Sim Num Intro-2023

Les EDP : introduction physique, analyse
mathématique et discrétisation numérique

Cours d’introduction de la Toolbox
Simulation Numérique Avancée
J. Bruchon
École des Mines de Saint-Étienne
Centre SMS
septembre - novembre 2023

ii
Table des matières
Introduction 1
1 Équations de conservation scalaires 3

1.1 Conservation d’une quantité physique . . . . . . . . . . . . . . . . . . . . . 3
1.2 Remarques sur la divergence d’un champ vectoriel . . . . . . . . . . . . . . 5
1.3 Flux convectif et diffusif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Exercice : modélisation physique d’une onde acoustique . . . . . . . . . . . 7
2 EDP du premier ordre 11

2.1 Flux convectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Application : équation de conservation de la masse . . . . . . . . . 12
2.1.2 Densités massiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Analyse mathématique de l’équation de transport . . . . . . . . . . . . . . 14
2.3 Approximation par différences finies de l’équation de transport . . . . . . . 16
2.4 Schémas centrés en espace . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 Un schéma explicite instable . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Condition de stabilité de Von Neumann . . . . . . . . . . . . . . . . 18
2.4.3 Schémas explicites conditionnellement stables . . . . . . . . . . . . 19
2.4.4 Schémas implicites : la θ-méthode . . . . . . . . . . . . . . . . . . . 21
2.5 Schémas décentrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Méthode de capture d’interfaces . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.1 Volume Of Fluid . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6.2 Level-Set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.3 Vitesse de maillage . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.4 Exercice (examen 2019) . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Équations non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 EDP du second ordre 37

3.1 Flux diffusif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Diffusion et convection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Le Laplacien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 État d’équilibre : équation de Laplace . . . . . . . . . . . . . . . . . . . . . 42
3.4.1 Fonctions harmoniques . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.2 Problèmes frontières : problème de Dirichlet . . . . . . . . . . . . . 42
3.4.3 Problèmes frontières : problème de Neumann . . . . . . . . . . . . . 43
3.5 Équation de la chaleur / de diffusion instationnaire . . . . . . . . . . . . . 44
3.6 Équation des ondes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
iii
iv TABLE DES MATIÈRES
3.6.1 Introduction physique . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.6.2 Exercice : formule de d’Alembert . . . . . . . . . . . . . . . . . . . 48
3.6.3 Exercice : ondes sphériques . . . . . . . . . . . . . . . . . . . . . . . 49
3.6.4 Exercice : énergie et unicité . . . . . . . . . . . . . . . . . . . . . . 49
3.7 Résolution par séparation des variables . . . . . . . . . . . . . . . . . . . . 50
3.7.1 Nécessité des séries de Fourier . . . . . . . . . . . . . . . . . . . . . 52
3.7.2 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.7.3 Résolution de l’équation de la chaleur 1D . . . . . . . . . . . . . . . 55
3.7.4 Résolution de l’équation des ondes 1D . . . . . . . . . . . . . . . . 56
3.7.5 Équation de Laplace sur un disque . . . . . . . . . . . . . . . . . . 57
3.7.6 Équation de la chaleur sur un rectangle . . . . . . . . . . . . . . . . 58
4 Fondements mathématiques des éléments finis 61

4.1 Problèmes modèles pour la diffusion . . . . . . . . . . . . . . . . . . . . . . 61
4.1.1 Domaine (de définition) . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1.2 Espace des fonctions C k (Ω) . . . . . . . . . . . . . . . . . . . . . . 61
4.1.3 Espaces vectoriels normés . . . . . . . . . . . . . . . . . . . . . . . 62
4.1.4 Fonctions de carré intégrable . . . . . . . . . . . . . . . . . . . . . . 63
4.1.5 Espace de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.6 Inégalité de Cauchy-Schwartz . . . . . . . . . . . . . . . . . . . . . 64
4.1.7 Espaces de Sobolev . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.8 Dérivée faible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2 Approximation de Galerkin . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.1 Suite de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.2 Espace complet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.3 Approximation polynomiale (base globale) . . . . . . . . . . . . . . 76
4.2.4 Conditionnement d’une matrice . . . . . . . . . . . . . . . . . . . . 78
4.3 Approximation de Galerkin de type éléments finis . . . . . . . . . . . . . . 79
4.3.1 Exemple : problème 1. . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3.2 Résultats de convergence . . . . . . . . . . . . . . . . . . . . . . . . 84
4.4 Exercice : la méthode SUPG . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A Annexe : classification des EDP du second degré 89

A.1 Courbes caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A.2 Classification des EDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
A.3 Formes standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Bibliographie 97
Introduction
L’objectif de la toolbox Simulation Numérique Avancée est que le futur ingénieur ac-
quière les compétences nécessaires (connaissances scientifiques et techniques, réflexion,
recul) à l’élaboration de stratégies numériques pertinentes pour la résolution d’un pro-
blème donné et à l’analyse des résultats. Nous nous intéressons ici aux problèmes pouvant
être décrits par une équations aux dérivées partielles (EDP). Nous entendons alors par
stratégie numérique un ensemble de méthodes numériques permettant d’approcher la so-
lution désirée de l’EDP. Dans le contexte de cette toolbox, ces EDP sont généralement
les équations qui décrivent en termes mathématiques les lois de la physique, mais on peut
également penser à d’autres domaines d’application comme l’analyse d’images, la finance,
la biologie, ... Par exemple, dans le cadre qui nous intéresse ici, ces équations peuvent
correspondre aux équations de conservation de la mécanique des milieux continus (conser-
vation de la masse, de la quantité de mouvement et de l’énergie) ; aux équations de bilans
de populations atomiques/moléculaires effectués lorsque l’on modélise les phénomènes de
diffusion d’espèces chimiques.
Les méthodes numériques implantées dans les codes de calcul standards (commer-
ciaux, open-sources, académiques) sont généralement fiables et robustes. Cependant, lors
de l’utilisation de ces codes, l’ingénieur doit se poser certaines questions, prendre certaines
précautions, faute de quoi les résultats obtenus fournissent peut-être de jolies images mais
sans la moindre valeur scientifique. En premier lieu, un code de calcul résout ce que l’uti-
lisateur lui demande de résoudre. Il faut donc que l’étape de modélisation physique
ait été correctement faite, que l’EDP résolue décrive correctement le phénomène physique
étudié, que les conditions initiales et aux bords soient pertinentes. Ensuite, la méthode
de discrétisation à utiliser dépend des propriétés de l’EDP, et donc des propriétés de
la solution à approcher (régularité, dépendance en temps, etc.). Ainsi, une méthode “sta-
ble” pour une équation à diffusion dominante peut être “instable” pour une équation à
convection dominante et donc inadaptée à sa résolution. Enfin, les simulations numériques
peuvent coupler aujourd’hui plusieurs physiques au sein d’un même calcul, mettant en jeu
des phénomènes non linéaires, des interfaces mobiles, etc. Avant de traiter de telles situa-
tions complexes, il est préférable (et même obligatoire) de simuler des situations modèles
pour lesquelles on a une idée de la solution (à défaut de la connaître), de s’en servir pour
évaluer les performances des méthodes numériques, puis de progressivement complexifier
le calcul jusqu’à arriver au résultat final.
Ainsi, résoudre numériquement une équation ne nous dispense surtout pas de com-
prendre cette équation, i.e. de “comprendre les caractéristiques de sa solution sans la
résoudre effectivement” (Paul Dirac). Ceci constitue le contexte de ce cours : établir, sur
des exemples physiques “naïfs” la correspondance entre le phénomène physique et sa des-
cription mathématique ; voir ensuite comment les propriétés mathématiques des solutions
1
2 TABLE DES MATIÈRES
des EDP établies traduisent les propriétés physiques que l’on souhaitait modéliser ; forma-
liser enfin ceci dans un cadre mathématique rigoureux. Étant intéressés en dernier ressort
par la résolution numérique de ces équations, ce cours s’attache également à introduire
les notions élémentaires sur les propriétés des méthodes d’approximation numérique.
Chapitre 1
Équations de conservation scalaires
1.1 Conservation d’une quantité physique

Avant d’aborder les équations aux dérivées partielles (EDP) du premier ordre, nous
nous intéressons dans cette section à traduire mathématiquement le fait qu’une certaine
quantité se “conserve” au cours d’un processus donné. Pour cela, considérons Ω une région
bornée de Rd , d étant la dimension spatiale (d = 2, 3). On appellera Ω le domaine de
travail, ou domaine de calcul. Prenons
u : Ω × R+ 7→ u(x, t) ∈ R
une fonction scalaire dépendant de l’espace et du temps (désigné par t ∈ R+ ), et repré-
sentant une quantité physique K par unité de volume attachée à une (ou un groupe
de) particule(s) matérielle(s). Par exemple, u(x, t) est la concentration de particules d’un
certain type, c-à-d le nombre de particules par unité de volume, à la position x et à
l’instant t. Considérons un sous-domaine quelconque ω ⊂ Ω fixe au cours du temps (voir
Figure 1.1.1). Le nombre de particules contenues dans ω à un instant t vaut
Z
u(x, t) dv
ω
et la variation du nombre de particules dans ω entre deux instants t et t + ∆t est donnée

par Z Z
u(x, t + ∆t) dv − u(x, t) dv
ω ω
Cette variation est due aux entrées et sorties de particules du volume ω, caractérisées par
un flux de particules j. Un tel flux s’exprime en nombre de particules par unité de surface
et par unité de temps. Ainsi, dans l’intervalle ∆t, le nombre de particules qui traversent
la frontière ∂ω vaut Z t+∆t Z
j(x, τ ) · n ds dτ
t ∂ω
où n est le vecteur unitaire normal à ∂ω, pointant à l’extérieur de ω. Remarquons que
seule la composante normale du flux compte : la composante tangentielle de j n’induit
pas de variation de la concentration.
On peut également considérer une “source” de particules (par exemple, une réaction
chimique), se caractérisant par un taux de création / annihilation de particules par unité
3
4 CHAPITRE 1. ÉQUATIONS DE CONSERVATION SCALAIRES
Figure 1.1.1 – Bilan de population : volume fictif ω
de volume, noté f . La variation du nombre de particules par ce mécanisme dans ω et dans

l’intervalle ∆t est donc Z Z t+∆t
f (x, τ ) dv dτ
t ω
Le bilan de population, ou encore la conservation de la quantité K s’écrit donc,
pour un volume ω ⊂ Ω :
Z Z t+∆t Z Z t+∆t Z
(u(x, t + ∆t) − u(x, t)) dv = − j · n ds dτ + f (x, τ ) dv dτ (1.1.1)
ω t ∂ω t ω
Le signe “-” du terme de flux est dû au fait que l’on a considéré la normale sortante au
domaine : si j · n < 0, cela signifie que des particules entrent dans ω, et contribue donc à
l’accroissement du nombre de particules.
Le terme de gauche de (1.1.1) peut se réécrire comme suit :
Z Z Z t+∆t
∂u
(u(x, t + ∆t) − u(x, t)) dv = (x, τ ) dτ dv
ω ω t ∂τ
Comme ω est fixe dans le temps, les intégrales en temps et en espace peuvent commuter
dans l’expression ci-dessus.
De plus, le théorème de la divergence permet d’exprimer l’intégrale surfacique (sur
∂ω) du second membre de (1.1.1) comme une intégrale volumique :
Z Z
j · n ds = div j dv (1.1.2)
∂ω ω
où l’opérateur différentiel linéaire

d
def
X ∂ji
div j = trace(grad j) = ∈R (1.1.3)
i=1
∂xi
est appelé divergence du vecteur j. Les notations ci-dessus sont équivalentes dans un
système de coordonnées cartésiennes. Rappelons de plus que le gradient d’un vecteur est
une matrice dont les entrées (i, j) sont définies par : [grad j]ij = ∂x
∂ji
j
.
1.2. REMARQUES SUR LA DIVERGENCE D’UN CHAMP VECTORIEL 5
En regroupant les termes, l’équation (1.1.1) est ainsi équivalente à

Z t+∆t Z
∂u
[ + div j − f ](x, τ ) dv dτ = 0
t ω ∂τ
Cette équation étant vérifiée pour un domaine spatial ω quelconque, et un intervalle
de temps [t, t+∆t] quelconque, l’intégrande doit être nulle, et nous en déduisons la forme
locale de la loi de conservation de K :
∂u
= − div j + f (1.1.4)
∂t
en tout x ∈ Ω, et pour tout t > 0.
L’équation (1.1.4) décrit la variation au cours du temps de la quantité physique K

attachée à une particule matérielle. Cette expression est assez générale : la quantité K
peut être une concentration atomique, l’énergie e, la quantité de mouvement (cas vectoriel)
ρv, etc.
1.2 Remarques sur la divergence d’un champ vectoriel
Figure 1.2.1 – Volume dv = dxdydz
Considérons le volume dxdydz de la figure 1.2.1. Le flux d’un champ vectoriel a entrant
par deux faces opposées s’écrit, par exemple selon la direction ex
a(x) · dS(x) + a(x + dx) · dS(x + dx)
où dS est un élément de surface, i.e. un vecteur porté par la normale extérieure à la
surface et de norme l’aire de cette surface.
Puisque dS(x) = −dS(x + dx) = −dydzex , le flux s’écrit
∂ax
(ax (x + dx, y, z) − ax (x, y, z))dydz = dxdydz + o(dx)dydz
∂x
En sommant les contributions des autres faces, on arrive au résultat que le flux total dΦ
du champ a à travers le volume dv = dxdydz s’écrit
∂ax ∂ay ∂az
dΦ = ( + + ) dxdydz + o(dx)dydz + o(dy)dxdz + o(dz)dxdy
∂x ∂y ∂z
= div a dxdydz + o(dx)dydz + o(dy)dxdz + o(dz)dxdy
En faisant tendre dx, dy et dz vers 0, et puisque le flux est nul pour un domaine nul,
on obtient
dΦ(v; a)
div a = (v = 0) (1.2.1)
dv
La divergence d’un champ de vecteurs en un point de l’espace représente ainsi la dérivée
du flux à travers une surface délimitant un certain volume v, évaluée en v = 0. Les
différentes configurations possibles sont montrées sur la figure 1.2.2. Remarquons que
ceci fournit une définition géométrique de la divergence. En effet, alors que l’expression
analytique de l’opérateur divergence donnée dans (1.1.3) est valide uniquement dans un
système de coordonnées cartésiennes, la propriété mentionnée ci-dessus permet de définir
la divergence sans référence à un système de coordonnées particulier.
Figure 1.2.2 – Divergence d’un champ vectoriel a en un point x
De plus, le raisonnement ci-dessus permet d’expliquer intuitivement le théorème de

la divergence. En effet, en subdivisant le domaine ω en domaines infinitésimaux dxdydz
comme sur la figure 1.2.3, l’intégrale
Z
div a dxdydz
ω
est égale à la somme des flux de a à travers la surface de chaque volume dxdydz. Le
champ a étant continu, les flux sur les faces internes s’annulent deux-à-deux, si bien qu’il
ne reste plus que la somme des flux sur les faces externes, i.e. sur ∂ω.
1.3. FLUX CONVECTIF ET DIFFUSIF 7
Figure 1.2.3 – Domaine ω découpé en domaines infinitésimaux dxdy.
1.3 Flux convectif et diffusif

Pour aller plus loin, nous devons maintenant préciser le flux j de l’équation de conser-
vation (1.1.4). Nous décomposons ce flux en la somme d’un flux jc engendré par des
phénomènes de convection, et d’un flux jd engendré par des phénomènes de diffusion :
j = jc + jd (1.3.1)
La signification des adjectifs “convectif” et “diffusif” est à comprendre d’abord au

sens physique, ce que nous verrons en explicitant l’expression des flux correspondant au
transport convectif ou à la diffusion de “particules”. Le fait important est que la divergence
d’un flux convectif conduit à des dérivées du premier ordre, tandis que celle d’un flux
diffusif fait intervenir des dérivées du second ordre. Nous mettrons en avant, par analogie
avec des situations physiques et analyse mathématique, certaines propriétés des termes
de premier ordre (transport, formation de discontinuités) et des termes du second ordre
(effet régularisant). Remarquons enfin, que toute EDP du premier ou du second ordre ne
traduit pas nécessairement une propriété de conservation.
1.4 Exercice : modélisation physique d’une onde acous-

tique
Exercice 1.4.1 On modélise un fluide (ici un gaz) par sa masse volumique ρ(x, t) [kg/m3 ]
et sa vitesse V (x, t). La figure 1.4.1 décrit un volume ω, fixe, inclus dans le domaine de
calcul Ω rempli de particules fluides.
1. Sachant que ω ρ(x, t) dv est la masse du volume ω à l’instant t, faites un bilan sur
R
la masse du volume ω entre deux instants successifs t et t + ∆t, et déduisez-en que

ρ vérifie l’équation suivante :
∂ρ
= − div(ρV ) (1.4.1)
∂t
2. La variation en temps de la quantité de mouvement d’un système matériel (ie. un
système composé des mêmes particules) est égale à la somme des forces extérieures
appliquées au système. Sachant cela, et considérant que ρ(x, t)V (x, t) est la densité
Figure 1.4.1 – Volume fixe ω
de quantité de mouvement à l’instant t, interprétez la relation suivante en donnant

la signification physique de chaque terme :
Z Z Z Z
∂
ρVi dv = − (ρVi )V · n ds − pni ds + ρgi dv (1.4.2)
∂t ω ∂ω ∂ω ω
pour i = 1, 2, 3 (dimension spatiale). Ici, n est la normale extérieure à ∂ω, p est la

pression du fluide, et g la gravité.
3. Déduire de la relation (1.4.2) la loi du mouvement :
∂V
ρ( + (grad V )V ) = − grad p + ρg (1.4.3)
∂t
en précisant la composante i du terme convectif (grad V )V . Aide : utilisez également
la relation (1.4.1).
4. On néglige à présent la gravité. De plus, la propagation du son dans le fluide (le
gaz ici) est le résultat de vibrations qui sont faibles : V est petit, et le terme de
convection ((grad V )V ) est négligé dans (1.4.3). La loi d’état du gaz relie pression
et masse volumique :
p = g(ρ)
On suppose que ρ et p varient très peu autour de valeurs nominales ρ0 et p0 = g(ρ0 ),
de sorte que l’on écrit :
ρ(x, t) = ρ0 + ρ̃(x, t), ρ̃ ≪ ρ0 et p(x, t) = p0 + p̃(x, t), p̃ ≪ p0 (1.4.4)
Exprimez p̃ en fonction de ρ̃.

5. Linéarisez l’équation (1.4.1) autour de (ρ, V ) = (ρ0 , 0) (l’équation trouvée est linéaire
en (V, ρ̃) = pas de termes croisés).
6. Sous les hypothèses de la question 4, linéarisez l’équation (1.4.3) autour de (ρ, p, V ) =
(ρ0 , p0 , 0). Exprimez l’équation trouvée uniquement en fonction de ρ0 , ρ̃, V et une
constante supplémentaire.
1.4. EXERCICE : MODÉLISATION PHYSIQUE D’UNE ONDE ACOUSTIQUE 9
7. En vous servant de l’équation trouvée à la question 6 pour éliminer la vitesse dans

l’équation de la question 5, montrez que ρ̃ est solution de l’équation des ondes dans
R3 :
∂ 2 ρ̃
2
= c2 ∆ ρ̃
∂t
avec c2 = dρ
dp
(ρ0 ).
Ainsi, la propagation des ondes acoustiques se fait par augmentation et diminution
de la masse volumique du gaz, donc de la densité de particules.
Chapitre 2
EDP du premier ordre
2.1 Flux convectif

On parle de transfert par convection lorsque la variation de la quantité physique K
se fait par le mouvement de la matière : c’est parce que les particules matérielles sont
transportées par le milieu, que le champ u(x, t) décrivant cette quantité évolue. Cette
situation est schématisée sur la figure 2.1.1 : des particules, transportées à une vitesse
v(x, t), traversent une surface S fictive. L’ensemble des particules en noir représente la
configuration à l’instant t, tandis que la configuration colorée correspond à la configuration
prise à t + dt, où dt est un “petit” intervalle de temps.
Figure 2.1.1 – Phénomène de convection
Pour dt assez petit, et en supposant la vitesse continue, le nombre de particules tra-

versant la surface S durant l’intervalle dt, est égal au nombre de particules contenues à t
dans le volume S × vn dt, où vn = v · n est la vitesse normale à la surface. En effet, les
particules non contenues dans ce volume à t n’auront pas le temps d’atteindre la surface
avant t + dt. Il s’en suit que le flux convectif vérifie jc · n = vn u. Comme ceci est vrai
quelle que soit l’orientation de la surface, le flux convectif d’une quantité K décrite par
u vaut
jc = uv (2.1.1)
Ainsi, si l’on considère l’équation de conservation (1.1.4) avec un flux convectif, j = jc ,
nous obtenons :
∂u
= − div(uv) + f forme conservative (2.1.2)
∂t
= −(v · grad u + u div v) + f
11
12 CHAPITRE 2. EDP DU PREMIER ORDRE
En effet,
X ∂
div(uv) = (uvi )
i
∂xi
X ∂u ∂vi

= vi + u
i
∂xi ∂xi
= grad u · v + u div v
L’adjectif “conservatif” pour la première équation de (2.1.2) vient du fait que juste-
ment cette équation est sous la forme d’une équation de conservation donnée par l’équa-
tion (1.1.4). Si nous prenons f = 0, et vu s’annulant sur le bord du domaine Ω (flux
convectif nul sur le bord), alors
Z Z Z Z
d ∂
u dv = u(x, t) dv = − div(uv) dv = − uv · n ds = 0
dt Ω Ω ∂t Ω ∂Ω
et la quantité Ω u dv est donc conservée au cours du temps (pour un domaine Ω fixe).

