Analyse Num 4

Analyse numérique
Ibrahim ALAME
ESTP
17/02/2020
Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 1 / 62

Différences finies
le problème aux limites d’ordre 2 en dimension 1 On considère le problème

aux limites
( 2
2 + c(x )u(x ) = f (x ), pour x ∈]0, 1[
d u
− dx
(1)
u(0) = u0 , u(1) = u1 ,
où f et c sont des fonctions données sur [0, 1] avec c > 0. Les deux
ingrédients principaux d’une approximation par différences finies sont le
schéma d’approximation des dérivées et la grille de discrétisation.

Approximations des dérivées d’une fonction régulière
L’idée fondamentale consiste à approcher les dérivées de la fonction u en
un point x en écrivant
du u(x + h) − u(x ) u(x + h) − u(x )
= lim '
dx h→0 h h
pour un h petit fixé. Si la fonction u est C sur l’intervalle [0, 1], on déduit
2
aisément du développement de Taylor

h2 00
u(x + h) = u(x ) + hu 0 (x ) + u (θ)
2
où θ ∈]x , x + h[, l’inégalité
u(x + h) − u(x )

0
(x )

− u 6 Ch
h
où C = supy ∈[0,1] |u 00 (y )|, pour tout 0 6 x 6 1 − h.
Définition
Si l’erreur est majorée par Chp pour p > 0 fixé, on dit plus généralement
que l’approximation est consistante d’ordre p.
−h)
On vérifie facilement que u 0 (x ) ' u(x )−u(x
h est également consistante
d’ordre 1.
Si la fonction u est C 3 , la formule de Taylor à l’ordre 3 donne
h2 00 h3
u(x + h) = u(x ) + hu 0 (x ) + u (x ) + u 000 (ξ1 ),
2 6
h2 00 h3
u(x − h) = u(x ) − hu 0 (x ) + u (x ) − u 000 (ξ2 ),
2 6
où ξ1 ∈]x , x + h[ et ξ2 ∈]x − h, x [ . On obtient alors :
u(x + h) − u(x − h) h2 000

0
− u (x ) = u (ξ1 ) + u 000 (ξ2 ) 6 Ch2

2h 2
où C 0 = supy ∈[0,1] |u 000 (y )|. L’approximation
u(x + h) − u(x − h)
u 0 (x ) '
2h
est donc consistante d’ordre 2.

Si u est de classe C 4 au voisinage de x , on fait un développement de
Taylor à l’ordre 4 de u :
h2 00 h3 h4
u(x + h) = u(x ) + hu 0 (x ) + u (x ) + u 000 (x ) + u (4) (ξ1 ),
2 6 24
h2 00 h3 h4
u(x − h) = u(x ) − hu 0 (x ) + u (x ) − u 000 (x ) + u (4) (ξ2 ),
2 6 24
Donc
h4 (4)
u(x + h) + u(x − h) = 2u(x ) + h2 u 00 (x ) + u (ξ1 ) + u (4) (ξ2 ) ,
24
D’où
u(x + h) − 2u(x ) + u(x − h) 2

00
(x ) ≤ h sup |u (4) (y )|

− u
h2 12 y ∈[0,1]
pour tout x ∈ [h, 1 − h]. L’approximation
u(x + h) − 2u(x ) + u(x − h)

u 00 (x ) '
h2
est donc consistante d’ordre 2.
Approximation par différences finies
y
1
h= N+1
x
0=x0 xi xi+1 1=xN+1
Soit N ∈ N fixé. On définit les points de discrétisation du maillage par

1
xi = ih, i ∈ 0, 1, ..., N + 1, où h =
N +1
Les points x0 = 0 et xN+1 = 1 constituent le bord du domaine (les
extrémités de l’intervalle de définition de u),et les points x1 , · · · , xN sont
appelés points internes du maillage.
On cherche en chaque point xi une valeur approchée ui ' u(xi ).
La première et la dernière valeurs de la suite sont données par les
conditions aux limites : u0 = u(0) et uN+1 = u(1).
Pour les sommets internes, on utilise l’approximation (2) de la dérivée
seconde décrite plus haut. On a
(
−u 00 (xi ) + c(xi )ui = f (xi ), pour i ∈ {1, · · · , N},
(2)
u(0) = g0 , u(1) = g1
Or
u(xi + h) − 2u(xi ) + u(xi − h) ui+1 − 2ui + ui−1
u 00 (xi ) ' '
h2 h2
D’où le problème approché
ui−1 − 2ui + ui+1


− + ci ui = fi , pour i ∈ {1, · · · , N},

2 (3)
 u = g , hu
0 0 N+1 = g1
où ci = c(xi ) et fi = f (xi ).

On obtient N équations à N inconnues u1 , · · · , uN .
u0 − 2u1 + u2
i =1: − + c1 u1 = f1 ,
h2
u1 − 2u2 + u3
i =2: − + c2 u2 = f2 ,
h2
···
uN−1 − 2uN + uN+1
i =N: − + cN uN = fN ,
h2
D’où le système
−2u1 + u2


 − + c1 u1 = f1 + u0
h2
,
h2


 u1 − 2u2 + u3


+ =

− 2
c2 u2 f2 ,
h


 · · · ··· ··· ···
 − uN−1 − 2uN


uN+1
+ = fN +


cN uN h2
,
h2

Matriciellement, le problème s’écrit :
Ah uh = bh (4)
avec
2 + h2 c1 0 0
 
−1 ···
.. ..
.
 
