Systèmes dynamiques et incertitudes - Thèses de l'INSA de Lyon
Systèmes dynamiques et incertitudes - Thèses de l'INSA de Lyon
Systèmes dynamiques et incertitudes - Thèses de l'INSA de Lyon
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
N˚d’ordre : XXXXX<br />
Département Génie Civil <strong>et</strong> Bâtiment, URA 1652<br />
École doctorale MEGA<br />
<strong>Systèmes</strong> <strong>dynamiques</strong> <strong>et</strong> <strong>incertitu<strong>de</strong>s</strong><br />
THÈSE<br />
présentée <strong>et</strong> soutenue publiquement le 12 mars 2009<br />
pour l’obtention du<br />
Doctorat <strong>de</strong> l’Institut National <strong>de</strong>s Sciences Appliquées <strong>de</strong> <strong>Lyon</strong><br />
(spécialité Génie Civil)<br />
par<br />
Franziska Schmidt<br />
Composition du jury<br />
Prési<strong>de</strong>nt :<br />
Rapporteurs :<br />
DUFOUR Régis, Professeur à l’INSA <strong>de</strong> <strong>Lyon</strong>,<br />
ARGOUL Pierre, HDR à l’Ecole Nationale <strong>de</strong>s Ponts <strong>et</strong> Chaussées,<br />
COCHELIN Bruno, Professeur à l’Ecole Centrale <strong>de</strong> Marseille,<br />
Examinateurs :<br />
Directeur <strong>de</strong> thèse :<br />
BERLIOZ Alain, Professeur à l’Université <strong>de</strong> Toulouse,<br />
THOUVEREZ Fabrice, Professeur à l’Ecole Centrale <strong>de</strong> <strong>Lyon</strong>,<br />
LAMARQUE Clau<strong>de</strong>-Henri, Docteur HDR à l’ENTPE.<br />
Laboratoire GéoMatériaux — École Nationale <strong>de</strong>s Travaux Publics <strong>de</strong> l’État, Université <strong>Lyon</strong>, France
Résumé<br />
Les structures <strong>de</strong> génie civil présentent souvent <strong>de</strong>s <strong>incertitu<strong>de</strong>s</strong>, qui peuvent être <strong>de</strong> différentes<br />
origines <strong>et</strong> <strong>de</strong> différentes formes. Nous abordons dans c<strong>et</strong>te thèse quelques aspects <strong>de</strong> ces<br />
<strong>incertitu<strong>de</strong>s</strong>.<br />
Tout d’abord, nous étudions l’influence <strong>de</strong> conditions initiales <strong>et</strong> <strong>de</strong> paramètres incertains<br />
dans les mouvements non réguliers. Ceci passe par la définition d’une matrice <strong>de</strong> variation<br />
tangente. C<strong>et</strong>te étu<strong>de</strong> est appliquée à quelques cas particuliers, dont la chute <strong>de</strong> blocs le long<br />
d’une pente <strong>et</strong> un oscillateur linéaire à impacts.<br />
Ensuite, l’impact d’une sollicitation incertaine sous forme <strong>de</strong> bruit blanc est étudié à l’ai<strong>de</strong><br />
<strong>de</strong> l’équation <strong>de</strong> Fokker-Planck. Celle-ci est résolue <strong>de</strong> façon numérique avec la métho<strong>de</strong> <strong>de</strong>s<br />
différences finies afin d’obtenir la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong>s états du système. En particulier,<br />
cela est réalisé pour les oscillateurs linéaire, <strong>de</strong> Duffing, avec friction <strong>et</strong> le système dynamique<br />
du pompage énergétique.<br />
Une troisième partie se consacre à l’étu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov. Dans un premier<br />
temps, nous les étudions en temps fini. En eff<strong>et</strong>, ils dépen<strong>de</strong>nt alors du temps, <strong>de</strong>s conditions<br />
initiales, <strong>de</strong> l’espace, <strong>de</strong> la divergence initiale... <strong>et</strong> ils peuvent alors être différents <strong>de</strong> leur valeur à<br />
l’infini. Ensuite, nous testons une métho<strong>de</strong> innovante pour calculer ces exposants, en utilisant la<br />
matrice <strong>de</strong> divergence. Elle est appliquée à divers systèmes <strong>dynamiques</strong>, ce qui perm<strong>et</strong> d’évaluer<br />
son efficacité.<br />
Finalement, l’incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement est étudiée pour le système dynamique<br />
du pompage énergétique. Diverses lois <strong>de</strong> comportement, élastiques, élastoplastiques parfaits<br />
<strong>et</strong> élastoplastiques avec endommagement, sont appliquées <strong>et</strong> la robustesse du phénomène <strong>de</strong><br />
transfert d’énergie est estimée.<br />
Mots-clés: Incertitu<strong>de</strong>s, non-régulier, Fokker-Planck, Lyapunov, pompage énergétique.<br />
Abstract<br />
Civil Engineering structures often un<strong>de</strong>rgo uncertainties, which can come from different<br />
sources and which can be of different natures. In this PhD thesis, we <strong>de</strong>al with some shapes of<br />
these uncertainties.<br />
First, we study the consequence of uncertain initial conditions and uncertain param<strong>et</strong>ers in<br />
the motions of non smooth dynamical systems. This is done by means of an indicator of tangent<br />
variation. This study is applied to some special examples, among others the fall of a rock on a<br />
slope of constant angle and a linear oscillator with impacts.<br />
Then, the impact of an unknown forcing, mo<strong>de</strong>lled by a white noise, is studied by means of<br />
the Fokker-Planck equation. This one is solved numerically with the finite differences m<strong>et</strong>hod<br />
i
to obtain the probability <strong>de</strong>nsity function of the states of the system. Particularly, this is done<br />
for the linear oscillator, the oscillator of Duffing, with friction and a dynamical system leading<br />
to energy pumping.<br />
A third part <strong>de</strong>als with the study of Lyapunov exponents. In a first chapter, they are calculated<br />
in finite time. In that case, they <strong>de</strong>pend on time, on initial conditions, on space, on<br />
initial divergence ... and they can be different from their value in infinite time. Then, we test an<br />
innovative m<strong>et</strong>hod for calculating these exponents using the evolution matrix of the system. It<br />
is applied to different dynamical systems, which makes it possible to assess its efficiency.<br />
Finally, uncertainty on behavior of structures is studied in the case of a system leading<br />
to energy transfer. Different behaviors are studied, among which elastic, exact elastoplastic,<br />
elastoplastic with damage and robustness of the phenomenon of energy transfer is assessed.<br />
Keywords: Uncertainty, non smooth, Fokker-Planck, Lyapunov, energy pumping.<br />
ii
Table <strong>de</strong>s matières<br />
Introduction générale<br />
xi<br />
Partie I Application linéaire tangente pour systèmes non réguliers 1<br />
Introduction<br />
Chapitre 1<br />
Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
1.1 Formule <strong>de</strong>s accroissements finis . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.2 Explication générale du calcul <strong>de</strong> c<strong>et</strong>te jacobienne . . . . . . . . . . . . . . . 8<br />
1.3 Seules les positions <strong>et</strong> vitesses initiales sont incertaines . . . . . . . . . . . . 13<br />
1.4 Dans le cas général : les conditions initiales <strong>et</strong> les paramètres sont incertains 15<br />
Chapitre 2<br />
Oscillateur linéaire à impact : problème <strong>de</strong> la bifurcation par effleurement<br />
2.1 Définition <strong>de</strong> c<strong>et</strong> oscillateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
2.2 Calcul <strong>de</strong> la pseudo-jacobienne <strong>de</strong> c<strong>et</strong> oscillateur . . . . . . . . . . . . . . . . 19<br />
2.3 Schéma <strong>de</strong> l’oscillateur linéaire avec impacts étudié <strong>et</strong> résultats numériques<br />
obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21<br />
Chapitre 3<br />
Problème du billard<br />
3.1 Le problème compl<strong>et</strong> . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />
3.2 Le problème étudié . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
iii
Table <strong>de</strong>s matières<br />
3.3 Comparaison entre divergences exacte <strong>et</strong> approchée . . . . . . . . . . . . . . 28<br />
Chapitre 4<br />
Chute d’un bloc<br />
4.1 Théories existantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.1 Mise en oeuvre pratique . . . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.2 Les différentes phases du mouvement . . . . . . . . . . . . . . . . . . 32<br />
4.1.3 Les modélisations les plus importantes . . . . . . . . . . . . . . . . . 33<br />
4.2 Les vitesses <strong>et</strong> positions initiales sont incertaines . . . . . . . . . . . . . . . . 38<br />
4.3 Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont incertains . . . 41<br />
4.3.1 Modélisation du problème . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
4.3.2 Majoration <strong>de</strong> la divergence <strong>de</strong> trajectoire en fonction <strong>de</strong>s divers paramètres<br />
du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
4.4 Application concrète <strong>de</strong> ces résultats . . . . . . . . . . . . . . . . . . . . . . . 49<br />
4.5 Avec le phénomène <strong>de</strong> frottement . . . . . . . . . . . . . . . . . . . . . . . . 52<br />
4.6 Prise en compte <strong>de</strong> la forme physique du bloc <strong>et</strong> <strong>de</strong> la rotation <strong>de</strong> celui-ci au<br />
cours du mouvement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53<br />
Conclusion<br />
Partie II Etu<strong>de</strong> <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck 57<br />
Introduction<br />
Chapitre 1<br />
Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
1.1 La théorie <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck . . . . . . . . . . . . . . . . . . . . 65<br />
1.2 Fokker-Planck pour systèmes à un ddl . . . . . . . . . . . . . . . . . . . . . . 67<br />
1.2.1 Oscillateur <strong>de</strong> type Duffing sans sollicitation extérieure . . . . . . . . 68<br />
1.2.2 Oscillateur <strong>de</strong> type Duffing avec sollicitation extérieure . . . . . . . . 72<br />
1.3 Résolution par différences finies . . . . . . . . . . . . . . . . . . . . . . . . . 79<br />
1.3.1 Différenciation par directions alternées . . . . . . . . . . . . . . . . . 80<br />
iv
1.3.2 Recherche <strong>de</strong> schémas stables . . . . . . . . . . . . . . . . . . . . . . . 81<br />
1.3.3 Discrétisation du problème selon ces schémas . . . . . . . . . . . . . . 87<br />
1.3.4 Avec seulement <strong>de</strong>ux directions . . . . . . . . . . . . . . . . . . . . . 97<br />
1.3.5 Avec <strong>de</strong>s conditions aux bords non nulles . . . . . . . . . . . . . . . . 100<br />
1.3.6 Validation du programme . . . . . . . . . . . . . . . . . . . . . . . . . 102<br />
Chapitre 2<br />
<strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
2.1 <strong>Systèmes</strong> dépendant du temps . . . . . . . . . . . . . . . . . . . . . . . . . . 114<br />
2.2 Cas <strong>de</strong> l’oscillateur linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115<br />
2.3 Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing . . . . . . . . . . . . . . . . . . . . . . . 115<br />
2.3.1 Comparaison avec les résultats <strong>de</strong> Kunert <strong>et</strong> Pfeiffer, [60] . . . . . . . 115<br />
2.3.2 Autres résultats connus . . . . . . . . . . . . . . . . . . . . . . . . . . 117<br />
2.4 <strong>Systèmes</strong> paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125<br />
2.4.1 Discrétisation utilisée . . . . . . . . . . . . . . . . . . . . . . . . . . . 125<br />
2.4.2 Recherche <strong>de</strong> bassins d’attraction <strong>et</strong> d’attracteurs chaotiques . . . . . 127<br />
2.5 <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb . . . . . . . . . . . . . . . . . . . . . . . . 128<br />
2.5.1 Résultats déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . 128<br />
2.5.2 Equation <strong>de</strong> Fokker-Planck pour problèmes non réguliers . . . . . . . 131<br />
2.5.3 Equation <strong>de</strong> Fokker-Planck du problème . . . . . . . . . . . . . . . . 132<br />
2.5.4 Résultats <strong>de</strong>s simulations . . . . . . . . . . . . . . . . . . . . . . . . . 133<br />
2.6 Loi <strong>de</strong> comportement élasto-plastique . . . . . . . . . . . . . . . . . . . . . . 136<br />
2.6.1 Problème étudié <strong>et</strong> équation <strong>de</strong> Fokker-Planck correspondante . . . . 136<br />
2.6.2 Résultats théoriques sur le système dynamique avec loi <strong>de</strong> comportement142<br />
2.6.3 Résultats <strong>de</strong>s simulations . . . . . . . . . . . . . . . . . . . . . . . . . 143<br />
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147<br />
Chapitre 3<br />
Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
3.1 Principe <strong>et</strong> principaux résultats . . . . . . . . . . . . . . . . . . . . . . . . . 149<br />
3.1.1 Etu<strong>de</strong> <strong>de</strong> l’évolution au cours du temps <strong>de</strong> l’énergie <strong>de</strong>s <strong>de</strong>ux oscillateurs150<br />
3.1.2 Développement <strong>de</strong> Van Kampen ([110], [114]) . . . . . . . . . . . . . 154<br />
3.2 Prise en compte <strong>de</strong> l’incertitu<strong>de</strong> . . . . . . . . . . . . . . . . . . . . . . . . . 156<br />
v
Table <strong>de</strong>s matières<br />
3.3 Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck . . . . . . . . . . . . . . . . . . . . . 156<br />
3.3.1 Dans le cas non sollicité, mais avec <strong>de</strong>ux bruits blancs non corrélés . . 156<br />
3.3.2 Pour <strong>de</strong>ux bruits blancs corrélés . . . . . . . . . . . . . . . . . . . . . 158<br />
3.3.3 Pour <strong>de</strong>s bruits colorés <strong>et</strong> corrélés . . . . . . . . . . . . . . . . . . . . 159<br />
3.4 Résolution numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160<br />
3.4.1 Application <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s directions alternées pour c<strong>et</strong>te équation<br />
aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 160<br />
3.5 Comparaison avec <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo . . . . . . . . . . . . 160<br />
3.5.1 Méthodologie <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo . . . . . . . . . . 161<br />
3.5.2 Comparaison <strong>de</strong>s moments du système dynamique calculés avec Monte<br />
Carlo avec ceux obtenus avec l’équation <strong>de</strong> Fokker-Planck . . . . . . . 163<br />
3.5.3 Résultats <strong>de</strong> la comparaison . . . . . . . . . . . . . . . . . . . . . . . 164<br />
3.6 Simulations du pompage énergétique . . . . . . . . . . . . . . . . . . . . . . . 165<br />
Conclusion<br />
Partie III Etu<strong>de</strong> sur les exposants <strong>de</strong> Lyapunov 185<br />
Introduction<br />
Chapitre 1<br />
Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194<br />
1.2 <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre . . . . . . . . . . . . . . . 196<br />
1.2.1 Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov à court terme . . . . . . . . . . . . 196<br />
1.2.2 Pour l’oscillateur <strong>de</strong> Duffing . . . . . . . . . . . . . . . . . . . . . . . 197<br />
1.2.3 Pour l’oscillateur <strong>de</strong> Van <strong>de</strong>r Pol . . . . . . . . . . . . . . . . . . . . . 202<br />
1.3 <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre . . . . . . . . . . . . . . 209<br />
1.3.1 Etu<strong>de</strong> théorique <strong>de</strong>s exposants à court terme . . . . . . . . . . . . . . 210<br />
1.3.2 Pour le système <strong>de</strong> Lorenz . . . . . . . . . . . . . . . . . . . . . . . . 210<br />
1.4 Pour le système du pompage énergétique . . . . . . . . . . . . . . . . . . . . 216<br />
1.5 Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs . . . . . . . 219<br />
vi
1.5.1 Explication <strong>de</strong>s exposants <strong>de</strong> Lyapunov d’ordres supérieurs . . . . . . 219<br />
1.5.2 Application à l’oscillateur <strong>de</strong> Duffing . . . . . . . . . . . . . . . . . . 221<br />
1.5.3 Application au système dynamique <strong>de</strong> Van Der Pol . . . . . . . . . . 224<br />
1.5.4 Application au système <strong>de</strong> Lorenz . . . . . . . . . . . . . . . . . . . . 226<br />
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227<br />
Chapitre 2<br />
Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
2.1 Développements théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229<br />
2.1.1 Dérivées <strong>de</strong> la matrice d’évolution par rapport aux paramètres . . . . 230<br />
2.1.2 Solutions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 232<br />
2.1.3 Les exposants <strong>de</strong> Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . 235<br />
2.2 Applications <strong>et</strong> calculs numériques . . . . . . . . . . . . . . . . . . . . . . . . 236<br />
2.2.1 Cas d’un oscillateur linéaire . . . . . . . . . . . . . . . . . . . . . . . 236<br />
2.2.2 Oscillateur <strong>de</strong> type Duffing . . . . . . . . . . . . . . . . . . . . . . . . 246<br />
2.2.3 Système pseudo-périodique . . . . . . . . . . . . . . . . . . . . . . . . 253<br />
2.2.4 Attracteur <strong>de</strong> Rossler . . . . . . . . . . . . . . . . . . . . . . . . . . . 258<br />
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260<br />
Conclusion<br />
Partie IV<br />
Etu<strong>de</strong> du pompage énergétique dans un système à <strong>de</strong>ux <strong>de</strong>grés<br />
<strong>de</strong> liberté avec loi <strong>de</strong> comportement élasto-plastique 265<br />
Introduction<br />
Chapitre 1<br />
Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
1.1 Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité . . . . . . . . . . . 272<br />
1.1.1 Système dynamique sans incertitu<strong>de</strong> . . . . . . . . . . . . . . . . . . . 272<br />
1.1.2 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec un seul élément <strong>de</strong> Saint-<br />
Venant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273<br />
vii
Table <strong>de</strong>s matières<br />
1.1.3 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec N éléments <strong>de</strong> Saint-Venant279<br />
1.2 Présentation <strong>de</strong>s systèmes étudiés dans le cas sollicité . . . . . . . . . . . . . 282<br />
1.3 Quelques résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286<br />
1.3.1 Sans sollicitation <strong>et</strong> avec un seul élément <strong>de</strong> Saint-Venant . . . . . . . 288<br />
1.3.2 Sans sollicitation <strong>et</strong> avec plusieurs éléments <strong>de</strong> Saint-Venant . . . . . 289<br />
1.3.3 Cas sollicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295<br />
1.4 Définition d’un coefficient d’amortissement équivalent . . . . . . . . . . . . . 304<br />
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305<br />
Chapitre 2<br />
Comportement élasto-plastique avec endommagement<br />
2.1 Comportements étudiés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308<br />
2.1.1 Comportement élastoplastique pur . . . . . . . . . . . . . . . . . . . . 309<br />
2.1.2 Comportement élastoplastique avec endommagement . . . . . . . . . 312<br />
2.2 Preuves numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316<br />
2.2.1 Cas libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316<br />
2.2.2 Cas forcé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321<br />
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326<br />
Conclusion<br />
Conclusion générale 329<br />
Bibliographie 333<br />
Annexes<br />
Annexe A<br />
Calcul <strong>de</strong>s matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut pour <strong>de</strong>ux cas particuliers<br />
Annexe B<br />
Comparaison <strong>de</strong>s divergences exactes <strong>et</strong> approchées pour le problème du<br />
billard<br />
B.1 Calcul <strong>de</strong> la divergence exacte . . . . . . . . . . . . . . . . . . . . . . . . . . 343<br />
viii
B.1.1 La position <strong>et</strong> la vitesse initiales sont positives : . . . . . . . . . . . . 343<br />
B.1.2 Si y 01 ≥ 0 <strong>et</strong> y 02 ≥ 0 : . . . . . . . . . . . . . . . . . . . . . . . . . . 343<br />
B.1.3 La position est négative, la vitesse est positive : . . . . . . . . . . . . 344<br />
B.2 Calcul <strong>de</strong> la divergence avec les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage . . . . . . . . 345<br />
B.2.1 Les paramètres n’interviennent pas . . . . . . . . . . . . . . . . . . . 345<br />
B.2.2 Les paramètres interviennent . . . . . . . . . . . . . . . . . . . . . . . 346<br />
Annexe C<br />
Calcul <strong>de</strong>s distances entre <strong>de</strong>ux impacts<br />
Annexe D<br />
Calcul du minimum <strong>de</strong> la vitesse d’impact <strong>de</strong> l’oscillateur linéaire<br />
Annexe E<br />
Discrétation pour un oscillateur à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Annexe F<br />
Discrétisation <strong>de</strong> la loi <strong>de</strong> comportement<br />
Annexe G<br />
Théorie <strong>de</strong> Van Kampen<br />
G.1 Etu<strong>de</strong> <strong>de</strong>s moyennes par rapport au temps <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses . . . 361<br />
G.2 Etu<strong>de</strong> <strong>de</strong>s moments d’ordre <strong>de</strong>ux <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses . . . . . . . . . 366<br />
Annexe H<br />
Discrétisation pour systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
H.1 Pour le premier pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . . . 371<br />
H.2 Pour le <strong>de</strong>uxième pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . . 373<br />
H.3 Pour le troisième pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . . 374<br />
H.4 Pour le quatrième pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . 375<br />
H.5 Pour le cinquième pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . 376<br />
H.6 Pour le sixième pas <strong>de</strong> temps . . . . . . . . . . . . . . . . . . . . . . . . . . . 377<br />
ix
Table <strong>de</strong>s matières<br />
x
Introduction générale<br />
xi
Introduction générale<br />
Les structures <strong>de</strong> génie civil se modélisent par <strong>de</strong>s systèmes d’équations comportant <strong>de</strong>s <strong>incertitu<strong>de</strong>s</strong>.<br />
Ces <strong>de</strong>rnières peuvent présenter différentes sortes d’origine, <strong>et</strong> donc plusieurs formes :<br />
les matériaux structurels ont la propriété d’être statistiquement variables. De même, les charges<br />
appliquées sur ces mêmes structures peuvent être <strong>de</strong>s processus stochastiques d’une certaine<br />
durée. Ainsi les performances <strong>de</strong> ces structures dépen<strong>de</strong>nt, au cours <strong>de</strong> leur durée <strong>de</strong> vie, <strong>de</strong><br />
facteurs <strong>de</strong> nature aléatoire.<br />
Les origines <strong>de</strong> ces <strong>incertitu<strong>de</strong>s</strong> sont diverses : tout d’abord, nous pouvons citer les <strong>incertitu<strong>de</strong>s</strong><br />
géométriques, liées aux aléas <strong>de</strong> la construction. Par exemple, il n’existe pas <strong>de</strong> voiture nominale<br />
(c’est-à-dire conforme à la conception prédéterminée), suite aux irrégularités dans la manufacture<br />
<strong>et</strong> l’assemblage [47].<br />
Ensuite, il est évi<strong>de</strong>nt que les modèles physiques utilisés lors du calcul <strong>de</strong> structures ne correspon<strong>de</strong>nt<br />
pas totalement à la réalité : premièrement, ces modèles eux-mêmes ne sont qu’une<br />
approximation du comportement réel <strong>de</strong> structures, suite à l’idéalisation, la simplification <strong>et</strong> les<br />
erreurs au cours <strong>de</strong> la modélisation. En réalité, nous ne possédons pas la compréhension <strong>de</strong> la<br />
totalité <strong>de</strong>s processus impliqués [106]. De plus, une raison importante est le vieillissement <strong>de</strong><br />
structures : en eff<strong>et</strong>, même si nous supposons que la valeur <strong>de</strong>s paramètres est connue initialement,<br />
il est certain que celle-ci évolue au fil <strong>de</strong> la vie <strong>de</strong> la structure. Ceci pose le problème<br />
décisif du lien temps/incertitu<strong>de</strong>. Enfin, d’autres <strong>incertitu<strong>de</strong>s</strong>, plus évi<strong>de</strong>ntes, interviennent dans<br />
ces problèmes <strong>dynamiques</strong> : certaines sollicitations, tels les séismes ou le vent, sont par nature<br />
incertaines <strong>et</strong> seules certaines informations sur celles-ci sont supposées a priori pour le calcul <strong>de</strong>s<br />
structures concernées. De même, les conditions d’apparition <strong>de</strong> situations à risque sont inconnues<br />
: temps <strong>et</strong> conditions initiales d’une chute <strong>de</strong> blocs le long d’une pente, d’un immeuble lors<br />
d’un séisme...<br />
Ainsi, ces <strong>incertitu<strong>de</strong>s</strong> peuvent être classées en <strong>de</strong>ux catégories : les <strong>incertitu<strong>de</strong>s</strong> aléatoires<br />
(impossibilité <strong>de</strong> l’existence d’un système nominal ce qui entraine une variabilité <strong>et</strong> une dispersion<br />
<strong>de</strong>s propriétés du matériau, <strong>de</strong>s paramètres géométriques, ...) <strong>et</strong> les <strong>incertitu<strong>de</strong>s</strong> cognitives.<br />
Parmi ces <strong>de</strong>rnières, nous pouvons lister le large spectre <strong>de</strong>s conditions opérationnelles <strong>et</strong> environnementales<br />
possibles (imprécision/manque <strong>de</strong> connaissance <strong>de</strong>s paramètres, <strong>de</strong>s conditions<br />
initiales, ...), l’idéalisation, la simplification <strong>et</strong> les erreurs dans la modélisation <strong>et</strong> les différentes<br />
métho<strong>de</strong>s d’évaluation numérique (subjectivité dans l’implémentation). Par exemple, si la métho<strong>de</strong><br />
<strong>de</strong>s éléments finis est utilisée, plusieurs choses agissent sur la qualité du résultat : la taille<br />
du maillage, le type d’éléments utilisés <strong>et</strong> leur formulation, les paramètres <strong>de</strong> calcul (pas <strong>de</strong><br />
temps, paramètres <strong>de</strong> contact,...).<br />
Ceci entraine <strong>de</strong>s formes mathématiques très différentes pour les <strong>incertitu<strong>de</strong>s</strong>. Une première<br />
forme d’incertitu<strong>de</strong>, étudiée dans un grand nombre <strong>de</strong> références, est celle sur les paramètres.<br />
Le paramètre incertain par excellence est l’amortissement. Mon stage <strong>de</strong> Master Recherche [90]<br />
a été l’occasion d’abor<strong>de</strong>r un aspect <strong>de</strong> ce problème en attribuant une loi <strong>de</strong> probabilité à ces<br />
paramètres <strong>et</strong> en calculant celle d’une sortie du système dynamique considéré. C<strong>et</strong> aspect est<br />
xii
également étudié dans [49]. Ensuite, les conditions initiales <strong>de</strong> certains mouvements sont par<br />
leur essence même incertaines, par exemple lors <strong>de</strong> la chute <strong>de</strong> blocs le long d’une pente. De<br />
même, certaines sollicitations s’exerçant sur les structures sont incertaines, comme le vent, les<br />
séismes, les bruits ambiants. Dans ces cas, toutes les possibilités doivent être prises en compte<br />
afin <strong>de</strong> calculer correctement la structure. Finalement, les lois <strong>de</strong> comportement <strong>de</strong>s structures<br />
sont incertaines : <strong>de</strong>s erreurs, qui peuvent être aléatoires ou systématiques, sont introduites dans<br />
les résultats [104]. Les données sont ensuite lissées <strong>et</strong> il s’agit <strong>de</strong> choisir un modèle <strong>de</strong> loi <strong>de</strong><br />
comportement. De plus, il est certain qu’après avoir subi <strong>de</strong>s sollicitations plus ou moins fortes<br />
(séismes, vent, ...), le comportement <strong>de</strong> la structure change <strong>et</strong> un endommagement résiduel peut<br />
par exemple apparaître.<br />
Sollicitations<br />
Entrées<br />
Paramètres, ...<br />
Système dynamique<br />
Lois <strong>de</strong> comportement, ...<br />
Sorties<br />
Déplacement, ...<br />
De telles <strong>incertitu<strong>de</strong>s</strong> supposent qu’il est impossible <strong>de</strong> calculer exactement les sorties <strong>de</strong><br />
tels systèmes. En eff<strong>et</strong>, il faut tenir compte <strong>de</strong>s <strong>incertitu<strong>de</strong>s</strong> en entrée (paramètres), celles <strong>de</strong>s<br />
sollicitations s’appliquant au système <strong>et</strong> celles inhérentes au système.<br />
Par conséquent, certaines caractéristiques, comme le déplacement par exemple, ne peuvent<br />
en réalité être calculées exactement. Il s’agit donc d’accé<strong>de</strong>r à certains éléments d’information<br />
sur ces caractéristiques. Actuellement, certaines métho<strong>de</strong>s traitent partiellement ce problème,<br />
nous citons quelques exemples ci-après qui nous semble remarquables.<br />
Tout d’abord, l’étu<strong>de</strong> paramétrique calcule la réponse pour diverses valeurs numériques du<br />
paramètre fluctuant. Elle donne donc naissance, dans le meilleur <strong>de</strong>s cas, à une courbe enveloppe<br />
<strong>de</strong> la réponse en fonction <strong>de</strong> différentes valeurs numériques <strong>de</strong> ce paramètre. Tous les autres<br />
paramètres intervenants dans le système sont alors fixés à une certaine valeur. Il est clair que<br />
xiii
Introduction générale<br />
pour une seule valeur différente <strong>de</strong> ces <strong>de</strong>rniers paramètres, toute l’étu<strong>de</strong> est à recommencer,<br />
même si <strong>de</strong>s formules <strong>de</strong> calcul <strong>de</strong> corrélation entre les variables existent. Un autre inconvénient<br />
est qu’avec c<strong>et</strong>te métho<strong>de</strong>, il est difficile <strong>de</strong> remarquer les combinaisons <strong>de</strong> paramètres critiques,<br />
c’est-à-dire qui amènent par exemple à la rupture du système.<br />
Ensuite, les métho<strong>de</strong>s dites fiabilistes incluent la théorie <strong>de</strong> la fiabilité qui définit les régions<br />
<strong>de</strong> sécurité <strong>et</strong> <strong>de</strong> ruine pour la structure considérée [81, 52]. L’étu<strong>de</strong> <strong>de</strong> la fiabilité d’un élément<br />
<strong>de</strong> structure consiste à calculer la probabilité pour qu’une réalisation <strong>de</strong> l’ensemble <strong>de</strong>s états<br />
possibles <strong>de</strong>s variables <strong>de</strong> base soit à l’intérieur <strong>de</strong> la région <strong>de</strong> ruine. Pour cela, <strong>de</strong>s hypothèses<br />
sont faites sur la structure <strong>et</strong> les sollicitations. Un coefficient <strong>de</strong> sécurité est alors déterminé<br />
(celui qui intervient alors dans les co<strong>de</strong>s <strong>de</strong> construction), sachant qu’une fiabilité plus gran<strong>de</strong><br />
entraine un coût <strong>de</strong> construction <strong>et</strong> <strong>de</strong> maintien <strong>de</strong> la structure plus élevé. Inversement, le choix<br />
d’une fiabilité plus faible amène un risque plus grand.<br />
Les métho<strong>de</strong>s par intervalles donnent un intervalle dans lequel se trouve la valeur numérique<br />
<strong>de</strong> la sortie calculée en fonction <strong>de</strong>s intervalles dans lequel varient les entrées incertaines<br />
[1, 23]. Des expressions littérales sont calculables, donc les valeurs numériques <strong>de</strong>s autres paramètres<br />
ne doivent pas obligatoirement être fixés. Par contre, les informations obtenues sont peu<br />
nombreuses : nous connaissons alors un intervalle dans lequel se situe la valeur numérique <strong>de</strong><br />
la réponse, mais aucune information sur sa répartition ou sa variation dans c<strong>et</strong> intervalle. En<br />
particulier, toutes les valeurs numériques <strong>de</strong> la sortie ont la même importance même si elles ne<br />
sont atteintes que dans un nombre très limité <strong>de</strong> cas.<br />
De même, la logique floue a pour but d’intégrer le ”flou“ comme une donnée universelle dans<br />
<strong>de</strong> nombreux domaines, génie civil, mais aussi sociologie, économie, intelligence artificielle [121,<br />
56]. En introduisant <strong>de</strong>s ensembles flous <strong>et</strong> en attribuant un coefficient aux différents états du<br />
système, un système optimal (expert) peut être développé. C’est une démarche complémentaire<br />
<strong>de</strong>s probabilités.<br />
C<strong>et</strong>te logique floue n’est pas la seule à traiter les <strong>incertitu<strong>de</strong>s</strong>. Notons l’existence <strong>de</strong> la logique<br />
modale (Aristote, Leibniz), la théorie <strong>de</strong> la complexité algorithmique ou encore les probabilités<br />
bayésiennes [85, 21].<br />
De nombreuses métho<strong>de</strong>s d’étu<strong>de</strong> <strong>de</strong> l’incertitu<strong>de</strong> sur un paramètre ou sur les sollicitations<br />
consistent à développer ces informations incertaines sur <strong>de</strong>s bases <strong>de</strong> fonctions appropriées : par<br />
exemple la “métho<strong>de</strong> <strong>de</strong>s polynômes <strong>de</strong> chaos”, assez récente développée par Spanos <strong>et</strong> Ghanem<br />
([39]). Elle est explicitée dans le mémoire <strong>de</strong> thèse <strong>de</strong> O. Dessombz [22]. Elle consiste à développer<br />
le paramètre incertain sur une base <strong>de</strong> polynômes vérifiant <strong>de</strong>s critères particuliers. La réponse<br />
est alors calculée en minimisant l’énergie. C<strong>et</strong>te métho<strong>de</strong> donne accès non seulement à l’intervalle<br />
<strong>de</strong> la valeur numérique <strong>de</strong> la réponse, mais également à certains éléments <strong>de</strong> la probabilité <strong>de</strong><br />
celle-ci d’être égale à une valeur donnée. Mais elle présente l’inconvénient d’être lour<strong>de</strong> à m<strong>et</strong>tre<br />
en place.<br />
Enfin, une théorie <strong>de</strong> calculs massifs, Monte Carlo, est la métho<strong>de</strong> la plus utilisée aujourd’hui,<br />
en particulier dans les domaines applicatifs (finance, gestion du trafic). Elle consiste à affecter<br />
une probabilité (donc une fonction <strong>de</strong>nsité <strong>de</strong> probabilité) aux sollicitations, aux paramètres, aux<br />
xiv
conditions initiales... qui sont suj<strong>et</strong>s à incertitu<strong>de</strong>. Il s’agit alors <strong>de</strong> prendre un grand nombre<br />
<strong>de</strong> réalisations <strong>de</strong> l’incertitu<strong>de</strong>, <strong>et</strong> pour chacune d’elle, calculer la réponse du système. Il est<br />
alors possible avec les données ainsi récoltées <strong>de</strong> calculer la moyenne <strong>et</strong> les moments d’ordres<br />
supérieurs <strong>de</strong> la réponse <strong>de</strong> système.<br />
Un point négatif <strong>de</strong> c<strong>et</strong>te métho<strong>de</strong> est le temps <strong>de</strong> calcul nécessaire pour obtenir les résultats,<br />
sachant que ceux-ci doivent être calculés <strong>de</strong> nouveau pour toute autre valeur <strong>de</strong>s paramètres<br />
fixés. De plus, les calculs sont numériques <strong>et</strong> les résultats approchés. Enfin, l’exploitation <strong>et</strong> en<br />
particulier l’interprétation <strong>de</strong>s résultats est difficile à réaliser : en eff<strong>et</strong>, nous n’avons pas leur<br />
expression analytique, donc leur forme algébrique <strong>de</strong>vra être déduite d’un nombre fini <strong>de</strong> points<br />
(les moments <strong>de</strong> la réponse). Tout ceci entraine l’existence d’une littérature importante à ce<br />
suj<strong>et</strong>, en particulier sur les métho<strong>de</strong>s pour accélerer les calculs [38].<br />
Dans c<strong>et</strong>te thèse, qui fait suite à un Master Recherche <strong>de</strong> Génie Civil ([90]), l’objectif est<br />
d’abor<strong>de</strong>r certaines <strong>de</strong> ces <strong>incertitu<strong>de</strong>s</strong> <strong>et</strong> <strong>de</strong> chercher comment déterminer leur eff<strong>et</strong> sur la sortie<br />
du système. Il ne s’agit pas d’améliorer les métho<strong>de</strong>s existantes, mais plutôt <strong>de</strong> chercher comment<br />
les adapter ou les généraliser à <strong>de</strong>s systèmes <strong>dynamiques</strong> qui nous intéressent : système <strong>de</strong> <strong>de</strong>ux<br />
oscillateurs couplés présentant le phénomène <strong>de</strong> pompage énergétique, systèmes non réguliers<br />
(friction, impacts,...).<br />
Ainsi, dans une première partie, le cas <strong>de</strong>s conditions initiales <strong>et</strong> <strong>de</strong>s paramètres incertains<br />
dans les mouvements non-réguliers est étudié. En eff<strong>et</strong>, dans le cas régulier, ceci ne pose pas<br />
problème, suite à la formule <strong>de</strong>s accroissements finis, qui n’est plus valable si la dynamique comporte<br />
<strong>de</strong>s irrégularités. Ici, une généralisation <strong>de</strong> la définition <strong>de</strong> la jacobienne a été développée<br />
en introduisant les matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut. Ce développement théorique a été appliqué en<br />
particulier aux cas <strong>de</strong> la chute <strong>de</strong> blocs le long d’une pente <strong>et</strong> <strong>de</strong> l’oscillateur linéaire à impacts.<br />
Ensuite, une sollicitation inconnue <strong>et</strong> diffuse est introduite sous la forme d’un bruit blanc.<br />
L’équation <strong>de</strong> Fokker-Planck donnant la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong>s états du système au cours du<br />
temps, peut alors être écrite. Elle est résolue numériquement à l’ai<strong>de</strong> <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s différences<br />
finies, combinée à la différentiation <strong>de</strong>s directions. Ces calculs sont réalisés pour <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> ayant un ou <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté. En particulier, nous testons c<strong>et</strong>te métho<strong>de</strong> sur le<br />
système <strong>de</strong> <strong>de</strong>ux oscillateurs couplés dans lequel le phénomène <strong>de</strong> transfert d’énergie se produit,<br />
ce qui perm<strong>et</strong> <strong>de</strong> tester la robustesse <strong>de</strong> ce <strong>de</strong>rnier.<br />
Dans une troisième partie, certaines particularités <strong>de</strong>s exposants <strong>de</strong> Lyapunov sont examinées<br />
: tout d’abord, nous observons leurs variations en temps fini; en eff<strong>et</strong>, dans ce cas, ces<br />
exposants dépen<strong>de</strong>nt <strong>de</strong>s conditions initiales, <strong>de</strong> la divergence initiale, du temps, ... Nous cherchons<br />
une <strong>de</strong>scription générale, si elle existe, du maximum atteint lors <strong>de</strong> ces variations.<br />
De plus, une métho<strong>de</strong> innovante pour le calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov est testée. Pour<br />
celle-ci, la matrice <strong>de</strong> divergence doit être calculée <strong>et</strong> intégrée au cours du temps, ce qui perm<strong>et</strong><br />
d’estimer directement l’exposant <strong>de</strong> Lyapunov (en temps infini) <strong>et</strong> ses variations par rapport<br />
aux paramètres.<br />
Finalement, une incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement <strong>de</strong>s structures est étudiée pour le<br />
système <strong>de</strong> <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté couplé linéairement. Ce système dynamique est généralement<br />
xv
Introduction générale<br />
étudié en supposant un comportement élastique pur pour les <strong>de</strong>ux oscillateurs. Nous testerons<br />
différentes lois <strong>de</strong> comportement pour la structure linéaire : élastoplastique pur <strong>et</strong> élastoplastique<br />
avec endommagement. Nous recherchons la preuve <strong>de</strong> l’existence <strong>et</strong> l’unicité d’une solution<br />
à l’ai<strong>de</strong> d’outils mathématiques (théorie <strong>de</strong>s opérateurs monotones), puis nous étudions la robustesse<br />
du transfert d’énergie face à une incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement <strong>de</strong> la structure<br />
principale.<br />
xvi
Première partie<br />
Application linéaire tangente<br />
généralisée aux systèmes non<br />
réguliers<br />
Application à l’oscillateur linéaire à<br />
impacts <strong>et</strong> à la chute <strong>de</strong> blocs<br />
rocheux le long d’une pente<br />
1
C<strong>et</strong>te partie a fait l’obj<strong>et</strong> <strong>de</strong> <strong>de</strong>ux articles :<br />
– F. Schmidt, C.-H. Lamarque 2006, “Un indicateur pour optimiser les calculs trajectographiques‘”,<br />
Bull<strong>et</strong>in <strong>de</strong>s Laboratoires <strong>de</strong>s Ponts <strong>et</strong> Chaussées, No 263-264, [92] dont une<br />
version anglaise “Use of an indicator for optimizing trajectory calculations” a été rédigée<br />
pour le site du BLPC (www.lcpc.fr/en/sources/blpc).<br />
– F. Schmidt, C.-H. Lamarque 2008, “How to improve confi<strong>de</strong>nce in calculations for nonsmooth<br />
dynamical systems”, Journal of Vibration and Control, vol.14, No1/2, p.231-253,<br />
[95].<br />
3
Introduction<br />
Les outils <strong>de</strong> calcul <strong>de</strong>s trajectoires <strong>de</strong> blocs rocheux se sont largement améliorés <strong>de</strong>puis 30<br />
ans. Tous les modèles mécaniques <strong>et</strong> les traitements numériques correspondants utilisent le cadre<br />
mathématique <strong>de</strong>s systèmes <strong>dynamiques</strong> non réguliers. Cela signifie <strong>de</strong>ux choses :<br />
– Premièrement, ces modèles sont non linéaires.<br />
– Deuxièmement, il y a perte <strong>de</strong> dérivabilité pour l’expression <strong>et</strong> les solutions du problème.<br />
Ces <strong>de</strong>ux éléments ont <strong>de</strong>s conséquences pour les applications où les calculs sont effectués sur <strong>de</strong>s<br />
grilles (grille <strong>de</strong> paramètres, grille <strong>de</strong> conditions initiales) : peut-on être sûrs que les indications<br />
donnéees par les trajectoires (<strong>et</strong> les vitesses) <strong>de</strong>s points <strong>de</strong> la grille sont les pires possibles?<br />
En d’autres termes, n’existe-t-il pas un point intérieur aux mailles <strong>de</strong> la grille tel que si un<br />
mur positionné en bas d’une pente arrête toutes les trajectoires issues <strong>de</strong>s noeuds <strong>de</strong> la grille,<br />
il n’arrête pas celle issue <strong>de</strong> ce point-là? (voir annexe 2.3 en ce qui concerne l’exemple <strong>de</strong><br />
l’oscillateur linéaire avec impacts).<br />
Pour les systèmes réguliers, une formule <strong>de</strong> type ”accroissements finis“ peut perm<strong>et</strong>tre en<br />
estimant la jacobienne (régulière) du système d’introduire un coefficient <strong>de</strong> sécurité par rapport<br />
aux calculs sur la grille ou <strong>de</strong> dimensionner la maille <strong>de</strong> la grille pour obtenir une erreur maximale<br />
sur les calculs issus <strong>de</strong> n’importe quelle condition initiale.<br />
Dans le cas <strong>de</strong>s systèmes non réguliers, la jacobienne n’est plus définie. Il faut adapter la métho<strong>de</strong>.<br />
Des travaux ont décrit <strong>de</strong>s outils qui peuvent perm<strong>et</strong>tre cela [76], par exemple).<br />
Nous proposons ici d’introduire c<strong>et</strong>te généralisation <strong>de</strong> la jacobienne, pour obtenir l’équivalent<br />
d’une formule <strong>de</strong>s accroissements finis.<br />
Nous discutons d’exemples très simples pour illustrer les bénéfices <strong>et</strong> les limites possibles <strong>de</strong> la<br />
métho<strong>de</strong> pour les applications.<br />
En particulier, dans une première section, nous allons développer les expressions analytiques,<br />
générales, perm<strong>et</strong>tant d’étudier ces problèmes. Ensuite, nous appliquons ceci à l’oscillateur linéaire<br />
à impacts (page 17) <strong>et</strong> au problème du billard (page 23).<br />
5
Introduction<br />
Finalement, une étu<strong>de</strong> plus approfondie sera consacrée à la chute <strong>de</strong> blocs rocheux le long<br />
d’une pente d’angle constant.<br />
Les annexes explicitant certains calculs lourds peuvent être trouvés à partir <strong>de</strong> la page 341.<br />
6
Chapitre 1<br />
Jacobienne généralisée pour les<br />
systèmes <strong>dynamiques</strong> non réguliers<br />
Dans ce chapitre, nous considérons un mouvement dynamique non-régulier<br />
quelconque. Nous généralisons la formule <strong>de</strong>s accroissements finis pour ces<br />
systèmes <strong>dynamiques</strong> <strong>et</strong> nous donnons l’expression d’une jacobienne appelée<br />
“généralisée”.<br />
Sommaire<br />
1.1 Formule <strong>de</strong>s accroissements finis . . . . . . . . . . . . . . . . . . . 7<br />
1.2 Explication générale du calcul <strong>de</strong> c<strong>et</strong>te jacobienne . . . . . . . . 8<br />
1.3 Seules les positions <strong>et</strong> vitesses initiales sont incertaines . . . . . 13<br />
1.4 Dans le cas général : les conditions initiales <strong>et</strong> les paramètres<br />
sont incertains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
1.1 Formule <strong>de</strong>s accroissements finis<br />
Pour les systèmes mécaniques réguliers, la formule <strong>de</strong>s accroissements finis s’écrit :<br />
||f (X 0 + h) − f (X 0 ) || ≤ |||df (X 0 ) ||| × ||h|| (1.1)<br />
où df (X 0 ) est la jacobienne <strong>de</strong> f évaluée au point X 0 , h un incrément supposé p<strong>et</strong>it, qui peut<br />
être par exemple une taille <strong>de</strong> maille sur une grille.<br />
Si l’on sait borner |||df (X 0 ) ||| pour l’ensemble <strong>de</strong>s X 0 considérés, il est alors possible <strong>de</strong><br />
déterminer l’erreur faite en fonction <strong>de</strong> la maille h utilisée. Réciproquement, en se fixant une<br />
7
Chapitre 1. Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
valeur limite <strong>de</strong> l’erreur, la maille maximale à utiliser peut être déterminée afin que l’erreur<br />
réalisée ne soit pas supérieure à c<strong>et</strong>te valeur limite.<br />
Ce genre <strong>de</strong> calculs a donc <strong>de</strong>ux buts :<br />
– déterminer l’erreur d’approximation en fonction <strong>de</strong> la taille <strong>de</strong> la maille,<br />
– déterminer la taille <strong>de</strong> la maille en fonction <strong>de</strong> l’erreur maximale fixée.<br />
Les systèmes mécaniques non réguliers peuvent se modéliser sous la forme :<br />
Ẍ + f (X, t) + A (X) 0 , (1.2)<br />
où :<br />
– X est continue, Ẋ est continue par morceaux,<br />
– f (X, t) est une fonction lipschitzienne en X,<br />
– A (X) est un graphe maximal monotone (généralisation <strong>de</strong> la notion <strong>de</strong> fonction croissante,<br />
voir [14]).<br />
Nous voulons ici voir si l’équation (1.1) se généralise aux cas <strong>de</strong>s systèmes non réguliers. Pour<br />
ceci, nous déterminons une pseudo-jacobienne pour ces systèmes non-réguliers, en utilisant <strong>de</strong>s<br />
matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut à chaque événement non régulier <strong>de</strong>s trajectoires : nous allons<br />
d’abord expliquer le concept <strong>de</strong> matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage.<br />
Ensuite, nous appliquerons c<strong>et</strong>te métho<strong>de</strong> à un système mécanique académique (un oscillateur<br />
linéaire soumis à une sollicitation extérieure <strong>et</strong> contraint par un mur positionné à x = x max ).<br />
1.2 Explication générale du calcul <strong>de</strong> c<strong>et</strong>te jacobienne<br />
Le comportement d’un système mécanique non-régulier peut se décomposer en <strong>de</strong>ux parties :<br />
celle où le comportement est analogue à celui d’un système mécanique régulier, donc régi par<br />
une équation différentielle <strong>et</strong> la <strong>de</strong>uxième où se produit la discontinuité, localisée en temps.<br />
Dans le cas considéré, nous modélisons ceci par :<br />
(t 0 ≤)t < t 1 : Ẋ = f 1 (X, t, µ), X (t 0 ) = X 0 , f 1 ∈ C 1 (t 0 , t 1 ),<br />
t = t 1 : 0 = h(X (t 1 , µ),t 1 , µ) , h ∈ C 1 (t 0 , t 2 ),<br />
X ( t + ) ( (<br />
1 = g X t<br />
−<br />
1 , µ ) , t 1 , µ ) , g ∈ C 1 (t 0 , t 2 ),<br />
(1.1)<br />
t 1 < t < t 2 : Ẋ = f 2 (X, t, µ), X (t 1 ) = X ( t + )<br />
1 , f2 ∈ C 1 (t 1 , t 2 ).<br />
– t 0 est alors l’instant initial, t 1 celui <strong>de</strong> la première discontinuité, t 2 celui <strong>de</strong> la <strong>de</strong>uxième<br />
(si elle a lieu).<br />
8
1.2. Explication générale du calcul <strong>de</strong> c<strong>et</strong>te jacobienne<br />
– h(X, t, µ) est appelée fonction indicatrice <strong>de</strong> la discontinuité, g (X, t, µ) est la fonction <strong>de</strong><br />
passage.<br />
– f 1 <strong>et</strong> f 2 sont les fonctions décrivant le comportement du système.<br />
Ici, nous avons pris Ẋ = f 1 (X, t, µ) entre t i−1 <strong>et</strong> t i <strong>et</strong> Ẋ = f 2 (X, t, µ) entre t i <strong>et</strong> t i+1 , ce qui<br />
correspond par exemple au cas <strong>de</strong> la friction. Pourtant dans les exemples, nous nous restreignons<br />
au cas f 1 (X, t, µ) = f 2 (X, t, µ) = f (X, t, µ).<br />
Si nous considérons <strong>de</strong>s conditions initiales <strong>et</strong> <strong>de</strong>s paramètres légèrement différents :<br />
¯X (t 0 ) = X 0 + δX 0 ,<br />
¯µ(t 0 ) = µ 0 + δµ 0 , (1.2)<br />
l’instant <strong>de</strong> la discontinuité sera différent :<br />
¯t 1 = t 1 + δt . (1.3)<br />
En supposant que le comportement du système dont les conditions initiales ont été modifiées est<br />
structurellement le même que celui du système original, nous obtenons le comportement <strong>de</strong> δX<br />
en se basant sur [76] :<br />
(t 0 ≤)t < t 1 :<br />
δẊ = ∂f 1<br />
∂X T (X, t, µ).δX + ∂f 1<br />
∂t (X, t, µ)δt + ∂f 1<br />
(X, t, µ).δµ ,<br />
∂µ T<br />
δṫ = 0 ⇒ δt = δt 0 ,<br />
δ ˙µ = 0 ⇒ δµ = δµ 0 ,<br />
(1.4)<br />
δẊ = F 1X (X, t, µ).δX + F 1T (X, t, µ)δt 0 + F 1µ (X, t, µ).δµ 0 ,<br />
avec :<br />
⎧<br />
⎪⎨<br />
F 1X (X, t, µ) = ∂f 1<br />
∂X T | X,t,µ,<br />
F 1t (X, t, µ) = ∂f 1<br />
∂t | X,t,µ,<br />
(1.5)<br />
⎪⎩<br />
F 1µ (X, t, µ) = ∂f 1<br />
∂µ T | X,t,µ.<br />
L’instant <strong>de</strong> la discontinuité a été modifié, ainsi que ses conditions initiales <strong>et</strong> ses paramètres.<br />
Donc si :<br />
9
Chapitre 1. Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
t = t 1 :<br />
δX ( t − )<br />
1 = δX<br />
−<br />
1 ,<br />
δX ( t + )<br />
1 = ¯X<br />
(¯t − )<br />
1 − X<br />
(¯t + )<br />
1 ,<br />
0 = h ( ¯X (¯t, ¯µ) , ¯t, ¯µ ) ,<br />
0 ≈ h ( ¯X (t1 , µ) + f 1<br />
( ¯X (t1 , µ),t 1 , µ ) δt 1 , t 1 + δt 0 , µ + δµ 0<br />
)<br />
,<br />
0 ≈ h ( X1 − + δX− 1 + f (<br />
1 X<br />
−<br />
1 + δX1 − , t 1, µ ) )<br />
(1.6)<br />
δt 1 , t 1 + δt 0 , µ + δµ 0 ,<br />
0 ≈ h ( X1 − , t 1, µ ) (<br />
+ H X X<br />
−<br />
1 , t 1 , µ ) . [ δX1 − + f (<br />
1 X<br />
−<br />
1 , t 1 , µ ) ] (<br />
δt 1 + HT X<br />
−<br />
1 , t 1 , µ ) δt 1<br />
(<br />
+H T X<br />
−<br />
1 , t 1 , µ ) (<br />
δt 0 + H µ X<br />
−<br />
1 , t 1 , µ ) .δµ 0 ,<br />
0 ≈ [ (<br />
H X X<br />
−<br />
1 , t 1 , µ ) (<br />
.f 1 X<br />
−<br />
1 , t 1 , µ ) (<br />
+ H T X<br />
−<br />
1 , t 1 , µ )] δt 1<br />
+ [ (<br />
H X X<br />
−<br />
1 , t 1 , µ ) .δX1 − + H (<br />
T X<br />
−<br />
1 , t 1 , µ ) (<br />
δt 0 + H µ X<br />
−<br />
1 , t 1 , µ ) ]<br />
.δµ 0 .<br />
Avec h ( X1 − , t 1, µ ) = 0. Alors :<br />
δX ( t − )<br />
1 = δX − est le vecteur position juste avant la discontinuité.<br />
¯X est le vecteur position <strong>de</strong> la trajectoire perturbée.<br />
⎧ (<br />
H X X<br />
−<br />
1 , t 1 , µ ) =<br />
∂h<br />
∂X T | X − 1 ,t 1,µ ,<br />
⎪⎨ (<br />
H T X<br />
−<br />
1 , t 1 , µ ) =<br />
∂h<br />
∂t | X − 1 ,t 1,µ ,<br />
⎪⎩<br />
H µ<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) =<br />
(1.7)<br />
∂h<br />
∂µ T | X − 1 ,t 1,µ .<br />
On suppose que A = H X<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) .f 1<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) + H T<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) est inversible. Cela<br />
signifie que la fonction indicatrice n’est pas i<strong>de</strong>ntiquement nulle <strong>et</strong> que la trajectoire perturbée,<br />
c’est-à-dire celle dont les conditions initiales en espace <strong>et</strong> en temps <strong>et</strong> les paramètres ont été<br />
perturbés, présente le même type <strong>de</strong> comportement que la trajectoire initiale. Alors :<br />
δt 1<br />
= − [ H X<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) .f 1<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) + H T<br />
(<br />
X<br />
−<br />
1 , t 1 , µ )] −1<br />
× [ (<br />
H X X<br />
−<br />
1 , t 1 , µ ) .δX1 − + H (<br />
T X<br />
−<br />
1 , t 1 , µ ) (<br />
δt 0 + H µ X<br />
−<br />
1 , t 1 , µ ) (1.8)<br />
]<br />
.δµ 0 .<br />
δt 1 est la translation en temps entre l’instant <strong>de</strong> la discontinuité <strong>de</strong> la trajectoire initiale <strong>et</strong> celle<br />
correspondant pour la trajectoire perturbée.<br />
10
1.2. Explication générale du calcul <strong>de</strong> c<strong>et</strong>te jacobienne<br />
Or : ¯X− 1 = X ( t − ) (<br />
1 + δX<br />
−<br />
1 + f 1 X<br />
−<br />
1 , t 1 , µ ) δt 1 .<br />
¯X (¯t + ) (<br />
1 = g ¯X<br />
(¯t − )<br />
1 , ¯t 1 , ¯µ ) ,<br />
≈ g ( X − 1 + δX− 1 + f 1<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) δt 1 , t 1 + δt 0 , µ + δµ 0<br />
)<br />
,<br />
≈ g ( X1 − , t 1, µ ) (<br />
+ G X X<br />
−<br />
1 , t 1 , µ ) [<br />
. δX1 − + f (<br />
1 X<br />
−<br />
1 , t 1 , µ ) ]<br />
(<br />
δt 1 + G T X<br />
−<br />
1 , t 1 , µ ) δt 1<br />
(1.9)<br />
avec :<br />
+G T<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) δt 0 + G µ<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) .δµ 0 ,<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
G X<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) =<br />
G T<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) =<br />
G µ<br />
(<br />
X<br />
−<br />
1 , t 1 , µ ) =<br />
∂g<br />
∂X T | X − 1 ,t 1,µ ,<br />
∂g<br />
∂t | X − 1 ,t 1,µ ,<br />
(1.10)<br />
∂g<br />
∂µ T | X − 1 ,t 1,µ .<br />
g ( X1 − , t 1, µ ) = X ( t + )<br />
1 ,<br />
δX 1 + = ¯X (¯t + )<br />
1 − X<br />
(¯t + )<br />
1 ,<br />
δX 1 + (<br />
= G X X<br />
−<br />
1 , t 1 , µ ) .δX1<br />
− (1.11)<br />
[<br />
(<br />
+ G X X<br />
−<br />
1 , t 1 , µ ) (<br />
.f 1 X<br />
−<br />
1 , t 1 , µ ) (<br />
+ G T X<br />
−<br />
1 , t 1 , µ ) (<br />
− f 2 X<br />
+<br />
1 , t 1 , µ ) ] δt 1<br />
(<br />
+G T X<br />
−<br />
1 , t 1 , µ ) (<br />
δt 0 + G µ X<br />
−<br />
1 , t 1 , µ ) .δµ 0 .<br />
δX 1 + = ¯X (¯t + )<br />
1 − X<br />
(¯t + )<br />
1 est alors le vecteur position juste après la première discontinuité.<br />
Finalement :<br />
avec :<br />
t > t 1 :<br />
δẊ = F 2X (X, t, µ).δX + F 2T (X, t, µ)δt 0 + F 2µ (X, t, µ).δµ 0 ,<br />
⎧<br />
⎪⎨<br />
F 2X (X, t, µ) = ∂f 2<br />
∂X T | X,t,µ ,<br />
F 2t (X, t, µ) = ∂f 2<br />
∂t | X,t,µ ,<br />
(1.12)<br />
(1.13)<br />
⎪⎩<br />
F 2µ (X, t, µ) = ∂f 2<br />
∂µ T | X,t,µ .<br />
11
Chapitre 1. Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
Remarques :<br />
– On peut r<strong>et</strong>rouver<br />
⎡<br />
ce<br />
⎤<br />
résultat en utilisant la référence [76], en substituant le vecteur X par<br />
X<br />
le vecteur V = ⎣ t ⎦. On utilise alors le fait que ṫ = 1 <strong>et</strong> ˙µ = 0 (on suppose ici que les<br />
µ<br />
paramètres sont indépendants du temps).<br />
– A partir <strong>de</strong> ce qui a été fait ci-<strong>de</strong>ssus, on peut r<strong>et</strong>rouver directement les résultats <strong>de</strong> [76]<br />
(voir l’annexe A, page 341 pour le détail <strong>de</strong>s calculs).<br />
Dans ce qui suit, nous allons considérer f 1 (X, t, µ) = f 2 (X, t, µ) = f (X, t, µ); en eff<strong>et</strong>, cela<br />
est suffisant pour les exemples que nous étudions.<br />
Donc la divergence <strong>de</strong> comportement régulier du système mécanique entre une discontinuité<br />
i <strong>et</strong> la suivante (i + 1) pourra être modélisée par :<br />
δẊ = F (X, t, µ).δX, δX (t i) = δX + i<br />
. (1.14)<br />
Ainsi en intégrant entre t + i<br />
<strong>et</strong> t − i+1<br />
, on pourra écrire :<br />
J i est appelée matrice <strong>de</strong> passage.<br />
De même :<br />
δX − i+1 = J i . δX + i<br />
. (1.15)<br />
soit :<br />
[<br />
(<br />
H X X<br />
−<br />
i<br />
, t i , µ ) .f ( Xi − , t i, µ ) + ∂h (<br />
X<br />
−<br />
∂t i<br />
, t i , µ )] δt i =<br />
( )<br />
−H X X<br />
−<br />
i<br />
, t i .δX<br />
−<br />
i<br />
− ∂h (<br />
X<br />
−<br />
∂t i<br />
, t i , µ ) (<br />
δt 0 − H µ X<br />
−<br />
i<br />
, t i , µ ) .δµ 0 ,<br />
[<br />
(<br />
δt i = − H X X<br />
−<br />
i<br />
, t i , µ ) .f ( Xi − , t i, µ ) + ∂h (<br />
X<br />
−<br />
∂t i<br />
, t i , µ )] −1<br />
[<br />
( )<br />
× H X X<br />
−<br />
i<br />
, t i .δX<br />
−<br />
i<br />
+ ∂h (<br />
X<br />
−<br />
∂t i<br />
, t i , µ ) (<br />
δt 0 + H µ X<br />
−<br />
i<br />
, t i , µ ) ]<br />
.δµ 0<br />
.<br />
(1.16)<br />
(1.17)<br />
Comme cela a déjà été précisé ci-<strong>de</strong>ssus, l’inversibilité du premier terme <strong>de</strong> la première<br />
équation du système (1.16) est assurée par la condition imposant que le système perturbé possè<strong>de</strong><br />
un comportement similaire à celui du système non perturbé (voir [76]).<br />
Dans ce qui suit, nous distinguons si seules les conditions initiales en position <strong>et</strong> en vitesse<br />
sont incertaines, ou si les paramètres <strong>et</strong> le temps initial le sont également.<br />
12
1.3. Seules les positions <strong>et</strong> vitesses initiales sont incertaines<br />
1.3 Seules les positions <strong>et</strong> vitesses initiales sont incertaines<br />
Nous nous restreignons donc au cas où δµ 0 = 0 <strong>et</strong> δt 0 = 0 (la valeur numérique <strong>de</strong>s paramètres<br />
est fixe <strong>et</strong> connue, ainsi que l’origine <strong>de</strong>s temps). Dans ces conditions, il existe une matrice <strong>de</strong><br />
saut explicite perm<strong>et</strong>tant le passage entre δXi − <strong>et</strong> δX<br />
i + . C<strong>et</strong>te matrice s’écrit :<br />
δX + i<br />
= S i . δX − i<br />
,<br />
avec : S i<br />
= G ( Xi − , t i, µ ) (<br />
−<br />
[G X X<br />
−<br />
i<br />
, t i , µ ) .f ( Xi − , t i, µ ) − f ( X<br />
i + , t i, µ ) (<br />
+ G T X<br />
−<br />
i<br />
, t i , µ ) ]<br />
(<br />
×<br />
[H X X<br />
−<br />
i<br />
, t i , µ ) .f ( Xi − , t i, µ ) (<br />
+ H T X<br />
−<br />
i<br />
, t i , µ ) ] −1<br />
(<br />
.H X X<br />
−<br />
i<br />
, t i , µ ) .<br />
(1.1)<br />
S i est appelée matrice <strong>de</strong> saut pour la discontinuité i.<br />
La jacobienne du mouvement peut alors être évaluée suivant une formule du type :<br />
J =<br />
N∏<br />
J N−i S N−i J 0 , (1.2)<br />
i=1<br />
où N est le nombre <strong>de</strong> discontinuités par pério<strong>de</strong> (qui peut être infinie) ,<br />
N∏<br />
N∏<br />
|||J||| = ||| J N−i S N−i J 0 ||| ≤ |||J 0 ||| × |||J i ||| × |||S i ||| , (1.3)<br />
i=1<br />
i=1<br />
où |||..||| est une norme subordonnée.<br />
(1.4)<br />
Notre but est alors d’étudier c<strong>et</strong>te matrice J. De plus, afin <strong>de</strong> déterminer une taille <strong>de</strong> maille<br />
adéquate pour <strong>de</strong>s calculs sur grille, nous nous intéressons plus particulièrement à une norme<br />
subordonnée <strong>de</strong> J.<br />
Théorème 1.3.1 Accroissements finis généralisés<br />
Soit un système mécanique non-régulier :<br />
∀t ≠ t i , Ẋ = f (X, t, µ) ,<br />
∀t i tel que h(X, t i , µ) = 0, g (X, t i , µ) = 0 ,<br />
f, g, h ∈ C 1 (R n , R, R s ) .<br />
(1.5)<br />
13
Chapitre 1. Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
n est alors le nombre <strong>de</strong> variables d’espace, s est le nombre <strong>de</strong> paramètres,<br />
soit J = ∏ N<br />
i=1 J N−iS N−i .J 0 la jacobienne du mouvement,<br />
soit T ∈ R la pério<strong>de</strong> du mouvement,<br />
∀i ∈ N, i = 1...N, h(X, t i , µ) = 0.<br />
Alors :<br />
1 : Si N est fini :<br />
S’il existe M ∈ R tel que |||J||| ≤ M,<br />
Soit a <strong>et</strong> b ∈ R,<br />
∀ǫ > 0, ||a − b|| ≤ ǫ , ||f (a) − f (b) || ≤ ǫ.<br />
M<br />
2 : Si N est infini :<br />
2.1 : ∀i ∈ N ∗ , |||J i ||| × |||S i ||| ≤ 1,<br />
∀ǫ > 0, ||a − b|| ≤<br />
2.2 : ∀i ∈ N ∗ , |||J i S i ||| ≤ 1,<br />
∀ǫ > 0, ||a − b|| ≤<br />
ǫ , ||f (a) − f (b) || ≤ ǫ.<br />
|||J 0 |||<br />
ǫ , ||f (a) − f (b) || ≤ ǫ.<br />
|||J 0 |||<br />
La preuve est immédiate compte-tenu <strong>de</strong> ce qui précè<strong>de</strong>.<br />
Remarques :<br />
– La pério<strong>de</strong> T peut être infinie.<br />
– Nous ne donnons que <strong>de</strong>s conditions suffisantes commo<strong>de</strong>s à vérifier en n’étudiant que les<br />
événements pris séparément. Par exemple, si le nombre <strong>de</strong> discontinuités est infini <strong>et</strong> que<br />
les normes <strong>de</strong>s matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage <strong>et</strong> <strong>de</strong>s jacobiennes sont supérieures à 1, il<br />
faudrait procé<strong>de</strong>r différemment pour espérer avoir un résultat similaire.<br />
Ce souci évoqué ici ne se restreint pas aux systèmes non réguliers. En eff<strong>et</strong>, <strong>de</strong> tels phénomènes<br />
se produisent également dans <strong>de</strong>s systèmes réguliers non linéaires chaotiques. On<br />
cherche alors à avoir <strong>de</strong>s ”shadowing lemmas“.<br />
– Le premier cas est illustré par la section 4 (impact <strong>de</strong> blocs <strong>de</strong> pierre sur une pente, page<br />
31).<br />
14
1.4. Dans le cas général : les conditions initiales <strong>et</strong> les paramètres sont incertains<br />
1.4 Dans le cas général : les conditions initiales <strong>et</strong> les paramètres<br />
sont incertains<br />
Si on n’a pas δt 0 = 0 <strong>et</strong> δµ = 0, la matrice <strong>de</strong> saut ne peut plus être explicitée ainsi.<br />
Dans ce cas, nous réécrivons les expressions précé<strong>de</strong>ntes <strong>de</strong> la manière suivante :<br />
[<br />
δt i = −A −1 (<br />
. H X X<br />
−<br />
i<br />
, t i , µ ) ]<br />
.δXi − + B ,<br />
avec :<br />
δX − i<br />
= G X<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) .δX − i<br />
+ Cδt i + D ,<br />
A = H X<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) − f ( X − i , t i, µ ) + H T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) ,<br />
B = H T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) δt 0 + H µ<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) ,<br />
C = G X<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) .f ( X − i , t i, µ ) + G T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) − f ( X + i , t i, µ ) ,<br />
D = G T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) δt 0 + G µ<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) .δµ 0 .<br />
(1.1)<br />
(1.2)<br />
On obtient alors :<br />
[<br />
δX<br />
i + (<br />
= G X X<br />
−<br />
i<br />
, t i , µ ) − CA −1 (<br />
H X X<br />
−<br />
i<br />
, t i , µ ) ] .δXi − − CA −1 B + D . (1.3)<br />
Remarque : si on pose δt 0 = 0 <strong>et</strong> δµ 0 = 0, c<strong>et</strong>te équation 1.3 s’écrit bien <strong>de</strong> la forme 1.1 :<br />
[<br />
δX<br />
i + (<br />
= G X X<br />
−<br />
i<br />
, t i , µ ) − CA −1 (<br />
H X X<br />
−<br />
i<br />
, t i , µ ) ] .δXi − . (1.4)<br />
Nous réécrivons alors le problème <strong>de</strong> la façon suivante :<br />
δX − i<br />
= J i .δX + i−1 , (1.5)<br />
δX + i<br />
= S 1i .δX − i<br />
+ S 2i . (1.6)<br />
Par récurrence, la divergence <strong>de</strong> trajectoire après le saut i peut être exprimée en fonction <strong>de</strong> la<br />
divergence <strong>de</strong> conditions initiales δX 0 :<br />
∏i−1<br />
δX<br />
i + = S 1(i−j) .J i−j .δX 0 +<br />
j=0<br />
i∑<br />
S 2j .<br />
j=1<br />
i∏<br />
l=j+1<br />
S 1l .J l , (1.7)<br />
où : ∀k > i, S 1k = J 1k = 0 . (1.8)<br />
Il est à remarquer que c<strong>et</strong>te équation 1.8 fait intervenir les variables S 1i , S 2i <strong>et</strong> J i , qui sont<br />
fonction <strong>de</strong> la divergence en temps δt 0 <strong>et</strong> celle en paramètre δµ 0 .<br />
En particulier, si nous pouvons écrire :<br />
⎧<br />
⎨ |||J i ||| ≤ J ,<br />
|||S 1i ||| ≤ S 1 ,<br />
⎩<br />
|||S 2i ||| ≤ S 2 .<br />
(1.9)<br />
15
Chapitre 1. Jacobienne généralisée pour les systèmes <strong>dynamiques</strong> non réguliers<br />
L’équation 1.8 peut se majorer :<br />
||δX<br />
i + || ≤ (S ∑i−1<br />
1.J) i .||δX 0 || + S 2 . (S 1 .J) j . (1.10)<br />
Si S 1 J ≠ 1 : ||δX + i || ≤ (S 1J) i ||δX 0 || + S 2<br />
1 − (S 1 J) i<br />
1 − S 1 J ,<br />
Si S 1 J = 1 : ||δX + i || ≤ (S 1J) i ||δX 0 || + iS 2 .<br />
Théorème 1.4.1 Accroissements finis généralisés en fonction <strong>de</strong>s variables d’espace, <strong>de</strong> temps<br />
<strong>et</strong> <strong>de</strong>s paramètres<br />
Soit un système mécanique non-régulier :<br />
j=0<br />
∀t ≠ t i , Ẋ = f (X, t, µ) ,<br />
∀t i tel que h(X, t i , µ) = 0, g (X, t i , µ) = 0 ,<br />
f, g, h ∈ C 1 (R n , R, R s ) .<br />
(1.11)<br />
n est alors le nombre <strong>de</strong> variables d’espace, s est le nombre <strong>de</strong> paramètres,<br />
soit A = H X<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) .f ( X − i , t i, µ ) + H T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) ,<br />
soit C = G X<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) .f ( X − i , t i, µ ) + G T<br />
(<br />
X<br />
−<br />
i<br />
, t i , µ ) − f ( X + i , t i, µ ) .<br />
∀ ||δX 0 ||<br />
∀ ||δt 0 ||<br />
∀ ||δµ 0 ||<br />
≤<br />
≤<br />
≤<br />
ǫ<br />
(S 1 J) i ,<br />
ǫ<br />
∑ i−1<br />
j=0 (S (<br />
1J) ||| − CA −1 H T X<br />
−<br />
i<br />
, t i , µ ) (<br />
+ G T X<br />
−<br />
i<br />
, t i , µ ) ||| ,<br />
(1.12)<br />
ǫ<br />
∑ i−1<br />
j=0 (S (<br />
1J) ||| − CA −1 H µ X<br />
−<br />
i<br />
, t i , µ ) (<br />
+ G µ X<br />
−<br />
i<br />
, t i , µ ) ||| ,<br />
||δX<br />
i + || ≤ 3ǫ .<br />
Ici, comme auparavant, nous ne donnons qu’une condition suffisante pour l’estimation <strong>de</strong> la<br />
divergence <strong>de</strong> trajectoire. En eff<strong>et</strong>, la condition (1.10) est très restrictive. Il est alors nécessaire<br />
<strong>de</strong> réaliser la majoration à l’ai<strong>de</strong> <strong>de</strong> la formule générale (1.8) obtenue par récurrence.<br />
Nous étudions maintenant trois systèmes mécaniques en appliquant ceci. D’abord, nous nous<br />
intéressons à la trajectoire d’un oscillateur linéaire à impacts.<br />
16
Chapitre 2<br />
Oscillateur linéaire à impact :<br />
problème <strong>de</strong> la bifurcation par<br />
effleurement<br />
Nous appliquons c<strong>et</strong>te théorie au cas d’un oscillateur linéaire, dont le mouvement<br />
est limité à un intervalle semi-infini. Nous observons que la bifurcation<br />
par effleurement pose problème <strong>et</strong> qu’elle donne lieu à <strong>de</strong>s comportements<br />
complexes.<br />
Sommaire<br />
2.1 Définition <strong>de</strong> c<strong>et</strong> oscillateur . . . . . . . . . . . . . . . . . . . . . . 17<br />
2.2 Calcul <strong>de</strong> la pseudo-jacobienne <strong>de</strong> c<strong>et</strong> oscillateur . . . . . . . . . 19<br />
2.3 Schéma <strong>de</strong> l’oscillateur linéaire avec impacts étudié <strong>et</strong> résultats<br />
numériques obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . 21<br />
Nous étudions le système dynamique <strong>de</strong> la figure 2.1 :<br />
Un oscillateur linéaire amorti <strong>de</strong> masse m, <strong>de</strong> rai<strong>de</strong>ur k <strong>et</strong> d’amortissement a est soumis<br />
à une force sinusoïdale g cos(wt). A l’abscisse x = x max est posé un mur sur lequel impacte<br />
l’oscillateur, <strong>de</strong> sorte que x oscillateur ≤ x max .<br />
2.1 Définition <strong>de</strong> c<strong>et</strong> oscillateur<br />
Nous posons :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
w 2 1 = k m<br />
c = am<br />
g = fm<br />
17
Chapitre 2. Oscillateur linéaire à impact : problème <strong>de</strong> la bifurcation par effleurement<br />
k<br />
a<br />
m<br />
g cos(wt)<br />
x = x max<br />
Fig. 2.1 – Schéma <strong>de</strong> l’oscillateur linéaire à impacts étudié dans ce paragraphe<br />
On appelle e le coefficient <strong>de</strong> restitution en translation.<br />
Alors les équations du mouvement <strong>de</strong> c<strong>et</strong> oscillateur sont :<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + aẋ + w1 2 x = f cos (wt) − λ ,<br />
x max − x(t) ≥ 0, λ (x max − x) = 0 ,<br />
ẋ(t + ) = −e ẋ(t − ) si x(t) = x max .<br />
(2.1)<br />
nous remarquons que si |f| < w 2 1 x max, il ne pourra pas y avoir <strong>de</strong> contact prolongé (voir<br />
[54]).<br />
Les équations (2.1) s’écrivent également :<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + aẋ + w1 2 x = f cos (wt) ,<br />
ẋ(t + ) = −eẋ(t − ) si x(t) = x max ,<br />
x(0) = x 0 ≤ x max , ẋ(0) = ẋ 0 .<br />
(2.2)<br />
On écrit : a = 2ǫw 1 , ǫ ≪ 1 .<br />
On note t k , la suite <strong>de</strong>s instants d’impact (t k étant l’instant <strong>de</strong> l’impact k). Alors la solution<br />
générale <strong>de</strong>s équations du mouvement (2.1) est, entre les impacts (k − 1) <strong>et</strong> k :<br />
[<br />
]<br />
x(t) = e −ǫw 1t<br />
A k cos ( ˜w 1 t) + B k sin( ˜w 1 t) + f 1 cos (wt) + f 2 sin (wt) , (2.3)<br />
avec :<br />
18
2.2. Calcul <strong>de</strong> la pseudo-jacobienne <strong>de</strong> c<strong>et</strong> oscillateur<br />
⎧<br />
˜w 1 = w 1<br />
√<br />
1 − ǫ 2 ,<br />
η = ǫ w 1<br />
˜w 1<br />
,<br />
f 1<br />
w1 2 = f ( − w2<br />
w<br />
2<br />
1 − w 2) 2 + 4ǫ 2 w ,<br />
1 2w2 ⎪⎨<br />
f 2<br />
2ǫw 1 w<br />
= f (<br />
w<br />
2<br />
1 − w 2) 2 + 4ǫ 2 w ,<br />
1 2w2 (2.4)<br />
⎪⎩<br />
⎛<br />
⎝<br />
(<br />
A1<br />
B 1<br />
)<br />
=<br />
⎞<br />
A k+1<br />
⎠ =<br />
B k+1<br />
⎛<br />
⎝<br />
(<br />
Ak<br />
x 0 − f 1<br />
ẋ 0 − f 2 w<br />
˜w 1<br />
+ η (x 0 − f 1 )<br />
⎞<br />
⎠ ,<br />
B k<br />
)<br />
+ (1 + e) eǫw 1t k<br />
˜w 1<br />
ẋ(t k )<br />
( sin( ˜w1 t k )<br />
− cos( ˜w 1 t k )<br />
)<br />
.<br />
En fonction <strong>de</strong>s paramètres intervenant dans c<strong>et</strong> oscillateur <strong>et</strong> <strong>de</strong> ses conditions initiales, celui-ci<br />
peut présenter différents comportements, qui peuvent être périodiques ou non[53].<br />
Les mouvements périodiques seront <strong>de</strong> la forme (n, k), c’est-à-dire que leur pério<strong>de</strong> sera nT<br />
(T = 2π est la pério<strong>de</strong> <strong>de</strong> la sollicitation) avec k impacts par pério<strong>de</strong>. La représentation d’un<br />
w<br />
comportement périodique <strong>de</strong> type (1,2) est donné figure 2.2.<br />
2.2 Calcul <strong>de</strong> la pseudo-jacobienne <strong>de</strong> c<strong>et</strong> oscillateur<br />
On pose : x = x 1 , ẋ = x 2 <strong>et</strong> X =<br />
{<br />
x1<br />
x 2<br />
}<br />
. Ainsi l’équation (2.2) s’écrit aussi :<br />
Ainsi :<br />
t i−1 < t < t i : δẊ = [<br />
{<br />
x1 ˙ = x 2 ,<br />
x˙<br />
2 = −2ǫw 1 x 2 − w1 2x 1 + f cos (wt) .<br />
0 1<br />
−a<br />
−w 2 1<br />
t = t i : H i = [ 1 0 ] , G i =<br />
]<br />
.δX, δX (t i ) = δX + i<br />
,<br />
[ 1 0<br />
0 −e<br />
]<br />
, δt i = − δx ( )<br />
1 t<br />
−<br />
( i<br />
)<br />
x 2 t<br />
−<br />
.<br />
i<br />
(2.1)<br />
(2.2)<br />
19
Chapitre 2. Oscillateur linéaire à impact : problème <strong>de</strong> la bifurcation par effleurement<br />
15<br />
10<br />
5<br />
0<br />
x<br />
−5<br />
−10<br />
−15<br />
−20<br />
0 5 10 15 20<br />
t<br />
Fig. 2.2 – Comportement périodique <strong>de</strong> type (1,2) <strong>de</strong> l’oscillateur <strong>de</strong> la figure 2.1 avec les<br />
paramètres suivants : w 1 = 2.5, ǫ = 1%, x max = 14, e = 0.9, f = 20, w = 1.45, x 0 = −9.89493,<br />
<strong>et</strong> ẋ 0 = −20.71102.<br />
On peut en déduire les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage :<br />
⎡<br />
J i = e −ηφ i ⎣ cos (φ sin (φ i )<br />
i) + η sin(φ i )<br />
( ˜w 1<br />
− ˜w 1 η 2 + 1 ) sin(φ i ) −η sin(φ i ) + cos (φ i )<br />
⎤<br />
⎦ ,<br />
(2.3)<br />
où : T i = t i − t i−1 , ˜w 1 = w 1<br />
√<br />
1 − ǫ 2 , φ i = ˜w 1 T i , η = ǫ w 1<br />
˜w 1<br />
.<br />
De même, la matrice <strong>de</strong> saut s’écrit :<br />
⎡<br />
S i = ⎣<br />
Nous estimons la norme triple <strong>de</strong> J =<br />
−e 0<br />
− e + ( 1 ) (<br />
x 2 t<br />
−<br />
w1x 2 max − f cos (wt i ) ) −e<br />
i<br />
N−1<br />
⎤<br />
⎦ . (2.4)<br />
∏<br />
J N−i S N−i .J 0 , où N est le nombre d’impacts :<br />
i=0<br />
D’où :<br />
N−1<br />
∏<br />
N−1<br />
∏<br />
|||J||| = ||| J N−i S N−i J 0 ||| ≤ |||J 0 ||| |||J N−i ||| × |||S N−i ||| . (2.5)<br />
i=0<br />
i=0<br />
20
2.3. Schéma <strong>de</strong> l’oscillateur linéaire avec impacts étudié <strong>et</strong> résultats numériques obtenus<br />
}<br />
|||J i ||| = e −ηφ i<br />
× max{Ã, ˜B<br />
où : Ã = | cos (φ i ) + η sin(φ i ) | + | sin(φ i) |<br />
,<br />
( ˜w 1<br />
˜B = ˜w 1 1 + η<br />
2 ) | sin(φ i ) | + | cos (φ i ) − η sin (φ i ) | ,<br />
|||S i |||<br />
= max<br />
{<br />
e,<br />
,<br />
e + 1<br />
|x 2<br />
(<br />
t<br />
−<br />
i<br />
)<br />
|<br />
|w 2 1x max − f cos (wt i ) | + e<br />
}<br />
.<br />
(2.6)<br />
Ainsi si x 2<br />
(<br />
t<br />
−<br />
i<br />
)<br />
= 0, |||Si ||| n’est pas définie.<br />
C<strong>et</strong>te bifurcation par effleurement a été étudiée en détail dans [53]. En particulier, il n’est pas<br />
possible <strong>de</strong> contraindre |x 2<br />
(<br />
t<br />
−<br />
i<br />
)<br />
| à rester strictement positif en restreignant le domaine d’étu<strong>de</strong><br />
<strong>de</strong>s différents paramètres (voir annexe D).<br />
Ainsi, en utilisant la norme triple comme nous l’avons fait, la ”conclusion“ est :<br />
|||J||| ≤ +∞ . (2.7)<br />
On ne peut donc pas utiliser |||J||| ≤ |||J 0 ||| × ∏ |||J i ||| × |||S i ||| commodément. Il s’agit donc <strong>de</strong><br />
l’utiliser autrement ou <strong>de</strong> trouver une autre norme, plus adéquate.<br />
Cela se traduit par <strong>de</strong>s résultats par grille faussés.<br />
Ainsi en calculant la trajectoire à partir <strong>de</strong> quatre conditions initiales (x 0 , x˙<br />
0 ), la trajectoire<br />
partant d’une condition initiale comprise entre les quatre premières <strong>et</strong> donnant lieu à un contact<br />
par effleurement peut ne pas rester dans le faisceau formé par les quatre trajectoires précé<strong>de</strong>ntes<br />
(voir figure 2.3, page 22).<br />
2.3 Schéma <strong>de</strong> l’oscillateur linéaire avec impacts étudié <strong>et</strong> résultats<br />
numériques obtenus<br />
Nous réalisons <strong>de</strong>s simulations numériques à partir <strong>de</strong>s solutions analytiques <strong>de</strong> la réponse<br />
<strong>de</strong>s phases continues du mouvement. L’algorithme utilisé est basé sur celui <strong>de</strong> [19].<br />
Nous observons donc que la trajectoire pour laquelle x 0 = 6.133322228m <strong>et</strong> ẋ 0 = 26.51594635ms −1<br />
<strong>et</strong> dont la vitesse lors du premier impact est nulle n’est pas comprise entre celles issues <strong>de</strong>s autres<br />
conditions initiales (figures 2.3 <strong>et</strong> 2.4).<br />
En eff<strong>et</strong>, si on contrôle la valeur numérique <strong>de</strong> |||J|||, il existe <strong>de</strong>s indices sur la trajectoire<br />
correspondante. Bien sûr, l’amplification est ici finie, mais elle pourrait (théoriquement) <strong>de</strong>venir<br />
importante. Un calcul sur grille peut ainsi se révéler être faux en ce qui concerne les points<br />
intérieurs à celle-ci.<br />
Ceci est un cas où l’utilisation <strong>de</strong> la jacobienne <strong>et</strong> <strong>de</strong> sa norme n’est pas simple à réaliser.<br />
Nous étudions maintenant un exemple comparable du point <strong>de</strong> vue théorique <strong>et</strong> très parlant, le<br />
billard.<br />
21
x<br />
x<br />
x<br />
Chapitre 2. Oscillateur linéaire à impact : problème <strong>de</strong> la bifurcation par effleurement<br />
15<br />
10<br />
Trajectoire d’un oscillateur linéaire pour 5 conditions initiales différentes<br />
(x10,x20)=(6,26)<br />
(x10,x20)=(7,26)<br />
(x10,x20)=(7,27)<br />
(x10,x20)=(6,27)<br />
(x10,x20)=(6.133322228,26.51594635)<br />
5<br />
0<br />
−5<br />
−10<br />
−15<br />
−20<br />
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5<br />
t<br />
Fig. 2.3 – La courbe 5 présente <strong>de</strong>s conditions initiales comprises entre celles <strong>de</strong>s courbes 1,<br />
2, 3 <strong>et</strong> 4, pourtant elle sort du faisceau formé par les quatre autres trajectoires. Les valeurs<br />
numériques prises pour les différents paramètres sont : ǫ = 0.01, w 1 = 2.5, f = 20, w = 2.6,<br />
x max = 14, e = 0.9, ∆t = 0.001, T ∞ = 5.<br />
Trajectoire d’un oscillateur linéaire pour 5 conditions initiales différentes : lors du premier impact<br />
Trajectoire d’un oscillateur linéaire pour 5 conditions initiales différentes : après le premier impact<br />
(x10,x20)=(6,26)<br />
(x10,x20)=(6,26)<br />
14.5<br />
(x10,x20)=(7,26)<br />
−15<br />
(x10,x20)=(7,26)<br />
(x10,x20)=(7,27)<br />
(x10,x20)=(7,27)<br />
(x10,x20)=(6,27)<br />
(x10,x20)=(6,27)<br />
14<br />
(x10,x20)=(6.133322228,26.51594635)<br />
−15.5<br />
(x10,x20)=(6.133322228,26.51594635)<br />
−16<br />
13.5<br />
−16.5<br />
13<br />
−17<br />
12.5<br />
−17.5<br />
12<br />
−18<br />
0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
t<br />
1.5 1.6 1.7 1.8 1.9 2<br />
t<br />
Fig. 2.4 – Détails <strong>de</strong> l’oscillateur linéaire ci-<strong>de</strong>ssus lors du premier impact <strong>et</strong> <strong>de</strong> la première<br />
position extrêmale après celui-ci. Les divergences par rapport au théorême <strong>de</strong>s accroissements<br />
finis habituel interviennent lors <strong>de</strong>s positions extrêmales.<br />
22
Chapitre 3<br />
Problème du billard<br />
Ici, nous appliquons le développement général au cas du billard dont les bords<br />
ne sont pas parfaitement perpendiculaires. Nous comparons ces calculs avec<br />
les résultats exacts, possibles dans ce cas.<br />
Sommaire<br />
3.1 Le problème compl<strong>et</strong> . . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />
3.2 Le problème étudié . . . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
3.3 Comparaison entre divergences exacte <strong>et</strong> approchée . . . . . . . 28<br />
Nous considérons le problème constitué par un billard dont une <strong>de</strong>s parois n’est pas exactement<br />
plane (ou un <strong>de</strong>s angles n’est pas parfaitement droit). Nous étudions la divergence <strong>de</strong><br />
trajectoire <strong>de</strong> la boule après impact sur ce côté par rapport au cas théorique du billard parfaitement<br />
rectangulaire.<br />
3.1 Le problème compl<strong>et</strong><br />
Nous représentons le problème général <strong>de</strong> la façon suivante (voir schéma 3.1) :<br />
θ est alors la rotation <strong>de</strong> la paroi du billard pour y > 0 <strong>et</strong> α celle pour y < 0.<br />
(x 0 , ẋ 0 , y 0 , ẏ 0 ) sont les conditions initiales en position <strong>et</strong> vitesse pour la boule <strong>de</strong> billard.<br />
Aucune force particulière n’est appliquée à la boule (la gravité, n’intervenant pas dans c<strong>et</strong>te<br />
étu<strong>de</strong>, est la seule force s’exerçant sur la boule).<br />
Avant l’impact, le mouvement est donc régi par les équations :<br />
{ x = ẋ0 t + x 0 ,<br />
(3.1)<br />
y = ẏ 0 t + y 0 .<br />
Il y a impact lorsque x(t 1 ) − y (t 1 )tan (θ) = 0.<br />
23
Chapitre 3. Problème du billard<br />
y<br />
θ<br />
(x 0 , ẋ 0 , y 0 , ẏ 0 )<br />
x<br />
α<br />
Fig. 3.1 – Coin <strong>de</strong> billard non parfaitement droit <strong>et</strong> trois trajectoires très différentes<br />
Nous modélisons l’impact par une loi <strong>de</strong> réflexion <strong>de</strong> la forme :<br />
⎧<br />
⎨ ẋ ( t + ) (<br />
1 = e 1 − 2 cos (θ) 2) ẋ ( t − ) ( )<br />
1 + esin (2θ) ẏ t<br />
−<br />
1 ,<br />
⎩ ẏ ( t + ) ( ) ( )<br />
1 = esin (2θ)ẋ t<br />
−<br />
1 + 2 cos (θ) 2 − 1 ẏ ( t − ) (3.2)<br />
1 .<br />
Elle est semblabe à une loi optique : l’angle <strong>de</strong> réflexion par rapport à la normale au plan d’impact<br />
est égal à l’angle d’inci<strong>de</strong>nce. Mais l’amplitu<strong>de</strong> <strong>de</strong> la vitesse réfléchie est égale à une fraction <strong>de</strong><br />
l’amplitu<strong>de</strong> <strong>de</strong> la vitesse inci<strong>de</strong>nte, en accord avec la définition du coefficient <strong>de</strong> restitution (voir<br />
[12]).<br />
Après impact, les équations du mouvement sont (car x(t + 1 ) = x(t− 1 ) = x(t 1), y(t + 1 ) = y(t− 1 ) =<br />
y(t 1 )) :<br />
{ ( )<br />
x = ẋ t<br />
+<br />
1 t + x(t1 ) ,<br />
y = ẏ ( t + ) (3.3)<br />
1 t + y (t1 ) .<br />
24<br />
Pour déterminer l’indicateur <strong>de</strong> variation tangente, nous utilisons les notations suivantes :<br />
⎡ ⎤<br />
⎡ ⎤<br />
x<br />
[ ]<br />
x 2<br />
X = ⎢ ẋ<br />
⎥ e<br />
⎣ y ⎦ , µ = , f (x, t, µ) = ⎢ 0<br />
⎥<br />
θ<br />
⎣ x 4<br />
⎦ . (3.4)<br />
ẏ<br />
0<br />
La fonction indicatrice <strong>de</strong> la discontinuité s’écrit :<br />
h(X) = x 1 − x 3 tan (θ) = 0 . (3.5)<br />
(3.6)
3.1. Le problème compl<strong>et</strong><br />
De même, la fonction <strong>de</strong> transition est :<br />
g (X) =<br />
⎛<br />
⎜<br />
⎝<br />
x ( t + )<br />
( 1 )<br />
x 2 t<br />
+<br />
( 1 )<br />
x 3 t<br />
+<br />
( 1 )<br />
x 4 t<br />
+<br />
1<br />
⎛<br />
⎞<br />
⎟<br />
⎠ = ⎜<br />
⎝<br />
( )<br />
x 1 t<br />
−<br />
1<br />
e<br />
(1 − 2 cos (θ) 2) ( ) ( )<br />
x 2 t<br />
−<br />
1 + esin (2θ)x4 t<br />
−<br />
( )<br />
1<br />
x 3 t<br />
−<br />
( ) 1 )<br />
esin (2θ)x 2 t<br />
−<br />
1 + e<br />
(2 cos (θ) 2 ( )<br />
− 1 x 4 t<br />
−<br />
1<br />
⎞<br />
⎟<br />
⎠ . (3.7)<br />
On obtient directement la matrice <strong>de</strong> passage :<br />
J =<br />
⎡<br />
⎢<br />
⎣<br />
1 t 1 − t 0 0 0<br />
0 1 0 0<br />
0 0 1 t 1 − t 0<br />
0 0 0 1<br />
⎤<br />
⎥<br />
⎦ . (3.8)<br />
La condition pour que la matrice <strong>de</strong> saut soit calculable <strong>et</strong> donc la métho<strong>de</strong> applicable est<br />
telle que :<br />
x 2<br />
(<br />
t<br />
−<br />
1<br />
)<br />
− x4<br />
(<br />
t<br />
−<br />
1<br />
)<br />
tan (θ) ≠ 0 . (3.9)<br />
C<strong>et</strong>te condition, qui est i<strong>de</strong>ntique à celle trouvée dans les cas <strong>de</strong> l’oscillateurlinéaire à impacts<br />
ou <strong>de</strong> la chute <strong>de</strong> blocs, interdit les impacts à vitesse nulle (<strong>et</strong> les trajectoires parallèles à la<br />
paroi étudiée, mais ce cas est écarté car alors il n’y aurait pas d’impact).<br />
Si c<strong>et</strong>te condition est remplie, la relation <strong>de</strong> passage pour la divergence peut alors s’écrire :<br />
25
Chapitre 3. Problème du billard<br />
δX + =<br />
⎡<br />
⎢<br />
⎣<br />
A<br />
(<br />
0 B 0<br />
0 e 1 − 2 cos (θ) 2) 0 esin (2θ)<br />
C 0 1 + D<br />
(<br />
0<br />
)<br />
0 esin (2θ) 0 e 2 cos (θ) 2 − 1<br />
⎤<br />
⎡<br />
⎥<br />
⎦ δX− + ⎢<br />
⎣<br />
0 E<br />
F G<br />
0 H<br />
I J<br />
⎤<br />
⎥<br />
⎦ δµ 0 ,<br />
avec :<br />
(<br />
)<br />
x − 2 1 − e + 2ecos (θ) − esin (2θ) x − 4<br />
A = 1 −<br />
x − 2 − tan ,<br />
(θ)x− 4<br />
(<br />
x − 2 1 − e − 2ecos (θ) 2) − esin(2θ)x − 4<br />
B = tan (θ)<br />
x − 2 − tan ,<br />
(θ)x− 4<br />
(<br />
)<br />
x − 4 1 − 2ecos (θ) 2 + e − esin (θ)x − 2<br />
C = −<br />
x − 2 − tan ,<br />
(θ)x− 4<br />
(<br />
x − 4 1 + e − 2ecos (θ) 2) − esin(θ)x − 2<br />
(3.10)<br />
D = tan (θ)<br />
x − 2 − tan ,<br />
(θ)x− 4<br />
x − 3<br />
(1 + tan (θ) 2) (<br />
E =<br />
x − 2 − tan x −<br />
(θ)x− 2<br />
(1 − e + 2ecos (θ) 2) )<br />
− x − 4 esin (2θ) ,<br />
4<br />
(<br />
F = 1 − 2 cos (θ) 2) x − 2 + sin(2θ)x− 4 ,<br />
G = 4esin (θ)cos (θ)x − 2 + 2ecos (2θ)x− 4 ,<br />
x − 3<br />
(1 + tan (θ) 2) (<br />
H =<br />
x − 2 − tan x −<br />
(θ)x− 4<br />
(1 + e − 2ecos (θ) 2) )<br />
− x − 2 esin (2θ) ,<br />
4<br />
)<br />
I = sin(2θ)x − 2<br />
(2 + cos (θ) 2 − 1 x − 4 ,<br />
J = 2ecos (2θ)x − 2 − 4esin (θ)cos (θ)x− 4 .<br />
C<strong>et</strong>te expression est très compliquée. Afin <strong>de</strong> comparer avec une majoration <strong>de</strong> c<strong>et</strong> indicateur<br />
avec la divergence exacte, nous allons simplifier le problème.<br />
26
3.2. Le problème étudié<br />
3.2 Le problème étudié<br />
En eff<strong>et</strong>, nous supposons que le traject inci<strong>de</strong>nt arrive avec une vitesse en y nulle (voir<br />
schéma 3.2). De plus, nous restreignons notre étu<strong>de</strong> aux ordonnées positives, donc un seul angle<br />
<strong>de</strong> rotation <strong>de</strong> la paroi est pris en compte (θ ici).<br />
y<br />
θ<br />
x<br />
Fig. 3.2 – Schéma du billard tel qu’étudié dans la suite<br />
Les conditions initiales sont ici (x 0 , ẋ 0 , y 0 ), puisque ẏ 0 = 0.<br />
Avant impact, les équations du mouvement sont :<br />
{ x = ẋ0 t + x 0 ,<br />
y = y 0 .<br />
(3.1)<br />
Nous appliquons la même loi <strong>de</strong> restitution lors <strong>de</strong> l’impact que précé<strong>de</strong>mment. Les équations<br />
du mouvement après impact sont alors :<br />
⎧<br />
⎨ x = [ e|x − 2 | cos (2θ)] t + y 0 tan (θ) ,<br />
⎩<br />
y = [ (3.2)<br />
e|x − 2 | sin(2θ)] t + y 0 .<br />
Nous utilisons les mêmes notations que dans la section précé<strong>de</strong>nte.<br />
La matrice <strong>de</strong> passage est toujours :<br />
J =<br />
⎡<br />
⎢<br />
⎣<br />
1 t 1 − t 0 0 0<br />
0 1 0 0<br />
0 0 1 t 1 − t 0<br />
0 0 0 1<br />
⎤<br />
⎥<br />
⎦ . (3.3)<br />
27
Chapitre 3. Problème du billard<br />
Ici pour que la métho<strong>de</strong> puisse s’appliquer, la condition s’écrit :<br />
x − 2 ≠ 0 . (3.4)<br />
Les bifurcations par effleurement (“grazing” bifurcation) sont donc interdites. Cela signifie que<br />
le cas ẋ 0 = 0 est à proscrire, ce qui est évi<strong>de</strong>nt puisque dans ce cas-là, il n’y aurait alors pas<br />
d’impact. Ainsi, comme dans le problème plus complexe exposé dans la section précé<strong>de</strong>nte, la<br />
condition pour la réalisation <strong>de</strong>s calculs est naturellement satisfaite.<br />
La relation <strong>de</strong> passage s’écrit alors :<br />
δX + =<br />
⎡<br />
⎢<br />
⎣<br />
+ ⎢<br />
⎣<br />
−ecos (2θ) 0 tan (θ)(1 − ecos (2θ)) 0<br />
0 ecos (2θ) 0 0<br />
0 0 1 0<br />
0 0 0 esin(2θ)<br />
⎡<br />
0 − (1 − ecos (2θ))x − 3<br />
(1 + tan(θ) 2) ⎤<br />
x − 2 cos (2θ)<br />
−2ex− 2 sin(2θ)<br />
⎥<br />
0 0<br />
⎦ δµ 0 .<br />
−x − 2 sin (2θ) 2ex− 2 cos (2θ)<br />
⎤<br />
⎥<br />
⎦ δX−<br />
Si nous considérons que les paramètres sont certains, nous pouvons écrire une véritable<br />
matrice <strong>de</strong> passage :<br />
S =<br />
⎡<br />
⎢<br />
⎣<br />
−ecos (2θ) 0 tan (θ)(1 − ecos (2θ)) 0<br />
0 ecos (2θ) 0 0<br />
0 0 1 0<br />
0 0 0 esin (2θ)<br />
⎤<br />
(3.5)<br />
⎥<br />
⎦ . (3.6)<br />
Dans la section suivante, nous cherchons c<strong>et</strong>te divergence (<strong>et</strong> particulièrement la borne <strong>de</strong><br />
c<strong>et</strong>te divergence), avec la divergence réelle qu’il est possible <strong>de</strong> calculer en simplifiant encore le<br />
problème.<br />
3.3 Comparaison entre divergence exacte <strong>et</strong> estimée à l’ai<strong>de</strong> <strong>de</strong>s<br />
matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> transition<br />
Nous calculons ici la divergence exacte <strong>de</strong> <strong>de</strong>ux rayons à l’instant t, en fonction d’une légère<br />
divergence initiale. En outre, nous supposons <strong>de</strong> plus ici que x 0 = cste < 0 <strong>et</strong> ẋ 0 = cste > 0.<br />
Plusieurs cas sont à distinguer, d’après la valeur <strong>de</strong> y 0 . Ces calculs sont menés dans l’annexe B,<br />
page 343.<br />
Nous utilisons par exemple les valeurs numériques suivantes : θ = 0.30 rad, e = −0.7,<br />
x 0 = −2m, y 0 = 0m, ẋ 0 = 1ms −1 , ẏ 0 = 0ms −1 . Nous faisons varier les <strong>incertitu<strong>de</strong>s</strong> δy 0 <strong>et</strong> δθ 0 .<br />
A t = 2.1s, nous obtenons les divergences <strong>de</strong> trajectoire suivantes (voir tableau 3.1) :<br />
28
3.3. Comparaison entre divergences exacte <strong>et</strong> approchée<br />
Paramètres incertains Formule exacte Majoration avec l’indicateur<br />
δy 0 = 0<br />
δθ 0 = 0 0 0<br />
δy 0 = 0.1<br />
δθ 0 = 0 0.1 0.33<br />
δy 0 = 0.1<br />
δθ 0 = 0.3 0.13 0.9<br />
δy 0 = 0.01<br />
δθ 0 = 0.3 0.05 0.6<br />
δy 0 = 0.1<br />
δθ 0 = 0.2 0.12 0.7<br />
δy 0 = 0.01<br />
δθ 0 = 0.2 0.04 0.4<br />
Tab. 3.1 – Divergence exacte <strong>de</strong> trajectoire <strong>et</strong> sa majoration donnée par l’indicateur <strong>de</strong> variation<br />
tangente, dans le cas du billard.<br />
Nous remarquons que la majoration obtenue avec l’indicateur est supérieure à la valeur<br />
exacte; en fait, elle est comprise entre 3 fois <strong>et</strong> 12 fois la valeur exacte. De plus, c<strong>et</strong>te majoration<br />
obtenue avec l’indicateur est plus efficace lorsque les <strong>incertitu<strong>de</strong>s</strong> sont gran<strong>de</strong>s. Mais ceci peut<br />
être seulement une conséquence d’une <strong>de</strong>s caractéristiques <strong>de</strong> la norme utilisée. En outre, plus<br />
les <strong>incertitu<strong>de</strong>s</strong> grandissent, moins l’indicateur est exact. Finalement, nous <strong>de</strong>vons reconnaitre<br />
que c<strong>et</strong>te majoration est peu précise, mais elle perm<strong>et</strong> <strong>de</strong> traiter <strong>de</strong>s cas qui ne pourrait l’être<br />
facilement <strong>de</strong> façon précise (nous avons beaucoup simplifié le problème ici afin <strong>de</strong> pouvoir le<br />
traiter exactement sans multiplier les cas à étudier).<br />
Pourtant, je voudrais faire remarquer ici que les valeurs numériques <strong>de</strong>s paramètres (θ, e,<br />
x 0 ,...) ont été choisis en adéquation avec la référence [54], <strong>et</strong> non dans le but <strong>de</strong> maximiser<br />
l’efficacité <strong>de</strong> c<strong>et</strong> indicateur.<br />
29
Chapitre 3. Problème du billard<br />
30
Chapitre 4<br />
Chute d’un bloc sur une pente<br />
d’angle constant<br />
Ici, nous étudions le mouvement non-régulier <strong>de</strong> la chute <strong>de</strong> blocs le long d’une<br />
pente. Nous estimons une incertitu<strong>de</strong> en conditions initiales <strong>et</strong> en paramètres<br />
menant à une incertitu<strong>de</strong> sur le mouvement que nous imposons inférieure à<br />
une valeur limite prédéfinie.<br />
Sommaire<br />
4.1 Théories existantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.1 Mise en oeuvre pratique . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.2 Les différentes phases du mouvement . . . . . . . . . . . . . . . . . 32<br />
4.1.3 Les modélisations les plus importantes . . . . . . . . . . . . . . . . 33<br />
4.2 Les vitesses <strong>et</strong> positions initiales sont incertaines . . . . . . . . . 38<br />
4.3 Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont<br />
incertains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
4.3.1 Modélisation du problème . . . . . . . . . . . . . . . . . . . . . . . 41<br />
4.3.2 Majoration <strong>de</strong> la divergence <strong>de</strong> trajectoire en fonction <strong>de</strong>s divers<br />
paramètres du système . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
4.4 Application concrète <strong>de</strong> ces résultats . . . . . . . . . . . . . . . . 49<br />
4.5 Avec le phénomène <strong>de</strong> frottement . . . . . . . . . . . . . . . . . . 52<br />
4.6 Prise en compte <strong>de</strong> la forme physique du bloc <strong>et</strong> <strong>de</strong> la rotation<br />
<strong>de</strong> celui-ci au cours du mouvement . . . . . . . . . . . . . . . . . 53<br />
31
Chapitre 4. Chute d’un bloc<br />
4.1 Inventaire <strong>de</strong>s métho<strong>de</strong>s <strong>et</strong> théories existantes pour cerner<br />
ce problème<br />
4.1.1 Mise en oeuvre pratique<br />
La problématique <strong>de</strong>s chutes <strong>de</strong> blocs prend toute son importance aujourd’hui, suite à l’étalement<br />
<strong>de</strong> la population <strong>et</strong> <strong>de</strong>s activités. Les moyens <strong>de</strong> lutte consistent, entre autres, en la<br />
définition <strong>de</strong>s zones à risque <strong>et</strong> la construction <strong>de</strong> systèmes <strong>de</strong> défense adéquats. Pour réaliser<br />
ceci, trois étapes sont nécessaires :<br />
– L’évaluation <strong>de</strong>s risques d’instabilité passe par la reconnaissance <strong>de</strong>s masses instables,<br />
ainsi que <strong>de</strong>s mécanismes <strong>de</strong> rupture (ce qui perm<strong>et</strong> <strong>de</strong> d’estimer les conditions initiales<br />
en position <strong>et</strong> en vitesse du mouvement <strong>de</strong> chute <strong>de</strong> ces blocs).<br />
– L’évaluation <strong>de</strong> la zone menacée détermine jusqu’où vont les roches, ainsi que la hauteur<br />
maximale atteinte par leur trajectoire.<br />
– La proposition <strong>de</strong> mesures <strong>de</strong> protection utilise essentiellement <strong>de</strong>ux sortes <strong>de</strong> métho<strong>de</strong>s :<br />
les métho<strong>de</strong>s expérimentales <strong>et</strong> les métho<strong>de</strong>s analytico-numériques.<br />
Notre but ici est <strong>de</strong> proposer un moyen perm<strong>et</strong>tant <strong>de</strong> vérifier les résultats obtenus par une<br />
<strong>de</strong>s métho<strong>de</strong>s précé<strong>de</strong>ntes. Ainsi notre travail se situe au niveau <strong>de</strong> la <strong>de</strong>uxième étape. Plus<br />
précisément, ses conclusions perm<strong>et</strong>tent <strong>de</strong> vali<strong>de</strong>r ou non c<strong>et</strong>te étape.<br />
La troisième étape se décompose en <strong>de</strong>ux catégories disctinctes :<br />
– Les travaux actifs éliminent le risque en consolidant le ou les blocs instables ou les enlevant<br />
<strong>de</strong> manière contrôlée.<br />
– Les travaux passifs déplacent les biens/personnes menacées ou édifient une protection<br />
autour d’eux.<br />
4.1.2 Les différentes phases du mouvement<br />
La trajectoire du bloc se décompose en <strong>de</strong>ux phases distinctes :<br />
– La partie aérienne <strong>de</strong> la trajectoire du bloc dans l’air se caractérise par l’absence <strong>de</strong> contact<br />
entre le bloc <strong>et</strong> le terrain.<br />
– L’interaction du bloc <strong>et</strong> du terrain fit intervenir plusieurs phénomènes dont :<br />
– la fragmentation qui joue un rôle important dans le mouvement,<br />
– la trajectoire du bloc suit la ligne <strong>de</strong> plus gran<strong>de</strong> pente. De plus, les blocs volumineux<br />
vont en général plus loin.<br />
– Le rôle <strong>de</strong> la végétation peut être important.<br />
La trajectoire du bloc dans l’air est régie par <strong>de</strong>ux forces : la pesanteur <strong>et</strong> la résistance <strong>de</strong><br />
l’air, qui souvent est considérée comme négligeable.<br />
L’interaction entre le bloc <strong>et</strong> la pente peut prendre plusieurs formes :<br />
Le glissement : le bloc se déplace parallèlement au profil sur une <strong>de</strong> ses faces. La condition<br />
pour ce genre <strong>de</strong> mouvement est que les blocs soient assez plats <strong>et</strong> que le profil <strong>de</strong> la pente<br />
32
4.1. Théories existantes<br />
soit régulier.<br />
Ce phénomène a lieu généralement quand la vitesse est assez faible, donc en début ou fin<br />
<strong>de</strong> trajectoire. Du frottement intervient, il dépend <strong>de</strong> la nature du bloc, du profil <strong>et</strong> <strong>de</strong>s<br />
surfaces engagées.<br />
Le glissement est souvent modélisé par le modèle <strong>de</strong> Heim : la masse ne varie pas, le<br />
coefficient <strong>de</strong> frottement est constant, la pression intersticielle est négligeable, il n’y a pas<br />
<strong>de</strong> modification <strong>de</strong>s surfaces <strong>de</strong> contact.<br />
D’autres modélisations sont nées suite à l’idée que le glissement est facilité par la lubrification<br />
:<br />
– Par une couche d’air supportant la masse en mouvement (Kent, 1966 <strong>et</strong> Erisman, 1979).<br />
– Par une couche <strong>de</strong> vapeur se formant au niveau <strong>de</strong> la zone <strong>de</strong> frottement ( Habib, 1967,<br />
