Professional Documents
Culture Documents
Préface. Nous présentons la méthode sans maillage qui repose sur l’introduction des fonctions
radiales de base (RBF). Contrairement, aux mthodes les plus conventionnelles à savoir la méthode
des éléments finis (FEM), la méthode des volumes finis (FVM) et la méthode des différences finies
(FDM), cette méthode évite l’étape la plus sensible á mettre en uvre, la réalisation du maillage
du domaine d’ étude, en particulier quand la géométrie du domaine est complexe. Nous essayons
d’introduire le concept de cette méthode á travers plusieurs exemples. Les codes sont programmés
en Matlab.
Département de Mathématiques 1
FST-Mohammedia, (2009)
Contents
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1. Les Fonctions Radiales de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Les types des Fonctions Radiales de Base . . . . . . . . . . . . . . . . . . 9
1.3. La méthode des collocations RBFs . . . . . . . . . . . . . . . . . . . . . . 9
1.4. La méthode des Fonctions Radiales de Base à Supports Compacts . . . . . 14
2. Résolution de l’équation de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1. La méthode des différences finies . . . . . . . . . . . . . . . . . . . . . . 19
2.2. La méthode des collocations RBF . . . . . . . . . . . . . . . . . . . . . . 20
2.3. La méthode utilisant les CSRBFs . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Constatations : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3. Résolution de l’équation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1. Etude de la solution analytique . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Méthode des Différences finies . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3. Méthode des collocation des Fonctions Radiales de Base . . . . . . . . . . 32
3.4. Méthode utilisant les CSRBFs . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5. Constatations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4. Résolution de l’équation de Burgers . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1. La méthode des différences finies . . . . . . . . . . . . . . . . . . . . . . 39
4.2. La méthode des collocations RBFs . . . . . . . . . . . . . . . . . . . . . . 41
4.3. Méhodes des fonctions CSRBFs . . . . . . . . . . . . . . . . . . . . . . . 44
4.4. Constatations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2
List of Figures
3
A. Taik Cours Formation Doctorale
Département de Mathématiques 4
FST-Mohammedia, (2009)
List of Tables
5
A. Taik Cours Formation Doctorale
Introduction
Limitation des méthodes classiques
Les méthode classiques comme la Méthod des Eléments Finis (MEF), la Méthod des Différences
Finies (MDF) et la Méthod des Volumes Finis (MVF) sont restées encore à nos jours les méthodes
les plus utilisées pour résoudre des systèmes d’Equations aux Dérivées Partielles (EDP) que les
problèmes de modélisation physique, en particulier ceux de la mécanique des matériaux posent.
Ces méthodes bénéficient d’un fondement théorique très solide, et de nombreuses techniques sont
venues les améliorer au fil des ans. Cependant, leur mise en oeuvre reste difficile et coteuse dans
certains cas, notamment dans le domaine de la modélisation de grandes déformations en formula-
tion lagrangienne.
En effet, ces méthodes se basent sur un maillage du domaine dans lequel le problème doit être
discrétisé. Pourtant ce maillage sur lequel s’appuie le calcul doit obéir à certaines règles ; en parti-
culier, les éléments (triangles, pour la méthode des éléments finis et les noeuds des rectangles dans
le cas de la méthode des différences finies) ne doivent pas être écrasés, pour éviter que le Jacobien
associé ne dégénère. En grandes déformations, le maillage est nécessairement très déformé, avec
pour conséquence une perte de précision, des problèmes de convergence ou même un arrêt intem-
pestif de la simulation.
Des techniques de remaillage adaptatif automatique très performantes ont été développées, mais
elles sont gourmandes en temps de calcul et posent encore des problèmes pour les géométries
de dimension 3 (3D) complexes. Par ailleurs, après un remaillage, il implique obligatoirement
d’interpoler les champs comme la vitesses et les contraintes correspondant à la solution courante,
ce qui peut introduire des erreurs supplémentaires dans le calcul. Il s’agit là d’une diffusion
numérique. Enfin, en l’absence de raffinement adaptatif du maillage, les phénomènes de locali-
sation de la déformation ont tendance à suivre les bords des éléments du maillage. La solution
approchée est alors directement dépendante de celui-ci, et n’est donc plus fiable.
Par exemple, en utilisant des éléments finis pour simuler un problème de fissure, on constate
que le chemin de fissuration varie fortement lorsqu’on raffine le maillage, surtout si le maillage
est anisotrope (c’est-à-dire lorsqu’une direction privilégiée apparaı̂t dans le maillage, ce qui est
fréquent notamment avec des éléments structurés). Des éléments finis spéciaux ont été conus pour
remédier à cette dépendance vis-à-vis du maillage, mais ils sont difficiles à implémenter dans le
cas général, voire complètement liés à un problème particulier et impossibles à généraliser sans
raffinement adaptatif.
Département de Mathématiques 6
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
méthode particulaire. D’un point de vue théorique idéalisé, les avantages de ces méthodes sont les
suivants :
• - L’absence de connectivités fixes entre les noeuds supprime les effets indésirables de la MEF
dus à la déformation du maillage;
• - Le raffinement de la discrétisation est facilité, puisqu’il est très simple de rajouter des
noeuds sans un traitement supplementaire ou particulier tel que l’adaptation du maillage;
• - Les frontières internes variables dans le temps telles que les fissures sont facilement ma-
nipulables pour la même raison, et leur orientation ne sera pas directement dépendante de la
discrétisation.
• - La plus grande particularité de ces méthodes est la possibilité d’enrichir les fonctions, c’est-
à-dire d’inclure à leur niveau des propriétés de la physique du problème à étudier. On peut
ainsi, avec un faible nombre de noeuds, approcher avec une grande précision la solution du
problème.
Ces avantages font des méthodes sans maillage les candidates idéales pour simuler des problèmes
à frontière libre et/ou en grande déformation. Dans le premier cas, par exemple pour simuler un
problème de localisation de contraintes suivi de rupture, le chemin de fissuration est nécessairement
influencé par la forme locale du maillage. Dans le second cas, les méthodes sans maillage perme-
ttent la réduction importante des phénomènes de verrouillage. Dans les deux cas, l’absence de
remaillage est encore un avantage important, en termes de gain de précision comme de temps de
calcul.
Il existe un nombre important des méthodes sans maillage. Nous donnons une liste non exhaustive
de ces méthodes:
1. Méthodes sans maillage utilisant le principe des noyaux régularisants:
Département de Mathématiques 7
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
(c) Les méthodes utilisant les Focntions Radiales de Base à Support Compact (CSRBF)
L’étude a montré que ces méthodes sont très fiables et offrent des meilleures approximations
des problèmes physiques. Toutefois, dans notre travail, nous ne presenterons que les méthodes
utilisant les Fonctions radiales de base, plus précisement la méthode des collocations RBF et la
méthode des fonctions CSRBFs.
Pour cela, nous organiserons notre recherche selon le plan suivant:
Département de Mathématiques 8
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Où c est un paramètre libre positive dont le rle est de contrler le conditionnement des systèmes
linéaires à résoudre.
Département de Mathématiques 9
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
interpoler des données multidimensionnelles et pour rapprocher des surfaces géographiques bidi-
mensionnelles, a montré que la MQ a une fondée physique car elle est liée à une solution du
problème biharmonique. Puis, Buhmann et Michelli en 1992, ensuite Chui et al. en 1996 ont
montré que les RBFs sont liées à des ondelettes. En 1984, l’économe danois, Harry Michael
STEAD a prouvé que l’approximation des dérivées partielles d’ordre supérieur obtenue à partir de
l’interpolant MQ est plus précise que la plupart des techniques comme le quotient des Différences
Finies. Puis KANSA a intervenu pour résoudre des équations aux dérivées partielles de type
elliptique, parabolique ou encore hyperbolique. Cette intervention qui a modifié la fonction Mul-
tiquadrique a eu un grand succès. Enfin, en 1999, HON et al. ont amélioré la méthode MQ pour
résoudre des variétés des problèmes aux limites non linéaires dont la plus courante est l’Equation
de Burgers.