 −1 2 + h2 c2 −1 . 
1 
 
Ah = 2  .. .. .. 
0 . . 0 . 
h  
 .. .. 

 . . −1 2 + h2 cN−1 −1


0 ··· 0 −1 2 + h2 cN
f1 + hg02
   
u1
 u2   f2 
.. ..
   
uh =  bh = 
   
 . ,
  . 

 un−1 fn−1
   
  
un fn + hg12

Soit à résoudre l’équation différentielle
 d u(x )
 2
2
+ 4u(x ) = 4x , pour x ∈]0, 5π
4 [ (5)
 dx
u(0) = 0, u( 5π
4 ) = 0,
La solution exacte est y (x ) = x − 5π

4 sin(x ).
−2 + 4h2 1 0 0
 
··· 1
  
u1
.. .. 2
.
 
1 −2 + 4h2 1 . u2
    
.. ..
  
1 
 
.. .. ..
  
. = .

0 . . . 0
    
4h3 

.. ..

.. ..
  
. .
 
. . 1 −2 + 4h2 1
    
    
0 ··· 0 1 −2 + 4h2 un N

Listing 1 –
1 # Courbe
2 import numpy as np
3 import matplotlib . pyplot as plt
4 a = 0
5 b = 5 * np . pi / 4
6 t = np . linspace (a , b , 50)
7 y = t - 5 * np . pi / 4 * np . sin (2 * t )
8 plt . plot (t , y )

Listing 2 –
3 a = 0; b = 5 * np . pi / 4; t = np . linspace (a , b , 50)
4 y = t - 5 * np . pi / 4 * np . sin (2 * t )
5 plt . plot (t , y )
6 N = 10
7 h = ( b - a ) / ( N + 1)
8 x = np . linspace (a , b , N + 2)
9 M = (( -2 + 4 * h ** 2) * np . eye ( N )
0 + np . diag ( np . ones ( N - 1) , -1)
1 + np . diag ( np . ones ( N - 1) , 1)) / (4* h **3)
2 F = np . arange (1 , N +1 ,1)
3 U = np . linalg . solve (M , F )
4 U = np . insert (U , N , 0)
5 U = np . insert (U , 0 , 0)
6 plt . plot (x , U )
7 plt . show ()
La matrice Ah est tridiagonale, on le décompose en deux matrices :
1 (0)
Ah = A + Ch
h2 h
2 0 0
 
−1 ···
. .. 
−1 . .

 −1
 2 . 
(0)
Ah = 
 .. .. .. 
 0 . . 0 . 

 .
 . .. 
 . . −1 2 −1 

0 · · · 0 −1 2
et
0 ··· 0
 
c1
.. .
. ..
 
 0 c2 
Ch =  ..
 
.. .. 

 . . . 0 

0 · · · 0 cn
On note que les conditions au bord u0 = g0 et un+1 = g1 n’apparaissent
que dans le vecteur bh .
proposition
Supposons c > 0. La matrice Ah est symétrique définie positive.
Démonstration La matrice Ah est clairement symétrique. Soit z un vecteur

de Rn , de composantes z1 , · · · , zn . On a
(0) (0)
= z t Ah z +
Pn
z t Ah z 2
i=1 ci zi > z t Ah z
z12 +(z1 −z2 )2 +···+(zn−1 −zn )2 +zn2
= h2
Cette quantité est positive, et non nulle si z 6= 0 (car au moins l’un des
termes au numérateur est non nul).

Définition
2 0 0
 
−1 ···
. .. 
−1 . .

 −1
 2 . 

(0)
Ah = 
 .. .. .. 
 0 . .0 . 

 .
 . .. 
 . . −1 2 −1 

0 · · · 0 −1 2
est la matrice du Laplacien discret.
Théorème (Principe du maximum discret)

Ah Vh = Fh admet une solution unique Vh de plus si f ≥ 0 alors Vh ≥ 0

Lemme
∀V ∈ Rn AV ≥ 0 =⇒ V ≥ 0

 2V1 − V2 ≥ 0

AV ≥ 0 =⇒ −Vj−1 + 2Vj − Vj+1 ≥ 0
n−1 + 2Vn ≥ 0
 −V

Soit Vm = inf i (Vi )

m = 1 : 2V1 − V2 ≥ 0 =⇒ V1 ≥ V2 − V1 ≥ 0
m = n : −Vn−1 + 2Vn ≥ 0 =⇒ Vn ≥ Vn−1 − Vn ≥ 0
m 6= n et m 6= 1 :
−Vm−1 + 2Vm − Vm+1 ≥ 0 =⇒ (Vm − Vm+1 ) ≥ (Vm−1 − Vm ) ≥ 0
=⇒ Vm = Vm+1 = Vm−1 =⇒ Vm−1 = inf (Vi ) =⇒ V1 = inf (Vi )

i i

Démo
AV = 0 =⇒ AV ≥ 0 et AV ≤ 0 =⇒ V ≥ 0 et V ≤ 0 =⇒ V = 0
Les coefficients de A sont tous positifs : si A = [C1 C2 · · · Cn ] alors
AA−1 = I =⇒ ACi = ei =⇒ Ci ≥ 0 =⇒ A−1 ≥ 0
=⇒ V = A−1 F ≥ 0