Goguel, 1972 <strong>et</strong> Pautre-Sabarly-Schnei<strong>de</strong>r, 1974).<br />
– Par autolubrification (Erismann).<br />
Le roulement intervient à la suite d’une irrégularité ou d’une vitesse <strong>de</strong> rotation élevée.<br />
Sur terrain dur, ce phénomène peut être modélisé par une succession <strong>de</strong> mini-rebonds (ce<br />
qui aura pour eff<strong>et</strong> d’émousser les angles vifs du bloc).<br />
Sur terrain mou, il y a alors poinçonnement.<br />
L’impact est la discontinuité intervenant dans ce phénomène non-régulier. Il se traduit par une<br />
variation brutale <strong>de</strong> la vitesse.<br />
4.1.3 Les modélisations les plus importantes<br />
Si le comportement est élastique (Sneddon, 1965), le bloc peut être considéré comme un<br />
poinçon rigi<strong>de</strong> <strong>de</strong> forme un cône <strong>de</strong> symétrie <strong>de</strong> révolution sur un plan horizontal semiinfini<br />
élastique. L’enfoncement h est alors tel que h =<br />
E<br />
(1 − µ 2 ) π tan (θ)2h2 , où θ est le<br />
<strong>de</strong>mi-angle au somm<strong>et</strong> du cône, E <strong>et</strong> µ sont le module <strong>de</strong> Young <strong>et</strong> le coefficient <strong>de</strong> Poisson<br />
du massif, P est la charge.<br />
Si le comportement est rigi<strong>de</strong> plastique (Houlsby, 1982), on pourra écrire P = Kh 2 , où K<br />
est fonction <strong>de</strong>s propriétés du matériau <strong>et</strong> <strong>de</strong> la géométrie du bloc.<br />
Pendant la phase <strong>de</strong> restitution la force normale pourra être calculée F = Kh n , où n est<br />
fonction <strong>de</strong> la forme dont le bloc se présente par rapport au profil.<br />
Un autre phénomène pouvant intervenir dans ce type <strong>de</strong> trajectoire est la fragmentation :<br />
lors d’un impact, un bloc se fragmente alors en blocs plus p<strong>et</strong>its, dans différentes directions,<br />
avec <strong>de</strong>s vitesses différentes. Les plus p<strong>et</strong>its s’arrêtent alors rapi<strong>de</strong>ment, tandis que les plus gros<br />
continuent leur trajectoire pendant un certain temps. Ceci dépend <strong>de</strong> la nature <strong>de</strong> la roche <strong>et</strong><br />
du sol, ainsi que leur état <strong>de</strong> fissuration.<br />
La fragmentation est déterminée par métho<strong>de</strong> expérimentale (voir [32]). Quand l’impact a<br />
lieu, les contraintes sont élevées, elles vont se développer <strong>et</strong> se propager sous forme d’on<strong>de</strong>s. Des<br />
hypothèses sont alors réalisées :<br />
33
Chapitre 4. Chute d’un bloc<br />
– La matériau est homogène, isotrope, élastique linéaire,<br />
– l’impulsion initiale est connue,<br />
– la célérité <strong>de</strong> l’on<strong>de</strong> transmise est constantel<br />
– l’étu<strong>de</strong> est limitée au cas plan <strong>et</strong> aux on<strong>de</strong>s élastiques.<br />
Si l’on<strong>de</strong> <strong>de</strong> compression est notée σ 0 , la longueur d’on<strong>de</strong> λ, la limite <strong>de</strong> traction du matériau<br />
σ t , l’impédance du milieu ρ c , l’épaisseur <strong>de</strong> l’écaille sera alors δ = σ t λ<br />
, elle sera éjectée à une<br />
σ 0 2<br />
vitesse v = 2σ 0 − σ t<br />
.<br />
ρ c<br />
Il existe un grand nombre <strong>de</strong> sortes <strong>de</strong> modélisation du terrain, dont la plupart sont bidimensionnelles.<br />
Dans ce cas, le profil est souvent présenté comme une succession <strong>de</strong> segments.<br />
Les propriétés <strong>et</strong> les caractéristiques du terrain sont alors définies sur chaque segment.<br />
Azinimi <strong>et</strong> Al (1982) présente une métho<strong>de</strong> numérique, la ”lumped mass m<strong>et</strong>hod“. Le profil,<br />
en <strong>de</strong>ux dimensions, est représenté par une succession <strong>de</strong> segments, dont l’inclinaison est<br />
aléatoire. Le bloc est représenté par un point matériel, donc la rotation n’intervient pas. Le<br />
mouvement est considéré comme une succession <strong>de</strong> rebonds, caractérisés par un coefficient <strong>de</strong><br />
restitution aléatoire variant autour d’une valeur moyenne.<br />
La fragmentation est possible si une certaine <strong>de</strong>nsité d’énergie est supérieure à une valeur critique.<br />
La réduction <strong>de</strong> la masse du bloc est alors proportiennelle à l’énergie consommée.<br />
Falc<strong>et</strong>ta[32] considère une pente en <strong>de</strong>ux dimensions avec un bloc rigi<strong>de</strong> <strong>et</strong> indéformable. Le<br />
profil est modélisé par une succession <strong>de</strong> segments, caractérisés chacun par 5 paramètres. Le<br />
bloc est modélisé par une suite fermée <strong>de</strong> segments <strong>de</strong> droite.<br />
Ce modèle se base sur le calcul à tout instant <strong>de</strong>s forces agissant sur le bloc, ce qui perm<strong>et</strong><br />
<strong>de</strong> remonter jusqu’à sa vitesse <strong>et</strong> donc enfin jusqu’à sa trajectoire.<br />
Pendant les pério<strong>de</strong>s <strong>de</strong> trajectoire sans contact avec le sol, la seule action agissant sur le<br />
bloc est le poids. Si le contact a lieu, F N est la force normale au profil <strong>et</strong> F T la force tangentielle.<br />
Lors du glissement, F N est égale <strong>et</strong> opposée à la composante normale du poids du bloc <strong>et</strong><br />
F T = M u F N , où M u est un coefficient <strong>de</strong> frottement.<br />
L’enfoncement a lieu quand au moins un <strong>de</strong>s points <strong>de</strong> contact a une vitesse dirigée vers l’intérieur<br />
du profil. Alors F N = Kh 2 , puis F N diminue jusqu’à s’annuler (déchargement). Pendant<br />
tout ce mouvement, F T = 1 k<br />
2 K F N = min(tan (u),M u )F N , où u est l’angle entre la normale au<br />
profil <strong>et</strong> le vecteur vitesse du point <strong>de</strong> contact.<br />
Le roulement est considéré comme <strong>de</strong>s mini-rebonds d’une arête à l’autre.<br />
Le modèle <strong>de</strong> Azzoni <strong>et</strong> Al [5], perm<strong>et</strong> l’estimation <strong>de</strong>s vitesses, <strong>de</strong>s hauteurs <strong>de</strong> rebond, <strong>de</strong>s<br />
énergies <strong>et</strong> <strong>de</strong>s distances parcourues jusqu’à l’arrêt.<br />
Ce modèle, bi-dimensionnel, considère le profil comme une succession <strong>de</strong> segments. Le bloc<br />
est un ellipsoï<strong>de</strong> avec une rotation autour du plus p<strong>et</strong>it axe. Il n’y a pas <strong>de</strong> fragmentation <strong>de</strong>s<br />
blocs. Les trajectoires <strong>de</strong>s différents blocs sont indépendantes.<br />
34
4.1. Théories existantes<br />
La chute libre a lieu après une phase <strong>de</strong> roulement ou <strong>de</strong> glissement, suite à un changement<br />
abrupt <strong>de</strong> l’inclinaison, ou après un rebond. Seul le poids est pris en compte. Le mouvement est<br />
la composition d’une translation du centre <strong>de</strong> gravité <strong>et</strong> d’une rotation autour <strong>de</strong> celui-ci.Les<br />
conditions initiales sont prises lorsque le bloc se détache du profil. Il y a impact lorsqu’il y a<br />
intersection <strong>de</strong> la parabole <strong>de</strong> la trajectoire avec le profil du sol.<br />
Lors <strong>de</strong> l’impact, le contact a lieu sur une surface infinitésimale autour d’un point P, autour<br />
duquel il y a rotation lors du rebond (s’il y a rebond). En eff<strong>et</strong>, on compare la composition<br />
normale <strong>de</strong> la vitesse V y <strong>et</strong> une valeur estimée expérimentalement Vy e : Si V y < Vy e , il y a<br />
glissement ou roulement. Si V y > Vy e , il y a rebond après l’impact.<br />
Toutes les valeurs sont définies autour d’une valeur moyenne, le résultat est alors obtenu par<br />
simulation numérique (Monte Carlo).<br />
Il existe encore d’autres métho<strong>de</strong>s :<br />
– Analyse par déformations continues, en considérant le bloc comme une sphère [117] ou<br />
comme <strong>de</strong>s ensembles rigi<strong>de</strong>s ([59]).<br />
– Répartition <strong>de</strong>s différentes formes <strong>de</strong> trajectoires selon la valeur <strong>de</strong> l’inclinaison [84].<br />
– Métho<strong>de</strong>s basées sur <strong>de</strong>s systèmes d’informations géographiques. En particulier, la recherche<br />
<strong>de</strong> la trajectoire <strong>de</strong> chute est basé sur l’analyse du voisinage par <strong>de</strong>s fenêtres :<br />
métho<strong>de</strong> D-8 par O’Callaghan <strong>et</strong> Mark en 1984 <strong>et</strong> métho<strong>de</strong> D-16 par Meissl en 1998.<br />
– ...<br />
Ainsi, les possibilités <strong>de</strong> modélisation du problème physique <strong>et</strong> du phénomène <strong>de</strong> chute sont<br />
nombreuses. Il n’y a pas vraiment lieu <strong>de</strong> privilégier une métho<strong>de</strong> par rapport à une autre.<br />
Nous avons alors décidé <strong>de</strong> modéliser notre problème <strong>de</strong> la façon la plus simple possible,<br />
sachant qu’il est alors possible d’adapter rapi<strong>de</strong>ment la métho<strong>de</strong> à une autre modélisation, en<br />
particuluer dans les programmes <strong>et</strong> calculs numériques.<br />
Par conséquent, notre profil est représenté par un unique segment d’inclinaison donnée α. Le<br />
bloc est représenté par un point matériel, dont les seuls mouvements possibles sont la chute libre<br />
<strong>et</strong> l’impact (rebond). Par conséquent, nous ne tenons pas compte <strong>de</strong>s phénomènes <strong>de</strong> rotation<br />
<strong>et</strong> <strong>de</strong> glissement.<br />
Une trajectoire typique obtenue avec c<strong>et</strong>te modélisation est représentée sur la figure 4.1.<br />
Nous modélisons le problème <strong>de</strong> la façon suivante (figure 4.2) : x est la coordonnée le long<br />
<strong>de</strong> la pente, y est la direction normale dirigée vers le bas. L est la longueur horizontale <strong>de</strong> la<br />
pente, θ est sa pente.<br />
Nous posons : X =<br />
⎡<br />
⎢<br />
⎣<br />
x<br />
ẋ<br />
y<br />
ẏ<br />
⎤ ⎡<br />
⎥<br />
⎦ = ⎢<br />
⎣<br />
⎤<br />
x 1<br />
x 2<br />
⎥<br />
x 3<br />
⎦<br />
x 4<br />
. Donc l’équation du mouvement est :<br />
⎧<br />
⎪⎨<br />
Ẋ = f (X, t) =<br />
⎪⎩<br />
x 2<br />
g sin (θ)<br />
x 4<br />
g cos (θ)<br />
⎫<br />
⎪⎬<br />
⎪⎭<br />
. (4.1)<br />
35
Chapitre 4. Chute d’un bloc<br />
10<br />
0<br />
−10<br />
y −20<br />
−30<br />
−40<br />
−50<br />
0 10 20 30 40 50 60<br />
x<br />
Fig. 4.1 – Trajectoire d’un bloc <strong>de</strong> pierre sur une pente obtenue avec notre modélisation (x 0 =<br />
0m, ẋ 0 = 1ms −1 , y 0 = −10m, ẏ 0 = 0ms −1 , θ = 45 ◦ , L = 50m, éboulis meuble).<br />
y<br />
x<br />
L<br />
Fig. 4.2 – Modélisation <strong>de</strong> la pente<br />
θ<br />
36
4.1. Théories existantes<br />
On utilise les <strong>de</strong>ux constantes <strong>de</strong> restitution suivantes :<br />
{<br />
Vrx = αV ix (α > 0) ,<br />
V ry = βV iy (β < 0) .<br />
(4.2)<br />
Les valeurs <strong>de</strong>s constantes α <strong>et</strong> β peuvent être prises en adéquation avec <strong>de</strong>s valeurs physiques<br />
utilisées pour <strong>de</strong>s calculs <strong>de</strong> trajectoires <strong>de</strong> blocs <strong>de</strong> pierre sur pente. En eff<strong>et</strong>, elles dépendant<br />
<strong>de</strong> la pente, <strong>de</strong> la nature du sol, <strong>de</strong> la nature du bloc en chute.<br />
Les fonctions indicatrices <strong>et</strong> <strong>de</strong> passage sont :<br />
h(X) = x 3 = 0 ,<br />
g (X) =<br />
⎛<br />
⎜<br />
⎝<br />
x + 1<br />
x + 2<br />
x + 3<br />
x + 4<br />
⎞ ⎛<br />
⎟<br />
⎠ = ⎜<br />
⎝<br />
x − 1<br />
αx − 2<br />
x − 3<br />
βx − 4<br />
⎞<br />
(4.3)<br />
⎟<br />
⎠ .<br />
Nous pouvons alors distinguer plusieurs cas, d’après que (δt 0 , δµ 0 ) = (0, 0) ou non. Dans le<br />
premier cas, seules les conditions initiales en position <strong>et</strong> en vitesse sont incertaines.<br />
37
Chapitre 4. Chute d’un bloc<br />
4.2 Les vitesses <strong>et</strong> positions initiales sont incertaines<br />
Dans ce cas, où δt 0 = 0 <strong>et</strong> δµ 0 = 0, en appelant t i l’instant <strong>de</strong> la discontinuité i, les expressions<br />
<strong>de</strong>s fonctions indicatrices <strong>et</strong> <strong>de</strong> passage sont :<br />
t i−1 ≤ t < t i<br />
⎡<br />
: δẊ = ⎢<br />
⎣<br />
0 1 0 0<br />
0 0 0 0<br />
0 0 0 1<br />
0 0 0 0<br />
⎤<br />
⎥<br />
⎦ δX, δX (t i−1) = δX + i−1 ,<br />
t = t i : H i = [ 0 0 1 0 ] ,<br />
t > t i<br />
G i =<br />
⎡<br />
⎢<br />
⎣<br />
δX + =<br />
⎢<br />
⎣<br />
⎡<br />
: δẊ = ⎢<br />
⎣<br />
1 0 0 0<br />
0 α 0 0<br />
0 0 1 0<br />
0 0 0 β<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , δt i = − δx 3<br />
(<br />
t<br />
−<br />
i<br />
)<br />
x 4<br />
(<br />
t<br />
−<br />
i<br />
) ,<br />
δx − 1 − (α + 1) x ( )<br />
2 t<br />
−<br />
( i<br />
x 4 t<br />
−)δx − 3<br />
i<br />
αδx − 2 + (1 − α) g sin (θ) δx − 3<br />
x 4<br />
(<br />
t<br />
−<br />
i<br />
)<br />
δx − 3 + (β − 1)δx− 3<br />
βδx − 4 + (1 − β)g cos (θ) δx − 3<br />
x 4<br />
(<br />
t<br />
−<br />
i<br />
)<br />
0 1 0 0<br />
0 0 0 0<br />
0 0 0 1<br />
0 0 0 0<br />
⎤<br />
⎤<br />
⎥<br />
⎦<br />
⎥<br />
⎦ δX, δX (t = t i) = δX + i<br />
.<br />
,<br />
(4.1)<br />
38
4.2. Les vitesses <strong>et</strong> positions initiales sont incertaines<br />
Nous pouvons donc en déduire les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage :<br />
⎡ ⎤<br />
1 T i 0 0<br />
J i = ⎢ 0 1 0 0<br />
⎥<br />
⎣ 0 0 1 T i<br />
⎦ , où : T i = t i − t i−1 ,<br />
0 0 0 1<br />
S i =<br />
⎡<br />
⎢<br />
⎣<br />
1 0 − (α + 1) x ( )<br />
2 t<br />
−<br />
( i<br />
)<br />
x 4 t<br />
−<br />
0<br />
i<br />
0 α (1 − α) g sin(θ) ( )<br />
x 4 t<br />
−<br />
i<br />
0<br />
0 0 β 0<br />
0 0<br />
g cos (θ)<br />
(1 − β) ( )<br />
x 4 t<br />
−<br />
i<br />
β<br />
⎤<br />
⎥<br />
⎦<br />
.<br />
(4.2)<br />
Avec c<strong>et</strong>te modélisation du problème, le cas où δt <strong>de</strong>vient infini n’est pas pénalisant.<br />
En eff<strong>et</strong>, δt <strong>de</strong>vient infini lorsque :<br />
x 4<br />
(<br />
t<br />
−<br />
i<br />
)<br />
= 0 ⇔ x4<br />
(<br />
t<br />
+<br />
i−1<br />
)<br />
= 0 . (4.3)<br />
Alors avec la loi <strong>de</strong> restitution qui a été choisie, il nous faut exclure le cas :<br />
( )<br />
x 4 t<br />
+<br />
0 = y0 ˙ = 0 <strong>et</strong> y 0 = 0 . (4.4)<br />
En eff<strong>et</strong>, si ce cas est exclu, c’est-à-dire si ẏ 0 ≠ 0, même en itérant il ne pourra jamais y avoir<br />
x 4 (t) = 0 : L’ensemble ( x 1 (t − i ), x 2(t − i ), x 3(t − i ), x 4(t − i )) est entièrement compris dans l’ensemble<br />
(<br />
x1 (t + i−1 ), x 2(t + i−1 ), x 3(t + i−1 ), x 4(t + i−1 )) .<br />
De plus, le cas d’une infinité d’impacts (dans lequel, même si ẏ 0 ≠ 0, ẋ 4 → 0) est impossible<br />
ici avec la modélisation qui a été utilisée, si L est fini <strong>et</strong> l’angle <strong>de</strong> la pente assez conséquent<br />
(supérieur à 45◦).<br />
D’où :<br />
Donc : J =<br />
∏<br />
J N−i S N−i J 0 .<br />
N−1<br />
i=0<br />
N−1<br />
∏<br />
|||J||| ≤ |||J 0 ||| |||J N−i ||| × |||S Ni ||| . (4.5)<br />
i=0<br />
On utilise la norme subordonnée : |||A||| = max<br />
i<br />
∑<br />
|a ij | .<br />
j<br />
|||J i ||| = max {1, 1 + T i } = 1 + T i . (4.6)<br />
39
Chapitre 4. Chute d’un bloc<br />
Les valeurs absolues <strong>de</strong>s valeurs propres <strong>de</strong> S i sont 1, α <strong>et</strong> β (<strong>de</strong> multiplicité 2).<br />
Donc le rayon spectral <strong>de</strong> S i est égal à : ρ (S i ) = 1.<br />
Il existe donc une norme subordonnée N telle que :<br />
∀ǫ > 0, ρ (S i ) ≤ N (S i ) ≤ ρ (S i ) + ǫ , (4.7)<br />
∀ǫ > 0, 1 ≤ N (S i ) ≤ 1 + ǫ . (4.8)<br />
Or la dimension est finie ici, donc il existe <strong>de</strong>ux constantes L 1 <strong>et</strong> L 2 connues, telles que :<br />
L 1 ≤ |||S i ||| ≤ L 2 (1 + ǫ).<br />
Donc :<br />
∃L 2 ∈ R ∗ , ∀ǫ > 0, |||J||| ≤ (1 + T i ) N+1 L N 2 (1 + ǫ) N . (4.9)<br />
Pour pouvoir affirmer que c<strong>et</strong>te borne <strong>de</strong> |||J||| est finie, il nous suffit donc d’évaluer le<br />
nombre d’impacts N.<br />
Pour ceci, on évalue la distance parcourue lors d’un bond :<br />
(<br />
Avec : X = tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2gy 0 cos (θ) + ẋ 0 ,<br />
Y = −ẏ 0 + √ ẏ 2 0 − 2gy 0 cos (θ) ,<br />
Z = √ ẏ 2 0 − 2gy 0 cos (θ) ,<br />
∆x 1 = x 1 − x 0 = sin(θ)<br />
2g cos (θ) 2Y 2 ẋ 0<br />
+<br />
g cos (θ) Y ,<br />
∀i ≥ 2, ∆x i = x i − x i−1 ,<br />
(4.10)<br />
= 2 sin(θ)<br />
g cos (θ) 2 (−β)2i−2 Z 2 2<br />
+<br />
g cos (θ) α (−β)i−1 Z<br />
×<br />
[<br />
α i−2 X − (−β) i−2 2 tan (θ)Z 1 − (−α/β)i−2<br />
1 + α/β<br />
]<br />
.<br />
Ces calculs sont explicités dans l’annexe C.<br />
N est donc le premier entier tel que :<br />
40<br />
x 1 − x 0 +<br />
N∑<br />
x i − x i−1 ≥ L . (4.11)<br />
i=2
4.3. Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont incertains<br />
En particulier, une majoration du nombre d’impacts N peut être obtenue par :<br />
N ≤ N1, avec :<br />
N 1 =<br />
ln<br />
(1 − g cos ( (θ)2 1 − β 2) [<br />
2 sin(θ)Z 2 L −<br />
2 ln (−β)<br />
sin (θ)<br />
2g cos (θ) 2Y 2 −<br />
] )<br />
ẋ 0<br />
g cos (θ) Y<br />
+ 2 .<br />
(4.12)<br />
Ainsi, la norme <strong>de</strong> J peut être majorée par :<br />
On pose : M 1 = (1 + T i ) N 1+1 L N 1<br />
2 (1 + ǫ) N 1<br />
.<br />
Alors :<br />
|||J||| ≤ (1 + T i ) N 1+1 L N 1<br />
2 (1 + ǫ) N 1<br />
. (4.13)<br />
||f (x 0 + h) − f (x 0 ) || ≤ |||J||| × ||h|| ≤ M 1 ||h|| . (4.14)<br />
En fixant une valeur limite à l’erreur ||f (x 0 + h)−f (x 0 ) ||, il est alors possible <strong>de</strong> déterminer<br />
un pas maximum ||h|| à utiliser lors <strong>de</strong> calculs sur grille.<br />
Remarques :<br />
– La formule (4.12) <strong>de</strong> majoration du nombre d’impacts peut parfois se révéler être trop<br />
grossière. Il suffit alors d’incrémenter la distance parcourue avec <strong>de</strong>s x i − x i−1 jusqu’à ce<br />
que celle-ci soit supérieure à L. Le nombre d’impacts est ainsi obtenu très facilement.<br />
– C<strong>et</strong>te même formule dépend <strong>de</strong> conditions initiales <strong>et</strong> <strong>de</strong> paramètres qui peuvent être<br />
aléatoires. Il s’agit alors <strong>de</strong> choisir les valeurs numériques les plus contraignantes pour<br />
calculer le nombre maximum d’impacts possibles.<br />
– Ce calcul n’est réellement valable que pour <strong>de</strong>s pentes d’inclinaison forte ou <strong>de</strong> longueur<br />
faible à moyenne. Pour <strong>de</strong>s pentes <strong>de</strong> longueur supérieure <strong>et</strong> d’inclinaison faible (voir [84]),<br />
il sera nécessaire <strong>de</strong> tenir compte <strong>de</strong> certaines phénomènes plus complexes, tels que la<br />
friction ou le glissement...<br />
4.3 Les conditions initiales, le temps initial <strong>et</strong> les paramètres<br />
sont incertains<br />
Dans ce cas, plus général : δµ 0 ≠ 0 <strong>et</strong> δt 0 ≠ 0.<br />
4.3.1 Modélisation du problème<br />
Nous modélisons le( problème ) comme auparavant, avec <strong>de</strong> plus, le vecteur <strong>de</strong> paramètres<br />
α<br />
aléatoires égal à : µ = .<br />
β<br />
41
Chapitre 4. Chute d’un bloc<br />
Alors :<br />
⎢<br />
⎣<br />
(t i−1 ≤)t < t i : δẊ = ⎡<br />
0 1 0 0<br />
0 0 0 0<br />
0 0 0 1<br />
0 0 0 0<br />
⎤ ⎡<br />
⎥<br />
⎦ δX + ⎢<br />
⎣<br />
0 0<br />
0 0<br />
0 0<br />
0 0<br />
⎤<br />
⎥<br />
⎦ δµ 0 , (4.1)<br />
t = t i : δt i = − δx− 3<br />
x − 4<br />
⎡<br />
δX + =<br />
⎢<br />
⎣<br />
,<br />
δx − 1 − (α + 1)x− 2<br />
x − δx − 3<br />
4<br />
αδx − 2 + (1 − α)g sin(θ)δx− 3<br />
x − 4<br />
δx − 3 − (β + 1)δx− 3<br />
βδx − 4 + (1 − β)g cos (θ) δx− 3<br />
x − 4<br />
⎤<br />
⎡<br />
+ ⎢<br />
⎣<br />
⎥<br />
⎦<br />
0 0<br />
x − 2 0<br />
0 0<br />
0 x − 4<br />
⎤<br />
⎥<br />
⎦ δµ 0 ,<br />
(4.2)<br />
On obtient <strong>de</strong> ceci <strong>de</strong>s matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut modifiées :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
δX − i<br />
=<br />
δX + i<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
1 t i − t i−1 0 0<br />
0 1 0 0<br />
0 0 1 t i − t i−1<br />
0 0 0 1<br />
⎤<br />
⎥<br />
⎦ δX+ i−1 ,<br />
⎡<br />
⎤<br />
1 0 −(α + 1) x− 2<br />
x − 0<br />
⎡<br />
4<br />
0 α (1 − α) g sin(θ)<br />
x − 0<br />
4<br />
δX − i<br />
+ ⎢<br />
⎣<br />
⎢ 0 0 −β 0<br />
⎥<br />
⎣ g cos (θ) ⎦<br />
0 0 (1 − β)<br />
x − β<br />
4<br />
0 0<br />
x − 2 0<br />
0 0<br />
0 x − 4<br />
⎤<br />
⎥<br />
⎦ δµ 0 .<br />
(4.3)<br />
4.3.2 Majoration <strong>de</strong> la divergence <strong>de</strong> trajectoire en fonction <strong>de</strong>s divers paramètres<br />
du système<br />
Pour cela, nous majorons le système d’équations 4.3 où les conditions initiales <strong>et</strong> les paramètres<br />
sont supposés aléatoires. Il est ensuite aisé <strong>de</strong> r<strong>et</strong>rouver le cas plus simple du paragraphe<br />
4.2.<br />
Il nous faut maintenant estimer les vitesses avant impacts x 2<br />
(<br />
t<br />
−<br />
i<br />
)<br />
<strong>et</strong> x4<br />
(<br />
t<br />
−<br />
i<br />
)<br />
. Les mouvements<br />
42
4.3. Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont incertains<br />
selon les axes x <strong>et</strong> y sont régis par les équations :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x =<br />
y =<br />
g sin(θ) (t − t 0 ) 2 + ẋ 0 (t − t 0 ) + x 0 ,<br />
g cos(θ) 2<br />
(t − t 0 ) 2 + ẏ 0 (t − t 0 ) + y 0 .<br />
2<br />
(4.4)<br />
Il y a impact lorsque y = 0, donc lorsque :<br />
t − t 0 = −ẏ 0 + √ ẏ 2 0 − 2y 0g cos (θ)<br />
g cos (θ)<br />
. (4.5)<br />
Lors d’un impact, on a :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẋ = g sin(θ) −ẏ 0 + √ ẏ0 2 − 2y 0g cos (θ)<br />
g cos (θ)<br />
ẏ = g cos (θ) −ẏ 0 + √ ẏ0 2 − 2y 0g cos (θ)<br />
g cos (θ)<br />
+ ẋ 0 ,<br />
+ ẏ 0 .<br />
(4.6)<br />
où ẋ 0 , y 0 <strong>et</strong> ẏ 0 sont les conditions initiales <strong>de</strong> c<strong>et</strong>te trajectoire aboutissant à c<strong>et</strong> impact.<br />
Donc pour le premier impact, les vitesses avant impact sont :<br />
{<br />
ẋ − 1 = ẋ(t− 1<br />
(−ẏ ) = tan (θ) 0 + √ )<br />
ẏ0 2 − 2y 0g cos (θ) + ẋ 0 ,<br />
ẏ − 1 = ẏ(t− 1 ) = √ ẏ 2 0 − 2y 0g cos (θ) .<br />
(4.7)<br />
Lors du premier impact, on a alors :<br />
( ) [<br />
Ẋ 1 + ẋ(t<br />
+ = 1 ) α 0<br />
ẏ(t + 1 ) =<br />
0 β<br />
]<br />
Ẋ − 1 . (4.8)<br />
Pour les impacts suivants, on aura y 0 = 0, soit :<br />
{<br />
ẋ− n = −2 tan (θ)ẏ + n−1 + ẋ+ n−1 ,<br />
ẏ − n = −ẏ + n−1 . (4.9)<br />
43
Chapitre 4. Chute d’un bloc<br />
Par récurrence, on obtient les résultats suivants :<br />
⎧<br />
∀i ≥ 1 , ẏ ( t − )<br />
i = (−β)<br />
i−1 √ ẏ0 2 − 2y 0g cos (θ) ,<br />
⎪⎨<br />
∀i > 1 , ẋ ( t − )<br />
i = α<br />
i−1ẋ ( t − )<br />
1 + 2 tan (θ) (−β)<br />
i−1 1 − (−α/β) i−1 √<br />
ẏ0 2 1 + α/β<br />
− 2y 0g cos (θ) ,<br />
∀i > 1 , x− i<br />
y − i<br />
=<br />
(<br />
(<br />
− α ) i−1 tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2y 0g cos (θ)<br />
√ẏ2<br />
β<br />
0 − 2y 0 g cos (θ)<br />
−2 tan(θ) 1 − (−α/β)i−1 ,<br />
1 + α/β<br />
+ ẋ 0<br />
(4.10)<br />
t 1 − t 0 = −ẏ 0 + √ ẏ 2 0 − 2y 0g cos (θ)<br />
g cos (θ)<br />
,<br />
⎪⎩<br />
∀i > 1 , t i − t i−1 = 2 √<br />
(−β)i ẏ0 2 g cos(θ)<br />
− 2y 0g cos (θ) .<br />
Nous utilisons les notations suivantes :<br />
⎡<br />
A i =<br />
⎢<br />
⎣<br />
1 t i − t i−1 0 0<br />
0 1 0 0<br />
0 0 1 t i − t i−1<br />
0 0 0 1<br />
⎤<br />
⎥<br />
⎦ , (4.11)<br />
⎡<br />
B i =<br />
⎢<br />
⎣<br />
1 0 − (α + 1) x ( )<br />
2 t<br />
−<br />
( i<br />
)<br />
x 4 t<br />
−<br />
0<br />
i<br />
0 α (1 − α) g sin(θ) ( )<br />
x 4 t<br />
−<br />
i<br />
0<br />
0 0 −β 0<br />
0 0<br />
g cos (θ)<br />
(1 − β) ( )<br />
x 4 t<br />
−<br />
i<br />
β<br />
⎤<br />
⎥<br />
⎦<br />
, (4.12)<br />
C i =<br />
⎡<br />
⎢<br />
⎣<br />
(<br />
0<br />
)<br />
0<br />
x 2 t<br />
−<br />
i<br />
0<br />
0<br />
(<br />
0<br />
)<br />
0 x 4 t<br />
−<br />
i<br />
Nous calculons une norme subordonnée pour ces matrices.<br />
44<br />
⎤<br />
⎥<br />
⎦ . (4.13)
Comme auparavant, nous utilisons |||M||| = sup<br />
i<br />
4.3. Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont incertains<br />
n∑<br />
|m ij | :<br />
j=1<br />
|||A i ||| = max {1, 1 + t i − t i−1 } , (4.14)<br />
= 1 + t i − t i−1 , (4.15)<br />
⎧<br />
1 + −ẏ 0 + √ ẏ0 2 − 2y 0g cos (θ)<br />
si i = 1 ,<br />
⎪⎨ g cos (θ)<br />
=<br />
(4.16)<br />
⎪⎩ 1 + 2 √<br />
(−β)i ẏ0 2 g cos (θ)<br />
− 2y 0g cos (θ) si i > 1 .<br />
De même :<br />
|||B i |||<br />
{<br />
= max 1 + (α + 1) x ( )<br />
2 t<br />
−<br />
( i<br />
x 4 t<br />
−), α + (1 − α) g sin(θ) ( )<br />
i<br />
x 4 t<br />
−<br />
, −β + (1 − β)<br />
i<br />
}<br />
g cos (θ)<br />
( )<br />
x 4 t<br />
−<br />
i<br />
. (4.17)<br />
Donc si i = 1 :<br />
⎧<br />
⎡ (<br />
1 + (α + 1) ⎣ tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2y ⎤<br />
0g cos (θ) + ẋ 0<br />
√ẏ2 ⎦<br />
0 − 2y 0 g cos (θ)<br />
⎫<br />
|||B 1 |||<br />
⎪⎨<br />
= max<br />
α + (1 − α)<br />
g sin(θ)<br />
√ẏ2<br />
0 − 2y 0 g cos (θ)<br />
⎪⎬<br />
. (4.18)<br />
⎪⎩<br />
−β + (1 − β)<br />
g cos (θ)<br />
√ẏ2<br />
0 − 2y 0 g cos (θ)<br />
⎪⎭<br />
De même, si i > 1 :<br />
⎧<br />
⎡<br />
(<br />
1 + (α + 1) ⎣ − α β<br />
(<br />
) i−1 tan (θ)<br />
−ẏ 0 + √ )<br />
ẏ0 2 − 2y 0g cos (θ) + ẋ 0<br />
√ẏ2<br />
0 − 2y 0 g cos (θ)<br />
⎫<br />
|||B i |||<br />
⎪⎨<br />
= max<br />
]<br />
−2 tan(θ) 1 − (−α/β)i−2<br />
1 + α/β<br />
g sin(θ)<br />
α + (1 − α)<br />
(−β) i−1 √ ẏ0 2 − 2y 0g cos(θ)<br />
⎪⎬<br />
.<br />
⎪⎩<br />
g cos (θ)<br />
−β + (1 − β)<br />
(−β) i−1 √ ẏ0 2 − 2y 0g cos (θ)<br />
⎪⎭<br />
45
Chapitre 4. Chute d’un bloc<br />
On a : |||C i ||| = max { x 2<br />
(<br />
t<br />
−<br />
i<br />
)<br />
, x4<br />
(<br />
t<br />
−<br />
i<br />
)}<br />
. Ainsi, on aura :<br />
Si i = 1<br />
|||C 1 ||| =<br />
{ (<br />
max tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2y 0g cos (θ) + ẋ 0 , √ }<br />
ẏ0 2 − 2y 0g cos (θ)<br />
. (4.19)<br />
Si i > 1 : (4.20)<br />
⎧<br />
(−β) i−1 √ ẏ0 2 − 2y ⎫<br />
0g cos (θ)<br />
⎪⎨<br />
(<br />
|||C i ||| = max α<br />
[tan i−1 (θ) −ẏ 0 + √ ) ] ⎪⎬<br />
ẏ0 2 − 2y 0g cos (θ) + ẋ 0 . (4.21)<br />
⎪⎩ −2 tan (θ)(−β) i−1 1 − (−α/β) i−2 √<br />
ẏ0 2 1 + α/β<br />
− 2y 0g cos (θ)<br />
⎪⎭<br />
Si nous supposons que les conditions initiales sont bornées : par exemple, supposons que x 0 ∈ [x 01 , x 02 ],<br />
ẋ 0 ∈ [ẋ 01 , ẋ 02 ], y 0 ∈ [y 01 , y 02 ], ẏ 0 ∈ [ẏ 01 , ẏ 02 ], α ∈ [α 1 , α 2 ] <strong>et</strong> β ∈ [β 1 , β 2 ].<br />
Nous avons alors logiquement y 01 ≤ 0 <strong>et</strong> y 02 ≤ 0.<br />
De même, d’après leur définition, on a α ≥ 0 <strong>et</strong> β ≤ 0, donc on a : α 1 ≥ 0, α 2 ≥ 0 <strong>et</strong> β 1 ≤ 0, α 2 ≥ 0.<br />
Mais nous supposons également pour simplicité <strong>de</strong>s calculs ẏ 01 ≤ 0 <strong>et</strong> ẏ 02 ≤ 0 (ce qui semble naturel si le bloc<br />
se détache d’une falaise).<br />
De plus, nous notons :<br />
⎧<br />
Z = √ ẏ 2 0 − 2y 0g cos (θ) ,<br />
Z 1 = √ ẏ 2 01 − 2y 01g cos (θ) ,<br />
Z 2 = √ ẏ 2 02 − 2y 02g cos (θ) ,<br />
Y = −ẏ 0 + √ ẏ 2 0 − 2y 0g cos (θ) ,<br />
⎪⎨<br />
Y 1 = −ẏ 01 + √ ẏ 2 01 − 2y 01g cos (θ) ,<br />
Y 2 = −ẏ 02 + √ ẏ 2 02 − 2y 02g cos (θ) ,<br />
(<br />
X = tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2y 0g cos (θ) + ẋ 0 ,<br />
(4.22)<br />
⎪⎩<br />
X 1<br />
X 2<br />
(<br />
= tan (θ) −ẏ 01 + √ )<br />
ẏ01 2 − 2y 01g cos (θ) + ẋ 02 ,<br />
(<br />
= tan (θ) −ẏ 02 + √ )<br />
ẏ02 2 − 2y 02g cos (θ) + ẋ 01 .<br />
46
4.3. Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont incertains<br />
Nous obtenons alors les majorations suivantes :<br />
De même :<br />
Enfin :<br />
1 + (α 2 + 1)<br />
⎪⎨<br />
∀i > 1 , |||B i ||| ≤ max<br />
⎪⎩<br />
|||A 1 ||| ≤ 1 + Y 1<br />
g cos(θ) , (4.23)<br />
∀i > 1 , |||A i ||| ≤ 1 + 2 (−β 1) i<br />
g cos (θ) Z 1 . (4.24)<br />
{<br />
|||B 1 ||| ≤ max 1 + (α 2 + 1) X 1<br />
, α 2 + (1 − α 1 ) g sin(θ) , −β 1 + (1 − β 1 )<br />
Z 2 Z 2<br />
⎧ [ (<br />
− α ) ]<br />
i−1<br />
2 X 1<br />
− 2 tan (θ) 1 − (−α 1/β 1 ) i−2<br />
,<br />
β 2 Z 2 1 + α 1 /β 1<br />
}<br />
g cos (θ)<br />
Z 2<br />
, (4.25)<br />
⎫⎪ ⎬<br />
g sin(θ)<br />
α 2 + (1 − α 1 )<br />
(−β 2 ) i−1 ,<br />
. (4.26)<br />
Z 2<br />
g cos (θ)<br />
−β 1 + (1 − β 1 )<br />
⎪ ⎭<br />
(−β 2 ) i−1 Z 2<br />
(4.27)<br />
|||C 1 ||| ≤ max {X 2 , Z 1 } , (4.28)<br />
∀i > 1 , |||C i ||| ≤ max<br />
Nous savons quel est le nombre maximal d’impacts. On a :<br />
ln<br />
{<br />
}<br />
(−β 1 ) i−1 Z 1 , α2 i−1 X 2 − 2 tan(θ)(−β 1 ) i−1 1 − (−α 2 /β 2 ) i−2<br />
Z 1<br />
1 + α 1 /β 1<br />
(1 − g cos ( (θ)2 1 − β 2) [<br />
2 sin(θ)Z 2 L −<br />
sin(θ)<br />
2g cos (θ) 2Y 2 −<br />
] )<br />
ẋ 0<br />
g cos (θ) Y<br />
. (4.29)<br />
N ≤ N 1 où N 1 =<br />
+ 2 , (4.30)<br />
2 ln (−β)<br />
Donc en prenant en compte l’incertitu<strong>de</strong> <strong>de</strong>s paramètres <strong>et</strong> <strong>de</strong>s conditions initiales, (4.31)<br />
(<br />
ln 1 − g cos ( (θ)2 1 − β 2 ) [<br />
2<br />
2 sin (θ)Z 2 L −<br />
sin(θ)<br />
] )<br />
1 2g cos (θ) 2Y 2 ẋ 0<br />
2 −<br />
g cos(θ) Y 2<br />
N 1 =<br />
+ 2 . (4.32)<br />
2 ln (−β 2 )<br />
Si nous supposons encore que − α 1<br />
β 1<br />
≥ 1 <strong>et</strong> − α 2<br />
β 2<br />
≥ 1 (proportionnellement la composante normale <strong>de</strong> la vitesse<br />
47
Chapitre 4. Chute d’un bloc<br />
est plus transmise que la composante tangentielle, vérifié par une gran<strong>de</strong> majorité <strong>de</strong> sols réels), nous obtenons :<br />
|||A 1 ||| ≤ 1 + Y 1<br />
g cos (θ) ,<br />
∀i ≥ 2 , |||A i ||| ≤ 1 + 2Z 1<br />
g cos (θ) ,<br />
{<br />
|||B 1 ||| ≤ max 1 + (1 + α 2 ) X 1<br />
, α 2 + (1 − α 1 ) g sin(θ) , −β 1 + (1 − β 1 )<br />
Z 2<br />
∀i ≥ 2 , |||B i ||| ≤ max<br />
∀i , |||C i ||| ≤ max<br />
{<br />
1 + (1 + α 2 )<br />
α 2 + (1 − α 1 )<br />
{<br />
Z 2<br />
}<br />
g cos (θ)<br />
Z 2<br />
[ (<br />
− α ) ]<br />
N1<br />
2<br />
−1 X 1<br />
− 2 tan (θ) 1 − (−α 1/β 1 ) N 1−2<br />
,<br />
β 2 Z 2 1 + α 1 /β 1<br />
g sin(θ)<br />
(−β 2 ) N 1−1 Z 2<br />
, −β 1 + (1 − β 1 )<br />
X 2 + 2 tan (θ)Z 1<br />
1 − (−α 2 /β 2 ) N 1−2<br />
1 + α 1 /β 1<br />
, Z 1<br />
}<br />
}<br />
g cos (θ)<br />
(−β 2 ) N1−1 Z 2<br />
.<br />
,<br />
,<br />
(4.33)<br />
Nous notons :<br />
A 1 = 1 + Y 1<br />
g cos (θ) ,<br />
∀i ≥ 2 , A i = 1 + 2Z 1<br />
g{<br />
cos (θ) ,<br />
B 1 = max 1 + (1 + α 2 ) X 1<br />
, α 2 + (1 − α 1 ) g sin(θ) , −β 1 + (1 − β 1 )<br />
{ Z[ 2 Z ( 2<br />
∀i ≥ 2 , B i = max 1 + (1 + α 2 ). − α ) ]<br />
N1 −1<br />
2<br />
. X 1<br />
− 2 tan (θ). 1 − (−α 1/β 1 ) N 1−2<br />
,<br />
β 2 Z 2 1 + α 1 /β 1<br />
∀i , C i<br />
α 2 + (1 − α 1 )<br />
{<br />
= max<br />
g sin (θ)<br />
(−β 2 ) N 1−1 Z 2<br />
, −β 1 + (1 − β 1 )<br />
X 2 + 2 tan(θ).Z 1 . 1 − (−α 2/β 2 ) N 1−2<br />
1 + α 1 /β 1<br />
, Z 1<br />
}<br />
}<br />
g cos (θ)<br />
(−β 2 ) N1−1 Z 2<br />
.<br />
}<br />
g cos (θ)<br />
Z 2<br />
,<br />
,<br />
(4.34)<br />
Lors d’un seul impact, la précision <strong>de</strong> la maille à utiliser pourra être déduite <strong>de</strong> :<br />
||δX1 − || ≤ A 1||δX 0 || ,<br />
||δX 1 + || ≤ A 1B 1 ||δX 0 || + C i ||δµ 0 || .<br />
(4.35)<br />
48
4.4. Application concrète <strong>de</strong> ces résultats<br />
De plus :<br />
n−2<br />
||δX n + || ≤ BA||δX n−1 + || + C||δµ 0|| ≤ (BA) n−1 ||δX 1 + || + C||δµ ∑<br />
0|| (BA) j ,<br />
Donc :<br />
j=0<br />
Si BA=1 :<br />
||δX + n || ≤ (AB) n−1 B 1 A 1 ||δX 0 || + (n − 1) C||δµ 0 || ,<br />
(4.36)<br />
Si BA ≠ 1 :<br />
||δX + n || ≤ (AB) n−1 B 1 A 1 ||δX 0 || + C 1 − (AB)n<br />
1 − AB ||δµ 0|| .<br />
4.4 Application concrète <strong>de</strong> ces résultats<br />
Nous avons donné l’expression <strong>de</strong> la jacobienne. Ceci nous perm<strong>et</strong> <strong>de</strong> déterminer la finesse<br />
<strong>de</strong>s calculs sur grille nécessaire pour obtenir une certaine précision ǫ.<br />
Par exemple (figure 4.3), pour déterminer la hauteur minimale H min d’un ouvrage <strong>de</strong> protection<br />
contre la chute <strong>de</strong> blocs <strong>de</strong> manière numérique, cela nous donne le pas en conditions initiales à<br />
utiliser pour que la hauteur maximale <strong>de</strong> saut h max soit toujours telle que :<br />
h max ≤ H min + ǫ . (4.1)<br />
(x 0 , ẋ 0 )<br />
✻<br />
h max<br />
✻<br />
❄ h<br />
❄<br />
Fig. 4.3 – Problème étudié : le but est <strong>de</strong> chercher h max qui est la hauteur maximale en bas <strong>de</strong><br />
pente pouvant être atteinte pour un hypercube <strong>de</strong> conditions initiales <strong>et</strong> <strong>de</strong> paramètres.<br />
Nous utilisons la formule (4.36) trouvée précé<strong>de</strong>mment . Nous comparons alors ces résultats<br />
à ceux obtenus numériquement.<br />
49
Chapitre 4. Chute d’un bloc<br />
||δX 1 + || ||δX+ 2 || ||δX+ 3 ||<br />
Indép. i Dép. i Indép. i Dép. i Indép. i Dép. i<br />
||δX 0 || = 0.01 <strong>et</strong> ||δµ 0 || = 0.01 1.1 0.4 329 11.1 98185 850<br />
||δX 0 || = 0.1 <strong>et</strong> ||δµ 0 || = 0.1 11 4 3288 111 981841 8495<br />
||δX 0 || = 0.1 <strong>et</strong> ||δµ 0 || = 0 2.2 2.2 635 59 189441 4511<br />
||δX 0 || = 0.01 <strong>et</strong> ||δµ 0 || = 0 0.22 0.22 63.5 5.9 18945 451.1<br />
||δX 0 || = 0 <strong>et</strong> ||δµ 0 || = 0.1 8.9 1.84 2653 51.8 792401 3983.4<br />
||δX 0 || = 0 <strong>et</strong> ||δµ 0 || = 0.01 0.89 0.184 265.3 5.18 79240.1 398.34<br />
Tab. 4.1 – Divergences <strong>de</strong> trajectoires après les 1 er , 2 e <strong>et</strong> 3 e impact, en fonction <strong>de</strong>s divergences<br />
initiales <strong>et</strong> <strong>de</strong> la métho<strong>de</strong> utilisée.<br />
Nous utilisons les valeurs numériques suivantes : x 0 = 0m, ẋ 01 = 0ms −1 , ẋ 02 = 1ms −1 , y 01 =<br />
−10m, y 02 = −9m, ẏ 01 = −2ms −1 , ẏ 0 2 = −0.5ms −1 , β 1 = −0.22rad, β 2 = −0.17rad, α 1 =<br />
0.69rad, α 2 = 0.82rad, θ = 0.88rad, L = 25m. Alors N 1 ≤ 3.<br />
Nous calculons les majorations <strong>de</strong> ||δX 1 + ||, ||δX+ 2 || <strong>et</strong> ||δX+ 3 ||, pour différentes valeurs <strong>de</strong><br />
la maille (0, 0.1 <strong>et</strong> 0.01), pour la majoration indépendante <strong>de</strong> i <strong>et</strong> celle dépendant <strong>de</strong> i. La<br />
majoration indépendante <strong>de</strong> i est donée par la formule (4.34) (page 48), alors que celle dépendant<br />
<strong>de</strong> i correspondant aux équation (4.27) à (4.29) (page 47).<br />
Les résultats sont présentés dans le tableau 4.1 :<br />
– Pour la majoration indépendante <strong>de</strong> i, on observe une relative proportionnalité <strong>de</strong>s erreurs<br />
réalisées par rapport aux mailles ||δX 0 || <strong>et</strong> ||δµ 0 ||. Ceci est conforme aux résultats trouvés<br />
précé<strong>de</strong>mment.<br />
– La majoration introduite par la formule 4.33 est grossière. En eff<strong>et</strong>, elle est indépendante<br />
du saut considéré, contrairement à la majoration dont les résultats sont écrits entre parenthèses.<br />
– Si on considère la majoration indépendante <strong>de</strong> i, le caractère aléatoire <strong>de</strong>s paramètres a<br />
<strong>de</strong>s conséquences plus importantes que celui <strong>de</strong>s conditions initiales : pour une variation<br />
égale <strong>de</strong>s paramètres <strong>et</strong> <strong>de</strong>s conditions initiales, la jacobienne varie plus pour la variation<br />
<strong>de</strong> paramètres.<br />
– Cela n’est plus le cas si on considère la majoration plus fine, dépendante <strong>de</strong> i. Dans ce cas,<br />
une variation <strong>de</strong>s conditions initiales <strong>et</strong> une variation <strong>de</strong>s paramètres <strong>de</strong> même amplitu<strong>de</strong>s<br />
ont pratiquement le même eff<strong>et</strong>. Ici, avec les amplitu<strong>de</strong>s d’incertitu<strong>de</strong> utilisées, la majoration<br />
dépendante <strong>de</strong> i semble beaucoup plus intéressante. Pourtant il faut remarquer que<br />
le pas en espace <strong>et</strong> en temps utilisés (δX 0 <strong>et</strong> δµ 0 ) sont importants. En pratique, la majoration<br />
indépendante <strong>de</strong> i peut être suffisante, <strong>et</strong> en particulier elle peut suffire à réaliser<br />
une première estimation.<br />
La maille à utiliser pour obtenir une certaine erreur peut donc être calculée simplement <strong>et</strong><br />
rapi<strong>de</strong>ment.<br />
50
4.4. Application concrète <strong>de</strong> ces résultats<br />
10<br />
5<br />
0<br />
Trajectoires d’un bloc le long d’une pente<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
y<br />
−5<br />
−10<br />
−15<br />
−20<br />
6 8 10 12 14 16 18<br />
x<br />
Fig. 4.4 – Trajectoires d’un bloc avec diverses conditions initiales <strong>et</strong> <strong>de</strong>s coefficients <strong>de</strong> restitution<br />
différents. Pour toutes ces courbes : x 0 = 0m, ẋ 0 = 0ms −1 , θ = 0.88rad, L = 25m. Pour la<br />
trajectoire 1 : α = 0.69rad, β = −0.17rad, y 0 = −10m <strong>et</strong> ẏ 0 = −2ms −1 . Pour la trajectoire 2 :<br />
α = 0.82rad, β = −0.17rad, y 0 = −10m <strong>et</strong> ẏ 0 = −2ms −1 . Pour la trajectoire 3 : α = 0.69rad,<br />
β = −0.22rad, y 0 = −10m <strong>et</strong> ẏ 0 = −2ms −1 . Pour la trajectoire 4 : α = 0.82rad, β = −0.22rad,<br />
y 0 = −10m <strong>et</strong> ẏ 0 = −2ms −1 . Pour la trajectoire 5 : α = 0.69rad, β = −0.22rad, y 0 = −10m <strong>et</strong><br />
ẏ 0 = −0.5ms −1 . Pour la trajectoire 6 : α = 0.69rad, β = −0.22rad, y 0 = −9m <strong>et</strong> ẏ 0 = −2ms −1 .<br />
Pour la trajectoire 7 : α = 0.69rad, β = −0.22rad, y 0 = −9m <strong>et</strong> ẏ 0 = −0.5ms −1 .<br />
Finalement, il est à remarquer que ces majorations (4.33) sont grossières. Si on désire <strong>de</strong>s<br />
améliorations, il est alors possible <strong>de</strong> normer ces matrices en fonction du saut considéré <strong>et</strong> non<br />
plus en fonction du nombre maximal N 1 <strong>de</strong> sauts.<br />
Numériquement, nous obtenons les trajectoires <strong>de</strong> la figure 4.4 :<br />
Certaines remarques peuvent être réalisées :<br />
– Si θ augmente, A 1 , A, B 1 , B <strong>et</strong> C augmentent. Mais le nombre <strong>de</strong> bonds diminue. Au<br />
contraire, si θ diminue, l’erreur diminue.<br />
– Si la longueur <strong>de</strong> la pente, L, augmente, l’erreur faite lors <strong>de</strong> l’approximation <strong>de</strong> la trajectoire<br />
reste la même. Mais le nombre <strong>de</strong> sauts augmente, donc en fin <strong>de</strong> trajectoire, l’erreur<br />
sera plus gran<strong>de</strong> avec une longueur <strong>de</strong> pente plus importante.<br />
– Si β 1 diminue, C augmente donc l’erreur également.<br />
Si β 2 augmente, B <strong>et</strong> C augmentent, ainsi que le nombre <strong>de</strong> bonds effectués.<br />
– Si α 1 diminue, C augmente.<br />
Si α 2 augmente, B <strong>et</strong> C augmentent.<br />
– La valeur <strong>de</strong> x 0 n’a aucune inci<strong>de</strong>nce sur la norme <strong>de</strong>s matrices, mais elle détermine le<br />
51
Chapitre 4. Chute d’un bloc<br />
nombre <strong>de</strong> sauts effectués : si x 0 augmente, le nombre <strong>de</strong> sauts diminue <strong>et</strong> vice-versa.<br />
Si ẋ 0 augmente, alors les normes B 1 <strong>et</strong> B également.<br />
Si y 01 diminue, A 1 , A, B 1 , B <strong>et</strong> C augmentent, donc l’erreur également. Si y 02 augmente,<br />
B 1 <strong>et</strong> B également, mais C i diminue. Attention, car alors la majoration (4.32) peut ne<br />
plus être applicable.<br />
Finalement, si ẏ 01 diminue, A 1 , A, B 1 , B <strong>et</strong> C augmentent. Si ẏ 02 augmente, ce sont les<br />
normes B 1 , B <strong>et</strong> C qui augmentent ainsi que le nombre maximum <strong>de</strong> sauts N 1 .<br />
Il est possible <strong>de</strong> se ramener au cas du paragraphe 4.2 quand les paramètres sont supposés<br />
parfaitement connus en posant C = 0. Alors ||δX + n || ≤ (A.B) n−1 .A 1 .B 1 .||δX 0 ||. Une “vraie<br />
jacobienne” peut être écrite.<br />
Maintenant, nous allons donner quelques pistes pour une modélisation du phénomène plus<br />
réelle.<br />
4.5 Avec le phénomène <strong>de</strong> frottement<br />
Nous utilisons la même modélisation du terrain que précé<strong>de</strong>mment.<br />
Les coefficient <strong>de</strong> restitution <strong>et</strong> <strong>de</strong> friction se définissent <strong>de</strong> la façon suivante d’après [13] :<br />
e = − v 1n<br />
V 1n<br />
, 0 ≤ e ≤ 1 ,<br />
µ = − P t<br />
,<br />
P n<br />
où v 1n est la vitesse normale avant impact,<br />
où V 1n est la vitesse normale après impact,<br />
où P t est la perte <strong>de</strong> puissance tangentielle,<br />
où P n est la perte <strong>de</strong> puissance normale.<br />
(4.1)<br />
Avec : P n = m 1 (v 1n − V 1n ) = −m 2 (v 2n − V 2n ) <strong>et</strong> P t = m 1 (v 1t − V 1t ) = −m 2 (v 2t − V 2t ).<br />
Donc : V 1t − v 1t = µ(V 1n − v 1n ). Les vitesses finales peuvent être calculées :<br />
{<br />
v1n = −eV 1n ,<br />
v 1t = V 1t − µ(1 + e) V 1n .<br />
(4.2)<br />
Si nous appelons T L la part d’énergie dissipée, celle-ci peut-être exprimée par :<br />
T L = 1 2<br />
[(<br />
V<br />
2<br />
1t + V 2<br />
1n)<br />
−<br />
(<br />
v<br />
2<br />
1t + v 2 1n)]<br />
. (4.3)<br />
C<strong>et</strong>te énergie peut s’écrire sous la forme adimensionnelle : T ′<br />
l (e) = 1 2 (1 + e) [ (1 − e) + 2µr − µ 2 (1 + e) ]<br />
où r = V 1t<br />
. C<strong>et</strong>te <strong>de</strong>rnière présente un maximum pour µ = µ m =<br />
V 1n<br />
Deux comportements sont alors possibles :<br />
52<br />
r<br />
1 + e .
4.6. Prise en compte <strong>de</strong> la forme physique du bloc <strong>et</strong> <strong>de</strong> la rotation <strong>de</strong> celui-ci au cours du mouvement<br />
1. Si µ < µ m : Il y a glissement à la séparation, <strong>et</strong> les vitesses finales sont données par :<br />
{<br />
v1n = −eV 1n ,<br />
v 1t = V 1t − µ(1 + e)V 1n .<br />
[ ]<br />
v1t<br />
Donc si nous appelons v = la vitesse finale (après impact) <strong>et</strong> V =<br />
v 1n<br />
vitesse initiale (avant impact), nous aurons :<br />
v = SV avec S =<br />
[ 1 −µ(1 + e)<br />
0 −e<br />
]<br />
[<br />
V1t<br />
V 1n<br />
]<br />
(4.4)<br />
la<br />
. (4.5)<br />
2. Si µ ≥ µ m : Il n’y a pas <strong>de</strong> glissement, <strong>et</strong> les vitesses finales sont données par v 1t = v 2t = 0<br />
<strong>et</strong> v 1n = −eV 1n . Nous pouvons donc écrire :<br />
[ ] 0 0<br />
v = SV avec S = . (4.6)<br />
0 −e<br />
Dans ce cas où la pente est modélisée très simplement (sans végétation), nous pouvons<br />
supposer le cas 2 comme physiquement impossible. Pourtant, le modèle <strong>de</strong> restitution doit alors<br />
être modifié. Nous aurons :<br />
{<br />
Vrx = V ix + αV iy ,<br />
(4.7)<br />
V ry = βV iy .<br />
Nous ne tenons ici pas compte du phénomène <strong>de</strong> glissement : en eff<strong>et</strong>, l’expérience montre<br />
que celui-ci n’a lieu qu’en début <strong>de</strong> mouvement (interdit par les restrictions que nous faites sur<br />
les conditions initiales) ou en fin.<br />
4.6 Prise en compte <strong>de</strong> la forme physique du bloc <strong>et</strong> <strong>de</strong> la rotation<br />
<strong>de</strong> celui-ci au cours du mouvement<br />
Soit v in <strong>et</strong> v it respectivement les vitesses normales <strong>et</strong> tangentielles du corps i, w i le taux <strong>de</strong><br />
rotation du corps i, d i la distance entre le centre <strong>de</strong> gravité <strong>et</strong> le point <strong>de</strong> contact.<br />
Soit h la distance entre le centre <strong>de</strong> gravité <strong>et</strong> le point <strong>de</strong> contact selon l’axe normal, d la<br />
même distance mais selon l’axe tangentiel.<br />
Soit e le coefficient <strong>de</strong> restitution en vitesse <strong>et</strong> e ′<br />
le coefficient <strong>de</strong> restitution en rotation.<br />
Alors nous pouvons écrire les équations suivantes :<br />
⎧<br />
⎨<br />
⎩<br />
v 1n + d 1 .w 1 = −e(V 1n + d 1 .ω 1 ) ,<br />
µ(v 1n − V 1n ) = v 1t − V 1t ,<br />
−I 1 w 1 − m 1 d.e ′ v 1n + m 1 he ′ v 1t = I 1 e ′ ω 1 − m 1 <strong>de</strong> ′ V 1n + m 1 he ′ V 1t .<br />
(4.1)<br />
53
Chapitre 4. Chute d’un bloc<br />
⎡<br />
Nous notons v = ⎣<br />
Alors v = SV avec :<br />
⎤<br />
v 1t<br />
v 1n<br />
w 1<br />
⎡<br />
⎦, V = ⎣<br />
⎤<br />
V 1t<br />
V 1n<br />
⎦.<br />
ω 1<br />
S =<br />
1<br />
I 1 − d 1 m 1 <strong>de</strong> ′ + m 1 he ′ d 1 µ × (4.2)<br />
⎡<br />
(<br />
I 1 − d 1 m 1 <strong>de</strong> ′ + m 1 he ′ d 1 µ −µI 1 (e + 1) −d 1 µI 1 e − e ′) ⎤<br />
(<br />
⎢<br />
⎣ 0 −I 1 e + m 1 he ′ d 1 µ − d 1 m 1 <strong>de</strong> ′ −d 1 I 1 e − e ′)<br />
⎥<br />
⎦ .<br />
0 −m 1 e ′ (−ed + eµh + µh − d) −e ′ (−m 1 ed 1 d + m 1 ed 1 µh + I 1 )<br />
Dans ce cas-là également, nous pouvons appliquer directement la formule (4.36) <strong>et</strong> estimer<br />
l’évolution <strong>de</strong> la divergence. Nous ne développons pas c<strong>et</strong>te étu<strong>de</strong> dans c<strong>et</strong>te thèse. En eff<strong>et</strong> c<strong>et</strong>te<br />
modélisation, comme celle utilisée auparavant, en est une parmi d’autres. De plus, notre but ici<br />
est <strong>de</strong> développer <strong>et</strong> expliciter une métho<strong>de</strong> pour estimer l’incertitu<strong>de</strong> <strong>de</strong> la réponse du système.<br />
54
Conclusion<br />
Notre but ici était d’expliquer l’intérêt, <strong>de</strong> généraliser l’inégalité <strong>de</strong>s accroissements finis aux<br />
systèmes mécaniques non réguliers <strong>et</strong> d’examiner la faisabilité <strong>de</strong>s calculs.<br />
Pour ceci, tout d’abord, nous avons défini en toute généralité les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage<br />
pour ces systèmes. Ensuite, nous avons appliqué ceci à un oscillateur linéaire à impacts. Nous<br />
nous sommes ainsi aperçus que ce cas ne perm<strong>et</strong>tait pas d’obtenir <strong>de</strong>s conclusions pertinentes<br />
en ce qui concerne le calcul sur grille. Enfin, nous avons étudié les problèmes du billard <strong>et</strong> <strong>de</strong> la<br />
chute <strong>de</strong> blocs sur une pente. Dans ce cas, nous avons pu majorer la jacobienne, ce qui perm<strong>et</strong><br />
d’intuiter la taille <strong>de</strong> la maille à utiliser.<br />
C<strong>et</strong>te métho<strong>de</strong> tout à fait générale, peut être appliquée à toute sorte <strong>de</strong> systèmes mécaniques<br />
non réguliers. De plus, c<strong>et</strong>te étu<strong>de</strong> appelle un certain nombre <strong>de</strong> perspectives, par exemple dans<br />
l’étu<strong>de</strong> <strong>de</strong> la chute <strong>de</strong> blocs :<br />
– Avec ce qui a été fait ici, il est possible <strong>de</strong> déterminer l’influence <strong>de</strong> conditions initiales,<br />
<strong>de</strong> l’origine du temps ou <strong>de</strong>s paramètres, dont la valeur numérique n’est pas connue exactement.<br />
Mais, nous n’avons pas traité <strong>de</strong> cas ayant <strong>de</strong>s paramètres incertains. Il pourrait<br />
donc être utile d’examiner la jacobienne <strong>de</strong> la transformation en fonction d’un vecteur<br />
paramètres µ, <strong>et</strong> <strong>de</strong> comparer ces résultats avec d’autres existants ([105]).<br />
– La modélisation n’a fait intervenir qu’un seul bloc, ce qui est un cas assez simple. Elle<br />
pourrait donc être améliorée en faisant l’hypothèse <strong>de</strong> plusieurs blocs en chute libre, qui<br />
peuvent alors avoir <strong>de</strong>s trajectoires indépendantes ou non. Si <strong>de</strong>s blocs s’entrechoquent, il<br />
s’agit alors d’en chercher les conséquences possibles : fissuration, diminution <strong>de</strong>s coefficients<br />
<strong>de</strong> restitution lors d’impacts...<br />
– La modélisation même <strong>de</strong> la trajectoire <strong>de</strong>s blocs a été choisie très simple ici. Ceci peut<br />
être corrigé : tout d’abord, il est certain que le bloc <strong>de</strong> pierre en chute libre n’est pas un<br />
point matériel, il est souvent modélisé par un ellipsoï<strong>de</strong> ou une boule ([5]). En particulier,<br />
il peut présenter un mouvement <strong>de</strong> rotation qui n’a pas été pris en compte ici. Le vecteur<br />
position aura alors <strong>de</strong>ux composantes supplémentaires : la rotation <strong>et</strong> le taux <strong>de</strong> rotation.<br />
– De plus, il a été considéré ici que le mouvement se décompose en <strong>de</strong>ux phases distinctes :<br />
la chute libre <strong>et</strong> l’impact. Or il est certain qu’un bloc peut présenter <strong>de</strong>s mouvements <strong>de</strong><br />
roulement <strong>et</strong> <strong>de</strong> glissement. D’ailleurs, ces <strong>de</strong>rniers sont ceux qui posent le plus problème.<br />
55
Conclusion<br />
En eff<strong>et</strong>, on a alors : x 4<br />
(<br />
t<br />
−<br />
i<br />
)<br />
= 0, la formule (1.16) n’est plus valable. Même en pratique,<br />
dans les carrières, ces phénomènes empêchent la prévision exacte <strong>de</strong>s mouvements (avec<br />
[13]).<br />
– En outre, la modélisation <strong>de</strong> l’impact est elle-aussi très simple. Or en toute généralité, si<br />
le bloc <strong>de</strong> pierre n’est pas considéré comme un point matériel mais comme un soli<strong>de</strong> <strong>de</strong><br />
volume V fini, il faut considérer plusieurs cas, selon la manière dont le bloc impacte. En<br />
eff<strong>et</strong>, il faudra alors distinguer les cas d’impact sur les arêtes, les faces...( voir [50]).<br />
– Enfin, la pente a été supposé ici d’angle constant <strong>et</strong> en <strong>de</strong>ux dimensions. Il est certain qu’il<br />
est envisageable <strong>de</strong> traiter les pentes dont l’angle varie <strong>et</strong> en trois dimensions. Cela est<br />
réalisable simplement <strong>de</strong> manière numérique. Réaliser cela analytiquement semble toutefois<br />
problématique (voir [12]).<br />
Ainsi, c<strong>et</strong> article ne prétend pas résoudre le problème <strong>de</strong>s chutes <strong>de</strong> blocs, mais seulement<br />
apporter un moyen <strong>de</strong> contrôle <strong>de</strong>s calculs à adapter selon les modélisations utilisées.<br />
Enfin, je voudrais faire remarquer que ces matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut ont <strong>de</strong>s applications<br />
très différentes. En particulier, dans le cadre <strong>de</strong> c<strong>et</strong>te thèse, elles ont utilisées également dans<br />
la partie sur les exposants <strong>de</strong> Lyapunov en temps fini, afin <strong>de</strong> définir ceux-ci pour <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> non-réguliers (puisque c<strong>et</strong> exposant caractérise l’évolution d’une divergence initiale<br />
au cours du temps).<br />
56
Deuxième partie<br />
Etu<strong>de</strong> <strong>de</strong> l’équation <strong>de</strong><br />
Fokker-Planck<br />
57
C<strong>et</strong>te partie a été le suj<strong>et</strong> d’un article <strong>et</strong> <strong>de</strong> la participation à trois conférences avec actes :<br />
– F. Schmidt, C.-H. Lamarque 2009. “Computation of the solutions of the Fokker-Planck<br />
equation for one and two DOF systems”, Communications in Nonlinear Science and Numerical<br />
Simulation, Vol. 14, No 2, p.529-543, [96].<br />
– C.-H. Lamarque, F. Schmidt, “Etu<strong>de</strong> <strong>de</strong> systèmes incertains avec l’équation <strong>de</strong> Fokker-<br />
Planck”, 18 e Congrès Français <strong>de</strong> Mécanique, Grenoble, 27-31 août 2007, [65].<br />
– C.-H. Lamarque, F. Schmidt, “A probabilistic approach to uncertain dynamical systems”,<br />
ECCOMAS conference on Computationnal M<strong>et</strong>hods, R<strong>et</strong>hymno, Crète, Grèce, 13-16 Juin<br />
2007, [66].<br />
– C.-H. Lamarque, S. Pernot, E. Gourdon, S. Coutel, F. Schmidt,“Energy pumping : <strong>de</strong>sign,<br />
experiment, efficiency”, 2nd International Conference on Nonlinear Normal Mo<strong>de</strong>s and<br />
Localization in Vibrating Systems, Samos, 19-23 juin 2006, [64].<br />
59
Introduction<br />
Sommaire<br />
4.1 Théories existantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.1 Mise en oeuvre pratique . . . . . . . . . . . . . . . . . . . . . . . . 32<br />
4.1.2 Les différentes phases du mouvement . . . . . . . . . . . . . . . . . 32<br />
4.1.3 Les modélisations les plus importantes . . . . . . . . . . . . . . . . 33<br />
4.2 Les vitesses <strong>et</strong> positions initiales sont incertaines . . . . . . . . . 38<br />
4.3 Les conditions initiales, le temps initial <strong>et</strong> les paramètres sont<br />
incertains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
4.3.1 Modélisation du problème . . . . . . . . . . . . . . . . . . . . . . . 41<br />
4.3.2 Majoration <strong>de</strong> la divergence <strong>de</strong> trajectoire en fonction <strong>de</strong>s divers<br />
paramètres du système . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
4.4 Application concrète <strong>de</strong> ces résultats . . . . . . . . . . . . . . . . 49<br />
4.5 Avec le phénomène <strong>de</strong> frottement . . . . . . . . . . . . . . . . . . 52<br />
4.6 Prise en compte <strong>de</strong> la forme physique du bloc <strong>et</strong> <strong>de</strong> la rotation<br />
<strong>de</strong> celui-ci au cours du mouvement . . . . . . . . . . . . . . . . . 53<br />
L’équation <strong>de</strong> Fokker-Planck perm<strong>et</strong> <strong>de</strong> substituer à l’étu<strong>de</strong> microscopique d’un système une<br />
étu<strong>de</strong> macroscopique, moins complexe. Pour réaliser une étu<strong>de</strong> microscopique d’un flui<strong>de</strong> par<br />
exemple, il faudrait résoudre toutes les équations du mouvement <strong>de</strong> toutes les particules du<br />
flui<strong>de</strong> (du nombre d’environ 10 23 ). Il faudrait également connaitre la force totale (aléatoire) <strong>de</strong>s<br />
molécules sur la particule, ainsi que toutes les conditions initiales (vitesse <strong>et</strong> position à l’instant<br />
initial <strong>de</strong> toutes les particules du volume).<br />
On étudie par conséquent le système à l’ai<strong>de</strong> <strong>de</strong> variables macroscopiques qui fluctuent aléatoirement.<br />
Ainsi l’équation <strong>de</strong> Fokker-Planck donne la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong>s états du système,<br />
notée w ci-<strong>de</strong>ssous. En eff<strong>et</strong>, pour une seule variable appelée x ci-<strong>de</strong>ssous, c<strong>et</strong>te équation s’écrit :<br />
∂w<br />
∂t<br />
[<br />
= − ∂<br />
]<br />
∂x D(1) (x) + ∂2<br />
∂x 2D(2) (x) w ,<br />
où :<br />
D (1) (x) est le coefficient <strong>de</strong> dérive (”drift“) <strong>et</strong> D (2) (x) > 0 est le coefficient <strong>de</strong> diffusion.<br />
Ces <strong>de</strong>ux coefficients peuvent dépendre du temps.<br />
Mathématiquement, l’équation <strong>de</strong> Fokker-Planck est une équation aux dérivées partielles du<br />
61<br />
(1)
Introduction<br />
second ordre <strong>de</strong> type parabolique. C<strong>et</strong>te équation ressemble à une équation <strong>de</strong> diffusion, mais<br />
avec un terme supplémentaire <strong>de</strong> dérivée première en x.<br />
Enfin, il nous faut remarquer qu’il existe d’autres équations perm<strong>et</strong>tant <strong>de</strong> réaliser ce passage<br />
d’une étu<strong>de</strong> microscopique à une étu<strong>de</strong> macroscopique : l’équation <strong>de</strong> Boltzmann, la ”master<br />
equation“...<br />
C<strong>et</strong>te équation perm<strong>et</strong> <strong>de</strong> prendre en compte <strong>de</strong>s sollicitations stochastiques (on<strong>de</strong>s sismiques,<br />
sollicitations mobiles...), mais elle perm<strong>et</strong> également <strong>de</strong> traiter le cas <strong>de</strong> paramètres<br />
incertains ([51, 99]). Pour tenir compte <strong>de</strong> milieux aléatoires (milieux composites ou multicouches,<br />
non connus...) ou <strong>de</strong> paramètres réputés non connus (amortissement...), il est possible<br />
d’écrire c = c 0 + c 1 .ξ(t), où c est le paramètre incertain, c 0 est sa valeur moyenne. La variation<br />
<strong>de</strong> c est alors quantifié par ξ(t), qui peut être représenté par un bruit blanc ou coloré, comme<br />
par exemple lors <strong>de</strong> l’application <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck.<br />
Finalement, la force aléatoire intervenant dans l’équation <strong>de</strong> Fokker-Planck peut aussi représenter<br />
un bruit. Ce bruit peut être la conséquence <strong>de</strong> divers phénomènes, les sollicitations aléatoires<br />
ou les paramètres incertains comme mentionné ci-<strong>de</strong>ssus ou même par exemple le caractère rustique<br />
<strong>et</strong> approximatif <strong>de</strong>s modèles physiques utilisés.<br />
La simplicité <strong>et</strong> le vaste champ d’applications <strong>de</strong> Fokker-Planck en font une équation populaire<br />
tant au niveau théorique qu’expérimental. D’un côté, c<strong>et</strong>te équation est toujours étudiée intensément<br />
<strong>de</strong> manière théorique. De l’autre, <strong>de</strong> nombreux phénomènes physiques sont découverts<br />
comme étant correctement décrits par l’équation <strong>de</strong> Fokker-Planck. Ainsi l’effort se concentre sur<br />
la résolution <strong>de</strong> c<strong>et</strong>te équation <strong>de</strong> manière efficace <strong>et</strong> correcte (voir section 1.2.2, page 74). Pourtant<br />
<strong>de</strong>s solutions analytiques exactes n’existent que pour un nombre très restreint <strong>de</strong> systèmes<br />
physiques. Celles-ci servent alors essentiellement à tester <strong>et</strong> calibrer les procédures numériques.<br />
C<strong>et</strong>te multiplicité <strong>de</strong> possibilités d’application <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck entraine un<br />
champ d’applications étendu, du mon<strong>de</strong> économique <strong>et</strong> financier aux applications mécaniques,<br />
en passant par les phénomènes biologiques.<br />
Tout d’abord, la théorie <strong>de</strong> Fokker-Planck a été utilisé avec succès dans les sphères économique<br />
<strong>et</strong> financière : ainsi, le taux <strong>de</strong> change US Dollar/Deutsche Mark présentant les caractéristiques<br />
d’un processus <strong>de</strong> Markov ([33]), une équation différentielle partielle donnant la <strong>de</strong>nsité <strong>de</strong> probabilité<br />
<strong>de</strong> ce taux <strong>de</strong> change a pu être écrite.<br />
En ce qui concerne les phénomènes biologiques, l’équation <strong>de</strong> Fokker-Planck perm<strong>et</strong> d’estimer les<br />
croissances démographiques ([99]). En particulier, il a été montré que le maximum <strong>de</strong> variance<br />
n’est pas atteint dans l’état stationnaire, ce qui est essentiel, par exemple, dans l’étu<strong>de</strong> <strong>de</strong> la<br />
qualité <strong>de</strong> l’eau par la croissance <strong>de</strong> la population <strong>de</strong>s micro-organismes.<br />
Enfin le domaine <strong>de</strong> la mécanique a été abordé lors <strong>de</strong> l’étu<strong>de</strong> d’oscillateurs bien connus tel le<br />
Duffing ([124, 116], ...) ou l’analyse <strong>de</strong> la dynamique <strong>de</strong>s véhicules ([111]). Dans ce <strong>de</strong>rnier cas,<br />
le bruit introduit perm<strong>et</strong> <strong>de</strong> rendre compte <strong>de</strong>s inégalités <strong>de</strong> côte du terrain.<br />
Finalement, il s’agit <strong>de</strong> remarquer que l’équation <strong>de</strong> Fokker-Planck possè<strong>de</strong> encore plus d’exemples<br />
62
d’applications, par exemple dans le domaine <strong>de</strong> la logique floue <strong>et</strong> <strong>de</strong>s réseaux <strong>de</strong> neurones ([77]).<br />
Dans notre travail, nous nous bornerons à appliquer c<strong>et</strong>te équation à <strong>de</strong>s oscillateurs à un<br />
ou <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté.<br />
Enfin, une remarque doit être faite dans c<strong>et</strong>te introduction : les <strong>de</strong>nsités <strong>de</strong> probabilité ici<br />
calculées peuvent avoir ponctuellement <strong>de</strong>s valeurs strictement supérieures à 1. En eff<strong>et</strong>, nous<br />
utilisons trois contraintes pour fixer les constantes <strong>et</strong> les limites aux bords dans ce problème<br />
d’évolution :<br />
– Les probabilités <strong>et</strong> <strong>de</strong>nsités <strong>de</strong> probabilité doivent être positives. Si cela n’est pas le cas,<br />
dû par exemple à <strong>de</strong>s schémas d’intégration trop rai<strong>de</strong>s ou un paramètre mal choisi, nous<br />
opérons une translation <strong>de</strong> toutes les <strong>de</strong>nsités (donc pour tous les noeuds du maillage) afin<br />
que toutes soient positives.<br />
– De plus, les <strong>de</strong>nsités <strong>de</strong> probabilité sont supposées nulles à l’infini. Ainsi, nous supputerons<br />
qu’elle sont numériquement nulles aux bords <strong>de</strong> notre domaine d’étu<strong>de</strong>, si celui-ci est<br />
suffisamment étendu pour tenir compte <strong>de</strong> tous les phénomènes apparaissant au cours <strong>de</strong><br />
la dynamique.<br />
Ceci est lié directement à la <strong>de</strong>rnière propriété <strong>de</strong>s <strong>de</strong>nsités <strong>de</strong> probabilité dont nous tiendrons<br />
compte :<br />
– L’intégrale <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité sur le domaine d’étu<strong>de</strong> sera fixée égale à 1. Encore<br />
une fois, nous supposons que le domaine d’étu<strong>de</strong> choisi est suffisamment vaste pour<br />
rendre compte <strong>de</strong> toutes les évolutions du système dynamique, ce qui suppose une certaine<br />
connaissance du comportement déterministe <strong>de</strong> ce <strong>de</strong>rnier.<br />
63
Introduction<br />
64
Chapitre 1<br />
Ecriture, discrétisation <strong>et</strong><br />
vérification numérique <strong>de</strong>s résultats<br />
L’équation <strong>de</strong> Fokker-Planck-Kolmogorov est écrite pour <strong>de</strong>s systèmes <strong>dynamiques</strong><br />
à un <strong>de</strong>gré <strong>de</strong> liberté. Elle est résolue par une métho<strong>de</strong> numérique <strong>et</strong><br />
comparée à sa solution exacte dans un cas où c<strong>et</strong>te <strong>de</strong>rnière existe.<br />
Sommaire<br />
1.1 La théorie <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck . . . . . . . . . . . . . 65<br />
1.2 Fokker-Planck pour systèmes à un ddl . . . . . . . . . . . . . . . 67<br />
1.2.1 Oscillateur <strong>de</strong> type Duffing sans sollicitation extérieure . . . . . . . 68<br />
1.2.2 Oscillateur <strong>de</strong> type Duffing avec sollicitation extérieure . . . . . . . 72<br />
1.3 Résolution par différences finies . . . . . . . . . . . . . . . . . . . 79<br />
1.3.1 Différenciation par directions alternées . . . . . . . . . . . . . . . . 80<br />
1.3.2 Recherche <strong>de</strong> schémas stables . . . . . . . . . . . . . . . . . . . . . 81<br />
1.3.3 Discrétisation du problème selon ces schémas . . . . . . . . . . . . 87<br />
1.3.4 Avec seulement <strong>de</strong>ux directions . . . . . . . . . . . . . . . . . . . . 97<br />
1.3.5 Avec <strong>de</strong>s conditions aux bords non nulles . . . . . . . . . . . . . . . 100<br />
1.3.6 Validation du programme . . . . . . . . . . . . . . . . . . . . . . . 102<br />
1.1 La théorie <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
Les explications que nous donnons ici sont issues principalement <strong>de</strong> [15] <strong>et</strong> [100].<br />
L’équation <strong>de</strong> Fokker-Planck ne peut être écrite que pour <strong>de</strong>s processus <strong>de</strong> diffusion, qui sont<br />
une classe particulière <strong>de</strong> processus <strong>de</strong> Markov.<br />
65
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Soit X(t) = (X 1 (t), ..., X n (t)) un processus <strong>de</strong> Markov in<strong>de</strong>xé sur T = [s 0 , +∞[ à valeurs<br />
dans R n .<br />
Définition 1.1.1 Processus <strong>de</strong> diffusion<br />
Soit Q(s, x; t, B) sa probabilité <strong>de</strong> transition avec s 0 ≤ s < t < +∞, x ∈ R n <strong>et</strong> B ∈ B(R n ). Alors<br />
le processus X(t) est <strong>de</strong> diffusion si <strong>et</strong> seulement si :<br />
1 La limite suivante existe :<br />
∀ǫ > 0, ∀x ∈ R n , ∀s 0 < t < t + h,<br />
∫<br />
1<br />
lim Q(t, x; t + h, dy) = 0 . (1.1)<br />
h→0 + h ||x−y||≥ǫ<br />
2 Il existe une fonction R n ×T → R n , (x, t) → b(x, t) = (b 1 (x, t), ..., b n (x, t)) appelée vecteur <strong>de</strong><br />
dérive (”drift“) telle que :<br />
∀ǫ > 0, ∀x∫∈ R n , ∀y ∈ R n , ∀s 0 < t < t + h, ∀j ∈ {1, ...n},<br />
1<br />
lim (y j − x j )Q(t, x; t + h, dy) = b j (x, t) .<br />
h→0 + h<br />
||x−y|| 0, ∀x ∈ R n , ∀s 0 < t < t + h, ∀j, k ∈ {1, ..., n} 2 ,<br />
1<br />
lim (y j − x j )(y k − x k )Q(t, x; t + h, dy) = σ jk (x, t) .<br />
h→0 + h<br />
||x−y||
1.2. Fokker-Planck pour systèmes à un ddl<br />
Alors la fonction (t, y) → p(s, x; t, y) vérifie l’équation <strong>de</strong> Fokker-Planck (aussi appelée équation<br />
<strong>de</strong> Kolmogorov directe) :<br />
∂ t p − L ∗ p = 0, t ∈]s,+∞[ ,<br />
où :<br />
n∑<br />
)<br />
L ∗ p = − ∂ j<br />
(b j (y, t)p(s, x; t, y) + 1 n∑<br />
)<br />
∂ j ∂ k<br />
(σ jk (y, t)p(s, x; t, y) ,<br />
2<br />
j=1<br />
j,k=1<br />
avec la∫<br />
condition initiale suivante :<br />
lim p(s, x; t, y)g(y)dy = g(x)<br />
t→s + R n<br />
Une preuve très simple <strong>de</strong> ceci peut être trouvée dans [15].<br />
C<strong>et</strong>te équation d’évolution est ici donnée pour une condition initiale sous la forme d’un dirac.<br />
Par linéarité, ceci peut se généraliser facilement à une somme dénombrable <strong>de</strong> conditions initiales<br />
ponctuelles. Mais <strong>de</strong> fait, le résultat est beaucoup plus général que cela.En eff<strong>et</strong> :<br />
Corollaire 1.1.3 Conditions initiales pour l’équation <strong>de</strong> Fokker-Planck<br />
Soit X(t) un processus <strong>de</strong> Markov sur T = [s 0 , +∞[ à valeurs dans R n , tel que pour t = s 0 :<br />
(1.5)<br />
X(s 0 ) = X 0 presque sûrement , (1.6)<br />
où X 0 est une variable aléatoire à valeurs dans R n ayant une loi <strong>de</strong> probabilité P X0 (dy) adm<strong>et</strong>tant<br />
une <strong>de</strong>nsité q 0 par rapport à la mesure <strong>de</strong> Lebesgue dy :<br />
Alors<br />
P X0 (dy) = q 0 (y)dy . (1.7)<br />
∀t ∈ ]s 0 , +∞[ fixé, P X(t) (t, dy) = q(t, y)dy , (1.8)<br />
<strong>et</strong> c<strong>et</strong>te <strong>de</strong>nsité vérifie l’équation <strong>de</strong> Fokker-Planck :<br />
∂ t q − L ∗ q = 0, t ∈ ]s 0 , +∞[ ,<br />
avec la condition initiale :<br />
q(s 0 , y) = q 0 (y), y ∈ R n .<br />
(1.9)<br />
Ainsi l’équation <strong>de</strong> Fokker-Planck s’applique également à <strong>de</strong>s processus <strong>de</strong> diffusion dont la<br />
<strong>de</strong>nsité <strong>de</strong> probabilité initiale (t = s 0 , x suit la <strong>de</strong>nsité q 0 ) Lebesgue-intégrable. Ceci inclut donc<br />
les fonctions continues, continues par morceaux ou <strong>de</strong>s diracs (probabilités ponctuelles).<br />
1.2 Equation <strong>de</strong> Fokker-Planck pour <strong>de</strong>s systèmes <strong>dynamiques</strong><br />
à un seul <strong>de</strong>gré <strong>de</strong> liberté<br />
Les systèmes <strong>dynamiques</strong> possédant un seul <strong>de</strong>gré <strong>de</strong> liberté ont <strong>de</strong>s équations <strong>de</strong> Fokker-<br />
Planck similaires. Pourtant en ce qui concerne les applications, les oscillateurs <strong>de</strong> type Duffing<br />
sont particulièrement intéressants.<br />
67
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Ceux-ci ont été déjà largement étudiés : [11, 60, 86, 89, 116, 120, 123, 124, 6] ... Ainsi,<br />
nous étudierons dans c<strong>et</strong>te section l’équation <strong>de</strong> Fokker-Planck pour <strong>de</strong>s oscillateurs <strong>de</strong> type<br />
Duffing, sans <strong>et</strong> avec sollicitation. Pour chacun <strong>de</strong> ces <strong>de</strong>ux cas, nous chercherons c<strong>et</strong>te équation<br />
<strong>et</strong> donnerons sa solution, ou du moins, les moyens (numériques) pour l’obtenir.<br />
1.2.1 Oscillateur <strong>de</strong> type Duffing sans sollicitation extérieure<br />
Nous choississons ici une perturbation <strong>de</strong> type ”bruit blanc“. En eff<strong>et</strong>, c<strong>et</strong>te modélisation est<br />
suffisante pour représenter les bruits (routiers par exemple) auxquels sont soumises les structures<br />
<strong>de</strong> génie civil.<br />
Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
Nous supposons dans ce premier cas que l’oscillateur <strong>de</strong> Duffing n’est soumis à aucune sollicitation<br />
extérieure. Pourtant nous considérons une sollicitation <strong>de</strong> type ”bruit blanc“ f(t),<br />
c’est-à-dire gaussienne stationnaire <strong>de</strong> moyenne nulle <strong>et</strong> <strong>de</strong> coefficient <strong>de</strong> diffusion W 0 :<br />
ẍ + aẋ + bx + cx 3 = f (t) . (1.1)<br />
Donc f (t) est un bruit aléatoire gaussien <strong>de</strong> type bruit blanc <strong>de</strong> la forme :<br />
< f (t) >= 0, < f (t 1 )f (t 2 ) >= W 0<br />
2 δ (t 1 − t 2 ) .<br />
C<strong>et</strong>te sollicitation pourra alors représenter le bruit auquel est soumis l’oscillateur, mais également<br />
la variation <strong>de</strong>s paramètres au cours du temps.<br />
L’équation du mouvement s’écrit également :<br />
{<br />
y1 ˙ = y 2 ,<br />
y˙<br />
2 = −ay 2 − by 1 − cy1 3 + f (t) . (1.2)<br />
Nous calculons les coefficients intervenant dans l’équation <strong>de</strong> Fokker-Planck (ce calcul n’a<br />
pas été explicité ici, mais il est détaillé précisément dans la section suivante 1.2.2, page 72, où<br />
68
1.2. Fokker-Planck pour systèmes à un ddl<br />
le calcul est plus complexe car la sollicitation extérieure n’est pas nulle) :<br />
⎧<br />
< ∆y 1 ><br />
a 1 = lim = y 2 = y˙<br />
1 ,<br />
∆t→0 ∆t<br />
⎪⎨<br />
< ∆y 2 ><br />
a 2 = lim = −ay 2 − by 1 − cy1 3 ,<br />
∆t→0 ∆t<br />
< ∆y1 2 b 11 = lim<br />
> = 0 ,<br />
∆t→0 ∆t<br />
b 12<br />
< ∆y 1 ∆y 2 ><br />
= b 21 = lim = 0 ,<br />
∆t→0 ∆t<br />
⎪⎩<br />
< ∆y2 2 b 22 = lim<br />
> = W 0<br />
∆t→0 ∆t<br />
Les équations <strong>de</strong> Fokker-Planck, stationnaire <strong>et</strong> non stationnaire, s’écrivent alors respectivement<br />
:<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂ (y 2 p) + ∂ { } (ay2<br />
+ by 1 + cy 3 )<br />
1 p = ∂p<br />
∂y 1 ∂y 2<br />
}<br />
)<br />
p<br />
∂ (y 2 p) + ∂ { (ay2<br />
+ by 1 + cy1<br />
3 ∂y 1 ∂y 2<br />
Solution analytique <strong>de</strong> l’équation stationnaire<br />
2 . (1.3)<br />
∂t , (1.4)<br />
= 0 . (1.5)<br />
C<strong>et</strong>te équation (1.5) a pu être résolue <strong>de</strong> différentes manières (par exemple [15]). On peut<br />
l’écrire <strong>de</strong> la manière suivante :<br />
[<br />
a ∂ −<br />
∂ ] [<br />
y 2 ψ + W ]<br />
0 ∂ψ<br />
+ ∂ [ ]<br />
(by1<br />
+ cy 3 ) W 0 ∂ψ<br />
1 ψ + = 0 . (1.6)<br />
∂y 2 ∂y 1 4a ∂y 2 ∂y 2 4a ∂y 1<br />
Donc :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
y 2 ψ + W 0<br />
4a<br />
(<br />
by1 + cy 3 1)<br />
ψ +<br />
W 0<br />
4a<br />
∂ψ<br />
∂y 2<br />
= 0 ,<br />
∂ψ<br />
∂y 1<br />
= 0 ,<br />
<strong>de</strong>ux équations qui sont indépendantes. Ce sont <strong>de</strong>ux équations aux dérivées partielles du premier<br />
ordre donc nous cherchons <strong>de</strong>ux intégrales premières avec le théorême <strong>de</strong>s fonctions implicites.<br />
C<strong>et</strong>te solution <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck stationnaire s’écrit :<br />
ψ (y 1 , y 2 ) = C exp<br />
(<br />
− 4a [ y<br />
2<br />
2<br />
W 0 2 + by2 1<br />
2 + cy4 1<br />
4<br />
(1.7)<br />
])<br />
, (1.8)<br />
où C est la constante <strong>de</strong> normalisation (dépendant <strong>de</strong> la condition initiale <strong>et</strong> <strong>de</strong>s paramètres <strong>de</strong><br />
simulation), puisque la probabilité <strong>de</strong> l’univers doit être égale à 1.<br />
69
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Solution analytique <strong>de</strong> l’équation non-stationnaire<br />
L’équation <strong>de</strong> Fokker-Planck non stationnaire <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing, équation (1.4),<br />
ne peut être résolue dans le cas général. Seul le cas c = 0 (oscillateur linéaire) peut être résolu<br />
analytiquement car il correspond à un processus <strong>de</strong> Ornstein-Uhlenbeck [83]. En réalité, même<br />
l’équation <strong>de</strong> Fokker-Planck d’un oscillateur à non-linéarité double pourrait être résolu. Mais<br />
nous faisons le choix ici <strong>de</strong> nous intéresser à l’équation <strong>de</strong> l’oscillateur linéaire, pour comparer<br />
nos résultats numériques à ceux <strong>de</strong> [123].<br />
Nous réécrivons l’équation <strong>de</strong> Fokker-Planck (1.4) <strong>de</strong> la manière suivante :<br />
∂p<br />
∂t<br />
avec : L K<br />
= L K p ,<br />
= − ∂<br />
∂x v + ∂ ∂v<br />
( )<br />
av + f ′ (x) + W 0<br />
4<br />
∂ 2<br />
(1.9)<br />
∂v 2 ,<br />
où f ′ (x) = bx, soit f (x) = bx2 . C<strong>et</strong>te équation peut alors être résolue <strong>de</strong> diverses manières :<br />
2<br />
en utilisant la transformation <strong>de</strong> Kramer, la transformation <strong>de</strong> Laplace ou les processus <strong>de</strong><br />
Ornstein-Uhlenbeck (voir [83]). C<strong>et</strong>te <strong>de</strong>rnière métho<strong>de</strong> <strong>de</strong> résolution est présentée ici. Soit :<br />
[<br />
d x<br />
dt v<br />
]<br />
[ 0 −1<br />
= −<br />
b a<br />
] [ x<br />
v<br />
] [<br />
+<br />
0<br />
Γ(t)<br />
]<br />
, (1.10)<br />
où Γ(t) est le bruit blanc :<br />
∥<br />
< Γ(t) >= 0 ,<br />
< Γ(t)Γ(t ′ ) >= W 0<br />
2 δ(t − t′ ) .<br />
(1.11)<br />
[ 0 −1<br />
Ceci est un processus <strong>de</strong> Ornstein-Uhlenbeck avec γ =<br />
b a<br />
] [ 0 0<br />
, D =<br />
0<br />
4<br />
. La probabilité<br />
<strong>de</strong> transition recherchée P(x, v, t|x 0 , v 0 , 0) est donnée par la distribution :<br />
W 0<br />
]<br />
P(x, v, t|x 0 , v 0 , 0) =<br />
{<br />
1<br />
2π √ d<strong>et</strong>σ × exp − 1 2 [σ−1 (t)] xx (x − x(t)) 2<br />
−[σ −1 (t)] xv (x − x(t)) (v − v(t)) − 1 2 [σ−1 (t)] vv (v − v(t)) 2 }<br />
,<br />
(1.12)<br />
70
1.2. Fokker-Planck pour systèmes à un ddl<br />
avec :<br />
⎧<br />
λ 1,2 = 1 2<br />
(<br />
a ± √ )<br />
a 2 − 4b<br />
si a 2 − 4b ≥ 0 ,<br />
λ 1,2 = 1 2<br />
(<br />
a ± √ )<br />
a 2 + 4b<br />
si a 2 − 4b < 0 ,<br />
⎪⎨<br />
⎪⎩<br />
[<br />
σ<br />
−1 ] xx<br />
= σ vv<br />
d<strong>et</strong> σ ,<br />
[<br />
σ<br />
−1 ] xv<br />
= [σ −1 ] vx = − σ xv<br />
d<strong>et</strong>σ ,<br />
[<br />
σ<br />
−1 ] vv<br />
= σ xx<br />
d<strong>et</strong> σ ,<br />
d<strong>et</strong> σ = σ xx σ vv − σ 2 xv ,<br />
(1.13)<br />
<strong>et</strong> :<br />
⎧<br />
σ xx (t) =<br />
[<br />
W 0 λ1 + λ 2 4<br />
4(λ 1 − λ 2 ) 2 + (exp(−(λ 1 + λ 2 )t) − 1)<br />
λ 1 λ 2 λ 1 + λ 2<br />
⎪⎨<br />
σ xv (t) =<br />
− 1 exp(−2λ 1 t) − 1 ]<br />
exp(−2λ 2 t)<br />
λ 1 λ 2<br />
W 0<br />
4(λ 1 − λ 2 ) 2 [exp(−λ 1t) − exp(−λ 2 t)] 2 ,<br />
,<br />
(1.14)<br />
⎪⎩<br />
σ vv (t) =<br />
[<br />
W 0<br />
4(λ 1 − λ 2 ) 2 λ 1 + λ 2 + 4λ 1λ 2<br />
(exp(−(λ 1 + λ 2 )t) − 1)<br />
λ 1 + λ 2<br />
− λ 1 exp(−2λ 1 t) − λ 2 exp(−2λ 2 t)].<br />
Dans c<strong>et</strong>te formule (1.12) générale, les valeurs moyennes x(t) <strong>et</strong> v (t) sont données par :<br />
< x >= x(t) = [exp(−γt)] xx<br />
x 0 + [exp(−γt)] xv<br />
v 0 ,<br />
[exp(−γt)] xx<br />
= λ 1 exp(−λ 2 t) − λ 2 exp(−λ 1 t)<br />
λ 1 − λ 2<br />
,<br />
(1.15)<br />
[exp(−γt)] xv<br />
= exp(−λ 2t) − exp(−λ 1 t)<br />
λ 1 − λ 2<br />
,<br />
71
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
<strong>et</strong> :<br />
< v >= v (t) = [exp(−γt)] vx<br />
x 0 + [exp(−γt)] vv<br />
v 0 ,<br />
[exp(−γt)] vx<br />
= b. λ 1 exp(−λ 2 t) − λ 2 exp(−λ 1 t)<br />
λ 1 − λ 2<br />
,<br />
(1.16)<br />
[exp(−γt)] vv<br />
= λ 1 exp(−λ 1 t) − λ 2 exp(−λ 2 t)<br />
λ 1 − λ 2<br />
.<br />
C<strong>et</strong> exemple sera important pour nous dans la section 1.3.6, page 102, pour tester notre<br />
programme numérique <strong>et</strong> déterminer sa précision <strong>et</strong> sa fiabilité. Mais il est certain que ses<br />
applications, tout en étant réelles, restent limitées. C’est pour ceci que nous nous tournons à<br />
présent vers l’oscillateur <strong>de</strong> type Duffing soumis à une sollicitation extérieure.<br />
1.2.2 Oscillateur <strong>de</strong> type Duffing avec sollicitation extérieure<br />
C<strong>et</strong> exemple a été beaucoup étudié ([86] ou [60] pour ne citer que <strong>de</strong>ux exemples), <strong>et</strong> cela<br />
<strong>de</strong> manière numérique. En particulier, il perm<strong>et</strong> <strong>de</strong> déterminer certaines propriétés <strong>de</strong> la dynamique<br />
<strong>de</strong> l’oscillateur <strong>de</strong> Duffing, comme les points fixes, les attracteurs étranges, les bassins<br />
d’attraction...<br />
Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
Un tel oscillateur soumis en outre à un bruit blanc a pour équation du mouvement :<br />
ẍ + aẋ + bx + cx 3 = f cos (wt) + f (t) , (1.17)<br />
soit :<br />
{<br />
y1 ˙ = y 2 ,<br />
y˙<br />
2 = −ay 2 − by 1 − cy1 3 + f cos (wt) + f (t) . (1.18)<br />
On obtient les valeurs suivantes pour les constantes intervenant dans l’équation <strong>de</strong> Fokker-<br />
Planck :<br />
72
1.2. Fokker-Planck pour systèmes à un ddl<br />
< ∆y 1 ><br />
a 1 = lim = y 2 = y˙<br />
1 ,<br />
∆t→0 ∆t<br />
< ∆y 2 ><br />
a 2 = lim<br />
∆t→0 ∆t<br />
,<br />
⎧<br />
⎪⎨ < [ ∫<br />
−ay 2 − by 1 − cy 3 ] t+∆t<br />
1 ∆t > + < f (τ)dτ > + <<br />
t<br />
= lim<br />
∆t→0<br />
∆t<br />
⎪⎩<br />
∫ t+∆t<br />
t<br />
⎫<br />
f cos (wτ)dτ > ⎪⎬<br />
⎪⎭<br />
,<br />
∫ t+∆t<br />
f cos (wτ)dτ<br />
= −ay 2 − by 1 − cy1 3 + 0 + lim < t<br />
∆t→0 ∆t<br />
= −ay 2 − by 1 − cy 3 1 + < lim<br />
∆t→0<br />
= −ay 2 − by 1 − cy1 3 + f cos (wt) ,<br />
< ∆y1 2 b 11 = lim<br />
> = 0 ,<br />
∆t→0 ∆t<br />
(<br />
2f w∆t<br />
w sin 2<br />
)<br />
cos<br />
∆t<br />
> ,<br />
( ) w (2t + ∆t)<br />
2<br />
> ,<br />
(1.19)<br />
b 12<br />
< ∆y 1 ∆y 2 ><br />
= b 21 = lim<br />
∆t→0 ∆t<br />
,<br />
{ ∫ (−ay2<br />
< y 2 ∆t − by 1 − cy 3 ) t+∆t<br />
1 ∆t + f (τ)dτ +<br />
t<br />
= lim<br />
∆t→0<br />
∆t<br />
{ ∫ (−ay2 t+∆t<br />
= lim < y 2 − by 1 − cy1) 3 ∆t + f (τ)dτ +<br />
∆t→0 t<br />
= 0 ,<br />
∫ t+∆t<br />
t<br />
∫ t+∆t<br />
t<br />
}<br />
f cos(wτ)dτ ><br />
}<br />
f cos (wτ)dτ > ,<br />
,<br />
(1.20)<br />
73
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
< ∆y2 2 b 22 = lim<br />
><br />
∆t→0 ∆t<br />
,<br />
{ ∫ (−ay2<br />
< − by 1 − cy 3 ) t+∆t<br />
1 ∆t + f (τ)dτ +<br />
t<br />
= lim<br />
∆t→0<br />
∆t<br />
∫ t+∆t<br />
t<br />
f cos (wτ)dτ} 2<br />
><br />
,<br />
= lim < ( −ay 2 − by 1 − cy 3 ) (<br />
1 ∆t + 2 −ay2 − by 1 − cy1) ∫ 3 t+∆t<br />
∆t→0<br />
= W 0<br />
f (τ)dτ ,<br />
t<br />
(1.21)<br />
+2 ( ay 2 − by 1 − cy1<br />
3 ) ∫ t+∆t<br />
f cos (wτ)dτ + 1 ∫ ∫<br />
f (τ 1 )f (τ 2 ) dτ 1 dτ 2 ,<br />
t<br />
∆t<br />
+ 1 ∫ ∫<br />
f 2 cos (wτ 1 ) cos(wτ 2 )dτ 1 dτ 2 + 2 ∫ ∫<br />
f (τ 1 )f cos (wτ 2 ) dτ 1 dτ 2 > ,<br />
∆t<br />
∆t<br />
2 .<br />
Ainsi l’équation <strong>de</strong> Fokker-Planck dynamique s’écrit :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂ (y 2 p) + ∂ { (ay2<br />
+ by 1 + cy1 3 − f cos (wt) ) }<br />
p = ∂p<br />
∂y 1 ∂y 2 ∂t . (1.22)<br />
C<strong>et</strong>te équation (1.22) ne peut être résolue analytiquement <strong>de</strong> façon exacte. Mais il existe <strong>de</strong>s<br />
métho<strong>de</strong>s, plus ou moins numériques perm<strong>et</strong>tant d’approcher la solution.<br />
Métho<strong>de</strong>s <strong>de</strong> résolution <strong>de</strong> c<strong>et</strong>te équation<br />
C<strong>et</strong>te équation différentielle aux dérivées partielles du second ordre ne peut être résolue<br />
<strong>de</strong> manière exacte <strong>et</strong> analytique que pour certains cas particuliers : vecteur <strong>de</strong> dérive nul ou<br />
polynomial <strong>de</strong> <strong>de</strong>gré inférieur ou égal à <strong>de</strong>ux, hypothèse <strong>de</strong> stationnarité ... <strong>et</strong> si f est nul.<br />
Pour résoudre les cas plus complexes (<strong>et</strong> plus réels), <strong>de</strong>ux types <strong>de</strong> métho<strong>de</strong>s existent. D’un<br />
côté, <strong>de</strong>s techniques analytico-numériques perm<strong>et</strong>tent d’obtenir <strong>de</strong>s indices sur la réponse du<br />
système (moments par exemple). Parmi celles-ci, nous pouvons citer l’utilisation <strong>de</strong> la transformée<br />
<strong>de</strong> Laplace, les échelles multiples <strong>et</strong> autres développements, la linéarisation stochastique<br />
(ou équivalente), la métho<strong>de</strong> <strong>de</strong> la distribution du maximum d’entropie.... Mais les informations<br />
obtenues sont limitées.<br />
Par conséquent il existe également <strong>de</strong> nombreuses métho<strong>de</strong>s principalement numériques. La plus<br />
connue est la ”path integration“ (integration sur la forme) qui donne <strong>de</strong> bons résultats. D’autres<br />
métho<strong>de</strong>s numériques, plus générales, pour résoudre c<strong>et</strong>te équation différentielle sont les différences<br />
finies ([20]) <strong>et</strong> les éléments finis ([67]).<br />
74
1.2. Fokker-Planck pour systèmes à un ddl<br />
Les métho<strong>de</strong>s analytiques Par définition plus exactes que les métho<strong>de</strong>s à dominante numérique,<br />
elles ont l’inconvénient <strong>de</strong> ne pas donner la réponse complète <strong>et</strong> exacte du système, mais<br />
seulement certaines propriétés <strong>de</strong> celle-ci. Parmi elles, nous pouvons citer la transformation <strong>de</strong><br />
Laplace, la métho<strong>de</strong> <strong>de</strong>s échelles multiples, le développement en séries <strong>de</strong> Fourier...<br />
La transformation <strong>de</strong> Laplace L’utilisation <strong>de</strong> la transformée <strong>de</strong> Laplace perm<strong>et</strong> d’obtenir<br />
la solution <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck dans certains cas simples ([83]).<br />
Dans [112], c<strong>et</strong>te transformation est utilisée pour obtenir les écritures <strong>de</strong>s variances <strong>de</strong> la<br />
position <strong>et</strong> <strong>de</strong> la vitesse. Ensuite leur comportement pour t → 0 <strong>et</strong> t → ∞ sont étudiés.Dans<br />
ce cas (oscillateur linéaire, bruits internes ou externes), ce résultat peut être injecté dans<br />
la solution analytique exacte <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck afin d’obtenir les probabilités<br />
conjointe <strong>et</strong> marginale <strong>de</strong>s états du système.<br />
Développement en séries Puisque l’équation <strong>de</strong> Fokker-Planck d’un oscillateur linéaire (vecteur<br />
<strong>de</strong> dérive égal à Kx) peut être résolue, alors que cela n’est pas possible pour un<br />
oscillateur <strong>de</strong> type Duffing (vecteur <strong>de</strong> dérive <strong>de</strong> la forme Kx + cx 3 ), une solution peut<br />
être trouvée en considérant le terme supplémentaire comme une perturbation <strong>et</strong> <strong>de</strong> développer<br />
la solution <strong>de</strong> l’oscillateur linéaire ( en fonction <strong>de</strong> celle-ci ([46]). En eff<strong>et</strong>, la solution<br />
stationnaire s’écrit : P(x) = N(c)exp − K 2D x2 −<br />
c )<br />
4D x4 , où D est le coefficient <strong>de</strong> diffusion,<br />
N(c) est la constante <strong>de</strong> normalisation. En particulier, il peut être montré ([30]) qu’en<br />
développant ainsi directement le problème, la série obtenue est divergente. La solution est<br />
alors d’écrire le potentiel φ <strong>de</strong> la forme φ = g 2 x2 + C 4 x4 + K − g x 2 . La solution est alors<br />
2<br />
convergente <strong>de</strong> manière exponentielle.<br />
La métho<strong>de</strong> <strong>de</strong>s échelles multiples peut être utilisée pour obtenir <strong>de</strong>s renseignements sur<br />
la solution. En particulier dans [101], c<strong>et</strong>te technique est utilisée pour obtenir <strong>de</strong>s informations<br />
sur la trajectoire <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité solution <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck.<br />
Il est également possible <strong>de</strong> développer la solution sur <strong>de</strong>s familles <strong>de</strong> fonctions orthogonales<br />
(<strong>de</strong>s polynômes adaptés à la solution, les fonctions sinus <strong>et</strong> cosinus pour le développement<br />
en séries <strong>de</strong> Fourier...). En particulier, les métho<strong>de</strong>s perm<strong>et</strong>tant <strong>de</strong> réaliser ceci étant multiples,<br />
nous ne ferons ici qu’un bref résumé <strong>de</strong> certaines d’entre elles.<br />
En considérant un système dynamique soumis à une sollicitation f(t) dépendant du temps<br />
quelconque, une solution logique est <strong>de</strong> développer f(t) en séries <strong>de</strong> Fourier ([11]). En<br />
réalisant une transformation <strong>de</strong> Van Der Pol <strong>et</strong> en moyennant le système obtenu, un développement<br />
en série <strong>de</strong> la solution <strong>de</strong> Fokker-Planck est obtenu, les coefficients étant<br />
fonction <strong>de</strong> ceux du développement <strong>de</strong> f(t).<br />
Entre autres métho<strong>de</strong>s <strong>de</strong> développement <strong>de</strong> la solution sur <strong>de</strong>s familles <strong>de</strong> fonctions orthogonales,<br />
nous pouvons citer les métho<strong>de</strong>s classiques <strong>de</strong> Hermite <strong>et</strong> <strong>de</strong> Legendre ou la<br />
métho<strong>de</strong> <strong>de</strong> discrétisation adaptée (”quadrature discr<strong>et</strong>ization m<strong>et</strong>hod“). C<strong>et</strong>te <strong>de</strong>rnière<br />
se distingue par la possibilité <strong>de</strong> choisir les fonctions <strong>de</strong> poids, en fonction <strong>de</strong> la solution<br />
recherchée. C<strong>et</strong>te métho<strong>de</strong> s’apparente donc également à une métho<strong>de</strong> <strong>de</strong> style ”éléments<br />
finis“. Mais il est montré que c<strong>et</strong>te technique nécessite moins <strong>de</strong> points d’interpolation, <strong>et</strong><br />
qu’elle donne <strong>de</strong> meilleurs résultats que les métho<strong>de</strong>s <strong>de</strong> Legendre ou <strong>de</strong> Hermite.<br />
75
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
D’autres approches numériques se basent sur quelques premiers moments du système. Une<br />
première métho<strong>de</strong> est d’évaluer numériquement ces moments (souvent avec <strong>de</strong>s simulations<br />
<strong>de</strong> Monte-Carlo) puis <strong>de</strong> trouver une solution, polynômiale par exemple, s’adaptant à ces<br />
moments. Enfin, il est aussi possible <strong>de</strong> développer les moments d’ordre N <strong>de</strong> la probabilité<br />
<strong>de</strong> Fokker-Planck en séries <strong>de</strong> polynômes en u <strong>et</strong> ˙u, respectivement la position <strong>et</strong> la vitesse<br />
<strong>de</strong> l’état. Ensuite, à l’ai<strong>de</strong> <strong>de</strong> ceux-ci, la probabilité entière peut être déduite ([6]). Plus N<br />
est grand, plus la solution ainsi trouvée sera ressemblante à la solution exacte.<br />
Ces développements en série sont situés à la jointure <strong>de</strong>s raisonnements analytiques <strong>et</strong> <strong>de</strong>s<br />
calculs numériques. En eff<strong>et</strong>, bien que perm<strong>et</strong>tant une expression approchée assez explicite <strong>de</strong> la<br />
solution recherchée, il est souvent nécessaire <strong>de</strong> faire appel à <strong>de</strong>s calculs massifs pour déterminer<br />
les coefficients <strong>de</strong>s développements en séries.<br />
Les calculs numériques C<strong>et</strong>te équation <strong>de</strong> Fokker-Planck est la plupart du temps résolue<br />
numériquement.<br />
Intégration sur la forme (”path integration“ ([120, 116]) Elle se base sur la métho<strong>de</strong> d’intégration<br />
<strong>de</strong> Gauss-Legendre. En eff<strong>et</strong>, on écrit :<br />
) ∫<br />
) )<br />
p<br />
(x (i) , t i = q<br />
(x (i) , t i |x (i−1) , t i−1 p<br />
(x (i−1) , t i−1 dx (i−1) , (1.23)<br />
R s<br />
où :<br />
– R S est le domaine d’évolution <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité (déterminé <strong>de</strong> telle façon qu’en<br />
<strong>de</strong>hors <strong>de</strong> R S , c<strong>et</strong>te <strong>de</strong>rnière soit nulle). R S est la plupart du temps un hypercube <strong>de</strong><br />
R n .<br />
– q ( x (i) , t i |x (i−1) , t i−1<br />
)<br />
est la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong> transition entre l’état<br />
(<br />
x (i−1) , t i−1<br />
)<br />
<strong>et</strong> l’état ( x (i) , t i<br />
)<br />
.<br />
C<strong>et</strong>te intégrale est alors discrétisée en utilisant Gauss-Legendre :<br />
)<br />
p<br />
(x (i) , t i =<br />
K∑ δ k<br />
2<br />
k=1<br />
L k<br />
∑<br />
l=1<br />
c kl p ( x i−1 ) ( )<br />
kl<br />
, t i−1 q x (i) , t i |x (i)<br />
kl , t i−1<br />
, (1.24)<br />
où :<br />
– K est le nombre <strong>de</strong> sous-intervalles,<br />
– L k est le nombre <strong>de</strong> points d’interpolation dans chaque sous-intervalle k,<br />
– δ k est la mesure <strong>de</strong> chaque sous-intervalle k,<br />
– x kl est la position du point d’interpolation <strong>de</strong> Gauss-Legendre <strong>et</strong> c kl est le poids correspondant.<br />
La probabilité <strong>de</strong> transition q<br />
( )<br />
x (i) , t i |x (i)<br />
kl , t i−1 est obtenue <strong>de</strong> façon approchée en calculant<br />
les premiers <strong>et</strong> <strong>de</strong>uxièmes moments <strong>de</strong> la solution <strong>de</strong> Fokker-Planck <strong>et</strong> en les supposant<br />
nuls aux ordres supérieurs (”Gaussian closure procedure“).<br />
76
1.2. Fokker-Planck pour systèmes à un ddl<br />
La métho<strong>de</strong> <strong>de</strong>s éléments finis, [67, 18] Il s’agit également d’une métho<strong>de</strong> <strong>de</strong> développement<br />
<strong>de</strong> la solution.<br />
En eff<strong>et</strong>, si nous supposons que l’équation du système dynamique s’écrit :<br />
d<br />
dt X i(t) = a i +<br />
d∑<br />
B ij N j (t), i = 1..d, où :<br />
j=1<br />
a i <strong>et</strong> B ij sont <strong>de</strong>s fonctions <strong>de</strong> X 1 , , .., X d ,<br />
N i (t) est un bruit blanc .<br />
Alors l’équation <strong>de</strong> Fokker-Planck s’écrit :<br />
∂p<br />
= − ∑ }<br />
∂<br />
{a r p − 1 d∑ ∂<br />
(C rs p) , x ∈ Ω ⊂ R d ,<br />
∂t ∂x r 2 ∂x<br />
r=1 d s=1 s<br />
d∑<br />
où C rs = B rq B sq ,<br />
q=1 ∫<br />
avec la contrainte p(x) dx 1 . . .dx d = 1 .<br />
Avec le théorème d’Ostrogradski :<br />
∫ (<br />
d∑<br />
a r p − 1 2<br />
∂Ωr=1<br />
s=1<br />
Ω<br />
)<br />
d∑ ∂<br />
(C rs p) χ r ds = 0 ,<br />
∂x s<br />
où χ r est la normale sortante au domaine d’étu<strong>de</strong> .<br />
(1.25)<br />
(1.26)<br />
(1.27)<br />
Nous prenons donc comme condition limite :<br />
(<br />
)<br />
d∑<br />
a r p − 1 d∑ ∂<br />
(C rs p) χ r = 0 . (1.28)<br />
2 ∂x s<br />
r=1<br />
Il existe <strong>de</strong>ux problèmes :<br />
s=1<br />
1. Si l’équation (1.26) est résolue simplement avec la condition limite (1.28), la solution<br />
trouvée naturellement est la solution triviale.<br />
2. Les domaines d’étu<strong>de</strong> sont a priori infinis.<br />
Avec <strong>de</strong>s développements en série <strong>de</strong> polynômes <strong>de</strong> Hermite, ces problèmes sont résolus.<br />
Pour cela, une formulation du problème composé <strong>de</strong> l’équation (1.26) <strong>et</strong> <strong>de</strong> la condition<br />
limite (1.28) est écrite. Notons alors :<br />
{ ∫<br />
}<br />
– V = v ∈ H 1 (Ω); v dx 1 . . . dx d = 1 ,<br />
Ω<br />
∫ { d∑<br />
)}<br />
∂φ<br />
– L(p, φ) =<br />
(a r p − 1 d∑ ∂<br />
(C rs p) dx 1 . . .dx d .<br />
Ω ∂x<br />
r=1 r 2 ∂x<br />
s=1 s<br />
77
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Le problème ((1.26)+(1.28)) peut s’écrire sous la forme variationnelle :<br />
Alors φ ∈ W =<br />
(P)<br />
{ ∫<br />
v ∈ H 1 (Ω);<br />
{ Trouver p ∈ V tel que :<br />
L(p, φ) ≥ 0, φ = v − p, ∀v ∈ V .<br />
Ω<br />
}<br />
wdx 1 . . .dx d = 0 .<br />
(1.29)<br />
Or si φ ∈ W, alors −φ ∈ W. Nous remplaçons alors le problème (P) par le problème (P 1 )<br />
équivalent :<br />
(P 1 )<br />
{ Trouver p ∈ V tel que :<br />
L(p, φ) = 0, φ = v − p, ∀v ∈ V .<br />
(1.30)<br />
Nous écrivons une version discrétisée <strong>de</strong> (P 1 ) en approximant p par p h , qui appartient à<br />
un domaine d’étu<strong>de</strong> <strong>de</strong> dimension finie. Donc :<br />
p(x) ≈ p h (x) =<br />
n∑<br />
H j (x)p j , (1.31)<br />
j=1<br />
où les H j (x) sont les fonctions standards <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s éléments finis, p i sont les<br />
constantes poids à∫déterminer.<br />
Alors la condition p h (x)dx 1 ..dx d = 1 peut être écrite sous forme con<strong>de</strong>nsée :<br />
Ω<br />
C T p = 1 , où C =<br />
∫<br />
<strong>et</strong> c i =<br />
Ω<br />
⎡<br />
⎢<br />
⎣<br />
Nous cherchons à résoudre le problème (P h ) :<br />
⎤<br />
c 1<br />
⎥<br />
. ⎦, p =<br />
c n<br />
⎡<br />
⎢<br />
⎣<br />
⎤<br />
p 1<br />
⎥<br />
. ⎦ , (1.32)<br />
p n<br />
H i (x)dx 1 . . .dx d , ∀i ∈ {1, . . .,n} . (1.33)<br />
(P h )<br />
{ Trouver p h ∈ V h tel que :<br />
L(p h , φ h ) = 0, φ h = v h − p h , ∀v h ∈ V h .<br />
(1.34)<br />
Donc φ h ∈ W h , où :<br />
⎧<br />
⎨ n∑<br />
– V h =<br />
⎩ v = H j (x)v j , v j ∈ R, H j ∈ H 1 (Ω), j = 1...n,<br />
j=1<br />
⎧<br />
⎨ n∑<br />
– W h =<br />
⎩ v = H j (x)v j , v j ∈ R, H j ∈ H 1 (Ω), j = 1...n,<br />
j=1<br />
⎫<br />
n∑ ⎬<br />
c j v j = 1<br />
⎭ ,<br />
⎫<br />
n∑ ⎬<br />
c j v j = 0<br />
⎭ .<br />
j=1<br />
j=1<br />
78
1.3. Résolution par différences finies<br />
Définissons l’espace vectoriel :<br />
U = { q = (q 1 , . . .,q n ) T ∈ R n , C T q = 0 } . (1.35)<br />
Alors nous pouvons construire φ h ∈ W h : φ h =<br />
Le problème s’écrit alors :<br />
n∑<br />
q i H i (x), q ∈ U.<br />
i=1<br />
{ q T Kp = 0<br />
C T p = 1 ,<br />
∫ [ d∑<br />
K ij =<br />
∂Ω r=1<br />
où : K est une matrice <strong>de</strong> taille n × n, avec :<br />
∂H i<br />
∂x r<br />
{a r H j − 1 2<br />
d∑<br />
s=1<br />
}]<br />
∂<br />
(C rs H j ) dx 1 . . .dx n .<br />
∂x s<br />
(1.36)<br />
Il existe alors <strong>de</strong>s métho<strong>de</strong>s pour stabiliser la solution (métho<strong>de</strong> <strong>de</strong> P<strong>et</strong>rov-Galerkin), pour<br />
faciliter l’utilisation numérique (avec <strong>de</strong>s multiplicateurs <strong>de</strong> Lagrange), tenir compte <strong>de</strong>s<br />
domaines d’étu<strong>de</strong> infinis, ...(voir [67]).<br />
La métho<strong>de</strong> <strong>de</strong>s différences finies ([20, 123, 124]) Elle est particulièrement adaptée pour<br />
trouver la solution d’équations aux dérivées partielles. C<strong>et</strong>te technique peut être utilisée<br />
<strong>de</strong> différentes manières (implicite, explicite, mixte) <strong>et</strong> différents schémas <strong>de</strong> discrétisation<br />
(centré, Cranck-Nicholson). Pour leur facilité d’utilisation, les schémas entièrement implicites<br />
sont les plus utilisés. En eff<strong>et</strong>, leur stabilité est assurée. En outre, une technique<br />
supplémentaire utilisée pour simplifier les calculs est la métho<strong>de</strong> <strong>de</strong> distinction <strong>de</strong>s directions<br />
(”operator splitting“,[79, 123, 124]).<br />
Nous avons fait le choix d’une métho<strong>de</strong> numérique, afin <strong>de</strong> pouvoir élargir simplement c<strong>et</strong>te<br />
étu<strong>de</strong> à <strong>de</strong>s oscillateurs à plusieurs <strong>de</strong>grés <strong>de</strong> liberté ce qui est notre but premier. De plus, nous<br />
utiliserons la métho<strong>de</strong> <strong>de</strong>s différences finies, peu étudiée jusqu’à présent. En eff<strong>et</strong>, puisque le<br />
domaine d’étendu est a priori peu étendu <strong>et</strong> que nous étudierons <strong>de</strong>s systèmes <strong>dynamiques</strong> d’au<br />
