Reduc Model POD

Rduction de dynamique par Dcomposition Orthogonale
aux Valeurs Propres (POD1)
L. Cordier et M. Bergmann
LEMTA, UMR 7563 (CNRS - INPL - UHP)
Ecole de printemps OCET

Optimisation et Contrle des Ecoulements et des Transferts
12 17 Mars 2006, Aussois
1 Proper
Orthogonal Decomposition
TABLE DES MATIRES
Table des matires

1 La rduction de modle
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Problmatique gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
2
2
2 Dcomposition Orthogonale aux valeurs Propres

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Un premier tour dhorizon . . . . . . . . . . . . . . . .
2.1.2 Structure cohrente, POD et contrle de la turbulence
2.2 Mthode dapproximation . . . . . . . . . . . . . . . . . . . .
2.3 La Dcomposition aux Valeurs Singulires (SVD) . . . . . . .
2.3.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Interprtations gomtriques de la SVD . . . . . . . .
2.3.3 Liens entre SVD et problmes aux valeurs propres . .
2.3.4 Approximation de rang minimum de A . . . . . . . . .
2.3.5 Liens entre POD et SVD . . . . . . . . . . . . . . . .
2.4 Exemple de compression dimages par SVD . . . . . . . . . .
2.5 La Dcomposition Orthogonale aux valeurs Propres (POD) .
2.5.1 Lquation de Fredholm . . . . . . . . . . . . . . . . .
2.5.2 Proprits des fonctions de bases POD . . . . . . . . .
2.5.3 Optimalit de la base POD . . . . . . . . . . . . . . .
2.5.4 Discussion sur la prcision du modle POD . . . . . .
2.6 Les diffrentes approches . . . . . . . . . . . . . . . . . . . . .
2.6.1 Choix des ralisations . . . . . . . . . . . . . . . . . .
2.6.2 Choix du produit scalaire . . . . . . . . . . . . . . . .
2.6.3 Mthode classique . . . . . . . . . . . . . . . . . . . .
2.6.4 Mthodes des snapshots . . . . . . . . . . . . . . . . .
2.6.5 Proprits communes des deux approches POD . . . .
2.6.6 Mthode des snapshots ou POD classique ? . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
4
5
5
6
8
8
9
10
11
12
13
16
16
18
19
19
20
20
21
22
23
24
25
3 Modles dOrdre Rduit bass sur la POD (POD ROM)

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Utilisation de modles dordre rduit en optimisation
3.2 Projection de Galerkin . . . . . . . . . . . . . . . . . . . . .
3.2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Modles dordre faible bass sur la POD . . . . . . .
3.2.3 Conditions aux limites . . . . . . . . . . . . . . . . .
3.3 Application au cylindre . . . . . . . . . . . . . . . . . . . .
3.3.1 POD du cylindre stationnaire . . . . . . . . . . . . .
3.3.2 Incorporation du contrle dans le modle POD . . .
3.4 Intgration et calibration du modle dordre faible . . . . .
3.4.1 Intgration temporelle du systme POD . . . . . . .
3.4.2 Calibration du systme dordre faible . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
25
26
29
29
30
31
33
33
38
39
39
40
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Conclusion
50
A Rappel sur les normes usuelles

A.1 p norme dun vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.2 Norme de Frobenius et p norme dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53
53
Bibliographie
54
Without an inexpensive method for reducing the cost of flow computations, it is

unlikely that the solution of optimization problems involving the three dimensional,
unsteady Navier-Stokes system will become routine.
Gunzburger (2000)
1
1.1
La rduction de modle
Contexte
La dtermination numrique dune solution (mme approche) dun processus physique non linaire et
complexe (par sa gomtrie ou son caractre multiphysique par exemple) ncessite encore de nos jours des
ressources informatiques consquentes, que ce soit en temps de calcul ou en occupation mmoire. Pour fixer
les ordres de grandeur dun problme raliste, Spalart et al. (1997) estiment que pour une voilure davion
aux conditions de vol de croisire i.e. pour Re = O(107 ), il est ncessaire demployer environ 1011 points
et dintgrer les quations de Navier-Stokes sur environ 5 106 pas de temps. Il parat donc dlicat, avec les
approches numriques utilises actuellement en mcanique des fluides (lments finis, volumes finis, . . .), de
pouvoir aborder de manire courante des applications pour lesquelles, soit un grand nombre de rsolutions
du systme dtat est ncessaire (mthodes de continuation, tudes paramtriques, problmes doptimisation
ou de contrle optimal, . . .), soit une solution en temps rel est recherche (contrle actif en boucle ferme
par exemple). Idalement, nous aimerions ramener le nombre important de degrs de libert gnralement
ncessaire la description dynamique du systme physique (108 points de grille, par exemple, dans le cas
dun coulement de canal pourtant acadmique analys rcemment par Bewley, 2001) quelques degrs de
libert en interaction effective. Ainsi, en acceptant de payer le cot dune (ou plusieurs) rsolutions du modle dtaill, nous pourrions par la suite, pour le mme cot numrique, raliser un trs grand nombre de
simulations du modle rduit de dynamique.
Etant donne limportance des enjeux, la rduction de modle est une direction de recherche qui a t, et
reste, trs active dans de nombreux champs disciplinaires. Citons par exemple :
en algbre linaire (Antoulas, 2005) : dcomposition en valeurs singulires (Singular Value Decomposition, SVD), mthodes de Krylov, dcomposition de Hankel,
en statistique (Karhunen, 1946; Love, 1955) : dcomposition de Karhunen-Love,
en mcanique des fluides : les travaux sur la couche limite dans lesquels une approche classique consiste
remplacer les quations de Navier-Stokes par une combinaison de modles plus simples, quations
de couche limite de Prandtl prs des parois solides et modle non visqueux loin delles (Schlichting et
Gersten, 2003),
en turbulence : la modlisation de la turbulence consiste prcisment remplacer les quations de
Navier-Stokes par des modles plus simples rsoudre, modles k ou LES, systmes dynamiques
dordre faible bass sur la dcomposition orthogonale aux valeurs propres ou POD (Proper Orthogonal
Decomposition) comme dans Aubry et al. (1988); Ukeiley et al. (2001).
1.2
Problmatique gnrale
La problmatique gnrale associe la rduction de modle est dcrite de manire schmatique la

figure 1. Partant dun systme physique quelconque, et de donnes values exprimentalement ou numriquement, la phase de modlisation consiste dterminer un ensemble dquations diffrentielles ordinaires
(EDOs) ou dquations aux drives partielles (EDPs) reprsentatif du systme physique. Dans le cas o un
systme dEDPs est obtenu dans la phase de modlisation, celui-ci est gnralement discrtis en espace afin
dobtenir un systme dEDOs que lon nomme par la suite S. La phase de rduction de modles consiste
dterminer un systme dynamique Sb en rduisant de manire approprie le nombre dEDOs ncessaire la
description du systme. Finalement, le modle rduit Sb est utilis pour simuler ou contrler le systme S.
Eventuellement, le systme dEDOs est galement discrtis en temps, conduisant alors un systme dynamique discret.
1.2
Problmatique gnrale
Systme Physique
Donnes
Modlisation
S : EDOs
Discrtisation
Rduction de modles
EDPs
Simulation
Sb : Nombre rduit dEDOs
Contrle
Figure 1 Description schmatique de la rduction de modles.

Soit T lensemble des valeurs prises par le temps (selon le cas, on pourra considrer T = R+ , R ou R pour
un systme continu en temps, ou T = Z+ , Z ou Z pour un systme discret), on considre que le systme Sb
peut scrire de manire gnrique comme un systme dEDOs du premier ordre, soit :

x(t)
= f (t, x(t), u(t)), x(t0 ) = x0 ,
(1)
S:
y(t) = g(t, x(t), u(t)),
o
x X = {x : T Rn } est la variable dtat,
u U = {u : T Rm } la variable dentre ou de commande,
y Y = {y : T Rp } la variable de sortie ou lobservable,
et o f et g sont des fonctions vectorielles correctement dimensionnes. Le systme S peut donc tre reprsent
par le schma de la figure 2.
u1
u2
um
= f (t, x(t), u(t)),

x(t)
S:
y(t) = g(t, x(t), u(t))
x(t0 ) = x0 ,
y1
y2
yp
Figure 2 Reprsentation schmatique du systme dynamique S.

Lobjectif de la rduction de modle est donc de remplacer le systme (1) par

b (t, x
b (t) = f
b (t), u(t)),
x
b
S:
b (t) = g
b(t, x
b (t), u(t)),
y
avec
b = {b
bX
x
x : T Rr } avec r n,
b Y = {y : T Rp }.
y
(2)
Par ailleurs, la construction du modle rduit Sb doit tre ralise en sassurant de vrifier si possible
lensemble des conditions suivantes :
1. erreur dapproximation faible i.e.
b k < kuk
ky y
quelle que soit lentre u o est ici une tolrance donne ;
2. stabilit et passivit (pas de gnration dnergie) du systme S prserves ;
3. procdure de rduction stable numriquement et efficace.
Souvent en pratique le systme S non linaire est linaris autour dune solution dquilibre. On dtermine
ainsi un systme linaire dont les paramtres sont variables en temps que lon peut encore noter SLP T V o
LP T V signifie Linear, Parameter, Time-Varying. Ce systme est donn par :

x(t)
= A(t)x(t) + B(t)u(t),
SLP T V :
y(t) = C(t)x(t) + D(t)u(t),
o A Rnn , B Rnm , C Rpn et D Rpm .
Finalement, si les paramtres du systme ne dpendent pas du temps, on obtient le systme SLT I o LT I
signifie ici Linear Time-Invariant. Ce systme est alors reprsent par :

x(t)
= Ax(t) + Bu(t),
(3)
SLT I :
y(t) = Cx(t) + Du(t).
Les systmes SLP T V et SLT I ont t abondamment analyss par les automaticiens ou les mathmaticiens appliques (Zhou et al., 1996, par exemple). Dans le cas des systmes linaires, de nombreux rsultats
existent donc sur la rduction de modles de systmes dynamiques de grande dimension et la recherche est
toujours active dans ce domaine comme le prouvent de trs rcentes publications sur le sujet (Antoulas, 2005;
Benner et al., 2005). Selon Antoulas (2005), trois grandes classes de mthodes dapproximation existent (voir
tableau 1) :
1. celles bases sur la Dcomposition aux Valeurs Singulires (SVD),
2. celles bases sur une mthode de Krylov,
3. enfin, des mthodes itratives combinant certains aspects provenant dune mthode de Dcomposition
en Valeurs Singulires et dautres provenant dune mthode de Krylov.
mthodes bases sur la SVD
mthodes de Krylov
Systmes non-linaires
Systmes linaires
Mthodes POD
"Balanced truncation"
Lanczos
Grammiens empiriques Approximation dHankel
Arnoldi
Interpolation
mthodes SVD-Krylov
Table 1 Classification des mthodes de rduction de modles daprs Antoulas (2005).
Ces mthodes possdant toutes des forces et des faiblesses diffrentes, il serait certainement intressant de
les tester pour des problmes de mcanique des fluides. Cependant, les quations de Navier-Stokes tant non
linaires, peu de mthodes sont directement utilisables, moins de linariser le systme dtat autour dune
solution dquilibre. Citons par exemple les travaux d Allan (2000), dans lesquels une mthode base sur
les sous-espaces de Krylov a t mise en uvre avec succs afin de contrler en boucle ferme lcoulement
dans une cavit entrane. Dans la suite de ces notes, on sintressera exclusivement aux techniques ddies
aux systmes non linaires et on prsentera plus particulirement la rduction de modles par POD (Proper
Orthogonal Decomposition) car cest la mthode actuellement la plus utilise en mcanique des fluides et en
turbulence.
2
2.1
Dcomposition Orthogonale aux valeurs Propres2

Introduction
La Dcomposition Orthogonale aux valeurs Propres (POD) est une technique lgante et trs efficace
danalyse de donnes, qui permet dapproximer un systme de dimension leve par un autre de dimension
2 Pour lessentiel, cette section est fidle la prsentation de la POD ralise dans le cadre de cours donns lInstitut
Von Krmn (Cordier et Bergmann, 2002a). Des complments, en particulier sur lapplication de la POD la modlisation
dcoulements turbulents par systme dynamique dordre faible, pourront tre trouvs dans Berkooz et al. (1993); Cordier
(1996); Holmes et al. (1996).
2.1
Introduction
nettement plus faible (Antoulas, 2005, par exemple). Cette mthode est une procdure linaire3 , qui consiste
dterminer une base de modes propres orthogonaux reprsentatifs par dfinition (quation 19) des ralisations les plus probables. Ces modes propres sont obtenus par rsolution dune quation intgrale de Fredholm
(quation 21) dont le noyau est construit partir dun ensemble de donnes provenant selon le cas de simulations numriques ou dexpriences. Enfin, on peut montrer que ces fonctions propres sont optimales au sens
de la reprsentation nergtique ( 2.5.3), ce qui nous permet desprer pouvoir les utiliser pour construire
un modle rduit de dynamique dun systme physique quelconque (section 3).
2.1.1
Un premier tour dhorizon
Historiquement, la POD a t introduite en turbulence par Lumley comme une mthode objective permettant didentifier et dextraire les structures cohrentes dun coulement (lire Adrian et al., 1996, pour
une discussion gnrale sur les structures cohrentes et une prsentation des mthodes usuelles de dtection).
Intuitivement, la POD peut tre vue comme une ide naturelle pour remplacer4 la dcomposition de Fourier
lorsque les directions de lcoulement ne peuvent plus tre supposes homognes ou priodiques. Ce problme
tant assez gnral, cela explique que la dcomposition orthogonale ait t redcouverte de manire rgulire
au sicle dernier. En effet, la POD est encore connue dans dautres domaines scientifiques sous le nom de
Dcomposition de Karhunen-Love (Karhunen, 1946; Love, 1955) ou analyse dHotelling (Hotelling, 1933) et
elle possde des liens trs troits avec lAnalyse en Composantes Principales (Joliffe, 1986) et surtout, comme
on le verra la section 2.3, avec la Dcomposition aux Valeurs Singulires (Golub et Van Loan, 1990). Au
del du domaine historique dapplication li la turbulence, la POD couvre maintenant un vaste domaine
dutilisations regroupant toutes sortes de disciplines. On la retrouve par exemple dans des applications au
traitement dimages pour la caractrisation de visages humains (Kirby et Sirovich, 1990) ou pour ltude de
lactivit neuronale (Sornborger et al., 2003), en analyse de signal (Algazi et Sakrison, 1969), en compression
de donnes (Andrews et al., 1967) et beaucoup plus rcemment en contrle optimal (Ravindran, 2000a,b;
Afanasiev et Hinze, 2001; Bergmann et al., 2005; Bergmann et Cordier, 2006). Le point central de toutes ces
applications est lextraction des caractres dominants dun ensemble de donnes, permettant daccder ainsi
une rduction du modle dynamique.
2.1.2
Structure cohrente, POD et contrle de la turbulence
Dans cette section, notre objectif nest pas de raliser une tude bibliographique exhaustive de toutes les
applications de la POD des coulements turbulents car elle sont nombreuses et varies. Nous renvoyons
le lecteur, intress par plus dinformations sur ce sujet, aux trs bonnes revues bibliographiques que lon
peut trouver dans Holmes et al. (1996); Delville et al. (1999) et dans lannexe de Gordeyev (1999). Plus
modestement, lobjet de ce paragraphe est de sensibiliser le lecteur au rle que peuvent jouer les structures
cohrentes sur le contrle dcoulement turbulent et limportance de leur prise en compte par des outils de
modlisation adapts.
Limportance des structures cohrentes pour la comprhension et la modlisation des coulements turbulents est maintenant clairement reconnue (Bonnet et Delville, 2002, par exemple). En effet, dun point de vue
nergtique, la contribution des structures cohrentes lnergie totale de lcoulement varie, selon les cas,
de 10% (couche limite, jet lointain) 25% (couche de mlange, sillage, jet en champ proche). Par ailleurs,
dun point de vue dynamique, les structures cohrentes jouent un rle trs important dans les processus de
mlange, ainsi que pour la gnration de bruit ou la cration de trane par exemple. Par consquent, contrler
des coulements turbulents en agissant sur les structures cohrentes a rapidement t considr comme une
direction de recherche prometteuse (Aubry et al., 1988; Ukeiley et al., 2001).
La proposition faite par Lumley en 1967 dextraire les structures cohrentes dun coulement turbulent
par POD est trs attractive. En effet, compare dautres techniques didentification5 utilises jusqualors,
3 Pour sen convaincre, il suffit de regarder lquation (34). Cependant, ce nest pas parce que le processus est linaire que la
POD est limite aux systmes linaires (voir tableau 1).
4 On peut dmontrer (Cordier et Bergmann, 2002a) que la POD est une gnralisation de la dcomposition de Fourier aux
directions inhomognes ou non priodiques dun coulement.
5 Grossirement, les mthodes dextraction de structures cohrentes appartiennent trois catgories (Bonnet et Delville,
2002) :
1. les techniques de visualisation : PIV (Particle Image Velocimetry), PFV (Pseudo Flow Visualisation),
la POD ne ncessite pas de connaissance a priori de lcoulement. Par POD, les structures cohrentes sont
dfinies sans ambiguts et de manire unique comme la ralisation de lcoulement qui possde la plus grande
projection en moyenne sur lensemble des ralisations contenues dans la base de donnes (quation 19). Par
ailleurs, les fonctions propres POD sont optimales au sens nergtique, dans le sens o aucune autre base
nest capable de capturer une aussi grande quantit dnergie avec le mme nombre de modes (section 2.5.3).
A titre dillustration, le lecteur trouvera dans Cordier et Bergmann (2002b) une application de la POD
lextraction des structures cohrentes tridimensionnelles dun coulement de couche de mlange simul par
Simulation aux Grandes Echelles.
Jusquici la Dcomposition Orthogonale aux valeurs Propres a t prsente uniquement comme une
technique particulire danalyse de donnes. Cependant, la POD peut galement tre vue comme une mthode
efficace de construction dun systme dynamique dordre rduit, pouvant dcrire lvolution temporelle des
structures cohrentes. Le principe, qui sera dtaill la section 3 o on trouvera une application au cylindre
circulaire manipul, consiste projeter (projection de Galerkin) les quations dtat du systme (gnralement
les quations de Navier-Stokes) sur le sous-espace engendr par les fonctions propres POD. Aprs quelques
manipulations algbriques, on aboutit alors un systme dquations diffrentielles ordinaires qui peut tre
facilement intgr en temps pour dcrire la dynamique temporelle de lcoulement. Finalement, les fonctions
propres POD tant optimales au sens de lnergie, seul un trs petit nombre de modes POD est ncessaire
pour dcrire correctement lvolution dynamique du systme. Rcemment, les modles dordre rduit bass
sur la POD ont reu un regain dintrt (Graham et al., 1999a,b; Fahl, 2000; Volkwein, 2001), notamment
pour des applications lies au contrle de systmes gouverns par des quations aux drives partielles dordre
lev et, en particulier, pour le contrle dcoulement. Cest prcisment la dmarche qui est suivie dans notre
groupe (Bergmann et al., 2005; Bergmann et Cordier, 2006). Cependant, il faudra apporter un soin tout
particulier la prise en compte de manire implicite (via les fonctions propres POD) et/ou explicite (via
les conditions aux limites) de la loi de contrle recherche. En effet, jusqu une poque rcente, le systme
rduit POD construit pour un coulement non manipul, tait utilis sans modifications pour dvelopper des
mthodologies de contrle dcoulement. Or, les fonctions propres POD, en tant que modes intrinsques de
lcoulement, sont connues (Prabhu et al., 2001) pour dpendre des conditions (gomtrie, contrle) utilises
pour assembler la base de donnes servant la dtermination des modes POD. Nous dcrirons la section 3.3.2,
une mthode de prise en compte explicite du contrle dans le modle rduit POD. Les stratgies de prise en
compte implicite du contrle dans le modle rduit POD seront, quant elles, discutes dans le sminaire de
Michel Bergmann et font lobjet des publications suivantes :
Bergmann et al. (2005) pour le contrle sous-optimal, et
Bergmann et Cordier (2006) pour le contrle optimal
dun coulement de sillage manipul, publications vers lesquelles le lecteur pourra se reporter pour de plus
amples prcisions sur les difficults lies lapplication de la rduction de modles par POD au contrle
dcoulement.
Dans cette section, nous allons raliser une prsentation aussi rigoureuse que possible de la Dcomposition
Orthogonale aux valeurs Propres. La POD est dabord introduite dans le contexte gnral des mthodes
dapproximation (section 2.2). Puis, tant donn que la POD peut tre considre comme un cas particulier
de dcomposition aux valeurs singulires, nous dfinissons, dans un premier temps la SVD ( 2.3), avant de
prciser leurs liens la section 2.3.5. Par la suite ( 2.5), nous dcrivons la dcomposition orthogonale dans
un contexte statistique appropri aux coulements turbulents. Finalement la section 2.6, nous discutons des
diffrentes approches utilises en pratique pour dterminer les fonctions propres POD. Nous insisterons tout
particulirement sur les diffrences existant entre la mthode classique ( 2.6.3) et la mthode des snapshots
( 2.6.4) qui est souvent utilise en pratique.
2.2
Mthode dapproximation
Une premire manire dintroduire la Dcomposition Orthogonale aux valeurs Propres, est de le faire en
suivant le point de vue de Chatterjee (2000) et de considrer pour cela le cadre gnral des mthodes dapproximation (Rivlin, 1981).
2. les mthodes conditionnelles qui reposent sur des critres donns a priori supposs caractriser les structures cohrentes.
Citons la mthode des quadrants, les techniques VITA/VISA, ...
3. les mthodes non conditionnelles : corrlations spatio-temporelle, analyse spectrale, POD.
La reconnaissance de formes (Pattern Recongnition Analysis), lestimation stochastique linaire (Linear Stochastic Estimation)
et les ondelettes sont considres la fois comme une mthode conditionnelle et une mthode non conditionnelle.
2.2
Mthode dapproximation
Le problme rsoudre peut snoncer de la manire suivante : comment approcher une fonction u ventuellement vectorielle, dpendante des variables despace x (x ) et de temps t (t [0, T ]), par une somme
finie de termes scrivant comme un produit de fonctions variables spares du type :
u(x, t)
K
X
ak (t)k (x),
(4)
k=1
lobjectif tant que cette approximation devienne exacte lorsque le nombre de termes K de la sommation
devient infinie. Puisque cette reprsentation nest certainement pas unique, il est logique de chercher vouloir
construire la meilleure approximation possible (dans un sens dfinir) pour une valeur de K donne. Nous
allons montrer quen choisissant une reprsentation au sens de la norme euclidienne L2 dfinie la section A,
la solution du problme est donne par la dcomposition aux valeurs singulires.
Gnralement, pour rsoudre ce problme dapproximation, on considre que les fonctions de base k qui
interviennent dans le dveloppement (4) sont des fonctions connues a priori comme les polynmes de Chebychev ou de Legendre, ou encore des fonctions trigonomtriques (Peyret, 2002). Une autre manire de rsoudre
ce problme est de considrer des fonctions k intrinsques par nature la fonction u approximer. Comme
on va le voir, cette approche est celle qui conduit de manire naturelle la Dcomposition Orthogonale aux
valeurs Propres.
Une autre difficult de ce problme dapproximation est qu chaque famille de fonctions de base k est
associ un ensemble de fonctions temporelles ak (t). Par consquent, connaissant les fonctions de base k ,
comment dterminer le plus simplement possible les coefficients de projection temporelle ak (t) ? Supposons
que nous avons choisi pour fonctions k une base orthonormale pour le produit scalaire canonique, i.e.
(
Z
0 for k1 6= k2 ,
k1 (x) k2 (x) dx = k1 k2 =
1 for k1 = k2 ,
o k1 k2 est le symbole de Kronecker.

