1

ANALYSE NUMERIQUE ET OPTIMISATION

Une introduction a la modelisation mathematique et a la

simulation numerique
G. ALLAIRE

28 Janvier 2014

CHAPITRE I

Analyse numerique: amphis 1 a 12. Optimisation: amphis 13 a 18.

6 premiers amphis: Gregoire ALLAIRE. 6 amphis suivants: Francois
ALOUGES. 6 derniers amphis: Pierre-Louis LIONS.
Site web du cours:
http://www.cmap.polytechnique.fr/~allaire/cours X annee2.html
Mes coordonnees: [email protected]

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 2

Introduction a la modelisation mathematique

et a la simulation numerique

Les trois etapes des mathematiques appliquees:

Modelisation.
Analyse du modele.
Simulation numerique.

Domaines dapplications innombrables ! Quelques exemples:

Sciences de lingenieur: aerodynamique, calcul des structures,
electromagnetisme, energie, automatique, signal, finance...
Autres sciences: physique, optique, chimie, biologie, economie...
Enjeux societaux: climat, environnement...
Dans ce cours: modeles deterministes.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 3

Objectif final du cours

Acquerir les outils mathematiques pour comprendre et interpreter (sinon

realiser) des simulations numeriques. A quoi ca sert ?
Previsions: meteo, environnement, surete...
Conception: soufflerie numerique pour laerodynamique, optimisation...
Experimentation: validation dun modele, verification dune theorie...

Avertissement

Attention aux belles images sans signification !

CFD = computational fluid dynamics
CFD 6= color fluid dynamics !

Ne jamais oublier de valider un calcul !

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 4

Buts de cette lecon

Expliquer brievement ce quest la modelisation.

Introduire la methode des differences finies.
Presenter quelques idees de base du calcul numerique.
Montrer que les aspects theoriques et pratiques forment un tout !
Montrer lutilite des mathematiques appliquees !
Presenter un exemple actuel de recherche montrant les liens entre analyse
numerique et optimisation et des applications industrielles.

Remarque: on reste assez formel dans lanalyse (voir les prochaines lecons
pour un formalisme plus rigoureux).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 5

Exemple de modelisation

Convection et diffusion de la chaleur.

Notations. Inconnue temperature (t, x).
Variables de temps t IR+ et despace x IRN .

Derivee partielle en temps:
t
 T

Gradient en espace: = , ...,
x1 xN
N
X qi
Divergence dun vecteur q = (q1 , ..., qN )T : div q =
i=1
xi
N
X 2
Laplacien: = div() = 2
i=1
xi

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 6

Conservation (ou bilan) de lenergie

Grandeurs physiques: temperature , flux de chaleur q (un vecteur),

sources thermiques f , chaleur specifique c > 0 (une constante).
Bilan dans un volume elementaire V (independant du temps):
Variation en temps = sources + pertes ou entrees a travers les parois
Z  Z
d
Z
c dx = f dx q n ds.
dt V V V

Par application du theoreme de Gauss on obtient

Z Z
q n ds = div q dx.
V V

On permute la derivee en temps et lintegrale sur V . Comme le volume V est

quelconque, on en deduit

c + div q = f
t

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 7

Normale unite dun ouvert

Convention: normale exterieure ! Normale unite: knk = 1.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 8

Loi constitutive (dite de Fourier ou de Fick)

Grandeurs physiques: vitesse convective V , conductivite thermique k > 0.

q(t, x) = c V (t, x) k (t, x)

Relation lineaire entre le flux a travers une surface et la convection suivant la

vitesse plus la diffusion suivant loppose du gradient thermique.

Relations supplementaires:
Condition initiale: (t = 0, x) = 0 (x).
Conditions aux limites:
Dirichlet: = 0 sur le bord (thermostat).
Neumann: q n = 0 (adiabatique).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 9

Modele de convection-diffusion

On trouve une equation aux derivees partielles:

+

c + c V k = f dans I
R
t

=0 sur IR+



(t = 0, x) = (x) dans
0

Donnees: c, V , k, f (t, x), 0 (x), et .