plus <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté, elle semble être optimale.<br />
1.3 Résolution numérique par différences finies <strong>de</strong> l’équation <strong>de</strong><br />
Fokker-Planck<br />
Plusieurs remarques doivent être rappelées :<br />
– L’inconnue recherchée, la probabilité <strong>de</strong> l’état (y 1 , y 2 ) à l’instant t, est une fonction <strong>de</strong><br />
trois variables : y 1 , y 2 <strong>et</strong> t.<br />
– L’équation différentielle est linéaire en p, par définition.<br />
79
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Il s’agit donc d’un problème <strong>de</strong> Cauchy où plusieurs opérateurs dérivation interviennent : la<br />
différenciation par rapport au temps, celles par rapport à la position <strong>et</strong> la vitesse <strong>et</strong> la différenciation<br />
double par rapport à la vitesse. Alors pour simplifier la programmation du problème <strong>et</strong><br />
accélérer la résolution numérique, nous avons fait le choix <strong>de</strong> décomposer le problème différentiel<br />
avec la métho<strong>de</strong> <strong>de</strong>s directions alternées.<br />
1.3.1 Différenciation par directions alternées<br />
Nous étudierons tout d’abord l’oscillateur <strong>de</strong> type Duffing sans sollicitation extérieure, dont<br />
l’équation <strong>de</strong> Fokker-Planck s’écrit :<br />
∂p<br />
∂t<br />
∂p<br />
∂t<br />
∂p<br />
= −y 2 + ∂ [(βy 2 + F (y 1 )) p] + W 0<br />
∂y 1 ∂y 2 4<br />
soit :<br />
∂ 2 p<br />
∂y 2 2<br />
= ∂<br />
∂y 1<br />
[−y 2 p] + ∂<br />
∂y 2<br />
[(βy 2 + F (y 1 ))p] + ∂2<br />
∂y 2 2<br />
, (1.1)<br />
[<br />
W0<br />
4 p ]<br />
. (1.2)<br />
Nous utilisons la métho<strong>de</strong> <strong>de</strong>s pas intermédiaires (m<strong>et</strong>hod of fractional steps ou time splitting).<br />
Ainsi nous pouvons écrire :<br />
∂p<br />
∂t<br />
= L 1 p + L 2 p + L 3 p (1.3)<br />
⎧<br />
L 1 u = ∂ [−y 2 u] ,<br />
∂y 1<br />
avec :<br />
⎪⎨<br />
⎪⎩<br />
L 2 u = ∂<br />
∂y 2<br />
[(βy 2 + F (y 1 )) u] ,<br />
[ ]<br />
L 3 u = ∂2 W0<br />
∂y2<br />
2 4 u<br />
.<br />
(1.4)<br />
Nous supposons que pour chacun <strong>de</strong>s L i (i=1, 2, 3), il existe un schéma différentiel perm<strong>et</strong>tant<br />
d’aller <strong>de</strong> u(t n )(u à l’instant n) à u(t n+1 ) (u à l’instant n+1), correct si ce L i était le seul terme<br />
à droite dans l’équation (1.3), c’est-à-dire qu’il existe <strong>de</strong>s schémas U 1 , U 2 <strong>et</strong> U 3 (correspondants<br />
respectivement à L 1 , L 2 <strong>et</strong> L 3 ) tels que :<br />
⎧<br />
⎨<br />
⎩<br />
u n+1 = U 1 (u n , ∆t) ,<br />
u n+1 = U 2 (u n , ∆t) ,<br />
u n+1 = U 3 (u n , ∆t) .<br />
La métho<strong>de</strong> <strong>de</strong>s temps intermédiaires consiste alors à écrire :<br />
⎧<br />
⎨ u n+1/3 = U 1 (u n , ∆t) ,<br />
u<br />
⎩<br />
n+2/3 (<br />
= U 2 u n+1/3 , ∆t ) ,<br />
u n+1 (<br />
= U 3 u n+2/3 , ∆t ) .<br />
(1.5)<br />
80
1.3. Résolution par différences finies<br />
Ainsi il s’agit bien ici d’une métho<strong>de</strong> <strong>de</strong> ”splitting operator“ mais ce n’est pas la métho<strong>de</strong> ADI<br />
(alternating-direction implicit), légèrement différente (voir [58]).<br />
Il s’agit alors maintenant pour nous <strong>de</strong> chercher <strong>de</strong>s schémas stables pour chacune <strong>de</strong>s trois<br />
directions.<br />
1.3.2 Recherche <strong>de</strong> schémas stables<br />
Nous cherchons ici <strong>de</strong>s schémas pour chacune <strong>de</strong>s trois directions déterminées dans la section<br />
précé<strong>de</strong>nte. Nous appliquons <strong>de</strong>s schémas connus à ces trois directions, puis testons leur stabilité<br />
avec la métho<strong>de</strong> <strong>de</strong> Von Neumann. Ces schémas sont explicites (centré en espace, métho<strong>de</strong> <strong>de</strong> Lax<br />
ou Cranck-Nicholson), implicites (simple, upwind differencing) ou mixtes (staggered leapfrog).<br />
Nous commençons maintenant par la première direction.<br />
Pour la première direction<br />
Schéma explicite centré en espace Nous avons fait le choix <strong>de</strong> centrer les schémas car<br />
ceci nous perm<strong>et</strong> d’analyser le problème plus simplement (Von Neumann, valeurs propres <strong>de</strong> la<br />
matrice résultant <strong>de</strong> la discrétisation) <strong>et</strong> <strong>de</strong> simplifier le calcul numérique.<br />
Ce schéma s’écrit :<br />
p n+1/3<br />
i,j<br />
= p n i,j + ∆ty 2j [<br />
p<br />
n<br />
2∆y i−1,j − p n ]<br />
i+1,j . (1.6)<br />
1<br />
Nous utilisons l’analyse <strong>de</strong> Von Neumann pour déterminer la stabilité <strong>de</strong> ce schéma ([79]).<br />
L’analyse <strong>de</strong> Von Neumann est locale : on suppose que les coefficients <strong>de</strong> l’équation aux différences<br />
finies varient si lentement qu’ils peuvent être considérés constants en espace <strong>et</strong> en temps. Dans<br />
ce cas, les solutions indépendantes (”mo<strong>de</strong>s propres“) <strong>de</strong> l’équation aux différences finies sont<br />
toutes <strong>de</strong> la forme :<br />
u n j = ξn exp(ikj∆x) ,<br />
où : k ∈ R est un nombre d’on<strong>de</strong> spatial,<br />
ξ = ξ(k) est un nombre complexe dépendant <strong>de</strong> k.<br />
(1.7)<br />
La dépendance par rapport au temps d’un mo<strong>de</strong> propre est alors décidée par la puissance du ξ.<br />
Par conséquent, les équations aux différences finies sont instables si : ∃k , |ξ(k)| > 1 . Donc nous<br />
posons p n l,j = ξn e iklδx , expression que nous remplaçons dans l’équation (1.6). Alors :<br />
ξ 1/3 = 1 − i ∆ty 2j<br />
∆y 1<br />
sin (k∆y 1 ) .<br />
Ainsi, |ξ| ≥ 1, le schéma est inconditionnellement instable.<br />
81
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Schéma <strong>de</strong> Lax Ce schéma est toujours explicite, mais sa particularité est que la dérivée en<br />
temps est centrée. Nous centrons <strong>de</strong> plus la dérivée en espace. Ce schéma s’écrit :<br />
p n+1/3<br />
i,j<br />
= 1 (<br />
p<br />
n<br />
2 i+1,j + p n ∆t [<br />
i−1,j)<br />
+ y2j p n i−1,j − y 2j p n ]<br />
i+1,j . (1.8)<br />
2∆y 1<br />
La condition <strong>de</strong> Von Neumann donne :<br />
ξ 1/3 = cos (k∆y 1 ) − i ∆t<br />
∆y 1<br />
y 2j sin (k∆y 1 ) .<br />
Ce schéma est conditionnellement stable, la condition <strong>de</strong> stabilité étant la condition <strong>de</strong><br />
Courant-Friedrichs-Lewy :<br />
∆t<br />
∆y 1<br />
|y 2j | ≤ 1 .<br />
Schéma implicite Ce schéma s’écrit :<br />
p n+1/3<br />
i,j<br />
= p n i,j + y (<br />
)<br />
2j∆t<br />
p n+1/3<br />
i−1,j<br />
− p n+1/3<br />
i+1,j<br />
2∆y 1<br />
. (1.9)<br />
Donc avec Neumann :<br />
ξ 1/3 =<br />
|ξ 1/3 | 2 =<br />
1<br />
1 + i ∆t<br />
, (1.10)<br />
y 2j sin(k∆y 1 )<br />
δy 1<br />
soit :<br />
1<br />
( ) ∆t<br />
2<br />
≤ 1 . (1.11)<br />
1 + y 2j sin(k∆y 1 )<br />
∆y 1<br />
Le schéma est inconditionnellement stable.<br />
Schéma upwind-differencing (”contre le vent“) La variable advectée peut subir <strong>de</strong>s soudains<br />
changements d’état. Pour augmenter la fidélité, on utilise ici le schéma nommé ”upwind<br />
differencing“.<br />
Les métho<strong>de</strong>s <strong>de</strong> discrétisation perm<strong>et</strong>tant <strong>de</strong> rendre compte <strong>de</strong> chocs (ou <strong>de</strong> non-régularités)<br />
peuvent être classées en <strong>de</strong>ux catégories : les métho<strong>de</strong>s appelées ”classiques“ <strong>et</strong> celles nommées<br />
”mo<strong>de</strong>rnes“ (voir [118]). Un calcul stable en présence d’on<strong>de</strong>s <strong>de</strong> choc nécessite une certaine<br />
quantité <strong>de</strong> dissipation numérique, afin d’éviter la formation <strong>de</strong> fausses oscillations numériques,<br />
qui peuvent diminuer la précision <strong>et</strong> empêcher la convergence vers <strong>de</strong>s solutions stables. Dans<br />
le cas <strong>de</strong>s métho<strong>de</strong>s classiques, les termes <strong>de</strong> dissipation numérique sont en général linéaires <strong>et</strong><br />
la même quantité est appliquée à tous les points <strong>de</strong> la grille. Ces métho<strong>de</strong>s ne donnent <strong>de</strong>s résultats<br />
corrects que dans le cas <strong>de</strong> solutions régulières ou avec <strong>de</strong>s chocs faibles. En eff<strong>et</strong>, quand<br />
<strong>de</strong>s on<strong>de</strong>s <strong>de</strong> choc importantes sont présentes dans la solution, <strong>de</strong>s instabilités non linéaires <strong>et</strong><br />
82
1.3. Résolution par différences finies<br />
<strong>de</strong>s oscillations peuvent apparaître lors <strong>de</strong>s discontinuités. Les métho<strong>de</strong>s mo<strong>de</strong>rnes possè<strong>de</strong>nt<br />
un terme <strong>de</strong> dissipation numérique non-linéaire, avec un mécanisme automatique <strong>de</strong> rétroaction<br />
qui perm<strong>et</strong> d’ajuster la quantité dissipée dans chaque cellule <strong>de</strong> la grille en fonction <strong>de</strong> la solution<br />
réelle. Il a été prouvé que ces schémas sont stables <strong>et</strong> précis même pour <strong>de</strong>s problèmes<br />
présentant d’importantes on<strong>de</strong>s <strong>de</strong> choc. Les métho<strong>de</strong>s mo<strong>de</strong>rnes <strong>de</strong> traitement <strong>de</strong>s chocs sont<br />
en général basées sur <strong>de</strong>s ”upwind differencies“, <strong>de</strong>s différences dirigées, en opposition avec les<br />
discrétisations classiques symétriques ou centrées. La différenciation finie cherche à discrétiser<br />
<strong>de</strong>s équations différentielles partielles hyperboliques en utilisant la différenciation dirigée vers la<br />
direction déterminée par le signe <strong>de</strong>s vitesses caractéristiques. Ici ce schéma peut s’écrire ainsi :<br />
p n+1/3<br />
i,j<br />
∆t<br />
− p n i,j<br />
p<br />
⎧⎪ n+1/3<br />
i,j<br />
− p n+1/3<br />
i−1,j<br />
si y ⎨ 2j > 0 ,<br />
∆y 1<br />
= −y 2j<br />
⎪ ⎩<br />
p n+1/3<br />
i+1,j<br />
− p n+1/3<br />
i,j<br />
si y 2j ≤ 0 .<br />
∆y 1<br />
(1.12)<br />
En utilisant ce qui a été fait auparavant, on trouve directement que ce schéma est inconditionnellement<br />
stable :<br />
|ξ 1/3 | 2 1<br />
= ( ) ∆t<br />
2<br />
.<br />
1 + y 2j sin(k∆y 1 )<br />
2∆y 1<br />
Schéma du saute-mouton(”staggered leapfrog“) Ce schéma est explicite <strong>et</strong> d’ordre 2<br />
en temps <strong>et</strong> en espace. Il a l’avantage d’être précis tout en étant plus rapi<strong>de</strong> (un seul calcul<br />
par pas <strong>de</strong> temps). Les inconvénients sont la quantité <strong>de</strong> mémoire nécessitée (il faut gar<strong>de</strong>r en<br />
mémoire <strong>de</strong>ux pas <strong>de</strong> temps) <strong>et</strong> le phénomène <strong>de</strong> mesh drifting. En eff<strong>et</strong>, le domaine d’étu<strong>de</strong> se<br />
découpe alors en <strong>de</strong>ux zones qui n’ont pas d’influence l’une sur l’autre. Des gradients forts ou<br />
<strong>de</strong>s non-linéarités peuvent alors rendre le schéma instable. Pour réduire ces perturbations, un<br />
faible terme <strong>de</strong> viscosité ǫ(u n j+1 −2un j +un j−1 ), ǫ
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
<strong>de</strong> dissipation d’amplitu<strong>de</strong> :<br />
ξ 1/3<br />
∆t<br />
= −iy 2j sin(k∆y 1 )<br />
∆y<br />
√ 1<br />
(<br />
)<br />
∆t<br />
2<br />
± 1 − y 2j sin(k∆y 1 ) , (1.14)<br />
∆y 1<br />
donc : |ξ 1/3 | 2 = 1 . (1.15)<br />
La condition <strong>de</strong> stabilité (qui est la condition d’existence <strong>de</strong> c<strong>et</strong>te solution) est la condition<br />
<strong>de</strong> Courant :<br />
∆t<br />
∆y 1<br />
|y 2j | ≤ 1 .<br />
Pour la <strong>de</strong>uxième direction<br />
Schéma <strong>de</strong> Lax Ce schéma s’écrit :<br />
[<br />
p n+2/3<br />
i,j<br />
= p n+1/3 1<br />
i,j−1<br />
2 − ∆t (<br />
βy2(j−1) + F (y 1i ) )]<br />
[ 2∆y 2<br />
+p n+1/3 1<br />
i,j+1<br />
2 + ∆t (<br />
βy2(j+1) + F (y 1i ) )] .<br />
2∆y 2<br />
Alors, comme auparavant :<br />
ξ 1/3 = (1 + β∆t)cos(k∆y 2 ) + i ∆t<br />
∆y 2<br />
(β (y 0 + j∆y 2 ) + F (y 1i ))sin (k∆y 2 ) .<br />
(1.16)<br />
Ce schéma est donc conditionnellement stable, la condition <strong>de</strong> stabilité dépendant <strong>de</strong>s paramètres<br />
du système.<br />
Schéma implicite La discrétisation obtenue est :<br />
p n+2/3<br />
i,j<br />
= p n+1/3<br />
i,j<br />
+ ∆t [ (βy2(j+1)<br />
+ F (y 1i ) ) p n+2/3<br />
i,j+1<br />
2∆y 2 ]<br />
.<br />
− ( βy 2(j−1) + F (y 1i ) ) p n+2/3<br />
i,j−1<br />
(1.17)<br />
L’analyse <strong>de</strong> Von Neumann donne :<br />
ξ 1/3 =<br />
|ξ 1/3 | 2 =<br />
1<br />
(1 − β∆t cos(k∆y 2 )) − i ∆t [βy 2j + F (y 1i )] sin(k∆y 2 )<br />
∆y 2<br />
soit :<br />
1<br />
, (1.18)<br />
≤ 1 . (1.19)<br />
[1 − β∆t cos (k∆y 2 )] 2 + ∆t2<br />
∆y2<br />
2 [βy 2j + F (y 1i )] 2 sin(k∆y 2 ) 2<br />
Le schéma est inconditionnellement stable.<br />
84
1.3. Résolution par différences finies<br />
Schéma upwind-differencing Ici la discrétisation selon c<strong>et</strong>te métho<strong>de</strong> s’écrit :<br />
⎧<br />
F (y 1i ) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
p n+2/3<br />
i,j<br />
− p n+2/3<br />
i,j−1<br />
+ βy 2j<br />
2∆y 2<br />
∆y 2<br />
p n+2/3<br />
i,j<br />
− p n+1/3<br />
i,j<br />
∆t<br />
⎪⎨<br />
=<br />
⎪⎩<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
F (y 1i ) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
si βy 2j > 0 ,<br />
p n+2/3<br />
i,j+1<br />
+ βy − pn+2/3 i,j<br />
2j<br />
∆y 2<br />
si βy 2j < 0 .<br />
(1.20)<br />
Avec l’analyse <strong>de</strong> stabilité selon Von Neumann, on trouve :<br />
|ξ 1/3 | 2 =<br />
1 + ∆t 2 [ F (y1i )<br />
∆y 2<br />
Donc ce schéma est ici aussi inconditionnellement stable.<br />
1<br />
− β 2 sin(k∆y 2) + βy (<br />
2j<br />
k 2<br />
≤ 1 .<br />
e −ik/(2∆x) sin 2)]<br />
∆y 2 2 ∆y<br />
Schéma du staggered leapfrog Ici, la discrétisation s’écrit :<br />
p n+2/3<br />
i,j<br />
= p n i,j + ∆t [ (ay2(j+1)<br />
+ F(y 1i ) ) p n+1/3<br />
i,j+1<br />
2∆y − ( ay 2(j−1) + F(y 1i ) ) ]<br />
p n+1/3<br />
i,j−1<br />
2<br />
. (1.21)<br />
Ainsi avec l’analyse <strong>de</strong> Neumann <strong>et</strong> en notant ξ 1/3 = E :<br />
E 2 = 1 + E ∆t<br />
2∆y 2<br />
[<br />
2i sin(k∆y2 )F(y 1i ) + a ( y 2(j+1) exp(ik∆y 2 ) − y 2(j−1) exp(−ik∆y 2 ) )] .(1.22)<br />
On introduit : y 2(j+1) exp(ik∆y 2 ) − y 2(j−1) exp(−ik∆y 2 ) ≈ y 2j (exp(ik∆y 2 ) − exp(−ik∆y 2 )) ≈<br />
2iy 2j sin(k∆y 2 ). Donc :<br />
E = i ∆t<br />
2∆y 2<br />
sin(k∆y 2 )[F(y 1i ) + ay 2j ]<br />
√<br />
( ) ∆t 2<br />
± 1 − sin(k∆y 2 )<br />
2∆y 2 (F(y 1i ) + ay 2j ) 2 ,<br />
2<br />
<strong>et</strong> en particulier : |ξ 1/3 | 2 = E 2 = 1 .<br />
(1.23)<br />
La condition <strong>de</strong> stabilité s’écrit :<br />
∆t<br />
∆y 2<br />
≤<br />
2<br />
|F(y 1i + ay 2j )| . (1.24)<br />
85
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Pour la troisième direction<br />
Schéma explicite Ce schéma s’écrit :<br />
p n+1<br />
i,j<br />
= p n+2/3<br />
i,j<br />
+ W [<br />
0.∆t<br />
4 (∆y 2 ) 2 p n+2/3<br />
i,j+1 − 2pn+2/3 i,j<br />
]<br />
+ p n+2/3<br />
i,j−1<br />
. (1.25)<br />
Donc :<br />
( )<br />
ξ 1/3 ∆t k<br />
= 1 − W 0<br />
(∆y 2 ) 2 sin 2 ∆y 2<br />
. (1.26)<br />
Ainsi ce schéma est conditionnellement stable (W 0 est supposé positif ici). La condition est :<br />
W 0 ∆t<br />
(∆y 2 ) 2 ≤ 2 . (1.27)<br />
Schéma <strong>de</strong> Lax Ce schéma s’écrit ici :<br />
p n+1<br />
i,j<br />
= 1 (<br />
)<br />
p n+2/3<br />
i,j+1<br />
2<br />
+ pn+2/3 i,j−1<br />
+ W (<br />
0∆t<br />
4∆y2<br />
2 p n+2/3<br />
i,j+1 − 2pn+2/3 i,j<br />
)<br />
+ p n+2/3<br />
i,j−1<br />
. (1.28)<br />
Alors :<br />
(<br />
ξ 1/3 ∆t k 2<br />
= cos (k∆y 2 ) − W 0<br />
∆y2<br />
2 sin 2)<br />
2 ∆y .<br />
Le schéma est inconditionnellement instable.<br />
Schéma implicite La discrétisation s’écrit <strong>de</strong> la façon suivante :<br />
p n+1<br />
i,j<br />
= p n+2/3<br />
i,j<br />
+ W (<br />
)<br />
0∆t<br />
4 (∆y 2 ) 2 p n+1<br />
i,j+1 − 2pn+1 i,j<br />
+ p n+1<br />
i,j−1<br />
. (1.29)<br />
Donc avec Neumann :<br />
ξ 1/3 =<br />
1<br />
)<br />
∆t k 2<br />
≤ 1 . (1.30)<br />
1 + W 0 sin(<br />
∆y2<br />
2 2 ∆y 2<br />
(1.31)<br />
Le schéma est inconditionnellement stable.<br />
86
1.3. Résolution par différences finies<br />
Schéma <strong>de</strong> Cranck-Nicholson La discrétisation selon le schéma <strong>de</strong> Cranck-Nicholson s’écrit :<br />
(<br />
) (<br />
)<br />
p n+1<br />
i,j<br />
− p n+2/3<br />
i,j<br />
= W u n+1<br />
0 i,j+1 − 2un+1 i,j<br />
+ u n+1<br />
i,j−1<br />
+ u n+2/3<br />
i,j+1 − 2un+2/3 i,j<br />
+ u n+2/3<br />
i,j<br />
. (1.32)<br />
∆t 8<br />
C<strong>et</strong>te discrétisation est d’ordre <strong>de</strong>ux en espace <strong>et</strong> en temps. Son inconvénient est <strong>de</strong> générer<br />
<strong>de</strong>s oscillations très importantes dès qu’il y a <strong>de</strong>s discontinuités. Elle <strong>de</strong>vra alors être évitée<br />
dans notre cas si nous choississons une condition initiale ponctuelle. L’analyse <strong>de</strong> Von Neumann<br />
donne :<br />
( ) k∆y2<br />
1 − 2α sin<br />
2<br />
ξ = ( k∆y2<br />
1 + 2α sin<br />
2<br />
Ce schéma est inconditionnellement stable.<br />
∆y 2 2<br />
), avec : α = W 0<br />
4<br />
∆t<br />
∆y 2 2<br />
. (1.33)<br />
Nous venons <strong>de</strong> déterminer les schémas stables pour ces trois pas <strong>de</strong> temps. Il s’agit maintenant<br />
d’écrire les matrices correspondant à ces discrétisations. Pour ceci, nous décomposerons<br />
le problème selon <strong>de</strong>ux maillages différents (pour les directions x <strong>et</strong> y), pour tous les schémas<br />
présentés ci-<strong>de</strong>ssus.<br />
1.3.3 Discrétisation du problème selon ces schémas<br />
Nous utilisons la métho<strong>de</strong> <strong>de</strong>s pas intermédiaires telle qu’elle a été décrite dans la section<br />
1.3.1. En outre, pour plus <strong>de</strong> généralité, nous étudions ici le système :<br />
ẍ + aẋ + F (x) = f (t) .<br />
L’équation <strong>de</strong> Fokker-Planck correspondante sera alors :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂<br />
∂y 1<br />
(y 2 p) + ∂<br />
∂y 2<br />
{(ay 2 + F (y 1 ))p} = ∂p<br />
∂t . (1.34)<br />
Pour la première direction<br />
C<strong>et</strong>te partie <strong>de</strong> l’équation différentielle fait seulement intervenir une différentielle en y 1 . Pour<br />
ceci, nous utiliserons la discrétisation suivante :<br />
Nous avons utilisé le même nombre <strong>de</strong> points <strong>de</strong> maillage selon les <strong>de</strong>ux directions <strong>de</strong> l’espace.<br />
Nous appelons ∆y 1 = L 1<br />
2N <strong>et</strong> ∆y 2 = L 2<br />
respectivement les pas <strong>de</strong> discrétisation en espace selon<br />
2N<br />
y 1 <strong>et</strong> y 2 .<br />
87
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
y 2 (j)<br />
1<br />
o<br />
2<br />
o<br />
2N + 1<br />
o<br />
2N + 2 o<br />
y 1 (i)<br />
o<br />
(2N + 1) × (2N + 1)<br />
Fig. 1.1 – Maillage utilisé pour la discrétisation selon la premièe direction.<br />
Schéma implicite Le schéma implicite s’écrit :<br />
p n+1/3<br />
i,j<br />
= p n i,j + y (<br />
)<br />
2j∆t<br />
p n+1/3<br />
i−1,j<br />
− p n+1/3<br />
i+1,j<br />
2∆y 1<br />
. (1.35)<br />
De ceci, nous dérivons avec la discrétisation que nous avons choisie un système <strong>de</strong> (2N + 1) ×<br />
(2N +1) équations linéaires à (2N +1)×(2N +1) inconnues (la probabilité aux différents noeuds<br />
du maillage). En particulier, il peut se m<strong>et</strong>tre sous la forme d’une équation <strong>de</strong> matrices :<br />
B a P n+1/3 = P n , (1.36)<br />
où P m est le vecteur <strong>de</strong>s inconnues [ <strong>de</strong> longueur ](2N[<br />
+ 1) × (2N + 1) à]<br />
l’instant t = m, B a est<br />
une matrice carrée <strong>de</strong> taille (2N + 1)(2N + 1) × (2N + 1)(2N + 1) . Ils sont <strong>de</strong> la forme :<br />
88
1.3. Résolution par différences finies<br />
⎡<br />
P m =<br />
⎢<br />
⎣<br />
p m 1,1<br />
p m 2,1<br />
.<br />
p m 2N+1,1<br />
p m 1,2<br />
.<br />
p m 1,k<br />
p m 2,k<br />
.<br />
p m 2N+1,k<br />
.<br />
p m 1,2N+1<br />
.<br />
⎤<br />
⎡<br />
, B a =<br />
⎢<br />
⎣<br />
⎥<br />
⎦<br />
BN a 0 . . . . . . . . . . . . . . . . . . 0<br />
0 BN−1 a 0 . ............. 0<br />
.<br />
0 0 .. 0 . . . . . . . . . 0<br />
0 . . . 0 B0 a 0 . . . 0<br />
0 . . . . . . . . . . 0 B−1 a 0 0<br />
.<br />
0 . . . . . . . . . . . . . . . 0 .. 0<br />
0 . . . . . . . . . . . . . . . . . . . . . 0 B−N<br />
a<br />
⎤<br />
. (1.37)<br />
⎥<br />
⎦<br />
p m 2N+1,2N+1<br />
p m i,j est alors la probabilité à l’instant t = m <strong>de</strong> l’état au point <strong>de</strong> maillage (i, j), c’est-à-dire du<br />
{ }<br />
point <strong>de</strong> coordonnées (y 1 , y 2 ) = (−i + (N + 1)) ∆y 1 , (j − (N + 1)) ∆y 2 dans le repère utilisé.<br />
Le système peut donc être découplé en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations à (2N + 1)<br />
inconnues. Nous écrivons ceci par :<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
∀i ∈ [−N, N], B a i P n+1/3<br />
i<br />
= P n<br />
i , (1.38)<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m 1,−i+(N+1)<br />
p m 2,−i+(N+1)<br />
.<br />
p m 2N+1,−i+(N+1)<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , Ba i =<br />
⎢<br />
⎣<br />
1 iA a 0 . . . . . . . . . . . . . . . . . 0<br />
−iA a 1 iA a 0 . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . 0<br />
0 . . . −iA a 1 iA a . . . . . 0<br />
0 . . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . . 0 −iA a 1 iA a<br />
0 . . . . . . . . . . . . . . . 0 −iA a 1<br />
⎤<br />
. (1.39)<br />
⎥<br />
⎦<br />
89
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Schéma upwind-differencing Ce schéma <strong>de</strong> discrétisation s’écrit :<br />
p n+1/3<br />
i,j<br />
∆t<br />
− p n i,j<br />
p<br />
⎧⎪ n+1/3<br />
i,j<br />
− p n+1/3<br />
i−1,j<br />
si y ⎨ 2j > 0 ,<br />
∆y 1<br />
= −y 2j<br />
⎪ ⎩<br />
p n+1/3<br />
i+1,j<br />
− p n+1/3<br />
i,j<br />
sinon .<br />
∆y 1<br />
(1.40)<br />
Nous utilisons les mêmes notations que pour la discrétisation implicite présentée ci-<strong>de</strong>ssus.<br />
Le problème possè<strong>de</strong> ici la même structure. En particulier, ici aussi nous pouvons décomposer le<br />
problème en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations à (2N + 1) inconnues. Tous les systèmes<br />
obtenus sont alors <strong>de</strong> la forme (1.38) avec :<br />
⎡<br />
1 − iA a iA a ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
0 1 − iA a iA a 0 . . . . . . . . . . . . . 0<br />
.<br />
∀i ∈ [−N, 0], Bi a 0 .. . .. . .. 0 . . . . . . . 0<br />
=<br />
0 . . . 0 1 − iA a iA a . . . . . . . 0<br />
, (1.41)<br />
.<br />
⎢ 0 . . . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
⎣ 0 . . . . . . . . . . . . . 0 0 1 − iA a A a ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 0 1 − iA a<br />
⎡<br />
1 + iA a ⎤<br />
0 0 . . . . . . . . . . . . . . . . . . . . . . . . 0<br />
−iA a 1 + iA a 0 0 . . . . . . . . . . . . . . . 0<br />
.<br />
∀i ∈ [1, N] , Bi a 0 .. . .. . .. 0 . . . . . . . 0<br />
=<br />
0 . . . −iA a 1 + iA a 0 . . . . . . . 0<br />
(1.42)<br />
.<br />
⎢ 0 . . . . . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
⎣ 0 . . . . . . . . . . . . . . . 0 −iA a 1 + iA a 0 ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . . . 0 −iA a 1 + iA a<br />
Schéma du staggered leapfrog Avec les notations utilisées ci-<strong>de</strong>ssus, c<strong>et</strong>te discrétisation<br />
s’écrit :<br />
90<br />
∀i ∈ [−N, N], P n+1/3<br />
i<br />
= P n−1/3<br />
i<br />
+ B a i P n<br />
i , (1.43)
1.3. Résolution par différences finies<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m 1,−i+(N+1)<br />
p m 2,−i+(N+1)<br />
.<br />
p m 2N+1,−i+(N+1)<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , Ba i =<br />
⎢<br />
⎣<br />
0 2iA a 0 . . . . . . . . . . . . . . . . . . . 0<br />
−2iA a 0 2iA a 0 . . . . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . . 0<br />
0 . . . −2iA a 0 2iA a . . . . . . 0<br />
0 . . . . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . . . . 0 −2iA a 0 2iA a<br />
0 . . . . . . . . . . . . . . . . . . 0 −2iA a 0<br />
⎤<br />
(1.44) .<br />
⎥<br />
⎦<br />
Schéma explicite centré en espace Ce schéma est instable. Mais nous cherchons tout <strong>de</strong><br />
même sa discrétisation, il nous perm<strong>et</strong>tra <strong>de</strong> réaliser <strong>de</strong>s vérifications. Ce schéma amène à la<br />
discrétisation suivante :<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m 1,−i+(N+1)<br />
p m 2,−i+(N+1)<br />
.<br />
p m 2N+1,−i+(N+1)<br />
Pour la <strong>de</strong>uxième direction<br />
∀i ∈ [−N, N], P n+1/3<br />
i<br />
Le maillage utilisé ici est celui <strong>de</strong> la figure 1.2.<br />
Les notations sont les mêmes qu’auparavant.<br />
= B a i P n<br />
i , (1.45)<br />
⎡<br />
0 iA a ⎤<br />
0 . . . . . . . . . . . . . . . . . 0<br />
⎤<br />
−iA a 0 iA a 0 . . . . . . . . . . . . 0<br />
. ⎥<br />
⎦ , 0 .. . .. . .. 0 . . . . . 0<br />
Ba i =<br />
0 . . . −iA a 0 iA a . . . . . 0<br />
. (1.46)<br />
.<br />
⎢ 0 . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
⎣ 0 . . . . . . . . . . . 0 −iA a 0 iA a ⎦<br />
0 . . . . . . . . . . . . . . . 0 −iA a 0<br />
Schéma implicite La discrétisation obtenue ici est :<br />
p n+2/3<br />
i,j<br />
= p n+1/3<br />
i,j<br />
+ ∆t [ (βy2(j+1)<br />
+ F (y 1i ) ) p n+2/3<br />
i,j+1<br />
2∆y 2 ]<br />
.<br />
− ( βy 2(j−1) + F (y 1i ) ) p n+2/3<br />
i,j−1<br />
(1.47)<br />
De ceci, en utilisant le maillage ci-<strong>de</strong>ssus, nous obtenons un système <strong>de</strong> (2N + 1) × (2N + 1)<br />
équations linéaires à (2N + 1) × (2N + 1) inconnues (la probabilité aux différents noeuds du<br />
maillage). En particulier, il peut se m<strong>et</strong>tre sous la forme d’une équation <strong>de</strong> matrices :<br />
B b P n+2/3 = P n+1/3 , (1.48)<br />
91
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
y 2 (j)<br />
1<br />
o<br />
2N + 2<br />
o<br />
2<br />
o<br />
o<br />
y 1 (i)<br />
o<br />
2N + 1<br />
o<br />
(2N + 1) × (2N + 1)<br />
Fig. 1.2 – Maillage utilisé pour la discrétisation selon la <strong>de</strong>uxième direction.<br />
où P m est le vecteur <strong>de</strong>s inconnues [ <strong>de</strong> longueur ](2N[<br />
+ 1) × (2N + 1) ] à l’instant t = m, B b est<br />
une matrice carrée <strong>de</strong> taille (2N + 1)(2N + 1) × (2N + 1)(2N + 1) . Ils s’écrivent :<br />
⎡<br />
P m =<br />
⎢<br />
⎣<br />
p m 1,1<br />
p m 1,2<br />
.<br />
p m 1,2N+1<br />
p m 2,1<br />
.<br />
p m k,1<br />
p m k,2<br />
.<br />
p m k,2N+1<br />
.<br />
p m 2N+1,1<br />
.<br />
⎤<br />
⎡<br />
, B b =<br />
⎢<br />
⎣<br />
⎥<br />
⎦<br />
BN b 0 . . . . . . . . . . . . . . . . . . 0<br />
0 BN−1 b 0 . . . . . . . . . . . . . 0<br />
.<br />
0 0 .. 0 . . . . . . . . . 0<br />
0 . . . 0 B0 b 0 . . . 0<br />
0 . . . . . . . . . . 0 B−1 b 0 0<br />
.<br />
0 . . . . . . . . . . . . . . . 0 .. 0<br />
0 . . . . . . . . . . . . . . . . . . . . . 0 B−N<br />
b<br />
⎤<br />
. (1.49)<br />
⎥<br />
⎦<br />
p m 2N+1,2N+1<br />
Ici p m i,j<br />
est la probabilité à l’instant t = m <strong>de</strong> l’état au point <strong>de</strong> maillage (i, j), c’est-à-dire au<br />
92
point <strong>de</strong> coordonnées (y 1 , y 2 ) =<br />
{<br />
(i − (N + 1)) ∆y 1 , (−j + (N + 1)) ∆y 2<br />
}<br />
1.3. Résolution par différences finies<br />
dans ce repère. Le<br />
système peut donc être découplé en (2N+1) systèmes <strong>de</strong> (2N+1) équations à (2N+1) inconnues.<br />
Nous écrivons ceci par :<br />
où, avec A b = ∆t<br />
2∆y 2<br />
:<br />
où :<br />
P m<br />
i =<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎡<br />
⎢<br />
⎣<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
∀i ∈ [−N, N], B b iP n+2/3<br />
i<br />
= P n+1/3<br />
i<br />
, (1.50)<br />
⎡<br />
1 a b ⎤<br />
0 . . . . . . . . . . . . 0<br />
⎤<br />
b b 1 c b 0 . . . . . . . 0<br />
. ⎥<br />
⎦ , 0 .. . .. . .. 0 . . . 0<br />
Bb i =<br />
0 . . . d b 1 e b . . .<br />
, (1.51)<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . 0 f b 1 g b ⎦<br />
0 . . . . . . . . . . . . 0 h b 1<br />
a b = −A b (a(N − 1)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
b b = A b (aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
c b = −A b (a(N − 2)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
d b = A b (a(−j + N + 2)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
e b = −A b (a(−j + N)∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
f b = A b (−aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
g b = −A b (−aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
h b = A b (−a(N − 1)∆y 2 + F ((i − N − 1)∆y 1 )) .<br />
(1.52)<br />
Schéma upwind-differencing Ici la discrétisation selon selon c<strong>et</strong>te métho<strong>de</strong> s’écrit :<br />
⎧<br />
F (y 1i ) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
p n+2/3<br />
i,j<br />
− p n+2/3<br />
i,j−1<br />
+ βy 2j<br />
2∆y 2<br />
∆y 2<br />
p n+2/3<br />
i,j<br />
− p n+1/3<br />
i,j<br />
∆t<br />
⎪⎨<br />
=<br />
⎪⎩<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
F (y 1i ) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
si βy 2j > 0 ,<br />
p n+2/3<br />
i,j+1<br />
+ βy − pn+2/3 i,j<br />
2j<br />
∆y 2<br />
si βy 2j < 0 .<br />
(1.53)<br />
Nous utilisons les mêmes notations que dans la discrétisation implicite présentée ci-<strong>de</strong>ssus.<br />
Le problème possè<strong>de</strong> la même structure. En particulier, ici aussi nous pouvons décomposer le<br />
93
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
problème en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations à (2N + 1) inconnues, systèmes étant <strong>de</strong><br />
la forme (1.50) avec :<br />
⎡<br />
a b b b ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . 0<br />
. .. . .. . .. 0 . . . . . . . . . . . . . . . . . 0<br />
. . . c b d b e b 0 . . . . . . . . . . . . 0<br />
.<br />
Bi b 0 . . . .. . .. . .. 0 . . . . . . . 0<br />
=<br />
0 . . . 0 f b g b h b 0 . . . 0<br />
, (1.54)<br />
. 0 . . . . . . . 0 .. . .. . .. . . . 0<br />
0 . . . . . . . . . . . . 0 i b j b k b . . .<br />
⎢<br />
⎣<br />
.<br />
0 . . . . . . . . . . . . . . . . . 0 .. . .. . ..<br />
⎥<br />
⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . 0 l b m b<br />
avec :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a b = 1 − 2aNA b ∆y 2 ,<br />
b b = A b (F ((i − N − 1)∆y 1 ) + a∆y 2 (2N − 1)) ,<br />
c b = −A b (F ((i − N − 1) ∆y 1 ) − a∆y 2 (−j + N + 2)) ,<br />
d b = 1 + 2a(−j + N + 1) A b ∆y 2 ,<br />
e b = A b (F ((i − N − 1)∆y 1 ) − a∆y 2 ) ,<br />
f b = −A b (F ((i − N − 1) ∆y 1 ) − a∆y 2 ) ,<br />
g b = 1 ,<br />
h b = A b (F ((i − N − 1)∆y 1 ) − a∆y 2 ) ,<br />
i b = −A b (F ((i − N − 1) ∆y 1 ) − a∆y 2 ) ,<br />
j b = 1 − 2a(−j + N + 1) A b ∆y 2 ,<br />
k b = A b (F ((i − N − 1)∆y 1 ) + a∆y 2 (2 (−j + N + 1) − 1)) ,<br />
l b = −A b (F ((i − N − 1) ∆y 1 ) + a∆y 2 (2N − 1)) ,<br />
m b = 1 − 2NaA b ∆y 2 .<br />
Schéma du staggered leapfrog Dans ce cas, la discrétisation peut se résumer par :<br />
où, avec A b = ∆t<br />
2∆y 2<br />
:<br />
94<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
∀i ∈ [−N, N], P n+2/3<br />
i<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
(1.55)<br />
= P n<br />
i + B b iP n+1/3<br />
i<br />
, (1.56)<br />
⎡<br />
1 2a b ⎤<br />
0 . . . . . . . . . . . . . 0<br />
⎤<br />
2b b 1 2c b 0 . . . . . . . . . 0<br />
. ⎥<br />
⎦ , 0 .. . .. . .. 0 . . . 0<br />
Bb i =<br />
0 . . . 2d b 1 2e b . . .<br />
, (1.57)<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . . 0 2f b 1 2g b ⎦<br />
0 . . . . . . . . . . . . . 0 2h b 1
1.3. Résolution par différences finies<br />
où :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a b = −A b (a(N − 1)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
b b = A b (aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
c b = −A b (a(N − 2)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
d b = A b (a(−j + N + 2)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
e b = −A b (a(−j + N)∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
f b = A b (−aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
g b = −A b (−aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
h b = A b (−a(N − 1)∆y 2 + F ((i − N − 1)∆y 1 )) .<br />
(1.58)<br />
Pour la troisième direction<br />
Nous utilisons le même maillage que dans la section précé<strong>de</strong>nte ( voir schéma 1.2, page 92).<br />
Les notations sont également les mêmes.<br />
Schéma implicite La discrétisation s’écrit <strong>de</strong> la façon suivante :<br />
p n+1<br />
i,j<br />
= p n+2/3<br />
i,j<br />
+ W (<br />
)<br />
0∆t<br />
4 (∆y 2 ) 2 p n+1<br />
i,j+1 − 2pn+1 i,j<br />
+ p n+1<br />
i,j−1<br />
. (1.59)<br />
Nous écrivons ainsi un système <strong>de</strong> (2N+1)×(2N+1) équations linéaires à (2N+1)×(2N+1)<br />
inconnues (la probabilité aux différents noeuds du maillage). En particulier, celui-ci peut se<br />
m<strong>et</strong>tre sous la forme d’une équation <strong>de</strong> matrices :<br />
B c P n+1 = P n+2/3 , (1.60)<br />
où P m est le vecteur <strong>de</strong>s inconnues <strong>de</strong> longueur (2N + 1) × (2N + 1), B c est une matrice carrée<br />
95
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
<strong>de</strong> taille<br />
[<br />
] [<br />
]<br />
(2N + 1)(2N + 1) × (2N + 1)(2N + 1) . Ils s’écrivent :<br />
⎡<br />
P m =<br />
⎢<br />
⎣<br />
p m 1,1<br />
p m 1,2<br />
.<br />
p m 1,2N+1<br />
p m 2,1<br />
.<br />
p m k,1<br />
p m k,2<br />
.<br />
p m k,2N+1<br />
.<br />
p m 2N+1,1<br />
.<br />
⎤<br />
⎡<br />
, B c =<br />
⎢<br />
⎣<br />
⎥<br />
⎦<br />
B 0 . . . . . . . . . . . . . . . 0<br />
0 B 0 . . . . . . . . . . 0<br />
.<br />
0 0 .. 0 . . . . . . 0<br />
0 . . . 0 B 0 . . . 0<br />
0 . . . . . . . 0 B 0 0<br />
.<br />
0 . . . . . . . . . . . 0 .. 0<br />
0 . . . . . . . . . . . . . . . 0 B<br />
⎤<br />
. (1.61)<br />
⎥<br />
⎦<br />
p m 2N+1,2N+1<br />
Ici p m i,j est la probabilité à l’instant t = m <strong>de</strong> l’état au point <strong>de</strong> maillage (i, j), c’est-à-dire du<br />
{ }<br />
point <strong>de</strong> coordonnées (y 1 , y 2 ) = (i − (N + 1)) ∆y 1 , (−j + (N + 1)) ∆y 2 dans le repère utilisé.<br />
Le système peut donc être découplé en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations à (2N + 1)<br />
inconnues. Nous écrivons ceci par :<br />
avec :<br />
∀i ∈ [−N, N], B c P n+1<br />
i<br />
= P n+2/3<br />
i<br />
, (1.62)<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , Bc =<br />
⎢<br />
⎣<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
0 . . . A c 1 − 2A c A c . . . 0<br />
(1.63) ,<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
⎥<br />
0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
où : A c = − W 0<br />
4<br />
96<br />
∆t<br />
(∆y 2 ) 2.
1.3. Résolution par différences finies<br />
Schéma <strong>de</strong> Cranck-Nicholson La discrétisation peut se résumer par :<br />
avec :<br />
∀i ∈ [−N, N], B c 1<br />
P n+1<br />
i<br />
= B c 2<br />
P n+2/3<br />
i<br />
, (1.64)<br />
⎡<br />
0 A c 0 . . . . . . . . . . . . 0<br />
⎡<br />
⎤<br />
p m A c 0 A c 0 . . . . . . . 0<br />
i−(N+1),1<br />
p m .<br />
Pi m =<br />
i−(N+1),2<br />
⎢<br />
⎥<br />
⎣ . ⎦ , 0 .. . .. . .. 0 . . . 0<br />
Bc 1<br />
=<br />
0 . . . A c 0 A c . . . 0<br />
p m .<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
i−(N+1),2N+1 ⎣ 0 . . . . . . . 0 A c 0 A c<br />
⎡<br />
0 . . . . . . . . . . . . 0 A c 0<br />
0 −A c ⎤<br />
0 . . . . . . . . . . . . . . . 0<br />
−A c 0 −A c 0 . . . . . . . . . . . 0<br />
. 0 .. . .. . .. 0 . . . 0<br />
B c 2<br />
=<br />
0 . . . −A c 0 −A c . . . 0<br />
,<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . . . . . 0 −A c 0 −A c ⎦<br />
0 . . . . . . . . . . . . . . . 0 −A c 0<br />
⎤<br />
,<br />
⎥<br />
⎦<br />
(1.65)<br />
où : A c = − W 0 ∆t<br />
8 (∆y 2 ) 2.<br />
Nous venons d’écrire explicitement les discrétisations issues <strong>de</strong> notre choix <strong>de</strong> diviser le<br />
problème en trois directions. Mais afin <strong>de</strong> pouvoir mieux comparer avec [123], nous écrivons<br />
également le problème en ne le décomposant qu’en <strong>de</strong>ux directions.<br />
1.3.4 Avec seulement <strong>de</strong>ux directions<br />
Pour écrire la discrétisation <strong>de</strong> l’équation (1.9), nous utilisons :<br />
avec :<br />
⎡<br />
⎢<br />
⎣<br />
∂p<br />
∂t = L 1p + L 2 p ,<br />
L 1 = −y 2<br />
∂<br />
∂y 1<br />
,<br />
L 2 = ∂ [<br />
(ay 2 + by 1 ) + W 0<br />
∂y 2 4<br />
]<br />
∂<br />
∂y 2<br />
.<br />
(1.66)<br />
Pour L 1 , la discrétisation s’écrit :<br />
p n+1/2<br />
i,j<br />
= p n i,j + y (<br />
)<br />
2j∆t<br />
p n+1/2<br />
i−1,j<br />
− p n+1/2<br />
i+1,j<br />
2∆y 1<br />
.<br />
97
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Comme auparavant, on obtient alors une équation matricielle :<br />
B a P n+1/2 = P n , (1.67)<br />
où P m est [ le vecteur <strong>de</strong>s inconnues ] [ <strong>de</strong> longueur (2N ] + 1) × (2N + 1), B a est une matrice carrée<br />
<strong>de</strong> taille (2N +1)(2N +1) × (2N +1)(2N +1) . Ce vecteur <strong>et</strong> c<strong>et</strong>te matrice sont <strong>de</strong> la forme :<br />
⎡<br />
P m =<br />
⎢<br />
⎣<br />
p m 1,1<br />
p m 2,1<br />
.<br />
p m 2N+1,1<br />
p m 1,2<br />
.<br />
p m 1,k<br />
p m 2,k<br />
.<br />
p m 2N+1,k<br />
.<br />
p m 1,2N+1<br />
.<br />
⎤<br />
⎡<br />
, B a =<br />
⎢<br />
⎣<br />
⎥<br />
⎦<br />
BN a 0 . . . . . . . . . . . . . . . . . . 0<br />
0 BN−1 a 0 . . . ........... 0<br />
.<br />
0 0 .. 0 . . . . . . . . . 0<br />
0 . . . 0 B0 a 0 . . . 0<br />
0 . . . . . . . . . . 0 B−1 a 0 0<br />
.<br />
0 . . . . . . . . . . . . . . . 0 .. 0<br />
0 . . . . . . . . . . . . . . . . . . . . . 0 B−N<br />
a<br />
⎤<br />
. (1.68)<br />
⎥<br />
⎦<br />
p m 2N+1,2N+1<br />
Ce système peut donc être découplé en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations à (2N + 1)<br />
inconnues. Nous écrivons ceci par :<br />
∀i ∈ [−N, N], B a i P n+1/2<br />
i<br />
= P n<br />
i , (1.69)<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m 1,−i+(N+1)<br />
p m 2,−i+(N+1)<br />
.<br />
p m 2N+1,−i+(N+1)<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , B1 i =<br />
⎢<br />
⎣<br />
1 iA a 0 . . . . . . . . . . . . . . . . . 0<br />
−iA a 1 iA a 0 . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . 0<br />
0 . . . −iA a 1 iA a . . . . . 0<br />
0 . . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . . 0 −iA a 1 iA a<br />
0 . . . . . . . . . . . . . . . 0 −iA a 1<br />
⎤<br />
. (1.70)<br />
⎥<br />
⎦<br />
98
1.3. Résolution par différences finies<br />
Pour L 2 , nous pouvons écrire :<br />
p n+1<br />
i,j<br />
− p n+1/2<br />
i,j<br />
∆t<br />
= 1 [<br />
(ay2(j+1)<br />
+ by 1i + cy 3 )<br />
1i p<br />
n+1<br />
i,j+1<br />
2∆y − ( ]<br />
ay 2(j−1) + by 1i + cy1i<br />
3 )<br />
p<br />
n+1<br />
i,j−1<br />
2<br />
+ W 0 1<br />
[ ]<br />
Ri,j+1 n+1<br />
4 ∆y − Rn+1 i,j−1<br />
,<br />
2<br />
où : R n+1<br />
i,j+1 = pn+1 i,j+1 − pn+1 i,j<br />
∆y 2<br />
.<br />
Donc :<br />
p n+1<br />
i,j<br />
− p n+1/2<br />
i,j<br />
∆t<br />
= 1 [<br />
(ay2(j+1)<br />
+ by 1i + cy 3 )<br />
1i p<br />
n+1<br />
i,j+1<br />
2∆y − ( ]<br />
ay 2(j−1) + by 1i + cy1i<br />
3 )<br />
p<br />
n+1<br />
i,j−1<br />
2<br />
1<br />
]<br />
+ W 0<br />
4<br />
∆y 2 2<br />
[<br />
p n+1<br />
i,j+1 − 2pn+1 i,j<br />
+ p n+1<br />
i,j−1<br />
. (1.71)<br />
On peut donc écrire : Pi<br />
n+1<br />
aux paragraphes 1.50 <strong>et</strong> 1.62 :<br />
Avec A b i = ∆t <strong>et</strong> A c i<br />
2∆y = −W 0<br />
2 4<br />
= ( Bi b + ) −1 Bc n+1/2<br />
i P<br />
∆t<br />
(∆y 2 ) 2 :<br />
i<br />
, avec P n+1<br />
i<br />
, B b i <strong>et</strong> Bc i<br />
tels qu’ils ont été définis<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
⎡<br />
⎤<br />
⎥<br />
⎦ , Bb i =<br />
⎢<br />
⎣<br />
1 a bc 0 . . . . . . . . . . . . 0<br />
b bc 1 c bc 0 . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
0 . . . d bc 1 e bc . . .<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
0 . . . . . ... 0 f bc 1 g bc<br />
0 . . . . . . . . . . . . 0 h bc 1<br />
⎤<br />
, (1.72)<br />
⎥<br />
⎦<br />
où :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a bc = −A b (a(N − 1) ∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
b bc = A b (aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
c bc = −A b (a(N − 2) ∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
d bc = A b (a(−j + N + 2) ∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
e bc = −A b (a(−j + N)∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
f bc = A b (−aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
g bc = −A b (−aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
h bc = A b (−a(N − 1) ∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
(1.73)<br />
99
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
<strong>et</strong> :<br />
⎡<br />
B c =<br />
⎢<br />
⎣<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
0 . . . A c 1 − 2A c A c . . . 0<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
⎥<br />
0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
. (1.74)<br />
De plus, dans tout ce qui a été fait jusqu’à maintenant, nous n’avons pas tenu compte <strong>de</strong>s<br />
conditions limites. En réalité, nous avons simplifié le problème en fixant à zéro les conditions aux<br />
bords du domaine d’étu<strong>de</strong> (aux bords du maillage en réalité). Cela signifie que nous avons fixé à<br />
0 la probabilité aux bords du domaine d’étu<strong>de</strong>, ce qui semble cohérent si celui-ci est suffisamment<br />
étendu puisque c<strong>et</strong>te probabilité doit tendre vers 0 à l’infini (en x <strong>et</strong> y) car Lebesgue-intégrable <strong>et</strong><br />
d’intégrale égale à 1. Ensuite, nous imposons à l’intégrale <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité trouvée sur<br />
le domaine d’étu<strong>de</strong> d’être égale à 1, en la multipliant par le coefficient adéquat. Ces conditions<br />
limites sont artificielles, donc nous voulons tester quel est le résultat avec <strong>de</strong>s conditions aux<br />
bords non nulles, mais égales à ǫ, avec ǫ
1.3. Résolution par différences finies<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m 1,−i+(N+1)<br />
p m 2,−i+(N+1)<br />
.<br />
p m 2N+1,−i+(N+1)<br />
⎡<br />
1 iA a 0 . . . . . . . . . . . . . . . . . 0<br />
⎤<br />
−iA a 1 iA a 0 . . . . . . . . . . . . 0<br />
. ⎥<br />
⎦ , Ba i = 0 .. . .. . .. 0 . . . . . 0<br />
0 . . . −iA a 1 iA a . . . . . 0<br />
.<br />
⎢ 0 . . . . . . . . . . . .. . .. . .. . . .<br />
⎣ 0 . . . . . . . . . . . 0 −iA a 1 iA a<br />
⎡<br />
0 . . . . . . . . . . . . . . . 0 −iA a 1<br />
−sign(i)A a ⎤<br />
ǫ<br />
0<br />
Ui a =<br />
⎢ .<br />
.<br />
⎥<br />
⎣ 0 ⎦<br />
sign(i)A a ǫ<br />
⎤<br />
,<br />
⎥<br />
⎦<br />
(1.76)<br />
De même, pour L 2 :<br />
∀i ∈ [−N, N], B b iP n+2/3<br />
i<br />
+ U b = P n+1/3<br />
i<br />
, (1.77)<br />
où, avec A b = ∆t<br />
2∆y 2<br />
:<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
⎡<br />
⎤ + ∆t [<br />
a∆y2 (N + 1) + bi∆y 1 + c(i∆y 1 ) 3] × ǫ<br />
2∆y 2 0<br />
⎥<br />
⎦ , Ub =<br />
.<br />
⎢<br />
0<br />
⎣<br />
− ∆t [<br />
−a∆y2 (N + 1) + bi∆y 1 + c(i∆y 1 ) 3] × ǫ<br />
⎡ 2∆y 2<br />
1 a bǫ ⎤<br />
0 . . . . . . . . . . . . 0<br />
b bǫ 1 c bǫ 0 . . . . . . . . 0<br />
.<br />
Bi b = 0 .. . .. . .. 0 . . . 0<br />
0 . . . d bǫ 1 e bǫ . . .<br />
,<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . 0 f bǫ 1 g bǫ ⎦<br />
0 . . . . . . . . . . . . 0 h bǫ 1<br />
⎤<br />
⎥<br />
⎦<br />
,<br />
(1.78)<br />
101
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
où :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a bǫ = −A b (a(N − 1) ∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
b bǫ = A b (aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
c bǫ = −A b (a(N − 2) ∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
d bǫ = A b (a(−j + N + 2) ∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
e bǫ = −A b (a(−j + N) ∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
f bǫ = A b (−aN∆y 2 + F ((i − N − 1) ∆y 1 )) ,<br />
g bǫ = −A b (−aN∆y 2 + F ((i − N − 1)∆y 1 )) ,<br />
h bǫ = A b (−a(N − 1) ∆y 2 + F ((i − N − 1) ∆y 1 )) .<br />
(1.79)<br />
Enfin, pour L 3 :<br />
∀i ∈ [−N, N], B c P n+1<br />
i<br />
+ U c = P n+2/3<br />
i<br />
, (1.80)<br />
avec :<br />
⎡<br />
B c =<br />
⎢<br />
⎣<br />
P m<br />
i =<br />
⎡<br />
⎢<br />
⎣<br />
p m i−(N+1),1<br />
p m i−(N+1),2<br />
.<br />
p m i−(N+1),2N+1<br />
⎤<br />
⎡<br />
⎥<br />
⎦ , Uc =<br />
⎢<br />
⎣<br />
A c ǫ<br />
0<br />
.<br />
0<br />
−A c ǫ<br />
⎤<br />
,<br />
⎥<br />
⎦<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
0 . . . A c 1 − 2A c A c . . . 0<br />
,<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
⎥<br />
0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
(1.81)<br />
où : A c = − W 0 ∆t<br />
4 (∆y 2 ) 2.<br />
Après avoir explicité toutes ces différentes discrétisations, nous cherchons maintenant à tester<br />
notre programme en comparant ses résultats à <strong>de</strong>s solutions connues pour certains cas.<br />
1.3.6 Validation du programme<br />
Pour ceci, nous allons commencer par tester les différents opérateurs dérivation : nous les<br />
appliquons à une fonction choisie pour certaines caractéristiques (nulle aux limites du domaine<br />
d’étu<strong>de</strong>) <strong>et</strong> nous comparons la solution donnée par notre algorithme avec la solution exacte (qui<br />
peut bien sûr être calculée analytiquement).<br />
102
1.3. Résolution par différences finies<br />
Validation <strong>de</strong>s différents opérateurs<br />
Dans la première direction Dans ce paragraphe, nous testons la fonction L 1 u = −y 2<br />
∂u<br />
∂y 1<br />
.<br />
Par exemple, nous utilisons la fonction : f(y 1 , y 2 ) = (y 1 − L 1<br />
2 )2 (y 2 − L 2<br />
2 )2 . Les dérivées numériques<br />
<strong>et</strong> analytiques sont alors quasiment i<strong>de</strong>ntiques (voir figure 1.3) :<br />
Dérivée calculée analytiquement<br />
Erreur <strong>de</strong> la solution numérique par rapport à la solution exacte<br />
x 10 4<br />
3<br />
Dérivée<br />
2<br />
1<br />
0<br />
−1<br />
0.014<br />
0.012<br />
−2<br />
−3<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
y2<br />
30<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
30<br />
y1<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
Erreur<br />
0.01<br />
0.008<br />
Dérivée calculée numériquement<br />
0.006<br />
x 10 4<br />
3<br />
2<br />
0.004<br />
Dérivée<br />
1<br />
0<br />
−1<br />
−2<br />
0.002<br />
−3<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
y2<br />
30<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
30<br />
y1<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
0<br />
90<br />
80<br />
70<br />
60<br />
50<br />
y2<br />
40<br />
30<br />
20<br />
10<br />
0<br />
10<br />
20<br />
30<br />
40<br />
y1<br />
50<br />
60<br />
70<br />
80<br />
90<br />
Fig. 1.3 – Tests sur l’opérateur L 1 , discrétisé avec le schéma implicite simple. A gauche : dérivées<br />
analytique <strong>et</strong> numérique pour N=40, L 1 = L 2 = 8. A droite : erreur entre ces <strong>de</strong>ux dérivées<br />
pour N=40, L 1 = L 2 = 2.<br />
Les erreurs effectuées sont donc localisées au bord du domaine d’étu<strong>de</strong> : l’erreur, tout en<br />
étant faible, atteint un maximum aux bords du domaine d’étu<strong>de</strong>, suite à la condition limite.<br />
Dans la <strong>de</strong>uxième direction De même pour L 2 u = ∂ [(ay 2 + F(y 1 ))u] :<br />
∂y 2<br />
Nous représentons sur la figure 1.4 les courbes <strong>de</strong> niveau <strong>de</strong> la solution analytique <strong>et</strong> <strong>de</strong><br />
la simulation numérique <strong>de</strong> l’opérateur L 2 u =<br />
(<br />
f(y 1 , y 2 ) = y 1 − L ) 2 (<br />
1<br />
y 2 − L ) 2<br />
2<br />
.<br />
2 2<br />
∂<br />
∂y 2<br />
[(ay 2 + F(y 1 ))u] appliqué à la fonction<br />
Dans la troisième direction Enfin, pour l’opérateur L 3 u = ∂2 u<br />
Sur la figure 1.5, nous nous apercevons que la seule erreur commise par la simulation numérique<br />
est aux bords du domaine d’étu<strong>de</strong>. Mais c<strong>et</strong>te erreur est importante. Cela signifie que nous<br />
<strong>de</strong>vons nous attacher à choisir un domaine d’étu<strong>de</strong> suffisamment vaste.<br />
Maintenant nous testons la fiabilité <strong>de</strong> notre discrétisation.<br />
∂y 2 2<br />
:<br />
103
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
80<br />
Dérivée calculée analytiquement<br />
70<br />
Contours <strong>de</strong> la dérivée<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
10 20 30 40 50 60 70 80<br />
y1<br />
80<br />
Dérivée calculée numériquement<br />
70<br />
Contours <strong>de</strong> la dérivée<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
10 20 30 40 50 60 70 80<br />
y1<br />
Fig. 1.4 – Contours <strong>de</strong>s dérivées analytique (en haut) <strong>et</strong> numérique (en bas) pour N=40, L 1 =<br />
L 2 = 8, a=2.1, F(y 1 ) = ky 1 avec k=1. Le schéma utilisé ici est le staggered leapfrog.<br />
x 10 4<br />
Erreur <strong>de</strong> la dérivée calculée numériquement<br />
2<br />
Erreur<br />
100 0 1<br />
50<br />
y2<br />
0<br />
0<br />
20<br />
40<br />
y1<br />
60<br />
80<br />
100<br />
80<br />
10000<br />
60<br />
8000<br />
Erreur<br />
40<br />
20<br />
6000<br />
4000<br />
2000<br />
10 20 30 40 50 60 70 80<br />
y1<br />
Fig. 1.5 – Erreur entre les dérivées analytique <strong>et</strong> numérique pour N=40, L 1 = L 2 = 8. En haut :<br />
représentation en trois dimensions. En bas : contours <strong>de</strong> c<strong>et</strong>te erreur.<br />
104
1.3. Résolution par différences finies<br />
Comparaison <strong>de</strong> la solution numérique avec la solution exacte<br />
Afin <strong>de</strong> comparer notre programme à celui <strong>de</strong> [123], nous fixons pour paramètres par défaut<br />
les valeurs qui ont été choisis dans c<strong>et</strong> article.<br />
Mo<strong>de</strong> opératoire Nous étudions donc ici l’équation <strong>de</strong> Fokker-Planck <strong>de</strong> l’oscillateur linéaire :<br />
ẍ + aẋ + kx = f(t), qui s’écrit :<br />
∂p<br />
∂t = −y ∂p<br />
2 + ∂ [ ]<br />
(ay 2 + ky 1 )p + W 0 ∂ 2 p<br />
∂y 1 ∂y 2 4<br />
∂y 2 2<br />
,<br />
(1.82)<br />
où f(t) est un bruit blanc <strong>de</strong> coefficient <strong>de</strong> diffusion égal à W 0<br />
. La solution exacte <strong>de</strong> c<strong>et</strong>te<br />
2<br />
équation <strong>de</strong> Fokker-Planck est donnée par l’équation (1.12). Nous fixons les valeurs numériques<br />
par défaut <strong>de</strong>s paramètres : N = 40, L 1 = L 2 = 4, a = 2.1, k = 1, ∆t = π/1000 <strong>et</strong> W 0 = 3.2.<br />
De plus, par défaut, les schémas utilisés sont les schémas implicites simples. Nous testons les<br />
influences <strong>de</strong>s valeurs <strong>de</strong>s paramètres <strong>et</strong> celle <strong>de</strong>s différents schémas utilisés. Pour quantifier<br />
l’erreur <strong>de</strong>s calculs numériques, nous utilisons trois mesures différentes <strong>de</strong> l’erreur :<br />
Une norme appelée ”norme 1“ ici<br />
√<br />
1 ∑( ||e|| 1 =<br />
p<br />
exact<br />
i,j<br />
(2N + 1)(2N + 1)<br />
i,j<br />
− p num ) 2<br />
i,j . (1.83)<br />
C<strong>et</strong>te norme a été utilisée dans [123] pour quantifier l’erreur <strong>de</strong> leur solution numérique.<br />
Mais elle présente quelques inconvénients : en eff<strong>et</strong>, elle nivelle les erreurs. −1 ≤ p exact<br />
i,j −<br />
p num<br />
i,j ≤ 1, donc en divisant par le nombre <strong>de</strong> noeuds dans le maillage, l’erreur reste toujours<br />
très faible. De plus, c<strong>et</strong>te mesure <strong>de</strong> l’erreur n’est pas relative par rapport à ce que nous<br />
comparons ici (<strong>de</strong>s probabilités, donc comprises par définition entre 0 <strong>et</strong> 1).<br />
Une norme appelée ”norme 2“ Pour ceci, nous définissons une autre norme plus représentative<br />
à notre sens :<br />
⎛<br />
∑ ( ) 2<br />
⎞<br />
⎜ i,j<br />
p exact<br />
i,j − p num<br />
1/2<br />
i,j ⎟<br />
||e|| 2 = ⎝ ( ) 2 ⎠ . (1.84)<br />
∑<br />
i,j<br />
p exact<br />
i,j<br />
Une norme infinie C<strong>et</strong>te <strong>de</strong>rnière norme perm<strong>et</strong> <strong>de</strong> déterminer les points <strong>de</strong> maillage où a<br />
lieu le maximum d’erreur <strong>de</strong> notre algorithme numérique :<br />
||e|| max =<br />
max<br />
i,j |pexact i,j − p num<br />
i,j |<br />
p exact<br />
i,j<br />
. (1.85)<br />
La condition initiale <strong>de</strong> l’algorithme sera la solution exacte issue <strong>de</strong> (x 0 , y 0 ) = (0, 0) à t = 0.95s.<br />
Nous testerons les combinaisons suivantes :<br />
105
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Schémas <strong>de</strong> discrétisation En ce qui concerne la première direction, elle pourra être discrétisée<br />
suivant les schémas implicite, explicite, ”staggered leapfrog“ ou ”upwind differencing“.<br />
La <strong>de</strong>uxième direction sera discrétisée suivant les schémas implicite, explicite ou ”staggered<br />
leapfrog“. La <strong>de</strong>rnière direction sera traitée <strong>de</strong> manière implicite, explicite ou à l’ai<strong>de</strong> d’un<br />
schéma <strong>de</strong> Cranck-Nicholson. Dans ces combinaisons <strong>de</strong> schémas, les valeurs <strong>de</strong>s paramètres<br />
utilisées sont les valeurs par défaut.<br />
Valeurs <strong>de</strong>s paramètres Nous utilisons les valeurs numériques suivantes :<br />
N 20, 40, 80, 160<br />
L 1 = L 2 2 , 8<br />
∆t<br />
π<br />
500 , π<br />
1000 , π<br />
10000 , π<br />
100000<br />
Tab. 1.1 – Valeurs <strong>de</strong>s paramètres utilisées pour tester le schéma numérique.<br />
Autres discrétisations Nous testons également la décomposition du problème en seulement<br />
<strong>de</strong>ux directions <strong>de</strong> l’espace. Enfin, nous étudierons l’influence <strong>de</strong> conditions aux limites<br />
non nulles.<br />
Résultats sur la fiabilité du programme<br />
Pour les valeurs <strong>de</strong>s paramètres par défaut En utilisant pour les paramètres les<br />
valeurs par défaut <strong>et</strong> en choississant les schémas implicites, nous observons que les <strong>de</strong>ux normes<br />
<strong>de</strong> l’erreur suivent la même forme au cours du temps (voir figure 1.6) : elles augmentent assez<br />
rapi<strong>de</strong>ment jusqu’à environ t = π 5 = 0.6283s. Le maximum atteint est alors <strong>de</strong> ||e|| 1 = 0.00051180<br />
<strong>et</strong> ||e|| 2 = 0.006057. Le temps <strong>de</strong> calcul (CPU) est e = 4.8484375.10 2 pour t = 6π . De plus,<br />
5<br />
nous recherchons la norme infinie <strong>de</strong> l’erreur : les résultats sont consignés dans le tableau 1.2.<br />
Nous remarquons que le maximum d’erreur se concentre au niveau du pic. Cela signifie que<br />
l’emplacement du pic <strong>et</strong> sa base sont corrects, mais son hauteur est légèrement plus faible dans<br />
le cas numérique. Mais la perte <strong>de</strong> hauteur est acceptable, entre 2% <strong>et</strong> 10%. C<strong>et</strong>te diminution<br />
<strong>de</strong> la hauteur est dûe à <strong>de</strong>s pertes d’énergie dans le domaine d’étu<strong>de</strong>, en <strong>de</strong>hors du pic, où la<br />
<strong>de</strong>nsité <strong>de</strong> probabilité calculée numériquement est légèrement plus importante que celle calculée<br />
analytiquement. Comme l’intégrale <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité sur tout le domaine d’étu<strong>de</strong> est<br />
normée à 1, ceci fait diminuer la hauteur du pic numérique.<br />
En choississant <strong>de</strong>s valeurs numériques différentes pour les paramètres Nous<br />
utilisons comme simulation <strong>de</strong> référence la simulation réalisée avec les valeurs <strong>de</strong>s paramètres<br />
par défaut <strong>et</strong> les schémas implicites simples. Nous faisons alors varier un seul paramètre à chaque<br />
106
1.3. Résolution par différences finies<br />
0.01<br />
x 10 −3<br />
1<br />
Erreur 2<br />
0.005<br />
0<br />
0 5 10 15 20 25 30 35<br />
Temps × 0.01π<br />
0 5 10 15 20 25 30 35 0 0.5<br />
Erreur 1<br />
Fig. 1.6 – Evolution <strong>de</strong>s <strong>de</strong>ux normes <strong>de</strong> l’erreur au cours du temps, pour une simulation avec les<br />
valeurs <strong>de</strong>s paramètres par défaut <strong>et</strong> <strong>de</strong>s schémas implicites simples (La norme 1 est représenté<br />
en trait continu, la norme 2 en pointillés).<br />
Temps max<br />
i,j |pexact i,j − p num<br />
i,j | p exact<br />
i,j Point du maillage ||e|| max<br />
π<br />
100<br />
0.0019 0.9133 (40,41) 0.00208<br />
5π<br />
100<br />
0.0056 0.8066 (41,41) 0.006942<br />
π<br />
10<br />
0.0069 0.7094 (41,40) 0.00972<br />
3π<br />
20<br />
0.0069 0.6429 (41,41) 0.0107<br />
3π<br />
10<br />
0.0049 0.5267 (41,41) 0.0093<br />
Tab. 1.2 – Norme maximum <strong>de</strong> l’erreur à t = 6π 5<br />
<strong>de</strong>s schémas implicites simples.<br />
, pour les valeurs <strong>de</strong>s paramètres par défaut <strong>et</strong><br />
107
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
simulation. Nous observons par exemple les résultats suivants à l’instant t = 31π<br />
100 s = 0.973896s<br />
(voir tableau 1.3).<br />
Paramètres Norme 1 Norme 2 Commentaires<br />
Défaut 4.1307.10 −4 0.006547<br />
∆t = π<br />
500<br />
∆t =<br />
π<br />
1000<br />
7.36253.10 −4 0.0117223<br />
9.17225.10 −4 0.01459<br />
N = 20 0.00431 0.06928<br />
N = 80 6.4155.10 −4 0.01010<br />
N = 160 8.8087.10 −4 0.01383<br />
L 1 = L 2 = 2 0.13214 0.529303<br />
W 0 = 0.32 0.1315411 0.6593023 Diminution <strong>de</strong> la hauteur du pic, augmentation<br />
<strong>de</strong> la probabilité en <strong>de</strong>hors du pic<br />
W 0 = 0.032 0.6598393 0.998853 Disparition du pic, <strong>de</strong>nsité <strong>de</strong> probabilité<br />
équirépartie<br />
Tab. 1.3 – Normes <strong>de</strong> erreurs pour différentes valeurs <strong>de</strong>s paramètres du schéma.<br />
108<br />
Plusieurs remarques peuvent être formulées :<br />
– Seuls les cas avec une diffusion trop faible ou un domaine d’étu<strong>de</strong> trop étroit sont inacceptables.<br />
En eff<strong>et</strong>, lorsque la diffusion est trop faible, les valeurs propres <strong>de</strong> la matrice B c<br />
sont très faibles <strong>et</strong> donc (B c ) −1 possè<strong>de</strong> <strong>de</strong>s valeurs propres très importantes. Ceci fausse<br />
les résultats. Le choix <strong>de</strong> L 1 = L 2 = 2 est, quant à lui, aberrant. En eff<strong>et</strong>, la dynamique<br />
du problème ne se limite pas au domaine [−1, 1] × [−1, 1]. Le résultat obtenu est donc<br />
naturellement faux car tronqué d’une gran<strong>de</strong> partie <strong>de</strong>s phénomènes du système. De plus,<br />
dans ce cas, les conditions limites sont elles-aussi inacceptables : en eff<strong>et</strong>, aux frontières du<br />
domaine d’étu<strong>de</strong>, la <strong>de</strong>nsité <strong>de</strong> probabilité subit alors un saut <strong>de</strong> discontinuité important.<br />
– Les autres cas présentent <strong>de</strong>s erreurs faibles. Les valeurs <strong>de</strong>s paramètres par défaut sont<br />
celles qui donnent le meilleur résultat; mais elles ont probablement été choisies précisément<br />
pour cela par les auteurs <strong>de</strong>s références [123, 124]. D’ailleurs, nous pouvons remarquer<br />
que pour les mêmes paramètres, les mêmes conditions initiales <strong>et</strong> les mêmes conditions
1.3. Résolution par différences finies<br />
aux limites, leur erreur est supérieure à la notre. Cela semble justifier la décomposition<br />
du problème en trois directions différentes, au lieu <strong>de</strong> <strong>de</strong>ux. Mais il est intéressant <strong>de</strong><br />
remarquer que diviser le pas <strong>de</strong> temps ou le pas en espace par <strong>de</strong>ux ne diminue pas l’erreur<br />
par <strong>de</strong>ux. Ceci est lié aux valeurs numériques prises par les valeurs propres <strong>de</strong>s matrices<br />
correspondant aux trois opérateurs B a , B b <strong>et</strong> B c . En eff<strong>et</strong>, en prenant par exemple les<br />
paramètres du tableau 1.4.<br />
Paramètres<br />
Norme 1 <strong>de</strong> l’erreur Norme 2 <strong>de</strong> l’erreur<br />
∆t =<br />
π<br />
1000 , N = 40 4.1307.10−4 0.006547<br />
∆t =<br />
π<br />
10000 , N = 80 2.03.10−4 0.003222<br />
π<br />
∆t =<br />
100000 , N = 160 7.849.10−5 0.0011246<br />
Tab. 1.4 – Erreur observée pour certaines combinaisons <strong>de</strong> paramètres.<br />
En conclusion, nous pouvons donc affirmer que notre schéma <strong>de</strong> discrétisation donne <strong>de</strong>s<br />
erreurs avec <strong>de</strong>s erreurs pouvant être qualifiées <strong>de</strong> faibles, voire <strong>de</strong> très faibles, à condition<br />
d’adapter la taille du domaine d’étu<strong>de</strong> aux phénomènes observés <strong>et</strong> <strong>de</strong> choisir une diffusion<br />
adaptée.<br />
Maintenant, nous comparons les performances <strong>de</strong>s différents schémas que nous avons explicités<br />
dans la section précé<strong>de</strong>nte.<br />
Comparaison <strong>de</strong>s différents schémas utilisés Nous utilisons les abbréviations suivantes<br />
: I signifie ”implicite“, U signifie ”upwind differencing“ <strong>et</strong> E, S <strong>et</strong> C signifient respectivement<br />
”explicite“, ”staggered leapfrog“ <strong>et</strong> ”Cranck-Nicholson“. Les erreurs obtenues avec les<br />
différentes combinaisons <strong>de</strong> schémas au bout <strong>de</strong> 310 pas <strong>de</strong> temps (t = 0.973896s) sont notées<br />
dans le tableau 1.5.<br />
Nous voyons donc que certains schémas ne peuvent pas être utilisés : ce sont les combinaisons<br />
UII, ISI, SII. D’autres <strong>de</strong>vraient être évités : IIE, IEI <strong>et</strong> EII ont <strong>de</strong>s erreurs très faibles mais<br />
le schéma explicite est instable <strong>et</strong> lors <strong>de</strong> la simulation du contrôle passif <strong>de</strong> structures, il sera<br />
difficile, voire impossible, <strong>de</strong> prévoir quels pas en temps <strong>et</strong> en espace seront suffisants pour assurer<br />
<strong>de</strong>s résultats corrects. Il reste ainsi les combinaisons III <strong>et</strong> IIC qui présentent <strong>de</strong>s erreurs très<br />
faibles, voir graphes 1.7.<br />
Un autre point important est le temps <strong>de</strong> calcul, voir tableau 1.6. Celui-ci est équivalent<br />
pour toutes les combinaisons <strong>de</strong> paramètres. Les combinaisons EII <strong>et</strong> UII semblent être les plus<br />
rapi<strong>de</strong>s, IIC la plus lente. La combinaison III appartient aux plus rapi<strong>de</strong>s. En tenant compte <strong>de</strong><br />
tous ces indices, la combinaison III semble donc être optimale.<br />
109
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Schémas Normes <strong>de</strong> l’erreur Commentaires<br />
1 2 3 Norme 1 Norme 2<br />
I I I 4.1307.10 −4 0.006547 Pic bien localisé, hauteur correcte<br />
U I I 0.06116152 0.9693961 Jusqu’à t=0.722568s, erreurs très faibles.<br />
Puis apparition d’eff<strong>et</strong>s <strong>de</strong> bord, disparition<br />
du pic, irrégularités au bord du domaine<br />
d’étu<strong>de</strong><br />
I I C 3.30823.10 −4 0.00524<br />
I I E 3.18653.10 −4 0.005050 Schéma 3 instable<br />
I E I 3.46673.10 −4 0.005494 Schéma 2 instable<br />
I S I 0.028167 0.446450 Pic tourne (sens trigonométrique). Base<br />
du pic plus étroite, amplitu<strong>de</strong> plus gran<strong>de</strong>.<br />
S I I 0.0614 0.967489 Pic tourne, sa base s’aplatit <strong>et</strong> s’allonge.A<br />
t=0.43982s, apparition d’eff<strong>et</strong>s <strong>de</strong> bord. A<br />
t=0.7854s, disparition du pic.<br />
E I I 4.1073.10 −4 0.00651 Schéma 1 instable<br />
Tab. 1.5 – Différentes normes <strong>de</strong> l’erreur obtenue au bout <strong>de</strong> 310 pas <strong>de</strong> temps avec les différentes<br />
combinaisons <strong>de</strong> schémas.<br />
Erreur 1 selon les différentes combinaisons <strong>de</strong> schémas<br />
Erreur 2 pour les différentes combinaisons <strong>de</strong> schémas<br />
5<br />
III<br />
EII<br />
IEI<br />
IIC<br />
IIE<br />
7<br />
6<br />
III<br />
EII<br />
IEI<br />
IIC<br />
IIE<br />
4<br />
5<br />
Erreur 1<br />
6 x 10−4 temps (x pi/100)<br />
3<br />
Erreur 2<br />
8 x 10−3 temps (x pi/100)<br />
4<br />
2<br />
3<br />
2<br />
1<br />
1<br />
0<br />
0 5 10 15 20 25 30 35<br />
0<br />
0 5 10 15 20 25 30 35<br />
Fig. 1.7 – Normes 1 <strong>et</strong> 2 <strong>de</strong> l’erreur pour les différentes combinaisons <strong>de</strong> schémas numériques.<br />
110
1.3. Résolution par différences finies<br />
Schémas CPU (jsuqu’à t = 0.973896s)<br />
1 2 3<br />
I I I 1.3325.10 2<br />
U I I 1.2892.10 2<br />
I E I 1.6354.10 2<br />
I S I 1.6548.10 2<br />
I I C 1.8310.10 2<br />
I I E 1.2443.10 2<br />
S I I 1.3473.10 2<br />
E I I 1.2143.10 2<br />
Tab. 1.6 – Temps <strong>de</strong> calcul pour les différentes combinaisons <strong>de</strong> schémas.<br />
Programmation avec décomposition dans seulement <strong>de</strong>ux directions C<strong>et</strong>te programmation<br />
a été expliquée <strong>et</strong> explicitée dans 1.3.4. En comparant c<strong>et</strong>te programmation à <strong>de</strong>ux<br />
schémas implicites avec la combinaison III, nous obtenons les valeurs <strong>de</strong> l’erreur consignées dans<br />
le tableau 1.7. Bien que la décomposition du problème en seulement <strong>de</strong>ux directions semble<br />
donner <strong>de</strong>s résultats corrects, son erreur est 100 fois supérieure à celle <strong>de</strong> la décomposition en<br />
trois directions.<br />
La programmation par décomposition en trois directions semble donc plus fiable, plus précise<br />
<strong>et</strong> plus rapi<strong>de</strong>.<br />
Utilisation du programme avec <strong>de</strong>s conditions aux bords non nulles Nous supposons<br />
dans ce paragraphe que les conditions <strong>de</strong> bord ne sont pas nulles, mais égales à ǫ, avec<br />
ǫ
Chapitre 1. Ecriture, discrétisation <strong>et</strong> vérification numérique <strong>de</strong>s résultats<br />
Schémas Normes <strong>de</strong> l’erreur à t = 0.973896s CPU Commentaires<br />
Norme 1 Norme 2<br />
III 4.1307.10 −4 0.006547 1.3329.10 2<br />
II 0.011209 0.177661 2.484375.10 2 Eff<strong>et</strong>s <strong>de</strong> bords à partir<br />
<strong>de</strong> t = 0.188496s. Même<br />
forme <strong>de</strong> pic, même emplacement,<br />
même hauteur<br />
mais tourné.<br />
Tab. 1.7 – Normes <strong>de</strong> l’erreur à t = 0.973896s pour les combinaisons III <strong>et</strong> II.<br />
ǫ Normes <strong>de</strong> l’erreur Commentaires<br />
Norme 1 Norme 2<br />
0.01 0.0609336 0.965784 Eff<strong>et</strong>s <strong>de</strong> bords dès les 10 premiers pas <strong>de</strong> temps.<br />
0.001 0.048867 0.77453 Solution correcte les 20 premiers pas <strong>de</strong> temps.<br />
Ensuite, eff<strong>et</strong>s <strong>de</strong> bords mais le pic central reste<br />
observable.<br />
0.0001 0.009501 0.15059 Jusqu’à t = 0.596904s, la solution obtenue est<br />
correcte. Ensuite, forme <strong>et</strong> emplacements du pic<br />
sont corrects, seule amplitu<strong>de</strong> trop faible.<br />
Tab. 1.8 – Normes <strong>de</strong> l’erreur à t = 0.973896s pour <strong>de</strong>s conditions aux bords non nulles.<br />
112
Chapitre 2<br />
Applications <strong>de</strong> c<strong>et</strong>te métho<strong>de</strong><br />
numérique à <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> avec un <strong>de</strong>gré <strong>de</strong> liberté<br />
Ayant prouvé la précision <strong>de</strong> notre métho<strong>de</strong> numérique, nous l’appliquons à<br />
certains systèmes <strong>dynamiques</strong> à un <strong>de</strong>gré <strong>de</strong> liberté. Ces résultats probabilistes<br />
sont alors comparés aux résultats déterministes.<br />
Sommaire<br />
2.1 <strong>Systèmes</strong> dépendant du temps . . . . . . . . . . . . . . . . . . . . 114<br />
2.2 Cas <strong>de</strong> l’oscillateur linéaire . . . . . . . . . . . . . . . . . . . . . . 115<br />
2.3 Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing . . . . . . . . . . . . . . . . . 115<br />
2.3.1 Comparaison avec les résultats <strong>de</strong> Kunert <strong>et</strong> Pfeiffer, [60] . . . . . 115<br />
2.3.2 Autres résultats connus . . . . . . . . . . . . . . . . . . . . . . . . . 117<br />
2.4 <strong>Systèmes</strong> paramétriques . . . . . . . . . . . . . . . . . . . . . . . . 125<br />
2.4.1 Discrétisation utilisée . . . . . . . . . . . . . . . . . . . . . . . . . . 125<br />
2.4.2 Recherche <strong>de</strong> bassins d’attraction <strong>et</strong> d’attracteurs chaotiques . . . . 127<br />
2.5 <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb . . . . . . . . . . . . . . . . . 128<br />
2.5.1 Résultats déterministes . . . . . . . . . . . . . . . . . . . . . . . . . 128<br />
2.5.2 Equation <strong>de</strong> Fokker-Planck pour problèmes non réguliers . . . . . . 131<br />
2.5.3 Equation <strong>de</strong> Fokker-Planck du problème . . . . . . . . . . . . . . . 132<br />
2.5.4 Résultats <strong>de</strong>s simulations . . . . . . . . . . . . . . . . . . . . . . . . 133<br />
2.6 Loi <strong>de</strong> comportement élasto-plastique . . . . . . . . . . . . . . . . 136<br />
2.6.1 Problème étudié <strong>et</strong> équation <strong>de</strong> Fokker-Planck correspondante . . . 136<br />
2.6.2 Résultats théoriques sur le système dynamique avec loi <strong>de</strong> comportement<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142<br />
113
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
2.6.3 Résultats <strong>de</strong>s simulations . . . . . . . . . . . . . . . . . . . . . . . . 143<br />
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147<br />
2.1 Equation <strong>de</strong> Fokker-Planck <strong>et</strong> discrétisation pour <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> dépendant du temps<br />
Nous écrivons les équations du mouvement sous la forme :<br />
ẍ + aẋ + F (x) = f cos (wt) + f (t) , (2.1)<br />
où f(t) est le bruit blanc <strong>de</strong> diffusion W 0 .<br />
L’équation <strong>de</strong> Fokker-Planck-Kolmogorov s’écrit dans ce cas (voir section 1.2.2) :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂ (y 2 p) + ∂ { (ay2<br />
+ by 1 + cy1 3 − f cos (wt) ) }<br />
p = ∂p<br />
∂y 1 ∂y 2 ∂t . (2.2)<br />
Ainsi en appliquant la métho<strong>de</strong> <strong>de</strong>s pas intermédiaires tel que cela a été réalisé dans la section<br />
1.3.1, il s’avère que seul le <strong>de</strong>uxième pas <strong>de</strong> discrétisation est modifié. En particulier, les schémas<br />
<strong>de</strong> discrétisation vont s’écrire :<br />
a. Pour le schéma implicite :<br />
p n+2/3<br />
i,j<br />
= p n+1/3<br />
i,j<br />
+ ∆t [ (βy2(j+1)<br />
+ F (y 1i ) + ϕ (t n ) ) p n+2/3<br />
i,j+1<br />
2∆y 2<br />
− ( βy 2(j−1) + F (y 1i ) + ϕ (t n ) ) ]<br />
p n+2/3<br />
i,j−1<br />
.<br />
(2.3)<br />
b. Pour le schéma ”upwind-differencing“ :<br />
p n+2/3<br />
i,j<br />
− p n+1/3<br />
i,j<br />
∆t<br />
⎧<br />
⎪⎨<br />
=<br />
⎪⎩<br />
(F (y 1i ) + ϕ (t n )) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
si βy 2j > 0 ,<br />
(F (y 1i ) + ϕ (t n )) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
si βy 2j < 0 .<br />
p n+2/3<br />
i,j<br />
+ βy 2j<br />
− p n+2/3<br />
i,j−1<br />
∆y 2<br />
p n+2/3<br />
i,j+1<br />
+ βy − pn+2/3 i,j<br />
2j<br />
∆y 2<br />
(2.4)<br />
114
2.2. Cas <strong>de</strong> l’oscillateur linéaire<br />
Dans les <strong>de</strong>ux cas, on pourra prendre :<br />
⎧<br />
−f cos ( )<br />
wt n+2/3<br />
ou ⎪⎨<br />
ϕ (t n ) =<br />
−f cos ( )<br />
wt n+1/3<br />
ou<br />
⎪⎩<br />
− f ( ( ) ( ))<br />
cos wtn+1/3 + cos wtn+2/3<br />
2<br />
(2.5)<br />
2.2 Cas <strong>de</strong> l’oscillateur linéaire<br />
Nous considérons l’oscillateur linéaire :<br />
ẍ + aẋ + kx = f cos (wt) + f (t) . (2.1)<br />
L’équation <strong>de</strong> Fokker-Planck correspondante s’écrit alors :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂<br />
∂y 1<br />
(y 2 p) + ∂<br />
∂y 2<br />
{<br />
(ay 2 + ky 1 − f cos (wt))p<br />
}<br />
= ∂p<br />
∂t . (2.2)<br />
Nous réalisons <strong>de</strong>s simulations numériques avec les paramètres suivants : N = 100, L 1 = 6,<br />
L 2 = 6, T max = 20, ∆t = 5π<br />
160 , a = 0.05, k = 1, f = 1, w = 1.6, W 0 = 0.32. Les notations<br />
sont les mêmes qu’avant : L 1 (respectivement L 2 ) est la dimension du domaine d’étu<strong>de</strong> dans la<br />
direction <strong>de</strong>s x (respectivement <strong>de</strong>s ẋ), 2N +1 est le nombre <strong>de</strong> points <strong>de</strong> maillage dans chacune<br />
<strong>de</strong> ces directions, T max est l’horizon d’étu<strong>de</strong> en temps, ∆t est le pas en temps, W 0 est le coefficient<br />
<strong>de</strong> diffusion du bruit blanc, a, k, f, w sont les paramètres physiques du système (respectivement<br />
l’amortissement, la rai<strong>de</strong>ur linéaire, l’amplitu<strong>de</strong> <strong>et</strong> la fréquence <strong>de</strong> la sollicitation).<br />
Nous observons tout d’abord que le pic <strong>de</strong> probabilité correspondant au point fixe ”tourne“<br />
(voir figure 2.1).<br />
De plus, plus le coefficient <strong>de</strong> diffusion est élevé, plus ce pic est étalé,ce qui est conforme à<br />
ce qui était attendu (graphe 2.2), car cela signifie que l’incertitu<strong>de</strong> est plus gran<strong>de</strong> (écart-type<br />
<strong>de</strong> la diffusion).<br />
2.3 Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing<br />
2.3.1 Comparaison avec les résultats <strong>de</strong> Kunert <strong>et</strong> Pfeiffer, [60]<br />
Dans c<strong>et</strong>te section, nous cherchons à r<strong>et</strong>rouver, avec notre métho<strong>de</strong> numérique, les résultats<br />
consignés dans la référence [60]. Ainsi nous considérons le système dynamique suivant :<br />
⎧<br />
⎨<br />
⎩<br />
ẋ = y<br />
ẏ = −dy + x − x 3 + acos(τ)<br />
˙τ = 1<br />
(2.1)<br />
115
y2<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Densité <strong>de</strong> probabilité pour t=T/4<br />
20 40 60 80 100 120 140 160 180 200<br />
y1<br />
0.1<br />
0.09<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
200<br />
180<br />
160<br />
140<br />
120<br />
Densité <strong>de</strong> probabilité à t=T<br />
0.11<br />
0.1<br />
0.09<br />
0.08<br />
0.07<br />
y2<br />
100<br />
0.06<br />
80<br />
60<br />
40<br />
20<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
50 100 150 200<br />
y1<br />
0.01<br />
(a) à t=T<br />
(b) à t = T/4<br />
200<br />
Densité <strong>de</strong> probabilité à t=T/2<br />
0.1<br />
180<br />
160<br />
140<br />
0.09<br />
0.08<br />
0.07<br />
y2<br />
120<br />
100<br />
80<br />
60<br />
0.06<br />
0.05<br />
0.04<br />
40<br />
20<br />
0.03<br />
0.02<br />
(c) à t = T/2<br />
50 100 150 200<br />
y1<br />
0.01<br />
200<br />
Densité <strong>de</strong> probabilité à t=3T/4<br />
0.1<br />
180<br />
160<br />
140<br />
0.09<br />
0.08<br />
0.07<br />
y2<br />
120<br />
100<br />
80<br />
60<br />
0.06<br />
0.05<br />
0.04<br />
40<br />
20<br />
0.03<br />
0.02<br />
(d) à t = 3T/4<br />
50 100 150 200<br />
y1<br />
0.01<br />
Fig. 2.1 – Probabilité <strong>de</strong>s états <strong>de</strong> l’oscillateur linéaire <strong>de</strong> l’équation (2.1) pour quatre temps<br />
différents. Les paramètres sont égaux à a = 0.05, k = 1, f = 1, w = 1.6, W 0 = 0.32. Ces <strong>de</strong>nsités<br />
<strong>de</strong> probabilité sont exprimés en fonction <strong>de</strong>s points du maillage.<br />
116
2.3. Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing<br />
200<br />
150<br />
Densité <strong>de</strong> probabilité pour t=T, W0=0.003<br />
0.25<br />
0.2<br />
y2<br />
100<br />
0.15<br />
50<br />
0.1<br />
y2<br />
200<br />
150<br />
100<br />
50<br />
50 100 150 200<br />
y1<br />
Densité <strong>de</strong> probabilité pour t=T, W0=0.3<br />
50 100 150 200<br />
y1<br />
0.05<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
Fig. 2.2 – Comparaison <strong>de</strong>s <strong>de</strong>nsités <strong>de</strong> probabilité obtenues pour <strong>de</strong>ux coefficients <strong>de</strong> diffusion<br />
différents, pour l’oscillateur linéaire <strong>de</strong> l’équation (2.1) avec les paramètres a = 0.05, k = 1,<br />
f = 1, w = 1.6.<br />
Nous réalisons <strong>de</strong>s simulations numériques. Par exemple, avec d = 0.15, a = 0.3, W 0 = 0.01,N =<br />
200, L 1 = 4, L 2 = 4, ∆t = 0.2π. Nous utilisons les schémas implicites. Nous représentons les<br />
sections <strong>de</strong> Poincaré pour <strong>de</strong>s temps courts (t = T <strong>et</strong> t = 10T) <strong>et</strong> <strong>de</strong>s temps plus longs (t = 90T)<br />
où la solution semble avoir convergé (voir figure 2.3).<br />
Nous pouvons observer ainsi les <strong>de</strong>ux points fixes à (x = ±1, y = 0) <strong>et</strong> l’attracteur chaotique.<br />
Ce résultat correpond aux résultats <strong>de</strong> l’article [60] (figure 9). Mais nous n’observons pas la<br />
solution périodique; en eff<strong>et</strong>, celle-ci ne peut être observe que pour certaines conditions initiales.<br />
2.3.2 Autres résultats connus<br />
D’autres résultats connus (par exemple [86], [87],...) ont été r<strong>et</strong>rouvés avec notre programmation<br />
numérique . Nous donnons nos résultats ci-<strong>de</strong>ssous en vrac.<br />
Si nous étudions ici le système :<br />
ẍ − cẋ − kx + kλx 3 = σw(t) , (2.2)<br />
où w(t) est un bruit blanc <strong>de</strong> variance unitaire. Les résultats sont représentés sur le graphe 2.4 :<br />
nous observons les <strong>de</strong>ux points fixes du système, d’autant plus visibles que la diffusion est faible.<br />
En eff<strong>et</strong>, plus la diffusion est importante, plus les pics <strong>de</strong> probabilité sont étaler jusqu’à former<br />
une ”cordillère“ <strong>de</strong> probabilité.<br />
Ensuite, nous nous appuyons sur l’article [86] pour fixer les paramètres pour nos simulations<br />
numériques du système dynamique :<br />
ẍ(t) + 2ηw 0 ẋ(t) + w 2 0x(t) + γw 2 0x 3 (t) = Γ cos(Ωt) + ξ(t) , (2.3)<br />
117
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Fig. 2.3 – Densités <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation<br />
(2.1), au temps t = T, t = 10T <strong>et</strong> t = 90T avec les paramètres d = 0.15, a = 0.3, W 0 = 0.01,<br />
T = 2π.<br />
118
2.3. Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing<br />
Probabilité <strong>de</strong> Fokker−Planck pour l’oscillateur <strong>de</strong> Duffing<br />
Probabilité <strong>de</strong> Fokker−Planck pour l’oscillateur <strong>de</strong> Duffing<br />
0.8<br />
0.4<br />
0.6<br />
0.3<br />
p<br />
0.4<br />
p<br />
0.2<br />
0.2<br />
0.1<br />
0<br />
100<br />
50<br />
x 2<br />
0<br />
0<br />
20<br />
40<br />
x 1<br />
60<br />
80<br />
100<br />
0<br />
0<br />
50<br />
100<br />
150<br />
200 0<br />
50<br />
x 2<br />
100<br />
150<br />
200<br />
x 1<br />
(a) W 0 = 0.1, L 1 = L 2 = 4.0<br />
(b) W 0 = 0.032, L 1 = L 2 = 2.0<br />
Fig. 2.4 – Probabilités <strong>de</strong>s états du système (2.2), avec k = 1, c = 0.05, λ = 10, σ 2 = W 0<br />
2 .<br />
où ξ(t) est un bruit blanc <strong>de</strong> coefficient <strong>de</strong> diffusion 2D. Certains paramètres sont fixes :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
w 0 = 1 ,<br />
γ = 1.0 ,<br />
η = 0.01 ,<br />
Γ = 0.1 .<br />
(2.4)<br />
Nous faisons varier l’intensité du bruit <strong>et</strong> la fréquence <strong>de</strong> la sollicitation :<br />
1 2 3 4 5 6<br />
Ω 1.5 1.5 1.5 1.2 1.2 1.2<br />
D 0.001 0.005 0.01 0.0001 0.001 0.005<br />
Tab. 2.1 – Paramètres utilisés pour simuler l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation (2.3).<br />
En observant les résultats <strong>de</strong>s trois premières simulations, nous observons un phénomène<br />
relevé par plusieurs chercheurs ayant travaillé sur l’oscillateur <strong>de</strong> type Duffing (par exemple,<br />
[116]) : la probabilité <strong>de</strong> Fokker-Planck <strong>de</strong> c<strong>et</strong> oscillateur possédant les paramètres adéquats<br />
exhibe un pic principal <strong>et</strong> une ”queue“(tail) <strong>de</strong> probabilité, comme sur la figure 2.5. Ces <strong>de</strong>rniers<br />
correspon<strong>de</strong>nt respectivement au point fixe en (0, 0) (stable) <strong>et</strong> un autre point fixe (instable).<br />
Au fil du temps, le pic s’affine autour du point (x, y) = (0, 0) <strong>et</strong> la queue est détruite. Donc sous<br />
l’eff<strong>et</strong> <strong>de</strong> la sollicitation, tout le mouvement du système est concentré en (0, 0).<br />
119
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
(a) t = π<br />
(b) t = 2π<br />
(c) t = 4π<br />
(d) t = 5π<br />
(e) t = 6π<br />
(f) t = 8π<br />
Fig. 2.5 – Probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> Duffing <strong>de</strong> l’équation (2.4) avec<br />
w 0 = 1.0, γ = 1.0, η = 0.01, Γ = 0.1, Ω = 1.5 <strong>et</strong> D = 0.001, pour différents temps d’observation.<br />
La condition initiale choisie est une probabilité équirépartie, ce qui explique la forme plate <strong>de</strong> la<br />
<strong>de</strong>nsité <strong>de</strong> probabilité en temps courts.<br />
120
2.3. Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing<br />
Avec ces trois simulations, nous observons également l’influence <strong>de</strong> la diffusion. En eff<strong>et</strong>,<br />
nous observons qu’à temps égal, une diffusion plus importante étale le pic central <strong>et</strong> détruit<br />
plus rapi<strong>de</strong>ment la queue. Ceci est logique : une diffusion plus importante correspondant à un<br />
bruit plus fort, ce qui entraine la <strong>de</strong>struction <strong>de</strong>s phénomènes instables <strong>et</strong> une diffusion <strong>de</strong>s<br />
phénomènes stables (figure 2.6).<br />
(a) D = 0.001 (b) D = 0.005<br />
(c) D = 0.01<br />
Fig. 2.6 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> Duffing <strong>de</strong> l’équation<br />
(2.4) avec w 0 = 1.0, Ω = 1.5, γ = 1.0, η = 0.01, Γ = 0.1, t = 6π. Nous observons que quand la<br />
diffusion augmente, le pic central s’étale <strong>et</strong> la queue <strong>de</strong> probabilité disparait.<br />
En observant les simulations 4, 5 <strong>et</strong> 6, un tout autre comportement apparait. Ici aussi, nous<br />
observons l’eff<strong>et</strong> <strong>de</strong> la diffusion (figure 2.7).<br />
Un autre phénomène intéressant à remarquer est la rotation <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité<br />
autour du point (0, 0) dans le sens trigonométrique, par exemple avec les figures 2.8 <strong>et</strong> 2.9. Il<br />
s’agit <strong>de</strong> l’eff<strong>et</strong> <strong>de</strong> la sollicitation, qui est ici sinusoïdale <strong>de</strong> la forme Γ cos(Ωt).<br />
Ces résultats sont i<strong>de</strong>ntiques à ceux consignés dans les articles existants ([86, 87]).<br />
121
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
(a) D = 0.0001 (b) D = 0.001<br />
(c) D = 0.005<br />
Fig. 2.7 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> Duffing <strong>de</strong> l’équation<br />
(2.4) avec w 0 = 1.0, γ = 1.0, η = 0.01, Γ = 0.1, t = 21π, Ω = 1.2.<br />
122
2.3. Cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing<br />
(a) A t = 10π (b) A t = 10.1π<br />
(c) A t = 10.2π<br />
Fig. 2.8 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation<br />
(2.4), avec w 0 = 1.0, γ = 1.0, η = 0.01, Γ = 0.1, Ω = 1.2, D = 0.005.<br />
123
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
(a) A t = 35π (b) A t = 35.1π<br />
(c) A t = 35.2π<br />
Fig. 2.9 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation<br />
(2.4), avec w 0 = 1.0, γ = 1.0, η = 0.01, Γ = 0.1, Ω = 1.5, D = 0.0001.<br />
124
2.4. <strong>Systèmes</strong> paramétriques<br />
2.4 <strong>Systèmes</strong> paramétriques<br />
2.4.1 Discrétisation utilisée<br />
Le système étudié est celui <strong>de</strong> [71] :<br />
ü + δ ˙u + ( w 2 0 + γ cos (wt) ) u + αu 2 + βu 3 = f (t) , (2.1)<br />
qui s’écrit également sous la forme :<br />
{<br />
ẏ1 = y 2 ,<br />
ẏ 2 = −δy 2 − ( w 2 0 + γ cos (wt)) u − αy 2 1 − βy3 1 + f (t) . (2.2)<br />
f (t) est un bruit blanc <strong>de</strong> diffusion W 0 :<br />
< f (t) >= 0, < f (t 1 ).f (t 2 ) >= W 0<br />
2 δ (t 1 − t 2 ) .<br />
L’équation <strong>de</strong> Fokker-Planck correspondante s’écrit :<br />
∂p<br />
∂t = − ∂ (a 1 p) −<br />
∂ (a 2 p) +<br />
∂2<br />
(b 12 p) + 1 ∂y 1 ∂y 2 ∂y 1 ∂y 2 2<br />
avec :<br />
∂ 2<br />
∂y 2 1<br />
(b 11 p) + 1 2<br />
∂ 2<br />
∂y 2 2<br />
(b 22 p) , (2.3)<br />
< ∆y 1 ><br />
a 1 = lim = ẏ 1 = y 2 ,<br />
∆t→0 ∆t<br />
< ∆y 2 ><br />
a 2 = lim ,<br />
∆t→0<br />
⎧ ∆t<br />
∫ t+∆t<br />
∫ t+∆t ⎫<br />
⎪⎨ < −δy 2 − w0 2y 1 − αy1 2 − βy3 1 > ∆t − γ < cos(wτ) > dτ + < f (τ) > dτ ⎪⎬<br />
t<br />
t<br />
= lim<br />
∆t→0<br />
∆t<br />
⎪⎩<br />
⎪⎭<br />
,<br />
= −δy 2 − w 2 0 y 1 − αy 2 1 − βy3 1 − γ lim<br />
∆t→0<br />
∫ t+∆t<br />
t<br />
cos(wτ)<br />
y 1 dτ ,<br />
∆t<br />
= −δy 2 − w0 2y 1 − αy1 2 − βy3 1 − 2γ<br />
( ) ( )<br />
w∆t w (2t + ∆t)<br />
w∆t lim y 1 (τ 1 )sin cos<br />
∆t→0 2 2<br />
,<br />
= −δy 2 − w 2 0 y 1 − αy 2 1 − βy3 1 − γy 1 (t)cos (wt) ,<br />
< ∆y1 2 b 11 = lim<br />
> = 0 ,<br />
∆t→0 ∆t<br />
125
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
b 12<br />
< ∆y 1 .∆y 2 ><br />
= b 21 = lim<br />
,<br />
⎧∆t→0<br />
[ ∆t<br />
∫ (−δy2<br />
⎪⎨ < y 2 ∆t − w0 2y 1 − αy1 2 − ) t+∆t ∫ t+∆t<br />
] ⎫<br />
βy3 1 ∆t − γ cos (wτ)dτ + f (τ)dτ > ⎪⎬<br />
t<br />
t<br />
= lim<br />
∆t→0<br />
∆t<br />
⎪⎩<br />
⎪⎭<br />
{ ∫ (−δy2<br />
= < y 2 − w0 2y 1 − αy1 2 − ) t+∆t ∫ t+∆t<br />
}<br />
βy3 1 ∆t − γ cos (wτ)dτ + f (τ)dτ > ,<br />
= 0 ,<br />
t<br />
t<br />
,<br />
< ∆y2 2 b 22 = lim<br />
><br />
∆t→0 ∆t<br />
,<br />
{ (−δy2<br />
< − w0 2y 1 − αy1 2 − βy3 1<br />
= lim<br />
∆t→0<br />
∫<br />
) t+∆t<br />
∆t + f (τ) dτ − γ<br />
t<br />
∆t<br />
∫ t+∆t<br />
t<br />
cos (wτ)y 1 (τ)dτ} 2<br />
><br />
,<br />
= W 0<br />
2 .<br />
Finalement l’équation <strong>de</strong> Fokker-Planck s’écrit :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂ (y 2 p) + ∂ {(<br />
δy2 + ( w0 2 + γ cos (wt) ) y 1 + αy1 2 + βy 3 ) } ∂p<br />
1 p =<br />
∂y 1 ∂y 2 ∂t . (2.4)<br />
Soit en notant F (y 1 , t) = ( w 2 0 + γ cos (wt)) y 1 + αy 2 1 + βy3 1 :<br />
W 0<br />
4<br />
∂ 2 p<br />
−<br />
∂y 2 2<br />
∂<br />
∂y 1<br />
(y 2 p) + ∂<br />
∂y 2<br />
{(δy 2 + F (y 1 , t)) p} = ∂p<br />
∂t . (2.5)<br />
Comme pour la section précé<strong>de</strong>nte, nous remarquons que seul le <strong>de</strong>uxième pas <strong>de</strong> discrétisation<br />
est modifié. En particulier, la discrétisation dans c<strong>et</strong>te direction s’écrit alors :<br />
a. Pour le schéma implicte :<br />
p n+2/3<br />
i,j<br />
= p n+1/3<br />
i,j<br />
+ ∆t [ (βy2(j+1)<br />
+ F (y 1i , t n ) ) p n+2/3<br />
i,j+1<br />
2∆y 2<br />
− ( βy 2(j−1) + F (y 1i , t n ) ) ]<br />
p n+2/3<br />
i,j−1<br />
.<br />
(2.6)<br />
126
2.4. <strong>Systèmes</strong> paramétriques<br />
b. Pour le schéma ”upwind-differencing“ :<br />
p n+2/3<br />
i,j<br />
− p n+1/3<br />
i,j<br />
∆t<br />
⎧<br />
⎪⎨<br />
=<br />
⎪⎩<br />
(F (y 1i , t n )) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
(F (y 1i , t n )) pn+2/3 i,j+1 − pn+2/3 i,j−1<br />
2∆y 2<br />
+ β 2<br />
(<br />
)<br />
p n+2/3<br />
i,j−1 + pn+2/3 i,j+1<br />
+ β.y 2j . pn+2/3 i,j<br />
si βy 2j > 0 ,<br />
− p n+2/3<br />
i,j−1<br />
∆y 2<br />
+ β.y 2j . pn+2/3 i,j+1 − pn+2/3 i,j<br />
∆y 2<br />
si βy 2j < 0 .<br />
(2.7)<br />
Ici aussi plusieurs choix sont possible pour t n ; nous choissirons t n = 1 2<br />
(<br />
tn+1/3 + t n+2/3<br />
)<br />
.<br />
2.4.2 Recherche <strong>de</strong> bassins d’attraction <strong>et</strong> d’attracteurs chaotiques<br />
Nous étudions le système présenté page 116 <strong>de</strong> la référence [71], c’est-à-dire le système décrit<br />
par l’équation (2.1) avec les paramètres suivants : δ = 0.9, γ = 0.9, w 0 = 1, w = 1.895, α = 1,<br />
β = 1. Nous étudions ce système numériquement avec W 0 = 0.003, ∆t =<br />
π<br />
18.95 , N = 200,<br />
L 1 = 6 <strong>et</strong> L 2 = 8.<br />
Lorsque nous utilisons comme condition initiale pour l’algorithme un dirac situé dans le<br />
bassin d’attraction du cycle limite <strong>de</strong> pério<strong>de</strong> 2T, nous r<strong>et</strong>rouvons bien un pic comme solution<br />
pour tous les instants t ≡ 0[2π] (observation <strong>de</strong> la section <strong>de</strong> Poincaré, figure 2.10).<br />
Fig. 2.10 – Pic <strong>de</strong> probabilité correspondant à la solution périodique du système <strong>de</strong> l’équation<br />
(2.1) δ = 0.9, γ = 0.9, w 0 = 1, w = 1.895, α = 1, β = 1, avec pour un coefficient <strong>de</strong> diffusion<br />
égal à W 0 = 0.001.<br />
127
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Pour observer les autres bassins d’attraction (à <strong>de</strong>ux ou quatre ban<strong>de</strong>s), il faut alors choisir<br />
une condition initiale convenable, ainsi qu’une diffusion faible (graphes 2.11).<br />
(a) W 0 = 0.000001 (b) W 0 = 0.0000000001<br />
Fig. 2.11 – Etu<strong>de</strong> du système <strong>de</strong> l’équation (2.1) avec δ = 0.9, γ = 0.9, w 0 = 1, w = 1.895,<br />
α = 1, β = 1, pour W 0 = 0.000001 <strong>et</strong> W 0 = 0.0000000001.<br />
De plus, la valeur numérique du coefficient <strong>de</strong> diffusion utilisée est déterminante pour la solution<br />
numérique obtenue. En eff<strong>et</strong>, les valeurs propres <strong>de</strong>s matrices intervenant dans la métho<strong>de</strong><br />
<strong>de</strong>s différences finies sont liées étroitement à la valeur numérique du coefficient <strong>de</strong> diffusion.<br />
Ces <strong>de</strong>rnières peuvent alors être mal conditionnées, ce qui entraine <strong>de</strong>s résultats non précis.<br />
L’attracteur n’est alors plus visible.<br />
2.5 <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb<br />
Nous étudions dans ce paragraphe un système dynamique soumis à la friction <strong>de</strong> Coulomb.<br />
Bien sûr, le problème <strong>de</strong> c<strong>et</strong>te sollicitation est qu’elle n’est pas univoque.<br />
2.5.1 Résultats déterministes<br />
où :<br />
L’équation du mouvement s’écrit :<br />
mẍ + aẋ + kx + ασ(ẋ) ∋ f sin(wt) + f(t) , (2.1)<br />
– f(t) est un bruit blanc <strong>de</strong> coefficient <strong>de</strong> diffusion W 0<br />
2 .<br />
– σ(ẋ) est la fonction signe <strong>de</strong> la vitesse.<br />
La fonction signe n’est pas univoque. En eff<strong>et</strong>, σ(u) est égale à +1 si u > 0, −1 si u < 0 <strong>et</strong> à<br />
l’intervalle [−1, 1] si u = 0 (figure 2.12).<br />
128
2.5. <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb<br />
σ(x)<br />
+1<br />
x<br />
-1<br />
Fig. 2.12 – Graphe <strong>de</strong> la fonction signe.<br />
Pour rechercher les points fixes, on écrit :<br />
ẍ = ẋ = 0 , soit : (2.2)<br />
kx + ασ(0) ∋ f sin(wt) + f(t) . (2.3)<br />
Le problème ici est bien sûr que σ(0) est inconnu, ou plutôt que c<strong>et</strong>te valeur est ”égale“ au<br />
segment fermé [−1, 1].<br />
La solution <strong>de</strong> l’équation ci-<strong>de</strong>ssus est la somme <strong>de</strong> la solution du problème homogène <strong>et</strong><br />
d’une solution particulière.<br />
En particulier, lorsque la sollicitation sinusoïdale est supposée nulle ou négligeable (f = 0),<br />
le problème s’écrit :<br />
kx + ασ(0) ∋ f(t) , soit : (2.4)<br />
− 1 (ασ(0) − f(t)) ∈ x . (2.5)<br />
k<br />
Donc si nous supposons f(t) négligeable (ce qui est vrai pour <strong>de</strong>s temps courts), les points fixes<br />
du système auront une abscisse x telle que :<br />
x ∈<br />
[<br />
− α k , α ]<br />
k<br />
Pour le problème avec second membre, nous avons <strong>de</strong> même :<br />
. (2.6)<br />
x ∈ − 1 (ασ(0) − f(t) − f sin(wt)) (2.7)<br />
k<br />
Dans le cas déterministe, le portrait <strong>de</strong> phase a pu être représenté (voir figure 2.13) pour <strong>de</strong>s<br />
systèmes similaires, par exemple dans [61] :<br />
129
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Fig. 2.13 – Portrait <strong>de</strong> phase déterministe d’un pendule à un <strong>de</strong>gré <strong>de</strong> liberté soumis à la<br />
friction. C<strong>et</strong>te figure est extraite <strong>de</strong> la référence [61]. L’équation du mouvement est donc ẍ +<br />
aẋ + λ sin(x) + ασ(ẋ) − f(t) ∋ 0, ce qui est similaire à notre système dynamique pour x p<strong>et</strong>it.<br />
130
2.5. <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb<br />
2.5.2 Equation <strong>de</strong> Fokker-Planck pour problèmes non réguliers<br />
Le développement <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck tel qu’il est réalisé la plupart du temps<br />
n’est valable que dans le cas <strong>de</strong> problèmes réguliers.<br />
Mais c<strong>et</strong>te théorie <strong>et</strong> sa preuve peuvent se généraliser dans le cas où les points <strong>de</strong> discontinuité<br />
sont <strong>de</strong> mesure nulle. Ceci est donc le cas pour la friction ([72] ou [48]). En eff<strong>et</strong>, en reprenant<br />
la démonstration <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck par Caughey ([15]) <strong>et</strong> en écrivant l’équation <strong>de</strong><br />
Smoluchowski :<br />
∫<br />
n∏<br />
p c (x|y, t + ∆t) = p c (x|z, t)p c (z|y, ∆t) dz i . (2.8)<br />
(R ∗ ) n<br />
i=1<br />
p c (x|y, t) est la probabilité <strong>de</strong> transition entre les états<br />
{<br />
x <strong>et</strong> y<br />
}<br />
à l’instant t. Dans l’exemple <strong>de</strong> la<br />
ẋ<br />
friction étudié ici, x <strong>et</strong> y sont <strong>de</strong>s vecteurs <strong>de</strong> la forme .<br />
x<br />
{0} étant <strong>de</strong> mesure nulle, c<strong>et</strong>te intégrale <strong>de</strong> Lebesgue s’écrit donc également :<br />
∫<br />
p c (x|y, t + ∆t) = p c (x|z, t)p c (z|y, ∆t)dz 1 . . . dz n . (2.9)<br />
R n<br />
Soit R(y) une fonction telle que R(y) → yi →±∞0.<br />
Alors en multipliant par R(y) <strong>et</strong> en intégrant sur l’espace <strong>de</strong>s phases :<br />
∫<br />
R n R(y)p c (x|y, t + ∆t)dy 1 . . . dy n =<br />
∫R n ∫<br />
Alors en développant R(y) en séries <strong>de</strong> Taylor :<br />
R n R(y)p c (x|z, t)p c (z|y, ∆t)dy 1 . . .dy n dz 1 . . .dz n .(2.10)<br />
R(y) = R(z) + ∑ n<br />
i=1 (y i − z i ) ∂R(y)<br />
∂z i<br />
+ 1 2<br />
ainsi en remplaçant dans l’équation (2.10),<br />
∫<br />
i=1 j=1<br />
n∑<br />
n∑<br />
i=1 j=1<br />
(y i − z i )(y j − z j ) ∂2 R(y)<br />
∂z i ∂z j<br />
+ O(|y − z| 2 ) ,<br />
{p c (x|y, t + ∆t) − p c (x|y, t)} dy 1 . . .dy n<br />
R n {<br />
n∑<br />
∫<br />
(2.11)<br />
∂<br />
= − (z i − y i )p c (z|y, ∆t)dz 1 . . . dz n p c (x|y, t)<br />
∫R n ∂y<br />
i=1 i R n<br />
+ 1 n∑ n∑ ∂ 2 [∫<br />
] ⎫ ⎬<br />
(z i − y i )(z j − y j )p c (y|z, ∆t)dz 1 . . .dz n p c (x|y, t)<br />
2 ∂y i ∂y j R n ⎭ dy 1 . . .dy n .<br />
131
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
On note :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
A i (y, t) =<br />
B ij (y, t) =<br />
a i (y, t) =<br />
b ij (y, t) =<br />
∫<br />
(z i − y i )p c (y|z, ∆t)dz 1 ..dz n ,<br />
R n<br />
∫<br />
(z i − y i )(z j − y j )p c (y|z, ∆t)dz 1 ..dz n ,<br />
R n<br />
lim<br />
∆t→0<br />
lim<br />
∆t→0<br />
(2.12)<br />
A i<br />
∆t ,<br />
B ij<br />
∆t .<br />
Donc en utilisant l’équation (2.11), en multipliant par 1 , en faisant tendre ∆t vers 0, <strong>et</strong> comme<br />
∆t<br />
c<strong>et</strong>te équation est vraie pour toute fonction R(y) telle que R(y)→ yi →±0, nous obtenons l’équation<br />
<strong>de</strong> Fokker-Planck :<br />
∂p c<br />
n∑<br />
( )<br />
∂t (x|y, t) = − ∂<br />
a i p c (x|y, t) + 1 ∂y i 2<br />
i=1<br />
n∑<br />
n∑<br />
i=1 j=1<br />
∂ 2 ( )<br />
b ij p c (x|y, t)<br />
∂y i ∂y j<br />
. (2.13)<br />
Ainsi, l’équation <strong>de</strong> Fokker-Planck peut être généralisée aux systèmes non réguliers dont la<br />
mesure <strong>de</strong>s points <strong>de</strong> non-régularité est nulle.<br />
2.5.3 Equation <strong>de</strong> Fokker-Planck du problème<br />
Nous pouvons traduire ceci par :<br />
{<br />
ẏ1 = y 2 ,<br />
ẏ 2 = −F(y 1 , y 2 , t) + f(t) ,<br />
(2.14)<br />
où F(y 1 , y 2 , t) = a m y 2+ k m y 1+ α m σ(y 2)− f sin(wt). L’équation <strong>de</strong> Fokker-Planck correspondante<br />
m<br />
s’écrit :<br />
∂p<br />
∂t = −y ∂p<br />
2 + ∂ {<br />
∂y 1 ∂y 2<br />
}<br />
F(y 1 , y 2 , t)p<br />
+ W 0<br />
4<br />
∂ 2 p<br />
∂y 2 2<br />
. (2.15)<br />
Comme la fonction signe n’est pas univoque, nous avons fait le choix <strong>de</strong> la régulariser pour<br />
la programmation numérique.<br />
Pour ceci, nous remplaçons c<strong>et</strong>te fonction σ(x) par la fonction ˜σ(x) suivante :<br />
132
σ(x)<br />