R
L’équation (2.1.2) est du premier ordre, car ne faisant intervenir que des dérivées
premières en temps et en espace. Elle est bien posée (possède une unique solution continue
par rapport aux données initiales et aux bords) si on lui adjoint une condition initiale
u(x, t = 0) = u0 (x)
où u0 : Ω → R est une fonction donnée, et une condition en valeur imposée sur la partie
“entrante” du bord de Ω. Cette partie entrante est définie comme
∂Ω− = {x ∈ ∂Ω ; v(x) · n(x) < 0}

où n est le vecteur normal à ∂Ω, pointant à l’extérieur de Ω. La condition au bord est
alors
u(x, t) = ue (x, t), ∀t > 0, x ∈ ∂Ω−
où ue est une fonction donnée. L’équation de convection (2.1.2) exprime le transport d’une
certaine quantité avec une vitesse v. Sur les bords où cette vitesse est entrante, il faut
donc “dire” à cette équation quelle est la valeur de la quantité qui entre. C’est le rôle de
cette condition. Nous reviendrons sur ce type de condition.
2.1.1 Application : équation de conservation de la masse

Soit ρ(x, t) la masse volumique d’un milieu continu. La masse d’un volume fixe ω ⊂ Ω
est, par définition
Z
M(ω)(t) = ρ(x, t) dv
ω
Le principe de conservation de la masse affirme que la variation de M(ω) au cours

du temps est uniquement due au flux de particules s’écoulant à travers la frontière ∂ω.
Autrement dit, nous avons un flux convectif jc = ρv, où v est la vitesse des particules
2.1. FLUX CONVECTIF 13
matérielles, et un terme source nul, f = 0. La forme locale du principe de conservation

de la masse s’écrit, d’après (2.1.2) :
∂ρ
+ div(ρv) = 0 forme conservative
∂t
∂ρ
⇔ + v · grad ρ + ρ div v = 0 (2.1.3)
∂t
dρ
⇔ + ρ div v = 0
dt
où l’on a posé dans la dernière équation
dρ ∂ρ
= + v · grad ρ (2.1.4)
dt ∂t
La dérivée dρ/dt est appelée dérivée particulaire de ρ, ou encore dérivée matérielle.
Elle exprime la variation d’une quantité (ici la masse volumique) attachée à une particule
que l’on suit dans son mouvement. En effet, considérons une particule matérielle à la
position x(t) au temps t. ρ(x(t), t) représente donc la quantité ρ évaluée sur la trajectoire
de la particule. La dérivée totale en temps de ρ(x(t), t) s’écrit :
d X ∂ρ ∂xi (t) ∂ρ X ∂ρ ∂ρ ∂ρ dρ
ρ(x(t), t) = + = vi + = + v · grad ρ =: (x, t)
dt i
∂xi ∂t ∂t i
∂xi ∂t ∂t dt
2.1.2 Densités massiques

Les grandeurs extensives (proportionnelles à la taille du système) interviennent généra-
lement en mécanique des milieux continus via des densités massiques, i.e. des grandeurs
définies par unité de masse. Si u est une telle densité massique, la quantité ρu est alors
définie par unité de volume, et c’est elle qui va généralement être conservée au cours d’un
processus physique. Par exemple, 21 ρ|v|2 désigne l’énergie cinétique du milieu par unité de
volume. De même, si e et s sont, respectivement, les densités massiques d’énergie interne
et d’entropie, ρe et ρs désignent l’énergie interne et l’entropie du milieu par unité de
volume.
Soit u une densité massique, et ρu la quantité conservée. L’équation de conservation
sous un flux convectif (2.1.2) donne
∂ρu
= − div(ρuv) + f (2.1.5)
∂t
∂u ∂ρ
⇔ρ +u = −ρv · grad u − u div(ρv) + f
∂t ∂t
En tenant compte de la conservation de la masse (2.1.3), nous en déduisons que
∂u
ρ + ρv · grad u = f
∂t
∂u
⇔ + v · grad u = f˜ (2.1.6)
∂t
Ainsi, la conservation de la quantité ρu sous un flux convectif implique que la densité
massique u vérifie l’équation (2.1.6) dite équation de transport.
2.2 Analyse mathématique de l’équation de transport

Dans cette partie, nous donnons quelques éléments de compréhension mathématique de
la solution d’une équation de convection pure, dans le cas simple 1D et linéaire. L’objectif
est de comprendre les propriétés que devra avoir toute méthode numérique utilisée pour
en approcher la solution.
Commençons par considérer l’équation de conservation sous un flux convectif de ρu, où
u est une densité massique. Cette conservation se traduit par l’équation (2.1.6), appelée
équation de transport. Nous prendrons f˜ ≡ 0.
Dans un cas 1D, la vitesse v est supposée constante et dirigée selon l’axe des x : v ≡ c,
où l’on suppose c > 0. L’équation de transport devient
∂u ∂u
+c =0 (2.2.1)
∂t ∂x
Le phénomène de transport décrit par cette équation est illustré sur la figure 2.2.1 : la
fonction u, solution de l’équation (2.2.1) est, à un instant t, la fonction initiale u(x, t = 0),
“transportée” d’une distance ct. Ceci, à condition que la condition au bord en x = 0 soit
choisie de manière adéquate, à savoir u(x = 0, t) = u(x = 0, t = 0).
Figure 2.2.1 – Transport d’une quantité u par une vitesse c.
Pour comprendre ce transport, on réécrit l’équation (2.2.1) sous la forme

 
∂u
 ∂x  c
 ∂u  · =0
1
∂t
Cette relation signifie que, dans le plan (x, t), le gradient de u défini par
∂u ∂u
gradx,t u = ( , )
∂x ∂t
est orthogonal à la direction
c
d=
1
2.2. ANALYSE MATHÉMATIQUE DE L’ÉQUATION DE TRANSPORT 15
Autrement dit,
gradx,t u · d = 0
La fonction u, solution de l’équation (2.2.1), est ainsi constante sur les droites de
vecteur directeur (c, 1) du plan (x, t). Ces droites, d’équation
x(t) = ct + x0
sont appelées droites caractéristiques de l’équation (2.2.1).
Figure 2.2.2 – Droites caractéristiques de l’équation de transport
Comme indiqué sur la figure 2.2.2, la valeur de u en un point (x, t) est égale à la
valeur de u0 en x0 , intersection de la droite caractéristique passant par (x, t) avec l’axe
des abscisse {t = 0} :
u(x, t) = u(x0 , t = 0) = u0 (x0 )
Or, x0 = x − ct. Il s’en suit que la solution de l’équation de transport (2.2.1) est
u(x, t) = u0 (x − ct) (2.2.2)
De plus, si le bord gauche du domaine sur lequel est défini u est {x = 0}, alors
certaines droites caractéristiques intersectent ce bord pour un temps t′ > 0. Ainsi, pour
que le problème soit bien défini, nous devons préciser la valeur de u en x = 0 qui constitue
le bord entrant (car c > 0).
L’idée à retenir est qu’une équation purement convective décrit le transport d’une
quantité u0 à une vitesse finie, et dans une direction donnée par la vitesse de convection.
Il y a donc un sens au transport de l’information. De plus, la solution de cette équation
est au mieux aussi “régulière” que la fonction initiale u0 .
2.3 Approximation par différences finies de l’équation

de transport
La méthode des différences finies est une méthode d’approximation de la solution
d’une équation différentielle. Les opérateurs différentiels sont discrétisés, et la solution
approchée est calculée sur un ensemble discret de points (les nœuds d’une grille cartésienne
recouvrant le domaine de calcul). Nous donnons ici quelques schémas aux différences finies
permettant d’approcher la solution u de l’équation de transport (2.2.1)
∂u ∂u
+c =0
∂t ∂x
tout en discutant des propriétés de ces schémas.
Pour discrétiser le problème (2.2.1), nous nous donnons un pas d’espace ∆x > 0 et
un pas de temps ∆t > 0. Nous discrétisons le domaine de définition de u (typiquement
[a, b] × [t0 = 0, T ]) par une grille cartésienne de nœuds {(xk , tn )}k,n , avec xk = k∆x et
tn = n∆t. L’objectif est d’approcher la valeur de u(xk , tn ) par unk sur tous les nœuds (k, n)
de la grille (voir Figure 2.3.1).
Figure 2.3.1 – Discrétisation par différences finie
Définissons le vecteur U n , dont la k ième composante est unk : U n = {unk }k . Un schéma

aux différences finies consiste en une fonction H donnée par la discrétisation des opérateurs
différentiels ∂x
∂
et ∂t
∂
. Le vecteur U n est alors calculé par induction, en résolvant :
U n+1 = H(U n ) (2.3.1)

ou,
U n+1 = H(U n , U n+1 ) (2.3.2)
Le schéma est dit explicite (en temps) dans le premier cas, et implicite dans le second.
Dans les deux cas, on se donne une condition initiale, typiquement U 0 = {u0 (xk )}k . De
plus ces schémas sont à un pas en temps. Dans la pratique, un+1 k n’est pas calculé en
fonction de toutes les composantes de U ou U , mais de seulement p d’entre elles. On
n n+1
parle alors de schémas à p pas en espace.
2.4 Schémas centrés en espace

Le terme de schémas centrés en espace vient de l’utilisation de différences finies centrées
pour discrétiser la dérivée spatiale ∂u
∂x
. On peut en effet montrer, par développement en
2.4. SCHÉMAS CENTRÉS EN ESPACE 17
série de Taylor que

∂u u(x + ∆x) − u(x − ∆x)
(x) = + O(∆x2 ) (2.4.1)
∂x 2∆x
O(∆x2 )
où O(∆x2 ) représente une fonction telle qu’il existe un réel M > 0 pour lequel lim + | |<
∆x→0 ∆x2
M.
Ceci définit donc une approximation de la dérivée à l’ordre 2 (l’erreur commise par
cette approximation est en O(∆x2 )) :
∂u unk+1 − unk−1
(xk , tn ) ≈
∂x 2∆x
2.4.1 Un schéma explicite instable

Le premier schéma centré auquel on peut penser pour discrétiser (2.2.1) est le schéma
explicite suivant :
un+1 − unk un − unk−1

k
+ c k+1 =0 (2.4.2)
∆t 2∆x
où l’on a utilisé l’approximation en O(∆t) de la dérivée en temps
∂u un+1 − unk
(xk , tn+1 ) ≈ k
∂t ∆t
On parle aussi de schéma centré en espace et décentré arrière en temps. D’après l’ana-
lyse faite de l’équation de transport, la solution u reste bornée au cours du temps, puis-
qu’elle correspond au transport de la condition initiale u0 , elle-même supposée bornée.
On souhaiterait donc qu’il en soit de même pour l’approximation numérique unk . Réécri-
vons (2.4.2) en :
λ λ
un+1
k = unk−1 + unk − unk+1
2 2
avec λ = ∆x . La forme matricielle de cette relation est :
c∆t
 
1 −λ/2 0 ··· 0
.. 
 λ/2 1 −λ/2 0 . 

n+1
 ..  n
U =  0 λ/2 1 −λ/2 . 
U
 . ... ...
 ..

1 −λ/2 
0 ··· ··· λ/2 1
ou encore, en notant A la matrice issue de la discrétisation, U n+1 = An+1 U 0 . Ainsi, pour

que la solution numérique reste bornée, il faut que le rayon spectral de la matrice A soit
inférieur ou égal à 1, le rayon spectral étant défini par ρ = maxj |µj |, où les µj sont les
valeurs propres de la matrice.
Il est possible de montrer que les valeurs propres de la matrice tridiagonale de terme
générique [a, b, c] et de taille N sont :
√ jπ
µj = b + 2 ac cos , j = 1, · · · , N (2.4.3)
N +1
Pour le schéma ci-dessus, a = λ/2, b = 1 et c = −λ/2, donc

jπ
µj = 1 + 2i|λ| cos , j = 1, · · · , N
N +1
avec i2 = −1. Ainsi le module de µj est toujours supérieur à 1, et ce schéma conduit à
des solutions non bornées. En ce sens il est qualifié d’instable. L’effet de cette instabilité
peut être observée sur la figure 2.4.1.
Figure 2.4.1 – Résolution de l’équation de transport par le schéma centré en espace,

décentré amont en temps, avec u0 (x) = e−(x−0.05) /0.01 et c = 1.
2 2
2.4.2 Condition de stabilité de Von Neumann

L’instabilité du schéma précédent a été constatée John Von Neumann (1903 - 1957) lors
de premiers essais pour calculer des solutions à la dynamique des gaz. Il fit la même analyse
que celle donnée précédemment, mais en passant par les transformations de Fourrier. En
effet, si N est le nombre de points de la discrétisation spatiale, on définit la transformée
de Fourier discrète du vecteur U n par :
N −1
2iπ
X
Û n (l) = unj e− N lj , 0 ≤ l < N
j=0
où i est le nombre complexe vérifiant i2 = −1. La transformée inverse permet d’écrire :

N −1
1 X n 2iπ
unk = Û (l)e N lk
N l=0
Ainsi, puisque l’équation que l’on résout est linéaire, la stabilité du schéma peut s’étu-
dier en considérant la solution à l’instant tn et au nœud k de la forme
2iπ
ρn e N lk ,
correspondant à un mode de la transformée inverse. Si l’on applique cette méthode au
schéma (2.4.2), on obtient, pour un l donné :
2iπ λ n 2iπ l(k−1) 2iπ λ 2iπ
ρn+1 e N lk
= ρ eN + ρn e N lk − ρn e N l(k+1)
2 2
2iπ
Soit, après simplification par e N lk
:

n+1 n λ − 2iπ l λ 2iπ
ρ =ρ e N +1− eN l
2 2
Ce qui nous conduit à :
2π 2π
ρn+1 = ρn (1 − λi sin( l)) = [1 − λi sin( l)]n+1 ρ0 , ∀l, 0 ≤ l < N
N N
Ainsi, on a un facteur d’amplification Fl = (1−λi sin( 2π
N
l)) avec un module supérieur à
1. Il s’en suit que la solution numérique n’est pas bornée, expliquant les valeurs constatées
sur la figure 2.4.1.
2.4.3 Schémas explicites conditionnellement stables

Le schéma de Lax est un schéma explicite, d’ordre 2 en espace (la dérivée spatiale
est discrétisée par (2.4.1)) et d’ordre 1 en temps. Il consiste à remplacer dans le schéma
un +un
précédent (2.4.2) unk par k+1 2 k−1 . Ainsi, l’équation à chaque pas de temps est :
un n
k+1 +uk−1
un+1 − unk+1 − unk−1
k 2
+c =0 (2.4.4)
∆t 2∆x
L’analyse, au sens vu précédemment, de la stabilité de ce schéma se fait soit en
calculant le module des valeurs propres de la matrice tridiagonale de terme générique
[ 1+λ
2
, 0, 1−λ
2
], soit en calculant le facteur d’amplification des transformées de Fourier dis-
crètes. Par exemple, les valeurs propres de la matrice A telle que U n+1 = AU n sont
√ jπ
µj = 1 − λ2 cos , j = 1, · · · , N
M +1
Ainsi, le facteur d’amplification est inférieur à 1, et donc le schéma de Lax est stable,
sous la condition
c∆t
|λ| ≤ 1 ⇔ ≤1 (2.4.5)
∆x
Cette condition est dite condition CFL (Courant Friedrichs Levy) et relie pas d’espace
et pas de temps qui ne peuvent ainsi pas être choisis indépendamment l’un de l’autre.
La stabilité du schéma peut s’expliquer en le réécrivant sous la forme suivante :
un+1 − unk un − unk−1 unk+1 − 2unk + unk−1

k
+ c k+1 − =0
∆t 2∆x 2∆t
Ce qui correspond à la discrétisation par un schéma centré en espace et décentré amont
en temps de l’équation de convection-diffusion du second ordre suivante :
∂u ∂u ∂ 2u
+c −ν 2 =0 (2.4.6)
∂t ∂x ∂x
où ν = ∆x2 /2∆t a les dimensions d’un coefficient de diffusion. C’est donc l’ajout d’une
dérivée du second ordre (on parle aussi de terme de diffusion “numérique” ou “artificielle”)
pondéré par ce coefficient, qui permet de stabiliser le schéma. Le coefficient ν tend vers zéro
lorsque ∆x → 0 : le schéma de Lax est donc consistant avec l’équation de départ (2.2.1).
Rappelons que, par développement de Taylor
∂ 2u u(x − ∆x) − 2u(x) + u(x + ∆x)
2
(x) = 2
+ O(∆x2 )
∂x ∆x
et qu’ainsi
∂ 2u u(x − ∆x) − 2u(x) + u(x + ∆x)
2
(x) 7→
∂x ∆x2
est une approximation à l’ordre 2 de la dérivée seconde de u en x.
Une autre interprétation du schéma de Lax, intéressante car reliant interpolation et

diffusion numérique, peut être donnée grâce aux droites caractéristiques. En effet, la so-
lution de (2.2.1) au temps tn+1 et en xk est égale à la solution au temps précédent tn en
xk − c∆t (voir Figure 2.4.2). Or, le point xk − c∆t n’a aucune raison de coïncider avec
un nœud de la discrétisation spatiale. xk − c∆t étant, si la condition CFL est respectée,
dans l’intervalle [xk−1 , xk+1 ], la solution en ce point est interpolée linéairement entre unk−1
et unk+1 :
un+1
k = (1 − α)unk−1 + αunk+1 , 0 ≤ α ≤ 1
avec α = ∆x−c∆t
2∆x
. Nous retrouvons alors le schéma de Lax.
Figure 2.4.2 – Interprétation du schéma de Lax avec les droites caractéristiques
Le second schéma explicite centré en espace et conditionnellement stable que nous pré-
sentons est le schéma de Lax-Wendroff. Ce schéma est d’ordre 2 en temps et en espace.
Comme le schéma de Lax, il introduit un terme dissipatif, avec un coefficient de diffusion
numérique ν donné par ν = c2 ∆t/2 dans l’équation de convection-diffusion (2.4.6). La
construction du schéma de Lax-Wendroff repose sur le développement de Taylor suivant :
∂u ∆t2 ∂ 2 u
u(xk , tn+1 ) = u(xk , tn ) + ∆t (xk , tn ) + (xk , tn ) + o(∆t2 )
∂t 2 ∂t2
En utilisant le fait que u est solution de (2.2.1), on a

∂u ∂u ∂ 2u ∂ 2u
= −c , d’où 2 = c2 2 ,
∂t ∂x ∂t ∂x
donc,
∂u c2 ∆t2 ∂ 2 u
u(xk , tn+1 ) = u(xk , tn ) − c∆t
(xk , tn ) + 2
(xk , tn ) + o(∆t2 )
∂x 2 ∂x
Le schéma de Lax-Wendroff s’écrit ainsi :
un+1 − unk un − unk−1 c2 ∆t unk+1 − 2unk + unk−1

k
+ c k+1 − =0 (2.4.7)
∆t 2∆x 2 ∆x2
Ce schéma est stable sous la condition CFL c∆t/∆x ≤ 1.
2.4.4 Schémas implicites : la θ-méthode

La θ-méthode consiste à approcher la dérivée spatiale au temps n+1 à l’aide de termes
évalués à n (partie explicite) et de termes évalués à n+1 (partie implicite). Cette stratégie
peut être appliquée, que la dérivée en espace soit approchée avec un schéma centré ou tout
autre schéma. Si l’on choisit à nouveau un schéma centré en espace, le terme de dérivée
en espace s’écrit :
∂u 1−θ n θ
(xk , tn+1 ) ≈ (uk+1 − unk−1 ) + (un+1 − un+1
k−1 ), 0 ≤ θ ≤ 1
∂x 2∆x 2∆x k+1
Prendre θ = 0 revient à considérer le schéma dit d’Euler explicite, tandis que θ = 1
équivaut à un schéma d’Euler implicite (tous les deux étant d’ordre 1 en temps). Enfin,
θ = 1/2, correspond au schéma de Crank-Nicolson, d’ordre 2 en temps (O(∆t2 )).
En utilisant un schéma aux différences finies centré en espace, décentré amont en temps
et la θ-méthode, la solution approchée de l’équation de transport (2.2.1) est donnée par
le système d’équations :
λθ n+1 λ(1 − θ) n
un+1
k + (uk+1 − un+1 n
k−1 ) = uk − (uk+1 − unk−1 ) (2.4.8)
2 2
avec λ = c∆t/∆x.
Étudions la stabilité de ce schéma en utilisant les transformés de Fourier discrètes.

Pour un mode l, nous avons
ρn+1 (1 + iλθ sin αl ) = ρn (1 − iλ(1 − θ) sin αl )
avec αl = 2πN
l, N étant le nombre de nœuds de discrétisation spatiale. Le facteur d’ampli-
fication est
1 − iλ(1 − θ) sin αl
Fl =
1 + iλθ sin αl
dont le module vaut
[(1 − λ2 θ(1 − θ) sin2 αl )2 + λ2 sin2 αl ]1/2
|Fl | =
1 + λ2 θ2 sin2 αl
Par un calcul direct, on voit que la condition |Fl | ≤ 1 est vérifiée si et seulement si :
(1 + λ2 θ2 sin2 αl )(1 − 2θ) ≤ 0
Ainsi, le schéma (2.4.8) est inconditionnellement stable pour θ ≥ 1/2. Pour θ < 1/2
ce schéma est instable.
2.5 Schémas décentrés

Nous avons vu que le terme convectif v · ∇u, ou encore c ∂u
∂x
en 1D, implique un sens
de propagation de l’information le long des droites caractéristiques, ce sens étant donné
par la vitesse (la direction de v, le signe de c). Or, les schémas centrés ne respectent
pas cette propriété : le calcul de uk dépend de uk−1 et de uk+1 , que c soit positif ou
négatif. L’introduction d’un décentrement amont (par rapport à la direction de la vitesse)
dans la discrétisation du terme convectif permet de respecter le sens de propagation de
l’information :  n
uk − unk−1
c si c > 0

∂u 
c (xk , tn ) 7→ n ∆x n
∂x u − uk
 c k+1
 si c < 0
∆x
Cette approximation d’ordre 1 (en O(∆x)) conduit au schéma aux différences finies
explicite et décentré en espace et en temps suivant, appelé également schéma “upwind”
en anglais :
un+1 = unk − λ(unk − unk−1 ) si c > 0
k
(2.5.1)
un+1
k = unk − λ(unk+1 − unk ) si c < 0
avec λ = c∆t/∆x. Si la vitesse dépend de la position, le signe de c doit être testé en
chaque nœud spatial.
Une analyse de Fourier montre que ce schéma est stable sous la condition CFL |λ| ≤ 1.
Ceci se montre également en remarquant que un+1 k est obtenu par combinaison convexe
de uk et uk−1 ou uk+1 lorsque |λ| ≤ 1. Ainsi, comme le schéma de Lax, ce schéma décentré
n n n
peut s’interpréter via la méthode des caractéristiques (voir figure 2.4.2), mais cette fois,
en interpolant linéairement un+1
k dans [unk−1 , unk ] si c > 0, et dans [unk , unk+1 ] si c < 0 (avec
α = 1 − |λ|).
Enfin, il est possible de réécrire le schéma décentré de manière à faire ressortir un

terme dissipatif. En effet, l’équation (2.5.1) est équivalente à :
un+1 − unk un − unk−1 ∆x unk+1 − 2unk + unk−1

k
+ c k+1 − |c| =0
∆t 2∆x 2 ∆x2
mettant ainsi en avant le paramètre de diffusion ν = |c|∆x/2.
Notons que la stratégie de décentrement en espace est également utilisée dans la mé-
thode des éléments finis (EF) pour résoudre des équations convectives. Il s’agit de la mé-
thode dite SUPG (Streamline Upwind Petrov - Galerkin). Dans une méthode EF il n’est
pas possible de modifier les opérateurs différentiels et en particulier le gradient (il n’est
2.6. MÉTHODE DE CAPTURE D’INTERFACES 23
pas discrétisé). Le décentrement s’effectue en choisissant une fonction test (ou poids ou de
pondération) qui pondère plus fortement la partie amont de l’équation variationnelle, éta-
blissant ainsi le décentrement. Ceci revient également à ajouter dans la formulation faible
discrète, de manière consistante, un terme de diffusion. Dans cette approche, les fonctions
de forme (servant à discrétiser l’inconnue) ne sont pas les mêmes que les fonctions tests,
d’où le nom de Petrov - Galerkin.
(a) Standard (b) SUPG
Figure 2.5.1 – Fonction de forme linéaire standard associée au nœud i, et exemple de

fonction test SUPG associée.
2.6 Méthode de capture d’interfaces

Considérons le domaine de calcul fixe Ω occupé par deux milieux, par exemple un
liquide (sous-domaine Ωl ) et un gaz (sous-domaine Ωg ), de telle sorte que Ω = Ωl ∪Ωg (nous
ne nous occupons pas ici du caractère “ouvert” ou “fermé” de ces ensembles). L’interface
entre les deux phases est notée Γlg : Γlg = Ωl ∩ Ωg . De plus, le liquide s’écoule : Ωl , Ωg et
Γlg dépendent donc du temps t.
L’une des problématiques rencontrées lors de la résolution numérique de cet écoule-
ment biphasique (ou bifluide) est la description de l’interface Γlg au cours du temps. De
plus, on peut être amenés à devoir calculer des grandeurs géométriques associées à cette
interface, comme sa normale ou sa (ses) courbure(s), par exemple pour prendre en compte
une tension surfacique. Nous allons voir deux méthodes dites de capture d’interface : la
méthode Volume of Fluid (VOF) introduite dans les années 1960, et la méthode level-set,
introduite en 1988. Ces méthodes sont largement utilisées. Le terme “capture d’interface”
(interface capturing) signifie que l’on introduit une fonction
α : (x, t) ∈ Ω × R+ → R (2.6.1)
définie sur tout Ω, et dont la valeur en un point x ∈ Ω permettra de savoir si x se trouve

dans Ωl (t) ou Ωg (t). L’interface est ainsi définie implicitement via α. Par opposition, les
méthodes de “suivi d’interface” (interface tracking) décrivent l’interface via un ensemble
de marqueurs se déplaçant à la vitesse calculée sur l’interface (voir figure 2.6.1).
Figure 2.6.1 – Exemple d’une méthode de suivi d’interface.
2.6.1 Volume Of Fluid

La méthode VOF consiste à choisir une fonction α discontinue telle que
1 si x ∈ Ωl

α(x, t) = (2.6.2)
0 si x ∈ Ωg
L’équation d’évolution de α au cours du temps s’obtient en remarquant que la masse

de liquide contenu dans un volume fixe ω ⊂ Ω s’écrit
Z
Ml (ω) = ρl (x, t)α(x, t) dv
ω
où ρl est la masse volumique du liquide. La variation de la masse de liquide dans ω est

due à la quantité de liquide qui entre ou qui sort par la frontière ∂ω. D’où :
Z Z
d
ρl α dv = − ρl αv · n ds
dt ω ∂ω
En appliquant le théorème de la divergence, et par le même argument que dans les

sections précédentes, la forme locale de la conservation de la masse de liquide peut donc
être écrite comme :
∂(ρl α)
+ div(ρl αv) = 0
∂t
De plus, ρl satisfait l’équation de continuité (2.1.3) ∂ρl /∂t + v · grad ρl + ρl div v = 0.
Il s’en suit que α est solution de l’équation de transport
∂α
+ v · grad α = 0 (2.6.3)
∂t
Lorsque l’on résout cette équation (par DF, EF, ou volumes finis), les valeurs discrètes
calculées, αh (x, t), ne valent pas uniquement 0 ou 1, mais sont comprises entre 0 et 1. On
peut interpréter ces valeurs comme la fraction volumique de liquide en un point ou sur un
élément (voir figure 2.6.2). L’interface n’est donc pas localisée, mais s’étale sur une certaine
Figure 2.6.2 – Valeurs prises par αh avec une méthode VOF.
Figure 2.6.3 – Exemple d’adaptation de la grille de calcul au voisinage d’une interface.

