Calcul Scientifique pour les Sciences de l’Ingénieur
Franck Nicoud
MOTIVATION
M2 "Calcul Scientifique" 3
Motivation
• Les équations des sciences de l’ingénieur sont connues depuis longtemps …
– Eq. de la chaleur (Fourier, 1807)
– Mécanique des fluides (Navier-Stokes, 1822) – Elecromagnétisme (Maxwell, 1873)
• Les inconnues sont des fonctions scalaires ou vectorielles de plusieurs variables: x,y,z,t
• Ces fonctions sont solutions d’équations aux dérivées partielles (EDP) en général non-linéaires
Motivation
• Les cas où une solution analytique peut être trouvée sont très rares et simples:
– géométrie simple – équation linéaire
• Les solutions obtenues sont souvent très
lourdes même pour ces cas simplistes …
M2 "Calcul Scientifique" 5
Exemple de résolution analytique
• Equation de convection diffusion 1D dans un domaine infini
2 2
0 y
D C x
U C t
C
∂
= ∂
∂ + ∂
∂
∂
? )
, ( x t C
0 ) , (
lim =
±∞
→ C x t
x
U0
) ( )
0 ,
(x C0 x
C =
Exemple de résolution analytique
• Si la concentration est initialement de la forme on peut obtenir la solution analytique …
( )
( )
+
− −
= +
Dt a
t U x
Dt a
C a t
x
C
22 0 2
2
0
exp 4
) , (
(
2 2)
0
0( ) exp /4
) 0 ,
(x C x C x a
C = = −
M2 "Calcul Scientifique" 7
Exemple de résolution analytique
• Effet de la diffusion
D a U ×
= 0 Re
+∞
= Re
20 Re =
200 Re =
2 Re =
Exemple de résolution analytique
• Equation de la chaleur dans une cavité rectangulaire
λ K y
T x
T = −
∂ + ∂
∂
∂
2 2 2
0 2
) , 0
( y T
T = T(L, y) = T0
( ( , ) ) 0
) ,
( + × − 0 =
∂
− ∂ x H h T x H T y
λ T
? ) , (x y T
y
0 0 H
M2 "Calcul Scientifique" 9
Exemple de résolution analytique
• Une méthode de séparation des variables permet d’obtenir la solution analytique de ce petit problème d’école …
∑
+∞=
×
−
+
+
=
1
0 sinh 2 cosh 1 sin
) , (
k
k
k x
L y k
L k L
k L y
A k T
y x
T π π
π π α
+
−
−
−
=
L H h k
L H k L
k
L H k k
H hL L k k
Ak kL
π π
λ π
π π
λ π π α
sinh cosh
1 cosh
sinh αk = 2kπλK0
[
( )−1 k −1]
Exemple de résolution analytique Effet des fuites par convection
= 0
h h = 0.01
M2 "Calcul Scientifique" 11
Passage à des configurations plus complexes …
• Les cas académiques sont très utiles pour
comprendre les phénomènes de bases, étudier les effets des différents termes des équations
• Les problèmes posés en pratique sont inaccessibles à la résolution analytique
• Il est alors naturel de faire des expériences …
Expériences …
• On imagine que l’on veut fabriquer un avion
• Il est exclu de réaliser toutes les mises au point de la forme extérieure à partir de réalisations à
M2 "Calcul Scientifique" 13
Expériences …
• On utilise donc des maquettes de taille réduites que l’on met dans une soufflerie
• Le nombre de Reynolds ne peut que très difficilement être respecté (10 à 100 fois trop petit)
• Extension des données acquises au cas du vrai avion ?
ν
L U ×
=
0Re
Vitesse de l’avion ou de l’air dans la soufflerie
Mach ≈ 0.9 < 1
Taille de la maquette:
entre 1% et 10% du vrai avion
Viscosité cinématique de l’air.
En gros 1.5×10−5m2/s
Autre exemple …
Propergol solide
M2 "Calcul Scientifique" 15
Expériences: de moins en moins !