Principe de la méthode
Etant donné N points arbitraires, X1 , X2 , · · · , XN , dans un domaine Ω, nous considérerons qu’il
y a n points à l’intérieur de Ω et m = N − n sur les bords ∂Ω que l’on notera Γ. On posera û la
forme approchée de u.
Pour bien illustrer la méthode de Collocation RBF, considérons l’équation aux dérivées partielles
donnée par
Soit
(xj )1≤j≤n ⊂ Ω et (xj )n+1≤j≤m ⊂ Γ
Par la méthode de collocation RBF, on cherche une solution approchée û de l’équation (1.1) et
(1.2), sous la forme
N
X
û(x) = αj φj (x), (1.3)
j=1
Où φj (x) = φ(kx − xj k2 ), φ étant une fonction radiale de base. L et Q sont des opérateurs
diiférentiels linéaires. Q spécifie les conditions aux limites de Dirichlet, Neumann ou mixtes, f et
g sont des fonctions données de Rd =⇒ R.
En remplaant u par û dans (1.1) et (1.2), on a
N
X
Lû = αj Lφj (xi ) = f (xi ), 1 ≤ i ≤ n,
j=1
N
X
Qû = αj Qφj (xi ) = g(xi ), n + 1 ≤ i ≤ N,
j=1
Département de Mathématiques 10
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
N
X
αj Lφj (xi ) = f (xi ), 1 ≤ i ≤ n,
j=1
N
X
αj Qφj (xi ) = g(xi ), n + 1 ≤ i ≤ n + m,
j=1
Pour les problèmes d’évolution en dimension d, i.e non stationnaire, évoluant en fonction du
temps, comme par exemple de la forme
∂u
+ Lu = f (x) sur Ω × [0, Tmax ] ,
∂t
avec les conditions initiales aux limites
Bu = g(x, t) sur Γ = ∂Ω
Département de Mathématiques 11
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
un+1 − un ¡ ¢
= θ Lun+1 + f (x, tn+1 ) + (1 − θ) (Lun + f (x, tn )) , (1.4)
∆t
et les conditions limites données, où ∆t = tn+1 − tn est le pas de discrétisation en temps, un (n =
0, 1, 2, . . .) est la solution au pas de temps tn = n∆t et θ = 1/2 pour le cas de Cranck - Nicolson.
Dans ce cas, la solution approchée à l’instant tn par la méthode de collocation RBF s’écrit
n+m
X
n
u (x, tn ) = αj (tn )φj (x)
j=1
1- La fonction Multiquadrique
√
Φ(r) = r2 + c2 avec c > 0 et r ∈ Ω et c = 0.13426
Département de Mathématiques 12
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Φ(r) = rc ln r, r ∈ Ω et c = 2
Figure 3: La fonction thin-Plat spline pour Figure 4: La fonction thin-plat spline pour
h=1.25 h=0.3125
Φ(r) = r3 , r ∈ Ω
Figure 5: La fonction spline cubique pour Figure 6: La fonction spline cubique pour
h=1.25 h=0.3125
Département de Mathématiques 13
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 7: La fonction spline puissance pour Figure 8: La fonction spline puissance pour
h=0.3125 et β = 0.25 h=0.3125 et β = 1.5
Où p(r) est l’un des polynmes prescrits par Wu ou Wendland, r = ||x − xj ||Nj=1 est la distance
d
Euclidienne avec x, xj ∈ R . Les indices l et 2k representent respectivement la dimension et la
souplesse de la fonction F .
Département de Mathématiques 14
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Principe de la méthode
Soit F une fonction numérique à interpoler. Il est supposé que les valeurs des approximations de
F (xi , yj ) sont données par la fonction d’interpolation
N
X µ ¶
ri,j
F̂ (xi , yj ) = αj φl,k
j=1
σj
p
avec ri,j = (xi − xj )2 + (yj − yj )2 , αj des coefficients inconnus détérminés par collocation
entre les points distincts (xi , yi )N
i=1 et φl,k une fonction radiale de base à support compact.
Le facteur scalaire σj peut être variable ou constant pour les différents points j. Ceci est dépendant
de la nature du problème. Nous devons, toutefois, noter qu’un nombre important de problèmes
pour trouver la méthode détérminer la taille optimale de σ reste non résolu.
Pour assurer l’unicité de l’interpolant F̂ (x), il suffit que la fonction continue φ soit définie
positive.
Définition
Soit Φ : Rd −→ R, une fonction continue.
Φ est dite définie positive sur Rd si, et seulement si, pour toutes series des centres distincts X =
{x1 , x2 , · · · , xN } ⊆ Rd et pour tout vecteur α ∈ RN − {0}, la forme quadratique
N X
X N
αj αk Φ(xj − xk )
j=1 k=1
est positive.
Département de Mathématiques 15
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Par la suite, il a été demontré que la souplesse des CSRBFs de Wu se détériore pour les dimen-
sions plus élevées. C’est pour cette raison que Wendland a été motivé à modifier les fonctions de
Wu pour établir d’autres fonctions radiales de base à support compact. Le travail a été long et nous
nous abstiendrons à le présenter ici.
.
φ3,0 (r) = (1 − r)3+ c0 ∩ P D 5
.
φ3,1 (r) = (1 − r)4+ (1 + 4r) c2 ∩ P D 3
.
φ4,2 (r) = (1 − r)6+ (3 + 18r + 35r2 ) c4 ∩ P D 3
.
φ5,3 (r) = (1 − r)8+ (1 + 8r + 25r2 + 32r3 ) c6 ∩ P D 3
.
φ6,4 (r) = (1 − r)10 2 3 4
+ (5 + 50r + 210r + 450r + 429r ) c8 ∩ P D 3
.
φ7,5 (r) = (1 − r)+ (9 + 108r + 566r + 1644r + 2697r4 + 2048r5 )
12 2 3
c10 ∩ P D3
Tard après, Fasshauer a donné les formules explicites pour les fonctions de Wendland pour
les valeurs de k = 0, 1, 2, 3. La valeur de l est donnée par la formule l = d2 + k + 1, où d est la
dimension. Les formules explicites des fonctions de Wendland sont données pe tableau suivant
.
φl,0 (r) = (1 − r)l+ c0 ∩ P D d
.
φl,1 (r) = (1 − r)l+1
+ [(l + 1)r + 1] c2 ∩ P D d
.
φl,2 (r) = (1 − r)l+2 2 2
+ [(l + 4l + 3)r + (3l + 6)r + 3] c4 ∩ P D d
. l+3
φl,3 (r) = (1 − r)+ [(l3 + 9l2 + 23l)r3
+(6l2 + 36l + 45)r2 + (15l + 45)r + 15] c6 ∩ P D d
1- Les fonctions de Wu
On considère ici les fonctions φ2,1 (r) et φ3,1 (r) de Wu.
.
φ2,1 (r) = (1 − r)4+ (4 + 16r + 12r2 + 3r3 )
et
.
φ3,1 (r) = (1 − r)6+ (6 + 36r + 82r2 + 72r3 + 30r4 + 5r5 )
Département de Mathématiques 16
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Département de Mathématiques 17
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Remarque
Nous constatons, par ces quelques graphes, que la plupart des fonctions choisies ont le même
comportement dans le domaine d’étude. Que ce soit les fonctions radiales de base simples ou les
fonctions radiales de base à support compact, l’allure de courbe reste presque la même. C’est pour
cette raison que les fonctions utilisées, sans pour autant faire attention à leurs choix, donnent des
resultats presque pareils.
Sur ce, nous utiliserons ces fonctions pour la résolution de nos problèmes sans tenir compte de leur
choix.
Pour les méthodes RBFs, nous employerons souvent la fonction multiquadrique de Hardy pour
sa simplicité et sa précision plus élevée. Mais pour les méthodes CSRBFs, nous employerons
altérnativement les fonctions des trois tableaux comme gré nous parait pour résoudre les équations.