Inconnue: (t, x).
Modele issu dune loi de conservation et dune loi constitutive.
Modele simplifie dont lanalyse montrera les limites !

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 10

Modelisation (encore !)

Balance entre le terme de convection et le terme de diffusion mesuree par une

grandeur sans dimension, le nombre de Peclet
cV L
Pe = ,
k
ou L est une longueur caracteristique du probleme (par exemple le diametre
du domaine ).
Simplifications possibles du modele:

Pe << 1 equation de la chaleur

Pe >> 1 equation dadvection

On a donc trois modeles parmi lesquels il faut savoir choisir.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 11

Modeles simplifies

Equation de la chaleur (P e = 0)



c k = f dans IR+

t

=0 sur IR+



(t = 0, x) = (x) dans
0

Equation dadvection (P e = +)


+

c + c V = f dans I
R
t

=0 sur {x tel que V n(x) < 0} IR+



(t = 0, x) = (x) dans
0

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 12

Solutions explicites

Hypotheses: dimension N = 1, = IR (pas de conditions aux limites),

source f = 0. On pose = k/c. Faites le calcul pour verifier !
Equation de convection-diffusion:
Z +  2

1 (x V t y)
(t, x) = 0 (y) exp dy.
4t 4t
Equation de la chaleur:
+  2

1 (x y)
Z
(t, x) = 0 (y) exp dy.
4t 4t
Equation dadvection:
(t, x) = 0 (x V t).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 13

Propriete de la solution explicite de lequation de convection

t=0

t>0

Principe du maximum pour la solution (t, x) = 0 (x V t):

min 0 (t, x) max 0

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 14

Propriete des solutions de la chaleur et de convection-diffusion

Principe du maximum encore pour les solutions explicites des equations de

la chaleur et de convection-diffusion.
Solution = donnee initiale moyennee par un noyau gaussien:
Z +  2

1 (x V t y)
exp dy = 1.
4t 4t
Faites le calcul pour verifier !

Vitesse infinie de propagation ! Pour les equations de la chaleur et de

convection-diffusion, si 0 (x) 0 et 0 6= 0, alors (t, x) > 0 pour tout t > 0.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 15

Solution de lequation de convection-diffusion

t=0

t>0

Convolution de la donnee initiale avec un noyau gaussien

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 16

Analyse des modeles

Au vu des solutions explicites:

Principe du maximum pour les trois modeles:

min 0 (x) (x, t) max 0 (x) pour tout (x, t) IR IR+ .

xIR xIR

La fleche du temps: lequation dadvection est reversible en temps,

tandis que lequation de la chaleur (ou de convection-diffusion) est
irreversible.
Vitesse de propagation: finie pour lequation dadvection, mais infinie
pour lequation de la chaleur (ou de convection-diffusion).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 17

Remarques

Analyse plus poussee au Chapitre VIII: existence, unicite, et proprietes

qualitatives des solutions de lequation de la chaleur.
La meme equation se retrouve dans dautres problemes: evolution de la
concentration dun polluant, evaluation du prix des options en finance,
ecoulement potentiel dun fluide, electrostatique...
Tres nombreux autres modeles a base dequations aux derivees partielles.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 18

Notion de probleme bien pose (section 1.5.1)

Probleme aux limites = equation aux derivees partielles munie de

conditions aux limites sur la totalite de la frontiere du domaine.
Probleme de Cauchy = equation aux derivees partielles ou, pour la
variable de temps t, les conditions au bord sont des conditions initiales
(et pas finales).

