REPUBLIQUE DEMOCRATIQUE DU CONGO

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET

UNIVERSITAIRE
Ecole Doctorale d’Etudes du Troisième Cycle de
l’ISTA/Kinshasa
Master Complémentaire
Sciences et technologies
Mention Génie Electrique/Electrotechnique

Méthodes numériques Appliquées aux problèmes

de l’Ingénieur :
De la Modélisation à la simulation numérique

Par
TUKA BIABA Samuel Garcia
Apprenant à l’Ecole Doctorale d’Etudes du 3 em Cycle de l’ISTA/Kinshasa,
RD-Congo
Master Complémentaire
Sciences et technologies
Mention Génie Electrique/Electrotechnique.
Enseignant chercheur (ISTA KINDU et ISTA KINSHASA)
tukasamuel23@[Link].

Edition 2024
Congovirtuel
 1

Avant-propos
La résolution d’équations différentielles, ou plus généralement d’équations aux
dérivées partielles, joue un rôle important en ingénierie et en mathématiques
appliquées. Chacune de ces disciplines apporte une contribution différente mais
complémentaire à la compréhension et à la résolution de ces problèmes.

Il existe plusieurs techniques pour résoudre des équations aux dérivées

partielles. Les exemples incluent les méthodes des différences finies, les
méthodes des volumes finis, les méthodes spectrales, les méthodes des éléments
finis, etc. La méthode des différences finies est sans aucun doute la méthode la
plus utilisée. Cette popularité n’est pas sans fondement. La méthode des
différences finies possède une base mathématique simplifiée qui est très utile
même à un niveau très pratique. En fait, cette base mathématique nous permet
de prédire la précision de notre approximation jusqu'à un certain point et même
d'améliorer cette précision grâce à des méthodes adaptatives. Ce texte est donc
un exemple pratique de la méthode des différences finies appliquée aux
problèmes de l’ingénieur, plus précisément les problèmes de la CEM appliqués
aux réseaux électriques et sur le corps humain. Nous visons donc deux
objectifs. D'une part, être capable de résoudre numériquement des tâches
spécifiques, dont la solution analytique est connue ou non, et d'autre part,
analyser le comportement des méthodes utilisées (vitesse de convergence vers
une solution approchée et précision par rapport aux erreurs caractéristiques de
calcul numérique). Mais notre objectif principal est aussi de reconnaître les
fondements mathématiques les plus importants.

Nous avons essayé d’illustrer la méthode des différences finies avec des
exemples. Pour cela, nous avons utilisé le logiciel Scialb 6.1.1 et Excel 2010.

Cet ouvrage s'adresse donc en priorité aux étudiants ingénieurs, même si les
étudiants en mathématiques pourront y trouver un complément pratique à leur
formation plus théorique. Nous implorons aussi l’indulgence des lecteurs ayant
une formation mathématique plus avancée car, car la rigueur mathématique n'est
pas notre obsession, même si nous avons fait de notre mieux pour rester
rigoureux.

Des connaissances des méthodes de base de l'analyse numérique et notamment

des concepts d'interpolation de Lagrange et d'intégration numérique gaussienne
etc. sont requises. Enfin, nous tenons à remercier tous ceux qui ont participé
directement ou indirectement à la réalisation de ce travail, en particulier le
professeur Antoine Bssesuka Sandoka Nzaota pour ses conseils constructifs et sa
direction dans la conception de ce manuscrit.
 2

1. Introduction
Les méthodes numériques sont des techniques d'approximation de procédures
mathématiques. Des approximations sont nécessaires car nous ne pouvons pas
non plus résoudre la procédure analytiquement. La plupart des problèmes
mathématiques qui se posent en sciences et en Génie sont très difficiles et
parfois impossible à résoudre exactement. Ainsi, une approximation d'un
problème mathématique difficile est très importante pour le rendre plus facile à
résoudre. En raison de l'immense développement de la technologie informatique,
l'approximation numérique est devenue plus populaire et un outil moderne pour
les scientifiques et les ingénieurs.