Département de Mathématiques 18
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
∂2u ∂ 2u
+ =0 (2.1)
∂x2 ∂y 2
Département de Mathématiques 19
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 15: Laplace MDF pour h = 2.5 Figure 16: Laplace MDF pour h = 1.25
Département de Mathématiques 20
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 17: Laplace MDF pour h = 0.625 Figure 18: Lapalce MDF pour h = 0.3125
D’après les conditions de Michelli [020], cette équation admet une solution unique, c’est à dire
:
∂ 2 û ∂ 2 û
∆u = + =0
∂x2 ∂y 2
N
X N
∂ 2 gj (||x − xj ||) X ∂ 2 gj (||x − xj ||)
⇒ αj × + αj × =0
j=1
∂x2 j=1
∂y 2
∂ 2 û ∂ 2 û
Calculons les dérivées partielles secondes ∂x2
et ∂y 2
de cette équation. On a :
N
∂ û X x − xj
= αj × p
∂x j=1
(x − xj ) + (y − yj )2 + c2
2
Département de Mathématiques 21
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
2
= αj × p − 3
∂x j=1
2 2
(x − xj ) + (y − yj ) + c 2 ((x − xj ) + (y − yj )2 + c2 ) 2
2
Comme x et y jouent un rle symétrique, nous avons la même formule pour la dérivée partielle
seconde de û par rapport à y.
N
à !
∂ 2 û X 1 (y − yj )2
= αj × p − 3
∂y 2 j=1
(x − xj )2 + (y − yj )2 + c2 ((x − xj )2 + (y − yj )2 + c2 ) 2
D’où,
n
à !
X 2 (x − xj )2 + (y − yj )2
∆u = αj × p − 3 =0
j=1
(x − xj )2 + (y − yj )2 + c2 ((x − xj )2 + (y − yj )2 + c2 ) 2
N
X q
αi × (x − xj )2 + (y − yj )2 + c2 = 0 sur ΓAB, CD, AD
j=1
et
N
X q
αi × (x − xj )2 + (y − yj )2 + c2 = 100 sur ΓBC
j=1
Avec A, B, C et D, les points de coordonnées respectives (0.0, 0.0), (20.0, 0.0), (20.0, 10.0) et
(0.0, 10.0).
Dans ce système seul α est inconnu et connaı̂tre α nous permet d’évaluer û par la formule de
Michelli. Le système matriciel de cette équation est de la forme :
Aα = B
La résolution numérique de cette équation matricielle (voir annexe(4)) nous a donné les valeurs
approchées de u pour h = 2.5 et c = 0.13426 dont le tableau suivant résume.
Voici quelques courbes de cette solution, h étant le pas de discétisation en x et en y.
Département de Mathématiques 22
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 19: Laplace RBF pour h=2.5 Figure 20: Laplace RBF pour h=2
Figure 21: Laplace RBF pour h=1.25 Figure 22: Laplace RBF pour h=0.625
Département de Mathématiques 23
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
∂2u ∂ 2u
+ =0
∂x2 ∂y 2
L’approximation de u est donnée par
N
X
u= αj × φσ
j=1
Nous utiliserons pour cette équation la fonction radiale de base à support compact φσ4,2 de
Wendland qui est
r 6 r r
φσ4,2 (r) = (1 − )+ (3 + 18 + 35( )2 )
σ σ σ
Avec r la norme eucludienne en R2
q
r = (x − xj )2 + (y − yj )2
Après les calculs des dérivées partielles, nous avons obtenu
à µ ¶2 !
∂ 2 φσ −56 r 4 r ³ r ´2 x − xj
= 2 (1 − )+ 1 + 4 − 5 − 30
∂x2 σ σ σ σ σ
et à µ ¶2 !
2 σ
∂ φ −56 r r ³ r ´2 y − yj
2
= 2 (1 − )4+ 1+4 −5 − 30
∂y σ σ σ σ σ
Ce qui donne; après les calculs
N
X µ ³ r ´2 ¶
−56 r 4 r
∆u = αj × 2 (1 − )+ 2 + 8 − 40 =0
j=1
σ σ σ σ
où α est un vecteur dont les valeurs sont à détérminer.Le système matriciel devient alors
Aα = B
avec
Département de Mathématiques 24
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
µ ³ ´2 ¶
−56 ri,j 4 r ri,j
σ2
(1 − )
σj +
2+ 8 σi,jj− 40 σj
si [x, y] ∈ Ω
A(i, j) = ³ ´6 µ ³ ´2 ¶
ri,j r r
1− σj
3 + 18 σi,jj + 35 σi,jj si [x, y] ∈ ∂Ω
+
Figure 23: Laplace CSRBF pour h=2.5 Figure 24: Laplace CSRBF pour h=1.25
Figure 25: Lapalce CSRBF pour h=1 Figure 26: Laplace CSRBF pour h=0.625
Département de Mathématiques 25
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
y/x 0.0 2.5 5.0 7.5 10.0 10.25 10.5 10.75 20.0
0.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2.5 0.0000 0.0048 0.0218 0.0918 0.3852 1.6201 6.8958 31.0408 100
5.0 0.0000 0.0070 0.0319 0.1342 0.5623 2.3494 9.7013 37.7348 100
7.5 0.0000 0.0048 0.0218 0.0918 0.3852 1.6201 6.8958 31.0408 100
1.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Table 6: Valeurs de Laplace CSRBF pour h=2.5
2.4. Constatations :
Nous remarquons que la méthode des collocations RBF et celle des CSRBFs, plus pratique pour
leur programmation nous offrent des approximations plus fiables que celles obtenues avec la
méthode des différences finies. Le seul incovénient qui s’y met est la paramètrisation des coef-
ficients comme c pour les collocations RBFs et le σ pour les CSRBFs.
Département de Mathématiques 26
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
La programmation de cette solution exacte (voir annexe(6)) donne les courbes suivantes.
Figure 27: Fourier exacte pour Tmax = Figure 28: Fourier exacte pour Tmax =
3.5062 5.1563
Département de Mathématiques 27
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 29: Fourier exacte pour Tmax = Figure 30: Fourier exacte pour Tmax =
10.3125 20.6250
x/t 0 0.2062 0.4125 0.6187 0.8250 1.0313 1.2375 1.4437 1.6500
0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.25 24.9992 24.9809 24.5726 23.5854 22.2705 20.8380 19.4021 18.0176 16.7082
0.5 50.0014 46.5756 47.4881 44.6794 417082 38.7834 35.9904 33.3621 30.9078
0.75 74.9982 70.8350 65.0194 59.8495 55.2285 51.0395 47.2068 43.6812 40.4287
1.0 99.7994 80.0542 71.7924 65.4529 60.1098 55.4094 51.1784 47.3212 43.7802
1.25 74.9982 70.8350 65.0194 59.8495 55.2285 51.0395 47.2068 43.6812 40.4287
1.5 50.0014 46.5756 47.4881 44.6794 417082 38.7834 35.9904 33.3621 30.9078
1.75 24.9992 24.9809 24.5726 23.5854 22.2705 20.8380 19.4021 18.0176 16.7082
2.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
x/t 1.8562 2.0625 2.2687 2.4750 2.6812 2.8875 3.0937 3.30 3.5062
0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.25 15.4823 14.3404 13.2798 12.2961 11.3846 10.5403 9.7585 9.0345 8.3642
0.5 28.6250 26.5063 24.5422 22.7225 21.0372 19.4765 18.0316 16.6937 15.4551
0.75 37.4232 34.6436 32.0716 29.6912 27.4878 25.4480 23.5597 21.8116 20.1931
1.00 40.5168 37.5031 34.7166 32.1388 29.7532 27.5451 25.5010 23.6088 21.8569
1.25 37.4232 34.6436 32.0716 29.6912 27.4878 25.4480 23.5597 21.8116 20.1931
1.5 28.6250 26.5063 24.5422 22.7225 21.0372 19.4765 18.0316 16.6937 15.4551
1.75 15.4823 14.3404 13.2798 12.2961 11.3846 10.5403 9.7585 9.0345 8.3642
2.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Département de Mathématiques 28
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
∂u
Pour l’approximation de ∂t
, nous utiliserons aussi la formule de Taylor d’ordre 1, qui donne
∂u
u(x, t + ∆t) = u(x, t) + ∆t + Θ(t2 ), avec Θ(t2 ) → 0 si ∆t → 0
∂t
On obtient alors
∂u uj+1
i − uji
=
∂t ∆t
En remplaant ces approximations dans l’équation de la chaleur, nous trouvons la formule suiv-
ante :
uj+1
i − uji κ uji+1 − 2uji + uji−1
≈ ×
∆t cρ (∆x)2
∆t κ
En posant r = (∆x)2
× cρ
, l’équation devient:
uj+1
i = ruji+1 + (1 − 2r)uji + ruji−1
Ceci est l’équation discrétisée de l’équation de la chaleur avec la méthode des différences finies.
