Table des matières

0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1 Méthode des éléments …nis 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Hypothèses et dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Problème modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Solution approchée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Éléments …nis rectangulaire . . . . . . . . . . . . . . . . . . . . . 9
1.5 Erreur de discrétisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Estimation d’erreur a priori . . . . . . . . . . . . . . . . . . . . . 12
1.5.2 Estimation d’erreur a posteriori . . . . . . . . . . . . . . . . . . . 13
1.6 Qualité des estimateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.1 Indice d’e¢ cacité . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Estimateurs par dualité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 Estimation d’erreur en quantité d’intérêt 17

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Estimation d’erreur en quantité d’intérêt . . . . . . . . . . . . . . . . . . 18
2.2.1 Bornes d’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Construction des bornes . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.3 Qualité des bornes et des estimateurs . . . . . . . . . . . . . . . . 22
2.3 Estimation d’erreur en norme en énergie . . . . . . . . . . . . . . . . . . 24

1
 2.4 Bornes d’erreur en norme en énergie . . . . . . . . . . . . . . . . . . . . . 26
2.4.1 Borne supérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.2 Borne inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5 Contrôle adaptif de l’erreur F (e) . . . . . . . . . . . . . . . . . . . . . . 29

3 Simulation numérique 31
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2
0.1 Introduction
La méthode des éléments …nis est l’un des outils les plus utilisés dans la résolution
numérique des équations aux dérivées partielles.
Les origines de cette méthode remontent aux années 1950; lorsque des ingénieurs
l’utilisèrent a…n de simuler des problèmes de mécanique des milieux continus déformables.
Dans nos jours, cette méthode est utilisée comme un outil de simulation robuste pour
des problèmes de mécanique de ‡uide, de thermique, ou de …nance, d’après [1].
On aura besoin d’un vocabulaire mathématique adéquat tel que quelques dé…nitions
et notions fondamentales...etc.
Dans le premier chapitre, on donnera toutes les dé…nitions et les outils indispensables
pour le reste du travail, on accordera plus d’importance à l’application de la méthode
des éléments …nis au problème modèle donné et on présentera l’estimation d’erreur a
priori, l’estimation d’erreur a posteriori, la notion de la qualité des estimateurs, ainsi que
l’estimateur d’erreur a posteriori.
Le deuxième chapitre est consacré à l’estimation d’erreur en quantité d’intérêt. On
parlera des bornes d’erreur relatives et leurs constructions, ainsi que la qualité des bornes
des estimateurs. On présentera aussi l’estimation d’erreur en norme en énergie, ainsi que
les caractérisations des bornes supérieures et inférieures ; et en…n, le contrôle adaptif de
la quantité d’erreur.
Le contenu du troisième chapitre concerne à donner un exemple numérique qui expli-
cite les résultats théoriques étudiés dans les chapitres précédents.

3
Chapitre 1

Méthode des éléments …nis

1.1 Introduction
La méthode des éléments …nis est une méthode numérique d’approximation des solu-
tions des équations aux dérivées partielles. Cette méthode est construite à partir d’une
formulation équivalente du problème à résoudre ; qui est appelée formulation variation-
nelle du problème et nécessite le minimum de régularité de la solution. Dans cette dernière
formulation, le problème est posé en général dans un espace de dimension in…nie.
Cette méthode consiste à poser un problème analogue dans un sous-espace de di-
mension …nie, à partir d’une discrétisation du domaine où est dé…nie l’équation aux
dérivées partielles, ce qui nécessite la dé…nition de fonctions de base dont le choix est tel
que la matrice de discrétisation est la plus creuse possible. Elle permet également le calcul
de cette matrice qui s’appelle matrice de rigidité Ah et en…n d’obtenir les estimations
d’erreur.

4
1.2 Hypothèses et dé…nitions
Nous donnons ici quelques résultats principaux de l’analyse fonctionnelle nécessaire
à ce travail.
Notons tout d’abord qu’on se place dans la majeure partie des cas dans l’espace
d’Hilbert V; et dans tout ce qui suit nous désignons par h:; :i le produit scalaire dans V ,
k:k la norme associé et j:j la valeur absolue.

Dé…nition 1.1 [6] On dit que a(:; :) est une forme bilinéaire sur V V; si u ! a(u; v)
est une forme linéaire de V dans R pour tout v 2 V; et v ! a(u; v) est une forme linéaire
de V dans R pour tout u 2 V:

Dé…nition 1.2 [7] La forme bilinéaire a(:; :) est dite continue sur V V; s’il existe une
constante M > 0 tel que

ja(u; v)j M kukV kvkV ; 8u; v 2 V:

Dé…nition 1.3 [7] La forme bilinéaire a(:; :) sur V V; est dite V elliptique (ou coer-
cive) s’il existe une constante > 0 tel que :

a(v; v) kvk2V ; 8v 2 V:

Dé…nition 1.4 [6] On dit que L(:) est une forme linéaire sur V; si v ! L(v) est linéaire
de V dans R:

Dé…nition 1.5 [7] La forme linéaire L(:) est dite continue sur V; s’il existe une constante
k > 0 tel que
jL(v)j k kvkV ; 8v 2 V:

5
Dé…nition 1.6 [6] Les normes qui nous utiliserons dans ce travail sont les suivantes :

2
R 2
2
Norme L ( ) kvkL2 ( ) = (v) d :
1
R 2
2
Norme H 1 ( ) kvkH 1 ( ) = (v)2 + (rv) d :
1
Norme en énergie kvke = (a(v; v)) 2 :

Dé…nition 1.7 (Maillage adapté)

L’objectif d’une procédure de ra¢ nement adaptatif est de contrôler l’erreur de discrétisa-
tion en augmentant le nombre de degrés de liberté dans les zones où le modèle élément
…nis n’est pas adéquat.