Le produit scalaire de la relation (4) par une fonction de base l quelconque donne alors immdiatement
lexpression :
Z
al (t) =
u(x, t)l (x) dx = (u(x, t), l (x)) ,
o la notation (, ) reprsente le produit scalaire de deux fonctions.
Par consquent, pour une famille de fonctions orthonormes, le coefficient ak dpend seulement de la
fonction dordre k et non des autres fonctions. En terme de simplification, imposer lorthonormalit la
famille de fonctions k parat donc intressant.
Comme nous lavons dj voqu prcdemment, nous allons maintenant chercher dterminer, une
fois pour toutes, une famille de fonctions orthonormales k telles que lapproximation (4), un ordre K
quelconque, soit aussi bon que possible au sens des moindres carrs. Pour cela, nous allons supposer que
lon connait les valeurs de la fonction u en Nx localisations spatiales x1 , x2 , , xNx et cela en Nt instants
diffrents. Rsoudre le problme dapproximation (4) est alors quivalent dterminer la base orthonorme
{k (x)}K
k=1 avec K Nt solution du problme :
min
Nt
X
i=1
ku(x, ti )
K
X
(u(x, ti ), k (x)) k (x)k22 .
(5)
k=1
Pour faciliter la rsolution de ce problme de minimisation, lensemble des ralisations U = {u(x, t1 ), , u(x, tNt )}
de la fonction u est gnralement rang dans la matrice suivante, appele encore matrice des Snapshots
u(x1 , t1 )
u(x1 , t2 ) u(x1 , tNt 1 )
u(x1 , tNt )
u(x2 , t1 )
u(x2 , t2 ) u(x2 , tNt 1 )
u(x2 , tNt )
(6)
A=
RNx Nt
..
..
..
..
.
.
.
.
u(xNx , t1 ) u(xNx , t2 ) u(xNx , tNt 1 ) u(xNx , tNt )
On constate que chaque colonne i de la matrice A reprsente, un instant donn ti , un ensemble de ralisations appartenant U. Par consquent, si les donnes utilises pour construire la matrice des Snapshots
sont considres6 comme linairement indpendants, alors le rang de la matrice A est maximal.
La solution du problme de minimisation (5) est donne par la Dcomposition aux Valeurs Singulires
Tronque (Truncated Singular Value Decomposition) lordre K de la matrice des snapshots A. Par consquent, dans la section suivante, nous allons introduire la Dcomposition aux Valeurs Singulires, avant de
faire le lien explicite entre SVD et Dcomposition Orthogonale aux valeurs Propres la section (2.3.5).
2.3
La Dcomposition aux Valeurs Singulires (SVD)
Pour des raisons de simplicit, et parce que cest le cas gnral en mcanique des fluides, nous allons dfinir
la dcomposition aux valeurs singulires dune matrice A en se limitant au cas o A est valeurs relles. Une
extension au cas o A serait valeurs complexes est prsente dans Cordier et Bergmann (2002a).
2.3.1
Dfinition
Soit A une matrice relle de dimension Nx Nt alors la Dcomposition aux Valeurs Singulires de A est
la factorisation (Golub et Van Loan, 1990) :
A = U V T ,
(7)
o7 U et V sont des matrices orthogonales8 , respectivement de dimension Nx Nx et Nt Nt (i.e.

U U T = INx et V V T = INt ) et o est une matrice diagonale de dimension Nx Nt contenant les grandeurs
1 , , p R, appeles valeurs singulires de A (et de AT ), telles que 1 2 r > r+1 = r+2 =
= p = 0 o p = min(Nx , Nt ). Le rang r de la matrice A est gal au nombre de valeurs singulires non nulles
que possde la matrice A. Par ailleurs, les r premires colonnes respectivement de V = (v1 , v2 , , vNt ) et
de U = (u1 , u2 , , uNx ) sont dnommes vecteurs singuliers droit et gauche de A. Enfin, puisque les valeurs
singulires de A sont ranges en ordre dcroissant, lindex i correspondant est appel numro dordre de
valeurs singulires.
Le calcul direct des valeurs singulires i et vecteurs singuliers U et V associs est souvent fastidieux, et
il est prfrable de les dterminer par la rsolution de problmes aux valeurs propres quivalents ( 2.3.3).
Pour Nx < Nt , lquation (7) scrit encore
A=
u1 ,
uNx
..
.
..
.
..
.
Nx
0
..
.
..
.
..
.
0
..
.
..
.
..
.
alors que pour Nx > Nt elle devient :

6 Ce
sera, en particulier le cas la section 2.6.4 pour la mthode des snapshots.

convient ici et partout ailleurs dans le texte de noter AT la matrice transpose de A.
8 On rappelle que pour une matrice orthogonale quelconque A, on vrifie A1 = AT .
7 On
v1T
..
.
..
.
T
vN
x
vNx +1
..
..
.
T
vN
t
2.3
A=
u1 , , uNt , uNt +1 , , uNx
..
.
..
.
..
.
Nt
0
..
.
..
.
0
0
..
.
..
.
0
vT
1
.
..
.
..
.
.
.
.
.
.
.
.
.
..
vN
t
En tenant compte du rang de la matrice A, il est encore possible de simplifier ces expressions. En effet, en
convenant de noter (respectivement ) les blocs matriciels infrieur (respectivement suprieur), on a alors
pour Nx > Nt :
ANx Nt = UNx Nx Nx Nt VNTt Nt
=
U Nx r
U Nx (Nt r)
rr
0
0
0
V Nt r
ANx Nt = U Nx r rr V TNt r = 1 u1 v1T + 2 u2 v2T + + r ur vrT .

2.3.2
V Nt (Nt r)
T
(8)
Interprtations gomtriques de la SVD
Structure gomtrique dune matrice A toute matrice A de dimension Nx Nt , il est possible dassocier
une application linaire qui envoie tout vecteur de ENt , espace vectoriel de dimension Nt , dans ENx , espace
vectoriel de dimension Nx . Soit la sphre unit dans ENt i.e. lensemble des vecteurs de longueur unit,
multiplier ces vecteurs par la matrice A donne de nouveaux vecteurs qui dfinissent une ellipsode de dimension
r dans lespace ENx , o r est le nombre de valeurs singulires de A. Les valeurs singulires 1 , 2 , , r
correspondent aux longueurs respectives des axes principaux de cet ellipsode (figure 3). Intuitivement donc,
les valeurs singulires caractrisent le facteur de dformation que va subir chacun des vecteurs initiaux par
action de A. Par ailleurs, puisque la matrice V est orthogonale, lquation (7) scrit encore AV = U . Les
directions de ces axes principaux sont donc donnes par les colonnes de U et les antcdents de ces mmes
axes par les colonnes de V . Une seconde interprtation gomtrique est donne au paragraphe suivant.
En raison de linterprtation de la matrice A en terme dalgbre linaire, il est maintenant vident que la
norme 2 de la matrice A (voir la dfinition la section A) est gale 1 :
kAk2 = max kAxk2 = 1 .
kxk2 =1
(9)
Par ailleurs, compte tenu de la relation (8) et du fait que U et V forment des matrices orthogonales, on
montre aisment que la norme de Frobenius de la matrice A (voir dfinition la section A) est donne par
lexpression :
v
u r
uX
(10)
i2 .
kAkF = t
i=1
Rotation dans lespace des phases Une seconde interprtation gomtrique peut tre donne la SVD.
Pour cela, nous considrons la matrice A de dimension Nx Nt comme la liste des coordonnes de Nx
points nots P1 , P2 , , PNx dans un espace vectoriel de dimension Nt . Chaque point P est reprsent sur
la figure 4 laide dun petit losange. Quel que soit k Nt , nous cherchons un sous-espace de dimension k tel
que la distance quadratique moyenne de lensemble
PNx de ces2points ce sous-espace soit minimise, en dautres
kHi Pi k2 soit minimise o les points Hi correspondent aux
termes nous cherchons le vecteur 1 tel que i=1
projections orthogonales des points Pi sur la droite de vecteur directeur 1 . Cette procdure mathmatique
peut tre gomtriquement interprte comme une rotation de lespace des phases, du systme de coordonnes
10
A
1
2
Sphre unit
Ellipsode de rayon
Figure 3 Interprtation gomtrique de la SVD dune matrice A : image par A de la sphre unit.
Axe de coordonnes
2
1
Nuage de points dorigine
Axe de coordonnes
Nuage de points translat

(centr autour de lorigine)
Figure 4 Interprtation gomtrique de la SVD dune matrice A : rotation de lespace des phases.
initiales un nouveau systme de coordonnes dont les axes orthogonaux coincident avec les axes dinertie
des donnes. Cette formulation de la SVD correspond prcisment la manire utilise gnralement dans la
litrature pour introduire lAnalyse en Composantes Principales (Joliffe, 1986, par exemple).
Quand la Dcomposition aux Valeurs Singulires est utilise pour lanalyse de donnes, lalgorithme SVD
est gnralement applique une matrice, obtenue partir de la matrice A, par soustraction chacune des
colonnes de sa moyenne. Cette translation de moyenne assure ainsi que le nuage des Nx points est centr
autour de lorigine du systme de coordonnes (voir figure 4).
2.3.3
Liens entre SVD et problmes aux valeurs propres
Dans cette section, nous allons proposer une mthode de calcul des valeurs singulires et des vecteurs
singuliers gauche et droit dune matrice rectangulaire A quelconque. Cette mthode est base sur la rsolution de problmes aux valeurs propres associs des matrices carres AT A et AAT . Ces matrices peuvent
sinterprter comme une reprsentation discrte du tenseur des corrlations spatio-temporelles en deux points
qui sera introduit la section 2.5.1.
Soit A, une matrice rectangulaire de dimension Nx Nt , sa dcomposition aux valeurs singulires scrit
( 2.3.1) :
A = U V T .
Par consquent, en multipliant les deux membres de cette quation par AT gauche, on obtient une
matrice de dimension Nt Nt donne par :
2.3
11
AT A = V U T U V T
(11)
= V 2 V T .
Or, puisque AT A est une matrice hermitienne9 , elle est diagonalisable dans une base orthonormale de
vecteurs propres et, par consquent, sa dcomposition sur la base propre scrit
AT A = W W 1 = W W T
(12)
o W est une matrice orthogonale de dimension Nt Nt . Par ailleurs, on peut montrer aisment10 que AT A
est une matrice dfinie positive. AT A est donc hermitienne et dfinie positive, on est donc assur que les
valeurs propres de la matrice AT A sont relles et suprieures ou gales zro. Par comparaison
des deux
expressions (11) et (12) de AT A, on trouve que 2 = et W = V . En dautres termes, i = i et (V, )
reprsente la dcomposition aux valeurs propres de la matrice AT A.
En appliquant une dmarche similaire la matrice AAT , on trouve successivement AAT = U V T V U T =
U 2 U T = W W T ce qui nous permet de conclure que (U, ) reprsente la dcomposition aux valeurs propres
de la matrice AAT .
A ce stade, on constate que lorsque Nt Nx , la rsolution du problme aux valeurs propres li la
matrice AT A (de dimension Nt Nt ) est bien moins coteux numriquement que la rsolution du problme
quivalent pour la matrice AAT (de dimension Nx Nx ). Cette remarque explique quil existe en pratique
deux approches diffrentes pour la POD. On montrera plus tard que la matrice AT A est lie la mthode
des snapshots ( 2.6.4) alors que la matrice AAT est lie la mthode classique ( 2.6.3). Cela explique que
la mthode classique est utilise de prfrence lorsque Nt Nx .
On voit que dans le cas o Nt Nx , cette mthode de calcul est bien plus lgre que le calcul direct de
la SVD de A. Lapplication de cette mthode dans le contexte de la POD est appele mthode des snapshots
(2.6.4).
2.3.4
Approximation de rang minimum de A
Soit A RNx Nt une matrice, dterminer une matrice X de mme taille que A mais de rang k infrieur
et qui soit telle quune certaine norme de lerreur A X soit minimale, est un problme classique. Ce
problme peut tre rsolu explicitement pour toute norme unitaire invariante. Pour la norme de Frobenius
par exemple11 , la solution de ce problme est donne par le thorme dEckart-Young (Higham, 1989), soit :
min
rang(X)k
kA XkF = kA Ak kF =
Ak = U
k
0
0
0
r
X
j=k+1
12
j2 (A)
(13)
V T = 1 u1 v1T + + k uk vkT
avec k , matrice obtenue partir de , en conservant les k premires lignes.

Ce thorme tablit une relation entre le rang k de lapproximation X de A et la valeur singulire de
numro dordre (k + 1) de A. Par consquent, si les valeurs singulires dcroissent suffisamment rapidement
alors nous pouvons esprer dterminer une approximation de A possdant un rang trs faible. Le lecteur
trouvera une application de ce rsultat la compression dimages la section 2.4.
9 Ici
simplement symtrique car la matrice A est considre valeurs relles.

AT Ax, x = (Ax, Ax) = kAxk2 0.
11 En effet, la norme 2 peut galement tre utilise. Dans ce cas, le thorme dEckart-Young (13) scrit (Hubert et al., 2000) :
10 x,
min
kA Xk2 = kA Ak k2 = k+1 (A) .
rank (X) k
12
2.3.5
Liens entre POD et SVD
Dans cette section, nous discutons des liens existants entre la POD et la SVD. Notre prsentation suit le
point de vue de Fahl (2000), mais un traitement similaire pourra tre galement trouv dans Atwell et King
(1999). Enfin, le lecteur pourra se reporter Volkwein (1999) pour les dmonstrations mathmatiques.
On considre ici que les ralisations u, lments de lensemble U introduit la section 2.2, sont obtenues
laide dune simulation numrique par lments finis. Par consquent, toute fonction u peut se dcomposer
sur la base lments finis {(j) (x)}nj=1 dordre n, sous la forme :
u(x, ti ) = un (x, ti ) =
n
X
u(j) (ti )(j) (x),
j=1
o la notation u correspond une solution discrtise par lments finis.

n
Le produit scalaire de deux fonctions u et v peut alors tre valu de manire discrte par la relation :
(u, v)M = uT Mv
(14)
o M R
est la matrice de masse lments finis et o u et v, lments de R , sont les vecteurs constitus par les coefficients de u et v, crits dans la base lments finis, pour t = ti . A laide dune factorisation
1
1
de Cholesky M = M 2 (M 2 )T , la norme associe au produit scalaire discret, dfini par lquation (14), peut
se rcrire sous la forme dune norme associe au produit scalaire canonique sur L2 , soit :
nn
2
= k(M 2 )T uk2 .
kukM = (u, u)M
Le problme de minimisation (5) peut alors tre reformul en terme de la norme discrte construite sur le
produit scalaire (14). On obtient pour nouveau problme de minimisation :
min
Nt
X
i=1
kun (x, ti )
K
X
(un (x, ti ), k (x))M k (x)k2M
(15)
k=1
o la base de fonctions propres POD {k (x)}K

k=1 est suppose appartenir lespace vectoriel engendr
par les fonctions de base lments finis {(j) (x)}nj=1 , i.e. :
k (x) =
n
X
jk (j) (x).
j=1
Afin de reformuler le problme dapproximation (15) dans le contexte dun problme dapproximation
matricielle (et de pouvoir ainsi utiliser le thorme dEckart-Young introduit la 2.3.4), nous collectons
dans une matrice relle de dimension nK, les coefficients des fonctions propres POD inconuues {k (x)}K
k=1
e RnNt , PNt kA
e:,i k2 = kAk
e F , o k.kF
crites sur la base lments finis. Puisque12 pour toute matrice A
2
i=1
reprsente la norme de Frobenius dfinie la section A, le problme de minimisation (15) est quivalent au
problme de minimisation contraint suivant :
e ZZ T Ak
e 2
min kA
F
ZRnK
sous les contraintes
Z T Z = IK
e = (M 12 )T A et Z = (M 12 )T , lments de RnK .
avec A
(16)
e soit la
Lquation (16) indique que lon cherche un sous-espace de dimension K tel que X = ZZ T A
e
meilleure approximation de A de tous les sous-espaces de dimension K. Daprs le thorme dEckart-Young
nonc la section 2.3.4, la solution du problme dapproximation (16) est donne par une dcomposition en
e tronque lordre K :
valeurs singulires de A
eK = UK K V T
A
K
o UK et VK correspondent respectivement aux K premires colonnes de U et de V .

