Scheda di revisione: Modélisation et Simulation des Systèmes Dynamiques

📋 Plan du Cours

1. Modélisation systèmes dynamiques
2. Construction diagrammes blocs
3. Systèmes hybrides et événements
4. Modélisation systèmes mécaniques
5. Modélisation Modelica
6. Optimisation et IA simulation
7. Équations différentielles premières
8. Stabilité méthodes numériques
9. Systèmes raides Euler implicit
10. Simulation SIR et confinement
11. Méthodes Runge-Kutta
12. Gestion erreurs et pas adaptatif

📖 1. Modélisation systèmes dynamiques

🔑 Notions clés & Définitions

• Système dynamique : système évoluant dans le temps dont l’état est une fonction du temps, permettant de modéliser des phénomènes variés comme l’épidémie SIR, le système prédateur-proie ou un circuit électrique. Ramine Nikoukhah (2026) : "système qui évolue dans le temps avec un état fonction du temps".
• Modélisation mathématique : représentation du comportement d’un système par des équations différentielles ordinaires (EDO), souvent dérivées de lois physiques ou principes théoriques. Ramine Nikoukhah (2026) : "modèles mathématiques obtenus souvent à partir de lois physiques".
• Modèles déterministes vs stochastiques :
  • Déterministes : modèles où l’évolution est entièrement déterminée par les équations, sans aléa.
  • Stochastiques : modèles intégrant des probabilités pour représenter un comportement aléatoire ou incertain, souvent utilisés pour estimer des moyennes ou étudier la robustesse. Ramine Nikoukhah (2026) : "modèles avec comportement probabiliste".
• Systèmes hybrides : systèmes combinant une dynamique continue (modélisée par des équations différentielles) et des événements discrets (changement brusque d’état). Ramine Nikoukhah (2026) : "systèmes mêlant dynamique continue et événements discrets".
• Équations différentielles ordinaires (EDO) : équations reliant une fonction inconnue à ses dérivées, utilisées pour décrire la variation continue de l’état d’un système dans le temps. Ramine Nikoukhah (2026) : "représentation mathématique des systèmes par équations différentielles".

📝 Points essentiels

• La modélisation d’un système dynamique repose sur la formulation d’équations différentielles, souvent dérivées de lois physiques ou de principes issus d’autres disciplines comme l’économie ou la biologie.
• La complexité des modèles dépend de la nature du système et du niveau de précision souhaité, pouvant aller de modèles simples à des équations aux dimensions infinies (ex : équations aux dérivées partielles).
• La distinction entre modèles déterministes et stochastiques est cruciale : les premiers sont entièrement déterminés par leurs équations, tandis que les seconds intègrent des lois de probabilité pour représenter l’incertitude.
• La modélisation hybride permet de représenter des systèmes où la dynamique continue est ponctuée d’événements discrets, comme un système mécanique avec chocs ou un contrôleur numérique.
• La représentation du système par un ensemble d’équations différentielles du premier ordre, via la technique d’augmentation d’état, facilite la résolution numérique et l’analyse.
• Exemple : le modèle SIR pour la propagation d’une maladie infectiouse, où l’état est défini par les pourcentages de susceptibles, infectés et récupérés, évoluant selon des paramètres comme la transmission et la récupération.
• La résolution numérique des EDO nécessite des solveurs spécialisés (ex : ode45) qui utilisent des méthodes explicites ou implicites, avec des options pour gérer la stabilité, la précision et le pas de temps.
• La stabilité des méthodes numériques, notamment Euler explicite ou implicite, dépend du type de système (stiff ou non). Les méthodes implicites sont plus adaptées aux systèmes raides.
• La modélisation et la simulation permettent d’étudier l’impact de paramètres, stratégies ou événements (ex : confinement dans une épidémie) sur le comportement du système.

💡 À retenir

La modélisation des systèmes dynamiques, en utilisant des équations différentielles, permet de représenter, analyser et prévoir le comportement de phénomènes complexes évoluant dans le temps, en intégrant aussi bien des dynamiques continues que des événements discrets.