Source : S. Delage-Santacreu, S. Vincent, J.-P. Caltagirone, J Sci Comput, 2009.
épaisseur. De plus, cette épaisseur ne fait que croître au cours du temps, entraînant une
incertitude de plus en plus grande sur la position de l’interface. Une solution à cette
difficulté consiste à raffiner la grille de calcul localement près de l’interface comme illustré
sur la figure 2.6.3.
En résumé, la fonction αh de la méthode VOF peut être aisément initialisée, puisqu’elle
prend deux valeurs, 0 ou 1. L’évolution de αh est décrite par l’équation de transport (2.6.3).
Là aussi, la condition de Dirichlet sur le bord entrant ne pose pas de problème, puisqu’il
suffit d’imposer 0 ou 1. Notons enfin le caractère conservatif de la méthode VOF : l’équa-
tion de transport est obtenueRpar conservation de la masse de liquide. Ceci implique que,
aux erreurs numériques près, Ω αh ρl dv est conservé. L’inconvénient majeur de la méthode
VOF est la discontinuité de la fonction α, impliquant l’utilisation de techniques particu-
lières pour traiter cette discontinuité. De plus cette discontinuité entraîne que l’interface
n’est pas localisée. Les grandeurs géométriques telles que la normale ou la courbure ne
sont donc pas directement accessibles. La méthode dite level-set permet de palier à ces
inconvénients.
2.6.2 Level-Set
La méthode level-set (ou lignes de niveaux) consiste à considérer une fonction α conti-
nue telle que :
< 0 si x ∈ Ωl

α(x, t) (2.6.4)
> 0 si x ∈ Ωg
Il en découle que l’interface Γlg est implicitement définie comme l’isosurface 0 de α :
Γlg (t) = {x ∈ Ω : α(x, t) = 0} (2.6.5)
Le terme implicite signifie que l’interface ne passe pas nécessairement par des nœuds de
la grille de calcul.
L’équation d’évolution de α est également l’équation de transport (2.6.3). Cependant

ici, la grandeur ρl α n’a plus de raison d’être conservée. Cette équation est obtenue en
considérant que α reste constant (égale à zéro) sur la trajectoire x(t) d’une particule
située à l’interface :
d
α(x(t), t) = 0, pour x(t) ∈ Γlg
dt
Soit,
∂α
+ v · grad α = 0
∂t
Comme seules les valeurs de α à l’interface sont significatives, cette équation est étendue
à tout le domaine Ω.
Les valeurs prises par αh lors de la résolution de l’équation de transport, seront po-
sitives ou négatives selon que l’on soit d’un côté ou de l’autre de Γlg . L’interface est
donc toujours bien localisée, définie comme l’isosurface zéro de αh . Le vecteur normal
à la surface Γlg , n, et la courbure moyenne de celle-ci, κ, peuvent être calculés par les
relations :
grad αh grad αh
n= et κ = div (2.6.6)
∥ grad αh ∥ ∥ grad αh ∥
Ces grandeurs sont en fait définies sur tout le domaine Ω, et coïncident avec les quantités
géométriques associées à l’interface Γlg dans son voisinage.
Figure 2.6.4 – Fonction distance signée.
Enfin, pour mettre en application la méthode level-set, il faut choisir une fonction αh
à t = 0. Un choix classique est la distance signée à l’interface (voir figure 2.6.4).
Signalons les difficultés principales liées à la mise en œuvre de la méthode level-set.

La construction de la fonction initiale est par nature plus délicate qu’avec une méthode
VOF, de même que l’imposition de la valeur sur le bord entrant. La propriété choisie ini-
tialement, par exemple le fait d’être une distance signée, n’est pas préservée par l’équation
de transport. Si l’on veut que αh garde cette propriété (pour des questions de stabilité
numérique), on doit considérer une étape additionnelle dite de réinitialisation (ou redis-
tanciation). Enfin, la conservation de la masse (ou du volume) est un point sur lequel il
faut être attentif lorsque l’on utilise une méthode level-set.
2.6.3 Vitesse de maillage

Dans certaines simulations, les nœuds de la grille de calcul peuvent se déplacer in-
dépendamment du mouvement de la matière, i.e. de l’écoulement du fluide dans notre
exemple. Souvent, comme dans le cas de l’interaction entre un fluide et un solide de la
Figure 2.6.5 – Description ALE
figure 2.6.5, les nœuds positionnés sur l’interface se déplacent avec celle-ci, tandis que
le déplacement des autres nœuds est calculé pour que la grille de calcul (le maillage) ne
dégénère pas. Le terme convectif qui transporte la quantité u (que ce soit une fonction α
ou une quantité physique) à la vitesse matérielle v doit tenir compte de ce mouvement.
Ainsi, en introduisant vmai la vitesse des nœuds du maillage, le terme convectif v · grad u
est remplacé par
(v − vmai ) · grad u (2.6.7)
Lorsque vmai ≡ 0, on parle de description eulérienne ; lorsque vmai ≡ v, de descrip-
tion lagrangienne ; et enfin de description arbitrairement lagrangienne - eulérienne (ALE)
sinon.
2.6.4 Exercice (examen 2019)

Exercice 2.6.1 On considère un écoulement unidirectionnel (problème à une dimension
spatiale) dans un domaine assimilé à l’intervalle [0, 1]. Plus précisément, au temps initial
t = 0, un premier fluide occupe l’intervalle [0, h], avec 0 < h < 1, tandis qu’un deuxième
fluide occupe l’intervalle ]h, 1].
Nous décrivons la position de ces deux fluides à tout instant t ≥ 0 par une fonction
u(x, t) qui vaut 1 si x est dans le premier fluide, et qui vaut 0 sinon. L’état initial décrit
ci-dessus correspond au choix de la fonction u0 (x) = u(x, t = 0) donnée par la figure 2.6.6.
Figure 2.6.6 – État initial : u0 (x)
Dans la suite, on notera c(x) la vitesse du fluide qui est au point x.

1. On considère un intervalle fixe [a, b] ⊂ [0, 1] quelconque.
(a) Exprimez la masse de “fluide 1” contenue dans [a, b] au temps t, en fonction
de la masse volumique de ce fluide, ρf1 (x, t), et de u(x, t).
(b) La variation de cette masse entre deux instants t1 et t2 (t2 > t1 ) est uniquement
due au flux convectif en a et b. Donnez l’équation intégrale traduisant ce bilan.
(c) En déduire l’équation locale qui décrit l’évolution au cours du temps de la fonc-
tion u sous l’action de la vitesse c(x). (Rappel : ρf1 vérifie l’équation de conti-
∂ρ ∂(cρ )
nuité ∂tf1 + ∂xf1 = 0).
(d) Dans le cas où c est constante, exprimez u(x, t) en fonction de u0 .
On cherche à présent à approcher u(x, t) à l’aide d’un schéma aux différences finies.
On discrétise l’intervalle [0, 1] par une série de points, et l’on s’intéresse aux trois premiers
points x0 = 0, x1 = h et x2 = 2h représentés sur la figure 2.6.7. L’objectif est alors de
trouver uni qui approche u(xi , tn ) pour tn > 0.
Figure 2.6.7 – Discrétisation de l’intervalle [0, 1]
On rappelle les résultats suivants :
∂u u(x + ∆x) − u(x − ∆x)

(x, t) = + O(∆x2 )
∂x 2∆x
et
∂u u(x) − u(x − ∆x)
(x, t) = + O(∆x)
∂x ∆x
2.7. ÉQUATIONS NON LINÉAIRES 29
2. Nous considérons la vitesse c constante et positive . De plus, l’état initial à t0

est : u00 = 1, u01 = 1 et u02 = 0.
(a) Écrire le schéma aux différences finies explicite en temps et centré en espace
discrétisant l’équation vérifiée par u.
(b) Comment imposer que le “fluide 1” entre par le bord gauche du domaine à tout
instant tn > 0 ?
(c) Lorsque x2 = 1 (bord droit), quelle difficulté est soulevée par le calcul de un2 ?
Quelle propriété de l’équation dont u est la solution n’est pas respectée par ce
schéma ? Proposez une astuce simple pour calculer un2 .
(d) Calculez dans ce cas un1 et un2 pour n = 1 et n = 2 (avec ∆t tel que h = c∆t,
pour simplifier les calculs). A-t-on une approximation acceptable de la solution
u?
(e) Pour ∆t fixé, que se passe-t-il, au temps t1 , si maintenant h → 0 ? Peut-on
utiliser ce schéma ?
3. On utilise maintenant un schéma explicite décentré (i.e. avec une approximation
décentrée de la dérivée spatiale).
(a) Calculez u11 et u12 dans les mêmes conditions que précédemment, avec c∆t = h.
(b) Si c∆t ̸= h, que vaut u12 ? Quelle condition doit être vérifiée pour avoir une
approximation acceptable ? Que se passe-t-il lorsque h → 0 ?
4. Enfin, nous utilisons un schéma implicite en temps, décentré en espace.
(a) Calculez u11 et u12 dans les mêmes conditions que précédemment, avec c∆t = h.
(b) Calculez u11 et u12 lorsque c∆t ̸= h, et en particulier pour h → 0 à ∆t fixé.
Conclure sur la stabilité du schéma.
2.7 Équations non linéaires

Pour étendre notre propos, notons qu’une “généralisation” de l’équation de transport
prend la forme suivante, toujours en 1D :
∂u ∂ ∂u ∂u
+ j(u) = 0 ⇔ + j ′ (u) =0 (2.7.1)
∂t ∂x ∂t ∂x
où j est une fonction scalaire de u, j ′ (u) désigne donc la dérivée de j par rapport à u. j
est un flux, en effet :
Z Z Z
d ∂u ∂j
u(x, t) dv = (x, t) dv = − (u(x)) dv = −(j(u(B)) − j(u(A)))
dt Ω Ω ∂t Ω ∂x
si le domaine spatial Ω est le segment [A, B]. La variation de Ω u(x, t) dx est donc uni-
R
quement due à la valeur de j(u) au bord du domaine Ω.
L’équation (2.7.1) est une équation de conservation du premier ordre exactement de la

forme de l’équation (1.1.4). Contrairement au cas de l’équation de transport, la relation
entre le flux j et u n’est pas linéaire. On qualifie également (en termes mathématiques)
l’équation (2.7.1) d’équation hyperbolique du premier ordre.
Dans le cas de l’équation (2.7.1), les caractéristiques sont toujours des droites. En
effet, considérons la courbe paramétrée x(t) solution de l’équation différentielle ordinaire
(EDO) suivante ′
x (t) = j ′ (u(x(t), t))
x(0) = x0
et considérons u(t) = u(x(t), t). Alors :
∂u ∂u
u′ (t) = (x(t), t) + (x(t), t)x′ (t)
∂t ∂x
∂u ∂u
= (x(t), t) + (x(t), t)j ′ (u(x(t), t))
∂t ∂x
Ainsi, si u est solution de l’équation (2.7.1), alors u′ (t) = 0, et donc
u(x(t), t) = u(x(0), 0) = u0 (x0 )
Il s’en suit que les caractéristiques de l’équation sont donc encore des droites d’équation
x(t) = j ′ (u0 (x0 ))t + x0 (2.7.2)
Sur l’intervalle de temps (0, T ), la solution de (2.7.1) est donc constante sur chaque
droite caractéristique de pente j ′ (u0 (x0 )), x0 ∈ R. Supposons maintenant que j ′ ◦ u0 soit
décroissante (voir figure 2.7.1). Deux caractéristiques se croisent en un point M . En ce
point, la solution à (2.7.1) est censée prendre deux valeurs, ce qui est contradictoire. La
solution est donc discontinue en ce point. Ainsi, il peut y avoir apparition de discontinuités
en un temps fini, même pour une fonction u0 régulière.
Figure 2.7.1 – Droites caractéristiques pour des flux non linéaires.
Afin d’illustrer ceci, considérons un ensemble de particules en mouvement, chaque par-

ticule ayant une vitesse constante. Nous représentons l’ensemble des vitesses des particules
Figure 2.7.2 – Particules de position xi à t, et de vitesse u(xi , t).
par un champ u : u(x, t) est égal à la valeur de la vitesse de la particule se trouvant au

point x à l’instant t (voir figure 2.7.2).
L’équation décrivant u est déduite du fait que u est constante le long de toutes les
trajectoires x(t) des particules. Ainsi
d
u(x(t), t) = 0
dt
∂u ∂u ′
⇔ + x (t) = 0
∂t ∂x
∂u ∂u
⇔ + u = 0
∂t ∂x
En effet, u(x(t), t) étant la vitesse de la particule x(t), x′ (t) = u(x(t), t). Ainsi, l’équation
gouvernant la vitesse des particules, s’exprime par l’équation
∂u ∂ 2
+ (u /2) = 0 (2.7.3)
∂t ∂x
traduisant le fait que la dérivée particulaire de la vitesse est nulle. Cette équation consti-
tue un exemple classique d’équation scalaire hyperbolique non linéaire, et est appelée
équation de Burgers. On a ici j(u) = u2 /2, et donc j ′ (u) = u. Il suffit donc d’avoir
une condition initiale u0 décroissante, i.e. u0 (x1 ) < u0 (x0 ), avec x0 < x1 , pour avoir ap-
parition de discontinuités en un temps fini. Ceci représente le cas où la particule située
initialement en x0 va plus vite que celle située initialement en x1 . La discontinuité dans
la vitesse traduit alors le fait qu’à un instant donné les deux particules occuperont la
même position. Supposons donc u0 décroissante. Le temps t∗ d’intersection entre deux
caractéristiques passant par x0 et x1 en t = 0 est :
1 u0 (x1 ) − u0 (x0 )
− =
t∗ x1 − x0
En faisant tendre x1 vers x0 et en prenant la borne inférieure on trouve donc que
l’équation de Burgers possède une solution classique (i.e. continue) sur le domaine R ×
(0, tc ), avec
1
− = inf u′0 (x)
tc x∈R
An-delà du temps tc , la solution présente des discontinuités.
Exercice 2.7.1 Relation de Rankine - Hugoniot

On considère l’équation hyperbolique du premier ordre suivante :

∂u ∂
+ j(u) = 0 (2.7.4)
∂t ∂x
où j est une fonction scalaire non linéaire de u. La solution
u(x, t) : R × R+ → R
de cette équation, satisfait de plus la condition initiale
u(x, t = 0) = u0 (x), pour tout x ∈ R (2.7.5)
1. Quelles conditions de régularité doit satisfaire la fonction u pour que l’équation (2.7.4)
ait un sens ? On suppose que le flux j est dérivable par rapport à u.
On dit que u est solution faible de l’équation (2.7.4) si u vérifie :
Z
∂ϕ ∂ϕ
u+ j(u) dt dx = 0 (2.7.6)
R×R+ ∂t ∂x
pour toute fonction ϕ : R × R+ → R, de classe C 1 , et qui s’annule en dehors d’un certain
domaine [a, b] × [c, d] avec −∞ < a, b < +∞ et 0 < c, d < +∞.
2. Montrez que si u est solution de l’équation (2.7.4), alors u est solution de l’équation
faible (2.7.6).
3. L’inverse est-il vrai, à savoir si u est solution de l’équation faible (2.7.6), u est-
il solution de l’équation (2.7.4) ? Justifiez votre réponse. En déduire que l’équation
faible (2.7.6) peut être vue comme une extension de l’équation initiale (2.7.4).
On considère à présent u, une solution discontinue de l’équation faible (2.7.6),
par exemple parce que u0 est discontinue. On note x = ξ(t) le point de discontinuité au
temps t. L’ensemble des points {(ξ(t), t)} forme alors une courbe dans le plan (x, t), pa-
Figure 2.7.3 – Solution présentant une discontinuité.
ramétrée par t. Cette courbe, notée Γ, divise le plan (x, t) en deux domaines notés Ω− et
Ω+ , comme indiqué sur la figure 2.7.3.
La restriction de u à Ω− est notée u− , et u+ est la restriction de u à Ω+ . On
suppose que u− et u+ sont de classe C 1 sur Ω− et Ω+ respectivement.
4. Montrez, par un choix judicieux du domaine de définition de ϕ, qu’alors u− et u+

sont solution de l’équation (2.7.4) dans leurs domaines de définition respectifs.
On note [u](x, t) = u+ (x, t) − u− (x, t) le saut de u, défini en tout point de la discon-
tinuité, i.e. pour x = ξ(t). De même, [j(u)] = j(u+ ) − j(u− ) est le saut du flux. Enfin,
le vecteur ν représenté sur la figure 2.7.3 est le vecteur unitaire normal à la courbe Γ, de
composantes (νx , νt ).
5. Établir alors la relation suivante :
[u]νt + [j(u)]νx = 0 (2.7.7)
Indications : vous commencerez par décomposer l’intégrale sur R × R+ dans (2.7.6)
en la somme de deux intégrales définie respectivement sur Ω− et Ω+ , et appliquerez
le théorème de la divergence à chacune de ces intégrales. Pour cela, vous pourrez
considérer le gradient dans le plan (x, t) (gradx,t = ( ∂x∂ ∂
, ∂t )) et le fait que si a est
un scalaire et b un vecteur, div(ab) = a div b + grad a · b.
6. Expliquez pourquoi le vecteur de composante ( dξdt
, 1) est tangent à la courbe de dis-
continuité Γ. En déduire la relation suivante, dite de Rankine - Hugoniot
dξ [j(u)]
= (2.7.8)
dt [u]
Qu’exprime cette relation ?
7. Donnez l’expression de dξ/dt dans le cas de l’équation de Burgers.
Exercice 2.7.2 Modélisation du trafic routier
On se sert ici de ce que l’on a vu en cours concernant les équations de conservation

hyperboliques non linéaires d’ordre 1, pour modéliser le trafic routier.
Appelons u(x, t) la densité de voitures sur une route, 0 ≤ u(x, t) ≤ 1. Et soit v(x, t)
la vitesse de ces voitures en x à l’instant t. La distribution initiale de véhicules est don-
née par u(x, 0) = u0 (x), avec toujours u0 : R → [0, 1]. De plus, nous supposons la route
"infiniment" longue (les voitures ne peuvent pas quitter la route).
On peut modéliser simplement la relation entre la vitesse v et la densité de trafic u

par une relation linéaire :
u
v(x, t) = vmax (1 − ) (TD1-1)
umax
où vmax est la vitesse maximale des voitures, et umax la densité maximale de trafic. Pour
une route vide u = 0, et v = vmax , tandis que pour un trafic saturé, u = umax et v = 0.
Nous prendrons umax = vmax = 1, et donc

v =1−u
L’évolution de la densité du trafic peut être modélisée par une équation de bilan non
linéaire, hyperbolique d’ordre 1 :
∂u ∂
+ j(u) = 0
∂t ∂x
avec un flux
j(u) = u(1 − u)
(si la route est vide ou entièrement saturée, elle ne peut que rester en l’état). D’où l’équa-
tion :
∂u ∂
+ (u(1 − u)) = 0 pour (x, t) ∈ R × R+
∂t ∂x (TD1-2)
u(x, 0) = u0 (x) pour x ∈ R
Q1 - Calculez les droites caractéristiques de l’équation (TD1-2).
Q2 - Montrez que la première discontinuité survient au temps

1
T = inf
x0 ∈R 2u′0 (x0 )
Si u0 est décroissante, T < 0, i.e. initialement il y a plus de voitures à gauche qu’à

droite et les voitures de gauche vont moins vite que celles de droite et ne pourront donc
jamais les rattraper. Il n’y a donc pas de discontinuité dans la densité de voitures u.
Si, par contre u0 n’est pas décroissante, à l’instant T la solution u continue et dérivable
cesse d’exister : des véhicules (à gauche), arrivent à grande vitesse dans une zone de forte
densité de trafic, et donc à vitesse faible.
Dans ce cas u est discontinue en un point X (on considère ici une seule dimension
spatiale). Cette discontinuité évolue dans le temps, et on note X(t). La discontinuité de
u signifie que la limite u(X(t) + ε, t) pour un temps t donné n’est pas la même lorsque ε
tend vers zéro négativement ou positivement. Ceci est quantifié par la valeur [u]X (t) qui
est le saut de u (à un instant t) à travers la courbe X(t) :
[u]X (t) = lim u(X(t) + ϵ, t) − lim u(X(t) − ϵ, t)
ε→0 ε→0
ε>0 ε>0
La relation de Rankine - Hugoniot permet de calculer la vitesse de propagation de
la discontinuité en fonction des sauts de u et du flux :
dX
[u] = [j(u)] (TD1-3)
dt
Q3 - Montrez, en utilisant la relation de Rankine - Hugoniot que la vitesse de propa-
gation de la discontinuité s’écrit
X ′ (t) = 1 − (u− + u+ )
Q4 - Nous considérons les conditions initiales suivantes (on parle de problème de
Riemann)
hG = 1/2 si x0 < 0

u0 (x0 ) =
hD = 1 si x0 > 0
Quelle est alors la vitesse de propagation de la discontinuité X ′ (t) ? Tracez la discon-
tinuité dans un repère (O,x,t). Tracez les caractéristiques de part et d’autre de la discon-
tinuité. En déduire la densité u(x, t) solution de (TD1-2).
On souhaite à présent tracer les trajectoires des véhicules. Soit x(t) la position à t d’un
véhicule parti de x0 < 0. Sachant que
dx
(t) = v(x, t),
dt
calculez x et représentez graphiquement ces trajectoires.
Q5 - Mêmes questions avec
si

1/6 x0 < 0
u0 (x0 ) =
1/3 si x0 > 0
Chapitre 3
EDP du second ordre
Nous en venons maintenant à la deuxième grande partie de ce cours, après les EDP
du premier ordre, les EDP du second ordre. Plus précisément, on s’intéresse aux EDP
linéaires du second ordre dont l’inconnue est une fonction u de deux variables réelles
définies sur un ouvert Ω de R2 . Par la suite, ces variables pourront être deux variables
d’espace, notées x et y, ou une variable d’espace et une variable de temps, x et t. Nous
allons étudier trois équations modèles, qui sont en réalité les représentantes des trois types
existants d’EDP, selon une classification détaillée en annexe A. Ces trois équations sont :
1. L’équation de diffusion (stationnaire)
∂ 2u ∂ 2u
+ = 0, soit ∆ u = 0 (3.0.1)
∂x2 ∂y 2
Cette équation, qui décrit un état stationnaire, est qualifiée d’elliptique (x2 +y 2 = c2 )
2. L’équation de diffusion instationnaire, ou équation de la chaleur

∂u ∂ 2u ∂u
= 2
, soit = ∆u (3.0.2)
∂t ∂x ∂t
Cette équation, qui décrit l’évolution d’un système vers un état stationnaire, est
qualifiée de parabolique (y = x2 )
3. L’équation des ondes
∂ 2u ∂ 2u ∂ 2u
= , soit = ∆u (3.0.3)
∂t2 ∂x2 ∂t2
qui est qualifiée d’hyperbolique (du second ordre) (y 2 − x2 = c2 ).
Dans les équations ci-dessus, ∆ u désigne le laplacien de la fonction u, défini analyti-
quement pour un système de coordonnées cartésiennes, et u : Ω ⊂ Rd → R par :
d
X ∂ 2u
∆u = (3.0.4)
i=1
∂x2i
Nous introduirons les deux premières équations en considérant un flux diffusif dans
l’équation de conservation (1.1.4). Nous introduirons ensuite l’équation des ondes, qui
n’est pas une équation de conservation, par l’exemple de la propagation d’une onde sonore.
Enfin, nous résoudrons analytiquement ces équations par la méthode de séparation des
variables.
37
38 CHAPITRE 3. EDP DU SECOND ORDRE
3.1 Flux diffusif

Nous allons établir l’expression du flux diffusif jd dans le cadre de la diffusion d’un gaz
A dans un gaz B. Plus précisément, considérons un récipient rempli d’un gaz à l’équilibre
thermique, et introduisons une petite quantité de gaz de type différent à un certain endroit
du récipient. Le gaz introduit se répand lentement dans le récipient, c’est le phénomène de
diffusion, contrôlé par les chocs entre ses molécules et les molécules du gaz environnant.
En l’absence de convection, le flux jd de molécules du gaz introduit résulte de la non
uniformité de la distribution de ces molécules.
Figure 3.1.1 – Phénomène de diffusion
Notons u(x, t) la concentration de ces molécules en x à l’instant t. En nous référant

à la figure 3.1.1 illustrant la situation dans un cas 1D, le flux diffusif de ces particules en
un point x est le nombre de particules traversant la surface unité représentée en pointillés
par unité de temps. Pour connaître ce nombre, il suffit de compter les particules à gauche
de la surface (en x− ) qui traversent cette surface durant l’intervalle de temps ∆t (soit
u(x− , t)vn ∆t, où vn est la vitesse des molécules introduites dans le sens normal à la
surface), et de faire la même chose à droite de la surface. Le flux résultant est donné par
la soustraction de ces deux quantités :
u(x− , t)vn ∆t − u(x+ , t)vn ∆t

jd (x, t) = = (u(x− , t) − u(x+ , t))vn
∆t
Or au premier ordre, nous avons
∂u
u(x− , t) − u(x+ , t) = − (x, t)∆x
∂x
La question est alors que prendre pour ∆x ? Jusqu’où aller à gauche et à droite ? Nous
comptons les particules sur une distance égale, de chaque côté de la surface, au libre
parcours moyen l, c-à-d la distance moyenne entre deux chocs moléculaires. En effet, nous
considérons qu’après un choc les particules peuvent changer de trajectoire. Il s’en suit que
∂u ∂u
jd (x, t) = −2lvn = −Dx
∂x ∂x
où Dx est le coefficient de diffusion.
Une analyse plus précise de la situation (en prenant en compte les orientations) donne
Dx = lvn /3. Notre approximation n’était donc pas mauvaise ! Nous venons d’établir la loi
de Fick exprimant la proportionnalité entre flux de particules et gradient de concentration
3.1. FLUX DIFFUSIF 39
pour un phénomène de diffusion, qui dans un cas 3D s’écrit :
jd = −D · grad u (3.1.1)
où D est le tenseur de diffusion, symétrique défini positif, cePqui signifie que D T = D

et pour tout vecteur x ̸= 0, x · (D · x) > 0, autrement dit, i,j Dij xi xj > 0. Si la dif-
fusion est supposée isotrope (la même dans toutes les directions), alors D = DI, où I
est le tenseur identité, et D un scalaire, le coefficient de diffusion. La même expression
mathématique (3.1.1) relie le flux de chaleur au gradient de température. Cette relation
est, dans ce contexte, appelée loi de Fourier, et D est alors la conductivité thermique.
L’équation de conservation (1.1.4) s’écrit, en prenant un flux j = jd donné par (3.1.1)

et en supposant D = DI :
∂u
(x, t) − div (D(x) grad u(x, t)) = f (x, t), ∀t > 0, x ∈ Ω ⊂ Rd (3.1.2)
∂t
Cette équation est dite équation de diffusion instationnaire, ou équation de la chaleur.
L’équation (3.1.2) est bien posée (possède une unique solution continue par rapport aux
données initiales et aux bords) si on lui adjoint une condition initiale
u(x, t = 0) = u0 (x)
où u0 : Ω → R est une fonction donnée, ainsi que des conditions au bord. Deux types
de conditions peuvent être imposés simultanément sur deux parties distinctes du bord.
Divisons donc le bord en deux parties distinctes
∂Ω = ΓN ∪ ΓD avec ΓN ∩ ΓD = ∅
comme montré sur la figure 3.1.2.
Figure 3.1.2 – Conditions aux bords de type Dirichlet et Neumann
Sur le bord ΓD , nous imposons la valeur de u
u(x, t) = uD (x, t) ∀t > 0, x ∈ ΓD ,
où uD est une fonction donnée, tandis que sur ΓN , nous imposons le flux normal de u,
(D grad u · n)(x, t) = jN (x, t) ∀t > 0, x ∈ ΓN

où jN est une fonction donnée et n le vecteur unitaire normal à ΓN et pointant à l’exté-

rieur de Ω.
Une condition au bord en valeur imposée est appelée condition de Dirichlet ou en-
core condition essentielle, tandis qu’une condition en flux imposé est appelée condition
de Neumann, ou encore condition naturelle. Il est également possible de combiner
ces deux conditions en imposant au bord u + D grad u · n. C’est ce que l’on appelle une
condition de Robin.
3.2 Diffusion et convection

Considérons une densité massique u, et la grandeur extensive associée ũ = ρu. En
tenant compte des équations (1.1.4) et (2.1.6), l’équation de conservation de la quantité
K s’écrit, sous l’action d’un flux convectif (vitesse vc ) et d’un flux diffusif jd

∂u
ρ + vc · grad u + div jd = f (3.2.1)
∂t
Pour prendre un exemple concret, considérons que u est l’énergie interne (par unité de
masse), proportionnelle à la température, u = e = CT , et que le flux diffusif soit donné
par la loi de Fourier, jd = −k grad T , alors l’équation (3.2.1) devient

∂T
ρC + vc · grad T − div(k grad T ) = f (3.2.2)
∂t
qui est l’équation de la chaleur avec convection.
3.3 Le Laplacien
L’opérateur laplacien intervient dans toutes les EDP du second ordre que nous avons
introduites. La raison en est que opérateur possède une signification géométrique (et donc
physique) importante. Ainsi, le laplacien d’une fonction u (de classe C 2 ) en un point x
est une mesure de l’écart entre la valeur de u en x et la moyenne des valeurs prises par u
dans un voisinage de ce point.
Pour mettre en avant cette propriété, plaçons nous en un point du domaine de défini-
tion de u, que nous choisissons pour origine, et considérons un cercle de rayon r autour
de cette origine, noté C(r). Nous évaluons alors la moyenne de u sur ce cercle, à savoir la
quantité Z 2π
1
u(r cos θ, r sin θ) rdθ
2πr 0
(voir Figure 3.3.1).
Pour ce faire, nous effectuons d’abord un développement de Taylor à l’ordre 2 de u en
un point (x, y) de ce cercle :
2
∂ 2u 2

∂u ∂u 1 2∂ u 2∂ u
u(x, y) = u(0, 0) + x +y + x + 2xy +y + ···
∂x ∂y 2 ∂x2 ∂x∂y ∂y 2
3.3. LE LAPLACIEN 41
Figure 3.3.1 – Signification du Laplacien
où les dérivées sont évaluées en (0, 0) et sont donc constantes.