Consistance
Définition
Supposons f ∈ C 2 ([0, 1]), donc u ∈ C 4 ([0, 1]). On pose
Πh : C 0 ([0, 1]) → Rn
ω 7→ (ω(x1 ), ω(x1 ), · · · , ω(x1 ))T
On définit l’erreur de consistance par
εh = Ah Πh u − Fh
On dit que le schéma est consistant si
lim kεh k∞ = 0
n→∞
Si
kεh k∞ = O(hp )
On dit que la méthode est d’ordre p.
Consistance
Proposition
Le schéma Ah Vh = Fh est consistant d’ordre 2.
u(xj−1 ) − 2u(xj ) + u(xj+1 )

(εh )j = − f (xj )
h2
u(xj−1 ) − 2u(xj ) + u(xj+1 )
= − u 00 (xj )
h2
= O(h2 )
On a

0 h2 00 h3 000 h4
u(xj + h) − u(xj ) − hu (xj ) − u (xj ) − u (xj ) ≤ ku (4) k∞

2 6 24
h4 (4) h2 h3 h4 (4)
− ku k∞ ≤ u(xj +h)−u(xj )−hu 0 (xj )− u 00 (xj )− u 000 (xj ) ≤ ku k∞
24 2 6 24
h4 (4) h 2 h 3 h4 (4)
− ku k∞ ≤ u(xj −h)−u(xj )+hu 0 (xj )− u 00 (xj )+ u 000 (xj ) ≤ ku k∞
24 2 6 24
Consistance
h4 (4) h2 h3 h4
− ku k∞ ≤ u(xj +h)−u(xj )−hu 0 (xj )− u 00 (xj )− u 000 (xj ) ≤ ku (4) k∞
24 2 6 24
h4 (4) h2 h3 h4
− ku k∞ ≤ u(xj −h)−u(xj )+hu 0 (xj )− u 00 (xj )+ u 000 (xj ) ≤ ku (4) k∞
24 2 6 24
h4 (4)
=⇒ kεh k∞ ≤ ku k∞
12

Stabilité
Définition
On dit que le schéma numérique Ah Vh = Fh est stable si’il existe une
constante C telle que
kVh k ≤ kFh k ∀Fh
Théorème
1
kA−1
h k≤ ∀n ≥ 1
8
(
−u 00 = 1 x (1−x )
Soit le problème dont la solution est u(x ) =
u(0) = u(1) = 0 2
Alors  
h(1−h)
1
 
2
1 2h(1−2h)
   
 
Fh =   =⇒ A−1 Fh =  2
 
.. ..

h
.
 
.
   
   
1 nh(1−nh)
2
Donc
1
kA−1 −1
h k = sup kAh Fh k =
kFh k=1 8
Définition
Soit Eh = Vh − Πh u On dit que le schéma numérique Ah Vh = Fh converge
si pour tout f ∈ C 0 ([0, 1])
kEh k∞ → 0 quandn → ∞
Théorème
La méthode converge à l’ordre 2.
Démo : On note u la solution exacte

Ah Eh = Ah Vh − Ah Πh u
= Fh − (εh + Fh )
= −εh
1 h2 (4)
Donc Eh = −A−1 −1
h εh =⇒ kEh k ≤ kAh kkεh k ≤ × ku k → 0
8 24
Convergence de la méthode
Afin d’étudier la convergence de la solution approchée uh vers la solution
exacte u lorsque h → 0, on commence par étudier l’erreur de consistance :
definition
On appelle erreur de consistance du schéma Ah uh = bh , le vecteur h (u)
de Rn défini par
u(x1 )
 

u(x2 ) 
h (u) = Ah (πh (u)) − bh , où πh = 
 
.. 
.
 
 
u(xn )
πh (u) représente la projection de la solution exacte sur le maillage. On dit

que le schéma est consistant pour la norme k · k de Rn si lim kh (u)k = 0.
h→0
Si de plus il existe C indépendante de h telle que
kh (u)k 6 Chp

En utilisant (3), on obtient immédiatement
h2
kh (u)k∞ ≤ sup |u (4) (y )|,
12 y ∈[0,1]
et donc
proposition
Supposons que la solution u du problème (1) est C 4 sur [0, 1]. Alors le
schéma (4) est consistant d’ordre 2 pour la norme k · k∞ .
L’erreur de convergence est l’erreur entre la solution approchée uh est la

solution exacte aux points du maillage πh (u). Afin de majorer cette erreur,
il suffit d’observer que, par définition de l’erreur de consistance et puisque
Ah uh = bh ,
uh − πh (u) = −(Ah )−1h (u).