Les méthodes numériques sont des méthodes d'approximation d'opérations

mathématiques. Des approximations sont nécessaires car nous ne pouvons pas
non plus résoudre cette procédure de manière analytique. La plupart des
problèmes mathématiques qui se posent en science et en ingénierie sont très
difficiles, voire parfois impossibles, à résoudre avec précision. Il est donc très
important d’approximer un problème mathématique difficile pour le rendre plus
facile à résoudre. En raison de l'immense développement de la technologie
informatique, l’approximation numérique est devenue un outil plus populaire et
plus moderne pour les scientifiques et les ingénieurs.

Les deux principaux objectifs de l'analyse numérique sont :

1. d'autre part, être capable de résoudre numériquement des problèmes

spécifiques dont la solution analytique est connue ou non et

2. d'autre part, analyser le comportement des méthodes utilisées (vitesse de

convergence vers une solution approchée et précision par rapport aux erreurs
caractéristiques du calcul numérique).

Ce manuscrit rédigé par l’Assistant Tuka Biaba Samuel Garcia Ingénieur en

Génie Electrique option Electrotechnique et apprenant au troisième cycle de
l’école doctorale de l’ISTA/Kinshasa précisément en Master Complémentaire de
domaine de formation Sciences et technologies, Mention Génie
Electrique/Electrotechnique. Sous l’encadrement et les orientations du
Professeur Antoine Bassesuka Nzao, Docteur Es Sciences appliquées de
l’université Polytechnique d’astronomie et d'aéronautique de Pékin/Chine, ce
manuscrit constitue un manuel d'exercices révisé couvrant le programme
d'analyse numérique pour les étudiants de L1, L2, M1 et M2 des Sciences et
Technologies.
 3

Les informations supplémentaires peuvent être trouvées sur le site Web :

[Link]
 4

2. Applications de la méthode des différences finies (MDF)

La méthode des différences finies est connue comme l'une des méthodes les plus
importantes pour résoudre des équations aux dérivées partielles en géométrie
régulière, qu'elles soient à une, deux ou trois dimensions [1] [2] [3]. Les
méthodes des différences finies se retrouvent même dans la dimension 4, ou en
espace-temps… [4][5][6]. Les applications sont tout aussi nombreuses et variées
[7] [8] [9]. Les ingénieurs de divers domaines utilisent la méthode des
différences finies aussi bien en mécanique des fluides qu'en mécanique des
solides, ainsi que dans les problèmes thermiques, électromagnétiques, le
couplage de l’onde de choc de foudre et les lignes électriques à haute tension, de
chimie, etc. Il existe également des applications en physique et notamment en
astrophysique [10] [11] [13] [14] [15] [16] [18] [19] [20].

3. Brève introduction à la problématique

Pour illustrer le fonctionnement de la méthode des différences finies et pour

justifier l’introduction d’un certain nombre d’outils mathématiques, nous allons
considérer un exemple très simple et effectuer une comparaison entre la solution
analytique avec la méthode des différences finies.

3.1. Modèle du problème

Soit donc l’équation différentielle :

(1)

3.2. Modélisation numérique MDF du problème

Soit f(x) est une fonction connue. On cherche donc à obtenir une approximation
de la solution u(x) dans l’intervalle [0,1]. Pour ce faire, subdivisons cet
intervalle en N sous-intervalles de longueur h=1/N (les sous-intervalles peuvent
éventuellement être de longueurs différentes). On obtient ainsi N+1 points xi
vérifiant x0=0, xN=1 et pour les points intermédiaires:

(2)

3.3. Approximation MDF

On note ui, l’approximation de u(xi) au point xi. Les conditions aux limites
imposent que u0= uN=0. La méthode des différences finies consiste à discrétiser
 5

directement l’équation différentielle en remplaçant les dérivées de u(x) par des

différences finies et ce, en chaque point xi [21] [22] [23] [24]. On peut par
exemple utiliser une différence centrée d’ordre 2 [21] [22] [23] [24] [25] [26]
[27] [28] [29] [30] [31]:

L’équation différentielle s’écrit en chaque point xi :

(4)

De sorte qu’en remplaçant par la différence centrée, on obtient :

(5)

Et ce pour i allant de 1 jusqu’à N−1. Dans l’équation (5), on a bien sûr négligé
le terme d’erreur O (h2) et il en résulte une approximation d’ordre 2. On obtient
ainsi un système linéaire de (N−1) équations en (N−1) inconnues de la forme:

(6)

[A] [ui] [B]

3.4. Simulation numérique
3.4.1. Discrétisation et autres données nécessaires
La résolution de ce système linéaire (équation 6) tri-diagonal est simple et
fournit une solution approximative de l’équation différentielle de départ aux
points xi. On peut voir la solution numérique obtenue avec N=10 intervalles de
pas h = 0,1 et la fonction f(x) = −6x.

Dans ce cas, on vérifie facilement que la solution analytique est une fonction test
de la forme [31]:

u(x) = x3 −x. (7)

 6

On vérifie aisément que : u(0) = u(1) =0. (Fonction test vérifie les conditions
initiales et seules de limités).

3.4.2. Modèle numérique de l’équation (6)

Les modèles numériques des matrices A et B et calcul de la matrice u dans

l’environnement scilab 6.1.1 sont donnés par les codes-calculs ci-dessous :
--> A=[2,-1,0,0,0,0,0,0,0;...
> -1,2,-1,0,0,0,0,0,0;...
> 0,-1,2,-1,0,0,0,0,0;...
> 0,0,-1,2,-1,0,0,0,0;...
> 0,0,0,-1,2,-1,0,0,0;...
> 0,0,0,0,-1,2,-1,0,0;...
> 0,0,0,0,0,-1,2,-1,0;...
> 0,0,0,0,0,0,-1,2,-1;...
> 0,0,0,0,0,0,0,-1,2]
A =
2. -1. 0. 0. 0. 0. 0. 0. 0.
-1. 2. -1. 0. 0. 0. 0. 0. 0.
0. -1. 2. -1. 0. 0. 0. 0. 0.
0. 0. -1. 2. -1. 0. 0. 0. 0.
0. 0. 0. -1. 2. -1. 0. 0. 0.
0. 0. 0. 0. -1. 2. -1. 0. 0.
0. 0. 0. 0. 0. -1. 2. -1. 0.
0. 0. 0. 0. 0. 0. -1. 2. -1.
0. 0. 0. 0. 0. 0. 0. -1. 2.

--> B=[-0.06;-0.012;-0.018;-0.024;-0.03;-0.036;-0.042;-0.048;-0.052]
B =
-0.06
-0.012
-0.018
-0.024
-0.03
-0.036
-0.042
-0.048
-0.052
--> u=A\B
ans =
0
-0.1474000
-0.2348000
-0.3102
-0.3676000
-0.4010000
-0.4044000
-0.3718
-0.2972000
-0.1746000
0
 7

3.4.3. Résultats de simulation

Voir les figures 1-2 et 3 ci-dessous dans des conditions énumérées ci-haut. Ces
résultats rapprochent les travaux expérimentaux proposés par (André Fortin
GIREF et André Garon GIREF, 2020) présentés dans la figure 4.

Solution approchée
0
-0,05 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
-0,1
-0,15
-0,2
u(xi)

-0,25
-0,3
-0,35
-0,4
-0,45
Xi

Figure 1. Solution approchée du problème (équation 6). Résultats de simulation

dans l’environnement scilab 6.1.1.

Solution exacte
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
-0,05

-0,1
u(xi)

-0,15

-0,2

-0,25

-0,3
Xi

Figure 2. Solution analytique du problème (Equation 7). Résultats de simulation

dans l’environnement scilab 6.1.1.
 8

Solution exacte Solution approchée

Xi
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
0 0

-0,05
-0,05
-0,1

u(xi) solution approchée

u(xi) solution exacte

-0,1 -0,15

-0,2
-0,15
-0,25

-0,2 -0,3

-0,35
-0,25
-0,4

-0,3 -0,45

Figure 3. Superposition de la solution approchée et la solution analytique.