Théorème 1.1 [6] (Lax-Milgram)

Soit V un espace d’Hilbert réel, L(:) une forme linéaire continue sur V , a(:; :) une forme
bilinéaire continue et coercive sur V . Alors la formulation variationnelle

a(u; v) = L(v) , 8v 2 V;

admet une unique solution. De plus cette solution dépend continûment de la forme li-
néaire L(:):

Théorème 1.2 [4] (Théorème de représentation de Riesz)

Soit V un espace d’Hilbert et soit V 0 son dual alors :

8L 2 V 0 ; 9 xL 2 V; L(v) = hxL ; viV ;

c’est-à-dire, toute forme linéaire continue sur V s’exprime comme le produit scalaire par
un vecteur xL 2 V: De plus, on a :

kxL kV = kLkV 0 :

6
1.3 Problème modèle
On considère le problème aux limites d’inconnue u 2 H 2 ( ) suivant :
8
>
> u = f dans
>
<
@u (1.1)
=g sur n
>
> @n
>
: u=0 sur d

où un domaine ouvert borné de l’espace Rd avec un bord Lipschitzien, f un second

membre qui appartient à l’espace L2 ( ) et g 2 L2 ( n ), les bords n et d sont tels que
d \ n = , d [ n = @ : On suppose ici que mes ( d) > 0:
Pour assurer l’existence et l’unicité de la solution de la formulation variationnelle de
ce problème dans un espace d’Hilbert, on applique le théorème de Lax-Milgram. Pour
cela on commence par la formulation variationnelle du problème (1:1) comme suit :

Formulation variationnelle

L’espace V est dé…ni sur et à valeurs dans R comme suit :

V = v 2 H 1 ( ) ; v = 0; sur d :

L’équation du problème (1:1) est multiplié par une fonction test v 2 V ; puis utilisant la
formule de Green sur , on obtient :

Z Z Z Z
@u @u
rurvd vd d vd n = f vd ; 8v 2 V:
@n @n
d n

@u
Comme @n
= g; sur n et u = 0; sur d. Alors :

Z Z Z
rurvd = f vd + gvd n ; 8v 2 V:
n

Par suite, la formulation variationnelle du problème (1:1), s’écrit comme

7
 8
< Trouver u 2 V tel que
(1.2)
: a(u; v) = L(v), 8v 2 V

avec : Z
a(u; v) = rurvd ; (1.3)

et Z Z
L(v) = f vd + gvd n: (1.4)
n

La forme bilinéaire est symétrique dé…nie positive sur V V associée à la norme en

énergie
0 1 21
Z
kvke = @ (rv)2 d A : (1.5)

Application du théorème de Lax-Milgram

1) La forme bilinéaire a(:; :) est continue sur V . En e¤et, d’après l’inégalité de Cauchy-
Schwartz, on obtient :
ja(u; v)j kukH 1 ( ) kvkH 1 ( ) :

2) La forme bilinéaire a(:; :) est coercive sur V . En e¤et, d’après l’inégalité de Poincaré,
on obtient :
a(v; v) kvk2 ; 8v 2 V:

3) La forme linéaire L(:) est continue sur V . En e¤et, d’après l’inégalité de Cauchy-
Schwartz, et la continuité de l’application de trace de H 1 ( ) dans L2 ( ); on obtient :

jL(v)j k kvkH 1 ( ) ; 8v 2 V;

avec k = kf kL2 ( ) + C kgkL2 ( n)

:

8
1.4 Solution approchée
Pour approcher la solution, on utilise la méthode classique de Galerkin, l’idée de cette
méthode est de se ramener à un espace de dimension …nie, en considérant des sous-espaces
vectoriel de dimension …nis V h V tel que

a(uh ; vh ) = L(vh ) , 8vh 2 V h : (1.6)

Pour montrer que cette dernière relation a une solution, on peut remarquer que tout
sous-espace vectoriel de dimension …nie V h de V est fermé et donc V h est un espace
d’Hilbert, ainsi on applique le théorème de Lax-Miligam à ce nouveau problème.

1.4.1 Éléments …nis rectangulaire

Un maillage rectangulaire

Soit un ouvert connexe polyédrique de RN : Un maillage rectangulaire de est un

ensemble h de N rectangles non dégénérés (Ki )1 i n qui véri…ent :
1) Ki et = [ni=1 Ki :
2) En dimension N = 2; l’intersection Ki \ Kj de deux rectangles distincts est soit
vide, soit un sommet commun, soit un arête commune entière.
Les sommets ou noeuds du maillage h sont les sommets des N rectangles Ki qui
le composent: Par convention, le diamètre h désigne le maximum des diamètres des
N rectangles Ki :

Treillis

Pour tout entier k 1; on dé…nit le treillis d’ordre k du N rectangles K comme

l’ensemble …nis

X xj lj 1 k 1
= fx 2 k tel que 2 f0; ; :::; ; 1g pour 1 j n: (1.7)
k
Lj lj k k

9
 Pour k = 1; il s’agit de l’ensemble des sommets de K:

Un exemple des treillis

Ensemble de polynômes Qk

On dé…nit Qk comme l’ensemble des polynômes à coe¢ cients réels de RN dans R de

degré inférieur ou égal à k par rapport à chaque variable c’est-à-dire que tout p 2 Qk
s’écrit sous la forme :

