Cours-Version Fin-Modéli Num-GEER 1

Université Abdelmalek Essaâdi
Ecole Nationale des Sciences Appliquées

Al-Hoceima
Module : Modélisation Numérique
Cycle ingénieur : Génie Énergétique & Energies renouvelables-GEER
Semestre S2
Pr. AMGHAR Kamal
Mail: k.amghar@uae.ac.ma
Année Académique : 2022-2023

2
Description du contenu du module
1. Résolutions de systèmes d’équations linéaires et non linéaires : méthode de

Newton, etc….
2. Classification des EDPs et leurs modélisations,
3. Méthodes de différences finies et étude des schémas : explicites, implicites et à
multiples niveaux,
4. Méthodes de différences finies pour les EDPs : consistance, stabilité et étude de la
convergence,
5. Application à la résolution de l’équation de la chaleur, de Laplace-Poisson, et
d’advection-diffusion, en 1D et 2D,
6. Etude de l’équation des ondes: dispersivité des schémas et méthodes des
caractéristiques,
7. Résolution des ODEs et stabilité des méthodes : techniques d’Euler, de Runge-
Kutta.
2022-2023 GEER-S2 Modélisation Numérique

3
Plan du module
Chapitre 1 : Introduction à la Modélisation numérique

Chapitre 2 : Méthode des différences finies
Chapitre 3 : Intégration numérique
Chapitre 4 : Equations Différentielles Ordinaires (EDOs)
Chapitre 5 : Interpolation et approximation

4
Chapitre 1 : Introduction à la Modélisation numérique
I. Généralité sur la modélisation numérique

Le but de la modélisation numérique est de trouver une solution approchée du
comportement réel d’un phénomène physique complexe.
Exemple de projets utilisant la modélisation numérique :
Aéronautique - Nucléaire - Aménagement de cours d’eau et la simulation numérique

pour l’industrie.
Exemple 1: L’équation de la chaleur

𝜕𝑇 𝜕2 𝑇
–k = f(x,t)
𝜕𝑡 𝜕𝑥 2
Exemple 2: Equation d’onde

𝜕2 𝑢 𝜕2 𝑢
– c2. = f(x,t)
𝜕𝑡 2 𝜕𝑥 2
Etc…..
 Les projets sont de plus en plus grands et de plus en plus coûteux.
 Les projets sont soumis à des contraintes de sécurité.
Mais réaliser des prototypes à échelles réelle ou réduit coûte très cher en temps et en
argent ;
Alors on fait appel à la modélisation numérique pour minimiser ces coûts.
Attention : La modélisation numérique aide à la conception des projets, mais en aucun

cas elle ne doit être considérée comme absolument sûre et remplacer définitivement
l’expérience.
I.1. Qu'est-ce qu'un modèle ?

Le principe d'un modèle est de remplacer un système complexe en un objet ou
opérateur simple reproduisant les aspects ou comportements principaux de l'original
(ex : modèle réduit, maquette, modèle mathématique ou numérique, etc….).
I.2. Qu’est-ce que la modélisation numérique ?

Le rôle du modélisateur est de simplifier suffisamment le problème tout en conservant
l’essentiel de la physique à l’origine du phénomène étudié.
Mais : Simplifier le modèle Solution approchée.

5
Chaque hypothèse simplificatrice doit être justifiée, d’où une remise en cause possible
des modèles numériques !
Exemple de simplification de modèles :
 Pb 1D, 2D, 3D.
 Pb stationnaire ou non stationnaire.
 Assimiler l’air à un gaz parfait.
La modélisation numérique comporte 4 étapes différentes :
En fait, de la modélisation à la simulation numérique, nous basons sur les étapes

suivantes pour modéliser un système complexe :
 Recherche d'un modèle mathématique représentant la physique. Mise en

équation.
 Elaboration d'un maillage.
 Discrétisation des équations de la physique.
 Résolution des équations discrètes (souvent systèmes linéaires à résoudre).
 Programmation des relations discrètes.
 Simulation numérique et exploitation des résultats.
Etape 1, modèle physique :
Après observation minutieuse, le modélisateur décrit qualitativement (avec des
phrases) le phénomène physique.
Etape 2, modèle mathématique (modèle continu) :

À partir de la description précédente, écrire un modèle mathématique, très souvent,
sous la forme d’équations aux dérivées partielles (EDP).
Questions: Le Pb est-il bien posé ? Existence et unicité de la solution ? Les lois de la
physique sont-elles respectées (Par exemple, le second principe de la
thermodynamique ! etc ...).

6
Pb : À part quelques cas simples à géométries particulières, on ne sait pas trouver une
solution analytique, que fait-on alors ?
Etape 3, modèle discret (modèle algébrique) :
Discrétisation de l’espace: Le domaine de calcul est discrétisé en un nombre fini de

points (X1, X2, ...,XN).
Discrétisation du temps : La solution va être calculée en un nombre fini d’instants (t1,
t2, ..., tf ).
Pour cela différentes méthodes sont utilisées : EF, DF, VF, ...
Résultats de la discrétisation :
 Un système algébrique, linéaire ou non linéaire.
 Mise en oeuvre des méthodes de l’analyse numérique classique.
Etape 4, modèle informatique :

Programmation: exige une certaine expertise dans le domaine de l’informatique
(système d’exploitation, langages de programmation, ...). Les codes sont très
gourmants en temps CPU (Central Processing Unit), il faut avoir le souci de
l’économie, en particulier faire attention aux boucles.
Analyse des résultats : être très vigilant, et procéder à une analyse critique des
résultats qui peuvent être incompatibles avec les lois de la physique.
I.3. Notion de stabilité

On distingue trois types de stabilité
 La stabilité d'un problème physique.
 La stabilité d'un problème mathématique.
 La stabilité numérique d'une méthode de calcul.
I.3.1. Stabilité d'un problème physique : système chaotique

Un problème est dit chaotique si une petite variation des données initiales entraîne une
variation totalement sur les résultats. Cette notion de chaos, liée à la physique d'un
problème, est indépendante du modèle mathématique et encore plus de la méthode
numérique.
I.3.2. Stabilité d'un problème mathématique : sensibilité

Un problème est dit très sensible ou mal conditionné si une petite variation des
données ou des paramètres entraîne une grande variation des résultats.
I.3.3. Stabilité d'une méthode numérique

7
Une méthode est dite instable si elle est sujette à une propagation importante des
erreurs numériques de discrétisation.
Un problème peut être bien conditionné alors que la méthode numérique choisie pour
le résoudre est instable. Dans ce cas, il est impératif de changer la méthode numérique.
II. Méthodes de discrétisation

Dans toute la suite, nous appelons Ω le domaine de calcul et Γ sa frontière.
II.1.Discrétisation du domaine (Maillage)

La solution qui était recherchée en tout point du domaine Ω sera recherchée en un
nombre fini de points (noeuds).
Le domaine Ω est partitionné en éléments Ωe relativement simples. Chaque élément est
défini analytiquement de manière unique en fonction de ses noeuds. Les noeuds
peuvent être situés à l’intérieur de l’élément ou sur sa frontière.
Quelques éléments classiques :
 1D : Elément linéaire à 2 noeuds - Elément quadratique à 3 noeuds – Elément

cubique à 4 noeuds.
1 2 1 2 3 1 2 3 4
 2D : Triangle (T3 - T6 - T9) – Quadrilatère (Q4 - Q8).
 3D : Tétraèdre à 4 noeuds - Hexaèdre à 8 noeuds.

8
II.2. Méthodes de différences finies

La méthode de différences finies consiste à remplacer un opérateur différentiel par un
quotient différentiel :
Δx
u u ( xi  x)  u ( xi )
( xi ) 
x x
xi-1 xi xi+1
u ( xi  x)  u ( xi   x)

2x
L’équation aux dérivées partielles continue est ainsi remplacée par une équation aux
différences:
u u u
( xi )  i 1 i
x x
ui 1  ui 1

2 x
Où : ui  u( xi ), ui 1  u (xi  x) et ui 1  u( xi  x)
II.3. Méthodes de volumes finis

C’est une méthode de discrétisation bien adaptée aux EDP issues des lois de
conservation résultant de l’écriture de bilans physiques. Le domaine est maillé en
cellules (éléments), et les équations de conservation sont intégrées sur des volumes de
contrôle et à chaque pas de temps. Les volumes de contrôle peuvent être choisis de
deux façons :
 La première dite "cell vertex ",
 La deuxième dite "cell center".
Dans l’approche "cell vertex", les degrés de liberté sont stockés aux nœuds du
maillage. Les volumes de contrôle sont obtenus en joignant successivement les
barycentres des maillages structurés (Fig.1) et les centres des facettes. De la même,
pour les maillages en triangles (Fig.2). (Dans cette approche nécessite la construction
d’un maillage adjoint).