Toutefois, l’étude a montré que cette méthode n’est ni stable ni convergente que pour r < 12 .
C’est pour cette raison que nous n’allons pas l’utiliser et nous nous contenterons de la méthode de
Crank - Nicholson.
Pour assurer une résolution numérique stable et ce dans toute la région de l’étude, Crank et Nichol-
son ont proposé de prendre la moyenne des derivées partielles spatiales de u entre les instants tj et
tj+1 au lieu de considérer seulement la dérivée spatiale à l’instant tj , c’est à dire:
· ¸
∂u α ∂ 2u ∂ 2u
(xi , tj ) = (xi , tj ) + 2 (xi , tj+1 )
∂t 2 ∂x2 ∂x
Utilisons les mêmes approximations que précédemment
à !
j j j j+1 j+1 j+1
1 ui+1 − 2ui + ui−1 ui+1 − 2ui + ui−1 cρ uj+1
i − uji
+ = ×
2 (∆x)2 (∆x)2 κ ∆t
¡ ¢ ∆t κ ¡ j ¢
⇒ 2 uj+1
i − u j
i = u − 2u j
+ u j
+ u j+1
− 2u j+1
+ u j+1
i+1 .
(∆x)2 cρ i+1 i i−1 i+1 i
Ce qui donne
−ruj+1 j+1
i−1 + (2 + 2r)ui − ruj+1 j j j
i+1 = rui−1 + (2 − 2r)ui + rui+1
Département de Mathématiques 29
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
M1 U j+1 + N1 = M2 U j + N2
¡ ¢
⇒ U j+1 = M1−1 M2 U j + (N2 − N1 )
La résolution numérique de ce système linéaire (voir (6)) nous a donné les courbes et tableaux
suivants
Figure 31: Fourier MDF pour Tmax = Figure 32: Fourier MDF pour Tmax =
3.5062 5.1563
Figure 33: Fourier MDF pour Tmax = Figure 34: Fourier MDF Tmax = 20.6250
10.3125
Pour voir comment évolue la solution en fonction du temps, nous proposons les courbes suiv-
antes.
L’étude de la valeur absolue de l’erreur de cette méthode nous a montré que :
Département de Mathématiques 30
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 35: Evolution de Fourier MDF pour Figure 36: Evolution de Fourier MDF pour
Tmax = 5.1563 Tmax = 10.3125
Les courbes suivantes explicite comment la fonction erreur se comporte dans la résolution de
l’équation de la chaleur avec la méthode des différences finies.
Département de Mathématiques 31
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 37: Erreur de Fourier MDF pour Figure 38: Erreur de Fourier MDF pour
Tmax = 5.1563 Tmax = 20.625
∂u κ ∂ 2u
= × 2 , x ∈]0, 2[ et t > 0
∂t cρ ∂x
∂ û κ ∂ 2 û
= × 2
∂t cρ ∂x
κ
Posons r = cρ et utilisons la formule décentrée avant de l’approximation de la dérivée de u par
rapport à t. Ce qui nous donne
N
ûn+1 − ûn ∂2 X
=r× 2 αj (tn ) × gj (||x − xj ||)
∆t ∂x j=1
Département de Mathématiques 32
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
un+1 = un + ∆t × r × Aαn
Avec
c2
A(i, j) = 3
((x − xj )2 + c2 ) 2
La résolution de cette équation est itérative et connaitre la valeur de α et de u à l’étape n nous
permet de détérminer entièrement la valeur de u à l’étape n + 1 par la formule précédente.
Le declenchement du procéssus est assuré par les conditions initiales Ci telles que
½
100 × x(i) si 0 ≤ x ≤ 1
Ci(i) =
100 × (2 − x(i)) si 1 ≤ x ≤ 2
A t = 0, u0 = Ci et
N
X
û = αj0 × gj (||x − xj ||) = Ci Alors α0 = Ci/g
j=1
Nous résumons dans le tableau et les courbes suivants les valeurs et l’évolution de u pour
c = 0.5 dont la résolution numérique (voir annexe (7)) nous a donné.
Voici quelques que nous avons prises à des Tmax différents.
L’étude de la valeur absolue de la différence de uexact et uapprox nous a montré que :
Voici quelques courbes justifiant l’évolution de l’erreur en fonction du temps t. Le programme est
inclus dans l’annexe (7).
Département de Mathématiques 33
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 39: Fourier RBF, Tmax = 3 Figure 40: Fourier RBF, Tmax = 5
Département de Mathématiques 34
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 41: Fourier RBF, Tmax = 10 Figure 42: Fourier RBF, Tmax = 15
Figure 43: Erreur de Fourier RBF à Tmax = Figure 44: Erreur de Fourier RBF à Tmax =
0.1 2
à support compact, nous nous proposons de prendre directement la rélation etablie dans la partie
précédente ici.
Rappelons que nous avons
N
X
n+1 n ∂ 2 φσ
u = u + r × ∆t × αj (tn ) ×
j=1
∂x2
où φ represente une fonction radiale de base à support compact. Nous utiliserons ici la fonction de
Wendland φσ4,2 qui est
r 6 r r
φσ4,2 (r) = (1 − )+ (3 + 18 + 35( )2 )
σ σ σ
où r = ||x − xj ||
Département de Mathématiques 35
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
un+1 = un + r × ∆t × Aαn
avec µ ³ r ´2 ¶
−56 ri,j 4 ri,j i,j
A(i, j) = 2 (1 − )+ 1 + 4 − 35
σ σ σ σ
La résolution suit les mêmes principes que précédemment et nous donnes les resultats suivants
pour σ = 5 et ∆t = 0.01
La programmation est donnée en (Annexe(8)).
Figure 45: Fourier CSRBF à Tmax = 3 Figure 46: Fourier CSRBF à Tmax = 5
Voici le tableau qui résume les valeurs approchées de la solution de l’équation de la chaleur par
les CSRBFs à Tmax = 0.17
Avec cette méthode, nous avons rémarqué que l’erreur évolue selon les cas suivants :
1. Pour Tmax = 0.17, l’erreur maximale en valeur absolue est de 2.8878
2. Pour Tmax = 1, l’erreur maximale en valeur absolue est encore une fois 2.8878
Département de Mathématiques 36
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 47: Fourier CSRBF à Tmax = 10 Figure 48: Fourier CSRBF à Tmax = 20
x/t 0.00 0.0100 0.0200 0.0300 0.0400 0.0500 0.0600 0.0700 0.0800
0.00 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.25 25.00 25.0267 25.0361 25.0337 25.0238 25.0095 24.9930 24.9759 24.9592
0.5 50.00 49.8673 49.7920 49.7581 49.7531 49.7676 49.7941 49.8271 49.8622
0.75 75.00 75.3717 75.6057 75.7294 75.7647 75.7292 75.6370 75.4994 75.3255
1.00 100.0 98.2418 96.6767 95.2721 94.0012 92.8426 91.7786 90.7947 89.8792
1.25 75.0000 75.3717 75.6057 75.7294 75.7647 75.7292 75.6370 75.4994 75.3255
1.5 50.00 49.8673 49.7920 49.7581 49.7531 49.7676 49.7941 49.8271 49.8622
1.75 25.00 25.0267 25.0361 25.0337 25.0238 25.0095 24.9930 24.9759 24.9592
2.00 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
x/t 0.09 0.1000 0.1100 0.1200 0.1300 0.1400 0.1500 0.1600 0.1700
0.0 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.25 24.9435 24.9295 24.9171 24.9065 24.8975 24.8901 24.8840 24.8789 24.8748
0.5 49.8963 49.9271 49.9530 49.9728 49.9858 49.9914 49.9895 49.9799 49.9628
0.75 75.1227 74.8968 74.6525 74.3938 74.1237 73.8448 73.5590 73.2679 72.9730
1.00 89.0223 88.2160 87.4536 86.7296 86.0394 85.3791 84.7454 84.1356 83.5472
1.25 75.1227 74.8968 74.6525 74.3938 74.1237 73.8448 73.5590 73.2679 72.9730
1.5 49.8963 49.9271 49.9530 49.9728 49.9858 49.9914 49.9895 49.9799 49.9628
1.75 24.9435 24.9295 24.9171 24.9065 24.8975 24.8901 24.8840 24.8789 24.8748
2.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Table 10: Valeurs de Fourier RBF pour Tmax = 0.17
3.5. Constatations
Avec les différentes méthodes que nous avons utilisées pour résoudre cette équation aux dérivées
partielles instationnaire, nous nous sommes rendus compte que les méthodes qui se privent des
Département de Mathématiques 37
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 49: Erreur de Fourier CSRBF à Figure 50: Erreur de Fourier CSRBF à
Tmax = 0.17 Tmax = 2
Figure 51: Evolution de Fourier CSRBF Figure 52: Evolution de Fourier CSRBF
pour Tmax = 0.1 pour Tmax = 20
discrétisations sont plus éfficaces ques les méthodes les méthodes imposant ce travail plus pénibles
pour certaines situations. Toutefois, nous remarquons que les méthodes des fonctions radiales de
base à support compact sont plus éfficaces que celles des collocations pour la parametrisation. En
effet, bien que les méthodes des fonctions CSRBFs sont régies du paramètre σ, celui-ci n’influe
pas trop dans les calculs des valeurs approchées de u comme dans le cas du paramètre c pour les
RBFs. Nous avons tiré que pour que la méthode MQ de Hardy converge dans cette équation, il
faut que c soit soigneusement choici. Or, pour les CSRBFs, varier σ de 5 à 50 ne provoque pas un
bouleversement dans l’évolution de u.