Nous procédons ensuite au changement de variable x = r cos θ, y = r sin θ, si bien que,
en négligeant les termes d’ordre 3,
 
∂u ∂u
 u(0, 0) + r cos θ ∂x + r sin θ ∂y +
Z 2π Z 2π
1 1 
u(r cos θ, r sin θ) rdθ =  2 2 2 2
 rdθ
2πr 0 2πr 0  r cos2 θ ∂ u + 2 cos θ sin θ ∂ u + sin2 θ ∂ u 
2 ∂x2 ∂x∂y ∂y 2
Z 2π 2
∂ 2u ∂ 2u

1 r
= u(0, 0) + cos2 θ 2 + sin2 θ 2 rdθ
2πr 0 2 ∂x ∂y
2
2 2

1 πr ∂ u ∂ u
= u(0, 0) + + r
2πr 2 ∂x2 ∂y 2
R 2π R 2π
où l’on a utilisé le fait que 0
cos2 θ dθ = 0
sin2 θ dθ = π.
Ainsi,
2π
r2 ∂ 2u ∂ 2u r2
Z
1
u(r cos θ, r sin θ) rdθ − u(0, 0) = + = ∆ u(0, 0) (3.3.1)
2πr 0 4 ∂x2 ∂y 2 4
Cette expression est indépendante de tout système de coordonnées. Elle peut donc
servir de définition géométrique du laplacien, évalué dans le cas limite où r → 0.
3.4 État d’équilibre : équation de Laplace

Avant d’étudier l’équation de diffusion, instationnaire (3.1.2), nous nous intéressons
ici à l’état d’équilibre (ou état stationnaire) caractérisé par ∂u
∂t
= 0, ce qui conduit à :
∆ u = −f /D (3.4.1)
Cette équation, appelée équation de Poisson, décrit un état d’équilibre. Lorsque

le second membre (terme source) est nul, l’équation est appelée équation de Laplace :
∆u = 0 (3.4.2)
La fonction u solution de (3.4.2) est dite harmonique. Le fait que ces deux équations
décrivent un état d’équilibre permet d’interpréter les propriétés de leurs solutions.
3.4.1 Fonctions harmoniques

La première propriété d’une fonction harmonique u est donnée par le théorème de
la moyenne : la valeur de u au centre d’une sphère est la moyenne des valeurs prises par
u dans la sphère. Ceci découle de l’interprétation géométrique que nous avons donnée du
laplacien, et correspond au fait que u représente un état d’équilibre.
La seconde propriété remarquable est le principe du maximum , à savoir que si u

est harmonique dans Ω ∪ ∂Ω, où Ω est un ouvert connexe borné de Rd , alors u atteint ses
extrema (maximum et minimum) sur le bord ∂Ω et seulement sur le bord.
Enfin, toute fonction harmonique dans un ouvert Ω est C ∞ dans cet ouvert. De plus,
les dérivées d’une fonction harmonique dans Ω sont harmoniques.
3.4.2 Problèmes frontières : problème de Dirichlet

L’équation de Laplace (3.4.2) s’accompagne de conditions frontières afin d’avoir uni-
cité de la solution. Nous avons déjà évoqué les conditions de Dirichlet, Neumann et Robin.
Quelques détails supplémentaires sont fournis dans cette section.
Soit Ω un ouvert de frontière ∂Ω et f une fonction définie sur ∂Ω. Une fonction u
harmonique dans Ω telle que ∀P ∈ ∂Ω,
u(P ) = f (P )
s’appelle une solution au problème de Dirichlet dans Ω relatif à f .
Lorsque Ω est borné on distingue les deux problèmes suivants :

• Un problème de Dirichlet dans Ω s’appelle problème de Dirichlet intérieur.
• Un problème de Dirichlet dans le complémentaire de Ω s’appelle problème de Diri-
chlet extérieur.
De plus,
3.4. ÉTAT D’ÉQUILIBRE : ÉQUATION DE LAPLACE 43
1. Le problème de Dirichlet dans Ω relatif à une fonction f admet au plus une solution.
2. Le problème de Dirichlet dans Ω est un problème bien posé (stable) : si l’on considère
une suite de fonctions {fn }n telles que ∥f − fn ∥ ≤ ε sur ∂Ω, alors ∥u − un ∥ ≤ ε dans
Ω, où les fonctions un sont les solutions aux problèmes de Dirichlet dans Ω relatifs
à fn .
Attention : la situation est beaucoup plus compliquée dans le cas non borné (voir le
contre-exemple de Petrovsky développé plus loin). On cherche alors, lorsqu’elles existent,
les solutions qui sont bornées.
3.4.3 Problèmes frontières : problème de Neumann

Soit Ω un ouvert de frontière ∂Ω et g une fonction définie sur ∂Ω. Une fonction u
définie sur Ω ∪ ∂Ω, harmonique dans Ω et telle qu’en tout point P de ∂Ω
du
(P ) = g(P )
dn
s’appelle une solution au problème de Neumann dans Ω relatif à g.
Figure 3.4.1 – Dérivée normale de u.
Comme schématisé sur la figure 3.4.1, la dérivée normale dn

du
(n est le vecteur unitaire
normal à ∂Ω) exprime la variation de u en un point de la frontière ∂Ω, dans la direction
de la normale n : dn
du
= grad u · n.
Si Ω est borné, on définit le problème de Neumann intérieur et de Neumann extérieur

comme précédemment. De plus, toujours lorsque Ω est borné, deux solutions u1 et u2 du
problème de Neumann dans Ω relatif à g ne diffèrent que par une constante additive. En
effet, la relation
div(u grad u) = grad u · grad u + u ∆ u
(qui s’obtient facilement par dérivation d’un produit) permet d’écrire
Z Z Z
u ∆ u dv = div(u grad u) dv − grad u · grad u dv
Ω Ω Ω
En appliquant le théorème de la divergence (voir équation (1.1.2)) sur le premier terme

du membre de droite, on obtient l’expression suivante, connue sous le nom de formule de
Green Z Z Z
du
u ∆ u dv + 2
∥ grad u∥ dv = u ds (3.4.3)
Ω Ω ∂Ω dn
où ∥ grad u∥2 = grad u · grad u.
Appliquant la formule de Green à u = u1 − u2 , nous déduisons que

Z
∥ grad u∥2 dv = 0,
Ω
et par conséquent u = u1 − u2 est constante dans Ω. Ainsi, les deux solutions u1 et u2 du

problème de Neumann sont égales à une constante près.
Enfin, pour qu’il existe une solution au problème de Neumann dans Ω relatif à g il est
nécessaire que g satisfasse la condition de compatibilité suivante :
Z
g ds = 0 (3.4.4)
∂Ω
En effet, si u est harmonique dans Ω, Ω ∆ u dv = 0, et par le théorème de la divergence

R
(avec ∆ u = div(grad u)),

Z Z Z
du
0= ∆ u dv = ds = g ds
Ω ∂Ω dn ∂Ω
d’où le résultat.
Encore une fois, l’interprétation physique de ce résultat vient du fait que u décrit
un état d’équilibre sans source ni puits. Le flux total associé à u (par exemple le flux de
chaleur) doit donc être nul à travers la frontière ∂Ω. C’est ce qu’exprime la relation (3.4.4).
3.5 Équation de la chaleur / de diffusion instationnaire

Nous en venons maintenant à l’étude de l’équation de diffusion (ou de la chaleur)
instationnaire (3.2.2). En termes mathématiques, une telle EDP (du second ordre) est
qualifiée de parabolique. Globalement les remarques faites à la section précédente pour
les équations elliptiques vont s’appliquer également ici ou avoir leurs équivalents. La des-
cription mathématique qui est faite en annexe A se limite à des EDP en dimension 2, par
exemple de variables (x, y) ou (x, t). Nous considérons donc, comme équation parabolique
modèle, l’équation de diffusion 1D suivante (prise avec f = 0 et D constant) :
∂u ∂ 2u
−D 2 =0 (3.5.1)
∂t ∂x
L’équation de diffusion modélise des phénomènes irréversibles. Il est en effet impos-
sible de renverser l’axe du temps dans (3.5.1) en posant t̃ = −t : ceci change complètement
la nature de la solution. Pour s’en convaincre, prenons un contre-exemple proposé par I.
Petrovsky (mathématicien russe, 1901 - 1973). Pour tout n ∈ N∗ , la fonction
1 2
u(x, t) = sin(nx)e−n Dt
n
3.5. ÉQUATION DE LA CHALEUR / DE DIFFUSION INSTATIONNAIRE 45
est solution de l’équation de diffusion sur R × R. Comme condition initiale, on a, en

prenant t = 0,
1
u(x, 0) = sin(nx)
n
qui est arbitrairement petit pour n grand.
Pour un temps positif arbitrairement petit, disons t = +ε, la solution
1 2
u(x, +ε) = sin(nx)e−n Dε
n
est bornée par u(x, 0), et reste en particulier bornée lorsque n devient grand. Par contre,
pour un temps négatif, t = −ε, nous avons
1 2
u(x, −ε) = sin(nx)e+n Dε
n
qui est non bornée lorsque n devient grand. Nous concluons donc que l’équation de diffu-
sion ut − Duxx constitue un problème mal posé sur R × R. Ceci signifie que les solutions
obtenues pour t < 0 ne sont pas physiques. Par contre, ce problème est bien posé sur
R × R+ , c-à-d, pour t ≥ 0.
Tout comme les fonctions solutions d’équations elliptiques (en particulier les fonctions
harmoniques), les fonctions solutions d’EDP paraboliques (et en particulier de (3.5.1))
satisfont à un principe du maximum. Considérons ainsi, comme sur la figure 3.5.1,
F = [a, b] × [0, T ] un rectangle fermé du plan (x, t) et Γ = ∂F \(]a, b[×{T }). Soit u la
solution de l’équation (3.5.1) dans F \Γ.
Figure 3.5.1 – Domaine rectangulaire F .
Le principe du maximum stipule que (voir [REINHARD]) :

1. Si u1 et u2 sont deux fonctions continues sur F , solutions de l’équation de diffu-
sion (3.5.1) dans F \Γ, et si u1 ≤ u2 sur Γ, alors u1 ≤ u2 dans F .
2. Les extrema d’une solution sont atteints sur Γ : si m ≤ u(x, t) ≤ M sur Γ, alors
m ≤ u(x, t) ≤ M sur F . En particulier si u(x, t) = 0 sur Γ, u(x, t) = 0 sur F .
3. Si u n’est pas constante sur Γ, alors m < u(x, t) < M sur F \Γ et les extrema sont
atteints sur Γ et seulement sur Γ.
3.6 Équation des ondes

3.6.1 Introduction physique
L’équation des ondes décrivant la propagation d’une onde sonore dans un gaz a déjà
été dérivée dans l’exercice 1.4.1. Nous reprendrons ici la démarche sous une forme un peu
plus détaillée. Considérons le mouvement rapide d’un objet dans l’air, engendrant une
compression du milieu, et par suite une variation de pression qui déplace une quantité
d’air supplémentaire. Cet air est à son tour comprimé, engendre une variation de pression,
etc. Bref, une onde se propage.
La propagation de cette onde sonore peut se décrire par le déplacement χ d’une certaine
quantité d’air. χ représente alors la position du front d’onde. Lorsque la source et le
récepteur sont suffisamment éloignés, il est possible de faire l’hypothèse d’onde plane, i.e.
χ ne dépend que d’une coordonnée spatiale et du temps, χ(x, t).
Les trois étapes que nous devons modéliser en termes mathématiques sont :
1. Le déplacement du gaz induisant sa variation de densité.
2. Le lien entre variation de densité et variation de pression.
3. La relation entre gradients de pression et déplacement du gaz.
Commençons par établir le point 2. Notons P la pression de l’air, ρ sa masse volumique,
et P0 , ρ0 les valeurs d’équilibre (i.e. les valeurs avant le passage de l’onde sonore). La loi
d’état s’écrit
P = f (ρ),
en particulier P0 = f (ρ0 ). Nous prenons P0 ≈ 1 bar. Une variation de pression de 2 × 10−7
bar autour de cette valeur d’équilibre correspond à un son de 60 décibels. Nous faisons
donc l’hypothèse que P et ρ varient très peu autour de l’équilibre. Posons
P = P0 + Pe et ρ = ρ0 + ρe
avec les perturbations Pe ≪ P0 et ρe ≪ ρ0 .

Par linéarisation de la loi d’état,
P0 + Pe = f (ρ0 + ρe ) ≈ f (ρ0 ) + f ′ (ρ0 )ρe
On obtient ainsi la relation (gaz parfaits, cas isotherme)

dP
Pe = κρe avec κ = f ′ (ρ0 ) = |ρ=ρ0 (3.6.1)
dρ
À présent, analysons comment la masse volumique change au cours de la propagation.

La figure 3.6.1 montre comment varie le volume d’une certaine quantité d’air au cours
de la propagation de l’onde. La conservation de la quantité de matière (ou de la masse)
avant et après le passage de l’onde s’exprime par
ρ0 × (volume ancien) = ρ × (volume nouveau),
ce qui se traduit par

ρ0 ∆x = ρ[∆x + χ(x + ∆x, t) − χ(x, t)]
3.6. ÉQUATION DES ONDES 47
Figure 3.6.1 – Changement d’un volume d’air avec la propagation de l’onde
De plus, ∆x étant petit, nous avons, au premier ordre, χ(x + ∆x, t) − χ(x, t) =
(∂χ/∂x)∆x. D’où :
∂χ ∂χ
ρ0 ∆x = ρ[1 + ]∆x = (ρ0 + ρe )[1 + ]∆x
∂x ∂x
Ainsi, la conservation de la masse permet de trouver l’évolution suivante de la masse
volumique de l’air au cours de la propagation :
∂χ
ρe = −ρ0 (3.6.2)
∂x
Enfin, le point 3, lien entre mouvement de l’air et gradient de pression, s’obtient en
considérant la loi du mouvement de Newton (projetée suivant l’axe des x)
∂ 2χ
ρ0 ∆x 2 = F
∂t
où F est la force s’exerçant sur la quantité d’air dans ∆x, par unité de surface perpendi-
culaire à x. En se référant à la figure 3.6.2,
Figure 3.6.2 – Forces s’exerçant sur un certain volume d’air
∂P ∂Pe
F = P (x, t) − P (x + ∆x, t) = − ∆x = − ∆x
∂x ∂x
D’où l’équation du mouvement :
∂ 2χ ∂Pe
ρ0 2
=−
∂t ∂x
Il suffit maintenant de considérer les relations (3.6.2) et (3.6.1) pour réécrire cette
équation uniquement en terme de déplacement χ, et aboutir ainsi à l’équation décrivant
la propagation des ondes
∂ 2χ 1 ∂ 2χ
= (3.6.3)
∂x2 c2s ∂t2
où l’on a posé c2s = κ.
D’après ce que nous avons vu à la section 2.2, une perturbation qui se déplace sous
forme d’onde plane à la vitesse constante c est de la forme u0 (x − ct). En posant χ(x, t) =
u0 (x − ct), on a les relations
∂ 2χ ∂ 2χ
= u ′′
0 (x − ct) et = c2 u′′0 (x − ct)
∂x2 ∂t2
On en déduit que χ(x, t) = u0 (x − ct) satisfait l’équation des ondes (3.6.3) avec cs = c.
1/2
Il s’en suit que toute perturbation sonore se propage à la vitesse cs = κ1/2 = (∂P/∂ρ)ρ=ρ0 .
Cependant, en réalité la variation de pression avec la densité dans une onde sonore se fait
de façon adiabatique. On a alors P = cste ργ , et avec la loi des gaz parfait la vitesse est
donnée par c2s = γkT /m où m est la masse d’une molécule de gaz.
3.6.2 Exercice : formule de d’Alembert

Exercice 3.6.1 Considérons l’équation des ondes
∂ 2u 2
2∂ u
− c =0 (3.6.4)
∂t2 ∂x2
Soit u solution de l’équation des ondes avec une vitesse c constante et R comme do-
maine spatial. On introduit la fonction ψ(x, t) vérifiant
∂u ∂u
ψ(x, t) = −c
∂t ∂x
Montrez alors que u est solution d’une équation de transport du 1er degré, de vitesse
convective −c, avec second membre :
∂u ∂u
−c = ψ0 (x − ct)
∂t ∂x
Il est possible de montrer que la solution u de cette équation de transport peut être
exprimée comme la superposition de deux ondes, l’une ayant une vitesse +c et l’autre une
vitesse −c
u(x, t) = F (x + ct) + G(x − ct) (3.6.5)
où F et G sont des fonctions de classe C 2 .
3.6. ÉQUATION DES ONDES 49
Nous résolvons ici l’équation des ondes (3.6.4) définie sur R × R+ . Il n’y a pas de
condition au bord puisqu’il n’y a pas de bord. Par contre, il faut tenir compte des conditions
initiales. La solution u s’exprime explicitement en fonction de ces conditions par la formule
de d’Alembert que l’on va démontrer. Les conditions initiales sont :
u(x, t = 0) = f (x)
∂u
(x, t = 0) = g(x)
∂t
Exprimez F ′ et G′ en fonction de f ′ et g, puis en déduire la formule de d’Alembert
1 x+ct
Z
1
u(x, t) = [f (x + ct) + f (x − ct)] + g(y) dy (3.6.6)
2 2c x−ct
3.6.3 Exercice : ondes sphériques

∂ 2u
Une onde sphérique est une solution de − c2 ∆ u qui ne dépend que de r et de t,
∂t2
avec r2 = x2 + y 2 + z 2 .
1. Montrer que si ϕ est une fonction (x, y, z) qui ne dépend que de r, alors ∆ ϕ =
d2 ϕ 2 dϕ
+ . En déduire l’équation vérifiée par une onde sphérique u.
dr2 r dr
2. En posant v(r, t) = ru(r, t), montrer qu’une onde sphérique u s’écrit sous la forme :
1
u(r, t) = [F (r + ct) + G(r − ct)]
r
3. Supposons que c > 0. L’onde progressive peut-elle être déduite comme en 1D de sa
valeur au temps t = 0 ? A-t-on, le long du rayon, le même phénomène qu’en 1D de
transport de l’onde progressive ?
4. Soit S(0, r) la sphère de centre 0 et de rayon r. Calculer le flux au travers de la surface
de S de l’onde progressive. En déduire le comportement de l’onde progressive lorsque
r tend vers 0.
3.6.4 Exercice : énergie et unicité

∂u ∂u
Soit u la solution de − c2 = 0 sur l’intervalle I = [a, b] de R. On appelle énergie
∂t ∂x
de u à l’instant t la quantité :
Z
1 ∂u ∂u
E(t) = [( )2 + c2 ( )2 ] dx
2 I ∂t ∂x
1. Montrez que
dE ∂u ∂u ∂u ∂u
= c2 [ (b, t) (b, t) − (a, t) (a, t)]
dt ∂x ∂t ∂x ∂t
2. En déduire l’unicité de l’équation des ondes sur I avec les conditions (CI) u(x, 0) =
∂u
f (x) et (x, 0) = g(x) pour x ∈ [a, b] et les conditions (F) u(a, t) = α(t) et
∂t
u(b, t) = β(t), ∀t ≥ 0. Pour cela on considérera deux solutions du problème, u1 et
u2 , et l’on évaluera l’énergie de u1 − u2 .
3.7 Résolution par séparation des variables

Une des propriétés essentielles des EDP du second ordre que nous avons vues dans
ce cours est que leurs solutions peuvent s’exprimer comme le produit de fonctions ne
dépendant que d’une seule variable d’espace ou de temps. Cette propriété est appelée
séparation des variables, et permet une résolution analytique dans certaines situations.
Nous allons appliquer la méthode de séparation des variables à la résolution de l’équation
de la chaleur et de l’équation des ondes, d’abord en exposant la démarche générale, puis
en menant les calculs à bien sur un cas particulier. En fin de section, nous résoudrons
l’équation de Laplace sur un disque unité.
Équation de la chaleur
Nous cherchons u, solution de

∂u
= ∆ u,
∂t
sous la forme du produit
u(X, t) = f (X)τ (t)
où X désigne l’ensemble des variables spatiales. En reportant cette décomposition dans
l’équation, on obtient
τ ′ (t)f (X) = τ (t) ∆ f (X),
soit
τ′ ∆f
=
τ f
Dans cette égalité, le membre de gauche ne dépend que du temps, celui de droite que
des variables d’espace. Ils sont donc constants. De plus, le fait que τ ′ /τ soit constant,
implique une dépendance exponentielle de u par rapport au temps. Pour que u ait un
sens physique, u doit rester borner et tendre vers une valeur d’équilibre lorsque t → +∞.
Ainsi la puissance de l’exponentielle, i.e. la constante, doit être négative. Il existe donc ω
tel que
τ ′ = −ω 2 τ (3.7.1)
∆ f = −ω 2 f (3.7.2)
L’équation (3.7.1) a comme solution

2t
τ (t) = Ce−ω (3.7.3)
avec C une certaine constante. L’équation (3.7.2) est l’équation aux valeurs propres du
laplacien. Ainsi, −ω 2 est valeur propre de l’opérateur laplacien.
L’équation de la chaleur étant linéaire, nous pouvons écrire la solution u comme com-
binaison linéaire des solutions particulières :
2t
X
u(X, t) = Cω fω (X)e−ω (3.7.4)
ω
3.7. RÉSOLUTION PAR SÉPARATION DES VARIABLES 51
dans le cas où les

P valeurs propres du laplacien sont discrètes. Si elles sont continues, l’opé-
rateur somme doit être remplacé par une intégrale.
Équation des ondes
De manière analogue à ce qui a été fait précédemment, nous cherchons u, solution de
∂ 2u
= c2 ∆ u,
∂t2
sous la forme du produit u(X, t) = f (X)τ (t). On a alors :
τ ′′ (t)f (X) = c2 τ (t) ∆ f (X),
soit
τ ′′ ∆f
= c2
τ f
Nous concluons ainsi à l’existence d’une constante −c2 ω 2 telle que
τ ′′ = −c2 ω 2 τ (3.7.5)
∆ f = −ω 2 f (3.7.6)
Comme précédemment, l’équation (3.7.6) est l’équation aux valeurs propres du lapla-
cien. De plus, l’équation (3.7.5) a comme solution
τ (t) = A cos cωt + B sin cωt (3.7.7)
avec A et B des constantes d’intégration.√Remarquons que l’on peut réécrire τ sous une
autre forme. En effet, en factorisant par A2 + B 2 nous avons
 