2.5. <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb<br />
+1<br />
−∆y 1 ∆y x<br />
1 ˜σ(x) =<br />
-1<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
−1 si x < −∆y 1<br />
x<br />
∆y 1<br />
si x ∈ [−∆y 1 , ∆y 1 ]<br />
1 si x > ∆y 1 .<br />
Dans notre discrétisation, ceci sera utilisé <strong>de</strong> la manière suivante : avec x i = − L 2 + i∆x, i ∈<br />
[1, 2N + 1],<br />
⎧<br />
⎨<br />
⎩<br />
˜σ(0) = ˜σ(x 2N+1 ) = 0 ,<br />
∀i < 2N + 1, ˜x i = −1 ,<br />
∀i > 2N + 1, ˜x i = 1 .<br />
(2.16)<br />
Les trois matrices intervenant dans les trois étapes <strong>de</strong> calcul sont explicitées dans l’annexe E,<br />
page 353.<br />
2.5.4 Résultats <strong>de</strong>s simulations<br />
Nous utilisons par défaut les paramètres suivants : ∆t = 0.001π, N = 200, T = 20π,<br />
L 1 = L 2 = 3, m = 1, a = 0.03, k = 1.0, w = 0.9. Nous faisons varier certains paramètres : la<br />
<strong>de</strong>mie-hauteur <strong>de</strong> saut α, l’amplitu<strong>de</strong> <strong>de</strong> la sollicitation sinusoïdale f, la condition initiale <strong>et</strong> le<br />
bruit W 0 . Diverses possibilités ont été testées, résumées dans le tableau 2.2.<br />
α f Condition initiale W 0<br />
0.1 0 Gausienne en (0.1, 0.1) 0.001<br />
1 0.1 Gaussienne en (0, 0) 0.01<br />
10 1 Gaussienne en (0, 0) 0.1<br />
Tab. 2.2 – Combinaisons <strong>de</strong> paramètres utilisés pour simuler l’équation <strong>de</strong> Fokker-Planck du<br />
système avec friction.<br />
Nous r<strong>et</strong>rouvons les résultats déterministes sur ce problème <strong>de</strong> la friction, exposés par exemple<br />
dans la référence [61]. Pour <strong>de</strong>s temps courts la <strong>de</strong>nsité <strong>de</strong> probabilité prend la forme du segment<br />
133
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
[<br />
− α k , α ]<br />
. Ensuite, celui-ci se déforme <strong>et</strong> subit une rotation d’environ 90 ◦ . Il prend alors la forme<br />
k<br />
d’un S, dont les extrémités continuent à se recourber jusqu’à présenter la forme d’un escargot.<br />
Les différentes simulations numériques <strong>et</strong> les phénomènes observés sont résumés dans le tableau<br />
2.3.<br />
Numéro simulation Paramètres Commentaires<br />
f = 0.1 Au fil du temps :<br />
α = 1.0 segment <strong>de</strong> [−1, 1]<br />
1 W 0 = 0.001 puis commence à s’incurver à T =<br />
160∆t<br />
CI = S visible à T = 230∆t<br />
Gaussienne en (0.1, 0.1)<br />
CI =<br />
2 Gausienne en (0.1, 0.1) S moins incurvé <strong>et</strong> plus long<br />
3 f = 0 Tourne également mais plus<br />
lentement<br />
4 f = 0 Segment beaucoup moins long<br />
α = 0.1 Densité <strong>de</strong> probabilité peu évoluée<br />
5 f = 0 Segment très long<br />
α = 10 A partir <strong>de</strong> N sim = 40, le domaine<br />
d’étu<strong>de</strong> est trop p<strong>et</strong>it<br />
6 W 0 = 0.01 Plus flou<br />
7 W 0 = 0.1 Encore plus flou<br />
Tab. 2.3 – Paramètres <strong>et</strong> résultats <strong>de</strong>s simulations <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck du système<br />
avec friction. Pour outes ces simulations, certains paramètres sont fixes : ∆t = 0.001.π, N = 200,<br />
T = 20π, L 1 = L 2 = 30, m = 1, a = 0.03, k = 1.0, w = 0.9.<br />
L’évolution <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité pour f faible peut être décrite <strong>de</strong> la façon suivante :<br />
tout d’abord, elle prend la forme d’un segment pendant un certain temps (environ 0.3π dans<br />
le cas présent), puis c<strong>et</strong>te <strong>de</strong>nsité s’incurve. Finalement, elle s’ ”enroule“ sur elle-même pour<br />
finalement prendre la forme d’un escargot ou d’une rose. En temps long, la spirale s’étend <strong>de</strong><br />
plus en plus <strong>et</strong> le bruit est trop important pour notre étu<strong>de</strong>.<br />
Ce comportement est résumé par les représentations suivantes 2.14.<br />
134
2.5. <strong>Systèmes</strong> avec friction <strong>de</strong> Coulomb<br />
(a) t = 0 (b) t = 30∆t (c) t = 170∆t<br />
(d) t = 250∆t<br />
(e) t = 530∆t<br />
Fig. 2.14 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck du système dynamique avec friction décrit<br />
par l’équation (2.1) où m = 1, a = 0.03, k = 1.0, α = 1.0, f = 0.1, w = 0.9. Pour la simulation,<br />
nous avons fixé le pas <strong>de</strong> temps à ∆t = 0.001π, le nombre <strong>de</strong> points du maillage à N = 200, le<br />
coefficient <strong>de</strong> diffusion W 0 du bruit blanc à 0.001. La condition initiale est une gaussienne centréeen<br />
(0.1, 0.1). Nous observons que la <strong>de</strong>nsité <strong>de</strong> probabilité initiale, qui forme une gaussienne,<br />
se déforme pour donner un segment <strong>de</strong> probabilité s’étalant environ <strong>de</strong> − α k à +α , qui s’incurve<br />
k<br />
assez rapi<strong>de</strong>ment.<br />
135
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Ensuite, pour <strong>de</strong>s temps longs, les extrémités du S s’incurvent pour former une sorte d’escargot<br />
(figures 2.15 <strong>et</strong> 2.16).<br />
Ces comportements probabilistes sont similaires à ce que l’on peut observer dans le cas<br />
déterministe (voir portrait <strong>de</strong> phase 2.13).<br />
De plus, nous r<strong>et</strong>rouvons le fait que le segment <strong>de</strong> probabilité s’étend <strong>de</strong><br />
[<br />
− α k , α ]<br />
. En<br />
k<br />
comparant les cas α = 1.0, α = 0.1 <strong>et</strong> α = 10, voir figure 2.17.<br />
Pour α = 0.1, le segment est tellement court que sa forme n’est plus reconnaissable. Par<br />
contre, pour c<strong>et</strong>te même valeur <strong>de</strong> α <strong>et</strong> en prenant un bruit inférieur, le phénomène apparait à<br />
nouveau comme nous pouvons le remarquer sur la figure 2.18 :.<br />
Si l’amplitu<strong>de</strong> <strong>de</strong> la sollicitation est plus forte, le comportement est très différent, surtout<br />
pour <strong>de</strong>s temps longs. Par exemple, les <strong>de</strong>ux extrémités ne s’incurvent pas <strong>de</strong> la même manière<br />
(graphe 2.19).<br />
2.6 Etu<strong>de</strong> d’une loi <strong>de</strong> comportement élasto-plastique régularisée<br />
Ce problème a été étudié par [18] où il a été résolu par la métho<strong>de</strong> <strong>de</strong>s éléments finis.<br />
2.6.1 Problème étudié <strong>et</strong> équation <strong>de</strong> Fokker-Planck correspondante<br />
Nous souhaitons étudier le comportement d’un matériau élasto-plastique soumis à une sollicitation<br />
harmonique <strong>et</strong> un bruit blanc. Ce <strong>de</strong>rnier peut rendre compte <strong>de</strong> la réponse d’un modèle<br />
à un <strong>de</strong>gré <strong>de</strong> liberté ”élasto-plastique“, résultat <strong>de</strong> l’approximation d’un modèle continu en environnement<br />
bruité : les <strong>de</strong>grés <strong>de</strong> liberté négligés <strong>et</strong> c<strong>et</strong> environnement créent un bruit dont on<br />
considère que Fokker-Planck peut donner une représentation.<br />
Ceci pourra être modélisé par :<br />
mẍ + aẋ + F(x) = g(t) + f(t) , (2.1)<br />
où :<br />
– g(t) est la sollicitation harmonique. Nous noterons g(t) = g sin(wt).<br />
– f(t) est un bruit blanc <strong>de</strong> coefficient <strong>de</strong> diffusion W 0<br />
2 .<br />
– F(x) est la loi <strong>de</strong> comportement étudiée. F a donc la forme <strong>de</strong> le figure 2.20 : après<br />
une phase <strong>de</strong> comportement élastique pur, le comportement est plastique pur pendant un<br />
certain temps avant <strong>de</strong> subir un endommagement total.<br />
Sur ce graphe, x représente la déformation <strong>et</strong> F(x) est la contrainte. C<strong>et</strong>te loi <strong>de</strong> comportement<br />
a été choisie symétrique par rapport à l’état d’équilibre ǫ = 0 pour tenir compte du<br />
phénomène d’hystérésis qui pourrait exister. Le phénomène d’écrouissage est compl<strong>et</strong>, c’est-àdire<br />
qu’à partir d’une certaine déformation la contrainte diminue jusqu’à être nulle.<br />
Nous testons différentes valeurs numériques pour les paramètres α, β, γ <strong>et</strong> δ afin <strong>de</strong> simuler<br />
différentes lois <strong>de</strong> comportement : élastique pur, élasto-plastique pur,... avec différents seuils <strong>de</strong><br />
plasticité.<br />
136
2.6. Loi <strong>de</strong> comportement élasto-plastique<br />
(a) t = 10 × 0.01π (b) t = 20 × 0.01π<br />
(c) t = 30 × 0.01π (d) t = 40 × 0.01π<br />
Fig. 2.15 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck du système dynamique avec friction décrit<br />
par l’équation (2.1) où m = 1, a = 0.03, k = 1.0, α = 1.0, f = 0.1, w = 0.9. Ainsi pour <strong>de</strong>s<br />
temps d’observation assez importants, le segment <strong>de</strong> pic <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité s’incurve aux<br />
extrémités pour former un ”S“. Puis il s’enroule sur lui-même pour former un escargot (ou une<br />
rose). Il peut être remarqué que ce phénomène ne s’arrête pas, c’est-à-dire que c<strong>et</strong>te <strong>de</strong>nsité <strong>de</strong><br />
probabilité continue <strong>de</strong> s’enrouler sur elle-même, en s’étalant <strong>de</strong> plus en plus dans l’espace (donc<br />
non visible pour un domaine d’étu<strong>de</strong> donné au bout d’un certain temps).<br />
137
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
(a) t = 10 × 0.01π (b) t = 20 × 0.01π<br />
(c) t = 30 × 0.01π (d) t = 40 × 0.01π<br />
Fig. 2.16 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck du système dynamique avec friction décrit<br />
par l’équation (2.1) où m = 1, a = 0.03, k = 1.0, α = 1.0, f = 0.1, w = 0.9. Ici aussi, nous<br />
observons le pic en forme <strong>de</strong> ”S“ qui s’enroule sur lui-même.<br />
138
2.6. Loi <strong>de</strong> comportement élasto-plastique<br />
(a) α = 1.0 (b) α = 0.1<br />
(c) α = 10.0<br />
Fig. 2.17 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck du système dynamique avec friction décrit<br />
par l’équation (2.1) où m = 1, a = 0.03, k = 1.0, f = 0.1, w = 0.9, pour différentes [ valeurs <strong>de</strong><br />
la friction. Ainsi pour chacun <strong>de</strong> ces cas, le ”segment“ observé est égal environ à − α ]<br />
k , +α . Le<br />
k<br />
premier cas est celui étudié jusqu’à présent. Dans le <strong>de</strong>uxième cas, la distance du segment est<br />
tellement faible que celui-ci ressemeble à un pic ponctuel. Enfin pour le <strong>de</strong>rnier cas, le segment<br />
présente c<strong>et</strong>te forme incurvée car le domaine d’étu<strong>de</strong> n’est pas dimensionné <strong>de</strong> manière optimale<br />
pour le représenter en entier.<br />
139
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
(a) t = 10 × 0.01π<br />
(b) t = 20 × 0.01π<br />
(c) t = 30 × 0.01π<br />
(d) t = 40 × 0.01π<br />
Fig. 2.18 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck du système dynamique avec friction décrit<br />
par l’équation (2.1) où m = 1, a = 0.03, k = 1.0, α = 0.1, f = 0.1 <strong>et</strong> W 0 = 0.001.<br />
140
2.6. Loi <strong>de</strong> comportement élasto-plastique<br />
(a) t = 10 × 0.01π (b) t = 10 × 0.01π<br />
Fig. 2.19 – Densité <strong>de</strong> probabilité du système dynamique avec friction décrit par l’équation (2.1)<br />
avec f = 1. Ici le comportement <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité est radicalement différent <strong>de</strong> celui<br />
du système dynamique sans sollicitation extérieure. De plus, ici l’amplitu<strong>de</strong> <strong>de</strong> la sollicitation<br />
est relativement faible : f = 1. Pour <strong>de</strong>s amplitu<strong>de</strong>s plus importantes, le phénomène observé<br />
jusqu’à présent est complètement détruit.<br />
f(x)<br />
α<br />
-δ -γ -β<br />
β<br />
γ δ<br />
x<br />
-α<br />
Fig. 2.20 – Graphe <strong>de</strong> la loi <strong>de</strong> comportement ”élasto-plastique“ : la partie élasto-plastique (<strong>de</strong><br />
−γ à +γ) est physique, alors que les parties ] − ∞, −γ[ <strong>et</strong> ]gamma,+∞[ correspon<strong>de</strong>nt à la<br />
modélisation mathématique du pàhénomène physique d’écrouissage.<br />
141
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Les équations du mouvement <strong>de</strong> c<strong>et</strong> oscillateur se m<strong>et</strong>tent sous la forme :<br />
{<br />
ẏ1 = y 2 ,<br />
ẏ 2 = −G (y 1 , y 2 , t) + g(t) ,<br />
(2.2)<br />
où G (y 1 , y 2 , t) = a m y 2 + 1 m F(y 1). L’équation <strong>de</strong> Fokker-Planck s’écrit alors :<br />
∂p<br />
∂t = −y ∂p<br />
2 + ∂ {<br />
∂y 1 ∂y 2<br />
}<br />
G (y 1 , y 2 , t)p<br />
+ W 0<br />
4<br />
∂ 2 p<br />
∂y 2 2<br />
. (2.3)<br />
F(x) est égale à :<br />
⎧<br />
⎪⎨<br />
F(x) =<br />
⎪⎩<br />
0 si x < −δ ,<br />
k 2 x si −δ < x < −γ ,<br />
−α si −γ < x < −β ,<br />
k 1 x si −β < x < β ,<br />
α si β < x < γ ,<br />
k 2 x si γ < x < δ ,<br />
0 si x > δ .<br />
(2.4)<br />
La discrétisation effectuée <strong>et</strong> les matrices correspondantes peuvent être trouvées dans l’annexe<br />
F, page 357.<br />
2.6.2 Résultats théoriques sur le système dynamique avec loi <strong>de</strong> comportement<br />
L’équation dynamique du mouvement s’écrit :<br />
la recherche <strong>de</strong>s points fixes nous mène à écrire :<br />
mẍ + aẋ + F(x) = g(t) + f(t), donc : (2.5)<br />
(2.6)<br />
F(x) = g(t) + f(t), ∀t . (2.7)<br />
Ici, contrairement au cas <strong>de</strong> la friction, F(x) est univoque. Or F(x) ∈ [−α, α], donc g(t) + f(t)<br />
ne doit pas avoir une valeur trop importante.<br />
Si g(t) est supposée être une sollicitation sinusoïdale <strong>de</strong> la forme g cos(wt), nous pouvons<br />
contraindre l’amplitu<strong>de</strong> <strong>de</strong> celle-ci (|g| < α) afin d’assurer l’existence <strong>de</strong> points fixes à tout<br />
instant, si elle était la seule sollicitation à s’exercer sur le système.<br />
Malheureusement, f(t) est un bruit blanc, c’est-à-dire une sollicitation aléatoire gaussienne <strong>de</strong><br />
moyenne nulle <strong>et</strong> surtout d’écart-type égal à √ t (où t est le temps). Il est donc prévisible que<br />
c<strong>et</strong>te simulation sera instable à long terme.<br />
142
2.6. Loi <strong>de</strong> comportement élasto-plastique<br />
2.6.3 Résultats <strong>de</strong>s simulations<br />
Nous utilisons par défaut les paramètres suivants :<br />
⎧<br />
m = 1 ,<br />
a = 0.03 ,<br />
⎪⎨ k = 0 ,<br />
∆t = 0.001π ,<br />
N = 200 ,<br />
w = 0.9 ,<br />
⎪⎩<br />
L 1 = L 2 = 20 .<br />
(2.8)<br />
Nous faisons varier les autres paramètres. En particulier, le tableau 2.4 résume les différentes<br />
valeurs que nous prendrons pour ces paramètres :<br />
Numéro <strong>de</strong> la simulation Paramètres Commentaires<br />
1 k 1 = 1.0 Densité gar<strong>de</strong> la forme d’un pic presque<br />
gaussien<br />
k 2 = −1.0 Pic se dirige vers x négatifs<br />
α = β = 1.0 Sort du domaine d’étu<strong>de</strong> pour N sim = 340<br />
<strong>et</strong> (i, j) = (0, 320)<br />
γ = 5.0 Pic s’applatit dans la direction <strong>de</strong> son<br />
mouvement<br />
δ = 6.0<br />
W 0 = 0.001<br />
g = 0.1<br />
CI = (0.1, 0.1)<br />
2 CI = (1.0, 0.1) Même comportement, avec N sim = 310 <strong>et</strong><br />
(i, j) = (0, 325)<br />
3 CI = (3.0, 0.1) I<strong>de</strong>m, N sim = 250 <strong>et</strong> (i, j) = (0, 350)<br />
4 CI = (5.0, 0.1) I<strong>de</strong>m, N sim = 210 <strong>et</strong> (i, j) = (0, 380)<br />
5 CI = (8.0, 0.1) I<strong>de</strong>m, N sim = 150 <strong>et</strong> (i, j) = (50, 400)<br />
6 CI = (0, 0) I<strong>de</strong>m, N sim = 350 <strong>et</strong> (i, j) = (0, 310)<br />
7 g = 0.0 I<strong>de</strong>m, N sim = 340 <strong>et</strong> (i, j) = (0, 315)<br />
8 g = 1.0 I<strong>de</strong>m, N sim = 310 <strong>et</strong> (i, j) = (0, 300)<br />
9 γ = 10 Ne se déplace que très légèrement vers x<br />
négatifs<br />
δ = 11 Pic subit une rotation <strong>de</strong> 45 <strong>de</strong>grés, s’aplatit<br />
Suite sur la page suivante...<br />
143
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Tab. 2.4 – Suite<br />
Numéro <strong>de</strong> la simulation Paramètres Commentaires<br />
γ = 10<br />
10 k 1 = 10 Se déplace très rapi<strong>de</strong>ment<br />
k 2 = −10 Sort du domaine d’étu<strong>de</strong> pour N sim = 40<br />
<strong>et</strong> (i, j) = (0, 220)<br />
β = 1.0 Pic s’aplatit beaucoup<br />
α = 10<br />
11 k 1 = 0.1 Pic s’aplatit beaucoup<br />
k 2 = −0.1 Se déplace très peu <strong>et</strong> très lentement<br />
β = 1.0 ,α = 0.1<br />
12 k 1 = 0.1 Pic ne se déplace pas<br />
k 2 = −0.1 S’aplatit beaucoup mais moins que la simulation<br />
11<br />
Rotation <strong>de</strong> 45 <strong>de</strong>grés, moins que la simulation<br />
11<br />
δ = 11<br />
13 W 0 = 0.01 I<strong>de</strong>m que la simulation 1, mais pic plus<br />
étalé<br />
N sim = 350 <strong>et</strong> (i, j) = (0, 320)<br />
14 W 0 = 0.1 I<strong>de</strong>m, N sim = 350 <strong>et</strong> (i, j) = (0, 320)<br />
15 γ = 1.0 Pic commence à bouger pour N sim = 40,<br />
s’aplatit<br />
δ = 2.0 Pour N sim = 430, (i, j) = (120, 250)<br />
16 k 1 = −k 2 = ∞ Se déplace très peu<br />
α = 1.0 S’aplatit peu<br />
β = 0.0 Rotation importante, presque 90 <strong>de</strong>grés<br />
γ = 11<br />
δ = 12<br />
17 g = −0.1 I<strong>de</strong>m que la simulation 1, N sim = 350 <strong>et</strong><br />
(i, j) = (0, 320)<br />
18 CI = (−0.1, −0.1) I<strong>de</strong>m, N sim = 350 <strong>et</strong> (i, j) = (0, 320)<br />
Tab. 2.4: Différentes combinaisons <strong>de</strong> paramètres utilisées<br />
pour les simulations <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong> Fokker-<br />
Planck réalisées <strong>de</strong> la loi <strong>de</strong> comportement. Evolutions <strong>de</strong><br />
c<strong>et</strong>te <strong>de</strong>nsité <strong>de</strong> probabilité.<br />
144<br />
Plusieurs conclusions peuvent être tirées <strong>de</strong> ces résulats <strong>de</strong> simulation. Tout d’abord, la
2.6. Loi <strong>de</strong> comportement élasto-plastique<br />
<strong>de</strong>nsité <strong>de</strong> probabilité initiale se disperse très peu (ici, la gaussienne initiale est plus ou moins<br />
conservée tout au long du mouvement). La condition initiale est donc déterminante pour la suite<br />
du mouvement. De plus, la loi <strong>de</strong> comportement élasto-plastique avec déchargement n’est pas<br />
stable, comme nous pouvons le voir sur la figure 2.21.<br />
(a) t = 10∆t<br />
(b) t = 20∆t<br />
(c) t = 30∆t<br />
Fig. 2.21 – Densité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour les paramètres <strong>de</strong> la simulation numéro<br />
1 à différents temps.<br />
D’autres comportements sont plus stables : pour ceux-ci, le pic <strong>de</strong> probabilité se déplace peu,<br />
il s’aplatit <strong>et</strong> tourne autour <strong>de</strong> son axe. Mais le domaine d’étu<strong>de</strong> peut alors être réduit pour une<br />
étu<strong>de</strong> plus précise. Ces comportements sont :<br />
– Le comportement élasto-plastique parfait (simulation 9). Bien que le pic <strong>de</strong> probabilité se<br />
145
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
déplace, ce n’est que très lentement sous l’eff<strong>et</strong> <strong>de</strong> la sollicitation. On observe également<br />
un aplatissement <strong>et</strong> une rotation du pic <strong>de</strong> probabilité.<br />
Ainsi, c’est la caractéristique <strong>de</strong> décharge <strong>de</strong> la loi <strong>de</strong> comportement élasto-plastique non<br />
parfaite qui est source d’instabilité.<br />
– Le comportement élasto-plastique (parfait ou non parfait) avec une contrainte élastique<br />
limite faible (simulations 11, 12). Dans ces cas, le pic <strong>de</strong> probabilité se déplace très peu<br />
(moins que dans le cas <strong>de</strong> loi sans décharge), mais il s’aplatit beaucoup <strong>et</strong> tourne d’un<br />
angle compris entre 45 <strong>de</strong>grés <strong>et</strong> 80 <strong>de</strong>grés.<br />
Dans ce cas, le système réagit comme si la contrainte était constante sur l’intervalle <strong>de</strong>s<br />
positions possibles.<br />
– Ceci est également le cas <strong>de</strong> la loi <strong>de</strong> comportement similaire à une ”friction en position“<br />
(simulation 12). Ici également, le pic <strong>de</strong> probabilité est très stable.<br />
D’autres remarques peuvent être formulées : la position <strong>de</strong> la condition initiale n’a qu’une<br />
influence très faible sur le système, ainsi que l’amplitu<strong>de</strong> <strong>de</strong> la sollicitation (en restant dans <strong>de</strong>s<br />
limites <strong>de</strong> variation faibles).<br />
Une augmentation du coefficient <strong>de</strong> diffusion, donc une augmentation du bruit, entraine <strong>de</strong>s pics<br />
plus étalés <strong>et</strong> moins élevés, mais le comportement général reste le même.<br />
En conclusion, nous pouvons affirmer que si les vitesse <strong>et</strong> position initiales du système sont<br />
suffisamment connues (condition initiale sous la forme d’une gaussienne), l’évolution générale du<br />
système peut être prédite assez correctement. Ces prédictions seront d’autant plus fiables que la<br />
décharge est faible (voire nulle).<br />
146
2.7. Conclusion<br />
2.7 Conclusion<br />
Deux types <strong>de</strong> conclusions peuvent être tirées à la suite <strong>de</strong> ce travail <strong>de</strong> résolution numérique<br />
<strong>de</strong> l’équation <strong>de</strong> Fokker-Planck pour <strong>de</strong>s systèmes <strong>dynamiques</strong> à un <strong>de</strong>gré <strong>de</strong> liberté :<br />
Tout d’abord, la métho<strong>de</strong> <strong>de</strong> résolution <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck choisie, la métho<strong>de</strong> <strong>de</strong>s<br />
différences finies, semble être un bon choix dans ces cas. En eff<strong>et</strong>, nous désirons avec c<strong>et</strong>te technique<br />
étudier le contrôle passif <strong>de</strong> structures par pompage énergétique. Ce <strong>de</strong>rnier est constitué<br />
d’un oscillateur non-linéaire (généralement avec une rai<strong>de</strong>ur cubique) lié à la structure (oscillateur<br />
linéaire). La métho<strong>de</strong> <strong>de</strong>s différences finies perm<strong>et</strong> alors <strong>de</strong> facilement généraliser l’analyse<br />
réalisée ici pour un <strong>de</strong>gré <strong>de</strong> liberté en une analyse adaptée au pompage énergétique.<br />
De plus, la différenciation <strong>de</strong>s directions <strong>et</strong> les schémas implicites représentent la meilleure alternative.<br />
En eff<strong>et</strong>, les schémas implicites sont convergents <strong>et</strong> très efficaces ici. En outre, suite<br />
à l’utilisation <strong>de</strong> la métho<strong>de</strong> d’ ”operator splitting“, les matrices à inverser lors <strong>de</strong> l’application<br />
<strong>de</strong>s schémas implicites sont tridiagonales, donc facilement inversibles. Ainsi dans ce qui suit<br />
(application <strong>de</strong> c<strong>et</strong>te métho<strong>de</strong> aux systèmes avec <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté), nous utiliserons exclusivement<br />
la métho<strong>de</strong> <strong>de</strong>s différences finies, appliquée avec la différenciation <strong>de</strong>s directions <strong>et</strong> les<br />
schémas implicites.<br />
Enfin, il nous faut souligner la difficulté <strong>de</strong> choisir les paramètres intervenant dans ces schémas<br />
<strong>et</strong> ceux liés au bruit. En eff<strong>et</strong>, les paramètres structuraux (masse, rai<strong>de</strong>ur...) sont fixés<br />
conformément au système <strong>et</strong> à la sollicitation qu’on désire étudier, même s’ils sont supposés incertains.<br />
Pourtant, d’autres paramètres, à fixer, subsistent : les dimensions du domaine d’étu<strong>de</strong>,<br />
les pas en espace <strong>et</strong> en temps, le temps d’observation, la condition initiale, la diffusion du bruit.<br />
Certains <strong>de</strong> ces paramètres, pour être fixés, nécessitent que nous réalisions en premier une étu<strong>de</strong><br />
déterministe. Ainsi le domaine d’étu<strong>de</strong>, qui doit être suffisamment étendu pour contenir tous les<br />
phénomènes <strong>dynamiques</strong>, pourra être déterminé suite à <strong>de</strong>s calculs déterministes (<strong>et</strong> en intégrant<br />
une marge <strong>de</strong> manoeuvre, nécessaire suite à la diffusion). De même, l’horizon en temps d’observation<br />
du système <strong>de</strong>vrait être déterminé <strong>de</strong> c<strong>et</strong>te manière, même si le temps <strong>de</strong> convergence<br />
déterministe <strong>et</strong> celui <strong>de</strong> l’étu<strong>de</strong> probabiliste ne sont pas obligatoirement i<strong>de</strong>ntiques.<br />
Mais il reste trois paramètres, complexes à fixer. D’un côté, les pas en espace <strong>et</strong> en temps ont<br />
<strong>de</strong>s eff<strong>et</strong>s opposés : les constantes intervenant dans les intégrations numériques présentent souvent<br />
une fraction <strong>de</strong> ces <strong>de</strong>ux paramètres. De l’autre, la diffusion peut, si sa valeur numérique est<br />
mal choisie, entrainer une solution complètement inintéressante <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
(trop <strong>de</strong> diffusion ou une résolution fausse suite aux conditions aux limites). Dans le cas <strong>de</strong><br />
l’oscillateur linéaire, pour travailler avec <strong>de</strong>s matrices correctement conditionnées, il est possible<br />
d’étudier les valeurs propres <strong>de</strong>s matrices associées aux schémas <strong>de</strong> discrétisation, comme cela a<br />
été probablement fait dans [123] <strong>et</strong> [124]. Mais pour les cas non-linéaires, <strong>et</strong> a fortiori pour les<br />
systèmes comportant plusieurs <strong>de</strong>grés <strong>de</strong> liberté, ceci n’est pas réalisable sans adaptation.<br />
147
Chapitre 2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté<br />
Dans le chapitre suivant, nous allons nous intéresser au système constituant le pompage<br />
énergétique, en essayant <strong>de</strong> quantifier l’eff<strong>et</strong> <strong>de</strong> la diffusion <strong>et</strong> celui <strong>de</strong>s conditions initiales,<br />
essentielles pour que le pompage s’amorce.<br />
148
Chapitre 3<br />
Contrôle passif <strong>de</strong> structures :<br />
pompage énergétique<br />
Sommaire<br />
3.1 Principe <strong>et</strong> principaux résultats . . . . . . . . . . . . . . . . . . . 149<br />
3.1.1 Etu<strong>de</strong> <strong>de</strong> l’évolution au cours du temps <strong>de</strong> l’énergie <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150<br />
3.1.2 Développement <strong>de</strong> Van Kampen ([110], [114]) . . . . . . . . . . . . 154<br />
3.2 Prise en compte <strong>de</strong> l’incertitu<strong>de</strong> . . . . . . . . . . . . . . . . . . . 156<br />
3.3 Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck . . . . . . . . . . . . . . 156<br />
3.3.1 Dans le cas non sollicité, mais avec <strong>de</strong>ux bruits blancs non corrélés 156<br />
3.3.2 Pour <strong>de</strong>ux bruits blancs corrélés . . . . . . . . . . . . . . . . . . . . 158<br />
3.3.3 Pour <strong>de</strong>s bruits colorés <strong>et</strong> corrélés . . . . . . . . . . . . . . . . . . . 159<br />
3.4 Résolution numérique . . . . . . . . . . . . . . . . . . . . . . . . . 160<br />
3.4.1 Application <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s directions alternées pour c<strong>et</strong>te équation<br />
aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . . . 160<br />
3.5 Comparaison avec <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo . . . . 160<br />
3.5.1 Méthodologie <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo . . . . . . . . . 161<br />
3.5.2 Comparaison <strong>de</strong>s moments du système dynamique calculés avec<br />
Monte Carlo avec ceux obtenus avec l’équation <strong>de</strong> Fokker-Planck . 163<br />
3.5.3 Résultats <strong>de</strong> la comparaison . . . . . . . . . . . . . . . . . . . . . . 164<br />
3.6 Simulations du pompage énergétique . . . . . . . . . . . . . . . . 165<br />
3.1 Principe <strong>et</strong> principaux résultats<br />
Le pompage énergétique est donc le transfert d’énergie d’une structure principale, ici linéaire,<br />
vers une struture annexe. Ainsi pour quantifier ce pompage, <strong>et</strong> en particulier, son efficacité, il<br />
est possible d’analyser l’évolution au cours du temps <strong>de</strong> l’énergie <strong>de</strong> ces <strong>de</strong>ux oscillateurs.<br />
149
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
3.1.1 Etu<strong>de</strong> <strong>de</strong> l’évolution au cours du temps <strong>de</strong> l’énergie <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
Dans ce qui suit, nous considérons le système suivant :<br />
{ ǫMÿ1 + c 1 ẏ 1 + cy 3 1 + γ(y 1 − y 2 ) = 0,<br />
Mÿ 2 + c 2 ẏ 2 + k 2 y 2 + γ(y 2 − y 1 ) = 0,<br />
(3.1)<br />
avec les conditions initiales :<br />
y 1 (0) = ẏ 1 = y 2 (0) = 0, ,ẏ 2 (0) = √ 2h.<br />
D’après [43], nous pouvons exprimer l’énergie <strong>de</strong> ces <strong>de</strong>ux oscillateurs :<br />
⎧<br />
[<br />
2 ǫMẏ<br />
2<br />
∫ t<br />
]<br />
E 1N =<br />
1<br />
⎪⎨ Mh 2 + cy4 1<br />
2 4 + c 1 ẏ 1 (s)ds ,<br />
⎪⎩<br />
E 2N =<br />
[<br />
2 Mẏ<br />
2<br />
2<br />
Mh 2 2<br />
+ k 2y 2 2<br />
2<br />
0<br />
+ c 2<br />
∫ t<br />
0<br />
]<br />
ẏ 2 (s)ds<br />
.<br />
(3.2)<br />
Une preuve du pompage énergétique est apportée s’il s’opère un transfert d’énergie E 2N<br />
en énergie E 1N . En particulier, cela est le cas s’il existe un temps t tel que E 1N (t) ≥ E 2N (t).<br />
Dans [43], une étu<strong>de</strong> déterministe a été réalisée pour déterminer quels sont les paramètres <strong>et</strong> les<br />
conditions initiales optimaux pour que le pompage ait lieu <strong>et</strong> qu’il soit efficace.<br />
En eff<strong>et</strong>, en observant les positions successives <strong>de</strong>s <strong>de</strong>ux oscillateurs au cours du temps, le<br />
phénomène <strong>de</strong> pompage énergétique est mis en évi<strong>de</strong>nce (figure 3.1) :<br />
A t = 0s, le <strong>de</strong>uxième oscillateur (linéaire) n’est pas au repos. Mais le premier commence<br />
son oscillation très rapi<strong>de</strong>ment alors qu’il était initialement au repos. Ce transfert est visible en<br />
représentant la position <strong>de</strong> l’oscillateur 1 en fonction <strong>de</strong> celle <strong>de</strong> l’oscillateur 2 (figure 3.2).<br />
Les oscillations sont visibles sur ce graphique : alors qu’à t = 0, seul l’oscillateur 2 est en<br />
mouvement, ce <strong>de</strong>rnier finit par n’affecter plus que l’oscillateur 1 (oscillations horizontales sur<br />
la figure 3.2).<br />
Pour observer le transfert, nous représentons sur un graphique E 1N <strong>et</strong> E 2N , tels que définis<br />
dans l’équation (3.2) en fonction du temps (figure 3.3).<br />
L’efficacité du pompage énergétique peut alors être constatée en représentant l’influence <strong>de</strong><br />
la condition initiale (voir graphe 3.4). Le rôle déterminant <strong>de</strong> l’énergie initiale est visible : nous<br />
observons donc que pour une énergie initiale trop faible (h = 0.0001 <strong>et</strong> h = 0.001), le pompage<br />
énergétique ne s’amorce pas. Mais une énergie trop importante est également nuisible pour<br />
l’efficacité du pompage énergétique. Ainsi la condition initaile{ optimale √ pour le phénomène <strong>de</strong><br />
2h = ẏ(0)<br />
pompage énergétique est, dans ce cas <strong>et</strong> avec ces paramètres, :<br />
x(0) = ẋ(0) = y(0) = 0 , avec<br />
h = 0.01.<br />
De même, nous pouvons examiner l’influence <strong>de</strong>s valeurs numériques <strong>de</strong>s paramètres. Ainsi<br />
en examinant différentes valeurs du paramètre rai<strong>de</strong>ur non linéaire c (voir figure 3.5), nous<br />
150
3.1. Principe <strong>et</strong> principaux résultats<br />
0.25<br />
0.2<br />
0.15<br />
0.1<br />
Déplacements<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
−0.2<br />
−0.25<br />
0 20 40 60 80 100<br />
Temps<br />
Fig. 3.1 – Position <strong>de</strong>s <strong>de</strong>ux oscillateurs <strong>de</strong> l’équation (3.1) au cours du temps (structure linéaire<br />
en pointillés, structure non linéaire en trait continu). Les paramètres utilisés sont ceux <strong>de</strong> [43] :<br />
ǫ = 0.05, M = 1, c 1 = 0.01, c = 1, c 2 = 0.01, k 2 = 1, γ = 0.04. A t = 0, l’oscillateur linéaire n’est<br />
pas au repos, contrairement à l’oscillateur non linéaire. Mais l’oscillation <strong>de</strong> ce <strong>de</strong>rnier s’amorce<br />
rapi<strong>de</strong>ment. Dès ce moment, l’amplitu<strong>de</strong> <strong>de</strong>s oscillations <strong>de</strong> l’oscillateur linéaire diminue. C<strong>et</strong>te<br />
diminution est plus rapi<strong>de</strong> que si seul l’amortissement jouait (la courbe reliant les maximums<br />
d’oscillation n’est pas une droite).<br />
151
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
y2<br />
−0.05<br />
−0.1<br />
−0.15<br />
−0.2<br />
−0.25 −0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 0.2<br />
y1<br />
Fig. 3.2 – Position <strong>de</strong> l’oscillateur 1 en fonction <strong>de</strong> la position <strong>de</strong> l’oscillateur 2. A t = 0,<br />
seul l’oscillateur 2 est en mouvement (trait pratiquement vertical), l’amplitu<strong>de</strong> <strong>de</strong> y 2 augmente<br />
jusqu’à une certaine valeur (environ 0.12) où l’oscillateur 1 commence à osciller. De l’énergie est<br />
transférée (oscillations <strong>de</strong> plus en plus penchées), jusqu’à ce que l’oscillateur 1 soit pratiquement<br />
le seul à osciller (oscillations quasi-horizontales sur le graphique). Ces mouvements finissent par<br />
s’annuler.<br />
700<br />
600<br />
Energie non−linéaire<br />
Energie linéaire<br />
500<br />
Energies<br />
400<br />
300<br />
200<br />
100<br />
0<br />
0 2000 4000 6000 8000 10000<br />
Temps (x 1/100)<br />
Fig. 3.3 – Energies <strong>de</strong>s oscillateurs linéaire <strong>et</strong> non-linéaire en fonction du temps. Les paramètres<br />
sont ceux explicités dans la figure 3.1.<br />
152
3.1. Principe <strong>et</strong> principaux résultats<br />
Oscillateur non linéaire<br />
Oscillateur linéaire<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
0 20 40 60 80 100<br />
Temps<br />
0.5<br />
0<br />
Energies<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
Energie non−linéaire<br />
Energie linéaire<br />
−0.5<br />
0 20 40 60 80 100<br />
Temps<br />
0<br />
0 2000 4000 6000 8000 10000<br />
Temps (x1/100)<br />
(a) h = 0.1 : l’efficacité du pompage est maximum<br />
Oscillateur non linéaire<br />
Oscillateur linéaire<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
0 20 40 60 80 100<br />
Temps<br />
0.05<br />
0<br />
Energies<br />
10000<br />
9000<br />
8000<br />
7000<br />
6000<br />
5000<br />
4000<br />
3000<br />
2000<br />
1000<br />
Energie non−linéaire<br />
Energie linéaire<br />
−0.05<br />
0 20 40 60 80 100<br />
Temps<br />
0<br />
0 2000 4000 6000 8000 10000<br />
Temps (x1/100)<br />
(b) h = 0.001 : le pompage s’amorce mais n’est pas efficace.<br />
Oscillateur non linéaire<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
0 20 40 60 80 100<br />
Temps<br />
0.2<br />
Oscillateur non linéaire<br />
0.04<br />
0.02<br />
0<br />
−0.02<br />
−0.04<br />
0 20 40 60 80 100<br />
Temps<br />
0.02<br />
Oscillateur linéaire<br />
0.1<br />
0<br />
−0.1<br />
Oscillateur linéaire<br />
0.01<br />
0<br />
−0.01<br />
−0.2<br />
0 20 40 60 80 100<br />
Temps<br />
(c) h = 0.01<br />
−0.02<br />
0 20 40 60 80 100<br />
Temps<br />
(d) h = 0.0001<br />
Fig. 3.4 – Positions <strong>et</strong> énergies <strong>de</strong>s <strong>de</strong>ux oscillateurs pour différentes conditions initiales.<br />
153
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
observons que le pompage énergétique est plus efficace dans le cas c = 0.7 que dans le cas<br />
c = 1.3.<br />
800<br />
700<br />
Energie non−linéaire<br />
Energie linéaire<br />
600<br />
500<br />
Energie non−linéaire<br />
Energie linéaire<br />
600<br />
500<br />
400<br />
Energies<br />
400<br />
Energies<br />
300<br />
300<br />
200<br />
200<br />
100<br />
100<br />
0<br />
0 2000 4000 6000 8000 10000<br />
Temps(x1/100)<br />
0<br />
0 2000 4000 6000 8000 10000<br />
Temps (x1/100)<br />
(a) c = 0.7<br />
(b) c = 1.3<br />
Fig. 3.5 – Energies <strong>de</strong>s <strong>de</strong>ux oscillateurs pour h = 0.01 <strong>et</strong> différentes valeurs <strong>de</strong> la rai<strong>de</strong>ur non<br />
linéaire.<br />
Finalement, en analysant l’eff<strong>et</strong> <strong>de</strong> la valeur <strong>de</strong>s amortissements (figure 3.6), l’état d’équilibre<br />
est atteint plus rapi<strong>de</strong>ment pour un amortissement plus important.<br />
Ainsi les aparmètres <strong>et</strong> les conditions initiales sont intimement liés pour déterminer l’efficacité<br />
du pompage énergétique. Une incertitu<strong>de</strong> sur une <strong>de</strong> ces valeurs entrainerait une efficacité pouvant<br />
être modifiée. L’équation <strong>de</strong> Fokker-Planck peut donc, en théorie, nous perm<strong>et</strong>tre d’estimer<br />
c<strong>et</strong>te ”robustesse“ du pompage énergétique.<br />
3.1.2 Développement <strong>de</strong> Van Kampen ([110], [114])<br />
Le travail originel <strong>de</strong> Van Kampen <strong>et</strong> Rodriguez ([110]) propose une métho<strong>de</strong> pour extraire<br />
<strong>de</strong> l’information <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck sans <strong>de</strong>voir la résoudre. Ce développement se<br />
base sur l’étu<strong>de</strong> <strong>de</strong> la dérivée première en temps <strong>de</strong>s moments <strong>de</strong> la réponse. Nous reprenons ici<br />
ce travail pour tester en particulier jusqu’à quelle amplitu<strong>de</strong> du bruit l’analyse <strong>de</strong> Van Kampen<br />
peut être considérée comme adéquate.<br />
L’analyse <strong>de</strong> Van Kampen ([110], [114]) consiste à estimer les moments <strong>de</strong>s déplacements <strong>et</strong><br />
vitesses du système en fonction du temps. Pour cela, à l’ai<strong>de</strong> <strong>de</strong>s équations du mouvement du<br />
système, les taux <strong>de</strong> variation <strong>de</strong>s différents moments sont estimés.<br />
Par conséquent, c<strong>et</strong>te métho<strong>de</strong> sans nous donner accès à toute l’évolution du système, nous<br />
perm<strong>et</strong> d’avoir <strong>de</strong>s indices sur celle-ci : les moments du système. Ainsi, comme avec la métho<strong>de</strong><br />
Monte Carlo, nous obtenons les différents moments du système, mais sans calculs massifs. En<br />
eff<strong>et</strong>, il s’agit d’intégrer les taux <strong>de</strong> variation <strong>de</strong>sdits moments.<br />
De plus, il n’y a pas <strong>de</strong> problèmes <strong>de</strong> convergence. Mais <strong>de</strong>s erreurs apparaissent, dûes à<br />
l’inexactitu<strong>de</strong> <strong>de</strong> la métho<strong>de</strong>. En eff<strong>et</strong>, les moments d’ordre supérieur sont négligés, ainsi que le<br />
154
3.1. Principe <strong>et</strong> principaux résultats<br />
Oscillateur non linéaire<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
0 20 40 60 80 100<br />
0.4<br />
Oscillateur linéaire<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
0 20 40 60 80 100<br />
Fig. 3.6 – Positions <strong>de</strong>s oscillateurs linéaire <strong>et</strong> non-linéaire, pour <strong>de</strong>s amortissements égaux à<br />
c 1 = c 2 = 0.2.<br />
bruit : les équations obtenues sont moyennées, ce qui élimine le bruit (qui, par définition d’un<br />
bruit blanc, est <strong>de</strong> moyenne nulle).<br />
Nous allons développer ici c<strong>et</strong>te métho<strong>de</strong> pour les moments d’ordre un <strong>et</strong> <strong>de</strong>ux (en temps)<br />
<strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses <strong>de</strong>s <strong>de</strong>ux oscillateurs. Pour ceci, nous nous intéressons au système<br />
dynamique du pompage énergétique :<br />
{ ẍ + a1 ẋ + c 1 x 3 + d 1 (x − y) = f 1 (t)<br />
ÿ + a 2 ẏ + k 2 y + d 2 (y − x) = f 2 (t) ,<br />
(3.3)<br />
où f 1 (t) <strong>et</strong> f 2 (t) sont <strong>de</strong>s bruits blancs <strong>de</strong> coefficients <strong>de</strong> diffusion respectifs W 01<br />
<strong>et</strong> W 02<br />
2 2 .<br />
C<strong>et</strong>te étu<strong>de</strong> <strong>et</strong> les résultats numériques sont <strong>de</strong>veloppés dans l’annexe G, page 361.<br />
Suite à ces simulations, nous remarquons seulement en conclusion que l’analyse <strong>de</strong> Van<br />
Kampen calcule <strong>de</strong>s amplitu<strong>de</strong>s <strong>de</strong> réponse trop faibles, mais elle perm<strong>et</strong> <strong>de</strong> donner une allure<br />
générale <strong>de</strong>s courbes. Le temps <strong>de</strong> calcul est très faible (contrairement aux calculs <strong>de</strong> type<br />
Monte Carlo pour lesquels un nombre important <strong>de</strong> simulations est ici nécessaire pour assurer<br />
la convergence). Enfin, ici nous avons testé la nature <strong>de</strong> bruit qui nous intéresse, c’est-à-dire<br />
un bruit blanc. Ceci est le cas le plus défavorable, les résultats sont meilleurs pour un bruit<br />
coloré (voir [114]). Donc, pour les situations qui nous intéressent, c<strong>et</strong>te métho<strong>de</strong> ne répond pas<br />
correctement à nos interrogations.<br />
155
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
3.2 Prise en compte <strong>de</strong> l’incertitu<strong>de</strong><br />
Dans c<strong>et</strong>te partie également, nous décidons <strong>de</strong> prendre en compte l’incertitu<strong>de</strong> sur les paramètres<br />
en introduisant dans le système un bruit blanc <strong>et</strong> en résolvant l’équation <strong>de</strong> Fokker-Planck<br />
correspondante, ce qui perm<strong>et</strong> d’obtenir la probabilité <strong>de</strong>s états du système à un instant t.<br />
3.3 Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
3.3.1 Dans le cas non sollicité, mais avec <strong>de</strong>ux bruits blancs non corrélés<br />
{ ẍ + a1 ẋ + k 1 x + c 1 x 3 + γ (x − y) = 0 (+f 1 (t)) ,<br />
ÿ + a 2 ẏ + k 2 y + γ (y − x) = 0 (+f 2 (t)) .<br />
(3.1)<br />
f 1 (t) <strong>et</strong> f 2 (t) sont alors <strong>de</strong>ux bruits blancs non corrélés <strong>de</strong> coefficients <strong>de</strong> diffusion respectifs<br />
W 01 <strong>et</strong> W 02 , c’est-à-dire que :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎧<br />
y 1 = x<br />
⎪⎨<br />
y<br />
En posant 2 = ẋ<br />
y ⎪⎩ 3 = y<br />
y 4 = ẏ<br />
< f 1 (t) > = 0 ,<br />
< f 2 (t) > = 0 ,<br />
∀(i, j) ∈ {1, 2} 2 , < f i (t k )f j (t l ) > =<br />
W 0i<br />
2 δ ijδ (t k − t l ) .<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
, nous réécrivons le système dynamique <strong>de</strong> la façon suivante :<br />
ẏ 1 = y 2 ,<br />
ẏ 2 = −a 1 y 2 − k 1 y 1 − c 1 y1 3 − γ (y 1 − y 3 ) + f 1 (t) ,<br />
ẏ 3 = y 4 ,<br />
ẏ 4 = −a 2 y 4 − k 2 y 3 − γ (y 3 − y 1 ) + f 2 (t) .<br />
(3.2)<br />
(3.3)<br />
Nous généralisons ceci par :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẏ 1 = y 2 ,<br />
ẏ 2 = −F 1 (y 1 , y 2 , y 3 , y 4 , t) + f 1 (t) ,<br />
ẏ 3 = y 4 ,<br />
ẏ 4 = −F 2 (y 1 , y 2 , y 3 , y 4 , t) + f 2 (t) .<br />
(3.4)<br />
où, dans le cas que nous étudions ici :<br />
{<br />
F1 (y 1 , y 2 , y 3 , y 4 , t) = a 1 y 2 + k 1 y 1 + c 1 y 3 1 + γ (y 1 − y 3 ) ,<br />
F 2 (y 1 , y 2 , y 3 , y 4 , t) = a 2 y 4 + k 2 y 3 + γ (y 3 − y 1 ) .<br />
(3.5)<br />
156
3.3. Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
En notant p = p (y 1 , y 2 , y 3 , y 4 , t) la probabilité <strong>de</strong> l’état (y 1 , y 2 , y 3 , y 4 , t) du système, nous pouvons<br />
écrire l’équation <strong>de</strong> Fokker-Planck :<br />
∂p<br />
4∑<br />
∂t = − ∂<br />
(a i p) + 1 ∂y i 2<br />
i=1<br />
4∑<br />
i,j=1<br />
avec, comme pour le cas <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing :<br />
∂ 2<br />
∂y i ∂y j<br />
(b ij p) , (3.6)<br />
a 1 = lim ∆t→0<br />
< ∆y 1 ><br />
∆t<br />
< ∆y 2 ><br />
= ẏ 1 = y 2 , a 2 = lim = −F 1 (y 1 , y 2 , y 3 , y 4 , t) , (3.7)<br />
∆t→0 ∆t<br />
a 3 = lim ∆t→0<br />
< ∆y 3 ><br />
∆t<br />
< ∆y 4 ><br />
= ẏ 3 = y 4 , a 4 = lim = −F 2 (y 1 , y 2 , y 3 , y 4 , t) , (3.8)<br />
∆t→0 ∆t<br />
b 11 = 0 , b 22 = W 01<br />
2<br />
, b 33 = 0 , b 44 = W 02<br />
2<br />
, (3.9)<br />
b 12 = b 21 = lim ∆t→0<br />
< ∆y 1 .∆y 2 ><br />
∆t<br />
< ∆y 3 .∆y 4 ><br />
= 0 , b 34 = b 43 = lim<br />
= 0 , (3.10)<br />
∆t→0 ∆t<br />
< ∆y 1 .∆y 3 ><br />
b 13 = b 31 = lim<br />
= lim<br />
∆t→0 ∆t<br />
< y 2∆t.y 4 ∆t<br />
>= 0 , (3.11)<br />
∆t→0 ∆t<br />
< ∆y 1 ∆y 4 ><br />
b 14 = b 41 = lim<br />
∆t→0 ∆t<br />
[<br />
y 2 ∆t −<br />
= lim <<br />
∆t→0<br />
[<br />
= lim < y 2 −<br />
∆t→0<br />
∫ t+∆t<br />
t<br />
∫ t+∆t<br />
t<br />
,<br />
F 2 (y 1 , y 2 , y 3 , y 4 , τ) dτ +<br />
∆t<br />
F 2 (y 1 , y 2 , y 3 , y 4 , τ)dτ +<br />
∫ t+∆t<br />
t<br />
∫ t+∆t<br />
t<br />
]<br />
f (τ) dτ<br />
> ,<br />
]<br />
f (τ)dτ >= 0 ,<br />
(3.12)<br />
< ∆y 2 .∆y 3 ><br />
b 23 = b 32 = lim<br />
= 0 , (3.13)<br />
∆t→0 ∆t<br />
157
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
< ∆y 2 .∆y 4 ><br />
b 24 = b 42 = lim<br />
∆t→0 ∆t<br />
,<br />
= lim<br />
∆t→0 < 1 ∆t × [∫ t+∆t<br />
t<br />
∫ t+∆t<br />
t<br />
F 1 (y 1 , y 2 , y 3 , y 4 , τ 1 ) F 2 (y 1 , y 2 , y 3 , y 4 , τ 2 ) dτ 1 dτ 2<br />
−<br />
−<br />
∫ t+∆t ∫ t+∆t<br />
t t<br />
∫ t+∆t ∫ t+∆t<br />
t t<br />
F 1 (y 1 , y 2 , y 3 , y 4 , τ 1 )f 2 (τ 2 ) dτ 1 dτ 2<br />
F 2 (y 1 , y 2 , y 3 , y 4 , τ 1 )f 1 (τ 2 ) dτ 1 dτ 2<br />
(3.14)<br />
+<br />
∫ t+∆t ∫ t+∆t<br />
t<br />
= lim<br />
∆t→0 < 1 ∆t<br />
t<br />
f 1 (τ 1 ) f 2 (τ 2 )dτ 1 dτ 2<br />
]<br />
> ,<br />
∫ t+∆t ∫ t+∆t<br />
t<br />
t<br />
f 1 (τ 1 )f 2 (τ 2 )dτ 1 dτ 2 >= 0 ,<br />
car ici les bruits blancs sont indépendants. L’équation <strong>de</strong> Fokker-Planck qui résulte <strong>de</strong> ceci est :<br />
∂p<br />
∂t<br />
∂p<br />
= −y 2 + ∂ [F 1 (y 1 , y 2 , y 3 , y 4 , t)p] + W 01 ∂ 2 p<br />
∂y 1 ∂y 2 4 ∂y2<br />
2<br />
3.3.2 Pour <strong>de</strong>ux bruits blancs corrélés<br />
∂p<br />
−y 4 + ∂ [F 2 (y 1 , y 2 , y 3 , y 4 , t)p] + W 02 ∂ 2 p<br />
∂y 3 ∂y 4 4 ∂y4<br />
2<br />
.<br />
(3.15)<br />
L’équation du mouvement est alors la même que (3.1), les <strong>de</strong>ux bruits blancs étant maintenant<br />
définis par :<br />
∀(i, j) ∈ {1, 2} 2 , < f i (t) >= 0, < f i (t 1 )f j (t 2 ) >= C i,j<br />
2 δ(t 1 − t 2 ) . (3.16)<br />
On obtient les mêmes coefficients que dans la section précé<strong>de</strong>nte 3.3.1, sauf pour :<br />
b 24 = b 42 = lim<br />
∆t→0 < 1 ∆t<br />
Donc l’équation <strong>de</strong> Fokker-Planck est :<br />
158<br />
∂p<br />
∂t<br />
∫ t+∆t ∫ t+∆t<br />
= −y 2<br />
∂p<br />
∂y 1<br />
+ ∂<br />
∂y 2<br />
[F 1 (y 1 , y 2 , y 3 , y 4 , t)p]<br />
t<br />
t<br />
f 1 (τ 1 )f 2 (τ 2 )dτ 1 dτ 2 >= C 1,2<br />
2<br />
. (3.17)<br />
∂p<br />
−y 4 + ∂ [F 2 (y 1 , y 2 , y 3 , y 4 , t)p] + C 1,1 ∂ 2 p<br />
∂y 3 ∂y 4 4 ∂y2<br />
2 + C 1,2 ∂ 2 p<br />
+ C 2,2 ∂ 2 p<br />
2 ∂y 2 ∂y 4 4 ∂y4<br />
2<br />
.<br />
(3.18)
3.3.3 Pour <strong>de</strong>s bruits colorés <strong>et</strong> corrélés<br />
3.3. Ecriture <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
Ici aussi, l’équation s’écrit <strong>de</strong> la façon (3.1), mais avec une définition autre <strong>de</strong>s <strong>de</strong>ux bruits.<br />
Par exemple, en supposant que ces bruits sont <strong>de</strong>s bruits <strong>de</strong> type Ornstein-Uhlenbeck, nous<br />
aurons :<br />
∀(i, j) ∈ {1, 2} 2 , < f i (t) >= 0 , < f i (t 1 )f j (t 2 ) >= C (<br />
i,j<br />
2τ exp − |t )<br />
1 − t 2 |<br />
. (3.19)<br />
τ<br />
Ces bruits sont équivalents aux processus suivants :<br />
∀i ∈ {1, 2} , f˙<br />
i (t) = − 1 τ f i(t) + 1 τ η i(t) , (3.20)<br />
où η i (t) est un bruit blanc :<br />
[ < ηi (t) >= 0 ,<br />
< η i (t 1 )η j (t 2 ) >= C i,j<br />
2 δ(t 1 − t 2 ) .<br />
(3.21)<br />
Le processus, auparavant <strong>de</strong> dimension 4 <strong>et</strong> non-Markovien, est ainsi transformé en un processus<br />
Markovien <strong>de</strong> dimension 6, auquel on peut appliquer la définition générale <strong>de</strong> Fokker-Planck. Ce<br />
processus s’écrit :<br />
où :<br />
⎧<br />
⎪⎨<br />
⎡<br />
⎢<br />
⎣<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x + c 1 x 3 + γ(x − y) = 0 (+f 1 (t)) ,<br />
ÿ + a 2 ẏ + k 2 y + γ(y − x) = 0 (+f 2 (t)) ,<br />
ż + 1 τ z = 1 τ f 3(t) ,<br />
< f 1 (t) >= 0, < f 1 (t 1 )f 1 (t 2 ) >= W 01<br />
2 δ(t 1 − t 2 ) ,<br />
< f 2 (t) >= 0, < f 2 (t 1 )f 2 (t 2 ) >= W 02<br />
2 δ(t 1 − t 2 ) ,<br />
< f 3 (t) >= 0, < f 3 (t 1 )f 3 (t 2 ) >= W 03<br />
2 δ(t 1 − t 2 ) .<br />
Nous avons supposé ici que les bruits f 1 (t), f 2 (t) <strong>et</strong> f 3 (t) n’étaient pas corréles.<br />
L’équation <strong>de</strong> Fokker-Planck s’écrit alors :<br />
(3.22)<br />
(3.23)<br />
∂p<br />
∂t<br />
= 1 τ<br />
∂<br />
∂y 5<br />
(y 5 p) − y 2<br />
∂p<br />
∂y 1<br />
+ ∂<br />
∂y 2<br />
[F 1 (y 1 , y 2 , y 3 , y 4 , t)p]<br />
∂p<br />
−y 4 + ∂ [F 2 (y 1 , y 2 , y 3 , y 4 , t)p] + W 01 ∂ 2 p<br />
∂y 3 ∂y 4 4 ∂y2<br />
2 + W 02 ∂ 2 p<br />
4 ∂y4<br />
2 + W 03 ∂ 2 p<br />
4 ∂y6<br />
2<br />
.<br />
(3.24)<br />
159
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
3.4 Résolution numérique par la métho<strong>de</strong> <strong>de</strong>s différences finies<br />
<strong>de</strong> l’équation <strong>de</strong> Fokker-Planck pour <strong>de</strong>ux oscillateurs couplés<br />
soumis à <strong>de</strong>ux bruits blancs<br />
C<strong>et</strong>te équation est donnée par la formule (3.15). Il s’agit donc d’une équation aux dérivées<br />
partielles. En particulier, il n’y a pas <strong>de</strong> dérivées secon<strong>de</strong>s croisées. Nous appliquons ainsi la métho<strong>de</strong><br />
<strong>de</strong>s directions alternées pour tirer avantage <strong>de</strong> ce qui a été fait dans le chapitre précé<strong>de</strong>nt.<br />
3.4.1 Application <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s directions alternées pour c<strong>et</strong>te équation<br />
aux dérivées partielles<br />
C<strong>et</strong>te métho<strong>de</strong> a été expliquée dans le chapitre précé<strong>de</strong>nt. Nous l’appliquerons ici directement<br />
en réécrivant l’équation (3.15) <strong>de</strong> la manière suivante :<br />
avec :<br />
– L 1 = −y 2<br />
∂<br />
∂y 1<br />
,<br />
– L 2 = ∂ [F 1 (y 1 , y 2 , y 3 , y 4 , t)],<br />
∂y 2<br />
∂ 2<br />
– L 3 = W 01<br />
2 ∂y2<br />
2 ,<br />
∂<br />
– L 4 = −y 4 ,<br />
∂y 3<br />
– L 5 = ∂ [F 2 (y 1 , y 2 , y 3 , y 4 , t)],<br />
∂y 4<br />
∂ 2<br />
∂p<br />
∂t = L 1p + L 2 p + L 3 p + L 4 p + L 5 p + L 6 p , (3.1)<br />
– L 6 = W 02<br />
2 ∂y4<br />
2 .<br />
On utilise ainsi six schémas <strong>de</strong> discrétisations (cinq pas <strong>de</strong> temps intermédiaires). Ces <strong>de</strong>rniers<br />
sont explicités dans l’annexe H, page 371.<br />
3.5 Comparaison avec <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo<br />
C<strong>et</strong>te comparaison n’utilise que très partiellement les résultats <strong>de</strong>s intégrations numériques<br />
<strong>de</strong> l’équation <strong>de</strong> Fokker-Planck. En eff<strong>et</strong>, les calculs <strong>de</strong> type Monte Carlo perm<strong>et</strong>tent seulement<br />
d’obtenir les différents moments <strong>de</strong> la réponse du système. Nous utilisons donc la <strong>de</strong>nsité <strong>de</strong><br />
probabilité calculée à l’ai<strong>de</strong> <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck pour estimer les moments du système<br />
en fonction du temps. En parallèle, nous simulons le système par <strong>de</strong>s calculs massifs, en utilisant<br />
le fait que la dérivée d’un bruit blanc est une variable aléatoire <strong>de</strong> moyenne nulle <strong>et</strong> d’écart-type<br />
√<br />
t.<br />
160
3.5. Comparaison avec <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo<br />
Nous rappelons le système étudié :<br />
{ ǫMÿ1 + c 1 ẏ 1 + cy 3 1 + γ (y 1 − y 2 ) = f 1 (t),<br />
Mÿ 2 + c 2 ẏ 2 + k 2 y 2 + γ (y 2 − y 1 ) = f 2 (t) .<br />
Les valeurs numériques <strong>de</strong>s paarmètres sont prises égales à celles <strong>de</strong> la référence [43] :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ǫ = 0.05 ,<br />
M = 1 ,<br />
c 1 = 0.01 ,<br />
c = 1 ,<br />
c 2 = 0.01 ,<br />
k 2 = 1 ,<br />
γ = 0.04 .<br />
(3.1)<br />
(3.2)<br />
Les f i (t) (i = 1 ou 2) sont <strong>de</strong>s bruits blancs gaussiens, donc ce sont <strong>de</strong>s fonctions aléatoires,<br />
continues en temps (t ∈ R ou R ∗ ) possédant les propriétés suivantes :<br />
– f i (t) est gaussienne,<br />
– f i (t) est <strong>de</strong> moyenne nulle,<br />
– f i (t) est stationnaire à tous les ordres (c’est-à-dire au sens strict),<br />
– f i (t) a une fonction d’auto-covariance proportionnelle à la fonction δ (dirac) :<br />
C fi f i<br />
(τ) =< f i (t + τ)f i (t) >= c 0 δ(τ) = W 0i<br />
δ(τ) . (3.3)<br />
2<br />
3.5.1 Méthodologie <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo<br />
C<strong>et</strong>te simulation peut ne pas converger, surtout pour <strong>de</strong>s moments d’ordre suffisamment<br />
important [58].<br />
Le système d’équations (3.1) s’écrit également sous la forme d’un système <strong>de</strong> <strong>de</strong>ux équations<br />
différentielles stochastiques. Nous choississons dans ce qui suit la terminologie d’Itô, donc :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
dX 1 (t) =<br />
[<br />
X 2 (t)dt ,<br />
dX 2 (t) = − c 1<br />
ǫM X 2(t) −<br />
dX 3 (t) = X 4 (t)dt ,<br />
dX 4 (t) =<br />
c<br />
ǫM X 1(t) 3 −<br />
[<br />
− c 2<br />
M X 4(t) − k 2<br />
M X 3(t) −<br />
⎧<br />
X 1 (0) = X 10<br />
⎪⎨<br />
⎫⎪ ⎬<br />
X<br />
avec 2 (0) = X 20<br />
, 0 ≤ t ≤ T.<br />
X ⎪⎩ 3 (0) = X 30 ⎪ ⎭<br />
X 4 (0) = X 40<br />
γ<br />
]<br />
ǫM (x 1(t) − X 3 (t)) dt + dW 1 (t) ,<br />
γ<br />
ǫM (X 3(t) − X 1 (t))<br />
]<br />
dt + dW 2 (t) ,<br />
(3.4)<br />
161
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
⎧<br />
⎪⎨<br />
Donc en notant : X(t) =<br />
⎪⎩<br />
⎧<br />
⎪⎨<br />
g(X) =<br />
⎪⎩<br />
, nous pouvons réécrire l’équation (3.4) sous la forme diffé-<br />
⎪⎭<br />
rentielle :<br />
0<br />
1<br />
0<br />
1<br />
⎫ ⎧<br />
⎪⎬ ⎪⎨<br />
<strong>et</strong> W =<br />
⎪⎭ ⎪⎩<br />
X 1 (t)<br />
X 2 (t)<br />
X 3 (t)<br />
X 4 (t)<br />
0<br />
W 1 (t)<br />
0<br />
W 2 (t)<br />
⎫<br />
⎪⎬<br />
⎫<br />
⎪⎬<br />
, f(X) =<br />
⎪⎭<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
− c 1<br />
ǫM X 2(t) −<br />
X 2<br />
c<br />
ǫM X 1(t) 3 −<br />
X 4 (t)<br />
− c 2<br />
M X 4(t) − k 2<br />
M X 3(t) −<br />
γ<br />
ǫM (x 1(t) − X 3 (t))<br />
γ<br />
ǫM (X 3(t) − X 1 (t))<br />
dX(t) = f (X(t)) dt + g (X(t)) dW(t), X(0) = X 0 , 0 ≤ t ≤ T . (3.5)<br />
Les fonctions f(x) <strong>et</strong> g(x) sont continues, donc en particulier continues à droite avec limite à<br />
gauche <strong>et</strong> lipschitziennes. Donc nous pouvons affirmer ([27, 28, 29, 80]...) l’existence <strong>et</strong> l’unicité <strong>de</strong><br />
la solution <strong>de</strong> (3.5). Pour appliquer une métho<strong>de</strong> pour résoudre (3.5), nous discrétisons l’intervalle<br />
en temps <strong>et</strong> nous posons : ∆t = T J , où J est un nombre entier strictement positif, <strong>et</strong> τ j = j∆t,<br />
∀j ∈ {1, 2, ..., J}. L’approximation numérique <strong>de</strong> X(τ j ) est notée X j . Deux schémas simples<br />
peuvent être utilisés :<br />
– La métho<strong>de</strong> <strong>de</strong> Euler-Maruyama s’écrit :<br />
[<br />
]<br />
X j = X j−1 + f(X j−1 )∆t + g(X j−1 ) W(τ j ) − W(τ j−1 ) , j = 1, 2, ..., J . (3.6)<br />
Si f <strong>et</strong> g vérifient certaines propriétés, l’ordre <strong>de</strong> convergence forte est 1/2, alors que celui<br />
<strong>de</strong> la convergence faible est 1.<br />
– Pour obtenir une convergence plus forte, le schéma <strong>de</strong> Milstein peut être utilisé :<br />
[<br />
]<br />
X j = X j−1 + f(X j−1 )∆t + g(X j−1 ) W(τ j ) − W(τ j−1 )<br />
+ 1 [<br />
]<br />
(3.7)<br />
2 g(X j−1)g ′ (X j−1 ) (W(τ j ) − W(τ j−1 )) 2 − ∆t , j = 1, 2, ..., J .<br />
Ici, les résultats obtenus par le schéma <strong>de</strong> Euler-Maruyama ou par le schéma <strong>de</strong> Milstein<br />
sont i<strong>de</strong>ntiques (g est une fonction constante).<br />
Lors <strong>de</strong> la programmation <strong>de</strong> c<strong>et</strong>te équation différentielle stochastique, nous utilisons la<br />
propriété :<br />
W(τ j ) = W(τ j−1 ) + dW(τ j ) , (3.8)<br />
où dW(x) est une variable aléatoire <strong>de</strong> moyenne nulle <strong>et</strong> d’écart-type σ (σ 2 = W 0<br />
). En particulier,<br />
nous pourrons écrire<br />
2<br />
:<br />
où dη(x) est une variable aléatoire centrée réduite.<br />
162<br />
dW(x) = σdη(x) , (3.9)<br />
⎫<br />
⎪⎬<br />
,<br />
⎪⎭
3.5. Comparaison avec <strong>de</strong>s simulations <strong>de</strong> type Monte Carlo<br />
3.5.2 Comparaison <strong>de</strong>s moments du système dynamique calculés avec Monte<br />
Carlo avec ceux obtenus avec l’équation <strong>de</strong> Fokker-Planck<br />
Calcul <strong>de</strong>s différents moments avec la solution donnée par l’algorithme <strong>de</strong> Monte<br />
Carlo<br />
Dans ce cas, les moments se calculent <strong>de</strong> manière classique avec :<br />
E (y(t)) = 1<br />
M n (y(t)) = 1<br />
N sim<br />
N sim<br />
N sim<br />
N sim<br />
∑<br />
y i (t) , (3.10)<br />
i=1<br />
∑<br />
[y i (t)] n , (3.11)<br />
où E est la moyenne <strong>de</strong> la variable aléatoire considérée (X 1 , X 2 , X 3 ou X 4 par exemple), M n est<br />
le moment d’ordre n <strong>et</strong> N sim est le nombre <strong>de</strong> tirages effectués avec Monte Carlo. En particulier,<br />
la variance se calcule <strong>de</strong> la manière suivante :<br />
i=1<br />
V ar (y(t)) = σ 2 (t) = M 2 (y(t)) − (E(y(t))) 2 . (3.12)<br />
Nous réalisons un grand nombre <strong>de</strong> simulations, pour diverses valeurs <strong>de</strong>s <strong>de</strong>ux bruits.<br />
Nous utilisons les mêmes ( valeurs <strong>de</strong> paramètres qu’auparavant. La condition initiale est égale<br />
à (x 0 , ẋ 0 , y 0 , ẏ 0 ) = 0, 0, 0, i )<br />
0L<br />
avec i 0 = 1. Le tableau suivant résume les différents bruits<br />
2N<br />
utilisés pour les simulations :<br />
W 01<br />
ǫ<br />
0.01, 0.1, 1, 10, 0<br />
W 02 0.0001, 0.001, 0.01, 0.1, 1, 0<br />
Tab. 3.1 – Les différentes valeurs du coefficient <strong>de</strong> diffusion utilisées pour simuler par Monte<br />
Carlo le système dynamique du pompage énergétique.<br />
Calcul <strong>de</strong>s différents moments avec la solution obtenue par la métho<strong>de</strong> <strong>de</strong>s différences<br />
finies<br />
Nous nommons p la <strong>de</strong>nsité <strong>de</strong> probabilité calculée précé<strong>de</strong>mment. C’est la <strong>de</strong>nsité <strong>de</strong> probabilité<br />
du vecteur aléatoire X = (X 1 , X 2 , X 3 , X 4 ) tel que :<br />
[<br />
p : Ω = − L 1<br />
2 , L ] [<br />
1<br />
× − L 2<br />
2 2 , L ] [<br />
2<br />
× − L 3<br />
2 2 , L ] [<br />
3<br />
× − L 4<br />
2 2 , L ]<br />
4<br />
→ R<br />
2<br />
(3.13)<br />
X = (X 1 = x 1 , X 2 = x 2 , X 3 = x 3 , X 4 = x 4 ) → p (x 1 , x 2 , x 3 , x 4 )<br />
163
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
Nous prolongeons c<strong>et</strong>te <strong>de</strong>nsité sur R 4 :<br />
˜p : R 4 →<br />
{<br />
R<br />
p (x1 , x<br />
X = (X 1 = x 1 , X 2 = x 2 , X 3 = x 3 , X 4 = x 4 ) →<br />
2 , x 3 , x 4 ) si (x 1 , x 2 , x 3 , x 4 ) ∈ Ω ,<br />
0 sinon .<br />
˜p, comme p, est normé. En eff<strong>et</strong>, nous avons :<br />
∫R 4 ˜pdX = 1 = ∫<br />
= L 1<br />
2N<br />
R 4 ˜p(X 1(t) = x 1 , X 2 (t) = x 2 , X 3 (t) = x 3 , X 4 (t) = x 4 )dX 1 dX 2 dX 3 dX 4<br />
L 2<br />
2N<br />
L 3<br />
2N<br />
L 4<br />
2N<br />
1 = L 2N+1<br />
1L 2 L 3 L 4<br />
∑<br />
16N 4<br />
i,j,k,l=1<br />
2N+1<br />
∑<br />
i,j,k,l=1<br />
p (X 1 (t) = x 1i , X 2 (t) = x 2j , X 3 (t) = x 3k , X 4 (t) = x 4l )<br />
(3.14)<br />
p (X 1 (t) = x 1i , X 2 (t) = x 2j , X 3 (t) = x 3k , X 4 (t) = x 4l ) .<br />
La <strong>de</strong>nsité marginale <strong>de</strong> X i peut être obtenue par :<br />
∫<br />
˜p(X i ) =<br />
R ˜p (X 3 j = x j , X k = x k , X l = x l )dX j dX k dX l . (3.15)<br />
∫<br />
Le vecteur aléatoire X = (X 1 , X 2 , X 3 , X 4 ) est dit intégrable si |x|˜pdx ≤ +∞. On définit alors<br />
R<br />
son espérance (moyenne) par :<br />
∫<br />
E(X) = x˜p(x)dX . (3.16)<br />
4<br />
R<br />
∫<br />
De même, le moment d’ordre n ne peut être défini que si<br />
R |x|n˜p(x)dX ≤ +∞, alors :<br />
∫<br />
M n (X) =<br />
R xn˜p(x)dX . (3.17)<br />
4<br />
3.5.3 Résultats <strong>de</strong> la comparaison<br />
Nous utilisons les valeurs numériques <strong>de</strong> paramètres explicités au 3.5. De plus, pour la simulation,<br />
nous choississons le domaine d’étu<strong>de</strong> L 1 = L 2 = L 3 = L 4 = 4, le pas <strong>de</strong> temps ∆t = 0.02π<br />
<strong>et</strong> le nombre <strong>de</strong> mailles par direction 2N + 1 = 41 (donc le pas en espace est i<strong>de</strong>ntique dans<br />
toutes les directions <strong>et</strong> ∆y 1 = ∆y 2 = ∆y 3 = ∆y 4 = 0.1). Nous simulons le système (3.1) avec <strong>et</strong><br />
sans sollicitation sinusoïdale (F 1 = f 1 cos(w 1 t) où f 1 = w 1 = 0 <strong>et</strong> F 2 = f 2 cos(w 2 t) où f 2 = 0.1<br />
<strong>et</strong> w 2 = 0.5). De plus, nous testons trois combinaisons <strong>de</strong> bruits blancs :<br />
164<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
1○ W 01 = W 02 = 0.01π ,<br />
2○ W 01 = 0.01πǫ <strong>et</strong> W 02 = 0.01π ,<br />
3○ W 01 = 0.01π <strong>et</strong> W 02 = 0.01π .<br />
ǫ<br />
(3.18)
3.6. Simulations du pompage énergétique<br />
Certains moments sont i<strong>de</strong>ntiques quand ils sont calculés par les <strong>de</strong>ux métho<strong>de</strong>s. C’est le cas<br />
du moment d’ordre <strong>de</strong>ux pour l’oscillateur non-linéaire.<br />
De même, la forme <strong>de</strong> certains moments est correcte, mais la valeur numérique ne l’est pas<br />
(figure 3.7).<br />
1.5<br />
Moment d’ordre <strong>de</strong>ux <strong>de</strong> la position <strong>de</strong> l’oscillateur 1<br />
1.5<br />
Moment d’ordre <strong>de</strong>ux <strong>de</strong> la position <strong>de</strong> l’oscillateur 1<br />
Fokker−Planck<br />
1<br />
0.5<br />
Fokker−Planck<br />
1<br />
0.5<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
0.4<br />
2<br />
Monte Carlo<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(a) Sans sollicitation <strong>et</strong> W 01 = 0.01πǫ <strong>et</strong> W 02 = 0.01<br />
Monte Carlo<br />
1.5<br />
1<br />
0.5<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(b) Avec sollicitation <strong>et</strong> W 01 = W 02 = 0.01<br />
Fig. 3.7 – Moment d’ordre <strong>de</strong>ux <strong>de</strong> la position <strong>de</strong> l’oscillateur non-linéaire.<br />
Pour les moments d’ordre un (moyennes), les oscillations n’apparaissent pas pour le calcul<br />
Fokker-Planck non sollicité, car elles sont trop faibles. Elles apparaissent quand la sollicitation<br />
est présente. Pourtant, la présence <strong>de</strong>s oscillations très faibles dans les résultats du calcul Monte<br />
Carlo peut être critiquée. En eff<strong>et</strong>, la convergence du calcul ne semble pas être toujours assurée<br />
(dans le cas libre), voir figure 3.8.<br />
De plus pour <strong>de</strong>s moments d’ordre supérieur à <strong>de</strong>ux, les calculs massifs par Monte Carlo<br />
divergent (figure 3.9). Il faudrait alors examiner en détail l’algorithme <strong>de</strong> Monte Carlo utilisé <strong>et</strong><br />
utiliser une <strong>de</strong>s versions modifiées <strong>et</strong> améliorées <strong>de</strong> Monte Carlo.<br />
Les calculs <strong>de</strong> type Monte Carlo sont difficiles à faire converger, ainsi que ceux réalisés sur<br />
l’équation <strong>de</strong> Fokker-Planck. Ces <strong>de</strong>ux types <strong>de</strong> calcul donnent une tendance qui peut perm<strong>et</strong>tre<br />
<strong>de</strong>s étu<strong>de</strong>s qualitatives.<br />
3.6 Résultats <strong>de</strong>s simulations <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck<br />
Caractérisation du pompage énergétique<br />
Nous étudions le système suivant, extrait <strong>de</strong> la référence [42] :<br />
{ Mẍ + λ1 ẋ + k 1 x + γ(x − y) = 0 ,<br />
mÿ + λ s ẏ + Cy 3 + γ(y − x) = 0 ,<br />
(3.1)<br />
165
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
1<br />
Moyenne <strong>de</strong> la position <strong>de</strong> l’oscillateur 1<br />
Fokker−Planck<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
Fokker−Planck<br />
5 10−7 0<br />
−5<br />
−10<br />
−15<br />
0 500 1000 1500 2000 2500<br />
x<br />
t ( × 0.01 π )<br />
Monte Carlo<br />
5 x 10−3 0<br />
t ( × 0.01 π )<br />
Monte Carlo<br />
0.02<br />
0.01<br />
0<br />
−5<br />
0 500 1000 1500 2000 2500<br />
(a) Cas libre, W 01 = W 02 = 0.01π<br />
−0.01<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(b) Cas libre, W 01 = 0.01π <strong>et</strong> W 02 = 0.01π<br />
ǫ<br />
Moyenne <strong>de</strong> la position <strong>de</strong> l’oscillateur 1<br />
Fokker−Planck<br />
0.5<br />
0<br />
−0.5<br />
1 x 10−3 t ( × 0.01 π )<br />
Fokker−Planck<br />
1 x 10−3<br />
0.5<br />
0<br />
t ( × 0.01 π )<br />
−0.5<br />
−1<br />
0 500 1000 1500 2000 2500<br />
−1<br />
0 500 1000 1500 2000 2500<br />
0.04<br />
0.2<br />
Monte Carlo<br />
0.02<br />
0<br />
−0.02<br />
−0.04<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(c) Cas sollicité, W 01 = W 02 = 0.01π<br />
Monte Carlo<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(d) Cas sollicité, W 01 = 0.01πǫ <strong>et</strong> W 02 = 0.01π<br />
Fig. 3.8 – Moyenne <strong>de</strong> la position <strong>de</strong> l’oscillateur non-linéaire.<br />
166
3.6. Simulations du pompage énergétique<br />
4<br />
Fokker−Planck<br />
10 x 10−6 t ( × 0.01 π )<br />
5<br />
0<br />
Fokker−Planck<br />
3<br />
2<br />
1<br />
−5<br />
0 500 1000 1500 2000 2500<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
Monte Carlo<br />
0.5<br />
0<br />
−0.5<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
Monte Carlo<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
0 500 1000 1500 2000 2500<br />
t ( × 0.01 π )<br />
(a) Moment d’ordre trois <strong>de</strong> la position (b) Moment d’ordre quatre <strong>de</strong> la position<br />
<strong>de</strong> l’oscillateur linéaire, dans le cas libre, <strong>de</strong> l’oscillateur linéaire, dans le cas forcé<br />
avec W 01 = 0.01π <strong>et</strong> W 02 = 0.01π (f<br />
ǫ 1 = w 1 = 0, f 2 = 0.1 <strong>et</strong> w 2 = 0.5),<br />
avec W 01 = 0.01π <strong>et</strong> W 02 = 0.01π<br />
ǫ<br />
Fig. 3.9 – Comparaison Monte-Carlo/Fokker-Planck pour <strong>de</strong>s moments d’ordre supérieur.<br />
avec les conditions initiales :<br />
<strong>et</strong> les paramèteres :<br />
{ x(0) = y(0) = ẏ(0) = 0 ,<br />
ẋ(0) = √ 2h ,<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
k 1 = 4000N.m −1 ,<br />
λ 1 = 100N.s.m −1 ,<br />
M = 4000Kg ,<br />
γ = 1000N.m −1 ,<br />
m = 4000Kg ,<br />
λ s = 300N.s.m −1 ,<br />
c = 600N.m −3 .<br />
(3.2)<br />
(3.3)<br />
Nous étudions les cas libre <strong>et</strong> forcé. Ce <strong>de</strong>rnier correspond au système précé<strong>de</strong>nt où l’oscillateur<br />
non-linéaire est soumis à une sollicitation sinusoïdale f 2 cos(w 2 t) où f 2 = 0.1 <strong>et</strong> w 2 = 0.5.<br />
De plus, la condition initiale ne sera pas un dirac, mais une gaussienne d’intégrale 1 centrée<br />
sur le point (x 1 , x 2 , x 3 , x 4 ) = (0, √ 2h, 0, 0). Nous utilisons c<strong>et</strong> artifice afin d’éviter d’éventuels<br />
problèmes <strong>de</strong> stabilité en temps court. Enfin, nous étudions les résultats numériques <strong>de</strong> ces simulations<br />
pour plusieurs valeurs du coefficient <strong>de</strong> diffusion : W 01 = W 02 = 10.0, W 01 = W 02 = 1.0<br />
<strong>et</strong> W 01 = W 02 = 0.1.<br />
Le problème est ici que les tableaux que nous calculons sont <strong>de</strong> taille (2N+1) 4 (où 2N+1 est le<br />
nombre <strong>de</strong> noeuds du maillage dans une direction). Or pour pouvoir représenter graphiquement<br />
le phénomène <strong>de</strong> pompage énergétique, nous nécessitons <strong>de</strong>s éléments <strong>de</strong> R 2 . Ceci peut être<br />
réalisé <strong>de</strong> <strong>de</strong>ux manières différentes : tout d’abord, nous allons fixer la <strong>de</strong>uxième <strong>et</strong> la quatrième<br />
167
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
dimensions (les vitesses <strong>de</strong>s <strong>de</strong>ux oscillateurs), pour obtenir une matrice <strong>de</strong> R 2 . Ensuite, une<br />
<strong>de</strong>uxième métho<strong>de</strong> plus logique consiste à calculer certaines lois marginales du système. En<br />
particulier, nous nous intéressons à celle <strong>de</strong> l’oscillateur linéaire, celle <strong>de</strong> l’oscillateur non-linéaire<br />
<strong>et</strong> celle <strong>de</strong>s <strong>de</strong>ux positions.<br />
Ainsi en utilisant la <strong>de</strong>uxième métho<strong>de</strong> <strong>et</strong> en examinant le système (3.1) sans sollicitation ,<br />
le phénomène <strong>de</strong> pompage énergétique peut être observé.<br />
Pour la <strong>de</strong>nsité <strong>de</strong> probabilité marginale du premier oscillateur (Figure 3.10), la condition<br />
initiale est une gaussienne centrée sur ( √ 2h, 0). Rapi<strong>de</strong>ment, c<strong>et</strong> oscillateur arrive au repos suite<br />
au pompage énergétique. Ensuite, la zone spatiale où l’oscillateur linéaire est au repos se rétrécit.<br />
Enfin, la <strong>de</strong>nsité prend la forme du mo<strong>de</strong> non-linéaire (Figure 3.11).<br />
Il faut souligner que les instabilités aux bords du domaine d’étu<strong>de</strong> sont dûes aux schémas<br />
numériques, mais elles n’affectent pas les résultats aux temps suivants (Section 1.3.6, page 1.3.6).<br />
En ce qui concerne l’oscillateur non-linéaire, la condition initiale centrée en (0, 0) se transforme<br />
rapi<strong>de</strong>ment en un pic presque gaussien qui n’est plus symétrique <strong>et</strong> centré sur l’origine :<br />
c<strong>et</strong> oscillateur a commencé à osciller (Figure 3.12). Ensuite après avoir présenté une <strong>de</strong>nsité<br />
<strong>de</strong> probabilité équirépartie pendant un certain laps <strong>de</strong> temps, c<strong>et</strong> oscillateur suit le mo<strong>de</strong> non<br />
linéaire (Figure 3.13 ou 3.17).<br />
Nous calculons <strong>et</strong> représentons également la <strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position<br />
<strong>de</strong>s <strong>de</strong>ux oscillateurs du système (3.1) sans sollicitation extérieure <strong>et</strong> avec W 01 = W 02 = 10.0<br />
(Figure 3.14). A t = 0, seul l’oscillateur linéaire, dont la position est x 1 , est en mouvement. Mais<br />
dès t = 200∆t, l’oscillateur non-linéaire cumule la plus gran<strong>de</strong> partie <strong>de</strong> l’énergie du système.<br />
En temps long, les positions du système s’orientent suivant la première diagonale (Figure 3.15).<br />
Suite au bruit, le pompage énergétique ne s’effectue pas entièrement.<br />
En eff<strong>et</strong>, le fait que le pompage énergétique ne s’effectue pas entièrement peut être représenté<br />
en analysant le lieu du maximum <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux<br />
oscillateurs (Figure 3.16, par analogie avec l’étu<strong>de</strong> déterministe, Figures 3.2 ou 3.17).<br />
Maintenant nous analysons l’influence <strong>de</strong> la valeur numérique du coefficient <strong>de</strong> diffusion. Nous<br />
représentons sur les figures 3.18 <strong>et</strong> 3.19 la <strong>de</strong>nsité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
pour les trois valeurs <strong>de</strong>s coefficients <strong>de</strong> diffusion W 01 = W 02 = 10.0, W 01 = W 02 = 1.0 <strong>et</strong><br />
W 01 = W 02 = 0.1.<br />
Nous observons que dans ce cas précis, le phénomène <strong>de</strong> pompage énergétique est accéléré<br />
pour un bruit plus élevé. Ceci peut être prouvé par l’analyse du lieu du maximum <strong>de</strong> la <strong>de</strong>nsité<br />
<strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux oscillateurs pour ces trois valeurs du coefficient<br />
<strong>de</strong> diffusion (Figure 3.20).<br />
Finalement, nous étudions les conséquences d’une sollicitation <strong>de</strong> la forme F 1 = 0 <strong>et</strong> F 2 =<br />
f 2 cos(w 2 t). Nous avons choisi ici f 2 = 0.1 <strong>et</strong> w 2 = 0.5. Nous observons ici (Figures 3.21 <strong>et</strong><br />
3.22) que le phénomène <strong>de</strong> pompage énergétique est détruit. Ces <strong>de</strong>ux comportements sont<br />
radicalement différents. Ceci peut également être vu en représentant le lieu du maximum <strong>de</strong> la<br />
<strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux oscillateurs pour ces <strong>de</strong>ux cas (cas non<br />
168
3.6. Simulations du pompage énergétique<br />
0.2<br />
0.02<br />
0.15<br />
0<br />
0.1<br />
0.05<br />
−0.02<br />
−0.04<br />
−0.06<br />
0<br />
−0.08<br />
−0.05<br />
60<br />
−0.1<br />
60<br />
40<br />
x 2<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
x 2<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(a) t = 0∆t<br />
(b) t = 200∆t<br />
50<br />
0.5<br />
0.2<br />
0<br />
−0.2<br />
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
0<br />
10<br />
20<br />
x 2<br />
30<br />
40<br />
0<br />
−0.5<br />
50<br />
40<br />
30<br />
20<br />
x 2<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
x 1<br />
(c) t = 300∆t<br />
(d) t = 500∆t<br />
0.5<br />
0.4<br />
0<br />
0.2<br />
−0.5<br />
50<br />
40<br />
0<br />
−0.2<br />
30<br />
x 2<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
60<br />
40<br />
x 2<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(e) t = 1000∆t<br />
(f) t = 5900∆t<br />
Fig. 3.10 – Densité <strong>de</strong> probabilité marginale <strong>de</strong> l’oscillateur linéaire du système <strong>de</strong> l’équation<br />
(3.1) sans sollicitation extérieure <strong>et</strong> avec W 01 = W 02 = 10.0, ∆t = 0.001π.<br />
169
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
40<br />
35<br />
0.2<br />
0.1<br />
30<br />
0<br />
25<br />
−0.1<br />
−0.2<br />
x 2<br />
20<br />
−0.3<br />
50<br />
15<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
10<br />
5<br />
5 10 15 20 25 30 35 40<br />
x 2<br />
x 1<br />
Fig. 3.11 – Densité <strong>de</strong> probabilité marginale <strong>de</strong> l’oscillateur linéaire du système <strong>de</strong> l’équation<br />
(3.1) sans sollicitation extérieure avec W 01 = W 02 = 10.0. Le temps représenté est t = 4450∆t,<br />
où ∆t = 0.001π.<br />
sollicité <strong>et</strong> cas sollicité), Figure 3.23.<br />
170
3.6. Simulations du pompage énergétique<br />
0.5<br />
15<br />
0<br />
10<br />
5<br />
−0.5<br />
50<br />
0<br />
40<br />
30<br />
−5<br />
60<br />
40<br />
x 4<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 3<br />
30<br />
40<br />
50<br />
x 4<br />
20<br />
10<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 3<br />
(a) t = 0∆t<br />
(b) t = 300∆t<br />
0.5<br />
0.4<br />
0.2<br />
0<br />
0<br />
−0.2<br />
−0.5<br />
50<br />
40<br />
−0.4<br />
50<br />
40<br />
30<br />
30<br />
20<br />
10<br />
x 4<br />
0<br />
0<br />
10<br />
20<br />
x 3<br />
30<br />
40<br />
50<br />
20<br />
10<br />
x 4<br />
0<br />
0<br />
10<br />
20<br />
x 3<br />
30<br />
40<br />
50<br />
(c) t = 700∆t<br />
(d) t = 1000∆t<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
40<br />
30<br />
x 4<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 3<br />
30<br />
40<br />
50<br />
−0.4<br />
60<br />
40<br />
x 4<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 2<br />
30<br />
40<br />
50<br />
(e) t = 1600∆t<br />
(f) t = 5900∆t<br />
Fig. 3.12 – Densité <strong>de</strong> probabilité marginale <strong>de</strong> l’oscillateur non-linéaire du système <strong>de</strong> l’équation<br />
(3.1) sans sollicitation extérieure <strong>et</strong> avec W 01 = W 02 = 10.0, ∆t = 0.001π.<br />
171
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
40<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
60<br />
40<br />
x 4<br />
15<br />
10<br />
50<br />
40<br />
30<br />
5<br />
20<br />
20<br />
10<br />
x 0 0<br />
5 10 15 20 25 30 35 40<br />
4 x 3<br />
x 3<br />
35<br />
30<br />
25<br />
20<br />
Fig. 3.13 – Densité <strong>de</strong> probabilité marginale <strong>de</strong> l’oscillateur non-linéaire du système <strong>de</strong> l’équation<br />
(3.1) sans sollicitation extérieure avec W 01 = W 02 = 10.0. Le temps représenté est t = 4450∆t,<br />
où ∆t = 0.001π.<br />
172
3.6. Simulations du pompage énergétique<br />
1<br />
0.5<br />
1<br />
0.8<br />
0<br />
0.6<br />
−0.5<br />
0.4<br />
−1<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0<br />
60<br />
40<br />
20<br />
x 1<br />
x 3<br />
(a) t = 0∆t<br />
(b) t = 200∆t<br />
0.4<br />
0.4<br />
0.2<br />
0.2<br />
0<br />
0<br />
−0.2<br />
−0.2<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(c) t = 500∆t<br />
(d) t = 700∆t<br />
0.2<br />
0.5<br />
0<br />
0<br />
−0.2<br />
−0.5<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
−0.6<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(e) t = 1400∆t<br />
(f) t = 5900∆t<br />
Fig. 3.14 – Densité <strong>de</strong> probabilité marginale <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans sollicitation extérieure <strong>et</strong> avec W 01 = W 02 = 10.0, ∆t = 0.001π.<br />
173
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
40<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
50<br />
40<br />
x 3<br />
15<br />
10<br />
30<br />
50<br />
40<br />
20<br />
30<br />
5<br />
10<br />
20<br />
x 10<br />
3 0 0<br />
5 10 15 20 25 30 35 40<br />
x 1<br />
x 1<br />
35<br />
30<br />
25<br />
20<br />
Fig. 3.15 – Densité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans sollicitation extérieure avec W 01 = W 02 = 10.0. Le temps représenté est<br />
t = 4450∆t, où ∆t = 0.001π.<br />
45<br />
40<br />
35<br />
30<br />
25<br />
x 3<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(a) t <strong>de</strong> 0 à 5900∆t<br />
Fig. 3.16 – Lieu du maximum <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux<br />
oscillateurs du système <strong>de</strong> l’équation (3.1) sans sollicitation extérieure <strong>et</strong> avec W 01 = W 02 = 10.0.<br />
174
3.6. Simulations du pompage énergétique<br />
4<br />
3<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
−2<br />
−2.5<br />
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2<br />
2<br />
2<br />
1.5<br />
1.5<br />
1<br />
1<br />
0.5<br />
0.5<br />
0<br />
0<br />
−0.5<br />
−0.5<br />
−1<br />
−1<br />
−1.5<br />
−1.5<br />
−2<br />
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2<br />
−2<br />
−1.5 −1 −0.5 0 0.5 1 1.5<br />
Fig. 3.17 – Oscillations non-linéaires en fonction <strong>de</strong>s oscillations linéaires, pour le système déterministe<br />
<strong>de</strong> l’équation (3.1), pour différentes conditions initiales. La forme du mo<strong>de</strong> non-linéaire<br />
ressemble donc à celle <strong>de</strong>s couples (x 1 , x 3 ) du maximum <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong> Fokker-<br />
Planck (Figure 3.16).<br />
175
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
1<br />
1<br />
1<br />
0.5<br />
0.8<br />
0.5<br />
0.6<br />
0<br />
0.4<br />
0<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
20<br />
x 3<br />
10<br />
0<br />
60<br />
40<br />
20<br />
0 x 1<br />
−0.5<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.5<br />
50<br />
40<br />
30<br />
20<br />
10<br />
x 3<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(a) W 01 = W 02 = 10, t = 200∆t<br />
(b) W 01 = W 02 = 1, t = 200∆t<br />
(c) W 01 = W 02 = 0.1, t = 200∆t<br />
0.4<br />
0.4<br />
0.4<br />
0.2<br />
0.2<br />
0.2<br />
0<br />
0<br />
0<br />
−0.2<br />
−0.2<br />
−0.2<br />
−0.4<br />
60<br />
−0.4<br />
60<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(d) W 01 = W 02 = 10, t = 500∆t<br />
(e) W 01 = W 02 = 1, t = 500∆t<br />
(f) W 01 = W 02 = 0.1, t = 500∆t<br />
0.4<br />
0.2<br />
0<br />
0.4<br />
0.2<br />
0<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.2<br />
−0.2<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(g) W 01 = W 02 = 10, t = 700∆t<br />
(h) W 01 = W 02 = 1, t = 700∆t<br />
(i) W 01 = W 02 = 0.1, t = 700∆t<br />
Fig. 3.18 – Densité <strong>de</strong> probabilité marginale <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans sollicitation extérieure avec ∆t = 0.001π.<br />
176
3.6. Simulations du pompage énergétique<br />
0.4<br />
0.2<br />
0<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.2<br />
−0.4<br />
50<br />
−0.4<br />
50<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(a) W 01 = W 02 = 10, t = 800∆t<br />
(b) W 01 = W 02 = 1, t = 800∆t<br />
(c) W 01 = W 02 = 0.1, t = 800∆t<br />
0.5<br />
0<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.5<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(d) W 01 = W 02 = 10, t = 1400∆t<br />
(e) W 01 = W 02 = 1, t = 1400∆t<br />
(f) W 01 = W 02 = 0.1, t = 1400∆t<br />
0.2<br />
0<br />
0.4<br />
0.2<br />
0.4<br />
0.2<br />
−0.2<br />
−0.4<br />
−0.6<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(g) W 01 = W 02 = 10, t = 5900∆t<br />
(h) W 01 = W 02 = 1, t = 5900∆t<br />
(i) W 01 = W 02 = 0.1, t = 5900∆t<br />
Fig. 3.19 – Densité <strong>de</strong> probabilité marginale <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans sollicitation extérieure avec ∆t = 0.001π.<br />
177
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
45<br />
40<br />
35<br />
x 3<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(a) W 01 = W 02 = 10.0<br />
x 2<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(b) W 01 = W 02 = 1.0<br />
45<br />
40<br />
35<br />
30<br />
25<br />
x 2<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(c) W 01 = W 02 = 0.1<br />
Fig. 3.20 – Lieu du maximum <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux<br />
oscillateurs du système <strong>de</strong> l’équation (3.1) sans sollicitation extérieure.<br />
178
3.6. Simulations du pompage énergétique<br />
1<br />
0.5<br />
1<br />
0.8<br />
0<br />
−0.5<br />
0.6<br />
−1<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
20<br />
x 3<br />
10<br />
0<br />
0<br />
60<br />
40<br />
20<br />
x 1<br />
−1.5<br />
60<br />
40<br />
20<br />
x 3 0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(a) Sans sollicitation, t = 200∆t<br />
(b) Avec sollicitation, t = 200∆t<br />
0.4<br />
0.5<br />
0.2<br />
0<br />
0<br />
−0.2<br />
−0.5<br />
50<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(c) Sans sollicitation, t = 500∆t<br />
(d) Avec sollicitation, t = 500∆t<br />
0.4<br />
0.4<br />
0.2<br />
0.2<br />
0<br />
0<br />
−0.2<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.2<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(e) Sans sollicitation, t = 700∆t<br />
(f) Avec sollicitation, t = 700∆t<br />
Fig. 3.21 – Densité <strong>de</strong> probabilité marginale <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans <strong>et</strong> avec sollicitation extérieure (f 2 = 0.1 <strong>et</strong> w 2 = 0.5) pour ∆t = 0.001π.<br />
179
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
0.5<br />
0<br />
−0.5<br />
50<br />
−0.4<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(a) Sans sollicitation, t = 800∆t<br />
(b) Avec sollicitation, t = 800∆t<br />
0.4<br />
0.5<br />
0.2<br />
0<br />
0<br />
−0.2<br />
−0.5<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(c) Sans sollicitation, t = 1400∆t<br />
(d) Avec sollicitation, t = 1400∆t<br />
0.2<br />
0.4<br />
0<br />
0.2<br />
−0.2<br />
0<br />
−0.2<br />
−0.4<br />
−0.6<br />
60<br />
40<br />
x 3<br />
20<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
−0.4<br />
50<br />
40<br />
30<br />
x 3<br />
20<br />
10<br />
0<br />
0<br />
10<br />
20<br />
x 1<br />
30<br />
40<br />
50<br />
(e) Sans sollicitation, t = 5900∆t<br />
(f) Avec sollicitation, t = 5900∆t<br />
Fig. 3.22 – Densité <strong>de</strong> probabilité marginale <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs du système <strong>de</strong><br />
l’équation (3.1) sans <strong>et</strong> avec sollicitation extérieure (f 2 = 0.1 <strong>et</strong> w 2 = 0.5) pour ∆t = 0.001π.<br />
180
3.6. Simulations du pompage énergétique<br />
45<br />
45<br />
40<br />
x 3<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
x 3<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(a) Sans sollicitation<br />
5<br />
0<br />
0 5 10 15 20 25 30 35 40 45<br />
x 1<br />
(b) Avec sollicitation<br />
Fig. 3.23 – Lieu du maximum <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité marginale <strong>de</strong> la position <strong>de</strong>s <strong>de</strong>ux<br />
oscillateurs du système <strong>de</strong> l’équation (3.1) avec W 01 = W 02 = 10.0.<br />
181
Chapitre 3. Contrôle passif <strong>de</strong> structures : pompage énergétique<br />
182
Conclusion<br />
L’équation <strong>de</strong> Fokker-Planck est une équation aux dérivées partielles linéaire, dont l’inconnue<br />
est p(X, t), <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong> l’état X au temps t (X est alors un vecteur <strong>de</strong> positions,<br />
vitesses..).<br />
C<strong>et</strong>te équation a été écrite ici pour <strong>de</strong>s oscillateurs à un seul <strong>de</strong>gré <strong>de</strong> liberté, puis pour <strong>de</strong>s<br />
oscillateurs à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté. C<strong>et</strong>te écriture formelle ne pose pas <strong>de</strong> problème <strong>et</strong> peut être<br />
généralisée facilement à <strong>de</strong>s systèmes plus complexes. Le principal problème <strong>de</strong> c<strong>et</strong>te équation<br />
est qu’elle n’adm<strong>et</strong> une solution analytique que dans un nombre très limité <strong>de</strong> cas. En particulier,<br />
une sollicitation analytique existe pour l’équation <strong>de</strong> Fokker-Planck <strong>de</strong> l’oscillateur linéaire : ce<br />
cas a été utilisé pour prouver l’exactitu<strong>de</strong> <strong>de</strong>s résultats <strong>de</strong> notre simulation numérique. L’erreur<br />
calculée dans ce cas est très faible.<br />
L’intégration numérique <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck a tout d’abord été réalisée pour <strong>de</strong>s<br />
oscillateurs possédant un seul <strong>de</strong>gré <strong>de</strong> liberté : l’oscilateur <strong>de</strong> type Duffing, un système simple<br />
soumis à <strong>de</strong> la friction, un corps possédant une loi <strong>de</strong> comportement élasto-plastique. Certains <strong>de</strong><br />
ces cas étant déjà étudiés dans la littérature, nous avons pu mesurer la cohérence <strong>de</strong> nos calculs.<br />
Pour d’autres, nous avons pu r<strong>et</strong>rouver le cas déterministe pour <strong>de</strong>s bruits faibles <strong>et</strong> montrer<br />
qu’un certain niveau <strong>de</strong> bruit entraine la disparition du phénomène déterministe.<br />
Finalement, nous avons examiné l’influence <strong>de</strong> l’existence d’un bruit sur le phénomène du<br />
pompage énergétique. Pour cela, après avoir écrit l’équation <strong>de</strong> Fokker-Planck pour le système<br />
dynmique considéré, nous avons intégré numériquement c<strong>et</strong>te équation aux dérivées partielles<br />
pour <strong>de</strong>s systèmes <strong>dynamiques</strong> extraits <strong>de</strong> [43] <strong>et</strong> [42]. Via les <strong>de</strong>nsités <strong>de</strong> probabilité ainsi<br />
calculées, l’occurence, la stabilité <strong>et</strong> l’efficacité du pompage énergétique peuvent être estimés.<br />
C<strong>et</strong>te intégration <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck par la métho<strong>de</strong> <strong>de</strong>s différences finies pour<br />
un système dynamique à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté est réalisé pour la première fois. En réalité,<br />
c<strong>et</strong>te simulation calculant la <strong>de</strong>nsité p(x,ẋ, y,ẏ), où x <strong>et</strong> y sont les <strong>de</strong>ux positions, <strong>et</strong> ẋ <strong>et</strong> ẏ<br />
les <strong>de</strong>ux vitesses, n’a jamais été réalisé par aucune métho<strong>de</strong>. Cela s’explique par la lour<strong>de</strong>ur<br />
<strong>de</strong>s calculs. Dans notre calcul, si nous appelons 2N + 1 le nombre <strong>de</strong> noeuds du maillage dans<br />
chaque direction, à chaque t, la <strong>de</strong>nsité <strong>de</strong> probabilité calculée s’exprime à l’ai<strong>de</strong> d’une matrice<br />
(2N +1)×(2N +1)×(2N +1)×(2N +1). Par la métho<strong>de</strong> ici employée (métho<strong>de</strong> <strong>de</strong>s différences<br />
finies associée à la métho<strong>de</strong> <strong>de</strong>s directions alternées), nous pouvons décomposer ce problème<br />
unique en (2N +1)×(2N +1) problèmes linéaires avec <strong>de</strong>s matrices <strong>de</strong> taille (2N +1)×(2N +1).<br />
Ainsi les calculs sont lents (10 fois avec Matlab qu’avec C++), <strong>et</strong> les données calculées sont<br />
volumineuses (fichiers <strong>de</strong> l’ordre <strong>de</strong> 30 Mo pour N = 20).<br />
183
Conclusion<br />
Mais, il est à prévoir que la métho<strong>de</strong> <strong>de</strong>s éléments finis ne serait pas plus efficace. En eff<strong>et</strong>,<br />
puisqu’à chaque instant, la probabilité appartient à R 4 , les éléments à choisir seraient <strong>de</strong>s<br />
hypercubes <strong>de</strong> dimension 4.<br />
En ce qui concerne la métho<strong>de</strong> <strong>de</strong>s différences finies ici utilisée, elle possè<strong>de</strong> un inconvénient<br />
majeur : les divers paramètres <strong>de</strong> simulation (pas en espace, en temps) sont liés entre eux <strong>et</strong><br />
aux paramètres extérieurs (le bruit), <strong>et</strong> ils déterminent l’exactitu<strong>de</strong> <strong>et</strong> la véracité <strong>de</strong> la <strong>de</strong>nsité<br />
<strong>de</strong> probabilité calculée (cela est dû à la forme <strong>de</strong>s matrices à inverser dans la métho<strong>de</strong> d’Euler<br />
implicite). Ainsi <strong>de</strong>s instabilités peuvent apparaitre, ainsi que <strong>de</strong>s résultats manifestement faux :<br />
eff<strong>et</strong>s <strong>de</strong> bords liés à l’obligation à la <strong>de</strong>nsité d’être égale à zéro sur le bord, <strong>de</strong>s phénomènes <strong>de</strong><br />
soulèvement <strong>de</strong> tapis <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité dûs souvent à un niveau <strong>de</strong> bruit trop faible...<br />
Ainsi les paramètres utilisés pour la simulation doivent être choisis avec soin.<br />
Donc, en conclusion, c<strong>et</strong>te métho<strong>de</strong> <strong>de</strong> résolution <strong>de</strong> l’équation <strong>de</strong> Fokker-Planck semble<br />
adaptée à l’étu<strong>de</strong> <strong>de</strong> systèmes <strong>dynamiques</strong> pouvant être réduits à peu (1 ou 2) <strong>de</strong>grés <strong>de</strong> liberté<br />
<strong>et</strong> soumis à une sollicitation diffuse <strong>et</strong> inconnue. Pourtant, les outils informatiques doivent être<br />
conséquents.<br />
184
Troisième partie<br />
Etu<strong>de</strong> sur les exposants <strong>de</strong> Lyapunov<br />
185
Le premier chapitre <strong>de</strong> c<strong>et</strong>te partie a été le suj<strong>et</strong> d’une communication en conférence en<br />
comité <strong>de</strong> lecture <strong>et</strong> d’une contribution à un livre post-conférence :<br />
– Schmidt F., Lamarque C.-H., ”On the numerical value of finite-time pseudo-Lyapunov<br />
exponents“, 9 th Conference on Dynamical Systems Theory and Applications, December<br />
17-20, 2007, Lodz, Poland, [91].<br />
– Schmidt F., Lamarque C.-H., ”On the numerical value of finite-time pseudo-Lyapunov exponents“,<br />
Mo<strong>de</strong>ling, Simulation and Control of Nonlinear Engineering Dynamical Systems,<br />
multi-authored book, Springer Publisher.<br />
Le <strong>de</strong>uxième chapitre a fait l’obj<strong>et</strong> d’une collaboration avec le Moscow Institute of Technology<br />
dans le cadre d’une coopération européenne <strong>et</strong> un article est en phase <strong>de</strong> soumission.<br />
187
188
Introduction<br />
Il existe trois caractéristiques principales du chaos :<br />
1. un spectre continu <strong>de</strong> fréquences qui est semblable à un bruit aléatoire,<br />
2. la sensibilité aux conditions initiales,<br />
3. <strong>et</strong> l’ergodicité <strong>et</strong> le mélange <strong>de</strong>s orbites <strong>dynamiques</strong>.<br />
Les exposants <strong>de</strong> Lyapunov ([70, 98]) mesurent la sensibilité aux conditions initiales <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> chaotiques. Ainsi, une différence infiniment p<strong>et</strong>ite en entrée peut entrainer <strong>de</strong>s<br />
différences très importantes en sortie se traduisant par une divergence ”maximale“ confinée sur<br />
la géométrie <strong>de</strong> l’attracteur. Ceci est appelé ”sensibilité aux conditions initiales“. C<strong>et</strong>te quantité<br />
perm<strong>et</strong> donc dans une certaine mesure une quantification <strong>de</strong> l’incertitu<strong>de</strong> sur le comportement<br />
du système dynamique considéré en fonction <strong>de</strong> l’incertitu<strong>de</strong> en conditions initiales.<br />
Pour caractériser quantitativement un attracteur chaotique, l’exposant <strong>de</strong> Lyapunov est un<br />
outil précieux, par exemple pour estimer la sensibilité aux conditions initiales. Si au moins un<br />
<strong>de</strong>s exposants <strong>de</strong> Lyapunov est positif, l’attracteur est sensible aux conditions initiales. Il est<br />
alors chaotique en temps infini mathématiquement, en pratique en temps fini.<br />
Pour la définition formelle <strong>de</strong>s exposants <strong>de</strong> Lyapunov, considérons le flot unidimensionnel<br />
suivant : x n+1 = f(x n ). La différence entre <strong>de</strong>ux états infiniment proches (distants <strong>de</strong> ǫ, avec<br />
ǫ
Introduction<br />
Ainsi dans le cas 2D, l’exposant <strong>de</strong> Lyapunov le plus grand en valeur absolue décrit le<br />
taux moyen <strong>de</strong> divergence <strong>de</strong> <strong>de</strong>ux trajectoires infiniment proches. La somme <strong>de</strong>s exposants <strong>de</strong><br />
Lyapunov donne le taux moyen d’évolution du volume dans l’espace dse phases.<br />
Nous voulons calculer log(|D(Sk )(x)v 0 |)<br />
, où D est la différentielle <strong>de</strong> la transformation. Pour<br />
k<br />
obtenir <strong>de</strong>s résultats fiables, nous <strong>de</strong>vons normer à chaque étape les itérées; sinon, la norme <strong>de</strong>s<br />
vecteurs DS k (x)v 0 augmente exponentiellement avec k (comme la métho<strong>de</strong> puissance dans le<br />
calcul <strong>de</strong>s valeurs propres <strong>de</strong>s matrices). Soit x j la suite<br />
Alors par composition <strong>de</strong>s différentielles :<br />
Si on définit la suite <strong>de</strong> vecteurs :<br />
Alors nous avons les i<strong>de</strong>ntités :<br />
x 0 = x , x j = S(x j−1 ) .<br />
D(S k )(x) = DS(x k−1 )...DS(x 0 ) .<br />
ˆv j = DS(x j−1 )v j−1 , v j = ˆv j<br />
||ˆv j || . (2)<br />
DS(x 0 ) = ˆv 1 , DS(x 1 )DS(x 0 )v 0 = ˆv 2 ||ˆv 1 || ,<br />
<strong>et</strong> immédiatement :<br />
k−1<br />
∏<br />
DS(x k−1 )...DS(x 0 ) = ˆv k ||ˆv j || .<br />
j=1<br />
Donc nous calculons λ 1,k = 1 k<br />
k∑<br />
log ||ˆv j ||, comme approximation <strong>de</strong> l’exposant <strong>de</strong> Lyapunov, si<br />
j=1<br />
celui-ci existe.<br />
De même, nous <strong>de</strong>vons calculer le <strong>de</strong>uxième exposant <strong>de</strong> Lyapunov. Il suffit <strong>de</strong> calculer<br />
log |d<strong>et</strong> D(S k )(x)| <strong>et</strong> <strong>de</strong> le soustraire à λ 1,k . Numériquement, c<strong>et</strong>te procédure serait très peu<br />
juste, puisque l’image d’une base par D(S k )(x) <strong>de</strong>vient extrêmement singulière quand k tend<br />
vers l’infini; donc, nous modifions l’algorithme :<br />
d<strong>et</strong> D(S k )(x) =<br />
k∏<br />
d<strong>et</strong> DS(x j−1 ) ,<br />
<strong>et</strong> nous calculons le déterminant <strong>de</strong> DS(x j−1 ) avec la suite <strong>de</strong> vecteurs w j définis par :<br />
190<br />
j=1<br />
ŵ j = DS(x j−1 )w j−1 , w j =<br />
ŵj − (ŵ j .v j )v j<br />
||ŵ j − (ŵ j .v j )v j || .