X iN
i1
p(x) = i1 ;:::;iN xi :::xN ; avec x = (x1 ; :::; xN ): (1.8)
0 i1 k;:::;0 iN k

Remarquons que le degré total de p peut être supérieur à k; ce qui di¤érencie l’espace
Qk de Pk ; où Pk est l’ensemble des polynômes à coe¢ cients réels de RN dans R de degré
inférieur ou égal à k dans le cas des éléments …nis triangulaire:
Degré k = 1 et dimension N = 2 : polynômes bilinéaires

p(x) = 0 + 1 x1 + 2 x2 + 3 x1 x2 : (1.9)

P
Unisolvance de pour Qk
k

Lemme 1.1 [2] Soit K un N rectangles. Soit un entier k 1: Alors, tout polynômes
P
de Qk est déterminé de manière unique par ses valeurs aux points du treillis d’ordre k :
k

10
Lemme 1.2 [2] Soit K et K 0 deux N rectangles ayant une face commune = @K\@K 0 :
P P
Alors, leur treillis d’ordre k 1; k et k0 ; coïncident sur cette face : De plus, étant
donné pk et pk0 ; deux polynômes de Qk ; la fonction v dé…nie par :
8
< p (x) si x 2 K
k
v(x) =
: p 0 (x) si x 2 K 0
k

est continue sur K [ K 0 ; si et seulement si pk et pk0 ont des valeurs qui coïncident aux
points du treillis sur la face commune :

Elément …nis Qk

Étant donné un maillage rectangulaire h d’un ouvert , la méthode des éléments

…nis Qk est dé…nie par l’espace discret.

Vh = fv 2 C( ) tel que v=Ki 2 Qk pour tout Ki 2 h g:

On appelle noeuds des degrés de liberté l’ensemble des points (^

ai )0 i ndl des treillis d’ordre
k de chacun des N rectangles Ki 2 h.

Proposition 1.1 [2] L’espace Vh est un sous- espace de H 1 ( ) dont la dimension est le
nombre de degrés de liberté ndl : De plus, il existe une base de Vh : ( i )1 i;j ndl dé…nie par

i (^
aj ) = ij 1 i; j ndl ; (1.10)

où 8
< 1 si x 2
ij (x) =
: 0 sinon

telle que
ndl
X
v(x) = v(^
aj ) i (x): (1.11)
i=1

11
1.5 Erreur de discrétisation
L’erreur numérique de l’approximation par éléments …nis uh de u; est dé…nie comme
la fonction e 2 V tel que
e=u uh : (1.12)

On remplaçant u par uh + e dans la formulation variationnelle du problème (1:1), on

obtient
a(e; v) = Rhu (v); 8v 2 V; (1.13)

où Rhu désigne le résidu

Rhu (v) = L(v) a(uh ; v); 8v 2 V: (1.14)

0
Le résidu est une forme linéaire borné sur V qui appartient à son dual V . On remarque
que le résidu Rhu (v) satisfait pour tout vh 2 V h

Rhu (vh ) = 0; 8vh 2 V h ; (1.15)

et donc, on conclut la propriété d’orthogonalité, d’après [3]

a(e; vh ) = 0; 8vh 2 V h : (1.16)

L’équation (1:13) indique que l’erreur e est solution du problème (1:1). Ce problème
est compliqué à résoudre et coûteux. Alors, au lieu de déterminer l’erreur elle-même, ce
sont des estimations qui seront recherchées.

1.5.1 Estimation d’erreur a priori

L’estimation d’erreur a priori se fait avant le calcul éléments …nis, car elle ne fait
pas intervenir l’approximation éléments …nis uh . Ainsi l’analyse fonctionnelle et l’analyse
numérique permettant, dans de nombreux cas et sous certaines hypothèses de régula-

12
rité, d’obtenir des résultats d’estimation a priori ; c’est-à-dire la prédiction du taux de
convergence asymptotique de l’erreur éléments …nis, d’après [6].
Une fonctionnelle e(h; d; u) est un estimateur d’erreur a priori si :

ku uh k e(h; d; u): (1.17)

Où h désigne la taille des éléments, d est un ensemble de données du problème et u la

solution exacte.
La convergence de la méthode des éléments …nis utilisée peut être obtenue si :

lim e(h; d; u) = 0; (1.18)

h!0

et le taux de convergence, s’il existe un réel q > 0 tel que :

ku uh k hq e(d; u): (1.19)

Les estimateurs d’erreur a priori ne permettant pas de quanti…er les erreurs sur la relation
éléments …nis car ils font intervenir la solution exacte qui n’est pas généralement connue.
Donc, il est important de remarquer que les estimations a priori supposent la connaissance
de la solution exacte et ses dérivées.

1.5.2 Estimation d’erreur a posteriori

L’objectif de l’estimation d’erreur a posteriori n’est pas de trouver une estimation de la

fonction erreur e mais de déterminer une estimation d’une mesure de l’erreur. Le principe
de base de ce type d’estimation est d’utiliser la solution approchée pour estimer l’erreur
de discrétisation. Par opposition à l’estimation a priori, les estimateurs a posteriori ne
peuvent se faire qu’une fois la solution approchée calculée.

13
 Une fonctionnelle (h; uh ; d) est un estimateur d’erreur a posteriori si

ku uh k (h; uh ; d); (1.20)

où h désigne la taille des éléments, d est un ensemble de données du problème et uh la

solution approchée. De plus, si (h; uh ; d) peut être localisée sous la forme, d’après [6] :

! 21
X
2
(h; uh ; d) = k (uh ; d) : (1.21)
k

Alors, les quantités k (uh ; d) sont appelées indicateurs locaux d’erreur qui sont des contri-
butions élémentaires de l’estimation de l’erreur global (h; uh ; d). Ils fournissent une base
pour l’adaptation de maillages. Cette dernière est une notion qui sera détaillée dans le
dernier chapitre.