9
Figure 1. Maillage structuré (cell vertex)
Figure 2. Maillage en triangles (cell vertex)
Pour la méthode de type "cell center", les volumes de contrôle coïncident avec les
maillages structurés (Fig.3) ainsi construit pour le cas de maillage en triangles (Fig.4).
Pour cette formulation, les degrés de liberté sont stockés aux centres des cellules du
maillage. Cette approche à pour avantage de ne pas nécessiter la construction d’un
maillage adjoint.
Figure 3. Maillage structuré (cell center)

10
Figure 4. Maillage en triangles (cell center)
Notons enfin que les volumes de contrôle peuvent aussi être construits à partir de
maillages comme illustré à la figure 5.
Figure 5. Maillage (cell center)
II.4. Méthodes des éléments finis

Après avoir maillé le domaine, la méthode des éléments finis consiste à construire sur
chaque élément une approximation simple. L’approximation globale est obtenue alors
comme somme de ces approximations élémentaires.
Le point fondamental de la méthode est l’étape de la formulation intégrale ou
variationnelle du système d’équations aux dérivées partielles.
III. Résolution numérique de systèmes d’équations
III.1. Résolution d’équations linéaires
Soit le système algébrique linéaire de n équations à n inconnues :

n
 aij x j  bi i = 1,...., n (1.1)
j 1
Ou encore :

11
a11 x1  a12 x2  ....a1n xn  b1

a x  a x  ....a x  b
 21 1 22 2 2n n 2
 (1.2)
..
an1 x1  an 2 x2  ....a nn xn  bn
x1, x2,…..xn sont les inconnues du système.
Le système (1.2) peut s’écrire sous forme matricielle :
A.x = b (1.3)
Avec :
a11 a12 . a1n x1 b1

a21 a22 . a2n x2 b2
A= , x= , b= .
. . . . .
an1 an2 . ann xn bn
La notation précédente est équivalente à la forme suivante (l’écriture la plus utilisée) :
a11 a12 . a1n b1

a21 a22 . a2n b2
. . . . .
an1 an2 . ann bn
appelée matrice augmentée du système.
Si A est inversible, le système (1.2) a une solution unique qui s’écrit :
x = A-1.b
Si A est singulière (det A = 0) le système n’admet pas de solution.
À cet effet, plusieurs méthodes peuvent résoudre le type d’équations linéaire, on

cite les méthodes directes ont pour principe de transformer la matrice augmentée en
une autre matrice (système équivalent), le nouveau système ayant la même solution
que l’original, par exemple :

12
 La méthode d’élimination de Gauss ;

 La méthode de cramer ;
 Méthode de factorisation ;
 Et les méthodes itératives.
III.2.Résolution d’équations non-linéaires

Il existe plusieurs méthodes numériques (dichotomie, point fixe, Newton, Lagrange,
etc…) conduisant à chercher numériquement les zéros de fonction f(x) = 0 d’une
variable réelle. La majorité de ces méthodes sont itératives. En d’autres mots, elles
calculent des approximations successives x1, x2, x3,….de la variable x avec f(x) = 0, à
partir d’une valeur initiale x0 plus au moins bien choisie. Ce qui les distingue, entre
autre, c’est leur vitesse de convergence.
III.2.1.Méthode de dichotomie
Le principe de la méthode de dichotomie, encore appelée méthode de bissection, est

basé sur le théorème de la valeur intermédiaire. La méthode est décrite comme suit :
Soit, f : [a, b] → ℝ une fonction continue sur l’intervalle [a, b].
si : f (a)  f (b)  0 Alors il existe l  [a, b] tel que f(l) = 0
La condition f (a)  f (b)  0 signifie que f(a) et f(b) sont de signes opposés. L’hypothèse
de continuité est essentielle.
Ce théorème affirme qu’il existe au moins une solution de l’équation (f (x) = 0) dans
l’intervalle [a, b].
D’autre part, pour l’appliquer sur un intervalle suffisamment petit, on part d’une
fonction:
Soit, f: [a, b] → ℝ continue, avec a < b, et f (a)  f (b)  0
ab
 Au première étape, on détermine le signe de la fonction f au point , alors:
2
ab a b
Si: f (a)  f ( )  0 , alors il existe c є  a, tel que f(c) = 0.
2  2 

13
ab ab ab

Si: f (a)  f ( )  0 , cela implique que f ( )  f (b)  0 et alors il existe cє [ , b]
2 2 2
tel que f (c) = 0.
Par la méthode dichotomie, nous avons subdivisé l’intervalle de définition en moitié

dans lequel l’équation (f (x) = 0) admet une solution. On itère alors le procédé pour
diviser de nouveau l’intervalle.
La méthode dichotomie se fait par un processus de division, par deux, de l’intervalle (à
chaque itération on divise l’intervalle par deux) de la fonction est refaire jusqu’à la
convergence. Pour la nième itération, on divise : [an, bn] en [an, cn] et [cn, bn], avec à
a b
chaque fois cn  n n .
2
En effet:
Au rang 0:
On pose 𝑎0 = a, 𝑏0 = b. Il existe une solution 𝑥0 de l’équation (f(x) = 0) dans
l’intervalle [𝑎0 , 𝑏0 ].
a0 b0
a a0  b0 b
2
Au rang 1:
a0  b0
Si : f (a0 )  f ( )0
2
a0  b0
Alors on pose a1 = a0 et b1 
2

14
a0  b0
Sinon: a1  et b1 = b, donc il existe x1 Є [a1, b1] tel que : f(x) = 0.
2
a0  b0
a0 2 b0
a b
Au rang n :
an  bn
Sur [an, bn], si f (an )  f ( )  0 , alors :
2
an  bn
an+1 = an et bn 1 
2
a b
Sinon, an 1  n n et bn+1 = bn, donc il existe xn є [an, bn] tel que : f(x) = 0.
2
a0  b0
a0 2 b0
a b
III.2.2. Méthode de Lagrange
Cette méthode découle explicitement de celle de dichotomie. Elle est plus efficace,
dans la mesure qu’elle tient compte non seulement du signe de la fonction aux
extrémités mais aussi de sa valeur aux bornes de l’intervalle considéré. Dans cette
méthode, on divise l’intervalle [an, bn] en [an,wn] et [wn, bn], la borne wn représente
l’abscisse du point d’intersection de la droite passant par (an, f(an)), (bn, f(bn)) et l’axe
des abscisses.
La borne wn coupe l’axe des abscisses au point:
bn  an bn  an
wn  bn  f (bn )   an  f (a n ) 
f (b n )  f (a n ) f (b n )  f (a n )
III.2.3. Méthode de Newton
Comme il a été montré précédemment, la méthode de dichotomie exploite uniquement

le signe de la fonction f aux extrémités des sous-intervalles. Lorsque cette fonction est
différentiable, on peut établir une méthode plus efficiente en exploitant les valeurs de
la fonction f et de ses dérivées. L’approche de Newton est considéré une méthode
itérative.

15
Figure 6. Principe de la méthode de Newton
Géométriquement, la solution approchée xn+1 n’est autre que le point d’intersection de

l’axe des abscisses et la tangente, au point (xn, f(xn)), d’équation D:
y  f ' (x n )  ( xn  xn 1 )  f ( xn ) . Notons que x* est la véritable racine de l’équation f(x) =
0, dont on cherche à approcher. À partir de la figure ci-dessus, on a :
f (x n )
tan   (1.4)
xn  xn 1
Or on sait que :
𝑓(𝑥𝑛 )−𝑓(𝑥𝑛+1 )
𝑓 ′(𝑥𝑛 ) = lim = 𝑡𝑎𝑛𝜃 (1.5)
(𝑥𝑛 −𝑥𝑛+1)→0 𝑥𝑛 −𝑥𝑛+1
À partir des Eqs. (1.4) et (1.5), on obtient ainsi le schéma numérique de la méthode de
Newton, soit :
f (x n )
xn 1  xn  (1.6)
f ' ( xn )
Tenant compte de toutes les méthodes, on constate que la méthode de Newton

nécessite à chaque itération l’évaluation de deux fonctions, à savoir f et de sa dérivée.
Néanmoins, cet effort est compensé par une vitesse de convergence accrue, puisque
cette méthode est d’ordre deux. Cet accroissement de la vitesse de convergence est
conditionné par le choix de la valeur initiale qui doit être le proche possible du zéro
recherché.
Exemple :
La méthode consiste à introduire une suite (xn) d’approximation successives de

l’équation f (x) = 0.
 On part d’un x0 proche de la solution.
 À partir de x0, on calcule un nouveau terme x1 de la manière suivante : on trace la
tangente Cf en x0. Cette tangente coupe l’axe des abscisses en x1 .
 On réitère ce procédé en calculant x2 en remplaçant x0 par x1, puis x3 en remplaçant
x1 par x2 et ainsi de suite …..

16
f ( x0 ) f ( x1 ) f ( x2 )
x1  x0  , x2  x1  , x3  x2 
f ' ( x0 ) f ' ( x1 ) f ' ( x2 )

17
Chapitre 2
Méthode des différences finies
2.1 Introduction
La méthode des différences finies (MDF) est la plus ancienne, la plus simple et la
plus appliquée jusqu’à la fin des années 70. C’est grâce aux connaissances acquises
dans le cadre de la MDF que les autres méthodes ont pu être développées. Elle est
basée sur le développement en série de Taylor d’une fonction ; cependant elle
nécessite un maillage régulier, d’où une certaine difficulté à s’adapter aux domaines à
géométries complexes.
2.2 Différences finies 1-D

Considérons une fonction u définie sur un intervalle [a, b]. Cet intervalle est
subdivisé en N sous intervalles [xi, xi+1] i=0,1,….N-1, égaux et de longueur h= xi+1-xi.
Nous allons donc avoir (xi = x0+ih) i=0,1,…..,N. Nous appellerons le point xi simplement
« point i » et nous notons:
ui la valeur approchée de u(x i ) i.e. ui  u( xi )

ui ' la valeur approchée de u ' (x i ) i.e. u 'i  u ' ( xi )
u i '' la valeur approchée de u '' (x i ) i.e. u ''i  u '' ( xi )
x0 x1 x2 x3 x4 x5 x6 xN
2.2.1 Discrétisation de la dérivée première

Différences finies centrées :
Nous effectuons un développement en séries de Taylor au voisinage du point i :
h 2 ''
u (x i  h)  u ( xi )  hu ( xi )  u ( xi )  h 3 u ( ) où  є [xi, xi+1]
'
2!
h2
u (x i  h)  u ( xi )  hu ' ( xi )  u '' ( xi )  h 3 u ( ) où  є [xi-1, xi]
2!
xi-2 xi-1 xi xi+1 xi+2 xi+3