Definition. On dit que le probleme A(u) = f est bien pose au sens de

Hadamard si pour toute donnee f il admet une solution unique u, et si cette
solution u depend continuement de la donnee f .
Condition necessaire pour faire du calcul numerique !
Des petites variations de f (erreurs de mesures ou darrondis) ne doivent
entrainer que des petites variations de u.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 19

Un peu de vocabulaire

Exemple dequation parabolique: equation de la chaleur

= f dans IR+


t
+ conditions aux limites + condition initiale

Exemple dequation elliptique: equation de Laplace

= f dans
+ conditions aux limites

Exemple dequation hyperbolique: equation des ondes

2
= f dans IR+

t2
+ conditions aux limites + conditions initiales

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 20

Elliptique, parabolique, hyperbolique

Malgre les ressemblances, proprietes tres differentes:

Elliptique: modele stationnaire (thermique, electrostatique, membrane
elastique, ecoulement potentiel).
Parabolique: modele instationnaire (diffusion thermique, chimique,
neutronique, fluide visqueux incompressible).
Irreversibilite, decroissance, principe du maximum, propagation a vitesse
infinie.
Hyperbolique: modele instationnaire (propagation dondes,
electromagnetisme, elastodynamique).
Reversibilite, conservation de lenergie, propagation a vitesse finie.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 21

Differences finies (section 1.4)

t

nt (tn, x j)

x
j x

Maillage: discretisation de lespace et du temps

(tn , xj ) = (nt, jx) pour n 0, j Z
t = pas de temps, x = pas despace (supposes petits).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 22

Principe des differences finies

On calcule des approximations

unj u(tn , xj )

On remplace les derivees par des differences finies

u unj+1 unj1 unj+1 unj unj unj1
(tn , xj ) ou bien ou bien
x 2x x x

Principe de discretisation:
on remplace un probleme de dimension infinie (calculer la fonction u(t, x))
par un probleme de dimension finie (calculer les valeurs discretes unj ), qui seul
peut etre resolu par un ordinateur.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 23

Differences divisees et formules de Taylor

Il ny a pas unicite des formules dapproximation par differences finies.

On utilise des formules de Taylor. Par exemple
2
2 u
u(t, x x) + 2u(t, x) u(t, x + x) = (x) (t, x)
x2

(x)4 4 u 
6

(t, x) + O (x)
12 x4
On en deduit la formule centree (en espace)
2u unj1 + 2unj unj+1
2 (tn , xj )
x (x)2
a un terme dordre (x)2 pres.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 24

Approximation de la derivee en temps

Trois possibilites:
Difference finie centree en temps:

u un+1
j u n1
j
(tn , xj )
t 2t
Difference finie decentree (on avance dans le temps): Euler explicite

u un+1
j unj
(tn , xj )
t t
Difference finie decentree (on remonte dans le temps): Euler implicite

u unj ujn1
(tn , xj )
t t

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 25

Application a lequation de la chaleur

u

u = 0 dans IR+

t





u=0 sur IR+





u(t = 0, x) = u0 (x) dans

k
avec = > 0.
c
Pour simplifier: dimension N = 1 et = IR.
Nous allons faire des experiences numeriques.
But:
montrer quil y a quelque chose a comprendre... cest lanalyse numerique.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 26

Trois schemas pour lequation de la chaleur

schema centre: le plus naturel
un+1
j u n1
j unj1 + 2unj unj+1
+ =0
2t (x)2
schema dEuler explicite: le plus simple
un+1
j unj unj1 + 2unj unj+1
+ =0
t (x)2
(explicite formule immediate pour trouver un+1 en fonction de un )
schema dEuler implicite: plus complique
unj un1
j u n
j1 + 2u n
j u n
j+1
+ 2
=0
t (x)
(implicite systeme lineaire pour trouver un en fonction de un1 )
Initialisation: u0j = u0 (xj ) ou u0 (x) est la condition initiale.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 27

Donnees des experiences numeriques

Pas de terme source f = 0, ni de convection V = 0.

Coefficient de diffusion = 1.
Domaine =] 10; +10[.
Condition aux limites de Dirichlet u(10) = u(+10) = 0.
Donnee initiale
u0 (x) = max(1 x2 , 0).