1.6 Qualité des estimateurs

On cherche à construire un estimateur dont le comportement asymptotique ( quand
la taille h des éléments tend vers zéro ) suit celui de l’erreur. Ce comportement se traduit
par l’existence de deux constantes c1 et c2 , dépendantes des données du problème et de
la discrétisation mais pas de la taille des éléments …nis, véri…ant la relation suivante :

c1 kek c2 lorsque h tend vers zéro ; (1.22)

où représente l’estimation de la mesure kek de l’erreur e sur le domaine considéré.

14
1.6.1 Indice d’e¢ cacité

L’indice d’e¢ cacité est dé…ni comme le rapport entre l’erreur calculée par un esti-
mateur eestimee et l’erreur vraie evraie :

eestimee
= : (1.23)
evraie

À moins de disposer d’une solution analytique, l’erreur vraie est calculée comme la
di¤érence entre une solution obtenue sur un maillage très …n et la solution obtenue sur
un maillage donné. Un indice d’e¢ cacité proche de l’unité caractérise un bon estimateur.
Si cette propriété est atteinte quand la taille des éléments tend vers zéro, l’estimateur est
dit asymptotiquement exact. Globalement, il ne ressort que la qualité d’un estimateur
dépend de la topologie du maillage, de la régularité de la solution et de la régularité des
éléments.

1.7 Estimateurs par dualité

On présente maintenant une introduction aux techniques d’estimation d’erreur a pos-
teriori par dualité. Un des intérêts des techniques d’estimation d’erreur a posteriori par
dualité est qu’elles permettent d’estimer d’autres erreurs que celle mesurée dans la norme
de stabilité naturelle k:kV . Étant donné une fonctionnelle F : V ! R; on souhaite d’es-
timer la quantité suivante :
"F = F (u) F (uh ) : (1.24)

Dans les applications, la fonctionnelle F permet d’extraire une information sur la solution
qui intéresse plus directement le numéricien. Par la suite, on suppose que la fonction-
nelle F soit su¢ samment régulière pour qu’en tout v 2 V . Sa di¤érentielle soit dé…nie
0
F (v) 2 L(V; R) l’espace des formes linéaires de V dans R:

15
 A…n d’estimer la quantité "F , on introduit le problème dual suivant, d’après [1] :
8
>
< Trouver z 2 W tel que
R1 0 (1.25)
>
: a(v; z) = hF (uh + se) ; viV 0 ;V ds; 8v 2 V
0

où W = V = H 1 ( ).
On rappelle que le résidu Rhu (!) de la solution discrète uh en ! 2 W et dé…ni par

Rhu (!) = a(u uh ; !): (1.26)

Proposition 1.2 On a
8zh 2 W h ; "F = Rhu (z zh ) (1.27)

La formule (1:27) découle simplement du fait que

Z1
F 0
" = F (u) F (uh ) = hF (uh + se) ; viV 0 ;V ds = a(e; z) = Rhu (z) (1.28)
0

et on conclut grâce à la propriété de consistance :

8wh 2 W h ; Rhu (wh ) = 0 (1.29)

La formule (1:27) s’interprète comme une formule de représentation de l’erreur puisqu’elle

exprime le fait que la quantité "F est égale au résidu de la solution approchée sur la
di¤érence entre la solution du problème dual (1:25) et une fonction arbitraire dans W h :

16
Chapitre 2

Estimation d’erreur en quantité

d’intérêt

2.1 Introduction
Il est plus utile d’estimer une erreur en termes en quantités d’intérêt ; quantités ayant
un sens physique par exemple une moyenne de déplacement dans une sous région du
domaine physique ou une moyenne de contraintes sur une interface ou bien encore, dans
le cas de vibrations l’une des fréquences propres.
Mathématiquement, elles sont caractérisées par des fonctionnelles linéaires ou non
dans l’espace de fonctions aux quelles appartiennent les solutions.
Un exemple est donné :
La moyenne d’une composante du déplacement sur un domaine s est donnée
comme suit Z
1
F (v) = vx d
j sj
s

où vx est la dérivée de v par rapport à x:

17
 Dans la suite, seul le cas des fonctionnelles linéaires sera considéré car cela correspond
au cadre de l’approche simpli…ée présentée dans la suite.

2.2 Estimation d’erreur en quantité d’intérêt

0
Soit F une forme linéaire bornée dans V et on suppose que le but de l’estimation est
d’evaluer la quantité d’erreur F (u), on cherche alors à calculer la quantité "F qui est
dé…nie par :
"F = F (u) F (uh ) = F (u uh ) = F (e) ; (2.1)

où F est linéaire.
Pour evaluer "F ; on doit approcher l’erreur e utilisant (1:13).
Ainsi, de calculer "F = F (e) : L’approche alternative est de rapporter F (e) au résidu Rhu
sans calculer l’erreur e, on commence par trouver la relation entre la quantité F (e) et
Rhu :
On introduit alors une forme linéaire w qui est la fonction d’in‡uence inconnue ex-
primée par
F (e) = w (Rhu ) : (2.2)

On considère dans ce travail w comme un élément du bidual de V; et lorsque V est

supposé comme étant un espace d’Hilbert, ré‡exif, cette relation devient, d’après [3]

F (e) = Rhu (w) ; (2.3)

dans ce cas, w est identique avec un élément de V:

Utilisant (1:13) et (2:3) ; on obtient immédiatement

F (e) = a(e; w); (2.4)

qui est une relation entre l’erreur pour le problème de référence (1:2), la fonction

18
d’in‡uence et l’erreur en quantité d’intérêt.
L’égalité ci-dessus est nécessairement véri…ée lorsque w 2 V est solution du problème
dual, d’après [6]
8
< Trouver w 2 V tel que
(2.5)
: a(v; w) = F (v), 8v 2 V

Le théorème de Lax-Milgram permet de conclure l’existence et l’unicité de w dans V .