18
La différence des deux relations ci-dessus donne :
u (x i  h)  u (x i  h)
u ' ( xi )   o( h 2 ) (2.1)
2h
En passant aux approximations :
ui  u( xi ) , ui'  u ' ( xi )
Nous pouvons définir le schéma appelé "différences finies centrées" suivant pour la
dérivée première :
ui 1  ui 1
ui'  (2.2)
2h
Définition 2: Un schéma dont l’erreur est de la forme o(hn) est dit d’ordre n ; plus
l’ordre est élevé, meilleure est la précision.
L’erreur du schéma centré est en h2, c’est donc un schéma d’ordre 2.
Différences finies décentrées à droite :
Nous effectuons encore un développement en séries de Taylor au voisinage du point i :
u (x i  h)  u ( xi )  hu ' ( xi )  h 2 u ( ) où  є[xi, xi+1]
d’où :
u ( xi  h)  u ( xi )
u ' ( xi )   o( h) (2.3)
h
ui  u( xi ) , ui'  u ' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à droite " suivant
pour la dérivée première :
ui 1  ui
ui'  (2.4)
h
avec une erreur d’ordre 1.
Différences finies décentrées à gauche :
Nous effectuons encore un développement en séries de Taylor au voisinage du point

i:
u ( xi  h)  u ( xi )  hu ' ( xi )  h 2u ( ) Où  є [xi-1, xi]

19
d’où
u ( xi )  u ( xi  h)
u ' ( xi )   o( h) (2.5)
h
ui  u( xi ) , ui'  u ' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à gauche"

suivant pour la dérivée première :
ui  ui 1
ui'  (2.6)
h
2.2.2 Discrétisation de la dérivée seconde

Différences finies centrées :
h 2 '' h3
u ( xi  h)  u ( xi )  hu ' ( xi )  u ( xi )  u (3) ( xi )  h 4 u ( ) où  є[xi, xi+1]
2! 3!
2
h h3
u ( xi  h)  u ( xi )  hu ' ( xi )  u '' ( xi )  u (3) ( xi )  h 4 u ( ) où  є[xi-1, xi]
2! 3!
La somme des deux relations ci-dessus donne :
u ( xi  h)  2u ( xi )  u (x i  h)
u '' ( xi )  2
 o( h 2 ) (2.7)
h
ui''  u '' ( xi )
Nous pouvons définir le schéma appelé "différences finies centrées" suivant pour la
dérivée première:
ui 1  2ui  ui 1
ui"  (2.8)
h2
Différences finies décentrées à droite:

20
(2h)2 ''
u ( xi  2h)  u ( xi )  2hu ' ( xi )  u ( xi )  h3u ( ) où  є[xi, xi+2]
2!
h 2 ''
u ( xi  h)  u ( xi )  hu ' ( xi )  u ( xi )  h3u ( ) où  є[xi, xi+1]
2!
Nous obtenons :
u ( xi  2h)  2u ( xi  h)  u ( xi )
u '' ( xi )   o( h) (2.9)
h2
ui''  u '' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à droite" suivant
pour la dérivée première :
ui  2  2ui 1  ui
ui''  (2.10)
h2
Différences finies décentrées à gauche :
(2h)2 "
u ( xi  2h)  u ( xi )  2hu ' ( xi )  u ( xi )  h3u ( ) où  є[xi-2, xi]
2!
h2 "
u ( xi  h)  u ( xi )  hu ' ( xi )  u ( xi )  h3u ( ) où  є[xi-1, xi]
2!
Nous obtenons :
u ( xi  2h)  2u ( xi  h)  u ( xi )
u '' ( xi )   o( h) (2.11)
h2
ui''  u '' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à gauche"

suivant pour la dérivée première :
ui  2  2ui 1  ui
ui''  (2.12)
h2

21
2.3 Différences finies 2−D
Le domaine est maillé régulièrement. En un point (xi, yj) on a : xi = x0 + iΔx et yj = y0

+ jΔy. Les dérivées partielles de u(x, y) en un point (i, j) se calculent de la même
manière que précédemment en considérant chacune des variables séparément :
ui 1, j  ui 1, j ui , j 1  ui , j 1
(u, x )i , j   o(x 2 ) , (u, y )i , j   o(y 2 )
2x 2y
ui 1, j  ui , j ui , j 1  ui , j
(u, x )i , j   o(x) , (u, y )i , j   o(y)
x y
ui , j  ui 1, j ui , j  ui , j 1
(u, x )i , j   o(x) , (u, y )i , j   o(y)
x y
ui 1, j  2ui , j  ui 1, j ui , j 1  2ui , j  ui , j 1
(u, xx )i , j   o(x 2 ) , (u,yy )i , j   o(y 2 )
x 2
y 2
En particulier pour un maillage tel que Δx = Δy = h, l’opérateur Laplacien s’écrit:
ui 1, j  ui 1, j  ui , j 1  ui , j 1  4ui , j

u   o( h 2 )
h2
Quant à la dérivée mixte u,xy , plusieurs formules sont possibles, la plus simple est
la forme centrale :
ui 1, j 1  ui 1, j 1  ui 1, j 1  ui 1, j 1
(u, xy )i , j   o(x 2 ,  y2 )
4xy
D’autres formes sont encore possibles :
ui 1, j 1  ui 1, j  ui 1, j 1  ui 1, j
(u, xy )i , j   o(x 2 ,  y)
2xy
ui 1, j 1  ui 1, j  ui , j 1  ui , j
(u, xy )i , j   o(x,  y)
xy
2.4 Discrétisation des conditions aux limites de type Neumann

Considérons la figure (1) où les points 2 et 3 sont situés à une distance de h et 2h
respectivement du point 1, qui est situé sur la frontière du domaine. Nous voudrions
u
construire une approximation de ( )1 qui soit d’abord d’ordre 1, puis d’ordre 2.
x
1 2 3 N N+1
Figure 1. Noeuds de frontière

22
Schéma du premier ordre
Pour l’approximation d’ordre 1, il est facile de définir la C. L. de Neumann par une

différence progressive :
 u  u2  u1
    o( h) (2.13)
 x 1 h
Ce schéma est du premier ordre. Or, souvent nous utilisons des schémas d’ordre 2.
Alors utiliser le schéma (2.13) sur la frontière va réduire la précision à l’intérieur du
domaine d’une part, et d’autre part, il va générer des perturbations numériques qui
peuvent rendre le schéma instable.
Schémas de second ordre
1. Schéma décentré de second ordre:
Supposons x1 = 0, x2 = h, x3 = 2h ; nous approximons la fonction recherchée u(x) par

un polynôme de second ordre P2 ( x)  a  bx  cx 2 tel que :
 P( x1 )  u1  a

 P( x2 )  u2  a  bh  ch
2

 P( x3 )  u3  a  2bh  4ch
2
En résolvant ce système d’équations, nous trouvons pour la valeur b:
3u1  4u2  u3
b (2.14)
2h
La dérivée du polynôme P(x) s’écrit :
P' ( x)  b  2cx
En x1 = 0 elle vaut P ' ( x1 )  b . En combinant ceci avec (2.14), nous avons :
3u1  4u2  u3
u1'  P ' ( x1 )  b  (2.15)
2h
Afin de déterminer l’ordre de la précision, nous effectuons un développement en séries

de Taylor au voisinage du point 1 :
h2 " h3
u ( x2 )  u ( x1  h)  u ( x1 )  hu ( x1 )  u ( x1 )  u ( ) où  є[x1, x2]
'
2 6
h3
u ( x3 )  u ( x1  2h)  u ( x1 )  2hu ( x1 )  2h u ( x1 )  u ( ) où  є[x1, x3]
' 2 "

23
On obtient :
3u1  4u2  u3
u '1   o( h 2 ) (2.16)
2h
Ainsi nous avons obtenu une approximation d’ordre 2 pour la condition de type
Neumann sur la frontière.
2.5 Exemple simple 1D avec conditions de Dirichlet
Considérons l'équation différentielle suivante :
u '' ( x)  f ( x)
 x є[0, 1]
u (0)   , u (1)  
où f est une fonction continue.
Le maillage est construit en introduisant N+1 noeuds xi avec i = 0, 1,…N,

régulièrement espacés avec un pas Δx. La quantité ui désignera la valeur de la fonction
u(x) au nœud xi. L’équation à résoudre s’écrit, sous forme discrète en chaque nœud xi.
 d 2u 
  2   f ( xi )  fi
 d x i
Approximons la dérivée seconde de u au moyen d'un schéma centré à l'ordre 2 :
 d 2u  ui 1  2ui  ui 1
 2  
 d x i x 2
L'équation discrétisée est ainsi :
2ui  ui 1  ui 1
 fi ; Pour i variant de 1 à N-1.
x 2
Il est très pratique d'utiliser une formulation matricielle en faisant apparaître le vecteur
des inconnues discrètes :
En effet:
1
i=1  2u1  u2  u0   f1
x 2
1
i=2  2u2  u3  u1   f 2
x 2
1
i=3  2u3  u4  u2   f3
x 2

24
1
i = N-1  2uN 1  uN  uN 2   f N 1
x 2
Après une démonstration simple, on trouve comme suit :
i=1 2u1  u2  f1  x2  

i=2 2u2  u3  u1  f 2  x2
i=3 2u3  u4  u2  f3  x2
i = N-1 2uN 1  uN 2  f N 1  x2  
2 -1 0 . 0 u1 f1 Δx2+ α
-1 2 -1 . 0 u2 f2 Δx2
. . . . . . = .
. . . . . . .
. . . . . . .
0 0 -1 2 -1 uN-2 fN-2 Δx2
0 0 0 -1 2 uN-1 fN-1 Δx2+β
+β
2.6 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann
Considérons l'équation différentielle suivante :
u '' ( x)  f ( x)
 x є[0, 1]
u (0)   , u (1)  
'
où l'on a cette fois une condition de Neumann en x = 1.
Les modifications du problème discrétisé par rapport au cas précédent sont les
suivantes. Tout d'abord, le nombre d'inconnues a changé. Il y a une inconnue au bord
en x=1. Le problème discret a donc maintenant, sur la base du même maillage que
précédemment, N inconnues ui pour i variant de 1 à N.
D'autre part, il faut discrétisée la condition de Neumann u ' (1)   . Plusieurs choix sont
possibles pour approximer cette dérivée première. C'est un des inconvénients de la
méthode des différences finies : elle ne donne pas de façon naturelle une bonne
approximation des conditions de Neumann.
u N  u N 1
Dans notre cas, utilisons une approximation d'ordre 1 : u ' (1) 
x
Sous forme matricielle, on obtient :