• La tendance actuelle est à la diminution des expériences à échelle 1 pour réduire les coûts de fabrication
• Les expériences sont réservées aux dernières mises au point avant la certification et la mise en production
• Les phases de mise au point préliminaires font de plus en plus appel à des « souffleries numériques »
• L’idée est de résoudre les EDP régissant le
fonctionnement du système numériquement puisque l’approche analytique est impossible
Simulation numérique
• Lorsque l’on résout les EDP analytiquement, on cherche les solutions dans des espaces fonctionnels de dimension infinie (e.g. L2)
• Si on y arrive, on a accès à la solution (e.g. la vitesse de l’air autour de l’avion) pour tout point de l’espace, et à chaque instant
• Puisque l’on y arrive presque jamais, on décide de simplifier le
problème en ne cherchant la solution qu’en un nombre fini de points de l’espace et pour un nombre fini d’instants
• On cherche alors les solutions de ce problème discrétisé dans un espace vectoriel de dimension finie.
(x, y, z,t), ∀(x, y, z,t)∈Ω×[0,+∞[
Vr
(x y z t ) ( ) {i n N} { M}
Vr i, i, i, n , ∀ , ∈ 1,2,..., × 1,2,...,
M2 "Calcul Scientifique" 17
Maillages: profil d’aile d’avion
structuré
non structuré
hybride
Maillages: pot d’échappement
M2 "Calcul Scientifique" 19
Maillages: injecteur + chambre
Maillages: injecteur + chambre
structuré
M2 "Calcul Scientifique" 21
Exemple de flamme turbulente stable
Simulation aux Grandes Echelles – CERFACS – A. Sengissen
Exemple en biomédical
Iliac bifurcation – CHU Toulouse
3D model from artheriography
M2 "Calcul Scientifique" 23
FUNCTIONAL IMAGING Iliac Bifurcation
Computational Grid Wall Shear Stress Tracers
NAVIER-STOKES
ET TURBULENCE
M2 "Calcul Scientifique" 25
MODELE MATHEMATIQUE
NAVIER-STOKES INCOMPRESSIBLE
u
iet P tels que:
= 0
∂
∂
i i
x u
∂(ρui)
∂t + ∂
∂x j
(
ρuiuj)
= −∂∂xPi
+ ∂τij
∂x j
+
=
i j j
i
ij x
u x
u
∂
∂
∂ µ ∂ τ
ρ0
ρ =
MODELE MATHEMATIQUE
NAVIER-STOKES COMPRESSIBLE
ρ , u
i, P et T tels que:
0 )
( =
∂ + ∂
∂
∂
i i
x u
t ρ
ρ
∂(ρui)
∂t + ∂
∂x j
(
ρuiuj)
= −∂∂xPi
+ ∂τij
∂x j
( )
( )
( )) (
i ij j
i i
t i
i
t u
x x
T P x
e x u
t
e ρ λ τ
ρ
∂ + ∂
∂
∂
∂
= ∂
∂ + + ∂
∂
∂
ij k
k i
j j
i
ij x
u x
u x
u δ
∂ µ ∂
∂
∂
∂ µ ∂
τ 3
− 2
+
=
rT P = ρ
M2 "Calcul Scientifique" 27
TURBULENCE: ELLE EST
PARTOUT …
Expérience de Reynolds - 1883
ν
D U . Re =
s
air ≈ 1.5×10−5 m2 /
ν
s
eau ≈1.0×10−6 m2 /
ν
M2 "Calcul Scientifique" 29
TURBULENCE
2000 Re <
3000
Re >
TURBULENCE
Le régime (laminaire/turbulent) dépend du nombre de Reynolds:
Re = Ud
ν
Vitesse Distance
Viscosité
laminaire turbulent
M2 "Calcul Scientifique" 31
TURBULENCE
Léonard de Vinci
TURBULENCE ET CHAOS
SOUFFLERIE ONERA
M2 "Calcul Scientifique" 33
CHAOS POUR PAS CHER
] 1 , 1 [ ,
2
1 2 0
1 = − ∈ −
+ v v
vt t
66667 .
0 bien
ou 6667
.
