Académique Documents
Professionnel Documents
Culture Documents
Philippe TRAORE 1
2
Qu’est-ce que la Modélisation des Systèmes Multiphysiques?
Pourquoi modélise-t-on ?
Les ingénieurs sont confrontés à un environnement technologique
mais aussi économique de plus en plus complexe.
3
Qu’est-ce que la Modélisation des Systèmes Multiphysiques?
Que modélise-t-on ?
4
Qu’est-ce que la Modélisation des Systèmes Multiphysiques?
Comment modélise-t-on ?
Chaque bloc est causal. C’est-à-dire qu’il a une entrée (la cause), une
sortie (l’effet) et une fonction de transfert qui relie l’entrée à la sortie.
6
Qu’est-ce que la Modélisation des Systèmes Multiphysiques ?
Lorsque la fonction est donnée par une équation différentielle ordinaire :
EDO (ou par un système d’équations différentielles) ou par une équation
aux dérivées partielles : EDP (ou par un système d’équations aux
dérivées partielles), une solution analytique est rarement disponible.
9
C'est donc l'intersection de plusieurs disciplines
Physique Informatique
MSM
Mathématiques appliquées
10
Super calculateurs
Power: 17.8 MW
Consommation électrique
d’une ville de 25000 habitants
11
12
La MSM est toujours liée à la Simulation numérique.
14
Disciplines concernées par la CFD
Aéronautique
Combustion
Ecoulements géophysiques
Météorologie
Ecoulements diphasiques
Ingénierie automobile
Ingénierie
15
16
Calcul scientifique et mathématiques appliquées
18
Equations aux dérivées partielles
Concepts de base et définitions
La théorie concernant les EDP (existence, unicité ) n'est pas aussi bien
développée que pour les EDO.
Quant une solution existe cette solution est si triviale qu'elle est inutile
d'un point de vue pratique ou industriel.
21
Solution
22
Suivant la valeur des coefficients a, b, c, on distingue 3 cas:
• b 2
4ac 0
L'équation est dite hyperbolique.
Un exemple de ce type d'équations est l'équation des "cordes vibrantes"
1 2u 2u
2 0
c t
* 2
x
• b 4ac 0
2
24
Méthodes de résolution
Les méthodes pour résoudre une EDP peuvent être classées en deux
groupes:
• Méthodes d' approximation d'équations où l’on cherche
la solution exacte d'une équation approchée.
•Différences Finies
•Volumes Finis
•Eléments Finis
•Méthodes Spectrales
26
• Peut on utiliser un maillage mono-bloc structuré? (DF, VF, EF, S)
• Doit on utiliser un maillage multi-bloc ? (DF, VF, EF)
• Doit on utiliser un maillage non-structuré ? (VF, EF)
29
Introduction
30
Généralement les équations modèles ont des dérivées spatiales
et temporelles. On peut soit:
33
Maillage
XL
Coordonnée h
NI
X i i h i 0, NI
34
Maillage 2D uniformément espacé
35
Maillage 2D uniformément espacé
36
Développement en Série de Taylor
h u h 2 2u h 3 3u
u ( x0 h ) u ( x0 ) 2
3
....
1! x x0 2! x x 3! x x
0 0
hn nu
n
n 0 n ! x x
0
37
Plus on prendra de termes dans la série plus précise sera l'approximation
de u ( x0 h )
38
Schémas aux différences finies 1D
u h 2 2u (2)
u ( x0 h) u ( x0 ) h 2
O ( h 3
)
x x0 2 x x
0
u u ( x0 h ) u ( x 0 h )
O ( h 2
)
x x0 2h
2u u( x0 h ) 2u( x0 ) u ( x0 h )
2
O ( h 2
)
x x h 2
0
41
Schémas aux différences finies 1D
Dérivée première
Dérivée seconde
h u h 2 2u
u ( x0 hx , y0 ) u ( x0 , y0 ) 2
....
1! x ( x0 , y0 ) 2! x ( x , y )
0 0
hn nu
n
n 0 n ! x ( x , y
0 0)
h u h 2 2u
u ( x0 , y0 h y ) u ( x0 , y0 ) 2
....
1! y ( x0 , y0 ) 2! y ( x , y )
0 0
hn nu
n
n 0 n ! y ( x , y
0 0)
Dérivées premières
u u ( x0 hx , y0 ) u ( x0 , y0 )
O ( hx )
x ( x0 , y0 ) hx
u u ( x0 , y0 h y ) u ( x0 , y0 )
O (hy )
y ( x0 , y0 ) hy
u u ( x0 , y0 ) u( x0 hx , y0 )
O ( hx )
x ( x0 , y0 ) hx
u u ( x0 , y0 ) u ( x0 , y0 h y )
O (hy )
y ( x0 , y0 ) hy
44
u u ( x0 hx , y0 ) u ( x0 hx , y0 )
O ( h 2
x)
x ( x0 , y0 ) 2 hx
u u ( x0 , y0 h y ) u ( x0 , y0 h y )
O ( h 2
y)
y ( x0 , y0 ) 2h y
Dérivées secondes
2u u ( x0 hx , y0 ) 2u ( x0 , y0 ) u( x0 hx , y0 )
2
O ( h 2
x)
x ( x , y ) 2
hx
0 0
2u u( x0 , y0 hy ) 2u( x0 , y0 ) u( x0 , y0 h y )
2
O ( h 2
y)
y ( x , y ) 2
hy
0 0
45
Notations
On a:
u ui 1 ui
O (h )
x i h
u ui ui 1
O (h )
x i h
u ui 1 ui 1 2 u ui 1 2ui ui 1
O ( h 2
) 2
O ( h 2
)
x i 2h x i h 2
46
direction x : h x
direction y : h y
direction z : h z
47
Schémas aux différences finies 2D
Dérivées premières
u ui 1, j ui , j u ui , j 1 ui , j
O ( y )
O ( x ) y i , j y
x i , j x
u ui , j ui 1, j u ui , j ui , j 1
O ( x )
O ( y )
x i , j x y i , j y
u ui 1, j ui1, j ui , j 1 ui , j 1
O ( x 2
) u
x i , j 2x O ( y 2
)
y i , j 2y
Dérivées secondes
2u ui 1, j 2ui , j ui 1, j
2
O ( x 2
)
x i , j x 2
2u ui , j 1 2ui , j ui , j 1
2
O ( y 2
)
y i , j y 2 48
Schémas aux différences finies 3D
Dérivées premières
u ui , j ,k 1 ui , j ,k
O ( z )
z i , j ,k z
u ui , j ui , j ,k 1
O ( z )
z i , j ,k z
u ui , j ,k 1 ui , j ,k 1
O ( z 2
)
z i , j ,k 2 z
Dérivées secondes
2u ui , j ,k 1 2ui , j ,k ui , j ,k 1
2
O ( z 2
)
z i , j ,k z 2
49
Procédure générale de construction de nouveaux schémas
u
aui 1 bui cui 1 (1)
x i
u u x u x u
2 2 3 3
a ui x 2
3
.......