√  A B 
τ (t) = A2 + B 2  √ cos cωt + √ sin cωt
 
 A2 + B 2 A2 + B 2 
| {z } | {z }
C1 C2
Remarquons que C12 + C22 = 1. Il existe donc un angle ϕ (la phase) tel que C1 = sin ϕ et
C2 = cos ϕ. Ainsi,
τ (t) = C sin(cωt + ϕ) (3.7.8)
L’équation des ondes étant linéaire, nous pouvons écrire la solution u sous la forme :
X
u(X, t) = Cω fω (X) sin(cωt + ϕω ) (3.7.9)
ω
dans le cas où les P

valeurs propres du laplacien sont discrètes. Si elles sont continues,
l’opérateur somme doit être remplacé par une intégrale.
3.7.1 Nécessité des séries de Fourier

Plaçons nous dans une situation particulière : un cas à une dimension spatiale, sur
un domaine borné de longueur L : Ω = [0, L]. Nous cherchons à résoudre sur ce domaine
l’équation de la chaleur avec les conditions suivantes :
u(x, t = 0) = u0 (x) (3.7.10)

u(x = 0, t) = u(x = L, t) = 0 (3.7.11)
L’équation aux valeurs propre du laplacien (3.7.2) s’écrit f ′′ (x) = −ω 2 f (x), si bien
que
f (x) = A cos ωx + B sin ωx
Afin d’obtenir une solution u vérifiant les conditions aux bords données par (3.7.11),
on doit nécessairement avoir A = 0 et ω = nπL
où n est un entier. Ainsi, le fait de prendre
un domaine borné à quantifié le spectre de l’opérateur laplacien. La solution u s’écrit :
+∞
X nπ nπ 2
u(x, t) = Cn sin( x)e−( L ) t (3.7.12)
n=1
L
Enfin, les coefficients Cn doivent permettre de vérifier la condition à t = 0, à savoir

+∞
X nπ
u(x, t = 0) = Cn sin( x) = u0 (x) (3.7.13)
n=1
L
Ceci signifie que les Cn sont les coefficients du développement de u0 en une série de sinus,
qui est en quelque sorte “la moitié” de la série de Fourier de u0 .
Remarquons l’effet “régularisant” du laplacien. La forme générale de la solution (3.7.4),

et a fortiori (3.7.12) montrent que les hautes fréquences (ω élevé) vont rapidement dispa-
raître, du fait du terme d’amortissement exponentiel.
3.7.2 Séries de Fourier

Considérons une fonction f définie sur l’intervalle [−π, +π]. Les N premiers termes de
son développement en série de Fourier s’écrivent :
N
X N
X
SN (f ) = a0 + an cos nx + bn sin nx (3.7.14)
n=1 n=1
et l’on espère SN (f ) → f lorsque N → +∞. La limite S(f ) = limN →+∞ SN (f ) représente

le développement de f en série de Fourier.
Quelques remarques s’imposent :
• Le développement effectué est 2π-périodique. La fonction f est donc prolongée (re-
copiée) de part et d’autre de l’intervalle [−π, +π] comme indiqué sur la figure 3.7.1.
• f peut ne pas prendre deux valeurs identiques aux deux extrémités de l’intervalle.
Exemple : f (x) = x. Les points de discontinuité de f donnent lieu au phénomène
Figure 3.7.1 – Séries de Fourier
de Gibbs montré sur la Figure 3.7.2 : les sommes partielles SN (f ) présentent des
oscillations autour de ces points. Ces oscillations sont localisées dans une zone qui
diminue lorsque N augmente. Lorsque N → +∞, la série de Fourier converge vers
la moyenne des valeurs de f à gauche et à droite du point de discontinuité.
• Plus généralement, la question de la convergence de la série de Fourier, et du sens
à donner à cette convergence est complexe : elle peut être ponctuelle, uniforme, ou
en norme. Par exemple, la convergence en ce que l’on appelle la norme L2 , s’écrit :
Z +π
lim |f (x) − SN (f )(x)|2 dx = 0
N →+∞ −π
Figure 3.7.2 – Phénomène de Gibbs. Source : Wolfram.
La détermination des coefficients a0 , an et bn de la série de Fourier (3.7.14) se fait

comme suit. Rappelons d’abord que l’intégrale de cos et sin sur [−π, +π] est nulle. Ainsi,
en intégrant les deux membres de (3.7.14), on obtient l’expression de a0 comme étant la
moyenne de f sur [−π, +π] :
Z +π
1
a0 = f (x) dx
2π −π
De plus, en multipliant (3.7.14) par cos mx, m un entier positif, en intégrant, et en
remarquant que cos mx sin nx est impaire et que cos mx cos nx = 12 [cos(n − m) + cos(n +
m)], on obtient
Z +π Z +π
f (x) cos mx dx = am cos2 mx dx,
−π −π
d’où Z +π
1
an = f (x) cos nx dx (3.7.15)
π −π
De même, en multipliant cette fois (3.7.14) par un sinus,
1 +π
Z
bn = f (x) sin nx dx (3.7.16)
π −π
Voici deux exemples :

1. f (x) = x. Cette fonction étant impaire, a0 = 0 et an = 0. Par application de la
formule ci-dessus,
+∞
X 2(−1)n+1
S(f )(x) = sin nx
n=1
n
Remarquons que la convergence de cette série alternée est lente. Ceci est caractéris-
tique d’une fonction présentant une discontinuité.
2. Pour f (x) = π 2 − x2 , on obtient
+∞
2 X 4(−1)n+1
S(f )(x) = π 2 + 2
cos nx
3 n=1
n
La convergence en 1/n2 de cette série est caractéristique d’une fonction continue

non dérivable en certains points.
Enfin, le développement en série de Fourier (3.7.14) peut se réécrire comme suit. Tout
d’abord, en remplaçant les cosinus et sinus par leur expression en fonction d’exponentielles
complexes, on a
+∞ +∞
X einx + e−inx X einx − e−inx
S(f )(x) = a0 + an + bn ,
n=1
2 n=1
2i
soit, en regroupant les termes :

+∞ +∞
X an − ibn X an + ibn
S(f )(x) = a0 + einx
+ e−inx
n=1
2 n=1
2
En ré-indexant la dernière somme, remplaçant n, n ≥ 1 par −n, n ≤ −1 :

+∞ −∞
X an − ibn inx
X a−n + ib−n inx
S(f )(x) = a0 + e + e
n=1
2 n=−1
2
Enfin posons, pour n positif, cn = an −ibn

2
, cn = a−n +ib−n
2
pour n négatif, et c0 = a0 . Il
vient :
+∞
X
S(f )(x) = cn einx (3.7.17)
n=−∞
avec Z π
1
cn = f (x)e−inx dx (3.7.18)
2π −π
Remarquons que les expressions ci-dessus sont valables que f soit réelle ou complexe. De
plus, il est possible de voir l’application

Z +π
(f, g) 7→ f (x)g(x) dx
−π
comme le produit scalaire entre deux fonctions f et g, g étant le conjugué de g. Avec un

tel produit scalaire, les fonctions einx , n ∈ Z forment une famille de fonctions orthogonales
deux à deux sur [−π, +π] :
Z +π Z +π
(e inx imx
,e )= e inx −imx
e dx = (cos((n − m)x) + i sin((n − m)x)) dx = 0 si n ̸= m
−π −π
√
La norme associée au produit scalaire de einx est donc de 2π. En effet :
Z +π
inx 2 inx inx
∥e ∥ = (e , e ) = dx = 2π
−π
Ainsi, S(f ) donnée par (3.7.17) s’interprète comme la projection de la fonction f

dans l’espace des fonctions engendrées par les einx . Pour illustrer ceci, revenons au plan
R2 et à deux vecteurs a et b, orthogonaux ((a, b) = 0) mais non normés. Soit c un
troisième vecteur qui s’écrit : c = αa + βb. On a alors : α = (c, a)/(a, a) = (c, a)/∥a∥2
et β = (c, b)/∥b∥2 . La projection de c sur a, définie comme le vecteur engendré par a le
plus proche de c, s’écrit ainsi Πc = a (c,a)
∥a∥2
.
Par “analogie”, la projection d’une fonction f sur l’ensemble engendré par les {einx }n∈Z
s’écrit : X 1
Πf (x) = inx 2
(f, einx )einx = S(f )(x)
n∈Z
∥e ∥
avec cn = 1
∥einx ∥2
(f, einx ) qui correspond bien au coefficient donné par (3.7.18).
Il se trouve que les fonctions einx forment une base de l’espace L2 ([−π, +π]) qui contient
l’ensemble des fonctions de carré intégrable :
Z +π
2
L ([−π, +π]) = {h : [−π, +π] → C ; hh dx < +∞}
−π
Ceci signifie que si f appartient à cet espace, SN (f ) converge vers f en norme L2 (ce qui
n’équivaut pas à une convergence ponctuelle) :
Z +π
(f − SN (f ))(f − SN (f )) dx → 0
−π
3.7.3 Résolution de l’équation de la chaleur 1D

Revenons sur notre exemple de la sous-section 3.7.1. Nous avions trouvé sur [0, 1]
+∞ +∞
2 π2 t
X X
u(x, t) = Cn sin(nπx)e−n , avec Cn sin(nπx) = u0 (x)
n=1 n=1
Figure 3.7.3 – Équation de la chaleur 1D : u0
Choisissons comme condition initiale :
u0 (x) = x(1 − x) sur [0, 1]
Afin de nous mettre dans le cadre théorique développé à la section précédente, et

d’obtenir un développement en sinus, nous prolongeons u0 sur l’intervalle [−1, +1] comme
indiqué sur la figure 3.7.3. La fonction prolongée est impaire, donc a0 = an = 0. Dans la
définition du coefficient bn donnée par (3.7.16), le sinus de plus basse fréquence accomplit
une période sur l’intervalle d’intégration. En conséquence, sin nx doit être remplacé ici
par sinRnπx. Plus généralement, si f est T -périodique, le coefficient bn est donné par
bn = T2 T f (x) sin( 2π
T
nx) dx. Ici :
1
si
Z
x(1 + x) x<0 4
bn = sin(nπx) dx = 3 3 (1 + (−1)n+1 )
−1 x(1 − x) si x>0 π n
Ainsi, la solution à l’équation de la chaleur de condition initiale u0 = x(1 − x), sur le

domaine [0, 1], s’écrit :
+∞
X 4 2 π2 t
u(x, t) = (1 + (−1)n+1 ) sin(nπx)e−n
n=1
π 3 n3
3.7.4 Résolution de l’équation des ondes 1D

Rappelons la forme générale (3.7.9) trouvée pour l’équation des ondes, en l’écrivant
ici dans un contexte 1D :
X
u(x, t) = fω (x)(Aω cos cωt + Bω sin cωt)
ω
où f est fonction propre de l’opérateur laplacien, i.e. en 1D, f ′′ = −ω 2 f , d’où comme

pour l’équation de la chaleur,
f (x) = A cos ωx + B sin ωx

Les conditions aux bords,

u(0, t) = u(1, t) = 0
imposent de prendre A = 0 et ω = nπ. D’où,
+∞
X
u(x, t) = sin(nπx)(An cos cnπt + Bn sin cnπt)
n=1
Nous avons pour chaque n deux constantes à déterminer, An et Bn , afin de satisfaire les
conditions initiales. Ainsi,
+∞
X
u(x, 0) = An sin(nπx) = u0 (x)
n=1
est la première condition à satisfaire, sur la valeur de u à t = 0. La deuxième condition

porte sur la dérivée en temps de u à t = 0, autrement dit sur l’imposition de la vitesse
initiale v0 :
+∞
∂u X
(x, 0) = cπBn sin(nπx) = v0 (x)
∂t n=1
Nous choisissons ici
u0 (x) = x(1 − x) et v0 (x) = x2 (1 − x)2
En procédant de même que pour l’équation de la chaleur, An = 4

π 3 n3
(1 + (−1)n+1 ) et
1
si

x2 (1 + x)2
Z
1 x<0 2
Bn = sin(nπx) dx = 5 6 [2(n2 π 2 −12)(cosnπ−1)−12nπsinnπ]
cπ −1 x2 (1 − x)2 si x>0 cn π
3.7.5 Équation de Laplace sur un disque

Nous considérons ici la résolution de l’équation de Laplace sur le disque unité. Nous
exprimons d’abord le laplacien en coordonnées polaires (r, θ), et cherchons donc u vérifiant
1 1
∆ u = 0 ⇔ urr + ur + 2 uθθ = 0
r r
ainsi que la condition au bord
u(r = 1, θ) = cos 2θ
La méthode de séparation des variables consiste à poser u(r, θ) = R(r)Θ(θ), avec
1 1
(R′′ + R′ )Θ + 2 RΘ′′ = 0
r r
En multipliant cette expression par r2 /RΘ, nous concluons à l’existence d’une constante
n2 telle que
r2 R′′ + rR′ Θ′′
=− = n2
R Θ
La constante est choisie positive car Θ doit être périodique pour vérifier la condition
au bord, et est donc une fonction trigonométrique et non une exponentielle :
Θ(θ) = A cos nθ + B sin nθ,
et n doit être un entier pour garantir la périodicité.

L’équation de la partie radiale s’écrit :
r2 R′′ + rR′ − n2 R = 0
Il s’agit une EDO linéaire à coefficients non constants. Cette équation possède deux solu-
tions du type rn et r−n . La fonction u devant rester bornée en r = 0, la deuxième solution
est rejetée. Ainsi, les solutions à l’équation de Laplace sur le disque unité et une condition
au bord périodique sont de la forme :
+∞
X
u(r, θ) = (An cos nθ + Bn sin nθ)rn
n=0
La solution satisfaisant la condition au bord choisie, u(r = 1, θ) = cos 2θ est donc
u(r, θ) = r2 cos 2θ
ou encore, en coordonnées cartésiennes,
u(x, y) = x2 − y 2
puisque cos 2θ = cos2 θ − sin2 θ.
3.7.6 Équation de la chaleur sur un rectangle

Exercice 3.7.1 Montrez que les fonctions propres du laplacien sur un rectangle H × L,
avec des conditions homogènes aux bords, sont de la forme
nπ mπ
um,n (x, y) = sin x sin y
L H
n, m ∈ N, avec des valeurs propres
n2 m2

2
λm,n = −π +
L2 H 2
Application : résolution de l’équation de la chaleur sur un rectangle avec des condi-

tions au bord homogènes. La forme générale est toujours
2
X
u(X, t) = Cω fω (X)e−ω t
ω
avec fω fonction propre de l’opérateur Laplacien associée à la valeur propre −ω 2 :
∆ fω = −ω 2 fω
Sur un rectangle L × H, les valeurs propres sont discrètes et identifiées par deux entiers
m et n : 2
m2

2 2 n
−ωm,n = −π + ,
L2 H 2
tandis que les fonctions propres sont de la forme
nπx mπy
fm,n (x, y) = Cm,n sin sin
L H
avec Cm,n une constante arbitraire.
La solution de l’équation de la chaleur s’écrit donc

nπx mπy −π2 Ln22 + m 2

2 t
X
u(x, y, t) = Cm,n sin sin e H
+
L H
m,n∈N
Les coefficients Cm,n sont déterminés par la donnée de la condition initiale

u(x, y, 0) = u0 (x, y)
soit, X nπx mπy
u0 (x, y) = Cm,n sin sin
L H
m,n∈N+
ce qui représente le développement de u0 sur la base de fonctions de type sin nπx

L
sin mπy
H
,
pour m, n ∈ N.
Remarquons que R nous avons déjà introduit un produit scalaire entre deux fonctions f
et g, par (f, g) = Ω f g (il faut que le produit f g soit intégrable sur Ω). Avec ce produit
scalaire, les fonctions de base sont orthogonales deux-à-deux sur le rectangle. En effet,
soient deux paires d’entiers (m1 , n1 ) et (m2 , n2 ), alors
Z LZ H
n1 πx m1 πy n2 πx m2 πy
sin sin sin sin dy dx = 0 si (m1 , n1 ) ̸= (m2 , n2 )
0 0 L H L H
De plus, le carré de la Rnorme d’une fonction f induite par le produit scalaire précédent
vaut : ∥f ∥2 = (f, f ) = Ω f 2 . Pour les fonctions de base, nous avons :
Z LZ H
nπx mπy 2 HL
sin sin dy dx =
0 0 L H 4
Ces fonctions ne sont pas unitaires. Afin d’avoir une base orthonormée, nous normons
les fonctions de base, et pouvons écrire :
r
X 4 nπx mπy
u0 (x, y) = Cm,n sin sin
+
HL L H
m,n∈N
Pour un couple (m, n) donné,q on effectue le produit scalaire entre l’expression précé-
dente est la fonction de base HL 4
sin nπx
L
sin mπy
H
. Par orthonormalités des fonctions de
base, r
Z LZ H
4 nπx mπy
u0 (x, y) sin sin dy dx = Cm,n ,
0 0 HL L H
permettant ainsi de “calculer” les coefficients Cm,n .
Chapitre 4
Fondements mathématiques des

éléments finis
4.1 Problèmes modèles pour la diffusion

Nous considérons le problème 1D du second ordre suivant : étant donnée une fonction
réelle f ∈ C 0 (]0, 1[), trouver la fonction u ∈ C 2 (]0, 1[) ∩ C 0 ([0, 1]) satisfaisant
−u′′ (x) = f (x) pour 0 < x < 1

u(0) = 0 ; u(1) = 0 (D)
Une fonction u suffisamment régulière satisfaisant (D) est appelée solution forte du
problème, ou encore solution classique lorsque f est continue.
Problème 1. Nous considérons le cas f ≡ 1. Physiquement, u pourrait être la tempé-

rature dans un fil conducteur dont les deux extrémités seraient maintenues à température
constante et qui serait soumis à une source de chaleur homogène, due par exemple à un
courant électrique. La solution classique de (D) existe, est unique, et est donnée par
x
u(x) = (1 − x)
2
Nous introduisons par la suite les notions et définitions “élémentaires” permettant de
donner un sens mathématique à l’équation (D).
4.1.1 Domaine (de définition)

Un domaine est un ensemble ouvert et borné, par exemple Ω =]0, 1[, sur lequel l’équa-
tion différentielle est définie. L’adhérence du domaine, notée Ω, inclut le domaine et tous
les points du bord du domaine. Par exemple, Ω = [0, 1].
4.1.2 Espace des fonctions C k (Ω)

Soit un domaine Ω. On note :
• C 0 (Ω) l’ensemble des fonctions réelles continues sur Ω.
61
62 CHAPITRE 4. FONDEMENTS MATHÉMATIQUES DES ÉLÉMENTS FINIS
• C k (Ω) l’ensemble des fonctions réelles k fois dérivables, dont les dérivées à l’ordre k
sont continues sur Ω.
• C 0 (Ω) l’ensemble des fonctions de C 0 (Ω) qui peuvent être prolongées par continuité
sur Ω.
Ces espaces sont tous des espaces vectoriels. Nous ne considérerons que le cas où ils
sont bâtis sur le corps des réels.
4.1.3 Espaces vectoriels normés

Les espaces de fonctions (appelés aussi espaces fonctionnels) tels que ceux introduits
ci-dessus doivent être équipés d’un outil de mesure des “distances”, afin par exemple de
quantifier la différence entre deux fonctions. Cet outil est une application réelle définie sur
cet espace et appelée norme. Une norme est définie axiomatiquement de la façon suivante.
Soit V un espace vectoriel normé. Une norme sur cet espace est une application ∥ · ∥ :
V → R satisfaisant les trois axiomes suivant :
1. ∥u∥ = 0 ⇔ u = 0,
2. ∥αu∥ = |α|∥u∥, ∀α ∈ R, ∀u ∈ V ,
3. ∥u + v∥ ≤ ∥u∥ + ∥v∥, ∀u, v ∈ V (inégalité triangulaire).
Remarquons que ces trois axiomes impliquent que, ∀u ∈ V , ∥u∥ ≥ 0. En effet :
0 = ∥u + (−u)∥ ≤ ∥u∥ + ∥ − u∥ = ∥u∥ + | − 1|∥u∥ = 2∥u∥
Cette positivité est parfois ajoutée comme axiome 0.

Notons aussi que si le second axiome est remplacé par la condition plus faible u =
0 ⇒ ∥u∥ = 0, ∥ · ∥ n’est plus une norme mais une semi-norme. Enfin, un espace vec-
toriel normé qui de plus est complet (pour la norme introduite), est appelé espace de
Bananch. Nous définirons à la section 4.2.2 la propriété de complétude.
À titre d’exemple, lorsque

V = R2 , et en identifiant tout élément u ∈ V à ses coor-
ux
données cartésiennes, u = , des normes valides (et fréquemment utilisées) sont :
uy
• ∥u∥1 = |ux | + |uy | (norme ℓ1 ),
• ∥u∥2 = (u2x + u2y )1/2 (norme ℓ2 ),
• ∥u∥∞ = max(|ux |, |uy |) (norme ℓ∞ ).
Prenons maintenant V = C 0 (Ω) qui, contrairement au cas précédent, est de dimension

infinie. Un exemple de norme est :
• ∥u∥∞ = max |u(x)| (norme L∞ ).
x∈Ω
Problème 2. Reprenons l’équation (D), mais en considérant un second membre f

possédant moins de régularité : f = 1 sur ]0, 1/2[ et f = 0 sur ]1/2, 1[. f est donc
discontinue en x = 1/2. De la sorte, la solution u pourrait être la flexion d’une poutre
élastique encastrée à ses deux extrémités (déplacement nul) et soumise à un chargement
4.1. PROBLÈMES MODÈLES POUR LA DIFFUSION 63
discontinu. La résolution de l’équation (D) se fait sans difficulté : sur l’intervalle ]0, 1/2[,
la condition u(0) = 0 implique une solution de la forme − 12 x2 + b1 x à l’équation −u′′ = 1,
tandis que sur l’intervalle ]1/2, 1[, la solution à l‘’équation u′′ = 0 vérifiant u(1) = 0 est de
la forme b2 (x − 1). La continuité de la dérivée u′ en x = 1/2 s’exprime par − 21 + b1 = b2 ,
tandis que la dérivée de u en ce même point entraîne − 41 + b1 = −b2 . En définitive, la
solution u s’écrit 
1 2 3 1
 − 2 x + 8 x pour 0 ≤ x < 2



u(x) =
 1 1 1 1
pour

 − x+
 ≤x≤
8 8 2 2
Nous verrons par la suite que l’espace fonctionnel approprié pour étudier u est l’espace
des fonctions de carré intégrable.
4.1.4 Fonctions de carré intégrable

L’espace des fonctions de carré intégrable sur Ω, noté L2 (Ω), est défini par :
Z
2
L (Ω) = {u : Ω → R ; u2 (x) dx < +∞} (4.1.1)
Ω
Des fonctions qui ne sont pas continue sur [0, 1] peuvent cependant être de carré
intégrable comme le montrent les exemples ci-après. Considérons :
• u(x) = x−1/4 , Z 1 Z 1
2
u (x) dx = x−1/2 dx = 2 < +∞,
0 0
et u ∈ L (]0, 1[),
2
• u(x) = 0 si 0 ≤ x < 1/2 et u(x) = 1 sinon,

Z 1 Z 1
2 1
u (x) dx = 1 dx = < +∞,
0 1/2 2
donc u ∈ L2 (]0, 1[).
L2 (Ω) est un espace de Banach pour la norme suivante dite norme L2 :

Z 1/2
∥u∥ = u 2
(4.1.2)
Ω
En fait, l’espace L2 (Ω) est plus riche qu’un espace normé puisqu’on peut également le
munir d’un produit scalaire.
4.1.5 Espace de Hilbert

Soit V un espace vectoriel. Un produit scalaire sur V est une forme bilinéaire sy-
métrique définie positive. Autrement dit, il s’agit d’une application (·, ·) : V × V → R
vérifiant les quatre axiomes suivants :
1. (u, v) = (v, u), ∀u, v ∈ V (symétrie),

2. (u, u) ≥ 0, ∀u ∈ V (positivité),
3. (u, u) = 0 ⇔ u = 0 (définie),
4. (αu + βv, w) = α(u, w) + β(v, w), ∀α, β ∈ R, ∀u, v, w ∈ V (linéarité).
Ainsi, si V = R2 , le produit scalaire usuel est défini par
(u, v) = ux vx + uy vy = u · v
L’espace L2 (Ω), de dimension infinie, peut être doté d’un produit scalaire. Le produit
scalaire usuellement utilisé est Z
(u, v) = uv (4.1.3)
Ω
Tout produit scalaire (·, ·) définit une norme induite par : ∥u∥ = (u, u)1/2 . Ainsi, la
norme L2 définie par (4.1.2) est la norme induite par le produit scalaire (4.1.3). Enfin, un
espace vectoriel muni d’un produit scalaire, complet pour la norme induite par ce produit
scalaire, est appelé espace de Hilbert (en d’autres mots, c’est un espace de Banach dont
la norme dérive d’un produit scalaire). L’espace L2 (Ω) est un espace de Hilbert avec le
produit scalaire (4.1.3).
4.1.6 Inégalité de Cauchy-Schwartz