On peut montrer que k(Ah )−1 k ≤ 1
8 (admis), ce qui donne le résultat de
convergence :
Theorem
On suppose c > 0. Si la solution u du problème (1) est C 4 sur [0, 1], alors
le schéma (4) est convergent d’ordre 2 pour la norme k · k∞ . Plus
précisément,
h2
kuh − πh (u)k∞ 6 sup |u (4) (y )|.
96 y ∈[0,1]
On notera que, dans cet exemple, la consistance du schéma permet

immédiatement d’obtenir la convergence. Ceci est particulier à cet exemple
simple. En général, un autre ingrédient est nécessaire à la convergence : la
stabilité du schéma (voir section 2.3).

Le problème aux limites d’ordre 2 en dimension 2
Equation de Poisson −∆u = f On considère le problème aux limites
∂2u ∂2u

− − 2 = f (x , y ), (x , y ) ∈ Ω

2 (6)
 ∂x ∂y
u(x , y ) = 0, (x , y ) ∈ ∂Ω
où f est une fonction donnée sur Ω = [0, 1] × [0, 1]. Les deux ingrédients
principaux d’une approximation par différences finies sont le schéma
d’approximation des dérivées et la grille de discrétisation.

Approximation par différences finies
y
1
ui,j+1
yi+1
ui−1,j ui,j ui+1,j

yi
ui,j−1
yi−1
hy
hx
x
0=x0 xi−1 xi xi+1 1
Les points de discrétisation du maillage : Mi,j = (xi , yj ) = (ihx , jhy )

1 1
(i, j) ∈ J0, Nx + 1K × J0, Ny + 1K, hx = , hy =
Nx + 1 Ny + 1
Les points
(
M0,j et MNx +1,j pour j = 0, 1, · · · , Ny + 1
Mi,0 et Mi,Ny +1 pour i = 0, 1, · · · , Nx + 1
constituent le bord du domaine (les cotés du rectangle OABC ), et les
points Mi,j où (i, j) ∈ J1, Nx K × J1, Ny K sont les points internes du maillage.
y ui,Ny +1 B
C
ui,j
u0,j uNx +1,j
x
O ui,0 A
On cherche en chaque point Mi,j une valeur approchée ui,j ' u(xi , yj ).
Les valeurs ui,j sur les bord sont nulles (ou données par hypothèse).
Pour les sommets internes, on utilise l’approximation de la dérivée seconde
décrite plus haut. On a
∂ 2 u(xi , yj ) ∂ 2 u(xi , yj )

= f (xi , yj ), (xi , yj ) ∈]0, 1[×]0, 1[

 − −


∂x 2 ∂y 2
(7)

 u(xi , 0) = u(xi , 1) = 0, 0 ≤ xi ≤ 1
 u(0, y ) = u(1, y ) = 0,

0 ≤ yj ≤ 1
j j
Or
∂ 2 u(xi , yj ) u(xi − h, yj ) − 2u(xi , yj ) + u(xi + h, yj ) ui−1,j − 2ui,j + ui+1,
2
' 2
'
∂x hx hx2
∂ 2 u(xi , yj ) u(xi , yj − h) − 2u(xi , yj ) + u(xi , yj + h) ui,j−1 − 2ui,j + ui,j+

2
' 2
'
∂y hy hy2
et on pose où fi,j = f (xi , yj ).

D’où le schéma, pour i ∈ J0, Nx + 1K et j ∈ J0, Ny + 1K :
Pour (i, j) ∈ J1, Nx K × J1, Ny K



ui−1,j − 2ui,j + ui+1,j ui,j−1 − 2ui,j + ui,j+1


= fi,j

 − −


2 h2

h x y
(8)

 et
ui,0 = ui,Ny +1 = 0, i ∈ J0, Nx + 1K




u0,j = uNx +1,j = 0, j ∈ J0, Ny + 1K


On obtient Nx × Ny équations à Nx × Ny inconnues
u1,1 ; u1,2 ; · · · , u1,Ny ; u2,1 ; u2,2 · · · u2,Ny · · · · · · uNx ,1 ; uNx ,2 · · · uNx ,Ny

u0,1 − 2u1,1 + u2,1 u1,0 − 2u1,1 + u1,2
i = 1, j = 1 : − − = f1,1
hx2 hy2
u0,2 − 2u1,2 + u2,2 u1,1 − 2u1,2 + u1,3
i = 1, j = 2 : − − = f1,2
hx2 hy2
···
u0,Ny − 2u1,Ny + u2,Ny u1,Ny −1 − 2u1,Ny + u1,Ny +1
i = 1, j = Ny : − 2
− = f1
hx hy2
u1,1 − 2u2,1 + u3,1 u2,0 − 2u2,1 + u2,2
i = 2, j = 1 : − − = f2,1
hx2 hy2
u1,2 − 2u2,2 + u3,2 u2,1 − 2u2,2 + u2,3
i = 2, j = 2 : − − = f2,2
hx2 hy2
···
u1,Ny − 2u2,Ny + u3,Ny u2,Ny −1 − 2u2,Ny + u2,Ny +1
i = 2, j = Ny : − 2
− = f1
hx hy2
···
uNx −1,Ny − 2uNx ,Ny + uNx +1,Ny uN ,N −1 − 2uNx ,Ny +
i = Nx , j = Ny : − 2
− x y
hx hy2

D’où le système, en faisant Nx = Ny = n et donc hx = hy = h :
4u1,1 − u1,2 − u2,1 = h2 f1,1



−u1,1 + 4u1,2 − u1,3 − u2,2 = h2 f1,2








 ···
−u1,n−1 + 4u1,n − u2,n = h2 f1,n





−u1,1 + 4u2,1 − u2,2 − u3,1 = h2 f2,1





−u1,2 + 4u2,2 − u2,3 − u3,2 = h2 f2,2





···

 −u1,n − u2,n−1 + 4u2,n − u3,n = h2 f2,n
..