x i x i 2 x i 3! x i
bui
u x u x u
2 2 3 3
c ui x 2
3
....... 50
x i 2 x i 3! x i
u
ui ( a b c )
x i
u
( a x cx )
x i
2u x 2 x 2 3u x 3 x 3
x 2 ( a 2 c 2 ) x 3 ( a 3! c 3! )
i i
1
a b c 0 a
et 2x
( a c ) x 1
b0
a c 0
c a
51
u 1 1 ui1 ui1
ui 1 ui 1
x i 2x 2x 2 x
Le terme 3
u x 3
x 3
est le premier terme
3
a c
x i 3! 3!
négligé et c’est ce que l’on appelle l’erreur de troncature ET
Equation de Poisson 1D
L
2U
f ( x)
x 2
U0 U1 U2 U3 U4 U5 U6 U7 U8 UNI
L
h h
NI
Points inconnus
56
Un schéma centré du second ordre donne *
U i1 2U i U i1
2
fi o( h 2 )
h
f i f ( xi ) xi ih
U i1 2U i , j U i1 h 2 fi
Ce qui peut être écrit sous la forme d’un système linéaire du type
57
.
.
.
.
.
0 2
h fi1
2
A= ad c B h fi
h 2 fi1
0
.
.
.
a c 1 .
d 2 .
58
Différences finies pour les équations elliptiques
Equation de Poisson 2D
2U 2U
2 f ( x, y )
x 2
y
Points inconnus
59
Un schéma centré du second ordre donne *
U i 1, j 2U i , j U i 1, j U i , j 1 2U i , j U i , j 1
fi , j o( h 2 )
h2 h2
f i , j f ( xi , y j )
Ce qui peut être écrit sous la forme d’un système linéaire du type
60
* Pour simplifier on utilise un maillage régulier dans les deux directions
. .
. .
U i , j 1 h 2 f i , j 1
. .
. .
2
U i 1, j h f i 1, j
2
X U i , j A= B h fi, j
U h2 f
i 1, j i 1, j
. .
. .
U i , j 1 h 2 f i , j 1
e=a=c=f=1
. d=-4 .
. .
61
Maillage irrégulier dans les deux directions
LY y
LX LY
x ; y
NI NJ
x
LX
U i1, j 2U i , j U i1, j U i , j 1 2U i , j U i , j 1
fi , j o ( x 2 , y 2 )
x 2 y 2
f i , j f ( xi , y j )
1 1 2 2 1 1
U i , j 1 2 U i 1, j 2 2 U i , j 2 U i 1, j 2 U i , j 1 fi , j
y 2
x x y x y
62
La structure de la matrice est tri-diagonale en 1D
penta-diagonale en 2D
hepta-diagonale en 3D
63
7 8 9
4 5 6
1 2 3
u1
u
2
u3
u4
u5
u6
u
7 64
u9
3 6 9
2 5 8
1 4 7
u1
u
2
u3
u4
u5
u6
u
7 65
u9
En 1D
• Un schéma centré du second ordre donnera lieu à une
matrice tri-diagonale.
2U U i 1, j 2U i , j U i 1, j
2
x i , j x 2
En 3D
67
Une équation aux dérivées partielles peut faire intervenir des dérivées
spatiales, en générale:
2
; 2 1D
x x
2 2
; 2; ; 2 2D
x x y y
2 2 2
; 2; ; 2; ; 2 3D
x x y y z z
Et des dérivées temporelles, en général:
t
68
2
En 1D s’il n’y a que des dérivée spatiales ; 2;
x x
x
i= 0 i=1 i=2 i=3 i=4 i=5 i=6 i=NI
pour tous les points i de 1 à NI-1. Le comportement de la solution sur les deux
points i=0 et i=NI est supposé être connu car ce sont les conditions aux limites.
69
Si nous avons de plus une dérivée temporelle
t
il faudra non seulement trouver la solution i pour tous les points i mais de
plus trouver la solution au cours du temps c’est-à-dire le long de l’axe t pour
tous les n . La fonction inconnue est alors notée: i
n
70
t
NTMAX
0
1
NTMAX
NTMAX
2
3
NTMAX 4NTMAX 5NTMAX 6NTMAX NINTMAX
n=NTMAX
0
6
1
6
6
2
6
3 6
4
6
5 6
6
NI6
n=6
5
0
1
5
5
2
5
3 5
4
55 65 NI5
n=5
4
0
1
4
4
2
4
3 4
4
54 64 NI4
n=4
3
0
1
3
3
2
3
3 3
4
53 63 NI3
n=3
2
0
1
2
2
2
2
3 2
4
2
5 2
6
NI2
n=2
1
0
1
1 1
2
1
3 1
4
51 61 NI
1
n=1
0
0
10 0
2
0
3
40 50 60 NI0
n=0 x
i= 0 i=1 i=2 i=3 i=4 i=5 i=6 i=NI
n 1
i 1 i
n 1 in11
tn+1
x
t in
tn
x
t Xi-1 Xi Xi+1
tn-1
x x
x
i-1 i i+1
t3 x
y
t
t2
y x
Point de Condition à la limite
t
Point où on cherche la solution
t1
x
y
t y
Point de Condition initiale
t0
x x
73
Il y a deux caractéristiques pour un schéma en temps:
• sa nature (explicite/implicite)
• son ordre qui caractérise sa précision
74
n
n 1 T
T T t
n
o ( t 2
)
t
n
T T n1 T n
o( t ) dérivée première aval
t t
Forward Euler Scheme
n
n 1 T
T T tn
o ( t 2
)
t
n
T T n T n1
o(t ) dérivée première amont
t t
Backward Euler Scheme
75
Forward Euler
2
t i x i
n
T Ti n1 Ti n
dérivée première aval O ( t )
t i t
n
T Ti n1 2Ti n Ti n1
2
dérivée seconde centrée O( x2 )
2
x i x2
76
Ti n 1 Ti n Ti n1 2Ti n Ti n1
t x2
n1 n t n 2t n t
Ti Ti 1 2 Ti 1 2
Ti1 2 (2)
x x x
77
Backward Euler
2
t i x i
n
T Ti n Ti n1 dérivée première amont O ( t )
t i t
n
T Tin1 2Ti n Ti n1
2
2
dérivée seconde centrée O( x 2 )
x i x2
Ti Ti
n n 1
T 2Ti T
n n n
Ti n1 Ti n Tin11 2Ti n1 Ti n11
i 1 i 1
t x2 t x2
78
t 2t n 1 t
Tin11 2 Ti n1 1 2
Ti 1 2
Ti
n
(3)
x x x
L’équation (3) écrite pour tous points "i" conduit à un système linéaire
de la forme:
n1 n
AX b
79
où
T1n1 T1n
n1 n
T2 T2
. .