25
2 -1 0 . 0 0 u1 f1 + α/Δx2
-1 2 -1 . 0 0 u2 f2
. . . . . 0 . .
1
. . . . . 0 . = .
∆𝑥 2
0 0 -1 2 -1 0 uN-2 fN-2
0 0 0 -1 2 0 uN-1 fN-1
0 0 0 0 -1 1 uN β/Δx
2.7 Discrétisation de l'équation de la chaleur 1D

Considérons le problème monodimensionnel de la conduction de la chaleur dans une
barre de 1m de longueur. Le champ de température T(x; t) vérifie l'équation de la
chaleur :
T  2T
 2 (2.17)
t x
Où α est la diffusivité thermique.
À cette EDP s'ajoute deux conditions aux limites aux extrémités de la barre T(0; t) =
Tg et T(1; t) = Td ainsi qu'une condition initiale T(x; 0) = T0.
L'intervalle [0,1] est discrétisé en N+1 nœuds de coordonnées xi (i variant de 0 à N)

régulièrement espacés. Notons Δx le pas d'espace. Le temps est discrétisé en
intervalles de pas constant Δt. Notons Tin la température au nœud xi = iΔx et à l'instant
t = nΔt.
On peut utiliser deux approches pour discrétiser cette équation de la chaleur. La

première dite explicite utilise une discrétisation au nœud xi et à l'itération courante n :
n
 T    2T 
n
     2 (2.18)
 t i  x i
Et la seconde dite implicite utilise une discrétisation au nœud xi et à l'itération n+1 :
n 1 n 1
 T    2T 
    2  (2.19)
 t i  x i
2.7.1 Schéma explicite
Nous utilisons un schéma avant d'ordre 1 pour évaluer la dérivée temporelle et un
schéma centré d'ordre 2 pour la dérivée seconde en espace :
n 1
 T  Ti  Ti
n n
  
 t i t

26
n
  2T  Ti n1  2Ti n  Ti n1
 2  
  x i x 2
Ti n1  Ti n  T n  2Ti n  Ti n1 

L’équation (2.17) devient :    i 1 
t  x 2 
t
En posant :     , la température à l’itération n+1 est donnée par:
x 2
Ti n 1    Ti n1  (1  2 ) Tin    Ti n1 i variant de 1 à N-1
En effet:
i=1 T1n1  (1  2 )T1n  T2n  T0n
i=2 T2n1   T1n  (1  2 )T2n  T3n
i = N-1 TNn11   TNn 2  (1  2 )TNn1  TNn
Soit sous forme matricielle.

n 1 n
T1  T1 
n
1-2λ λ 0 …. 0 T0 
T  T  0 
 2  λ 1-2 λ λ …. 0  2   
.  = . . . … . .  + λ . 
     
TN  2  0 0 λ 1-2λ λ TN  2  0 
T  T  TN 
 N 1  0 0 0 λ 1-2λ  N 1 
2.7.2 Schéma implicite

Nous utilisons un schéma arrière d'ordre 1 pour évaluer la dérivée temporelle et un
schéma centré d'ordre 2 pour la dérivée seconde en espace :
n 1
 T  Ti n1  Ti n
  
 t i t
n 1
  2T  Ti n11  2Ti n 1  Ti n11
 2  
  x i x 2
t
En posant     , la température à l’itération n+1 est donnée par :
x 2
(1  2 )Tin1   (Tin11  Tin11 )  Ti n i variant de 1 à N-1.

27
(1  2 )Tin1  Ti n11  Ti n11  Ti n
On constate que les inconnues à l'itération n+1 sont reliées entre elles par une relation
implicite (d'où le nom de la méthode).
En effet :
i=1 (1  2 )T1n1  T2n1  T0n1  T1n
i=2 (1  2 )T2n1  T3n1  T1n1  T2n
i = N-1 (1  2 )TNn11  TNn12  TNn1  TNn1
Sous forme matricielle :

1+2λ -λ 0 …. 0 T1 n+1 n
T1
-λ 1+2λ -λ …. 0 T2 T2
. . . . . =
. .
0 0 -λ 1+2λ -λ
TN-2 TN-2
0 0 0 -λ 1+2λ
TN-1 TN-1
T0 n+1
0
+λ .
0
TN
À chaque itération, le vecteur des inconnues discrètes se détermine par résolution d'un
système linéaire.
2.8 Discrétisation de l'équation de la chaleur 2D stationnaire

Considérons le problème bidimensionnel stationnaire de la conduction de la chaleur
dans un domaine rectangulaire [0, Lx]×[0, Ly]. Le champ de température T(x; y)
vérifie l'équation de Laplace:
 2T  2T
T   0 (x,y)є [0, Lx]×[0, Ly]
2 x 2 y
T(0,y) = Tg et T(Lx,y) = Td 0<y<Ly
T(x,0) = Tb et T(x,Ly) = Th 0<x<Lx

28
Le domaine de calcul est discrétisé en (N+1)×(P+1) noeuds (xi; yj) (i variant de 0 à N

et j variant de 0 à P). On supposera que les pas d'espace dans chaque direction Δx et
Δy sont constants. La température discrète au noeud (xi; yj) sera notée Tij = T(xi; yj).
Nous utilisons un schéma centré d'ordre 2 pour approximer les dérivées secondes en
espace :
  2T  Ti 1, j  2Ti , j  Ti 1, j
 2  
  x i , j x 2
  2T  Ti , j 1  2Ti , j  Ti , j 1
 2  
  y i , j y 2
La formulation discrétisée est alors, pour i variant de 1 à N-1 et j variant de 1 à P - 1 :
y 2 (Ti 1, j  Ti 1, j )  x 2 (Ti , j 1  Ti , j 1 )  2( x 2  y 2 )Ti , j  0 (2.19)
Soit sous forme matricielle, pour N = P = 4, en posant A = Δx2 +Δy2
En effet :
i 1 2 3
j 1 2 3
T13 T23 T33

j=3
T12 T22 T32

j=2
T11 T21 T31

j=1
i=1 i=2 i=3

Cas 1: i = 1 ; 2 ; 3 et j = 1.
a) i = 1, j = 1
L’équation (2.19) devient :
(T2,1  T0,1 ) y2  (T1,2  T1,0 ) x 2  2( x 2  y 2 )T1,1  0
2 AT11  T21y 2  T12 x 2  (Tb x 2  Tg y 2 )

29
b) i = 2, j = 1
(T31  T11 )y 2  (T22  T20 )x2  2(x2  y 2 )T21  0
T11y 2  2 AT21  T31y 2  T22x2  Tb x 2  0
c) i = 3, j = 1
(T41  T21 )y 2  (T32  T30 )x2  2(x2  y 2 )T31  0
T41y 2  T21y 2  T32x2  T30x2  2 AT31  0
T21y 2  2 AT31  T32x2  (Td y 2  Tbx 2 )
Cas 2: i = 1 ; 2 ; 3 et j = 2
Cas 3: i = 1 ; 2 ; 3 et j = 3
Dans le cas où les pas d'espace sont identiques Δx = Δy, la formulation devient, pour i
variant de 1 à N - 1 et j variant de 1 à P-1 :
Ti 1, j  Ti , j 1  Ti 1, j  Ti , j 1  4Ti , j  0 (2.20)

Soit sous forme matricielle, pour N=P=4 :

30
Notons I la matrice identité d'ordre 3 et D la matrice de dimension 3 définie par :
-4 1 0
D=
1 -4 1
0 1 -4
Notons T1, T2 et T3 les vecteurs à 3 composantes définis par :
T11  T12  T13 

T1  T21  , T2  T22  , T3  T23 
T31  T32  T33 
Le système peut s'écrire sous la forme matricielle bloc suivante :
D I 0 T1 B1
= -
I D I T2 B2
0 I D T3 B3
La matrice obtenue est tridiagonale et chacun de ses blocs est tridiagonal. La

résolution du système peut s'effectuer par une méthode de Thomas matriciel où une
méthode itérative matricielle (méthode de Gauss-Seidel).

31
Remarque :
Avec une condition de Neumann sur l'un des bords du domaine, par exemple en y = 0
un flux de chaleur égale à ∅𝑏 , il faudrait ajouter à la formulation précédente, la
discrétisation de cette condition au bord.
Ceci a pour conséquence l'ajout de N -1 inconnues supplémentaires à savoir les valeurs
de la température au bord (j = 0 et i variant de 1 à N - 1).
Par exemple utilisons un schéma d'ordre 1 pour évaluer le flux de chaleur :

 T   Ti ,1  Ti ,0 
        b (2.21)
 y i ,0   y 
En effet :
Pour N = P = 4, on a :
i 1 2 3
j 1 2 3
T13 T23 T33

j=3
T12 T22 T32

j=2
T11 T21 T31
j=1
T10 T20 T30
j=0
i=1 i=2 i=3
Cas : i = 1 ; 2 ; 3 et j = 0
 Ti ,1  Ti ,0 
L’équation (1.21) devient :     b
  y 
Ti ,1  Ti ,0  b  y / 
Pour i = 1 : T11  T10  b  y / 
Pour i = 2 : T21  T20  b  y / 
Pour i = 3 : T31  T30  b  y / 

32
Soit sous forme matricielle, dans le cas où Δx = Δy.
2.9. Notions théoriques

Plusieurs notions mathématiques sont introduites lors de la résolution d’EDP au
moyen de leurs équivalents discrétisés. Les trois principales sont la convergence, la
stabilité et la consistance, permettant de relier la solution exacte des équations
discrétisées et à la solution numérique obtenue.
2.9.1. Consistance d'une méthode

La consistance est la propriété qui assure que la solution exacte de l'équation
discrétisée tend vers la solution exacte de l'équation continue lorsque le pas de
discrétisation h tend vers 0.
2.9.2. Stabilité d'une méthode
C'est la propriété qui assure que la différence entre la solution numérique obtenue et la
solution exacte des équations discrétisées reste bornée. La stabilité indique si l'erreur
augmente ou non au cours du calcul.
2.9.3. Convergence
Une méthode est convergente si, lorsque le pas de discrétisation tend vers 0, la solution
numérique tend vers la solution exacte de l'équation continue.
Remarque: Une méthode stable et consistante est convergente.

