Résolution Numériques de L Équation Des Gaz Parfais

DYNAMIQUE MOLECULAIRE D’UN GAZ PARFAIT
1
Sommaire
Introduction……………………………………….…………………..………….……4
Chapitre I : Théorie cinétique des gaz…………………………………...……...5
I-1. Distribution de Boltzmann ……………………………………….….…………..…...6
I-2. les grandeurs hydrodynamiques………………………………...……….……….…..7
Chapitre II : La simulation numérique……………………….…….………….8
II.1 La modélisation………………………………………………………..………….….9
II.2 L’implémentation……………………………………………………….…….…….10
II.3 Les méthodes de calcul………………………………………………….………….10.
II.4 L’expérience et la simulation……………………………………………………….11
Chapitre III : La dynamique moléculaire………………………………….…12
III.1. Les équations du mouvement………………………………….…………………..13
III.2. Algorithmes de résolution des équations du mouvement……………………….…14
III.2.1 Algorithme Position Verlet………………………………………………………14
III.2.2 Algorithme Vitesse Verlet………………………………………………….……14
III.3 Algorithme de Leap-Frog « saut de grenouille » ……………………………….…15
III.4 Application en physique statistique……………….…………………….…………16
III.5 Simulation des milieux continus…………………….……………………………..17
Chapitre IV : Initiation à la dynamique moléculaire…………………...…18
IV.1 Mouvement d’une particule libre………………….………………………………19
IV.2. Mouvement de deux particules libres ……………………………..……………..22
IV.3. Mouvement de n particules libres ………………..……………………...………26
2
IV.4 Deux particules soumises au potentiel d’interaction…………………………...…29
Conclusion……………………………………………………………………….…..35
Bibliographie………………………………………………………………………..36
3
INTRODUCTION
Nous tentons dans ce projet de simuler un gaz de particules sphériques dans un environnement à deux
dimensions. Le modèle retenu est celui des disques durs qui se déplacent sans frottement sur un plan.
Pour des raisons de simplicité, nous supposons dans une première étape, que les particules sont en
mouvement libre et peuvent entrer en collision mutuelles ou entre les parois. Dans la seconde étape,
nous tentons d’étudier le cas où les particules sont soumises au potentiel d’interaction mutuelle.
L’objectif de notre approche est de comprendre le processus de la simulation par la méthode de la

dynamique moléculaire. La complexité de la méthode nous oblige à procéder par étape. Ainsi, nous
commençons par étudier le cas d’une seule particule qui se déplace librement à l’intérieur d’un plan de
forme carré et de côté L. La position et la vitesse initiales sont choisies aléatoirement. Par la suite, le
trajet de la particule est calculé régulièrement après chaque durée t.
Dans une deuxième étape, nous abordons le cas de deux particules libre toujours dans le même espace.
Nous poursuivons la même procédure de calcul que l’étape précédente. Toutefois, nous ajoutons cette
fois-ci le processus de collision mutuelle des particules.
Enfin, nous gardons le système à deux particules, mais cette fois-ci, nous allons considérer
l’interaction entre les particules. Ainsi, les particules sont soumises à l’action d’une force conservative
dérivant de leur potentiel d’interaction mutuelle. Nous considérons le potentiel d’interaction de
Lenard Jonnes.
4
Chapitre I : Théorie cinétique des gaz
5
Dans la nature, les matériaux sont des systèmes constitués de très grand nombre de particules. L’étude
individuelle de chaque particule devient impossible. En revanche, la considération d’un nombre limité
d’entre elles facilite la tâche. De même, les grandeurs physiques macroscopiques ne sont en réalité que
des valeurs moyennes de ce qui se passe à l’échelle microscopique.
La théorie cinétique des gaz a été développée à partir du 18ème siècle. Elle est fondée sur les idées
formulées par Daniel Bernoulli, John James Waterston, K.A. Krönig et Rudolf Clausius. Toutefois, le
développement de la théorie s’est basé sur les travaux de James Clerk Maxwell et Ludwig Boltzmann.
Ces derniers ont formalisé ses expressions mathématiques. Les succès de la théorie cinétique des gaz
ont constitué un argument fondamental à l'appui de la théorie atomique de la matière.
I.1. Distribution de Boltzmann

