Méthodes numériques

lfsab1104  2018-2019  Louvain-la-Neuve

Méthodes numériques
5 crédits
30.0 h + 30.0 h
Q1
Enseignants
Legat Vincent;
Langue
d'enseignement
Français
Préalables
Les cours prérequis sont les suivants : LFSAB1101 et LFSAB1102 (ancien programme) ou LEPL1101, LEPL1102 et LEPL1105 (nouveau programme).
Thèmes abordés
L'objectif général du cours est l'acquisition de compétences de base en simulation numérique.
Cela comporte trois aspects :
- la maîtrise de méthodes numériques classiques sur base d'une compréhension des principes sous-jacents;
- l'aptitude à l'esprit de rigueur afin de pouvoir valider et estimer la fiabilité d'un résultat numérique;
- l'implémentation d'une méthode numérique dans un langage interprété : Python
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1

A l'issue de cet enseignement, les étudiants seront aptes à :
- distinguer entre réalité physique, modèle mathématique et solution numérique;
- comprendre les caractéristiques des méthodes : précision, convergence, stabilité;
- choisir une méthode en tenant compte d'exigences de précision et de complexité;
- mettre en oeuvre une méthode numérique;
- interpréter de manière critique des résultats obtenus sur un ordinateur.
Eu égard au référentiel AA du programme « Bachelier en Sciences de l'Ingénieur, orientation ingénieur civil», ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants: AA 1.1, 1.2 AA 2.2, 2.3, 2.4, 2.6, 2.7 AA 3.1, 3.2, 3.3 AA 4.1, 4.4

 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
Le cheminement proposé insiste sur le caractère fortement multidisciplinaire des méthodes numériques: analyse, algèbre, algorithmique et implémentation informatique. Face à un problème concret, l'étudiant doit
être à même de déterminer s'il convient d'utiliser une méthode numérique. Il doit aussi pouvoir choisir celle qui convient le mieux : conditions de convergence, caractéristiques de coût, de complexité et de stabilité. Il
doit être capable d'utiliser ou de programmer des méthodes simples avec un langage tel que Python.
- Analyse d'erreur : erreurs de modélisation, de troncature, arithmétique en virgule flottante, norme IEEE754;
- Approximation et interpolation : polynômes de Lagrange, splines cubiques, NURBS, polynômes orthogonaux, convergence et ordre d'approximation, bornes d'erreur;
- Intégration et différentiation numériques : méthodes à pas égaux et inégaux, différences centrés et décentrées, techniques récursives et adaptatives;
- Résolution d'équations différentielles ordinaires (EDO) : méthodes de Taylor et de Runge'Kutta, méthodes à pas multiples, conditions de stabilité;
- Résolution d'équations linéaires : méthodes directes et itératives, notions de complexité;
- Résolution d'équations non'linéaires : méthodes d'encadrement et de Newton'Raphson, application
à des problèmes d'optimisation;
- Initiation à la résolution d'équations aux dérivées partielles (EDP) : différences finies.
Modes d'évaluation
des acquis des étudiants
Examen écrit avec un formulaire.
L'évaluation continue (homeworks) intervient pour 10 % de la note finale.
Faculté ou entité
en charge
BTCI


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en sciences physiques

Approfondissement en statistique et sciences des données