.





−un−1,1 + 4un,1 − un,2 = h2 fn,1




−un−1,2 + 4un,2 − un,3 = h2 fn,2








 ···
−un−1,n − un,n−1 + 4un,n = h fn,n

 2

Matriciellement, le problème s’écrit :
Ah uh = bh (9)
avec
4 −1 0 0 −1 0 0 0


 −1 4 −1 0 0 −1 0 0

 0 −1 4 −1 0 0 −1 0
0 0 −1 4 0 0 0 −1


−1 0 0 0 4 −1 0 0 −1 0 0 0




 0 −1 0 0 −1 4 −1 0 0 −1 0 0
0 0 −1 0 0 −1 4 −1 0 0 −1 0


0 0 0 −1 0 0 −1 4 0 0 0 −1


−1 0 0 0 4 −1 0 0 −1




 0 −1 0 0 −1 4 −1 0 0 −1
0 0 −1 0 0 −1 4 −1 0 0 −


0 0 0 −1 0 0 −1 4 0 0 0




 −1 0 0 0 4 −1
0 −1 0 017/02/2020
−1 434 / 62 −


 Ibrahim ALAME (ESTP) Analyse numérique
4 −1 0 −1 0 0
    
u11 f11

 −1 4 −1 0 −1 0 
 u12 


 f12 


 0 −1 4 0 0 −1 
 u13 


 f13 

−1 4 −1 0 −1 0 0  u21 f21
    
    
−1 4 −1 0 −1 0    = h2 
    

 −1 
 u22   f22 


 −1 0 −1 4 0 0 −1 

 u23 


 f23 

−1 4 −1 0   u31 f31
    
   
−1 4 −1  
    
 −1 u32   f32 
−1 0 −1 4 u33 f33

Listing 3 –
3
4 N = 3
5 h = 1 / ( N + 1)
6 # La matrice
7 M = np . diag (4 * np . ones ( N * N )) \
8 - np . diag ( np . ones ( N * N - 1) , -1) \
9 - np . diag ( np . ones ( N * N - 1) , 1) \
0 - np . diag ( np . ones ( N * N - 3) , -3) \
1 - np . diag ( np . ones ( N * N - 3) , 3)
2 for k in range ( N - 1):
3 M [( k + 1) * N , ( k + 1) * N - 1] = 0
4 M [( k + 1) * N - 1 , ( k + 1) * N ] = 0
5
6 F = h * h * np . ones ( N * N )
7 U = np . linalg . solve (M , F )
Listing 4 –
1 fig = plt . figure ()
2 ax = fig . gca ( projection = '3 d ')
3
4 # Make data .
5 X = np . linspace (0 , 1 , N + 2)
6 Y = np . linspace (0 , 1 , N + 2)
7 X , Y = np . meshgrid (X , Y )
8 Z = np . zeros (( N + 2 , N + 2))
9 for i in range (1 , N + 1):
0 for j in range (1 , N + 1):
1 Z [i , j ] = U [( i - 1) * N + j - 1]
2
3 # Plot the surface .
4 ax . plot_wireframe (X , Y , Z )
5
6 plt . show ()

y
B
C
6 7 8
3 4 5
0 1 2
x
O A
(i, j) 7→ (j − 1)N + i − 1

les schémas implicites et explicites
On s’intéresse au problème
∂2u

∂u
(t, x ) − 2 (t, x ) = f (t, x ), pour (t, x ) ∈ [0, T ] × [0, 1]



∂t ∂x
 u(0, x ) = u0 (x ), pour x ∈ [0, 1]
u(t, 0) = 0 et u(t, 1) = 0, pour t > 0,


où l’on a pris pour simplifier des conditions au bord nulles. Il s’agit de

l’équation de la chaleur en dimension 1 (d’espace), qui est un problème
parabolique en dimension 2 (temps et espace). Cet exemple est typique de
la situation générale des problèmes paraboliques. On distingue deux
grandes familles d’approximations par différences finies : les schémas
explicites et les schémas implicites.