0 0
0 = v =
v
TURBULENCE
• L’écoulement est très sensible aux conditions limites et initiales, d’où l’impression de chaos
• Cette sensibilité est liée aux termes non linéaires de convection
• La turbulence augmente le mélange
– Effet souvent positif (moteurs, …) – Effet parfois gênant (traînée, …)
• Besoin d’une situation académique représentative
M2 "Calcul Scientifique" 35
TURBULENCE HOMOGENE ISOTROPE (THI)
• Pas de frontières
• Domaine L-périodique
• Pas de direction privilégiée, pas de position privilégiée
L L
L
( )
, ˆ , 2 Z3e L
t φ i π
φ x =
∑
⋅ k =k
x k k
Ω
∫∫∫ ( )
Ω
⋅
= 13 , − 1 2 3
ˆ t e dx dx dx
L
i k
x
x k
φ φ
TURBULENCE HOMOGENE ISOTROPE (THI)
• Moyenne volumique
• Orthogonalité des fonctions de base
• Passage à la limite
∫∫∫ ( )
Ω
= 13 1 2 3 )
( dx dx dx
t L φ x
φ
∞
→ L
∫∫∫
⋅=
3
3 2 3 ˆ( ) 1
) 2 ( ) 1 (
R
i dk dk dk
e k x k
x φ
φ π
∫∫∫
− ⋅=
3
3 2
) 1
( )
ˆ(
R
i dx dx dx
e kx x
k φ
φ
M2 "Calcul Scientifique" 37
BILANS EN THI
• Bilan de quantité de mouvement
• Bilan d’énergie (cinétique)
( )
1 2 0)
( =
∂ + ∂
+
−
=
∂ +
∂
i i i
j ij i
j i j i
x f u
x S x
u P x u
t u
∂ ν ∂
∂
∂ ρ
∂
∂
i
i f
dt u
d =
i i i
j j
i i
f x u
u x
u dt
u
d +
∂ + ∂
∂
− ∂
=
4 4 4 3 4
4 4 2 1 ε
ν 2
2
2 2
/
FLUX ENERGETIQUE
• Pour tout K>0 et toute quantité on définit
• Bilan d’énergie grandes échelles
• Les termes non linéaires sont responsables du transfert d’énergie des plus grandes échelles vers les plus petites
( )
3:
, 2
, ˆ Z
e L t
K
i π
φ
φ =
∑
=<
⋅
< x k
k k
x k k
<
> <
<
<
<
∂ +
− ∂
−
= i i
j i j i
i u f
x u u
dt u u
d / 2 ε
2
M2 "Calcul Scientifique" 39
PHENOMENE MULTI-ECHELLE
SOUFFLERIE ONERA
TURBULENCE: UN SCENARIO
1. L’écoulement reçoit de l’énergie à grandes échelles (l0)
• Doit se faire au taux
2. L’énergie est transférée vers les échelles de plus en plus petites (l)
• Doit se faire au taux
3. Lorsque les échelles sont assez petites (η), la viscosité devient assez forte pour les dissiper
• Se produit à Reynolds unité:
0 3 0
l
≡ u ε
l u3 ε ≡
≡1 ν
ηK uK
M2 "Calcul Scientifique" 41
SEPARATION DES ECHELLES
• Échelles de Kolmogorov
• Séparation des échelles
4 / 1
4 / 3
ε
ηK ≡ν uK ≡ν1/4ε1/4
4 / 3 0
0 R
l
K
η ≡
NOTION DE SPECTRE
( )
u ( ,t)u ( ,t)Rij r = i x j x +r
• Tenseur des corrélations en 2 points:
• Tenseur spectre de vitesse
• Spectre d’énergie
( )
=∫∫∫
− ⋅3
3 2
3 ( ) 1
) 2 (
1
R
i ij
ij k R r e krdrdr dr
φ π
( )
=∫∫∫
⋅3
3 2
) 1
(
R
i ij
ij e dk dk dk
R r φ k k r
( )
k k
S
k dS k
E ii
rayon de
sphère :
) (
) ( ) 2 (
1
∫
= φ k
i iu u dk
k
E 2
) 1 ( :
que on vérifie
0
∫
=∞
M2 "Calcul Scientifique" 43
HYPOTHESE DE KOLMOGOROV
• Dans la zone inertielle (l0<<l<<η), E(k) ne dépend que de ε et de l (c’est-à-dire de k). On en déduit alors:
3 / 5 3
/
)
2( k ≡ k
−E ε
(
( ))
ln E k k−5/3
k ln
TURBULENCE ET SPECTRE
CANAL
SOUFFLERIE ONERA
JET
3 / 5 3
/
)
2( k ∝ k
−E ε
Bien vérifié
M2 "Calcul Scientifique" 45
TURBULENCE ET
NUMERIQUE
TURBULENCE ET NUMERIQUE
• Simulation Numérique Directe (DNS):
– Résoudre Navier-Stokes pour obtenir la turbulence, puis réaliser un traitement statistique de la solution
– Nombre de points en
• Reynolds-Averaged Navier-Stokes (RANS):
– Réaliser un traitement statistique des équations, puis les résoudre
– Problème de fermeture
• Simulation aux Grandes Echelles (LES):
– Résoudre directement les grandes échelles, modéliser les plus petites
4 / 9
R0
M2 "Calcul Scientifique" 47
DNS vs RANS
RANS RANS
DNS DNS
SIMULATION AUX GRANDES ECHELLES
• Simulation aux Grandes Echelles (LES):
– Résoudre directement les grandes échelles, modéliser les plus petites
– On résout une version filtrée des équations
– Problème de fermeture moins crucial qu’en RANS
(
( ))
ln E k k−5/3
M2 "Calcul Scientifique" 49
MOTEUR D’HELICOPTERE SUR BLUE GENE/L
• Mais l’expérimentation est très difficile, la visualisation quasi impossible …
40 millions de cellules
• On utilise donc la
simulation numérique pour voir et
comprendre …
MOTEUR D’HELICOPTERE SUR BLUE GENE/L
• Séquence d’allumage simulée (CERFACS)
M2 "Calcul Scientifique" 51
ANALYSE
NUMERIQUE
Trois familles de méthodes
• Éléments finis (B. Koobus)
• Volume finis (non abordés dans ce module)
• Méthodes aux différences finies
(F. Nicoud)
M2 "Calcul Scientifique" 53
Eléments finis en quelques mots
• A chaque instant, on cherche la solution de l’EDP sous la forme
• Les fonctions forment une base de l’espace de dimension N dans lequel on cherche à
approximer la ‘vraie’ solution f par fh.
• Les coefficients fi sont déterminés en imposant à fh d’être la meilleure approximation de f dans
l’espace de dimension N choisi.
∑
=
= N
i
i i
h x f x
f
1
) ( )
(r r
φ )
(x
i
φ r
Éléments finis en quelques mots
• Un choix classique est de prendre linéaire par morceaux et égale à 1 au nœud i du
maillage, nulle partout ailleurs
) (x
i
φ r
Linéaire
1 0
Nulle
M2 "Calcul Scientifique" 55
Éléments finis en quelques mots
• On cherche à résoudre E(f)=0
• Avec l’approximation on commet une erreur E(fh)
• La méthode de Galerkin consiste à dire que cette erreur est orthogonale aux fonctions de forme
• N équations, N inconnues …
∑
=
= N
i
i i
h x f x
f
1
) ( )
(r φ r
) (x
i
φ r
{1,2,..., }, ( ) ( ) 0
1
=
∈
∀
∫ ∑
Ω =
x d x f
E x N
k
N
i
i i k
r r
r φ
φ
= +
∆ 0
:
ex λ
f K
Volumes finis en quelques mots
• Bien adaptés à des problèmes conservatifs du type