En d’autres termes, la base {v j−1 , w j−1 } est transformée en {ˆv j , ŵ j } par la linéarisation <strong>de</strong><br />
la transformation, puis soumise à l’orthonormalisation <strong>de</strong> Gram-Schmidt. Alors :<br />
Nous définissons :<br />
|d<strong>et</strong> DS(x j−1 )| = ||ˆv j || ||ŵ j − (ŵ j .v j )v j || .<br />
λ 2,k = 1 k<br />
k∑<br />
log ||ŵ j − (ŵ j .v j )v j || .<br />
j=1<br />
C<strong>et</strong>te partie est consacrée à <strong>de</strong>ux points que nous avons étudié : tout d’abord, dans un<br />
premier chapitre, sera traitée la variabilité par rapport aux conditions en espace, en temps,...<br />
<strong>de</strong>s exposants <strong>de</strong> yapunov en temps fini. De ce fait, ils peuvent, en temps fini, être supérieurs<br />
en valeur absolue à leur valeur en temps infini qui est utilisée habituellement <strong>et</strong> qui est obtenu<br />
avec l’algorithme <strong>de</strong> Wolf.<br />
Dans le <strong>de</strong>uxième chapitre, résultat d’une collaboration avec le Moscow Institute of Technology<br />
(Prof. Seyranian), une métho<strong>de</strong> différente pour calculer les exposants <strong>de</strong> Lyapunov est<br />
développée, elle est ensuite appliquée à <strong>de</strong>s systèmes <strong>dynamiques</strong> connus. Ainsi c<strong>et</strong>te métho<strong>de</strong> a<br />
pu être évaluée.<br />
191
Introduction<br />
192
Chapitre 1<br />
Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en<br />
temps fini<br />
Les exposants <strong>de</strong> Lyapunov sont habituellement calculés en temps infini, ils<br />
possè<strong>de</strong>nt alors la propriété d’ergodicité. Pourtant ce n’est plus le cas en temps<br />
fini, où ils dépen<strong>de</strong>nt du temps considéré, <strong>de</strong>s conditions en espace, <strong>de</strong> la<br />
divergence initiale... Il est alors dangereux d’utiliser les exposants en temps<br />
infini pour réaliser <strong>de</strong>s calculs en temps fini.<br />
Sommaire<br />
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194<br />
1.2 <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre . . . . . . . 196<br />
1.2.1 Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov à court terme . . . . . . . . . . . 196<br />
1.2.2 Pour l’oscillateur <strong>de</strong> Duffing . . . . . . . . . . . . . . . . . . . . . . 197<br />
1.2.3 Pour l’oscillateur <strong>de</strong> Van <strong>de</strong>r Pol . . . . . . . . . . . . . . . . . . . . 202<br />
1.3 <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre . . . . . . . 209<br />
1.3.1 Etu<strong>de</strong> théorique <strong>de</strong>s exposants à court terme . . . . . . . . . . . . . 210<br />
1.3.2 Pour le système <strong>de</strong> Lorenz . . . . . . . . . . . . . . . . . . . . . . . 210<br />
1.4 Pour le système du pompage énergétique . . . . . . . . . . . . . 216<br />
1.5 Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs219<br />
1.5.1 Explication <strong>de</strong>s exposants <strong>de</strong> Lyapunov d’ordres supérieurs . . . . . 219<br />
1.5.2 Application à l’oscillateur <strong>de</strong> Duffing . . . . . . . . . . . . . . . . . 221<br />
1.5.3 Application au système dynamique <strong>de</strong> Van Der Pol . . . . . . . . . 224<br />
1.5.4 Application au système <strong>de</strong> Lorenz . . . . . . . . . . . . . . . . . . . 226<br />
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227<br />
193
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
1.1 Introduction<br />
Définition 1.1.1 (Mesure invariante) Soient (X, µ) un espace <strong>de</strong> probabilités, <strong>et</strong> f : X → X<br />
une application mesurable. La mesure µ est dite f-invariante si pour tout ensemble A ⊂ X, on<br />
a µ ( f −1 (A) ) = µ(A), ou f −1 (A) <strong>de</strong>signe l’image reciproque <strong>de</strong> A par f.<br />
Définition 1.1.2 (Ergodicité) Soient (X, µ) un espace <strong>de</strong> probabilites, <strong>et</strong> f : X → X une<br />
application mesurable telle que la mesure µ soit f-invariante. L’application f est dite ergodique<br />
relativement a la mesure µ si tout sous-ensemble mesurable <strong>de</strong> X invariant par f est <strong>de</strong> mesure<br />
0 ou 1.<br />
Définition 1.1.3 (Unique ergodicité) Soient X un espace mesurable <strong>et</strong> f : X → X une application<br />
mesurable. L’application f est dite uniquement ergodique s’il existe une unique mesure<br />
<strong>de</strong> probabilite sur X invariante par f.<br />
Théorème 1.1.4 (Théorème d’ergodicité d’Osele<strong>de</strong>c (Multiplicative Ergodic Theorem))<br />
Soit f un difféomorphisme <strong>de</strong> M avec une dérivée uniformément bornée,<br />
Soit µ une mesure <strong>de</strong> Borel <strong>de</strong> probabilité invariante sur M,<br />
Alors pour presque tout x ∈ M, l’espace tangent M x peut être décomposé en sous-espaces<br />
W 1 (x) ⊕ ... ⊕ W Mx (x) tels que :<br />
1. Pour presque tout i, Df(x)(W i (x)) = W i (f(x)) (les sous-espaces sont conservés sous<br />
l’action <strong>de</strong> Df).<br />
2. Pour presque tout x ∈ M <strong>et</strong> pour presque tout i, il existe un nombre λ i (x) tels que :<br />
(Donc λ i (f(x)) = λ i (x)).<br />
∀x ∈ W i (x), lim<br />
n→∞<br />
3. Si nous appelons θ(x, i, j) l’angle entre W i (x) <strong>et</strong> W j (x) :<br />
lim<br />
n→∞<br />
1<br />
n log ||Df ±n (x)v|| = ±λ i (x) . (1.1)<br />
1<br />
n log | sin(θ)( f ±n (x), i, j ) | = 0 . (1.2)<br />
Les nombres λ i (x), comptés avec leur multiplicité dimW i (x), sont appelés exposants <strong>de</strong> Lyapunov<br />
<strong>de</strong> f en x.<br />
Ces exposants sont indépendants <strong>de</strong> x si le système est ergodique.<br />
En pratique, c<strong>et</strong> exposant est estimé analytiquement par les valeurs propres <strong>de</strong> la jacobienne.<br />
Il peut également être calculé numériquement. Pour cela diverses métho<strong>de</strong>s existent : la plus<br />
connue est celle <strong>de</strong> Wolf <strong>et</strong> al. ([115], voir introduction <strong>de</strong> c<strong>et</strong>te partie, page 189). C<strong>et</strong> algorithme<br />
se base sur le contrôle <strong>de</strong> la divergence entre trajectoires voisines. On choisit dans un premier<br />
temps <strong>de</strong>ux orbites très voisines, <strong>et</strong> on note leur distance L(t 0 ). En un temps ultérieur, soit t 1 ,<br />
c<strong>et</strong>te distance est <strong>de</strong>venue L ′ (t 1 ). On effectue alors un remplacement : on se choisit une autre<br />
194
1.1. Introduction<br />
orbite, située à une distance L(t 1 ). On recommence alors ces opérations un grand nombre <strong>de</strong> fois<br />
pour les temps t 1 , ...,t M <strong>et</strong> on calcule l’estimateur du plus grand exposant :<br />
1<br />
M [ ]<br />
∑ L ′ (t k )<br />
λ 1 = log<br />
t M − t 0 L(t k−1 )<br />
k=1<br />
. (1.3)<br />
D’autres métho<strong>de</strong>s existent, par exmple la décomposition QR <strong>de</strong> la jacobienne ([24]), <strong>de</strong>s métho<strong>de</strong>s<br />
hybri<strong>de</strong>s (métho<strong>de</strong> appelée e S , [107]), ... Un état <strong>de</strong> l’art peut être trouvé dans [82],<br />
[102].<br />
C<strong>et</strong>te constante est parfois utilisée pour borner les plages <strong>de</strong> variation <strong>de</strong> la trajectoire à<br />
temps fini (shadowing, [44]). Mais cela peut être faux. En eff<strong>et</strong>, à temps fini, la divergence <strong>de</strong><br />
trajectoire dépend du temps <strong>et</strong> <strong>de</strong> l’espace considérés ([122, 57, 7]).<br />
Un pseudo-exposant <strong>de</strong> Lyapunov en temps fini est alors défini :<br />
λ t = 1 t<br />
ln<br />
||δX(t)||<br />
||δX 0 ||<br />
, t ≥ t 0 ≥ 0 . (1.4)<br />
C<strong>et</strong>te variable n’est pas une constante : en eff<strong>et</strong> elle dépend <strong>de</strong> la condition initiale, du<br />
temps considéré, <strong>de</strong>s vecteurs propres <strong>de</strong> la jacobienne, <strong>de</strong> la divergence initiale qui n’est pas<br />
infinitésimale... En particulier, λ (t) ne peut être approximé par le coefficient <strong>de</strong> Lyapunov <strong>et</strong> λ (t)<br />
peut se révéler être considérablement supérieur à λ. De même, λ (t) peut être positif pour une<br />
certaine condition initiale <strong>et</strong> un certain temps alors que λ est négatif.<br />
Ces pseudo-exposants <strong>de</strong> Lyapunov ont été étudiés dans la littérature, [74, 3, 2, 4]. Tout<br />
d’abord, leur variation a été calculée en suivant une trajectoire en en calculant le pseudo(exposant<br />
au fur <strong>et</strong> à mesure, [25, 103, 68, 97]. Ainsi il a été prouvé que leur valeur est sensible à tout<br />
bruit, [113, 73, 55]. Pour résoudre ce problème, <strong>de</strong>s zones <strong>de</strong> l’espace <strong>de</strong>s phases où ces pseudoexposants<br />
possè<strong>de</strong>nt <strong>de</strong>s comportements similaires ont été déterminées, [26, 75, 45, 69] ou <strong>de</strong>s<br />
intervalles <strong>de</strong> confiance ont été calculés, [122, 34].<br />
Finalement, nous <strong>de</strong>vons évoquer l’existence d’exposants <strong>de</strong> Lyapunov d’ordres supérieurs,<br />
[31], qui perm<strong>et</strong>tent dans certains cas d’obtenir <strong>de</strong>s informations supplémentaires sur la dynamique<br />
du système.<br />
C<strong>et</strong>te partie est organisée <strong>de</strong> la façon suivante : tout d’abord nous allons examiner ces<br />
pseudo-exposants <strong>de</strong> Lyapunov pour divers systèmes <strong>dynamiques</strong>. Tout d’abord, nous allons<br />
nous intéresser à <strong>de</strong>s systèmes du second ordre à un seul <strong>de</strong>gré <strong>de</strong> liberté (oscillateur <strong>de</strong> type<br />
Duffing, système <strong>de</strong> Van Der Pol). Ensuite, nous regar<strong>de</strong>rons successivement <strong>de</strong>s systèmes du<br />
premier ordre ayant trois <strong>de</strong>grés <strong>de</strong> liberté (système <strong>de</strong> Lorenz), <strong>de</strong>s systèmes définis par une<br />
récurrence du premier ordre avec un seul <strong>de</strong>gré <strong>de</strong> liberté (application logistique, ensemble <strong>de</strong><br />
Man<strong>de</strong>lbrot, application <strong>de</strong> Hénon). De plus, nous nous intéresserons à ces pseudo-exposants pour<br />
le système du pompage énergétique. Finalement, nous calculerons quelques pseudo-exposants<br />
d’ordre supérieur, défini comme dans l’équation (1.4) par analogie avec le cas en temps infini<br />
(voir [31]). Notre but ici est d’estimer analytiquement ce pseudo-exposant <strong>de</strong> Lyapunov en<br />
temps fini via l’expression <strong>de</strong> la divergence. Nous désirons ensuite étudier c<strong>et</strong>te divergence, <strong>et</strong><br />
195
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
en particlier déterminer <strong>de</strong>s conditions initiales <strong>et</strong> le temps correspondant pour que ce pseudoexposant<br />
soit maximum : nous aurons ainsi déterminé une borne supérieure pour l’exposant <strong>de</strong><br />
Lyapunov.<br />
1.2 <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
1.2.1 Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov à court terme<br />
Soit un système dynamique autonome <strong>de</strong> la forme : Ẋ = F(X). Une p<strong>et</strong>ite perturbation δX 0<br />
se propagera sous la forme :<br />
δẊ = DF(X 0)δX 0 , (1.1)<br />
où DF(X 0 ) est la jacobienne <strong>de</strong> la fonction F évaluée en X 0 : [DF(X 0 )] ij = ∂F i<br />
∂X j<br />
(X 0 ). Alors en<br />
intégrant :<br />
δX = e tDF(X 0) δX 0 . (1.2)<br />
En supposant la matrice DF(X 0 ) diagonalisable (ou du moins pouvant être mise sous la<br />
forme d’une matrice triangulaire) <strong>et</strong> en la décomposant sous la forme :<br />
DF(X 0 ) = PAP −1 ,<br />
où A est une matrice diagonale ou <strong>de</strong> Jordan,<br />
où P est une matrice inversible,<br />
(1.3)<br />
<strong>et</strong> en utilisant le fait que e B = I + B + B2<br />
2!<br />
+ . . ., on obtient :<br />
e tDF(X 0)<br />
= e tPAP −1 ,<br />
= I + tPAP −1 + t2 PA 2 P −1<br />
+ . . . ,<br />
[<br />
2! ]<br />
= P I + tA + (tA)2 + . . . P −1 ,<br />
2!<br />
= Pe tA P −1 .<br />
(1.4)<br />
Si nous supposons ( que nous ) sommes en présence d’un système à un seul <strong>de</strong>gré <strong>de</strong> liberté,<br />
δx0<br />
nous posons : δX 0 = . Alors avec la définition <strong>de</strong>s exposants <strong>de</strong> Lyapunov à temps fini :<br />
δẋ 0<br />
196<br />
λ t = 1 ( ) (<br />
)<br />
||X(t)||<br />
t ln = 1 ||X 0 || t ln ||e tDF(X0) δX 0 ||<br />
= g(t, δx 0 , δẋ 0 ) , (1.5)<br />
||δX 0 ||
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
où t doit être positif. Alors, avec les multiplicateurs <strong>de</strong> Lagrange :<br />
L(t, δx 0 , δẋ 0 ) = g(t, δx 0 , δẋ 0 ) − αt ,<br />
où α est un multiplicateur <strong>de</strong> Lagrange,<br />
α ≥ 0 .<br />
Avec les multiplicateurs <strong>de</strong> Lagrange :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎛<br />
∇g(t, δx 0 , δẋ 0 ) − ⎝<br />
α ≥ 0 ,<br />
αt = 0 .<br />
α<br />
0<br />
0<br />
⎞<br />
⎠ = 0 ,<br />
Donc <strong>de</strong>ux situations existent :<br />
⎧<br />
α = 0, t quelconque<br />
֒→ ∂g<br />
∂t (t, δx 0, δẋ 0 ) = ∂g (t, δx 0 , δẋ 0 ) = ∂g (t, δx 0 , δẋ 0 ) = 0 ,<br />
∂δx 0 ∂δẋ 0<br />
⎪⎨ t = 0, α quelconque<br />
֒→ ∂g<br />
∂t (0, δx 0, δẋ 0 ) = α ≥ 0 ,<br />
(1.6)<br />
(1.7)<br />
(1.8)<br />
⎪⎩<br />
֒→<br />
∂g<br />
∂δx 0<br />
(0, δx 0 , δẋ 0 ) = ∂g<br />
∂δẋ 0<br />
(0, δx 0 , δẋ 0 ) = 0 .<br />
1.2.2 Pour l’oscillateur <strong>de</strong> Duffing<br />
Etu<strong>de</strong> théorique<br />
Nous étudions le système :<br />
ẍ + aẋ + bx + cx 3 = 0 , (1.9)<br />
que nous réécrivons sous la forme :<br />
{<br />
ẋ1 = x 2 ,<br />
ẋ 2 = −ax 2 − bx 1 − cx 3 1 . (1.10)<br />
(<br />
x1<br />
)<br />
On pose X = . Alors ce système dynamique peut s’écrire sous la forme Ẋ = F(X). Donc<br />
x 2<br />
pour <strong>de</strong>s p<strong>et</strong>ites perturbations δX 0 :<br />
δẊ = DF(X 0)δX 0 , (1.11)<br />
[<br />
]<br />
0 1<br />
où : DF(X 0 ) =<br />
−b − 3cx 2 . (1.12)<br />
1 −a<br />
Pour c<strong>et</strong>te matrice DF(X 0 ), trois cas peuvent se présenter :<br />
197
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Lorsque a 2 > 4(b + 3cx 2 1 ) DF(X 0) a <strong>de</strong>ux valeurs propres réelles :<br />
χ 1,2 = − a 2 ± 1 √<br />
a<br />
2<br />
2 − 4(b + 3cx 2 1 ) . (1.13)<br />
( ) ( )<br />
1 1<br />
Les vecteurs propres associés sont : <strong>et</strong> . Les matrices <strong>de</strong> passage peuvent alors<br />
χ 1 χ 2<br />
être choisies :<br />
P =<br />
[ ] 1 1<br />
χ 1 χ 2<br />
Posons : α = − a 2 <strong>et</strong> β = 1 2<br />
exprimée en fonction du temps :<br />
δX(t) = eαt<br />
β<br />
[ ]<br />
<strong>et</strong> P −1 1 χ2 −1<br />
=<br />
. (1.14)<br />
χ 2 − χ 1 −χ 1 1<br />
√<br />
a 2 − 4(b + 3cx 2 1 ). Alors, la divergence <strong>de</strong> trajectoire peut être<br />
[ −α sinh(βt) + β cosh(βt) sinh(βt)<br />
(<br />
β 2 − α 2) sinh(βt) α sinh(βt) + β cosh(βt)<br />
Lorsque a 2 = 4(b + 3cx 2 1 ) DF(X 0) a une valeur propre double :<br />
]<br />
δX 0 . (1.15)<br />
χ = − a 2 . (1.16)<br />
⎡ ⎤<br />
L’espace propre associé est <strong>de</strong> dimension 1. La matrice <strong>de</strong> Jordan associé est ⎣ −a 1<br />
2<br />
0 − a ⎦.<br />
⎡ ⎤<br />
2<br />
Nous posons donc ici : A = ⎣ −a 1<br />
2<br />
0 − a ⎦.<br />
⎡ 2<br />
a 2 ⎤ ⎡<br />
En particulier, on a : A 2 ⎢ −a<br />
= ⎣ 4 ⎥<br />
a 2 ⎦, A 3 ⎢ − a3 3a 2 ⎤<br />
= ⎣ 8 4 ⎥<br />
⎦, ...<br />
0<br />
0 − a3<br />
4<br />
8<br />
Avec <strong>de</strong>s notations évi<strong>de</strong>ntes, nous pouvons calculer :<br />
⎧ (<br />
A n 11 = − a )<br />
A11 n−1 + 0 ,<br />
2 (<br />
⎪⎨ A n 12 = A11 n−1 + − a )<br />
A12 n−1 ,<br />
( 2<br />
A n 21 = − a )<br />
(1.17)<br />
A21 n−1 + 0 ,<br />
2 (<br />
⎪⎩ A n 22 = A21 n−1 + − a )<br />
A22 n−1 .<br />
2<br />
Nous résolvons { immédiatement ( :<br />
A n 21 = − a )<br />
A<br />
–<br />
21<br />
n−1<br />
2 donc :<br />
A 1 21 = 0 ,<br />
⇒ ∀i ∈ N, A i 21 = 0 . (1.18)<br />
198
–<br />
–<br />
–<br />
⎧<br />
⎨<br />
⎩<br />
⎧<br />
⎨<br />
⎩<br />
{<br />
(<br />
A n 11 = − a )<br />
A11<br />
n−1<br />
2<br />
A 1 11 = − a 2 , donc :<br />
(<br />
A n 22 = − a )<br />
A22<br />
n−1<br />
2<br />
A 1 22 = − a 2 , donc :<br />
A n 12<br />
= A n−1<br />
A 1 12 = 1 ,<br />
11 +<br />
(<br />
− a )<br />
A12<br />
n−1<br />
2<br />
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
⇒ ∀i ∈ N, A i 11 =<br />
⇒ ∀i ∈ N, A i 22 =<br />
donc :<br />
(<br />
− a 2) i<br />
. (1.19)<br />
(<br />
− a 2) i<br />
. (1.20)<br />
(<br />
⇒ ∀i ∈ N, A n 12 = i − a i−1<br />
. (1.21)<br />
2)<br />
Ainsi avec : DF(X 0 ) = PAP −1 : e tDF(X 0) = Pe tA P −1 ,<br />
avec :<br />
avec e tA = I + tA + t2<br />
2! A2 + ....<br />
[ (<br />
e<br />
Donc dans notre cas ici : e tA tA )<br />
= ( 11<br />
e<br />
tA ) 21<br />
(<br />
e<br />
tA )<br />
( 12<br />
e<br />
tA ) 22<br />
(<br />
e<br />
tA ) = ( e tA) 11 22 ,<br />
= 1 + . . . + tn (<br />
− a n<br />
+ . . . ,<br />
n! 2)<br />
n∑<br />
(<br />
1<br />
= lim − at ) n<br />
= e −at 2 ,<br />
n→+∞ n! 2<br />
i=0<br />
(<br />
e<br />
tA ) = t + (−a) t2 (−<br />
12 2! + . . . + n a ) n−1 t<br />
n<br />
2 n! + . . . ,<br />
n∑ t i<br />
= lim<br />
(−<br />
n→+∞ i! i a ) i−1<br />
n∑<br />
= lim<br />
2<br />
t 1<br />
n→+∞ (i − 1)!<br />
i=1<br />
]<br />
,<br />
i=1<br />
(<br />
− ta 2<br />
) i−1<br />
,<br />
(1.22)<br />
Donc : e tA =<br />
= te −ta 2 ,<br />
(<br />
e<br />
tA ) 21<br />
= 0 .<br />
⎡<br />
⎢<br />
⎣<br />
e −ta 2 te −ta 2<br />
⎥<br />
⎦ . Avec la formule δX(t) = P<strong>et</strong>A P −1 , l’évolution <strong>de</strong> la diver-<br />
0 e −ta 2<br />
gence peut être exprimée analytiquement.<br />
⎤<br />
199
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Lorsque a 2 = 4(b + 3cx 2 1 )<br />
Remarque 1.2.1 Nous n’étudions pas ce cas plus avant car il n’est réalisé que dans un espace<br />
<strong>de</strong> dimension 0 (lorsque les valeurs numériques <strong>de</strong>s paramètres a, b <strong>et</strong> c sont fixés).<br />
Lorsque a 2 < 4(b + 3cx 2 1 ) DF(X 0) a <strong>de</strong>ux valeurs propres complexes conjuguées :<br />
χ 1,2 = − a 2 ± i 2<br />
√<br />
4(b + 3cx 2 1 ) − a2 , (1.23)<br />
où i est tel que √ −1 = i. Ici encore, nous posons : α = − a 2 <strong>et</strong> γ = 1 2<br />
ce cas, la divergence varie au cours du temps <strong>de</strong> la forme :<br />
[<br />
δX(t) = eαt −α sin(γt) + γ cos(γt) sin(γt)<br />
γ −(α 2 + γ 2 )sin(γt) α sin(γt) + γ cos(γt)<br />
Pseudo-exposant <strong>de</strong> Lyapunov en temps fini, résultats numériques<br />
√<br />
4(b + 3cx 2 1 ) − a2 . Dans<br />
]<br />
δX 0 . (1.24)<br />
Nous étudions donc ici le pseudo-exposant <strong>de</strong> Lyapunov en temps fini λ t = 1 ||δX(t)||<br />
ln<br />
t ||δX 0 || .<br />
Pour simplifier le problème <strong>et</strong> pour pouvoir mener à bien nos calculs analytiques, nous écrivons<br />
la déviation initiale sous la forme :<br />
( ) δx0<br />
δX 0 = =<br />
δẋ 0<br />
( ρ cos(θ)<br />
ρ sin(θ)<br />
)<br />
. (1.25)<br />
Ceci ne diminue pas la portée <strong>de</strong> nos calculs.<br />
La divergence initiale se situe donc dans un cercle <strong>de</strong> rayon ρ. Ceci perm<strong>et</strong> <strong>de</strong> ne tenir compte<br />
que <strong>de</strong> l’angle θ.<br />
En eff<strong>et</strong>, si δX(t) =<br />
(<br />
f1 (t, θ)<br />
f 2 (t, θ)<br />
)<br />
δX 0 , alors λ t = 1 2t ln[ f 2 1(t, θ)cos 2 (θ) + f 2 2(t, θ)sin 2 (θ) ] .<br />
Etu<strong>de</strong> du pseudo-exposant <strong>de</strong> Lyapunov en temps fini dans le cas linéaire<br />
Dans ce cas, c = 0.<br />
Nous étudions tout d’abord ce cas pour montrer que le phénomène que nous rapportons ici n’est<br />
pas dû à l’erreur réalisée par l’approximation [ ] <strong>de</strong> la divergence au premier ordre.<br />
0 1<br />
En eff<strong>et</strong>, dans ce cas : δX(t) = δX<br />
−b −a 0 .<br />
Nous comparons l’exposant <strong>de</strong> Lyapunov tel qu’il est estimé habituellement (avec les valeurs<br />
propres <strong>de</strong> la jacobienne) <strong>et</strong> le maximum <strong>de</strong> λ t dans ce tableau 1.1. Nous donnons également<br />
l’instant t max <strong>et</strong> l’angle θ max <strong>de</strong> la perturbation pour lesquels ce maximum <strong>de</strong> l’exposant <strong>de</strong><br />
Lyapunov transitoire est atteint.<br />
200
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
Paramètres λ t max θ max Maximum <strong>de</strong> λ t<br />
Déterminant positif :<br />
a = 0.25, b = 0.01 −0.05 ; −0.2 8.9971 −4.9597 0.130924<br />
Déterminant négatif :<br />
a = 0.25, b = 1.00 −0.125 6.332 −9.4247 −0.125<br />
Tab. 1.1 – Maximum <strong>de</strong> la variable λ t en fonction <strong>de</strong> différentes combinaisons <strong>de</strong> paramètres.<br />
Nous observons que λ t peut être supérieur à λ. Si nous estimons l’exposant <strong>de</strong> Lyapunov par<br />
l’algorithme <strong>de</strong> Wolf au cours du temps (voir figure 1.1), nous observons que le résultat consigné<br />
dans le tableau 1.1 est vérifié : le pseudo-exposant en temps fini peut être supérieur à l’exposant<br />
<strong>de</strong> Lyapunov.<br />
0<br />
0<br />
−0.05<br />
−0.05<br />
−0.1<br />
−0.1<br />
−0.15<br />
−0.15<br />
−0.2<br />
−0.2<br />
−0.25<br />
−0.25<br />
−0.3<br />
−0.3<br />
−0.35<br />
−0.35<br />
−0.4<br />
0 20 40 60 80 100 120<br />
t<br />
(a) a = 0.25 <strong>et</strong> b = 0.01<br />
−0.4<br />
0 20 40 60 80 100 120<br />
t<br />
(b) a = 0.25 <strong>et</strong> b = 1.00<br />
Fig. 1.1 – Exposants <strong>de</strong> Lyapunov calculés avec l’algorithme <strong>de</strong> Wolf pour le système <strong>de</strong> l’équation<br />
(1.9) avec c = 0, <strong>et</strong> différentes valeurs numériques pour a <strong>et</strong> b.<br />
Etu<strong>de</strong> <strong>de</strong> l’exposant <strong>de</strong> Lyapunov en temps fini dans le cas non-linéaire<br />
Nous réalisons les mêmes calculs pour c ≠ 0. Par exemple, en utilisant a = 0.15, b = −1 <strong>et</strong><br />
c = 1 (cas <strong>de</strong> la section 1.2.2), nous montrons que le maximum <strong>de</strong> λ (t) peut être supérieur à<br />
l’exposant <strong>de</strong> Lyapunov tel qu’il est utilisé habituellement.<br />
Tout d’abord, en utilisant l’algorithme <strong>de</strong> Wolf, les exposants <strong>de</strong> Lyapunov en temps infini<br />
convergent assez lentement (Figure 1.2). Leurs valeurs numériques sont stabilisées à t ≈ 80s,<br />
après <strong>de</strong>s oscillations conséquentes.<br />
201
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
0 20 40 60 80 100 120<br />
t<br />
Fig. 1.2 – Exposants <strong>de</strong> Lyapunov calculés avec l’algorithme <strong>de</strong> Wolf pour le système <strong>de</strong> l’équation<br />
1.9 avec a = 0.15, b = −1.0 <strong>et</strong> c = 1.0 en fonction du temps.<br />
Si nous cherchons le maximum <strong>de</strong> λ t = 1 ||δX(t)||<br />
ln , nous trouvons les valeurs <strong>de</strong> la figure<br />
t ||δX 0 ||<br />
[ 1.3, avec ] les[ temps <strong>et</strong> angles ] correspondants. Ainsi, par exemple pour la condition initiale δX 0 =<br />
δx0 ρ cos(θ)<br />
= avec θ = −9.4247<br />
δẋ 0 ρ sin(θ)<br />
◦ <strong>et</strong> pour t = 6.4406s, on calcule λ (t) = 1 ||δX(t)||<br />
lg =<br />
t ||δX 0 ||<br />
0.252718.<br />
Ce comportement peut être illustré par les <strong>de</strong>ux graphes <strong>de</strong> la figure 1.4 : il est évi<strong>de</strong>nt que<br />
entre t = 0 <strong>et</strong> t = 20s, la divergence entre les <strong>de</strong>ux trajectoires est <strong>de</strong> valeur finie non nulle alors<br />
qu’elle tend vers 0 en temps infini.<br />
Remarque 1.2.2 Nous utilisons c<strong>et</strong>te forme <strong>de</strong> la condition initiale pour simplifier les calculs.<br />
Son eff<strong>et</strong> est <strong>de</strong> limiter la recherche <strong>de</strong> maximum du pseudo-exposant <strong>de</strong> Lyapunov à l’ensemble<br />
<strong>de</strong> conditions initiales constitué par le cercle <strong>de</strong> rayon ρ autour <strong>de</strong> l’origine. En faisant varier ρ<br />
<strong>et</strong> θ, tous les points du plan <strong>de</strong> phase peuvent être r<strong>et</strong>rouvés.<br />
Pourtant, il est intéressant <strong>de</strong> remarquer qu’avec c<strong>et</strong>te forme <strong>de</strong> la condition initaile <strong>et</strong> avec<br />
ces calculs, le paramètre ρ n’intervient plus. La seule donnée qui intervient est l’angle entre la<br />
position <strong>et</strong> la vitesse initiales.<br />
1.2.3 Pour l’oscillateur <strong>de</strong> Van <strong>de</strong>r Pol<br />
L’équation générale d’un oscillateur <strong>de</strong> Van Der Pol s’écrit :<br />
ẍ − ǫw 0 (1 − x 2 )ẋ + w 2 0x = 0 , (1.26)<br />
ce que nous utilisons sous la forme :<br />
{ ẋ = y ,<br />
ẏ = ǫw 0 (1 − x 2 )y − w 2 0 x . (1.27)<br />
202
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
3<br />
Exposant <strong>de</strong> Lyapunov transitoire en fonction <strong>de</strong> la condition initiale<br />
180<br />
Instant du maximum en fonction <strong>de</strong> la condition initiale<br />
160<br />
2<br />
140<br />
1<br />
120<br />
0<br />
1.2 1.4 1.6 1.8 2 2.2 2.4<br />
100<br />
80<br />
–1<br />
60<br />
40<br />
–2<br />
20<br />
–3<br />
0<br />
0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4<br />
Angle du maximum en fonction <strong>de</strong> la condition initiale<br />
80<br />
60<br />
40<br />
20<br />
0<br />
1.2 1.4 1.6 1.8 2 2.2 2.4<br />
–20<br />
–40<br />
Fig. 1.3 – Maximum <strong>de</strong> λ t = 1 ||δX(t)||<br />
ln en fonction <strong>de</strong> la condition initiale en x 1 <strong>et</strong> instants<br />
t ||δX 0 ||<br />
<strong>et</strong> angles correspondants. Ici les paramètres sont fixés : a = 0.15, b = −1.0 <strong>et</strong> c = 1.0.<br />
2<br />
1.8<br />
x<br />
1<br />
1.6<br />
x<br />
1.4<br />
20 40 60 80 100<br />
t<br />
1.2<br />
–1<br />
1<br />
0 0.2 0.4 0.6 0.8 1<br />
t<br />
Fig. 1.4 – Position x du système <strong>de</strong> l’équation (1.9) en fonction du temps avec a = 0.15,<br />
b = −1, c = 1. La condition initiale choisie est x 0 = ẋ 0 = 1. La perturbation est égale à<br />
(δx 0 , δẋ 0 ) = (cos(−10.978), sin(−10.978)).<br />
203
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Certaines <strong>dynamiques</strong> <strong>de</strong> ce système sont présentés sur les figures 1.5 <strong>et</strong> 1.6.<br />
Analyse théorique<br />
La jacobienne du mouvement s’écrit :<br />
[<br />
J =<br />
0 1<br />
−2ǫw 0 xy − w 2 0 ǫw 0 (1 − x 2 )<br />
]<br />
. (1.28)<br />
Les valeurs propres <strong>de</strong> c<strong>et</strong>te matrice sont déterminées en fonction du déterminant :<br />
∆ = ǫ 2 w 2 0(1 − x 2 ) 2 − 8ǫw 0 xy + 4w 2 0 . (1.29)<br />
Nous limitons notre étu<strong>de</strong> aux seuls cas ∆ < 0 <strong>et</strong> ∆ > 0, voir remarque 1.2.1, page 200.<br />
Si le déterminant est négatif, soit ǫ 2 w0 2(1 −x2 ) 2 −8ǫw 0 xy +4w0 2 < 0 : Les valeurs propres<br />
sont :<br />
λ 1,2 = ǫw 0(1 − x 2 ) ± i √ −ǫ 2 w0 2(1 − x2 ) 2 + 8ǫw 0 xy − 4w0<br />
2<br />
2<br />
= α ± γ ,<br />
où : α = ǫw 0(1 − x 2 )<br />
, γ = i√ −ǫ 2 w0 2(1 − x2 ) 2 + 8ǫw 0 xy − 4w0<br />
2<br />
2<br />
2<br />
, (1.30)<br />
. (1.31)<br />
L’approximation <strong>de</strong> l’exposant <strong>de</strong> Lyapunov telle qu’elle est réalisée habituellement donne :<br />
λ = ǫw 0(1 − x 2 )<br />
2<br />
. (1.32)<br />
Pour notre analyse, nous écrivons :<br />
δX(t) = e tDF(X0) δX 0 = Pe tA P −1 δX 0 ,<br />
où<br />
[<br />
:<br />
]<br />
λ1 0<br />
A = ,<br />
0 λ 2<br />
P =<br />
[ ] 1 1<br />
, P<br />
λ 1 λ −1 =<br />
2<br />
[<br />
1 λ2 −1<br />
λ 2 − λ 1 −λ 1 1<br />
]<br />
.<br />
Comme dans le cas <strong>de</strong> l’oscillateur <strong>de</strong> Duffing, nous avons alors :<br />
δX(t) = eαt<br />
γ<br />
[ −α sin(γt) + γ cos(γt) sin(γt)<br />
−(α 2 + γ 2 )sin(γt) α sin(γt) + γ cos(γt)<br />
]<br />
δX 0 . (1.33)<br />
204
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
Si le déterminant est positif, soit ǫ 2 w0 2(1 − x2 ) 2 − 8ǫw 0 xy + 4w0 2<br />
valeurs propres sont toutes <strong>de</strong>ux réelles :<br />
> 0 : Dans ce cas, les<br />
λ 1,2 = ǫw 0(1 − x 2 ) ± √ ǫ 2 w0 2(1 − x2 ) 2 − 8ǫw 0 xy + 4w0<br />
2<br />
2<br />
= α ± β ,<br />
où : α = ǫw √<br />
0(1 − x 2 ) ǫ<br />
, β = 2 w0 2(1 − x2 ) 2 − 8ǫw 0 xy + 4w0<br />
2<br />
2<br />
2<br />
La divergence <strong>de</strong> trajectoire s’écrit :<br />
δX(t) = eαt<br />
β<br />
Résultats numériques<br />
[ −α sinh(βt) + β cosh(βt) sinh(βt)<br />
(β 2 − α 2 )sinh(βt) α sinh(βt) + β cosh(βt)<br />
, (1.34)<br />
. (1.35)<br />
]<br />
δX 0 . (1.36)<br />
Nous fixons les paramètres ǫ <strong>et</strong> w 0 égaux à : ǫ = 2.1 <strong>et</strong> w 0 = 1.0. Le système étudié est alors<br />
chaotique. En particulier, pour ǫ ≠ 0, le système possè<strong>de</strong> un cercle limite (Figures 1.5, 1.6 <strong>et</strong><br />
1.7).<br />
2<br />
1<br />
0<br />
2 4 6 8 10 12 14 16 18 20<br />
t<br />
–1<br />
–2<br />
Fig. 1.5 – Trajectoire <strong>de</strong> l’oscillateur <strong>de</strong> Van Der Pol <strong>de</strong> l’équation (1.26) avec ǫ = 2.1, w 0 = 1.0,<br />
x 0 = 0.134669, y 0 = −1.025543 pour t variant <strong>de</strong> 0 à 20s.<br />
Nous calculons numériquement [ ] le maximum <strong>de</strong> la divergence en utilisant une divergence<br />
ρ0 cos(θ)<br />
initiale égale à δX 0 = .<br />
ρ 0 sin(θ)<br />
Par exemple, nous fixons certains paramètres : ǫ = 2.1, w 0 = 1.0 <strong>et</strong> une condition initiale<br />
x 0 = 1.0. Nous faisons varier l’autre condition initiale y 0 <strong>de</strong> 0.24 à 1.0. Les maximums <strong>de</strong><br />
divergence obtenus sont représentés sur la figure 1.8.<br />
205
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
4<br />
2<br />
2<br />
1<br />
–2 –1 1 2<br />
–2 –1 1 2<br />
–2<br />
–1<br />
–4<br />
–2<br />
(a) ǫ = 2.1<br />
(b) ǫ = 0.1<br />
1<br />
0.5<br />
–1 –0.5 0<br />
0.5 1<br />
–0.5<br />
–1<br />
(c) ǫ = 0.0<br />
Fig. 1.6 – Diagrammes <strong>de</strong> phase <strong>de</strong> l’oscillateur <strong>de</strong> Van Der Pol <strong>de</strong> l’équation (1.26) pour<br />
w 0 = 1.0, x 0 = 0.134669, y 0 = −1.025543, t variant <strong>de</strong> 0 à 20s, pour différentes valeurs du<br />
paramètre ǫ.<br />
206
1.2. <strong>Systèmes</strong> à un <strong>de</strong>gré <strong>de</strong> liberté, du <strong>de</strong>uxième ordre<br />
4<br />
4<br />
2<br />
2<br />
–2 –1 1 2<br />
–2 –1 0<br />
1 2<br />
–2<br />
–2<br />
–4<br />
–4<br />
(a) x 0 = 0.134669 <strong>et</strong> y 0 = −1.025543<br />
(b) x 0 = −0.134669 <strong>et</strong> y 0 = −1.025543<br />
4<br />
2<br />
–2 –1 0<br />
1 2<br />
–2<br />
–4<br />
(c) x 0 = 0.0001 <strong>et</strong> y 0 = 0.0001<br />
Fig. 1.7 – Diagrammes <strong>de</strong> phase <strong>de</strong> l’oscillateur <strong>de</strong> Van Der Pol <strong>de</strong> l’équation (1.26) pour ǫ = 2.1,<br />
w 0 = 1.0, t variant <strong>de</strong> 0 à 20s, pour différentes conditions initiales.<br />
207
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Exposant <strong>de</strong> Lyapunov transitoire en fonction <strong>de</strong> la condition initiale<br />
Instant du maximum en fonction <strong>de</strong> la condition initiale<br />
0.8<br />
0.6<br />
0<br />
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
0.4<br />
0.2<br />
–100<br />
0<br />
–0.2<br />
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
–200<br />
–0.4<br />
–0.6<br />
–300<br />
–0.8<br />
–400<br />
Angle du maximum en fonction <strong>de</strong> la condition initiale<br />
0<br />
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
–20<br />
–40<br />
–60<br />
–80<br />
–100<br />
–120<br />
Fig. 1.8 – Maximum <strong>de</strong> λ t = 1 ( ) ||δX(t)||<br />
t ln , instants <strong>et</strong> angles correspondants en fonction<br />
||δX 0 ||<br />
<strong>de</strong> la condition initiale y 0 . Les paramètres sont fixés : ǫ = 2.1, w 0 = 1.0, x 0 = 1.0. La condition<br />
initiale en y varie <strong>de</strong> 0.24 à 1.0.<br />
208
1.3. <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre<br />
Ainsi par exemple, pour ces paramètres (ǫ = 2.1, w 0 = 1.0, x 0 = 1.0) <strong>et</strong> pour y 0 = 0.831,<br />
on obtient λ t = 0.3044 à t = 2.9912s <strong>et</strong> θ = −15.7079 ◦ . Le calcul numérique <strong>de</strong>s exposants<br />
<strong>de</strong> Lyapunov via l’algorithme <strong>de</strong> Wolf donne le résultat <strong>de</strong> la figure 1.9 : après oscillations, les<br />
exposants <strong>de</strong> Lyapunov se stabilisent autour <strong>de</strong> −3.5 <strong>et</strong> 0.<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
0 20 40 60 80 100 120<br />
t<br />
Fig. 1.9 – Exposants <strong>de</strong> Lyapunov calculés avec l’algorithme <strong>de</strong> Wolf pour le système <strong>de</strong> l’équation<br />
(1.26) avec ǫ = 2.1 <strong>et</strong> w 0 = 1.0.<br />
La conclusion est donc ici, pour le système <strong>de</strong> Van Der Pol, <strong>de</strong> même nature que pour<br />
l’oscillateur <strong>de</strong> type Duffing. Même pour un système chaotique comme celui-ci, où l’exposant <strong>de</strong><br />
Lyapunov est strictement positif, il peut exister un ensemble <strong>de</strong> conditions initiales <strong>et</strong> d’instants<br />
tels que les pseudo-exposants en temps fini soient supérieurs à l’exposant <strong>de</strong> Lyapunov.<br />
1.3 <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre<br />
Nous nous intéressons ici aux systèmes <strong>dynamiques</strong> autonomes du premier ordre, à trois<br />
⎛<strong>de</strong>grés ⎞<strong>de</strong> liberté. Nous supposons donc qu’il existe F suffisamment régulière qu’en notant X =<br />
x<br />
⎝ y ⎠ les coordonnées d’espace, le comportement du système peut s’écrire :<br />
z<br />
⎛<br />
où X = ⎝<br />
x<br />
y<br />
z<br />
⎞<br />
Ẋ = F(x) ,<br />
⎠ <strong>et</strong> F est suffisamment régulière.<br />
209
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
1.3.1 Etu<strong>de</strong> théorique <strong>de</strong>s exposants à court terme<br />
⎛ ⎞<br />
δx 0<br />
Alors avec δX 0 = ⎝ δy 0<br />
⎠ <strong>et</strong> δẊ = DF(X 0, t)δX 0 , on cherche le maximum en fonction du<br />
δz 0<br />
temps <strong>et</strong> du vecteur <strong>de</strong> divergence initiale <strong>de</strong> l’expression suivante :<br />
λ t = 1 ( ) ||δX(t)||<br />
t ln = g(t, δx 0 , δy 0 , δz 0 ) , (1.1)<br />
||δX 0 ||<br />
où t doit être positif.<br />
Si nous utilisons les multiplicateurs <strong>de</strong> Lagrange :<br />
L(t, δx 0 , δy 0 , δz 0 ) = g(t, δx 0 , δy 0 , δz 0 ) − αt , (1.2)<br />
où<br />
α est un multiplicateur <strong>de</strong> Lagrange,<br />
∣ α ≥ 0 .<br />
Alors :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎛<br />
∇g(t, δx 0 , δy 0 , δz 0 ) − ⎜<br />
⎝<br />
α ≥ 0 ,<br />
αt = 0 .<br />
α<br />
0<br />
0<br />
0<br />
⎞<br />
⎟<br />
⎠ = 0 ,<br />
(1.3)<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Donc <strong>de</strong>ux situations existent :<br />
α = 0 , t quelconque ,<br />
֒→ ∂g<br />
∂t (t, δx 0, δy 0 , δz 0 ) = ∂g (t, δx 0 , δy 0 , δz 0 ) = ∂g (t, δx 0 , δy 0 , δz 0 ) = ∂g (t, δx 0 , δy 0 , δz 0 ) = 0 ,<br />
∂δx 0 ∂δy 0 ∂δz 0<br />
t = 0 , α quelconque ,<br />
֒→ ∂g<br />
∂t (t, δx 0, δy 0 , δz 0 ) = α ≥ 0 ,<br />
֒→<br />
∂g<br />
∂δx 0<br />
(t, δx 0 , δy 0 , δz 0 ) = ∂g<br />
∂δy 0<br />
(t, δx 0 , δy 0 , δz 0 ) = ∂g<br />
∂δz 0<br />
(t, δx 0 , δy 0 , δz 0 ) = 0 .<br />
1.3.2 Pour le système <strong>de</strong> Lorenz<br />
Le système <strong>de</strong> Lorenz est du premier ordre, présente trois <strong>de</strong>grés <strong>de</strong> liberté <strong>et</strong> son équation<br />
générale s’écrit :<br />
⎧<br />
⎨<br />
⎩<br />
ẋ = σ (y − x) ,<br />
ẏ = ρx − y − xz ,<br />
ż = xy − bz .<br />
(1.4)<br />
210
1.3. <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre<br />
Analyse théorique<br />
La jacobienne du mouvement en est déduite :<br />
⎡<br />
⎤<br />
−σ σ 0<br />
J = ⎣ ρ − z −1 −x ⎦ . (1.5)<br />
y x −b<br />
Nous utilisons les paramètres suivants, donnant lieu à un système chaotique <strong>et</strong> utilisés fréquemment,<br />
notamment en météorologie :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
σ = 10 ,<br />
ρ = 28 ,<br />
b = 8 3 . (1.6)<br />
Le système (1.4) avec ces valeurs numériques est alors chaotique. En fixant les conditions initiales<br />
à (x 0 , y 0 , z 0 ) = (−0.134669, −1.025543, 0.3546) par exemple, nous obtenons les trajectoires<br />
suivantes pour x <strong>et</strong> y (Figure 1.10).<br />
15<br />
10<br />
40<br />
5<br />
0<br />
–5<br />
t<br />
20 40 60 80 100 120 140 160 180 200<br />
30<br />
20<br />
–10<br />
–15<br />
10<br />
–20<br />
(a) x<br />
0<br />
20 40 60 80 100 120 140 160 180 200<br />
t<br />
(b) z<br />
Fig. 1.10 – Trajectoires <strong>de</strong>s coordonnées x <strong>et</strong> z pour le système <strong>de</strong> l’équation (1.4) où σ = 10,<br />
ρ = 28, b = 8 3 . Les conditions initiales sont égales à (x 0, y 0 , z 0 ) = (−0.134669, −1.025543, 0.3546).<br />
Pour apercevoir ce comportement chaotique, nous observons les diagrammes <strong>de</strong> phase qui<br />
prennent la forme très connue <strong>de</strong> “papillon” (Figure 1.11).<br />
Comme pour les systèmes <strong>dynamiques</strong> étudiés précé<strong>de</strong>mment, nous observons qu’une infime<br />
divergence <strong>de</strong> la condition initiale peut entraîner <strong>de</strong>s trajectoires très différentes (Figures 1.12),<br />
ce qui est caractéristique du comportement chaotique <strong>de</strong> ce système avec ces paramètres.<br />
On détermine les valeurs propres <strong>de</strong> la jacobienne. Celles-ci sont solution <strong>de</strong> :<br />
P(λ) = −λ 3 + λ 2 (−σ − 1 − b) + λ(−σb − σ − b + σρ − x 2 − σz) + (−σb − σx 2 + σρb − σzb − σxy) .(1.7)<br />
211
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
20<br />
40<br />
10<br />
–20 –15 –10 –5 5 10 15<br />
0<br />
30<br />
20<br />
–10<br />
–20<br />
10<br />
–20 –15 –10 –5 0 5 10 15<br />
(a) x − y<br />
(b) x − z<br />
40<br />
30<br />
20<br />
10<br />
–20 –10 0<br />
10 20<br />
(c) y − z<br />
Fig. 1.11 – Diagrammes <strong>de</strong> phase pour le système <strong>de</strong> l’équation (1.4) où σ = 10, ρ = 28, b = 8 3 .<br />
Les conditions initiales sont prises égales à (x 0 , y 0 , z 0 ) = (−0.134669, −1.025543, 0.3546). Pour<br />
ces diagrammes <strong>de</strong> phase, le temps varie <strong>de</strong> t = 0s à t = 200s.<br />
212
1.3. <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre<br />
15<br />
20<br />
x<br />
10<br />
y<br />
10<br />
5<br />
0<br />
t<br />
2 4 6 8 10 12 14<br />
t<br />
2 4 6 8 10 12 14<br />
–5<br />
–10<br />
–10<br />
–15<br />
–20<br />
(a) x<br />
(b) y<br />
40<br />
30<br />
z<br />
20<br />
10<br />
0 2 4 6 8 10 12 14<br />
t<br />
(c) z<br />
Fig. 1.12 – Trajectoires en x, y <strong>et</strong> z pour le système <strong>de</strong> l’équation (1.4) où σ = 10, ρ = 28,<br />
b = 8 3 . Les conditions initiales sont (x 0, y 0 , z 0 ) = (10, 10, 10) (courbe <strong>de</strong> couleur foncée) <strong>et</strong><br />
(x 0 , y 0 , z 0 ) = (10, 10.01, 10) (courbe <strong>de</strong> couleur claire).<br />
213
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Donc avec σ = 10, ρ = 28, b = 8 , les valeurs propres sont solutions <strong>de</strong> :<br />
3<br />
( )<br />
722<br />
P(λ) = −λ 3 − 13λ 2 + λ<br />
3 − x2 − 10z +<br />
(720 − 10x 2 − 80 )<br />
3 z − 10xy<br />
. (1.8)<br />
On souhaite que la jacobienne soit diagonalisable. Pour cela, on cherche une condition suffisante<br />
pour que J adm<strong>et</strong>te ⎧ trois valeurs propres différentes.<br />
A = −1 ,<br />
⎪⎨ B = −13 ,<br />
⎫⎪ ⎬<br />
En notant : C = 722<br />
3 − x2 − 10z , , on a alors :<br />
⎪⎩ D = 720 − 10x 2 − 80 3 z − 10xy , ⎪ ⎭<br />
P(λ) = Aλ 3 + Bλ 2 + Cλ + D . (1.9)<br />
On pose : λ = z − B , on obtient :<br />
3A<br />
P(z) = z 3 + pz + q où<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
p = − B2<br />
3A 2 + C A = −297 + x2 + 10z ,<br />
q =<br />
B ( 2B<br />
2<br />
27A A 2 − 9C A<br />
)<br />
(1.10)<br />
+ D A − 13112 + 17 27 3 x2 − 50 3 z + 10xy .<br />
Soit ∆ = q 2 + 4 27 p3 .<br />
On cherche ∆ > 0.<br />
Donc :<br />
[<br />
1 13112<br />
+ 17 4 27 3 x2 − 50 ] 2<br />
3 z + 10xy + 1 [<br />
−297 + x 2 + 10z ] 3<br />
> 0 . (1.11)<br />
27<br />
Alors : z = u + v où u 3 = −q + √ ∆<br />
, v 3 = −q − √ ∆<br />
.<br />
2<br />
2<br />
Il existe trois solutions possibles :<br />
⎧ (<br />
−q + √ ) 1/3 (<br />
∆ −q − √ ) 1/3<br />
∆<br />
z 1 =<br />
+ ,<br />
2<br />
2<br />
⎪⎨<br />
(<br />
−q + √ ) 1/3 ( ) (<br />
∆ 2iπ<br />
z 2 =<br />
exp +<br />
2<br />
3<br />
(<br />
−q + √ ) 1/3 ( ) (<br />
∆ 4iπ<br />
⎪⎩ z 3 =<br />
exp +<br />
2<br />
3<br />
214<br />
−q − √ ) 1/3<br />
∆<br />
exp<br />
2<br />
) 1/3<br />
exp<br />
−q − √ ∆<br />
2<br />
( ) 4iπ<br />
3<br />
( ) 2iπ<br />
3<br />
,<br />
.<br />
(1.12)
1.3. <strong>Systèmes</strong> à trois <strong>de</strong>grés <strong>de</strong> liberté, du premier ordre<br />
Donc dans ce cas, les trois valeurs propres sont :<br />
⎧ (<br />
−q + √ ) 1/3 (<br />
∆ −q − √ ) 1/3<br />
∆<br />
λ 1 =<br />
+ − B 2<br />
2 3A ,<br />
⎪⎨<br />
(<br />
−q + √ ) 1/3 ( ) (<br />
∆ 2iπ −q − √ ) 1/3 ( )<br />
∆ 4iπ<br />
λ 2 =<br />
exp +<br />
exp − B 2<br />
3 2<br />
3 3A , (1.13)<br />
(<br />
−q + √ ) 1/3 ( ) (<br />
∆ 4iπ −q − √ ) 1/3 ( )<br />
∆ 2iπ<br />
⎪⎩ λ 3 =<br />
exp +<br />
exp − B 2<br />
3 2<br />
3 3A .<br />
Il est alors possible d’écrire la matrice <strong>de</strong> passage <strong>et</strong> ainsi d’exprimer littéralement la divergence<br />
<strong>de</strong> trajectoire. En eff<strong>et</strong>, avec l’expression <strong>de</strong> la matrice <strong>de</strong> passage (<strong>et</strong> <strong>de</strong> son inverse) :<br />
⎡<br />
xσ xσ xσ<br />
⎤<br />
P = ⎣ x(σ + λ 1 ) x(σ + λ 2 ) x(σ + λ 3 ) ⎦ ,(1.14)<br />
(ρ − z)σ + (1 − λ 1 )(σ + λ 1 ) (ρ − z)σ + (1 − λ 2 )(σ + λ 2 ) (ρ − z)σ + (1 − λ 3 )(σ + λ 3 )<br />
la divergence <strong>de</strong> trajectoire peut être évaluée analytiquement. Nous notons ici :<br />
⎡ ⎤<br />
a 1 b 1 c 1<br />
δX(t) = ⎣ d 1 e 1 f 1<br />
⎦δX 0 . (1.15)<br />
g 1 h 1 f 1<br />
⎛<br />
Donc en posant δX 0 = ⎝<br />
temps fini :<br />
⎞<br />
δx 0<br />
δy 0<br />
⎠, nous pouvons estimer le pseudo-exposant <strong>de</strong> Lyapunov en<br />
δz 0<br />
λ t = 1 2t ln [(<br />
R(a1 ) 2 + R(d 1 ) 2 + R(g 1 ) 2 + I(a 1 ) 2 + I(d 1 ) 2 + I(g 1 ) 2) (δx 0 ) 2 + . . .<br />
δx 2 0 + δy2 0 + δz2 0<br />
Exposant <strong>de</strong> Lyapunov en temps fini, résultats numériques<br />
]<br />
. (1.16)<br />
Même en fixant les conditions initiales x, y <strong>et</strong> z, les <strong>de</strong>ux problèmes (1.4) ne peuvent pas<br />
être résolus. Nous fixons donc en plus un paramètre <strong>de</strong> la variation : t, δx 0 , δy 0 ou δz 0 .<br />
Par exemple, en fixant les paramètres (σ = 10.0, ρ = 28.0, b = 8 ), les conditions initiales<br />
3<br />
(x = 10.0, y = 10.0, z = −12.0) <strong>et</strong> une direction <strong>de</strong> la divergence (δx 0 = 0.1284), la solution<br />
<strong>de</strong> ce système peut être trouvée. On trouve alors un maximum égal à λ t = 5.856619878 pour<br />
t = 1.7368, δy 0 = 0.22829 <strong>et</strong> δz 0 = 0.9517. Or c<strong>et</strong>te valeur <strong>de</strong> λ t est bien supérieure à celle <strong>de</strong><br />
l’exposant <strong>de</strong> Lyapunov, qu’il soit estimé à l’ai<strong>de</strong> <strong>de</strong>s valeurs propres <strong>de</strong> la jacobienne ou avec<br />
l’algorithme <strong>de</strong> Wolf ([115]).<br />
En eff<strong>et</strong>, l’exposant <strong>de</strong> Lyapunov, tel qu’il est défini habituellement peut être calculé via<br />
l’algorithme <strong>de</strong> Wolf (Figure 1.13), il est strictement positif.<br />
215
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
5<br />
1.2<br />
0<br />
1<br />
0.8<br />
−5<br />
0.6<br />
λ<br />
λ<br />
−10<br />
0.4<br />
0.2<br />
−15<br />
0<br />
−20<br />
0 500 1000 1500 2000<br />
t<br />
0 200 400 600 800 1000<br />
t<br />
(a) t = 0 − 2000s, λ 1,2,3 (b) t = 0 − 1000s, λ 1,2<br />
−0.2<br />
Fig. 1.13 – Exposants <strong>de</strong> Lyapunov du système <strong>de</strong> l’équation (1.4) avec σ = 10.0, ρ = 28.0, b = 8 3<br />
en fonction du temps. On observe un exposant <strong>de</strong> Lyapunov <strong>de</strong> valeur numérique strictement<br />
positive à 1, ce qui signifie que le comportement du système est bien chaotique.<br />
Sur c<strong>et</strong>te figure, nous observons <strong>de</strong> façon très n<strong>et</strong>te que l’exposant <strong>de</strong> Lyapunov ne se stabilise<br />
qu’au bout d’un certain temps. Ce comportement est également visible en fixant (par exemple)<br />
x <strong>et</strong> y (x = y = 10.0) <strong>et</strong> en variant la valeur numérique <strong>de</strong> z. Comme le système (1.4) ne peut<br />
être résolu directement par Maple, nous fixons <strong>de</strong> plus δx 0 = 10.0. Nous faisons alors l’hypothèse<br />
que dans ce cas :<br />
Nous obtenons dans ce cas les résultats suivants (Figure 1.14).<br />
max<br />
δx 0<br />
λ t ≥ max<br />
δx 0 =10.0 λ t . (1.17)<br />
Dans ce cas, la divergence initiale a été choisie importante, mais ce même résultat peut être<br />
obtenu pour <strong>de</strong>s divergences faibles, voire très faibles (Figure 1.15).<br />
Jusqu’à présent, nous nous sommes intéressés à <strong>de</strong>s systèmes <strong>dynamiques</strong> définis par une<br />
équation différentielle. Nous nous tournons maintenant vers <strong>de</strong>s systèmes à temps discr<strong>et</strong>.<br />
1.4 Pour le système du pompage énergétique<br />
Nous nous intéressons également rapi<strong>de</strong>ment au système dynamique suivant :<br />
{ ẍ + a1 ẋ + k 1 x + c 1 x 3 + γ(x − y) = 0 ,<br />
ÿ + a 2 ẏ + k 2 y + γ(y − x) = 0 .<br />
(1.1)<br />
216
1.4. Pour le système du pompage énergétique<br />
Maximum <strong>de</strong> l’exposant en fonction <strong>de</strong> la condition initiale<br />
Temps du maximum en fonction <strong>de</strong> la condition initiale<br />
5<br />
8<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
6<br />
–5<br />
–10<br />
4<br />
–15<br />
2<br />
–20<br />
0<br />
–12 –11 –10 –9 –8 –7 –6<br />
(a) Maximum<br />
(b) Temps<br />
Fig. 1.14 – Maximum du pseudo-exposant <strong>de</strong> Lyapunov transitoire <strong>et</strong> temps où il est atteint<br />
en fonction <strong>de</strong> la condition initiale z, du système (1.4) avec σ = 10.0, ρ = 28.0, b = 8 3 . Les<br />
conditions initiales sont fixées à x = 10.0, y = 10.0. De plus, une direction <strong>de</strong> la divergence a<br />
été fixée : δx 0 = 10.0.<br />
que nous réécrivons sous la forme :<br />
⎧<br />
ẋ 1 = x 2 ,<br />
⎪⎨<br />
ẋ 2 = −a 1 x 2 − k 1 x 1 − c 1 x 3 1 − γ(x 1 − x 3 ) ,<br />
ẋ ⎪⎩ 3 = x 4 ,<br />
ẋ 4 = −a 2 x 4 − k 2 x 3 − γ(x 3 − x 1 ) .<br />
⎢<br />
⎣<br />
Donc en écrivant Ẋ = AX avec X = ⎡<br />
⎤<br />
x 1<br />
x 2<br />
⎥<br />
x 3<br />
x 4<br />
⎡<br />
⎦ <strong>et</strong> A = F(X) = ⎢<br />
⎣<br />
les variations <strong>de</strong>s divergences s’écrivent (voir section suivante 1.5, page 219) :<br />
(1.2)<br />
x 2<br />
−a 1 x 2 − k 1 x 1 − c 1 x 3 1 − γ(x 1 − x 3 )<br />
x 4<br />
−a 2 x 4 − k 2 x 3 − γ(x 3 − x 1 )<br />
⎤<br />
⎥<br />
⎦ ,<br />
δ 1 X =<br />
δ 2 X =<br />
avec<br />
∂F<br />
∂X δ1 X ,<br />
∂F<br />
∂X δ2 X + ∂2 F<br />
∂X 2(δ1 X) 2 ,<br />
. . . ,<br />
⎡<br />
⎤<br />
0 1 0 0<br />
∂F<br />
∂X = ⎢ −k 1 − γ − 3c 1 x 2 1 −a 1 γ 0<br />
⎥<br />
⎣ 0 0 0 1 ⎦ , (1.3)<br />
⎡<br />
γ<br />
⎤<br />
0 −k 2 − γ −a 2<br />
0 0 0 0<br />
∂ 2 F<br />
∂X 2 = ⎢ −6c 1 x 1 0 0 0<br />
⎥<br />
⎣ 0 0 0 0 ⎦ .<br />
0 0 0 0<br />
217
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
5<br />
Maximum <strong>de</strong> l’exposant en fonction <strong>de</strong> la condition initiale<br />
7<br />
Temps du maximum en fonction <strong>de</strong> la condition initiale<br />
6<br />
4<br />
5<br />
3<br />
4<br />
2<br />
3<br />
1<br />
2<br />
1<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
(a) λ t, δx 0 = 0.0000001<br />
(b) t, δx 0 = 0.0000001<br />
6<br />
Maximum <strong>de</strong> l’exposant en fonction <strong>de</strong> la condition initiale<br />
8<br />
Temps du maximum en fonction <strong>de</strong> la condition initiale<br />
4<br />
6<br />
2<br />
4<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
2<br />
–2<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
(c) λ t, δx 0 = 0.001<br />
(d) t, δx 0 = 0.001<br />
6<br />
Maximum <strong>de</strong> l’exposant en fonction <strong>de</strong> la condition initiale<br />
8<br />
Temps du maximum en fonction <strong>de</strong> la condition initiale<br />
5<br />
4<br />
6<br />
3<br />
2<br />
4<br />
1<br />
2<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
–1<br />
0<br />
–11 –10 –9 –8 –7 –6<br />
(e) λ t, δx 0 = 1.0<br />
(f) t, δx 0 = 1.0<br />
Fig. 1.15 – Maximum du pseudo-exposant <strong>de</strong> Lyapunov <strong>et</strong> temps où il atteint en fonction <strong>de</strong><br />
la condition initiale z, du système (1.4) avec σ = 10.0, ρ = 28.0, b = 8 . Les conditions initiales<br />
3<br />
sont fixées à x = 10.0, y = 10.0. Une direction <strong>de</strong> la divergence initiale a été fixée.<br />
218
1.5. Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs<br />
Les exposants <strong>de</strong> Lyapunov classiques sont donnés par l’équation du quatrième <strong>de</strong>gré suivante<br />
:<br />
⎧<br />
A 1 = 1 ,<br />
⎪⎨ A 2 = a 1 + a 2 ,<br />
A 1 λ 4 + A 2 λ 3 + A 3 λ 2 + A 4 λ + A 5 = 0 , où A 3 = k 1 + 2γ + 3c 1 x 2 1 + a 1a 2 + k 2 , (1.4)<br />
A ⎪⎩ 4 = (k 1 + γ + 3c 1 x 2 1 )(a 2 + 1) + a 2 (k 2 + γ) ,<br />
A 5 = (k 1 + γ + 3c 1 x 2 1 )k 2 − γ .<br />
C<strong>et</strong>te équation n’a pas <strong>de</strong> solution dans le cas général.<br />
Nous utilisons pour la suite les valeurs numériques <strong>de</strong> [42] :<br />
⎧<br />
⎪⎨<br />
a 1 = 3 40 , k 1 = 0 , c 1 = 3 20 , γ = 1 4 ,<br />
⎪⎩<br />
a 2 = 1 40 , k 2 = 1 .<br />
(1.5)<br />
En prenant x 1
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
−0.2<br />
0 200 400 600 800 1000<br />
t<br />
(a) Système entier<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
0 200 400 600 800 1000<br />
t<br />
(b) Oscillateur non-linéaire<br />
0<br />
−0.02<br />
−0.04<br />
−0.06<br />
−0.08<br />
−0.1<br />
−0.12<br />
−0.14<br />
−0.16<br />
−0.18<br />
0 200 400 600 800 1000<br />
t<br />
(c) Oscillateur linéaire<br />
Fig. 1.16 – Evolution du pseudo-exposant <strong>de</strong> Lyapunov du système <strong>de</strong> l’équation (1.3) avec les<br />
paramètres <strong>de</strong> l’équation (1.5).<br />
220
1.5. Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs<br />
Ici encore, pour définir ces exposants <strong>de</strong> Lyapunov d’ordres supérieurs, considérons le flot<br />
unidimensionnel :<br />
x n+1 = f(x n ),<br />
où f ∈ C q (x 0 ).<br />
(1.1)<br />
Alors l’exposant <strong>de</strong> Lyapunov d’ordre supérieur est donné par :<br />
λ (q) 1<br />
(x 0 ) = lim log |x(q)<br />
t→+∞<br />
t |, (1.2)<br />
t<br />
où x 0 est la condition initiale.<br />
Par analogie, nous définissons les pseudo-exposants <strong>de</strong> Lyapunov en temps fini pour <strong>de</strong>s ordres<br />
supérieurs :<br />
λ(x 0 , t) = 1 t<br />
log |x(q) t |. (1.3)<br />
Pour réaliser ces calculs analytiques, nous utilisons comme précé<strong>de</strong>mment :<br />
δ 1 Ẋ =<br />
δ 2 Ẋ =<br />
δ 3 Ẋ =<br />
δ 4 Ẋ =<br />
∂F<br />
∂X δ1 X, (1.4)<br />
∂F<br />
∂X δ2 X + ∂2 F (<br />
δ 1<br />
∂X 2 X ) 2<br />
, (1.5)<br />
∂F<br />
∂X δ3 X + 3 ∂2 F<br />
∂X 2δ1 Xδ 2 X + ∂3 F (<br />
δ 1<br />
∂X 3 X ) 3<br />
, (1.6)<br />
∂X δ4 X + ∂2 F<br />
[<br />
∂X 2 2δ 1 Xδ 3 + 3 ( δ 2 X ) ] 2<br />
+ 6 ∂3 F (<br />
δ 1<br />
∂X 3 X ) 2<br />
δ 2 X + ∂4 F (<br />
δ 1<br />
∂X 4 X ) 4<br />
. (1.7)<br />
1.5.2 Application à l’oscillateur <strong>de</strong> Duffing<br />
[ ] [<br />
]<br />
x y<br />
En posant X = <strong>et</strong> F(X, t) =<br />
y<br />
−ay − bx − cx 3 , l’équation dynamique du système<br />
s’écrit : Ẋ = F(X, t) (voir équation (1.9), page 197).<br />
Alors :<br />
[<br />
]<br />
∂F<br />
∂X = 0 1<br />
−b − 3cx 2 ,<br />
−a<br />
∂ 2 [ ]<br />
F 0 0<br />
∂X 2 =<br />
,<br />
(1.8)<br />
−6cx 0<br />
∂ 3 [ ] [ ]<br />
F 0 0<br />
∂X 3 = <strong>et</strong> ∂4 F 0 0<br />
−6c 0 ∂X 4 = .<br />
0 0<br />
[<br />
Pour<br />
]<br />
estimer les exposants <strong>de</strong> Lyapunov jusqu’à l’ordre 4, notons ∀i ∈ {1, ..,4} , δ i X =<br />
xi1<br />
.<br />
x i2<br />
221
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Alors :<br />
[ ]<br />
x11 ˙<br />
x˙<br />
[ 12<br />
]<br />
x21 ˙<br />
x˙<br />
[ 22<br />
]<br />
x31 ˙<br />
x˙<br />
32<br />
=<br />
=<br />
=<br />
[<br />
[<br />
[<br />
0 1<br />
−b − 3cx 2 −a<br />
0 1<br />
−b − 3cx 2 −a<br />
0 1<br />
−b − 3cx 2 −a<br />
] [ ]<br />
x11<br />
,<br />
x<br />
] [ 12<br />
] [<br />
x21 0 0<br />
+<br />
x 22 −6cx 0<br />
] [ ] [<br />
x31<br />
+ 3<br />
x 32<br />
0 0<br />
−6cx 0<br />
][<br />
x11<br />
] 2<br />
,<br />
x<br />
][ 12<br />
] [ ] [<br />
x11 x21<br />
+<br />
x 12 x 22<br />
0 0<br />
−6c 0<br />
] [<br />
x11<br />
x 12<br />
] 3<br />
.<br />
(1.9)<br />
La première <strong>de</strong> ces équations ci-<strong>de</strong>ssus :<br />
{ [ ] [<br />
x11 ˙<br />
0 1<br />
=<br />
x˙<br />
12 −b − 3cx 2 −a<br />
][<br />
x11<br />
x 12<br />
]<br />
, (1.10)<br />
a déjà été résolue dans la section 1.2.2 (voir page 197).<br />
D’après la valeur <strong>de</strong> x (condition initiale), on a alors :<br />
⎧ [ ] [ ] [ ]<br />
x11<br />
= eαt −α sinh(βt) + β cosh(βt) sinh(βt) x110<br />
⎪⎨ x 12 β (β 2 − α 2 ,<br />
)sinh(βt) α sinh(βt) + β cosh(βt) x 120<br />
⎪⎩<br />
[<br />
x11<br />
On pose :<br />
x 12<br />
]<br />
= eαt<br />
γ<br />
{ [ ]<br />
x11<br />
x 12<br />
[ −α sin(γt) + γ cos(γt) sin(γt)<br />
−(α 2 + γ 2 )sin(γt) α sin(γt) + γ cos(γt)<br />
[ ] [<br />
x110 A1 (t) A<br />
= A(t) =<br />
2 (t)<br />
x 120 A 3 (t) A 4 (t)<br />
où A(t) aura une expression littérale différente suivant la valeur <strong>de</strong> x.<br />
La solution <strong>de</strong> la <strong>de</strong>uxième équation :<br />
{ [ ]<br />
x21 ˙<br />
x˙<br />
22<br />
=<br />
[<br />
0 1<br />
−b − 3cx 2 −a<br />
][<br />
x21<br />
x 22<br />
]<br />
+<br />
[<br />
0 0<br />
−6cx 0<br />
][<br />
x110<br />
x 120<br />
]<br />
.<br />
(1.11)<br />
] [ ]<br />
x110<br />
, (1.12)<br />
x 120<br />
] [<br />
x11<br />
x 12<br />
] 2<br />
. (1.13)<br />
est la somme <strong>de</strong> la solution <strong>de</strong> l’équation homogène <strong>et</strong> d’une solution particulière.<br />
Puisque l’équation homogène est la même qu’à l’ordre inférieur, la solution s’écrit simplement<br />
:<br />
{ [ ] [<br />
]<br />
x21<br />
A 1 (t)x 210 + A 2 (t)x 220<br />
=<br />
x 22 A 3 (t) + A 4 (t)x 220 − 6cx(A 1 (t)x 110 + A 2 (t)x 120 ) 2 . (1.14)<br />
Le pseudo-exposant <strong>de</strong> Lyapunov du <strong>de</strong>uxième ordre s’écrit alors :<br />
(1.15)<br />
222<br />
λ (2)<br />
(t) = 1 2t ln ||x2 21 + x2 22 ||<br />
||x 2 210 + . (1.16)<br />
x2 220 ||
1.5. Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs<br />
On maximise λ (2)<br />
(t) (t, x 110, x 120 , x 210 , x 220 ).<br />
Avec les coefficients <strong>de</strong> Lagrange, nous pouvons écrire :<br />
L(t, x 110 , x 120 , x 210 , x 220 ) = g(t, x 110 , x 120 , x 210 , x 220 ) − αt , (1.17)<br />
avec α ≥ 0 .<br />
On cherche à résoudre :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎛<br />
∇g(t, x 110 , x 120 , x 210 , x 220 ) −<br />
⎜<br />
⎝<br />
αt = 0 ,<br />
α ≥ 0 .<br />
α<br />
0<br />
0<br />
0<br />
0<br />
⎞<br />
⎟<br />
⎠ = 0 ,<br />
(1.18)<br />
Donc <strong>de</strong>ux cas existent :<br />
– α ≠ 0, t = 0 :<br />
→<br />
→<br />
∂g<br />
∂t (0, x 110, x 120 , x 210 , x 220 ) = α ≥ 0 ,<br />
∂g<br />
∂x 110<br />
(0, x 110 , x 120 , x 210 , x 220 ) =<br />
= ∂g<br />
∂x 210<br />
(0, x 110 , x 120 , x 210 , x 220 ) =<br />
∂g<br />
∂x 120<br />
(0, x 110 , x 120 , x 210 , x 220 )<br />
∂g<br />
∂x 220<br />
(0, x 110 , x 120 , x 210 , x 220 ) = 0 .<br />
(1.19)<br />
– α = 0, t quelconque :<br />
∂g<br />
∂t (t, x 110, x 120 , x 210 , x 220 ) = 0 ,<br />
= ∂g<br />
∂x 110<br />
(t, x 110 , x 120 , x 210 , x 220 )<br />
= ∂g<br />
∂x 120<br />
(t, x 110 , x 120 , x 210 , x 220 )<br />
(1.20)<br />
= ∂g<br />
∂x 210<br />
(t, x 110 , x 120 , x 210 , x 220 )<br />
= ∂g<br />
∂x 220<br />
(t, x 110 , x 120 , x 210 , x 220 ) .<br />
223
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
Nous décidons ici <strong>de</strong> représenter la courbe <strong>de</strong> variation <strong>de</strong> λ (2) (t, x 0 ) en fonction du temps,<br />
<strong>et</strong> en fixant le vecteur <strong>de</strong> conditions initiales x 0 <strong>et</strong> les quatre divergences initiales x 110 , x 120 , x 210<br />
<strong>et</strong> x 220 (Figure 1.17). Nous voyons donc que ce pseudo-exposant <strong>de</strong> Lyapunov du second ordre<br />
dépend du temps considéré, <strong>de</strong> la condition initiale x 0 <strong>et</strong> <strong>de</strong> la valeur initiale <strong>de</strong>s divergences.<br />
Par exemple, en fixant t <strong>et</strong> la valeur initiale <strong>de</strong> la divergence dans <strong>de</strong>ux directions, nous<br />
pouvons observer la variation <strong>de</strong> c<strong>et</strong>te constante en fonction <strong>de</strong>s <strong>de</strong>ux directions <strong>de</strong> la divergence<br />
restantes (Figure 1.18).<br />
1.5.3 Application au système dynamique <strong>de</strong> Van Der Pol<br />
Nous étudions le système dynamique (1.26) (page 202), donc les jacobiennes s’écrivent aux<br />
différents ordres :<br />
[<br />
]<br />
∂F<br />
∂X = 0 1<br />
−2ǫw 0 xy − w0 2 ǫw 0 (1 − x 2 ,<br />
)<br />
∂ 2 [ ]<br />
F 0 0<br />
∂X 2 =<br />
,<br />
(1.21)<br />
−2ǫw 0 y 0<br />
∂ 3 [ ]<br />
F 0 0<br />
∂X 3 = .<br />
−0 0<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Alors :<br />
[ ]<br />
x11 ˙<br />
x˙<br />
[ 12<br />
]<br />
x21 ˙<br />
[<br />
x˙<br />
22<br />
]<br />
x31 ˙<br />
x˙<br />
32<br />
=<br />
=<br />
=<br />
[<br />
] [ ]<br />
0 1 x11<br />
−2ǫw 0 xy − w0 2 ǫw 0 (1 − x 2 ,<br />
) x<br />
[<br />
] [ 12<br />
] [<br />
0 1 x21 0 0<br />
−2ǫw 0 xy − w0 2 ǫw 0 (1 − x 2 +<br />
[<br />
)<br />
] [<br />
x 22<br />
] [<br />
−2ǫw 0 y 0<br />
0 1 x31 0 0<br />
−2ǫw 0 xy − w0 2 ǫw 0 (1 − x 2 + 3<br />
) x 32 −2ǫw 0 y 0<br />
][<br />
x11<br />
] 2<br />
, (1.22)<br />
][<br />
x 12<br />
] [ ]<br />
x11 x21<br />
.<br />
x 12 x 22<br />
La première équation avait été résolue. En notant ∆ = ǫ 2 w 2 0 (1 − x2 ) 2 − 8ǫw 0 xy + 4w 2 0 , on a :<br />
Si ∆ < 0 : Avec α = ǫw 0(1 − x 2 )<br />
2<br />
s’écrit :<br />
[<br />
δ 1 X(t) = eαt −α sin(γt) + γ cos(γt) sin(γt)<br />
γ −(α 2 + γ 2 )sin(γt) α sin(γt) + γ cos(γt)<br />
si ∆ > 0 : Avec α = ǫw 0(1 − x 2 )<br />
2<br />
224<br />
δ 1 X(t) = eαt<br />
β<br />
<strong>et</strong> γ = i√ −ǫ 2 w0 2(1 − x2 ) 2 + 8ǫw 0 xy − 4w0<br />
2 , la solution<br />
2<br />
]<br />
δ 1 X 0 . (1.23)<br />
√<br />
ǫ<br />
<strong>et</strong> β = 2 w0 2(1 − x2 ) 2 − 8ǫw 0 xy + 4w0<br />
2 , la solution est :<br />
2<br />
[ −α sinh(βt) + β cosh(βt) sinh(βt)<br />
(β 2 − α 2 )sinh(βt) α sinh(βt) + β cosh(βt)<br />
]<br />
δ 1 X 0 . (1.24)
1.5. Recherche <strong>de</strong> pseudo-exposants <strong>de</strong> Lyapunov d’ordres supérieurs<br />
0.6<br />
0.2<br />
0.5<br />
0<br />
t<br />
20 40 60 80 100<br />
0.4<br />
0.3<br />
–0.2<br />
0.2<br />
–0.4<br />
0.1<br />
–0.6<br />
0<br />
20 40 60 80 100<br />
t<br />
–0.8<br />
(a) x 0 = 1.11, x 110 = x 120 = x 210 = 10 −7 ,<br />
x 220 = 0<br />
(b) x 0 = 1.11, x 110 = x 120 = x 210 = x 220 =<br />
10 −7<br />
6<br />
2<br />
5<br />
4<br />
0<br />
t<br />
2 4 6 8 10 12 14 16 18 20<br />
3<br />
–2<br />
2<br />
–4<br />
1<br />
–6<br />
0<br />
2 4 6 8 10 12 14 16 18 20<br />
(c) x 0 = 2.4, x 110 = x 120 = x 210 = 10 −7 , x 220 =<br />
0<br />
t<br />
(d) x 0 = 2.4, x 110 = x 210 = x 220 = 10 −7 , x 120 =<br />
0<br />
2<br />
0<br />
t<br />
2 4 6 8 10 12 14 16 18 20<br />
–2<br />
–4<br />
–6<br />
(e) x 0 = 2.4, x 120 = x 210 = x 220 = 10 −7 , x 110 =<br />
0<br />
Fig. 1.17 – Pseudo-exposant <strong>de</strong> Lyapunov en fonction du temps pour le système dynamique<br />
(1.9), avec a = 0.15, b = −1 <strong>et</strong> c = 1 pour différentes conditions initiales x 0 <strong>et</strong> différentes<br />
divergences initiales.<br />
225
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
20<br />
15<br />
10<br />
0<br />
5<br />
0<br />
0.02<br />
0.02<br />
x110<br />
0.06<br />
0.04<br />
0.04<br />
x120<br />
0.06<br />
0.08<br />
0.08<br />
0.1<br />
0.1<br />
Fig. 1.18 – Pseudo-exposant <strong>de</strong> Lyapunov en fonction <strong>de</strong>s divergences x 110 <strong>et</strong> x 120 du système<br />
dynamique (1.9) avec a = 0.15, b = −1 <strong>et</strong> c = 1. La condition initiale, le temps <strong>et</strong> la valeur <strong>de</strong> la<br />
divergence dans les <strong>de</strong>ux directions restantes sont fixées : x 0 = 2.4, t = 0.5, x 210 = x 220 = 10 −7 .<br />
Nous con<strong>de</strong>nsons cela sous la forme :<br />
A(t) =<br />
A(t) =<br />
δ 1 X(t)<br />
[<br />
= A(t)δ 1 X 0 où :<br />
]<br />
−α sin(γt) + γ cos(γt) sin(γt)<br />
−(α 2 + γ 2 si ∆ < 0 ,<br />
)sin(γt) α sin(γt) + γ cos(γt)<br />
eαt<br />
γ<br />
eαt<br />
β<br />
[ −α sinh(βt) + β cosh(βt) sinh(βt)<br />
(β 2 − α 2 )sinh(βt) α sinh(βt) + β cosh(βt)<br />
]<br />
si ∆ > 0 .<br />
(1.25)<br />
Alors <strong>de</strong> la même façon, on aura :<br />
δ 2 X(t) = A(t)δ 2 X 0 − 2ǫw 0 yx 2 11 ,<br />
δ 3 X(t) = A(t)δ 2 (X 0 ) − 2ǫw 0 y [A 1 (t)x 10 + A 2 (t)x 20 ] 2 .<br />
(1.26)<br />
1.5.4 Application au système <strong>de</strong> Lorenz<br />
Nous étudions le système dynamique (1.4) (page 210), donc les jacobiennes s’écrivent aux<br />
différents ordres :<br />
⎡<br />
⎤<br />
−σ σ 0<br />
∂F<br />
∂X<br />
= ⎣ ρ − z −1 −x ⎦,<br />
226<br />
∂ 2 F<br />
∂X 2 =<br />
⎡<br />
⎣<br />
y x<br />
⎤<br />
−b<br />
0 0 0<br />
0 0 0<br />
0 0 0<br />
⎦.<br />
(1.27)
1.6. Conclusion<br />
Dans ce cas, les variations <strong>de</strong>s différentes divergences se résument à :<br />
⎧<br />
⎪⎨<br />
δ 1 Ẋ =<br />
δ 2 Ẋ =<br />
δF<br />
δX δ1 X ,<br />
δF<br />
δX δ2 X ,<br />
(1.28)<br />
⎪⎩<br />
δ 3 Ẋ =<br />
δF<br />
δX δ3 X , . . .<br />
Dans ce cas précis, les pseudo-exposants <strong>de</strong> Lyapunov à tous les ordres présentent la même<br />
équation dynamique :<br />
⎡<br />
∀n ∈ N ∗ , δ n Ẋ = ⎣<br />
−σ σ 0<br />
ρ − z −1 −x<br />
y x −b<br />
⎤<br />
⎦δ n X . (1.29)<br />
C<strong>et</strong>te équation peut alors être résolue analytiquement (voir section 1.3.2, page 211).<br />
En conclusion <strong>de</strong> c<strong>et</strong>te <strong>de</strong>rnière section sur les pseudo-exposants <strong>de</strong> Lyapunov en temps fini<br />
d’ordres supérieurs, nous pouvons affirmer que pour ces <strong>de</strong>rniers également le pseudo-exposant<br />
peut se révéler être supérieur à l’exposant <strong>de</strong> Lyapunov classique. En particulier, dans le cas<br />
général, il n’existe pas <strong>de</strong> relation entre le comportement du pseudo-exposant d’ordre 1 <strong>et</strong> ceux<br />
d’ordres supérieurs. De plus ces <strong>de</strong>rniers n’expliquent pas <strong>et</strong> ne donnent pas les différences <strong>de</strong><br />
comportement entre le pseudo-exposant d’ordre 1 <strong>et</strong> l’exposant <strong>de</strong> Lyapunov.<br />
1.6 Conclusion<br />
Le but <strong>de</strong> c<strong>et</strong>te étu<strong>de</strong> est multiple : tout d’abord il s’agit <strong>de</strong> montrer qu’utiliser l’exposant<br />
<strong>de</strong> Lyapunov classique pour estimer la divergence <strong>de</strong> trajactoires à temps fini, tel que cela a<br />
été réalisé dans certains articles, peut donner <strong>de</strong>s résultats faux. C<strong>et</strong>te approximation peut se<br />
révéler être dangereuse <strong>et</strong> un calcul numérique peut se révéler utile. Ce fait, bien connu dans le<br />
domaine <strong>de</strong> la météorologie, est plus ou moins inconnu dans celui du génie civil.<br />
Ensuite, contrairement aux étu<strong>de</strong>s déjà menées qui examinent la variation <strong>de</strong>s pseudoexposants<br />
<strong>de</strong> Lyapunov en temps fini en le calculant sur une trajectoire simulée, nous avons<br />
établi une expression analytique pour ce pseudo-exposant (quand cela était possible) en exprimant<br />
une divergence <strong>de</strong> trajectoires. Ceci nous a permis <strong>de</strong> déterminer le maximum <strong>de</strong> ce<br />
pseudo-exposant en fonction <strong>de</strong>s conditions initiales, <strong>de</strong>s divergences initiales <strong>et</strong> du temps. Ainsi<br />
une borne supérieure a été obtenue pour l’exposant <strong>de</strong> Lyapunov en temps fini.<br />
Dans la plupart <strong>de</strong>s cas, une conclusion générale <strong>et</strong> analytique sur la variation <strong>de</strong> ces speudoexposants<br />
ne peut être obtenue (sauf dans le cas <strong>de</strong> l’espace <strong>de</strong> Man<strong>de</strong>lbrot). De plus, ce problème<br />
n’est pas résolu est examinant également les pseudo-exposants <strong>de</strong> Lyapunov aux ordres supérieurs,<br />
qui sont eux aussi fonctions <strong>de</strong> la divergence initiale, <strong>de</strong>s conditions initiales, du temps <strong>et</strong><br />
227
Chapitre 1. Etu<strong>de</strong> <strong>de</strong>s exposants <strong>de</strong> Lyapunov en temps fini<br />
<strong>de</strong>s vecteurs propres <strong>de</strong>s jacobiennes aux différents ordres. Toutefois, nous avons ainsi pu montrer<br />
que ce pseudo-exposant peut se révéler être beaucoup supérieur à l’exposant classique. En<br />
particulier, alors que ce <strong>de</strong>rnier est négatif (le système est asymptotiquement stable), le pseudoexposant<br />
peut être positif. La stabilité asymptotique peut donc parfois ne pas être suffisante<br />
pour qualifier le comportement d’un système dynamique.<br />
La même approche peut être appliquée aux systèmes non-réguliers, en utilisant la notion <strong>de</strong><br />
jacobienne généralisée. Ceci a été fait dans notre article [91].<br />
Une piste qui resterait à explorer est celle <strong>de</strong> l’entropie ([119]), qui est la somme <strong>de</strong>s composantes<br />
du spectre <strong>de</strong> l’exposant <strong>de</strong> Lyapunov. Celle-ci doit donc également dépendre <strong>de</strong> ces<br />
paramètres.<br />
228
Chapitre 2<br />
Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov<br />
avec la matrice d’évolution<br />
Dans ce chapitre, une équation définissant les exposants <strong>de</strong> Lyapunov avec la<br />
matrice <strong>de</strong> monodromie est écrite. Elle est mise en application afin d’évaluer<br />
son efficacité <strong>et</strong> sa robustesse pour calculer les exposants <strong>de</strong> Lyapunov.<br />
Sommaire<br />
2.1 Développements théoriques . . . . . . . . . . . . . . . . . . . . . . 229<br />
2.1.1 Dérivées <strong>de</strong> la matrice d’évolution par rapport aux paramètres . . . 230<br />
2.1.2 Solutions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . 232<br />
2.1.3 Les exposants <strong>de</strong> Lyapunov . . . . . . . . . . . . . . . . . . . . . . 235<br />
2.2 Applications <strong>et</strong> calculs numériques . . . . . . . . . . . . . . . . . 236<br />
2.2.1 Cas d’un oscillateur linéaire . . . . . . . . . . . . . . . . . . . . . . 236<br />
2.2.2 Oscillateur <strong>de</strong> type Duffing . . . . . . . . . . . . . . . . . . . . . . . 246<br />
2.2.3 Système pseudo-périodique . . . . . . . . . . . . . . . . . . . . . . . 253<br />
2.2.4 Attracteur <strong>de</strong> Rossler . . . . . . . . . . . . . . . . . . . . . . . . . . 258<br />
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260<br />
Nous considérons un système dynamique non linéaire dépendant <strong>de</strong> paramètres.<br />
2.1 Développements théoriques<br />
Nous écrivons <strong>de</strong>s formules donnant les dérivées <strong>de</strong> la matrice d’évolution du système par<br />
rapport aux paramètres, sous la forme d’intégrales d’une fonction dépendant du vecteur <strong>de</strong><br />
phase, <strong>de</strong> ses dérivées par rapport aux paramètres <strong>et</strong> <strong>de</strong> la matrice d’évolution évaluée en un<br />
certain point.<br />
229
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
Pour <strong>de</strong>s systèmes linéaires périodiques, les dérivées <strong>de</strong> la matrice <strong>de</strong> monodromie définissent<br />
le domaine d’instabilité dans l’espace <strong>de</strong>s paramètres. En ce qui concerne les systèmes autonomes,<br />
nous écrivons les dérivées <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport aux paramètres qui s’expriment<br />
en fonction <strong>de</strong>s dérivées <strong>de</strong> la matrice d’évolution.<br />
2.1.1 Dérivées <strong>de</strong> la matrice d’évolution par rapport aux paramètres<br />
Considérons le système dynamique suivant :<br />
ẋ = f(x, p, t), x(t 0 ) = x 0 , (2.1)<br />
f : R q → R m est une fonction du vecteur <strong>de</strong> phase x ∈ R m , du vecteur <strong>de</strong> paramètres p ∈ R n <strong>et</strong><br />
du temps t, x 0 est un vecteur <strong>de</strong> conditions initiales donné, <strong>et</strong> le point signifie la dérivation par<br />
rapport au temps.<br />
Nous considérons un point p <strong>de</strong> l’espace <strong>de</strong>s paramètres <strong>et</strong> un p<strong>et</strong>it incrément ∆p j <strong>de</strong> la<br />
j e composante du vecteur <strong>de</strong> paramètres. Alors le vecteur <strong>de</strong> phase subit un incrément ∆x qui,<br />
en approximant au premier ordre, est décrit par l’équation différentielle :<br />
.<br />
{}}{<br />
∆x = ∂f<br />
où<br />
(x, p, t)∆x +<br />
∂f<br />
∂p j<br />
(x, p, t)∆p j , ∆x(t 0 ) = 0,<br />
∂x [ ]<br />
∂f<br />
∂x = ∂fi<br />
.<br />
∂x k<br />
On divise les <strong>de</strong>ux membres <strong>de</strong> l’équation (2.2) par ∆p j <strong>et</strong> on prend la limite quand ∆x → 0.<br />
Alors en notant le vecteur z = ∂x<br />
∂p j<br />
, l’équation différentielle suivante peut être écrite :<br />
(2.2)<br />
ż = ∂f ∂f<br />
(x, p, t)z + (x, p, t), z(t 0 ) = 0. (2.3)<br />
∂x ∂p j<br />
En considérant à nouveau l’équation (2.2) linéarisée par rapport à x, on a pour le vecteur<br />
y ∈ R m :<br />
ẏ = ∂f (x, p, t)y. (2.4)<br />
∂x<br />
Une matrice fondamentale ou matrice d’évolution est alors donnée par :<br />
Ẏ = ∂f<br />
∂x (x, p, t)Y, Y (t 0) = I, (2.5)<br />
où I est la matrice unité.<br />
Alors une solution <strong>de</strong> l’équation différentielle (2.4) avec la condition initiale y(t 0 ) = y 0 est<br />
donnée par : y(t) = Y (t)y 0 <strong>et</strong> une solution <strong>de</strong> (2.3) avec condition initiale nulle est donnée par<br />
l’intégrale :<br />
∫ t<br />
z(t) = Y (t) Y −1 (τ) ∂f (x, p, τ)dτ . (2.6)<br />
t 0<br />
∂p j<br />
230
2.1. Développements théoriques<br />
Maintenant nous cherchons les dérivées <strong>de</strong> la matrice d’évolution par rapport aux paramètres<br />
au point p. Suite à l’incrément ∆p j , la matrice d’évolution subit un incrément Y + ∆Y . En<br />
substituant c<strong>et</strong>te expression dans (2.5) <strong>et</strong> en développant le membre <strong>de</strong> droite en série <strong>de</strong> Taylor,<br />
nous obtenons une équation au premier ordre :<br />
∆Ẏ = ∂f<br />
∂x (x, p, t)∆Y + CY, ∆Y (t 0) = 0,<br />
où<br />
C = ∂2 f<br />
∂x 2 (x, p, t)∆x + ∂2 f<br />
∂x∂p j<br />
(x, p, t)∆p j .<br />
(2.7)<br />
Puisque Y (t) est une matrice fondamentale, elle est non-singulière. Nous multiplions les <strong>de</strong>ux<br />
membres <strong>de</strong> l’équation (2.7) par Y −1 <strong>et</strong> nous intégrons <strong>de</strong> t 0 à t. En intégrant par parties avec<br />
la condition initiale (2.7), on obtient :<br />
∫ t<br />
Y −1 ∆Y ˙ dτ<br />
t 0<br />
.<br />
∫ t<br />
t 0<br />
{}}{<br />
Y −1 ∆Y dτ,<br />
)<br />
dτ.<br />
= Y −1 (t)∆Y (t) −<br />
∫ t<br />
(<br />
= Y −1∂f<br />
t 0<br />
∂x δY + Y −1 CY<br />
(2.8)<br />
Avec Y −1 Y = I, nous obtenons en différentiant :<br />
(2.5) :<br />
Avec c<strong>et</strong>te nouvelle expression, l’équation (2.8) s’écrit :<br />
.<br />
{}}{<br />
Y −1 = −Y −1 Ẏ Y −1 <strong>et</strong> avec l’équation<br />
.<br />
{}}{<br />
Y −1 = −Y −1∂f<br />
∂x . (2.9)<br />
∫ t<br />
∆Y (t) = Y (t) Y −1 CY dτ. (2.10)<br />
t 0<br />
Nous substituons l’expression <strong>de</strong> C (équation (2.7)) <strong>et</strong> nous divisons chaque membre <strong>de</strong><br />
l’équation par ∆p j . Le résultat s’écrit :<br />
δY (t)<br />
∆p j<br />
∫ t<br />
{ ∂<br />
= Y (t) Y −1 2 }<br />
f ∆x<br />
t 0<br />
∂x 2 + ∂2 f<br />
Y dτ. (2.11)<br />
∆p j ∂x∂p j<br />
En faisant tendre ∆p j vers 0 <strong>et</strong> en utilisant la notation z = ∂x<br />
∂p j<br />
, nous obtenons :<br />
∂Y (t)<br />
∂p j<br />
∫ t<br />
{ ∂<br />
= Y (t) Y −1 2 }<br />
f<br />
t 0<br />
∂x 2 z + ∂2 f<br />
Y dτ. (2.12)<br />
∂x∂p j<br />
231
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
En substituant le vecteur z <strong>de</strong> l’équation (2.6), finalement :<br />
∂Y (t)<br />
∂p j<br />
∫ t<br />
{ ∂<br />
= Y (t) Y −1 2 ∫<br />
f τ<br />
t 0<br />
∂x 2 Y (τ) Y −1 (ξ) ∂f<br />
}<br />
(x, p, xi)dξ + ∂2 f<br />
(x, p, τ) Y (τ)dτ. (2.13)<br />
t 0<br />
∂p j ∂x∂p j<br />
Donc, pour calculer la matrice d’évolution Y (t) <strong>et</strong> ses dérivées par rapport aux paramètres,<br />
nous intégrons les équations (2.1) <strong>et</strong> (2.5) avec les conditions initiales correspondantes, puis nous<br />
évaluons l’intégrale (2.13).<br />
Connaître les dérivées <strong>de</strong> la matrice d’évolution perm<strong>et</strong> <strong>de</strong> prédire le comportement du<br />
système dynamique au voisinage du point p dans l’espace <strong>de</strong>s paramètres.<br />
2.1.2 Solutions périodiques<br />
Nous considérons le cas où (2.1) présente une solution périodique x(t) = x(t+T) <strong>et</strong> la matrice<br />
∂f(x(t), p, t)<br />
est périodique <strong>de</strong> pério<strong>de</strong> T.<br />
∂x<br />
Alors la matrice d’évolution F = Y (T) est appelée matrice <strong>de</strong> monodromie. En accord avec<br />
la théorie <strong>de</strong> Floqu<strong>et</strong>, les valeurs propres <strong>de</strong> la matrice (multiplicateurs) sont responsables <strong>de</strong><br />
la stabilité <strong>de</strong> la solution périodique x(t) : si tous les multiplicateurs ont une valeur absolue<br />
inférieure strictement à 1, alors la solution périodique x(t) est asymptotiquement stable, <strong>et</strong><br />
elle est instable si au moins un <strong>de</strong>s multiplicateurs a une valeur absolue supérieure à 1. En<br />
particulier, si nous considérons le système linéaire ẋ = G(p, t)x avec la matrice périodique<br />
G(p, t+T) = G(p, t) <strong>et</strong> nous étudions la stabilité <strong>de</strong> la solution triviale x(t) ≡ 0, nous obtenons :<br />
f = Gx,<br />
∂f<br />
∂x = G, ∂ 2 f<br />
∂x 2 = 0,<br />
∂ 2 f<br />
= ∂G . (2.14)<br />
∂x∂p j ∂p j<br />
Alors avec (2.13) :<br />
∂Y (t)<br />
∂p j<br />
∫ t<br />
−1 ∂G<br />
= Y (t) Y Y dτ. (2.15)<br />
t 0<br />
∂p j<br />
Alors en évaluant la formule à t = T, nous obtenons les dérivées <strong>de</strong> la matrice <strong>de</strong> monodromie<br />
F = Y (T) par rapport aux paramètres :<br />
∫<br />
∂F T<br />
−1 ∂G<br />
= F Y Y dτ. (2.16)<br />
∂p j t 0<br />
∂p j<br />
Pour les formules (2.15) <strong>et</strong> (2.16), seules les matrices Y (t) <strong>et</strong> les dérivées <strong>de</strong> G par rapport<br />
aux paramètres sont nécessaires.<br />
232
2.1. Développements théoriques<br />
Par exemple, considérons l’équation <strong>de</strong> Hill avec amortissement :<br />
ẍ + βẋ + [ w 2 + ǫϕ(t) ] ⎧<br />
x = 0,<br />
β : amortissement,<br />
ǫ : amplitu<strong>de</strong> <strong>de</strong> l’excitation,,<br />
⎪⎨<br />
w : fréquence naturelle, ,<br />
où<br />
ϕ(t) : fonction continue périodique du temps <strong>de</strong> pério<strong>de</strong> 2π<br />
⎪⎩<br />
<strong>et</strong> <strong>de</strong> moyenne nulle soit<br />
∫ 2π<br />
0<br />
ϕ(t)dt = 0.<br />
(2.17)<br />
Pour point initial, nous choississons t 0 = 0.<br />
Notre but est <strong>de</strong> trouver analytiquement les domaines d’instabilité <strong>de</strong> la solution triviale<br />
x = 0 (domaines <strong>de</strong> résonance paramétrique).<br />
Alors l’équation (2.17) s’écrit sous la forme :<br />
( ẋ<br />
avec y =<br />
x<br />
ẏ = G(p,<br />
(<br />
t)y,<br />
)<br />
, G(t, p) =<br />
0 1<br />
−w 2 − ǫϕ(t) −β<br />
)<br />
.<br />
(2.18)<br />
Ce système comporte 3 paramètres, soit p = (ǫ, β, w).<br />
Si nous substituons ǫ = 0, β = 0, avec l’équation (2.5), nous obtenons directement :<br />
[<br />
cos(wt) w<br />
Y (t) =<br />
−1 ] [<br />
sin(wt)<br />
, Y −1 cos(wt) −w<br />
(t) =<br />
−1 ]<br />
sin(wt)<br />
. (2.19)<br />
−w sin(wt) cos(wt)<br />
w sin(wt) cos(wt)<br />
Alors la matrice <strong>de</strong> monodromie s’écrit :<br />
[<br />
cos(2πw)<br />
F = Y (2π) =<br />
−w sin(2πw)<br />
w −1 sin(2πw)<br />
cos(2πw)<br />
]<br />
. (2.20)<br />
Les valeurs propres <strong>de</strong> c<strong>et</strong>te matrice (multiplicateurs) sont :<br />
ρ 1,2 = cos(2πw) ± i sin(2πw). (2.21)<br />
Si w ≠ k (k = 1, 2, . . .), les multiplicateurs sont complexes conjugués appartenant au cercle<br />
2<br />
unité (instabilité). Il peut être montré qu’en ajoutant une p<strong>et</strong>ite sollicitation sinusoïdale <strong>et</strong><br />
l’amortissement (ǫ > 0, β > 0), les multiplicateurs se déplacent vers l’intérieur du cercle unité ce<br />
qui entraine la stabilité asymptotique. En fait, suite à la propriété <strong>de</strong> continuité, les multiplicateurs<br />
restent <strong>de</strong>s quantités complexes conjuguées. Pour les multiplicateurs, nous avons l’équation<br />
quadratique :<br />
ρ 2 + c 1 ρ + c 2 = 0. (2.22)<br />
Avec le théorême <strong>de</strong> Vi<strong>et</strong>a <strong>et</strong> la formule <strong>de</strong> Liouville, le coefficient c 2 est égal à :<br />
(∫ 2π<br />
)<br />
c 2 = ρ 1 ρ 2 = |ρ| 2 = exp tr(G)dt = exp(−2πβ) < 1. (2.23)<br />
0<br />
233
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
C<strong>et</strong>te inégalité signifie que si un amortissement <strong>et</strong> une sollicitation faibles sont ajoutés au<br />
système non perturbé (ǫ = β = 0), les multiplicateurs complexes conjugués se déplacent à<br />
l’intérieur du cercle unité <strong>et</strong> le système <strong>de</strong>vient asymptotiquement stable.<br />
Donc l’instabilité (résonance paramétrique) peut survenir seulement dans le voisinage <strong>de</strong>s<br />
points :<br />
auquel cas les multiplicateurs sont doubles :<br />
p 0 : ǫ = 0, β = 0, w = k , k = 1, 2, . . ., (2.24)<br />
2<br />
ρ 1 = ρ 2 = (−1) k . (2.25)<br />
Pour trouver les domaines d’instabilité, nous développons la matrice <strong>de</strong> monodromie F en<br />