Boltzmann considère qu’un gaz est formé de particules microscopiques. Chaque particule est repérée
en chaque instant t à la position r et se déplaçant avec une vitesse propre v. La distance séparant les
particules est très grande par rapport au diamètre des particules. Généralement, les particules se
déplacent en ligne droite et ne change de direction que lorsqu’elles entre en collisions mutuelles ou
avec les parois de l’espace.
A courte distance, les particules s’attirent mutuellement via une force dérivant d’un potentiel. Ce
potentiel caractérise généralement la nature des particules du gaz. Au contact, lors d’une collision, les
particules subissent un choc élastique. La quantité de mouvement et l’énergie cinétique sont
conservées.
La description du mouvement de l’ensemble des particules est régie par la fonction de distribution de
Boltzmann notée f(r,v,t). Cette quantité représente le nombre de particules du gaz se trouvant à
l’instant t dans l’élément du volume compris entre r et r+dr et ayant des vitesses comprises entre v et
v+dv. Le processus des collisions entre les particules affecte la variation de la fonction de distribution
6
des vitesses f(r,v,t). L’équation de Boltzmann, introduite en 1872, résume l’évolution spatio-
temporelle de cette fonction comme suit :
𝜕𝑓(𝐫, 𝐯, 𝑡) 𝜕𝑓(𝐫, 𝐯, 𝑡) 𝜕𝑓(𝐫, 𝐯, 𝑡)

+𝑣 +𝐅 =𝑄
𝜕𝑡 𝜕𝐫 𝜕𝐯
Où F est la force externe agissant sur les particules.
L’équation de Boltzmann balance entre la dérivée totale de la fonction de distribution, le membre de

gauche, et une quantité Q liée au processus des collisions.
II.2. Les grandeurs hydrodynamiques

En physique statistique la connaissance de la fonction de distribution 𝑓(𝑟, 𝑣, 𝑡) est suffisante pour
exprimer explicitement toutes les grandeurs physiques du gaz. Par exemple, le nombre de particule
dans l’élément de volume compris entre r et 𝑟 + 𝑑𝑟 est donné par :
𝑛(𝒓, 𝑡) = ∫ 𝑓(𝐫, 𝐯, 𝑡)d𝐯

𝑉
La vitesse moyenne de l’ensemble des particules dans l’élément de volume est :
𝐮(𝒓, 𝑡) = ∫ 𝐯. 𝑓(𝐫, 𝐯, 𝑡)d𝐯

𝑉
La vitesse quadratique moyenne :

3𝑘𝐵 𝑇
< 𝒗𝟐 >= ∫𝑉 𝐯. 𝐯. 𝑓(𝐫, 𝐯, 𝑡)d𝐯 = 𝑚
Avec m la masse d’une particule qu’on suppose identique, 𝑘𝐵 la constante de Boltzmann et T la

température du gaz.
L’énergie cinétique moyenne des particules est :
1
< 𝐸𝑐 > = 𝑚 < 𝑣2 >
2
A partir du résultat précédent, on conclut que :
3
< 𝐸𝑐 > = 𝑘𝐵 𝑇
2
Le tenseur de pression P est donné par :
𝐏 = ∫ 𝐯 ⊗ 𝐯. 𝑓(𝐫, 𝐯, 𝑡)d𝐯
𝑉
À partir duquel les pressions dans les directions x, y et z sont respectivement 𝑃𝑥𝑥 , 𝑃𝑦𝑦 et 𝑃𝑧𝑧 . Quand
à la pression hydrostatique, elle s’exprime sous la forme suivante :
1
𝑃 = (𝑃𝑥𝑥 + 𝑃𝑦𝑦 + 𝑃𝑧𝑧 )
3
7
De façon générale, toutes les grandeurs hydrodynamiques d’un gaz sont exprimées comme valeur
moyenne des grandeurs microscopiques des particules.
Chapitre II : La simulation numérique
8
La simulation par ordinateur s’est développée parallèlement au développement du matériel
informatique. Depuis l’apparition des premiers ordinateurs, de nombreuses méthodes se sont inventées
pour résoudre des problèmes physiques restaient jusqu’à alors sans solutions.
Aujourd’hui, la simulation numérique est utilisée dans de nombreux domaines de recherche et

