Autres Décompositions a posteriori

Dynamic Mode Decomposition

Décomposition en modes dynamiques

December 7, 2021 1 / 22
Formalisme

On s’intéresse au comportement asymptotique d’un système chaotique

déterministe du point de vue statistique:
Evolution d’une trajectoire dans l’espace des phases?
Evolution des observations dans l’espace des observables?
→ Introduction de nouveaux opérateurs

December 7, 2021 2 / 22
Illustration

Espace des Etats Espace des observables

December 7, 2021 3 / 22
Opérateur de Koopman

Définition: Soit f une observable

U T f (x) = f ◦ φT (x)
Propriété: L’opérateur de Koopman U T est linéaire

U T (a1 f1 (x) + a2 f2 (x)) = a1 f1 (φt (x)) + a2 f2 (φt (x))

= a1 U T f1 (x) + a2 U T f2 (x)

Système dynamique nonlinéaire de dimension finie

⇐⇒ Opérateur linéaire U T de dimension infinie

December 7, 2021 4 / 22
Caractéristiques de l’opérateur de Koopman

Propriétés spectrales de l’opérateur:

On recherche (λ, φλ ) tels que

U T φλ = φλ ◦ φt = e λt φλ

Décomposition spectrale
∞
X
U t f (x) = vk φλk (x)e λk t + UrT f (x)
k=1

December 7, 2021 5 / 22
Cas linéaire

ẋ = Ax

Les valeurs propres de l’opérateur de Koopman sont données par les

valeurs propres de A
Les modes de Koopman coincident avec les vecteurs propres de A.

December 7, 2021 6 / 22
Comment calculer les modes de Koopman en général?

T avec
à partir de trajectoires → moyennes de Fourier φiω = fiω
Z T
1
T
fiω (x) = limT →∞ f ◦ φt (x)e −iωt dt
T 0

à partir de données: → Dynamic Mode Decomposition - DMD

December 7, 2021 7 / 22
Dynamic Mode Decomposition -DMD

P. Schmid, JFM 2010

vi = v (ti )
V1N = v1 , v2 , . . . , vN
On cherche à définir l’opérateur linéaire A qui relie une suite d’échantillons
entre deux pas de temps
vi+1 = Avi
=⇒ séparation en temps constante ∆t entre 2 échantillons

vN = a1 v1 + a2 v2 + . . . aN−1 vN−1 + r (1)

soit
vN = V1N−1 a + r (2)
avec aT = [a1 , a2 , . . . , aN−1 ] et r résidu.

December 7, 2021 8 / 22
Principe

Echantillons vi aux temps ti

December 7, 2021 9 / 22
Matrice compagnon S

V2N = AV1N−1 = V1N−1 S + reN−1

T
(3)
avec
V2N = {v2 , v3 , . . . , vN }

December 7, 2021 10 / 22
Calcul de la matrice compagnon S

Pour déterminer S il est équivalent de déterminer a - projection de

a = R −1 Q H vN

avec V1N−1 = QR
Les composantes de a forment la dernière colonne de S
 
0 0 ... a1
1 0 ... a2 
 
S =0 1 ... a3  
. . . . . . . . . . . . 
0 0 . . . aN−1

Calcul de S?
Les valeurs propres de S approchent les valeurs propres de A

December 7, 2021 11 / 22
Approche de Krylov

AQ ∼ QH
avec
V1N−1 = QR
et
H = RSR −1

Projection successive sur des espaces de Krylov

Préconditionnement par SVD (POD)

December 7, 2021 12 / 22
Espaces de Krylov

Espace de Krylov d’ordre r

Kr (A, b) = Vect{b, Ab, A2 , . . . , Ar −1 b}

Utilisés pour résolution de systèmes linéaires

Extraire caractéristiques de A de taille m × m à partir de la séquence V1N .
Itération d’ d’Arnoldi: (Trefethen)
b0
Etape 0: Choisir un vecteur b0 arbitraire et normaliser q0 = kb0 k
Etape 1, 2, ...,n:
1 v = Aqn−1
2 pour j = 1, . . . , n
hj,n−1 = qj ∗ v
v = v − hj,n−1 qj
3 hn,n−1 = kv k
v
4 qn = hn,n−1

December 7, 2021 13 / 22
Matrice de Hessenberg

A l’itération n on pose

q11 q21 . . . qn1

 
 q2 q2 . . . qn2 
Qn =  1 2 
. . . . . . . . . . . .
q1m q2m . . . qnm

et  
h1,1 h1,2 h1,3 ... h1,n
h2,1 h2,2 h2,3 ... h2,n 
 
Hn =  0 h3,2 h3,3
 ... h2,n 

... ... ... ... 
0 0 . . . hn,n−1 hn,n
avec
Hn = Qn∗ AQn
Réduction orthogonale de A sous forme de Hessenberg
December 7, 2021 14 / 22
Relations entre itérations successives

AQn = Qn+1 H̃n

avec  
h1,1 h1,2 h1,3 ... h1,n
h2,1 h2,2 h2,3 ... h2,n 
 
 0 h3,2 h3,3 ... h2,n 
H̃n = 
 
... ... ... ... 

 0 0 . . . hn,n−1 n
hn 
0 0 ... 0 hn+1,n
Hn de taille n × m
H̃n de taille (n + 1) × m

December 7, 2021 15 / 22
Limites de l’approche de Krylov

+: stabilité et convergence
-: nécessite connaissance de A (difficile ou impossible)
→ approche par SVD

December 7, 2021 16 / 22
Préconditionnement par SVD

Première étape: on effectue une SVD(/POD) de V1N−1

V1N−1 = UΣW T

Deuxième étape: On estime

S̃ = U T AU

en utilisant
U = V1N−1 W Σ−1
on obtient
S̃ = U T AU = U T V2N W Σ−1

December 7, 2021 17 / 22
Décomposition de S̃

On résoud le problème aux valeurs propres associé à S̃:

S̃yi = µi yi
log µi
λi =
∆t
Les modes dynamiques Φi sont obtenus à partir de:

Φi = Uyi

December 7, 2021 18 / 22
Exemples

Ecoulement dans une cavité à Re=4500 (Schmid,JFM 2010)

December 7, 2021 19 / 22
Lien avec d’autres méthodes

Principal Oscillation Patterns (POP) (Storch et al. 1995)

On cherche à modéliser l’évolution d’un champ par le modèle suivant:

x(t + δt) = Ax(t) + 

où  représente un bruit.

L’ estimation pour A à partir des données est:

A = x(t + ∆t)x(t)T (x(t)x(t)T )−1

Les vecteurs propres de A constituent les POP.

December 7, 2021 20 / 22
Exemple d’application des POP

Oscillation de température à la surface de l’océan

December 7, 2021 21 / 22
Conditions d’utilisation des POP

L’analyse POP peut être utilisée pour les systèmes non-linéaires, mais la
dynamique doit être dominée par les linéarités.

C’est souvent le cas dans les écoulements turbulents (processus linéaire

dans la zone de paroi, distortion rapide...)

December 7, 2021 22 / 22