Résultats de simulation dans l’environnement scilab 6.1.1.

Figure 4. Solution par différences finies. (André Fortin GIREF et André Garon
GIREF, 2020).
 9

4. Discussions

En vertu des résultats présentés dans les figures 1 et 2, on peut dès lors constater
que la solution numérique est une bonne approximation de la solution
analytique. La figure 3 présente la superposition des courbes de la figure 1 et 2.
Ces résultats obtenus rapprochent les expériences proposées par (André Fortin
GIREF et André Garon GIREF, 2020) pour reproduire la même solution dans
l’environnement autre que scilab et Excel voir Figure 4.

Par ailleurs, l’utilisation de la méthode des différences finies offre une bonne
approximation numérique de la solution analytique mais avec un taux d’erreur
non négligeable (voir la figure 3).

A cet effet, pour minimiser l’erreur d’approximation nous recommandons :

1. La diminution de pas de discrétisation mais pas trop, car cela revient à

augmenter le nombre d'itérations et à accumuler des erreurs d'arrondi.
Aussi, il est impossible de minimiser, en même temps, l’erreur d’arrondi
et l’erreur de troncature, ce qui oblige à trouver un compromis acceptable
pour minimiser et l’erreur totale et le temps de calcul.
2. L’utilisation de la méthode des éléments finis, très générale et possède
une base mathématique rigoureuse qui est fort utile, même sur le plan très
pratique. En effet, cette base mathématique permet de prévoir jusqu’à un
certain point la précision de notre approximation et même d’améliorer
cette précision (minimiser l’erreur d’approximation), via les méthodes
adaptatives.

Bibliographie
[1] Agassant, J. F., P. Avenas, J. Ph. Sergent et P. Carreau: Polymer Processing,
Principles and Modeling. Hanser Publishers, Munich, 1991.

[2] Arnold, D. N., F. Brezzi et M. Fortin: A stable finite element for the Stokes
equations. Calcolo, 21 :337–344, 1984.

[3] Bank, R. E. et K. R. Smith: Mesh smoothing using a posteriori error

estimates. SIAM Journal on Numerical Analysis, 34(3) :979–997, 1997.

[4] Bartle, R.G.: The Elements of Integration. Wiley, New York, 1966.

[5] Bathe, K.J.: Finite Element Procedures. Prentice-Hall, New Jersey, 1996,
ISBN 0-13-301458-4.
 10

[6] Belhamadia, Y., A. Fortin et É. Chamberland: Anisotropic mesh adaptation

for the so lution of the Stefan problem. Journal of Computational Physics,
194(1) :233–255, 2004, ISSN 0021-9991.
[Link]
2/2/14d271b6cd0b61b22134b56502538f18 .

[7] Bois, R.: Adaptation de maillages anisotropes par un estimateur d’erreur

hiérarchique. Thèse de doctorat, Département de mathématiques et de
statistique, Université Laval, Québec, Canada, Août 2012.
[Link] [Link].

[8] Bois, R., M. Fortin et A. Fortin: A fully optimal anisotropic mesh adaptation
method based on a hierarchical error estimator. Computer Methods in Applied
Mechanics and Engineering, 209-212 :12–27, 2012, ISSN 0045-7825.

[9] Bois, R., M. Fortin, A. Fortin et A. Couët: High order optimal anisotropic
mesh adapta tion using hierarchical elements. European Journal of
Computational Mechanics/Revue Eu ropéenne de Mécanique Numérique, 21(1-
2) :72–91, 2012.

[10] Bonet, J. et D. R. Wood: Nonlinear Continuum Mechanics for Finite

Element Analysis. Cam bridge, 1997, ISBN 0-521-57272-X.

[11] Brezzi, F. et M. Fortin: Mixed and Hybrid Finite Element Methods, tome
15 de Springer Series in Computational Mathematics. Springer-Verlag, New
York, 1991.