📖 2. Construction diagrammes blocs

🔑 Notions clés & Définitions

Diagramme bloc : Représentation graphique d’un système dynamique utilisant des blocs fonctionnels reliés par des lignes pour illustrer les relations entre variables (source : Ramine Nikoukhah).
Logiciel de modélisation par diagrammes blocs : Outil informatique permettant de construire, simuler et analyser des systèmes dynamiques via une interface graphique (ex : Twin Activate).
Représentation graphique : Visualisation des relations entre variables et blocs fonctionnels sous forme de schéma, facilitant la compréhension et la conception du système (source : Ramine Nikoukhah).
Simulation par diagrammes blocs : Processus d’exécution numérique du modèle représenté, permettant d’étudier le comportement du système dans le temps en utilisant des logiciels spécialisés.
Construction de diagrammes blocs : Processus de création du schéma graphique en assemblant des blocs fonctionnels correspondant à des opérations ou composants du système, selon une logique modulaire (source : Ramine Nikoukhah).

📝 Points essentiels

• La construction de diagrammes blocs consiste à représenter graphiquement un système dynamique en utilisant des blocs fonctionnels reliés par des lignes de signal, facilitant la compréhension et la modélisation (Nikoukhah).
• Les logiciels comme Twin Activate permettent de modéliser, simuler et analyser ces diagrammes, offrant une plateforme intégrée pour l’expérimentation et la validation des modèles (Nikoukhah).
• La représentation graphique permet d’illustrer clairement les relations entre variables, notamment les entrées, sorties, et blocs fonctionnels, ce qui est essentiel pour la conception et l’analyse du comportement du système (Nikoukhah).
• La simulation basée sur ces diagrammes permet d’étudier le comportement dynamique du système, d’évaluer la stabilité, la performance, et d’optimiser les paramètres (Nikoukhah).
• La construction de ces diagrammes doit respecter une logique modulaire, en assemblant des blocs correspondant à des opérations mathématiques, des composants physiques ou des fonctions de contrôle (Nikoukhah).

💡 À retenir

La construction de diagrammes blocs est une étape clé pour modéliser graphiquement un système dynamique, facilitant la simulation et l’analyse à l’aide de logiciels spécialisés comme Twin Activate.

📖 3. Systèmes hybrides et événements

🔑 Notions clés & Définitions

• Systèmes hybrides : Modèles combinant des dynamiques continues, décrites par des équations différentielles, et des événements discrets, qui provoquent des changements instantanés dans l’état du système. Selon Ramine Nikoukhah (cours), ils permettent de représenter des phénomènes où des comportements continus sont interrompus par des sauts ou changements brusques.

• Gestion des événements discrets : Processus de traitement dans la simulation où des changements instantanés, comme un rebond ou une collision, modifient brutalement l’état du système. Par exemple, dans la simulation d’un rebond d’une balle, la vitesse est inversée lors du contact avec le sol.

• Détection de passages par zéro (zero-crossing) : Technique permettant d’identifier le moment précis où une variable continue atteint une valeur critique (souvent zéro), déclenchant un événement. Elle est essentielle pour synchroniser les changements d’état dans la simulation de systèmes hybrides, notamment pour gérer les rebonds ou autres discontinuités.

• Exemples d’applications : Systèmes mécaniques avec chocs (ex : collisions, rebonds), contrôleurs numériques (ex : changement de mode de fonctionnement), systèmes électriques avec commutations, et autres systèmes où des transitions brusques interviennent dans la dynamique.

📝 Points essentiels

• Les systèmes hybrides modélisent des phénomènes où la dynamique continue est interrompue par des événements discrets, permettant une représentation fidèle de nombreux systèmes physiques et techniques (Nikoukhah, cours).

• La gestion des événements discrets dans la simulation nécessite d’intégrer des mécanismes pour détecter et traiter ces changements instantanés, souvent via la technique de passage par zéro. Cette détection est cruciale pour assurer la précision et la cohérence de la simulation.

• La détection de zéro-crossing consiste à surveiller une variable continue pour repérer le moment où elle atteint une valeur critique, déclenchant ainsi un événement. Elle permet d’aligner précisément la simulation avec les instants où des discontinuités se produisent.

• Ces techniques sont particulièrement utilisées dans la modélisation de systèmes mécaniques avec chocs (ex : rebonds), où la vitesse change instantanément, ou dans les contrôleurs numériques qui changent de mode en fonction de conditions spécifiques.

• La modélisation hybride permet d’intégrer efficacement la dynamique continue et les discontinuités, facilitant l’analyse, la conception et la simulation de systèmes complexes.

💡 À retenir

Les systèmes hybrides combinent dynamique continue et événements discrets, avec une gestion précise des passages par zéro pour modéliser efficacement des phénomènes où des changements brusques interviennent dans la dynamique.