33
Chapitre 3
Intégration numérique
3.1 Exemple
On veut quantifier une intégrale dont le calcul est difficile, voire impossible dans le
cas où la primitive n’est pas connue.
Exemple : Calculer les intégrales suivantes :

1 2
 exp( x )dx ,  (1  cos 2 x)dx

2
0 0
Dans de tels cas on applique des méthodes numériques pour évaluer les intégrales.
3.2 Formules d’intégration élémentaires

Soit f une fonction définie et continue sur [a; b] et à valeur dans ℜ. On se propose
de calculer numériquement l’intégrale :
b
I ( f )   f ( x)dx
a
3.2.1. Formule du point milieu
Formule simple
La fonction f est approximée sur l’intervalle [a; b] par sa valeur au milieu de [a; b], soit
ab
f ( x)  f ( ) On aura donc :
2
b
ab
I ( f )   f ( x)dx  I 0 ( f )  (b  a)  f ( ) (3.1)
a 2
Figure 1. Point milieu simple

34
Formule composite du point milieu
L’intervalle [a,b] est subdivisé en m intervalles égaux [xi, xi+1] de longueur

ba
h , soit [a, b]  m 1
i 0[ xi , xi 1 ] . Nous avons alors :
m
b m 1 xi 1
 f ( x)dx    f ( x)dx
a i  0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du point
milieu simple :
x x 
xI 1
 f ( x)dx  h  f  i i 1 
 2 
xi
d’où la formule d’intégration :

b m 1
x x 
I 0,m ( f )   f ( x)dx  h  f  i i 1  (3.2)
a i 0  2 
Figure 2. Point milieu composite
3.2.2 Formule du trapèze

La formule du trapèze est obtenue en remplaçant la fonction f(x) par un polynôme du
premier degré qui interpole f aux points a et b, c.-à-d. déterminer :
P1(x) = a0 +a1x tel que : P1 (a)  f (a) , P1 (b)  f (b)
f (b)  f (a)
On trouve : P1 ( x)  f (a)   ( x  a)
ba

35
b b
f (b)  f (a)
Il vient :  f ( x)dx  I1 ( f )   P1 ( x)dx  (b  a)  2
(3.3)
a a
Formule composite du trapèze

ba
L’intervalle [a; b] est subdivisé en m intervalles égaux [xi; xi+1] de longueur h  ,
m
soit  a, b  m1
[ xi , xi 1 ] . Nous avons alors :
i 0
b m 1 xi 1
 f ( x)dx    f ( x)dx
a i  0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du trapèze :
xi 1
f ( xi )  f ( xi 1 )
 f ( x)dx  h 
2
xi
b m 1
f ( xi )  f ( xi 1 )
Il vient :  f ( x)dx   h 
a i 0 2
D’où la formule d’intégration :

b
f ( x0 )  f ( x1 ) f ( xm1 )  f ( xm )
I1,m ( f )   f ( x)dx  h  (  ....... ) (3.4)
a 2 2
3.2.3. Formule de Simpson

Pour cette formule, la fonction f(x) est remplacée par un polynôme de second degré
𝑎+𝑏
P2(x) interpolant f aux points a, et b ; c.-à-d. d’abord déterminer P2(x) = a0 + a1x +
2
a2x2 , tel que :
ab ab
P2 (a)  f (a) , P2 ( ) f( ) , P2 (b)  f (b)
2 2
Puis écrire que :
𝑏 𝑏
∫𝑎 𝑓(𝑥) 𝑑𝑥 = ∫𝑎 𝑃2 (𝑥 )𝑑𝑥
Il vient :
b b
ba  ab 
 f ( x)dx   P2 ( x)dx  I 2 ( f )  
6 
f (a )  4 f 
 2 
  f (b)  (3.5)
a a 

36
Formule composite de Simpson

ba
L’intervalle [a, b] est subdivisé en m intervalles égaux [xi; xi+1] de longueur h  ,
m
m 1
soit [a, b]  i 0 [x i , xi 1 ] . Nous avons alors :
b m 1 xi 1
 f ( x)dx    f ( x)dx
a i  0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du Simpson :
xi 1
h xi  xi 1 
 f ( x)dx   f ( xi )  4 f (
6 2
)  f ( xi 1 ) 

xi
Il vient :
b m 1
h x x 
 f ( x)dx   ( f ( xi )  4 f  i i 1   f ( xi 1 ))
a i 0 6  2 
D’où la formule d’intégration :

𝑚−1
ℎ 𝑚−1 𝑥𝑖 +𝑥𝑖+1
𝐼2,𝑚 (𝑓) = (𝑓(𝑥0 ) + 2 ∑𝑖=1 𝑓(𝑥𝑖 ) + 4 ∑ 𝑓( ) + 𝑓(𝑥𝑚 )) (3.6)
6 𝑖=0 2
3.2.4. Formules de quadrature

Définition 1 : Soient (xi)i =0,1…n , (n + 1) points dans [a; b]. On appelle formule de
quadrature toute formule de la forme :
n
I n ( f )  i f ( xi )
i 0
b
permettant de calculer une approximation de I ( f )   f ( x)dx
a
Les points (xi) i=0,1…n sont appelés noeuds, les coefficients (αi)i=0,1…n sont appelés
poids.
Les formules du point milieu, du trapèze et de Simpson sont des formules de

quadrature.
Point Milieu Trapèze Simpson

xi ab a, b ab
a, ,b
2 2
αi (b-a) ba ba ba ba ba
, , 4 ,
2 2 6 6 6

37
4. 1. Degré d’exactitude d’une formule de quadrature

Définition 2 : Une formule de quadrature In sur [a; b] est exacte pour une fonction
f si :
b
I n ( f )   f ( x)dx
a
Une formule de quadrature In sur [a; b] est exacte de degré r si elle est exacte pour
tout polynôme de degré r et non exacte pour un polynôme de degré r + 1. c.-à-d:
b
I n ( Pr )   Pr ( x)dx
a
b
I n ( Pr 1 )   Pr 1 ( x)dx
a
Puisque : Pr ( x)  a0  a1 x  ......ar x et Pr 1 ( x)  a0  a1 x  ......ar 1 x r 1

r
Il suffira de vérifier que :

b
I n ( x k )   x k dx , k = 0, 1,……r
a
b
I n ( x )   x r 1dx
r 1
Proposition 1:
1. Les formules du point milieu et du trapèze sont exactes de degré 1.

2. La formule de Simpson est exacte de degré 3.
Démonstration :
 ab
Formule du point milieu : I 0 ( f )  (b  a )  f  
 2 
b
I 0 (1)  (b  a) et  1dx  (b  a)
a
( a  b) b 2  a 2 b
b2  a 2
I 0 ( x)  (b  a)  et  xdx 
2 2 a 2
( a  b) 2 b
b3  a 3
I 0 ( x 2 )  (b  a) et  x 2 dx 
4 a 3
Le degré d’exactitude est donc r = 1.

38
f (b)  f (a)
Formule de trapèze : I1 ( f )  (b  a) 
2
b
I1 (1)  (b  a) et  1dx  (b  a)
a
b  a b2  a 2 b
b2  a 2
I1 ( x)  (b  a)   et  xdx 
2 2 a 2
b2  a 2 b
b3  a 3
I1 ( x )  (b  a) 
2
et  x dx 
2
2 a 3
ba ab 
Formule de Simpson : I1 ( f )   f (a)  4  f ( )  f (b) 
6  2 
b
I 2 (1)  (b  a) et  1dx  (b  a)
a
ba ab b2  a 2 b
b2  a 2
I 2 ( x)  (a  4   b)  et  xdx 
6 2 2 a 2
ba 2  ab b3  a 3 b3  a 3
2 b
I2 ( x2 )  (a  4     x dx 
2 2
 b ) et
6  2  3 a 3
b a
4 4 b
b a 4 4
I 2 ( x3 )  et  x3dx 
4 a 4
ba b5  a 5
  
b
I2 ( x4 )  5a 4
 6 a 3
b  4 a 2 2
b  6 ab 3
 5b 4
et x 3
dx 
24 a 5

39
Chapitre 4
Equations Différentielles Ordinaires (EDOs)
3.1. Intégration numérique des EDOs

3.1.1. Introduction
Beaucoup de problèmes issus de la physique se ramènent à des équations
différentielles que l’on ne sait pas résoudre analytiquement. On fait alors appel à des
méthodes numériques.
Nous allons nous intéresser aux équations différentielles d’ordre 1, c.-à-d. nous
cherchons y(t) tel que :
dy (t )
 f (t , y (t ))
dt
Noter que :
 Dans le cas d’équations différentielles d’ordre supérieur, il est toujours possible de

ramener le problème à un système d’équations différentielles d’ordre 1.
 Lorsque l’on recherche la solution d’une EDO, on suppose que la fonction inconnue
y est continue et dépendante de la variable temporelle et\où spatiale.
 f est une fonction connue de y et de t.
3.1.2. Le problème de Cauchy