12 A
:,i
reprsente ici la ime colonne de la matrice A.
2.4
Exemple de compression dimages par SVD
13
eK et la forme de X, nous trouvons que la matrice est

Finalement, en comparant lexpression de A
solution du systme linaire suivant :
1
(M 2 )T = UK RnK .
e = U V T peuvent tre obtenus directement
Dans cette expression, les vecteurs singuliers gauche U de A
T
eA
e ( 2.3.3). Cependant, comme on la dj fait remarquer prcomme les vecteurs propres de la matrice A
cdemment, il est prfrable, lorsque la valeur de Nt est beaucoup plus petite que celle de n, dvaluer les
eT A.
e Dans ce cas, les vecteurs singuliers droit V sont dabord dtermins,
vecteurs propres de la matrice A
e .
puis on en dduit les vecteurs singuliers gauche U laide de la relation U = 1 AV
A titre de remarque, on peut mentionner que ces problmes aux valeurs propres peuvent tre rsolus
laide de la librairie LAPACK13 ou en utilisant des algorithmes ddis qui reposent essentiellement sur les
mthodes itratives de Lanczos (lire Fahl, 2000, pour un exemple dalgorithme).
2.4
Afin dillustrer lapproximation par SVD dune matrice quelconque par une matrice de rang infrieur
telle que cela a t discut la section 2.3.4, nous allons considrer des problmes indpendants du temps
pour lesquels les donnes correspondent des images en niveaux de gris. Sur les figures 7(a) et 8(a), nous
avons reprsent les images "clown" et "trees" issus de Matlab. Ces images peuvent tre reprsentes par des
matrices de dimension respective 200 330 et 128 128, chaque pixel contenant une valeur comprise entre
0 (blanc) et 1 (noir) pour 64 niveaux de gris. Chacune de ces matrices est de rang maximal, soit 200 et 128
respectivement. Les valeurs singulires de chacune de ces images sont reprsentes sur la figure 5 en chelle
semi-logarithmique. On constate que les valeurs singulires de ces deux images dcroissent trs rapidement,
ce qui permet de penser que des approximations prcises de rang infrieur sont possibles.
10
10
10
10
10
10
10
20
40
60
80
100
Indice i
120
140
160
180
200
Figure 5 Valeurs singulires de limage clown (+) et de limage trees ().

En comparant la dcroissance du spectre de valeurs singulires pour les deux images, on trouve que lerreur
relative pour des approximations de mme rang est suprieure pour limage "clown" par rapport limage
"trees". On en conclut donc que limage "trees" est plus facile approximer que limage "clown".
13 http
://www.netlib.org/lapack/
14
Daprs le thorme dEckart-Young (voir 2.3.4), toute matrice A de rang r peut tre approxime par
une autre matrice de rang k r donne par la relation :
b = 1 u1 v T + 2 u2 v T + + k uk v T ,
A
1
2
k
et telle que
b 2 = k+1 .
kA Ak
Par consquent, par SVD, il est possible dobtenir un modle fidle (ventuellement de rang faible) dune
matrice quelconque, condition que le spectre des valeurs singulires de cette matrice dcroisse suffisamment
vite. En effet, on peut alors choisir un indice de coupure M r et construire une approximation de A sur
un nombre rduit de modes. Afin de prciser cette ide, on peut dfinir le contenu informationnel relatif de
la dcomposition en valeurs singulires de A par :
RIC(M ) =
M
X
i=1
r
X
i
(17)
.
i
i=1
0.9
0.8
RIC(M )
0.7
0.6
0.5
0.4
0.3
0.2
20
40
60
80
100
120
140
160
180
200
M
Figure 6 Relative information content for the clown image (+) and the trees image ().
Si lon impose lapproximation construite par SVD de contenir % de linformation contenue dans limage
SV D
dorigine, la dimension M du sous-espace DM
engendr par les M premiers modes singuliers est dtermine
par la relation :
M = argmin{RIC(M ); RIC(M ) }.
(18)
Sur la figure 6, nous avons reprsent le contenu informationnel relatif pour les images "clown" et "trees".
Naturellement, nous retrouvons le rsultat nonc prcdemment lorsque le spectre des valeurs singulires
tait discut, savoir que limage "trees" est plus facile approximer par une image de rang infrieur que
limage "clown". En effet, pour un nombre donn de modes singuliers, par exemple M = 20, respectivement
60 % et 70 % du contenu informationnel relatif sont contenus dans les approximations correspondantes des
images "clown" et "trees".
Finalement, nous comparons sur les figures 7 et 8, les images originales "clown" et "trees" avec leurs
approximations de rang 6, 12 et 20 obtenus par SVD tronqu.
2.4
15
(a) Image dorigine
(b) Approximation de rang 6
(c) Approximation de rang 12
(d) Approximation de rang 20
Figure 7 Approximations de limage "clown" de MatLab par des images de rang infrieur.
(a) Image dorigine
(b) Approximation de rang 6
(c) Approximation de rang 12
(d) Approximation de rang 20
Figure 8 Approximations de limage "trees" de MatLab par des images de rang infrieur.
16
2.5
La Dcomposition Orthogonale aux valeurs Propres (POD)
Dans cette section, la Dcomposition Orthogonale aux valeurs Propres est introduite dans lesprit de Holmes
et al. (1996) comme une mthode pouvant conduire une meilleure comprhension des coulements turbulents. Jusquici la POD a t prsente uniquement comme une technique performante de post-traitement
permettant, selon le point de vue retenu, dextraire sans empirisme les structures cohrentes dun coulement, ou de raliser une compression des informations contenues dans des donnes provenant de simulations
numriques ou dexpriences. Par la suite, nous allons considrer que la POD permet galement de fournir
des fonctions de base qui peuvent tre utilises pour dfinir un sous-espace de faible dimension sur lequel on
pourra projeter les quations dtat. Cette ide a t pour la premire fois applique par Aubry et al. (1988)
pour modliser la zone de proche paroi dune couche limite et plus rcemment par Ukeiley et al. (2001) pour
tudier la dynamique des structures cohrentes dans une couche de mlange plane.
2.5.1
Lquation de Fredholm
Soit X = (x, tn ) une variable spatio-temporelle, considrons {u(X)} un ensemble dobservations, encore appeles snapshots, obtenus en Nt instants diffrents tn sur un domaine spatial not . Par la suite,
pour simplifier les notations, on considrera que X D = R+ . Selon le cas, ces observations seront
des donnes exprimentales ou numriques correspondant des champs de vitesse, de vorticit, de temprature, ... Par ailleurs, rien noblige a priori que les caractristiques physiques du systme ou les paramtres
de contrle (nombre de Reynolds, par exemple) soient les mmes pour toutes les observations de la base de
donnes (Christensen et al., 1998). Le problme rsoudre consiste donc extraire de ces champs considrs
comme alatoires, un mode dominant ou encore structure cohrente. Daprs Lumley (1967), une structure
cohrente correspond la fonction dterministe la mieux corrle en moyenne aux ralisations u(X). En
dautres termes, nous recherchons une fonction qui possde, au sens des moindres carrs, la plus grande
projection sur les observations i.e. qui maximise la quantit |(u, )|2 . Or, puisque nous cherchons uniquement
tester le paralllisme des fonctions avec les observations, la dpendance de lamplitude de doit tre
supprime. Une manire de le faire est de normaliser 1, lamplitude des fonctions . Par consquent, il est
naturel de sintresser un espace de fonctions pour lequel le produit scalaire existe. Un choix naturel
est donc dimposer dappartenir lespace des fonctions de carr intgrable sur D, soit L2 (D). Finalement, dans le but dintroduire les statistiques relatives lensemble des observations, nous allons chercher
maximiser lexpression :
h|(u, )|2 i
kk2
sous une certaine moyenne (temporelle, spatiale, moyenne de phase, ...) note ici hi et que lon prcisera au
cas par cas. Le choix de loprateur de moyenne est au cur des diffrentes approches de la POD. Ce point
sera discut de manire dtaille la section 2.6.
Par consquent, dun point de vue mathmatique, la fonction correspond la solution du problme
doptimisation avec contraintes suivant :
h|(u, )|2 i
h|(u, )|2 i
=
kk2
L2 (D) kk2
max
avec
(19)
(, ) = kk2 = 1,
o14 (, ) et k.k reprsentent respectivement le produit scalaire canonique sur L2 et la norme associe.
Nous allons montrer maintenant que le problme de maximisation (19) peut se reformuler sous la forme
dun problme aux valeurs propres. Pour cela, nous introduisons loprateur R : L2 (D) L2 (D) dfini par :
Z
R(X) =
R(X, X )(X )dX
D
o R(X, X ) = hu(X) u (X )i est le tenseur
15
des corrlations spatio-temporelles en deux points.
14 En mcanique des fluides, on choisit gnralement la norme sur L2 car elle correspond des coulements dnergie cintique
finie. Cependant, on verra la section 2.6.2 que dautres normes peuvent tre utilises.
15 Ici, nous nous plaons dlibrment dans le cas gnral o u(X) est ventuellement valeurs complexes. Par consquent,
u correspond ici au conjugu du champ de vitesse u.
2.5
17
A condition de supposer que lon peut permuter les oprations de moyenne et dintgration, on obtient de
manire vidente :
Z

(R, ) =
hu(X) u (X )i(X )dX , (X)
D
Z Z
D
hu(X) u (X )i(X )dX (X)dX
Z
Z
= h u(X) (X)dX
u (X ) (X )dX i
D
h|(u, )|2 i 0.
En pratiquant de la mme manire, on peut montrer galement que

(R, ) = (, R) quelles que soient (, ) [L2 (D)]2 .
On en dduit alors que R est un oprateur linaire, auto-adjoint16 et positif17 sur L2 (D). Par consquent,
la thorie spectrale sapplique (Riesz et Nagy, 1955; Courant et Hilbert, 1953) et garantit que le problme de
maximisation (19) admet une solution gale la plus grande valeur propre du problme
R =
que lon peut reformuler comme une quation intgrale de Fredholm, soit :
nc Z
X
Rij (X, X )j (X )dX = i (X),
j=1
(20)
(21)
o nc est le nombre de composantes de u.
Les proprits des fonctions propres i (X) obtenues comme solutions de lquation de Fredholm (21) seront discutes la section 2.5.2. Ici, nous allons nous contenter de faire quelques remarques qui vont clairer
les contraintes lies la POD.
Z
Dans lquation (21), lintgrale
. dX est dfinie sur tout le domaine D considr. Par consquent, le
D
tenseur des corrlations en deux points Rij devra tre connu sur tout le domaine D. Le volume de donnes
correspondant peut alors devenir rapidement trs consquent (plusieurs giga octets ne sont pas rares) et il
est alors ncessaire de faire appel une procdure de compression de donnes pour rduire la taille du stockage (Cordier et Bergmann, 2002b, par exemple). Cela explique en grande partie quil a fallu attendre les
dveloppements importants des mthodes numriques et exprimentales qui se sont produits au dbut des
annes 90 pour voir un renouveau de lutilisation de la POD.
A titre de remarque, on peut constater que le problme de maximisation (19) revient encore maximiser
(R, )
sous la contrainte que kk2 = 1. Une condition ncessaire
le quotient de Rayleigh dfini par r() =
kk2
pour la solution est que le gradient du quotient de Rayleigh soit nul. Or, le gradient du quotient de Rayleigh
se calcule de la manire suivante :
r() =
2
T

et annuler celui-ci revient imposer la condition :
[R r()],
R = r().
Le quotient de Rayleigh r() correspond donc la valeur propre de loprateur R associe au vecteur
propre . On retrouve ainsi le problme aux valeurs propres (20).
16 i.e.
R = R o ladjoint de R, R est dfini par la relation :

(Ru, v) = u, R v quelles que soient u L2 (D) et v L2 (D).
17 i.e.
(Ru, u) 0 quelle que soit u L2 (D).
18
2.5.2
Proprits des fonctions de bases POD
A lexception de loptimalit de la POD qui est discute la section 2.5.3, les proprits principales des
fonctions propres POD sont successivement prsentes ici.
1. Dans un domaine dintgration born, la thorie de Hilbert-Schmidt (Riesz et Nagy, 1955) sapplique
et assure lexistence dune infinit dnombrable de solutions au problme (21). Lquation de Fredholm
possde donc un ensemble discret de solutions satisfaisant
nc Z
X
j=1
Rij (X, X ) jn (X ) dX = n in (X)
(22)
o n et in reprsentent respectivement les valeurs propres et les fonctions propres POD dordre
n = 1, 2, 3, , +. Chaque nouvelle fonction fonction propre est dtermine comme solution du
problme de maximisation (19) en imposant comme contrainte supplmentaire dtre orthogonale
toutes les fonctions propres trouves prcdemment. Ainsi, par construction, les fonctions propres sont
orthogonales mais, pour des raisons pratiques, elles sont gnralement choisies comme orthonormales
(voir proprit 4).
2. Loprateur R tant auto-adjoint et positif, toutes ses valeurs propres sont relles et positives. Quitte
les renumroter, on peut toujours les indexer par ordre dcroissant :
1 2 + 0.
Par ailleurs, ces valeurs propres forment une srie convergente :

+
X
n < +.
n=1
3. Les fonctions propres POD formant une base complte, toute ralisation u pourra tre reconstruite sur
cette base :
ui (X) =
+
X
an in (X).
n=1
4. Par construction, les fonctions propres POD n sont orthogonales deux deux. Toutefois, il est toujours
possible de leur imposer dtre orthonormales18 et de vrifier :
nc Z
X
i=1
im (X) i
n (X) dX = mn .
(24)
5. Les coefficients de projection de u sur , an , peuvent alors tre valus en utilisant lorthonormalit
des fonctions propres .
nc Z
X
an = (u, ) =
ui (X) i
n (X) dX.
i=1
6. La matrice des corrlations spatio-temporelle en deux points Rij peut se dcomposer en une srie
convergente et uniforme (Courant et Hilbert, 1953) :
Rij (X, X ) =
+
X
n in (X)j
n (X ).
n=1
Ce rsultat est connu sous le nom de thorme de Mercer.

18 Les
fonctions propres POD tant dtermines une constante multiplicative prt, il est quivalent dimposer
nc Z
X
im (X) i
n (X) dX = m mn
i=1
(23)
pour les fonctions propres im (X) et la condition han am i = mn pour les coefficients de projection an ou dimposer pour
les fonctions propres la condition dorthonormalit (24) et la condition dorthogonalit (25) pour les coefficients de projection.
Pour des raisons numriques, il est plus simple dimposer la condition (24) pour la POD classique, et la condition (23) pour la
mthode des snapshots (Rempfer et Fasel, 1994, par exemple).
2.5
19
7. Le thorme de Mercer, combin avec la reprsentation de u sur la base POD , et en tenant compte
de lorthonormalit des fonctions propres POD permet de montrer que les coefficients de projection an
sont non corrls entre eux et que leur moyenne quadratique est gale aux valeurs propres de la POD.
han am i = mn n .
(25)
La dmonstration de cette relation peut tre trouve dans Cordier et Bergmann (2002a, page 22).
8. Finalement, le thorme de Mercer et lorthonormalit des fonctions propres POD conduisent :
nc Z
X
i=1
Rii (X, X) dX =
+
X
n = E
(26)
n=1
Si les ralisations u reprsentent des champs de vitesse alors E correspond lnergie cintique turbulente intgre sur tout le domaine D. Chaque structure dordre (n) contribue donc de manire indpendante lnergie cintique turbulente. Lamplitude des valeurs propres n mesure limportance relative
des diffrents modes POD pour la reprsentation de lcoulement.
2.5.3
Optimalit de la base POD
Soient u(X) une fonction telle que u L2 (D) et ua une approximation de u, nous pouvons crire sur
une base orthonormale quelconque n (X), n = 1, 2, , + :
uai (X)
+
X
bn in (X).
n=1
Par ailleurs, soient {1 (X), 2 (X), , (X)}, un ensemble de fonctions propres POD orthonormales
et {1 , 2 , , } les valeurs propres associes, nous pouvons galement considrer lapproximation uP
i (X)
de u sur la base POD :
+
X
an in (X).
uP
i (X) =
n=1
Les quations (26) et (25) indiquent clairement que si les vecteurs de la base in (X) sont non dimensionns alors lexpression hbn bn i reprsente lnergie cintique moyenne comprise dans le nime mode. Le lemme
suivant, dont on peut trouver la preuve la page 23 de Cordier et Bergmann (2002b), tablit alors loptimalit
de lapproche POD.
Lemme Quelle que soit la valeur de N , nous avons le rsultat suivant :
N
X
n=1
han an i =
N
X
n=1
N
X
n=1
hbn bn i.
Par consquent, parmi toutes les dcompositions linaires, la POD est la plus efficace dans le sens o, pour
un nombre donn de modes POD N , la projection sur le sous-espace engendr par les N premires fonctions
propres POD contient en moyenne la plus grande quantit dnergie cintique possible.
2.5.4
Discussion sur la prcision du modle POD
La base POD tant optimale dun point de vue nergtique, cela suggre quun petit nombre de modes
not M peut tre suffisant pour obtenir une bonne reprsentation de nimporte quelle ralisation u. Il reste
alors dfinir un critre mathmatique permettant de qualifier quantitativement la notion qualititative voque plus haut.
Soit NP OD , le nombre de modes POD obtenus par rsolution de lquation de Fredholm (21), lerreur de
troncature, commise en ne retenant que les M premiers modes POD pour reprsenter une ralisation u, est
donne par :
(M ) = ku(X)
=k
NX
P OD
n=M +1
M
X
(u(X), n (X)) n (X)k2
n=1
(27)
2
(u(X), n (X)) n (X)k .
20
Pour dterminer la valeur de M , un critre possible est de minimiser lerreur (27). Cependant, en pratique,
ce critre nest jamais utilis et la dtermination
de M est plutt base sur des considrations heuristiques.
PM
En effet, lquation (26) indique que n=1 n correspond lnergie moyenne contenue dans les M premiers
modes de la POD. Par consquent, pour
la majorit de lnergie contenue dansPles NP ODPmodes de
PMcapturerP
M
NP OD
NP OD
la POD, il suffit de choisir M tel que n=1 n n=1
n . Par dfinition, le rapport n=1 n / n=1
n
est le pourcentage de lnergie cintique totale reprsente par les NP OD modes POD tre contenu dans les
M premiers modes de la POD. Pour un pourcentage dnergie prdfini P , la dimension M du sous-espace
engendr par les M premires fonctions propres POD peut tre dtermine telle que la condition
M
X
n=1
NX
P OD
E(M )
P
E(NP OD )
(28)
n=1
soit vrifie (Ravindran, 2000b; Fahl, 2000; Cordier et Bergmann, 2002b; Bergmann et al., 2005). Finalement,
le sous-espace POD contenant un pourcentage dnergie cintique turbulente suprieur P % de lnergie du
systme initial correspond {1 , 2 , . . . , M }.
Jusquici, seul laspect rduction de modle associ lapproximation dune ralisation quelconque par
les fonctions propres POD a t voqu. Or, loptimalit nergtique de la POD suggre galement quun
tout petit nombre de modes POD devrait suffir pour dcrire la dynamique du systme. Par consquent, il
semble raisonnable desprer construire, partir dune base de donnes issue de simulations numriques ou
dexpriences, un systme dynamique dordre faible par projection de Galerkin des quations dtat sur les
modes POD. Bien quil nexiste pas, lheure actuelle, de preuve de loptimalit de la base POD en terme
de modlisation de la dynamique, cette approche a dores et dj t utilis avec succs, que ce soit en
turbulence (Aubry et al., 1988; Ukeiley et al., 2001) ou pour des applications du contrle optimal au contrle
dcoulement (Ravindran, 1999, 2000a,b; Afanasiev et Hinze, 2001). Cette dernire application constituant le
point central des travaux raliss dans notre goupe, le lecteur pourra trouver une discussion plus complte
dans Bergmann et al. (2005); Bergmann et Cordier (2006).
2.6
Les diffrentes approches
A la section 2.5, la POD a t introduite dans un contexte trs gnral. En effet, seul le produit scalaire
avait t prcis19 et des questions aussi fondamentales pour la POD que le choix :
de la base de donnes,
du produit scalaire,
de loprateur de moyenne h.i : moyenne spatiale ou temporelle,
de la variable X : spatiale x = (x, y, z) ou temporelle t,
navaient pas t discutes. Lobjet de cette section est de mettre en vidence que diffrents types de dcomposition orthogonale peuvent tre obtenus en fonction, par exemple, du choix qui va tre ralis pour
loprateur de moyenne h.i, utilis pour valuer le noyau de lquation de Fredholm (21). Dans ce qui suit,
seules les deux mthodes les plus utilises en pratique i.e. la mthode classique ( 2.6.3) et la mthode des
snapshots ( 2.6.4) seront dcrites. Le lecteur pourra se reporter Aubry et al. (1991) pour une prsentation
de la gnralisation de ces deux mthodes : la dcomposition biorthogonale.
2.6.1
Choix des ralisations
Essentiellement, la POD est une mthode de compression dinformation. En tant que telle, une base POD
est incapable de reprsenter une information qui ntait pas contenue initialement dans la base de donnes
utilise pour la dterminer. Le choix des ralisations est donc cruciale, car cest le seul moyen existant, pour
introduire toute linformation qui sera ncessaire pour des applications futures de la base rduite POD (procdure doptimisation par exemple). Or, jusquaux travaux rcents20 de Gunzburger (2004) sur la "meilleure"
19 Pour mmoire, nous avions alors choisi le produit scalaire canonique sur L2 . Nous allons justifier ce choix dans la suite de
lexpos.
20 La mthode propose par Gunzburger (2004) se nomme CVOD pour CVT + POD. Elle constitue lheure actuelle, notre
connaissance, la seule approche systmatique et rationnelle, permettant de gnrer de manire "intelligente" les ralisations
utiliser pour construire les modes POD.
2.6
21
manire de retenir les ralisations de la base de donnes POD, la gnration des ralisations constituaient
plus un art quune vraie science. En particulier, nous sommes incapables daffirmer que lexcitation ad-hoc
utilise dans Bergmann et al. (2005) pour gnrer des fonctions POD gnralises est la meilleure que lon
ait pu choisir. Seule une justification a posteriori, en fonction des rsultats obtenus en utilisant ce systme
rduit dans la boucle doptimisation, peut tre donne.
De manire gnrale, ltat dun systme physique complexe, que lon cherche modliser ou optimiser,
dpend de paramtres comme sa gomtrie, ses paramtres de contrle, ses conditions initiale ou aux limites,
des coefficients caractristiques du milieu, ... Supposons maintenant que ces paramtres optimaux, en terme
de gnration des ralisations de la base POD, soient connus. Gnralement, ces ralisations proviennent
de simulations numriques ou dexpriences et, par consquent, elles saccompagnent dun certain niveau
dincertitude li aux bruits de mesure par exemple. Il est donc important dtudier les effets de ces erreurs,
assimilables des perturbations infinitsimales sur les rsutats obtenus par modle rduit. Cette question
fondamentale a rcemment t aborde de manire thorique par Rathinam et Petzold (2003). Ces auteurs
ont introduit le concept de facteur de sensibilit POD, qui mesure la sensibilit du rsultat de la projection
sur le sous-espace POD, en fonction des perturbations initiales des donnes. Malheureusement, ces travaux
ont montr que ce facteur de sensibilit tait pertinent prendre en compte dans certaines applications et
quil ne ltait pas dans dautres, sans pouvoir rellement conclure.
Une dernire difficult, lie au choix des ralisations, se traduit par linstabilit structurelle possible du
modle rduit construit par projection de Galerkin sur les modes POD. En effet, il est maintenant clairement
reconnu (Rempfer, 2000; Noack et al., 2003) quil est possible de construire des contre exemples analytiques
tels que le systme rduit construit par POD ne possde plus les proprits de stabilit du modle prcis dont
il est issu. Lopration de projection dans le sous-espace linaire POD associe la projection de Galerkin
nest donc pas transparente en terme de stabilit. Ce phnomne est encore mal compris et de nouveaux
travaux sattachant de manire spcifique ce problme seraient bnfiques. Dans cet ordre dide, citons
Prajna (2003) qui a rcemment propos une condition suffisante pour que le modle rduit de dynamique
POD conserve les proprits du modle prcis de dpart. Cependant, ce jour, aucune utilisation de ce critre
un problme de mcanique des fluides ou de turbulence na t ralise.
2.6.2
Choix du produit scalaire
Pour linstant, la Dcomposition Orthogonale aux valeurs Propres a t dcrite dans le contexte du produit
scalaire canonique sur L2 . Ce choix a t fait pour des raisons de simplicit, mais aussi, parce que cest le cas
gnral pour les applications en mcanique des fluides. Toutefois, comme on va le voir par la suite, il peut tre
intressant (pour des proprits de convergence, en particulier21 ) dutiliser dautres types de normes. Ainsi,
il sera possible de dfinir dautres notions doptimalit que la vision nergtique considre jusquici.
Produit scalaire sur L2 Soit L2 (), lespace de Hilbert des fonctions de carr intgrable valeurs complexes dans . Pour des fonctions vectorielles u et v, reprsentatives par exemple de champs de vitesse, le
produit scalaire sur L2 () est dfini de la manire suivante :
Z
(u, v) =
(u1 v1 + u2 v2 + u3 v3 ) dx,
(29)
o kuk = (u, u) est la norme associe.