📖 4. Modélisation systèmes mécaniques

🔑 Notions clés & Définitions

• Modélisation physique par lois de la mécanique : Représentation mathématique d’un système mécanique basé sur les lois fondamentales de la mécanique, notamment celles de Newton, pour décrire son comportement dynamique (voir application du principe d’action et réaction, et principes énergétiques).

• Équations différentielles du mouvement : Relations mathématiques exprimant l’évolution des états mécaniques (position, vitesse, accélération) en fonction du temps, dérivées par rapport au temps, permettant de modéliser la dynamique du système (exemple : pendule simple).

• Représentation des états mécaniques : Ensemble des variables décrivant complètement le système à un instant donné, notamment la position, la vitesse, et l’accélération, qui sont utilisées pour formuler les équations du mouvement.

• Application des lois de Newton : Utilisation du principe fondamental selon lequel la somme des forces appliquées à un corps est égale à la masse multipliée par l’accélération (F = m * a), pour établir les équations différentielles du système.

• Principes énergétiques : Approche basée sur la conservation ou la transformation de l’énergie mécanique (énergie cinétique, potentielle), pour analyser ou simplifier la modélisation du système mécanique.

📝 Points essentiels

• La modélisation physique des systèmes mécaniques repose sur la formulation d’équations différentielles dérivées des lois de Newton et principes énergétiques, permettant de décrire le comportement dynamique du système dans le temps.

• Par exemple, le pendule simple est modélisé par une équation différentielle du mouvement, qui relie l’angle de déviation à la force gravitationnelle et au moment d’inertie, exprimée généralement sous forme d’une équation différentielle du second ordre.

• La représentation des états mécaniques inclut la position, la vitesse et l’accélération, qui sont essentielles pour la modélisation et la simulation du système.

• L’application des lois de Newton permet d’établir un système d’équations différentielles du premier ou du second ordre, en fonction de la complexité du système, pour analyser ses réponses dynamiques.

• La modélisation peut aussi s’appuyer sur les principes énergétiques, notamment pour des systèmes conservatifs ou pour simplifier la résolution des équations.

• La transformation en système d’équations différentielles du premier ordre, par exemple via la technique de l’augmentation d’état, facilite la résolution numérique et l’analyse du comportement du système.

💡 À retenir

La modélisation physique des systèmes mécaniques consiste à établir des équations différentielles du mouvement à partir des lois de Newton et principes énergétiques, en représentant les états mécaniques par des variables telles que position, vitesse et accélération.

📖 5. Modélisation Modelica

🔑 Notions clés & Définitions

• Langage Modelica : langage de modélisation déclarative et orientée objets, conçu pour décrire des systèmes physiques multi-domaine (mécaniques, électriques, thermiques, etc.) en utilisant des équations et des composants réutilisables.
• Modélisation déclarative : approche où le modèle est défini par des équations et relations plutôt que par des algorithmes impératifs, permettant une description proche des lois physiques.
• Modélisation orientée objets : méthode qui utilise des classes, des objets, et l'héritage pour structurer et réutiliser des composants modélisés, facilitant la gestion de systèmes complexes.
• Simulation et compilation dans Modelica : processus où le modèle est traduit en code exécutable via un compilateur, puis simulé pour analyser le comportement du système physique modélisé, en utilisant des solveurs numériques.
• Utilisation de Modelica pour systèmes hybrides : capacité à modéliser des systèmes combinant dynamiques continues et événements discrets, grâce à la gestion intégrée des équations différentielles et des conditions conditionnelles.

📝 Points essentiels

• Langage Modelica est spécifiquement conçu pour la modélisation multi-domaine, permettant de représenter des systèmes intégrés complexes (mécaniques, électriques, thermiques, etc.) dans un cadre déclaratif et orienté objets, ce qui facilite la réutilisation et la maintenance des modèles (source : cours ESILV 2026).
• La modélisation déclarative dans Modelica repose sur la définition d'équations plutôt que d'algorithmes, ce qui permet une correspondance directe avec les lois physiques et facilite la simulation de systèmes hybrides (source : Ramine Nikoukhah).
• La structure orientée objets permet de créer des composants modulaires, héritables, et réutilisables, simplifiant la conception de modèles complexes et leur extension.
• La simulation dans Modelica implique la compilation du modèle en code exécutable, utilisant des solveurs numériques pour résoudre les équations différentielles ou algébriques, avec support pour la gestion des systèmes hybrides (ex : événements discrets).
• La capacité à modéliser des systèmes hybrides est essentielle pour représenter des phénomènes combinant dynamiques continues et discontinuités, comme les systèmes mécaniques avec chocs ou les contrôleurs numériques (source : cours, Nikoukhah).
• La compilation permet d'optimiser la performance de la simulation, en traduisant le modèle déclaratif en code machine, tout en conservant la lisibilité et la modularité du modèle.