Nous tirons encore une fois que la méthode utilisant les fonctions radiales de base à support com-
pact est la plus fiable.
Département de Mathématiques 38
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Où R est le nombre de Reynolds et f (x), une fonction donnée. La résolution de cette équation
presente plusieurs incovénients et difficulté comme le problème de stabilité et d’entropie. Pour
l’étudier sous des bonnes conditions, nous devons prendre en compte plusieurs conditions comme
les conditions d’entropie et les Condition de Rankine - Hugoniot à travers un choc.
Les schémas respectant ces conditions, qui ont été établis sont multiples, mais nous ne noterons
ici que ceux qui sont sous forme conservative pour cette équation.
Sa forme générale est de
∆t ¡ j j+1 ¢ 1
uj+1
i = uji − g(ui , ui ) − g(uji−1 , ui , j) + uxx
∆x R
1 2
Où g(u, v) represente le flux numérique de l’équation avec g(u, u) = 2 u . Ces schémas respectent
tous la condition C.F.L suivante
¯ ¯ ∆tn
αj = sup ¯uji ¯ ≤1
i ∆x
Parmi les schémas classiques, nous avons celui de Lax-Friedrichs [021]
µ ¶
1 1 2 2 ∆x
g(u, v) = (u + v ) − (v − u)
2 2 ∆t
et celui de Lax - Wendroff [021]
µ µ ¶µ ¶¶
1 1 2 2 ∆x u + v 1 2 2
g(u, v) = (u + v ) − (v − u )
2 2 ∆t 2 2
Département de Mathématiques 39
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
µ ¶
1 ∆t ¡ j ¢ 2∆t j ∆t ¡ j 2 ¢
⇒ uj+1
i = + ui+1 + uji−1 − u i + (u i−1 ) − (u j
i+1 )2
2 R(∆x)2 R(∆x)2 4∆x
Dans cette résolution, la condition initiale, f est
x/t 0.00 0.0125 0.0250 0.0375 0.0500 0.0625 0.0750 0.0875 0.100
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.0625 0.1951 0.1840 0.1717 0.1598 0.1490 0.1392 0.1304 0.1225 0.1155
0.125 0.3827 0.3560 0.3306 0.3074 0.2865 0.2680 0.2514 0.2365 0.2232
0.1875 0.5556 0.5129 0.4750 0.4414 0.4118 0.3855 0.3622 0.3413 0.3226
0.25 0.7071 0.6507 0.6023 0.5602 0.5234 0.4908 0.4619 0.4360 0.4127
0.3125 0.8315 0.7658 0.7100 0.6618 0.6196 0.5824 0.5491 0.5193 0.4924
0.375 0.9239 0.8545 0.7953 0.7439 0.6987 0.6585 0.6224 0.5899 0.5603
0.4375 0.9808 0.9137 0.8554 0.8040 0.7582 0.7170 0.6797 0.6457 0.6146
0.5 1.0000 0.9409 0.8876 0.8394 0.7955 0.7553 0.7184 0.6844 0.6528
0.5625 0.9808 0.9339 0.8893 0.8471 0.8075 0.7703 0.7354 0.7026 0.6717
0.625 0.9239 0.8917 0.8581 0.8242 0.7909 0.7584 0.7269 0.6966 0.6673
0.6875 0.8315 0.8141 0.7924 0.7681 0.7422 0.7156 0.6887 0.6617 0.6349
0.75 0.7071 0.7026 0.6919 0.6769 0.6588 0.6383 0.6162 0.5932 0.5698
0.8125 0.5556 0.5600 0.5579 0.5506 0.5388 0.5238 0.5067 0.4882 0.4689
0.875 0.3827 0.3913 0.3941 0.3908 0.3834 0.3732 0.3611 0.3478 0.3338
0.9375 0.1951 0.2033 0.2048 0.2030 0.1990 0.1935 0.1870 0.1799 0.1725
1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
- Pour différentes valeurs des pas de discrétisations, nous avons obtenu les graphes suivants:
Les courbes suivantes montrent, à chaque étape n de t, la courbe representative de u approchée
par la méthode des différences finies.
Département de Mathématiques 40
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 53: Burgers MDF pour Tmax = 0.1 Figure 54: Burgers MDF pour Tmax =
0.3125
Figure 55: Burgers MDF pour Tmax = 0.625 Figure 56: Burgers MDF pour Tmax = 1.25
Département de Mathématiques 41
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 57: Evolution de Burgers MDF pour Figure 58: Evolution de Burgers MDF pour
Tmax = 0.5 Tmax = 1
La méthode que nous allons prendre en compte est la multiquadrique dont la fonction radiale de
base est: √
gj (r) = r2 + c2 avec r = ||x − xj || et c > 0
Posons
N
X
û = αj (t)gj (||x − xj ||)
j=1
et supposons que u ≈ û. Ce qui nous permet de remplacer u par û dans l’équation de Burgers.
µ ¶
1 ∂ û ∂ û2 1 ∂ 2 û
ût + ûûx = ûxx ⇒ + = (4.1)
R ∂t ∂x 2 R ∂x2
Pour des raisons de stabilité et sous les conditions C.F.L, nous conservons le schéma de Lax-
Friedrichs [021] précédent pour résoudre notre équation. Nous n’approximerons que la dérivée
partielle seconde par les fonctions RBFs.