n 1
Ti Ti
n
. .
. .
n1 n
TNI 1 TNI 1
n1 n
A X b
les coefficients a, d et c sont maintenant:
t
a c 2
x
2t
d 1 2
80
x
Equation d’advection pure
n n
u 0 u 0
t x t i x i
Traitement explicite
Forward Euler
n 1 n
in1 n
i
u i i 1
0 o(t , x 2 )
t 2x
u t n
i
n 1
i
n
2x
i 1 in1
81
Traitement implicite
Backward Euler
n 1 n
in11 n1
i
u i i 1
0 o( t , x 2 )
t 2x
C n1 C n1
i
n 1
i1 i 1 in
2 2
82
C n1 C n1
i 1 i i 1 in
n 1
2 2
n 1 n
AX B
1n1 1n
. .
n1 .
n1 i 1
n n
X i n 1 B i
A= n1 .
i 1
. .
n1 n
NI 1 NI 1
C C
avec a d 1 c
2 2 83
Résolution
Stockage n1
du résultat au pas de temps
b Xn
mise à jour du second membre
next n
85
Consistance, Stabilité, Convergence
Consistance
Les schémas utilisés pour résoudre cette EDP, qui conduisent à cette ET
sont consistants.
86
Cette idée de consistance peut être vue comme une “fiabilité locale“
entre l’équation discrete et l’EDP.
87
Stabilité
Cette notion est intimement liée avec celle de convergence
88
La différence majeure entre ces deux situations est que le dernier pas
peut cumuler toutes les erreurs de discrétisation des pas de temps
précédents.
89
Un schéma est stable si la solution numérique reste bornée
durant l’évolution temporelle.
90
00 1 x
Un schéma numérique est stable si les erreurs, quelqu’en soient les
origines (troncature, erreurs d’arrondi,…) ne croissent pas à chaque pas
de temps du problème séquentiel.
91
Convergence
Un schéma est convergent si la différence Ti T ( xi )
tend vers zéro lorsque les pas de discrétisation tendent vers zéro.
Comme générallement on ne dispose pas de la solution exacte T ( xi )
c’est assez difficile à établir ainsi.
Cela étant le théorème de Lax nous dit:
Theorem de Lax
“Pour un problème linéaire, la consistance et la stabilité sont nécessaires
et suffisants pour assurer la convergence."
93
La solution sera stable si et seulement si i décroit lorsque la solution
progresse dans le temps.
En d’autres termes on doit vérifier que:
in 1
1 (3)
i n
n 1
e ( t t )
e jkxi in1 e ( t t ) e jkx i
t
i t jkx
e G
i n
e e i
n
i 1 e et jk ( xi x )
in1 e t e jk ( x x )
i
Condition de stabilité G 1
e t e jkxi et 1 e jk x 2 e jk x
e t e jkxi
t x 2
95
et 1 e jk x 2 e jk x
t (x) 2
t
ou e 1 cos( k x ) 1 4sin 2
(k x / 2) comme e j cos j sin
2
t ( x) 2 ( x ) 2
t 4t
ainsi e 1 sin 2
( k x / 2) G
(x) 2
96
e ( t t ) e jkxi t
L’équation (3) t jkxi
1 e 1
e e
or 4t 4t
1 sin (k x / 2) 1
2
(x) 2
(x) 2
4t
ainsi G 1 1 G 1 1 1 1
( x ) 2
(x) 2
t
2 97
Equation d’advection pure u 0
t x
in1 in in in1
Schéma explicite amont: u 0
t x
et 1 1 e jk x
u 0
t x
u t
et
1
x
1 e jk x
98
et 1 C 1 e jk x
e t
1 C 1 cos(k x) j sin(k x)
t
e 1 C C cos( k x) j (C sin(k x ))
t 2
1 C C cos(k x) C 2 sin 2 ( k x )
2
G e2
2(1 C )C cos(k x )
99
G 1 C C 2 2(1 C )C cos(k x)
2 2
1 2(C C 2 ) cos( ) 1 1
2(C C ) cos( ) 1 0
2
100
2(C C 2 ) cos( ) 1 0
C C2 0 C C2 0 C 1
cos( ) 1 0 impossible cos( ) 1 0
101
Le schéma spatial explicite, amont est conditionellement i n
n
i 1
x
stable
u t x
La condition de stabilité est: C 1 soit t
x u
Les schémas spatiaux explicites, centré et aval in1 in1 in1 in
2x x
sont inconditionellement instables
Autrement dit ils sont instables tout le temps c’est à dire t
n 1
Les schémas spatiaux implicites, centré, amont ou aval i 1 n1
i 1
2 x
in1 in11 in11 in1
x x
sont inconditionellement stables 102
Autrement dit ils sont stables tout le temps c’est à dire quelque soit la
valeur de t
Implémentation des conditions aux limites
EDP ( ) /
Conditions aux limites / i 4
1 2
3
Qu’est ce qui rend la solution d’une EDP unique?
les conditions aux limites !
Une EDP ne peut être résolue sans la spécification de la façon
dont la solution se comporte sur les frontières.
104
Type de conditions aux limites
0 1 2 3 4 NI
( x) f ( x) 0 x 1 i 1 2i i 1
f i (1) 1 i n 1
x 2
0 a NI b
a 21 2
Equation (1) écrite pour i=1 conduit à: f1
x 2
21 2 f1x 2 a
NI 2 2 NI 1 f NI 1 x 2
b
107
Le système linéaire peut être ré-organisé de la façon suivante.