La discétisation
On va se limiter au cas le plus simple du maillage régulier : soient n, m

deux entiers fixés. On pose
1
xi = ih, ∀i ∈ {0, 1, ..., n + 1}, où h =
n+1
1
tj = j∆t, ∀j ∈ {0, 1, ..., m}, où ∆t = .
m
En particulier, x0 = 0, xn+1 = 1, t0 = 0 et tm+1 = T . Les points (tj , xi )
sont alors les points d’intersection d’une "grille" régulière en espace-temps.
L’approximation par différences finies consiste alors à chercher une
(j)
approximation, notée ui , de u(tj , xi ) (notez que l’indice en temps est en
exposant, et l’indice en espace en indice, comme précédemment).
Les valeurs approchées aux points de maillage au bord du domaine et en
t = 0 sont données par la valeur exacte ( donnée ) de la fonction u :

(j) (j)
u0 = un+1 = 0, ∀j ∈ {0, ..., m} (10)
(0)
ui = u0 (xi ), ∀j ∈ {0, ..., n + 1} (11)
(j)
Ceci laisse nm inconnues à déterminer ( les ui pour 1 6 i 6 n et
1 6 j 6 m).
On a déjà vu que le terme de dérivée seconde pouvait être approché avec
(j) (j) (j)

∂2u u(xi+1 , tj ) − 2u(xi , tj ) + u(xi−1 , tj ) u − 2ui + ui−1
2
(xi , tj ) ' 2
' i+1
∂x h h2
(schéma à trois points pour la dérivée seconde). Plusieurs choix sont
possibles pour l’approximation de la dérivée en temps. Chacun de ces choix
conduit à une famille de schémas distincte.

Le schéma explicite
La première possibilité est d’utiliser l’approximation décentrée à droite

(j+1) (j)
∂u u(xi , tj+1 ) − u(xi , tj ) u − ui
(xi , tj ) ' ' i
∂t ∆t ∆t
On obtient alors le schéma suivant :
(j+1) (j) (j) (j) (j)

ui − ui u − 2ui + ui−1
− i+1 = f (xi , tj ), ∀i ∈ {1, ..., n}, ∀j ∈ {0, ..., m
∆t h2
soit n × m équations pour n × m inconnues. On note que les conditions
aux limites (8) et (9) doivent être connues pour résoudre ces équations, et
que l’indice de temps j doit varier entre 0 et m.

Il est commode de réécrire ce système vectoriellement : on introduit la
notation  
(j)
u1
 (j) 
 u 
U =  2.  , ∀j ∈ {0, ..., m}
(j)  
 .. 
 
(j)
un
Le vecteur U (0) est donné par les conditions initiales, et le schéma
précédent s’écrit :
U (j+1) − U (j) (0)

+ Ah U (j) = C (j) , ∀j ∈ {0, ..., m} (12)
∆t
(0)
où la matrice Ah a été définie dans (6), et
f (x1 , t (j) )
 

f (x2 , t (j) ) 
C (j) = 
 
.. , ∀j ∈ {0, ..., m}
.
 
 
f (xn , t (j) )
Ce système peut également se réécrire sous la forme
(0)
U (j+1) = (Id − ∆tAh )U (j) + ∆tC (j) , ∀j ∈ {0, ..., m − 1} (13)
où on utilise la notation Id pour la matrice identité.

Cette équation justifie le nom explicite pour ce schéma, puisqu’il permet de
calculer la valeur approchée au temps tj+1 par simple produit de matrice
avec la valeur approchée au temps tj . En particulier, aucune inversion de
matrice ou résolution de système linéaire n’est nécessaire pour le calcul.

Exemple
θ
θ0 =100°
x
O 1
A
h= n+1
∆t = 0.01

2 −1 0
  


(j+1) = In − h2  −1
∆t 
2 −1  U (j)

U

  


0 −1 2


100
 


(0) =  100 

U



  
100



Listing 5 –
3
4 N = 3;
5 M = 10;
6 h = 1 / ( N + 1);
7 dt = 0.01
8 x = np . linspace (0 , 1 , N + 2)
9
0 # La matrice
1 A = np . diag (2 * np . ones ( N )) \
2 - np . diag ( np . ones ( N - 1) , -1) \
3 - np . diag ( np . ones ( N - 1) , 1)

Listing 6 –
1
2 # Theta initiale
3 theta0 = 100
4 U = theta0 * np . ones ( N )
5 u = np . insert (U , 0 , theta0 )
6 u = np . insert (u , N + 1 , theta0 )
7 plt . plot (x , u )
8 for k in range (1 , M ):
9 U = np . dot (( np . eye ( N ) - dt / ( h ** 2) * A ) , U )
0 u = np . insert (U , 0 , 0)
1 u = np . insert (u , N + 1 , 0)
3
4 plt . show ()

Le schéma implicite
On aurait pu approcher la dérivée partielle en temps par l’approximation

décentrée à gauche
(j) (j−1)
∂u u(xi , tj ) − u(xi , tj−1 ) u − ui
(xi , tj ) ' ' i
∂t ∆t ∆t
On obtient alors le schéma suivant :
(j) (j−1) (j) (j) (j)

ui − ui ui+1 − 2ui + ui−1
− = f (xi , tj ), ∀j ∈ {0, ..., n}, ∀j ∈ {0, ..., m
∆t h2
couplé aux mêmes conditions initiales que le schéma explicite (noter que
cette fois l’indice j varie de 1 à m + 1). Vectoriellement, on obtient

U (j) − U (j−1) (0)
+ Ah U (j) = C (j) , ∀j ∈ {1, ..., m + 1} (14)
∆t
où les C (j) sont définis comme plus haut, ce qui se réécrit

(0)
U (j) = (Id + ∆tAh )−1 U (j−1) + ∆tC (j) , ∀j ∈ {1, ..., m + 1} (15)
(0)
On remarque que la matrice (Id + ∆tAh ) est symétrique définie positive,
(0)
et donc inversible, puisque Ah est symétrique définie positive.
Ce schéma est dit implicite puisque, contrairement au schéma explicite, sa
résolution nécessite la résolution d’un système linéaire à chaque pas de
(0)
temps (ou le calcul initial de l’inverse de la matrice (Id + ∆tAh ), utilisé
ensuite à chaque pas de temps). La résolution du schéma implicite est
donc plus coûteuse que le schéma explicite. Cependant, comme on le verra
plus loin, ce coût en temps de calcul est largement compensé par la
meilleure stabilité du schéma.