Lnergie cintique associe lcoulement est proportionnelle kuk2 . Par consquent, L2 semble un
espace naturel pour les applications la mcanique des fluides car il correspond aux coulements dnergie
cintique finie. Pour cette raison, la norme L2 est la plus utilise en pratique pour dfinir la POD.
Produit scalaire sur H 1 Lintrt dintroduire un produit scalaire sur lespace de Sobolev22 H 1 () a t
mis en vidence par Iollo (1997), qui a montr quun modle rduit de dynamique construit par projection des
quations dEuler sur une base POD pouvait tre instable, lorsque le produit scalaire classique sur L2 avait
21 Mentionnons comme autre circonstance, le cas des coulements compressibles tudis par Rowley (2002) o il est ncessaire
dintroduire un produit scalaire particulier pour tenir compte du fait quen coulement compressible, les variables de vitesse
u = (u, v, w) et les variables thermodynamiques (densit, pression, enthalpie) sont dynamiquement couples (voir Cordier et
Bergmann, 2002b, page 29).
22 Lespace H 1 () est constitu des fonctions qui appartiennent L2 () ainsi que leurs drives premires.
22
t utilis. Iollo et al. (1998) proposrent alors une manire damliorer la stabilit numrique des modles
rduits construit par POD, en redfinissant le produit scalaire utilis pour introduire la POD comme
Z
Z
(u, v) =
u v dx +
(u v) dx,
(30)
o est un paramtre numrique introduit pour tenir compte de diffrentes mtriques. Des expriences
numriques ont conclu quune formulation en norme H 1 de la POD amliorait de manire importante le
comportement dun modle rduit. Bien que lutilisation de cette norme semble bnfique pour amliorer la
robustesse du modle rduit de dynamique construit par POD, cette approche a reu bien peu dattention
dans la littrature.
2.6.3
Mthode classique
Cette approche correspond celle introduite par Lumley (1967). Dans ce cas, la moyenne hi est temporelle :
Z
1
dt
hi =
T T
et elle est value laide dune moyenne densemble en invoquant des hypothses de stationnarit et dergodicit. La variable X, quant elle, est assimile la variable spatiale x = (x, y, z) dfinie sur tout le domaine .
La figure 9 dcrit de manire schmatique le principe de la POD classique.
Temps
te
m
po
re
lle
M
oy
en
ne
n
tio
la
r
or
C
11
00
0000000
001111111
11
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
0000000
1111111
00
11
0000000
1111111
00
11
Espace
Figure 9 Reprsentation schmatique de la POD classique.

Le problme aux valeurs propres correspondant se dduit facilement de lquation (22) en remplaant le
domaine dintgration D par et la variable X par x. Lquation intgrale de Fredholm rsoudre est donc :
nc Z
X
Rij (x, x ) jn (x ) dx = n in (x)
(31)
j=1
o Rij (x, x ) est le tenseur des corrlations spatiales en deux points dfini par :
Z
NX
P OD
1
n in (x)j
ui (x, t)uj (x , t) d t =
Rij (x, x ) =
n (x )
T T
n=1
o T est une priode de temps suffisamment longue sur laquelle les ralisations u(x, t) sont connues. Dans
cette approche, les fonctions propres sont purement spatiales.
2.6
23
Discussion sur la taille du problme aux valeurs propres. Soit Nx le nombre de points de lespace
o sont connues les ralisations utilises pour dterminer la base POD et nc le nombre de composantes
vectorielles de u alors NP OD = Nx nc . Si lon considre que les ralisations contenues dans la base de
donnes utilise pour rsoudre la POD ont t dtermines partir dune simulation numrique dtaille dun
coulement ou mesure par Vlocimtrie Images de Particules (Particle Image Velocimetry ou PIV) alors
ce nombre de points de grille Nx peut rapidement devenir trs important23 . La taille du problme POD
rsoudre numriquement est alors telle que les algorithmes classiques de calcul des valeurs propres ne sont
plus assez performants pour assurer une bonne prcision numrique aux rsultats. Dans ces conditions, il
est parfois ncessaire dutiliser des librairies numriques ddies aux problmes de grande taille comme la
librairie ARPACK24 .
Or, puisque la POD est une gnralisation de lanalyse de Fourier aux directions inhomognes (Cordier et
Bergmann, 2002a, 6), une manire dviter dtre face un problme aux valeurs propres de grande taille,
consiste dcomposr les directions de lcoulement en directions homognes (pour lesquelles, on appliquera
la dcomposition de Fourier) et en directions inhomognes (pour lesquelles, on appliquera la POD). Cette
approche est gnralement utilise dans les tudes exprimentales (Delville et al., 1999; Ukeiley et al., 2001,
par exemple) afin de simplifier la rsolution numrique du problme POD.
Enfin, considrons que le nombre de ralisations temporelles ncessaire pour dcrire lcoulement est gal
Nt o Nt Nx . Dans ces conditions, mme si le problme aux valeurs propres peut tre rsolu de manire
prcise, beaucoup de temps de calcul peut tre conomis en cherchant rsoudre uniquement un problme
de taille Nt . Cette remarque est au cur de la mthode des snapshots prsente la section suivante.
2.6.4
Mthodes des snapshots
La mthode des snapshots, imagin par Sirovich (1987a,b,c), est lexacte symtrique de la POD classique.
Loprateur de moyenne correspond alors une moyenne spatiale value sur tout le domaine :
Z
hi =
dx
et la variable X est assimile t.
La mthode des snapshots est reprsente de manire schmatique sur la figure 10.
Temps
Espace
Co
rr
la
tio
n
1
0
0
1
1
0
0
1
1
0
0
1
11
00
00
11
X
Moyenne spatiale
Figure 10 Reprsentation schmatique de la mthode des snapshots.
23 On
rappelle que dans le cas de la simulation numrique par DNS utilise par Bewley et al. (2001) pour contrler par contrle
optimal un coulement de canal, ce nombre de points de grille tait gal 108 .
24 http ://www.caam.rice.edu/software/ARPACK
24
Lide, la base de la mthode, est de considrer que les fonctions propres spatiales (x) peuvent scrire
comme combinaison linaire des ralisations u(x, tk ) contenues dans la base de donnes, soit :
(x) =
Nt
X
a(tk )u(x, tk ).
(32)
k=1
On recherche alors les coefficients a(tk ), k = 1, , Nt tels que les fonctions propres soient solutions de
lquation (31). Aprs quelques dveloppements dtaills dans Cordier et Bergmann (2002a), on trouve que,
dans ce cas, le problme aux valeurs propres rsoudre est donn par :
Z
C(t, t )an (t ) dt = n an (t)
(33)
T
o C(t, t ) est le tenseur des corrlations temporelles dfini25 comme :

1
C(t, t ) =
T
NP OD
1 X
an (t)an (t ).
ui (x, t)ui (x, t ) dx =
T n=1
Les caractristiques principales de la mthode des snapshots sont les suivantes :

1. Les fonctions propres ne dpendent que du temps.
2. Les corrlations croises napparaissent pas dans le noyau du problme.
3. Il nest pas ncessaire de faire appel une hypothse dhomognit pour ventuellement diminuer la
taille du problme aux valeurs propres.
4. Les ralisations sont supposes linairement indpendantes.
5. La taille du problme aux valeurs propres (33) est gale NP OD = Nt . Par consquent, comme cela a
dj t mentionn la section 2.6.3, la mthode des snapshots permet de rduire de manire considrable le cot numrique associ la rsolution du problme POD, lorsque Nx , le nombre de points en
espace est bien plus grand que Nt , le nombre dchantillons temporels. Pour cette raison, chaque fois
que cette condition sera vrifie, la mthode des snapshots sera prfre.
2.6.5
Proprits communes des deux approches POD
Proprits gnrales Quelle que soit la mthode particulire utilise pour dterminer les fonctions propres
POD spatiales et temporelles, celles-ci vrifient les proprits suivantes :
1. Toute ralisation ui (x, t) peut se dcomposer sur la base des fonctions orthogonales in (x) comme
ui (x, t) =
NX
P OD
an (t)in (x)
n=1
avec des coefficients temporels an (t) non corrls entre eux.

2. On impose26 aux fonctions propres spatiales n (x) de former une famille orthonormale :
Z
n (x) m (x) dx = nm ,
et par voie de consquences,

3. les modes propres temporels an (t) forment une famille orthogonale :
Z
1
an (t)am (t) dt = n nm .
T T
25 Dans
cette dfinition, la sommation sur lindice i est implicite.

rappelle que le choix de faire porter lorthonormalit sur les fonctions propres spatiales ou sur les fonctions propres
temporelles est plutt arbitraire ( 2.5.2, point 4).
26 On
3 Modles dOrdre Rduit bass sur la POD (POD ROM)
25
Incompressibilit et conditions aux limites Les fonctions propres spatiales in (x) peuvent tre calcules partir des ralisations ui (x, t) et des coefficients de projection an (t) par la relation (Sirovich, 1987a) :
Z
1
i
n (x) =
ui (x, t)an (t) dt.
(34)
T n T
Les fonctions propres spatiales scrivent donc comme combinaison linaire de champs de vitesse instantane. Par consquent, toutes les proprits pouvant scrire en fonction des ralisations u comme des quations
linaires et homognes passeront directement aux fonctions propres spatiales. Par exemple, si les ralisations
u correspondent un coulement incompressible alors les fonctions propres POD vrifieront elles-mmes la
condition dincompressibilit :
u = 0 = n = 0 n = 1, , NP OD .
De mme, si les ralisations u vrifient des conditions aux limites de Dirichlet homognes alors les fonctions
propres POD vrifieront le mme type de conditions.
2.6.6
Mthode des snapshots ou POD classique ?
Puisque deux approches POD diffrentes existent, il est lgitime de se demander comment choisir au cas
par cas la mthode la plus performante ? Comme on va le voir par la suite, la rponse dpend essentiellement
du type de donnes accessibles pour valuer le noyau du problme POD.
Dun ct, les donnes issues de simulations numriques quelles soient directes ou aux grandes chelles,
sont souvent trs bien rsolues en espace et en temps. Cependant, en raison du cot de calcul souvent important, seul un petit chantillon temporel est disponible. De mme, si une bonne rsolution spatiale est obtenue
par vlocimtrie par images de particules, la rsolution temporelle est souvent faible. Ces deux configurations, caractrises par une histoire temporelle limite et par une rsolution spatiale leve, correspondent
des situations pour lesquelles le tenseur des corrlations temporelles C(t, t ) est statistiquement bien converg.
De lautre ct, les techniques anmomtriques fils chauds ou Laser Doppler fournissent une description
temporelle bien rsolue et des chantillons temporels trs longs mais saccompagnent dune description spatiale trs limite. Dans ces conditions, cest le tenseur des corrlations spatiales en deux points Rij (x, x ) qui
est alors bien converg statistiquement.
En conclusion, les donnes issues dapproches exprimentales seront gnralement27 traites par la mthode classique et les donnes provenant dapproches numriques par la mthode des snapshots.
3
3.1
3.1.1
Modles dOrdre Rduit bass sur la POD (POD ROM)