Il est di¢ cile de déterminer la fonction d’in‡uence w, on introduit alors une approxima-
tion éléments …nis wh 2 V h de w tel que :

a(vh ; wh ) = F (vh ), 8vh 2 V h ; (2.6)

d’après la propriété d’othogonalité (1:16), on obtient

a(e; wh ) = Rhu (wh ) = 0; (2.7)

par comparaison entre (2:4) et (2:7)

F (e) = a(e; w) a(e; wh ) = a(e; w wh ) = a(e; "); (2.8)

où " 2 V désigne l’erreur numérique dans wh c’est-à-dire " = w wh :

A partir de la relation fondamentale (2:8) ; di¤érentes techniques ont été développées
a…n d’estimer l’erreur en quantité d’intérêt. La technique la plus simple et la plus directe
est d’utiliser les estimateurs globaux de la norme en énergie. En appliquant l’inégalité de
Cauchy-Schwartz, une relation entre l’erreur en quantité d’intérêt et les normes en énergie
des erreurs sur le problème primal (1:1) et le problème dual (2:5) peut être trouvée :

jF (e)j keke k"ke : (2.9)

Cette expression nous permet ainsi d’estimer facilement l’erreur en quantité d’intérêt en

19
utilisant n’importe quel estimateur d’erreur en norme en énergie. Une approche consiste
à considérer l’expression exacte de l’erreur en quantité d’intérêt :

F (e) = a(e; w wh ) = Rhu (w wh ) : (2.10)

Le problème dual est résolu en utilisant une méthode d’approximation d’ordre élevé. Une
autre méthode, moins coûteuse consiste à utiliser des fonctions d’interpolation d’ordre
élevé, cette approche conduit à une borne supérieure garantie de l’erreur.

2.2.1 Bornes d’erreur

Bien que très simple à obtenir, la relation (2:9) produit une surestimation conséquente
de l’erreur. Di¤érentes techniques ont été proposées pour remédier à ce problème. En
utilisant la relation du parallélogramme pour les problèmes avec des formes bilinéaires
symétriques donnant accès à une borne supérieure et une borne inférieure de l’erreur.
Donc, une nouvelle relation pour F (e) a été proposée comme suit :

Théorème 2.1 [3] Si e et " sont les erreurs des approximations en éléments …nis res-
pectivement des solutions des problèmes primal et dual alors on a :

1 1
F (e) = a(e; ") = ke + "k2e ke "k2e : (2.11)
4 4

Preuve. On remarque que

ke + "k2e = a(e + "; e + ") = a(e; e) + 2a(e; ") + a("; ");

ke "k2e = a(e "; e ") = a(e; e) 2a(e; ") + a("; ");

par comparaison entre les deux résultats, on obtient :

ke + "k2e ke "k2e = 4a(e; ");

20
et la relation est prouvée.
On propose à modi…er la relation (2:11), pour cela on introduit un facteur scalaire
s 2 R tel que

1 2 1 2
F (e) = a(e; ") = a(se; s 1 ") = se + s 1 " e
se s 1" e
: (2.12)
4 4

La valeur de s est choisie pour que les quantités kseke et ks 1 "ke aient les mêmes ampli-
tudes c’est-à- dire kseke = ks 1 "ke qui implique que
s
k"ke
s= : (2.13)
keke

1 2 1 2
Le choix de s est justi…é car il minimise les quantités 4
kse + s 1 "ke et 4
kse s 1 "ke :
En e¤et, e et " peuvent être d’ordre de grandeur très di¤érente. Le scalaire s vise
à “normer” les deux termes, a…n d’éviter de faire une di¤érence de deux termes très
voisins car cela peut induire une erreur numérique importante. Formellement, n’importe
quel estimateur d’erreur existant peut être utilisé pour évaluer les normes en énergie de
la relation du parallélogramme ; en plus cette estimation sera “juste” meilleure sera la
qualité de l’estimateur d’erreur en quantité d’intérêt.

2.2.2 Construction des bornes

+ +
Soit inf ; sup ; inf ; et sup désigne les estimateurs d’erreur globaux tel que :

+
inf se + s 1 " e
+
sup ; (2.14)

inf se s 1" e sup : (2.15)

Ainsi, on peut écrire ces deux inégalités

1 + 2 1 2 1 2
inf se + s 1 " e
+
sup ; (2.16)
4 4 4

21
 1 2 1 2 1 2
inf se s 1" e sup ; (2.17)
4 4 4
et en les additionnant :

1 + 2 1 2 1 2 1 2 1 2 1 2
inf sup se + s 1 " e
se s 1" e
+
sup inf : (2.18)
4 4 4 4 4 4

Théorème 2.2 [3] (Bornes supérieures et inférieures)

F F
Soit les quantités inf et sup peuvent être dé…ni comme

F 1 + 2 1 2
sup = sup inf ; (2.19)
4 4

F 1 + 2 1 2
inf = inf sup : (2.20)
4 4
F F
Alors, inf et sup fournissent une borne inférieure et supérieure de F (e);

F F
inf F (e) sup : (2.21)