2 1 0 0 1 x 2 f1 a
1 2 1
0 0 * i x 2 f i
1 2 1
0 0 1 2 NI 1 x 2 f NI 1 b
108
Conditions de Neumann non-homogène
a b
x 0 x NI
Le problème maintenant est que l’on ne dispose pas de valeur pour 0
ni pour NI comme dans le cas de Dirichlet.
109
1er ordre
1er ordre
a b
x 0 x NI
1 0
aval a 0 1 a x
x 0 x
NI NI 1 NI NI 1 b x
amont b
x NI x
1 1 0 0 1 x 2 f1 a x
1 2
1
0 0 * i x 2 f i
1 2 1
0 0 1 1 NI 1 x 2 f NI 1 b x
111
Résumé et commentaires
• CL Neumann si !
112
La méthode des Volumes finis
114
Introduction, definitions, caractéristiques
115
• Deuxièmement VF est particulièrement bien adaptée aux géométries
complexes, ce que les Différences Finies ne peuvent pas faire.
VF est capable de gérer des EDP dans des géométrie très complexes
sans aucune transformation qui serait de toute façon irréalisable.
116
De ce point de vue VF est très proche de la méthode des éléments finis,
mais à l’avantage d’être capable de mixer des éléments de différentes
topologies très facilement contrairement aux EF.
117
Types de configuration
Cell centred
119
Formes des volumes de contrôle
Segment en 1D
Surface en 2D
Quadrilatère
Volume en 3 D
2nd ordre
Se
fds f e Se
1
2nd ordre fds f se f ne Se
Se 2
1
3thr ordre fds f ne 4 f e f se Se
Se 6 121
Transformation des intégrales de volume
Théorème de Green-Ostrogradsky
Forme non-conservative
u . S
t
Forme conservative
122
Théorème de Green-Ostrogradsky
soit V une fonction vectorielle
V dv V n ds
VP S
L’opérateur Nabla est la divergence
123
S est la surface qui enveloppe le volume VP est la normale sortante à cette surface.
( )
Application à l’équation de transport u S
t
u dv u n ds
VP S
ds
VP
dv
S
n
124
Volumes de contrôle et surfaces
Sw 1
VP Se 1
VP
S S w Se S s S n 125
Volumes de contrôle et surfaces
VP S S w S e S s S n Sb St
126
Equation de transport 2D
terme temporel
t
u terme convectif
terme diffusif
S terme source
127
Equation de transport 2D
( )
dv u dv dv S dv
VP
t Vp VP (1) VP
( )
dv u nds nds S dv
Vp
t S S Vp
( )
S dv
C D
dv F F
VP
t VP
F u nds
C
S
F D nds
S
128
Discrétisation du terme diffusif
Terme diffusif
Flux Diffusif
F
D
S
n ds n ds
k n ,e , w, s Sk
k n ,e , w , s
k nk Sk
e ne Se w nw S w
n nn Sn s ns S s
129
Métrique des maillages cartésiens
Maillage équidistant
S w S e y
et S s Sn x
VP xy
w nw e ne
x w x e
s ns n nn
y s y n 130
Métrique des maillages cartésiens
y n
y
x w
x
y
e
x
xw x xe x ys y yn y
S w y Se y S s x S n x
V p xy
131
Schéma centré d’ordre 2 pour une dérivée 1ère
N P
P W
y n yn
x w xw
x w
y
E P
n
x e xe
P S
y s ys
S 132
Ainsi avec la métrique spécifiée on obtient:
E P P W
F e
D
y w y
x x
e w
N P P S
n x s x
y y
n s
w y e y
Dw De
x w
x e
s x s x
Ds Dn
y y
s s
133
Discrétisation du terme convectif
Terme convectif u
Flux Convectif
F C u n ds
S
u n ds
k n ,e , w ,s Sk
k n ,e ,w ,s
u k nk Sk
k n ,e ,w ,s
m kk
m k k uk nk S k
est le flux massique à travers la surface Sk
134
Discrétisation du terme convectif
135
Schémas d’interpolation pour le terme convectif
136
Schéma centré
W P E P
w e
2 2
Mais il est instable lorsque Pee 2 . Dans ce cas on peut noter des
oscillations numériques indésirables sur la solution.
La consequence est que ce schema n’est pas borné.
138
Schéma amont du 1er ordre
w W if uw 0 e P if ue 0
P if uw 0 E if ue 0
139
Schéma amont du 1er ordre
Ce schéma est aussi très diffusif comparé au schéma centré. Ce peut être
vu comme un point négatif mais au contraire c’est parfois salvateur
car la diffusion numérique a tendance à stabiliser le processus de
convergence vers la solution.
140
Schéma amont du 1er ordre
141
Oscillation numérique, diffusion et dispersion
1
1
0
0 0 1x
0 1x
LR
LR
Longueur de réattachement
143
C W Solution exacte
Comparison solution exacte et solution numérique pour les schémas centré et amont
Schéma hybride
En fait pour être précis, le schéma Hybride se comporte exactement comme le schéma
centré lorsque Pei 2
145
Schéma exponentiel
U 0 L
Pe est ici le nombre de Peclet : Pe
146
Schéma power law
147
Ce schéma est du 3ième ordre et a peu de diffusion numérique ce qui en fait son plus
grand attrait.
Mais comme les autres schémas d’ordre élevé, la contrepartie négative est que des
oscillations numériques peuvent apparaître là où de forts gradients de la solution
sont localisés dans le domaine ou dans les zones où le Péclet est élevé.