Soient (·, ·) un produit scalaire, et ∥·∥ sa norme induite. L’inégalité de Cauchy Schwartz
stipule que
|(u, v)| ≤ ∥u∥∥v∥, ∀u, v ∈ V (C-S)
Preuve : il nous faut montrer |(u, v)| ≤ (u, u) (v, v).

p p
• Soit λ ∈ R, évaluons (u + λv, u + λv) :
0 ≤ (u + λv, u + λv) = λ2 (v, v) + 2λ(u, v) + (u, u) ≡ P (λ)
• P (λ) est un polynôme de second degré en λ, qui est positif ou nul. Lorsque λ → +∞,
P (λ) est du signe de (v, v), i.e. positif. Le discriminant (réduit) doit donc être négatif
ou nul :
∆′ = (u, v)2 − (v, v)(u, u) ≤ 0
• Donc (u, v)2 ≤ (u, u)(v, v). Chaque terme de cette expression est positif. On peut
donc en prendre la racine carrée (fonction croissante) et en déduire le résultat.
Exemples :
• Lorsque V = R2 ,
u · v ≤ |u · v| ≤ (u2x + u2y )1/2 (vx2 + vy2 )1/2
• Lorsque V = L2 (Ω),
Z Z Z 1/2 Z 1/2
2 2
uv ≤ uv ≤ u v
Ω Ω Ω Ω
Nous pouvons à présent retourner à l’étude du problème 1.2, et traiter cette question :
où chercher la solution généralisée u lorsque la fonction f est de carré intégrable mais pas
continue ? La réponse sera : dans un espace de Sobolev.
4.1.7 Espaces de Sobolev

Pour un entier positif k, l’espace de Sobolev H k (]0, 1[) est l’ensemble des fonctions
u :]0, 1[→ R ayant toutes leurs dérivées (faibles), jusqu’à et incluant l’ordre k, de carré
intégrable :
Z 1 Z 1 Z 1
k
u ∈ H (]0, 1[) ⇔ 2
u < +∞, ′ 2
(u ) < +∞, · · · , (u(k) )2 < +∞ (4.1.4)
0 0 0
L’espace H k (]0, 1[) est un espace de Hilbert avec le produit scalaire

Z 1 Z 1 Z 1
′ ′
(u, v)k = uv + u v + ··· + u(k) v (k)
0 0 0
et la norme induite
Z 1 Z 1 Z 1 1/2
2 ′ 2 (k) 2
∥u∥k = u + (u ) + · · · + (u )
0 0 0
Revenons au problème 1.2. L’espace des solutions approprié est en fait

 

 

H0 (]0, 1[) = u ∈ L2 (]0, 1[), u′ ∈ L2 (]0, 1[) ; u(0) = 0, u(1) = 0
1
|
 {z
1
} | {z } 

u∈H (]0,1[) cdts au bord dites essentielles
Deux points peuvent paraître surprenant :

• La définition de H01 , l’espace des solutions, ne fait pas intervenir les dérivées se-
condes !
• Les dérivées premières n’ont pas besoin d’être continues !
Afin de comprendre d’où vient l’espace H01 (]0, 1[), nous reformulons le problème ini-
tial (D) en un problème de minimisation. Plus spécifiquement, pour f ∈ L2 (]0, 1[), nous
cherchons la fonction minimisante u ∈ H01 (]0, 1[) satisfaisant
F (u) ≤ F (v), ∀v ∈ H01 (]0, 1[) (M)
où F : H01 (]0, 1[) → R est appelée fonctionnelle énergie et est définie par
Z 1 Z 1
1 ′ 2
F (v) = (v ) − fv
2 0 0
| {z } | {z }
A B
et H01 (]0, 1[) est l’espace de minimisation associé. Notons que les deux termes en jeu dans
l’expression de F sont finis :
Z 1
(A) v ∈ H01 (]0, 1[) ⇔ (v ′ )2 < +∞, et
0
Z 1 Z 1 1/2 Z 1 1/2
(B) fv ≤ f 2
v 2
en utilisant C-S. Or, f ∈ L2 (]0, 1[) et v ∈
0 0 0
H (]0, 1[) nous assurent que ce produit est fini.
1
Remarquons également que la définition de (M) et la structure de (B) suggèrent que

des chargements encore moins réguliers que L2 pourraient être utilisés. Par exemple,
f (x) = δ(x − 1/2), où δ(x) est le “delta” de Dirac, égal à zéro en tout point sauf à l’origine
où il vaut l’infini (une définition rigoureuse est donnée par la théorie des distributions).
Cette situation modéliserait une poutre élastique sujette à un chargement ponctuelle en
son milieu. Dans le cas 1D étudié ici, (M) serait encore bien défini. En effet, toute fonction
de
R 1 H (]0, 1[) est également continue sur ]0, 1[. Nous avons alors (au moins
1
formellement)
0
f v = v(1/2) < +∞. En dimension supérieure, une fonction de H (Ω) peut être dis-
1
continue. De faite, Ω f v n’a alors pas de sens pour v ∈ H 1 (Ω).

R
Pour en revenir au problème de minimisation (M), une solution u peut être calculée
en résolvant la “formulation variationnelle” suivante : étant donné f ∈ L2 (]0, 1[), trouver
u ∈ H01 (]0, 1[) telle que
Z 1 Z 1
′ ′
uv = f v, ∀v ∈ H01 (]0, 1[) (V)
0 0
Une solution à cette formulation (V) (ou, de manière équivalente, à (M)), est appelée
solution faible (du problème de diffusion). La relation entre (D), (M) et (V) est donnée
par les théorèmes qui suivent.
Théorème 4.1.1 (D) ⇒ (V), i.e. si u est solution de (D), alors u est solution de (V).
Preuve : soit u solution de (D). Puisque les fonctions continues sur un domaine
(borné par définition), sont de carré intégrable sur ce domaine, on a u ∈ L2 (]0, 1[) et
u′ ∈ L2 (]0, 1[). De plus, u(0) = u(1) = 0, donc u ∈ H01 (]0, 1[). De plus, multiplions (D)
par une fonction v ∈ H01 (]0, 1[) arbitraire, et intégrons le produit entre 0 et 1 :
Z 1 Z 1
′′
− u v= fv
0 0
Par intégration par parties, le terme de gauche devient

Z 1 Z 1
′′
− u v= u′ v ′ − [u′ v]10
0 0
avec
[u′ v]10 = u′ (1)v(1) − u′ (0)v(0) = 0
puisque v(0) = v(1) = 0 du fait que v ∈ H01 (]0, 1[). Il s’en suit que
Z 1 Z 1
′ ′
uv = f v, ∀v ∈ H01 (]0, 1[),
0 0
ce qui est le résultat annoncé.
Cette preuve nous montre comme construire la formulation variationnelle (ou formu-
lation faible) à partir de la formulation classique (ou forte). Nous utilisons maintenant les
propriétés du produit scalaire introduites à la section 4.1.5 pour montrer que (V) a une
unique solution.
Théorème 4.1.2 La solution du problème variationnel (V), si elle existe, est unique.
Preuve : notons V = H01 (]0, 1[), et désignons par v1 et v2 deux solutions de (V), avec
v1 , v2 ∈ V . Ainsi :
(u′1 , v ′ ) = (f, v), ∀v ∈ V,
(u′2 , v ′ ) = (f, v), ∀v ∈ V,
R1
où (a, b) = 0
ab. En soustrayant ces deux relations, nous avons
(u′1 , v ′ ) − (u′2 , v ′ ) = 0, ∀v ∈ V
La linéarité du produit scalaire permet d’écrire
(u′1 − u′2 , v ′ ) = 0, ∀v ∈ V,
soit, en posant w = u1 − u2 ,
(w′ , v ′ ) = 0, ∀v ∈ V (†)
Notre objectif est de montrer que w = 0 sur ]0, 1[ (et donc u1 = u2 ). Puisque V est un
espace vectoriel, w ∈ V . On peut donc prendre v = w dans l’équation (†), et en utilisant
le fait que le produit scalaire est une forme définie :
(w′ , w′ ) = 0 ⇒ w′ = 0 (††)
De cette relation, nous déduisons que w est constante. De plus, une fonction de H01 (]0, 1[)
est également continue, et s’annule en 0 et 1. Ainsi w = 0. □
Il y a un biais dans le raisonnement précédent : deux fonctions de carré intégrable,

identiques sur [0, 1] excepté en un nombre discret de points, sont équivalentes l’une à
l’autre. En particulier, on ne peut pas les distinguer au sens de la norme L2 (L2 est en
fait un espace quotient, les deux fonctions appartiennent à la même classe d’équivalence).
Ainsi, (††) ne signifie pas w′ (x) = 0 ∀x ∈]0, 1[, mais w′ = 0 “presque partout sur ]0, 1[”,
i.e. il peut y avoir un nombre discret de points pour lesquels w′ n’est pas nulle. De plus,
l’argument H01 (]0, 1[) ⊂ C 0 (]0, 1[) n’est valable qu’en 1D. Une preuve plus rigoureuse de
l’unicité s’appuie sur l’inégalité de Poincaré.
Inégalité de Poincaré : Si v ∈ H01 (]0, 1[, alors

Z 1 Z 1
2
v ≤ (v ′ )2 (P)
0 0
Avant de démontrer cette inégalité, reprenons la démonstration à partir de (††). Nous

avons : Z 1 Z 1
(P)
0≤ 2
w ≤ (w′ )2 = 0,
0 0
d’où l’on déduit que w = 0 presque partout dans ]0, 1[. Il y a donc unicité de la solution
de (V) au sens L2 . □
Preuve de l’inégalité (P) - Soit v ∈ H01 (]0, 1[), alors

Z x
v(x) = v(0) + v ′ (ξ) dξ
0
Puisque v(0) = 0,
Z x 2
2 ′
v (x) = v (ξ) dξ
0
Z x Z x
≤ 2
1 dξ ′ 2
(v ) dξ par (C-S)
0 0
Z 1 Z 1
≤ 2
1 dξ ′ 2
(v ) dξ car x ≤ 1
0 0
R1
Ainsi v 2 (x) ≤ 0
(v ′ )2 dξ. En intégrant entre 0 et 1 :
Z 1 Z 1 Z 1 Z 1 Z 1
2 ′ 2 ′ 2
v ≤ (v ) dξ dx = (v ) dx
0 0 0 0
| 0{z }
=1
D’où le résultat.
Notons que l’inégalité de Poincaré reste valable sur un domaine Ω de dimension supé-
rieure. Dans ce cas, il existe
R 2 une constante C(Ω), dépendant de la géométrie du domaine,
telle que, ∀v ∈ H0 (Ω), Ω v ≤ C(Ω) Ω (grad v)2 .
1
R
Théorème 4.1.3 (V) ⇔ (M), i.e. u solution de (V) est solution (M) et inversement.
Preuve :
i) (V) ⇒ (M). Soit u ∈ H01 (]0, 1[) solution de la formulation variationnelle (V), i.e.
(u′ , v ′ ) = (f, v), ∀v ∈ H01 (]0, 1[)
Pour un v ∈ H01 (]0, 1[), posons w = v − u ∈ H01 (]0, 1[). Nous avons :
F (v) = F (u + w)
1
= ((u + w)′ , (u + w)′ ) − (f, u + w)
2
1 ′ ′ 1
= (u , u ) + (w′ , w′ ) + (u′ , w′ ) − (f, w) −(f, u) (linéarité + sym.)
2 2 | {z }
=0
1
= F (u) + (w′ , w′ )
2
Ainsi, puisque le produit scalaire est une forme positive, F (v) ≥ F (u), donc u est
solution du problème de minimisation.
ii) (M) ⇒ (V). Soit u ∈ H01 (]0, 1[) solution de (M), à savoir
F (u) ≤ F (v), ∀v ∈ H01 (]0, 1[)
Nous nous ramenons à un problème de minimisation par rapport à un paramètre

réel de la façon suivante. Pour v ∈ H01 (]0, 1[) et ε ∈ R, nous avons u+εv ∈ H01 (]0, 1[),
de sorte que F (u) ≤ F (u + εv). Nous définissons g(ε) = F (u + εv). Cette fonction
atteint son minimum en ε = 0, et donc dg dε
(0) = 0. Nous avons
1
g(ε) = ((u + εv)′ , (u + εv)′ ) − (f, u + εv)
2
ε2 ′ ′ 1
= (v , v ) + ε((u′ , v ′ ) − (f, v)) + (u′ , u′ ) − (f, u),
2 2
dg
donc = ε(v ′ , v ′ ) + (u′ , v ′ ) − (f, v). La condition dg
dε
(0) = 0 équivaut à u solution
dε
du problème variationnel (V). □
En résumé, nous avons montré que (D) ⇒ (V) ⇔ (M). La réciproque, (D) ⇐ (V)
n’est pas vraie en toute généralité, à moins que la solution u ∈ H01 (]0, 1[) soit suffisamment
régulière pour appartenir également à C 2 (]0, 1[). Dans ce cas, (D) ⇔ (V). Ceci dépend de
la régularité de f et de la régularité de la frontière du domaine Ω. En ce sens, la formulation
faible (V) est une extension de la formulation forte (D) : elle lui est équivalente lorsque la
formulation forte est bien posée, et reste bien posée lorsque la formulation forte ne l’est
plus.
4.1.8 Dérivée faible

Pour finir cette section, nous revenons sur le problème (M) et la notion de dérivée
faible qui apparaît dans la définition des espaces de Sobolev, en particulier dans celle de
H01 (]0, 1[).
Une fonction u ∈ L2 (Ω) possède une dérivée faible ∂u définie par

Z Z
ϕ∂u = − ϕ′ u, ∀ϕ ∈ C0∞ (Ω) (D-F)
Ω Ω
où C0∞ (Ω) est l’ensemble des fonctions indéfiniment dérivables et s’annulant à l’extérieur
de Ω (y compris sur la frontière de Ω puisque Ω est ouvert).
Remarque 1. Si u est dérivable sur Ω, ∂u correspond à la dérivée usuelle u′ .
Remarque 2. Si ∂u ∈ L2 (Ω), alors u ∈ H 1 (Ω).
Exemple 1. Considérons la fonction u(x) = |x| définie sur Ω =] − 1, 1[. Par définition,
sa dérivée faible ∂u est définie par :

Z 1 Z 1
dϕ
ϕ∂u = − |x|
−1 −1 dx
Z 0 Z 1
dϕ dϕ
= x − x
−1 dx 0 dx
Z 0 Z 1
0
= − ϕ + [xϕ]−1 + ϕ − [xϕ]10
−1 | {z } 0 | {z }
=0 =0
Z 0 Z 1
= (−1)ϕ + (+1)ϕ
−1 0
Ainsi, la dérivée au sens faible de u(x) = |x| est la fonction “Heaviside” suivante :
−1 si −1 < x < 0

∂u =
+1 si 0 < x < +1
Notons que cette fonction n’est pas définie en x = 0. Elle est cependant dans L2 (] −
1, 1[), Z 1 Z 0 Z 1
2 2
(∂u) dx = (−1) dx + (+1)2 dx = 2 < +∞,
−1 −1 0
et u ∈ H 1 (] − 1, +1[).
Exemple 2. Notons g la dérivée précédemment trouvée à savoir g : [−1, 1] → R est

la fonction signe définie par g(x) = −1 si x < 0 et g(x) = +1 si x > 0. Que vaut ∂g ?
Pour toute fonction ϕ, indéfiniment dérivable et vérifiant ϕ(−1) = ϕ(1) = 0, on a
Z +1 Z 0 Z +1
dϕ dϕ dϕ
g(x) = (−1) + (+1)
−1 dx −1 dx 0 dx
= − [ϕ(x)]0−1 + [ϕ(x)]10
Z 1 Z 1
= −2ϕ(0) = − 2δϕ = − ϕ∂g (4.1.5)
−1 −1
Il apparaît ainsi que la dérivée faible (on dit aussi au sens des distributions) de la fonction
signe g est deux fois δ, δ étant le delta de Dirac :
∂g = −2δ
En réalité, δ n’est pas une fonction mais ce que l’on appelle une distribution : c’est un
objet qui agit linéairement sur une fonction, ici en l’occurrence, δ renvoie la valeur de
ϕ évaluée en x = 0. En ce sens, la notation intégrale (4.1.5), même si elle s’utilise, est
abusive. On note en général
< δ, v >= v(0)
où < ·, · > est appelé crochets de dualité.
δ n’est pas une fonction au sens usuel du terme, elle n’est donc pas dans L2 (] − 1, +1[),
et ainsi g ∈
/ H 1 (] − 1, +1[).
4.2. APPROXIMATION DE GALERKIN 71
4.2 Approximation de Galerkin

Les espaces fonctionnels introduits jusqu’à présent, en particulier H01 (]0, 1[), l’espace
dans lequel on cherche la solution de la formulation faible du problème de diffusion, sont
de dimensions infinies. Pour pouvoir faire un calcul effectif de la solution, nous allons
approcher H01 (]0, 1[) par un espace Vh de dimension finie k, avec Vh ⊂ H01 (]0, 1[). On
parle alors d’approximation conforme. De cette manière, on va chercher à approcher
la solution u par une fonction uh ∈ Vh .
Vh est choisi comme étant un sous-espace vectoriel de dimension k. Il est donc engendré
par k fonctions ϕi linéairement indépendantes qui forment un base de cet espace :
Vh =< ϕ1 , ϕ2 , · · · , ϕk > (4.2.1)
avec ϕi ∈ H01 (] − 1, +1[) et si pour k réels λi , j λj ϕj (x) = 0, ∀x ∈]0, 1[, alors λj = 0,
P
1 ≤ j ≤ k.
Ainsi, tout élément de Vh , en particulier uh , s’écrit de manière unique
k
X
uh (x) = uj ϕj (x), uj ∈ R (4.2.2)
j=1
L’approximation de Galerkin se calcule en restreignant le problème variationnel (V)

à Vh . Ceci engendre la formulation variationnelle discrète suivante : trouver uh ∈ Vh telle
que
(u′h , vh′ ) = (f, vh ), ∀vh ∈ Vh (Vh )
L’équation (Vh ) exprime encore une infinité de relations. Cependant, cette équation
est équivalente à
(u′h , ϕ′i ) = (f, ϕi ), ∀i = 1, · · · , k
qui constitue un jeu de k relations. En effet, d’une part la première équation implique tri-
vialement la seconde, d’autre part, le fait que les ϕi forment une base de Vh , et la linéarité
du problème en vh , entraînent l’implication réciproque. □
Utilisant la décomposition (4.2.2), nous avons

k
!
X
( uj ϕj )′ , ϕ′i = (f, ϕi ), i = 1, · · · , k
j=1
soit, par linéarité,

k
X
uj (ϕ′j , ϕ′i ) = (f, ϕi )
j=1
Ces k relations peuvent être réécrites sous forme matricielle comme

AU = F (Vh′ )
avec Aij = (ϕ′j , ϕ′i ), Ui = ui et Fi = (f, ϕi ), pout i, j = 1, · · · , k. L’équation (Vh′ ) est
appelé système de Galerkin,P A est la “matrice de raideur”, F le vecteur de chargement, U
le vecteur solution, et uh = j uj ϕj est la “solution de Galerkin”.
Théorème 4.2.1 La matrice de raideur est symétrique définie positive.
Preuve : la symétrie de A vient directement de celle du produit scalaire. Considérons

un vecteur X ∈ Rk , de composantes Xi . Alors :
k
X
T
X AX = Xj Aji Xi
i,j=1
k
X
= Xj (ϕ′j , ϕ′i )Xi
i,j=1
X X
= ( Xj ϕ′j , Xi ϕ′i ) (linéarité)
j i
= (wh′ , wh′ ) ≥0
Ainsi, A est positive et au moins semi-définie. De plus, si X T AX = 0, alors wh′ = 0.

Or, wh ∈ H01P (]0, 1[). Nous avons déjà vu, grâce à l’inégalité de Poincaré (P), qu’alors
wh = 0, i.e. j Xj ϕj = 0. Puisque les ϕj forment une base de Vh , on en déduit que
Xj = 0, j = 1, · · · , k, donc le vecteur X est nul. Ainsi X T AX = 0 ⇒ X = 0 et A est bien
définie. □
Le théorème (4.2.1) implique que la matrice A n’est pas singulière : la solu-

tion U (et donc uh ) existe et est unique. La force de la méthode de Galerkin réside
dans la propriété de “meilleure approximation” donnée par le théorème suivant.
Théorème 4.2.2 (meilleure approximation)

Si u est la solution de (V) et uh la solution de Galerkin, alors
∥u′ − u′h ∥ ≤ ∥u′ − vh′ ∥, ∀vh ∈ Vh (M-A)
où ∥ · ∥ désigne la norme L2 .
Preuve : les fonctions uh ∈ Vh et u ∈ V satisfont, par définition,
(u′h , vh′ ) = (f, vh ), ∀vh ∈ Vh
et
(u′ , v ′ ) = (f, v), ∀v ∈ V
Comme Vh ⊂ V , cette dernière relation donne en particulier
(u′ , vh′ ) = (f, vh ), ∀vh ∈ Vh
En soustrayant les deux égalités valables dans Vh , nous obtenons
(u′ , vh′ ) − (u′h , vh′ ) = 0, ∀vh ∈ Vh ,
soit
(u′ − u′h , vh′ ) = 0, ∀vh ∈ Vh (O-G)
Ceci signifie que l’erreur d’approximation commise, u − uk , est “orthogonale” au sous-

espace Vk . Cette propriété est connue comme l’orthogonalité de Galerkin. Pour établir
la propriété de meilleure approximation, nous développons le membre de gauche de (M-A)
et utilisons l’orthogonalité de Galerkin :
∥u′ − u′h ∥2 = (u′ − u′h , u′ − u′h )
= (u′ − u′h , u′ ) − (u′ − u′h , u′h )
| {z }
=0 par (O-G), uh ∈Vh
′
= (u − u′h , u′ ) − (u′ − u′h , vh′ )
| {z }
=0 par (O-G), vh ∈Vh
= (u − uh , u − vh′ )
′ ′ ′
≤ ∥u′ − u′h ∥∥u′ − vh′ ∥ par (C-S)

En supposant que ∥u′ − u′h ∥ > 0 (le cas ∥u′ − u′h ∥ est trivial), nous pouvons diviser la
relation précédente par ∥u′ − u′h ∥, et obtenir (O-G).
Remarquons que sur H01 (Ω), l’inégalité de Poincaré (P) implique que (v ′ , v ′ ) = Ω (v ′ )2
R
définit bien un produit scalaire. Ceci n’est pas vrai sur H 1 (Ω). Il s’en suit qu’une norme
naturelle pour calculer l’erreur d’approximation est
Z 1/2
′ ′ 1/2 ′ ′ 2
∥v∥E = (v , v ) = ∥v ∥ = (v )
Ω
Cette norme est appelée norme énergie. Encore une fois, sur H 1 (Ω), ∥ · ∥E n’est pas
une norme mais une semi-norme. Ceci signifie que pour v ∈ H 1 (Ω), ∥v∥E = 0 ̸⇒ v = 0,
mais seulement v est constant. Il faut que de plus v s’annule au bord du domaine (i.e.
v ∈ H01 (Ω)) pour que ∥v∥E = 0 ⇒ v = 0.
Nous rencontrons ici une difficulté technique. La propriété de meilleure approximation

n’entraîne en effet pas automatiquement la convergence de la méthode de Galerkin, i.e.
le fait que
∥u − uh ∥E → 0 lorsque k → +∞
Pour s’assurer de la convergence, nous devons introduire la notion d’espace complet, dont
nous avons reporté la définition lorsque nous avons introduit les espaces de Banach. La
notion clef pour cela est celle de suite de Cauchy.
4.2.1 Suite de Cauchy

Une suite (vn )n∈N d’éléments d’un espace vectoriel normé (V, ∥ · ∥V ), est dite suite de
Cauchy si pour tout ε > 0, il existe un entier positif N (ε) tel que
∥vm − vn ∥V < ε, ∀m, n > N (ε)
Remarques :
1. Toute suite convergente est de Cauchy : soit (un )n une suite convergente de limite
ℓ, alors
∥un − um ∥V = ∥un − ℓ + ℓ − um ∥V ≤ ∥un − ℓ∥V + ∥um − ℓ∥V → 0
2. La réciproque est fausse : soit (un )n la suite de nombres rationnels (i.e. un ∈ Q)

définis par :
n
X 1
un =
k=0
k!
Cette suite est de Cauchy et converge vers e qui est dans R mais pas dans Q.
En fait, une suite de Cauchy est convergente. Cependant, sa limite ne se trouve pas
nécessairement dans l’espace V . Ceci amène à la définition suivante.
4.2.2 Espace complet

Un espace normé (V, ∥ · ∥V ) est complet si il contient les limites de toutes ses suites
de Cauchy. Ainsi, si (vn )n∈N est une suite de Cauchy dans V , il existe un élément ℓ ∈ V
tel que
lim ∥vn − ℓ∥V = 0
n→+∞
On note aussi, de manière informelle : vn → ℓ. Soulignons que la propriété qu’a un espace

d’être complet n’est pas intrinsèque, elle dépend de la norme utilisée.
Exemple 1. L’espace C 0 (] − 1, 1[) des fonctions réelles continues sur ] − 1, 1[ est un

espace de Banach, i.e. complet, lorsqu’on le munit de la norme sup ∥ · ∥∞ :
• Soit (fn )n∈N une suite de Cauchy d’éléments de C 0 (] − 1, 1[). On doit montrer que :
∃f , telle que ∥fn − f ∥∞ → 0 et f ∈ C 0 (] − 1, 1[).
• Soient (n, m) ∈ N2 et x ∈] − 1, 1[ fixé. On a :
|fn (x) − fm (x)| ≤ sup |fn (y) − fm (y)| = ∥fn − fm ∥∞

y∈]−1,1[
• On en déduit que (fn (x))n∈N est une suite de Cauchy dans R. Elle converge donc vers
une limite notée f (x) (car R est complet). Ainsi, ∀x ∈] − 1, 1[, |fn (x) − f (x)| → 0.
• On en déduit, ∥fn − f ∥∞ = sup |fn (y) − f (y)| → 0.
y∈]−1,1[
• A-t-on f ∈ C (] − 1, 1[) ? Soient (x, y) ∈] − 1, 1[2 et n ∈ N :