Introduction
Motivations
Lobjectif de cette section est de dmontrer que la dynamique non linaire des coulements peut tre modlise de manire fiable par lintermdiaire de modles rduits bass sur des fonctions POD (Proper Orthogonal
Decomposition Reduced Order Model ou POD ROM). Comme il a dj t mentionn dans lintroduction,
dans un problme de simulation numrique ou doptimisation en mcanique des fluides, les systmes matriciels
obtenus aprs discrtisation spatiale sont gnralement de grande taille. La rsolution numrique dun seul
systme dtat est donc souvent coteuse en temps CPU et en occupation mmoire. Or, les procdures doptimisation tant souvent itratives, il est ncessaire de rsoudre les quations dtat un grand nombre de fois,
ce qui reprsente au final la majeure partie des temps de calcul. Afin de dvelopper des stratgies de contrle
optimale appropries aux coulements de fluides visqueux et incompressibles, et en particulier au contexte
temps rel ncessit par le contrle actif en boucle ferm, il est ncessaire de dterminer des modles dordre
rduit susceptibles dapproximer les modles discrtiss dordre lev au cours du processus doptimisation.
Un grand nombre de bases peut tre utilis pour rduire lordre des modles, citons les bases de Lagrange,
dHermite, de Taylor, de Krylov (Willcox, 2000), les bases POD et leurs diffrents avatars ("Balanced POD"
27 Cependant,
une exception correspond au cas de donnes obtenues par vlocimtrie par images de particules.
26
propos par Rowley, 2004, par exemple), ... Pour une revue complte des bases pouvant tre utilises, le
lecteur pourra se rfrer Ito et Ravindran (1998). Dans ces notes, nous avons fait le choix dutiliser pour
base rduite dapproximation, une base dtermine par POD, en raison de son optimalit de convergence
nergtique. Plus prcisment, nous avons retenu la mthode des snapshots (section 2.6.4) car elle est de
loin la mthode la plus utilise actuellement en mcanique des fluides. Des exemples de modles rduits de
dynamique construits partir de la mthode classique de la POD pourront tre trouvs dans Aubry et al.
(1988) et Ukeiley et al. (2001).
A la section 2, il a t dmontr que les fonctions propres POD formaient une base complte de fonctions
orthonormales, cest dire que chaque ralisation spatio-temporelle u(x, t) pouvait se dcomposer sur cette
base de la manire suivante :
u(x, t) =
NX
P OD
an (t)n (x),
(35)
n=1
avec
an (t) = (u(x, t), n (x)) =
u(x, t) n (x) dx,
(36)
o n (x) sont les fonctions propres spatiales POD et NP OD , le nombre total de modes POD.
Une mthode classique de construction dun systme dynamique dordre rduit pour les coefficients temporels an (t), consiste utiliser une projection de Galerkin des quations dtat sur la base POD. Cette
mthode de Galerkin, qui sera dcrite la section 3.2, permet dobtenir, partir dun ensemble de ralisations u(x, t) issu par exemple dune configuration non contrle de lcoulement, un modle dordre rduit des
quations de Navier-Stokes, capable de reprsenter la dynamique de la configuration de dpart. Cependant,
il nexiste aucune garantie que le modle rduit ainsi construit soit efficace pour modliser une dynamique
dcoulement, ventuellement altre par application du contrle. Cette question essentielle est aborde dans
la section suivante.
3.1.2
Utilisation de modles dordre rduit en optimisation
Reprsentativit des modles rduits POD Les gains attendus par les approches par rduction de
modle reposent sur lhypothse quune rduction est a priori possible. Or, dun point de vue de la thorie
de linformation, la POD sinterprte comme une mthode qui supprime linformation redondante contenue
dans lensemble des ralisations de la base de donnes utilise pour construire la base POD. Par consquent,
si toutes les ralisations de la base sont prises linairement indpendantes, alors il ny a aucun espoir de
rduction28 de modles, les lments de lespace VP OD , lespace vectoriel engendr par les fonctions propres
POD, tant confondus avec les ralisations de la base de donnes. La base POD est donc incapable de
reprsenter une information qui ntait pas contenue initialement dans la base de donnes utilise pour la
dterminer. A moins de prendre des prcautions particulires, il est donc fortement improbable desprer
utiliser une base POD dtermine pour un coulement non contrl, pour rechercher rsoudre un problme
de contrle dcoulement. Effectivement, Prabhu et al. (2001) ont mis numriquement en vidence pour un
coulement de canal, que la base POD, attache une configuration contrle de lcoulement, tait fortement
altre en comparaison avec la base POD de lcoulement non contrl. Cela interdisait mme tout espoir
dutiliser la base POD, dtermine en coulement non contrl, pour dterminer une stratgie de contrle.
Une condition, ncessaire (mais pas suffisante), dutilisation de modles rduits construits par POD en
contrle dcoulements repose donc sur la gnration dune "bonne" base de donnes. Idalement, on aimerait
construire une base de donnes qui contienne toute linformation ncessaire la rsolution ultrieure dun
problme doptimisation par modle rduit. A dfaut, on souhaiterait que cette base de donnes contienne
autant dinformation que possible. Mais le problme nest pas simple. Pour sen convaincre, considrons un
problme doptimisation quelconque pos dans lespace des paramtres (figure 11(a)). En supposant connu le
chemin qui mne loptimum avec le modle prcis, la construction de la base de donnes POD serait facile
raliser, il suffirait pour cela de considrer des ralisations de lespace des paramtres situes "suffisamment
proches" du chemin vers loptimum (figure 11(b)). Chacun des tats successifs du processus doptimisation
28 Le seul critre notre disposition pour tester si une rduction de modle est envisageable est un critre a posteriori sur la
vitesse de dcroissance des valeurs propres. Plus elle est rapide, et plus il y aura dinformations redondantes dans la base de
donnes. Ce point est naturellement relier avec la vitesse de dcroissance des valeurs singulires.
3.1
Introduction
27
pouvant alors tre dcrits par la base rduite, il existerait des garanties importantes pour que le modle rduit
construit sur VP OD soit utilisable pour dterminer loptimum. Gunzburger (2000) explique dailleurs de cette
manire les succs rencontrs jusqualors par lutilisation de modles rduits de dynamique pour optimiser des
coulements. La difficult pratique est que ce chemin nest naturellement pas connu. Sans autre information
sur le systme optimiser (et en particulier sur la valeur des paramtres optimaux que lon recherche), il
y a de forte probabilit quen prenant "au hasard" les ralisations de la base de donnes, celles-ci ne soient
daucune utilit pour rsoudre le processus doptimisation (figures 11(c) et 11(d)).
(a) Configuration gnrale.
(b) Echantillonnage idal.
(c) Echantillonnage inadapt.
(d) Echantillonnage inadapt.
Figure 11 Reprsentation schmatique dun problme doptimisation dans lespace des paramtres de
contrle. chemin doptimisation, conditions initiale et terminale du processus doptimisation,
ralisation utilise pour la base de donnes.
Dans ces conditions, comment procder pour choisir "au mieux" les ralisations utiliser pour construire
la base POD ? A lheure actuelle, il nexiste pour ainsi dire pas29 de mthode systmatique, rationnelle et
efficace pour gnrer ces ralisations. Une manire de procder consiste exciter lcoulement de manire adhoc afin de construire des ralisations qui possdent la dynamique la plus "riche" possible. Cette mthode a
t mise en uvre avec un certain succs dans Bergmann et al. (2005). Linconvnient est que la construction
de la base de donnes ne repose sur aucune base thorique srieuse. En particulier, il nexiste aucune assurance
mathmatique que la solution optimale obtenue partir du modle rduit POD corresponde celle que lon
aurait dtermine en utilisant les quations de Navier-Stokes comme systme dtat. Pour cela, on qualifie
la solution de sous-optimale. Une autre mthode consiste utiliser une mthode adaptative par laquelle
on construit pas pas la solution optimale dans lespace des paramtres de contrle (figure 12). Ainsi, les
contraintes sur la dtermination des ralisations ne sont plus aussi fortes que prcdemment car chaque base
rduite ne doit plus reprsenter quune zone limite de lespace des paramtres. Linconvnient est quil faut
alors dterminer le moment o la base rduite nest plus en mesure de reprsenter correctement le modle
29 Une mthode couplant la POD et une approche par Centroidal Vorono Tessallation a rcemment t propose par Gunzburger (Burkardt et al., 2004) pour dterminer de manire "intelligente" les ralisations introduire dans la base de donnes
POD. Cette mthode ncessite encore des investigations complmentaires, en particulier en mcanique des fluides.
28
prcis. Ce point est discute au paragraphe suivant.
0000000
1111111
0000000
1111111
0000000
1111111
11111111111
00000000000
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
0000000
1111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
111111111
000000000
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
Figure 12 Reprsentation schmatique de loptimisation par mthode adaptative et rgion de confiance.
Mthode adaptative et POD La figure 13 reprsente schmatiquement les principes dutilisation de modles simplifis dans des mthodes doptimisation. Afin de ractualiser la base POD, qui nest peut tre plus
adapte pour reprsenter une dynamique contrle particulire, il est possible davoir ventuellement recours
au modle dtaill au cours du processus doptimisation du modle simplifi. Lalgorithme modle peut donc
snoncer de la manire suivante :
Choix dune loi de contrle initiale
1. Rsolution des quations de Navier-Stokes avec la dernire loi de contrle, extraction dun ensemble de
ralisations de lcoulement et valuation de la fonction objectif.
2. Si un critre de convergence donn est satisfait, lalgorithme est arrt, sinon on va ltape 3.
3. Dtermination dune base POD et construction dun modle rduit.
4. Dtermination dune nouvelle loi de contrle, non ncessairement optimale, aprs quelques itrations
du processus doptimisation utilisant le modle rduit, puis retour ltape 1.
Le point faible de cet algorithme est ltape 4. En effet, tel quil a t formul, aucun critre nest impos pour dcider du moment o il devient ncessaire de retourner au modle dtaill du problme (ici les
quations de Navier-Stokes) pour reconstruire un modle rduit de dynamique. En dpis de ces remarques,
Ravindran (2000a) a mis en uvre avec succs cet algorithme dans le cas dune marche descendante, russissant amliorer la reprsentativit des modles rduits au cours du processus doptimisation. Cependant, le
mme algorithme, utilis dans le cas du sillage laminaire dun cylindre circulaire, na pas permis de converger (Bergmann et Cordier, 2006). Afin de rendre ce type dalgorithme plus robuste, cest dire de sassurer
que la solution obtenue par optimisation du modle rduit converge au moins vers un minimum local du problme prcis (convergence globale), Alexandrov et al. (1997) proposent dutiliser des algorithmes rgions de
confiance (Conn et al., 2000) afin destimer quel moment il est ncessaire davoir recours au modle dtaill.
En effet, les mthodes rgions de confiance donnent une mesure de lvolution de lobjectif rel, associ au
modle dtaill, par rapport lvolution dun objectif modle, correspondant au modle rduit. Cette mesure
permet dvaluer lefficacit du modle rduit dans le processus doptimisation. Lorsque ce modle nest plus
suffisamment efficace, il sera automatiquement amlior en ayant recours au modle dtaill. Un algorithme
couplant rgions de confiance et modle rduit (Trust Region Proper Orthogonal Decomposition, TRPOD)
introduit par Fahl (2000), a t utilis avec succs dans le cas du sillage dun cylindre circulaire (Bergmann
et Cordier, 2006). Les rsultats feront dailleurs lobjet dune prsentation en sminaire.
Le reste de la section est organis de la manire suivante. Dans un premier temps, la projection de Galerkin
est introduite, en insistant tout particulirement sur la prise en compte des conditions aux limites ( 3.2).
Ensuite, cette mthode est applique lcoulement de sillage dun cylindre circulaire ( 3.3), en considrant
3.2
Projection de Galerkin
29
initialisations
Recours ventuels au modle dtaill

modle prcis
f (c), f (c)
a(c), a(c)
optimisation
modle simplifi POD

c
Optimisation du modle simplifi
Figure 13 Algorithme doptimisation bas sur des modles rduits.
une projection sur la base des fonctions propres POD (approche dite POD-Galerkin). Un modle dordre
rduit de dynamique non contrle, sera tout dabord construit, puis, la mthode dite de la fonction de
contrle sera introduite (Graham et al., 1999a), permettant ainsi de faire intervenir explicitement dans le
modle rduit la loi de contrle. Pour rduire lordre du modle POD, les modes POD dindice suprieur un
certain seuil sont alors ngligs. Une mthode de calibration permettant de modliser les interactions entre
les modes calculs par POD ROM et les modes non pris en compte dans le systme rduit est finalement
prsente, avec pour objectif damliorer la reprsentativit dynamique du modle rduit ( 3.4).
3.2
Aprs avoir prsent trs brivement quelques gnralits sur la projection de Galerkin ( 3.2.1), nous
nous attacherons appliquer ce type de mthode aux fonctions propres POD ( 3.2.2). Enfin, la prise en
compte des conditions aux limites sera aborde ( 3.2.3).
3.2.1
Gnralits
La projection de Galerkin est un cas particulier des mthodes rsidus pondrs. Ces mthodes sont gnralement utilises pour rsoudre des systmes dquations diffrentielles ordinaires ou aux drives partielles
ou encore des quations intgrales. Par exemple, considrons lquation
L(u) = 0,
(37)
o L est un oprateur diffrentiel et u(x) le champ scalaire inconnu dfini sur un domaine . On cherche
une approximation, u
e, de la solution exacte, u. Le rsidu de lquation (37) est dfini par
r(e
u) = L(e
u) 6= 0.
(38)
La meilleure approximation possible pour u correspond celle qui rduit au minimum le rsidu r pondr
par wj , fonctions quelconques, dites fonctions de pondration ou encore fonctions test, et cela de manire
intgrale sur tout le domaine . La mthode des rsidus pondrs consiste donc annuler le rsidu pondr
Rj , dfini ainsi :
30
Rj =
wj r d = 0,
j = 1, , n.
(39)
Dans la mthode de Galerkin, les fonctions de poids sont choisis identiques aux fonctions de base utilises
dans le dveloppement de la solution approche. Par consquent, si u
e est approxime par
u
e(x) =
i i (x)
(40)
i=1
o i (x) sont les fonctions de base et i les coefficients dterminer, alors les fonctions de poids sont telles
que wj = j (x), j = 1, , +. Le fait que u appartienne un espace vectoriel de dimension infinie est
une difficult pratique. Ltape de discrtisation de la mthode de Galerkin consiste tronquer la somme
intervenant dans lquation (40) un indice fini, not imax , transformant ainsi le problme en dimension
finie. Par consquent, lquation (39) devient :
Z
j (x) L(e
u) d = 0
j = 1, , imax
(41)
soit encore, en utilisant un produit scalaire homogne celui considr dans lquation (36) :
iX
max
L(
i=1
i i (x)), j
j = 1, , imax .
=0
(42)
Finalement, la projection de Galerkin revient imposer aux imax produits scalaires dfinis par lquation (42) de sannuler.
Pour quune telle mthode fonctionne (Rempfer, 1996), les deux conditions suivantes doivent tre vrifies :
1. les fonctions de base i (x) doivent former un espace complet et, pour des raisons pratiques qui deviendront videntes la section suivante, il est prfrable que celles-ci forment une base orthonorme.
2. les fonctions de base doivent satisfaire les conditions aux limites du problme.
3.2.2
Modles dordre faible bass sur la POD
En raison de leurs proprits ( 2.5.2), les fonctions de base POD, (x), sont bien appropries pour tre
utilises dans une projection de Galerkin.
Considrons les quations de Navier-Stokes crites pour un fluide incompressible tudi dans un domaine
:
u
= F (u)
t
(43)
o F est un oprateur diffrentiel spatial, u = u(x, t), x et t 0. A ces quations sont ajoutes des
conditions initiales u(x, t = 0) = u0 (x) et des conditions aux limites. En mcanique des fluides, ces quations
peuvent tre utilises dans le cadre dun problme de contrle (instationnaire) de paroi. Supposons que les
frontires du domaine peuvent se dcomposer en des frontires c sur lesquelles le contrle est appliqu
et des frontires \ c non contrles. Les conditions aux limites scrivent alors :
u(x, t) = (t)c(x)
pour x c ,
u(x, t) = g(x) pour x \ c .
(44a)
(44b)
Dans ces quations, (t) peut tre interprt comme la variation temporelle de la fonction spatiale c(x)
sur c . Cette loi de contrle (t) peut par exemple correspondre un cas de soufflage-aspiration sur une
partie dune aile davion pour un profil de vitesse c(x) identique celui reprsent sur la figure 14.
3.2
31
c(x)
\ c
Figure 14 Reprsentation de la fonction spatiale c(x) associe aux conditions aux limites instationnaires
contrles (c(x) 6= 0 sur c et c(x) 0 sur \ c ).
Le champ vectoriel u peut tre projet sur lespace de dimension Ngal dfini par les vecteurs propres POD
i , correspondant aux modes les plus nergtiques de lcoulement30 :
Ngal
u(x, t) =
ai (t)i (x).
(45)
i=1
En introduisant lexpression (45) de u dans lquation (43), on obtient :
Ngal
Ngal
X dai
X
ai (t)i (x) .
i (x) = F
dt
i=1
i=1
Les fonctions i formant une base, la relation prcdente se rcrit :

Ngal
X dai
X

i (x) =
Fj a1 , a2 , , aNgal j (x).
dt
i=1
j
(46)
Compte tenu de lorthonormalit des fonctions propres POD, une projection de Galerkin des quations (46)
sur la base n donne :

dan (t)
= Fn a1 , a2 , , aNgal , n = 1, , Ngal .
(47)
dt
Loprateur F reprsentant les termes convectifs et diffusifs des quations de Navier-Stokes, loprateur
F fait en gnral intervenir des combinaisons linaires et quadratiques des coefficients temporels an (t).
a0n
Pour que le systme (47) soit bien pos, on lui ajoute des conditions initiales an (t = 0) = a0n avec
= (u0 (x), n (x)).
En rsum, nous avons montr quen ralisant une projection de Galerkin sur les fonctions de base POD,
les quations de Navier-Stokes pouvaient tre approches par un systme dynamique dordre rduit (nonlinaire), reprsent mathmatiquement par des Equations Diffrentielles Ordinaires (EDOs).
3.2.3
Conditions aux limites
A la section 2, nous avons montr que les fonctions de base POD n peuvent scrire de manire linaire
en fonction des ralisations u(x, t). Plus prcisment, on a
Z
1
u(x, t)an (t) dt,
(48)
n (x) =
T n T
o n reprsente les valeurs propres de la matrice de corrlation temporelle.
30 On
verra la section 3.2.3 que dautres dcompositions du champ de vitesse sont envisageables.
32
La relation (48) montre que les fonctions de base n hritent des proprits qui peuvent scrire de manire
linaire et homogne en fonction des champs de vitesse u. En particulier, si les quations de Navier-Stokes
sont rsolues sur un domaine muni de conditions aux limites homognes, i.e. u(x, t) = 0, alors les fonctions de
base POD vrifient galement des conditions aux limites homognes. Dans ce cas, la dcomposition suivante,
ralise sur les Ngal premiers modes POD, peut tre utilise :
Ngal
e (x, t) =
u
ai (t)i (x),
i=1
e est une approximation de Galerkin de la solution exacte u des quations de Navier-Stokes.

o u
Si maintenant les quations de Navier-Stokes sont munies de conditions aux limites non-homognes pour
les vitesses, i.e. u(x, t) 6= 0 sur certaines frontires du domaine de calcul, alors les fonctions de base POD ne
peuvent plus tre utilises dans la projection de Galerkin comme le montre lquation (48). Il devient alors
ncessaire de transformer le problme initial muni de conditions aux limites non-homognes en un problme
muni de conditions aux limites homognes.
Si les conditions aux limites sont indpendantes du temps, i.e. si u(x, t) = f (x), Sirovich (1987a) propose
de calculer une base POD associe aux fluctuations des champs de vitesse autour de la moyenne temporelle um (x). Les fonctions de base POD sont alors estimes laide des donnes modifies {u(x, t1 )
um (x), , u(x, tNt )um (x)} o Nt est le nombre de ralisations disponibles. Par construction, les champs
um (x) et donc u(x, t) um (x) sont divergence nulle. Le champ moyen um (x) vrifie les conditions aux limites non-homognes du problme et donc, le champ uP OD (x, t) = u(x, t)um (x) vrifie, lui, des conditions
aux limites homognes.
En rsum, la base POD peut tre dtermine dans le cas de conditions aux limites non-homognes et
indpendantes du temps par la dcomposition suivante :
Ngal
u(x, t) = um (x) +
ai (t)i (x).
(49)
i=1
Cette relation peut scrire de manire condense

Ngal
X
i=1
en posant
gal
eN
(x, t),
ai (t)i (x) = u
s
gal
eN
(x, t) = u(x, t) um (x),
u
s
la dcomposition du champ de vitesse sur Ngal modes propres POD dans le cas dun systme non contrl.
Les conditions aux limites non-homognes peuvent galement dpendre du temps, i.e. u(x, t) = f (x, t).
Ce cas est trs courant dans des problmes de contrle instationnaire avec contrle frontire par exemple.
Afin de rendre les conditions aux limites homognes, Graham et al. (1999a,b), Ravindran (2000a,b) et Fahl
(2000) proposent la mthode de la fonction de contrle, qui consiste utiliser la dcomposition suivante :
Ngal
u(x, t) = um (x) + (t)uc (x) +
ai (t)i (x).
i=1
Cette relation peut galement scrire de faon condense

Ngal
X
i=1
en posant
gal
eN
ai (t)i (x) = u
(x, t),
c
gal
eN
u
(x, t) = u(x, t) um (x) (t)uc (x),
c
(50)
3.3
Application au cylindre
33
la dcomposition du champ de vitesse sur Ngal modes propres POD dans le cas dun systme contrl.
Ici uc (x) est un champ de vitesse de rfrence traduisant de quelle manire le contrle (t)uc (x) affecte
lcoulement. Le champ uc (x) correspond aux conditions aux limites suivantes (voir figure 14) :
c(x) sur c ,
0 sur \ c .
gal
eN
Ainsi, le champ u
(x, t) = u(x, t) um (x) (t)uc (x) vrifie des conditions aux limites homognes.
c
Par dfinition, les fonctions de base POD vrifient alors des conditions aux limites homognes et peuvent
donc tre utilises dans une projection de Galerkin.
3.3
Dans cette section, la mthode des snapshots dcrite au paragraphe 2.6.4, va tre mise en uvre afin
dextraire les modes nergtiques dominants, correspondant lcoulement autour dun cylindre circulaire
pour un nombre de Reynolds gal 200 (voir figure 15). Les modes les plus nergtiques seront alors utiliss
pour dterminer un modle dynamique dordre rduit, par projection de Galerkin du systme de Navier-Stokes
sur ces modes.
sup
y
e
111
000
000
111
000
111
(t)
U
s
x
c
D = 2R
inf
Figure 15 coulement de sillage autour dun cylindre circulaire. Configuration gnrique dun coulement
massivement dcoll. Paramtre de contrle (t) = UR .
Afin de simplifier le problme, on sattachera gnrer, dans un premier temps ( 3.3.1), un modle
dordre rduit pour lcoulement autour dun cylindre non contrl ( = 0). Les conditions aux limites seront
alors non homognes, mais stationnaires. Ensuite, on considrera le cas de lcoulement manipul par une loi
sinusodale ((t) = A sin (2 Stf t)) o A et Stf sont respectivement lamplitude et le nombre de Strouhal de
forage de lcoulement. Les conditions aux limites non homognes et instationnaires, seront alors incorpors
dans le modle laide de la mthode de la fonction de contrle ( 3.3.2).
3.3.1
POD du cylindre stationnaire
Dtermination des fonctions de base POD Afin de dterminer les fonctions de base POD dans le cas
gal
eN
du cylindre stationnaire, la dcomposition (49) est utilise. En dfinissant u
(x, ti ) = u(x, ti ) um (x),
s
le calcul des fonctions de base seffectue en plusieurs tapes :
34
1. Calcul du champs moyen um (x) obtenu sur lensemble des ralisations {u(x, ti )}i=1,..., Nt :
um (x) =
Nt
1 X
u(x, ti ).
Nt i=1
2. Calcul de la matrice de corrlations temporelles C de composantes cij :