148
Propriétés des schémas
149
Discrétisation du terme temporel
Terme temporel ( )
t
n
( ) ( )
VP
t
dv
t P
Vp
150
Discrétisation du terme temporel
( )
u S
t
( )
( )
t
( ) u S
( )
Le terme temporel ainsi que la fonction sont évalués au point P
et à l’instant n
n
( )
( ) n
P
t P n
( )
On choisit un schéma temporel pour évaluer le terme :
t P
151
Discrétisation du terme temporel
n1 n
P P
( ) nP
t
Ce schéma en temps est explicite et d’ordre 1. En général dans la
méthode des volumes finis on choisit plutôt un schéma implicite
152
Discrétisation du terme temporel
P P t ( )nP
n n 1
P P t ( ) nP1
n 1 n
P P
n 1 n
t ( ) n 1
P
3 P 2t ( ) 4 P P
n 1 n 1 n n 1
P
Terme temporel ( )
t
P P
n 1 n
( )
dv V p (schéma d’Euler 1er ordre)
t t
VP
3 P 4 P P
n 1 n n 1
( ) (schéma de Gear 2ième ordre)
t
dv
2t
V p
VP
155
Discrétisation du terme source
Terme Source S
VP
S dv SPV p
156
Intégration de l’équation de transport complète
( )
( u ) ( ) S
t
157
Intégration de l’équation de transport complète en 1D
n1 n
P P
VP m wwn1 m een1
t
Dw Wn1 Pn1 De En1 Pn1
SPVP
w y e y m w wu w y m e eue y
Dw De
x w
xe
158
Les autres variables doivent être interpolées parce qu’elles ne sont pas
connues au centre des faces mais seulement aux noeuds.
E P
e
2 e
E P
e P E
2
ou
e E (1 ) P e
d1 d2
e E (1 ) P P E
d1
d1 d 2
159
Calcul des coefficients de l’équation générique
Pour commencer prenons par exemple le schéma centré sur un maillage régulier.
Le schéma est défini par:
E P W P
e w
2 2
n1 n
P
t
P
V p m kkn1 Dk Kn1 Pn1 SPV p (1)
k e , w k e , w
160
Schéma centré
n 1
m e m w n1 m e n1 m w
P
n 1 P
Vp De Dw E De W Dw
t 2 2 2 2
P
n
SPV p Vp
t
161
Schéma centré
alors:
m e
AE De
2
m w
AW Dw
2
Pn1 m e m w
AP Vp De Dw
t 2 2
P
n
SMB SPV p Vp
t
162
Schéma centré
On arrive à :
163
Schéma amont 1er ordre
n1 n
P
t
P
V p m e Pn1 m wWn1 De En1 Pn1 Dw Wn1 Pn1
SPV p
n1 n
P P
V p min(m e ,0) En1 min(m e , 0) Pn1
t
min(m w ,0)Wn1 min( m w ,0) Pn1
De En1 Pn1 Dw Wn1 Pn1 SPV p
Schéma amont 1er ordre
On arrive à :
166
Expression des coefficients en fonction des différents schémas
Ainsi maintenant que le schéma d’interpolation a été choisi, on peut calculer les
coefficients de l’équation générique associés à chacun des schémas.
Schéma centré
m
AK k Dk
2
Schéma amont
167
Schéma Hybride
Schéma Exponentiel
168
Assemblage matriciel
Une fois que toutes les valeurs aux faces k ont été déterminées grâce aux schémas
d’interpolation. On peut factoriser les valeurs K aux noeuds pour assembler
l’équation générique.
AP Pn1 AW Wn1 AE En1 SMB
0
Cette équation générique écrite
pour chaque noeud du
domaine conduit à l’obtention
d’un système
n 1linéaire
n
du type: AX B
AW AP AE
0
qui aura la structure suivante si le
maillage est structuré.
169
Intégration de l’équation de transport complète en 2D
n1 n
P P
V p m wwn1 m een1 m ssn1 m nnn1
t
Dw Wn1 Pn1 De En1 Pn1
Ds Sn1 Pn1 Dn Nn1 Pn1
SPVP
w y e y
Dw De
x w
x e
s x s x
Ds Dn
y y
s s 170
Assemblage matriciel
Une fois que toutes les valeurs aux faces k ont été déterminées grâce aux schémas
d’interpolation. On peut factoriser les valeurs K aux noeuds pour assembler
l’équation générique.
AP Pn1 AW Wn1 AE En1 AS Sn1 AN Nn1 SMB
VP
AP AK
K N , E ,W , S t
172
Exemple illustratif
Equation instationnaire 1D
x P
T 2T
2
t x
xw xe
T 2T
v t dv v x 2 dv v Tdv v T dv s T nds
T
P
V T e e e
n S T w w S w
n
t P
T T T
xP
t P x e x w
173
Schéma DF Euler 1er ordre amont
TPn TPn1 T n T n
xP Schéma en temps implicite
t x e x w
xP
xw xe
t
AW
x P x w
t
AE
x P xe
AP 1 AW AE
RHS TPn
Géométries complexes
Problématique des géométries complexes
177
Problématique des géométries complexes
178
Problématique des géométries complexes
179
Problématique des géométries complexes
180
Formes des volumes de contrôle
Segment en 1D
Surface en 2D
Polygones arbitraire
181
Formes des volumes de contrôle
Volume en 3 D
nœuds
184
En 3D
hexaèdre: chaque cellule est identifiée par 8 nœuds
Informations topologiques
186
Détermination de la métrique en 2D
Informations topologiques
187
Détermination de la métrique en 2D
Informations topologiques
188
Détermination de la métrique en 2D pour un quadrilatère non
189
Détermination de la métrique en 2D
Distances internodales
190
Détermination de la métrique en 2D
Détermination du volume
C’est l’air du quadrilatère déterminé par les 4 vertex
NE, NW, SW, SE
191
Détermination de la métrique en 2D
Informations métriques
192
Détermination de la métrique en 2D pour un triangle
193
Détermination de la métrique en 2D pour un triangle
Distances internodales
194
Détermination de la métrique en 2D pour un triangle
195
Détermination de la métrique en 2D pour un triangle
Détermination du volume
196
Discrétisation du terme diffusif en géométrie complexe
Terme diffusif
Flux Diffusif
F
D
S
n ds n ds
k n ,e , w, s Sk
k n ,e , w , s
k nk Sk
e ne Se w nw S w
n nn Sn s ns S s
197
Discrétisation du terme diffusif en géométrie complexe
F D n ds e ne Se w nw S w
S
n nn Sn s ns S s
198
Discrétisation du terme diffusif en géométrie complexe
199
Discrétisation du terme diffusif en géométrie complexe
Cas des quadrilatères non
200
Discrétisation du terme diffusif en géométrie complexe
201
Discrétisation du terme diffusif en géométrie complexe
Expression de k nk
k nk tk
n k t k
k nk
n k
k k nk k tk k
n k t k
k k k nk nk k tk k
t k
Soit :
k nk
1
k k
t
k k
k nk n t
k k k
202
Discrétisation du terme diffusif en géométrie complexe
k nk
1
k k
k tk
k nk
k nk
t k
En utilisant un schéma centré d’ordre deux pour exprimer les dérivées premières,
on obtient finalement :
1 K P b a
k nk tan
k
cos k xk ab
203
Discrétisation du terme diffusif en géométrie complexe
nk n1 n2
204
Discrétisation du terme diffusif en géométrie complexe
205
Discrétisation du terme diffusif en géométrie complexe
206
Discrétisation du terme diffusif en géométrie complexe
Mise en oeuvre
207
Discrétisation du terme diffusif en géométrie complexe
0
dv 0
VP
nds 0
SP
208
Discrétisation du terme diffusif en géométrie complexe
209
Discrétisation du terme diffusif en géométrie complexe
210
Discrétisation du terme diffusif en géométrie complexe
211
Discrétisation du terme diffusif en géométrie complexe
212
Discrétisation du terme diffusif en géométrie complexe
Cas des triangles
213
Discrétisation du terme diffusif en géométrie complexe
Equation générique et coefficients
214
Discrétisation de l’équation de transport
215
Discrétisation de l’équation de transport
216
Discrétisation de l’équation de transport
217
Discrétisation de l’équation de transport
218
Implémentation des conditions aux limites
La résolution des EDP requiert la spécification de conditions aux limites sur toutes les
frontières du domaine de calcul
Nous avons vu précédemment que les CL étaient un artéfact qui rend unique la solution
recherchée.