0
|f (x) − f (y)| = |f (x) − fn (x) + fn (x) + fn (y) − fn (y) − f (y)|

≤ |f (x) − fn (x)| + |fn (y) − f (y)| + |fn (y) − fn (x)|
Or, fn étant continue sur ] − 1, 1[, en un point x on a : ∀ε > 0, ∃η(x, ε) tel que
∀y ∈] − 1, 1[, (|y − x| ≤ η ⇒ |fn (x) − fn (y)| ≤ ε).
• De plus, le fait que fn (x) → f (x), implique que l’on peut minorer par ε chacun des
deux autres termes dès que n > N (ε).
• On en déduit la continuité de f :
∀x ∈] − 1, 1[, ∀ε > 0, ∃η(x, ε), ∀y ∈] − 1, 1[,
(|x − y| ≤ η ⇒ |f (x) − f (y)| ≤ ε)

ce qui est la définition de la continuité de f en tout point x.
sZ
1
Exemple 2. L’espace C 0 (]−1, 1[) n’est pas complet pour la norme L2 , ∥f ∥ = f 2.
−1
Nous construisons un contre-exemple en considérant la suite de fonctions fn de la fi-
gure 4.2.1 : (fn )n∈N ainsi définie est de Cauchy mais ne converge pas dans C 0 (] − 1, 1[).
Figure 4.2.1 – Suite de fonctions de C 0 (] − 1, 1[
• Soient (n, m) ∈ N2 , m > n :

Z 1 Z 1/n
2 2
∥fn − fm ∥ = (fn (x) − fm (x)) dx = (fm (x) − fn (x))2 dx
−1 0
Z 1/n
1
D’où, ∥fn − fm ∥ ≤
2
1 dx = .
0 n
• Ceci montre que (fn )n∈N est une suite de Cauchy pour la norme L2 : il suffit de
prendre n > N = ⌈1/ε2 ⌉ et m > n pour avoir ∥fn − fm ∥ ≤ ε.
• Soit f , f (x) = 0 sur ] − 1, 0] et f (x) = 1 sur ]0, 1]. Montrons que ∥fn − f ∥ → 0 :
Z 1 Z 1
2 2
∥fn − f ∥ = (fn (x) − f (x)) dx = (fn (x) − f (x))2 dx
−1 0
On a : Z 1 Z 1/n
2 1
(fn (x) − f (x)) dx = (nx − 1)2 dx =
0 0 3n
• En conséquence, ∀ε > 0 si n > 1/3ε2 alors ∥fn − f ∥ ≤ ε. Donc ∥fn − f ∥ → 0, mais

f∈/ C 0 (] − 1, 1[) . Ainsi, C 0 (] − 1, 1[) n’est pas complet pour la norme L2 .
Exemple 3. L’espace H01 (] − 1, 1[) est complet pour la norme énergie ∥ · ∥E . En

conséquence, l’approximation de Galerkin converge vers la solution du problème faible (V)
lorsque k → +∞, k étant la dimension de l’espace d’approximation Vh .
4.2.3 Approximation polynomiale (base globale)

Nous considérons ici une approche naïve de l’approximation de Galerkin, basée sur
des polynômes exprimés dans la base “globale” standard. Nous choisissons donc l’espace
d’approximation Vh de dimension k défini par
Vh =< 1, x, x2 , · · · , xk−1 >
De plus, l’approximation doit être conforme, i.e. nous devons avoir V = H01 (]0, 1[).
PVh ⊂i−1
Il en résulte que toute fonction de Vh , a priori de la forme vh (x) = i vi x , doit vérifier
i) vh ∈ H 1 (]0, 1[),
ii) vh (0) = vh (1) = 0.
La première condition est satisfaite, puisque vh étant un polynôme, vh ∈ C ∞ (]0, 1[).

La deuxième condition ne peut être vérifiée avec Vh ainsi défini. C’est pourquoi, nous
redéfinissons Vh , toujours de dimension k, en :
Vh =< x(x − 1), x2 (x − 1), · · · , xk (x − 1) >
Exercice 4.2.1 Calculez l’approximation de Galerkin pour les problèmes 1. et 2. avec

k = 2. Que remarquez vous ?
Correction 4.2.1 Problème 2.1 (f = 1). L’espace d’approximation est
Vh =< x(x − 1), x2 (x − 1) >=< ϕ1 , ϕ2 >
Ainsi, ϕ′1 (x) = 2x − 1 et ϕ′2 (x) = 3x2 − 2x, et

Z 1 Z 1 1
′ 2 2 4 3 4 2 1
A11 = (ϕ1 ) = (2x − 1) = x − x + x =
0 0 3 2 0 3
Z 1 Z 1 1
′ ′ 2 6 4 7 3 2 2 3 7 1
A12 = ϕ1 ϕ2 = (2x − 1)(3x − 2x) = x − x + x = − + 1 = = A21
0 0 4 3 2 0 2 3 6
Z 1 Z 1 1
9 12 4 2
A22 = (ϕ′2 )2 = (3x2 − 2x)2 = x5 − x4 + x3 =
0 0 5 4 3 0 15
Z 1 Z 1
1
F1 = ϕ1 = x(x − 1) = −
0 0 6
Z 1 Z 1
1
F2 = ϕ2 = x2 (x − 1) = −
0 0 12
Le système à résoudre est donc

1/3 1/6 U1 −1/6 U1 −1/2
= ⇒ =
1/6 2/15 U2 −1/12 U2 0
Ainsi, la solution de Galerkin est

1 1
uh (x) = − ϕ1 (x) + 0ϕ2 (x) = (x − x2 ) = u(x)
2 2
Le fait que l’approximation de Galerkin donne la solution exacte était attendu puisque,
d’une part, elle satisfait à la propriété de la meilleure approximation (M-A), et d’autre
part u ∈ Vh .
Problème 2. (f (x) = H(x − 12 ), où H est la fonction Heaviside valant 0 pour x < 0 et

1 sinon). Nous avons le même espace d’approximation, donc la même matrice de raideur,
et Z 1 Z 1
1
F1 = f ϕ1 = x(x − 1) = −
0 1/2 12
Z 1 Z 1
1 1 1 1 −5
F2 = f ϕ2 = x2 (x − 1) = (1 − ) − (1 − ) =
0 1/2 4 16 3 8 192
D’où, U1 = −13/32 et U2 = 5/16. L’approximation de Galerkin s’écrit, après simpli-
fication, uh (x) = 16
5 3
x − 23
32
13
x2 + 32 x, voir figure 4.2.2.
Figure 4.2.2 – comparaison de u(x), solution du problème 2., et uh (x), solution de

Galerkin.
La difficulté avec la base polynomiale globale utilisée, est que le conditionnement de la

matrice du système se détériore significativement lorsque k augmente. Ce conditionnement
se comporte comme celui d’une matrice de Hilbert (matrice de terme Hij = i+j−1 1
), et
concrètement tout calcul devient impossible pour k > 10. C’est pour cette raison que l’on
utilise des fonctions de base qui sont polynomiales par morceaux, et non des fonctions
polynomiales sur tout le domaine.
4.2.4 Conditionnement d’une matrice

Revenons brièvement sur le conditionnement d’une matrice inversible A, notion im-
portante en analyse numérique. Il se définit par :
κ(A) = ∥A∥M ∥A−1 ∥M
où la norme matricielle ∥ · ∥M est subordonnée à la norme choisie dans Rn :
∥Ax∥
∥A∥M = max = max ∥Ax∥
n
x∈R ,x̸=0 ∥x∥ ∥x∥=1
On a toujours κ(A) ≥ 11 . De plus, si A est symétrique et que la norme matricielle est

subordonnée à la norme ℓ2 , alors κ(A) = |λ max |
|λmin |
, le rapport de la valeur absolue des valeurs
propres maximale et minimale.
La solution exacte du système linéaire Ax = b est x = A−1 b. Si l’on commet une

certaine erreur δb sur b (erreur d’arrondi par exemple), l’erreur commise sur la solution x
sera δx, telle que A(x + δx) = b + δb, donc δx = A−1 δb. Le rapport des erreurs relatives
commises sur x et b s’écrit :
∥δx∥/∥x∥ ∥A−1 δb∥ ∥b∥
= ×
∥δb∥/∥b∥ ∥A−1 b∥ ∥δb∥
Plus ce rapport est élevé, et plus l’erreur commise sur b amplifiera celle commise sur
x. Nous calculons donc, en réarrangeant les termes, la valeur maximale que peut prendre
ce rapport :
∥b∥ ∥A−1 δb∥

−1
∥b∥ ∥A δb∥
max = max max
b,δb̸=0 ∥A−1 b∥ ∥δb∥ b̸=0 ∥A−1 b∥ δb̸=0 ∥δb∥
−1
∥Ax∥ ∥A δb∥
= max max
x̸=0 ∥x∥ δb̸=0 ∥δb∥
−1
= ∥A∥M ∥A ∥M = κ(A)
D’où :
∥δx∥ ∥δb∥
≤ κ(A) ,
∥x∥ ∥b∥
i.e. plus le conditionnement de A, κ(A), est élevé, plus l’erreur pourra être amplifiée.
À titre d’exemple2 , considérons la matrice A le vecteur b et l’erreur δb suivants :

     
7 1 11 10 29 0,1
2 6 5 2  15 −0,1
A= 8 11 3 8  , b = 30 , et δb =  0,1 
    
6 9 3 6 24 −0,1
1
1 = ∥AA−1 ∥M ≤ ∥A∥M ∥A−1 ∥M = κ(A).
2
https://fr.wikipedia.org/wiki/Conditionnement_(analyse_numérique)
4.3. APPROXIMATION DE GALERKIN DE TYPE ÉLÉMENTS FINIS 79
La résolution du système Ax = b donne un vecteur x dont toute les composantes sont

égales à 1, tandis que la solution perturbée vaut :
 
6, 222
 0, 133 
x + δx = A−1 (b + δb) ≈  
 1, 633 
−3, 256
L’erreur sur b est de 0,4%, tandis que celle sur x est de 341%, soit une multiplication
par plus de 850. Le conditionnement de la matrice, pour la norme subordonnée à ℓ2 , est
de 1425.
4.3 Approximation de Galerkin de type éléments finis

L’espace d’approximation des fonctions polynomiales par morceaux se construit en
quatre étapes.
i) Le domaine de calcul Ω est subdivisé en une série d’éléments. Dans le cas 1D consi-
déré ici, ces éléments sont des segments comme représenté sur la figure 4.3.1. En 2D,
ça peut être des triangles ou des quadrilatères. On note généralement Ωh le domaine
formé par le recouvrement de ces éléments. Si Ω est polygonal, alors Ωh = Ω.
Figure 4.3.1 – Discrétisation du domaine [0, 1].
ii) La solution u est approchée par morceaux en utilisant des polynômes de bas degré
(typiquement de degré 1 comme sur la figure (4.3.2), ou 2).
Figure 4.3.2 – Approximation linéaire par élément.
Une fonction linéaire sur un élément K est définie (en 1D) par ses valeurs en deux
points distincts x1 et x2 :
x − x2 x − x1
uK (x) = uK (x1 ) + uK (x2 )
x −x x −x
| 1 {z 2} | 2 {z 1}
ℓ1K (x) ℓ2K (x)
Les fonctions ℓiK sont nommées fonctions de base nodales, et satisfont les conditions
d’interpolation
 linéaire sur K  linéaire sur K
 
1
ℓK = 1 si x = x1 2
, ℓK = 1 si x = x2
0 si x = x2 0 si x = x1
 
iii) Satisfaire la régularité demandée sur Vh , à savoir Vh ⊂ V , ici Vh ⊂ H 1 (]0, 1[). Ceci
se fait en positionnant les points de contrôle x1 et x2 (i.e. les nœuds du maillage)
aux extrémités des intervalles, de manière à avoir uh ∈ H 1 (]0, 1[) (voir figure 4.3.3).
Figure 4.3.3 – Positionnement des nœuds pour avoir uh ∈ H 1 (]0, 1[).
La fonction globale uh est alors la “réunion” des fonctions locales définies sur chaque
élément K : uh|K = uK . Ainsi, uh est définie par k = n − 1 valeurs internes, plus
les valeurs aux bords uh (x0 ) = uh (0) et uh (xn ) = uh (1). Nous définissons alors les
fonctions Ni , appelées fonctions de base nodales, également fonctions de forme (ou,
pour le cas linéaire, fonctions chapeau / hat functions, voir figure 4.3.4), par :
 1 si x = xi

Ni (x) = 0 si x = xj , j ̸= i
linéaire sur chaque élément K

Figure 4.3.4 – Fonction de base Ni .
uh s’écrit donc :
n
X
uh (x) = ui Ni (x)
i=0
avec, par définition des fonctions Ni , uui =h (xj ) : les “inconnues” sont les valeurs
de uh aux nœuds du maillage.
iv) Satisfaire les conditions aux bords dites essentielles (ou de Dirichlet), de manière à
avoir Vh ⊂ V = H01 (]0, 1[). Ceci se fait en supprimant les fonctions N0 et Nn de la
base de fonctions. L’approximation de Galerkin ainsi modifiée s’écrit
n−1
X
u∗h (x) = ui Ni (x),
i=1
tandis que l’espace d’approximation associé est

Vh∗ =< N1 , · · · , Nn−1 >
4.3.1 Exemple : problème 1.

Nous reprenons le problème 1. (f (x) = 1), en considérant le maillage de cinq éléments
et six nœuds équirépartis, i.e. espacés du même pas h = 1/5, représenté sur la figure 4.3.5.
Figure 4.3.5 – Maillage 1D à cinq éléments linéaires.
L’espace Vh est de dimension 6, engendré par les Ni :
Vh =< N0 , N1 , N2 , N3 , N4 , N5 , N6 >
Les entrées de la matrice de raideur et du second membre,

Z 1 Z 1
′ ′
Aij = Ni Nj , bi = Ni
0 0
peuvent être calculées élément par élément, i.e. par assemblage de quantités locales aux
éléments. En effet, en décomposant les expressions ci-dessus, nous avons
XZ 5 Z
X xk XZ 5 Z
X xk
Aij = Ni′ Nj′ = Ni′ Nj′ , bi = Ni = Ni (4.3.1)
K K k=1 xk−1 K K k=1 xk−1
où la notation K désigne la sommation sur tous les éléments du maillage. Il est clair
P
(voir figure (4.3.6)) que sur un élément [xk−1 , xk ] seules deux fonctions de base sont non
nulles : Nk−1 et Nk . Ainsi, l’entrée Aij est non nulle uniquement si i et j appartiennent au
Figure 4.3.6 – Fonctions de base non nulles sur [xk−1 , xk ].
même élément. De plus, si c’est le cas, seule l’intégrale de Ni′ Nj′ sur cet élément contribue
à l’intégrale globale définie dans (4.3.1). Il en est de même pour le second membre.
Ainsi, la boucle d’assemblage d’un code éléments finis, au cours de laquelle le

système de Galerkin est construit, consiste en une boucle sur les éléments K du maillage.
Sur chaque élément, on calcule la matrice de raideur 2 × 2 locale à cet élément (on
parle de matrice élémentaire), ainsi que le second membre local (vecteur 2 × 1). Ces 4
+ 2 valeurs sont ensuite ajoutées aux 4 + 2 entrées correspondantes de A et b, selon
l’expression (4.3.1).
Exercice 4.3.1 Sur un élément K = [xk−1 , xk ], on note ℓ1 = Nk−1 |K et ℓ2 = Nk|K . Ce

sont les restrictions à K des fonctions de base non nulle sur K. De plus les nœuds k − 1
et k sont localement (i.e. sur l’élément K) renumérotés 1 et 2.
Donnez les expressions de ℓ1 et ℓ2 . En déduire la matrice locale AK et le second membre
local bK . Donnez ensuite le système global A et b, d’abord sans prendre en compte les
conditions aux bords, puis en les prenant en compte.
Correction 4.3.1 La restriction des fonctions Nk−1 et Nk à K s’écrit
x − xk xk − x x − xk−1 x − xk−1
ℓ1 (x) = = , ℓ2 (x) = =
xk−1 − xk h xk − xk−1 h
où h = xk − xk−1 est la taille de maille, constante sur tout le maillage dans cet exemple.
On en déduit les dérivées
1 1
ℓ′1 (x) = − et ℓ′2 (x) =
h h
puis la matrice élémentaire
Z xk Z xk

 
(ℓ′1 )2 ℓ′1 ℓ′2  1 1
  h −h

AK =  Zxk−1 Z xxk−1 =

x
 k k
1 1

ℓ′1 ℓ′2 ′ 2
(ℓ2 ) −
xk−1 xk−1 h h
et le second membre élémentaire

Z xk

 
 ℓ1  h
K Zxk−1   2 
b =  xk  =  
h
ℓ2
 
xk−1 2
L’assemblage de A et b se fait en sommant les différentes contributions des AK et bK

dans A et b. Pour représenter cette opération, on peut transformer AK en une matrice
K
globale A ayant des zéros en-dehors des entrées de AK (cette transformation est ici
purement à des fins visuelles et ne doit jamais être faite en pratique). On a alors :
   
1 1
 h −h 0 0 0 0 0 0 0 0 0 0
   
 1 1   1 1 
−
 h h 0 0 0 0 0 − 0 0 0
  h h 
   1 1 
 0 0 0 0 0 0 0 − 0 0 0
   
A=   +  h h +
   
 0 0 0 0 0 0 0 0 0 0 0 0
 
 
   
   
 0 0 0 0 0 0 0 0 0 0 0 0
   
   
0 0 0 0 0 0 0 0 0 0 0 0
| {z } | {z }
1 2
A  A 
0 0 0 0 0
0 
 
 
0 0 0 0 0 0 
 
 
0 0 0 0 0 0 
 
··· + 



0 0 0 0 0 0 
 
1 1
 
− 

0 0 0 0
 h h
 1 1 
0 0 0 0 −
| {z h h }
5
A
     
h/2 0 0
h/2 h/2  0 
     
 0  h/2  0 
b=  +  0  + ··· +  0 
     
 0     
 0   0  h/2
0 0 h/2
D’où le système de Galerkin suivant :
    
1 1
 h −h 0 0 0 0  U0  h/2
 1 2 1
    
−
 h h −h 0
   
0 0  U1   h 
   

 1 2 1    
0 − − 0 0 U h
    
  2 
h h h
 
   =  
 1 2 1     
 0 0 − − 0  U3   h 

 h h h    
1 2 1
   
     
 0 0 0 − −   U4   h 
 h h h    
 1 1    
0 0 0 0 − U5 h/2
h h
Remarquons que la matrice A est singulière : la somme des entrées de n’importe quelle
ligne est égale à 0, si bien que A1 = 0. Ceci vient du fait que les conditions essentielles
n’ont pas encore été imposées. Leur imposition se fait en enlevant N0 et N5 de la base
nodale. Il en résulte une matrice A∗ déduite de A en enlevant les premières et dernières
lignes et colonnes. Le système final est :
    
2 1
− 0 0  U1  h
 h h

   
 1 2 1    
− − 0  U  h
  2  
 h h h

  =  
 0 − 1 2 − 1  U  h
    
  3  
h h h    


 1 2    
0 0 − U4 h
h h
En prenant h = 1/5, nous trouvons U1 = U4 = 0, 08 et U2 = U3 = 0, 12. La solution
de Galerkin,
uh (x) = 0, 08N1 (x) + 0, 12N2 (x) + 0, 12N3 (x) + 0, 08N4 (x)
est tracée sur la figure 4.3.7. On remarque qu’elle est exacte aux nœuds du maillage :
Figure 4.3.7 – Solution de Galerkin.
uh (xi ) = u(xi ). Ceci n’est pas vérifié en général. Enfin, notons que le système obtenu est
également celui que donne la discrétisation par différences finies centrées de l’équation
−u′′ = 1. Cependant, alors que la théorie sous-jacente aux éléments finis permet d’évaluer
l’erreur commise sur tout le domaine de calcul, la solution donnée par les différences finies
n’est définie qu’aux nœuds de la grille de calcul.
4.3.2 Résultats de convergence

Théorème 4.3.1 Convergence en norme énergie.
Soient u la solution de (V) et uh la solution éléments finis obtenue par approximation

linéaire. On suppose de plus que u ∈ H01 (]0, 1[) ∩ H 2 (]0, 1[) (i.e. u′′ est dans L2 (]0, 1[)).
Alors
∥u − uh ∥E ≤ h∥f ∥ (4.3.2)
où h est la taille du plus grand élément, et ∥ · ∥ la norme L2 .
Preuve : nous introduisons formellement u∗ ∈ Vh , l’interpolant linéaire de u, i.e. la

fonction de Vh vérifiant
u∗ (xi ) = u(xi ), i = 0, · · · , n
Dans l’exercice précédent, uh et u∗ étaient confondus. Ce n’est pas le cas en général. De
plus, une telle définition nécessite que u soit continu. C’est le cas des fonctions de H 1
en 1D. En dimension 2 ou 3, cela nécessite une régularité supplémentaire, à savoir que
u ∈ H 1 (Ω) ∩ H 2 (Ω).
Nous définissons à présent e(x) = u(x) − u∗ (x), appelée erreur d’interpolation et
vérifiant
e(xi ) = 0, i = 0, · · · , n (4.3.3)
• Étape 1 : montrons qu’il existe un ξi ∈]xi−1 , xi [ tel que u′ (ξ) = u∗ ′ (ξ).
Le fait que e(xi−1 ) = e(xi ) = 0, implique par le théorème de Rolle, qu’il existe un
point ξi ∈]xi−1 , xi [, tel que e′ (ξi ) = 0, i.e. u′ (ξi ) = u∗ ′ (ξi ).
• Étape 2 : nous en déduisons la majoration suivante
Z xi Z xi
′ 2
(e ) ≤ (xi − xi−1 ) 2
(u′′ )2
xi−1 xi−1
Rappelons que l’interpolant u∗ est linéaire par élément, donc u∗ ′ est constant par
élément. Il suit que :
Z xi Z xi
′ 2
(e ) = (u′ (x) − u∗ ′ (x))2 dx
xi−1 x
Z i−1
xi
= (u′ (x) − u∗ ′ (ξi ))2 dx
xi−1
Z xi Z x2
= u (t) dt dx (étape 1)
′′
xi−1 ξi
Z xi Z x Z x
≤ ′′ 2
(u ) (t) dt 1 dt dx (C-S)
2
xi−1 ξi ξi
Z xi Z xi
≤ (u′′ )2 (t) dt (xi − xi−1 ) dx
xi−1 xi−1
D’où le résultat qui suit immédiatement.