• On intègre l’équation sur chaque cellule du maillage et on utilise le théorème de la
divergence
• Les inconnues sont les valeurs moyennes de f sur chaque cellules à l’instant n+1, soit
( )
( ) = 0∂ +
∂ div F f t
f r
∑
⋅−
∆ =
+ −
Vi
k
k k k n
i n
i
i F n dS
t f V f
de faces
1 r r
+
M2 "Calcul Scientifique" 57
Volumes finis en quelques mots
• Les flux sur les faces de sont calculés à partir des valeur de f dans les cellules voisines
V
i ∆− = −∑
⋅+
Vi
k
k k k n
i n
i
i F n dS
t f V f
de faces
1 r r
Vi
nr1
nr2
nr3
Différences finies
• Contrairement aux éléments et volumes finis,
cette technique n’est pas adaptée aux maillages non cartésiens
• Mais elle est très intuitive
• En 1D, les trois méthodes sont équivalentes
• Permet d’appréhender beaucoup de concepts ou problèmes numériques communs aux
différentes méthodes
M2 "Calcul Scientifique" 59
Différences finies
• L’idée est de remplacer les dérivées
partielles aux points de maillage par des développement de Taylor
• Plutôt que de chercher f(x), on cherche les valeurs de f aux nœuds du maillage, soit f
i=f(x
i)
i i +1 i + 2
−1 i
− 2 i
−3
i x
xi x
+1
xi xi+2
−1
xi
−2
xi
−3
xi
DERIVEES
PREMIERES
M2 "Calcul Scientifique" 61
Dérivées premières
• Développement de Taylor au nœud i:
• Ces développements font apparaître les dérivées de f au nœud i uniquement
i i +1 i + 2
−1 i
− 2 i
−3
i x
( ) ( ) 2
(
( 1 )3)
2 2 1
1
1 2 x i i
i i
x i
i i
i O x x
dx f d x
x dx
x df x
f f
i i
−
− + +
− +
= − − −
−
( 1 ) ( 1 )2 2 2
(
( 1 )3)
1 2 i i
x i
i x
i i
i
i O x x
dx f d x
x dx
x df x
f f
i i
−
− + +
− +
= + + +
+
• Si les nœuds sont régulièrement espacés
i i +1 i + 2
−1 i
− 2 i
−3
i x
∆x
( )
32 2 2
1 2 O x
dx f d x dx
xdf f
f
i xi
x i
i+ = + ∆ + ∆ + ∆
( )
32 2 2
1 2 O x
dx f d x dx
xdf f
f
i xi
x i
i− = −∆ + ∆ + ∆
( )
31
1 0 2 df 0 O x
x f
fi+ − i− = + ∆ + + ∆
Dérivées premières
M2 "Calcul Scientifique" 63
• Si les nœuds sont régulièrement espacés, la dérivée de f au nœud i est approximée par
• Erreur d’approximation est
• Schéma centré d’ordre 2
x f f f
dx D
df
i ii
xi
∆
= −
≈
+ −2
1 0 1
1
) ( x2 O ∆
Dérivées premières
• On peut manipuler les développements limités pour obtenir d’autres
approximations de la dérivée première
•
•
)
1
(
1
O x
x f f f
dx D
df
i ii xi
∆
∆ +
= −
≈
+ +Dérivées premières
)
1
(
1
O x
x f f f
dx D
df
i ii xi
∆
∆ +
= −
≈
− −M2 "Calcul Scientifique" 65
Maillage non uniforme
• Développement de Taylor au nœud i:
i i +1 i + 2
−1 i
−2 i
−3
i x
( 1 ) ( 1 )2 2 2
(
( 1 )3)
1 2 i i
x i
i x
i i
i
i O x x
dx f d x
x dx
x df x
f f
i i
−
− + +
− +
= − − −
−
( 1 ) ( 1 )2 2 2
(
( 1 )3)
1 2 i i
x i
i x
i i
i
i O x x
dx f d x
x dx
x df x
f f
i i
−
− + +