série <strong>de</strong> Taylor dans le voisinage <strong>de</strong>s points p 0 par rapport aux paramètres ǫ, β <strong>et</strong> ∆w = w − k 2 :<br />
F(p) = F(p 0 ) + ǫ ∂F<br />
∂ǫ + β∂F ∂β + ∆w∂F + . . .. (2.26)<br />
∂w<br />
Avec la formule (2.16) <strong>et</strong> en développant au premier ordre, nous développons :<br />
⎡<br />
⎤<br />
F(p) = cos(πk) ⎣<br />
1 + πa ǫ<br />
k<br />
k − πβ 2π(2∆wk − b k ǫ)<br />
(<br />
ǫ<br />
) k 2<br />
ǫ<br />
⎦, (2.27)<br />
−π ∆wk + b k 1 − πa k<br />
2 k − πβ<br />
où a k <strong>et</strong> b k sont les coefficients <strong>de</strong> Fourier <strong>de</strong> la fonction ϕ(t) :<br />
a k = 1 π<br />
∫ 2π<br />
0<br />
ϕ(t)sin(kt)dt, b k = 1 π<br />
∫ 2π<br />
Les multiplicateurs peuvent donc être estimés par :<br />
ρ 1,2 = (−1) k (1 − πβ) ± π √ D,<br />
où D = (a 2 k + b2 k ) ǫ2<br />
k 2 − 4(∆w)2 .<br />
0<br />
ϕ(t)cos(kt)dt, k = 1, 2, . . .. (2.28)<br />
(2.29)<br />
Le système est instable si la valeur absolue d’au moins un <strong>de</strong>s multiplicateurs est <strong>de</strong> valeur<br />
absolue strictement supérieure à 1. Ceci est le cas si β < 0. Mais si β ≥ 0, le système est instable<br />
si √ D > β. Alors, le domaine <strong>de</strong> résonance paramétrique est la moitié du cône :<br />
(<br />
4 w − k ) 2<br />
+ β 2 < (a 2 k<br />
2<br />
+ b2 k ) ǫ2<br />
k2, β ≥ 0. (2.30)<br />
La formule (2.30) correspond à certaines déjà connues pour certains systèmes <strong>dynamiques</strong>.<br />
Par exemple avec β = 0 <strong>et</strong> ϕ(t) = cos t, nous obtenons l’équation <strong>de</strong> Mathieu. Dans ce cas,<br />
pour la première résonance (k = 1), nous obtenons : a 1 = 0, b 1 = 1, 1 − ǫ < 2w < 1 + ǫ avec<br />
l’équation (2.30).<br />
234
2.1. Développements théoriques<br />
2.1.3 Les exposants <strong>de</strong> Lyapunov<br />
Considérons le système autonome :<br />
ẋ = f(x, p), x(t 0 ) = x 0 . (2.31)<br />
La matrice d’évolution Y (t) est trouvée avec l’équation linéarisée :<br />
Ẏ = ∂f<br />
∂x (x, p)Y, Y (t 0) = I. (2.32)<br />
Les exposants <strong>de</strong> Lyapunov sont définis par le problème aux valeurs propres <strong>de</strong> la matrice<br />
V T = Y + T Y T (où + signifie la transposition) <strong>et</strong> T est la borne supérieure en temps <strong>de</strong> l’intégration :<br />
V T u S = K S u S . (2.33)<br />
La matrice V T est symétrique <strong>et</strong> définie positive. Dons toutes les valeurs propres K s , s =<br />
1, . . .,m <strong>de</strong> la matrice V T sont positives. Les valeurs propres <strong>de</strong> la matrice √ V T sont appelées<br />
valeurs singulières <strong>de</strong> la matrice Y T .<br />
Les exposants <strong>de</strong> Lyapunov sont définis comme la limite :<br />
Λ s = lim<br />
T →∞<br />
( lg Ks<br />
2T<br />
)<br />
. (2.34)<br />
Soit u s un vecteur propre, correspondant à la valeur propre K s <strong>de</strong> la matrice V T . Alors la<br />
dérivée <strong>de</strong> la valeur propre K s par rapport aux paramètres est :<br />
∂K s<br />
∂p j<br />
=<br />
=<br />
{<br />
u + s<br />
{<br />
u + s<br />
∂(Y + T Y }<br />
T)<br />
u s /(u + s u s ),<br />
[ ∂p j (∂YT<br />
∂p j<br />
) +<br />
Y T + Y + T<br />
Alors, pour les exposants <strong>de</strong> Lyapunov :<br />
( ∂YT<br />
∂p j<br />
) ] u s<br />
}<br />
/(u + s u s ).<br />
(2.35)<br />
∂Λ s 1<br />
= lim<br />
∂p j T →∞2T<br />
∂ lg K s<br />
∂p j<br />
= lim<br />
T →∞<br />
1 ∂K s<br />
. (2.36)<br />
2TK s ∂p j<br />
En combinant ces <strong>de</strong>ux <strong>de</strong>rnières équations :<br />
∂Λ s 1<br />
= lim<br />
∂p j T →∞2TK s u + u + s<br />
s u s<br />
{ ( ∂YT<br />
∂p j<br />
) +<br />
Y T + Y + T<br />
( ∂YT<br />
∂p j<br />
)}<br />
u s . (2.37)<br />
C<strong>et</strong>te formule exprime donc la dérivée <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport aux paramètres.<br />
235
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
2.2 Applications <strong>et</strong> calculs numériques<br />
2.2.1 Cas d’un oscillateur linéaire<br />
Nous choississons le système dynamique linéaire suivant :<br />
ẍ + aẋ + kx = 0 . (2.1)<br />
( ) { }<br />
x1 = x p1 = a<br />
Alors avec X = <strong>et</strong> P = , les équations du mouvement peuvent être<br />
x 2 = ẋ p 2 = k<br />
écrites sous la forme :<br />
{ }<br />
x<br />
Ẋ = F(X, P) with F(X, P) = 2<br />
. (2.2)<br />
−ax 2 − kx 1<br />
Nous voulons intégrer en temps l’équation différentielle du premier ordre dont l’inconnue est Y :<br />
Ẏ = ∂F [ ] 0 1<br />
∂X Y = Y, (2.3)<br />
−k −a<br />
avec les conditions initiales : Y (t 0 ) = I.<br />
Pour réaliser ceci analytiquement, nous cherchons l’exponentielle <strong>de</strong> la matrice ∂F<br />
∂X , à l’ai<strong>de</strong><br />
<strong>de</strong> ses vecteurs propres <strong>et</strong> valeurs propres. Deux cas apparaissent :<br />
– Si a 2 − 4k < 0 (amortissement faible <strong>et</strong> k > 0) .<br />
Les valeurs propres sont <strong>de</strong> la forme : λ 1,2 = − a 2 ± i 2√<br />
4k − a 2 .<br />
Donc si nous notons : α = − a 2 and β = 1 2√<br />
4k − a 2 , la matrice Y peut s’écrire :<br />
Y (t) = eαt<br />
β<br />
[ −α sin(βt) + β cos(βt) sin(βt)<br />
−(α 2 + β 2 )sin(βt) α sin(βt) + β cos(βt)<br />
]<br />
. (2.4)<br />
Donc suite à ce qui a été développé au-<strong>de</strong>ssus, nous cherchons les valeurs propres K s <strong>et</strong><br />
les vecteurs propres u s <strong>de</strong> la matrice V = (Y ) T Y .<br />
– Si a 2 − 4k > 0 (rai<strong>de</strong>ur k < 0) .<br />
Les valeurs propres sont <strong>de</strong> la forme : λ 1,2 = − a 2 ± 1 2√<br />
a 2 − 4k.<br />
Donc si nous notons : α = − a 2 and γ = 1 2√<br />
a 2 − 4k, la matrice Y peut être exprimée :<br />
Y (t) = eαt<br />
γ<br />
[ −α sinh(γt) + β cosh(γt) sinh(γt)<br />
(γ 2 − α 2 )sinh(γt) α sinh(γt) + γ cosh(γt)<br />
]<br />
. (2.5)<br />
Nous négligeons le cas a 2 − 4k = 0, qui est <strong>de</strong> mesure 0.<br />
Dans ce qui suit, pour décrire ceci avec un exemple, nous choississons <strong>de</strong> considérer le cas<br />
a 2 − 4k < 0. Par exemple, si a = 0.05, k = 1.0, la formule (2.34) peut être utilisé pour estimer<br />
236
2.2. Applications <strong>et</strong> calculs numériques<br />
0<br />
25 50<br />
t<br />
75<br />
100<br />
0.15<br />
−0.05<br />
0.1<br />
−0.1<br />
0.05<br />
−0.15<br />
−0.2<br />
0.0<br />
0<br />
25 50<br />
t<br />
75<br />
100<br />
(a) λ 1<br />
(b) λ 2<br />
Fig. 2.1 – Premier <strong>et</strong> <strong>de</strong>uxième exposant <strong>de</strong> Lyapunov du système linéaire <strong>de</strong> l’équation (2.1)<br />
avec a = 0.05 <strong>et</strong> k = 1.0, obtenus analytiquement, en cherchant les valeurs propres <strong>de</strong> la matrice<br />
(Y ) + Y , Y étant donné par l’équation (2.5).<br />
l’évolution au cours du temps <strong>de</strong>s exposants <strong>de</strong> Lyapunov : ils sont tous <strong>de</strong>ux égaux à − a 2 (Figure<br />
2.1), ce qui peut être vérifié analytiquement (en calculant les valeurs propres <strong>de</strong> la matrice ∂F<br />
∂X ).<br />
Dans ce cas où l’exposant <strong>de</strong> Lyapunov peut être exprimée analytiquement, sa variation par<br />
rapport aux paramètres peut également être donnée analytiquement. Donc, pour chaque temps t,<br />
nous calculons Y (t) (donnée par l’équation (2.5)), ses valeurs propres K s <strong>et</strong> ses vecteurs propres<br />
u s , qui sont tous <strong>de</strong>ux fonctions <strong>de</strong>s paramètres p j . La sensibilité au paramètre p j au temps t<br />
1 ∂K s<br />
est alors donnée par . Les valeurs numériques sont représentées sur les figures 2.2, 2.3<br />
2tK s ∂p j<br />
<strong>et</strong> 2.4. Il doit être noté que ces résultats analytiques sont <strong>de</strong> la forme attendue : la dérivée <strong>de</strong>s<br />
exposants <strong>de</strong> Lyapunov tend vers − a (<br />
2 = −0.025, qui est bien la dérivée <strong>de</strong> exp − a )<br />
. De plus,<br />
2<br />
<strong>de</strong> nombreuses remarques peuvent être faites :<br />
– A un temps t très faible, il existe une singularité dûe au fait que le temps apparait au<br />
dénominateur <strong>de</strong> l’expression donnant la variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport<br />
aux paramètres. Ainsi les valeurs numériques obtenues sont très importantes (Figure 2.2).<br />
– Les quantités ∂λ i<br />
∂p j<br />
ten<strong>de</strong>nt rapi<strong>de</strong>ment vers leur limite (Figure 2.3).<br />
– En réalité, ces quantités oscillent autour <strong>de</strong> leur limite (Figure 2.4).<br />
Dans ce cas qui est le plus simple possible, toutes les quantités recherchées peuvent être exprimées<br />
analytiquement. En toute généralité, dans les systèmes <strong>dynamiques</strong> réels, plus compliqués,<br />
ce n’est plus le cas. Il est alors nécessaire <strong>de</strong> réaliser <strong>de</strong>s calculs numériques. Nous appliquons<br />
alors directement les développements explicités ci-<strong>de</strong>ssus. En eff<strong>et</strong>, pour chaque temps t, nous<br />
intégrons l’équation (2.3) pour obtenir Y (t). Ensuite, nous cherchons ses valeurs <strong>et</strong> vecteurs<br />
237
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
0<br />
t<br />
2 4 6 8 10<br />
–5<br />
–10<br />
–15<br />
–20<br />
–25<br />
–30<br />
–35<br />
1400<br />
1200<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
0<br />
2 4 6 8 10<br />
(a)<br />
1 ∂K 1<br />
2T K 1 ∂a<br />
(b)<br />
t<br />
1 ∂K 1<br />
2T K 1 ∂k<br />
35<br />
0<br />
t<br />
2 4 6 8 10<br />
30<br />
–200<br />
25<br />
–400<br />
20<br />
–600<br />
15<br />
–800<br />
10<br />
–1000<br />
5<br />
–1200<br />
0<br />
2 4 6 8 10<br />
–1400<br />
(c)<br />
t<br />
1 ∂K 2<br />
2T K 2 ∂a<br />
(d)<br />
1 ∂K 2<br />
2T K 2 ∂k<br />
1 ∂K s<br />
Fig. 2.2 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport aux paramètres , en<br />
2T K s ∂p j<br />
fonction du temps (<strong>de</strong> 0s à 10s). Ces résultats sont obtenus <strong>de</strong> façon analytique.<br />
238
2.2. Applications <strong>et</strong> calculs numériques<br />
–0.5<br />
140<br />
–1<br />
120<br />
–1.5<br />
100<br />
–2<br />
80<br />
–2.5<br />
–3<br />
–3.5<br />
–4<br />
60<br />
40<br />
20<br />
0 20 40 60 80 100<br />
(a)<br />
t<br />
1 ∂K 1<br />
2T K 1 ∂a<br />
0<br />
20 40 60 80 100<br />
(b)<br />
t<br />
1 ∂K 1<br />
2T K 1 ∂k<br />
3<br />
0<br />
t<br />
20 40 60 80 100<br />
2.5<br />
–20<br />
2<br />
–40<br />
1.5<br />
–60<br />
1<br />
–80<br />
0.5<br />
–100<br />
0<br />
–0.5<br />
20 40 60 80 100<br />
t<br />
–120<br />
–140<br />
(c)<br />
1 ∂K 2<br />
2T K 2 ∂a<br />
(d)<br />
1 ∂K 2<br />
2T K 2 ∂k<br />
1 ∂K s<br />
Fig. 2.3 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport aux paramètres , en<br />
2T K s ∂p j<br />
fonction du temps (<strong>de</strong> 0s to 100s). Ces résultats sont obtenus <strong>de</strong> façon analytique.<br />
239
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
–0.505<br />
0.4<br />
–0.51<br />
0.3<br />
–0.515<br />
–0.52<br />
0.2<br />
–0.525<br />
0.1<br />
20 30 40 50 60 70 80 90 100<br />
(a)<br />
t<br />
1 ∂K 1<br />
2T K 1 ∂a<br />
20 30 40 50 60 70 80 90 100<br />
(b)<br />
t<br />
1 ∂K 1<br />
2T K 1 ∂k<br />
–0.475<br />
–0.1<br />
–0.48<br />
–0.2<br />
–0.485<br />
–0.49<br />
–0.3<br />
–0.495<br />
–0.4<br />
20 30 40 50 60 70 80 90 100<br />
(c)<br />
t<br />
1 ∂K 2<br />
2T K 2 ∂a<br />
20 30 40 50 60 70 80 90 100<br />
(d)<br />
t<br />
1 ∂K 2<br />
2T K 2 ∂k<br />
1 ∂K s<br />
Fig. 2.4 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov par rapport aux paramètres , en<br />
2T K s ∂p j<br />
fonction du temps (<strong>de</strong> 20s to 100s). Ces résultats sont obtenus <strong>de</strong> façon analytique.<br />
240
2.2. Applications <strong>et</strong> calculs numériques<br />
1<br />
propres, ce qui nous donne λ i = lim<br />
t→+∞2T log (K i) <strong>et</strong> ∂λ i 1 ∂K i<br />
= lim . Les exposants<br />
∂p j t→+∞2T K i ∂p j<br />
<strong>de</strong> Lyapunov λ i sont représentés Figure 2.5 (à comparer avec les résultats analytiques donnés<br />
avec la figure 2.1) : comme attendu, ces résultats convergent plus lentement que ceux obtenus<br />
analytiquement.<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
λ 1<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
λ 1<br />
−0.05<br />
0 20 40 60 80 100<br />
Temps<br />
−0.05<br />
0 200 400 600 800 1000<br />
Temps<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
λ 2<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
λ 2<br />
−0.05<br />
0 20 40 60 80 100<br />
Temps<br />
(a) λ 1 and λ 2 pour t <strong>de</strong> 0s à 100s<br />
−0.05<br />
0 200 400 600 800 1000<br />
Temps<br />
(b) λ 1 and λ 2 pour t <strong>de</strong> 0s à 1000s<br />
Fig. 2.5 – Exposants <strong>de</strong> Lyapunov du système linéaire <strong>de</strong> l’équation (2.1) avec a = 0.05 <strong>et</strong><br />
k = 1.0, obtenus numériquement.<br />
Mais la variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec les paramètres présentent la même forme<br />
au cours du temps, qu’ils soient calculés analytiquement ou numériquement(Figure 2.6, à comparer<br />
avec Figure 2.2). Dans les <strong>de</strong>ux cas, ces quantités oscillent autour <strong>de</strong> leur limite. Mais<br />
l’amplitu<strong>de</strong> <strong>de</strong>s oscillations est supérieure dans le cas <strong>de</strong>s calculs numériques. Mais les résultats<br />
obtenus avec ces calculs numériques divergent après un certain temps : ils sont alors faux. En<br />
eff<strong>et</strong>, la matrice qui doit être intégrée dans l’équation (2.1) est mal conditionnée.<br />
Ainsi dans ce cas linéaire, même si les exposants <strong>de</strong> Lyapunov oscillent pendant un certain<br />
temps avant <strong>de</strong> tendre vers leur limite en l’infini, ils ne dépen<strong>de</strong>nt pas beaucoup <strong>de</strong>s paramètres<br />
en temps p<strong>et</strong>it mais fini. Ainsi après un certain nombre d’intégrations numériques, ces calculs<br />
sont très rai<strong>de</strong>s, en particulier en ce qui concerne l’intégration <strong>de</strong> la matrice Y . Ceci est visible<br />
sur la figure 2.6 après le temps t ≈ 150s.<br />
1 ∂K s<br />
C’est pourquoi nous calculons les quantités (s = 1, 2, j = 1, 2) en orthonormalisant<br />
la divergence après chaque pas <strong>de</strong> temps, comme cela est réalisé naturellement quand on<br />
2T K s ∂p j<br />
calcule les exposants <strong>de</strong> Lyapunov avec la métho<strong>de</strong> classique (par exemple avec l’algorithme <strong>de</strong><br />
Wolf, [115]). Les résultats sont donnés par les figures 2.7 <strong>et</strong> 2.8 : la figure 2.7 représente les<br />
exposants <strong>de</strong> Lyapunov <strong>et</strong> la figure 2.8 leur variabilité avec les paramètres, chacune <strong>de</strong>s <strong>de</strong>ux<br />
quantités étant obtenues en normalisant la divergence après chaque pas d’intégration. Dans ce<br />
cas, avec c<strong>et</strong>te procédure numérique, les résultats numériques sont i<strong>de</strong>ntiques à ceux obtenus<br />
analytiquement.<br />
241
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
d λ 1<br />
/d p 1<br />
d λ 1<br />
/d p 2<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
0.3<br />
0.2<br />
0.1<br />
−0.1<br />
0 20 40 60 80 100<br />
Temps<br />
d λ 2<br />
/d p 1<br />
0<br />
0 20 40 60 80 100<br />
Temps<br />
(a)<br />
0 20 40 60 80 100<br />
Temps<br />
d λ 2<br />
/d p 2<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
0 20 40 60 80 100<br />
Temps<br />
1 ∂K i<br />
2T K i ∂a , for t from 0s to 100s. 1 ∂K i<br />
(b) , for t from 0s to 100s.<br />
2T K i ∂k<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
d λ 1<br />
/d p 1<br />
d λ 1<br />
/d p 2<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
0.3<br />
0.2<br />
0.1<br />
−0.1<br />
0 50 100 150 200<br />
Temps<br />
d λ 2<br />
/d p 1<br />
0<br />
0 50 100 150 200<br />
Temps<br />
(c)<br />
1 ∂K i<br />
2T K i ∂a , for t from 0s to 200s. 1 ∂K i<br />
(d) , for t from 0s to 200s.<br />
2T K i ∂k<br />
0 50 100 150 200<br />
Temps<br />
d λ 2<br />
/d p 2<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
0 50 100 150 200<br />
Temps<br />
Fig. 2.6 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec les paramètres<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
1<br />
2T K s<br />
∂K s<br />
∂p j<br />
.<br />
242
2.2. Applications <strong>et</strong> calculs numériques<br />
Du point <strong>de</strong> vue mathématique, ces calculs sont possibles grâce aux propriétés <strong>de</strong> la matrice<br />
Y :<br />
t 1 = h, λ 1 t 2 = h,λ 2<br />
1 2 3<br />
t 3 , λ 3<br />
Pour la dynamique a : y(t 1 ) = Y a (t a )y(t 0 ),<br />
Pour la dynamique b : y(t 2 ) = Y b (t b )y(t 1 ),<br />
Pour la dynamique (a + b) : y(t 2 ) = Y c (t c )y(t 0 ),<br />
Ainsi : Y c (t c ) = Y b (t b )Y a (t a ).<br />
Nous réalisons les calculs numériques avec un pas <strong>de</strong> temps constant, que nous notons h. Pour<br />
chaque pas <strong>de</strong> temps i, nous obtenons une matrice Y i (h). Ainsi :<br />
Y n (t n ) = Y n (nh) =<br />
n∏<br />
Y i (h), (2.6)<br />
∂f<br />
avec Y i (h) = Y i (t = h) solution <strong>de</strong> Ẏ (t) =<br />
∂X (X i−1, p, t i−1 ).Y (t), Y (t i−1 ) = I. Ensuite, nous<br />
cherchons les valeurs propres K s1 <strong>et</strong> K s2 <strong>de</strong> Y (t n ). Alors :<br />
i=1<br />
λ 1,2 = 1 2t log K s1,2,<br />
∂λ 1,2<br />
∂p j<br />
=<br />
1<br />
2tK s1,2<br />
∂K s1,2<br />
∂p j<br />
.<br />
Dans le cas général, il n’est pas possible <strong>de</strong> simplifier plus c<strong>et</strong>te procédure <strong>de</strong> calculs. En<br />
eff<strong>et</strong>, les valeurs propres d’un produit <strong>de</strong> matrices n’est pas égale au produit <strong>de</strong>s valeurs propres.<br />
(2.7)<br />
243
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
Dans ce cas linéaire, en normalisant la divergence à chaque pas <strong>de</strong> temps, les exposants <strong>de</strong><br />
Lyapunov calculés (Figure 2.7) sont similaires à ceux obtenus <strong>de</strong> manière analytique (Figure<br />
2.1) <strong>et</strong> ceux obtenus numériquement (Figure 2.5). Nous cherchons également la sensibilité <strong>de</strong>s<br />
exposants <strong>de</strong> Lyapunov aux paramètres, voir Figure 2.8.<br />
−0.01<br />
λ 1<br />
−0.02<br />
−0.03<br />
−0.04<br />
0 20 40 60 80 100<br />
Temps<br />
−0.01<br />
λ 2<br />
−0.02<br />
−0.03<br />
−0.04<br />
0 20 40 60 80 100<br />
Temps<br />
Fig. 2.7 – Exposants <strong>de</strong> Lyapunov du système linéaire <strong>de</strong> l’équation (2.1) avec a = 0.05 <strong>et</strong><br />
k = 1.0, obtenus numériquement <strong>et</strong> en normalisant la divergence.<br />
En réalité, les résultats ne sont pas meilleurs que ceux obtenus <strong>de</strong> façon analytique (amplitu<strong>de</strong><br />
<strong>de</strong> variation supérieure), mais ils ne divergent pas comme c’est le cas lorsque les calculs sont<br />
effectués numériquement sans normalisation <strong>de</strong> la divergence après chaque pas d’intégration.<br />
Finalement, il est intéressant <strong>de</strong> noter que dans ce cas linéaire, les calculs peuvent être<br />
simplifiés. En eff<strong>et</strong>, comme ∂F est constant, les valeurs propres du produit <strong>de</strong> matrices sont<br />
∂X<br />
égales au produit <strong>de</strong>s valeurs propres.<br />
244
2.2. Applications <strong>et</strong> calculs numériques<br />
d λ 1<br />
/d p 1<br />
d λ 1<br />
/d p 2<br />
0.5<br />
0.5<br />
0<br />
0<br />
0 20 40 60 80 100<br />
−0.5<br />
−0.5<br />
0 20 40 60 80 100<br />
d λ 2<br />
/d p 1<br />
d λ 2<br />
/d p 2<br />
Temps<br />
Temps<br />
0.5<br />
0.5<br />
0<br />
0<br />
−0.5<br />
0 20 40 60 80 100<br />
Temps<br />
−0.5<br />
0 20 40 60 80 100<br />
Temps<br />
1 ∂K s<br />
Fig. 2.8 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov en fonction <strong>de</strong>s paramètres , en<br />
2T K s ∂p j<br />
fonction du temps (<strong>de</strong> 0s à 100s). Ces résultats sont obtenus numériquement <strong>et</strong> en normalisant<br />
la divergence après chaque pas <strong>de</strong> temps.<br />
245
y<br />
y<br />
y<br />
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
2.2.2 Oscillateur <strong>de</strong> type Duffing<br />
Dans ce cas, on ne peut pas réaliser <strong>de</strong> calculs analytiques, tous les calculs sont donc réalisés<br />
numériquement. Nous choississons le système dynamique suivant :<br />
ẍ = −x − p 2 ẋ − x 3 + p 1 cos(p 3 t),<br />
avec les paramètres p 1 = 0.30, p 2 = 0.05, p 3 = 1.0.<br />
Pour le système dynamique <strong>de</strong> l’équation (2.8) avec ces valeurs numavec un cercle limite.<br />
(2.8)<br />
1.5<br />
1.5<br />
1.5<br />
1<br />
1<br />
1<br />
0.5<br />
0.5<br />
0.5<br />
0<br />
0<br />
0<br />
−0.5<br />
−0.5<br />
−0.5<br />
−1<br />
−1<br />
−1<br />
−1.5<br />
−1.5 −1 −0.5 0 0.5 1 1.5<br />
x<br />
−1.5<br />
−1.5 −1 −0.5 0 0.5 1 1.5<br />
x<br />
−1.5<br />
−1.5 −1 −0.5 0 0.5 1 1.5<br />
x<br />
(a) Pour le temps <strong>de</strong> 0s à 50s<br />
(b) Pour le temps <strong>de</strong> 0s à 100s<br />
(c) Pour le temps <strong>de</strong> 0s à 1000s<br />
Fig. 2.9 – Plan <strong>de</strong> phase <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation (2.8).<br />
Nous calculons numériquement les exposants <strong>de</strong> Lyapunov <strong>et</strong> leur sensibilité aux paramètres<br />
en appliquant directement les formules ci-<strong>de</strong>ssus (voir Figures 2.10 <strong>et</strong> 2.12 pour le temps variant<br />
<strong>de</strong> 0s à 20s <strong>et</strong> figures 2.11 <strong>et</strong> 2.13 pour le temps variant <strong>de</strong> 0s à 100s).<br />
Les mêmes remarques que précé<strong>de</strong>mment peuvent être faites : premièrement, pour <strong>de</strong>s temps<br />
très faibles, les résultats prennent <strong>de</strong>s valeurs numériques très importantes car le temps t est<br />
1 ∂K i<br />
présent au dénominateur <strong>de</strong> l’expression analytique <strong>de</strong> . De plus, après un certain<br />
2T K i ∂p j<br />
1 ∂K i<br />
temps les valeurs <strong>de</strong> divergent.<br />
2T K i ∂p j<br />
Les exposants <strong>de</strong> Lyapunov du système dynamique pour t variant entre 0s <strong>et</strong> 20s <strong>et</strong> entre 0s<br />
<strong>et</strong> 100s sont représentés sur les figures 2.10 <strong>et</strong> 2.11. Au temps 100s, les résultats n’ont pas encore<br />
complètement convergé. Mais c’est suffisant pour avoir <strong>de</strong>s indices sur la stabilité du système.<br />
De plus, il est intéressant <strong>de</strong> noter que ces calculs sont plus simples <strong>et</strong> plus rapi<strong>de</strong>s que ceux<br />
induits par l’algorithme <strong>de</strong> Wolf [115].<br />
La sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov aux paramètres est représentée Figures 2.12 <strong>et</strong><br />
2.13. Pendant un temps long, leur valeur numérique oscille faiblement autour <strong>de</strong> leur moyenne,<br />
avant <strong>de</strong> diverger vers t ≈ 60s.<br />
1 ∂K s<br />
Nous calculons les mêmes quantités numériques , en cherchant une matrice K i à<br />
2T K s ∂p j<br />
chaque pas <strong>de</strong> temps <strong>et</strong> en calculant les vecteurs <strong>et</strong> valeurs propres <strong>de</strong> la matrice résultante K.<br />
Nous observons (Figures 2.14 <strong>et</strong> 2.15) que les exposants <strong>de</strong> Lyapunov calculés ainsi convergent<br />
plus facilement, mais leur sensibilité aux paramètres diverge après un certain temps (en fait,<br />
après avoir atteint une valeur presque constante).<br />
246
2.2. Applications <strong>et</strong> calculs numériques<br />
−0.12<br />
λ 1<br />
0<br />
λ 2<br />
−0.14<br />
−0.02<br />
−0.16<br />
−0.04<br />
−0.18<br />
−0.06<br />
−0.2<br />
−0.08<br />
−0.22<br />
−0.1<br />
−0.24<br />
−0.12<br />
−0.26<br />
0 5 10 15 20<br />
Temps<br />
−0.14<br />
0 5 10 15 20<br />
Temps<br />
(b) λ 2<br />
Fig. 2.10 – Premier <strong>et</strong> <strong>de</strong>uxième exposants <strong>de</strong> Lyapunov <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing <strong>de</strong><br />
l’équation (2.8) avec p 1 = 0.30, p 2 = 0.05 <strong>et</strong> p 3 = 1.0, obtenus en appliquant directement les<br />
formules ci-<strong>de</strong>ssus.<br />
−0.12<br />
λ 1<br />
0<br />
λ 2<br />
−0.14<br />
−0.02<br />
−0.16<br />
−0.04<br />
−0.18<br />
−0.06<br />
−0.2<br />
−0.08<br />
−0.22<br />
−0.1<br />
−0.24<br />
−0.12<br />
−0.26<br />
0 20 40 60 80 100<br />
Temps<br />
−0.14<br />
0 20 40 60 80 100<br />
Temps<br />
(a) λ 1<br />
(b) λ 2<br />
Fig. 2.11 – Premier <strong>et</strong> <strong>de</strong>uxième exposants <strong>de</strong> Lyapunov <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing <strong>de</strong><br />
l’équation (2.8) avec p 1 = 0.30, p 2 = 0.05 <strong>et</strong> p 3 = 1.0, obtenus en appliquant directement les<br />
formules ci-<strong>de</strong>ssus.<br />
247
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
6<br />
d λ 1<br />
/d p 1<br />
6<br />
d λ 2<br />
/d p 1<br />
6<br />
d λ 1<br />
/d p 2<br />
5<br />
5<br />
5<br />
4<br />
4<br />
4<br />
3<br />
3<br />
3<br />
2<br />
2<br />
2<br />
1<br />
1<br />
1<br />
0<br />
0<br />
0<br />
−1<br />
0 5 10 15 20<br />
Temps<br />
(a)<br />
1<br />
2T K 1<br />
∂K 1<br />
−1<br />
∂p 1<br />
1 ∂K 2<br />
1 ∂K 1<br />
(b)<br />
(c)<br />
2T K 2 ∂p 1 2T K 1 ∂p 2<br />
0 5 10 15 20<br />
0 5 10 15 20<br />
Temps<br />
Temps<br />
−1<br />
6<br />
d λ 2<br />
/d p 2<br />
6<br />
d λ 1<br />
/d p 3<br />
6<br />
d λ 2<br />
/d p 3<br />
5<br />
5<br />
5<br />
4<br />
4<br />
4<br />
3<br />
3<br />
3<br />
2<br />
2<br />
2<br />
1<br />
1<br />
1<br />
0<br />
0<br />
0<br />
−1<br />
0 5 10 15 20<br />
Temps<br />
(d)<br />
1<br />
2T K 2<br />
∂K 2<br />
−1<br />
∂p 2<br />
1 ∂K 1<br />
1 ∂K 2<br />
(e)<br />
(f)<br />
2T K 1 ∂p 3 2T K 1 ∂p 3<br />
0 5 10 15 20<br />
0 5 10 15 20<br />
Temps<br />
Temps<br />
−1<br />
Fig. 2.12 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov aux paramètres<br />
variant <strong>de</strong> 0s à 20s.<br />
1<br />
2T K s<br />
∂K s<br />
∂p j<br />
, avec le temps<br />
248
2.2. Applications <strong>et</strong> calculs numériques<br />
2000<br />
d λ 1<br />
/d p 1<br />
600<br />
d λ 2<br />
/d p 1<br />
2000<br />
d λ 1<br />
/d p 2<br />
1500<br />
1000<br />
400<br />
1500<br />
1000<br />
500<br />
200<br />
500<br />
0<br />
−500<br />
0<br />
0<br />
−500<br />
−1000<br />
−200<br />
−1000<br />
−1500<br />
−2000<br />
−400<br />
−1500<br />
−2000<br />
−2500<br />
0 20 40 60 80 100<br />
Temps<br />
(a)<br />
1<br />
2T K 1<br />
∂K 1<br />
−600<br />
0 20 40 60 80 100<br />
0 20 40 60 80 100<br />
Temps<br />
Temps<br />
1 ∂K 2<br />
1 ∂K 1<br />
(b)<br />
(c)<br />
∂p 1 2T K 2 ∂p 1 2T K 1 ∂p 2<br />
−2500<br />
600<br />
d λ 2<br />
/d p 2<br />
2000<br />
d λ 1<br />
/d p 3<br />
800<br />
d λ 2<br />
/d p 3<br />
400<br />
200<br />
0<br />
−200<br />
−400<br />
1500<br />
1000<br />
500<br />
0<br />
−500<br />
−1000<br />
−1500<br />
−2000<br />
600<br />
400<br />
200<br />
0<br />
−200<br />
−400<br />
−600<br />
0 20 40 60 80 100<br />
Temps<br />
(d)<br />
1<br />
2T K 2<br />
∂K 2<br />
−2500<br />
0 20 40 60 80 100<br />
0 20 40 60 80 100<br />
Temps<br />
Temps<br />
1 ∂K 1<br />
1 ∂K 2<br />
(e)<br />
(f)<br />
∂p 2 2T K 1 ∂p 3 2T K 1 ∂p 3<br />
−600<br />
Fig. 2.13 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov aux paramètres<br />
variant <strong>de</strong> 0s à 100s.<br />
1<br />
2T K s<br />
∂K s<br />
∂p j<br />
, avec le temps<br />
249
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
−0.1<br />
λ 1<br />
−0.15<br />
−0.2<br />
−0.25<br />
−0.3<br />
0 20 40 60 80 100 120<br />
Temps<br />
0.05<br />
λ 2<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
0 20 40 60 80 100 120<br />
Temps<br />
Fig. 2.14 – Exposants <strong>de</strong> Lyapunov <strong>de</strong> l’oscillateur <strong>de</strong> Duffing étudié, en cherchant la matrice<br />
<strong>de</strong> divergence à chaque pas <strong>de</strong> temps, pour le temps variant <strong>de</strong> 0s à 100s. Il est à remarquer<br />
que ces résultats convergent plus facilement que ceux obtenus sans orthonormalisation (Figure<br />
2.11).<br />
Pour évaluer l’efficacité <strong>de</strong> c<strong>et</strong>te métho<strong>de</strong>, nous calculons également les exposants <strong>de</strong> Lyapunov<br />
pour différentes valeurs numériques <strong>de</strong>s paramètres p 1 <strong>et</strong> p 2 , en utilisant l’algorithme<br />
classique <strong>de</strong> Wolf. Les résultats sont donnés Figures 2.16 <strong>et</strong> 2.17.<br />
Nous observons donc que les résultats trouvés avec Wolf <strong>et</strong> ceux calculés avec la métho<strong>de</strong><br />
explicitée dans ce chapitre concor<strong>de</strong>nt. Mais, dans le cas où l’algorithme <strong>de</strong> Wolf est utilisé,<br />
les calculs sont beaucoup plus longs. En eff<strong>et</strong>, pour chaque valeur <strong>de</strong>s paramètres p 1 <strong>et</strong> p 2 , les<br />
calculs (évolution, réorthonormalisation <strong>de</strong> la divergence) doivent être réalisés jusqu’à un temps<br />
suffisamment long pour que les résultats aient convergé.<br />
Dans ce cas d’oscillateur <strong>de</strong> type Duffing avec ces valeurs numériques <strong>de</strong> paramètres, les<br />
calculs sont suffisamment continus. C’est le cas ici car le système n’est pas chaotique. En eff<strong>et</strong>,<br />
si le système est chaotique, les calculs sont rai<strong>de</strong>s <strong>et</strong> les résultats numériques ne sont pas très<br />
fiables. Des illustrations <strong>de</strong> ceci peuvent être vues dans la <strong>de</strong>rnière section <strong>de</strong> ce chapitre traitant<br />
<strong>de</strong> l’attracteur <strong>de</strong> Rossler (page 258).<br />
250
2.2. Applications <strong>et</strong> calculs numériques<br />
2000<br />
1000<br />
0<br />
−1000<br />
d λ 1<br />
/d p 1<br />
2000<br />
1000<br />
0<br />
−1000<br />
d λ 1<br />
/d p 2<br />
−2000<br />
0 20 40 60 80 100 120<br />
Temps<br />
d λ 2<br />
/d p 1<br />
1000<br />
500<br />
0<br />
−500<br />
0 20 40 60 80 100 120<br />
Temps<br />
(a)<br />
−2000<br />
1 ∂K i<br />
1 ∂K i<br />
(b)<br />
2T K i ∂p 1 2T K i<br />
0 20 40 60 80 100 120<br />
Temps<br />
d λ 2<br />
/d p 2<br />
1000<br />
500<br />
0<br />
−500<br />
0 20 40 60 80 100 120<br />
Temps<br />
∂p 2<br />
2000<br />
d λ 1<br />
/d p 3<br />
1000<br />
0<br />
−1000<br />
−2000<br />
0 20 40 60 80 100 120<br />
Temps<br />
1000<br />
d λ 2<br />
/d p 3<br />
500<br />
0<br />
−500<br />
0 20 40 60 80 100 120<br />
Temps<br />
(c)<br />
1<br />
2T K i<br />
∂K i<br />
∂p 3<br />
1 ∂K s<br />
Fig. 2.15 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov aux paramètres , en calculant la<br />
2T K s ∂p j<br />
matrice <strong>de</strong> divergence pour chaque pas <strong>de</strong> temps, avec le temps variant <strong>de</strong> 0s à 100s.<br />
251
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
−0.0345<br />
0.08<br />
−0.035<br />
λ 1<br />
λ 2<br />
0.06<br />
0.04<br />
λ 1<br />
λ 2<br />
−0.0355<br />
0.02<br />
0<br />
λ<br />
−0.036<br />
−0.0365<br />
−0.037<br />
λ<br />
−0.02<br />
−0.04<br />
−0.06<br />
−0.08<br />
−0.1<br />
−0.0375<br />
0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
p 1<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35<br />
p 2<br />
(a) λ pour différentes valeurs <strong>de</strong> p 1 (b) λ pour différentes valeurs <strong>de</strong> p 2<br />
−0.12<br />
Fig. 2.16 – Premier <strong>et</strong> <strong>de</strong>uxième exposant <strong>de</strong> Lyapunov <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing <strong>de</strong> l’équation<br />
(2.8) pour différentes valeurs numériques <strong>de</strong>s paramètres p 1 <strong>et</strong> p 2 , en utilisant l’algorithme<br />
<strong>de</strong> Wolf.<br />
0.03<br />
25<br />
0.02<br />
λ 1<br />
λ 2<br />
20<br />
15<br />
λ 1<br />
λ 2<br />
0.01<br />
10<br />
5<br />
d λ/d p1<br />
0<br />
d λ/d p2<br />
0<br />
−5<br />
−0.01<br />
−10<br />
−0.02<br />
−15<br />
−20<br />
−0.03<br />
0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
p 1<br />
−25<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35<br />
p 2<br />
(a) ∂λ<br />
(b) ∂λ<br />
∂p 1 ∂p 2<br />
Fig. 2.17 – Variation <strong>de</strong>s premier <strong>et</strong> <strong>de</strong>uxième exposants <strong>de</strong> Lyapunov du système (2.8) avec p 1<br />
<strong>et</strong> p 2 , calculés avec l’algorithme <strong>de</strong> Wolf.<br />
252
2.2. Applications <strong>et</strong> calculs numériques<br />
2.2.3 Système pseudo-périodique<br />
Ici nous étudions le système dynamique pseudo-périodique suivant :<br />
ẍ + p 2 ẋ + x + 0.01x 3 = p 1 cos(p 3 t) + p 4 cos(p 5 t) , (2.9)<br />
avec p 1 = 0.3 , p 2 = 0.05 , p 3 = 1.0 , p 4 = 1.5 , p 5 = 0.115 .<br />
Les <strong>de</strong>ux exposants <strong>de</strong> Lyapunov sont négatifs, ainsi le système est pseudo-périodique, ce qui<br />
est visible Figure 2.18.<br />
4<br />
−<br />
4<br />
−<br />
3<br />
3<br />
2<br />
2<br />
1<br />
1<br />
y<br />
0<br />
y<br />
0<br />
−1<br />
−1<br />
−2<br />
−2<br />
−3<br />
−3<br />
−4<br />
−5 0 5<br />
x<br />
(a) t = 0 − 200s<br />
−4<br />
−5 0 5<br />
x<br />
(b) t = 0 − 2000s<br />
Fig. 2.18 – Cycle limite du système <strong>de</strong> l’équation (2.10), avec p 1 = 0.3, p 2 = 0.05, p 3 = 1.0, p 4 =<br />
1.5 , p 5 = 0.115 <strong>et</strong> les conditions initiales x(0) = ẋ(0) = 0.<br />
Lorsque nous appliquons la théorie explicitée ci-<strong>de</strong>ssus (Figures 2.19 <strong>et</strong> 2.20), un certain<br />
nombre <strong>de</strong> remarques peuvent être faites : tout d’abord les calculs divergent après un certain<br />
temps, ce qui avait déjà été observé dans le cas linéaire (Figures 2.2.3, 2.2.3 <strong>et</strong> 2.2.3). De plus,<br />
les paramètres p 3 <strong>et</strong> p 5 semblent avoir le même eff<strong>et</strong> sur le système, mais cela ne pourrait être<br />
qu’une conséquence du système dynamique choisi.<br />
Maintenant, nous essayons <strong>de</strong> calculer ces mêmes quantités en cherchant la matrice <strong>de</strong> divergence<br />
à chaque pas <strong>de</strong> temps comme cela a déjà été expliqué. Dans ce cas, les résultats ne<br />
divergent pas en temps long (Figure 2.21 en ce qui concerne les exposants <strong>de</strong> Lyapunov <strong>et</strong> Figure<br />
2.22 pour leur variation par rapport aux paramètres).<br />
253
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
6<br />
d λ 1<br />
/d p 1<br />
6<br />
d λ 2<br />
/d p 1<br />
10<br />
d λ 1<br />
/d p 2<br />
5<br />
5<br />
5<br />
4<br />
4<br />
0<br />
3<br />
3<br />
−5<br />
2<br />
2<br />
−10<br />
1<br />
1<br />
−15<br />
0<br />
0<br />
−20<br />
−1<br />
0 50 100 150 200<br />
Temps<br />
(a)<br />
1<br />
2T K 1<br />
∂K 1<br />
−1<br />
∂p 1<br />
1 ∂K 2<br />
1 ∂K 1<br />
(b)<br />
(c)<br />
2T K 2 ∂p 1 2T K 1 ∂p 2<br />
0 50 100 150 200<br />
0 5 10 15 20 25 30<br />
Temps<br />
Temps<br />
−25<br />
6<br />
d λ 2<br />
/d p 2<br />
6<br />
d λ 1<br />
/d p 3<br />
6<br />
d λ 2<br />
/d p 3<br />
5<br />
5<br />
5<br />
4<br />
4<br />
4<br />
3<br />
3<br />
3<br />
2<br />
2<br />
2<br />
1<br />
1<br />
1<br />
0<br />
0<br />
0<br />
−1<br />
0 5 10 15 20 25 30<br />
Temps<br />
(d)<br />
1<br />
2T K 2<br />
∂K 2<br />
−1<br />
∂p 2<br />
1 ∂K 1<br />
1 ∂K 2<br />
(e)<br />
(f)<br />
2T K 1 ∂p 3 2T K 2 ∂p 3<br />
0 5 10 15 20 25 30<br />
0 5 10 15 20 25 30<br />
Temps<br />
Temps<br />
−1<br />
6<br />
d λ 1<br />
/d p 4<br />
6<br />
d λ 2<br />
/d p 4<br />
6<br />
d λ 1<br />
/d p 5<br />
5<br />
5<br />
5<br />
4<br />
4<br />
4<br />
3<br />
3<br />
3<br />
2<br />
2<br />
2<br />
1<br />
1<br />
1<br />
0<br />
0<br />
0<br />
−1<br />
0 5 10 15 20 25 30<br />
Temps<br />
(g)<br />
1<br />
2T K 1<br />
∂K 1<br />
−1<br />
∂p 4<br />
1 ∂K 2<br />
1 ∂K 1<br />
(h)<br />
(i)<br />
2T K 2 ∂p 4 2T K 1 ∂p 5<br />
0 5 10 15 20 25 30<br />
0 5 10 15 20 25 30<br />
Temps<br />
Temps<br />
−1<br />
6<br />
d λ 2<br />
/d p 5<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
−1<br />
0 5 10 15 20 25 30<br />
Temps<br />
(j)<br />
1<br />
2T K 2<br />
∂K 2<br />
∂p 5<br />
Fig. 2.19 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov du système pseudo-périodique <strong>de</strong> l’équation<br />
(2.10) avec les paramètres p 1 = 0.3 , p 2 = 0.05 , p 3 = 1.0 , p 4 = 1.5 , p 5 = 0.115.<br />
254
2.2. Applications <strong>et</strong> calculs numériques<br />
500<br />
d λ 1<br />
/d p 1<br />
150<br />
d λ 2<br />
/d p 1<br />
1<br />
Conditionning of the matrix Y, case 1<br />
400<br />
100<br />
0.9<br />
300<br />
200<br />
50<br />
0.8<br />
100<br />
0<br />
0.7<br />
0<br />
0.6<br />
−100<br />
−50<br />
0.5<br />
−200<br />
−300<br />
−100<br />
0.4<br />
−400<br />
−150<br />
0.3<br />
−500<br />
0 100 200 300 400 500<br />
Temps<br />
(a)<br />
1<br />
2T K 1<br />
∂K 1<br />
−200<br />
0 100 200 300 400 500<br />
0 20 40 60 80 100<br />
Temps<br />
Temps<br />
1 ∂K 2<br />
(b)<br />
(c) Conditionnement <strong>de</strong> la matrice<br />
∂p 1 2T K 2 ∂p 1<br />
Y<br />
0.2<br />
6<br />
d λ 1<br />
/d p 3<br />
6<br />
d λ 2<br />
/d p 3<br />
1<br />
Conditionning of the matrix Y, case 3<br />
5<br />
5<br />
0.9<br />
0.8<br />
4<br />
4<br />
0.7<br />
3<br />
3<br />
0.6<br />
0.5<br />
2<br />
2<br />
0.4<br />
1<br />
1<br />
0.3<br />
0.2<br />
0<br />
0<br />
0.1<br />
−1<br />
0 5 10 15 20 25 30<br />
Temps<br />
(d)<br />
1<br />
2T K 1<br />
∂K 1<br />
−1<br />
∂p 3<br />
1 ∂K 2<br />
(e)<br />
(f) Conditionnement <strong>de</strong> la matrice<br />
2T K 2 ∂p 3<br />
Y<br />
0 5 10 15 20 25 30<br />
0 100 200 300 400 500<br />
Temps<br />
Temps<br />
0<br />
6<br />
d λ 1<br />
/d p 5<br />
6<br />
d λ 2<br />
/d p 5<br />
1<br />
Conditionning of the matrix Y, case 5<br />
5<br />
5<br />
0.9<br />
0.8<br />
4<br />
4<br />
0.7<br />
3<br />
3<br />
0.6<br />
0.5<br />
2<br />
2<br />
0.4<br />
1<br />
1<br />
0.3<br />
0.2<br />
0<br />
0<br />
0.1<br />
−1<br />
0 5 10 15 20 25 30<br />
Temps<br />
(g)<br />
1<br />
2T K 1<br />
∂K 1<br />
−1<br />
∂p 5<br />
1 ∂K 2<br />
(h)<br />
(i) Conditionnement <strong>de</strong> la matrice<br />
2T K 2 ∂p 5<br />
Y<br />
0 5 10 15 20 25 30<br />
0 100 200 300 400 500<br />
Temps<br />
Temps<br />
0<br />
Fig. 2.20 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov du système pseudo-périodique <strong>de</strong> l’équation<br />
(2.10) avec les paramètres p 1 = 0.3 , p 2 = 0.05 , p 3 = 1.0 , p 4 = 1.5 , p 5 = 0.115.<br />
255
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
−0.02<br />
λ 1<br />
−0.03<br />
−0.04<br />
−0.05<br />
−0.06<br />
0 100 200 300 400 500 600<br />
Temps<br />
0.01<br />
λ 2<br />
0<br />
−0.01<br />
−0.02<br />
−0.03<br />
0 100 200 300 400 500 600<br />
Temps<br />
Fig. 2.21 – Exposants <strong>de</strong> Lyapunov obtenus en calculant Y à chaque pas <strong>de</strong> temps pour le<br />
système pseudo-périodique <strong>de</strong> l’équation (2.10) avec les paramètres p 1 = 0.3 , p 2 = 0.05 , p 3 =<br />
1.0 , p 4 = 1.5 , p 5 = 0.115.<br />
256
2.2. Applications <strong>et</strong> calculs numériques<br />
500<br />
d λ 1<br />
/d p 1<br />
500<br />
d λ 1<br />
/d p 3<br />
0<br />
0<br />
−500<br />
−500<br />
−1000<br />
0 100 200 300 400 500 600<br />
Temps<br />
d λ 2<br />
/d p 1<br />
200<br />
0<br />
−200<br />
−400<br />
−600<br />
0 100 200 300 400 500 600<br />
Temps<br />
(a)<br />
−1000<br />
1 ∂K i<br />
1 ∂K i<br />
(b)<br />
2T K i ∂p 1 2T K i<br />
0 100 200 300 400 500 600<br />
Temps<br />
d λ 2<br />
/d p 3<br />
200<br />
0<br />
−200<br />
−400<br />
−600<br />
0 100 200 300 400 500 600<br />
Temps<br />
∂p 3<br />
500<br />
d λ 1<br />
/d p 5<br />
0<br />
−500<br />
−1000<br />
0 100 200 300 400 500 600<br />
Temps<br />
200<br />
d λ 2<br />
/d p 5<br />
0<br />
−200<br />
−400<br />
−600<br />
0 100 200 300 400 500 600<br />
Temps<br />
(c)<br />
1<br />
2T K i<br />
∂K i<br />
∂p 5<br />
Fig. 2.22 – Variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov du système pseudo-périodique <strong>de</strong> l’équation<br />
(2.10) en calculant Y à chaque pas <strong>de</strong> temps, avec les paramètres p 1 = 0.3 , p 2 = 0.05 , p 3 =<br />
1.0 , p 4 = 1.5 , p 5 = 0.115.<br />
257
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
2.2.4 Attracteur <strong>de</strong> Rossler<br />
Dans c<strong>et</strong>te section, nous étudions le système dynamique suivant :<br />
⎧<br />
⎨<br />
⎩<br />
ẋ = −y − z,<br />
ẏ = x + p 1 y,<br />
ż = p 2 + z(x − p 3 ).<br />
(2.10)<br />
Nous choisissons les valeurs numériques <strong>de</strong>s paramètres <strong>de</strong> telle façon que le système résultant<br />
soit chaotique :<br />
{<br />
p1 = 0.10, p 2 = 0.10, , p 3 = 12.6,<br />
x(0) = 0.0, y(0) = 0.0, z(0) = 0.0 .<br />
(2.11)<br />
Dans ce cas, les oscillations <strong>de</strong>s trois <strong>de</strong>grés <strong>de</strong> liberté (Figure 2.23) sont chaotiques. Pour prouver<br />
cela, nous cherchons son attracteur étrange dont la forme est bien connue, Figure 2.24.<br />
25<br />
x<br />
20<br />
y<br />
35<br />
z<br />
20<br />
15<br />
30<br />
15<br />
10<br />
5<br />
0<br />
−5<br />
−10<br />
10<br />
5<br />
0<br />
−5<br />
−10<br />
25<br />
20<br />
15<br />
10<br />
−15<br />
−15<br />
5<br />
−20<br />
0 500 1000 1500 2000<br />
Time<br />
(a) x<br />
−20<br />
0 500 1000 1500 2000<br />
Time<br />
(b) y<br />
0<br />
0 500 1000 1500 2000<br />
Time<br />
(c) z<br />
Fig. 2.23 – Oscillations <strong>de</strong>s trois <strong>de</strong>grés <strong>de</strong> liberté x, y and z au cours du temps.<br />
Les exposants <strong>de</strong> Lyapunov peuvent être calculés (Figure 2.25), ainsi que leur variabilité<br />
avec le paramètre p 1 (Figure 2.26). Dans ce cas, le premier exposant λ 1 est très important <strong>et</strong> a<br />
beaucoup d’impact sur le système (c’est le cas en fonction <strong>de</strong> chacun <strong>de</strong>s trois paramètres).<br />
Nous ne représentons ici que les variations <strong>de</strong>s trois exposants avec le paramètre p 2 . Nous<br />
observons qu’il existe <strong>de</strong>s irrégularités dans le calcul. En particulier, ∂λ 2<br />
<strong>et</strong> ∂λ 3<br />
pourraient être<br />
∂p 2 ∂p 2<br />
fausses à partir <strong>de</strong> t ≈ 5s (matrices à intégrer mal conditionnées).<br />
Si nous choisissons les paramètres p 1 = 0.2, p 2 = 0.2 <strong>et</strong> p 3 = 5.7, le comportement du système<br />
est différent, Figure 2.27.<br />
Si nous utilisons l’algorithme <strong>de</strong> Wolf, les exposants <strong>de</strong> Lyapunov peuvent être calculés pour<br />
différentes valeurs numériques <strong>de</strong>s paramètres (Figure 2.28). Alors les quantités ∂λ s<br />
∂p j<br />
peuvent<br />
également être calculées (Figure 2.29). Dans ce cas chaotique, nous observons les inconvénients<br />
<strong>de</strong> c<strong>et</strong>te métho<strong>de</strong> <strong>de</strong> calcul : lorsque les matrices sont mal conditionnées, les calculs ne sont pas<br />
précis <strong>et</strong> les résultats peuvent être faux.<br />
258
2.2. Applications <strong>et</strong> calculs numériques<br />
40<br />
40<br />
30<br />
30<br />
z<br />
20<br />
z<br />
20<br />
10<br />
10<br />
0<br />
20<br />
10<br />
0<br />
y<br />
−10<br />
−20<br />
−20<br />
−10<br />
0<br />
x<br />
10<br />
20<br />
30<br />
0<br />
20<br />
10<br />
0<br />
y<br />
−10<br />
−20<br />
−20<br />
−10<br />
0<br />
x<br />
10<br />
20<br />
30<br />
(a) x(0) = 0.0, y(0) = 0.0, z(0) = 0.0<br />
(b) x(0) = 0.1, y(0) = 0.1, z(0) = 0.1<br />
Fig. 2.24 – Attracteur du système <strong>de</strong> Rossler <strong>de</strong> l’équation (2.10) avec p 1 = 0.1, p 2 = 0.1,<br />
p 3 = 12.6 <strong>et</strong> différentes conditions initiales.<br />
−1<br />
λ 1<br />
0.1<br />
λ 2<br />
0.22<br />
λ 3<br />
−2<br />
0.09<br />
0.2<br />
−3<br />
0.08<br />
0.18<br />
0.07<br />
−4<br />
0.16<br />
0.06<br />
−5<br />
0.05<br />
0.14<br />
−6<br />
0.04<br />
0.12<br />
−7<br />
0.03<br />
0.1<br />
−8<br />
0 2 4 6 8 10<br />
Temps<br />
0.02<br />
0 2 4 6 8 10<br />
0 2 4 6 8 10<br />
Temps<br />
Temps<br />
0.08<br />
(c) λ 3<br />
Fig. 2.25 – Exposants <strong>de</strong> Lyapunov du système <strong>de</strong> Rossler <strong>de</strong> l’équation (2.10) avec p 1 = 0.1,<br />
p 2 = 0.1, p 3 = 12.6, calculés avec la métho<strong>de</strong> explicitée dans ce chapitre.<br />
d λ 1<br />
/d p 2<br />
80<br />
d λ 2<br />
/d p 2<br />
120<br />
d λ 3<br />
/d p 2<br />
0<br />
60<br />
100<br />
−0.5<br />
40<br />
80<br />
60<br />
−1<br />
20<br />
40<br />
−1.5<br />
20<br />
−2<br />
0<br />
0<br />
0.5 x 108 Temps<br />
−2.5<br />
−20<br />
−20<br />
−40<br />
−3<br />
−40<br />
−60<br />
−3.5<br />
0 2 4 6 8 10<br />
−60<br />
(a) ∂λ1<br />
∂p 2<br />
(b) ∂λ2<br />
∂p 2<br />
(c) ∂λ3<br />
∂p 2<br />
0 2 4 6 8 10<br />
0 2 4 6 8 10<br />
Temps<br />
Temps<br />
−80<br />
Fig. 2.26 – Variations ∂λ s<br />
∂p 2<br />
<strong>de</strong>s exposants <strong>de</strong> Lyapunov du système <strong>de</strong> Rossler <strong>de</strong> l’équation<br />
(2.10) avec p 1 = 0.1, p 2 = 0.1, p 3 = 12.6, calculés avec la métho<strong>de</strong> explicitée dans ce chapitre.<br />
259
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
z<br />
25<br />
20<br />
15<br />
10<br />
5<br />
z<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
10<br />
0<br />
y<br />
−10<br />
−20<br />
−10<br />
−5<br />
0<br />
x<br />
5<br />
10<br />
15<br />
0<br />
10<br />
0<br />
y<br />
−10<br />
−20<br />
−10<br />
−5<br />
0<br />
x<br />
5<br />
10<br />
15<br />
(a) x(0) = 0.0, y(0) = 0.0, z(0) = 0.0<br />
(b) x(0) = 0.1, y(0) = 0.1, z(0) = 0.1<br />
Fig. 2.27 – Attracteur du système <strong>de</strong> Rossler <strong>de</strong> l’équation (2.10) avec p 1 = 0.1, p 2 = 0.1,<br />
p 3 = 12.6 <strong>et</strong> différentes conditions initiales.<br />
2.3 Conclusion<br />
Ce chapitre a fait l’obj<strong>et</strong> d’un article car il explicite une métho<strong>de</strong> innovative pour calculer la<br />
valeur numérique <strong>de</strong>s exposants <strong>de</strong> Lyapunov. C<strong>et</strong>te métho<strong>de</strong> semble adaptée pour <strong>de</strong>s systèmes<br />
<strong>dynamiques</strong> stables, mais inefficace dans le cas <strong>de</strong> systèmes <strong>dynamiques</strong>.<br />
Pourtant, c<strong>et</strong>te métho<strong>de</strong> <strong>de</strong> calcul qui utilise la matrice <strong>de</strong> monodromie semble particulièrement<br />
pour estimer le pseudo-exposant <strong>de</strong> Lyapunov en temps fini, <strong>et</strong> donc l’évolution au cours<br />
du temps (fini) d’une divergence initiale (voir chapitre 1, page 193).<br />
260
2.3. Conclusion<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
0.02<br />
0.01<br />
0<br />
−0.01<br />
λ 1<br />
λ 2<br />
λ<br />
−4<br />
λ<br />
−0.02<br />
−5<br />
−6<br />
−7<br />
λ 1<br />
λ 2<br />
λ 3<br />
−0.03<br />
−0.04<br />
−8<br />
0.1 0.15 0.2 0.25 0.3 0.35<br />
p 1<br />
(a) p 2 = 0.2, p 3 = 5.7<br />
−0.05<br />
0.1 0.15 0.2 0.25 0.3 0.35<br />
p 1<br />
(b) p 2 = 0.2, p 3 = 5.7<br />
1<br />
0.02<br />
0<br />
−1<br />
0.01<br />
0<br />
λ 1<br />
λ 2<br />
λ<br />
−2<br />
−3<br />
−4<br />
−5<br />
−6<br />
−7<br />
λ 1<br />
λ 2<br />
λ 3<br />
λ<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
−0.05<br />
−8<br />
0.1 0.15 0.2 0.25 0.3 0.35<br />
p 2<br />
(c) p 1 = 0.2, p 3 = 5.7<br />
−0.06<br />
0.1 0.15 0.2 0.25 0.3 0.35<br />
p 2<br />
(d) p 1 = 0.2, p 3 = 5.7<br />
1<br />
0.12<br />
λ 1<br />
λ 1<br />
0<br />
λ 2<br />
0.1<br />
λ 2<br />
λ 3<br />
−1<br />
0.08<br />
λ<br />
−2<br />
−3<br />
−4<br />
−5<br />
−6<br />
λ<br />
0.06<br />
0.04<br />
0.02<br />
0<br />
−7<br />
5 5.2 5.4 5.6 5.8 6<br />
p 3<br />
(e) p 1 = 0.2, p 2 = 0.2<br />
−0.02<br />
5 5.2 5.4 5.6 5.8 6<br />
p 3<br />
(f) p 1 = 0.2, p 2 = 0.2<br />
Fig. 2.28 – Exposants <strong>de</strong> Lyapunov du système <strong>de</strong> Rossler pour différentes valeurs <strong>de</strong>s paramètres<br />
p 1 , p 2 <strong>et</strong> p 3 , calculés avec l’algorithme <strong>de</strong> Wolf.<br />
261
Chapitre 2. Calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec la matrice d’évolution<br />
d λ/d p1<br />
300<br />
λ 1<br />
250<br />
λ 2<br />
λ 3<br />
200<br />
150<br />
100<br />
50<br />
0<br />
−50<br />
0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3<br />
(a) ∂λs<br />
∂p 1<br />
, p 2 = 0.2, p 3 = 5.7<br />
d λ/d p1<br />
2<br />
λ 1<br />
1.5<br />
λ 2<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
−2<br />
0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3<br />
(b) ∂λs<br />
∂p 1<br />
, p 2 = 0.2, p 3 = 5.7<br />
d λ/d p2<br />
300<br />
λ 1<br />
250<br />
λ 2<br />
λ 3<br />
200<br />
150<br />
100<br />
50<br />
0<br />
−50<br />
0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3<br />
(c) ∂λs<br />
∂p 2<br />
, p 1 = 0.2, p 3 = 5.7<br />
d λ/d p2<br />
3<br />
λ 1<br />
2.5<br />
λ 2<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
−0.5<br />
0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3<br />
(d) ∂λs<br />
∂p 2<br />
, p 1 = 0.2, p 3 = 5.7<br />
d λ/d p3<br />
250<br />
λ 1<br />
λ 2<br />
200<br />
λ 3<br />
150<br />
100<br />
50<br />
0<br />
−50<br />
5 5.2 5.4 5.6 5.8 6<br />
p 3<br />
(e) ∂λs<br />
∂p 3<br />
, p 1 = 0.2, p 2 = 0.2<br />
d λ/d p3<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
−2<br />
−2.5<br />
λ 1<br />
λ 2<br />
−3<br />
−3.5<br />
5 5.2 5.4 5.6 5.8 6<br />
(f) ∂λs<br />
∂p 3<br />
, p 1 = 0.2, p 2 = 0.2<br />
Fig. 2.29 – Sensibilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov du système <strong>de</strong> Rossler pour différentes valeurs<br />
numériques <strong>de</strong>s paramètres p 1 , p 2 <strong>et</strong> p 3 , déduites avec les exposants obtenus avec l’algorithme<br />
<strong>de</strong> Wolf.<br />
262
Conclusion<br />
Le suj<strong>et</strong> <strong>de</strong> ce chapitre est très controversé : en eff<strong>et</strong> certains articles sur ce suj<strong>et</strong> ont été<br />
refusés à la publication (<strong>de</strong> M. Schatzmann <strong>et</strong> F. Nqi par exemple). En particulier, ils m<strong>et</strong>taient<br />
en avant la variabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov avec les paramètres <strong>de</strong> calcul (pas en temps,<br />
nombre <strong>de</strong> réorthonormalisations par pas d’intégration, ...).<br />
De même, lorsqu’ils ont été présentés en conférence ou en article, ces résultats ont été l’obj<strong>et</strong><br />
<strong>de</strong> discussions : classiquement, l’exposant <strong>de</strong> Lyapunov n’est calculé qu’en temps infini <strong>et</strong> il est<br />
considéré comme ergodique. De même, il est parfois utilisé pour estimer <strong>de</strong>s divergences en temps<br />
fini.<br />
C’est ainsi que le premier chapitre <strong>de</strong> c<strong>et</strong>te partie a un but principalement pédagogique : en<br />
eff<strong>et</strong>, nous montrons qu’en temps fini, la valeur numérique prise en temps fini par la fonction<br />
définissant en temps infini l’exposant <strong>de</strong> Lyapunov dépend <strong>de</strong> divers paramètres : le temps<br />
considéré, le point en espace considéré, les conditions initiales (en espace, en divergence...). Ainsi,<br />
utiliser c<strong>et</strong>te valeur pour estimer la divergence en temps fini est erroné. Nous définissons alors le<br />
peusdo-exposant <strong>de</strong> Lyapunov en temps fini, qui correspond au maximum pris par c<strong>et</strong>te fonction.<br />
Celui-ci est alors adapté à la majoration <strong>de</strong> la divergence en temps fini. Malheureusement, il est<br />
malaisé à calculer <strong>et</strong> dans le cas général, il n’existe pas <strong>de</strong> résultats simplifiant ce calcul.<br />
Dans ce premier chapitre, les calculs numériques ont été réalisés à l’ai<strong>de</strong> <strong>de</strong> l’algorithme <strong>de</strong><br />
Wolf. Une autre métho<strong>de</strong> <strong>de</strong> calcul est explicitée dans le second chapitre, qui utilise la matrice <strong>de</strong><br />
monodromie. Elle est difficile à m<strong>et</strong>tre en oeuvre, suite aux calculs rai<strong>de</strong>s. Mais elle est adaptée<br />
aux calculs en temps fini, <strong>et</strong> donc répond à notre problématique.<br />
Ainsi, dans c<strong>et</strong>te partie, le cas <strong>de</strong> conditions initiales incertaines ont été étudié. Ce cas est<br />
habituellement considéré en temps infini (exposant <strong>de</strong> Lyapunov) en décidant <strong>de</strong> la stabilité ou<br />
non du système dynamique. Ici, c<strong>et</strong>te problématique a été abordée en temps fini, ce qui nous a<br />
permis <strong>de</strong> m<strong>et</strong>tre en évi<strong>de</strong>nce <strong>de</strong>s phénomènes complexes.<br />
263
Conclusion<br />
264
Quatrième partie<br />
Etu<strong>de</strong> du pompage énergétique dans<br />
un système à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
avec loi <strong>de</strong> comportement<br />
élasto-plastique<br />
265
C<strong>et</strong>te partie a fait l’obj<strong>et</strong> <strong>de</strong> trois communications en conférences avec comité <strong>de</strong> lecture :<br />
– ”Energy Pumping for Mechanical Systems with Non-Smooth Terms of Saint-Venant Type“,<br />
Euromech Colloqium 498, Nonlinear Dynamics of Composite and Smart Structures, 21st-<br />
24th May 2008, Kazimierz Dolny, Poland, [93].<br />
– ”Energy Pumping with Plastic Structures : Numerical Evi<strong>de</strong>nces“, NPPS-2008, International<br />
Conference on Nonlinear Phenomena in Polymer Solids and Lox-dimensional Systems,<br />
7-10 July 2008, Moscow, Russia, [94].<br />
– ”Numerical Evi<strong>de</strong>nce for Targ<strong>et</strong>ed Energy Transfer in Pure Plastic Oscillators and Damage<br />
Oscillators“, Soci<strong>et</strong>y of Engineering Science, 45 th Annual Technical Me<strong>et</strong>ing, October 12-<br />
15, 2008, University of Illinois, Urbana-Champaign, USA.<br />
De plus, elle a permis d’écrire au moins un article publié dans ”International Journal of Nonlinear<br />
Mechanics“.<br />
267
268
Introduction<br />
Dans ce qui précè<strong>de</strong>, plusieurs sortes d’<strong>incertitu<strong>de</strong>s</strong> ont été étudiées : les paramètres, les<br />
conditions initiales, les sollicitations auxquelles est soumise la structure, ...<br />
Dans c<strong>et</strong>te partie, nous nous intéressons à l’incertitu<strong>de</strong> liée à la loi <strong>de</strong> comportement. En<br />
particulier, nous utilisons le système dynamique composé <strong>de</strong> <strong>de</strong>ux oscillateurs, perm<strong>et</strong>tant le<br />
phénomène <strong>de</strong> pompage énergétique, pour examiner le cas où la structure principale (linéaire)<br />
a un comportement différent <strong>de</strong> celui supposé généralement (élastique parfait). En eff<strong>et</strong>, pour<br />
simplifier les calculs, les structures sont supposées élastiques linéaires. De plus, lors <strong>de</strong>s campagnes<br />
expérimentales, les résultats sont lissés, donc les lois <strong>de</strong> comportement sont simplifiées,<br />
elles sont alors souvent élastiques linéaires.<br />
Ainsi, dans un premier chapitre, nous considérons le comportement élastoplastique parfait<br />
pour la structure linéaire. Il est modélisé à l’ai<strong>de</strong> d’éléments <strong>de</strong> Saint-Venant. L’étu<strong>de</strong> mathématique<br />
est réalisée avec la théorie <strong>de</strong>s opérateurs non-monotones, <strong>et</strong> sera implémentée avec <strong>de</strong>s<br />
simulations numériques.<br />
Dans un <strong>de</strong>uxième chapitre, l’étu<strong>de</strong> est élargie aux comportements élastoplastiques, sans ou<br />
avec endommagement. Ici, seule une étu<strong>de</strong> numérique sera menée.<br />
Pourtant la conclusion sera la même pour tous ces cas : il est possible d’ajuster la nonlinéarité<br />
cubique du <strong>de</strong>uxième oscillateur afin que du transfert efficace d’énergie ait lieu dans tous les cas,<br />
élastique ou élastoplastique avec un intervalle <strong>de</strong> variation du seuil <strong>de</strong> plasticité.<br />
269
Introduction<br />
270
Chapitre 1<br />
Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s<br />
éléments <strong>de</strong> Saint Venant<br />
Dans ce chapitre, nous étudions une incertitu<strong>de</strong> liée à la loi <strong>de</strong> comportement<br />
du matériau. En eff<strong>et</strong>, ici, nous supposons qu’elle peut être <strong>de</strong> <strong>de</strong>ux types :<br />
élastique parfait ou élastoplastique parfait. Nous montrons que, même si le<br />
système <strong>de</strong> <strong>de</strong>ux oscillateurs est conçu pour un comportement élastique, le<br />
phénomène <strong>de</strong> pompage énergétique n’est pas toujours détruit dans le cas<br />
d’un comportement élastoplastique. Mais le résultat le plus important est le<br />
fait que, étant donné un ensemble <strong>de</strong> comportements propables, il est possible<br />
<strong>de</strong> concevoir la nonlinéarité cubique pour que le transfert d’énergie ait lieu<br />
dans tous les cas, <strong>et</strong> ce <strong>de</strong> manière efficace.<br />
Sommaire<br />
1.1 Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité . . . 272<br />
1.1.1 Système dynamique sans incertitu<strong>de</strong> . . . . . . . . . . . . . . . . . 272<br />
1.1.2 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec un seul élément <strong>de</strong><br />
Saint-Venant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273<br />
1.1.3 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec N éléments <strong>de</strong> Saint-<br />
Venant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279<br />
1.2 Présentation <strong>de</strong>s systèmes étudiés dans le cas sollicité . . . . . . 282<br />
1.3 Quelques résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 286<br />
1.3.1 Sans sollicitation <strong>et</strong> avec un seul élément <strong>de</strong> Saint-Venant . . . . . 288<br />
1.3.2 Sans sollicitation <strong>et</strong> avec plusieurs éléments <strong>de</strong> Saint-Venant . . . . 289<br />
1.3.3 Cas sollicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295<br />
1.4 Définition d’un coefficient d’amortissement équivalent . . . . . . 304<br />
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305<br />
271
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
1.1 Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
Nous étudions le système dynamique du pompage énergétique sans <strong>et</strong> avec incertitu<strong>de</strong> sur la<br />
loi <strong>de</strong> comportement <strong>de</strong> la structure principale. Dans c<strong>et</strong>te première section, les systèmes étudiés<br />
sont libres.<br />
1.1.1 Système dynamique sans incertitu<strong>de</strong><br />
Equations différentielles du mouvement du sytème<br />
Nous étudions le système dynamique, représenté Figure 1.1, constitué par une structure<br />
principale (masse M, amortissement c 1 , rai<strong>de</strong>ur linéaire c 2 ) couplé linéairement (rai<strong>de</strong>ur g) avec<br />
une structure annexe cubique (masse m, amortissement c 3 , rai<strong>de</strong>ur linéaire c 4 , rai<strong>de</strong>ur cubique<br />
c 5 ), <strong>et</strong> qui est régi par les équations différentielles suivantes.<br />
Soit x,ẋ (respectivement y, ẏ) le déplacement <strong>et</strong> la vitesse <strong>de</strong> M (respectivement m).<br />
c 2<br />
c 1<br />
g<br />
c 5<br />
c 4<br />
c 3<br />
M<br />
m<br />
y<br />
Fig. 1.1 – Système dynamique sans <strong>incertitu<strong>de</strong>s</strong> : une structure principale, linéaire est couplée<br />
avec une rai<strong>de</strong>ur linéaire à une structure, annexe, légère avec une non-linéarité cubique.<br />
x<br />
272<br />
{<br />
Mẍ + c 1 ẋ + c 2 x + g(x − y) = 0,<br />
mÿ + c 3 ẏ + c 4 y + c 5 y 3 + g(y − x) = 0,<br />
ce que nous réécrivons sous la forme :<br />
{<br />
ẍ + a 1 ẋ + k 1 x + γ 1 (x − y) = 0,<br />
ÿ + a 2 ẏ + k 2 y + cy 3 + γ 2 (y − x) = 0,<br />
avec<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a 1 = c 1<br />
M , k 1 = c 2<br />
M , γ 1 = g M ,<br />
(1.1)<br />
(1.2)<br />
a 2 = c 3<br />
m , k 2 = c 4<br />
m , c = c 5<br />
m , γ 2 = g m , (1.3)
1.1. Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
ou encore :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẋ 1 = x 2 ,<br />
ẋ 2 = −a 1 x 2 − k 1 x 1 − γ 1 (x 1 − x 3 ),<br />
ẋ 3 = x 4 ,<br />
ẋ 4 = −a 2 x 4 − k 2 x 3 − cx 3 3 − γ 2(x 3 − x 1 ).<br />
(1.4)<br />
On discrétise ces relations avec un schéma d’Euler explicite :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
]<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − γ 1 (x 1 (n) − x 3 (n)) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − cx 3 (n) 3 − γ 2 (x 3 (n) − x 1 (n)) .<br />
(1.5)<br />
{<br />
tn+1 = t<br />
où ∆t est le pas <strong>de</strong> temps tel que<br />
n + ∆t, ∀n ≥ 0,<br />
t 0 = 0<br />
⎟<br />
⎠ est l’approximation<br />
au temps t = t n = n∆t du vecteur<br />
⎛<br />
⎜<br />
⎝<br />
x 1 (t n )<br />
x 2 (t n )<br />
x 3 (t n )<br />
x 4 (t n )<br />
⎞<br />
⎟<br />
⎠ .<br />
<strong>et</strong><br />
⎛<br />
⎜<br />
⎝<br />
x 1 (n)<br />
x 2 (n)<br />
x 3 (n)<br />
x 4 (n)<br />
⎞<br />
Occurence du pompage énergétique<br />
Pour que ce transfert ait lieu, les valeurs numériques <strong>de</strong>s paramètres doivent être tels que le<br />
mo<strong>de</strong> non-linéaire, selon lequel le transfert d’énergie se réalise, existe. De plus, dans ce cas libre,<br />
l’énergie initiale doit être suffisante pour que le pompage s’amorce.<br />
Des exemples <strong>et</strong> <strong>de</strong>s illustrations <strong>de</strong> ceci peuvent être trouvés dans la section 1.3, page 286.<br />
De nombreux articles existent sur ce suj<strong>et</strong>, par exemple [109, 43, 37, 35],.... Un résumé assez<br />
actuel <strong>de</strong>s métho<strong>de</strong>s <strong>et</strong> connaissances existantes est donné par [40].<br />
1.1.2 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec un seul élément <strong>de</strong> Saint-<br />
Venant<br />
Pour introduire l’incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement, nous ajoutons un élément <strong>de</strong> Saint-<br />
Venant dans la structure linéaire. Ce <strong>de</strong>rnier consiste en la mise en série d’un ressort linéaire k<br />
<strong>et</strong> d’un patin <strong>de</strong> seuil α : pour un déplacement strictement positif (respectivement strictement<br />
négatif), il développe une force égale à −α (respectivement α). Si le déplacement est nul, la force<br />
développée est incertaine, comprise dans [−α,+α].<br />
273
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
Pour plus <strong>de</strong> renseignements, <strong>de</strong> nombres références sont disponibles, par exemple [88, 63,<br />
61, 10, 8, 14].<br />
Equations différentielles du mouvement du sytème<br />
Dans ce cas (Figure 1.2) où un élément <strong>de</strong> Saint-Venant (rai<strong>de</strong>ur linéaire k 3 , seuilα) a été<br />
ajouté par rapport à la figure 1.1, les équations du mouvement s’écrivent :<br />
c 2<br />
c 1<br />
k 3 α<br />
g<br />
c 5<br />
c 4<br />
c 3<br />
M<br />
m<br />
y<br />
Fig. 1.2 – Système dynamique avec un seul élément <strong>de</strong> Saint-Venant.<br />
x<br />
{ Mẍ + c1 ẋ + c 2 x + c 6 u + g(x − y) = 0,<br />
mÿ + c 3 ẏ + c 4 y + c 5 y 3 + g(y − x) = 0,<br />
avec<br />
⎧<br />
⎨<br />
⎩<br />
f = −k 3 u,<br />
f ∈ −ασ(˙v),<br />
x = u + v → ẋ = ˙u + ˙v.<br />
(1.6)<br />
Avec les <strong>de</strong>ux premières équations, une condition d’existence apparait : ∀t, u(t) ∈<br />
En particulier, il faut u 0 = u(t 0 ) = u(0) ∈<br />
[− α , α ]<br />
.<br />
k 3 k 3<br />
[− α k 3<br />
, α k 3<br />
]<br />
.<br />
274
1.1. Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
Nous pouvons donc réécrire cela <strong>de</strong> la forme suivante :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x + k 3 u + γ 1 (x − y) = 0,<br />
ÿ + a 2 ẏ + k 2 y +<br />
(<br />
cy 3 +<br />
)<br />
γ 2 (y − x) = 0,<br />
k3<br />
β<br />
α u + u − ẋ ∋ 0,<br />
avec les conditions initiales :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x(0) = x 0 ,<br />
y(0) = y 0 ,<br />
u(0) = u 0 ∈<br />
[− α k 3<br />
, α k 3<br />
]<br />
.<br />
(1.7)<br />
β est la fonction inverse <strong>de</strong> la fonction signe σ. Pour le calcul numérique, nous écrivons ces<br />
équations sous la forme d’un système d’équations différentielles du premier ordre :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẋ 1 = x 2 ,<br />
ẋ 2 = −a 1 x 2 − k 1 x 1 − k 3 x 5 − γ 1 (x 1 − x 3 ),<br />
ẋ 3 = x 4 ,<br />
ẋ 4 = −a 2 x 4 − k 2 x 3 − c 2 x 3 3 − γ 2(x 3 − x 1 ),<br />
ẋ 5 ∋ x 2 − β<br />
(<br />
k3 x 5<br />
α<br />
)<br />
.<br />
Comme auparavant, les quatre premières équations sont résolues avec un schéma d’Euler<br />
explicite. La <strong>de</strong>rnière <strong>et</strong> cinquième équation est discrétisée avec un schéma d’Euler implicite.<br />
Ainsi :<br />
x 2 (n + 1) ∈ x 5(n + 1) − x 5 (n)<br />
∆t<br />
Il existe une suite (z n ) n∈N telle que :<br />
⇒<br />
Posons : η = α k 3<br />
.<br />
On a alors :<br />
x 5 (n + 1) ∋<br />
x 5 (n + 1) ∋<br />
(<br />
k3 x 5 (n + 1)<br />
+ β<br />
α<br />
z(n + 1) = x (<br />
5(n + 1) − x 5 (n) k3 x 5 (n + 1)<br />
+ β<br />
∆t<br />
α<br />
[<br />
I + ∆t β<br />
(<br />
k3<br />
α . )] −1 (<br />
x 5 (n) + ∆tx 2 (n + 1)<br />
(1.8)<br />
)<br />
. (1.9)<br />
)<br />
, (1.10)<br />
)<br />
. (1.11)<br />
[ ( )] 1 −1 (<br />
)<br />
I + ∆t β<br />
η . x 5 (n) + ∆tx 2 (n + 1) . (1.12)<br />
275
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
On peut représenter c<strong>et</strong>te fonction<br />
[<br />
I + ∆tβ<br />
( 1<br />
η . )] −1<br />
(x)<br />
η<br />
[<br />
I + ∆t β<br />
( 1<br />
η . )] −1<br />
:<br />
(<br />
I + ∆tβ<br />
( 1<br />
η . )) −1<br />
=<br />
−η<br />
−η<br />
η<br />
x<br />
⎧<br />
⎨<br />
⎩<br />
−η si x ∈] − ∞, −η],<br />
x si x ∈] − η, η[,<br />
η si x ∈]η,+∞[.<br />
(1.13)<br />
C<strong>et</strong>te fonction est univoque donc l’inclusion (1.12) <strong>de</strong>vient une égalité :<br />
x 5 (n + 1) =<br />
[ ( )] 1 −1 (<br />
)<br />
I + ∆tβ<br />
η . x 5 (n) + ∆tx 2 (n + 1) . (1.14)<br />
Existence <strong>et</strong> unicité <strong>de</strong> la solution pour ce sytème avec un seul élément <strong>de</strong> Saint-<br />
Venant<br />
On prouve l’existence <strong>et</strong> l’unicité <strong>de</strong> la solution du système d’équations différentielles (1.7) :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x + k 3 u + γ 1 (x − y) = 0,<br />
ÿ + a 2 ẏ + k 2 y + c 2 y<br />
( 3 + γ 2 (y − x) = 0,<br />
u<br />
β + u − ẋ ∋ 0.<br />
η)<br />
(1.15)<br />
Nous essayons <strong>de</strong> nous ramener à la proposition 3.12 (page 106) <strong>de</strong> la référence [14] :<br />
Proposition 1.1.1 (Proposition 3.12 <strong>de</strong> [14]) Soit ϕ une fonction convexe semi-continue<br />
inférieurement propre sur H <strong>et</strong> B une application <strong>de</strong> [0, T] × D(ϕ) ¯ dans H, vérifiant :<br />
– ∃w ≥ 0, ∀t ∈ [0, T], ∀u 1 , u 2 ∈ D(ϕ), ¯ |B(t, u 1 ) − B(t, u 2 )| ≤ w|u 1 − u 2 |,<br />
– ∀u ∈ D(ϕ), ¯ l’application t ↦→ B(t, u) appartient à L 2 ([0, T], H).<br />
Alors ∀u 0 ∈ D(ϕ), ¯ il existe une solution unique u solution <strong>de</strong> l’équation :<br />
du<br />
dt (t) + ∂ϕ(u(t)) + B(t, u(t)) ∋ 0, u(0) = u 0,<br />
telle que √ t du<br />
dt (t) ∈ L2 ([0, T], H).<br />
(1.16)<br />
Nous m<strong>et</strong>tons le système étudié sous la forme (1.16) <strong>et</strong> nous montrons que toutes les hypothèses<br />
sont vérifiées.<br />
276
⎡<br />
On note : H = R 5 , u =<br />
⎢<br />
⎣<br />
1.1. Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
⎤<br />
x 1<br />
x 2<br />
x 3<br />
⎥<br />
x 4<br />
⎦<br />
x 5<br />
Dans notre cas, nous posons :<br />
⎡<br />
, donc du<br />
dt (t) = ⎢<br />
⎣<br />
∂ϕ(u) = 0 × 0 × 0 × 0 × β<br />
Soit ϕ I la fonction indicatrice suivante :<br />
⎤<br />
ẋ 1<br />
ẋ 2<br />
ẋ 3<br />
⎥<br />
ẋ 4<br />
ẋ 5<br />
⎦ .<br />
( )<br />
x5<br />
. (1.17)<br />
η<br />
∀x ∈ R, ϕ I (x) =<br />
{ 0 si x ∈ I,<br />
+∞ si x /∈ I.<br />
(1.18)<br />
Définition 1.1.2 Le sous-différentiel ∂ϕ <strong>de</strong> ϕ est défini par :<br />
Alors :<br />
y ∈ ∂ϕ(x) ⇔ ∀h ∈ R, ϕ(x + h) − ϕ(x) ≥ (y, h). (1.19)<br />
De plus, nous posons :<br />
∀y ∈ R, ∂ϕ [−1,1] (x) = β(x). (1.20)<br />
B (1) (t, u(t)) = B (1) (u(t)) =<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
⎡<br />
⎢<br />
⎣<br />
−x 2<br />
a 1 x 2 + k 1 x 1 + k 3 x 5 + γ 1 (x 1 − x 3 )<br />
−x 3<br />
a 2 x 4 + k 2 x 3 + cx 3 3 + γ 2(x 3 − x 1 )<br />
−x 2<br />
−x 2<br />
G 1 (x 1 , x 2 , x 3 ) + k 3 x 5<br />
−x 3<br />
G 2 (x 1 , x 3 , x 4 )<br />
−x 2<br />
⎤<br />
⎥<br />
⎦<br />
(1.21)<br />
⎤<br />
⎥<br />
⎦ .<br />
Or c<strong>et</strong>te fonction n’est pas lipschitzienne en son <strong>de</strong>uxième (<strong>et</strong> unique) argument, suite à la<br />
puissance cubique.<br />
Soit M ≥ 1 > 0.<br />
Nous { restreignons alors notre étu<strong>de</strong> au pavé :<br />
}<br />
H M = (x 1 , x 2 , x 3 , x 4 , x 5 ) ∈ [−M, M] × [−M, M] × [−M, M] × [−M, M] × [−M, M] .<br />
277
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
Nous réécrivons alors le système étudié sous la forme :<br />
du M<br />
dt (t) + ∂ϕ(u M(t)) + B M (t, u M (t)) ∋ 0, u M (0) = u 0 ∈ [−η, η] ⊂ [−M, M],<br />
telle que √ t du<br />
dt (t) ∈ L2 ([0, T], H).<br />
avec :<br />
– χ I la fonction indicatrice <strong>de</strong> l’espace I :<br />
(1.22)<br />
⎡<br />
– u M =<br />
⎢<br />
⎣<br />
⎤<br />
x 1M<br />
x 2M<br />
x 3M<br />
⎥<br />
x 4M<br />
x 5M<br />
⎦ ∈ H M,<br />
χ I (x) =<br />
{ 0 si x /∈ I,<br />
1 si x ∈ I.<br />
(1.23)<br />
– B M (t, u M (t)) = χ M (u M (t))B(t, u M (t)).<br />
Ainsi avec T M = inf {t/∃i, |x i (t)| ≥ M}, nous résolvons sur [0, T M ] le problème différentiel<br />
suivant :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
du M<br />
dt (t) + ∂ϕ M(u M (t)) + B M (t, u M (t)) ∋ 0,<br />
∀i ∈ {1, . . .,4} , x iM (0) = x i0 ∈ [−M, M],<br />
x 5M (0) = x 50 ∈ [−η, η] ⊂ [−M, M].<br />
(1.24)<br />
Alors :<br />
– ∂ϕ(u M (t)) est la sous-différentielle d’une fonction semi-continue inférieurement propre sur<br />
H M : ϕ M = χ [−1,1] .<br />
– B M est une application <strong>de</strong> [0, T M ] × ( D(ϕ) ¯ ∩ [−M, M] ) = [0, T M ] × D(ϕ) ¯ (pour M suffisamment<br />
grand) dans H M tel que :<br />
– ∀u M ∈ D(ϕ)∩[−M, ¯ M] = D(ϕ), ¯ l’application t ↦→ B M (t, u M ) appartient à L 2 ([0, T M ], H M ).<br />
En eff<strong>et</strong>, t ↦→ B M (t, u M ) est continue donc <strong>de</strong> carré intégrable sur les compacts.<br />
– ∃w M ≥ 0, ∀t ∈ [0, T M ], ∀u 1 , u 2 ∈ D(ϕ¯<br />
M ) ∩ [−M, M] = D(ϕ¯<br />
M ),<br />
|B M (t M , u 1 ) − B M (t M , u 2 )| = |χ M (u 1M (t))B(t, u 1M (t)) − χ M (u 2M (t))B(t, u 2M (t))|<br />
≤ w M |u 1M (t) − u 2M (t)|<br />
.<br />
En eff<strong>et</strong>, B M est différentiable sur H M compact <strong>de</strong> R 5 , nulle ailleurs.<br />
Donc d’après Brézis ([14]), ∀M ≥ 1, ∀u 0 ∈ D(ϕ) ¯ ∩ [−M, M] = D(ϕ), ¯ il existe une solution<br />
unique u M solution <strong>de</strong> l’équation différentielle :<br />
278<br />
∀t ∈ [0, T M ], du M<br />
dt (t) + ∂ϕ M(u M (t)) + B M (t, u M (t)) ∋ 0, u M (0) = u 0 . (1.25)
1.1. Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
1.1.3 Système dynamique avec <strong>incertitu<strong>de</strong>s</strong> : Avec N éléments <strong>de</strong> Saint-<br />
Venant<br />
Ici, l’incertitu<strong>de</strong> introduite est plus générale car modélisée par N éléments <strong>de</strong> Saint-Venant<br />
<strong>de</strong> rai<strong>de</strong>ur k i <strong>et</strong> <strong>de</strong> seuil α i (i ∈ {1, . . .,N}).<br />
Equations différentielles du mouvement du sytème<br />
Dans ce cas (Figure 1.3), les équations du mouvement s’écrivent :<br />
c 2<br />
c 1<br />
g<br />
c 5<br />
k 3 α 3<br />
c 4<br />
c 3<br />
k N+2<br />
α N+2<br />
M<br />
m<br />
y<br />
Fig. 1.3 – Système dynamique avec N éléments <strong>de</strong> Saint Venant : N éléments <strong>de</strong> Saint-Venant<br />
sont insérés sur la structure linéaire.<br />
x<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Mẍ + a 1 ẋ + k 1 x +<br />
N∑<br />
k i+2 u i + g(x − y) = 0,<br />
i=1<br />
mÿ + a 2 ẏ + k 2 y + cy 3 (<br />
+ g(y −<br />
)<br />
x) = 0,<br />
ki+2 u i<br />
∀i ∈ {1, . . .,N} , ẋ ∈ ˙u i + β .<br />
α i<br />
(1.26)<br />
Nous posons η i = α i<br />
(i ∈ {1, . . .,N}), en les réordonnant : η 1 < η 2 < . . . < η N−1 < η N .<br />
k i+2<br />
[ Comme précé<strong>de</strong>mment, une condition d’existence apparait : ∀t, ∀i ∈ {1, . . .,N},u i (t) ∈<br />
− α 1<br />
, α ]<br />
1<br />
= [−η 1 , η 1 ]. En particulier, il faut u i (0) ∈ [−η 1 , η 1 ].<br />
k 3 k 3<br />
279
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
Nous pouvons donc réécrire cela <strong>de</strong> la forme suivante :<br />
⎧<br />
ẍ + a 1 ẋ + k 1 x + k 3 u + γ 1 (x − y) = 0,<br />
⎪⎨<br />
ÿ + a 2 ẏ + k 2 y + cy<br />
( 3 +<br />
)<br />
γ 2 (y − x) = 0,<br />
ui<br />
⎪⎩ ∀i ∈ {1, . . .,N},β + u i − ẋ ∋ 0,<br />
η i<br />
⎧<br />
avec les conditions initiales :<br />
⎨<br />
x(0) = x 0 ,<br />
y(0) = y 0 ,<br />
⎩<br />
∀i ∈ {1, . . .,N},u i (0) = u i0 ∈ [−η 1 , η 1 ] .<br />
Ainsi :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẋ 1 = x 2 ,<br />
ẋ 2<br />
= −a 1 x 2 − k 1 x 1 −<br />
N∑<br />
k i+2 x i − γ 1 (x 1 − x 3 ),<br />
ẋ 3 = x 4 ,<br />
ẋ 4 = −a 2 x 4 −<br />
(<br />
k 2 x 3 −<br />
)<br />
cx 3 3 − γ 2(x 3 − x 1 ),<br />
x4+i<br />
∀i ∈ {1, . . .,N} , x 2 ∈ ẋ 4+i + β .<br />
η i<br />
i=1<br />
(1.27)<br />
(1.28)<br />
Nous discrétisons le temps en utilisant <strong>de</strong>s schémas d’Euler explicite pour les quatre premières<br />
équations différentielles <strong>et</strong> un schéma d’Euler implicite pour les inclusions différentielles :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
]<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − γ 1 (x 1 (n) − x 3 (n)) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − cx 3 (n) 3 − γ 2 (x 3 (n) − x 1 (n)) ,<br />
[ ( )] 1 −1 (<br />
)<br />
∀i ∈ {1, . . .,N} , x 4+i (n + 1) = I + ∆tβ . x 4+i (n) + ∆tx 2 (n + 1) .<br />
η i<br />
(1.29)<br />
Existence <strong>et</strong> unicité <strong>de</strong> la solution pour ce sytème avec N éléments <strong>de</strong> Saint-Venant<br />
On prouve l’existence <strong>et</strong> l’unicité <strong>de</strong> la solution du système d’équations différentielles (1.27) :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x +<br />
N∑<br />
k 2+i u i + γ 1 (x − y) = 0,<br />
i=1<br />
ÿ + a 2 ẏ + k 2 y + cy<br />
( 3 +<br />
)<br />
γ 2 (y − x) = 0,<br />
ui<br />
∀i ∈ {1, . . .,N} , β + u i − ẋ ∋ 0.<br />
η i<br />
(1.30)<br />
280
1.1. Présentation <strong>de</strong>s systèmes étudiés dans le cas non sollicité<br />
Nous écrivons ce système d’équations différentielles sous celle <strong>de</strong> la proposition 3.12 (page<br />
106) <strong>de</strong> la référence [14].<br />
Pour cela, comme dans la partie précé<strong>de</strong>nte, nous m<strong>et</strong>tons le système étudié sous la forme<br />
(1.16) <strong>et</strong> nous montrons que toutes les hypothèses sont vérifiées.<br />
⎡ ⎤<br />
⎡ ⎤<br />
x 1<br />
ẋ 1<br />
x 2<br />
On note : H = R 4+N , u =<br />
⎢ .<br />
, donc du<br />
ẋ 2<br />
⎥ dt (t) = ⎢ .<br />
.<br />
⎥<br />
⎣ x N+3<br />
⎦<br />
⎣ ẋ N+3<br />
⎦<br />
x N+4 ẋ N+4<br />
Dans notre cas, nous posons :<br />
De plus, nous posons :<br />
( ) ( )<br />
x5 x4+N<br />
∂ϕ(u) = 0 × 0 × 0 × 0 × β × . . . × β . (1.31)<br />
η 1 η N<br />
⎡<br />
B (1) (t, u(t)) =<br />
⎢<br />
⎣<br />
−x 2<br />
a 1 x 2 + k 1 x 1 + k 3 x 5 + γ 1 (x 1 − x 3 )<br />
−x 3<br />
a 2 x 4 + k 2 x 3 + c 2 x 3 3 + γ 2(x 3 − x 1 )<br />
−x 2<br />
.<br />
−x 2<br />
⎤<br />
⎡<br />
=<br />
⎥ ⎢<br />
⎦ ⎣<br />
−x 2<br />
G 1 (x 1 , x 2 , x 3 ) + k 3 x 5<br />
−x 3<br />
G 2 (x 1 , x 3 , x 4 )<br />
−x 2<br />
.<br />
−x 2<br />
⎤<br />
. (1.32)<br />
⎥<br />
⎦<br />
Or c<strong>et</strong>te fonction n’est pas lipschitzienne en son <strong>de</strong>uxième argument.<br />
Soit M ≥ 1 > 0.<br />
}<br />
Nous restreignons alors notre étu<strong>de</strong> au pavé H M =<br />
{(x 1 , . . .,x 4+N ) ∈ [−M, M] 4+N .<br />
Nous réécrivons alors le système étudié sous la forme :<br />
du M<br />
dt (t) + ∂ϕ(u M(t)) + B M (t, u M (t)) ∋ 0, u M (0) = u 0 ∈ [−η, η] ⊂ [−M, M],<br />
telle que √ t du<br />
dt (t) ∈ L2 ([0, T], H).<br />
avec :<br />
– χ I la fonction indicatrice <strong>de</strong> l’espace I :<br />
χ I (x) =<br />
{ 0 si x /∈ I,<br />
1 si x ∈ I.<br />
(1.33)<br />
(1.34)<br />
281
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
⎡<br />
– u M =<br />
⎢<br />
⎣<br />
⎤<br />
x 1M<br />
x 2M<br />
.<br />
⎥<br />
x (3+N)M<br />
⎦<br />
x (4+N)M<br />
∈ H M ,<br />
– B M (t, u M (t)) = χ M (u M (t))B(t, u M (t)).<br />
Ainsi avec T M = inf {t/∃i, |x i (t)| ≥ M}, nous résolvons sur [0, T M ] le problème différentiel<br />
suivant :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
du M<br />
dt (t) + ∂ϕ(u M(t)) + B M (t, u M (t)) ∋ 0,<br />
∀i ∈ {1, . . .,4} , x iM (0) = x i0 ∈ [−M, M],<br />
∀i ∈ {5, . . .,4 + N} , x iM (0) = x i0 ∈ [−η 1 , η 1 ] ⊂ [−M, M].<br />
(1.35)<br />
Alors :<br />
– ∂ϕ(u M (t)) est la sous-différentielle <strong>de</strong> la fonction semi-continue inférieurement propre sur<br />
H M suivante : ϕ M = χ [−1,1] .<br />
– B M est une application <strong>de</strong> [0, T M ] × ( D(ϕ¯<br />
M ) ∩ [−M, M] ) = [0, T M ] × D(ϕ) ¯ dans H M tel<br />
que :<br />
– ∀u M ∈ D(ϕ)∩[−M, ¯ M] = D(ϕ), ¯ l’application t ↦→ B M (t, u M ) appartient à L 2 ([0, T M ], H M ).<br />
En eff<strong>et</strong>, t ↦→ B M (t, u M ) est continue donc <strong>de</strong> carré intégrable sur les compacts.<br />
– ∃w M ≥ 0, ∀t ∈ [0, T M ], ∀u 1 , u 2 ∈ D(ϕ¯<br />
M ) ∩ [−M, M] = D(ϕ¯<br />
M ),<br />
|B M (t M , u 1 ) − B M (t M , u 2 )| = |χ M (u 1M (t))B(t, u 1M (t)) − χ M (u 2M (t))B(t, u 2M (t))|<br />
≤<br />
w M |u 1M (t) − u 2M (t)|<br />
.<br />
En eff<strong>et</strong>, B M est différentiable sur H M compact <strong>de</strong> R 5 , nulle ailleurs.<br />
Donc d’après Brézis ([14]), ∀M ≥ 1, ∀u 0 ∈ D(ϕ) ¯ ∩ [−M, M] = D(ϕ), ¯ il existe une solution<br />
unique u M solution <strong>de</strong> l’équation différentielle :<br />
∀t ∈ [0, T M ], du M<br />
dt (t) + ∂ϕ M(u M (t)) + B M (t, u M (t)) ∋ 0, u M (0) = u 0 . (1.36)<br />
1.2 Présentation <strong>de</strong>s systèmes étudiés dans le cas sollicité<br />
Nous étudions également les systèmes précé<strong>de</strong>nts (figures 1.1, 1.2 <strong>et</strong> 1.3) dans le cas sollicité.<br />
Nous prendrons la solicitation égale à f cos(wt).<br />
Pour le système dynamique du pompage énergétique (voir figure 1.4), les équations du mouvement<br />
s’écrivent :<br />
{<br />
ẍ + a 1 ẋ + k 1 x + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + c 2 y 3 (1.1)<br />
+ γ 2 (y − x) = 0<br />
282<br />
Ce système a été étudié par exemple dans les références [36, 108, 41].