Soit f une application de ℜ ℜ
Soit [a ; b] un intervalle fermé de ℜ
Soit y(t) une application de [a; b] dans ℜ.
On appelle équation différentielle du premier ordre la relation:
dy (t )
y ' (t )   f (t , y (t ))
dt
On appelle problème de Cauchy, la recherche de l’application y(t) telle que :
 y ' (t )  f (t , y(t ))
 (5.1)
 y(a)  y0

40
3.1.3. Notions théoriques
Nous allons tenter de résoudre numériquement le problème de Cauchy. Pour cela nous
supposons vérifiées les conditions d’existence et d’unicité de la solution.
Soit (tn)0,….N une suite d’abscisses dans l’intervalle [a; b] tels que :
t0  a  t1  ......  tn  ....  t N  b , où tn+1 = tn+h
Nous noterons y(tn) la valeur de la solution exacte au point tn, et yn une valeur
approchée de la solution y(tn).
On trouve dans la littérature deux grandes classes de méthodes numériques pour la
résolution des équations différentielles:
1. Méthodes à un pas où la solution yn+1 est calculée en fonction de yn.
2. Méthodes à plusieurs pas où la solution yn+1 est calculée en fonction de yn, yn-1.yn-k.
Dans ce chapitre nous étudions les méthodes à un pas ; nous pouvons les écrire sous la
forme :
yn+1 =( yn +h×Ø (tn, yn,h) (5.2)

y0 la condition initiale
Où : Ø [a, b] ×ℜ×ℜ ℜ
(t, u, h) (t , u, h)
L’équation (5.2) est appelée équation discrète, ou équation aux différences par
opposition à l’équation différentielle continue (5.1).
3.1.3.1. Consistance
La consistance exprime que l’équation discrète doit être liée à l’équation différentielle
continue.
Définition 1: On dit que l’équation discrète est consistante avec l’équation

différentielle continue si :
y (tn 1 )  y (tn )
lim max  (tn , yn , h)  0
h 0 n h

41
3.1.3.2. Convergence
La convergence exprime le fait que la solution approchée doit tendre vers la solution
exacte lorsque h tend vers 0.
Définition 4 : Le schéma est dit convergent si:
lim max yn  y(tn )  0

h 0 n
3.1.3.3. Ordre d’un schéma
L’ordre d’un schéma précise comment yn  y(tn ) tend vers 0 en fonction de h.
Théorème 1: Un schéma convergent est d’ordre p si :
max yn  y(tn )  K  hP
n
n
4.1. Méthodes de type Euler
Les méthodes de type Euler considèrent les plus ancienne de résolution d’une EDO du
premier ordre, pour cela, on distingue trois types de méthodes d’Euler : Implicite
(aussi dite méthode d’Euler améliorée), explicite et centré.
Soit :
y : [a ,b] ℜ
t y(t)
Une fonction de classe C1. Soient t0  a, t1 ,....t N  b des points équidistants dans [a, b].
ba
Notons h   tn 1  tn .
N
La dérivée y’(t) au point tn peut être calculée de plusieurs manières :
y (tn  h)  y (tn )
y ' (tn )  lim (6.1)
h 0, h 0 h
y (tn )  y (tn  h)
y ' (tn )  lim (6.2)
h 0, h 0 h
y (tn  h)  y (tn  h)
y ' (tn )  lim (6.3)
h 0, h 0 2h
Notons y’n une approximation de y’(tn). Cette approximation pourra être calculée
de plusieurs manières :

42
1. Différence finie progressive :

yn 1  yn
yn'(P)  (6.4)
h
2. Différence finie regressive :
yn  yn 1
yn'( R )  (6.5)
h
3. Différence finie centrée :
yn 1  yn 1
yn'( c )  (6.6)
2h
Or, notre équation différentielle s’écrit :
y ' (t )  f (t , y(t ))
En passant aux approximations, nous aurons :
yn'  f (tn , yn )
En utilisant les différences finies progressives (6.4), regressives (6.5) et centrées (6.6),
nous obtenons les trois schémas d’Euler :
1. Schéma d’Euler explicite :
yn1  yn  h  f (tn , yn )
2. Schéma d’Euler implicite :
yn1  yn  h  f (tn1 , yn1 )
3. Schéma d’Euler centré :
yn1  yn1  2h  f (tn , yn )
4.2. Ordre des schémas d’Euler
Si y est de classe C2, alors pour tout t є[a; b],   compris entre tn et tn+1 tel que :
(t  tn )2 ''
y (t )  y (tn )  (t  tn )  y ' (tn )  y ( )
2
Ordre du schéma d’Euler explicite
Choisissons t = tn+1 on a :

43
h2 ''
y (tn1 )  y (tn )  h  y (tn )  y ( )
'
On en déduit :
yn 1  yn h yn1  yn h
 yn'  y '' ( )  f (tn , yn )  max y '' ( )
h 2 h 2 tn  tn1
Le schéma d’Euler explicite est donc d’ordre 1.
Ordre du schéma d’Euler implicite
Choisissons t = tn-1 on a :
h2 ''
y (t n1 )  y (tn )  hy ' (tn )  y ( )
2
On en déduit :
yn  yn 1 h yn  yn1 h
 yn'   y '' ( )  f (t n , yn )  max y '' ( )
h 2 h 2 tn  tn1
Le schéma d’Euler implicite est donc d’ordre 1.
Ordre du schéma d’Euler centré
Nous supposons y de classe C3 et nous faisons un développement de Taylor à l’ordre

2:
(t  tn )2 '' (t  tn )3 '''
y(t )  y(tn )  (t  tn )  y (tn ) 
'
y (tn )  y ( )
2 6
Nous en déduisons :
h 2 '' h3 '''
y (tn 1 )  y (tn )  hy (tn ) 
'
y (tn )  y (1 )
2 6
2
h '' h3
y (tn 1 )  y (tn )  hy ' (tn )  y (tn )  y ''' (2 )
2 6
Il vient :
yn1  yn1 h2
 yn'   y ''' (1 )  y ''' (2 ) 
2h 12
yn 1  yn 1
 f (tn , yn , h)  Ch 2
2h
Le schéma d’Euler centré est un schéma d’ordre 2.

44
4.3. Méthodes de Runge-Kutta

En intégrant y’(t) = f(t; y(t)) entre tn et tn+1 on obtient :
tn1
yn 1  yn   f (t , y (t ))dt (6.7)
tn
On va utiliser les méthodes de quadrature numériques pour calculer l’intégrale dans

(6.7).
4.3.1. Méthodes de Runge-Kutta d’ordre 2
Schéma de Crank-Nicolson:
Utilisons d’abord la méthode de trapèze :
h
yn 1  yn   f (tn , yn )  f (tn1 , yn1 ) (6.8)
2
Le schéma de Crank-Nicolson est un schéma implicite.
Schéma de Heun :
C’est une variante du schéma de Crank-Nicolson afin de le rendre explicite :
h
yn 1  yn   f (tn , yn )  f (tn1 , yn  hf (tn , yn ) (6.9)
2
Schéma d’Euler modifié :
On utilise cette fois la méthode du point milieu pour le calcul de l’intégrale (6.7):
yn1  yn  h  f (tn1/2 , yn1/2 ) (6.10)
h ℎ
Où : tn 1/2  tn  et 𝑦𝑛+1 = y (𝑡𝑛 + )
2 2 2
On calcule yn+1/2 par le schéma d’Euler explicite:

h
yn 1/2  yn  f (tn , yn )
2
On obtient alors le schéma appelé schéma d’Euler modifié :
h
yn 1  yn  h  f (tn 1/2 , yn  f (tn , yn )) (6.11)
2

45
4.3.2. Méthodes de Runge-Kutta d’ordre 4
L’intégrale (6.7) est calculée par la méthode de Simpson :
h
yn 1  yn   f (tn , yn )  4  f (tn1/2 , yn1/2 )  f (tn1 , yn1 ) (6.12)
6
4.3.3. Méthode de Taylor
Le développement de Taylor autorise une généralisation de la méthode d’Euler, qui

permet d’obtenir des algorithmes dont l’erreur est de l’ordre plus élevé. Nous nous
limitons à la méthode de Taylor de second ordre. On cherche, au temps t = tn, une
approximation de la solution t = tn+1. On a :
y(tn1 )  y(tn  h)
h2 ''
 y(tn )  hy ' (tn )  y (tn )  o(h 3 )
2
En se servant de l’équation différentielle : f (tn , y (tn ))  y ' (tn ) , on trouve :

h2 '
y (tn 1 )  y (tn )  hf (tn , y (tn ))  f (tn , y (tn ))  o(h3 )
2
Dans la relation suivante, on va apparaitre la dérivée de la fonction f(t, y(t)) par rapport
au temps. On sait que:
f (t , y (t )) f (t , y (t )) '
f '(t , y (t ))   y (t )
t y
C’est-à-dire
f (t , y (t )) f (t , y(t ))
f ' (t , y (t ))   f (t , y (t ))
t y
On obtient donc :
h 2  f (tn , y (tn )) f (tn , y (tn ) 

y (tn 1 )  y (tn )  hf (tn , y (tn ))    f (tn , y (tn ))   o(h3 )
2 t y 
En négligeant les termes d’ordre supérieur ou égal à 3, on en arrive à poser :
h2  f (tn , y (tn )) f (tn , y (tn )) 

y (tn 1 ) y (tn )  hf (tn , y (tn ))    f (tn , y (tn )) 
2 t y 

46
qui sera à la base de la méthode de Taylor. Ceci conduit à l’algorithme de Taylor

d’ordre 2.
h 2  f (tn , yn ) f (tn , yn ) 
yn 1  yn  hf (tn , yn )    f (tn , yn ) 
2 t y 
Avec : tn+1 = tn + h
Exemple 1: Schéma d’Euler
Soit l’équation différentielle:
 y ' (t )   y(t )  t  1
 (6.13)
 y(0)  1
On a donc t0 = 0, y(0) = 1, et on prend un pas de temps h = 0.1. De plus, on a :
f (t , y )   y  t  1
En utilisant la méthode d’Euler on obtient successivement des approximations de

y(0.1), y(0.2), y(0.3)…….., notées y1, y2, y3…la première itération donne :
y1  y0  hf (t0 , y0 )  1  0.1 f (0;1)  1  0.1(1  0  1)  1
La deuxième itération se fait de manière similaire :
y2  y1  hf (t1 , y1 )  1  0.1 f (0.1;1)  1  0.1(1  0.1  1)  1.01
On parvient à :
y3  y2  hf (t2 , y2 )  1.01  0.1 f (0.2;1.01)
 1.01  0.1(1.01  0.2  1)
 1.029
La solution analytique de l’équation (6.13) est donnée par :
y (t )  exp(t )  t
Le tableau suivant rassemble les résultats des dix premières itérations et permet de
comparer les solutions analytiques et numériques.