développement : mécanique, mécanique des fluides, science des matériaux, astrophysique, physique
nucléaire, aéronautique, climatologie, météorologie, physique théorique, mécanique quantique,
biologie, chimie… ainsi qu’en sciences humaines : démographie, sociologie… Elle intervient aussi
dans des secteurs comme celui de la banque et des finances.
La simulation numérique désigne le procédé selon lequel on exécute des programmes sur des
ordinateurs en vue de représenter un phénomène physique. Les simulations numériques scientifiques
reposent sur la mise en œuvre de modèles théoriques. Elles sont une adaptation aux moyens
numériques des modèles mathématiques. Elles servent à étudier le fonctionnement et les propriétés
d’un système et à en prédire son évolution. Elle comprend deux phases : la modélisation et
l’implémentation.
II.1 La modélisation
Un modèle est la traduction d’un phénomène naturel quelconque en une description par des équations
mathématiques. A partir du 17ème siècle, les modèles se sont souvent inspirés des expériences menées
en laboratoire. Ils sont parfois déduits des théories elles-mêmes conçues sans expérience, grâce à une
démarche purement intellectuelle, « l’expérience de pensée » (la Théorie de la relativité conçue par
Albert Einstein en 1915 n’a pu être expérimentée qu’en 1919).
Aujourd’hui, plusieurs théories physiques, comme la théorie des cordes, fournissent des modèles qu’ils
n’ont pas encore de procédés expérimentaux qui pourront les tester. « L’expérience numérique » sert à
éclaircir l’analogie entre la pratique et la conduite d’une expérience de physique. La modélisation du
phénomène étudié consiste à prendre en compte les principes fondamentaux, Comme par exemple la
conservation de la masse, de l’énergie, et à déterminer les paramètres essentiels à sa description à la
fois simple et réaliste. En chaque point de l’objet considéré, plusieurs grandeurs physiques (position,
vitesse, température…) décrivent son état et son évolution et permettent de caractériser entièrement
son mouvement. Ces grandeurs ne sont pas indépendantes mais reliées entre elles par des équations,
qui sont la traduction mathématique des lois de la physique régissant le comportement de l’objet.
9
II.2 L’implémentation
La modélisation produit les équations mathématiques nécessaires à la description d’un phénomène
naturel. L’implémentation est la traduction de ces équations en des programmes informatiques pour
que la machine les exécute.
Par ailleurs, simuler l’état de l’objet revient à déterminer les valeurs numériques de ses paramètres en
tous points. Comme il y a une infinité de points, il serait impossible de les traiter ensemble. Pour des
raisons de faisabilité, il n’est possible de considérer qu’un nombre fini. Le nombre effectif de points
traités dépendra de la puissance de ce dernier.
La discrétisation du domaine physique consiste précisément dans cette réduction de l’infini au fini. La
modélisation et la simulation vont toujours ensemble. Elles s’appuient sur des méthodes
mathématiques et informatiques en même temps.
II.3 Les méthodes de calcul

Il existe deux approches principales pour résoudre numériquement les équations mathématiques d’un
modèle :
• La méthode de calcul déterministe, qui résout les équations après avoir discrétisé les variables,
• La méthode de calcul statistique (ou probabiliste).
Dans la première, l’objet est considéré comme un ensemble de petits volumes élémentaires contigus
dénommé « maillage », par analogie avec la trame d’un tissu. Les paramètres de l’état de l’objet,
définis dans chaque maille du maillage, sont reliés par des équations algébriques à ceux des mailles
voisines. Il existe de nombreuses méthodes déterministes:
• des volumes finis,

