Anda di halaman 1dari 44

1

ANALYSE NUMERIQUE ET OPTIMISATION


Une introduction `
a la mod
elisation math
ematique et `
a la
simulation num
erique
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: gregoire.allaire@polytechnique.fr
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

Introduction `a la modelisation mathematique


et `a la simulation numerique
Les trois
etapes des math
ematiques appliqu
ees:
Modelisation.
Analyse du mod`ele.
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: mod`eles deterministes.
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

Objectif final du cours


Acquerir les outils mathematiques pour comprendre et interpreter (sinon
realiser) des simulations numeriques. A quoi ca sert ?
Pr
evisions: meteo, environnement, surete...
Conception: soufflerie numerique pour laerodynamique, optimisation...
Exp
erimentation: validation dun mod`ele, 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 !
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

Buts de cette lecon

Expliquer bri`evement 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).

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

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
Divergence dun vecteur q = (q1 , ..., qN )T :

Laplacien:

N
X
qi
div q =
xi
i=1

N
X
2
= div() =
2
x
i
i=1

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

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
el
ementaire V (independant du temps):
Variation en temps = sources + pertes ou entrees `a travers les parois
Z
 Z
Z
d
c dx =
f dx
q n ds.
dt
V
V
V
Par application du theor`eme de Gauss on obtient
Z
Z
q n ds =
div q dx.
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
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

e dun ouvert
Normale unit

Convention: normale exterieure !

D
epartement de Math
ematiques Appliqu
ees

Normale unite: knk = 1.

Analyse num
erique et optimisation

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).

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

ele de convection-diffusion
Mod`
On trouve une equation aux derivees partielles:

+
c
V

k
=
f
dans

I
R
c

t
=0

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

sur IR+

dans

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


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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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
o`
u L est une longueur caracteristique du probl`eme (par exemple le diam`etre
du domaine ).
Simplifications possibles du mod`
ele:
Pe << 1
Pe >> 1

equation de la chaleur

equation dadvection

On a donc trois mod`


eles parmi lesquels il faut savoir choisir.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

11

Mod`eles simplifies

Equation de la chaleur (P e = 0)

c
k = f

=0

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

dans IR+

sur IR+

dans

Equation dadvection (P e = +)

c
+
c
V

=
f
dans

I
R

t
=0

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

D
epartement de Math
ematiques Appliqu
ees

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

dans

Analyse num
erique et optimisation

12

Solutions explicites

Hypoth`
eses: 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:
1

(t, x) =
4t

(x y)
0 (y) exp
4t

dy.

Equation dadvection:
(t, x) = 0 (x V t).

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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)

dy = 1.
exp
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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

15

Solution de lequation de convection-diffusion

t=0
t>0

Convolution de la donnee initiale avec un noyau gaussien

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

16

Analyse des mod`eles

Au vu des solutions explicites:


Principe du maximum pour les trois mod`eles:
min 0 (x) (x, t) max 0 (x) pour tout (x, t) IR IR+ .
xIR

xIR

La fl`
eche du temps: lequation dadvection est r
eversible en temps,
tandis que lequation de la chaleur (ou de convection-diffusion) est
irr
eversible.
Vitesse de propagation: finie pour lequation dadvection, mais infinie
pour lequation de la chaleur (ou de convection-diffusion).

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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 probl`emes: evolution de la
concentration dun polluant, evaluation du prix des options en finance,
ecoulement potentiel dun fluide, electrostatique...
Tr`es nombreux autres mod`eles `a base dequations aux derivees partielles.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

18

Notion de probl`eme bien pose (section 1.5.1)


Probl`eme aux limites = equation aux derivees partielles munie de
conditions aux limites sur la totalite de la fronti`ere du domaine.
u, pour la
Probl`eme de Cauchy = equation aux derivees partielles o`
variable de temps t, les conditions au bord sont des conditions initiales
(et pas finales).
D
efinition. On dit que le probl`eme A(u) = f est bien pos
e 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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

20

Elliptique, parabolique, hyperbolique

Malgre les ressemblances, proprietes tr`es differentes:


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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

21

Differences finies (section 1.4)


t

(tn, x j)

nt

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).