Les CL doivent être spécifiées sur toutes les inconnues du problème (dans le cas d’un
système d’EDP) à résoudre. Elles sont prescrites pour décrire le comportement de (ou
des) variable(s) sur les frontières du domaine.
La solution peut être déterminée si et seulement si les CL sont spécifiées sur toutes les
frontières du domaine extérieures (et intérieures dans le cas d’obstacles dans
le domaine)
219
Implémentation des conditions aux limites
220
Implémentation des conditions aux limites
221
Implémentation des conditions aux limites
B
P
b nb
222
Implémentation des conditions aux limites
B est en fait la valeur qui sera donnée par la condition à la limite b à ce stade est
et qui
inconnue. AB est le coefficient associé au point B dans la discrétisation de l’équation aux
dérivées partielles que nous avons intégrée sur le volume de contrôle Vp. Dans l’exemple
pris, cela correspondrait à AE..
B A BP (2)
Où A et B sont 2 coefficients qu’il faudra déterminer en fonction de la condition à la limite
à prescrire.
223
AP AB B P AW W ASS AN N SMB AB A (3)
Avec:
AP* AP AB B
SMB* SMB AB A
AB* 0
On remarque que:
• le coefficient AB*associé au point B la frontière est nul.
sur
• Les coefficients qui ont changé sont etA* SMB*
B
• Ils dependent des deux coefficients A et B.
224
Détermination du coefficient AB
225
Détermination des coefficients A et B
226
conditions aux limites de Dirichlet
A 0
B0
Et donc:
AP* AP
SMB* SMB AB0
227
conditions aux limites de Neumann
n b 0 (1)
n b
Nous n’avons donc pas directement la valeur de b. Nous devons extraire de (1)
la valeur de b
Pour cela il faut discrétiser la CL avec un schéma aux différences finies approprié.
b P
Avec un schéma amont d’ordre 1 nous avons: 0 b P
n b b
AP* AP AB
Et donc:
SMB* SMB 228
conditions aux limites de Robin
Une condition de Robin est une condition mixte entre Dirichlet et Neumann.
Elle s’exprime de la manière la plus générale de la façon suivante:
b n b (4)
Soit: b P
b b
A
b
B
b 229
Et donc:
AP* AP AB
b
SMB* SMB AB
b
230
La méthode des Volumes finis en CFD
Etapes de base pour la réalisation d’une simulation
233
Pré-processing et maillage
VF
Géométrie complexe
EF
234
Les maillages complexes sont générés par des logiciels spécifiques
mailleur
235
Ainsi toutes ces considerations au sujet du type de maillage doit nous aider à
Concevoir le type de maillage le plus adapté à notre problème.
236
Modèles mathématiques
La première étape est de définir quel modèle mathématique est le plus approprié à la
physique de l’écoulement.
Il existe une hiérarchie en terme de coût de développement et de temps de calcul que
l’on doit garder à l’esprit avant de commencer à développer le code de calcul.
Ainsi nous devons choisir correctement le modèle mathématique afin de limiter ces coûts:
238
Solution des sytèmes linéaires creux
Là encore plusieurs choix peuvent être faits selon le solver de système linéaire.
Il existe plus de 20 méthodes différentes pour résoudre un système linéaire.
• Tout d’abord nous devons choisir entre les solver directs et iteratifs.
239
Post-processing et visualization des données
Finalement quand tous les calculs ont été faits, les résultats sont stockés dans des
fichiers en des suites énormes de nombres.
Nous devons utiliser des logiciels de visualisation spécifiques qui vont lire ces données
et les transcrire sous forme d’informations visuelles.
240
Cela va nous donner une compréhension de l’écoulement dans le but de nous aider
à mieux analyser la physique.
241
Les types de maillages
242
Les relations sont implicites dans le sens où si on connait les indices
des points P et P' il est facile de connaître leur localisation absolue ou
relative.
De plus avec ces indices, les coordonnées de chaque point P et P' sont
immédiatement déterminées.
La connaissance des indices d’un volume de contrôle donne directement
les vertex qui définissent ce volume de contrôle.
243
Avantages
• Cette connectivité entre les voisins simplifie la programmation et la
structure de la matrice.
Désavantages
Uniforme (régulier)
Non uniforme
245
Maillages structurés 2D par bloc
Coincidant à l’interface
246
Ne coincidant pas à l’interface
247
Maillages structurés 3D
248
Maillages non-structurés
Pour les géométries très complexes, la forme la plus flexible pour un
Volume de contrôle est le triangle en 2D ou tétraèdre en 3D.
Avec ce type de forme il est possible de mailler n’importe quoi!
Les nœuds sont numérotés mais pas avec une paire (ou un triplet)
d’indices mais avec un seul indice (même en 3D).
La matrice du système linéaire n’a pas non plus une structure régulière
de type multi-diagonale comme dans le cas structuré.
Les solver pour matrices bandes sont usuellement plus lents que ceux
dédiés aux matrices diagonales.
Généralement les maillages non-structurés sont faits de triangles ou
de tétraèdres.