Z
gal
gal
eN
eN
cij =
u
(x, ti ) u
(x, tj ) dx.
s
s
3. Calcul des valeurs propres 1 , , Nt et des vecteurs propres temporels31 1 , , Nt de la matrice

C.
4. Calcul des fonctions POD spatiales i par combinaison linaire des vecteurs propres temporels i et
gal
eN
:
des ralisations u
s
Nt
X
gal
eN
i (tj ) u
(x, tj ).
i (x) =
s
j=1
5. Normalisation des fonctions de base :
i =
i
.
ki k
Les valeurs propres i , i = 1, . . . , 20, obtenues en appliquant cet algorithme un jeu de 305 ralisations rparties uniformment sur trois priodes de Von Krmn (environ T = 15, 2) sont reprsentes sur la figure 16.
On constate que ces valeurs propres, traces en reprsentation semi-logarithmique, dcroissent trs rapidement. Le spectre prsente galement des couples de valeurs propres approximativement de mme amplitude,
chaque couple tant spar de lautre par environ un ordre de grandeur. Ce phnomne est caractristique
dun problme aux valeurs propres quasi dgnr, et traduit la prsence dominante dans lorganisation physique de lcoulement dondes planes progressives, ce que lon retrouvera directement dans la structuration
des modes propres spatiaux.
La figure 17 reprsente les modules des six premiers modes POD. On constate que les deux premiers
modes sont associs aux deux modes anti-symtriques de lalle tourbillonnaire de Von Krmn. Les modes
3 et 4 correspondent une correction apporte cette projection et modlisent des structures plus fines.
Enfin, les modes 5 et 6 reprsentent une correction dun ordre encore infrieur, et permettent de modliser
des structures toujours plus fines.
Dtermination des coefficients de projection temporels Les coefficients de projection temporels

a i (t) = ai (t) peuvent se calculer simplement en projetant la relation (49) sur la base POD. On a donc :
Ngal

X
gal
eN
ai (t)i (x), j (x) .
(x, t), j (x) =
u
s
i=1
Compte tenu de lorthonormalit de la base POD {1 , , NP OD }, les coefficients de projection temporels se dterminent simplement de la manire suivante :

gal
eN
aj (t) = u
(x,
t),
(x)
.
j
s
La figure 18 reprsente lvolution temporelle des 6 premiers coefficients de projection obtenus par simulation numrique des quations de Navier-Stokes pour = 0. Une forte priodicit est observe qui traduit
lvolution temporelle de lalle tourbillonnaire de Von Krmn. Par ailleurs, on constate que lvolution temporelle de chacun des modes de rang impair se dduit aisment de celle des modes de rang pair par simple
dphasage. Ce phnomne est bien connu (Cordier, 1996, par exemple) et ne fait que traduire, encore une
fois aprs le spectre des valeurs propres et la structuration spatiale des modes POD, quen premire approximation, les modes dominants de lcoulement non contrl correspondent des ondes planes progressives qui
se propagent dans le domaine.
31 Chacun
des vecteurs propres temporels scrit j = (j (t1 ), j (t2 ), , j (tNt ))T .
3.3
10
35
100
-1
10
-2
10
10-3
10
-4
10-5
10
-6
10
15
20
indice des modes POD

Figure 16 Valeurs propres de la matrice de corrlations temporelles dans le cas du cylindre non contrl
( = 0).
Dtermination des coefficients de prdiction temporels Les coefficients de prdiction temporels sont,
quant eux, calculs par rsolution dun systme dynamique dordre rduit. Ce systme est dtermin en
ralisant une projection de Galerkin des quations de quantit de mouvement du modle de Navier-Stokes
sur les fonctions de base POD, dtermines prcdemment :

i ,
u
+ (u )u
t

1
i , p +
u .
Re
Aprs intgrations par parties, en utilisant la formule de Green, on aboutit :

1
u
( i )T , u
+ (u )u = (p, i )
i ,
t
Re
1
[p i ] +
[( u)i ]
Re
Z
Z
XZ
avec [a] =
a n d et (A, B) =
A : B d =
Aij Bji d.
i, j
(51)
On constate que des termes faisant intervenir le champ de pression sont prsents dans lquation (51). Le
champ de pression ne se dcomposant pas a priori sur la mme base que les champs de vitesse, la pression
ne peut pas tre facilement utilis dans une projection de Galerkin. On souhaite alors liminer les termes
de pression indsirables. Le dveloppement du champ de vitesse (49) est alors utilis. Lintroduction de ce
dveloppement dans lquation de continuit u = 0 impose aux fonctions de base dtre divergence nulle,
soit i = 0. Le terme (p, i ) prsent dans lquation (51) est alors gal zro.
Le terme de frontire [p i ] peut tre limin de diffrentes manires :
36
(a) mode 1.
(b) mode 2.
(c) mode 3.
(d) mode 4.
(e) mode 5.
(f) mode 6.
Figure 17 Isovaleurs de la norme des 6 premiers modes propres POD en coulement non contrl ( = 0).
Pression nulle Ce terme sannule sur toutes les frontires o la pression de rfrence p est gale
zro32 . Ceci est couramment le cas sur la frontire dentre, e , du domaine de calcul. Parfois, cette condition
est applique sur la frontire de sortie pour des coulements cisaills (Deane et al., 1991; Karniadakis et al.,
1991). Des prcautions doivent nanmoins tre prises. Il convient notamment de vrifier que la frontire de
sortie est situe assez loin du lieu de naissance des tourbillons.
Conditions aux limites homognes Le terme de pression sannule sur les frontires o des conditions
aux limites homognes peuvent tre obtenues pour les fonctions de base i , i.e. i = 0. Cest le cas, par
exemple, de domaines dcoulements possdant des frontires rigides (Fahl, 2000, dans le cas dune cavit).
Dans notre tude, la frontire du cylindre c satisfait cette condition pour un coulement non contrl.
Conditions aux limites priodiques Lorsque des conditions aux limites priodiques sont appliques
sur les frontires du domaine de calcul, le terme de pression sannule (Deane et al., 1991). Pour un coulement
de canal simul avec des conditions aux limites priodiques, le terme de pression a alors une contribution
nulle.
32 La pression de rfrence, fixe par les conditions initiales du problme, est arbitraire. Un choix p(x) = 0 est tout fait
possible.
3.3
37
ai
-1
-2
-3
10
15
units de temps
Figure 18 Evolution temporelle des 6 premiers coefficients de projection en coulement non contrl
( = 0). a1 et a2 , a3 et a4 , a5 et a6 .
Frontires parallles lcoulement Ce terme sannule galement sur les frontires qui sont localement parallles lcoulement car on a alors i n = 0. Cette condition est vrifie sur les frontires inf et
sup de notre configuration. En cas dapplication du contrle sur le cylindre, cette condition est galement
vrifie sur la frontire c .
Conditions aux limites "naturelles" La combinaison du terme de pression [p i ] et du terme de
1
[( u)i ], peut sannuler. Cette combinaison est principalement effectue sur la frontire de
vitesse Re
sortie o lon impose les conditions aux limites suivantes (Sani et Gresho, 1994; Ravindran, 2000a) :
p +
1 u
= 0 et
Re x
v
= 0.
x
Ces conditions, trs utilises en lments finis (Ravindran, 1999), sont censes laisser sortir librement les
tourbillons du domaine de calcul. Cependant, par leur manque de justifications physiques, ces conditions nont
pas t utilises dans nos travaux. Des conditions aux limites de type non-rflectif (Jin et Braza, 1993) ont
t utilises la place afin de rduire la taille du maillage utilis pour la discrtisation spatiale des quations
de Navier-Stokes (Cordier et Bergmann, 2002b).
Dans nos diffrentes tudes sur le cylindre (Bergmann et al., 2005; Bergmann et Cordier, 2006), le terme
[p i ] sannule sur toutes les frontires du domaine de calcul, except sur la frontire de sortie s . Bien
que la contribution de ce terme soit trs importante pour la stabilit du systme dynamique dordre rduit (Noack et al., 2003, 2004), ce terme sera nglig dans un premier temps. Une erreur est alors commise
dans la construction du systme dynamique. Nanmoins, cette erreur peut tre compense a posteriori par
une mthode de calibration dcrite la section 3.4.2.
On considre alors lquation suivante :
38
u
+ (u )u
i ,
t

1
( i )T , u
Re
1
+
[( u)i ].
Re
(52)
Lintroduction du dveloppement (49) dans lquation (52) donne le systme dynamique suivant :
Ngal
Ngal Ngal
X
X X
d ai (t)
= Ai +
Bij aj (t) +
Cijk aj (t)ak (t),
dt
j=1
j=1
(53)
k=1
muni de la condition initiale

ai (0) = (u(x, t = 0), i (x))
pour i = 1, , Ngal .
Les coefficients A, B et C intervenant dans le systme dynamique (53) scrivent :

Ai = (i , (um )um )

1
1
( i )T , um +
[( um )i ] ,
Re
Re
Bij = (i , (um )j ) (i , (j )um )

+
1
[( j )i ] ,
Re

1
( i )T , j
Re
Cijk = (i , (j )k ) .
3.3.2
Incorporation du contrle dans le modle POD
La mthode gnrale est identique celle prsente au paragraphe prcdent. Les seules diffrences sont :
la mthode de la fonction de contrle est mise en uvre : la dcomposition (50) est utilise afin de
prendre en compte le contrle dans le systme POD.
le champ moyen est calcul de la manire suivante :
um (x) =
Nt
1 X
(u(x, ti ) (ti )uc (x)) .
Nt i=1
Le modle rduit reprsentatif de lcoulement contrl peut finalement scrire pour i = 1, , Ngal :
Ngal
Ngal Ngal
X
X X
d ai (t)
= Ai +
Bij aj (t) +
Cijk aj (t)ak (t)
dt
j=1
j=1 k=1
Ngal
X
d
+ Ei +
Fij aj (t) + Gi 2 .
+Di
dt
j=1
(54a)
Ces quations sont munies de la condition initiale

ai (0) = (u(x, 0), i (x)).
(54b)
Des termes supplmentaires D, E, F et G interviennent dans le systme (54). Ces termes dpendent de la
fonction de contrle, uc , et scrivent :
3.4
Intgration et calibration du modle dordre faible
39
Di = (i , uc ) ,
Ei = (i , (uc )um ) (i , (um )uc )
+
1
[( uc )i ] ,
Re

1
( i )T , uc
Re
Fij = (i , (j )uc ) (i , (uc )j ) ,

Gi = (i , (uc )uc ) .
3.4
3.4.1

Intgration temporelle du systme POD
Afin de dterminer des fonctions de base POD susceptibles de dcrire au mieux la dynamique contrle
du cylindre, nous construisons une base de donnes qui correspond lcoulement gnr en faisant osciller
sinusodalement le cylindre avec une vitesse tangentielle (t) = A sin(2Stf t), damplitude gale A = 2 et
de nombre de Strouhal gal Stf = 0, 5.
La matrice de corrlation C est forme partir dun jeu de NP OD = 361 ralisations de lcoulement
manipul obtenues des intervalles de temps espaces rgulirement sur 18 units de temps (t = 0, 05).
La figure 19 reprsente les modules des 6 premiers modes POD. Les deux premiers modes (figures 19(a)
et 19(b)) ont globalement des structures semblables aux modes correspondants obtenus en coulement non
contrl (figures 17(a) et 17(b)), except autour du cylindre, o la dynamique est modlise principalement
par les modes 3 et 4. Les modes 5 et 6 correspondent des corrections apportes aux modes prcdents afin
de modliser la dynamique contrle.
La figure 20 reprsente lvolution du contenu nergtique des M premiers modes POD en utilisant comme
mode de reprsentation le contenu informationnel relatif, RIC, dfini par
RIC(M ) =
M
X
k=1
NX
P OD
(55)
k=1
On constate sur la figure 21 que les 8 premiers modes (soit moins de 4% du nombre total de modes POD)
contiennent plus de 99, 9% de lnergie cintique de lcoulement. Les 14 premiers modes contiennent plus de
99, 98% de cette mme nergie. En raison des faibles cots de calcul intervenant dans la rsolution du systme
POD ROM, dans ce quit suit, Ngal = 14 modes seront retenus dans le systme dynamique rduit (54).
Par la suite, le systme dquations (54) est intgr en temps par une mthode de Runge-Kutta lordre
4 avec un pas de 102 . La solution de ce systme donne un jeu de coefficients de prdiction temporels an (t)
qui peuvent tre compars avec les coefficients de projection temporels a n (t). Les volutions temporelles des
6 premiers coefficients an (t) et a n (t) sont reprsentes sur la figure 22.
On constate quil y a une lgre amplification temporelle des modes propres prdits par le systme dynamique dordre faible, accompagne dun lger dphasage. Cette constatation est appuye par le fait que
le contenu informationnel relatif des modes prdits an (t) est en moyenne bien plus important que celui des
modes projets a n (t), comme lillustre la figure 23. Il faut cependant tenir compte du fait que lchelle utilise
sur cette figure est de type logarithmique. Le maximum de lerreur commise ne se situe pas au niveau des
modes dordre lev comme pourrait le laisser penser la figure 23. La figure 24 reprsente lerreur entre les
modes prdits an (t) et les modes projets a n (t) en norme inifinie33 . La mthode dintgration du systme
33 Par
dfinition, kyi (t)k = max |yi (t)| o i = 1, , Ngal est le numro dordre des modes POD.
t
40
(a) mode 1.
(b) mode 2.
(c) mode 3.
(d) mode 4.
(e) mode 5.
(f) mode 6.
Figure 19 Isovaleurs de la norme des 6 premiers modes propres POD en coulement manipul : (t) =
A sin(2Stf t) avec A = 2 et Stf = 0, 5.
dynamique est trs performante, et de ce fait, lerreur de reconstruction ne peut pas provenir dune mauvaise
intgration. Une des raisons pour laquelle ces erreurs de reconstruction apparaissent, provient du fait que
les termes contenant le champ de pression ont t ngligs sur la frontire de sortie dans la construction du
systme dynamique (54).
Cette amplification peut savrer trs nfaste, notamment dans le cas o ce systme serait utilis comme
systme dtat dans un processus de contrle optimal. Dans ce cas, les quations dtat devraient tre dune
trs grande prcision car elles modlisent la physique des phnomnes mis en jeu. Il parait donc indispensable
dapporter des amliorations ce systme.
3.4.2
Calibration du systme dordre faible
On se propose ici doptimiser le systme dordre faible afin de restituer au mieux linformation contenue
sur chaque mode et cela chaque instant.
La divergence de la solution du systme dynamique (54) peut provenir de lerreur commise en ngligeant le
terme de pression sur la frontire de sortie lors de la construction des coefficients intervenant dans le systme
rduit. Une autre explication, plus probable, peut galement tre avance. Les fonctions de base POD retenues
pour construire un modle rduit de dynamique sont reprsentatives des caractres nergtiques dominants
dun coulement, gnrs par les grosses et moyennes structures. Les plus petites structures sont, quant elles,
3.4
1.001
1.1
1
0.9
0.999
0.8
0.998
0.7
RIC
0.997
Ngal
0.6
RIC
0.995
0.4
0.994
0.3
0.993
0.2
0.992
0.1
0.991
0
10
15
0.99
20
Ngal
0.996
0.5
41
10
15
20
Nombre de modes retenus
Nombre de modes retenus
Figure 20 nergie cintique relative en fonction

du nombre de modes POD retenus.
Figure 21 nergie cintique relative en fonction

du nombre de modes POD retenus (zoom).
2
1.5
1
an
0.5
0
-0.5
-1
-1.5
-2
10
15
temps
Figure 22 Comparaison de lvolution temporelle des 6 premiers modes propres projets () et prdits
( ).
ngliges du fait de leur faible apport nergtique (infrieur 0, 1% de lnergie totale pour Ngal = 14). Or,
la dissipation visqueuse seffectue principalement dans les petites structures de lcoulement. Par consquent,
le systme POD ne dissipe pas assez dnergie et les modes prdits samplifient au cours du temps (voir
figure 22). Il convient donc de modliser les interactions34 entre les modes calculs (grandes chelles) et les
34 Rcemment, Couplet et al. (2003) ont analys les transferts dnergie entre modes POD dun coulement turbulent de marche
descendante. Ils ont montr, que comme cest le cas en turbulence pour les modes de Fourier, les changes dnergie taient locaux
42
10
0.5
aproj
0.45
apred
0.4
apred
ka n (t) an (t)k
10
0.35
han (t)an (t)i
10-1
0.25
10-2
10
-3
10
-4
0.3
0.2
0.15
0.1
0.05
10
-5
10
15
10
15
Figure 23 Comparaison du contenu nergtique

de chaque mode POD estim respectivement avec les
coefficients de projection (POD) et les coefficients de
prdiction (POD ROM).
Figure 24 Erreur en norme infinie du contenu

nergtique de chaque mode POD.
modes non rsolus (petites chelles). Le problme est similaire celui rencontr en simulations aux grandes
chelles (Large Eddy Simulation) pour lesquelles une chelle de coupure est introduite, chelle qui spare les
structures explicitement calcules et celles qui doivent tre modlises. Dans le cas du systme rduit POD,
cette chelle de coupure, reprsente sur la figure 25, est confondue avec le nombre de modes Galerkin retenu
dans le systme. En sinspirant encore une fois de la turbulence, une modlisation naturelle dinteractions
consiste ajouter des viscosits artificielles dans le systme dynamique POD afin de le rendre plus dissipatif.
Revue des mthodes damlioration du systme POD ROM Comme il a t discut ci-dessus,
ajouter des viscosits artificielles au systme POD ROM semble une mthode prometteuse pour amliorer la
reprsentativit du modle rduit.
La mthode la plus vidente est dajouter une viscosit globale dans le systme POD ROM. Ainsi, la
viscosit du systme POD, reprsente par linverse du nombre de Reynolds, sera remplace par + ,
o, par analogie avec la turbulence, est une viscosit tourbillonnaire dterminer. La viscosit est donc
multiplie par un facteur correctif (1 + c) o c est une constante quil reste valuer. Concrtement, cela
1
1+c
revient remplacer dans le systme POD ROM, le terme
par
.
Re
Re
Rempfer et Fasel (1994) puis Rempfer (1996) prolongent cette ide et considrent que chaque mode propre
dissipe une certaine quantit dnergie. Selon eux, il est donc prfrable dajouter une viscosit tourbillonnaire
diffrente sur chacun des modes POD. Ainsi, en conservant le formalisme prcdent, et en supposant que i
est la viscosit contenue sur le i-me mode, la viscosit totale sur le i-me mode devient i = (1 + ci ), ce
qui revient encore remplacer 1/Re dans le systme POD ROM par (1 + ci )/Re. Rempfer considre que cette
viscosit tourbillonnaire, prise en compte par lintermdiaire du terme ci , varie comme une fonction linaire
des modes POD, soit : ci = K i o K est une constante dterminer.
Cazemier (1997) et Cazemier et al. (1998) utilisent des quations de transport de lnergie cintique modale
afin de dterminer les viscosits ajouter au systme POD ROM pour le stabiliser. Cazemier suppose que
labsence dinteraction avec les modes non-rsolus se traduit sur le systme par une croissance linaire des
coefficients de prdiction temporels. Pour viter ce problme, Cazemier ajoute alors un terme damortissement
linaire dans le systme. Le systme POD ainsi construit scrit :
et taient globalement dissipatifs.
3.4
43
Ngal
Ngal Ngal
X
X X
dai
= Ai +
Bij aj +
Cijk aj ak + Hi ai .
dt
j=1
j=1
k=1
Lnergie contenue dans la direction i , par le i-me mode, est a2i . La drive temporelle de lnergie du
mode i est alors :
dai
da2i
= 2 ai
.
dt
dt
Lquation de transport de lnergie scrit donc :
Ngal
Ngal Ngal
X
X X
da2i
= 2Ai ai + 2
Bij ai aj + 2
Cijk ai aj ak + 2Hi ai ai .
dt
j=1
j=1
k=1
En moyenne lnergie doit se conserver i.e.