💡 À retenir

Modelica est un langage déclaratif et orienté objets, spécialement adapté à la modélisation multi-domaine de systèmes physiques complexes, permettant une simulation efficace de systèmes hybrides grâce à sa capacité à combiner équations continues et événements discrets.

📖 6. Optimisation et IA simulation

🔑 Notions clés & Définitions

• Optimisation basée sur la simulation : méthode qui ajuste les paramètres d’un modèle en utilisant des simulations pour rechercher la configuration optimale selon un critère défini, en évitant la résolution analytique directe.
• Utilisation d’intelligence artificielle (IA) : intégration de techniques d’IA, telles que l’apprentissage automatique ou l’optimisation par algorithmes évolutionnaires, pour améliorer la précision, la rapidité ou la robustesse des simulations et de la conception de modèles.
• Méthodes d’optimisation intégrées aux environnements de simulation : techniques combinant la modélisation, la simulation et l’optimisation dans un cadre unique, permettant d’automatiser la recherche de paramètres optimaux en utilisant des outils comme Twin Activate ou Modelica (voir section 2).
• Exemples d’optimisation : stratégies de pêche, confinement épidémique, où la simulation permet d’évaluer l’impact de différentes configurations pour atteindre des objectifs spécifiques (ex : minimiser la surpêche ou limiter la propagation d’une maladie).
• Simulation pour ajuster paramètres de modèles : processus consistant à faire varier et tester systématiquement les paramètres d’un modèle à travers des simulations pour identifier ceux qui maximisent ou minimisent une fonction objectif, en tenant compte des contraintes du système.

📝 Points essentiels

• L’optimisation basée sur la simulation permet d’explorer efficacement des espaces de paramètres complexes, notamment lorsque la résolution analytique est difficile ou impossible (voir "Modélisation et Simulation" de Nikoukhah).
• L’intégration de l’IA dans la simulation facilite la recherche de solutions optimales en utilisant des algorithmes adaptatifs ou évolutionnaires, améliorant la convergence et la robustesse des résultats.
• Les méthodes d’optimisation intégrées aux environnements de simulation, comme Twin Activate ou Modelica, offrent une plateforme pour automatiser la calibration de modèles et la conception de systèmes, notamment dans des domaines variés tels que la pêche ou la gestion épidémique.
• La simulation permet également d’évaluer la sensibilité des paramètres et la stabilité des solutions, contribuant à une meilleure compréhension du système et à une prise de décision éclairée.

💡 À retenir

L’optimisation basée sur la simulation, renforcée par l’intelligence artificielle, constitue une approche puissante pour ajuster et concevoir des modèles complexes dans divers domaines, en permettant d’expérimenter virtuellement et d’atteindre des performances optimales.

📖 7. Équations différentielles premières

🔑 Notions clés & Définitions

• Transformation en système d’équations du premier ordre : Technique consistant à réécrire une équation différentielle d’ordre supérieur en un ensemble d’équations différentielles du premier ordre en introduisant de nouvelles variables (voir "technique de l’augmentation d’état").
• Vecteur d’état : Ensemble de variables d’état d’un système modélisé par des équations différentielles, permettant de représenter l’état complet du système à un instant donné (exemple : dans le système SIR, le vecteur d’état est (s, i, r)).
• Conditions initiales : Valeurs des variables d’état au début de la simulation ou de l’observation, essentielles pour garantir l’unicité de la solution d’un système différentiel (voir "conditions initiales" dans la modélisation).
• Exemple : système SIR : Modèle épidémiologique représenté par des équations différentielles premières, où le vecteur d’état (s, i, r) évolue selon des paramètres (a, b) et des conditions initiales (s(0), i(0), r(0)).
• Importance des conditions initiales : Elles déterminent la solution unique du système différentiel, conformément au théorème d’unicité, et sont indispensables pour une modélisation précise et fiable.