Rappelons le schéma de Lax-Friedrichs ici :
¡ n ¢2 1 ¡ n ¢2 Ã N !
un+1 − 1
(u n
+ u n
) 1
u − u 1 ∂ 2 X
i 2 i+1 i−1
+ 2 i+1 2 i−1
= αj (t) × gj (||x − xj ||)
∆t 2∆x R ∂x2 j=1
Département de Mathématiques 42
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
p
Avec gj la fonction multiquadrique de Hardy, gj (||x − xj ||) = (x − xj )2 + c2 . La dérivée
seconde de cette équation est
∂ 2 gj (||x − xj ||) c2
= ³p ´3
∂x2
(x − xj )2 + c2
Si nous notons
N
X c2
uxx = αj (tn ) × ³p ´3
j=1 (x − xj )2 + c2
1¡ n ¢ ∆t ¡ n 2 ¢ ∆t
un+1
i = ui+1 + uni−1 + (ui−1 ) − (uni+1 )2 + uxx (i)
2 4∆x R
La résolution numérique (voir annexe(10)) nous a donné les valeurs de u qu’on a résumées
dans le tableau suivant pour ∆t = 0.125 et Tmax = 0.1 et c = 0.4472:
x/t 0.00 0.0125 0.0250 0.0375 0.0500 0.0625 0.0750 0.0875 0.1
0.0 0.00 0.00 0.00 0.00 0.00 0.00 0 0.00 0.00
0.1 0.3090 0.2831 0.2553 0.2297 0.2071 0.1872 0.1698 0.1544 0.1407
0.2 0.5878 0.5281 0.4735 0.4255 0.3837 0.3472 0.3151 0.2865 0.2609
0.3 0.8090 0.7200 0.6439 0.5786 0.5220 0.4725 0.4286 0.3894 0.3541
0.4 0.9511 0.8449 0.7561 0.6800 0.6137 0.5553 0.5031 0.4561 0.4137
0.5 1.0000 0.8920 0.8005 0.7210 0.6506 0.5876 0.5309 0.4798 0.4338
0.6 0.9511 0.8549 0.7702 0.6941 0.6251 0.5627 0.5066 0.4562 0.4108
0.7 0.8090 0.7334 0.6622 0.5952 0.5342 0.4791 0.4297 0.3854 0.3458
0.8 0.5878 0.5350 0.4806 0.4305 0.3850 0.3441 0.3075 0.2749 0.2459
0.9 0.3090 0.2765 0.2475 0.2210 0.1971 0.1757 0.1567 0.1398 0.1249
1.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Table 12: Valeurs de Burgers RBF
Pour différentes valeurs du pas de discétisation, nous avon sobtenu les courbes suivantes qui
montrent l’évolution de u au cours du temps pour ∆t = 0.01 et c = 0.4472.
Voici quelques courbes qui relatent l’évolution de l’équation en fonction du temps t:
Département de Mathématiques 43
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 59: Burgers RBF pour Tmax = 0.1 Figure 60: Burgers RBF pour Tmax = 0.2
Figure 61: Burgers RBF pour Tmax = 0.5 Figure 62: Burgers RBF pour Tmax = 1
Département de Mathématiques 44
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 63: Evolution de Burgers RBF avec Figure 64: Evolution de Burgers RBF avec
Tmax = 0.2 Tmax = 0.5
Pour des raisons de stabilité numérique, nous conservons ici, encore une fois, la formule de
Lax-Friedrichs [021] qui respecte les conditions C.F.L. Sur ce, nous reprenons cette formule
¡ n ¢2 1 ¡ n ¢2 Ã N !
un+1
i − 21 (uni+1 + uni−1 ) 1
u i+1 − u i−1 1 ∂ 2 X
+ 2 2
= αj (tn )φσj
∆t 2∆x R ∂x2 j=1
Nous allons utiliser, encore une fois dans cet exemple, la fonction CSRBF de wendland φ4,2 qui
est ³ µ ³ r ´2 ¶
σ r ´6 r
φ4,2 (r) = 1 − 3 + 18 + 35
σ + σ σ
avec ri,j = ||x − xj || et comme on est en dimension D2, alors r = |x − xj |
Sa dérivée seconde par rapport à x est donnée par
µ ³ r ´2 ¶
∂ 2 φσ −56 ³ r ´4 r
= 2 1− 1 + 4 − 35
∂x2 σ σ + σ σ
Département de Mathématiques 45
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Si on pose
N
X ∂ 2 φσ4,2
uxx = αj (tn )
j=1
∂x2
x/t 0.0 0.0100 0.0200 0.0300 0.0400 0.0500 0.0600 0.0700 0.0800
0.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.1 0.3090 0.2853 0.2593 0.2349 0.2128 0.1932 0.1757 0.1600 0.1459
0.2 0.5878 0.5328 0.4813 0.4351 0.3941 0.3577 0.3253 0.2962 0.2698
0.3 0.8090 0.7264 0.6540 0.5906 0.5347 0.4852 0.4408 0.4008 0.3645
0.4 0.9511 0.8514 0.7660 0.6915 0.6258 0.5671 0.5142 0.4664 0.4231
0.5 1.0000 0.8967 0.8076 0.7291 0.6590 0.5956 0.5385 0.4869 0.4402
0.6 0.9511 0.8566 0.7726 0.6969 0.6279 0.5656 0.5095 0.4590 0.4136
0.7 0.8090 0.7319 0.6599 0.5926 0.5319 0.4774 0.4285 0.3848 0.3456
0.8 0.5878 0.5315 0.4754 0.4253 0.3804 0.3403 0.3046 0.2728 0.2444
0.9 0.3090 0.2728 0.2433 0.2172 0.1938 0.1731 0.1546 0.1383 0.1237
1.0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Table 13: Valeurs de Burgers CSRBF
4.4. Constatations
Ces tests numériques nous montrent que bien que la méthode des différences finies donne des
resultats numériques fiables mais celle des collocation RBFs et encore plus celle des CSRBFs
sont plus adéquat que la première. Vu que ces nouvelles méthodes n’incluent pas un maillage
du domaine, après avoir pu établir une bonne parametrisation des coefficients, les étapes à suivre
restent plus aisées et par conséquent donnent des resultats avec un cot de calcul très réduit.
Conclusion
Ce travail que nous avons eu à faire nous a été très intéressant et fructueux. Bien qu’il y ait eu
quelques obstacles comme le manque de temps dans un intervalle très limité et réduit, mais rien
Département de Mathématiques 46
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 65: Burgers CSRBFs pour Tmax = Figure 66: Burgers CSRBFs pour Tmax =
0.1 0.3
Figure 67: Burgers CSRBF pour Tmax = 0.5 Figure 68: Burgers CSRBF pour Tmax = 1
n’a empêché de réaliser notre objectif qui a été celui de résoudre quelques équations aux dérivées
partielles par les méthodes des Fonctions Radiales de Base (RBF). Les fonctions radiales de base
sont une nouvelle approche qui a pris cours dans les mathématiques appliquées durant le XX e
siècle et qui continue à l’heure actuelle.
L’utilisation de ces fonctions, surtout la fonction multiquadrique pour résoudre des équations
différentielles et/ou aux dérivées partielles, est très facile à programmer grce au bon condition-
nement de leurs matrices. Des performances numériques montrent que la MQ donne des approx-
imations très élevées par rapport aux autres méthodes utilisées jusqu’alors. Le seul paramètre à
Département de Mathématiques 47
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Figure 69: Evolution de Burgers CSRBF Figure 70: Evolution de Burgers CSRBF
pour T max = 0.3 pour T max = 1
prendre en compte dans les calculs est c car il influence pleinement les calculs surtout pour les
problèmes dépendant du temps.
Suite au problème des matrices pleines qui sont générées par l’utilisation des fonctions radiales
de base, d’autres recherches ont suivi et ont permis de passer de la méthode de collocation à la
méthode des fonctions radiales de base à support compact. Les approximations par les CSRBFs
font des méthodes RBFs très flexibles et faciles à appliquer. Le degré de précision ne dépend que
du choix de la fonction CSRBF et du facteur σ bien que ce dernier n’a pas vraiment une grande
influence dans les approximations.
Les tests numériques que nous avons pu établir ici ont prouvé que les méthodes utilisant les fonc-
tions radiales de base sont très économiques en matière de temps des calculs et de programmation
par rapport aux méthodes des différences finies ou encore celles des éléments finis.
Toutefois, jusqu’à nos jours, les recherches sont en cours pour trouver une méthode d’approximation
du paramètre d’optimisation c pour les collocations des Fonctions Radiales et le paramètre σ pour
les fonctions RBFs à support compact. Ce problème reste un grand inconvénient pour ces nou-
velles méthodes quand on utilise les fonctions ayant un paramètre réglable.
Ceci pourrait constituer à ceux qui sont animés à faire les recherches de s’y pencher pour des
recherches bien approfondies qui lui vaudraient des meilleures estimes et un grand pas aux ingénieurs
mathématiciens.