− +
= + + +
+
1
1 −
− = −
∆i xi xi ∆i = xi+1 − xi
Maillage non uniforme
• Développement de Taylor au nœud i:
i i +1 i + 2
−1 i
−2 i
−3
i x
( )
132 2 2
1 1
1 2 −
− −
− = − ∆ + ∆ + ∆i
x i
x i
i
i O
dx f d dx
f df f
i i
( )
32 2 2
1 2 i
x i
x i
i
i O
dx f d dx
f df f
i i
∆
∆ + +
∆ +
+ =
×
∆i−12
×
∆i2
(
2 1 2) (
2 1 2 1) (
3 1 3)
1 2 1
2
1 i i
x i
i i
i i
i i i
i i
i O
dx f df
f f
i
∆
∆ +
∆
∆ +
∆
∆ +
∆
−
∆
=
∆
−
∆ − + − − − − −
(
2 2)
2( )
2 − ∆ −∆ − ∆
∆ f f f
df
M2 "Calcul Scientifique" 67
• Maillage régulier
• En conservant plus de termes dans les développements on obtient les schémas à l’ordre 4 et 6 suivants
•
•
) 12 (
8
8 1 1 2 4
2 O x
x
f f
f f
dx
df i i i i
xi
∆
∆ +
+
− +
≈ − + + − −
Ordres plus élevés
) 60 (
9 45
45
9 2 1 1 2 3 6
3 O x
x
f f
f f
f f
dx
df i i i i i i
xi
∆
∆ +
− +
− +
≈ + − + + − − −
• ordre 1 aval
• ordre 1 amont
• ordre 2 aval
• ordre 2 amont
Formules décentrées
)
1 O( x
x f f
dx
df i i
xi
∆
∆ +
≈ + −
) 2 (
3
4 1 2
2 O x
x
f f
f dx
df i i i
xi
∆
∆ +
− +
≈ − + +
) 3 (
4 1 2
2 f f O x
f
df i i i
∆
∆ +
+
≈ − − −
)
1 O( x
x f f
dx
df i i
xi
∆
∆ +
≈ − −
M2 "Calcul Scientifique" 69
• Problème modèle 1D: Eq. de convection
• Conditions limites et initiale:
Comparaison des schémas
m/s 1 ,
m 8 m
2 ,
0 0
0 = − ≤ ≤ =
∂ + ∂
∂
∂ x U
x U f
t f
(
/4)
, 0.2mexp )
0 ,
(x = − x2 a2 a =
f f (−2,t) = f (8,t) = 0
s
= 0
t t = 5s
• Équation semi-discrète
• On calcule les f
ientre t=0 et t=5 s à partir des deux schémas
Test numérique
i Df
dt U df
i
i + 0 = 0, ∀
1 0
0 =
∆
+ − −
x f U f
dt
dfi i i
2 0
1 1
0 =
∆ + + − −
x f U f
dt
dfi i i
i i +1 i + 2
−1 i
− 2 i
−3
i x
fi x
+1
fi fi+2
−1
fi
−2
fi
−3
fi
M2 "Calcul Scientifique" 71
Test numérique
amont ordre 1
centré ordre 2
400 noeuds 200 noeuds 100 noeuds
Ordre 2 centré / Ordre 1 amont
• Ordre 1 introduit de la diffusion … (cf solution analytique avec Re=2)
• Ordre 2 centré « exact » avec 400 points
• Ordre 2 centré déforme le signal si le nombre de points est plus petit
• Ordre 2 meilleur que ordre 1
M2 "Calcul Scientifique" 73
Test numérique
centré ordre 4
centré ordre 2
400 noeuds 200 noeuds 100 noeuds
Ordre 2 centré / Ordre 4 centré
• Ordre 4 « exact » dans tous les cas considérés ici
• Ordre 2 centré « exact » avec 400 points
• Ordre 4 meilleur que ordre 2
M2 "Calcul Scientifique" 75
Test numérique
amont ordre 2
centré ordre 2
400 noeuds 200 noeuds 100 noeuds
Ordre 2 centré / Ordre 2 amont
• Ordre 2 centré et amont « exacts » avec 400 points
• Ordre 2 centré et amont déforment le signal si le nombre de points est plus petit, mais pas de la même manière
• Ordre 2 amont amortit plus le signal
• L’ordre ne dit pas tout sur un schéma …