250
Mais les CV peuvent avoir n’importe quelle forme et chaque nœuds
peut avoir n’importe quel nombre de voisins sans restriction dépendant
de la forme des CV.
Il est possible d’avoir des CV de formes différentes.
(tétraèdre + hexaèdre) maillages optimisés
Avantages
• Comparé aux maillages structurés, cela offre le maximum de
potentialités pour manager des maillages très complexes.
• Le contrôle de la distribution des nœuds et leur concentration est
• optimisé.
Désavantages
• L’implémentation est plus difficile à réaliser due à une structure de
données plus difficile à gérer.
• La génération du maillage ainsi que le post-traitement sont
251
généralement plus difficiles aussi.
Exemples
Maillages 2D non-structurés
252
253
Maillages 3D non-structurés
254
255
Maillages Hybrides
256
Détermination de la pression
258
On souhaite résoudre les équations de Navier-Stokes incompressibles
(1)
u n1 0
u n1 n1 n1 n1 n1
(u )u p u f
n 1
(2)
t
Notez que les forces externes sont prises au pas de temps n aussi.
259
* où il faut changer de type de méthode
Ce n’est toujours pas possible de résoudre ce système car u et p qui sont inconnus
sont exprimés au même pas de temps (n+1).
u n1 0
u n1 n * * n
(u )u p u f
n
(4)
t
Maintenant nous pouvons résoudre (4) dans la mesure où p est déjà connue au pas de
temps n. Notez que si la pression est prise à l’instant n, alors la vitesse obtenue u
ne peut-être la vitesse à l’instant n+1. Ce sera une vitesse predictive que nous
appellerons u *
261
Algorithme de couplage vitesse-pression SIMPLE
Une autre caractéristique intéressante de cet algorithme c’est qu’il fonctionne aussi
quelque soit le type de méthode de discrétisation choisie (Différences finies ou
éléments finis).
Ecrivons les équations de Naviers-Stokes sous leur forme générique discrète:
n1 n
AP uPn 1 AK uK QP p n1 (1)
P
K N , E ,W , S
Idéalement u et p devraient être pris au même pas de temps mais nous avons vu que ce
n’était pas possible.
262
Ainsi il sera nécessaire de considérer la pression au pas de temps précédent, mais ce
faisant, nous n’aurons certainement pas la “vraie” vitesse u n 1 .
L’équation devient:
* n
AP uP* AK uK QP p n (2)
P
K N , E ,W , S
où u * est maintenant une valeur prédictive ou approchée de u n 1
et qu’il faudra corriger pour obtenir la vraie vitesse un+1.
définissons u et p les corrections que l’on devra appliquer pour obtenir
respectivement u n1 et p n1
u n1 u * u (3)
p n1 p n p
1 AK u K
uP uP p P (4)
avec uP K N ,E ,W ,S
AP AP
264
rappelons l’équation de continuité pour un écoulement incompressible:
u n1 0 (5)
n1 *
Ce qui compte tenu du fait que u u u implique
(6)
u u *
1
Prenons la divergence de l’équation (4) uP uP p P
AP
1
u P u P p P
AP
265
Qui compte-tenu de l’equation (6) : u u*
1
nous conduit à : p P uP u * (7)
AP
266
En examinant l’équation (7) le terme AK u K
n’est pas accessible
u P K N , E ,W ,S
AP
ainsi SIMPLE décide de le négliger tout simplement.
1
p P u * (8)
AP
Ainsi quand (8) est résolue nous pouvons obtenir la correction de pression p
Une fois que p est connue nous pouvons calculer la correction de vitesse P
u
avec (4)
* n
On résoud (2) AP uP* AK uK QP p n pour obtenir uP*
P
K N , E ,W , S
1
On résoud l’équation de correction de pression (8) p P u *
AP
pour obtenir p
1
On en déduit la correction de vitesse à partir de (4) uP p P
AP
et obtenir uP
u n1 u * u
Finalement à partir de (3)
p n1 p n p
on peut calculer la nouvelle vitesse et la nouvelle pression au pas de
temps n+1 : uPn1 et p n 1
268
AK u K
Parce que nous avons négligé le terme u P K N ,E ,W ,S
AP
dans l’équation (8) la vitesse finale ne sera pas aussi précise qu’on l’aurait souhaité.
L’algorithme est donc inclu dans un processus itératif à faire jusqu’à ce que la
quantité u n1 où est une tolérance que l’on se fixe de l’ordre de 10-5 à 10-3
269
pour k=1,2,…..
* n
résoudre AP uP* AK uK QP p n pour obtenir uP*
P
K N , E ,W , S
1
résoudre p P u * pour obtenir p
AP
1
A partir de uP p P on calcule
uP
AP
u k 1 u * u
A partir de (3) on calcule
p k 1 p n p
On peut alors contrôler la conservation de la masse en calculant u k 1
u k 1 u n1
si u k 1 alors
p k 1 p n1
sinon next k
Fin 270
cet algorithme peut converger très lentement spécialement pour des problèmes raides.
Plusieurs autres variantes de cet algorithme ont été développées.
SIMPLER, SIMPLEST, SIMPLEC,…
Ils diffèrent seulement dans la façon d’approximer le terme qui a été négligé dans
l’équation de correction de pression SIMPLE.
Il n’a jamais été possible de déterminer lequel d’entre eux est le meilleur.
271
Les différents type de conditions aux limites
Frontières externes
Les noeuds où les conditions aux limites requises sont représentées sur le domaine de
calcul en vert, La solution est calculée sur les points noirs.
NJ
NJM
J=0
I=0 1 2 3 4 5 6 7 8 9 NIM NI
Sur toutes les frontières, toutes les variables doivent être prescrites.
u, v, et p doivent être spécifiées sur tous les points appartenant aux frontiers, c’est
à dire sur tous les points verts.
NJ
NJM
J=0
I=0 1 2 3 4 5 6 7 8 9 NIM NI
273
Condition de paroi (CL Dirichlet)
NJ
u (0, j ) U wall j
NJM
v (0, j ) Vwall j
3
u (0, j ) 0 j 1
v (0, j ) 0 j J=0
I=0
274
Condition d’entrée (CL Dirichlet)
275
Condition de sortie libre
Ce type de condition est la plus compliquée à définir car nous devons spécifier une
condition sur les variables indiquant que le fluide quitte le domaine de calcul.