• Étape 3 : en posant h = maxi |xi − xi−1 |, en majorant les hi par h, et en sommant
l’inégalité précédente sur les intervalles, nous obtenons :
Z 1 Z 1
′ 2
(e ) ≤ h 2
(u′′ )2 (4.3.4)
0 0
Enfin, en utilisant le résultat de “meilleure approximation” (M-A) (en prenant vh =

u∗ ), nous déduisons le résultat :
∥u − uh ∥E = ∥u′ − u′h ∥ ≤ ∥u′ − u∗ ′ ∥ ≤ h∥u′′ ∥ = h∥f ∥ < +∞.
Il en découle que lim uh = u en norme énergie. □

h→0
L’erreur L2 est obtenue par un “argument de dualité” comme indiqué ci-dessous.
Théorème 4.3.2 (Aubin - Nitsche)

Soient u la solution de (V) et uh la solution éléments finis obtenue par approximation
linéaire. Alors
∥u − uh ∥ ≤ h2 ∥f ∥ (4.3.5)
Preuve : soit w la solution du problème dual
−w′′ = u − uh pour x ∈]0, 1[, w(0) = w(1) = 0
Nous avons :
∥u − uh ∥2 = (u − uh , u − uh )
= (u − uh , −w′′ )
= (u′ − u′h , w′ ) car u(0) − uh (0) = u(1) − uh (1) = 0
= (u′ − u′h , w′ ) − (u′ − u′h , w∗ ′ ) (O-G), avec w∗ ∈ Vh
Prenons w∗ comme l’interpolant de w dans Vh . Il s’en suit :
∥u − uh ∥2 = (u′ − u′h , w′ − w∗ ′ )
≤ ∥u′ − u′h ∥∥w′ − w∗ ′ ∥ (C-S)
≤ ∥u′ − u′h ∥ × h∥w′′ ∥ par (4.3.4)
≤ h2 ∥f ∥∥w′′ ∥ (thm précédent)
= h2 ∥f ∥∥u − uh ∥
D’où le résultat en divisant par ∥u − uh ∥ =

̸ 0. □
4.4 Exercice : la méthode SUPG

Exercice 4.4.1 On considère l’équation de convection - diffusion stationnaire suivante :
d2 u du
−D 2
+c =0 sur ]0, 1[ (4.4.1)
dx dx
u(0) = 0
u(1) = 1
4.4. EXERCICE : LA MÉTHODE SUPG 87
1. Vérifiez que dans le cas où D et c sont constants, la solution de ce problème s’écrit :
1 − exP e
u(x) = (4.4.2)
1 − eP e
où le nombre de Péclet, P e, mesure le rapport entre le transfert par convection et le
transfert par diffusion :
cL
Pe =
D
où L est une longueur caractéristique du problème, ici L = 1.
Tracez cette solution, et évaluez sont comportement en x = 1 lorsque P e ≫ 1.
2. Établissez la formulation variationnelle de ce problème en précisant dans quels es-
paces sont la solution u : [0, 1] → R et les fonctions test q : [0, 1] → R. On remar-
quera qu’un terme doit être intégré par parties uniquement si cela abaisse d’un degré
la régularité demandée sur la solution u et fait apparaître une “symétrie” entre u et
q.
Nous cherchons à approcher, par la méthode des éléments finis, la solution u par une
fonction uh , continue sur [0,1] et linéaire par élément. Nous posons donc :
X
uh (x) = uj Nj (x) (4.4.3)
j
De plus, nous considérons les deux éléments K1 et K2 , de longueur h, représentés sur

la figure 4.4.1 et appartenant au maillage qui discrétise [0, 1]. On a donc K1 = [x1 , x2 ],
K2 = [x2 , x3 ], x2 − x1 = x3 − x2 = h et x1 ̸= 0, x3 ̸= 1.
Figure 4.4.1 – Deux éléments d’un maillage 1D
3. Donnez l’expression de la fonction N2 associée au nœud x2 du maillage de la fi-

gure 4.4.1, sur chacun des éléments K1 et K2 , ainsi que les expressions de N1 sur
K1 et N3 sur K2 .
4. En prenant des fonctions test discrètes qh également linéaires par élément, vérifiez
que la matrice globale issue de la discrétisation de la formulation variationnelle du
problème s’écrit, pour le maillage à deux éléments ci-dessus :
X Z dNj dNi
Z
dNj

Aij = D dx + cNi dx
K dx dx K dx
K∈{K1 ,K2 }
pour i = 1, 2, 3 et j = 1, 2, 3.
5. Montrez que la contribution élémentaire des éléments K1 et K2 vaut :

D 1 −1 c −1 1
+
h −1 1 2 −1 1
6. À partir de ces contributions élémentaires, calculez les trois entrées de la matrice

globale Aij correspondant à qh ≡ N2 .
7. Par comparaison avec la matrice issue de la discrétisation par différences finies
centrées, qu’en conclure sur la stabilité de la méthode éléments finis que nous venons
d’utiliser lorsque le nombre de Péclet devient grand ?
La méthode de discrétisation par éléments finis dite SUPG (Streamline Upwind Petrov-
Galerkin) consiste à ne pas prendre les fonctions test qh dans le même espace que les
fonctions de forme Ni . Concrètement, uh est toujours donné par l’équation (4.4.3), tandis
que les fonctions test qh sont engendrées par les fonctions
c dNi
Ñi = Ni + h (4.4.4)
|c| dx
où h est la longueur d’un élément.

8. En supposant c constant, expliquez pourquoi dÑi
dx
= dNi
dx
.
9. Sans en calculer les valeurs numériques, donnez l’expression de la matrice Ãij issue
de la discrétisation par éléments finis basée sur la méthode SUPG.
10. Analysez le terme supplémentaire que contient Ãij par rapport à Aij : pourquoi ce
terme stabilise le système ? Faites l’analogie avec les différences finies décentrées.
Annexe A
Annexe : classification des EDP du

second degré
On s’intéresse au classement mathématique des EDP linéaires du second ordre dont

l’inconnue est une fonction u de deux variables réelles définies sur un ouvert Ω de R2 . Ces
équations sont de la forme
∂ 2u ∂ 2u ∂ 2u ∂u ∂u
a(x, y) 2
+ 2b(x, y) + c(x, y) 2
= F (x, y, u, , ) (A.0.1)
∂x ∂x∂y ∂y ∂x ∂y
On verra que le type de cette équation dépend uniquement des coefficients a, b et c des
termes de plus haut degré. Par rapport à ce que l’on a vu, x et y sont soit deux coordonnées
spatiales, soit une coordonnée spatiale et le temps.
A.1 Courbes caractéristiques

Soit γ : {x = x(s), y = y(s)} une courbe de R2 paramétrée par le réel s, pris comme
étant l’abscisse curviligne (ds2 = dx2 + dy 2 , voir figure A.1.1). Tout point de γ est sup-
Figure A.1.1 – Définition de l’abscisse curviligne s : ds2 = dx2 + dy 2 .
posé régulier, i.e. x′ (s)2 + y ′ (s)2 > 0. On cherche une solution de (A.0.1) vérifiant des
conditions supplémentaires sur γ : on se donne la valeur de u sur γ ainsi que celle de
ses dérivées ∂u/∂x et ∂u/∂y. Un tel problème est appelé problème de Cauchy.
On rappelle les définitions suivantes :
89
90 ANNEXE A. ANNEXE : CLASSIFICATION DES EDP DU SECOND DEGRÉ
Figure A.1.2 – Problème de Cauchy
• Le vecteur
dx dy
t= e1 + e2
ds ds
est le vecteur tangent unitaire à γ.
• Le vecteur
dy dx
n=− e1 + e2
ds ds
est le vecteur normal unitaire, obtenu par rotation de t de +π/2.
• La dérivée normale de u est définie, en tout point de la courbe γ, par
du
= grad u · n
dn
ce qui équivaut à dériver u dans direction n.
On note u(s) la valeur de u sur γ, i.e. u(s) = u(x(s), y(s)). La valeur de u(s) est connue.
Ceci implique que la dérivée tangentielle du ds
(s) est également connue. Ainsi, puisque dn
du
(s)
est une donnée du problème, nous en déduisons que les dérivées partielles ∂x (s) et ∂y (s)
∂u ∂u
sont connues sur γ. En résumé :
du ∂u ∂u
connaître u(s), (s) ⇔ connaître u(s), (s), (s)
dn ∂x ∂y
Si u est complètement déterminée, ses dérivées secondes doivent être détermi-

nées sur γ. On cherche donc à exprimer ces dérivées secondes sur γ. D’abord, puisque ∂u
∂x
et ∂u
∂y
sont connues le long de γ, on peut écrire

d ∂u(s) ∂ ∂u dx(s) ∂ ∂u dy(s)
= + (A.1.1)
ds ∂x ∂x ∂x ds ∂y ∂x ds

d ∂u(s) ∂ ∂u dx(s) ∂ ∂u dy(s)
= + (A.1.2)
ds ∂y ∂x ∂y ds ∂y ∂y ds
∂2u ∂2u
En adjoignant à ce système l’EDP initiale (A.0.1), et puisque ∂x∂y
= ∂y∂x
, nous obte-
A.1. COURBES CARACTÉRISTIQUES 91
nons le système linéaire suivant :
∂ 2u
 
   
a 2b c F
 ∂x22 
d ∂u(s)
 dx dy  ∂ u   
 0  
=
  
(A.1.3)
 ds ds 
∂x∂y ds ∂x 
 dx dy     d ∂u(s) 
0  ∂ 2u 
ds ds ds ∂y
∂y 2
2
Tant que le déterminant de ce système est non nul, on peut le résoudre et obtenir ∂∂xu2 ,
∂2u ∂2u
∂x∂y
et ∂x∂y sur γ. Par suite, il est possible de calculer u, ∂u
∂x
et ∂u
∂y
au voisinage de γ grâce
aux relations différentielles :
∂u ∂u
u(x + dx, y + dy) = u(x, y) + (x, y)dx + (x, y)dy
∂x ∂y
∂u ∂u ∂ 2u ∂ 2u
(x + dx, y + dy) = (x, y) + 2 (x, y)dx + (x, y)dy
∂x ∂x ∂x ∂x∂y
∂u ∂u ∂ 2u ∂ 2u
(x + dx, y + dy) = (x, y) + (x, y)dx + 2 (x, y)dy
∂y ∂y ∂x∂y ∂y
On peut ainsi se propager de proche en proche hors de γ et construire la solution de l’EDP.
Ceci n’est valable que si le déterminant ∆ du système (A.1.3) ne s’annule en aucun point
de la courbe. Ce déterminant est donné par :
2 2
dx dx dy dy
∆(s) = c − 2b +a (A.1.4)
ds ds ds ds
Si ∆ ̸= 0 les dérivées secondes sur γ sont déterminées de façon unique. Si ∆ = 0, le

système a soit aucune, soit une infinité de solutions.
Définition A.1.1 :
1. Les courbes caractéristiques sont les courbes γ qui annulent la quantité

2 2
dx dx dy dy
∆(s) = c − 2b +a
ds ds ds ds
2. On dit que γ n’est caractéristique en aucun point si ∀s, ∆(s) ̸= 0.
Théorème A.1.1 :
1. Si a ̸= 0 les courbes caractéristiques sont les solutions de l’équation différentielle

2
dy dy
a(x, y) − 2b(x, y) + c(x, y) = 0
dx dx
2. Si c ̸= 0, ce sont les solutions de l’équation différentielle

2
dx dx
c(x, y) − 2b(x, y) + a(x, y) = 0
dy dy
3. Si a = c = 0 ce sont les droites x = constante et y = constante.
Preuve du théorème : Soit γ : {x = x(s), y = y(s)} une courbe caractéristique.

Supposons que a[x(s), y(s)] ̸= 0 au voisinage de s0 . Si dx ds
= 0, alors dy
ds
= 0 dans le
voisinage de s0 (car ∆(s) = 0). Or cela ne peut définir une courbe, donc dans un domaine
où a(x, y) ̸= 0, on a dx
ds
̸= 0.
Ceci signifie que la tangente à γ n’est pas verticale, et γ est donc définie par une
fonction y = y(x). Ainsi, dyds
dy dx
= dx ds
et on a le résultat.
On résonne de manière analogue au voisinage d’un point où c ̸= 0. Si a = c = 0, la
réponse est triviale.
Remarque : Soit γ une courbe caractéristique qui partage le plan en deux parties.
On suppose que dans chaque partie on connaît une solution de classe C 2 de (A.0.1) et que
sur γ u1 ≡ u2 et du dn
1
≡ du
dn
2
pour les deux solutions u1 et u2 . Si γ n’est pas une courbe
caractéristique cela entraîne que u1 ≡ u2 . Si γ est caractéristique, il se peut que les dérivées
secondes et d’ordre supérieur de u1 et u2 soient différentes, ce qui donne naissance à un
phénomène physique appelé propagation de singularités.
A.2 Classification des EDP

Les EDP du second ordre sont classées en fonction du nombre de familles de courbes
caractéristiques qu’elles admettent. Cette propriété est locale, i.e. valable dans un certain
domaine Ω de leur espace de définition. D’après le théorème précédent, nous avons la
classification suivante.
Définition A.2.1 : Classification des EDP du second ordre

• Une équation (A.0.1) telle que b2 (x, y) − a(x, y)c(x, y) > 0 dans un domaine Ω
est dite hyperbolique dans ce domaine. Elle admet alors deux familles de courbes
caractéristiques dans Ω.
• Une équation (A.0.1) telle que b2 (x, y) − a(x, y)c(x, y) = 0 dans un domaine Ω
est dite parabolique dans ce domaine. Elle admet alors une famille de courbes
caractéristiques dans Ω.
• Une équation (A.0.1) telle que b2 (x, y) − a(x, y)c(x, y) < 0 dans un domaine Ω est
dite elliptique dans ce domaine. Elle n’admet pas de courbe caractéristique (réelle !)
dans Ω.
Le caractères hyperbolique, parabolique ou elliptique d’une équation s’appelle son

type, ou son genre, ou sa nature. Il ne dépend que des termes du plus haut degré, et l’on
peut vérifier qu’il ne dépend pas du système de coordonnées utilisé. Lorsque a, b et c
sont constants, la nature de (A.0.1) est celle de la cônique d’équation ax2 +2bxy +cy 2 = 0.
A.2. CLASSIFICATION DES EDP 93
Figure A.2.1 – Courbes caractéristiques x ± ct = cste de l’équation des ondes. ∂u

∂t
+ c ∂u
∂x
est conservé sur x + ct = x0 , ∂u
∂t
− c ∂u
∂x
est conservé sur x − ct = x0 .
Si nous reprenons les EDP déjà rencontrées, nous pouvons maintenant expliquer ma-
thématiquement le classement que nous en avons fait :
∂ 2u ∂ 2u
• + = F est elliptique car ∆ = −1 < 0.
∂x2 ∂y 2
∂ 2u ∂u
• 2
= + F est parabolique car ∆ = 0. Les courbes caractéristiques sont les
∂x ∂t
droites t = cste.
∂ 2u 2
2∂ u
• − c = F est hyperbolique car ∆ = c2 . Les deux familles de courbes
∂t2 ∂x2
caractéristiques sont les droites x ± ct = cste, voir figure A.2.1.
Exemple : considérons l’écoulement irrotationnel d’une fluide non visqueux compres-

sible. Soit v = (v1 , v2 , v3 ) sa vitesse, avec v3 = 0. Le fait que rot v = 0 équivaut à
l’existence d’un potentiel scalaire ϕ tel que v1 = ∂ϕ/∂x et v2 = ∂ϕ/∂y.
On suppose également l’écoulement isentropique et irréversible, et soit c2s = dp/dρ la
vitesse du son dans le fluide. On peut montrer que ϕ vérifie :
1 ∂ϕ 2 ∂ 2 ϕ 2 ∂ϕ ∂ϕ ∂ 2 ϕ 1 ∂ϕ 2 ∂ 2 ϕ

0 = 1 − 2( ) − + 1 − 2( )
cs ∂x ∂x2 c2s ∂x ∂y ∂x∂y cs ∂y ∂y 2
Pour cette équation :

2 1 ∂ϕ 2 ∂ϕ 2 2 ∂ϕ 2 2 ∂ϕ 2
b − ac = 4 ( ) ( ) − (cs − ( ) )(cs − ( ) )
cs ∂x ∂y ∂x ∂y
Soit M = |v|/cs le nombre de Mach : b2 − ac = (v 2 − c2s )/c2s = M 2 − 1. Alors :

• Si M < 1, l’écoulement est subsonique et l’équation est elliptique.
• Si M > 1, l’écoulement est supersonique et l’équation est hyperbolique.
Les phénomènes physiques décrits par cette équation sont complètement différents
dans l’un et l’autre cas.
A.3 Formes standard

Nous avons mentionné le fait que le genre d’une équation ne dépend pas du sys-
tème de coordonnées choisi. Cela signifie que si nous choisissons deux nouvelles variables
X = ξ(x, y) et Y = η(x, y) (avec le Jacobien de cette transformation non nul), et que
l’on exprime l’EDP (A.0.1) en fonction de ces seules variables, le genre de l’EDP reste
inchangé. De plus, il est possible de choisir X et Y de manière à annuler au moins un des
termes du second degré. L’équation obtenue est dite alors forme standard de l’EDP. Nous
donnons ici les résultats sans démonstration (voir [REINHARD] pour plus de détails).
Équations hyperboliques : soient ϕ1 (x, y) = k1 et ϕ2 (x, y) = k2 les deux familles

de courbes caractéristiques d’une équation hyperbolique. En posant
X1 = ϕ1 (x, y) et X2 = ϕ2 (x, y),
l’équation hyperbolique devient :
∂ 2u ∂u ∂u
= G( , , u, X1 , X2 )
∂X1 ∂X2 ∂X1 ∂X2
En posant
Y1 = X1 + X2 et Y2 = X1 − X2
l’équation devient :
∂ 2u ∂ 2u ∂u ∂u
2
− 2
= U( , , u, Y1 , Y2 )
∂Y1 ∂Y2 ∂Y1 ∂Y2
Équations paraboliques : soit ϕ(x, y) = c la famille de courbes caractéristiques

d’une équation parabolique. On pose X1 = ϕ(x, y) et X2 une fonction indépendante de
X1 (i.e. le Jacobien D(X1 ,X2 )
D(x,y)
est non nul). Avec ces nouvelles variables l’équation parabo-
lique (A.0.1) devient
∂ 2u ∂u ∂u
2
= G( , , u, X1 , X2 )
∂X2 ∂X1 ∂X2
Équations elliptiques : l’équation des caractéristiques a( dx dy 2 dy

) −2b dx +c = 0 n’a pas de
q
solution réelle. Mais rien n’empêche de se placer dans le plan complexe : dx .
dy 2
= ab ±i ac−b
a2
Soient ϕ1 (x, y) = k1 et ϕ2 (x, y) = k2 les solutions complexes de cette équation.
En posant Y1 + iY2 = ϕ1 (x, y) et Y1 − iY2 = ϕ2 (x, y), l’équation elliptique (A.0.1)
devient :
∂ 2u ∂ 2u ∂u ∂u
2
+ 2
= G( , , u, Y1 , Y2 )
∂Y1 ∂Y2 ∂Y1 ∂Y2
Exercice A.3.1 Classification des EDP
Déterminez les régions du plans (x, y) dans lesquelles les EDP linéaires de degré 2
suivantes sont a) elliptiques, b) paraboliques, c) hyperboliques :
2 2 2
1. x ∂∂xu2 − xy ∂x∂y
∂ u
+ y 2 ∂∂yu2 − 3 ∂u
∂x
=0
A.3. FORMES STANDARD 95
2 2 2
2. x ∂∂xu2 + xy ∂x∂y
∂ u
+ y 2 ∂∂yu2 − (x + 3) ∂u
∂x
=0
2 2 2
3. ex ∂∂xu2 + x ∂x∂y
∂ u
− y 2 ∂∂yu2 + 5y ∂u
∂x
= ex
2 2 2
4. x2 ∂∂xu2 + 2(x − y) ∂x∂y
∂ u
+ y 2 ∂∂yu2 = 0
∂2u 2 2
5. ∂x2
∂ u
− 5 ∂x∂y − (x + y) ∂∂yu2 = 0
Soit l’EDP suivante :
∂ 2u ∂ 2u ∂ 2 u ∂u
+ 4 + 2 + =0
∂x2 ∂x∂y ∂y 2 ∂x
1. Déterminez le genre de cette équation.
2. Calculez les familles de caractéristiques de cette équation.
Bibliographie
[CHASKALOVIC] Chaskalovic J. Méthodes mathématiques et numériques pour les équa-

tions aux dérivées partielles. Lavoisier, 2013.
[FORTIN] Fortin A. et Garon A. Les éléments finis : de la théorie à la pratique. Cours
disponible sur internet.
[REINHARD] Reinhard H. Equations aux dérivées partielles : Introduction. Dunod, 1994.
[REMACLE et al.] Remacle J.-F. et Winckelmans G. Équations aux dérivées partielles.
Cours disponible sur internet.
[SCHATZMAN] Schatzman M. Analyse numérique - Une approche mathématique. Du-
nod, 2005.
[SILVESTER] Silvester David J. A Finite Element Primer. Cours disponible sur internet.
97
Index
Aubin-Nitsche, théorème de, 86 équation elliptique, 37, 92

équation hyperbolique (1er ordre), 30
bord entrant, 12 équation hyperbolique (2nd ordre), 37, 92
équation parabolique, 37, 44, 92
Cauchy, problème de, 89
espace C k (Ω), 61
Cauchy, suite de, 73
espace complet, 74
Cauchy-Schwartz, inégalité de, 64
espace H 1 , 65
condition CFL, 19
espace H01 , 65
condition de compatibilité, 44
espace L2 (Ω), 55, 63
condition de Dirichlet, 40
condition de Neumann, 40 Fick, loi de, 38
condition de Robin, 40 flux, 3
conditionnement, 78 flux convectif, 11
conservation de la masse, 12 flux diffusif, 38
convection, 11 fonction harmonique, 42
converge en normé énergie, 84 Fourier, loi de, 39
convergence en norme L2, 86 Fourier, série de, 52
courbe caractéristique, 91
Galerkin, approximation de, 71
d’Alembert, formule de, 49 Galerkin, orthogonalité de, 72
densité massique, 13 Green, formule de, 44
dérivée particulaire, 13
différences finies, 16 Hilbert, espace de, 63
diffusion, 38
Dirac, δ de, 70 laplacien, 40
distribution, 70
norme, 62
divergence, 4
norme énergie, 73
domaine de définition, 61
droite caractéristique, 15 onde sphérique, 49
dérivée faible, 69
Petrovsky, 44
éléments finis, 79 Poincaré, inégalité de, 67
équation de bilan, 4 principe du maximum, 42, 45
équation de bilan, forme locale, 5 problème de minimisation, 65
équations de Burgers, 31 problème fort, 61
équation de la chaleur, 40 problème variationnel, 66
équation de Laplace, 42 problème variationnel discret, 71
équation de Poisson, 42 produit scalaire, 63
équation de transport, 14
équation des ondes, 48 quantification, 52
98
INDEX 99
Rankine - Hugoniot, relation de, 31, 34

Riemann, problème de, 34
schéma d’Euler explicite, 21

schéma d’Euler implicite, 21
Schéma de Lax, 19
schéma de Lax-Wendroff, 20
séparation des variables, 50
Sobolev, espaces de, 65
stabilité, critère de Von Neumann, 18
SUPG, 86
théorème de la moyenne, 42
θ-méthode, 21
théorème de la divergence, 4
transformée de Fourier discrète, 18
upwind, 22
Von Neumann, 18

Sim Num Intro-2023

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

Sim Num Intro-2023

Transféré par

Droits d'auteur :

Formats disponibles

Les EDP : introduction physique, analyse

mathématique et discrétisation numérique

septembre - novembre 2023

1 Équations de conservation scalaires 3

2 EDP du premier ordre 11

3 EDP du second ordre 37

3.6.1 Introduction physique . . . . . . . . . . . . . . . . . . . . . . . . . 46

4 Fondements mathématiques des éléments finis 61

A Annexe : classification des EDP du second degré 89

Équations de conservation scalaires

1.1 Conservation d’une quantité physique

et la variation du nombre de particules dans ω entre deux instants t et t + ∆t est donnée

Figure 1.1.1 – Bilan de population : volume fictif ω

de volume, noté f . La variation du nombre de particules par ce mécanisme dans ω et dans

où l’opérateur différentiel linéaire

En regroupant les termes, l’équation (1.1.1) est ainsi équivalente à

L’équation (1.1.4) décrit la variation au cours du temps de la quantité physique K

1.2 Remarques sur la divergence d’un champ vectoriel

Figure 1.2.1 – Volume dv = dxdydz

Figure 1.2.2 – Divergence d’un champ vectoriel a en un point x

De plus, le raisonnement ci-dessus permet d’expliquer intuitivement le théorème de

Figure 1.2.3 – Domaine ω découpé en domaines infinitésimaux dxdy.

1.3 Flux convectif et diffusif

La signification des adjectifs “convectif” et “diffusif” est à comprendre d’abord au

1.4 Exercice : modélisation physique d’une onde acous-

la masse du volume ω entre deux instants successifs t et t + ∆t, et déduisez-en que

Figure 1.4.1 – Volume fixe ω

de quantité de mouvement à l’instant t, interprétez la relation suivante en donnant

pour i = 1, 2, 3 (dimension spatiale). Ici, n est la normale extérieure à ∂ω, p est la

ρ(x, t) = ρ0 + ρ̃(x, t), ρ̃ ≪ ρ0 et p(x, t) = p0 + p̃(x, t), p̃ ≪ p0 (1.4.4)

Exprimez p̃ en fonction de ρ̃.

7. En vous servant de l’équation trouvée à la question 6 pour éliminer la vitesse dans

EDP du premier ordre

2.1 Flux convectif

Figure 2.1.1 – Phénomène de convection

Pour dt assez petit, et en supposant la vitesse continue, le nombre de particules tra-

et la quantité Ω u dv est donc conservée au cours du temps (pour un domaine Ω fixe).

∂Ω− = {x ∈ ∂Ω ; v(x) · n(x) < 0}

2.1.1 Application : équation de conservation de la masse

Le principe de conservation de la masse affirme que la variation de M(ω) au cours

matérielles, et un terme source nul, f = 0. La forme locale du principe de conservation

2.1.2 Densités massiques

2.2 Analyse mathématique de l’équation de transport

Figure 2.2.1 – Transport d’une quantité u par une vitesse c.

Pour comprendre ce transport, on réécrit l’équation (2.2.1) sous la forme

Figure 2.2.2 – Droites caractéristiques de l’équation de transport

2.3 Approximation par différences finies de l’équation

Figure 2.3.1 – Discrétisation par différences finie

Définissons le vecteur U n , dont la k ième composante est unk : U n = {unk }k . Un schéma

U n+1 = H(U n ) (2.3.1)

parle alors de schémas à p pas en espace.

2.4 Schémas centrés en espace

série de Taylor que

2.4.1 Un schéma explicite instable

un+1 − unk un − unk−1

ou encore, en notant A la matrice issue de la discrétisation, U n+1 = An+1 U 0 . Ainsi, pour

Pour le schéma ci-dessus, a = λ/2, b = 1 et c = −λ/2, donc

Figure 2.4.1 – Résolution de l’équation de transport par le schéma centré en espace,

2.4.2 Condition de stabilité de Von Neumann

où i est le nombre complexe vérifiant i2 = −1. La transformée inverse permet d’écrire :

2.4.3 Schémas explicites conditionnellement stables

La stabilité du schéma peut s’expliquer en le réécrivant sous la forme suivante :

un+1 − unk un − unk−1 unk+1 − 2unk + unk−1

Une autre interprétation du schéma de Lax, intéressante car reliant interpolation et