47
ti y(ti) yi y(ti )  yi
0.0 1.000000 1.000000 0.000000
0.1 1.004837 1.000000 0.004837
0.2 1.018731 1.010000 0.008731
0.3 1.040818 1.029000 0.011818
0.4 1.070302 1.056100 0.014220
0.5 1.106531 1.090490 0.016041
0.6 1.148812 1.131441 0.017371
0.7 1.196585 1.178297 0.018288
0.8 1.249329 1.230467 0.018862
0.9 1.306570 1.287420 0.019150
1.0 1.367879 1.348678 0.019201
Exemple 2: Méthode de Taylor
Soit l’équation différentielle déjà résolu par la méthode d’Euler :
 y ' (t )   y(t )  t  1

 y(0)  1
Dans ce cas:
f (t , y )   y (t )  t  1
Et
f f
 1 et  1
t y
On a :
h 2  f (tn , yn ) f (tn , yn ) 
yn 1  yn  hf (tn , yn )    f (tn , yn ) 
2 t y 
h2
yn1  yn  h( y(t)  t  1)  (1  (1)( y(t )  t  1))
2
La première itération de la méthode de Taylor d’ordre 2 donne (avec h = 0.1)
(0.1)2
y1  1  0.1(1  0  1)  (1  (1)(1  0  1))  1.005
2
Une deuxième itération donne :
(0.1)2
y2  1.005  0.1(1.005  0.1  1) (1  (1)(1.005  0.1  1))  1.019025
2
Les résultats sont donnés dans le tableau suivant :

48
ti y(ti) yi y(ti )  yi
0.0 1.000000 1.000000 0.000000
0.1 1.004837 1.005000 0.000163
0.2 1.018731 1.019025 0.000294
0.3 1.040818 1.041218 0.000400
0.4 1.070302 1.070802 0.000482
0.5 1.106531 1.107075 0.000544
0.6 1.148812 1.149404 0.000592
0.7 1.196585 1.197210 0.000625
0.8 1.249329 1.249975 0.000646
0.9 1.306570 1.307228 0.000658
1.0 1.367879 1.368541 0.000662
Remarque :
On remarque que l’erreur est plus petite avec la méthode de Taylor d’ordre 2 qu’avec
la méthode d’Euler.

49
Chapitre 5
Interpolation et approximation
4.1. Généralité
Etant donné une fonction f, définie soit de façon discrète, soit de façon continue,
l'objectif est de déterminer une autre fonction g, de forme donnée, qui, en un certain
sens, approche le mieux possible de la fonction f.
4.2. Exemple
On considère une barre métallique dont on a mesuré la température en 3 points :
x 0 0.5 1
T(x) 20 25 22
Nous cherchons la température en un point qui ne figure pas dans le tableau, par
exemple T(0.7).
Parmi les possibilités offertes, nous pouvons approximer la fonction T(x) par un
polynôme de second degré P(x) qui coïncide avec T(x) aux points : 0, 0.5 et 1.
Soit P(x) = a0 + a1x +a2x2 tel que P(0) = T(0), P(0.5) = T(0.5) et P(1) = T(1). Pour
déterminer les coefficients a0, a1, a2 nous allons résoudre le système de 3 équations à 3
inconnues :
 P(0)  a0  20

 P(0.5)  a0  0.5a1  0.25a2  25
 P(1)  a  a  a  22
 0 1 2
Nous obtenons : a0  20, a1  18, a2  16, d’où : P( x)  20  18x  16 x 2 et finalement

P(0.7)  24.76C.
4.3. Position du problème
Soit f une application de ℜ dans ℜ connue en (n + 1) points x0 ; x1 ……xn. On cherche

un polynôme P de degré n tel que P(xi) = f(xi) pour i = 0; 1; …..n. On dit que P est le
polynôme d’interpolation de f en x0; x1…..xn, ou que P interpole f en x0; x1; ….. xn. Les
(n+1) points x0; x1; ….. xn sont appelés points d’interpolation de f.
Soit Pn l’ensemble des polynômes de degré n.

50
Théorème 1 :
Une condition nécessaire et suffisante pour que P  Pn qui interpole f est que les
(n+1) points d’interpolation x0; x1….. xn soient tous distincts.
En posant P(x) = a0 + a1x + …… + anxn , nous obtenons :
 P( x0 )  f ( x0 ) a0  a1 x0  ......  an x0n  f ( x0 )

 P( x )  f ( x ) 
a0  a1 x1  ......  an x1  f ( x1 )
n
 1

1

..... .......
 P( xn )  f ( xn ) a  a x  ......  a x n  f ( x )
 0 1 n n n n
Nous avons à résoudre un système de (n + 1) équations à (n + 1) inconnues : a0; a1…..

an. Le déterminant de Cramer est :
1 x0 .... x0n
D= 1 x1 …. x1n
1 x2…. xnn
Le système admet une solution unique si ce déterminant est non nul c.-à-d. si toutes les
abscisses xi sont distinctes.
4.4. Polynômes d’interpolation de Lagrange
Si n est grand, il devient très difficile de résoudre ce système par la méthode de

Cramer et de déterminer le polynôme d’interpolation sous la forme :
Pn ( x)  a0  a1 x  ....an x n
On utilise alors le polynôme de Lagrange pour interpoler f.
Définition 1 : Le polynôme de Lagrange est défini par:

n
(𝑛) 𝑥−𝑥𝑗
Pn ( x)   L(i n ) ( x)  f ( xi ) où 𝐿𝑖 (𝑥) = ∏𝑛𝑖=0,𝑗≠𝑖 (7.1)
i 0
𝑥𝑖 −𝑥𝑗
Les polynômes Li(x) sont les polynômes de Lagrange et Pn(x) est le polynôme
d'interpolation de Lagrange de f aux ponts xi.
Nous constatons que :
1. L(i n ) ( x)  Pn , donc Pn ( x)  Pn

51
2. Pn ( xi )  f ( xi ) pour i = 0,1,…..n
Exemple 1 : Trouver le polynôme de Lagrange qui interpole une fonction f en x0 = -1

, x1 = 0, x2 = 1.
En utilisant (7.1) avec n = 2, on aura :
( x  x1 )( x  x2 ) 1
0 ( x) 
L(2)  x( x  1)
( x0  x1 )( x0  x2 ) 2
( x  x0 )( x  x2 )
L1(2) ( x)   ( x  1)(x  1)
( x1  x0 )( x1  x2 )
( x  x0 )( x  x1 ) 1
2 ( x) 
L(2)  x( x  1)
( x2  x0 )( x2  x1 ) 2
Le polynôme de Lagrange est donc :

1 1
P2 ( x)  x( x  1) f ( x0 )  ( x  1)( x  1) f ( x1 )  x( x  1) f ( x2 )
2 2
Exemple 2 :
On cherche à déterminer le polynôme d’interpolation de Lagrange qui en -1 vaut 8; en

0 vaut 3 et en 1 vaut 6:
On a:
( x  x1 )( x  x2 ) ( x  x0 )( x  x2 ) ( x  x0 )( x  x1 )
P2 ( x)  f ( x0 )  f ( x1 )  f ( x2 )
( x0  x1 )( x0  x2 ) ( x1  x0 )( x1  x2 ) ( x2  x0 )( x2  x1 )
x( x  1) ( x  1)( x  1) ( x  1) x
8 3 6  4 x2  x  3
2 1 2
4.5. Erreur d’interpolation
Théorème 2: Soient (n+1) points d’interpolations distincts x0; x1….xn dans l’intervalle
[a; b] et soit f  C ( n1) ([a, b]) ; alors pour tout x  [a, b] , l’erreur est :
f ( n1) ( )
En ( x)  f ( x)  Pn ( x)  wn1 ( x)
(n  1)!
n
Où :   [a, b] et wn1 ( x)  ( x  xi )
i 0
Exemple 3 :
Déterminons le polynôme d’interpolation de Lagrange de la fonction f(x) = √𝑥 sur les

points x0 = 100, x1 =121 et x2 = 144.

