Académique Documents
Professionnel Documents
Culture Documents
BD 3
BD 3
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.
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
5
6 TABLE DES MATIÈRES
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.
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 .
— 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
∂ 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.
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
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 .
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
∂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).
10 CHAPITRE 1. CADRE FONCTIONNEL ET MODÈLES
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
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
1.2. QUELQUES MODÈLES 11
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 .
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).
Proposition 2. Sous les mêmes hypothèses, une solution de l’équation du transport est
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.
∂t u + ∇ · (au) = ∂t u + a · ∇u + (∇ · a) u = 0.
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.
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.
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).
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].
14 CHAPITRE 1. CADRE FONCTIONNEL ET MODÈLES
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 .
∂2 ∂2
∆u = ∇ · ∇u = 2 u + · · · + 2 u.
∂x1 ∂xd
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
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.
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.
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 ) .
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
A1 = At1 et A2 = At2 .
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.
16 CHAPITRE 1. CADRE FONCTIONNEL ET MODÈLES
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.
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.
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
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).
t5 (x2 ,t3 )
t4
t3
t2
t1
t0
x x x x x
−1 0 1 2 3 x
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
v n = (u(xj , tn ))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
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 .
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.
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
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
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
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.
20 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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)
xj−1 xj xj+1
x
Figure 2.3 – Fonction chapeau ϕj et les deux fonctions voisines ϕj−1 et ϕj+1
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
2.1. APPROXIMATION NUMÉRIQUE EN DIMENSION D = 1 21
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
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
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
22 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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
2.1. APPROXIMATION NUMÉRIQUE EN DIMENSION D = 1 23
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
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 .
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
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).
24 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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
∂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.
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 .
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
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
26 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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).
∂t u + ∂x g = 0, g = −∂x u.
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
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
uj+1
uj+ 21
uj
xj+ 12
| {z } | {z }
xj+ 1 −xj xj+1 −xj+ 1
2 2
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.
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.
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.
28 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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.
Γ+
Ωl
Ω
njk
nj
Ωk
a
Ωj
Ωp
Γ−
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 .
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
∂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
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.
2.2. APPROXIMATION NUMÉRIQUE EN DIMENSION D ≥ 2 31
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
Cette propriété est appelée la consistance du flux numérique. Une autre propriété du flux numérique est
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
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
et
u(n∆t, xj ) = u(n∆t, xjk ) + ∇u(n∆t, xjk ) · (xj − xjk ) + O(h2 ).
En soustrayant nous obtenons
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
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)
u(n∆t, xk ) − u(n∆t, xj )
∇u(n∆t, xjk ) · njk = + O(h). (2.43)
djk
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
2.2. APPROXIMATION NUMÉRIQUE EN DIMENSION D ≥ 2 33
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 ).
∆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.
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
bk ) − u(n∆t, x
u(n∆t, x bj )
∇u(n∆t, x
bjk ) · m
b jk = + O(h).
b
djk
un+1
j − unj X
sj + b jk unj , unk = 0,
ljk G ∀j (2.49)
∆t
k
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
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.
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)
36 CHAPITRE 2. QUELQUES PRINCIPES DE CONSTRUCTION
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
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
37
38 CHAPITRE 3. TRANSFORMÉE DE FOURIER ET SCHÉMAS DE DIFFÉRENCES FINIS
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
...
Uhn+1 = M Uhn
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
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).
40 CHAPITRE 3. TRANSFORMÉE DE FOURIER ET SCHÉMAS DE DIFFÉRENCES FINIS
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
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
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
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).
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.
42 CHAPITRE 3. TRANSFORMÉE DE FOURIER ET SCHÉMAS DE DIFFÉRENCES FINIS
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)
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)
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)
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.
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
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 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
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
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
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.
46 CHAPITRE 4. ANALYSE NUMÉRIQUE ABSTRAITE : L’APPROCHE DE LAX
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
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.
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
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
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
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).
On remarque que Ah est ici indépendant de ∆t. La relation de récurrence est à présent
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.
48 CHAPITRE 4. ANALYSE NUMÉRIQUE ABSTRAITE : L’APPROCHE DE LAX
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
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 .
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.
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
4.1. CONSISTANCE, STABILITÉ ET THÉORÈME DE LAX 51
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).
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.
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
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
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.
4.2 Applications
On illustre l’utilisation des différents concepts de consistance et stabilité à partir de quelques exemples.
∆x
xj−1 xj xj+1
un+1
h = (Ih + ∆tAh ) unh ,
54 CHAPITRE 4. ANALYSE NUMÉRIQUE ABSTRAITE : L’APPROCHE DE LAX
On écrira indistinctement kvh k = kvh k∞ = kvh kL∞ (R) . L’opérateur d’interpolation Πh : C ∞ (R) → Vh est
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
∆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.
4.2. APPLICATIONS 55
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
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).
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
xj− 21
xj+ 12
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.
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
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
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
58 CHAPITRE 4. ANALYSE NUMÉRIQUE ABSTRAITE : L’APPROCHE DE LAX
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
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
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
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
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.
59
60 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
un+1
j − unj X X
sj + mjk unj − mjk unk = 0. (5.2)
∆t + k − k
−
A+
jk = Ajl
tjk = (−β, α)
Maille l
njk = (α, β)
A+
jl Maille j
Maille k
A−
jk
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
P P
Lemme 30. On a k+ mjk = k− mjk .
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
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)
On a
X X ∆t mjk X X ∆t mjk
ϕ unj = ϕ unj
j
sj j
sj
k− k, ajk >0
et
X X ∆t mjk X X ∆t mjk
ϕ (unk ) = ϕ (unk ) .
j
sj j
sj
k− k, ajk <0
62 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
Or on a l’égalité
X X ∆t mjk X X ∆t mjk
ϕ unj = ϕ (unk ) .
j
sj j
sj
k, ajk >0 k, ajk <0
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+
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.
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 lj
B
lj
Maille j
E
G C
lj
a
F
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 ′ )
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−
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
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
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)
66 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
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
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
et
vkn = vjn + ∇u(n∆t, xj ) · (xk − xj ) + O(h2 ).
On supposera que les points sont tels que
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−
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.
68 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
Maille j
xj
njk a
xk
Maille k
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.
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].
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 .
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+
70 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
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.
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
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. 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.
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 ) .
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
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
74 CHAPITRE 5. ANALYSE NUMÉRIQUE DES VOLUMES FINIS
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
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
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
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
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
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).