Département de Mathématiques 48
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Annexes
Annexe 1. : Quelques fonctions RFBs
clear; clc;
h=0.3125;
nx=10*(1/h)+1; ny=20*(1/h)+1;
n=nx*ny; c=0.13426;
beta=0.25;
[x, y] = meshgrid(0 : h : 20, 0 : h : 10);
X=[];
for i=1:nx
for j=1:ny
X = [X;x(i,j),y(i,j)];
end
end
for(i=1:nx)
for(j=1:ny)
%La Fonction MQ
g(i, j) = sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2) + c2 );
%La fonction Spline de plat mince
if(i==j)
;
else
h(i, j) = (sum((X(i, 1 : 2)−X(j, 1 : 2)).2 , 2))∗log(sqrt(sum((X(i, 1 : 2)−X(j, 1 : 2)).2 , 2)));
end
%la fonction spline cubique
v(i, j) = (sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2)))3 ;
u(i, j) = −(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2))b eta;
end
end
figure(1)
surf(y,x,g)
title(’Graphe de la MQ-function avec h=0.3125’);
figure(2)
surf(y,x,h)
title(’Graphe de Thin-plat spline function avec h=0.3125’);
figure(3)
surf(y,x,v)
title(’Graphe de cubic-spline function avec h=0.3125’);
figure(4)
surf(y,x,u);
Département de Mathématiques 49
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Département de Mathématiques 50
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
surf(x,y,phi22)
figure(5)
surf(x,y,phi31)
figure(6)
surf(x,y,phi32);
Département de Mathématiques 51
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
V=B’/A;
k=1;
for j=1:ny-1
for i=1:nx-1
u(j,i)=V(k);
k=k+1;
end
end
for j=ny:-1:2
for i=nx:-1:2
u(j,i)=u(j-1,i-1);
end
end
for i=1:nx
for j=1:ny
u(1,i)=0;
u(j,1)=0;
u(ny+1,i)=0;
u(j,nx+1)=100;
end
end
u(1,nx+1)=0;
mesh(x,y,u);
% ********** Les graphes pour h = 0.3125 *********************
title(’mesh Laplace MDF h=0.3125’);
xlabel(’x’);
ylabel(’y’);
figure(2)
surf(x,y,u);
title(’surf Laplace MDF h=0.3125’);
xlabel(’x’);
ylabel(’y’);
Département de Mathématiques 52
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
X=zeros(n,3);
X=[];
A=zeros(n,n);
B=zeros(n,1);
alpha=zeros(n,1);
uh=zeros(n,1);
z=zeros(nx,ny);
%************** discritisation des noeuds***********************
for i=1:nx
for j=1:ny
X = [X;x(i,j),y(i,j)];
end
end
X=[X zeros(n,1)];
for i=1:n
if (X(i,2)==0—X(i,2)==10—X(i,1)==0)
X(i,3)=1; %sur AB, AD et CD
else if(X(i,1)==20)
X(i,3)=2;
end
end
end
%*************calcul la matrice A *********************
for i=1:n
for j=1:n
switch X(i,3)
case 1
A(i, j) = sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2) + c2 );
B(i)=0;
case 2
A(i, j) = sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2) + c2 );
B(i)=100;
case 0
A(i, j) = 2/sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2) + c2 ) − ((X(i, 1) − X(j, 1))2 + (X(i, 2) −
X(j, 2))2 )/(sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2) + c2 ))3 ;
end
end
end
%*********calculer le vecteur alpha ************************
alpha=B/A;
for i=1:n
for j=1:n
Département de Mathématiques 53
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Département de Mathématiques 54
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
A=zeros(n,n);
B=zeros(n,1);
alpha=zeros(n,1);
% pour discritisation les noeuds sur la géométrique %%
for i=1:nx
for j=1:ny
X = [X;x(i,j),y(i,j)];
end
end
X=[X zeros(n,1)];
for i=1:n
if (X(i,2)==0—X(i,2)==10 — X(i,1)==0)
X(i,3)=1; %sur AB, AD et CD
else if(X(i,1)==20)
X(i,3)=2; %Sur BC
end
end
end
for i=1:n
for j=1:n
r(i, j) = sqrt(sum((X(i, 1 : 2) − X(j, 1 : 2)).2 , 2));
if(r(i,j)/s¡1)
g(i, j) = (1 − r(i, j)/s)6 ∗ (3 + 18 ∗ r(i, j)/s + 35 ∗ (r(i, j)/s)2 );
gxx(i, j) = −56/s2 ∗ (1 − r(i, j)/s)4 ∗ (2 + 8 ∗ r(i, j)/s − 40 ∗ (r(i, j)/s)2 );
else
g(i,j)=0;
gxx(i,j)=0;
end
end
end
for i=1:n
for j=1:n
switch(X(i,3))
case 0
A(i,j)=gxx(i,j);
case 1
A(i,j)=g(i,j);
case 2
A(i,j)=g(i,j);
B(i)=100;
end
end
Département de Mathématiques 55
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
end
end
alpha=B/A;
H=g*alpha;
k=1;
for i=1:nx
for j=1:ny
u(i,j)=H(k);
k=k+1;
end
end
figure(1)
surf(x,y,abs(u));
Département de Mathématiques 56
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
%********************************
%solution numérique
%*********************************
for i=1:nx-1
N1(i)=0;
N2(i)=0;
end
N1(1)=r*cla;
N1(nx-1)=r*clb;
for i=1:nx-2
M1(i,i)=2+2*r;
M1(i,i+1)=-r;
M1(i+1,i)=-r;
M2(i,i)=2-2*r;
M2(i,i+1)=r;
M2(i+1,i)=r;
end
M1(nx-1,nx-1)=2+2*r;
M2(nx-1,nx-1)=2-2*r;
for i=1:nx+1
if x(i)¡1
Ci(i)=100*x(i);
else
Ci(i)=100*(2-x(i));
end
end
for i=1:nx-1
h(i)=Ci(i+1);
end
j=1;
h=h’;
I=eye(nx-1);
while(j¡nt+2)
for i=1:nx-1
w(i,j)=h(i);
end
h=inv(M1)*(M2*h+(N1’-N2’));
j=j+1;
end
for i=nx:-1:2
for j=nt:-1:1
Département de Mathématiques 57
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
w(i,j)=w(i-1,j);
end
end
for j=1:nt+1
w(1,j)=0;
w(nx+1,j)=0;
end
% la courbe de la solution analytique *************
mesh(t,x,v);
figure(2)
surf(t,x,v)
% la courbe de la solution numérique ******************
figure(3)
mesh(t,x,w);
figure(4)
surf(t,x,w);
Département de Mathématiques 58
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
for i=1:n
for j=1:n
A(i, j) = sqrt((x(i) − x(j))2 + c2 );
Axx(i, j) = c2 /(((x(i) − x(j)).2 ) + c2 )( 3/2);
end
end
%Discrétisation du domaine **********
X=[];
X=[x’ zeros(n,1)];
for i=1:n
if (X(i,1)==0)k(X(i,1)==2)
X(i,2)=1;
end
end
for m=1:nt
utime(:,m)=u;
alpha=u/A;
u=A*alpha;
uxx=Axx*alpha;
for i=1:n
switch X(i,2)
case 0
u(i) = u(i) + dt*r*uxx(i);
case 1
u(i) = 0;
end
end
end
F1=figure(1);
set(F1,’position’,[50,300,550,300])
surf(t,x,utime)
shading interp
title(’Solution numérique par MQ RBF à chaque étape t’)
xlabel(’t’);
ylabel(’x’);
zlabel(’u’);
%======= Exact solution ========
nx=(b-a)/dx+1;
v=zeros(nx,nt);
n=0;
while(n¡=nt)
for i=1:nx
Département de Mathématiques 59
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
for j=1:nt
uexact(i, j) = v(i, j) + 800 ∗ 1/(pi2 ∗ (2 ∗ n + 1)2 ) ∗ cos(pi ∗ (2 ∗ n + 1) ∗ (x(i) − 1)/2) ∗