D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

22

Principe des differences finies

On calcule des approximations


unj u(tn , xj )
On remplace les derivees par des differences finies
unj+1 unj1
u
(tn , xj )
x
2x

ou bien

unj+1 unj

ou bien

unj unj1

Principe de discr
etisation:
on remplace un probl`eme de dimension infinie (calculer la fonction u(t, x))
par un probl`eme de dimension finie (calculer les valeurs discr`etes unj ), qui seul
peut etre resolu par un ordinateur.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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
u(t, x x) + 2u(t, x) u(t, x + x) =

u
2
(x)
(t, x)
x2



(x)4 4 u
6

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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

24

Approximation de la derivee en temps

Trois possibilites:
Difference finie centr
ee en temps:
n1

u
un+1
u
j
j
(tn , xj )
t
2t

Difference finie decentree (on avance dans le temps): Euler explicite


unj
un+1
u
j
(tn , xj )
t
t
Difference finie decentree (on remonte dans le temps): Euler implicite
unj ujn1
u
(tn , xj )
t
t

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

25

Application `a lequation de la chaleur

u = 0

u=0

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

dans IR+

sur IR+

dans

k
> 0.
c
Pour simplifier: dimension N = 1 et = IR.

avec =

Nous allons faire des exp


eriences num
eriques.
But:
montrer quil y a quelque chose `a comprendre... cest lanalyse numerique.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

26

Trois schemas pour lequation de la chaleur

sch
ema centr
e: le plus naturel
n1

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

sch
ema dEuler explicite: le plus simple
unj
un+1
unj1 + 2unj unj+1
j
+
=0
t
(x)2
(explicite formule immediate pour trouver un+1 en fonction de un )
sch
ema dEuler implicite: plus complique
n
n
n
unj un1

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

(implicite syst`eme lineaire pour trouver un en fonction de un1 )


u u0 (x) est la condition initiale.
Initialisation: u0j = u0 (xj ) o`
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

28

Trois schemas pour lequation de la chaleur

sch
ema centr
e: instable et inutilisable !
un1
un+1
unj1 + 2unj unj+1
j
j
+
=0
2t
(x)2
sch
ema dEuler explicite: stable sous condition
unj
un+1
unj1 + 2unj unj+1
j
+
=0
t
(x)2
sch
ema dEuler implicite: toujours stable
n
n
n
unj un1

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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

29

Condition de stabilite

Stabilite pas doscillations numeriques (definition precise au prochain


chapitre).
Observations num
eriques: 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 !

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

30

Condition de stabilite (suite)

Justification math
ematique de la condition CFL de stabilit
e pour le
sch
ema explicite.
Principe du maximum discret: le schema explicite est equivalent `a


t n
t
t n
n+1
n
uj +
u
u
+ 12
uj =
(x)2 j1
(x)2
(x)2 j+1
est une combinaison convexe si la condition CFL est satisfaite.
un+1
j
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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

31

Conclusion 1
Pour certains sch
emas il existe une condition, dite CFL, qui est
n
ecessaire et suffisante pour la stabilit
e.
Autrement dit, pour certains schemas le pas de temps t doit etre petit en
comparaison au pas despace x.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

32

Experiences numeriques pour la convection-diffusion

+ V u u = 0

u=0

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

dans IR+

sur IR+

dans

Sch
ema explicite en temps, centr
e 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 !

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

34

Experiences numeriques pour ladvection

u + V u = 0
t
u(t = 0, x) = u (x)
0

dans IR IR+

dans

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


1. Schema explicite centr
e
unj
un+1
unj+1 unj1
j
+V
= 0.
t
2x
Instable quelque soit le choix de t !
2. Schema explicite d
ecentr
e amont
unj
un+1
unj unj1
j
+V
=0
t
x

si

V > 0.

On va chercher linformation en remontant le courant (une des idees


majeures de lanalyse numerique).
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

35

Stabilite du schema decentre amont


Le schema explicite decentre amont est stable sous une nouvelle condition CFL
|V |t x.
Justification math
ematique: on peut le reecrire sous la forme


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

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

36

Conclusion 3
Tous les sch
emas ne fonctionnent pas, m
eme sils ont lair
raisonnables !
Il faut faire appel a` la physique du probl`eme et `a lanalyse mathematique
pour trouver de bons schemas.
Dans le cas present, lidee cle est le decentrement amont.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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 m


ecanique qui soit la plus
l
eg`
ere possible tout en
etant la plus solide possible.
Th`eme de recherche actuellement tr`es 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).
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

39

Mod`ele mecanique: elasticite linearisee

div = f

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

u=0

n = 0

dans
sur D
sur N

Hypoth`ese 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 .
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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-

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

41

Optimisation

Z
dx.
Minimiser le poids P () =

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).

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

42

Conclusion
Profonde interaction entre motivations mecaniques, modelisation
mathematique, simulation numerique et optimisation.
La simulation num
erique aide `
a la compr
ehension et `
a la
conception ! Les mathematiques sont devenues une science
experimentale !
Les 6 derni`eres 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.

D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique 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
bin
ome avant le mardi 4 f
evrier.
Pas plus de 15 binomes sur un meme sujet. Pas de trinomes ou plus.
Lattribution des sujets seffectuera sur la base de premier arriv
e,
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.
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation

44

Notation
Note de module =

1
1
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 d
el
egu
es des
el`
eves en MAP
431 !
D
epartement de Math
ematiques Appliqu
ees

Analyse num
erique et optimisation