1.2. Présentation <strong>de</strong>s systèmes étudiés dans le cas sollicité<br />
c 2<br />
F cos(wt)<br />
c 1<br />
g<br />
c 5<br />
c 4<br />
c 3<br />
M<br />
m<br />
y<br />
Fig. 1.4 – Système dynamique sollicité sans <strong>incertitu<strong>de</strong>s</strong> : un oscillateur linéaire (masse M,<br />
amortissement c 1 , rai<strong>de</strong>ur linéaire c 2 ) soumis à une sollicitation sinusoïdale (amplitu<strong>de</strong> F, fréquence<br />
w) couplé linéairement à un oscillateur cubique (masse m, amortissement c 3 , rai<strong>de</strong>ur<br />
linéaire c 4 , rai<strong>de</strong>ur cubique c 5 ).<br />
x<br />
Ce système dynamique découle en fait <strong>de</strong> la réécriture <strong>de</strong>s équations différentielles du mouvement<br />
d’un oscillateur linéaire avec un NES :<br />
{<br />
ÿ1 + ǫλ(ẏ 1 − ẏ 2 ) + y 1 + 8ǫ(y 1 − y 2 ) 3 = ǫAcos(wt),<br />
ǫÿ 2 + ǫλ(ẏ 2 − ẏ 1 ) + 8ǫ(y 2 − y 1 ) 3 (1.2)<br />
= 0.<br />
{ w = y1 + ǫy<br />
En effectuant le changement <strong>de</strong> variables<br />
2 ,<br />
(translation <strong>de</strong> l’origine au<br />
w = y 1 − y 2 ,<br />
barycentre <strong>de</strong>s masses), ceci peut s’écrire :<br />
⎧<br />
⎨<br />
avec :<br />
⎩<br />
ẅ +<br />
v<br />
1 + ǫ + ǫw<br />
1 + ǫ<br />
¨v +<br />
= ǫAcos(wt),<br />
v<br />
1 + ǫ + ǫw<br />
1 + ǫ + (1 + ǫ)λẇ + 8(1 + ǫ)w3 = ǫAcos(wt).<br />
Alors en posant χ = ǫ 1/3 , V = χ −1 v, W = w, ce système s’écrit finalement :<br />
{<br />
¨V + V + χ 2 W = χ 2 A cos(wt),<br />
Ẅ + χV + λẆ + 8W 3 = 0.<br />
Finalement :<br />
{<br />
ẍ + a 1 ẋ + k 1 x + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + cy 3 + γ 2 (y − x) = 0,<br />
{<br />
a1 = 0, k 1 = 1 + χ 2 , γ 1 = −χ 2 , f = Aχ 2 , w = w,<br />
a 2<br />
= λ, k 2 = χ, c = 8.0, γ 2 = −χ.<br />
(1.3)<br />
(1.4)<br />
(1.5)<br />
(1.6)<br />
283
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
Dans ce cas, les oscillations sont périodiques, voir figure 1.5 ou référénce [41]. Pour c<strong>et</strong>te<br />
représentation graphique, nous avons utilisé les valeurs numériques suivantes : ǫ = 0.05, λ = 0.2,<br />
A = 0.2, w = 1.01. A l’instant initial, la structure est supposée à l’équilibre total (y 1 = ẏ 1 =<br />
y 2 = ẏ 2 = 0).<br />
1<br />
0.8<br />
y 1<br />
y 2<br />
0.6<br />
0.4<br />
0.2<br />
y 1<br />
,y 2<br />
0<br />
−0.2<br />
−0.4<br />
−0.6<br />
−0.8<br />
−1<br />
0 50 100 150 200<br />
t<br />
Fig. 1.5 – Positions <strong>de</strong>s oscillateurs linéaires <strong>et</strong> non-linéaires, pour t variant <strong>de</strong> 0s à 200s, du<br />
système (1.5), avec les paramètres : ǫ = 0.05, λ = 0.2, A = 0.2, w = 1.01, <strong>et</strong> <strong>de</strong>s conditions<br />
initiales nulles : y 1 = ẏ 1 = y 2 = ẏ 2 = 0.<br />
De la même manière, nous étudions le système dynamique avec incertitu<strong>de</strong> modélisé par un<br />
seul élément <strong>de</strong> Saint-Venant soumis à c<strong>et</strong>te même sollicitation sinusoïdale (Figure 1.6).<br />
Ici, le système d’équations du mouvement s’écrit :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x + k 3 u + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y +<br />
(<br />
cy 3 +<br />
)<br />
γ 2 (y − x) = 0,<br />
k3<br />
β<br />
α u + u − ẋ ∋ 0,<br />
avec les conditions initiales :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x(0) = x 0 ,<br />
y(0) = y 0 ,<br />
u(0) = u 0 ∈<br />
[− α k 3<br />
, α k 3<br />
]<br />
.<br />
(1.7)<br />
284<br />
L’existence <strong>et</strong> l’unicité <strong>de</strong> la solution <strong>de</strong> ce système dynamique est prouvée comme à la
1.2. Présentation <strong>de</strong>s systèmes étudiés dans le cas sollicité<br />
c 2<br />
F cos(wt)<br />
c 1<br />
k 3 α<br />
g<br />
c 5<br />
c 4<br />
c 3<br />
M<br />
m<br />
y<br />
Fig. 1.6 – Système dynamique sollicité avec un seul élément <strong>de</strong> Saint Venant.<br />
x<br />
section précé<strong>de</strong>nte 1.1.2, page 276 en posant :<br />
⎡<br />
−x 2<br />
⎤<br />
B (1) (t, u(t)) =<br />
a 1 x 2 + k 1 x 1 + k 3 x 5 + γ 1 (x 1 − x 3 ) − f cos(wt)<br />
⎢<br />
−x 3<br />
⎣ a 2 x 4 + k 2 x 3 + cx 3 3 + γ ⎥<br />
2(x 3 − x 1 ) ⎦<br />
−x 2<br />
=<br />
G 1 (x 1 , x 2 , x 3 ) + k 3 x 5<br />
⎢ −x 3<br />
⎥<br />
⎣ G 2 (x 1 , x 3 , x 4 ) ⎦<br />
⎡<br />
−x 2<br />
(1.8)<br />
⎤<br />
−x 2<br />
Dans ce cas également, c<strong>et</strong>te fonction est localement lipschitzienne, ce qui perm<strong>et</strong> <strong>de</strong> conclure<br />
en ce ramenant à la proposition 3.12. <strong>de</strong> la référence [14].<br />
Finalement, nous considérons également le système sollicité avec N éléments <strong>de</strong> Saint-Venant<br />
(Figure 1.7), dont les équations du mouvement s’écrivent :<br />
⎧<br />
ẍ + a 1 ẋ + k 1 x + k 3 u + γ 1 (x − y) = f cos(wt),<br />
⎪⎨<br />
ÿ + a 2 ẏ + k 2 y + cy<br />
( 3 +<br />
)<br />
γ 2 (y − x) = 0,<br />
ui<br />
⎪⎩ ∀i ∈ {1, . . .,N} , β + u i − ẋ ∋ 0,<br />
η i<br />
⎧<br />
avec les conditions initiales :<br />
⎨<br />
x(0) = x 0 ,<br />
y(0) = y 0 ,<br />
⎩<br />
∀i ∈ {1, . . .,N} , u i (0) = u i0 ∈ [−η 1 , η 1 ] .<br />
(1.9)<br />
285
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
c 2<br />
F cos(wt)<br />
c 1<br />
g<br />
c 5<br />
k 3 α 3<br />
c 4<br />
c 3<br />
k N+2<br />
α N+2<br />
M<br />
m<br />
y<br />
Fig. 1.7 – Système dynamique sollicité avec N éléments <strong>de</strong> Saint Venant.<br />
x<br />
1.3 Quelques résultats<br />
Nous intégrons les systèmes <strong>dynamiques</strong> (1.4), (1.7) <strong>et</strong> (1.27) en attribuant aux paramètres<br />
<strong>de</strong>s valeurs numériques perm<strong>et</strong>tant l’occurence du phénomène du pompage énergétique dans le<br />
cas sans incertitu<strong>de</strong> (voir la référence [42]). Nous cherchons à déterminer si le transfert d’énergie<br />
est modifié, <strong>et</strong> si oui <strong>de</strong> quelle manière.<br />
Ainsi dans ce cas non sollicité, nous choississons les valeurs numériques <strong>de</strong>s paramètres du<br />
système dynamique sans <strong>incertitu<strong>de</strong>s</strong>.<br />
{<br />
a1 = 0.025, k 1 = 1.0, γ 1 = 0.25,<br />
a 2 = 0.075, k 2 = 0, c 2 = 0.15, γ 2 = 0.25.<br />
(1.1)<br />
Ce système dynamique, avec ces paramètres, perm<strong>et</strong> l’occurence du pompage énergétique,<br />
phénomène bien visible sur la figure 1.8.<br />
Ce phénomène <strong>de</strong> pompage énergétique peut être prouvé <strong>de</strong> façon plus explicite en représentant<br />
par exemple la position <strong>de</strong> l’oscillateur linéaire en fonction <strong>de</strong> celle <strong>de</strong> l’oscillateur non<br />
linéaire (voir figure 1.9) ou en représentant l’évolution <strong>de</strong>s énergies <strong>de</strong> ces <strong>de</strong>ux oscillateurs au<br />
cours du temps (voir figure 1.10), énergies dont les expressions sont égales à (voir la référence<br />
[42]). D’après les conditions initiales en espace x(0) <strong>et</strong> ẋ(0), diverses représentations du mo<strong>de</strong><br />
non-linéaire peuvent être obtenues (Figure 3.17, page 175).<br />
286
1.3. Quelques résultats<br />
6<br />
4<br />
2<br />
x 1<br />
0<br />
−2<br />
−4<br />
−6<br />
0 50 100 150 200<br />
t<br />
Fig. 1.8 – Oscillations <strong>de</strong> l’oscillateur linéaire. En rouge : l’oscillateur linéaire seul est soumis à<br />
une impulsion initiale. En bleu : le même oscillateur linéaire est soumis à la même impulsion, mais<br />
il est couplé à un oscillateur non linéaire (système <strong>de</strong> l’équation (1.3)). Les valeurs numériques<br />
sont celles <strong>de</strong> l’équation (1.1). L’ajout d’un oscillateur non linéaire, couplé à l’oscillateur linéaire<br />
perm<strong>et</strong> d’obtenir une diminution rapi<strong>de</strong> <strong>de</strong>s oscillations <strong>de</strong> la structure linéaire par transfert<br />
irréversible d’énergie.<br />
287
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Avec les conditions initiales : x(0) = y(0) = ẏ(0) = 0, ẋ = √ 2h,<br />
Pour l’oscillateur linéaire :<br />
E 1N = 1 {ẋ2<br />
h 2 + k ∫ t<br />
}<br />
1<br />
2 x2 + a 1 ẋ(s) 2 ds ,<br />
0<br />
Pour l’oscillateur non linéaire :<br />
E 2N = m {ẏ2<br />
Mh 2 + k 2<br />
2 y2 + c ∫ t<br />
}<br />
2<br />
4 y4 + a 2 ẏ(s) 2 ds .<br />
0<br />
(1.2)<br />
4<br />
3<br />
2<br />
1<br />
y<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
−4 −3 −2 −1 0 1 2 3 4 5<br />
x<br />
Fig. 1.9 – Position <strong>de</strong> l’oscillateur linéaire (x) en fonction <strong>de</strong> celle <strong>de</strong> l’oscillateur non linéaire<br />
(y). L’énergie (donc les oscillations), limitée initialement à l’oscillateur linéaire est rapi<strong>de</strong>ment<br />
transférée à l’oscillateur non-linéaire où elle est dissipée lentement.<br />
Sur ces figures, nous observons que les oscillations (comme l’énergie) sont initialement limitées<br />
à l’oscillateur linéaire. Quasi-instantanément, une partie <strong>de</strong> c<strong>et</strong>te énergie est transférée à<br />
l’oscillateur non-linéaire, où elle est dissipée.<br />
Nous étudions le cas sans <strong>et</strong> avec incertitu<strong>de</strong>, avec 1, 2, 3 <strong>et</strong> 4 éléments <strong>de</strong> Saint-Venant.<br />
1.3.1 Sans sollicitation <strong>et</strong> avec un seul élément <strong>de</strong> Saint-Venant<br />
Dans c<strong>et</strong>te section, la simulation est réalisée dans le cas non sollicité, avec le pas <strong>de</strong> temps<br />
∆t = 0.0001, le nombre <strong>de</strong> pas d’intégration N max = 2000000 <strong>et</strong> la condition initiale x 1 (0) =<br />
x 2 (0) = ẋ 2 (0) = 0, ẋ 1 (0) = √ 2h, avec h = 14.0.<br />
Pour obtenir la même rai<strong>de</strong>ur à vi<strong>de</strong> <strong>de</strong> l’oscillateur linéaire, nous utilisons les valeurs numé-<br />
288
1.3. Quelques résultats<br />
1<br />
0.9<br />
Lineaire<br />
Non−lineaire<br />
E<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 50 100 150 200<br />
t<br />
Fig. 1.10 – Energie <strong>de</strong>s <strong>de</strong>ux oscillateurs pour le système couplé. L’expression analytique <strong>de</strong><br />
ces énergies est donnée par la formule (1.2), issue <strong>de</strong> la référence [42]. Les valeurs numériques<br />
utilisées pour les paramètres sont celles <strong>de</strong> l’équation (1.1).<br />
riques suivantes :<br />
⎧<br />
⎨<br />
⎩<br />
a 1 = 0.025, k 1 = 0.6, γ 1 = 0.25,<br />
a 2 = 0.075, k 2 = 0, c 2 = 0.15, γ 2 = 0.25,<br />
k 3 = 0.4, α 1 = 1.0, η 1 = 2.5.<br />
(1.3)<br />
Le comportement du système est modifié radicalement par l’ajout d’un élément <strong>de</strong> Saint-<br />
Venant (Figures 1.11 <strong>et</strong> 1.12). Bien que l’énergie est bien transmise <strong>de</strong> l’oscillateur linéaire à<br />
l’oscillateur non-linéaire, l’amplitu<strong>de</strong> <strong>de</strong>s oscillations <strong>de</strong> c<strong>et</strong>te première structure reste importante.<br />
De plus, l’oscillateur non-linéaire oscille également avec une amplitu<strong>de</strong> non négligeable.<br />
L’élément <strong>de</strong> Saint-Venant agit donc pendant un certain temps, environ jusqu’à ce l’amplitu<strong>de</strong><br />
<strong>de</strong>s oscillations <strong>de</strong> l’oscillateur linéaire ait diminué en <strong>de</strong>çà du seuil η 1 (Figure 1.13).<br />
1.3.2 Sans sollicitation <strong>et</strong> avec plusieurs éléments <strong>de</strong> Saint-Venant<br />
En introduisant <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant dans le système, nous utilisons la même<br />
rai<strong>de</strong>ur à vi<strong>de</strong> <strong>et</strong> nous fixons le premier seuil égal à celui du système avec un seul élement<br />
<strong>de</strong> Saint-Venant (section 1.3.1). Nous choississons les valeurs numériques suivantes pour les<br />
paramètres :<br />
⎧<br />
⎨<br />
⎩<br />
k 1 = 0.6,<br />
k 3 = 0.3, α 1 = 0.75, η 1 = 2.5,<br />
k 4 = 0.1, α 2 = 0.2, η 2 = 2.<br />
(1.4)<br />
289
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
20<br />
10<br />
10<br />
5<br />
x 1<br />
x 2<br />
0<br />
0<br />
−10<br />
0 50 100 150 200<br />
t<br />
4<br />
2<br />
−5<br />
0 50 100<br />
1eSV<br />
t<br />
150 200<br />
Usuel<br />
4<br />
2<br />
x 3<br />
0<br />
x 4<br />
0<br />
−2<br />
−2<br />
−4<br />
0 50 100 150 200<br />
t<br />
−4<br />
0 50 100 150 200<br />
t<br />
Fig. 1.11 – Comportement <strong>de</strong> x 1 , x 2 , x 3 , x 4 au cours du temps pour le système usuel (courbe<br />
rouge) <strong>et</strong> pour le système avec un élément <strong>de</strong> Saint-Venant (courbe en bleu).<br />
5<br />
10<br />
20<br />
10<br />
5<br />
10<br />
5<br />
x 1<br />
0<br />
x 2<br />
x 1<br />
x 2<br />
0<br />
0<br />
0<br />
−5<br />
0 50 100 150 200<br />
t<br />
−5<br />
0 50 100 150 200<br />
t<br />
−10<br />
0 50 100 150 200<br />
t<br />
−5<br />
0 50 100 150 200<br />
t<br />
4<br />
4<br />
4<br />
4<br />
2<br />
2<br />
2<br />
2<br />
x 3<br />
0<br />
x 4<br />
0<br />
x 3<br />
0<br />
x 4<br />
0<br />
−2<br />
−2<br />
−2<br />
−2<br />
−4<br />
0 50 100 150 200<br />
t<br />
−4<br />
0 50 100 150 200<br />
t<br />
−4<br />
0 50 100 150 200<br />
t<br />
−4<br />
0 50 100 150 200<br />
t<br />
(a) Système usuel<br />
(b) Un élément <strong>de</strong> Saint-Venant<br />
Fig. 1.12 – Comportements <strong>de</strong> x 1 , x 2 , x 3 , x 4 au cours du temps.<br />
290
1.3. Quelques résultats<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
x 5<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
−2<br />
−2.5<br />
0 50 100 150 200<br />
t<br />
Fig. 1.13 – Amplitu<strong>de</strong> <strong>de</strong>s oscillations <strong>de</strong> l’élément <strong>de</strong> Saint-Venant au cours du temps.<br />
Si nous observons ce même système mais avec trois éléments <strong>de</strong> Saint-Venant, nous choississons<br />
les paramètres suivants (en répondant toujours aux mêmes exigences qu’auparavant) :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Avec quatre éléments <strong>de</strong> Saint-Venant :<br />
k 1 = 0.4,<br />
k 3 = 0.3, α 1 = 0.75, η 1 = 2.5,<br />
k 4 = 0.2, α 2 = 0.4, η 2 = 2,<br />
k 5 = 0.1, α 2 = 0.15, η 3 = 1.5.<br />
(1.5)<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
k 1 = 0.3,<br />
k 3 = 0.25, α 1 = 0.625, η 1 = 2.5,<br />
k 4 = 0.2, α 2 = 0.4, η 2 = 2,<br />
k 5 = 0.15, α 3 = 0.225, η 3 = 1.5,<br />
k 6 = 0.1, α 4 = 0.1, η 4 = 1.<br />
(1.6)<br />
Ces différentes simulations nous perm<strong>et</strong>tent <strong>de</strong> tirer plusieurs conclusions :<br />
– Les <strong>incertitu<strong>de</strong>s</strong>, modélisées ici par <strong>de</strong>s éléments <strong>de</strong> Saint-Venant, peuvent altérer l’efficacité<br />
du pompage énergétique. L’amplitu<strong>de</strong> <strong>de</strong>s oscillations <strong>de</strong> l’oscillateur linéaire, mais<br />
également celles <strong>de</strong> l’oscillateur non-linéaire, peuvent être plus importante. En particulier,<br />
pour certaines combinaisons d’éléments <strong>de</strong> Saint-Venant, on observe un premier pic d’oscillation<br />
<strong>de</strong> l’oscillateur linéaire plus important que pour le système sans incertitu<strong>de</strong>, mais<br />
une amplitu<strong>de</strong> qui diminue plus rapi<strong>de</strong>ment (Figures 1.14, 1.15 <strong>et</strong> 1.16 pour les oscillations<br />
linéaires <strong>et</strong> non-linéaires pour les systèmes avec 2,3 ou 4 éléments <strong>de</strong> Saint-Venant).<br />
291
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
Mais assez rapi<strong>de</strong>ment, l’amplitu<strong>de</strong> <strong>de</strong>s oscillations linéaires est inférieure pour une plasticité<br />
plus importante.<br />
– Le patin <strong>de</strong>s éléments <strong>de</strong> Saint-Venant est en mouvement, il est donc actif (Figure 1.17).<br />
– La fréquence <strong>de</strong>s oscillations est également modifiée en temps court (Figures 1.14 <strong>et</strong> 1.15).<br />
En temps long, ces systèmes présentent <strong>de</strong>s oscillations <strong>de</strong> mêms fréquence, mais l’amplitu<strong>de</strong><br />
moyenne est différente (seule le système usuel, sans incertitu<strong>de</strong> <strong>et</strong> donc sans élément<br />
<strong>de</strong> Saint-Venant oscille{<br />
autour <strong>de</strong> la valeur } nulle).<br />
– Les cycles du graphe x(t), −mẍ(t) perm<strong>et</strong>tent <strong>de</strong> m<strong>et</strong>tre en évi<strong>de</strong>nce les différentes<br />
rai<strong>de</strong>urs du système, tel que cela a été expliqué dans [62, 9]. L’aire du cycle effectué<br />
est proportionnelle à l’énergie dissipée, donc en temps court l’efficacité du pompage est<br />
i<strong>de</strong>ntique pour les cas avec 1 ou 2 éléments <strong>de</strong> Saint-Venant (Figure 1.18).<br />
5<br />
4<br />
3<br />
Usuel<br />
1eSV<br />
2eSV<br />
4<br />
3<br />
2<br />
Usuel<br />
1eSV<br />
2eSV<br />
2<br />
1<br />
x 1<br />
1<br />
0<br />
x 3<br />
0<br />
−1<br />
−1<br />
−2<br />
−2<br />
−3<br />
−3<br />
−4<br />
0 10 20 30 40 50<br />
t<br />
(a) Linéaire<br />
−4<br />
0 10 20 30 40 50<br />
t<br />
(b) Non-linéaire<br />
Fig. 1.14 – Trajectoires <strong>de</strong>s oscillateurs linéaire <strong>et</strong> non-linéaire au cours du temps, pour les<br />
systèmes <strong>dynamiques</strong> libres avec 0, 1 <strong>et</strong> 2 éléments <strong>de</strong> Saint-Venant.<br />
292
1.3. Quelques résultats<br />
6<br />
5<br />
4<br />
3<br />
Usuel<br />
1eSV<br />
2eSV<br />
3eSV<br />
4<br />
3<br />
2<br />
Usuel<br />
1eSV<br />
2eSV<br />
3eSV<br />
2<br />
1<br />
x 1<br />
1<br />
x 3<br />
0<br />
0<br />
−1<br />
−1<br />
−2<br />
−2<br />
−3<br />
−3<br />
−4<br />
0 10 20 30 40 50<br />
t<br />
(a) Linéaire<br />
−4<br />
0 10 20 30 40 50<br />
t<br />
(b) Non-linéaire<br />
Fig. 1.15 – Trajectoires <strong>de</strong> l’oscillateur linéaire <strong>et</strong> <strong>de</strong> l’oscillateur non-linéaire pour les différents<br />
systèmes <strong>dynamiques</strong>.<br />
6<br />
5<br />
4<br />
3<br />
Usuel<br />
1eSV<br />
2eSV<br />
3eSV<br />
4eSV<br />
2<br />
x 1<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
0 10 20 30 40 50<br />
t<br />
Fig. 1.16 – Trajectoire <strong>de</strong> l’oscillateur linéaire dans les cas du système usuel <strong>et</strong> <strong>de</strong>s systèmes comportant<br />
<strong>de</strong>s <strong>incertitu<strong>de</strong>s</strong> modélisées avec 1, 2, 3 ou 4 éléments <strong>de</strong> Saint-Venant. Ces oscillations<br />
sont donnés en fonction du temps.<br />
293
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
2.5<br />
2.5<br />
2.5<br />
2<br />
2<br />
x 5<br />
x 6<br />
2<br />
x 5<br />
x 6<br />
1.5<br />
1.5<br />
1.5<br />
x 7<br />
1<br />
1<br />
1<br />
0.5<br />
0.5<br />
0.5<br />
x 5<br />
0<br />
0<br />
0<br />
−0.5<br />
−0.5<br />
−0.5<br />
−1<br />
−1<br />
−1<br />
−1.5<br />
−1.5<br />
−1.5<br />
−2<br />
−2<br />
−2<br />
−2.5<br />
0 50 100 150 200<br />
t<br />
−2.5<br />
0 10 20 30 40 50<br />
t<br />
−2.5<br />
0 10 20 30 40 50<br />
t<br />
(a) N = 1<br />
(b) N = 2<br />
(c) N = 3<br />
Fig. 1.17 – Déplacements <strong>de</strong>s éléments <strong>de</strong> Saint-Venant pour les systèmes <strong>dynamiques</strong> avec<br />
N = 1, N = 2 ou N = 3 éléments <strong>de</strong> Saint-Venant.<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
−3 −2 −1 0 1 2 3 4 5<br />
x<br />
(a) N = 1, t = 0 → 200s<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−3 −2 −1 0 1 2 3 4 5 6<br />
x<br />
(b) N = 3, t = 0 → 200s<br />
Fig. 1.18 – Cycles <strong>de</strong> l’oscillateur linéaire, représentant la quantité −Mẍ(t) en fonction du<br />
déplacement x(t) pour ces différents systèmes.<br />
294
1.3. Quelques résultats<br />
1.3.3 Cas sollicité<br />
Pour les systèmes <strong>dynamiques</strong> sollicités comportant un ou <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant<br />
(systèmes <strong>dynamiques</strong> <strong>de</strong>s schémas 1.6 <strong>et</strong> 1.7), les oscillations sont plus ou moins différentes<br />
(Figure 1.19). Pour ces simulations, nous avons choisi les mêmes valeurs numériques que dans le<br />
cas sans <strong>incertitu<strong>de</strong>s</strong> où le pompage s’amorce <strong>et</strong> est efficace (Figure 1.5) en adaptant la valeur<br />
numérique <strong>de</strong>s différents ressorts afin que la rai<strong>de</strong>ur totale à vi<strong>de</strong> du système soit toujours la<br />
même. Ainsi les valeurs numériques choisies sont, en utilisant le système écrit sous la forme<br />
(1.5) :<br />
Dans tous les cas :<br />
⎧<br />
⎨<br />
⎩<br />
ǫ = 0.05, χ = ǫ 1/3 ,<br />
a 1 = 0, γ 1 = −χ 2 , f = 0.2χ 2 , w = 1.01,<br />
a 2 = λ, c = 8.0, γ 2 = −χ<br />
<strong>et</strong><br />
Pour le système usuel : k 1 = 1 + χ 2 , k 2 = χ,<br />
Avec un élément <strong>de</strong> Saint-Venant : k 1 = 1, k 2 = χ, k 3 = χ 2 , α 3 = 0.05<br />
Avec <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant : k 1 = 1 − χ 2 , k 2 = χ, k 3 = χ 2 , k 4 = χ 2 , α 3 = 0.05, α 4 = 0.051.<br />
Nous observons donc qu’avec un élément <strong>de</strong> Saint-Venant avec η ≈ 0.3687, le phénomène<br />
<strong>de</strong> pompage énergétique agit encore. En rajoutant un <strong>de</strong>uxième élément (η 1 ≈ 0.3684 <strong>et</strong> η 2 ≈<br />
0.3787), l’oscillateur non-linéaire commence lui-aussi à osciller, mais il ne pompe plus suffisamment<br />
d’énergie <strong>de</strong> la partie linéaire (Figure 1.19). En particulier, l’amplitu<strong>de</strong> <strong>de</strong>s oscillations<br />
linéaires (comme celle <strong>de</strong>s oscillations non-linéaires) est constante. En eff<strong>et</strong>, l’amortissement est<br />
nul dans la partie linéaire. L’oscillateur non-linéaire ne pompe que la quantité d’énergie nécessaire<br />
pour entr<strong>et</strong>enir ses oscillations.<br />
En comparant les oscillations <strong>de</strong> l’oscillateur linéaire (Figure 1.20) <strong>et</strong> celles <strong>de</strong> l’oscillateur<br />
non-linéaire (Figure 1.21) pour les systèmes <strong>dynamiques</strong> usuel, avec un <strong>et</strong> <strong>de</strong>ux éléments <strong>de</strong><br />
Saint-Venant, nous observons que l’efficacité du pompage énergétique est altérée. En eff<strong>et</strong>, dans le<br />
système dynamique comportant <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant, bien que l’amplitu<strong>de</strong> maximum<br />
atteinte par les oscillations <strong>de</strong>s <strong>de</strong>ux oscillateurs est plus faible que dans les <strong>de</strong>ux autres cas, on<br />
n’observe plus le phénomène d’on<strong>de</strong> où les oscillations présentent <strong>de</strong>s noeuds <strong>et</strong> <strong>de</strong>s ventres.<br />
Pour vérifier c<strong>et</strong>te constatation, nous étudions également les cycles <strong>de</strong> l’oscillateur linéaire<br />
dans les cas comportant un ou <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant (Figure 1.22). L’aire <strong>de</strong>s <strong>de</strong>ux<br />
cycles est i<strong>de</strong>ntique, mais celui du système comportant <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant est plus<br />
périodique. Initialement, ces <strong>de</strong>ux comportements sont i<strong>de</strong>ntiques : cela signifie que les éléments<br />
<strong>de</strong> Saint-Venant réagissent <strong>de</strong> la même manière, avant que le <strong>de</strong>uxième élément ne se débloque.<br />
On peut remarquer qu’il existe une valeur limite <strong>de</strong> η à partir <strong>de</strong> laquelle le phénomène du<br />
pompage énergétique est complètement altéré. En eff<strong>et</strong> (Figure 1.23), le phénomène du pompage<br />
est <strong>de</strong> moins en moins efficace, jusqu’à obtenir le phénomène <strong>de</strong> saturation (Figure 1.19) dans<br />
le système dynamique avec <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant.<br />
En outre, il existe <strong>de</strong>s valeurs du seuil pour lesquelles le phénomène <strong>de</strong> pompage énergétique<br />
est presque aussi efficace que dans le cas élastique (Figure 1.24). Le maximum d’amplitu<strong>de</strong> <strong>de</strong>s<br />
295<br />
(1.7)
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
oscillations atteint par l’oscillateur linéaire est supérieur dans le cas plastique, mais le ventre <strong>de</strong><br />
l’oscillation est plus faible en amplitu<strong>de</strong> <strong>et</strong> plus court en temps.<br />
En réalité, un couplage peut se révéler utilise même avec plasticité (élément <strong>de</strong> Saint-Venant) :<br />
pour cela, il suffit <strong>de</strong> comparer les oscillations linéaires du cas couplé avec plasticité avec celles<br />
<strong>de</strong> l’oscillateur linéaire seul (Figure 1.25). Dans tous ces graphes, l’amplitu<strong>de</strong> <strong>de</strong>s oscillations<br />
linéaires du système élastoplastique couplé est inférieure à celle <strong>de</strong>s oscillations linéaires <strong>de</strong><br />
l’oscillateur élastoplastique seul.<br />
Les cycles <strong>de</strong> ces systèmes, avec les différentes valeurs du seuil (Figure 1.26), montrent le<br />
passage d’un pompage énergétique efficace à un transfert simple d’énergie.<br />
Le choix <strong>de</strong> la non-linéarité cubique est primordial pour l’éfficacité du transfert d’énergie<br />
dans ce cas élastoplastique. C<strong>et</strong>te non-linéarité, conçue pour le système élastique initial, peut<br />
n’être plus efficace pour le système élastoplastique (Figure 1.27). En particulier, il est possible<br />
<strong>de</strong> concevoir le système non-linéaire couplé à la structure principale <strong>de</strong> telle façon que le pompage<br />
énergétique opère pour toute la gamme <strong>de</strong> seuils <strong>de</strong> plasticité possibles (Figure 1.28). En<br />
eff<strong>et</strong>, l’efficacité pourra être moins importante dans un cas donné, mais globalement le transfert<br />
d’énergie sera toujours actif.<br />
0.6<br />
y 1<br />
0.5<br />
y 1<br />
0.4<br />
y 2<br />
0.4<br />
0.3<br />
y 2<br />
0.2<br />
0.2<br />
0<br />
0.1<br />
y 1<br />
,y 2<br />
−0.2<br />
y 1<br />
,y 2<br />
0<br />
−0.1<br />
−0.4<br />
−0.2<br />
−0.6<br />
−0.3<br />
−0.4<br />
−0.8<br />
0 50 100 150 200<br />
t<br />
(a) N = 1<br />
−0.5<br />
0 50 100 150 200<br />
t<br />
(b) N = 2<br />
Fig. 1.19 – Oscillations <strong>de</strong>s oscillateurs linéaires <strong>et</strong> non-linéaires pour les systèmes <strong>dynamiques</strong><br />
avec un seul élément <strong>de</strong> Saint-Venant <strong>et</strong> <strong>de</strong>ux éléments <strong>de</strong> Saint-Venant.<br />
296
1.3. Quelques résultats<br />
0.6<br />
0.4<br />
Usuel<br />
1eSV<br />
2eSV<br />
0.6<br />
0.4<br />
Usuel<br />
1eSV<br />
2eSV<br />
0.2<br />
0.2<br />
0<br />
0<br />
x<br />
x<br />
−0.2<br />
−0.2<br />
−0.4<br />
−0.4<br />
−0.6<br />
−0.6<br />
−0.8<br />
0 10 20 30 40 50<br />
t<br />
(a) t = 0 → 50s<br />
−0.8<br />
0 50 100 150 200<br />
t<br />
(b) t = 0 → 200s<br />
Fig. 1.20 – Oscillations <strong>de</strong> l’oscillateur linéaire dans les systèmes dynamique sans <strong>et</strong> avec (1 ou<br />
2) éléments <strong>de</strong> Saint-Venant.<br />
0.6<br />
0.4<br />
0.6<br />
0.4<br />
Usuel<br />
1eSV<br />
2eSV<br />
0.2<br />
0.2<br />
0<br />
0<br />
y<br />
y<br />
−0.2<br />
−0.2<br />
−0.4<br />
−0.6<br />
Usuel<br />
1eSV<br />
2eSV<br />
−0.4<br />
−0.6<br />
−0.8<br />
0 20 40 60 80 100<br />
t<br />
(a) t = 0 → 50s<br />
−0.8<br />
0 50 100 150 200<br />
t<br />
(b) t = 0 → 200s<br />
Fig. 1.21 – Oscillations <strong>de</strong> l’oscillateur non-linéaire dans les systèmes dynamique sans <strong>et</strong> avec<br />
(1 ou 2) éléments <strong>de</strong> Saint-Venant.<br />
297
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
0.6<br />
0.15<br />
0.4<br />
0.1<br />
0.2<br />
0.05<br />
0<br />
0<br />
−0.2<br />
−0.05<br />
−0.4<br />
−0.1<br />
−0.6<br />
−0.15<br />
−0.8<br />
−0.5 0 0.5<br />
x(t)<br />
(a) N = 1, t = 0 → 200s<br />
−0.2<br />
−0.1 −0.05 0 0.05 0.1<br />
x(t)<br />
(b) N = 1, t = 0 → 5s<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
−0.5<br />
−0.5 0 0.5<br />
x(t)<br />
(c) N = 2, t = 0 → 200s<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
−0.2<br />
−0.1 −0.05 0 0.05 0.1<br />
x(t)<br />
(d) N = 2, t = 0 → 5s<br />
Fig. 1.22 – Graphes représentant x(t) en fonction <strong>de</strong> f(t) − Mẍ(t) pour les systèmes avec un <strong>et</strong><br />
<strong>de</strong>ux éléments <strong>de</strong> Saint-Venant.<br />
298
1.3. Quelques résultats<br />
0.5<br />
0.5<br />
0.4<br />
0.4<br />
0.3<br />
0.3<br />
0.2<br />
0.2<br />
0.1<br />
0.1<br />
x<br />
0<br />
y<br />
0<br />
−0.1<br />
−0.1<br />
−0.2<br />
−0.2<br />
−0.3<br />
−0.3<br />
−0.4<br />
−0.4<br />
−0.5<br />
0 50 100 150 200<br />
t<br />
(a) Linéaire, α = 0.05<br />
−0.5<br />
0 50 100 150 200<br />
t<br />
(b) Non-linéaire, α = 0.05<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
x<br />
0<br />
y<br />
0<br />
−0.1<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.2<br />
−0.4<br />
−0.3<br />
−0.5<br />
0 50 100 150 200<br />
t<br />
(c) Linéaire, α = 0.048<br />
−0.4<br />
0 50 100 150 200<br />
t<br />
(d) Non-linéaire, α = 0.048<br />
x<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
−0.5<br />
0 50 100 150 200<br />
t<br />
(e) Linéaire, α = 0.046<br />
y<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
0 50 100 150 200<br />
t<br />
(f) Non-linéaire, α = 0.046<br />
Fig. 1.23 – Oscillations <strong>de</strong>s oscillateurs linéaire <strong>et</strong> non-linéaire, pour différentes valeurs du seuil<br />
α (la rai<strong>de</strong>ur <strong>de</strong> l’élément <strong>de</strong> Saint-Venant reste constante, égale à χ 2 ). Ainsi à partir d’une valeur<br />
limite du seuil, le pompage énergétique n’est plus efficace : <strong>de</strong> l’énergie est encore pompée, en<br />
eff<strong>et</strong> l’oscillateur non-linéaire oscille mais il semble saturer <strong>et</strong> cela ne diminue plus l’amplitu<strong>de</strong><br />
<strong>de</strong>s oscillations <strong>de</strong> l’oscillateur linéaire.<br />
299
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
0.5<br />
0.4<br />
0.3<br />
Oscillations lineaires<br />
α=0.05<br />
α=0.0<br />
0.2<br />
0.1<br />
x<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
−0.5<br />
0 50 100 150 200 250<br />
Temps<br />
Fig. 1.24 – Oscillations <strong>de</strong> l’oscillateur linéaire, pour α = 0.05 <strong>et</strong> α = 0.0 (équivalent au cas<br />
élastique).<br />
0.5<br />
0.4<br />
Oscillations lineaires au cours du temps<br />
Sans couplage<br />
Avec couplage<br />
0.5<br />
0.4<br />
Oscillations lineaires au cours du temps<br />
Sans couplage<br />
Avec couplage<br />
0.5<br />
0.4<br />
Oscillations lineaires au cours du temps<br />
Sans couplage<br />
Avec couplage<br />
0.3<br />
0.3<br />
0.3<br />
0.2<br />
0.2<br />
0.2<br />
0.1<br />
0.1<br />
0.1<br />
0<br />
0<br />
0<br />
−0.1<br />
−0.1<br />
−0.1<br />
−0.2<br />
−0.2<br />
−0.2<br />
−0.3<br />
−0.3<br />
−0.3<br />
−0.4<br />
−0.4<br />
−0.4<br />
−0.5<br />
0 50 100 150<br />
Temps<br />
(a) α = 0.05<br />
−0.5<br />
0 50 100 150<br />
Temps<br />
(b) α = 0.048<br />
−0.5<br />
0 50 100 150<br />
Temps<br />
(c) α = 0.046<br />
Fig. 1.25 – Oscillations <strong>de</strong> l’oscillateur linéaire, avec <strong>et</strong> sans couplage.<br />
300
1.3. Quelques résultats<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
−0.5<br />
−0.5 0 0.5<br />
x(t)<br />
(a) α = 0.044<br />
−0.5<br />
−0.5 0 0.5<br />
x(t)<br />
(b) α = 0.048<br />
−0.5<br />
−0.5 0 0.5<br />
x(t)<br />
(c) α = 0.052<br />
Fig. 1.26 – Graphes représentant la quantité f(t) − Mẍ(t) en fontion <strong>de</strong> x(t), pour le système<br />
avec un seul élément <strong>de</strong> Saint-Venant, avec différentes valeurs du seuil. Les cycles <strong>de</strong>s <strong>de</strong>ux<br />
premières figures correspon<strong>de</strong>nt à <strong>de</strong>s systèmes où le pompage énergétique n’opère plus.<br />
301
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
0.5<br />
c=8.0<br />
0.5<br />
c=8.1<br />
0.5<br />
c=8.2<br />
0<br />
0<br />
0<br />
−0.5<br />
0 100<br />
−0.5<br />
200 0 100<br />
−0.5<br />
200 0 100 200<br />
t<br />
t<br />
t<br />
c=8.3<br />
c=8.4<br />
c=8.5<br />
0.5<br />
0.5<br />
0.5<br />
0<br />
0<br />
0<br />
−0.5<br />
0 100<br />
−0.5<br />
200 0 100<br />
−0.5<br />
200 0 100 200<br />
t<br />
t<br />
t<br />
c=8.6<br />
c=8.7<br />
c=8.8<br />
0.5<br />
0.5<br />
0.5<br />
0<br />
0<br />
0<br />
−0.5<br />
0 100<br />
−0.5<br />
200 0 100<br />
−0.5<br />
200 0 100 200<br />
t<br />
t<br />
t<br />
Fig. 1.27 – Oscillations <strong>de</strong> l’oscillateur linéaire pour le système dynamique avec un seul élément<br />
<strong>de</strong> Saint-Venant (figure 1.6, équation (1.7)) avec a 1 = 0, k 1 = 1.0, γ 1 = −χ 2 (χ = ǫ 1/3 , ǫ = 0.05),<br />
f = Aχ 2 (A = 0.2), w = 1.01, a 2 = 0.2, k 2 = χ, γ 2 = −χ, k 3 = χ 2 , α 3 = 0.044. La valeur<br />
numérique <strong>de</strong> la non-linéarité c varie entre 8.0 <strong>et</strong> 8.8. Ainsi le pompage est inefficace pour c = 8.0,<br />
<strong>et</strong> en augmentant progressivement c<strong>et</strong>te non-linéarité, on s’aperçoit que le phénomène fonctionne<br />
à nouveau correctement à partir <strong>de</strong> c = 8.6.<br />
302
1.3. Quelques résultats<br />
0.5<br />
α=0.044<br />
0.5<br />
α=0.048<br />
0<br />
0<br />
−0.5<br />
0 100<br />
−0.5<br />
200 0 100 200<br />
t<br />
t<br />
α=0.052<br />
α=0.056<br />
0.5<br />
0.5<br />
0<br />
0<br />
−0.5<br />
0 100<br />
−0.5<br />
200 0 100 200<br />
t<br />
t<br />
Fig. 1.28 – Oscillations <strong>de</strong> l’oscillateur linéaire pour le système dynamique avec un seul élément<br />
<strong>de</strong> Saint-Venant (figure 1.6, équation (1.7)) avec a 1 = 0, k 1 = 1.0, γ 1 = −χ 2 (χ = ǫ 1/3 , ǫ = 0.05),<br />
f = Aχ 2 (A = 0.2), w = 1.01, a 2 = 0.2, k 2 = χ, c = 8.7, γ 2 = −χ, k 3 = χ 2 . La valeur numérique<br />
du seuil du patin <strong>de</strong> l’élément <strong>de</strong> Saint-Venant varie entre 0.044 <strong>et</strong> 0.056. Pour c<strong>et</strong>te valeur <strong>de</strong><br />
la non-linéarité, le pompage est efficace pour toute la gamme <strong>de</strong> seuils (<strong>et</strong> donc d’éléments <strong>de</strong><br />
SAint-Venant) considérés.<br />
303
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
1.4 Définition d’un coefficient d’amortissement équivalent<br />
En analysant la perte d’énergie par cycle, un coefficient d’amortissement équivalent peut être<br />
déterminé. Par exemple, pour le système dynamique (1.1) <strong>de</strong> <strong>de</strong>ux oscillateurs couplés soumis<br />
à une sollicitation sinusoïdale, nous étudions la solution <strong>de</strong> l’équation différentielle décrivant<br />
l’oscillateur linéaire (<strong>de</strong> comportement élasto-plastique) :<br />
ẍ + aẋ + k 1 x + γ 1 (x − y) = f cos(wt), (1.1)<br />
qui s’écrit comme somme <strong>de</strong> la solution <strong>de</strong> l’équation homogène <strong>et</strong> d’une solution particulière :<br />
solution générale = solution homogène + solution particulière,<br />
= e − a<br />
2m t (C 1<br />
√<br />
cos(qt) + C 2 sin(qt)) + solution particulière,<br />
(1.2)<br />
avec q = k 1 − a2 1<br />
4 .<br />
Pour déterminer la solution particulière, on pose : x = x 0 cos(wt−ϕ). L’action <strong>de</strong>s différentes<br />
forces peut alors se résumer par le graphe suivant, en faisant l’hypothèse γ 1 (x − y) = ˜γx où ˜γ<br />
est variable au cours du temps :<br />
f<br />
ϕ<br />
w 2 x 0 = (−ẍ)<br />
ax 0 w(= −a 1 ẋ)<br />
x 0<br />
(k 1 + γ 1 )x 0<br />
{ −x0 w 2 + (k 1 + ˜γ)x 0 = f cos(ϕ),<br />
Soit :<br />
tan(ϕ) =<br />
a 1 w<br />
(k 1 + ˜γ) − w 2, x 0 =<br />
a 1 x 0 w = f sin(ϕ).<br />
f<br />
√ (1.3)<br />
(k1 + ˜γ − w 2 ) 2 + a 2 1w2. Pendant un cycle <strong>de</strong> vibration, wt varie <strong>de</strong> 0 à 2π. Nous cherchons le travail effectué pendant<br />
un cycle avec la sollicitation f(t) = f cos(wt) <strong>et</strong> le déplacement x = x 0 cos(wt−ϕ), en supposant<br />
x 0 <strong>et</strong> ϕ constantes (donc ˜γ constante) :<br />
∫ 2π/w<br />
0<br />
f(t) dx<br />
∫ 2π/w<br />
dt dt = −fx 0w<br />
0<br />
= −fx 0 w cos ϕ<br />
= fx 0 π sinϕ.<br />
cos(wt)sin(wt − ϕ)dt<br />
∫ 2π/w<br />
0<br />
cos(wt)sin(wt)dt + fwx 0 sinϕ<br />
∫ 2π/w<br />
0<br />
cos(wt) 2 dt<br />
(1.4)<br />
304
1.5. Conclusion<br />
Ce travail est également l’aire P <strong>de</strong>s cycles. Donc en remplaçant la valeur <strong>de</strong> sin ϕ, on trouve :<br />
a =<br />
P<br />
πwx 2 . (1.5)<br />
0<br />
Dans c<strong>et</strong>te <strong>de</strong>rnière formule (1.5), pour tenir compte <strong>de</strong> la variabilité <strong>de</strong> ˜γ, nous attribuons<br />
à x 0 la valeur maximale <strong>de</strong> x atteinte pendant le cycle considéré.<br />
1.5 Conclusion<br />
Dans la littérature, le phénomène <strong>de</strong> pompage énergétique est considéré en attribuant <strong>de</strong>s lois<br />
<strong>de</strong> comportement élastiques linéaires pour les <strong>de</strong>ux structures. Pourtant, la structure principale,<br />
dont nous cherchons à limiter les oscillations, subit un certain nombre <strong>de</strong> cycles <strong>de</strong> sollicitations,<br />
donc le comportement peut être beaucoup plus complexe, en particulier être élastoplastique, ce<br />
qui a été considéré dans ce chapitre.<br />
Une première section <strong>de</strong> ce chapitre a été dévouée à l’étu<strong>de</strong> théorique du système élastoplastique<br />
résultant. En tirant partie <strong>de</strong> la théorie sur les opérateurs maximaux monotones, nous<br />
avons démontré que ce problème différentiel êst bien posé, c’est-à-dire qu’il existe un déplacement<br />
solution <strong>et</strong> que celui-ci est unique.<br />
Ensuite, nous avons montré que si la structure annexe est conçue pour optimiser le transfert<br />
d’énergie <strong>de</strong> la structure principale dans le cas d’un comportement élastique linéaire parfait, le<br />
phénomène persiste dans le cas d’une loi <strong>de</strong> comportement élastoplastique parfait. En particulier,<br />
en considérant une gamme <strong>de</strong> comportements élastoplastiques possibles (via une gamme <strong>de</strong> seuils<br />
<strong>et</strong> <strong>de</strong> rai<strong>de</strong>urs possibles), il est possible <strong>de</strong> concevoir la nonlinéarité cubique pour que le transfert<br />
ait lieu dans tous les cas considérés.<br />
Dans le chapitre suivant, nous élargissons c<strong>et</strong>te étu<strong>de</strong> aux lois <strong>de</strong> comportement élastoplastiques<br />
avec <strong>et</strong> sans endommagement.<br />
305
Chapitre 1. Incertitu<strong>de</strong>s modélisées par <strong>de</strong>s éléments <strong>de</strong> Saint Venant<br />
306
Chapitre 2<br />
Etu<strong>de</strong> du pompage énergétique avec<br />
comportement élasto-plastique avec<br />
endommagement<br />
Dans ce chapitre, nous étudions la robustesse du phénomène du pompage énergétique<br />
en supposant une incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement <strong>de</strong> la structure<br />
linéaire. Plus précisément, c<strong>et</strong>te <strong>de</strong>rnière pourra être <strong>de</strong> type élastique parfait,<br />
élastoplastique parfait ou élastoplastique avec endommagement.<br />
Sommaire<br />
2.1 Comportements étudiés . . . . . . . . . . . . . . . . . . . . . . . . 308<br />
2.1.1 Comportement élastoplastique pur . . . . . . . . . . . . . . . . . . 309<br />
2.1.2 Comportement élastoplastique avec endommagement . . . . . . . . 312<br />
2.2 Preuves numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 316<br />
2.2.1 Cas libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316<br />
2.2.2 Cas forcé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321<br />
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326<br />
Dans ce <strong>de</strong>uxième chapitre <strong>de</strong> la partie, nous étudions numériquement l’eff<strong>et</strong> sur le phénomène<br />
<strong>de</strong> pompage énergétique d’un comportement non élastique : en particulier, nous étudierons<br />
ici le cas du comportement élastoplastique pur <strong>et</strong> celui du comportement élastoplastique avec<br />
endommagement.<br />
Dans un premier temps, nous présenterons ces <strong>de</strong>ux comportements, ainsi que leur implémentation<br />
numérique. Ensuite, nous nous attacherons à représenter les résultats <strong>et</strong> les conséquences<br />
les plus significatifs <strong>de</strong> leur simulation numérique.<br />
Le système que nous étudions est représenté Figure 2.1 : M est la masse <strong>de</strong> la structure<br />
307
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
principale, c 1 est son amortissement <strong>et</strong> c 2 sa rai<strong>de</strong>ur linéaire. m est la masse <strong>de</strong> la structure<br />
auxiliaire, c 3 son amortissement, c 4 sa rai<strong>de</strong>ur linéaire <strong>et</strong> c sa rai<strong>de</strong>ur non-linéaire (dans notre<br />
cas, cubique). Les <strong>de</strong>ux oscillateurs sont reliés par une rai<strong>de</strong>ur linéaire <strong>de</strong> coefficient g. Nous<br />
étudions <strong>de</strong>ux cas :<br />
– La structure principale n’est soumise à aucune sollicitation, l’énergie initiale étant apportée<br />
par <strong>de</strong>s conditions initiales non nulles,<br />
– ou la structure principale est soumise à une sollicitation <strong>de</strong> la forme F cos(wt).<br />
c 2<br />
F cos(wt)<br />
c 1<br />
g<br />
c 5<br />
c 4<br />
c 3<br />
M<br />
m<br />
y<br />
Fig. 2.1 – Système étudié : une structure linéaire est couplée linéairement à une structure annexe<br />
à rai<strong>de</strong>ur cubique.<br />
x<br />
Nous supposons ici que la structure principale (<strong>de</strong> masse M, amortissement c 1 <strong>et</strong> rai<strong>de</strong>ur c 2 )<br />
peut suivre plusieurs lois <strong>de</strong> comportement différentes.<br />
Nous notons x,ẋ (respectivement y, ẏ) le déplacement <strong>et</strong> la vitesse <strong>de</strong> M (respectivement<br />
m).<br />
2.1 Comportements étudiés<br />
Un grand nombre d’articles concernant le pompage énergétique existent ([41, 43, 109, 36],...).<br />
Ils discutent <strong>de</strong> critères théoriques <strong>et</strong> numériques <strong>de</strong>s conditions d’observation <strong>de</strong> ce phénomène.<br />
Pourtant ils se limitent au cas d’un comportement élastique <strong>de</strong> la part <strong>de</strong>s <strong>de</strong>ux structures. Ici,<br />
nous nous intéressons, dans le cadre <strong>de</strong> c<strong>et</strong>te thèse, au cas où le comportement <strong>de</strong> la structure<br />
linéaire incertain. En particulier, nous supposons que le comportement peut être élastique, élastoplastique<br />
pur ou élastoplastique avec endommagement. Ces hypothèses sont permises car il est<br />
probable qu’après avoir subi une sollicitation (qui peut être forte), le comportement n’est plus<br />
élastique pur. De même, il est possible que la structure gar<strong>de</strong> un endommagement structurel.<br />
308
2.1. Comportements étudiés<br />
2.1.1 Comportement élastoplastique pur<br />
Nous modélisons le comportement élastoplastique avec <strong>de</strong>ux forces limites plastiques : F +<br />
pour un déplacement positif <strong>et</strong> F − pour un déplacement négatif, un module <strong>de</strong> Young K 0 <strong>et</strong> un<br />
déplacement limite plastique U Y (Figure 2.2). Certaines propriétés <strong>de</strong> la dynamique <strong>de</strong> c<strong>et</strong>te loi<br />
<strong>de</strong> comportement (points fixes, chaos, ...) sont explicitées dans la référence [16].<br />
F<br />
F +<br />
O<br />
K 0<br />
U Y<br />
U<br />
F −<br />
Fig. 2.2 – Comportement élastoplastique pur avec une force limite positive F + , une force limite<br />
négative F − , un module <strong>de</strong> Young K 0 <strong>et</strong> un déplacement limite élastique U Y .<br />
Trois comportements sont donc possibles :<br />
– un comportement élastique,<br />
– un comportement plastique avec déplacement positif que nous noterons P + ,<br />
– <strong>et</strong> un comportement plastique avec déplacement négatif, noté P − .<br />
Pour chacun <strong>de</strong> ces trois comportements, nous détaillons ci-<strong>de</strong>ssous les équations du mouvements.<br />
Nous notons x p la variable <strong>de</strong> mémoire.<br />
Le comportement élastique<br />
Le comportement est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
⎧<br />
⎨<br />
⎩<br />
F − < K 0 (x − x p ) < F + ,<br />
K 0 (x − x p ) = F + <strong>et</strong> ẋ(x − x p ) ≤ 0,<br />
K 0 (x − x p ) = F − <strong>et</strong> ẋ(x − x p ) ≤ 0.<br />
(2.1)<br />
Dans c<strong>et</strong>te phase du comportement, les équations du mouvement sont :<br />
309
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
⎧<br />
⎨<br />
⎩<br />
Mẍ + c 1 ẋ + ˜k 1 x + K 0 (x − x p ) + g(x − y) = F(t),<br />
ẋ p = 0,<br />
mÿ + c 2 ẏ + ˜k 2 y + cy 2 + g(y − x) = 0,<br />
(2.2)<br />
Nous supposons ici que la sollicitation est <strong>de</strong> la forme F(t) = F cos(wt), où F peut être nul.<br />
Les équations peuvent donc se réécrire sous la forme :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
avec :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + a 1 ẋ + k 1 x + k 0 (x − x p ) + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
ẋ p = 0,<br />
a 1 = c 1<br />
M , k 1 = ˜k 1<br />
M , k 0 = K 0<br />
M , γ 1 = g F(t)<br />
, F(t) = F cos(wt), f cos(wt) =<br />
M M ,<br />
(2.3)<br />
a 2 = c 2<br />
m , k 2 = ˜k 2<br />
m , C = c m , γ 2 = g m .<br />
⎛ ⎞ ⎛<br />
x 1<br />
x 2<br />
En notant<br />
⎜ x 3<br />
⎟<br />
⎝ x 4<br />
⎠ = ⎜<br />
⎝<br />
x 5<br />
⎞<br />
x<br />
ẋ<br />
y<br />
⎟<br />
ẏ ⎠ , la discrétisation peut être écrite :<br />
x p<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − k 0 (x 1 (n) − x 5 (n)) − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
(2.4)<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
x 5 (n + 1) = x 5 (n),<br />
où ∆t est le pas <strong>de</strong> discrétisation <strong>et</strong> ∀i ∈ {1, 2, 3, 4, 5}, ∀n ≥ 0, x i (n) est la valeur approchée<br />
<strong>de</strong> x i (t) au temps t = n∆t.<br />
Le comportement plastique P +<br />
De même, lorsque le comportement plastique P + est atteint, la rai<strong>de</strong>ur interne est nulle <strong>et</strong><br />
une force constante F + apporte <strong>de</strong> l’énergie. Les équations du mouvement s’écrivent alors :<br />
310
2.1. Comportements étudiés<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + a 1 ẋ + k 1 x + f + + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
ẋ p = 0,<br />
avec : f + = F +<br />
M<br />
(2.5)<br />
Le comportement est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
K 0 (x − x p ) = F + . (2.6)<br />
Ainsi, avec les mêmes notations que dans le cas précé<strong>de</strong>nt, la discrétisation peut s’expliciter :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − f + − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
x 5 (n + 1) = x 5 (n),<br />
(2.7)<br />
Le comportement plastique P −<br />
Finalement, le <strong>de</strong>rnier comportement s’écrit :<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + a 1 ẋ + k 1 x + f − + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
ẋ p = 0,<br />
avec : f − = F −<br />
M<br />
(2.8)<br />
Le comportement est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
K 0 (x − x p ) = F − . (2.9)<br />
311
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Ainsi, avec les mêmes notations que dans le cas précé<strong>de</strong>nt, la discrétisation peut s’expliciter :<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − f − − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
x 5 (n + 1) = x 5 (n),<br />
2.1.2 Comportement élastoplastique avec endommagement<br />
(2.10)<br />
Nous modélisons le comportement élastoplastique avec endommagement explicité Figure 2.3,<br />
où F + est la force limite élastique, U Y est le déplacement élastique limite, K 0 est le module <strong>de</strong><br />
Young, K T est la rai<strong>de</strong>ur d’endommagement, U f est le déplacement limite avant rupture. Ce<br />
comportement est explicité <strong>et</strong> certains <strong>de</strong> ses aspects étudiés dans la référence [17].<br />
F<br />
F +<br />
K T<br />
O<br />
K 0<br />
U Y<br />
U f<br />
U<br />
312<br />
Fig. 2.3 – Comportement élastoplastique étudié avec variable d’endommagement.<br />
Ce comportement se décompose en trois phases :
2.1. Comportements étudiés<br />
– une phase élastique avec déplacement croissant, que nous noterons E + ,<br />
– une phase élastique avec déplacement décroissant noté E − ,<br />
– une phase avec endommagement, noté D.<br />
Nous explicitons ci-<strong>de</strong>ssous les équations du mouvement, les conditions d’application <strong>et</strong> les<br />
discrétisations pour ces trois phases du comportement élastoplastique avec endommagement.<br />
Comportement élastique E +<br />
Si nous notons x le déplacement <strong>de</strong> la structure principale (linéaire <strong>et</strong> avec comportement<br />
élastoplastique avec endommagement) <strong>et</strong> v la variable <strong>de</strong> mémoire d’endommagement, le comportement<br />
est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
⎧<br />
⎨<br />
⎩<br />
x > 0 ou (x = 0 <strong>et</strong> ẋ ≥ 0)<br />
<strong>et</strong><br />
ẋ ≤ 0 ou (ẋ ≥ 0 <strong>et</strong> u < v) ou v ≤ u y .<br />
Dans c<strong>et</strong>te phase du comportement, les équations du mouvement sont :<br />
(2.11)<br />
⎧<br />
⎨<br />
⎩<br />
Mẍ + c 1 ẋ + ˜k 1 x + K 0 (1 − D(v))x + g(x − y) = F(t),<br />
Ḋ = 0,<br />
mÿ + c 2 ẏ + ˜k 2 y + cy 2 + g(y − x) = 0,<br />
où D(v) =<br />
〈<br />
1 + K 〈<br />
T<br />
−1 − K 〉〉<br />
0 − K T U Y<br />
,<br />
K 0 K T v<br />
(2.12)<br />
<strong>et</strong><br />
{<br />
v = max x(t),<br />
t<br />
〈x〉 = x si x ≥ 0, x = 0 sinon .<br />
Nous supposons ici que la sollicitation est <strong>de</strong> la forme F(t) = F cos(wt), où F peut être nul.<br />
Les équations peuvent donc se réécrire sous la forme :<br />
avec :<br />
⎧<br />
⎨<br />
⎩<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẍ + a 1 ẋ + k 1 x + k 0 (1 − D(z))x + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
Ḋ = 0,<br />
a 1 = c 1<br />
M , k 1 = ˜k 1<br />
M , k 0 = K 0<br />
M , γ 1 = g F(t)<br />
, f cos(wt) =<br />
M M ,<br />
a 2 = c 2<br />
m , k 2 = ˜k 2<br />
m , C = c m , γ 2 = g m . (2.13)<br />
313
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
⎛<br />
En notant<br />
⎜<br />
⎝<br />
⎞<br />
x 1<br />
x 2<br />
x 3<br />
x 4<br />
⎟<br />
x 5<br />
⎠<br />
x 6<br />
⎛<br />
=<br />
⎜<br />
⎝<br />
x<br />
ẋ<br />
y<br />
ẏ<br />
v<br />
D<br />
⎞<br />
, la discrétisation peut être écrite :<br />
⎟<br />
⎠<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − k 0 (1 − D(x 5 (n)))x 1 (n) − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
{<br />
}<br />
x 5 (n + 1) = max x 1 (n + 1), x 5 (n) ,<br />
x 6 (n + 1) = x 6 (n),<br />
(2.14)<br />
où ∆t est le pas <strong>de</strong> discrétisation <strong>et</strong> ∀i ∈ {1, 2, 3, 4, 5, 6}, ∀n ≥ 0, x i (n) est la valeur approchée<br />
<strong>de</strong> x i (t) au temps t = n∆t.<br />
Comportement élastique E −<br />
De même, lorsque le comportement élastique E − est atteint, la rai<strong>de</strong>ur interne est simplement<br />
égale à K 0 . Les équations du mouvement s’écrivent alors :<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + a 1 ẋ + k 1 x + k 0 x + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
Ḋ = 0,<br />
(2.15)<br />
avec : k 0 = K 0<br />
M<br />
Le comportement est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
⎧<br />
⎨<br />
⎩<br />
x < 0<br />
ou<br />
x = 0 <strong>et</strong> ẋ ≤ 0.<br />
(2.16)<br />
314
2.1. Comportements étudiés<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Ainsi, avec les mêmes notations que dans le cas précé<strong>de</strong>nt, la discrétisation peut s’expliciter :<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − f + − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
{<br />
}<br />
x 5 (n + 1) = max x 1 (n + 1), x 5 (n) ,<br />
x 6 (n + 1) = x 6 (n).<br />
Comportement d’endommagement D<br />
Finalement, le <strong>de</strong>rnier comportement s’écrit :<br />
(2.17)<br />
⎧<br />
⎨<br />
⎩<br />
ẍ + a 1 ẋ + k 1 x + 〈k T (x − U f )〉 + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
˙v = ẋ,<br />
(2.18)<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
avec : k T = K T<br />
M<br />
Le comportement est <strong>de</strong> c<strong>et</strong>te forme lorsque :<br />
ẋ > 0 <strong>et</strong> x = v <strong>et</strong> v ≥ U y . (2.19)<br />
Ainsi, avec les mêmes notations que dans le cas précé<strong>de</strong>nt, la discrétisation peut s’expliciter :<br />
x 1 (n + 1) = x 1 (n) + ∆t x<br />
[ 2 (n),<br />
x 2 (n + 1) = x 2 (n) + ∆t − a 1 x 2 (n) − k 1 x 1 (n) − f − − γ 1 (x 1 (n) − x 3 (n))<br />
]<br />
+ f cos(wn∆t) ,<br />
x 3 (n + 1) = x 3 (n) + ∆t x<br />
[ 4 (n),<br />
]<br />
x 4 (n + 1) = x 4 (n) + ∆t − a 2 x 4 (n) − k 2 x 3 (n) − Cx 3 3 (n) − γ 2(x 3 (n) − x 1 (n)) ,<br />
x 5 (n + 1) = x 5 (n) + ∆t x 2 (n + 1),<br />
x 6 (n + 1) = D(x 5 (n + 1)),<br />
où D est la fonction d’endommagement <strong>de</strong> l’équation (2.12).<br />
(2.20)<br />
315
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
2.2 Preuves numériques <strong>de</strong> l’existence du phénomène <strong>de</strong> transfert<br />
énergétique<br />
2.2.1 Cas libre<br />
Dans c<strong>et</strong>te partie, nous nous intéressons au système suivant :<br />
{ ẍ + a1 ẋ + k 1 x + γ 1 (x − y) = 0,<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
avec les valeurs numériques suivantes :<br />
{<br />
a1 = 0.025, k 1 = 0.6, γ 1 = 0.25,<br />
a 2 = 0.075, k 2 = 0.0, C = 0.15, γ 2 = 0.25.<br />
(2.1)<br />
(2.2)<br />
{<br />
x1 (0) = x 2 (0) = ẋ 2 (0) = 0,<br />
Les conditions initiales sont prises égales à<br />
ẋ 1 (0) = √ 2h avec h = 14.0 .<br />
Avec ces valeurs numériques <strong>de</strong> paramètres <strong>et</strong> ces conditions initiales, le phénomène <strong>de</strong><br />
pompage énergétique se produit. En eff<strong>et</strong>, ceci est visible en comparant les mouvements <strong>de</strong> ce<br />
système (2.2) à ceux du système sans couplage (soit γ 1 = γ 2 = 0, Figure 2.4), ou en observant<br />
les oscillations <strong>de</strong> la structure non-linéaire en fonction <strong>de</strong> ceux <strong>de</strong> la structure linéaire (figure<br />
2.5).<br />
Ici, le comportement est supposé élastique. Nous étudions le même système mais en supposant<br />
un comportement élastoplastique pur (voir section 2.1.1) <strong>et</strong> un comportement élastoplastique<br />
avec endommagement (section 2.1.2). Les paramètres utilisés sont ceux du tableau 2.1.<br />
Elastique Elastoplastique pur Elastoplastique avec endommagement<br />
a 1 = 0.025, γ 1 = 0.25, a 2 = 0.075, k 2 = 0.0, C = 0.15, γ 2 = 0.25<br />
x 1 (0) = x 2 (0) = ẋ 2 = 0, ẋ 1 (0) = √ 2h avec h = 14.0<br />
k 1 = 0.6 k 1 = 0.5, k 0 = 0.1 k 1 = 0.5, k 0 = 0.1<br />
F + = 0.04, F − = −0.04 F + = 0.04, F − = −0.04<br />
u y = 0.4, u f<br />
= 3.0, k T = k 0 u y<br />
u y u y − u f<br />
x p = 0.0 v = 1.0,D = 0<br />
Tab. 2.1 – Valeurs numériques <strong>de</strong>s paramètres utilisées pour les simulations.<br />
Dans ce cas, nous pouvons vérifier qu’un transfert d’énergie d’énergie a lieu <strong>de</strong> la structure<br />
linéaire vers la structure non-linéaire (Figures 2.6 <strong>et</strong> 2.7). En particulier, pour <strong>de</strong>s temps très<br />
316
2.2. Preuves numériques<br />
6<br />
4<br />
Sans couplage<br />
Avec couplage<br />
2<br />
0<br />
−2<br />
−4<br />
−6<br />
0 50 100 150 200 250 300<br />
Temps<br />
Fig. 2.4 – Oscillations <strong>de</strong> la structure linéaire pour le système avec couplage <strong>de</strong> l’équation (2.2)<br />
<strong>et</strong> ceux <strong>de</strong> la structure linéaire seule.<br />
5<br />
4<br />
3<br />
Oscillations non−lineaires<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
−3<br />
−4<br />
−4 −3 −2 −1 0 1 2 3 4<br />
Oscillations lineaires<br />
Fig. 2.5 – Oscillations <strong>de</strong> la structure non-linéaire en fonction <strong>de</strong> ceux <strong>de</strong> la structure linéaire<br />
pour le système <strong>de</strong> l’équation (2.2).<br />
317
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
faibles, le comportement est le même pour ces trois comportements : les oscillations <strong>de</strong> la structure<br />
non-linéaire commencent immédiatement <strong>et</strong> atteignent la même amplitu<strong>de</strong>. Ensuite, pour<br />
<strong>de</strong>s temps plus longs, la décroissance plus rapi<strong>de</strong> <strong>de</strong>s oscillations dans les cas élastoplastiques<br />
est la preuve d’une dissipation plus gran<strong>de</strong>.<br />
De plus, la figure 2.7 montre que le comportement élastique <strong>et</strong> le comportement élastoplastique<br />
pur induisent la même sorte <strong>de</strong> transfert d’énergie, cela n’est plus le cas dans le comportement<br />
élastoplastique avec endommagement. En eff<strong>et</strong>, la phase <strong>de</strong> comportement appelé<br />
”endommagement“ (section 2.1.2) montre un mo<strong>de</strong> <strong>de</strong> vibration tourné <strong>de</strong> π par rapport au<br />
2<br />
mo<strong>de</strong> usuel.<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
Elastique<br />
−3 Elastoplastique<br />
Endommagement<br />
−4<br />
0 50 100 150 200 250 300<br />
Temps<br />
Fig. 2.6 – Oscillations <strong>de</strong> la structure linéaire du système (2.2) avec les valeurs numériques du<br />
tableau 2.1 pour les cas <strong>de</strong>s comportements élastique, élastoplastique pur <strong>et</strong> élastoplastique avec<br />
endommagement.<br />
De même, pour prouver quantitativement l’occurence d’un pompage énergétique, il est possible<br />
<strong>de</strong> comparer les oscillations <strong>de</strong> la structure linéaire dans le système couplé avec celles <strong>de</strong><br />
c<strong>et</strong>te structure seule (c’est-à-dire non couplée). Alors nous observons que les oscillations du système<br />
couplé avec comportements élastoplastique pur ou élastoplastique avec endommagement<br />
décroissent plus rapi<strong>de</strong>ment que celles <strong>de</strong>s mêmes systèmes sans couplage (Figure 2.8).<br />
318
2.2. Preuves numériques<br />
5<br />
Elastique<br />
5<br />
Elastoplastique<br />
Non−lineaire<br />
0<br />
−5<br />
−4 −2 0 2 4<br />
Lineaire<br />
Endommagement<br />
5<br />
Non−lineaire<br />
0<br />
−5<br />
−4 −2 0 2 4<br />
Lineaire<br />
Non−lineaire<br />
0<br />
−5<br />
−4 −2 0 2 4<br />
Lineaire<br />
Fig. 2.7 – Oscillations <strong>de</strong> la structure non-linéaire du système (2.2) en fonction <strong>de</strong> celles <strong>de</strong><br />
la structure linéaire, avec les valeurs numériques du tableau 2.1 pour les cas <strong>de</strong> comportement<br />
élastique, élastoplastique pur <strong>et</strong> élastoplastique avec endommagement.<br />
319
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
6<br />
Couplage<br />
Sans couplage<br />
6<br />
5<br />
Couplage<br />
Sans couplage<br />
4<br />
4<br />
2<br />
3<br />
2<br />
x<br />
0<br />
x<br />
1<br />
0<br />
−2<br />
−1<br />
−4<br />
−2<br />
−3<br />
−6<br />
0 50 100 150 200 250<br />
Temps<br />
(a) Elastique<br />
−4<br />
0 50 100 150 200 250<br />
Temps<br />
(b) Elastoplastique parfait<br />
8<br />
6<br />
Couplage<br />
Sans couplage<br />
4<br />
2<br />
x<br />
0<br />
−2<br />
−4<br />
−6<br />
0 50 100 150 200 250<br />
Temps<br />
(c) Elastoplastique avec endommagement<br />
Fig. 2.8 – Oscillations en fonction du temps <strong>de</strong> la structure linéaire couplée du système (2.2)<br />
<strong>et</strong> celles <strong>de</strong> ce même oscillateur seul, avec les valeurs numériques du tableau 2.1 pour les cas <strong>de</strong><br />
comportement élastique, élastoplastique pur <strong>et</strong> élastoplastique avec endommagement.<br />
320
2.2. Preuves numériques<br />
2.2.2 Cas forcé<br />
Comme dans le chapitre précé<strong>de</strong>nt, nous étudions le système forcé suivant (tiré <strong>de</strong>s références<br />
[36, 108, 41]) : il s’agit d’une réécriture barycentrique d’un système <strong>de</strong> <strong>de</strong>ux oscillateurs liés par<br />
une rai<strong>de</strong>ur linéaire en vitesse <strong>et</strong> une rai<strong>de</strong>ur cubique en position (pour plus d’explications, voir<br />
section 1.2).<br />
avec :<br />
⎧<br />
⎨<br />
⎩<br />
{<br />
ẍ + a 1 ẋ + k 1 x + γ 1 (x − y) = f cos(wt),<br />
ÿ + a 2 ẏ + k 2 y + Cy 3 + γ 2 (y − x) = 0,<br />
ǫ = 0.05, χ = ǫ 1/3 , A = 0.2,<br />
a 1 = 0, k 1 = 1 + χ 2 , γ 1 = −χ 2 , f = Aχ 2 , w = 1.01,<br />
a 2 = λ, k 2 = χ, c = 8.0, γ 2 = −χ.<br />
(2.3)<br />
(2.4)<br />
Les conditions initiales sont prises nulles : x 1 (0) = ẋ 1 (0) = x 2 (0) = ẋ 2 (0) = 0.<br />
Avec ces valeurs numériques <strong>de</strong> paramètres <strong>et</strong> ces conditions initiales, le phénomène <strong>de</strong><br />
pompage énergétique se produit. En eff<strong>et</strong>, ceci est visible en comparant les mouvements <strong>de</strong> ce<br />
système (2.2) à ceux du système sans couplage (soit γ 1 = γ 2 = 0) comme sur la figure 2.9, ou en<br />
observant les oscillations <strong>de</strong> la structure non-linéaire en fonction <strong>de</strong> ceux <strong>de</strong> la structure linéaire<br />
(figure 2.10).<br />
Ici, le comportement est supposé élastique. Nous étudions le même système mais en supposant<br />
un comportement élastoplastique pur (explicité Section 2.1.1, page 309) <strong>et</strong> un comportement<br />
élastoplastique avec endommagement (section 2.1.2, page 312). Les paramètres utilisés sont<br />
ceux du tableau 2.2.<br />
Avec ces valeurs numériques pour les paramètres, nous représentons les oscillations <strong>de</strong> la<br />
structure linéaire en fonction du temps (Figure 2.11). Dans ce cas avec sollicitation, l’oscillateur<br />
non linéaire réagit immédiatement à la sollicitation appliquée à l’oscillateur linéaire. Mais l’amplitu<strong>de</strong><br />
<strong>de</strong>s oscillations linéaires sont beaucoup plus faibles dans les cas élastoplastiques (fait lié<br />
à la dissipation plus importante <strong>de</strong> la phase plastique). De plus, l’oscillateur non linéaire réagit<br />
différemment que dans le cas élastique : c<strong>et</strong> oscillateur réagit dans sa phase plastique, puis il<br />
plastifie assez rapi<strong>de</strong>ment <strong>et</strong> oscille légèrement autour d’une position non nulle.<br />
Si nous représentons les oscillations <strong>de</strong> la structure non-linéaire en fonction <strong>de</strong> celles <strong>de</strong> la<br />
structure linéaire (Figure 2.12), nous observons le mo<strong>de</strong> <strong>de</strong> vibration pour le comportement<br />
élastique. Pour les comportements élastoplastiques, nous observons les cycles du mouvement.<br />
Pour le comportement élastoplastique pur, la rai<strong>de</strong>ur peut être évaluée en utilisant la pente <strong>de</strong>s<br />
courbes du cycle. Ceci est beaucoup plus compliqué dans le cas du comportement élastoplastique<br />
avec endommagement.<br />
En outre, les oscillations du système couplé avec lois <strong>de</strong> comportement élastique, élastoplastique<br />
parfait <strong>et</strong> élastoplastique avec endommagement voient leurs amplitu<strong>de</strong>s diminuer plus<br />
rapi<strong>de</strong>ment que celles <strong>de</strong>s mêmes systèmes non couplés (Figure 2.13).<br />
321
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
0.5<br />
0.4<br />
Sans couplage<br />
Avec couplage<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
−0.4<br />
−0.5<br />
0 50 100 150 200 250 300<br />
Temps<br />
Fig. 2.9 – Oscillations <strong>de</strong> la structure linéaire pour le système avec couplage <strong>de</strong> l’équation (2.3)<br />
<strong>et</strong> ceux <strong>de</strong> la structure linéaire seule.<br />
0.2<br />
0.15<br />
Oscillations non−lineaires<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
−0.2<br />
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8<br />
Oscillations lineaires<br />
Fig. 2.10 – Oscillations <strong>de</strong> la structure non-linéaire en fonction <strong>de</strong> ceux <strong>de</strong> la structure linéaire<br />
pour le système <strong>de</strong> l’équation (2.3).<br />
322
2.2. Preuves numériques<br />
Elastique Elastoplastique pur Elastoplastique avec endommagement<br />
ǫ = 0.05, χ = ǫ 1/3 , A = 0.2, λ = 0.2<br />
a 1 = 0.0, γ 1 = −χ 2 , a 2 = λ, k 2 = χ, C = 8.0, γ 2 = −χ<br />
x 1 (0) = ẋ 1 (0) = x 2 (0) = ẋ 2 = 0<br />
k 1 = +χ 2 k 1 = 1 + χ 2 , k 0 = 1 + χ 2 k 1 = 1 + χ 2 , k 0 = 1 + χ 2<br />
F + = Aχ2<br />
0.5 , F − = −F + F + = Aχ2<br />
0.5 , F − = −F +<br />
Aχ 2<br />
u y =<br />
0.5(1 + χ 2 ) , u f<br />
= 3.0, k T = k 0 u y<br />
u y u y − u f<br />
x p = 0.0 v = 0.0,D = 0<br />
Tab. 2.2 – Valeurs numériques <strong>de</strong>s paramètres utilisées pour les simulations.<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
−0.1<br />
−0.15<br />
Elastique<br />
Elastoplastique<br />
Endommagement<br />
−0.2<br />
0 50 100 150 200 250 300<br />
Temps<br />
Fig. 2.11 – Oscillations <strong>de</strong> la structure linéaire du système (2.3) avec les valeurs numériques du<br />
tableau 2.2 pour les cas <strong>de</strong> comportement élastique, élastoplastique pur <strong>et</strong> élastoplastique avec<br />
endommagement.<br />
323
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
0.2<br />
Elastique<br />
0.01<br />
Elastoplastique<br />
0.1<br />
0.005<br />
Non−lineaire<br />
0<br />
−0.1<br />
−0.2<br />
−1 0 1<br />
Lineaire<br />
Endommagement<br />
0.02<br />
Non−lineaire<br />
0<br />
−0.005<br />
−0.01<br />
−0.15 −0.1 −0.05 0<br />
Lineaire<br />
0.01<br />
Non−lineaire<br />
0<br />
−0.01<br />
−0.02<br />
−0.2 0 0.2<br />
Lineaire<br />
Fig. 2.12 – Oscillations <strong>de</strong> la structure non-linéaire du système (2.3) en fonction <strong>de</strong> celles <strong>de</strong><br />
la structure linéaire, avec les valeurs numériques du tableau 2.2 pour les cas <strong>de</strong> comportement<br />
élastique, élastoplastique pur <strong>et</strong> élastoplastique avec endommagement.<br />
324
2.2. Preuves numériques<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
x<br />
−0.2<br />
−0.4<br />
−0.6<br />
Couplage<br />
Sans couplage<br />
−0.8<br />
0 50 100 150 200 250<br />
Temps<br />
0.015<br />
0.01<br />
Couplage<br />
Sans couplage<br />
0.005<br />
0<br />
x<br />
−0.005<br />
−0.01<br />
−0.015<br />
−0.02<br />
−0.025<br />
0 50 100 150 200 250<br />
Temps<br />
0.05<br />
0.04<br />
Couplage<br />
Sans couplage<br />
0.03<br />
0.02<br />
0.01<br />
x<br />
0<br />
−0.01<br />
−0.02<br />
−0.03<br />
−0.04<br />
0 50 100 150<br />
Temps<br />
Fig. 2.13 – Oscillations en fonction du temps <strong>de</strong> la structure linéaire du système couplé (2.3) <strong>et</strong><br />
celles <strong>de</strong> la structure linéaire simple, avec les valeurs numériques du tableau 2.2 pour les cas <strong>de</strong><br />
comportement élastique, élastoplastique pur <strong>et</strong> élastoplastique avec endommagement.<br />
325
Chapitre 2. Comportement élasto-plastique avec endommagement<br />
2.3 Conclusion<br />
Ce chapitre a pour fonction <strong>de</strong> généraliser les résultats du chapitre précé<strong>de</strong>nt. Nous considérons<br />
une loi <strong>de</strong> comportement élastoplastique avec écrouissage. De plus, les résultats sont plus<br />
mitigés : supposons qu’une structure annexe est conçue pour pomper l’énergie d’une structure<br />
principale supposée <strong>de</strong> comportement élastique. Si c<strong>et</strong>te supposition est fausse, donc si la loi<br />
<strong>de</strong> comportement réelle <strong>de</strong> la structure n’est pas élastique, <strong>de</strong>ux cas existent : soit le pompage<br />
reste efficace <strong>et</strong> les oscillations <strong>de</strong> la structure principale diminuent rapi<strong>de</strong>ment; soit le transfert<br />
est détruit <strong>et</strong> l’amplitu<strong>de</strong> <strong>de</strong>s oscillations, tout en étant inférieure à celle <strong>de</strong> la structure linéaire<br />
élastique sans couplage, est supérieure à celle <strong>de</strong>s oscillations <strong>de</strong> c<strong>et</strong>te même structure ayant un<br />
comportement élastoplastique.<br />
326
Conclusion<br />
Dans c<strong>et</strong>te partie, nous avons étudié (<strong>de</strong> façon surtout numérique), le comportement <strong>de</strong> <strong>de</strong>ux<br />
oscillateurs couplés calculés initialement pour perm<strong>et</strong>tre le transfert d’énergie <strong>de</strong> la structure<br />
principale à la structure annexe dans l’hypothèse où l’oscillateur linéaire (principal) suit une loi<br />
<strong>de</strong> comportement élastique pur. La non-linéarité <strong>de</strong> l’oscillateur annexe est alors calculée pour<br />
optimiser ce phénomène <strong>de</strong> pompage énergétique.<br />
Nous nous sommes intéressés au cas où le comportement <strong>de</strong> la structure principale est incertain.<br />
En particulier, les cas où le comportement est élastique, élastoplastique parfait ou élastoplastique<br />
avec endommagement ont été étudiés.<br />
Dans le premier chapitre, la modélisation du comportement élastoplastique pur à l’ai<strong>de</strong> d’éléments<br />
<strong>de</strong> Saint-Venant nous a permis <strong>de</strong> montrer que ce problème est bien posé, donc qu’une<br />
solution au problème différentiel obtenu existe <strong>et</strong> qu’elle est unique.<br />
Ensuite, plusieurs conclusions ont pu être tirées <strong>de</strong>s simulations numériques réalisées : tout<br />
d’abord, si le comportement <strong>de</strong> l’oscillateur principal est faiblement élastoplastique au lieu d’être<br />
élastique, le transfert d’énergie a toujours lieu, <strong>de</strong> plus il est efficace.<br />
Pourtant, si l’incertitu<strong>de</strong> est gran<strong>de</strong>, une étu<strong>de</strong> spécifique doit être réalisée. En particulier,<br />
nous avons montré que si une gamme <strong>de</strong> comportements élastoplastiques est supposée probable,<br />
il est possible <strong>de</strong> concevoir la non-linéarité cubique <strong>de</strong> l’oscillateur annexe pour que le transfert<br />
d’énergie ait lieu pour tous ces comportements.<br />
Ici, nous avons étudié <strong>de</strong>ux formes <strong>de</strong> sollicitation : un cas libre avec impulsion initiale <strong>et</strong><br />
un cas forcé avec sollicitation sinusoïdale. Une étu<strong>de</strong> intéressante pourrait être <strong>de</strong> considérer le<br />
cas d’une bouffée <strong>de</strong> sollicitation (séisme) <strong>et</strong> <strong>de</strong> voir quelle est la réaction du système, si elle<br />
ressemble plus aux cas libre ou forcé étudiés ici.<br />
327
Conclusion<br />
328
Conclusion générale<br />
329
Conclusion générale<br />
Ce doctorat a été l’occasion d’étudier les <strong>incertitu<strong>de</strong>s</strong> <strong>de</strong>s réponses <strong>de</strong> certains systèmes<br />
<strong>dynamiques</strong> en fonction <strong>de</strong>s <strong>incertitu<strong>de</strong>s</strong> en entrée : paramètres, conditions initiales, sollicitations,<br />
modélisations. Pour cela, différentes approches ont été privilégiées :<br />
Dans une première partie, nous donnons l’expression d’une application linéaire tangente<br />
pour les mouvements non réguliers. Comme la jacobienne pour les mouvements réguliers, elle<br />
perm<strong>et</strong> <strong>de</strong> donner une approximation au premier ordre <strong>de</strong> la variation <strong>de</strong> la sortie du système<br />
en fonction <strong>de</strong> la variation en conditions initiales <strong>et</strong> en paramètres. Ainsi, c<strong>et</strong>te fonction perm<strong>et</strong><br />
<strong>de</strong> déterminer l’incertitu<strong>de</strong> sur les entrées admissibles pour que l’indétermination sur la sortie<br />
soit inférieure à une certaine valeur limite. En particulier, cela perm<strong>et</strong>trait donc <strong>de</strong> déterminer<br />
la taille optimale <strong>de</strong>s mailles du grillage lors <strong>de</strong> calculs <strong>de</strong> mouvements non réguliers. En outre,<br />
pour certains systèmes <strong>dynamiques</strong> pouvant subir une bifurcation par effleurement, l’incertitu<strong>de</strong><br />
sur la sortie ne peut être évaluée.<br />
Ensuite, l’équation <strong>de</strong> Fokker-Planck a été écrite <strong>et</strong> résolue numériquement pour certains<br />
systèmes <strong>dynamiques</strong> sélectionnés. C<strong>et</strong>te équation aux dérivées partielles du <strong>de</strong>uxième ordre,<br />
<strong>de</strong> type elliptique a pour inconnue la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong>s états du système si celui-ci est<br />
soumis à un bruit blanc ou coloré. La solution obtenue, dans notre cas à l’ai<strong>de</strong> <strong>de</strong>s métho<strong>de</strong>s<br />
<strong>de</strong>s différences finies <strong>et</strong> <strong>de</strong> la différentiation <strong>de</strong>s directions, est une fonction <strong>de</strong>s positions <strong>et</strong><br />
<strong>de</strong>s vitesses du système <strong>et</strong> du temps dont l’intégrale sur le domaine d’étu<strong>de</strong> est égale à 1.<br />
Appliquée à <strong>de</strong>s systèmes <strong>dynamiques</strong> ayant un seul <strong>de</strong>gré <strong>de</strong> liberté, la <strong>de</strong>nsité <strong>de</strong> probabilité<br />
calculée est correcte <strong>et</strong> elle reproduit certains phénomènes déterministes tels les points fixes, les<br />
attracteurs ou encore le plan <strong>de</strong> phase. L’implémentation numérique est plus hardue dans le cas<br />
<strong>de</strong>s systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté suite à la lour<strong>de</strong>ur <strong>de</strong>s calculs <strong>et</strong> <strong>de</strong>s données à stocker.<br />
Pourtant, certaines données qualitatives ont pu être obtenues, tels la forme du mo<strong>de</strong> non-linéaire<br />
ou une évaluation <strong>de</strong> la robustesse du pompage énergétique.<br />
Dans une troisième partie, les exposants <strong>de</strong> Lyapunov ont été étudiés en temps fini alors<br />
qu’ils le sont généralement qu’en temps infini (ou du moins en temps supposé comme tel). En<br />
eff<strong>et</strong>, en temps fini ces exposants dépen<strong>de</strong>nt du point dans l’espace considéré, du temps, du point<br />
initial, <strong>de</strong> la divergence initiale... Ainsi, ils varient beaucoup en fonction <strong>de</strong> ces entrées, <strong>et</strong> leur<br />
valeur n’est alors pas reliée à celle obtenue en temps infini. En particulier, nous montrons que<br />
les maximums atteints, que nous avons appelés pseudo-exposants <strong>de</strong> Lyapunov en temps fini, ne<br />
peuvent pas être déterminés a priori.<br />
Ensuite, ces exposants <strong>de</strong> Lyapunov sont calculés à l’ai<strong>de</strong> <strong>de</strong> la matrice d’évolution, ce qui<br />
perm<strong>et</strong> d’obtenir directement la variation <strong>de</strong> ces exposants avec les paramètres. Pourtant, nous<br />
montrons que la formule ainsi développée est difficile à implémenter numériquement suite à la<br />
rai<strong>de</strong>ur <strong>de</strong>s calculs.<br />
Dans une quatrième <strong>et</strong> <strong>de</strong>rnière partie, l’incertitu<strong>de</strong> sur la loi <strong>de</strong> comportement <strong>de</strong>s structures<br />
est étudiée pour le système <strong>de</strong> <strong>de</strong>ux oscillateurs couplés perm<strong>et</strong>tant le phénomène du pompage<br />
énergétique. Nous supposons que la structure annexe, <strong>de</strong> rai<strong>de</strong>ur cubique calculée pour optimiser<br />
le transfert d’énergie <strong>de</strong> la structure principale pour une loi <strong>de</strong> comportement élastique <strong>et</strong> que<br />
c<strong>et</strong>te <strong>de</strong>rnière peut être différente (élastoplastique parfait ou avec endommagement).<br />
330
Tout d’abord, la modélisation du comportement élastoplastique parfait a été réalisée à l’ai<strong>de</strong><br />
d’éléments <strong>de</strong> Saint-Venant. Une étu<strong>de</strong> analytique a alors permis <strong>de</strong> prouver l’existence <strong>et</strong> l’unicité<br />
<strong>de</strong> la solution <strong>de</strong> ce problème. Ceci nous autorise à réaliser une étu<strong>de</strong> numérique, ce qui a été<br />
fait dans un <strong>de</strong>uxième temps. Deux principales conclusions en ont été tirées : si l’incertitu<strong>de</strong> est<br />
faible, c’est-à-dire que si au lieu d’être élastique la structure linéaire est légèrement élastoplastique,<br />
le transfert d’énergie a lieu <strong>et</strong> il reste efficace. De plus, si une gamme <strong>de</strong> comportements<br />
probables a été déterminée, il est possible <strong>de</strong> concevoir la non-linéarité pour que le transfert se<br />
réalise pour tous ces comportements.<br />
Bien sûr, les perspectives sont nombreuses, ce travail n’étant qu’une amélioration <strong>de</strong> certains<br />
travaux existants. Elles concernent aussi bien l’avancement <strong>de</strong> ces travaux <strong>de</strong> recherche, mais<br />
également la mise en application <strong>de</strong>s résultats trouvés.<br />
Ainsi, l’application linéaire tangente pourrait être implémentée dans les co<strong>de</strong>s existants <strong>de</strong><br />
calculs <strong>de</strong> mouvements non réguliers (logiciels <strong>de</strong> chute <strong>de</strong> blocs) afin <strong>de</strong> déterminer ”pas à pas“<br />
si la finesse du maillage <strong>de</strong> calcul est suffisante pour obtenir une précision déterminée.<br />
Ici, une autre perspective <strong>de</strong> ce travail est la mise en place <strong>de</strong> métho<strong>de</strong>s par intervalles pour<br />
les systèmes non réguliers utilisant ce développement, puisque la divergence peut être évaluée<br />
au premier ordre.<br />
Le calcul numérique qui a été fait <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité <strong>de</strong> Fokker-Planck pour les<br />
systèmes <strong>dynamiques</strong> à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté gagnerait a être réalisé sur une machine <strong>de</strong> calcul<br />
plus performante, avec plus <strong>de</strong> moyens <strong>de</strong> stockage. Une autre perspective, plus avisée, pourrait<br />
être la programmation <strong>de</strong> la parallélisation <strong>de</strong>s calculs afin <strong>de</strong> travailler avec <strong>de</strong>s maillages plus<br />
précis, mais le travail réalisé montre qu’on se heurte rapi<strong>de</strong>ment à la taille <strong>de</strong>s calculs.<br />
La formule <strong>de</strong> calcul <strong>de</strong>s exposants <strong>de</strong> Lyapunov <strong>et</strong> leur variabilité en fonction <strong>de</strong>s paramètres<br />
utilisant la matrice d’évolution est très prom<strong>et</strong>teuse car moins gourman<strong>de</strong> en temps <strong>et</strong> moyens <strong>de</strong><br />
calcul. Pourtant elle ne peut être programmée dans l’état. Nous supputons qu’il serait nécessaire,<br />
comme pour l’algorithme <strong>de</strong> Wolf, <strong>de</strong> procé<strong>de</strong>r à une orthonormalisation <strong>de</strong> la divergence à<br />
chaque pas <strong>de</strong> temps. Donc une étu<strong>de</strong> mathématique utilisant les propriétés <strong>de</strong> continuité <strong>et</strong> <strong>de</strong><br />
dérivabilité <strong>de</strong>s exposants <strong>de</strong> Lyapunov <strong>de</strong>vrait être réalisée pour déterminer comment raffiner<br />
<strong>et</strong> stabiliser les calculs.<br />
De plus, au niveau applicatif, les exposants <strong>de</strong> Lyapunov ne peuvent être utilisés pour estimer<br />
une divergence en temps fini, tel que cela est réalisé actuellement.<br />
La <strong>de</strong>rnière partie a pour but <strong>de</strong> montrer que pour concevoir la structure annexe perm<strong>et</strong>tant le<br />
transfert énergétique, il est important <strong>de</strong> prendre en compte le comportement réel <strong>de</strong> la structure,<br />
en particulier si la structure à protéger est âgée, <strong>et</strong> donc peut présenter un endommagement<br />
résiduel. Bien sûr, l’analyse mathématique, ou du moins une approximation analytique, est<br />
manquante ici. Une perspective serait la mise en place <strong>de</strong> celle-ci, peut-être à l’ai<strong>de</strong> <strong>de</strong> nouveaux<br />
concepts. Nous pensons en particulier que le concept <strong>de</strong> mo<strong>de</strong>s non-linéaires pourrait être étendu<br />