📝 Points essentiels

• La transformation d’une équation différentielle d’ordre supérieur en un système du premier ordre se fait en introduisant de nouvelles variables correspondant aux dérivées d’ordre inférieur (technique de l’augmentation d’état).
• Le vecteur d’état, constitué de ces variables, permet de représenter l’état complet du système à chaque instant, facilitant la résolution numérique et l’analyse dynamique.
• La modélisation par systèmes d’équations du premier ordre est une étape clé pour appliquer des méthodes numériques telles que Euler ou Runge-Kutta, notamment pour des systèmes complexes ou hybrides.
• Dans le cas du modèle SIR, le vecteur d’état (s, i, r) évolue selon des équations différentielles premières, avec des paramètres (a, b) et des conditions initiales (s(0), i(0), r(0)), qui assurent la détermination unique de la trajectoire du système (voir "modèle SIR").
• La condition initiale est cruciale : elle garantit, par le théorème d’unicité (voir "conditions initiales"), que la solution du système différentiel est unique pour un problème donné.

💡 À retenir

La transformation des équations différentielles d’ordre supérieur en un système du premier ordre, combinée à la définition précise du vecteur d’état et des conditions initiales, est essentielle pour modéliser, analyser et simuler efficacement des systèmes dynamiques complexes.

📖 8. Stabilité méthodes numériques

🔑 Notions clés & Définitions

• Stabilité (voir section 3) : capacité d'une méthode numérique à produire une solution approximative qui ne diverge pas et reste proche de la solution exacte lorsque le pas de temps est suffisamment petit.
• Méthodes explicites : techniques où la solution à l'instant suivant est calculée directement à partir des valeurs actuelles ou passées, comme la méthode d'Euler explicite.
• Méthodes implicites : techniques où la solution à l'instant suivant nécessite la résolution d'une équation (souvent non linéaire), comme la méthode d'Euler implicite, offrant généralement une meilleure stabilité.
• Méthode d'Euler (date) : méthode numérique simple pour résoudre des EDO, utilisant une approximation par la pente au début de l'intervalle, explicite ou implicite selon la formulation.
• Stabilité pour systèmes raides (voir section 9) : propriété essentielle pour traiter efficacement des systèmes dont certaines composantes évoluent rapidement, nécessitant des méthodes implicites pour assurer la stabilité.

📝 Points essentiels

• La stabilité dépend du choix du pas de temps $h$ : une méthode est dite stable si, pour un $h$ donné, elle ne provoque pas la croissance non contrôlée des erreurs numériques (voir exercices 1 et 2).
• La méthode d'Euler explicite est simple mais limitée par la stabilité : elle est stable uniquement si $h$ est suffisamment petit, notamment pour des systèmes raides.
• La méthode d'Euler implicite offre une meilleure stabilité, notamment pour les systèmes raides, permettant d'utiliser des pas plus grands sans divergence (voir exercices 1 et 2).
• La stabilité est souvent analysée via la méthode du critère de stabilité de la matrice de amplification, notamment pour les systèmes linéaires.
• La stabilité conditionnelle de méthodes explicites impose une limite sur le pas de temps, tandis que les méthodes implicites sont généralement stables pour tout $h$ (stabilité A-stable).
• La stabilité influence directement le choix du pas de temps : un pas trop grand peut rendre une méthode instable, tandis qu’un pas trop petit augmente le coût de calcul (voir exercices 1 et 2).

💡 À retenir

La stabilité des méthodes numériques détermine leur efficacité pour la résolution d'EDO, en particulier pour les systèmes raides, où les méthodes implicites permettent d'utiliser des pas plus grands sans divergence, contrairement aux méthodes explicites.

📖 9. Systèmes raides Euler implicit

🔑 Notions clés & Définitions

• Systèmes raides : systèmes dynamiques caractérisés par la présence de composantes évoluant à des échelles de temps très différentes, rendant leur résolution numérique difficile avec des méthodes explicites classiques (voir PERROUX). Ces systèmes nécessitent souvent des méthodes implicites pour assurer la stabilité.

• Méthode d'Euler implicite : technique numérique pour résoudre des systèmes raides, où la nouvelle valeur de l’état est déterminée en résolvant une équation implicite impliquant cette valeur (voir PERROUX). Elle est formulée par :
  $x_{n+1} = x_n + h \cdot f(t_{n+1}, x_{n+1})$.

• Stabilité (voir STABILITY) : propriété d’une méthode numérique garantissant que les solutions numériques ne divergent pas lorsque la solution réelle est stable. Les méthodes implicites, comme Euler implicite, offrent une meilleure stabilité pour les systèmes raides, permettant d’utiliser des pas de temps plus grands.