F F F
On constate que la moyenne de inf et sup nous donne moy qui est dé…nie comme
suit :

F
F (e) ' moy (2.22)
1 F F
= inf + sup
2
1 + 2 + 2 1 2 2
= ( inf + sup ) ( sup + inf ):
8 8

2.2.3 Qualité des bornes et des estimateurs

F F
On evalue la qualité des bornes inf et sup dans les termes des indices d’e¢ cacités de
+ +
inf ; sup ; inf ; et sup . Soit les indices d’e¢ cacités suivants :

sup
inf = kse s
inf
1 "k ; sup = kse s 1 "k ;
+
e
+
e (2.23)
+ + sup
inf = kse+s
inf
1 "k ; sup = kse+s 1 "k
:
e e

22
Alors, utilisons (2:12) et supposons que F (e) est di¤érent de zéro, on obtient :

F
inf 1 1 + 2 1 2
= inf sup (2.24)
F (e) F (e) 4 4
1 1 + 2 2 1 2 2
= inf se + s 1 " e sup se s 1" e
F (e) 4 4
1 1 + 2 2 1 2 2 2
= inf se + s 1 " e sup se + s 1 " e
+ sup F (e) ;
F (e) 4 4

donc, les indices d’e¢ cacités pour la borne inférieure sur F (e) sont donnés par :

2
F
F
inf 2 1 + 2 2 kse + s 1 "ke
inf = = sup + inf sup : (2.25)
F (e) 4 F (e)

De la même manière, on obtient pour la borne supérieure

F 2
F sup 2 1 + 2 2 kse + s 1 "ke
sup = = inf + sup inf : (2.26)
F (e) 4 F (e)

1" 2
kse+s k
Donc, la qualité des bornes est directement dépendante du ratio F (e)
e
; d’après [3] :
Ce ratio peut prendre des grandes valeurs dépendantes de la quantité d’intérêt.
Quand le but de l’adaptivité est de contrôler F (e) au lieu de keke , ce ratio peut prendre
F
une tendance croissante. Comme conséquence, pour obtenir les indices d’e¢ cacités sup
F
et inf s’approchant de 1, les indices d’e¢ cacités en considérant les quantités en norme
en énergie doivent être excellent c’est-à-dire proche de 1.
+ 2 2 + 2 2
Donc inf sup et sup inf proche de zéro. En plus, on peut s’attendre
F F
à ce que inf et sup se détériore quand le ratio devient très grand.
Une approche alternative pour obtenir les bornes de la quantité d’erreur F (e) découle
de la relation (2:8), utilisant l’inégalité de Cauchy-Schwartz on obtient :

X X
jF (e)j = ja(e; ")j jak (e; ")j keke;k k"ke;k (2.27)
k k

où ak (:; :) et k:ke;k désigne les restrictions de a(:; :) et k:ke sur un élément k:

23
 u w u w
Soit et désigne deux estimateurs globaux de keke et k"ke lorsque et peut
u w
être décomposé par des contributions k et k pour chaque élément k alors, on a

X
F u w
c:s = k k (2.28)
k

tel que
X
F
jF (e)j keke;k k"ke;k ' c:s
k

2.3 Estimation d’erreur en norme en énergie

Dans ce qui suit, on fait une analyse rapide pour obtenir les bornes globales inférieures
et supérieures de l’erreur en norme en énergie qui peut être utilisée dans l’estimation
d’erreur en quantité d’intérêt. On rappelle que l’erreur e dans la solution numérique uh
est dé…nie par :
a(e; v) = Rhu (v) = L(v) a(uh ; v); 8v 2 V; (2.29)

où l’erreur e dans l’approximation éléments …nis wh de la fonction d’in‡uence satisfait :

a(v; ") = Rhw (v) = F (v) a(v; wh ); 8v 2 V: (2.30)

D’autre part, les estimateurs d’erreur sont présentés en considérant l’erreur e qui est
seulement les résultats simples appliqués à ".
L’objectif est d’estimer la quantité keke par l’approche des résidus. On introduit alors
la norme du résidu dans l’espace dual V 0 comme

jRhu (v)j
kRhu k = sup : (2.31)
v2V nf0g kvke

Par suite, l’erreur peut être rapportée au résidu comme le suit :

24
Théorème 2.3 [3] Soit e 2 V l’erreur dans l’approximation uh de la solution exacte du
problème (1:1) et soit Rhu 2 V 0 désigne le résidu comme il est dé…ni dans (2:29) alors :

keke = kRhu k : (2.32)

Preuve. Pour obtenir cette dernière relation, on remplace v par e dans (2:29), on
obtient :
kek2e = a(e; e) = Rhu (e) kRhu k keke ;

qui montre que keke kRhu k .

Puis, on montre que kRhu k keke , d’après la dé…nition de la norme du résidu,
utilisons la relation (2:29) et l’inégalité de Cauchy-Schwartz, alors :

jRhu (v)j ja(e; v)j keke kvke

kRhu k = sup = sup sup keke ;
v2V nf0g kvke v2V nf0g kvke v2V nf0g kvke

qui complète l’égalité considéré.