da2i
= 0. On a donc :
dt
Ngal
2Ai hai i + 2
X
j=1
Ngal Ngal
Bij hai aj i + 2
X X
j=1 k=1
Cijk hai aj ak i + 2Hi hai ai i = 0.
Si la solution du systme POD ROM est sur lattracteur du systme dynamique alors les proprits de la
POD imposent que hai aj i = i ij et que hai i = 0.
Soit :
Ngal Ngal
X X
j=1 k=1
Cijk hai aj ak i + i Bii + i Hi = 0.
Finalement, on obtient :
Hi =
Ngal Ngal
1 X X
Cijk hai aj ak i Bii .
i j=1
k=1
Vigo (1998), dans le cas dun coulement compressible, propose une mthode damortissement en ajoutant un terme cubique dans le systme POD ROM. Cette mthode semble assez performante, mais alourdi
considrablement les cots de calcul numriques associs la rsolution du systme.
Enfin, trs rcemment, Sirisup et Karniadakis (2004) ont adapt un modle particulier de viscosit spectrale dnomm Spectral Vanishing Viscosity Model en simulation aux grandes chelles, afin damliorer la
reprsentativit dun modle rduit de dynamique de sillage sur une trs longue priode (plus de 1 000 priodes de Von Krmn).
Calibration optimale du systme POD ROM On propose ici de dterminer les viscosits tourbillonnaires ajouter sur chacun des modes POD et cela de manire optimale.
En sparant les termes visqueux et les termes non-visqueux, les coefficients du systme dynamique (54)
peuvent formellement scrire :
Ai = Ai +
Di = Di ,
1 e
Ai ,
Re
Bij = Bij +
Ei = Ei +
1 e
Ei ,
Re
1 e
Bij ,
Re
Fij = Fij
Cijk = Cijk ,
et Gi = Gi .
i
au
Loptimisation du systme POD est donc effectue en ajoutant une "viscosit tourbillonnaire"
Re
niveau du i-me mode. On obtient alors le systme dynamique suivant :
44
10
10
chelle de coupure POD
10-1
10-2
10
-3
10
-4
10
-5
10
15
20

Figure 25 Spectre nergtique et chelle de coupure POD.
Ngal
Ngal Ngal
X
X X
d ai (t)
=Ai +
Bij aj (t) +
Cijk aj (t)ak (t)
dt
j=1
j=1 k=1
Ngal
X
d
+ Ei +
+ Di
Fij aj (t) + Gi 2
dt
j=1
Ngal
X
1 + i e
Ai +
Beij aj (t) + Eei .
+
Re
j=1
(56)
En passant tous les termes de ce systme au membre de gauche, ce systme scrit encore :
(57)
N (a, ) = 0.
On cherche alors dterminer de manire optimale les viscosits tourbillonnaires i , i = 1, . . . , Ngal ,

ventuellement dpendantes du temps, telles que les erreurs de reconstruction obtenues par intgration du
systme POD (56) soient minimises.
Lide est alors dapprocher, au sens des moindres carrs, les coefficients de projection a n (t) (issus de
la simulation numrique) par les coefficients de prdiction an (t) (calculs par le systme dynamique POD
ROM).
Lobjectif est alors de minimiser la fonction suivante35 :
J (a, ) =
35 Les
gal
T N
X
i=1
(ai a i ) dt +
gal
T N
X
i 2 dt.
i=1
coefficients de projection sont interpols aux pas de la rsolution du systme POD laide de fonctions splines.
(58)
3.4
45
Les cibles (target) a reprsentent les coefficients de projection temporels.

Le second terme de la fonctionnelle objectif (58) nest ni physiquement ni conomiquement important.
Cependant, il est conserv afin de saffranchir de tout problme de rgularisation numrique et dobtenir un
problme doptimisation bien pos.
La mthode damlioration du systme POD propose se ramne donc un problme doptimisation avec
contraintes. On veut minimiser la fonctionnelle objectif (58) sous la contrainte du systme POD (dit systme
dtat) (56) :
min J (a, )
R
N gal
(59)
s.t.
N (a, ) = 0.
Lintroduction de multiplicateurs de Lagrange i pour i = 1, . . . , Ngal permet de transformer le problme
doptimisation avec contraintes (59) en un problme doptimisation sans contrainte, qui peut tre rsolu efficacement laide de mthodes adjointes dcrites dans Gunzburger (1997a). Pour cela, une nouvelle fonctionnelle
objectif L, dite fonctionnelle de Lagrange, est introduite :
Ngal
L(a, , ) = J (a, ) h
X
i=1
i , Ni (a, )i
XZ
Ngal
= J (a, )
i=1
(60)
i (t) Ni (a, ) dt.
Le problme consiste maintenant rendre la fonctionnelle de Lagrange (60) stationnaire. On cherche donc
L = 0, soit :
L =
L
L
L
ai +
i +
i = 0.
ai
i
i
Les variables a, et tant supposes indpendantes, on a alors :

L
ai = 0,
ai
L
i = 0 et
i
L
i = 0.
i
Lannulation de la drive de Frchet par rapport aux variables adjointes donne lquation dtat N (a, ) =
0.
Les quations adjointes sont obtenues en annulant la drive de Frchet par rapport aux variables dtat
an . Le systme dquations diffrentielles ordinaires suivant est alors obtenu :
Ngal
Ngal Ngal
X
X X
d i (t)
=
j Bji
j (Cjik + Cjki ) ak
dt
j=1
j=1
k=1
Ngal
X
j=1
Ngal
X 1 + j
j Beji (ai a i ) .
j Fji
Re
j=1
(61a)
Ce systme est muni de la condition terminale
i (T ) = 0,
i.
(61b)
La condition doptimalit du premier ordre est obtenue en annulant la drive de Frchet par rapport aux
paramtres de contrle i .
Quand i = Cstei (indpendant du temps), la condition doptimalit scrit :

Ngal
Z T
X
1
L
i +
Aei +
=
Beij aj + Eei i dt,
(62)
i
Re
0
j=1
46
et quand i = fi (t), cette mme condition scrit :
Ngal
X
1 e
L
(t) = i (t) +
Ai +
Beij aj + Eei i .
i
Re
j=1
(63)
La condition doptimalit, condition ncessaire du premier ordre, conduit un systme dquations diffrentielles couples (constitu du systme dtat 56, du systme adjoint 61 et dune des conditions doptimalit 62 ou 63) appel systme optimal. Pour limiter les cots de calcul, un processus de rsolution itratif,
dcrit par lalgorithme 1, peut tre utilis.
Algorithme 1 (Calibration optimale dun systme dordre rduit POD)
Initialisation des viscosits tourbillonnaires (0) = 0. n = 0.
1. Rsolution des quations dtat (56) de 0 T avec le dernier (n) dtermin. Obtention de a(n) .
2. Rsolution des quations adjointes (61) de T 0 avec (n) et a(n) . Obtention de (n) .
3. Calcul de la condition doptimalit (62) ou (63) avec (n) , a(n) et (n) . Obtention de L
.
4. A partir de cette estimation, calcul de nouvelles viscosits :
(a) si est constant
(n+1) = (n) + (n) d(n) ,
(b) si dpend du temps
(n+1) (t) = (n) (t) + (n) d(n) (t).
d est une direction de descente dtermine par un algorithme doptimisation laiss au choix de lutilisateur, et est le pas effectuer le long de cette direction.
5. Si un test de convergence est vrifi, lalgorithme est arrt. Dans le cas contraire, incrmentation
n = n + 1 et retour ltape 1.
Dans cette tude, la direction de descente d et le pas , apparaissant ltape 4 de lalgorithme 1, sont
respectivement dtermins par une mthode de gradient conjugu de type Fletcher-Reeves et par une mthode
dArmijo rebroussement36 (Nocedal et Wright, 1999).
La figure 26 reprsente lvolution de la fonctionnelle cot au cours37 du processus itratif de rsolution
des systmes optimaux construits respectivement avec les conditions doptimalit (62) pour i = Cstei et
(63) pour i = fi (t). La mthode utilisant i = fi (t) permet de rduire plus sensiblement la valeur de
la fonction objectif. La fonctionnelle passe dune valeur gale 1, 121 sans viscosits tourbillonnaires des
valeurs respectives de 0, 0052 et 0, 193 pour i = fi (t) et i = Cstei en fin du processus doptimisation, soit
respectivement aprs 4000 itrations et 400 itrations. Cependant, le flot dcrit en (54) nest plus autonome,
et une stabilisation sur une priode suprieure la priode utilise pour construire le systme POD ROM
nest pas envisageable, contrairement au cas o i = Cstei .
Les valeurs des viscosits tourbillonnaires optimales pour les Ngal = 14 modes POD retenus dans le cas
i = Cstei sont reprsentes sur la figure 27. La figure 28 reprsente lvolution temporelle des viscosits
tourbillonnaires optimales ajoutes sur les 6 premiers modes POD dans le cas i = fi (t). La rsolution du
systme dynamique POD ROM aprs introduction de ces viscosits tourbillonnaires, donne un jeu optimal
de coefficients de prdiction qui peuvent tre compars aux coefficients de projection.
Les figures 29 et 30 reprsentent une comparaison entre lvolution temporelle des 6 premiers coefficients
de projection a n (t), et celle des 6 premiers coefficients an (t) obtenus par intgration du systme POD
ROM aprs introduction de viscosits tourbillonnaires i = Cstei dune part et i = fi (t) dautre part. En
comparaison au cas non calibr i = 0, une grande amlioration est apporte quand des viscosits i = Cstei
sont ajoutes. Les modes stabiliss, avec i = fi (t), sont, quant eux, quasiment confondus avec les modes
projets.
3.4
47
1.25
i = Cstei
1
i = fi (t)
0.75
0.5
0.25
25
50
75
100
nombre ditrations
Figure 26 Evolution de la fonctionnelle cot au cours du processus doptimisation.
1.2
2
1.75
1
1.5
1.25
0.8
1
0.6
0.75
0.5
0.4
0.25
0
0.2
-0.25
0
10 11 12 13 14

Figure 27 Valeurs des viscosits tourbillonnaires
ajouter dans le cas i = Cstei .
-0.5
10
15
temps
Figure 28 Evolution temporelle des viscosits
tourbillonnaires optimales ajoutes sur les 6 premiers
modes POD pour i = fi (t). traits pleins : modes 1
et 2 ; traits discontinus : modes 2 et 3 ; pointills :
modes 5 et 6.
La figure 31 reprsente une comparaison du contenu nergtique relatif de chaque mode POD. Ce contenu
36 La
mthode dArmijo rebroussement satisfait gnralement la condition de Goldstein (Nocedal et Wright, 1999).
les 100 premires itrations sont reprsentes.
37 Seules
48
1.5
1.5
0.5
0.5
an
an
-0.5
-0.5
-1
-1
-1.5
-1.5
-2
10
-2
15
10
15
temps
temps
Figure 29 Evolution temporelle des 6 premiers

modes propres projets (traits pleins) et prdits avec
i = Cstei (discontinus).
Figure 30 Evolution temporelle des 6 premiers

modes propres projets (traits plein) et prdits avec
i = fi (t) (pointills).
peut tre valu soit avec les coefficients de projection aproj (t) = a n (t), soit avec les coefficients apred (t) =
an (t) prdits par intgration du systme POD ROM. Aprs introduction de viscosits tourbillonnaires, les
deux contenus nergtiques (projection et prdiction) sont pratiquement identiques.
10
0.5
aproj
10
0.45
apred i = 0
apred i = Cstei
han (t)an (t)i
ka n (t) an (t)k
apred i = fi (t)
10-1
-3
10
-4
10
-5
i = Cstei
0.35
10-2
10
i = 0
0.4
i = fi (t)
0.3
0.25
0.2
0.15
0.1
0.05
10
15

Figure 31 Contenu nergtique de chaque mode
POD. Estimation avec ajout et sans ajout (i = 0)
de viscosits tourbillonnaires.
10
15

Figure 32 Erreur en norme infinie du contenu
nergtique de chaque mode POD. Estimation avec
et sans ajout de viscosits tourbillonnaires.
Lerreur, en norme infinie, commise sur les contenus nergtiques obtenus par intgration du systme POD
ROM (avec et sans ajout de viscosits tourbillonnaires) est compare sur la figure 32 celle correspondant
aux modes projets. Lajout de viscosits tourbillonnaires rduit considrablement lerreur commise.
Le principal objectif dun modle dordre faible est dapproximer le plus fidlement possible la solution
dun modle dtaill, tout en conservant des cots de calcul limits. Or, les cots de calcul ncessaires la
rsolution du systme rduit sont trs faibles en comparaison aux cots quivalents associs la rsolution
des quations de Navier-Stokes. Il reste donc vrifier si les coefficients de prdiction, obtenus par rsolution
3.4
49
0.3
i = 0
i = Cstei
0.25
i = fi (t)
e = uproj
u
e
E
0.2
0.15
0.1
0.05
10
15
units de temps
Figure 33 Evolution temporelle de lerreur commise sur la reconstruction des champs de vitesse par POD
ROM pour diffrentes viscosits i en comparaison de ceux dtermins par le modle de Navier-Stokes.
du systme POD ROM, sont efficaces pour reconstruire les champs de vitesse, solutions des quations de
Navier-Stokes. Lerreur38 de reconstruction suivante est de ce fait introduite :
e ) =
E(t,
Z
12
e (x, t, )) d
(u(x, t) u
.
2
(64)
e (x, t, ) sont respectivement obtenus par rsolution

Dans cette erreur, les champs de vitesse u(x, t) et u
du modle Navier-Stokes et par reconstruction en utilisant les coefficients39 de prdiction du systme POD
ROM. La figure 33 reprsente lvolution temporelle de lerreur (64) pour les diffrentes viscosits tourbillonnaires i possibles. Lerreur de reconstruction, pour le systme POD ROM avec i = 0, samplifie au cours du
temps. Cette amplification est diminue de manire importante lorsque des viscosits optimales dtermines
pour i = Cstei sont ajoutes. Elle est mme pratiquement limine lorsque lon considre des viscosits
dtermines pour i = fi (t).
Les figures 34, 35 et 36 reprsentent respectivement pour i = 0, i = Cstei et i = fi (t), les portraits
de phase des 6 premiers coefficients temporels an , obtenus dune part par DNS et dautre part par POD
ROM. Sur ces figures, les coefficients ai pour i = 1 6 sont tracs en fonction du coefficient a1 . Les cycles
limites qui correspondent au cas DNS ne sont pas retrouvs par intgration du systme POD ROM sans
stabilisation (i = 0). En effet, une amplification des coefficients (observe prcdemment) se produit, et
modifie lorbite. Pour les cas optimaux obtenus avec i = Cstei et i = fi (t), les cycles limites DNS sont
parfaitement retrouvs par POD ROM.
La figure 37 prsente les portraits de phase des 6 premiers coefficients an "anti-symtriques", obtenus dans
les cas i = 0, i = Cstei et i = fi (t), ainsi que ceux obtenus par DNS. Lajout de viscosits tourbillonnaires
en norme L2 est choisie en raison de ses proprits nergtiques.
coefficients dpendent naturellement du mode de calcul des viscosits tourbillonnaires.
38 Lerreur
39 Ces
0.5
-1
-2
-2
a3
a2
a1
50
-1
-1
-2
-2
-0.5
-1
a1
-1
-2
0.75
0.5
0.5
0.5
0.25
0.25
0.25
a6
0.75
-0.25
-0.25
-0.5
-0.5
-0.5
a1
-0.75
-2
-1
a1
-0.25
-1
a1
0.75
-0.75
-2
-1
a1
a5
a4
-0.75
-2
-1
a1
Figure 34 Portraits de phase des 6 premiers coefficients temporels an sur 18 units de temps pour i = 0.
modes DNS ; modes POD.
optimales dans le modle POD ROM permet de retrouver de manire assez prcise la dynamique obtenue par
rsolution des quations de Navier-Stokes. Lajout de viscosits dpendantes du temps ne permet malheureusement pas de reconstruire lcoulement au del de la priode sur laquelle sont extraites les ralisations de
lcoulement. La rsolution du systme POD ROM sur des priodes bien plus longues que cette dernire est
possible si lon considre uniquement des viscosits constantes.
Conclusion
Dans ces notes, nous avons illustr la capacit des modles rduits bass sur la POD restituer de manire prcise la dynamique ponctuelle dun coulement donn ( un nombre de Reynolds fix), et ce, mme
en cas dapplication du contrle. Pour cela, nous avons vu quune mthode de calibration, dcrite la section 3.4.2, avait d tre dveloppe. Cette mthode consiste introduire de manire optimale des viscosits
tourbillonnaires sur chaque mode du systme POD. Ces viscosits, qui peuvent ventuellement dpendre du
temps, permettent de modliser les interactions des modes calculs par POD ROM avec les chelles nonrsolues, chelles pour lesquelles seffectue lessentiel de la dissipation visqueuse. Il faut cependant noter que
ces corrections dpendent de la configuration dtude et ne sont pas "universelles". En dautres termes, des
calibrations du systme devront tre a priori effectues pour chaque configuration dtude (gomtrie, nombre
de Reynolds, paramtre de contrle, ...).
Lintrt de ces modles rduits construits sur base POD est quils permettent de reproduire la dynamique
temporelle dun modle initial de grande dimension pour des cots numriques ngligeables. Les modles rduits POD peuvent alors tre utiliss comme quations dtat dans des procdures de contrle robuste (Atwell,
2000) ou optimal (Bergmann et al., 2005; Bergmann et Cordier, 2006) permettant de rsoudre des problmes
doptimisation ou de contrle actif pour des configurations complexes dcoulement des cots numriques
abordables. Cependant, la robustesse des modles rduits POD aux variations des paramtres de contrle du
systme est difficile valuer a priori, mme si de premires tudes sur lvaluation des erreurs commencent
apparaitre (Homescu et al., 2003). Par consquent, il est ncessaire dutiliser des stratgies particulires
(mthodes rgion de confiance par exemple) pour sassurer que la solution obtenue partir du modle rduit
51
0.5
-1
-2
-2
a3
a2
a1
4 Conclusion
-1
-1
-2
-2
-0.5
-1
a1
-1
-2
0.75
0.5
0.5
0.5
0.25
0.25
0.25
a6
0.75
-0.25
-0.25
-0.5
-0.5
-0.5
-0.75
-2
-1
-0.75
-2
-1
a1
a1
-0.25
-1
a1
0.75
-0.75
-2
-1
a1
a5
a4
a1
0.5
-1
-2
-2
a3
a2
a1
Figure 35 Portraits de phase des 6 premiers coefficients temporels an sur 18 units de temps pour i =
Cstei . modes DNS ; modes POD.
-1
-1
-2
-2
-0.5
-1
a1
-1
-2
0.75
0.5
0.5
0.5
0.25
0.25
0.25
a6
0.75
-0.25
-0.25
-0.5
-0.5
-0.5
a1
-0.75
-2
-1
a1
-0.25
-1
a1
0.75
-0.75
-2
-1
a1
a5
a4
-0.75
-2
-1
a1
Figure 36 Portraits de phase des 6 premiers coefficients temporels an sur 18 units de temps pour i = fi (t).
modes DNS ; modes POD.
de dynamique construit par POD correspond effectivement la solution que lon aurait obtenue partir du
modle dtaill.
-1
-1
-2
-2
-1
a2
-1
-2
-2
-1
a2
-2
-2
0.75
0.75
0.5
0.5
0.5
0.25
0.25
0.25
a3
0.75
a3
a3
a1
a1
a1
52
-0.25
-0.25
-0.5
-0.5
-0.5
0.5
a4
-0.75
-1
-0.5
0.5
a4
-0.75
-1
0.75
0.75
0.5
0.5
0.5
0.25
0.25
0.25
a5
0.75
a5
a5
-0.5
-0.25
-0.25
-0.5
-0.5
-0.5
-0.5
-0.25
a6
0.25
0.5
0.75
-0.75
-0.75
-0.5
-0.25
a6
0.25
0.5
0.75
-0.5
a4
0.5
-0.25
-0.75
-0.75
a2
-0.25
-0.75
-1
-1
-0.75
-0.75
-0.5
-0.25
a6
0.25
0.5
0.75
Figure 37 Portraits de phase des 6 premiers coefficients temporels an sur 18 units de temps. modes
DNS ; modes POD. A gauche i = 0, au centre i = Cstei et droite i = fi (t).
A Rappel sur les normes usuelles
53
Rappel sur les normes usuelles
A.1
p norme dun vecteur
x1
Dfinition : La p norme du vecteur x = ... Rn est :

xn
kxkp =
n
X
i=1
|xi |
! p1
Exemples :
kxk1 =
kxk2 =
et
xT x =
n
X
i=1
|xi |,
x21 + + x2n ,
kxk = max |xi |.