à ces équations linéaires par morceaux, <strong>et</strong> même aux mouvements non réguliers, peut-être en<br />
utilisant la notion <strong>de</strong> matrice <strong>de</strong> saut telle qu’elle a été explicitée dans la première partie <strong>de</strong><br />
c<strong>et</strong>te thèse?<br />
331
Conclusion générale<br />
Finalement, ces métho<strong>de</strong>s qui peuvent être appliquées à <strong>de</strong>s domaines d’étu<strong>de</strong>s très différents,<br />
trouvent <strong>de</strong>s applications très diverses : la finance avec les probabilités bayésiennes, le perfectionnement<br />
<strong>de</strong>s étu<strong>de</strong>s <strong>de</strong> sensibilité, <strong>de</strong> stabilité avec les exposants <strong>de</strong> Lyapunov (météorologie,<br />
...), le cours <strong>de</strong>s monnaies avec l’équation <strong>de</strong> Fokker-Planck...<br />
332
Bibliographie<br />
[1] G. Alefeld and G. Mayer. Interval analysis : theory and applications. Journal of Computational<br />
and Applied Mathematics, 121(1-2) :421–464, 2000.<br />
[2] E. Aurell, G. Boff<strong>et</strong>ta, A. Crisanti, G. Paladin, and A. Vulpiani. Growth of noninfinitesimal<br />
perturbations in turbulence. Physical Review L<strong>et</strong>ters, 77(7) :1262–1265, 1996.<br />
[3] E. Aurell, G. Boff<strong>et</strong>ta, A. Crisanti, G. Paladin, and A. Vulpiani. Predictability in systems<br />
with many characteristic times : The case of turbulence. Physical Review E - Statistical<br />
Physics, Plasmas, Fluids, and Related Interdisciplinary Topics, 53(3) :2337–2349, 1996.<br />
[4] E. Aurell, G. Boff<strong>et</strong>ta, A. Crisanti, G. Paladin, and A. Vulpiani. Predictability in the large :<br />
An extension of the concept of Lyapunov exponent. Journal of Physics A : Mathematical<br />
and General, 30(1) :1–26, 1997.<br />
[5] A. Azzoni, G. La Barbera, and A. Zanin<strong>et</strong>ti. Analysis and prediction of rockfalls using<br />
a mathematical mo<strong>de</strong>l. International Journal of Rock Mechanics and Mining Science &<br />
Geomechanics Abstracts, 33(4) :178, 1996.<br />
[6] A. Baratta and O. Corbi. Stochastic dynamics of smooth non-linear systems by the Fokker-<br />
Planck-Kolmogorov equation. In ASCE, editor, th ASCE Specialty Conference on Probabilistic<br />
Mechanics and Structural Reliability, 2000.<br />
[7] Luis Barreira and Claudia Valls. Stability theory and Lyapunov regularity. Journal of<br />
Differential Equations, 232(2) :675–701, 2007.<br />
[8] J. Bastien, M. Schatzman, and C.-H. Lamarque. Study of an elastoplastic mo<strong>de</strong>l with an<br />
infinite number of internal <strong>de</strong>grees of freedom. European Journal of Mechanics, A/Solids,<br />
21(2) :199–222, 2002.<br />
[9] F. Bernardin, C.-H. Lamarque, and M. Schatzman. A stochastic differential equation from<br />
friction mechanics [une équation différentielle stochastique en mécanique du frottement].<br />
Comptes Rendus Mathematiques, 338(11) :837–842, 2004.<br />
[10] F. Bernardin, C.H. Lamarque, and M. Schatzman. Multivalued stochastic differential equations<br />
and its applications in dynamics. In Proceedings of the ASME Design Engineering<br />
Technical Conference, volume 5 B, pages 1473–1477, 2003.<br />
[11] R. Bouc. Power spectral <strong>de</strong>nsity of response for a strongly non-linear random oscillator.<br />
Journal of Sound and Vibration, 175(3) :317–331, 1994.<br />
333
Bibliographie<br />
[12] R. M. Brach. Rigid body collisions. Journal of Applied Mechanics, Transactions ASME,<br />
56(1) :133–138, 1989.<br />
[13] R.M. Brach. Friction, restitution, and energy loss in planar collisions. Journal of Applied<br />
Mechanics, Transactions ASME, 51(1) :164–170, 1984.<br />
[14] H. Brézis. Opérateurs maximaux monotones <strong>et</strong> semi-groupes <strong>de</strong> contractions dans les<br />
espaces <strong>de</strong> Hilbert, volume North-Holland mathematics studies. American Elsevier Publishing<br />
Co., Inc. North-Holland Publishing Co., Amsterdam, London, N.Y., 1973.<br />
[15] T.K. Caughey. Derivation and application of the Fokker-Planck equation to discr<strong>et</strong>e nonlinear<br />
dynamic systems subjected to white random excitation. The Journal of the Acoustical<br />
Soci<strong>et</strong>y of America, 1963.<br />
[16] Noël Challamel and Gwénaël Gilles. Stability and dynamics of a harmonically excited<br />
elastic-perfectly plastic oscillator. Journal of Sound and Vibration, 301(3-5) :608–634,<br />
2007.<br />
[17] Noël Challamel and Gilles Pijaudier-Cabot. Stability and dynamics of a plastic softening<br />
oscillator. International Journal of Solids and Structures, 43(18-19) :5867–5885, 2006.<br />
[18] J.E. Crempien-Laborie. Response of a single <strong>de</strong>gree of freedom elastic perfectly plastic<br />
system un<strong>de</strong>r non-stationary gaussian seismic excitation. In Structures Solids and<br />
Coupled Problems in Engineering, editors, 3rd European Conference on Computational<br />
Mechanics, Lisbon, Portugal, 2006. C.A. Mota Soares <strong>et</strong> al.<br />
[19] Silvio L. T. <strong>de</strong> Souza and Ibere L. Caldas. Calculation of Lyapunov exponents in systems<br />
with impacts. Chaos, Solitons & Fractals, 19(3) :569–579, 2004.<br />
[20] M. Dehghan. Finite difference procedures for solving a problem arising in mo<strong>de</strong>ling<br />
and <strong>de</strong>sign of certain optoelectronic <strong>de</strong>vices. Mathematics and Computers in Simulation,<br />
71(1) :16–30, 2006.<br />
[21] J.-F. Delmas and B. Jourdain. Modèles aléatoires. Applications aux sciences <strong>de</strong> l’ingénieur<br />
<strong>et</strong> du vivant, volume Mathématiques & Applications. Springer, Paris, 2006.<br />
[22] O. Dessombz. Analyse dynamique <strong>de</strong> structures comportant <strong>de</strong>s param<strong>et</strong>res incertains.<br />
Thèse, Ecole Centrale <strong>de</strong> <strong>Lyon</strong>, 2000.<br />
[23] O. Dessombz, F. Thouverez, J.-P. Laîne, and L. Jézéquel. Analysis of mechanical systems<br />
using interval computations applied to finite element m<strong>et</strong>hods. Journal of Sound and<br />
Vibration, 239(5) :949–968, 2001.<br />
[24] Luca Dieci and Erik S. Van Vleck. Computation of a few Lyapunov exponents for continuous<br />
and discr<strong>et</strong>e dynamical systems. Applied Numerical Mathematics Special Issue on<br />
Numerical M<strong>et</strong>hods for Ordinary Differential Equations, 17(3) :275–291, 1995.<br />
[25] R. Ding and J. Li. Nonlinear finite-time Lyapunov exponent and predictability. Physics<br />
L<strong>et</strong>ters A, 364(5) :396–400, 2007.<br />
[26] R. Doerner, B. Hubinger, W. Martienssen, S. Grossmann, and S. Thomae. Stable manifolds<br />
and predictability of dynamical systems. Chaos, Solitons, & Fractals, 10(11) :1759–1782,<br />
1999.<br />
334
[27] C. Doléans-Da<strong>de</strong>. Existence and unicity of solutions of stochastic differential equations.<br />
Z. für Wahrscheinlichkeitstheorie und Verw. Gebi<strong>et</strong>e, 36(2) :93–102, 1976.<br />
[28] C. Doléans-Da<strong>de</strong> and P.-A. Meyer. Equations différentielles stochastiques. In Irma, editor,<br />
Séminaire <strong>de</strong> probabilités, volume 11, pages 376–382, Strasbourg, 1977. Springer-Verlag.<br />
[29] H. Doss and E. Lenglart. Sur l’existence, l’unicité <strong>et</strong> le comportement asymptotique <strong>de</strong>s solutions<br />
d’équations différentielles stochastiques. Annales <strong>de</strong> l’I.H.P., section B, 14(2) :189–<br />
214, 1978.<br />
[30] J. Dreger, B. Hamprecht, and A. Pelster. Variational perturbation theory for Fokker-<br />
Planck equation with nonlinear drift. European Physical Journal B, 45(3) :355–368, 2005.<br />
[31] U. Dressler and J. D. Farmer. Generalized Lyapunov exponents corresponding to higher<br />
<strong>de</strong>rivatives. Physica D : Nonlinear Phenomena, 59(4) :365–377, 1992.<br />
[32] J.-L. Falc<strong>et</strong>ta. Etu<strong>de</strong> cinématique <strong>et</strong> dynamique <strong>de</strong> chutes <strong>de</strong> blocs rocheux. PhD thesis,<br />
INSA, 1985.<br />
[33] R. Friedrich, S. Siegert, J. Peinke, St. Luck, M. Siefert, M. Lin<strong>de</strong>mann, J. Ra<strong>et</strong>hjen, G. Deuschl,<br />
and G. Pfister. Extracting mo<strong>de</strong>l equations from experimental data. Physics L<strong>et</strong>ters<br />
A, 271(3) :217–222, 2000.<br />
[34] Ramazan Gençay. A statistical framework for testing chaotic dynamics via Lyapunov<br />
exponents. Physica D : Nonlinear Phenomena, 89(3-4) :261–266, 1996.<br />
[35] O. Gen<strong>de</strong>lman, L.I. Manevitch, A.F. Vakakis, and R. M’Closkey. Energy pumping in<br />
nonlinear mechanical oscillators : Part 1 - dynamics of the un<strong>de</strong>rlying Hamiltonian systems.<br />
Journal of Applied Mechanics, Transactions ASME, 68(1) :34–41, 2001.<br />
[36] O.V. Gen<strong>de</strong>lman, E. Gourdon, and C.H. Lamarque. Quasiperiodic energy pumping in<br />
coupled oscillators un<strong>de</strong>r periodic forcing. Journal of Sound and Vibration, 294(4-5) :651–<br />
662, 2006.<br />
[37] O.V. Gen<strong>de</strong>lman and C.H. Lamarque. Dynamics of linear oscillator coupled to strongly<br />
nonlinear attachment with multiple states of equilibrium. Chaos, Solitons and Fractals,<br />
24(2) :501–509, 2005.<br />
[38] J. Geweke. Monte carlo simulation and numerical integration. Technical report, Research<br />
Department Staff Report 192, 1995.<br />
[39] R.G. Ghanem and P.D. Spanos. Stochastic finite elements : A Spectral Approach. Springer-<br />
Verlag, New York, 1991.<br />
[40] E. Gourdon. Contrôle passif <strong>de</strong> vibrations par pompage énergétique. Thèse, Ecole Centrale<br />
<strong>de</strong> <strong>Lyon</strong>, 2006.<br />
[41] E. Gourdon, N.A. Alexan<strong>de</strong>r, C.A. Taylor, C.H. Lamarque, and S. Pernot. Nonlinear<br />
energy pumping un<strong>de</strong>r transient forcing with strongly nonlinear coupling : Theor<strong>et</strong>ical<br />
and experimental results. Journal of Sound and Vibration, 300(3-5) :522–551, 2007.<br />
[42] E. Gourdon and C.H. Lamarque. Energy pumping for a larger span of energy. Journal of<br />
Sound and Vibration, 285(3) :711–720, 2005.<br />
335
Bibliographie<br />
[43] E. Gourdon and C.H. Lamarque. Energy pumping with various nonlinear structures :<br />
Numerical evi<strong>de</strong>nces. Nonlinear Dynamics, 40(3) :281–307, 2005.<br />
[44] C. Grebogi, J.A. Yorke, S.M. Hammel, and T. Sauer. Shadowing of physical trajectories<br />
in chaotic dynamics : Containment and refinement. Physical Review L<strong>et</strong>ters, 65(13) :1527–<br />
1530, 1990.<br />
[45] G. Haller. Distinguished material surfaces and coherent structures in three-dimensional<br />
fluid flows. Physica D : Nonlinear Phenomena, 149(4) :248–277, 2001.<br />
[46] B. Hamprecht and H. Kleinert. Tunnelling amplitu<strong>de</strong>s from perturbation expansions.<br />
Physics L<strong>et</strong>ters B, 564(1-2) :111–114, 2003.<br />
[47] M. Hanss. The fundamentals of fuzzy arithm<strong>et</strong>ic in the framework of uncertainty management.<br />
In Marie Curie Actions, editor, SICON TC3, Rome, 2008.<br />
[48] H. Hayakawa. Langevin equation with Coulomb friction. Physica D : Nonlinear Phenomena<br />
Synchronization and Pattern Formation in Nonlinear Systems : New Developments<br />
and Future Perspectives, 205(1-4) :48–56, 2005.<br />
[49] C. Heinkélé. Vibro-acoustique <strong>de</strong>s systèmes à paramètres incertains : applications aux<br />
milieux poro-élastiques. PhD thesis, Ecole Normale Supérieure, 2008.<br />
[50] S.J. Hogan. On the dynamics of rigid-block motion un<strong>de</strong>r harmonic forcing. Proc. R. Soc.<br />
London, A(425) :441–475, 1989.<br />
[51] R.A. Ibrahim and H. Heo. Stochastic response of nonlinear structures with param<strong>et</strong>er<br />
random fluctuations. AIAA Journal, 25(2) :331–338, 1987.<br />
[52] B. Jacob. Fiabilité probabiliste <strong>de</strong>s structures <strong>et</strong> <strong>de</strong>s systèmes, 1995.<br />
[53] O. Janin. Contribution à l’i<strong>de</strong>ntification, la modélisation <strong>et</strong> l’analyse <strong>de</strong> systèmes <strong>dynamiques</strong><br />
à non-linéarités irrégulières. Thèse, Université <strong>Lyon</strong> I, 2001.<br />
[54] O. Janin and C.H. Lamarque. Stability of singular periodic motions in a vibro-impact<br />
oscillator. Nonlinear Dynamics, 28(3-4) :231–241, 2002.<br />
[55] G. Karch and W. Wedig. D<strong>et</strong>ermination of Lyapunov exponents by weak solutions of<br />
Fokker-Planck equations. Probabilistic Engineering Mechanics Special issue stochastic<br />
structural dynamic, 10(3) :135–141, 1995.<br />
[56] A. Kaufmann. Introduction à la théorie <strong>de</strong>s sous-ensembles flous . 1. Eléments théoriques<br />
<strong>de</strong> base (Fuzzy s<strong>et</strong>s theory). Masson, Paris, 2 edition, 1977.<br />
[57] E. Kazantsev. Local Lyapunov exponents of the quasi-geostrophic ocean dynamics. Applied<br />
Mathematics and Computation, 104(2-3) :217–257, 1999.<br />
[58] P.E. Kloe<strong>de</strong>n and E Platen. Numerical Solution of Stochastic Differential Equations. Springer<br />
Verlag, New York, 3rd edition, 1992.<br />
[59] C.Y. Koo and J.C. Chern. Modification of the dda m<strong>et</strong>hod for rigid block problems.<br />
International Journal of Rock Mechanics and Mining Sciences, 35(6) :683–693, 1998.<br />
[60] A Kunert and F. Pfeiffer. Description of chaotic motion by an invariant probability.<br />
Nonlinear Dynamics, 2(4) :291–304, 1991.<br />
336
[61] C.-H. Lamarque and J. Bastien. Numerical study of a forced pendulum with friction.<br />
Nonlinear Dynamics, 23(4) :335–352, 2000.<br />
[62] C.-H. Lamarque, F. Bernardin, and J. Bastien. Study of a rheological mo<strong>de</strong>l with a<br />
friction term and a cubic term : D<strong>et</strong>erministic and stochastic cases. European Journal of<br />
Mechanics, A/Solids, 24(4) :572–592, 2005.<br />
[63] C.-H. Lamarque, M. Holland, and J. Bastien. Study of a maximal monotone mo<strong>de</strong>l with<br />
a <strong>de</strong>lay term. SIAM Journal on Numerical Analysis, 41(4) :1286–1300, 2003.<br />
[64] C.-H. Lamarque, S. Pernot, E. Gourdon, S. Coutel, and F. Schmidt. Energy pumping : <strong>de</strong>sign,<br />
experiment, efficiency. In 2nd International Conference on Nonlinear Normal Mo<strong>de</strong>s<br />
and Localization in Vibrating Systems, Samos, 2006.<br />
[65] C.-H. Lamarque and F. Schmidt. Etu<strong>de</strong> <strong>de</strong> systèmes incertains avec l’équation <strong>de</strong> Fokker-<br />
Planck. In 18 e Congrès Français <strong>de</strong> Mécanique, Grenoble, France, 2007.<br />
[66] C.-H. Lamarque and F. Schmidt. A probabilistic approach to uncertain dynamical systems.<br />
In ECCOMAS conference on Computationnal M<strong>et</strong>hods, R<strong>et</strong>hymno, Crète, Grèce, 2007.<br />
[67] H. P. Langtangen. A general numerical solution m<strong>et</strong>hod for Fokker-Planck equations with<br />
applications to structural reliability. Probabilistic engineering mechanics, 6(1) :33–48, 1991.<br />
[68] G. Lapeyre. Characterization of finite-time Lyapunov exponents and vectors in twodimensional<br />
turbulence. Chaos, 12(3) :688–698, 2002. .<br />
[69] M. Leutbecher and T.N. Palmer. Ensemble forecasting. Journal of Computational Physics,<br />
In Press, Corrected Proof, 2007.<br />
[70] A. M. Lyapunov. The general problem of the stability of motion. International Journal<br />
of Control, 55(3) :531–773, 1992.<br />
[71] J.-M. Malasoma. Dynamique complexe d’un système à attracteurs multiples. Thèse <strong>de</strong><br />
doctorat, Ecole Centrale <strong>de</strong> <strong>Lyon</strong>, 1994.<br />
[72] A. Mauger. Anomalous motion generated by the Coulomb friction in the Langevin equation.<br />
Physica A : Statistical Mechanics and its Applications, 367 :129–135, 2006.<br />
[73] P. V. Mcdonough, J. P. Noonan, and G. R. Hall. A new chaos d<strong>et</strong>ector. Computers &<br />
Electrical Engineering, 21(6) :417–431, 1995.<br />
[74] E. Moulay and W. Perruqu<strong>et</strong>ti. Finite time stability and stabilization of a class of continuous<br />
systems. Journal of Mathematical Analysis and Applications, 323(2) :1430–1443,<br />
2006.<br />
[75] M. Mu, W.S. Duan, and B. Wang. Conditional nonlinear optimal perturbation and its<br />
applications. Nonlinear Processes in Geophysics, 10(6) :493–501, 2003.<br />
[76] P. C. Müller. Calculation of Lyapunov exponents for dynamic systems with discontinuities.<br />
Chaos, Solitons & Fractals Some Nonlinear Oscillations Problems in Engineering Sciences,<br />
5(9) :1671–1681, 1995.<br />
[77] P. S. Neelakanta, S. T. Abusalah, D. F. De Groff, and J. C. Park. Fuzzy nonlinear activity<br />
and dynamics of fuzzy uncertainty in the neural complex. Neurocomputing, 20(1-3) :123–<br />
153, 1998.<br />
337
Bibliographie<br />
[78] V.I. Osele<strong>de</strong>c. A multiplicative ergodic theorem : Lyapunov characteristic numbers for<br />
dynamical systems. Trans. Moscow Math. Soci<strong>et</strong>y, 19 :197–231, 1968.<br />
[79] W.H. Press, B.P. Flannery, S.A. Teukolsky, and W.T. V<strong>et</strong>terling. Numerical Recipes in<br />
C : the Art of Scientific Computing. Cambridge University Press, Cambridge, 1992.<br />
[80] Ph. E. Protter. On the existence, uniqueness, convergence and explosions of solutions of<br />
systems of stochastic integral equations. Annals of Probability, 5(2) :243–261, 1977.<br />
[81] V. Raizer. Theory of reliability in structural <strong>de</strong>sign. Applied Mechanics Reviews, 57(1-<br />
6) :1–21, 2004.<br />
[82] K. Ramasubramanian and M.S. Sriram. A comparative study of computation of Lyapunov<br />
spectra with different algorithms. Physica D : Nonlinear Phenomena, 139(1-2) :72–86,<br />
2000. .<br />
[83] H. Risken. The Fokker-Planck equation. M<strong>et</strong>hods of solution and applications, volume<br />
Springer Series in Synerg<strong>et</strong>ics. Springer-Verlag, Berlin, second edition edition, 1989.<br />
[84] A.M. Ritchie. Evaluation of rockfall and its control. Highway Research Record, 17 :13–28,<br />
1963.<br />
[85] C.P. Robert. Le choix Bayésien. Principe <strong>et</strong> pratique, volume Statistique <strong>et</strong> probabilités<br />
appliquées. Springer, Paris, 2 edition, 2006.<br />
[86] R.V. Roy. Noise perturbations of a non-linear system with multiple steady states. International<br />
Journal of Non-Linear Mechanics, 29(5) :755–773, 1994.<br />
[87] R.V. Roy. Noise-induced transitions in weakly nonlinear oscillators near resonance. Journal<br />
of Applied Mechanics, Transactions ASME, 62(2) :496–504, 1995.<br />
[88] M. Schatzman, C.-H. Lamarque, and J. Bastien. Ill-posed mechanical problem with friction.<br />
European Journal of Mechanics, A/Solids, 18(3) :415–420, 1999.<br />
[89] K.R. Schenk-Hoppé. Stochastic Hopf bifurcation : An example. International Journal of<br />
Non-Linear Mechanics, 31(5 SPEC. ISS.) :685–692, 1996.<br />
[90] F. Schmidt. Introduction à l’étu<strong>de</strong> <strong>de</strong>s systèmes <strong>dynamiques</strong> à paramètres incertains. Mastère<br />
recherche, Ecole Nationale <strong>de</strong>s Travaux Publics <strong>de</strong> l’Etat, 2005.<br />
[91] F. Schmidt and C.-H. Lamarque. On the numerical value of finite-time pseudo-Lyapunov<br />
exponents. In 9th Conference on Dynamical Systems Theory and Applications, ̷Lódz,<br />
Poland, 2007.<br />
[92] F. Schmidt and C.-H. Lamarque. Un indicateur pour optimiser les calculs trajectographiques.<br />
Bull<strong>et</strong>in <strong>de</strong> Liaison <strong>de</strong>s Ponts <strong>et</strong> Chaussées, (4513), 2007.<br />
[93] F. Schmidt and C.-H. Lamarque. Energy pumping for mechanical systems with non-smooth<br />
terms of Saint Venant type. In Euromech 498 Colloqium, Kazimierz Dolny, Poland, 2008.<br />
[94] F. Schmidt and C.-H. Lamarque. Energy pumping with plastic structures : numerical<br />
evi<strong>de</strong>nces. In International Conference on Nonlinear Phenomenain Polymer Solids and<br />
Low-dimensional Systems, Saint-Pétersbourg, Russie, 2008.<br />
338
[95] F. Schmidt and C.-H. Lamarque. How to improve confi<strong>de</strong>nce in calculations for non-smooth<br />
dynamical systems. Journal of Vibration and Control, 14(1/2) :231–253, 2008.<br />
[96] F. Schmidt and C.-H. Lamarque. Computation of the solutions of the Fokker-Planck equation<br />
for one and two dof systems. Communications in Nonlinear Science and Numerical<br />
Simulation, 14(2) :529–542, 2009. TY - JOUR.<br />
[97] S. C. Shad<strong>de</strong>n, F. Lekien, and J. E. Mars<strong>de</strong>n. Definition and properties of Lagrangian<br />
coherent structures from finite-time Lyapunov exponents in two-dimensional aperiodic<br />
flows. Physica D : Nonlinear Phenomena, 212(3-4) :271–304, 2005.<br />
[98] J. J. E. Slotine and L. Weiping. Chap.3 : Fundamentals of Lyapunov theory. In J. J. E. Slotine,<br />
editor, Applied Nonlinear Control, volume Engineering/Science/Mathematics, page<br />
352. Prentice-Hall, United States Edition, 1990.<br />
[99] T. K. Soboleva and A. B. Pleasants. Population growth as a nonlinear stochastic process.<br />
Mathematical and Computer Mo<strong>de</strong>lling Stochastic mo<strong>de</strong>ls in engineering, technology, and<br />
management, 38(11-13) :1437–1442, 2003.<br />
[100] C. Soize. Steady-state solution of Fokker-Planck equation in higher dimension. Probabilistic<br />
Engineering Mechanics, 3(4) :196–206, 1988.<br />
[101] A. Spivak and Z. Schuss. Analytical and numerical study of Kramer’s exit problem ii.<br />
Applied Mathematics E-Notes, 3 :147–155, 2002.<br />
[102] G. Tancredi, A. Sànchez, and F. Roig. A comparison b<strong>et</strong>ween m<strong>et</strong>hods to compute Lyapunov<br />
exponents. Astronomical Journal, 121(2) :1171–1179, 2001.<br />
[103] X. Z. Tang and A. H. Boozer. Finite time Lyapunov exponent and advection-diffusion<br />
equation. Physica D : Nonlinear Phenomena, 95(3-4) :283–305, 1996.<br />
[104] J. Taylor. Incertitu<strong>de</strong>s <strong>et</strong> analyse <strong>de</strong>s erreurs dans les mesures physiques, volume Masson<br />
Sciences. Dunod, Paris, 2000.<br />
[105] M. Toriel. Etu<strong>de</strong> <strong>de</strong> modèles trajectographiques <strong>de</strong> chutes <strong>de</strong> pierres. Diplôme d’Etu<strong>de</strong>s<br />
Approfondies, Ecole doctorale Mécanique Electronique Génie civil Acoustique, 2000.<br />
[106] Y.-K. Tung and B.-C. Yen. Hydrosystems engineering uncertainty analysis, volume<br />
McGraw-Hill Civil Engineering. Lavoisier, 2005.<br />
[107] F. E. Udwadia and H. F. von Bremen. An efficient and stable approach for computation of<br />
Lyapunov characteristic exponents of continuous dynamical systems. Applied Mathematics<br />
and Computation, 121(2-3) :219–259, 2001.<br />
[108] A. F. Vakakis. Non-linear normal mo<strong>de</strong>s (nnms) and their applications in vibration theory :<br />
an overview. Mechanical Systems and Signal Processing, 11(1) :3–22, 1997.<br />
[109] A. F. Vakakis, L. I. Manevitch, O. Gen<strong>de</strong>lman, and L. Bergman. Dynamics of linear<br />
discr<strong>et</strong>e systems connected to local, essentially non-linear attachments. Journal of Sound<br />
and Vibration, 264(3) :559–577, 2003.<br />
[110] N.G. Van Kampen. Stochastic Processes in Physics and Chemistry. North-Holland, 1992.<br />
339
Bibliographie<br />
[111] U. Von Wagner. On non-linear stochastic dynamics of quarter car mo<strong>de</strong>ls. International<br />
Journal of Non-Linear Mechanics, 39(5) :753–765, 2004.<br />
[112] K.-G. Wang and J. Masoliver. Linear oscillators driven by Gaussian colored noise : crossovers<br />
and probability distributions. Physica A : Statistical and Theor<strong>et</strong>ical Physics,<br />
231(4) :615–630, 1996.<br />
[113] J. G. Wei and G. Leng. Lyapunov exponent and chaos of Duffing’s equation perturbed by<br />
white noise. Applied Mathematics and Computation, 88(1) :77–93, 1997.<br />
[114] E. M. Weinstein and H. Benaroya. The Van Kampen expansion for linked Duffing-linear<br />
oscillators excited by colored noise. Journal of Sound and Vibration, 191(3) :397–414,<br />
1996.<br />
[115] A. Wolf, J. B. Swift, H. L. Swinney, and J. A. Vastano. D<strong>et</strong>ermining Lyapunov exponents<br />
from a time series. Physica D : Nonlinear Phenomena, 16(3) :285–317, 1985.<br />
[116] W.X. Xie, W. Xu, and L. Cai. Study of the Duffing-Rayleigh oscillator subject to harmonic<br />
and stochastic excitations by path integration. Applied Mathematics and Computation<br />
Special issue for The Beijing-HK Scientific Computing Me<strong>et</strong>ings, 172(2) :1212–1224, 2006.<br />
[117] M. Yang, T. Fukawa, Y. Ohnishi, S. Nishiyama, S. Miki, Y. Hirakawa, and S. Mori. The<br />
application of 3-dimensional dda with a spherical rigid block for rockfall simulation. International<br />
Journal of Rock Mechanics and Mining Sciences, 41(SUPPL. 1), 2004.<br />
[118] H. C. Yee. Explicit and implicit multidimensional compact high-resolution shock-capturing<br />
m<strong>et</strong>hods :formulation,. Journal of Computational Physics, 131(1) :216–232, 1997.<br />
[119] Lai-Sang Young. Entropy, Lyapunov exponents, and Hausdorff dimension in differentiable<br />
dynamical systems. IEEE transactions on circuits and systems, CAS-30(8) :599–607, 1983.<br />
[120] J.S. Yu and Y.K. Lin. Numerical path integration of a non-homogeneous Markov process.<br />
International Journal of Non-Linear Mechanics, 39(9) :1493–1500, 2004.<br />
[121] L.A. Za<strong>de</strong>h. Toward a generalized theory of uncertainty (gtu)- an outline. Information<br />
Sciences, 172(1-2) :1–40, 2005.<br />
[122] C. Ziehmann, L. A. Smith, and J. Kurths. The bootstrap and Lyapunov exponents in<br />
d<strong>et</strong>erministic chaos. Physica D : Nonlinear Phenomena, 126(1-2) :49–59, 1999.<br />
[123] M. P. Zorzano, H. Mais, and L. Vazquez. Numerical solution for Fokker-Planck equations<br />
in accelerators. Physica D : Nonlinear Phenomena Proceedings of the Conference<br />
on Fluctuations, Nonlinearity and Disor<strong>de</strong>r in Con<strong>de</strong>nsed Matter and Biological Physics,<br />
113(2-4) :379–381, 1998.<br />
[124] M.P. Zorzano, H. Mais, and L. Vazquez. Numerical solution of two dimensional Fokker-<br />
Planck equations. Applied Mathematics and Computation, 98(2-3) :109–117, 1999.<br />
340
Annexe A<br />
Calcul <strong>de</strong>s matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong><br />
saut pour <strong>de</strong>ux cas particuliers<br />
Dans c<strong>et</strong>te annexe, nous utilison les résultats <strong>de</strong> la section 1.2, afin <strong>de</strong> r<strong>et</strong>rouver les formules<br />
<strong>de</strong> la référence [76].<br />
Soit un problème ne possédant pas <strong>de</strong> paramètres aléatoires <strong>et</strong> où le temps n’intervient pas :<br />
(t 0 ≤)t < t 1 : Ẋ = f 1 (X) , X (t 0 ) = X 0 , f 1 ∈ C 1 ,<br />
t = t 1 : 0 = h(X) , h ∈ C 1 ,<br />
X ( t + ) ( ( ))<br />
1 = g X t<br />
−<br />
1 , g ∈ C 1 ,<br />
(A.1)<br />
t > t 1 : Ẋ = f 2 (X) , X (t 1 ) = X ( t + )<br />
1 , f2 ∈ C 1 .<br />
Alors on trouve directement, en adaptant les formules générales au fait qu’il n’y ait pas d’incertitu<strong>de</strong><br />
sur les paramètres <strong>et</strong> le temps,(les notations sont évi<strong>de</strong>ntes) :<br />
(t 0 ≤)t < t 1 : δẊ = F 1X (X) .δX, δX (t 0 ) = δX 0 ,<br />
t = t 1 : δt = − [ H X<br />
(<br />
X<br />
−<br />
1<br />
)<br />
.f1<br />
(<br />
X<br />
−<br />
1<br />
)] −1 .<br />
[<br />
HX<br />
(<br />
X<br />
−<br />
1<br />
)]<br />
.δX − ,<br />
δX + ( )<br />
= G X X<br />
−<br />
1 .δX − + [ ( ) ( ) ( )]<br />
G X X<br />
−<br />
1 .f1 X<br />
−<br />
1 − f2 X<br />
+ (A.2)<br />
1 ,<br />
t > t 1 : δẊ = F 2X (X) , δX (t 1 ) = δX ( t + )<br />
1 .<br />
De même, pour un problème dépendant du temps mais dont la valeur numérique <strong>de</strong>s para-<br />
341
Annexe A. Calcul <strong>de</strong>s matrices <strong>de</strong> passage <strong>et</strong> <strong>de</strong> saut pour <strong>de</strong>ux cas particuliers<br />
mètres est supposée connue exactement :<br />
(t 0 ≤)t < t 1 : Ẋ = f 1 (X, t), X (t 0 ) = X 0 , f 1 ∈ C 1 ,<br />
t = t 1 : 0 = h(X (t 1 ) , t 1 ), h ∈ C 1 ,<br />
X ( t + ) ( ( ) )<br />
1 = g X t<br />
−<br />
1 , t1 , g ∈ C 1 ,<br />
(A.3)<br />
t > t 1 : Ẋ = f 2 (X, t), X (t 1 ) = X ( t + )<br />
1 , f2 ∈ C 1 .<br />
Alors :<br />
(t 0 ≤)t < t 1 : δẊ = F 1X (X, t).δX + F 1T (X, t)δt 0 , δX (t 0 ) = δX 0 ,<br />
t = t 1<br />
: δt = − [ H X<br />
(<br />
X<br />
−<br />
1 , t 1<br />
)<br />
.f1<br />
(<br />
X<br />
−<br />
1 , t 1<br />
)<br />
+ HT<br />
(<br />
X<br />
−<br />
1 , t 1<br />
)] −1<br />
× [ ( ) ( ) ]<br />
H X X<br />
−<br />
1 , t 1 .δX<br />
−<br />
1 + H T X<br />
−<br />
i<br />
, t 1 δt0 ,<br />
δX + ( )<br />
= G X X<br />
−<br />
1 , t i .δX<br />
−<br />
(A.4)<br />
+ [ ( ) ( ) ( ) ( )]<br />
G X X<br />
−<br />
1 , t 1 .f1 X<br />
−<br />
1 , t 1 + GT X<br />
−<br />
1 , t 1 − f2 X<br />
+<br />
1 , t 1 δt<br />
( )<br />
+G T X<br />
−<br />
1 , t 1 δt0 ,<br />
t > t 1 : δẊ = F 2X (X, t).δX + F 2T (X, t)δt 0 , δX (t 1 ) = δX ( t + )<br />
1 .<br />
Ces formules sont exactement celles que l’on peut lire dans la référence [76].<br />
342
Annexe B<br />
Comparaison <strong>de</strong>s divergences exactes<br />
<strong>et</strong> approchées pour le problème du<br />
billard<br />
B.1 Calcul <strong>de</strong> la divergence exacte<br />
B.1.1 La position <strong>et</strong> la vitesse initiales sont positives :<br />
Ainsi les <strong>de</strong>ux rayons impactent sur la partie parfaitement verticale. Alors :<br />
∀t > 0, δX 1 = δX 2 .<br />
(B.1)<br />
B.1.2 Si y 01 ≥ 0 <strong>et</strong> y 02 ≥ 0 :<br />
Les équations du mouvement avant impact sont :<br />
{ {<br />
x1 = ẋ 01 t + x 01 , x2 = ẋ<br />
<strong>et</strong><br />
02 t + x 02 ,<br />
y 1 = y 01 ,<br />
y 2 = y 02 .<br />
Pour ces <strong>de</strong>ux trajectoires, il y a impact lorsque :<br />
x 1 − y 1 tan (θ) = 0 ,<br />
∣ soit : t 1 = y x 2 − y 2 tan (θ) = 0 ,<br />
01 tan (θ) − x 01 <strong>et</strong><br />
,<br />
ẋ<br />
∣ soit : t 2 = y 02 tan (θ) − x 02<br />
.<br />
01 ẋ 02<br />
(B.2)<br />
(B.3)<br />
Les <strong>de</strong>ux vitesses d’impact sont respectivement ẋ 01 <strong>et</strong> ẋ 02 .<br />
Ainsi les <strong>de</strong>ux trajectoires après impact seront (nous notons e < 0, le coefficient <strong>de</strong> restitution<br />
en vitesse) :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
(<br />
x 1 = eẋ 01 cos (2θ)<br />
y 1 = eẋ 01 sin(2θ)<br />
t − y )<br />
01 tan (θ) − x 01<br />
+ y 01 tan (θ) ,<br />
ẋ 01<br />
(<br />
t − y )<br />
01 tan (θ) − x 01<br />
+ y 01 ,<br />
ẋ 01<br />
343<br />
(B.4)
Annexe B. Comparaison <strong>de</strong>s divergences exactes <strong>et</strong> approchées pour le problème du billard<br />
<strong>et</strong> :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
(<br />
x 2 = eẋ 02 cos (2θ)<br />
y 2 = eẋ 02 sin(2θ)<br />
t − y )<br />
02 tan (θ) − x 02<br />
+ y 02 tan (θ) ,<br />
ẋ 02<br />
(<br />
t − y )<br />
02 tan (θ) − x 02<br />
+ y 02 .<br />
ẋ 02<br />
Nous supposons maintenant que y 02 > y 01 (nous notons y 02 = y 01 + δy 0 ), donc : t 2 > t 1 .<br />
Nous pouvons alors calculer exactement la divergence <strong>de</strong> trajectoire en fonction du temps :<br />
Pour t < t 1 :<br />
(B.5)<br />
Pour t 1 < t < t 2 :<br />
||δX|| 2 =<br />
||δX|| = √ δx 2 + δy 2 = |δy| = δy 0 .<br />
(<br />
ẋ 0 t + x 0 − eẋ 0 cos (2θ)<br />
(<br />
+ y 02 − eẋ 0 sin(2θ)<br />
(<br />
t − y ) )<br />
01 tan (θ) − x 2<br />
0<br />
− y 01 tan(θ)<br />
ẋ 0<br />
(<br />
t − y ) )<br />
01 tan (θ) − x 2<br />
0<br />
− y 01 .<br />
ẋ 0<br />
(B.6)<br />
(B.7)<br />
Pour t 2 < t :<br />
||δX|| 2 = δy 2 0<br />
[<br />
{ } ] 2<br />
{tan (θ)(ecos (2θ) − 1)} 2 + 2esin (θ) 2 − 1<br />
. (B.8)<br />
B.1.3 La position est négative, la vitesse est positive :<br />
Ceci signifie que la première trajectoire impacte sur la partie <strong>de</strong> la paroi parfaitement verticale,<br />
alors que le <strong>de</strong>uxième rayon tombe sur la partie <strong>de</strong> la paroi qui est légèrement inclinée.<br />
Nous faisons les mêmes hypothèses que dans la section précé<strong>de</strong>nte.<br />
Les équations du mouvement avant impact sont :<br />
{ {<br />
x1 = ẋ 01 t + x 01 , x2 = ẋ<br />
<strong>et</strong><br />
02 t + x 02 ,<br />
(B.9)<br />
y 1 = y 01 ,<br />
y 2 = y 02 .<br />
Pour ces <strong>de</strong>ux trajectoires, il y a impact lorsque :<br />
x 1 − y 1 tan (θ) = 0 ,<br />
∣ soit : t 1 = y x 2 − y 2 tan (θ) = 0 ,<br />
01 tan (θ) − x 01 <strong>et</strong><br />
,<br />
ẋ<br />
∣ soit : t 2 = y 02 tan (θ) − x 02<br />
.<br />
01 ẋ 02<br />
(B.10)<br />
Les <strong>de</strong>ux vitesses d’impact sont respectivement ẋ 01 <strong>et</strong> ẋ 02 .<br />
Ainsi les <strong>de</strong>ux trajectoires après impact seront (nous notons e < 0, le coefficient <strong>de</strong> restitution<br />
en vitesse) :<br />
⎧ (<br />
⎨<br />
x 1 = eẋ 01 t − y )<br />
01 tan (θ) − x 01<br />
,<br />
ẋ<br />
⎩<br />
01 (B.11)<br />
y 1 = y 01 ,<br />
344
B.2. Calcul <strong>de</strong> la divergence avec les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage<br />
<strong>et</strong> :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
(<br />
x 2 = eẋ 02 cos (2θ)<br />
y 2 = eẋ 02 sin(2θ)<br />
t − y )<br />
02 tan (θ) − x 02<br />
+ y 02 tan (θ) ,<br />
ẋ 02<br />
(<br />
t − y )<br />
02 tan (θ) − x 02<br />
+ y 02 .<br />
ẋ 02<br />
(B.12)<br />
Nous supposons maintenant que y 02 > y 01 (nous notons y 02 = y 01 + δy 0 ), donc : t 2 > t 1 .<br />
Nous pouuvons alors calculer exactement la divergence <strong>de</strong> trajectoire en fonction du temps :<br />
Pour t < t 1 :<br />
||δX|| = √ δx 2 + δy 2 = |δy| = δy 0 .<br />
(B.13)<br />
Pour t 1 < t < t 2 :<br />
||δX|| 2 = δy 2 0 + {ẋ 0t (e − 1) − x 0 − e(y 01 tan (θ) − x 0 )} 2 . (B.14)<br />
Pour t 2 < t :<br />
||δX|| 2 =<br />
( (<br />
{eẋ 0 cos (2θ) t − y ) (<br />
02 tan (θ) − x 0<br />
− t − y ))<br />
01 tan (θ) − x 0<br />
ẋ 0 ẋ 0<br />
{<br />
(<br />
+ y 02 tan (θ)} 2 + δy 0 + eẋ 0 sin (2θ) t − y )}<br />
02 tan (θ) − x 2<br />
0<br />
.<br />
ẋ 0<br />
(B.15)<br />
B.2 Calcul <strong>de</strong> la divergence avec les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage<br />
B.2.1 Les paramètres n’interviennent pas<br />
Nous nous plaçons dans le cas du paragraphe B.1.2, où les <strong>de</strong>ux rayons impactent sur la partie<br />
inclinée <strong>de</strong> la paroi. Ainsi, seules les conditions initiales (y 0 en fait) sont supposées incertaines.<br />
Les paramètres sont supposés connus <strong>et</strong> fixés.<br />
Alors :<br />
J =<br />
S =<br />
⎡<br />
⎢<br />
⎣<br />
⎡<br />
⎢<br />
⎣<br />
1 t 1 − t 0 0 0<br />
0 1 0 0<br />
0 0 1 t 1 − t 0<br />
0 0 0 1<br />
⎤<br />
⎥<br />
⎦ ,<br />
2 − ecos (2θ) 0 − tan(θ)(1 − ecos (2θ)) 0<br />
0 ecos (2θ) 0 0<br />
0 0 1 0<br />
0 0 0 esin(2θ)<br />
⎤<br />
⎥<br />
⎦ .<br />
(B.1)<br />
345
Annexe B. Comparaison <strong>de</strong>s divergences exactes <strong>et</strong> approchées pour le problème du billard<br />
Nous utilisons la norme suivante :<br />
|||M||| = sup<br />
i<br />
∑<br />
|m ij |.<br />
j<br />
Soit t un instant après l’impact contre la paroi (supposé avant toute autre discontinuité). Alors :<br />
{<br />
}<br />
||δX t || ≤ (1 + t 1 ) (1 + t − t 1 ) max 2 − ecos (2θ) + tan (θ)(1 − ecos (2θ)),1 ||δX 0 ||, (B.2)<br />
où ||δX 0 || =<br />
∣∣<br />
0<br />
0<br />
δy 0<br />
0<br />
= ||δy 0 ||.<br />
∣∣<br />
En ce qui concerne le calcul exact, nous utilisons la formule (B.8) :<br />
||δX|| 2 = δy 2 0<br />
[<br />
{ } ] 2<br />
{tan (θ)(ecos (2θ) − 1)} 2 + 2esin (θ) 2 − 1<br />
. (B.3)<br />
B.2.2 Les paramètres interviennent<br />
Dans ce cas-là, la matrice <strong>de</strong> passage reste i<strong>de</strong>ntique mais la matrice <strong>de</strong> transition change. Il<br />
nous faut alors écrire :<br />
⎡<br />
⎤<br />
−ecos (2θ) 0 tan (θ)(1 − ecos (2θ)) 0<br />
δX 1 + = ⎢ 0 ecos (2θ) 0 0<br />
⎥<br />
⎣ 0 0 1 0 ⎦ δX− 1<br />
0 0 0 esin(2θ)<br />
⎡<br />
0 − (1 − ecos (2θ))x − 3<br />
(1 + tan(θ) 2) ⎤<br />
(B.4)<br />
+ ⎢ x − 2 cos (2θ)<br />
−2ex− 2 sin(2θ)<br />
⎥<br />
⎣ 0 0<br />
⎦ δµ 0 .<br />
−x − 2 sin (2θ) 2ex− 2 cos (2θ)<br />
[ ] [ ]<br />
δe0 0<br />
Ici, bien sûr, δµ 0 = = .<br />
δθ 0 δθ 0<br />
De même qu’auparavant, ceci nous donne une majoration <strong>de</strong> la divergence <strong>de</strong> trajectoire, pour<br />
un instant t > t 2 :<br />
[ { −ecos (2θ) + tan (θ)(1 − ecos (2θ))<br />
||δX t || ≤ (1 + t − t 1 ) × max<br />
1<br />
{ cos (2θ) + 2esin(2θ)<br />
+ẋ 0 θ max<br />
2ecos (2θ) + sin(2θ)<br />
}]<br />
.<br />
}<br />
|δy 0 | (1 + t 1 )<br />
(B.5)<br />
346
B.2. Calcul <strong>de</strong> la divergence avec les matrices <strong>de</strong> saut <strong>et</strong> <strong>de</strong> passage<br />
En ce qui concerne la divergence exacte, nous utilisons la formule (B.15) :<br />
||δX|| 2 =<br />
( (<br />
{eẋ 0 cos (2θ) t − y ) (<br />
02 tan (θ) − x 0<br />
− t − y ))<br />
01 tan (θ) − x 0<br />
ẋ 0 ẋ 0<br />
{<br />
(<br />
+y 02 tan(θ)} 2 + δy 0 + eẋ 0 sin (2θ) t − y )}<br />
02 tan (θ) − x 2<br />
0<br />
.<br />
ẋ 0<br />
(B.6)<br />
347
Annexe B. Comparaison <strong>de</strong>s divergences exactes <strong>et</strong> approchées pour le problème du billard<br />
348
Annexe C<br />
Calcul <strong>de</strong>s distances entre <strong>de</strong>ux<br />
impacts<br />
Pour calculer le nombre d’impacts, il nous faut déterminer N qui est le premier entier tel<br />
que :<br />
N∑<br />
(x i − x i−1 ) ≥ L . (C.1)<br />
i=1<br />
Pour cela, il nous faut déterminer les valeurs <strong>de</strong> x i , ẋ i , y i <strong>et</strong> ẏ i , <strong>et</strong> cela pour tout i ∈ {1, . . .,N}.<br />
Avec la modélisation choisie, les équations du mouvement sont :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x =<br />
y =<br />
g sin(θ) (t − t 0 ) 2 + ẋ 0 (t − t 0 ) + x 0 ,<br />
2<br />
g cos (θ)<br />
(t − t 0 ) 2 + ẏ 0 (t − t 0 ) + y 0 ,<br />
2<br />
où x 0 <strong>et</strong> y 0 sont les conditions initiales.<br />
(C.2)<br />
Donc entre <strong>de</strong>ux impacts, par exemple entre l’impact i−1 <strong>et</strong> l’impact i, ces équations s’écrivent :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
x =<br />
y =<br />
g sin(θ) (t − t i−1 ) 2 + ẋ + i−1<br />
2<br />
(t − t i−1) + x + i−1 ,<br />
g cos (θ)<br />
(C.3)<br />
(t − t i−1 ) 2 + ẏ<br />
i−1 + 2<br />
(t − t i−1) + y<br />
i−1 + .<br />
Il y a impact lorsque y = 0, ainsi l’intervalle <strong>de</strong> temps entre <strong>de</strong>ux impacts est égal à :<br />
t i − t i−1 = −ẏ+ i−1 + √ (ẏ+<br />
i−1<br />
) 2 − 2gy<br />
+<br />
i−1<br />
cos (θ)<br />
g cos (θ)<br />
(C.4)<br />
349
Annexe C. Calcul <strong>de</strong>s distances entre <strong>de</strong>ux impacts<br />
Les vitesses lors <strong>de</strong>s impacts sont donc :<br />
⎧<br />
ẋ<br />
⎪⎨<br />
− 1 = tan (θ)<br />
⎪⎩<br />
[<br />
−ẏ 0 + √ ]<br />
ẏ0 2 − 2gy 0 cos (θ) + ẋ 0 ,<br />
ẏ − 1 = √ y 2 0 − 2gy 0 cos (θ) ,<br />
∀i ≥ 2 , ẏ − i<br />
= −ẏ + i−1 ,<br />
∀i ≥ 2 , ẋ − i<br />
= −2 tan (θ)ẏ + i−1 + ẋ+ i−1 . (C.5)<br />
Par récurrence on obtient :<br />
⎧<br />
∀n ≥ 1, ẏn − = (−β) n−1 √ ẏ0 2 − 2gy 0 cos (θ) ,<br />
[<br />
∀n ≥ 2, ẋ − n = α<br />
(tan n−1 (θ) −ẏ 0 + √ ] )<br />
ẏ0 2 − 2gy 0 cos (θ) + ẋ 0<br />
⎪⎨<br />
∀n ≥ 2,<br />
ẋ − n<br />
ẏn<br />
−<br />
=<br />
− (−β) n−1 2 tan (θ) √ ẏ 2 0 − 2gy 0 cos (θ) 1 − (−α/β)n−1<br />
1 + α/β<br />
(<br />
(<br />
− α ) n−1 tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2gy 0 cos (θ)<br />
√ẏ2<br />
β<br />
0 − 2gy 0 cos (θ)<br />
−2 tan (θ) 1 − (−α/β)n−1<br />
1 + α/β<br />
,<br />
+ ẋ 0<br />
,<br />
(C.6)<br />
⎪⎩<br />
∀i ≥ 1, t i − t i−1 =<br />
√<br />
2<br />
g cos (θ) (−β)i−1 ẏ0 2 − 2gy 0 cos (θ) .<br />
On note :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
(<br />
X = tan (θ) −ẏ 0 + √ )<br />
ẏ0 2 − 2gy 0 cos (θ) + ẋ 0 ,<br />
Y = −ẏ 0 + √ ẏ 2 0 − 2gy 0 cos (θ) ,<br />
Z = √ ẏ 2 0 − 2gy 0 cos (θ) .<br />
(C.7)<br />
On calcule ainsi la distance entre <strong>de</strong>ux impacts :<br />
⎧<br />
sin(θ)<br />
x 1 − x 0 =<br />
2g cos (θ) 2Y 2 +<br />
⎪⎨ ∀i ≥ 2 , x i − x i−1 =<br />
⎪⎩<br />
ẋ 0<br />
g cos (θ) Y ,<br />
2 sin (θ)<br />
g cos (θ) 2 (−β)2i−2 Z 2 +<br />
×<br />
[<br />
2<br />
g cos (θ) α (−β)i−1 Z<br />
α i−2 X − (−β) i−2 2 tan (θ)Z 1 − (−α/β)i−2<br />
1 + α/β<br />
]<br />
.<br />
(C.8)<br />
350
Annexe D<br />
Calcul du minimum <strong>de</strong> la vitesse<br />
d’impact <strong>de</strong> l’oscillateur linéaire<br />
La solution <strong>de</strong> l’équation différentielle ẍ + aẋ + w1 2 x = f cos (wt) régissant le comportement<br />
<strong>de</strong> l’oscillateur s’écrit comme la somme <strong>de</strong> la solution <strong>de</strong> l’équation homogène <strong>et</strong> d’une solution<br />
particulière :<br />
x(t) = Ae −ǫw 1t cos ( ˜w 1 t) + Be −ǫw 1t sin( ˜w 1 t) +<br />
Avec :<br />
A = x 0 −<br />
f<br />
w 2 1 − w2 ,<br />
B = ẋ0<br />
˜w 1<br />
+ ηx 0 −<br />
ηf (<br />
w1 2 − η = ǫw 1<br />
=<br />
w2 ˜w 1<br />
w 2 1<br />
f<br />
cos (wt)<br />
− w2<br />
)<br />
ǫ<br />
√<br />
1 − ǫ 2<br />
.<br />
(D.1)<br />
On cherche min {ẋ(t i )} 2 , le minimum <strong>de</strong> la vitesse pouvant être atteint lors d’un impact.<br />
x(t i )=x max<br />
Pour cela, nous utilisons l’égalité x(t i ) = x max pour exprimer ẋ 0 en fonction <strong>de</strong> x 0 . En remplaçant<br />
c<strong>et</strong>te expression <strong>de</strong> ẋ 0 dans l’équation <strong>de</strong> x(t) (D.1), nous obtenons une expression littérale<br />
<strong>de</strong> x(t), fonction <strong>de</strong> la seule condition initiale x 0 . Nous cherchons alors le minimum <strong>de</strong> c<strong>et</strong>te<br />
expression en fonction <strong>de</strong> x 0 .<br />
Or :<br />
x(t i ) = x max<br />
[<br />
− x 0 e −ǫw 1t i<br />
(cos ( ˜w 1 t i ) + η sin( ˜w 1 t i ))<br />
⇔ ẋ 0 = ˜w 1e ǫw 1t i<br />
sin( ˜w 1 t i )<br />
f<br />
+<br />
1t 1<br />
w1 2 − cos ( ˜w 1 t i ) +<br />
w2e−ǫw<br />
ηf<br />
w 2 1 − w2e−ǫw 1t i<br />
sin ( ˜w 1 t i ) −<br />
]<br />
f<br />
w1 2 − cos (wt i) + x max w2<br />
On en déduit l’expression <strong>de</strong> la vitesse d’impact en fonction <strong>de</strong> la seule condition initiale x 0 . On<br />
trouve :<br />
351<br />
.<br />
(D.2)
Annexe D. Calcul du minimum <strong>de</strong> la vitesse d’impact <strong>de</strong> l’oscillateur linéaire<br />
ẋ(t) = − ˜w 1e −ǫw 1t i<br />
sin( ˜w 1 t i ) x cos( ˜w 1 t i )<br />
0 + ǫw 1 x max + ˜w 1 x max<br />
sin( ˜w 1 t i )<br />
1<br />
+<br />
w1 2 − [ǫw 1f cos (wt i ) − fw sin(wt i )]<br />
w2 [<br />
]<br />
1<br />
+ (<br />
w<br />
2<br />
1 − w 2) f ˜w 1 e −ǫw 1t i<br />
− ˜w 1 f cos (wt i )cos ( ˜w 1 t i )<br />
sin ( ˜w 1 t i )<br />
.<br />
(D.3)<br />
Le minimum <strong>de</strong> c<strong>et</strong>te fonction est atteint pour une condition initiale égale à x 0i :<br />
x 0i = eǫw 1t i<br />
[<br />
]<br />
f<br />
sin( ˜w 1 t i ) ǫw 1 x max +<br />
˜w 1 w1 2 − (ǫw w2 1 cos (wt i ) − w sin(wt i ))<br />
+ eǫw 1t i<br />
[<br />
˜w 1 x max cos ( ˜w 1 t i ) + f ˜w 1 (<br />
e<br />
−ǫw 1 t i<br />
˜w 1 w1 2 − − cos (wt i ) cos ( ˜w 1 t i ) ) ] .<br />
w2<br />
(D.4)<br />
On trouve alors :<br />
min {ẋ(t i )} = 0 .<br />
x(t i )=x max<br />
(D.5)<br />
Ceci signifie que quelques que soient les conditions initiales prises, <strong>et</strong> quelques que soient les<br />
valeurs <strong>de</strong>s paramètres, la vitesse d’impact pourra s’annuler pour un certain instant d’impact t i .<br />
352
Annexe E<br />
Discrétisation <strong>de</strong> l’équation <strong>de</strong><br />
Fokker-Planck correspondant à un<br />
oscillateur à un <strong>de</strong>gré <strong>de</strong> liberté<br />
soumis à <strong>de</strong> la friction<br />
En discrétisant le problème correspondant <strong>et</strong> en utilisant le graphe <strong>de</strong> la fonction signe<br />
régularisée, nous obtenons les matrices suivantes :<br />
L 1 = −y 2<br />
∂<br />
∂y 1<br />
, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
⎡<br />
Bi a =<br />
⎢<br />
⎣<br />
1 iA a 0 . . . . . . . . . . . . . . . . . 0<br />
−iA a 1 iA a 0 . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . 0<br />
0 . . . −iA a 1 iA a . . . . . 0<br />
0 . . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . . 0 −iA a 1 iA a<br />
0 . . . . . . . . . . . . . . . 0 −iA a 1<br />
⎤<br />
⎥<br />
⎦<br />
. (E.1)<br />
353
Annexe E. Discrétation pour un oscillateur à un <strong>de</strong>gré <strong>de</strong> liberté<br />
L 3 = W 0<br />
2<br />
∂ 2<br />
∂y 2 2<br />
, avec A c = − W 0 ∆t<br />
4 (∆y 2 ) 2 :<br />
⎡<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
B c 0 .. . .. . .. 0 . . . 0<br />
=<br />
0 . . . A c 1 − 2A c A c . . . 0<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
. (E.2)<br />
L 2 = ∂ {F (y 1 , y 2 , t)}, avec A b = ∆t :<br />
∂y 2 2∆y 2<br />
⎡<br />
⎤<br />
a b b b 0 . . . . . . . . . . . . . . . . . . . . 0<br />
. .. . .. . .. 0 . . . . . . . . . . . . . . . . . 0<br />
Bi b 0 . . . 0 c b d b e b 0 . . . 0<br />
=<br />
. 0 . . . . . . . 0 .. . .. . .. . . . 0<br />
⎢<br />
⎣<br />
.<br />
0 . . . . . . . . . . . . . . . . 0 .. . .. . ..<br />
⎥<br />
⎦<br />
0 . . . . . . . . . . . . . . . . . . . . 0 f b g b<br />
avec :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a b = 1 ,<br />
b b = −A b F ( y 1i , y 2(N−1)<br />
)<br />
,<br />
c b = A b F ( y 1i , y 2(−j+N+2)<br />
)<br />
,<br />
d b = 1 ,<br />
e b = −A b F ( y 1i , y 2(−j+N)<br />
)<br />
,<br />
f b = A b F ( y 1i , y 2 −(N−1)<br />
)<br />
,<br />
g b = 1 .<br />
, (E.3)<br />
(E.4)<br />
Nous pouvons alors donner l’expression <strong>de</strong>s termes sous-diagonaux <strong>et</strong> sur-diagonaux :<br />
∀j ∈ {1, ..,2N + 1} :<br />
B b i,j(j, j) = 1 .<br />
(E.5)<br />
j < N + 1 :<br />
B b i,j (j, j − 1) = Ab F ( y 1i , y 2(−j+N+2)<br />
)<br />
,<br />
= A b [ a<br />
m (−j + N + 2)∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
B b i,j (j, j + 1) = −Ab F ( y 1i , y 2(−j+N)<br />
)<br />
,<br />
= −A b [ a<br />
m (−j + N)∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
.<br />
.<br />
(E.6)<br />
354
j = N + 1 :<br />
B b i,j (j, j − 1) = Ab F ( y 1i , y 2(1)<br />
)<br />
,<br />
= A b [ a<br />
m ∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
B b i,j (j, j − 1) = −Ab F ( y 1i , y 2(−1)<br />
)<br />
,<br />
= −A b [<br />
− a m ∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
.<br />
.<br />
(E.7)<br />
j > N + 1 :<br />
B b i,j (j, j − 1) = Ab F ( y 1i , y 2(−j+N+2)<br />
)<br />
,<br />
= A b [ a<br />
m (−j + N + 2)∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
B b i,j (j, j − 1) = −Ab F ( y 1i , y 2(−j+N)<br />
)<br />
,<br />
= −A b [ a<br />
m (−j + N)∆y 2 + k m i∆y 1 − α m − f m sin(wt) ]<br />
.<br />
.<br />
(E.8)<br />
355
Annexe E. Discrétation pour un oscillateur à un <strong>de</strong>gré <strong>de</strong> liberté<br />
356
Annexe F<br />
Discrétisation <strong>et</strong> matrices<br />
correspondantes pour l’étu<strong>de</strong> <strong>de</strong><br />
l’oscillateur avec loi <strong>de</strong><br />
comportement avec écrouissage total<br />
Dans notre discrétisation, F(x) sera modélisée <strong>de</strong> la manière suivante : Avec x i = − L 2 +<br />
i∆x, i ∈ {1, ..,2N + 1} :<br />
⎧<br />
0 si i < L/2 − δ<br />
∆x<br />
,<br />
k 2 (i∆x + δ)<br />
si<br />
L/2 − δ<br />
∆x<br />
< i < L/2 − γ<br />
∆x<br />
,<br />
⎪⎨<br />
F(x i ) =<br />
−α<br />
k 1 i∆x<br />
si<br />
si<br />
L/2 − γ<br />
∆x<br />
L/2 − β<br />
∆x<br />
< i < L/2 − β<br />
∆x<br />
< i < L/2 + β<br />
∆x<br />
,<br />
,<br />
(F.1)<br />
α<br />
si<br />
L/2 + β<br />
∆x<br />
< i < L/2 + γ<br />
∆x<br />
,<br />
k 2 x<br />
si<br />
L/2 + γ<br />
∆x<br />
< i < L/2 + δ<br />
∆x<br />
,<br />
⎪⎩<br />
0 si i > L/2 + δ<br />
∆x<br />
357<br />
.
Annexe F. Discrétisation <strong>de</strong> la loi <strong>de</strong> comportement<br />
Posons :<br />
⎧<br />
i −δ = L/2 − δ<br />
∆x<br />
,<br />
i −γ = L/2 − γ<br />
∆x<br />
,<br />
⎪⎨<br />
i −β = L/2 − β<br />
∆x<br />
i β = L/2 + β<br />
∆x<br />
,<br />
,<br />
(F.2)<br />
i γ = L/2 + γ<br />
∆x<br />
,<br />
⎪⎩<br />
i δ = L/2 + δ<br />
∆x<br />
Les matrices qui interviennent dans la discrétisation s’écrivent alors pour les différents opérateurs<br />
<strong>de</strong> dérivation :<br />
∂<br />
L 1 = −y 2 , avec A a = ∆t ∆y 2 :<br />
∂y 1 2∆y 1<br />
⎡<br />
1 iA a ⎤<br />
0 . . . . . . . . . . . . . . . . . 0<br />
−iA a 1 iA a 0 . . . . . . . . . . . . 0<br />
.<br />
Bi a 0 .. . .. . .. 0 . . . . . 0<br />
=<br />
0 . . . −iA a 1 iA a . . . . . 0<br />
.<br />
⎢ 0 . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
⎣ 0 . . . . . . . . . . . 0 −iA a 1 iA a ⎦<br />
0 . . . . . . . . . . . . . . . 0 −iA a 1<br />
.<br />
. (F.3)<br />
L 3 = W 0<br />
2<br />
∂ 2<br />
∂y 2 2<br />
, avec A c = − W 0<br />
4<br />
∆t<br />
(∆y 2 ) 2 :<br />
⎡<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
B c 0 .. . .. . .. 0 . . . 0<br />
=<br />
0 . . . A c 1 − 2A c A c . . . 0<br />
.<br />
⎢ 0 . . . 0 .. . .. . .. 0<br />
⎥<br />
⎣ 0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
. (F.4)<br />
358
L 2 = ∂ {<br />
}<br />
G (y 1 , y 2 , t) + g(t) , avec A b = ∆t :<br />
∂y 2 2∆y 2<br />
⎡<br />
⎤<br />
a b b b 0 . . . . . . . . . . . . . . . . . . . . 0<br />
. .. . .. . .. 0 . . . . . . . . . . . . . . . . . 0<br />
Bi b 0 . . . 0 c b d b e b 0 . . . 0<br />
=<br />
. 0 . . . . . . . 0 .. . .. . .. . . . 0<br />
⎢<br />
⎣<br />
.<br />
0 . . . . . . . . . . . . . . . . 0 .. . .. . ..<br />
⎥<br />
⎦<br />
0 . . . . . . . . . . . . . . . . . . . . 0 f b g b<br />
avec :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a b = 1 ,<br />
b b = −A b F ( y 1i , y 2(N−1) , t ) ,<br />
c b = A b F ( y 1i , y 2(−j+N+2) , t ) ,<br />
d b = 1 ,<br />
e b = −A b F ( y 1i , y 2(−j+N) , t ) ,<br />
f b = A b F ( y 1i , y 2 −(N−1) , t ) ,<br />
g b = 1 .<br />
, (F.5)<br />
(F.6)<br />
Nous pouvons alors donner l’expression <strong>de</strong>s termes sous-diagonaux <strong>et</strong> sur-diagonaux :<br />
∀j ∈ {1, ..,2N + 1}, ∀i ∈ {1, ..,2N + 1} :<br />
B b i,j(j, j) = 1 .<br />
(F.7)<br />
i < i −δ :<br />
B b i,j (j, j − 1) = Ab G ( y 1i , y 2(−j+N+2) , t ) ,<br />
= A b [ a<br />
m (−j + N + 2)∆y 2 − g m sin(wt) ]<br />
B b i,j (j, j + 1) = −Ab G ( y 1i , y 2(−j+N) , t ) ,<br />
= −A b [ a<br />
m (−j + N)∆y 2 − g m sin(wt) ]<br />
.<br />
.<br />
(F.8)<br />
i −δ
Annexe F. Discrétisation <strong>de</strong> la loi <strong>de</strong> comportement<br />
i −β
Annexe G<br />
Développement <strong>de</strong> Van Kampen<br />
appliqué au système dynamique du<br />
pompage énergétique<br />
G.1 Etu<strong>de</strong> <strong>de</strong>s moyennes par rapport au temps <strong>de</strong>s positions <strong>et</strong><br />
<strong>de</strong>s vitesses<br />
Nous réécrivons le système dynamique du pompage en remplaçant le vecteur<br />
vecteur<br />
⎛<br />
⎜<br />
⎝<br />
⎞<br />
x 1<br />
x 2<br />
x 3<br />
x 4<br />
⎟<br />
⎠ où : x 1 = x, x 2 = ẋ, x 3 = y, x 4 = ẏ.<br />
⎛<br />
⎜<br />
⎝<br />
x<br />
ẋ<br />
y<br />
ẏ<br />
⎞<br />
⎟<br />
⎠ par le<br />
Alors les équations du mouvement s’écrivent :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
ẋ 1 = x 2 ,<br />
ẋ 2 = −a 1 x 2 − c 1 x 3 1 − d 1(x 1 − x 3 ) + f 1 (t) ,<br />
ẋ 3 = x 4 ,<br />
ẋ 4 = −a 2 x 4 − k 2 x 3 − d 2 (x 3 − x 1 ) + f 2 (t) .<br />
(G.1)<br />
La métho<strong>de</strong> <strong>de</strong> Van Kampen consiste à utiliser l’équation <strong>de</strong> Fokker-Planck, sans la résoudre,<br />
pour obtenir <strong>de</strong>s informations sur la réponse du système. Pour cela, les équations différentielles<br />
stochastiques sont d’abord multipliées par une variable ad hoc, puis moyennées par rapport au<br />
temps.<br />
Ainsi, en moyennant ces différentes équations <strong>et</strong> en négligeant les termes d’ordre supérieur à 1,<br />
361
Annexe G. Théorie <strong>de</strong> Van Kampen<br />
nous obtenons :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
Alors en notant X =<br />
< ẋ 1 > = < x 2 > ,<br />
< ẋ 2 > = −a 1 < x 2 > −d 1 < x 1 > +d 1 < x 3 > ,<br />
< ẋ 3 > = < x 4 > ,<br />
< ẋ 4 > = −a 2 < x 4 > −(k 2 + d 2 ) < x 3 > +d 2 < x 1 > .<br />
⎛<br />
⎜<br />
⎝<br />
⎞<br />
x 1<br />
x 2<br />
⎟<br />
x 3<br />
⎠<br />
x 4<br />
A =<br />
, ce système peut s’écrire sous la forme con<strong>de</strong>nsée :<br />
⎡<br />
⎢<br />
⎣<br />
Ẋ = A.X , où :<br />
⎤<br />
0 1 0 0<br />
−d 1 −a 1 d 1 0<br />
0 0 1 0<br />
d 2 0 −(k 2 + d 2 ) −a 2<br />
⎥<br />
⎦ .<br />
(G.2)<br />
(G.3)<br />
En intégrant<br />
⎛<br />
ce système<br />
⎞<br />
à partir <strong>de</strong> conditions initiales fixées, nous obtenons la moyenne<br />
< x 1 > (t)<br />
< X(t) >= ⎜ < x 2 > (t)<br />
⎟<br />
⎝ < x 3 > (t) ⎠ .<br />
< x 4 > (t)<br />
Nous réalisons <strong>de</strong>s simulations d’un système <strong>de</strong> pompage énergétique, en comparant les<br />
moyennes données par l’analyse <strong>de</strong> Van Kampen avec celles calculées avec Monte Carlo. Le<br />
nombre <strong>de</strong> simulations <strong>de</strong> Monte Carlo a dû être choisi très élevé, à cause <strong>de</strong> problèmes <strong>de</strong><br />
convergence (nous sommes en présence d’un système à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté, comportant <strong>de</strong>ux<br />
bruits blancs, donc la simulation converge lentement, voir [58]).<br />
Les paramètres du système couplé étudié ont été fixés conformément à [43] : a 1 = 0.2, d 1 = 0.8,<br />
a 2 = 0.01, k 2 = 1.0 <strong>et</strong> d 2 = 0.04. De même, la condition initiale est x 1 (0) = x 2 (0) = x 3 (0) = 0<br />
<strong>et</strong> x 4 (0) = 0.1.<br />
Nous comparons tout d’abord les moyennes <strong>de</strong>s positions obtenues avec Van Kampen avec<br />
celles calculées par Monte Carlo avec <strong>de</strong>ux bruits blancs nuls (W 01 = W 02 = 0) (Figure G.1).<br />
Nous observons donc qu’en temps court, la phase <strong>de</strong> la moyenne <strong>de</strong> la position du <strong>de</strong>uxième<br />
oscillateur donnée par Van Kampen est correcte, mais l’amplitu<strong>de</strong> est trop faible. En ce qui<br />
concerne la moyenne <strong>de</strong> la position du premier oscillateur, son amplitu<strong>de</strong> est plus correcte, tout<br />
en étant encore inférieure à celle donnée par Monte Carlo. Par contre, c<strong>et</strong>te moyenne calculée<br />
avec Van Kampen est également déphasée par rapport à la moyenne réelle, d’environ un quart<br />
<strong>de</strong> pério<strong>de</strong>.<br />
Pour <strong>de</strong>s temps longs, nous observons que l’amplitu<strong>de</strong> <strong>de</strong>s oscillations calculée avec l’analyse <strong>de</strong><br />
Van Kampen diminue trop vite. En eff<strong>et</strong>, avec c<strong>et</strong>te analyse, le pompage énergétique est très<br />
(trop?) efficace.<br />
Nous examinons également l’eff<strong>et</strong> <strong>de</strong> différentes valeurs <strong>de</strong> bruit sur le système (Figure G.2).<br />
362
G.1. Etu<strong>de</strong> <strong>de</strong>s moyennes par rapport au temps <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses<br />
0.6<br />
Moyenne <strong>de</strong>s déplacements avec l’analyse <strong>de</strong> Van Kampen<br />
0.1<br />
0.4<br />
Moyenne <strong>de</strong>s déplacements <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
par l’analyse <strong>de</strong> Van Kampen <strong>et</strong> par Monte Carlo<br />
0.4<br />
0.05<br />
0.2<br />
<br />
0.2<br />
<br />
0<br />
<br />
0<br />
0<br />
−0.05<br />
−0.2<br />
−0.2<br />
0 5 10<br />
t<br />
0.4<br />
0.2<br />
−0.1<br />
0 5 10<br />
t<br />
Moyenne <strong>de</strong>s déplacements avec Monte Carlo (bruits nuls)<br />
0.5<br />
−0.4<br />
0 2 4 6 8 10<br />
t<br />
Van Kampen<br />
Monte Carlo (W 01<br />
=0,W 02<br />
=0)<br />
0.5<br />
<br />
0<br />
<br />
0<br />
<br />
0<br />
−0.2<br />
−0.4<br />
0 1000 2000<br />
t ( × 0.02 π )<br />
−0.5<br />
0 1000 2000<br />
t ( × 0.02 π )<br />
−0.5<br />
0 2 4 6 8 10<br />
t<br />
0.4<br />
Moyenne <strong>de</strong>s déplacemnts <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
par Van Kampen <strong>et</strong> par Monte Carlo<br />
0.2<br />
<br />
0<br />
−0.2<br />
−0.4<br />
0 10 20 30 40 50 60 70<br />
t<br />
Van Kampen<br />
Monte Carlo (W<br />
0.5<br />
01<br />
=0,W 02<br />
=0)<br />
<br />
0<br />
−0.5<br />
0 10 20 30 40 50 60 70<br />
t<br />
Fig. G.1 – Comparaison <strong>de</strong>s moyennes <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs calculées par Van<br />
Kampen <strong>et</strong> par Monte Carlo pour <strong>de</strong>ux bruits blancs nuls. Ici, a 1 = 0, d 1 = 0.8, a 2 = 0.01,<br />
k 2 = 1, d 2 = 0.04, x 0 = ẋ 0 = y 0 = 0 <strong>et</strong> ẏ 0 = 0.1.<br />
363
Annexe G. Théorie <strong>de</strong> Van Kampen<br />
Moyenne <strong>de</strong>s déplacements <strong>de</strong>s <strong>de</strong>ux oscillateurs<br />
par Van Kampen <strong>et</strong> par Monte Carlo pour différents bruits<br />
0.4<br />
0.2<br />
<br />
0<br />
−0.2<br />
−0.4<br />
0 2 4 6 8 10<br />
t<br />
0.5<br />
Van Kampen<br />
Monte Carlo (W 01<br />
=0,W 02<br />
=0)<br />
Monte Carlo (W 01<br />
=0.01,W 02<br />
=0.0001)<br />
Monte Carlo (W 01<br />
=0.01,W 02<br />
=1)<br />
Monte Carlo (W 01<br />
=10,W 02<br />
=0.0001)<br />
Monte Carlo (W 01<br />
=10,W 02<br />
=1)<br />
<br />
0<br />
−0.5<br />
0 2 4 6 8 10<br />
t<br />
Fig. G.2 – Moyennes <strong>de</strong>s positions <strong>de</strong>s <strong>de</strong>ux oscillateurs, calculées avec l’analyse <strong>de</strong> Van Kampen<br />
<strong>et</strong> par Monte Carlo pour différentes valeurs <strong>de</strong>s coefficients <strong>de</strong> diffusion W 01 <strong>et</strong> W 02 .<br />
364
G.1. Etu<strong>de</strong> <strong>de</strong>s moyennes par rapport au temps <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses<br />
Nous observons comme auparavant que la moyenne < x 1 > calculée avec Van Kampen n’est<br />
pasoptimale. < x 3 > calculée avec c<strong>et</strong>te même métho<strong>de</strong> possè<strong>de</strong> une phase correcte, mais son<br />
amplitu<strong>de</strong> est trop faible. De plus, < x 3 > calculée avec Monte Carlo est pratiquement i<strong>de</strong>ntique<br />
pour tous les bruits. Ceci signifie donc que l’oscillateur linéaire est robuste au bruit. Enfin, la<br />
moyenne calculée avec Van Kampen <strong>et</strong> celle calculée avec Monte Carlo pour (W 01 , W 02 ) = (0, 0)<br />
ne sont pas i<strong>de</strong>ntiques. En eff<strong>et</strong>, le résultat donné par Van Kampen ressemble le plus à celui<br />
donné par Monte Carlo pour (W 01 , W 02 ) = (0.01, 0.0001).<br />
Nous observons que l’analyse <strong>de</strong> Van Kampen a tout <strong>de</strong> même un avantage. Elle ne présente<br />
pas <strong>de</strong> problème <strong>de</strong> convergence (voir figure G.3) contrairement à Monte Carlo par exemple qui<br />
nécessite un grand nombre <strong>de</strong> tirages :<br />
0.6<br />
Moyenne <strong>de</strong>s déplacements par l’analyse <strong>de</strong> Van Kampen<br />
0.1<br />
0.6<br />
Moyenne <strong>de</strong>s déplacements par l’analyse <strong>de</strong> Van Kampen<br />
0.1<br />
0.4<br />
0.05<br />
0.4<br />
0.05<br />
<br />
0.2<br />
<br />
0<br />
<br />
0.2<br />
<br />
0<br />
0<br />
−0.05<br />
0<br />
−0.05<br />
−0.2<br />
0 5 10<br />
t<br />
0.01<br />
−0.1<br />
0 5 10<br />
t<br />
Moyenne <strong>de</strong>s déplacements avec Monte Carlo (W =10,W =0.0001)<br />
01 02<br />
0.02<br />
0.5<br />
−0.2<br />
0 5 10<br />
t<br />
0.02<br />
0.01<br />
−0.1<br />
0 5 10<br />
t<br />
Moyenne <strong>de</strong>s déplacements par Monte Carlo (W =10, W =1)<br />
01 02<br />
0.5<br />
<br />
0<br />
<br />
0<br />
<br />
0<br />
<br />
0<br />
−0.01<br />
−0.01<br />
−0.02<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.5<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.02<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.5<br />
0 1000 2000<br />
t (× 0.02 π)<br />
(a) (W 01, W 02) = (10, 0.0001)<br />
(b) (W 01, W 02) = (10, 1)<br />
Fig. G.3 – Moyennes < x 1 > <strong>et</strong> < x 3 > calculée avec l’analyse <strong>de</strong> Van Kampen <strong>et</strong> par Monte<br />
Carlo. Pour <strong>de</strong>s bruits importants, Monte Carlo nécessite beaucoup <strong>de</strong> tirages avant <strong>de</strong> converger.<br />
Ceci peut être observé ici avec la moyenne <strong>de</strong>s déplacements < x 1 > calculée avec Monte Carlo,<br />
pour W 01 = 10.0.<br />
Ce problème <strong>de</strong> convergence <strong>de</strong> Monte Carlo pour < x 1 > est lié à l’intensité du bruit, donc<br />
ici la valeur <strong>de</strong>s coefficients <strong>de</strong> diffusion (surtout W 01 en réalité, Figure G.4 ).<br />
Sur ces graphes, nous voyons que l’oscillateur non linéaire, plus sensible au bruit, ne présente<br />
plus <strong>de</strong> problème <strong>de</strong> convergence avec Monte Carlo lorsqu’il est soumis à un bruit plus faible.<br />
Mais il est à noter que le nombre <strong>de</strong> tirages pour Monte Carlo est élevé (1 000 000).<br />
En outre, nous observons que le premier pic d’oscillation est sous-estimé par l’analyse <strong>de</strong> Van<br />
Kampen.<br />
365
Annexe G. Théorie <strong>de</strong> Van Kampen<br />
0.6<br />
Moyenne <strong>de</strong>s déplacements par l’analyse <strong>de</strong> Van Kampen<br />
0.1<br />
0.6<br />
Moyenne <strong>de</strong>s déplacements par l’analyse <strong>de</strong> Van Kampen<br />
0.1<br />
0.4<br />
0.05<br />
0.4<br />
0.05<br />
<br />
0.2<br />
<br />
0<br />
<br />
0.2<br />
<br />
0<br />
0<br />
−0.05<br />
0<br />
−0.05<br />
−0.2<br />
0 5 10<br />
t<br />
0.2<br />
0.1<br />
−0.1<br />
0 5 10<br />
t<br />
Moyenne <strong>de</strong>s déplacements par Monte Carlo (W =0.01,W =0.0001)<br />
01 02<br />
0.5<br />
−0.2<br />
0 5 10<br />
t<br />
0.3<br />
0.2<br />
−0.1<br />
0 5 10<br />
t<br />
Moyenne <strong>de</strong>s déplacements avec Monte Carlo (W =0.01,W =1)<br />
01 02<br />
0.5<br />
<br />
0<br />
<br />
0<br />
<br />
0.1<br />
<br />
0<br />
−0.1<br />
0<br />
−0.2<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.5<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.1<br />
0 1000 2000<br />
t (× 0.02 π)<br />
−0.5<br />
0 1000 2000<br />
t (× 0.02 π)<br />
(a) (W 01, W 02) = (0.01, 0.0001)<br />
(b) (W 01, W 02) = (0.01, 1)<br />
Fig. G.4 – Moyennes < x 1 > <strong>et</strong> < x 3 > calculées avec l’analyse <strong>de</strong> Van Kampen <strong>et</strong> par Monte<br />
Carlo. Ici, le bruit f 1 (t) appliqué à l’oscillateur 1 est faible, les problèmes <strong>de</strong> convergence <strong>de</strong><br />
Monte Carlo sont peu visibles.<br />
G.2 Etu<strong>de</strong> <strong>de</strong>s moments d’ordre <strong>de</strong>ux <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses<br />
Ici, <strong>de</strong> même qu’auparavant, nous moyennons les taux <strong>de</strong> variation <strong>de</strong>s moments d’ordre<br />
<strong>de</strong>ux. Par exemple :<br />
d<br />
dt < x2 1 > = 2 d dt < x 1 >< x 1 > ,<br />
= 2 < x 1 x 2 > .<br />
d<br />
dt < x 1x 2 > = < x 1 > d dt < x 2 > + < x 2 > d dt < x 1 > ,<br />
= < x 2 2 > −a 1 < x 1 x 2 > −d 1 < x 2 1 > −d 1 < x 1 x 3 > .<br />
(G.1)<br />
366
⎡<br />
Ainsi en posant : X =<br />
⎢<br />
⎣<br />
G.2. Etu<strong>de</strong> <strong>de</strong>s moments d’ordre <strong>de</strong>ux <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses<br />
< x 2 1 > ⎤<br />
< x 1 x 2 ><br />
< x 1 x 3 ><br />
< x 1 x 4 ><br />
< x 2 2 ><br />
< x 2 x 3 ><br />
< x 2 x 4 ><br />
< x 2 3 ><br />
⎥<br />
< x 3 x 4 > ⎦<br />
< x 2 4 ><br />
, nous pouvons écrire :<br />
Ẋ = A.X , où A s’écrit :<br />
⎡<br />
⎢<br />
⎣<br />
⎤<br />
0 2 0 0 0 0 0 0 0 0<br />
−d 1 −a 2 d 1 0 1 0 0 0 0 0<br />
0 0 0 1 0 1 0 0 0 0<br />
d 2 0 −(k 2 + d 2 ) −a 2 0 0 1 0 0 0<br />
0 −2d 1 0 0 −2a 1 2d 1 0 0 0 0<br />
0 0 −d 1 0 0 −a 1 1 d 1 0 0<br />
0 d 2 0 −d 1 0 −(k 2 + d 2 ) −(a 1 + a 2 ) 0 d 1 0<br />
0 0 0 0 0 0 0 0 2 0<br />
⎥<br />
0 0 d 2 0 0 0 0 −(k 2 + d 2 ) −a 2 1 ⎦<br />
0 0 0 2d 2 0 0 0 0 −2(k 2 + d 2 ) −2a 2<br />
(G<br />
.<br />
Nous simulons le même système qu’auparavant pour les moyennes <strong>et</strong> nous comparons les<br />
moments d’ordre <strong>de</strong>ux ainsi obtenus avec ceux calculés par Monte Carlo.<br />
Tout d’abord, en observant seulement les moments d’ordre <strong>de</strong>ux obtenus par Van Kampen,<br />
nous voyons que l’amplitu<strong>de</strong> <strong>de</strong>s oscillations diminue très rapi<strong>de</strong>ment (Figure G.5). De plus,<br />
c<strong>et</strong>te diminution n’est pas linéaire, l’amortissement n’est donc pas le seul phénomène en jeu. Le<br />
pompage énergétique s’amorce.<br />
Les mêmes inconvénients que pour les moyennes sont visibles ici pour l’analyse <strong>de</strong> Van<br />
Kampen. Nous observons (Figure G.6) que pour un bruit quelconque, les moments d’ordre <strong>de</strong>ux<br />
< x 2 1 > <strong>et</strong> < x2 3 > sont trop faibles (facteur <strong>de</strong> 10 pour < x2 1 > <strong>et</strong> l’amplitu<strong>de</strong> calculée par Van<br />
Kampen <strong>de</strong> < x 2 3 > est tellement faible qu’on n’observe plus les oscillations).<br />
De plus, un déphasage est observé pour < x 2 1 > (en général, pour tous les moments faisant<br />
intervenir la position ou la vitesse <strong>de</strong> l’oscillateur 1).<br />
En observant l’eff<strong>et</strong> <strong>de</strong> bruits d’intensités différentes sur l’analyse Monte Carlo, nous voyons<br />
que l’étu<strong>de</strong> <strong>de</strong> Van Kampen sous-estime en général l’amplitu<strong>de</strong> <strong>de</strong>s oscillations (Figure G.7).<br />
De plus, W 01 a le plus d’influence sur < x 2 1 >. En eff<strong>et</strong>, W 02 ne joue pratiquement pas.<br />
Par exemple, les moments < x 2 1 > pour (W 01, W 02 ) = (10, 0.0001) <strong>et</strong> (W 01 , W 02 ) = (10, 1) sont<br />
quasiment i<strong>de</strong>ntiques.<br />
De même, W 02 est le bruit qui a le plus d’influence sur < x 2 3<br />
>. En eff<strong>et</strong>, les résultats pour<br />
367
Annexe G. Théorie <strong>de</strong> Van Kampen<br />
0.06<br />
Moment d’ordre 2 du déplacement <strong>de</strong>s oscillateurs 1 <strong>et</strong> 2<br />
par la métho<strong>de</strong> <strong>de</strong> Van Kampen<br />
0.15<br />
Moment d’ordre 2 du déplacement <strong>de</strong>s 2 oscillateurs<br />
par la métho<strong>de</strong> <strong>de</strong> Van Kampen<br />
<br />
0.04<br />
0.02<br />
0<br />
0 2 4 6 8 10<br />
t<br />
<br />
0.1<br />
0.05<br />
0<br />
−0.05<br />
0 10 20 30 40 50 60 70<br />
t<br />
10<br />
<br />
5<br />
5<br />
0<br />
0<br />
15 x 10−3 t<br />
10<br />
<br />
−5<br />
0 2 4 6 8 10<br />
15 x 10−3 t<br />
−5<br />
0 10 20 30 40 50 60 70<br />
(a) t variant <strong>de</strong> 0 à 10s<br />
(b) t variant <strong>de</strong> 0 à 70s<br />
Fig. G.5 – Moments d’ordre <strong>de</strong>ux < x 2 1 > <strong>et</strong> < x2 3 > obtenus avec l’analyse <strong>de</strong> Van Kampen.<br />
Ici, comme auparavant, a 1 = 0.2, d 1 = 0.8, a 2 = 0.01, k 2 = 1, d 2 = 0.04, x 0 = ẋ 0 = y 0 = 0 <strong>et</strong><br />
ẏ 0 = 0.1.<br />
0.2<br />
Moment d’ordre 2 du déplacement <strong>de</strong>s 2 oscillateurs<br />
par la métho<strong>de</strong> <strong>de</strong> Van Kampen<br />
0.15<br />
<br />
0.1<br />
0.05<br />
0<br />
0 2 4 6 8 10<br />
t<br />
0.2<br />
<br />
0.1<br />
0<br />
−0.1<br />
0 2 4 6 8 10<br />
t<br />
Fig. G.6 – Moments d’ordre <strong>de</strong>ux < x 2 1 > <strong>et</strong> < x2 3 > calculés par l’analyse <strong>de</strong> Van Kampen <strong>et</strong><br />
par Monte Carlo pour <strong>de</strong>s bruits blancs <strong>de</strong> coefficients <strong>de</strong> diffusion W 01 = 0 <strong>et</strong> W 02 = 0. Ainsi,<br />
l’amplitu<strong>de</strong> <strong>de</strong>s moments calculée par Van Kampen est faible par rapport à celle calculée avec<br />
Monte Carlo. De plus, un déphasage apparait entre ces <strong>de</strong>ux résultats.<br />
368
G.2. Etu<strong>de</strong> <strong>de</strong>s moments d’ordre <strong>de</strong>ux <strong>de</strong>s positions <strong>et</strong> <strong>de</strong>s vitesses<br />
3<br />
Moment d’ordre 2 du déplacement <strong>de</strong>s 2 oscillateurs<br />
par Van Kampen <strong>et</strong> Monte Carlo<br />
<br />
2<br />
1<br />
0<br />
0 2 4 6 8 10<br />
t<br />
3<br />
2<br />
Van Kampen<br />
MC (W 01<br />
=0,W 02<br />
=0)<br />
MC (W 01<br />
=0.01,W 02<br />
=0.0001)<br />
MC (W 01<br />
=0.01,W 02<br />
=1)<br />
MC (W 01<br />
=10,W 02<br />
=0.0001)<br />
MC (W 01<br />
=10,W 02<br />
=1)<br />
<br />
1<br />
0<br />
−1<br />
0 2 4 6 8 10<br />
t<br />
Fig. G.7 – Moments d’ordre <strong>de</strong>ux < x 2 1 > <strong>et</strong> < x2 3 > calculés par l’analyse <strong>de</strong> Van Kampen <strong>et</strong><br />
par Monte Carlo pour <strong>de</strong>s bruits blancs <strong>de</strong> coefficients <strong>de</strong> diffusion divers.<br />
(W 01 , W 02 ) = (0.01, 1) <strong>et</strong> (W 01 , W 02 ) = (10, 1) (ou (W 01 , W 02 ) = (0.01, 0.0001) <strong>et</strong> (W 01 , W 02 ) =<br />
(10, 0.0001)) sont similaires.<br />
Enfin, nous remarquons (Figure G.8) que les amplitu<strong>de</strong>s <strong>de</strong> < x 2 1 > <strong>et</strong> < x2 3 > calculés avec<br />
Van Kampen sont trop faibles <strong>et</strong> qu’elles diminuent trop rapi<strong>de</strong>ment. Le pompage énergétique<br />
s’amorce plus lentement que sur les réponses calculées avec Monte Carlo. Mais contrairement<br />
aux résultats obtenus avec Monte Carlo où pour <strong>de</strong>s temps longs seul l’amortissement apparait,<br />
nous observons ici <strong>de</strong> façon plus flagrante le pompage énergétique.<br />
369
Annexe G. Théorie <strong>de</strong> Van Kampen<br />
0.15<br />
Moment d’ordre 2 <strong>de</strong>s déplacements <strong>de</strong>s 2 oscillateurs<br />
par Van Kampen <strong>et</strong> Monte Carlo<br />
0.1<br />
<br />
0.05<br />
0<br />
−0.05<br />
0 10 20 30 40 50 60 70<br />
t<br />
Van Kampen<br />
MC (W<br />
0.3<br />
01<br />
=0,W 02<br />
=0)<br />
0.2<br />
<br />
0.1<br />
0<br />
−0.1<br />
0 10 20 30 40 50 60 70<br />
t<br />
Fig. G.8 – Moments d’ordre <strong>de</strong>ux < x 2 1 > <strong>et</strong> < x2 3 > calculés par l’analyse <strong>de</strong> Van Kampen<br />
<strong>et</strong> par Monte Carlo pour (W 01 , W 02 ) = (0, 0) pour <strong>de</strong>s instants compris entre 0 <strong>et</strong> 70s. Avec<br />
l’analyse <strong>de</strong> Van Kampen, le pompage énergétique s’amorce plus lentement <strong>et</strong> il est plus efficace.<br />
Les <strong>de</strong>ux oscillateurs sont rapi<strong>de</strong>ment à l’équilibre.<br />
370
Annexe H<br />
Schémas <strong>de</strong> discrétisation pour<br />
l’équation <strong>de</strong> Fokker-Planck du<br />
système du pompage énergétique<br />
Nous traitons les pas <strong>de</strong> discrétisations 1, 2 <strong>et</strong> 3 d’un côté <strong>et</strong> 4, 5 <strong>et</strong> 6 <strong>de</strong> l’autre séparément.<br />
(y 1 , y 2 ) représente le plan <strong>de</strong> phase <strong>de</strong> l’oscillateur <strong>de</strong> type Duffing <strong>et</strong> (y 3 , y 4 ) celui <strong>de</strong> l’oscillateur<br />
linéaire. Nous discrétisons alors comme auparavant l’espace en utilisant <strong>de</strong>s pas en espace<br />
constants égaux à ∆y 1 = L 1<br />
2N , ∆y 2 = L 2<br />
2N , ∆y 3 = L 3<br />
2N <strong>et</strong> ∆y 4 = L 4<br />
. L’orientation dans l’<br />
2N<br />
”espace“ est donné sur le schéma H.1.<br />
Les résultats sont stockés dans <strong>de</strong>s tableaux <strong>de</strong> R 4 <strong>de</strong> la forme :<br />
C(i, j, k, l),<br />
où i, j, k <strong>et</strong> l sont liés respectivement à y 1 , y 2 , y 3 <strong>et</strong> y 4 selon les relations suivantes :<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
∀i ∈ {1, ...,2N + 1} , y 1i = (i − (N + 1))∆y 1 ,<br />
∀j ∈ {1, ...,2N + 1} , y 2j = (−j + (N + 1))∆y 2 ,<br />
∀k ∈ {1, ...,2N + 1} , y 3k = (k − (N + 1))∆y 3 ,<br />
∀l ∈ {1, ...,2N + 1} , y 4l = (−l + (N + 1)) ∆y 4 .<br />
(H.1)<br />
Tous les schémas <strong>de</strong> discrétisation utilisés ici sont <strong>de</strong>s schémas implicites simples.<br />
H.1 Pour le premier pas <strong>de</strong> temps<br />
Pour le premier schéma, le schéma <strong>de</strong> discrétisation <strong>et</strong> les matrices associées s’écrivent :<br />
p n+1/6<br />
i,j,k,l<br />
= p n i,j,k,l + y (<br />
)<br />
2j∆t<br />
p n+1/6<br />
2∆y<br />
i−1,j,k,l − pn+1/6 i+1,j,k,l<br />
1<br />
371<br />
. (H.1)
Annexe H. Discrétisation pour systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
y 2 (j)<br />
1 2N + 1<br />
y 2 = L 2<br />
y 4 (l)<br />
1 2N + 1<br />
y 4 = L 4<br />
y 3 (k) y 1 (i)<br />
y 1<br />
y 3 (k)<br />
y 1 = −L 1 y 1 = L 1 y 3 = −L 3 y 3 = L 3<br />
y 2 =-L 2<br />
y 4 = −L 4<br />
(a) Oscillateur <strong>de</strong> type Duffing : (y 1, y 2)<br />
(b) Oscillateur linéaire : (y 3, y 4)<br />
Fig. H.1 – Discrétisation <strong>de</strong>s plans <strong>de</strong> phase <strong>et</strong> numérotation <strong>de</strong>s points <strong>de</strong> maillage.<br />
372
H.2. Pour le <strong>de</strong>uxième pas <strong>de</strong> temps<br />
En décomposant le problème linéaire ainsi obtenu en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations<br />
à (2N + 1) inconnues, nous pouvons écrire :<br />
∀(j, k, l) ∈ [−N, N] 3 , B a j,k,l P n+1/6<br />
j,k,l<br />
= P n j,k,l<br />
,<br />
⎡<br />
Bj,k,l a = ⎢<br />
⎣<br />
⎡<br />
Pj,k,l m = ⎢<br />
⎣<br />
où, avec A a = ∆t<br />
2∆y 1<br />
∆y 2 :<br />
p m 1,−j+(N+1),k−(N+1),−l+(N+1)<br />
p m 2,−j+(N+1),k−(N+1),−l+(N+1)<br />
.<br />
p m 2N+1,−j+(N+1),k−(N+1),−l+(N+1)<br />
⎤<br />
⎥<br />
⎦ ,<br />
1 jA a 0 . . . . . . . . . . . . . . . . . . 0<br />
−jA a 1 jA a 0 . . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . 0<br />
0 . . . −jA a 1 jA a . . . . . 0<br />
0 . . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . . 0 −jA a 1 jA a<br />
0 . . . . . . . . . . . . . . . . 0 −jA a 1<br />
⎤<br />
.<br />
⎥<br />
⎦<br />
(H.2)<br />
H.2 Pour le <strong>de</strong>uxième pas <strong>de</strong> temps<br />
Pour L 2 = ∂<br />
∂y 2<br />
[F 1 (y 1 , y 2 , y 3 , y 4 , t)] (où F 1 (y 1 , y 2 , y 3 , y 4 , t) = a 1 y 2 + k 1 y 1 + c 1 y 3 1 + γ(y 1 − y 3 )<br />
dans notre cas particulier), la discrétisation est plus complexe :<br />
p n+1/3<br />
i,j,k,l<br />
= p n+1/6<br />
i,j,k,l<br />
+ ∆t [ ( ) n+1/3<br />
F 1 y1i , y<br />
2∆y 2(j+1) , y 3k , y 4l p<br />
i,j+1,k,l − F ( ) ]<br />
n+1/3<br />
1 y1i , y 2(j−1) , y 3k , y 4l p<br />
i,j−1,k,l<br />
2<br />
(H.1) .<br />
373
Annexe H. Discrétisation pour systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
De même ici, le problème à résoudre peut s’écrire sous la forme d’un système d’équations matricielles<br />
:<br />
∀(i, k, l) ∈ [−N, N] 3 , B b i,k,l P n+1/3<br />
i,k,l<br />
= P n+1/6<br />
i,k,l<br />
,<br />
⎡<br />
Bi,k,l b = ⎢<br />
⎣<br />
⎡<br />
i,k,l = ⎢<br />
⎣<br />
P m<br />
où, avec A b = ∆t<br />
2∆y 2<br />
:<br />
p m i−(N+1),1,k−(N+1),−l+(N+1)<br />
p m i−(N+1),2,k−(N+1),−l+(N+1)<br />
.<br />
p m i−(N+1),2N+1,k−(N+1),−l+(N+1)<br />
1 a b ⎤ ⎧<br />
0 . . . . . . . . . . . . 0<br />
b b 1 c b 0 . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
⎪⎨<br />
0 . . . d b 1 e b . . .<br />
, où :<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
⎥<br />
0 . . . . . . . 0 f b 1 g b ⎦<br />
⎪⎩<br />
0 . . . . . . . . . . . . 0 h b 1<br />
⎤<br />
⎥<br />
⎦ ,<br />
a b = −F 1 (y 1i , N∆y 2 , y 3k , y 4l ) ,<br />
b b = F 1 (y 1i , (N − 1)∆y 2 , y 3k , y 4l ) ,<br />
c b = −F 1 (y 1i , (N − 1)∆y 2 , y 3k , y 4l ) ,<br />
d b ( )<br />
= F 1 y1i , y 2(j+1) , y 3k , y 4l ,<br />
e b ( )<br />
= −F 1 y1i , y 2(j−1) , y 3k , y 4l ,<br />
f b = F 1 (y 1i , 2∆y 2 , y 3k , y 4l ) ,<br />
g b = −F 1 (y 1i , ∆y 2 , y 3k , y 4l ) ,<br />
h b = F 1 (y 1i , ∆y 2 , y 3k , y 4l ) .<br />
(H.2)<br />
H.3 Pour le troisième pas <strong>de</strong> temps<br />
Le troisième schéma se discrétise <strong>de</strong> la manière suivante :<br />
p n+1/2<br />
i,j,k,l<br />
= p n+1/3<br />
i,j,k,l<br />
+ W [<br />
]<br />
01∆t<br />
2(∆y 2 ) 2 p n+1/2<br />
i,j+1,k,l − 2pn+1/2 i,j,k,l<br />
+ p n+1/2<br />
i,j−1,k,l<br />
. (H.1)<br />
374
H.4. Pour le quatrième pas <strong>de</strong> temps<br />
Alors :<br />
⎡<br />
Bi,k,l c = ⎢<br />
⎣<br />
∀(i, k, l) ∈ [−N, N] 3 , B c i,k,l P n+1/2<br />
i,k,l<br />
⎡<br />
i,k,l = ⎢<br />
⎣<br />
P m<br />
où, avec A c = − W 01∆t<br />
4(∆y 2 ) 2 :<br />
p m i−(N+1),1,k−(N+1),−l+(N+1)<br />
p m i−(N+1),2,k−(N+1),−l+(N+1)<br />
.<br />
= P n+1/3<br />
i,k,l<br />
,<br />
p m i−(N+1),2N+1,k−(N+1),−l+(N+1)<br />
⎤<br />
⎥<br />
⎦ ,<br />
1 − 2A c A c ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A c 1 − 2A c A c 0 . . . . . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . . . . . 0<br />
0 . . . A c 1 − 2A c A c . . . . . . . 0<br />
.<br />
.<br />
0 . . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
0 . . . . . . . . . . . . 0 A c 1 − 2A c A c ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A c 1 − 2A c<br />
(H.2)<br />
De même, les discrétisations <strong>de</strong>s trois opérateurs L 4 , L 5 <strong>et</strong> L 6 s’écrivent :<br />
H.4 Pour le quatrième pas <strong>de</strong> temps<br />
p n+2/3<br />
i,j,k,l<br />
= p n+1/2<br />
i,j,k,l<br />
+ y (<br />
)<br />
4l∆t<br />
p n+2/3<br />
2∆y<br />
i,j,k−1,l − pn+2/3 i,j,k+1,l<br />
3<br />
. (H.1)<br />
375
Annexe H. Discrétisation pour systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
En décomposant le problème linéaire ainsi obtenu en (2N + 1) systèmes <strong>de</strong> (2N + 1) équations<br />
à (2N + 1) inconnues, nous pouvons écrire :<br />
∀(i, j, l) ∈ [−N, N] 3 , B d i,j,l P n+2/3<br />
i,j,l<br />
= P n+1/2<br />
i,j,l<br />
,<br />
⎡<br />
i,j,l = ⎢<br />
⎣<br />
P m<br />
⎡<br />
Bi,j,l a = ⎢<br />
⎣<br />
où, avec A d = ∆t<br />
2∆y 3<br />
∆y 4 :<br />
p m i−(N+1),−j+(N+1),1,−l+(N+1)<br />
p m i−(N+1),−j+(N+1),2,−l+(N+1)<br />
.<br />
p m i−(N+1),−j+(N+1),2N+1,−l+(N+1)<br />
⎤<br />
⎥<br />
⎦ ,<br />
1 lA d 0 . . . . . . . . . . . . . . . . . 0<br />
−lA d 1 lA d 0 . . . . . . . . . . . . 0<br />
0<br />
. .. . .. . .. 0 . . . . . 0<br />
0 . . . −lA d 1 lA d . . . . . 0<br />
0 . . . . . . . . . .<br />
. .. . .. . .. . . .<br />
0 . . . . . . . . . . 0 −lA d 1 lA d<br />
0 . . . . . . . . . . . . . . . 0 −lA d 1<br />
⎤<br />
.<br />
⎥<br />
⎦<br />
(H.2)<br />
H.5 Pour le cinquième pas <strong>de</strong> temps<br />
p n+5/6<br />
i,j,k,l<br />
= p n+2/3<br />
i,j,k,l<br />
+ ∆t [ ( ) n+5/6<br />
F 2 y1i , y 2j , y 3k , y<br />
2∆y 4(l+1) p<br />
i,j,k,l+1 − F ( ) ]<br />
n+5/6<br />
2 y1i , y 2j , y 3k , y 4(l−1) p<br />
i,j,k,l−1<br />
(H.1) .<br />
4<br />
376
H.6. Pour le sixième pas <strong>de</strong> temps<br />
De même ici, le problème à résoudre peut s’écrire sous la forme d’un système d’équations matricielles<br />
:<br />
∀(i, j, k) ∈ [−N, N] 3 , B e i,j,k P n+5/6<br />
i,j,k<br />
= P n+2/3<br />
i,j,k<br />
,<br />
⎡<br />
Bi,j,k e = ⎢<br />
⎣<br />
⎡<br />
i,j,k = ⎢<br />
⎣<br />
P m<br />
où, avec A e = ∆t<br />
2∆y 4<br />
:<br />
p m i−(N+1),−j+(N+1),k−(N+1),1<br />
p m i−(N+1),−j+(N+1),k−(N+1),2<br />
.<br />
p m i−(N+1),−j+(N+1),k−(N+1),−2N+1<br />
1 a e ⎤ ⎧<br />
0 . . . . . . . . . . . . 0<br />
b e 1 c e 0 . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . 0<br />
⎪⎨<br />
0 . . . d e 1 e e . . .<br />
, où :<br />
.<br />
0 . . . 0 .. . .. . .. 0<br />
⎥<br />
0 . . . . . . . 0 f e 1 g e ⎦<br />
⎪⎩<br />
0 . . . . . . . . . . . . 0 h e 1<br />
⎤<br />
⎥<br />
⎦ ,<br />
a b = −F 2 (y 1i , y 2j , y 3k , N∆y 4 ) ,<br />
b b = F 2 (y 1i , y 2j , y 3k , (N − 1)∆y 4 ) ,<br />
c b = −F 2 (y 1i , y 2j , y 3k , (N − 1)∆y 4 ) ,<br />
d b ( )<br />
= F 2 y1i , y 2j , y 3k , y 4(l+1) ,<br />
e b ( )<br />
= −F 2 y1i , y 2j , y 3k , y 4(l−1) ,<br />
f b = F 2 (y 1i , y 2j , y 3k , 2∆y 4 ) ,<br />
g b = −F 2 (y 1i , y 2j , y 3k , ∆y 4 ) ,<br />
h b = F 2 (y 1i , y 2j , y 3k , ∆y 4 ) .<br />
(H.2)<br />
H.6 Pour le sixième pas <strong>de</strong> temps<br />
p n+1<br />
i,j,k,l = pn+5/6 i,j,k,l<br />
+ W [<br />
]<br />
02∆t<br />
2(∆y 4 ) 2 p n+1<br />
i,j,k,l+1 − 2pn+1 i,j,k,l + pn+1 i,j,k,l−1<br />
. (H.1)<br />
377
Annexe H. Discrétisation pour systèmes à <strong>de</strong>ux <strong>de</strong>grés <strong>de</strong> liberté<br />
Alors :<br />
∀(i, j, k) ∈ [−N, N] 3 , B f i,j,k P n+1<br />
i,j,k = P n+5/6<br />
i,j,k<br />
,<br />
⎡<br />
B f i,j,k = ⎢<br />
⎣<br />
⎡<br />
i,j,k = ⎢<br />
⎣<br />
P m<br />
où, avec A f = − W 02∆t<br />
4(∆y 4 ) 2 :<br />
p m i−(N+1),−j+(N+1),k−(N+1),1<br />
p m i−(N+1),−j+(N+1),k−(N+1),2<br />
.<br />
p m i−(N+1),−j+(N+1),k−(N+1),2N+1<br />
⎤<br />
⎥<br />
⎦ ,<br />
1 − 2A f A f ⎤<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0<br />
A f 1 − 2A f A f 0 . . . . . . . . . . . . . 0<br />
.<br />
0 .. . .. . .. 0 . . . . . . . . 0<br />
0 . . . A f 1 − 2A f A f . . . . . . . . 0<br />
.<br />
.<br />
0 . . . . . . . . . . . . . .. . .. . .. . . .<br />
⎥<br />
0 . . . . . . . . . . . . . 0 A f 1 − 2A f A f ⎦<br />
0 . . . . . . . . . . . . . . . . . . . . . . 0 A f 1 − 2A f<br />
(H.2)<br />
378