• Coût computationnel : en termes de ressources, la résolution de systèmes non linéaires lors de l’application de méthodes implicites, comme Euler implicite, est plus coûteuse que les méthodes explicites, car elle nécessite souvent des techniques d’itération (ex : Newton-Raphson) pour résoudre l’équation implicite.

• Résolution de systèmes non linéaires : étape essentielle dans la mise en œuvre des méthodes implicites, où l’on doit résoudre une équation non linéaire à chaque pas de temps, ce qui peut augmenter la complexité et le coût de calcul.

📝 Points essentiels

• Les systèmes raides présentent un comportement où certaines composantes évoluent rapidement, rendant leur intégration numérique délicate avec des méthodes explicites, qui nécessitent des pas très petits pour assurer la stabilité (voir PERROUX).

• La méthode d'Euler implicite est particulièrement adaptée pour ces systèmes, car elle est A priori stable même pour de grands pas de temps, contrairement à la méthode explicite (voir PERROUX). Elle consiste à résoudre une équation implicite à chaque étape, ce qui peut nécessiter des techniques d’approximation pour la résolution non linéaire.

• La stabilité accrue des méthodes implicites permet de réduire considérablement le nombre de pas nécessaires, ce qui est avantageux pour la simulation de systèmes très raides ou stiff.

• Cependant, cette stabilité accrue s’accompagne d’un coût computationnel plus élevé, dû à la résolution répétée de systèmes non linéaires, souvent via des méthodes itératives comme Newton-Raphson.

• La résolution de systèmes non linéaires implique la convergence de l’algorithme d’itération, ce qui peut poser des problèmes si la fonction n’est pas bien conditionnée ou si la tolérance est mal choisie.

💡 À retenir

Les méthodes implicites, notamment Euler implicite, sont essentielles pour la résolution efficace des systèmes raides, car elles offrent une stabilité supérieure, permettant d’utiliser des pas de temps plus grands, mais au prix d’un coût computationnel accru dû à la résolution de systèmes non linéaires.

📖 10. Simulation SIR et confinement

🔑 Notions clés & Définitions

• Modèle SIR : Modèle mathématique qui décrit la propagation d'une maladie infectieuse en classant la population en trois catégories : Susceptibles (S), Infectés (I), et Récupérés (R). Selon Kermack et McKendrick (1927), il permet d’étudier l’évolution de l’épidémie en fonction de paramètres comme la transmission et la récupération.

• Varying parameter a : Paramètre du modèle SIR représentant le taux de transmission. La variation de ce paramètre, notamment lors des stratégies de confinement, permet d’étudier leur impact sur la dynamique de l’épidémie, comme le montre Ramine Nikoukhah (2026) dans ses simulations.

• Simulation numérique : Technique consistant à résoudre numériquement le système d’équations différentielles du modèle SIR à l’aide de solveurs comme ode45 (voir section 12). Elle permet de prévoir l’évolution de la maladie en fonction des paramètres et des stratégies appliquées.

📝 Points essentiels

• Le modèle SIR, initialement développé par Kermack et McKendrick (1927), est un système d’équations différentielles qui modélise la propagation d’une infection en tenant compte des taux de transmission et de récupération. La dynamique dépend fortement des paramètres a (transmission) et b (récupération).

• La simulation numérique, notamment via la méthode ode45, permet d’étudier l’impact de la variation du paramètre a, notamment lors de stratégies de confinement. La variation de a modélise l’effet des mesures telles que le confinement, qui réduit la transmission du virus, comme illustré par Ramine Nikoukhah (2026).

• La modélisation hybride (voir section 3) et la simulation permettent d’évaluer l’effet de stratégies temporelles, telles que le confinement à des instants T1 et T2, sur la courbe épidémique, notamment en réduisant le pic d’infection et en évitant la saturation hospitalière.

• La simulation permet aussi d’effectuer des études paramétriques, en faisant varier a et d’autres paramètres, pour optimiser les stratégies de confinement et prévoir leur impact à long terme.

• La résolution numérique du modèle SIR, en utilisant des solveurs comme ode45, nécessite de définir une fonction représentant le système, puis de faire varier les paramètres pour analyser différents scénarios.

💡 À retenir

La simulation numérique du modèle SIR, en variant le paramètre de transmission lors des stratégies de confinement, permet d’évaluer efficacement leur impact sur la propagation de l’épidémie et d’optimiser ces mesures pour réduire le pic d’infection.