1in
A.2
Norme de Frobenius et p norme dune matrice
Dfinition : Soit A = (aij ) RNx Nt , la norme de Frobenius (ou norme F ) de A est :

v
u Nx Nt
uX X
a2ij .
kAkF = t
i=1 j=1
La norme p de A est
kAxkp
= max kAxkp .
kAkp = sup
kxkp =1
x6=0 kxkp
54
Rfrences
R. Adrian, J.-P. Bonnet, J. Delville, F. Hussain, J. Lumley, O. Metais et C. Vassilicos : Eddy
Structure Identification Techniques in Free Turbulent Shear Flows. In CISM/ERCOFTAC Advanced
Course. Springer-Verlag, 1996.
K. Afanasiev et M. Hinze : Adaptive control of a wake flow using Proper Orthogonal Decomposition. In
Shape Optimization and Optimal Design, Lecture Notes in Pure and Applied Mathematics, volume 216.
Marcel Dekker, 2001.
N. Alexandrov, J.E. Dennis Jr, R.M. Lewis et V. Torczon : A Trust Region framework for managing
the use of approximation models in optimization. Icase report, 97-50, 1997.
V.R. Algazi et D.J. Sakrison : On the optimality of the Karhunen-Love expansion. IEEE Trans. Inform.
Theory, 15, 1969.
B.G. Allan : A reduced order model of the linearized incompressible Navier-Stokes equations for the
sensor/actuator placement problem. Icase report, 2000-19, 2000.
C.A. Andrews, J.M. Davies et G.R. Schwartz : Adaptative data compression. Proc. IEEE, 55, 1967.
A.C. Antoulas : Approximation of Large-Scale Dynamical Systems. Advances in Design and Control. SIAM,
2005.
J.A. Atwell : Proper Orthogonal Decomposition for Reduced Order Control of Partial Differential Equations.
Thse de doctorat, Virginia Tech, 2000.
J.A. Atwell et B.B. King : Reduced order controllers for spatially distributed systems via Proper Orthogonal
Decomposition. Rapport technique, ICAM 99-07-01, Virginia Tech., 1999.
N. Aubry, R. Guyonnet et R. Lima : Spatio-temporal analysis of complex signals : theory and applications.
J. Statis. Phys., 64(3/4):683739, 1991.
N. Aubry, P. Holmes, J.L. Lumley et E. Stone : The dynamics of coherent structures in the wall region
of a turbulent boundary layer. J. Fluid Mech., 192:115173, 1988.
P. Benner, V. Mehrmann et D.C. Sorensen, diteurs. Dimension Reduction of Large-Scale Systems,
volume 45 de Lecture Notes in Computational Science and Engineering. Springer-Verlag, Berlin/Heidelberg,
Germany, 2005.
M. Bergmann et L. Cordier : Control of the cylinder wake in the laminar regime by Trust-Region methods
and POD Reduced Order Models. soumis J. Fluid Mech., 2006.
M. Bergmann, L. Cordier et J.-P. Brancher : Optimal rotary control of the cylinder wake using POD
Reduced Order Model. Phys. Fluids, 17(9):097101 :121, 2005.
G. Berkooz, P. Holmes et J.L. Lumley : The Proper Orthogonal Decomposition in the analysis of turbulent
flows. Ann. Rev. Fluid Mech., 25:539575, 1993.
T.R. Bewley : Flow control : new challenges for a new Renaissance. Progress in Aerospace Sciences,
37:2158, 2001.
T.R. Bewley, P. Moin et R. Temam : DNS-based predictive control of turbulence : an optimal benchmark
for feedback algorithms. J. Fluid Mech., 447:179225, 2001.
J.-P. Bonnet et J. Delville : Coherent structures in turbulent flows and numerical simulations approaches.
In Lecture series 2002-04 on post-processing of experimental and numerical data. Von Krmn Institute
for Fluid Dynamics, 2002.
J. Burkardt, M. Gunzburger et H.-C. Lee : Centroidal Voronoi Tessellation-Based Reduced-Order
Modeling of Complex Systems. Rapport technique, Florida State University, 2004.
W. Cazemier : Proper Orthogonal Decomposition and low-dimensionnal models for turbulent flows. Thse
de doctorat, universit de Groningen, 1997.
RFRENCES
55
W. Cazemier, R.W.C.P. Verstappen et A.E.P. Veldman : Proper Orthogonal Decomposition and lowdimensional models for driven cavity flows. Phys. Fluids, 10(7):16851699, 1998.
A. Chatterjee : An introduction to the Proper Orthogonal Decomposition. Current Science, 78(7):808817,
2000.
E.A. Christensen, M. Brns et J.N. Srensen : Approximation of large-scale dynamical systems : an overview. Evaluation of POD-based decomposition techniques applied to parameter-dependent non turbulent
flows. Rapport technique, universit Technique du Danemark, 1998.
A.R. Conn, N.I.M. Gould et P.L. Toint : Trust-region methods. SIAM, Philadelphia, 2000.
L. Cordier : Etude de systmes dynamiques bass sur la Dcomposition Orthogonale aux valeurs Propres
(POD). Application la couche de mlange turbulente et lcoulement entre deux disques contra-rotatifs.
Thse de doctorat, universit de Poitiers, 1996.
L. Cordier et M. Bergmann : Proper Orthogonal Decomposition : an overview. In Lecture series 2002-04
on post-processing of experimental and numerical data. Von Krmn Institute for Fluid Dynamics, 2002a.
L. Cordier et M. Bergmann : Two typical applications of POD : coherent structures eduction and reduced
order modelling. In Lecture series 2002-04 on post-processing of experimental and numerical data. Von
Krmn Institute for Fluid Dynamics, 2002b.
M. Couplet, P. Sagaut et C. Basdevant : Intermodal energy transfers in a proper orthogonal
decomposition-Galerkin representation of a turbulent separated flow. J. Fluid Mech., 491:275284, 2003.
R. Courant et D. Hilbert : Methods of mathematical physics. Vol. 1. John Wiley & Sons, New-York,
1953.
A.E. Deane, I.G. Kevrekidis, G.E. Karniadakis et S.A. Orszag : Low-dimensional models for complex
geometry flows : Application to grooved channels and circular cylinders. Phys. Fluids, 10(3):23372354,
1991.
J. Delville, L. Ukeiley, L. Cordier, J.-P. Bonnet et M. Glauser : Examination of large-scale structures
in a turbulent mixing layer. Part 1. Proper Orthogonal Decomposition. J. Fluid Mech., 391:91122, 1999.
M. Fahl : Trust-Region methods for flow control based on Reduced Order Modeling. Thse de doctorat,
universit de Trier, 2000.
G.H. Golub et C.F. Van Loan : Matrix computations. The Johns Hopkins University Press, Baltimore,
1990.
S. Gordeyev : Investigation of coherent structure in the similarity region of the planar turbulent jet using
POD and wavelet analysis. Thse de doctorat, universit de Notre Dame, 1999.
W.R. Graham, J. Peraire et K.T. Tang : Optimal Control of Vortex Shedding Using Low Order Models.
Part 1. Open-Loop Model Development. Int. J. for Numer. Meth. in Engrg., 44(7):945972, 1999a.
W.R. Graham, J. Peraire et K.T. Tang : Optimal Control of Vortex Shedding Using Low Order Models.
Part 2 : Model-based control. Int. J. for Numer. Meth. in Engrg., 44(7):973990, 1999b.
M. Gunzburger : Reduced-order modeling. data compression and the design of experiments. Rapport
technique, Florida State University, 2004.
M.D. Gunzburger : Introduction into mathematical aspects of flow control and optimization. In Lecture
series 1997-05 on inverse design and optimization methods. Von Krmn Institute for Fluid Dynamics,
1997a.
M.D. Gunzburger : Adjoint Equation-Based Methods for Control Problems in Incompressible, Viscous
Flows. Flow, Turbulence and Combustion, 65:249272, 2000.
N.J. Higham : Matrix nearness problems and applications. In Applications of matrix theory, pages 127.
Glover and Barnett editors, Clarendon Press, 1989.
56
P. Holmes, J.L. Lumley et G. Berkooz : Turbulence, Coherent Structures, Dynamical Systems and Symmetry. Cambridge Monographs on Mechanics, 1996.
C. Homescu, L.R. Petzold et R. Serban : Error Estimation for Reduced Order Models of Dynamical
Systems. Rapport technique, Lawrence Livermore National Laboratory, 2003.
H. Hotelling : Analysis of a complex statistical variables into principal components. Journal of Educational
Psychology, 24:417441, 1933.
L. Hubert, J. Meuleman et W. Heiser : Two purposes for matrix factorization : a historical appraisal.
SIAM Review, 42:6882, 2000.
A. Iollo : Remarks on the approximation of the Euler equations by a low order model. Rapport technique
3329, INRIA, 1997.
A. Iollo, S. Lanteri et J.-A. Dsidri : Stability properties of POD-Galerkin approximations for the
compressible Navier-Stokes equations. Rapport technique 3589, INRIA, 1998.
K. Ito et S.S Ravindran : A reduced-order method for simulation and control of fluid flows. J. Comp.
Phys., 143:403425, 1998.
G. Jin et M. Braza : A Nonreflecting Outlet Boundary Condition for Incompressible Unsteady Navier-Stokes
Calculations. J. Comp. Phys., 107(2):239253, 1993.
I.T. Joliffe : Principal Component Analysis. Springer-Verlag, 1986.
K. Karhunen : Zur spektral theorie stochasticher prozesse. Ann. Acad. Sci. Fennicae, Ser. A1, 34, 1946.
E.G. Karniadakis, M. Israeli et S.A. Orszag : High-order splitting methods for the incompressible
Navier-Stokes equations. J. Comp. Phys., 97(2):414443, 1991.
M. Kirby et L. Sirovich : Application of the Karhunen-Love procedure for the characterization of human
faces. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(1):103108, 1990.
M. Love : Probability Theory. Van Nostrand, 1955.
J.L. Lumley : Atmospheric Turbulence and Wave Propagation. The structure of inhomogeneous turbulence,
pages 166178. A.M. Yaglom & V.I. Tatarski, 1967.
B.R. Noack, K. Afanasiev, M. Morzyski, G. Tadmor et F. Thiele : A hierarchy of low-dimensional
models for the transient and post-transient cylinder wake. J. Fluid Mech., 497:335363, 2003.
B.R. Noack, G. Tadmor et M. Morzyski : Low-dimensional models for feedback flow control. Part I :
Empirical Galerkin models. In 2nd AIAA Flow Control Conference, Portland, Oregon, U.S.A., June 28
July 1, 2004. AIAA-Paper 2004-2408 (invited contribution).
J. Nocedal et S.J. Wright : Numerical Optimization. Springer series in operations research, 1999.
R. Peyret : Spectral Methods for Incompressible Viscous Flow. Applied Mathematical Sciences 148. Springer,
2002.
R.D. Prabhu, S. Scott Collis et Y. Chang : The influence of control on Proper Orthogonal Decomposition
of wall-bounded turbulent flows. Phys. Fluids, 13(2):520537, 2001.
S. Prajna : POD Model Reduction with Stability Guarantee. In IEEE CDC, 2003.
M. Rathinam et L. Petzold : A New Look at Proper Orthogonal Decomposition. SIAM J. Num. Anal.,
41(5):18931925, 2003.
S.S. Ravindran : Proper Orthogonal Decomposition in optimal control of fluids. Rapport technique, NASA,
Langley Research Center, Hampton, Virginia, 1999.
S.S. Ravindran : Reduced-order adaptive controllers for fluid flows using POD. J. of Scientific Computing,
15(4):457478, 2000a.
RFRENCES
57
S.S. Ravindran : A reduced-order approach for optimal control of fluids using Proper Orthogonal Decomposition. Int. J. Numer. Meth. Fluids, 34:425448, 2000b.
D. Rempfer : Investigations of boundary layer transition via Galerkin Projections on Empirical Eigenfunctions. Phys. Fluids, 8(1):175188, 1996.
D. Rempfer : On low-dimensional Galerkin models for fluid flow. Theor. Comput. Fluid Dyn., 14:7588,
2000.
D. Rempfer et H.F. Fasel : Evolution of three-dimensional coherent structures in a flat-plate boundary
layer. J. Fluid Mech., 260:351375, 1994.
F. Riesz et B.S. Nagy : Functionnal Analysis. Ungar, N.Y., 1955.
T.J. Rivlin : An introduction to the approximation of functions. Dover, 1981.
C.W Rowley : Modeling, simulation and control of cavity flow oscillations. Thse de doctorat, California
Institute of Technology, 2002.
C.W. Rowley : Model reduction for fluids, using balanced proper orthogonal decomposition. Rapport
technique, Princeton University, 2004.
R.L. Sani et P.M. Gresho : Resume and remarks on the open boundary condition mini-symposium. Int. J.
Numer. Meth. Fluids, 18:9831008, 1994.
H. Schlichting et K. Gersten : Boundary Layer Theory. Springer, 8th dition, 2003.
S. Sirisup et G.E. Karniadakis : A spectral viscosity method for correcting the long-term behavior of POD
model. J. Comp. Phys., 194:92116, 2004.
L. Sirovich : Turbulence and the dynamics of coherent structures. Part 1 : Coherent structures. Quarterly
of Applied Mathematics, XLV(3):561571, 1987a.
L. Sirovich : Turbulence and the dynamics of coherent structures. Part 2 : Symmetries and transformations.
Quarterly of Applied Mathematics, XLV(3):573582, 1987b.
L. Sirovich : Turbulence and the dynamics of coherent structures. Part 3 : Dynamics and scaling. Quarterly
of Applied Mathematics, XLV(3):583590, 1987c.
A. Sornborger, C. Sailstad, E. Kaplan et L. Sirovich : Spatiotemporal analysis of optical imaging
data. NeuroImage, 18:610621, 2003.
P.R. Spalart, W.H. Jou, M. Strelets et S.R. Allmaras : Comments on the Feasibility of LES for Wings,
and on a Hybrid RANS/LES Approach. In 1st AFOSR Int. Conf. on DNS/LES, Ruston, L.A., Aug. 4-8,
1997. In : Advances in DNS/LES, C. Liu and Z. Liu (eds.), Greyden Press, Columbus, OH.
L. Ukeiley, L. Cordier, R. Manceau, J. Delville, M. Glauser et J.-P. Bonnet : Examination of largescale structures in a turbulent mixing layer. Part 2. Dynamical systems model. J. Fluid Mech., 441:67108,
2001.
G. Vigo : The Proper Orthogonal Decomposition applied to unsteady compressible Navier-Stokes equation.
Rapport technique 3945, INRIA, 1998.
S. Volkwein : Proper Orthogonal Decomposition and Singular Value Decomposition. Rapport technique
153, Institut fr Mathematik, universit de Graz, 1999.
S. Volkwein : Optimal and suboptimal control of the Partial Differential Equations : Augmented LagrangeSQP methods and Reduced Order Modeling with Proper Orthogonal Decomposition. Habilitation diriger
les recherches, universit de Graz, 2001.
K.E. Willcox : Reduced-order aerodynamic models for aeroelastic control of turbomachines. Thse de
doctorat, Massachusetts Institute of Technology, 2000.
K. Zhou, J.C. Doyle et K. Glover : Robust and optimal control. Prentice Hall, 1996.

Reduc Model POD

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Reduc Model POD

Hochgeladen von

Copyright:

Verfügbare Formate

Rduction de dynamique par Dcomposition Orthogonale

aux Valeurs Propres (POD1)

Ecole de printemps OCET

TABLE DES MATIRES

Table des matires

2 Dcomposition Orthogonale aux valeurs Propres

3 Modles dOrdre Rduit bass sur la POD (POD ROM)

A Rappel sur les normes usuelles

Without an inexpensive method for reducing the cost of flow computations, it is

La problmatique gnrale associe la rduction de modle est dcrite de manire schmatique la

Sb : Nombre rduit dEDOs

Figure 1 Description schmatique de la rduction de modles.

= f (t, x(t), u(t)),

y(t) = g(t, x(t), u(t))

Figure 2 Reprsentation schmatique du systme dynamique S.

quelle que soit lentre u o est ici une tolrance donne ;

2. stabilit et passivit (pas de gnration dnergie) du systme S prserves ;

3. procdure de rduction stable numriquement et efficace.

Dcomposition Orthogonale aux valeurs Propres2

Un premier tour dhorizon

Structure cohrente, POD et contrle de la turbulence

o k1 k2 est le symbole de Kronecker.

u(x, t)l (x) dx = (u(x, t), l (x)) ,

o la notation (, ) reprsente le produit scalaire de deux fonctions.

(u(x, ti ), k (x)) k (x)k22 .

La Dcomposition aux Valeurs Singulires (SVD)

o7 U et V sont des matrices orthogonales8 , respectivement de dimension Nx Nx et Nt Nt (i.e.

alors que pour Nx > Nt elle devient :

sera, en particulier le cas la section 2.6.4 pour la mthode des snapshots.

La Dcomposition aux Valeurs Singulires (SVD)

u1 , , uNt , uNt +1 , , uNx

ANx Nt = U Nx r rr V TNt r = 1 u1 v1T + 2 u2 v2T + + r ur vrT .

Interprtations gomtriques de la SVD

Nuage de points dorigine

Nuage de points translat

Liens entre SVD et problmes aux valeurs propres

La Dcomposition aux Valeurs Singulires (SVD)

Approximation de rang minimum de A

avec k , matrice obtenue partir de , en conservant les k premires lignes.

simplement symtrique car la matrice A est considre valeurs relles.

Liens entre POD et SVD

u(j) (ti )(j) (x),

o la notation u correspond une solution discrtise par lments finis.

(un (x, ti ), k (x))M k (x)k2M

o la base de fonctions propres POD {k (x)}K

sous les contraintes

o UK et VK correspondent respectivement aux K premires colonnes de U et de V .

reprsente ici la ime colonne de la matrice A.

Exemple de compression dimages par SVD

eK et la forme de X, nous trouvons que la matrice est

Exemple de compression dimages par SVD

Figure 5 Valeurs singulires de limage clown (+) et de limage trees ().

Exemple de compression dimages par SVD

(a) Image dorigine

(b) Approximation de rang 6

(c) Approximation de rang 12

(d) Approximation de rang 20

(a) Image dorigine

(b) Approximation de rang 6

(c) Approximation de rang 12

(d) Approximation de rang 20

La Dcomposition Orthogonale aux valeurs Propres (POD)

o R(X, X ) = hu(X) u (X )i est le tenseur

des corrlations spatio-temporelles en deux points.