Plusieurs alternatives existent mais la plus utilisée est de considérer une condition
de type Neumann. Pour comprendre la signification d’une telle condition on peut
se dire que les composantes de la vitesse de part et d’autre de la frontière de sortie
ont la même valeur.
Ce peut être vrai si le régime d’écoulement est stationnaire. Mais pour des
écoulements à haut nombre de Reynolds où avec des tourbillons qui traversent le
domaine cette condition est trop contraignante.
276
Par exemple sur la frontière est une condition de Neumann est adoptée:
u
0 u ( NI , j ) u ( NIM , j )
x
v
v ( NI , j ) v( NIM , j )
NJ
NJM
0
x
3
2
Si on était sur la frontière ouest" on utiliserait une dérivée
décentrée aval
1
J=0
NIM NI
277
Condition de symétrie
279
Condition de glissement libre
V//
0
n
V 0
280
Conditions aux limites de pression
Mais il est bien connu que l’équation de Poisson avec des conditions de Neumann
est un problème “mal posé” et possède une infinité de solutions.
Pour en fixer et sélectionner une nous devons fixer la valeur de cette solution
sur un noeud arbitraire du domaine.
La valeur de la pression p sur la frontière est quant à elle obtenue par extrapolation
en fonction de la valeur de la pression sur les noeuds internes. 281
Sur des frontières de sortie libre nous imposons aussi généralement :
p patm
De mauvaises conditions aux limites vont faire diverger le code. Cet aspect des CL
est donc vraiment fondamental.
282
Post-processing et visualisation
Introduction
Une fois que la solution a été obtenue, la dernière étape est le post-processing.
L’objectif de la simulation numérique est de donner des informations prédictives sur
le comportement d’un écoulement dont la réalisation expérimentale est difficile,
coûteuse ou simplement impossible.
Le but est de “capturer” la structure de l’écoulement pour accroître notre
compréhension de la physique et prédire son évolution.
A partir des variables primitives u,v,p, nous pouvons calculer d’autres quantités
qui peuvent aider à caractériser l’écoulement.
• le débit
• pertes de charge
• détection des zones de recirculation
• comportement tourbillonaire
• forces de pression
• coefficients aérodynamiques (Cp, Cx)
287
288
Ces logiciels sont capables de tracer le maillage et l’évolution (dans le cas de
calculs instationnaires) des variables stockées en termes:
• iso-contours en 2D
• iso-surfaces en 3D
Ils peuvent tracer une simple courbe y=f(x) ou tracer des champs de vecteurs
A partir des valeurs primitives u,v,w, p certains de ces logiciels peuvent calculer
d’autres variables comme:
Débit
où n est la normale à S
Le débit au travers d’une surface S est: m V .n ds
S
Vitesse moyenne m
u
S
Fonction de courant
ij
La fonction de courant est définie: u ou v
y x
Pour la calculer nous devons intégrer un de ses définitions.
Pour cela nous devons localiser la variable de uij
manière avantageuse.
ainsi ij 1
u ij ij 1 uij y
y 290
rotationel
Le rotationel est un vecteur de 3 composantes définies par:
w v
i j k y z
u w
x y z z x
u v w v u
x y
uij 1
En 2D le vecteur se réduit à un scalaire
(une seule composante non nulle) ij
vij vi 1 j
v u
z
x y
uij
Il est commode aussi de bien localiser
291
Représentations 1D
Courbes y=f(x)
292
Représentations 2D
Iso-contours
293
Champ de vitesse
Fonction de courant u or v
(streamlines) y x
295
Maillage iso-contours
296
Iso_p contours
Iso_u contours
Iso_v contours
297
Représentations mixtes
298
299
Champ de température
+
Fonction de courant
300
Lignes d’émission
301
302
Représentations 3D
Maillages
303
Iso-surfaces
304
iso-surfaces de pression
iso-surfaces de la composante u
305
306
Lignes d’émission
307
Lignes d’émission
308
Rubans
309
310
Représentations mixtes
Iso-surface+coupe+lignes d’émission
311
Iso-surface+coupe+lignes d’émission
312
Iso-surface+coupe+lignes d’émission
313
Bonnes pratiques en CFD
314
Exigence de qualité
La précision des résultats issus de calculs CFD peut être affectée par différents
type d’erreurs. En comprenant la source de ces erreurs on peut développer de
bonnes pratiques afin de minimiser ces erreurs.
315
Les différents types d’erreurs
Erreur d’arrondis
• Les ordinateurs fonctionnent avec un certain ordre de précision.
Ce sont des erreurs induites par la machine.
Erreurs d’itération
• Il existe une différence entre la solution convergée et la solution à
l’itération m
Erreur de discrétisation
• Différence entre la solution convergée sur un maillage donné et la
solution analytique ou ’exacte’ (si tant est que l’on puisse l’obtenir) ou la
solution obtenue sur un maillage très fin
316
Les différents types d’erreurs
Erreur de modélisation
• Différence entre la solution ‘exacte’ et la solution ‘réelle’
obtenue à partir de données expérimentales.
• Grands rapports d’aspects
o Grandes différences dans les échelles de longueurs
o Large gamme de variation pour les variables
Erreur de programmation
Erreur introduite par le programmeur (bug).
Erreur algorithmique, erreur dans la gestion de la mémoire,
317
Procédure Générale de contrôle
318
Erreurs d’itérations
320
Erreurs d’itérations
321
Erreurs d’itérations
322
Erreurs de discrétisation
eh f h f exacte
323
Erreurs de discrétisation
324
Erreurs de discrétisation
325
Erreurs de discrétisation
Estimation de l’ erreur de discrétisation
326
Erreurs de modélisation
327
Qualité du maillage
328
Qualité du maillage
Raffinement du maillage au voisinage des parois
Exemple du profil de vitesse sur une plaque plane
329
Qualité du maillage
330
Qualité du maillage
Les Quad alignés avec l’écoulement sont plus précis que les Triangles (toute
proportion gardée c’est-à-dire avec la même densité)
Pour des écoulements sans direction d’écoulement dominante les Quads perdent
leur avantage sur les Triangles.
précision
Quel est le skewness maximum et le rapport d’aspect maximum
que je tolère?
334
Qu’est-ce qu’un bon maillage?
Bon Mauvais
Bonne transition
(entre 2 cellules adjacentes)
rapport d’expansion <1.2
335
Qu’est-ce qu’un bon maillage?
Mauvais Bon
336