📖 11. Méthodes Runge-Kutta

🔑 Notions clés & Définitions

• Méthodes Runge-Kutta : Famille de méthodes numériques explicites ou implicites pour résoudre des équations différentielles ordinaires (EDO), caractérisées par l'utilisation d'étapes intermédiaires pour améliorer la précision de l'intégration (voir "Computational modeling ESILV 2026" et Ramine Nikoukhah).
• Ordre de précision : Indicateur du degré de précision d'une méthode numérique, correspondant au nombre d'ordres de dérivées que la méthode reproduit exactement. Par exemple, la méthode de Runge-Kutta d'ordre 4 (RK4) est très couramment utilisée pour sa précision élevée (voir "Méthodes numériques Runge-Kutta" et Ramine Nikoukhah).
• Étapes intermédiaires : Calculs effectués à chaque étape pour approcher la solution, notamment dans la méthode RK4 où quatre évaluations de la fonction dérivée sont combinées pour obtenir la nouvelle valeur du vecteur d'état (voir "Méthodes numériques Runge-Kutta").
• Comparaison avec la méthode d'Euler : La méthode d'Euler est une méthode explicite simple de premier ordre, utilisant une seule étape intermédiaire, tandis que Runge-Kutta, notamment RK4, utilise plusieurs évaluations pour atteindre un ordre supérieur, offrant ainsi une meilleure précision pour un même pas de temps (voir "Comparaison avec la méthode d'Euler").
• Utilisation dans ode45 : La fonction ode45 de MATLAB, basée sur la méthode RK4 avec étape adaptative, est un solveur standard pour la résolution d'EDO, combinant la précision de RK4 et la stabilité de méthodes implicites pour gérer des systèmes raides (voir "Utilisation dans les solveurs standards comme ode45" et Ramine Nikoukhah).

📝 Points essentiels

• Les méthodes Runge-Kutta sont conçues pour améliorer la précision en utilisant plusieurs évaluations de la fonction dérivée à chaque étape, contrairement à Euler qui n'en utilise qu'une seule (voir "Méthodes numériques Runge-Kutta").
• La méthode RK4, la plus répandue, calcule quatre points intermédiaires pour approximer la solution avec un ordre de précision 4, ce qui permet de réduire l'erreur locale et d'augmenter la stabilité numérique (voir "Ordres de précision et étapes intermédiaires").
• La sélection du pas de temps est cruciale : une étape trop grande peut entraîner des erreurs importantes, tandis qu'une étape trop petite augmente le coût computationnel. La méthode ode45 ajuste dynamiquement le pas pour optimiser précision et performance (voir "Utilisation dans ode45").
• La méthode RK4 est souvent préférée pour sa simplicité et sa précision dans des systèmes non raides, mais pour des systèmes raides, des méthodes implicites ou adaptatives sont recommandées (voir "Comparaison avec la méthode d'Euler").
• La méthode d'Euler, moins précise, est souvent utilisée pour sa simplicité, mais elle nécessite des pas très petits pour assurer la stabilité, notamment dans les systèmes raides (voir "Comparaison avec la méthode d'Euler").

💡 À retenir

Les méthodes Runge-Kutta, notamment RK4, offrent une précision supérieure à celle de la méthode d'Euler grâce à l'utilisation d'étapes intermédiaires, et sont intégrées dans des solveurs standards comme ode45 pour une gestion automatique du pas de temps, ce qui en fait un choix privilégié pour la résolution efficace d'EDO.

📖 12. Gestion erreurs et pas adaptatif

🔑 Notions clés & Définitions

• Méthodes à pas adaptatif : Techniques numériques qui ajustent dynamiquement la taille du pas de temps lors de la résolution d'EDO pour contrôler l'erreur locale, en fonction de l'estimation de cette erreur (voir Hot vs cold restart pour la gestion de la stabilité).
• Contrôle de l'erreur locale : Processus visant à limiter l'erreur introduite à chaque étape de la simulation, afin d'assurer la précision du résultat global (voir Méthodes à pas adaptatif).
• Augmentation ou réduction automatique du pas de temps : Mécanisme où la taille du pas est augmentée pour accélérer la simulation lorsque l'erreur est faible, ou réduite pour améliorer la précision lorsque l'erreur dépasse un seuil (voir Variable step-size solvers).
• Avantages pour la précision et l'efficacité : La capacité à équilibrer rapidité et exactitude dans la résolution numérique, en évitant des pas trop petits ou trop grands, ce qui optimise la performance de la simulation (voir Méthodes Runge-Kutta).
• Erreur estimée en ligne : Calcul en temps réel de l'erreur de chaque étape, permettant d'ajuster la taille du pas en conséquence, souvent via des estimateurs intégrés dans les solveurs (voir Variable step-size solvers).

