 (T ) +K∆t (∆t + h)2 pour
2 Pn−1 2
une constante K > 0 qui dépend de u, et pour 0 < ∆t < 1. D’où kenh kL2 (T ) ≤ ∆tK p=0 ep∆t (∆t + h) . Soit
un temps final donné T > 0. Pour n∆t ≤ T on peut écrire kenh k2L2 (T ) ≤ Q (∆t + h)2 . La preuve est terminée.
Remarque 10. Le résultat de convergence (5.37) est encore vrai pour u ∈ H 2 ([0, T ]× T ). On peut se référer au
théorème 3.4 page 55 de [15] pour les idées principales. C’est un peu plus technique en ce qui concerne l’étude
des erreurs de troncature, mais est strictement identique en ce qui concerne le schéma lui-même.
ε 2 1 2
1. On entend par là toute inégalité de la forme ab ≤ 2
a + 2ε
b pour ε > 0 bien choisi, a et b étant quelconques.
Bibliographie
[1] G. Allaire, Analyse numérique et optimisation, Editions de l’Ecole Polytechnique, 2012.

[2] G. Allaire, X. Blanc, F. Golse et B. Després, Transport et diffusion, cours de l’Ecole polytechnique, 2013.
[3] D. Bouche, J.-M. Ghidaglia, F. Pascal, Error estimate and the geometric corrector for the upwind finite
volume method applied to the linear advection equation, SIAM J. Numer. Anal., 43(2), p. 578-603, 2005.
[4] F. Boyer, Aspects théoriques et numériques de l’équation de transport, Université de Aix-Marseille, en ligne
http ://www.cmi.univ-mrs.fr/ fboyer/en/accueil.
[5] Brenner, V. Thomée et L. Wahlbin, Besov Spaces and Applications to Difference Methods for Initial Value
Problems, Lecture Notes in Math. 434, Springer-Verlag, Berlin, New York, 1975.
[6] H. Brezis, Functional Analysis, Sobolev Spaces and Partial Differential Equations, Springer Verlag, (2010).
[7] J.G. Charney, R. Fjortoft et J. von Neumann, Numerical integration of the barotropic vorticity equation,
vol. 2, 4, 237-254, Tellus, 1950.
[8] P. G. Ciarlet, The Finite Element Method for Elliptic Problems, North-Holland, Amsterdam, 1978
[9] A. Cohen, Approximation variationnelle des fonctions, Master de la modélisation, LJLL-UPMC.
[10] R. Courant, K. O. Fredrichs et H. Lewy (1928), ”Uber die Differenzengleichungen der Mathematischen
Physik”, Math. Ann, vol.100, p.32, 1928.
[11] R. Dautray et J.L. Lions, Analyse mathématique et calcul numérique pour les sciences et les techniques.
Vol. 9. (French) [Mathematical analysis and computing for science and technology. Vol. 9] Évolution :
numérique, transport, 1985.
[12] Despres, Bruno Lax theorem and finite volume schemes. Math. Comp. 73 (2004), no. 247, 1203-1234.
[13] B. Després, Uniform asymptotic stability of Strang’s explicit compact schemes for linear advection, Siam
J. Numer. Anal., Vol. 47, No. 5, pp. 3956-3976
[14] A. Ern and J.-L. Guermond, Theory and Practice of Finite Elements, vol. 159 of Applied Mathematical
Series, Springer, New York, 2004.
[15] R. Eymard, T. Gallouët, et R. Herbin, Finite volume methods, in Handbook of Numerical Analysis, P. G.
Ciarlet and J. L. Lions, eds., North-Holland, Amsterdam, 2000, pp. 713-1020.
[16] P. Frey et P.L. George, Mesh generation. Application to finite elements. Second edition. ISTE, London ;
John Wiley & Sons, Inc., Hoboken, NJ, 2008.
[17] V. Girault et P.A. Raviart, Finite Element Methods for Navier-Stokes Equations. Theory and Algorithms.
Berlin-Heidelberg-New York-Tokyo, Springer-Verlag 1986