Exemple
θ
θ0 =100°
x
O 1
A
h= n+1
∆t = 0.01
 −1
2 −1 0
 


U (j+1) = In + ∆t −1 2 −1  U (j)

   

h2 


0 −1 2


100
 


= 100 

 (0)
U

  
 
100



Listing 7 –
3
4 N = 3;
5 M = 10;
6 h = 1 / ( N + 1);
7 dt = 0.1
8 x = np . linspace (0 , 1 , N + 2)
9
0 # La matrice
1 A = np . diag (2 * np . ones ( N )) \
2 - np . diag ( np . ones ( N - 1) , -1) \
3 - np . diag ( np . ones ( N - 1) , 1)

Listing 8 –
1
2 # Theta initiale
3 theta0 = 100
4 U = theta0 * np . ones ( N )
5 u = np . insert (U , 0 , theta0 )
6 u = np . insert (u , N + 1 , theta0 )
8 for k in range (1 , M ):
9 U = np . linalg . solve (( np . eye ( N ) + dt / ( h ** 2) *
0 u = np . insert (U , 0 , 0)
1 u = np . insert (u , N + 1 , 0)
3
4 plt . show ()

Le schéma saute-mouton
Tous les schémas imaginables ne sont pas nécessairement bons, comme le
montre l’exemple suivant : on pourrait chercher à améliorer la précision en
temps en utilisant l’approximation d’ordre 2 (voir section 2.1.1) suivante
de la dérivée en temps :
(j+1) (j−1)
∂u u(xi , tj+1 ) − u(xi , tj−1 ) u − ui
(xi , tj ) ' ' i
∂t 2∆t 2∆t
On obtiendrait alors le schéma
U (j+1) − U (j−1) (0)
+ Ah U (j) = C (j) , ∀j ∈ {2, ..., m − 1} (16)
2∆t
qui est explicite en temps, puisque U (j+1) s’exprime directement en
fonction de U (j) et U (j−1) . On note qu’il est nécessaire pour ce schéma de
connaître U(0) et U(1). Le précalcul de U (1) peut par exemple être fait en
utilisant un pas en temps de l’une des méthodes précédentes.
Ce schéma, appelé schéma saute-mouton ou schéma de Richardson, est à
la fois explicite et a priori d’ordre 2 en temps. Cependant, comme on le
verra plus loin, il est toujours instable, et donc numériquement inutilisable.
Consistance, stabilité et convergence
Les trois schémas précédents peuvent s’écrire sous la forme générale
B1 U (j+1) + B0 U (j) + B−1 U (j−1) = C (j)
avec B1 inversible ou B1 = 0 et B0 inversible. Pour le schéma explicite, on
a
1 1 (0)
B1 = Id, B0 = − Id + Ah , B−1 = 0.
∆t ∆t
Pour le schéma implicite, on a
1 (0) 1
B1 = 0, B0 = Id + Ah , B−1 = − Id.
∆t ∆t
Pour le schéma suate-mouton, on a
1 (0) 1
B1 = Id, B0 = Ah , B−1 = − Id.
∆t ∆t
L’étude de la convergence de ces schémas est basée sur les propriétés de
consistance et stabilité, définies ci-dessous pour le schéma général . On
pourrait bien sûr imaginer des schémas faisant intervenir des indices en
temps plus grands que j + 1 et plus petits que j − 1. Les définitions
suivantes s’étendraient
Ibrahim ALAME (ESTP) sans difficulté à ces schémas.
Analyse numérique 17/02/2020 57 / 62
Définition
On appelle erreur de consistance à l’instant tj :
εh (u)(j) = B1 (πh (u))(tj+1 ) + B0 (πh (u))(tj ) + B−1 (πh (u))(tj−1 ) − C (j) ,

où
u(t, x1 )
 
πh (u)(t) =  ..
.
 