exp(−0.3738 ∗ (2 ∗ n + 1)2 ∗ t(j));
v(i,j)=uexact(i,j);
end
end
n=n+1;
end
F2=figure(2);
set(F2,’position’,[600,300,550,300])
surf(t,x,uexact)
shading interp
title(’Solution exact à chaque étape t’)
xlabel(’t’);
ylabel(’x’);
zlabel(’uexact’);
max=0;
for i=1:nx
for j=1:nt
err(i,j)=abs(utime(i,j)-uexact(i,j));
if(err(i,j)¿max)
max=err(i,j);
end
end
end
F3=figure(3);
set(F3,’position’,[50,50,550,300])
surf(t,x,err);
xlabel(’x’);
ylabel(’t’);
title(’error’)
Département de Mathématiques 60
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
a=0;b=2;
n=(b-a)/dx+1;
nt=Tmax/dt+1;
x=0:dx:b;
t=0:dt:Tmax;
s=5;
X=[];
X=[x’ zeros(n,1)];
for i=1:n
if (X(i,1)==0)k(X(i,1)==2)
X(i,2)=1;
end
end
%********** Conditions initiales *****************
for i=1:n
if x(i)¡1
f(i)=100*x(i);
else
f(i)=100*(2-x(i));
end
end
u=f’; %% condition initial t=0
for i=1:n
for j=1:n
% r(i, j) = sqrt(sum((X(i, 1) − X(j, 1)).2 ));
r(i,j)=abs(sum((X(i,1)-X(j,1))));
if(r(i,j)/s¡1)
g(i, j) = (1 − r(i, j)/s)6 ∗ (3 + 18 ∗ r(i, j)/s + 35 ∗ (r(i, j)/s)2 );
gxx(i, j) = −56/s2 ∗ (1 − r(i, j)/s)4 ∗ (1 + 4 ∗ r(i, j)/s − 35 ∗ (r(i, j)/s)2 );
else
g(i,j)=0;
gxx(i,j)=0;
end
end
end
for m=1:nt
%On récupère u dans w %%%%
utime(:,m)=u;
w=utime;
alpha=u/g;
u=g*alpha;
uxx=gxx*alpha;
Département de Mathématiques 61
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
for i=1:n
switch X(i,2)
case 0
u(i) = u(i) + dt*r1*uxx(i);
case 1
u(i) = 0;
end
end
end
figure(1)
mesh(t,x,w)
figure(2)
v=w(:);
plot(v)
% SOLUTION EXACT %%%%%%%%%
v=zeros(n,nt);
m=0;
while(m¡=nt)
for i=1:n
for j=1:nt
uexact(i, j) = v(i, j) + 800 ∗ 1/(pi2 ∗ (2 ∗ m + 1)2 ) ∗ cos(pi ∗ (2 ∗ m + 1) ∗ (x(i) − 1)/2) ∗
exp(−0.3738 ∗ (2 ∗ m + 1)2 ∗ t(j));
v(i,j)=uexact(i,j);
end
end
m=m+1;
end
figure(3)
surf(t,x,uexact)
err=(w-uexact);
max=0;
for i=1:n
for j=1:nt
if(err(i,j)¿max)
max=err(i,j);
end
end
end
figure(4)
surf(t,x,err)
max
Département de Mathématiques 62
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Département de Mathématiques 63
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
alpha=zeros(nx,1);
for(i=1:nx)
f(i)=sin(pi*x(i));
end
u=f’; %% condition initial t=0
for i=1:nx
for j=1:nx
A(i, j) = sqrt((x(i) − x(j))2 + c2 );
Ax(i, j) = (x(i) − x(j))/sqrt(((x(i) − x(j)).2 ) + c2 );
Axx(i, j) = c2 /(((x(i) − x(j)).2 ) + c2 )( 3/2);
end
end
%Discrétisation du domaine **********
X=[];
X=[x’ zeros(nx,1)];
for i=1:nx
if (X(i,1)==0)k(X(i,1)==1)
X(i,2)=1;
end
end
for m=1:nt
utime(:,m)=u;
w=utime;
alpha=u/A;
u=A*alpha;
ux=Ax*alpha;
uxx=Axx*alpha;
for i=1:nx
switch X(i,2)
case 0
u(i) = 1/2 ∗ (u(i − 1) + u(i + 1)) + dt/(4 ∗ dx) ∗ [u(i − 1)2 − u(i + 1)2 ] + dt/R ∗ uxx(i);
case 1
u(i) = 0;
end
end
end
figure(1)
surf(t,x,w);
figure(2)
h=w(:);
plot(h)
Département de Mathématiques 64
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
Département de Mathématiques 65
FST-Mohammedia, (2009)
A. Taik Cours Formation Doctorale
u=g*alpha;
ux=gx*alpha;
uxx=gxx*alpha;
for i=1:n
switch X(i,2)
case 0
u(i) = 1/2 ∗ (u(i − 1) + u(i + 1)) + dt/(4 ∗ dx) ∗ [u(i − 1)2 − u(i + 1)2 ] + dt/R ∗ uxx(i);
case 1
u(i) = 0;
end
end
m=m+1;
end
figure(1)
surf(t,x,w)
figure(2)
v=w(:);
plot(v);
Département de Mathématiques 66
FST-Mohammedia, (2009)
Bibliography
[001] Y. ALHURI, Méthodes sans maillage (Meshless), Les Fonctions Radiales de Base,
Mémoire pour l’obtension du Diplme des Etudes Supérieures Approfondies, Université Hassan
II, Faculté des Sciences et Techniques de Mohammedia, Maroc décembre 2006.
[003] S. Wolf, Méthodes sans maillage, Ecole Centrale de Paris, 27 novembre 2007
[004] J. Yvonnet, I. Alfaro, E. Cueto, F. Chinesta, M. Doblaré, Nouvelles avancées dans les
méthodes sans maillage de type éléments naturels pour la simulation des procédés de mise en
forme, Laboratoire de Mécanique des Systèmes et des Procédés UMR CNRS - ENSAM - ESEM
et I3A, Universidad de Zaragoza
[007] Tobin A. Driscoll, Alfa R.H. Heryudono, Adaptive residual subsampling methods for ra-
dial basis function interpolation and collocation problems, Computers and Mathematics with
Applications 53 (2007) 927-939, 15 June 2006
[008] W. Wang and Xujia Qin , An Image Inpainting Algorithm Based on CSRBF Interpolation;
College of Software, Zhejiang University of Technology, Hangzhou, China, 310032
67
A. Taik Cours Formation Doctorale
[011] X. Z. MAO & Y. C. HON, An Efficient Numerical Scheme for Solving Initail and Boundary
Value Prblem, University of Hong Kong, Departmenet of Mathematics
[012] M. SAMOSINO, Voronoi Centered Radial Basis Functions, THÈSE pour obtenir le titre
de Docteur en Sciences, UNIVERSITÉ DE NICE - SOPHIA ANTIPOLIS, École doctorale
Sciences et Technologies de l’Information et de la Communication de Nice - Sophia Antipolis,
France, juillet 2007.
[013] Marc Duflot, Application des méthodes sans maillage en mécanique de la rupture, Thèse
présentée pour l’obtension du grade de Docteur en Sciences Applquées, Université de Liege,
France 2004.
[014] H. YAZIDI, Etude de quelques EDP non linéaires sans compacité, Thèse présentée pour
obtenir de grade de docteur en Mathématiques, Université de Paris XII, France Janvier 2006.
[015] C. Franke, R. Chaback, Solving Partial Differential Equations by Collocation using Radial
Baisi Functions.
[019] I. RAMIÈRE, Méthodes de domaine fictif pour des problèmes elliptiques avec condi-
tions aux limites générales en vue de la simulation numérique d’écoulements diphasiques,
THÈSE pour obtenir le grade de DOCTEUR en Mathématiques Appliquées, Université
d’AIX-MARSEILLE I, École Doctorale Mathématiques et Informatique de Marseille, France,
Septembre 2006
[021] Schémas sous forme conservative pour l’équation de Brgers : http://www-rocq.inria.fr/ had-
dar/Cours/ENSTA/SIMUL/SchemaBurgers.html
Département de Mathématiques 68
FST-Mohammedia, (2009)