[18] E. Giusti, Minimal surfaces and functions of bounded variation. Birkhäuser Verlag, Basel, 1984.
[19] E. Godlewski et P. A. Raviart, Numerical Approximation of Hyperbolic Systems of Conservation Laws,
Appl. Math. Sci. 118, Springer-Verlag, New York, 1996
[20] S. Godunov et Ryaben’kii, Introduction to the theory of difference schemes, Fizmatgiz, 1962.
[21] Harten, Ami On a class of high resolution total-variation-stable finite-difference schemes. With an appendix
by Peter D. Lax. SIAM J. Numer. Anal. 21 (1984), no. 1, 123.
77
78 BIBLIOGRAPHIE
[22] F. Hermeline, Two Coupled Particle-Finite Volume Methods Using Delaunay-Voronoi Meshes for the Ap-
proximation of Vlasov-Poisson and Vlasov-Maxwell Equations, Journal of Computational Physics, Volume
106, Issue 1, May 1993, Pages 1-18
[23] A. Iserles et G. Strang, The optimal accuracy of difference schemes, Trans. of the AMS, Vol. 277, 2, 198,
779–803, 1983.
[24] S. Jaouen et F. Lagoutière, Numerical transport of an arbitrary number of components. Comput. Methods
Appl. Mech. Engrg. 196 (2007), no. 33-34, 3127-3140.
[25] T. Kato, Perturbation theory for linear operators, Springer, 1995.
[26] Flux-corrected transport. Principles, algorithms, and applications. Edited by D. Kuzmin, R. Löhner et S.
Turek. Scientific Computation. Springer-Verlag, Berlin, 2005.
[27] P.D. Lax et B. Wendroff, On the stability of difference schemes, Comm. Pure and Appl. Math., 15 1962,
363–371.
[28] P. Lesaint et P. A. Raviart, On a finite element method for solving the neutron transport equation, in
Mathematical Aspects of Finite Elements in Partial Differential Equations, Academic Press, New York,
1974, pp. 89-123
[29] R.J. LeVeque, Numerical methods for conservation laws, (ETHZ Zurich, Birkhauser, Basel 1992).
[30] Pietro Perona and Jitendra Malik (November 1987). ”Scale-space and edge detection using anisotropic
diffusion”. Proceedings of IEEE Computer Society Workshop on Computer Vision, pp. 16-22.
[31] S. Osher et P.K. Sweby, Recent developments in the numerical solution of nonlinear conservation laws. The
state of the art in numerical analysis (Birmingham, 1986), 681-701, Inst. Math. Appl. Conf. Ser. New Ser.,
9, Oxford Univ. Press, New York, 1987.
[32] W. Reed et T. Hill. Triangular mesh methods for the neutron transport equation. Technical Report Tech.
Report LA-UR-73-479, Los Alamos Scientific Laboratory, 1973.
[33] Richtmyer R. D. Richtmyer et K. W. Morton, Difference methods for initial-value problems, Interscience
Publishers, 1957.
[34] G. Strang, Trigonometric polynomials and difference methods of maximum accuracy, J. Math. Phys, 41,
147–520, 1962.
[35] V. Thomée, Stability of difference schemes in the maximum-norm, J. Differential Equations, 1 (1965), pp.
273-292.
[36] B. van Leer, Towards the ultimate conservative difference scheme. V. A second-order sequel to Godunov’s
method [J. Comput. Phys. 32 (1979), no. 1, 101-136].
[37] R.F. Warming et R.M. Beam, Recent advances in the development of implicit schemes for the equations
of gas dynamics, Seventh International Conf. on Numerical Methods in Fluid Dynamics, 429–433, Lecture
Notes in Physics, Springer, 1981.
[38] B. Wendroff et A. B. White, A supraconvergent scheme for nonlinear hyperbolic systems, Comput. Math.
Appl., 18, pp 761-767 (1989).