📝 Points essentiels

• Les méthodes à pas adaptatif sont essentielles pour traiter efficacement des systèmes avec des dynamiques variables, notamment dans le cas de systèmes raides ou présentant des comportements rapides et lents simultanément (voir Systèmes raides Euler implicite).
• La gestion de l'erreur locale permet de garantir la précision de la solution numérique en contrôlant la différence entre la solution approchée et la solution exacte à chaque étape, ce qui évite la propagation d'erreurs accumulées (voir Contrôle de l'erreur locale).
• La réduction ou augmentation automatique du pas repose sur des estimations d'erreur, souvent intégrées dans des solveurs comme ode45, qui adaptent la taille du pas pour optimiser la stabilité et la vitesse de convergence (voir Variable step-size solvers).
• La stratégie de hot vs cold restart influence la stabilité et la performance lors de changements brusques ou interruptions dans la simulation, en particulier pour les méthodes à pas adaptatif (voir Hot vs cold restart).
• La mise en œuvre efficace de ces techniques permet d'obtenir une simulation plus précise tout en réduisant le temps de calcul, en évitant des pas excessivement petits ou grands (voir Avantages pour la précision et l'efficacité).

💡 À retenir

Les méthodes à pas adaptatif, en ajustant dynamiquement la taille du pas en fonction de l'erreur locale estimée, améliorent significativement la précision et l'efficacité des simulations d'EDO, notamment pour des systèmes complexes ou raides.

📅 Repères chronologiques

Aucun événement daté ou date historique présent dans le contenu fourni.

📊 Tableaux de Synthèse

Thème	Notions clés	Concepts principaux	Auteur	Remarques
Modélisation systèmes dynamiques	Système dynamique, modélisation mathématique, équations différentielles	Modèles déterministes vs stochastiques, systèmes hybrides, stabilité	Ramine Nikoukhah (2026)	Focus sur la représentation mathématique et la résolution numérique
Construction diagrammes blocs	Diagramme bloc, logiciel Twin Activate, représentation graphique	Modélisation modulaire, simulation, analyse du comportement	Ramine Nikoukhah	Outil graphique pour modéliser et simuler
Systèmes hybrides et événements	Systèmes hybrides, gestion des événements, détection zero-crossing	Phénomènes avec discontinuités, applications mécaniques et électriques	Ramine Nikoukhah	Intégration dynamique continue et discrets

⚠️ Pièges & Confusions Fréquentes

1. Confondre modèles déterministes et stochastiques : les premiers sont entièrement déterminés par leurs équations, les seconds intègrent des probabilités.
2. Négliger l’importance de la détection des passages par zéro dans la gestion des événements discrets.
3. Confondre la modélisation hybride avec une simple superposition de dynamiques continues et discontinues sans gestion précise des transitions.
4. Utiliser des méthodes explicites pour des systèmes raides sans considérer la stabilité, ce qui peut conduire à des erreurs numériques.
5. Omettre de respecter la logique modulaire lors de la construction de diagrammes blocs, rendant la modélisation incohérente.
6. Confondre la représentation graphique d’un système avec sa modélisation physique ou ses équations.
7. Sous-estimer l’impact des paramètres dans la stabilité et la précision des méthodes numériques.

✅ Checklist Examen

1. Connaître la définition de système dynamique selon Ramine Nikoukhah (2026).
2. Savoir différencier un modèle déterministe d’un modèle stochastique.
3. Expliquer le concept de systèmes hybrides et leur intérêt dans la modélisation.
4. Maîtriser la technique de détection des passages par zéro pour la gestion des événements.
5. Connaître les principales méthodes numériques pour la résolution d’EDO, notamment Euler explicite et implicite.
6. Identifier les avantages et inconvénients des méthodes explicites versus implicites pour les systèmes raides.
7. Savoir construire un diagramme bloc à partir d’un système physique ou mathématique.
8. Connaître les logiciels de modélisation par diagrammes blocs, comme Twin Activate.
9. Comprendre le principe de simulation d’un système hybride et la gestion des événements discrets.
10. Maîtriser la différence entre modélisation déterministe et stochastique.
11. Connaître la définition de Ramine Nikoukhah sur la modélisation hybride.
12. Vérifier la maîtrise des concepts liés à la stabilité numérique et à la gestion des erreurs dans la simulation.