Comme IR on compare avec la solution exacte dans IR

Z +  2

1 (x y)
u(t, x) = u0 (y) exp dy.
4t 4t

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 28

Trois schemas pour lequation de la chaleur

schema centre: instable et inutilisable !

un+1
j un1
j unj1 + 2unj unj+1
+ =0
2t (x)2

schema dEuler explicite: stable sous condition

un+1
j unj unj1 + 2unj unj+1
+ =0
t (x)2

schema dEuler implicite: toujours stable

unj un1
j u n
j1 + 2u n
j u n
j+1
+ 2
=0
t (x)

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 29

Condition de stabilite

Stabilite pas doscillations numeriques (definition precise au prochain

chapitre).

Observations numeriques: on fixe x et on fait varier t.

Schema centre: toujours instable.
Schema implicite: toujours stable.
Schema explicite: stable sous la condition CFL (Courant, Friedrichs,
Lewy ; 1928 !)
2t (x)2 .
Le pas de temps ne peut pas etre trop grand !

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 30

Condition de stabilite (suite)

Justification mathematique de la condition CFL de stabilite pour le

schema explicite.
Principe du maximum discret: le schema explicite est equivalent a
 
n+1 t n t n t n
uj = u + 12 uj + u
(x)2 j1 (x)2 (x)2 j+1
un+1
j est une combinaison convexe si la condition CFL est satisfaite.
Donc, si 2t (x)2 , on a

m u0j M j Z m unj M j Z et n 0.

Si la condition CFL nest pas satisfaite, il y a instabilite. Exemple:

 n
t
u0j = (1)j unj = (1)j 1 4
(x)2
t
qui tend (en valeur absolue) vers car 2t > (x)2 1 4 (x) 2 < 1.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 31

Conclusion 1

Pour certains schemas il existe une condition, dite CFL, qui est
necessaire et suffisante pour la stabilite.
Autrement dit, pour certains schemas le pas de temps t doit etre petit en
comparaison au pas despace x.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 32

Experiences numeriques pour la convection-diffusion

u
+ V u u = 0 dans IR+

t





u=0 sur IR+





u(t = 0, x) = u0 (x) dans

Schema explicite en temps, centre en espace. Memes donnees que

precedemment avec t = 0.4(x)2 et V = 1.
1. = 1
2. = 0.1
3. = 0.01
De plus en plus instable !

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 33

Conclusion 2

La condition CFL varie dune equation a une autre.

Quand la vitesse de convection domine le coefficient de diffusion (grand
nombre de Peclet) il faut trouver une autre condition CFL.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 34

Experiences numeriques pour ladvection

u + V u = 0

dans IR IR+

t
u(t = 0, x) = u (x) dans
0

Solution explicite: u(x, t) = u0 (x V t).

1. Schema explicite centre
un+1
j unj unj+1 unj1
+V = 0.
t 2x
Instable quelque soit le choix de t !
2. Schema explicite decentre amont
un+1
j unj unj unj1
+V =0 si V > 0.
t x
On va chercher linformation en remontant le courant (une des idees
majeures de lanalyse numerique).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 35

Stabilite du schema decentre amont

Le schema explicite decentre amont est stable sous une nouvelle condition CFL

|V |t x.

Justification mathematique: on peut le reecrire sous la forme

 
V t V t
un+1
j = unj1 + 1 unj ,
x x
qui est une combinaison convexe si |V |t x, donc il verifie un principe du
maximum discret.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 36

Conclusion 3

Tous les schemas ne fonctionnent pas, meme sils ont lair

raisonnables !
Il faut faire appel a la physique du probleme et a lanalyse mathematique
pour trouver de bons schemas.
Dans le cas present, lidee cle est le decentrement amont.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 37

Constats et objectifs

Le calcul numerique nest pas toujours simple !