BD 3

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

BD 3

Transféré par

Droits d'auteur :

Formats disponibles

Différences Finies et Volumes Finis

Master Mathématiques et Applications

Cependant on considèrera le plus souvent séparément l’équation de transport ou d’advection ∂t u + a · ∇u = 0,

1 Cadre fonctionnel et modèles 7

2 Quelques principes de construction 17

3 Transformée de Fourier et Schémas de différences finis 37

4 Analyse numérique abstraite : l’approche de Lax 43

4.2.1 Schéma décentré en dimension un . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5 Analyse numérique des Volumes Finis 59

Cadre fonctionnel et modèles

1.1 Cadre fonctionnel

1.1.1 Espaces de Lebesgue Lp

— Les espaces de Lebesgue sont des espaces de Banach.

1.1.3 Fonctions à variation bornée

Définition 4 (Variation totale). Soit u ∈ L1loc (Rd ). Le nombre éventuellement infini

sera appelé la variation totale de u.

Exemple 1 (En dimension un d’espace). Soit u ∈ W 1,1 (R). Alors

Cela vient de la formule d’intégration par parties

La borne est atteinte pour une suite bien choisie de fonctions ϕn .

On a l’inclusion 1 dense W 1,1 (Rd ) ⊂ BV(Rd ).

1.2 Quelques modèles

1.2.1 Equation de transport

u(t, x) = u0 (x − at). (1.4)

Soit un champ de vitesse de transport x 7→ c(x) ∈ R et u une solution de l’équation du transport

∂t u + c(x)∂x u = 0, u(x, 0) = u0 (x).

Nous construisons les courbes caractéristiques

Démonstration. C’est une conséquence du théorème de Cauchy-Lipshitz.

u(x, t) = u0 (X), x = y(t; X).

Dimension d ≥ 2 en domaine borné

Le bord de Ω est séparé en deux parties Γ = Γ− ∪ Γ+ avec

Γ− = {x ∈ Γ, a · n < 0}, Γ+ = {x ∈ Γ, a · n ≥ 0}.

Nous considérons le problème avec condition initiale et condition au bord

On note immédiatement qu’il n’y a pas de condition sur le bord Γ+ .

Courbes caractéristiques ”en avant” dans un domaine borné

Courbes caractéristiques ”en arrière” dans un domaine borné

u(0, x) = u0 (x), ∀x ∈ Ω, (c’est à dire (1.7) à t = 0) ,

Démonstration. On a par construction

X(t − h, X(h, x)) = X(t, x) pour de petits h > 0,

1.2.2 Equation de la chaleur

Soit le problème de la chaleur en dimension d = 2 avec une condition de Neumann

L’unicité est alors immédiate pour les solutions régulières.

Lemme 6. Soient deux solutions u1 et u2 pour la même condition initiale u0 . Alors u1 = u2 .

On renvoie à [9] pour les aspects complémentaires.

1.2.3 Principe du maximum

Lemme 7 (Estimation a priori). On a Z Z

Lemme 8. On a pour tout t > 0

0 ≤ u(t, x) ≤ ku0 kL∞ (R2 ) , x ∈ R2 . (1.14)

Démonstration. Soit la fonction ϕ : R → R

ce qui montre in fine que u ≤ ku0 kL∞ (R2 ) .

1.2.4 Systèmes de Friedrichs

On considère le système de Friedrichs à coefficients constants

∂t U + A1 ∂x1 U + A2 ∂x2 U = 0, t > 0, x = (x1 , x2 ) ∈ R2 . (1.15)

1.2.5 Termes sources ou de couplage

Exercice 2. Montrer formellement l’identité d’énergie

Lemme 9. La limite formelle p0 vérifie l’équation de la chaleur

Quelques principes de construction

2.1 Approximation numérique en dimension d = 1

Figure 2.1 – Grille Différences Finies

La valeur de la solution exacte u en (xj , tn ) est

pour un temps donné, on définit la solution au temps tn

On notera la solution numérique au temps tn par

u0j = u0 (xj ), j ∈ Z. (2.1)

2.1.1 Equation du transport