[12] Briffard, T.: Contributions à l’adaptation de maillages hiérarchiques. Thèse

de doctorat, Dé partement de mathématiques et de statistique, Université Laval,
Québec, Canada, 2017.

[13] Burden, R.L. et J.D. Faires: Numerical Analysis. Brooks/Cole, Pacific

Grove, 7e édition, 2001, ISBN 0-534-38216-9. 437 438 Bibliographie

[14] Chamberland, É., A. Fortin et M. Fortin: Comparison of the performance of

some finite element discretizations for large deformation elasticity problems.
Comp. & Struct., 88(11 12) :664–673, 2010, ISSN 0045-7949.
[Link]
1/2/deeb7748678d4ff78563cfb8cf09dffb .

[15] Ciarlet, P.G.: The Finite Element Method for Elliptic problems. North-
Holland, Amsterdam, 1986.
 11

[16] Courant, R.L.: Variational methods for the solution of problems of

equilibrium and vibration. Bulletin of the American Mathematical Society, 49
:1–23, 1943.

[17] Couët, A.: Méthode hiérarchique tridimensionnelle d’adaptation de

maillages anisotropes. Mémoire de maîtrise, Département de mathématiques et
de statistique, Université La val, Québec, Canada, 2011.
[Link] .

[18] Céa, J.: Approximation variationnelle des problèmes aux limites. Ann. Inst.
Fourier (Grenoble), 14 :345–444, 1964.

[19] Delfour, M. C. et J. P. Zolézio: Shapes and Geometries : Analysis,

Differential Calculus, and Optimization, tome 4 de Advances in Design and
Control. SIAM, Philadelphia, 2001, ISBN ISBN 0-89871-489-3.

[20] Dhatt, G. et G. Touzot: Une présentation de la méthode des éléments finis.

Les presses de l’Université Laval, Québec, 1981.

[21] Durán, R. G., A. L. Lombardi et M. I. Prieto: Superconvergence for finite

element approxima tion of a convection-diffusion equation using graded meshes.
IMA J. Numer. Anal., 32(2) :511 533., 2012.

[22] Duvaut, G.: Mécanique des milieux continus. Collection mathématiques

appliquées pour la maîtrise. Masson, 1990.

[23] Duvaut, G. et J.L. Lions: Les inéquations en mécanique et en physique.

Dunod, Paris, 1972.

[24] Engelman, M. et M. Jamnia: Transient flow past a circular cylinder : a

benchmark solution. International Journal for Numerical Methods in Fluids, 11
:985–1000, 1990.

[25] Fortin, A.: Analyse numérique pour ingénieurs. Presses Internationales

Polytechnique, 4e édi tion, novembre 2011, ISBN 978-2-553-01427-7.
[Link]

[26] Fortin, A.: Analyse numérique pour ingénieurs. Presses Internationales

Polytechnique, 5e édi tion, décembre 2015, ISBN 978-2-553-01680-6.
[Link]

[27] Fortin, A., M. Jardak, R. Pierre et J. J. Gervais: Localization of Hopf

bifurca tions in fluid flow problems. International Journal for Numerical
 12

Methods in Fluids, 24(11) :1185–1210, 1997.

[Link] 24: [Link];2-X

[28] Fortin, M. et A. Fortin: Experiments with several elements for viscous

incompressible flows. Int. J. Num. Meth. Fluids, 5(10) :911–928, 1985.
[Link]

[29] Fortin, M. et R. Glowinski: Résolution numérique de problèmes aux limites

par des méthodes de Lagrangien augmenté. Dunod, 1983.

[30] Gander, M.J. et F. Kwok: Chladni figures and the Tacoma bridge :
motivating PDE eigenvalues problems via vibrating plates. SIAM Review, 54(3)
:573–596, 2012.

[31] André Fortin GIREF et André Garon GIREF. Les éléments finis : de la
théorie à la pratique, 29 mai 2020.