52
Avec quelle précision peut-on calculer √115 ?
Calculons P2(x):
P2 ( x)  f ( x0 ) L0 ( x)  f ( x1 ) L1 ( x)  f ( x2 ) L2 ( x)
 10L0 ( x)  11L1 ( x)  12L2 ( x)
Où:
( x  121)( x  144) 132 265 1 2

L0 ( x)    x x
(100  121)(100  144) 7 924 924
( x  100)( x  144) 4800 244 1 2

L1 ( x)    x x
(121  100)(121  144) 161 483 483
( x  100)( x  121) 275 221 1 2

L2 ( x)    x x
(144  100)(144  121) 23 1012 1012
660 727 1
Donc : P2 ( x)   x x2
161 10626 10626
max f ( n1) ( ) n
en ( x)   ( x  xi )
[100;144]
(n  1)! i 0
max f (3) ( )
e2 (115)  [100;144]
(115  100)(115  121)(115  144)
3!
3 3
Où max f 3 (x)  105 (avec f ''' ( x)  x 5/2 )
[100;144] 8 8
3
D’où : e2 (115)  105 (2610)  0.163 102
8  3!
4.6. Interpolation par intervalle
Soit f une fonction que l’on veut interpoler aux points d’interpolation x0 = a < x1 < ….
< xn = b. Pour cela on va diviser l’intervalle I = [a; b] en n intervalles Ii = [xi; xi+1] de
longueurs h = (b - a)/n. Sur chaque intervalle [xi; xi+1].
La fonction f est interpolée par un polynôme de premier degré P1 ( x)   x   . On a
donc :
P1 ( xi )  f ( xi ) f ( xi 1 )  f ( xi )
P1 ( x)  f ( xi )  ( x  xi )
P1 ( xi 1 )  f ( xi 1 ) xi 1  xi

53
4.7. Interpolation dans la base de Newton
Les différences divisées de Newton
Définition 1 :
Soit f une fonction définie sur [a, b] et x0, x1,……xn, (n+1) points distincts de [a,b]. On définit
les différences divisées de f aux points x0, x1,…..xn par les relations de récurrence :
i  [0, n]: f [ xi ]  f ( xi )
f [ x0 ]  f (x 0 )
f [ x0 ]  f [ x1 ] f ( x0 )  f ( x1 )
f [ x0 , x1 ]  
x0  x1 x0  x1
f [ x0 , x1 ]  f [ x1 , x 2 ] f ( x0 , x1 )  f ( x1 , x 2 )
f [ x0 , x1 , x 2 ]  
x0  x2 x0  x2
f [ x0 , x1 ..., x n 1 ]  f [ x1 , x 2 ,...x n ] f ( x0 , x1 ...x n 1 )  f ( x1 , x 2 ,..x n )

f [ x0 , x1 ,...x n 1 , x n ]  
x0  xn x0  xn
f [ x0 , x1 ,....xn1 , xn ] s’appelle la différence divisée d’ordre n de la fonction f aux points

x0, x1,….xn-1, xn.
Construction de la table des différences divisées
La construction de la table des différences divisées se fait comme suit (s’arrêtant aux
quatrièmes différences divisées, les autres s’obtiendraient de la même manière).
xi f(xi) f(xi,xi+1) f(xi,xi+1, xi+2) f(xi,xi+1, xi+2, xi+3) f(xi,xi+1, xi+2, xi+3, xi+4)
x0 f  x0 
x1 f  x1  f  x0 , x1 
x2 f  x2  f  x1 , x2  f  x0 , x1 , x2 
x3 f  x3  f  x2 , x3  f  x1 , x2 , x3  f  x0 , x1 , x2 , x3 
x4 f  x4  f  x3 , x4  f  x2 , x3 , x4  f  x1 , x2 , x3 , x4  f  x0 , x1 , x2 , x3 , x4 
On verra dans ce qui suit que seules les valeurs encadrées (en couleur jaune), sur la
diagonale principale de la table, interviennent dans l’expression du polynôme
d’interpolation.

54
Formule de Newton
Théorème 1
Soit f : [a, b] ℜ fonction définie sur [a, b] et x0,…..,xn, n+1 points distincts de [a,b].
Le polynôme qui interpole f sur x0 , x1 ...., xn  est donné par:
Pn ( x)  f [ x0 ]  f [ x0 , x1 ]( x  x0 )  .... f [ x0 , x1 ,..., xn1, xn ]( x  x0 ).....( x  xn1 ) (7.2)

n i 1
 f [ x0 ]   f [ x0 ,...., xi ]( x  x j )
i 1 j 0
Cette forme est appelée formule de Newton d’interpolation pour les différences
divisées.
Exemple 4
Trouvons le polynôme d’interpolation de Newton pour la fonction f(x) = sin(x) en les 3

π
points xi = i avec i = 0,……2.
2
xi f(xi) f(xi,xi+1) f(xi,xi+1,xi+2)
0 0
𝜋 2
1
2 𝜋
2 4
𝜋 0 - -
𝜋 𝜋²
P2 ( x)  f [ x0 ]  f [ x0 , x1 ]( x  x0 )  f [ x0 , x1 , x2 ]( x  x0 )( x  x1 )
2 4 
 0 ( x  0)  ( x  0)( x  )
 2
2
2 4 
 x x( x  )
  2
2
4
 x( x   )
2
Remarque 1
1. La formule (7.2) est la forme la plus utilisée pour calculer le polynôme

d’interpolation, car elle nécessite le moins de calcul pour obtenir numériquement
ses coefficients.
2. Dans la formule (7.2), posons x = xn on obtient alors :

55
Pn ( xn )  f [ x0 ]  f [ x0 , x1 ]( xn  x0 )  .... f [ x0 , x1 ,..., xn1 , xn ]( xn  x0 ).....( xn  xn1 )

Cette formule est connue sous le nom de « l’identité des différences divisées »
3. En outre, l’avantage d’être aisément calculable, l’algorithme de Newton peut être
allongé ou réduit. Par exemple, tenir compte de p points supplémentaires, on a juste
à les ajouter à la suite de la table des différences divisées et de compléter les
différences divisées. Au contraire, négliger les q points, il suffit d’arrêter la table
des différences divisées au (n+1-q) points.
Exemple 5
Reprenons l’exemple précédent et calculons le polynôme d’interpolation de Newton de

𝜋
la même fonction en les 4 points xi = i avec i = 0,….,3.
2
3𝜋
Par exemple, on a juste ajouté le point x = il suffit de calculer une différence
2
divisées en plus, on ajoute une ligne au tableau.
xi f(xi) f(xi,xi+1) f(xi,xi+1,xi+2) f(xi,xi+1,xi+2, xi+3)
0 0
𝜋 2
1
2 𝜋
2 4
𝜋 0 - -
𝜋 𝜋²
3𝜋 2 8
-1 - 0
2 𝜋 3𝜋2
P3 ( x)  f [ x0 ]  f [ x0 , x1 ]( x  x0 )  f [ x0 , x1 , x2 ]( x  x0 )( x  x1 ) 
f [ x0 , x1 , x2 , x3 ]( x  x0 )( x  x1 )( x  x2 )
 P2 ( x)  f [ x0 , x1 , x2 , x3 ]( x  x0 )( x  x1 )( x  x2 )
4 8 
 x( x   )  x( x  )( x   )
 2
3 2
2
8
 x( x 2  3 x  2 2 )
3 3

Cours-Version Fin-Modéli Num-GEER 1

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

Cours-Version Fin-Modéli Num-GEER 1

Transféré par

Droits d'auteur :

Formats disponibles

Université Abdelmalek Essaâdi

Ecole Nationale des Sciences Appliquées

Module : Modélisation Numérique

Cycle ingénieur : Génie Énergétique & Energies renouvelables-GEER

Pr. AMGHAR Kamal

Année Académique : 2022-2023

Description du contenu du module

1. Résolutions de systèmes d’équations linéaires et non linéaires : méthode de

2022-2023 GEER-S2 Modélisation Numérique

Chapitre 1 : Introduction à la Modélisation numérique

2022-2023 GEER-S2 Modélisation Numérique

Chapitre 1 : Introduction à la Modélisation numérique

I. Généralité sur la modélisation numérique

Aéronautique - Nucléaire - Aménagement de cours d’eau et la simulation numérique

Exemple 1: L’équation de la chaleur

Exemple 2: Equation d’onde

Attention : La modélisation numérique aide à la conception des projets, mais en aucun

I.1. Qu'est-ce qu'un modèle ?

I.2. Qu’est-ce que la modélisation numérique ?

Mais : Simplifier le modèle Solution approchée.

2022-2023 GEER-S2 Modélisation Numérique

La modélisation numérique comporte 4 étapes différentes :

En fait, de la modélisation à la simulation numérique, nous basons sur les étapes

 Recherche d'un modèle mathématique représentant la physique. Mise en

Etape 2, modèle mathématique (modèle continu) :

2022-2023 GEER-S2 Modélisation Numérique

Etape 3, modèle discret (modèle algébrique) :

Discrétisation de l’espace: Le domaine de calcul est discrétisé en un nombre fini de

Etape 4, modèle informatique :

I.3. Notion de stabilité

I.3.1. Stabilité d'un problème physique : système chaotique

I.3.2. Stabilité d'un problème mathématique : sensibilité

I.3.3. Stabilité d'une méthode numérique

2022-2023 GEER-S2 Modélisation Numérique

II. Méthodes de discrétisation

II.1.Discrétisation du domaine (Maillage)

Quelques éléments classiques :

 1D : Elément linéaire à 2 noeuds - Elément quadratique à 3 noeuds – Elément

 2D : Triangle (T3 - T6 - T9) – Quadrilatère (Q4 - Q8).

 3D : Tétraèdre à 4 noeuds - Hexaèdre à 8 noeuds.

2022-2023 GEER-S2 Modélisation Numérique

II.2. Méthodes de différences finies

Où : ui  u( xi ), ui 1  u (xi  x) et ui 1  u( xi  x)

II.3. Méthodes de volumes finis

2022-2023 GEER-S2 Modélisation Numérique

Figure 1. Maillage structuré (cell vertex)

Figure 2. Maillage en triangles (cell vertex)

Figure 3. Maillage structuré (cell center)

2022-2023 GEER-S2 Modélisation Numérique

Figure 4. Maillage en triangles (cell center)

Figure 5. Maillage (cell center)

II.4. Méthodes des éléments finis

III. Résolution numérique de systèmes d’équations

III.1. Résolution d’équations linéaires

Soit le système algébrique linéaire de n équations à n inconnues :

2022-2023 GEER-S2 Modélisation Numérique

a11 x1  a12 x2  ....a1n xn  b1

x1, x2,…..xn sont les inconnues du système.

Le système (1.2) peut s’écrire sous forme matricielle :

a11 a12 . a1n x1 b1

La notation précédente est équivalente à la forme suivante (l’écriture la plus utilisée) :

a11 a12 . a1n b1

appelée matrice augmentée du système.

Si A est inversible, le système (1.2) a une solution unique qui s’écrit :