u(t, xN )
On dit que le schéma est consistant pour la norme k · k de RN si
sup kεh (u)(j) k → 0, quand ∆t → 0 et h → 0.
0≤j≤M+1
Si de plus il existe C > 0, p > 0 et q > 0 indépendants de ∆t et h tels que

sup kεh (u)(j) k ≤ C [(∆t)p + hp ] ,
0≤j≤M+1
On dir que le schéma est consistant d’ordre p en temps et q en espace

pour la norme k · k .
Proposition
Supposons que la solution u au problème de la chaleur est C 2 par rapport
à la variable t et C 4 par rapport à la variable x . Alors les schémas
explicites et implicites sont consistants d’ordre 1 en temps et 2 en espace.
Si de plus u est C 3 par rapport à la variable t, alors le schéma
saute-mouton est consistant d’ordre 2 en temps et en espace.
∂2u
On a f (tj , xi ) = ∂t (tj , xi )
∂u
− (t , x ),
∂x 2 j i
On pose
εh (u)(j) = Ei − Fi
où
u(tj+1 ,xi )−u(tj ,xi )
Ei = ∆t ∂t (tj , xi ),
− ∂u
u(tj ,xi+1 )−2u(tj ,xi )+u(tj ,xi−1 ) ∂2u
Fi = h2
− ∂x 2 (tj , xi )
Par développement de Taylor :
∂u ∆t 2 ∂ 2 u
u(tj+1 , xi ) = u(tj , xi ) + ∆t (tj , xi ) + (θ, xi )
∂t 2 ∂t 2
D’où
∆t 2 ∂ 2 u
Ei = (θ, xi )
2 ∂t 2
De même !
h2 ∂4u ∂4u
Fi = (tj , ξ1 ) + (tj , ξ2 )
2 ∂t 4 ∂t 4
Définition
On dit que le schéma
B1 U (j+1) + B0 U (j) + B−1 U (j−1) = C (j)
est convergent ssi
sup kU (j) − (πh u)(tj )k → 0 quand ∆t et h → 0

0≤j≤M+1

Définition
On dit que le schéma
B1 U (j+1) + B0 U (j) + B−1 U (j−1) = C (j)
est stable ssi il existe deux constante C1 (T ) et C2 (T ) telles que
max kU (j) k ≤ C1 (T )kU (0) k + C1 (T ) max kC (j) k

0≤j≤M+1 0≤j≤M+1
Théorème de Lax
Le schéma
B1 U (j+1) + B0 U (j) + B−1 U (j−1) = C (j)
converge ssi il est stable et consistant.

Proposition
Sous la condition
∆t 1
≤
h 2 2
Le schéma explicite converge.

Analyse Num 4

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse Num 4

Transféré par

Droits d'auteur :

Formats disponibles

Analyse numérique

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 1 / 62

le problème aux limites d’ordre 2 en dimension 1 On considère le problème

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 2 / 62

aisément du développement de Taylor

u(x + h) − u(x − h) h2 000

où C 0 = supy ∈[0,1] |u 000 (y )|. L’approximation

est donc consistante d’ordre 2.

u(x + h) − 2u(x ) + u(x − h)

Soit N ∈ N fixé. On définit les points de discrétisation du maillage par

ui−1 − 2ui + ui+1

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 7 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 8 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 9 / 62

La solution exacte est y (x ) = x − 5π

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 10 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 11 / 62

Démonstration La matrice Ah est clairement symétrique. Soit z un vecteur

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 15 / 62

Théorème (Principe du maximum discret)

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 16 / 62

Soit Vm = inf i (Vi )

−Vm−1 + 2Vm − Vm+1 ≥ 0 =⇒ (Vm − Vm+1 ) ≥ (Vm−1 − Vm ) ≥ 0

=⇒ Vm = Vm+1 = Vm−1 =⇒ Vm−1 = inf (Vi ) =⇒ V1 = inf (Vi )

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 17 / 62

AA−1 = I =⇒ ACi = ei =⇒ Ci ≥ 0 =⇒ A−1 ≥ 0

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 18 / 62

On définit l’erreur de consistance par

On dit que le schéma est consistant si

u(xj−1 ) − 2u(xj ) + u(xj+1 )

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 21 / 62

Démo : On note u la solution exacte

πh (u) représente la projection de la solution exacte sur le maillage. On dit

kh (u)k 6 Chp

L’erreur de convergence est l’erreur entre la solution approchée uh est la

uh − πh (u) = −(Ah )−1h (u).

On notera que, dans cet exemple, la consistance du schéma permet

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 26 / 62

Equation de Poisson −∆u = f On considère le problème aux limites

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 27 / 62

ui−1,j ui,j ui+1,j

Les points de discrétisation du maillage : Mi,j = (xi , yj ) = (ihx , jhy )

∂ 2 u(xi , yj ) u(xi , yj − h) − 2u(xi , yj ) + u(xi , yj + h) ui,j−1 − 2ui,j + ui,j+

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 30 / 62

Pour (i, j) ∈ J1, Nx K × J1, Ny K

On obtient Nx × Ny équations à Nx × Ny inconnues

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 31 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 32 / 62

4u1,1 − u1,2 − u2,1 = h2 f1,1

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 33 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 35 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 37 / 62

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 39 / 62

où l’on a pris pour simplifier des conditions au bord nulles. Il s’agit de

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 40 / 62

On va se limiter au cas le plus simple du maillage régulier : soient n, m

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 41 / 62

(j) (j) (j)

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 42 / 62

La première possibilité est d’utiliser l’approximation décentrée à droite

(j+1) (j) (j) (j) (j)

Ibrahim ALAME (ESTP) Analyse numérique 17/02/2020 43 / 62

U (j+1) − U (j) (0)

où on utilise la notation Id pour la matrice identité.

kh (u)k 6 Chp

uh − πh (u) = −(Ah )−1h (u).