Ainsi, la norme en énergie représente la norme optimale dont l’erreur peut être estimée
utilisant l’information fournie par le résidu. Malheureusement, la norme du résidu n’est
pas facilement calculable.
Utilisant le théorème de représentation de Riesz, il existe une unique fonction ' 2 V
qui satisfait, d’après [3] :
kRhu k = k'ke ; (2.33)

et
a('; v) = Rhu (v); 8v 2 V (2.34)

lorsque les problèmes (2.29) et (2.34) sont identiques et parce que leurs solutions sont
uniques, on conclut que ' = e: Cependant, on retient la notation ' lorsque les fonctions
' et e peuvent être di¤érentes pour les problèmes qui ne sont pas symétriques dé…nis
positifs, on constate que le problème (2.34) est de dimension in…nie, qui implique que

25
seulement les approximations de ' peuvent être obtenues.
L’objectif est alors de "post procédé" le résidu dans une manière e¢ cace pour dériver
les bornes inférieures et supérieures sur keke ; c’est-à-dire kRhu k , ceci peut être achevé
par la construction de deux espaces adéquat V et V+ ; tel que V V V+ alors :

jRhu (v)j jRhu (v)j

sup jRhu (v)j sup ; (2.35)
v2V nf0g kvke v2V+ nf0g kvke

pourvu que l’on puisse que on peut trouver une extension propre de Rhu de l’espace V+ :

2.4 Bornes d’erreur en norme en énergie

2.4.1 Borne supérieure

Soit ph une partition de dans les éléments k, k = 1; :::; Ne ; il est préférable de

considérer les espaces locaux Vk pour chaque élément k 2 ph comme

Vk = vk 2 H 1 ( k ); vk = 0; sur d \@ k :

Donc, on introduit l’espace de discrétisation V (ph ) comme

V (ph ) = v 2 L2 ( ); vk = vnk 2 Vk ; 8 k 2 ph :

Il est important de remarquer que V V (ph ); d’après [3] :

On désigne par : Z
a(uk ; vk ) = ruk rvk dx; (2.36)
k

et Z Z
u
Rh;k (vk ) = fnk vk dx ruhnk rvk dx; (2.37)
k k

u
des restrictions de la forme a(:; :) et Rh;k (:) sur un élément k de la partition de : Ainsi,

26
les extensions du résidu Rhu de l’espace V (ph ) sont données par :
2 3
X I
ehu (v) =
R 4Rhu (vnk ) + gk vnk ds5 ; (2.38)
k @ k

où les fonctions arbitraires gk doivent satisfaire la condition, d’après [3]

I
gk vnk ds = 0; 8v 2 V:
@ k

Théorème 2.4 [3] (Borne supérieure)

Pour chaque élément k 2 ph ; soit 'k 2 Vk désigne la solution de :
I
u
a('k ; vk ) = Rh;k (vk ) + gk vnk ds; 8vk 2 Vk ; (2.39)
@ k

alors sX sX
keke = kRhu k k'k k2e;k = a('k ; 'k ): (2.40)
k k

La dimension de l’espace Vk est in…nie, donc les problèmes locaux (2:39) sont bien
approximés dans les espaces élément …nis locaux. Par exemple, au lieu de (2:39), on résous
e k 2 Vekh tel que :
pour '
I
a(e
' k ; vk ) = u
Rh;k (vk ) + gk vnk ds; 8vk 2 Vekh ; (2.41)
@ k

où Vekh est l’espace discret Vkh .

u
On désigne …nalement par sup à les estimateurs d’erreur en norme en énergie

sX sX
u
sup = 'k k2e;k
ke = a(e e k ):
'k ; ' (2.42)
k k

u
La quantité sup n’est pas garantie pour fournir une borne supérieure sur keke due à

27
 u
e k de 'k : En outre, l’expérience numérique montrera que
l’approximation ' sup est une
borne supérieure quand h est assez petit, d’après [3].

2.4.2 Borne inférieure

Pour obtenir une borne inférieure, on a vu qu’il est nécessaire de déterminer un

espace vectoriel V V: Soit W un espace des éléments …nis. Généralement, l’espace de
perturbation construit comme

W 6= f0g ; W \ V h = f0g ; W [ V h V:

Théorème 2.5 [3](Borne inférieure)

w
a( ; v) = Rhu (v); 8v 2 W; (2.43)

alors
keke = kRhu k k ke : (2.44)

Le choix de W n’est pas unique, il est contrôlé par le changement entre la précision
et le coût, d’après [3]. Pour la haute précision, il est désirable que W contient beaucoup
de degrés de liberté, mais ceci en retour découle en un problème coûteux (2:43).
Finalement, pour résoudre le problème global (2:43) on propose d’utiliser la méthode
du gradient conjugué seulement en savant quelques itérations. La qualité de cette borne
inférieure dépendant de "l’abondance" de W .
Par suite, la borne inférieure peut être améliorée par un processus recyclage ; leur coût
est négligeable lorsque la solution élément …nis uh est résous par une méthode directe,
comme suit :

28
Théorème 2.6 [3] (Amélioration de la borne inférieure)
Soit 2 W une solution de (2:43) et soit 2 V h une fonction qui satisfait :

a( ; v) = a( ; v); 8v 2 V h ; (2.45)

alors
q
keke = kRhu k k k2e + k k2e : (2.46)

u
On désigne par inf l’estimateur d’erreur en norme en énergie

q
u
inf = k k2e + k k2e ; (2.47)

qui fournit une borne inférieure garantie sur keke :

2.5 Contrôle adaptif de l’erreur F (e)

La simple stratégie pour contrôler l’erreur d’approximation consiste en un processus
itératif où leur étapes sont décrites ci-dessous, cette stratégie est très générale puisque
elle ne plus demander aucun information sur le type du problème, l’algorithme est décrit
comme suit :
1) Construire un maillage initial grossie dans :
2) Calculer la solution élément …nis uh :
3) Calculer une estimation d’erreur en quantité d’intérêt.
4) Véri…er que l’erreur relative est petit que la tolérance donnée ctol :
Le procédure itérative est terminée si la tolérance est atteinte.
5) Si la tolérance est non atteinte, adapter le maillage élément …nis pour réduire les
e¤ets des sources d’erreurs.
6) Aller à l’étape 2:
On avait vu dans la section précédente une approche pour estimer les fonctionnelles