Il existe des notions importantes: condition CFL pour la stabilite,
decentrement des schemas, etc.
On a besoin de lanalyse numerique pour selectionner les bons schemas
numeriques.
Apprendre a bien utiliser les schemas numeriques.
Pouvoir en concevoir de nouveaux.
Connaitre les bases theoriques indispensables.
A court terme (deux prochains amphis): stabilite, precision, et
convergence des schemas de differences finies.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 38

Autre exemple: optimisation de structures mecaniques

Ecole Polytechnique,
RODIN project UPMC, INRIA,
Renault, EADS,
ESI group, etc.

Trouver la forme dune structure mecanique qui soit la plus

legere possible tout en etant la plus solide possible.
Theme de recherche actuellement tres intensif.
Un exemple de couplage entre analyse numerique et optimisation.
Applications industrielles: aeronautique, automobile, genie civil...
Developpement dun logiciel: projet RODIN (partenariat entre des
industriels et des laboratoires academiques).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 39

Modele mecanique: elasticite linearisee

div = f dans

= Ae(u) avec e(u) = 1/2 u + (u)T

u=0 sur D


n = 0 sur N
Hypothese de petits deplacements et petites deformations.
Force appliquee f (x) : IRN
Inconnue: deplacement u(x) : IRN
Tenseur des contraintes .
Tenseur des deformations e(u) (il sannule pour les mouvements de corps
rigide ou rotations infinitesimales).
Bord encastre D , bord libre N .

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 40

Exemple: la poutre en flexion simple (solution a gauche, deformation a droite)

Xd3d Version 7.84 (2 Oct 2001)

16/10/01 allaire
poutre.avoir2D
poutre.depl
Quadrangles 2D Q1
noeuds : 451
lments: 400

xy
-y
x-

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 41

Optimisation

Z
Minimiser le poids P () = dx.

Maximiser la solidite (definition ?).

Exemple: la rigiditeZse mesure par la compliance ou travail des forces
exterieures C() = f u dx.

Difficulte: la variable doptimisation est la forme de la structure.

Plus grande difficulte: la topologie de la structure doit etre optimisee (en
2d, nombre de trous).

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 42

Conclusion

Profonde interaction entre motivations mecaniques, modelisation

mathematique, simulation numerique et optimisation.
La simulation numerique aide a la comprehension et a la
conception ! Les mathematiques sont devenues une science
experimentale !
Les 6 dernieres lecons du cours porteront sur loptimisation.
Le cours vous expliquera comment fonctionne un code delements finis.
Vous pourrez utiliser FreeFem++ au cours des travaux pratiques.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 43

Travaux pratiques

Mise en oeuvre informatique avec les logiciels Scilab et FreeFem++.

Choisir a la scolarite un sujet de mini-projet de simulation numerique par
binome avant le mardi 4 fevrier.
Pas plus de 15 binomes sur un meme sujet. Pas de trinomes ou plus.
Lattribution des sujets seffectuera sur la base de premier arrive,
premier servi.
Assister aux 2 seances (obligatoires) de TP encadrees en salle
informatique les 11 fevrier et 1er avril.
Rendre un mini-rapport (un par binome, pas plus de quelques pages avec
un CD des programmes) pour le vendredi 20 mai au plus tard.
Prevoir, en plus des seances de TP encadrees, de lordre dune vingtaine
dheures de travail personnel de reflexion, de mise en oeuvre informatique
et de redaction.

Departement de Mathematiques Appliquees Analyse numerique et optimisation

 44

Notation
1 1
Note de module = CC + max(DV, CC)+
3 6
1 1
max(HC, CC) + T P + (bonus 2)
4 4
Bonus attribue par les enseignants de PC.
HC, CC = controles hors classement et classant.
TP = mini-projet de travaux pratiques
DV = deux devoirs obligatoires (distribues le 4 mars et le 1er avril, a
rendre chacun 2 semaines plus tard, corriges par des moniteurs).
Transformation de la note chiffree en lettre par mes soins...

Pour plus de details, voir le site web du cours:

http://www.cmap.polytechnique.fr/~allaire/cours X annee2.html
Je cherche deux volontaires pour etre delegues des eleves en MAP
431 !

Departement de Mathematiques Appliquees Analyse numerique et optimisation