29
linéaires bornés. Dans ce cas, l’erreur relative est donnée par :

jF (e)j
erel = : (2.48)
jF (u)j

Alors, le maillage à besoin d’être adapté quand :

F
erel ctol ; (2.49)
jF (uh )j

F
où désigne un estimateur d’erreur pour F (e).
On remarque donc que l’erreur relative à besoin d’être utilisée comme des contribu-
tions de la quantité F (u) qui peut s’éliminer pour u non nul.
L’objectif dans l’adaptation du maillage est de ra¢ ner les éléments qui exposent des
grandes sources de l’erreur. Dans ce cas, cette simpli…cation signi…é le ra¢ nement des
éléments qui contribue le plus à la quantité F (e); ceci est possible par la décomposition
F
de l’estimation dans les contributions des éléments par morceaux.

30
Chapitre 3

Simulation numérique

3.1 Introduction
Dans ce chapitre, on illustre les résultats du chapitre précédent par un exemple nu-
mérique. Pour cela, on s’est intéressé à l’équation de Laplace sur un domaine carré en
dimension 2; avec des conditions aux bords.

3.2 Exemple numérique

Soit = ]0; 1[ ]0; 1[ et l’équation

4u = f; dans ; (3.1)

qui satisfait les conditions aux bords

@u
= 0 sur x = 0; x = 1; y = 1;
@n
u = 0 sur y = 0:

31
La solution de cette classe des problèmes appartient à l’espace

V = v 2 H 1 ( ); v = 0 sur y = 0 ;

pour f assez régulière, on considère le problème particulier où la solution exacte u est

donnée par la fonction

2 2
u(x; y) = 5x2 (1 x)2 (e10x 1)y 2 (1 y)2 (e10y 1); (3.2)

qui est tracé par la …gure 3:1; (voir la page 34) :

On remarque que la solution possède une symétrie par rapport à la ligne x = y: Mais,
le même problème n’est pas symétrique à cause du choix particulier des conditions aux
bords. Comme conséquence, le maillage adapté n’est pas nécessairement symétrique.
Dans cette expérience, le domaine est initialement discrétisé par un maillage uniforme
de 64 éléments comme il est apparait sur la …gure 3:2, (voir la page 34) :
u u
En ce cas, on étudie brièvement les estimateurs d’erreur globaux inf et sup .

On mesure la qualité des estimateurs avec l’indice d’e¢ cacité

u
= ; (3.3)
keke

u u u
où réfère à inf ou sup . Les estimateurs d’erreur sont testés sur une suite des maillages
obtenus par un ra¢ nement adaptive globale ; le maillage …nal contient 1271 éléments est
apparait sur la …gure 3:3, (voir la page 35).
L’erreur relative est présentée sur la …gure 3:4, (voir la page 35) expose un premier
ordre de taux de convergence.
En e¤et, utilisant les deux points derniers dans le graphe de l’erreur relative on obtient
1
erel = 0:03O(Ndl2 ); d’après [3] ;
où Ndl désigne le nombre totale de degrés de liberté.
Les indices d’e¢ cacités pour les estimateurs des bornes inférieures et supérieures,

32
en tenant compte le nombre de degrés de liberté, qui sont présentés sur la …gure 3:5,
(voir la page 36).
On constate que tous les estimateurs fournissent des indices d’e¢ cacités s’approchant
u
de 1: Mais, sup peut fournir une borne supérieure de l’erreur exact lorsque le nombre de
u u
degrés de liberté est petit. En outre, on constate que inf est toujours plus petit que sup :

33
Fig. 3-1 –Solution exacte

Fig. 3-2 –Maillage initial

34
Fig. 3-3 –Maillage adaptif des estimateurs d’erreurs globaux

Fig. 3-4 –Erreur relative de l’adaptation global du maillage

35
Fig. 3-5 –Indices d’e¢ cacité des bornes en norme en énergie

36
 Conclusions et perspectives
Les estimateurs d’erreurs en quantité d’intérêt restent un domaine très vaste, et
l’adaptation de maillage via ces estimateurs est un thème d’actualité. Il serait très inté-
ressant de dévolopper ce même sujet pour d’autres types de problèmes.

37
Bibliographie

[1] A.Ern, Aide-mémoire Éléments …nis. Aide-mémoire de l’ingénieur, Dunod, Paris

2005.

[2] G. Allaire, Analyse numérique et optimisation, Ecole Polytechnique (Editions), Pa-

ris, Janvier 2005:

[3] J.T.Oden et S.Prudhomme, Goal-Oriented Error Estimation and Adaptivity for

the Finite Element Method, Computers and Mathematics with Applications 41 (2001)
735 756; Pergamon.

[4] Leborgne. G, Approximations variationnelles de problèmes aux limites elliptiques et

éléments …nis, ISIMA, septembre 2008:

[5] P.Spiteri, Présentation générale de la méthode des éléments …nis, ENSEEIHT,

Juillet 2002:

[6] S.Brahimi et S.Oudina, Estimation d’erreur en quantité d’intérêt pour un problème

elliptique. Mémoire en Master de l’Université du 20 Août, Skikda, Juin 2012:

[7] S.Mokhtari et M.Bendjama, Résolution numérique des inéquations variation-

nelles. Mémoire en Master de l’Université du 20 Août, Skikda, Juin 2011:

38