• des éléments finis,
• la dynamique moléculaire …
dont l’utilisation dépend pour partie des équations considérées.
La deuxième méthode, dite de «Monte-Carlo », est particulièrement adaptée aux phénomènes

caractérisés par une succession d’étapes lors desquelles chaque élément de l’objet peut subir différents
événements possibles apriori. D’étape en étape, l’évolution de l’échantillon sera déterminée grâce à
des tirages au hasard (d’où le nom de la méthode).
Les méthodes déterministes et celle de Monte-Carlo font l’objet de nombreuses études mathématiques
pour préciser leur convergence en espace, c’est-à-dire la variation de la précision de l’approximation
en fonction du nombre de mailles ou d’éléments de l’objet, ou leur convergence en temps, soit la
variation de la précision en fonction du « pas de temps » de calcul.
Les outils de la simulation numérique sont donc des programmes informatiques exécutés sur des
ordinateurs: ces logiciels de calcul ou « codes » sont la traduction, à travers des algorithmes
numériques, des formulations mathématiques des modèles physiques étudiés.
10
II.4 L’expérience et la simulation
La simulation numérique se concrétise lorsque l’on visualise le phénomène initial sur l’écran de
l’ordinateur. L’analyse critique des résultats et leur confrontation avec l’expérience font partie
intégrante de la démarche. Cette analyse comparative débouche sur des améliorations des modèles
physiques, de leurs paramètres et des programmes informatiques de simulation.
L’expérience alimente la simulation. Inversement, l’exploration des nombreuses solutions rendues

possibles par la simulation permet d’observer ou de prévoir des comportements inattendus. Ceci
suggère des expériences et fait donc progresser la connaissance de la physique. Ainsi, loin de
supplanter l’expérimentation, la simulation donne une nouvelle prise sur le réel. C’est la troisième
forme d’étude des phénomènes, après la théorie et l’expérience. Parmi les méthodes les plus
répandues, on trouve la méthode des éléments finis, la méthode de Monté Carlo et celle de la
Dynamique Moléculaire.
11
Chapitre III : La dynamique moléculaire
12
La dynamique moléculaire est une méthode permettant de simuler l'évolution temporelle d'un système
moléculaire. Elle repose généralement sur l'utilisation de la relation fondamentale de la dynamique. La
description par la mécanique classique à l’échelle atomique reste valable pour certaines valeurs de la
longueur d'onde thermique de de Broglie. Pour le système considéré, cette longueur est définie par :
ℎ2
𝜆=√
𝑚𝑘𝐵 𝑇
où m est la masse atomique et T la température, 𝑘𝐵 la constante de Boltzmann et h la constante de

Planck.
L'approximation classique est faisable si cette longueur d'onde est plus petite que la distance qui sépare
l'atome de son plus proche voisin. Pour un liquide dans des conditions thermodynamiques proches de
son point triple, la longueur d'onde est plus de 10 fois inférieure à la distance interatomique.
III.1. Les équations du mouvement

La loi fondamentale du dynamique associé au mouvement de chaque particule i du système étudié est
donné par:
𝐹𝑖 = 𝑚𝑖 𝑎𝑖
où 𝐹𝑖 représente la somme des forces exercées sur l'atome i de masse 𝑚𝑖 et soumis à l’accélération
𝑎𝑖 . Tenant en compte de ce concept, il est nécessaire de déterminer l’ensemble des positions et des
vitesses de toutes les particules formant le système. Soit Γ{𝑟𝑖 𝑣𝑖 } l’ensemble de toutes les positions 𝑟𝑖 et
des vitesses 𝑣𝑖 pour 𝑖 = 1 … 𝑁.
La qualité d'une simulation de la dynamique moléculaire dépend du nombre de positions et de vitesses

qui devront être calculées. Normalement, l'accélération est reliée à la vitesse, elle-même reliée à la
position de la particule considérée. La force sur une particule est obtenue à partir du gradient de
l’énergie potentiel du système.
Connaissant donc l'énergie du système E, la force agissant sur la particule i est donnée par la relation
suivante :
𝑑𝐸
𝐹𝑖 = −
𝑑𝑟𝑖
Le problème consiste à résoudre l’équation du mouvement pour chaque particule, soit à résoudre le
système de N équations suivant :
𝑑 2 𝑟⃑𝑖 𝑑𝑝⃑𝑖
𝐹⃑𝑖 = 𝑚𝑖 𝑎⃑𝑖 = 𝑚𝑖 =
𝑑𝑡 2 𝑑𝑡
13
III.2. Algorithmes de résolution des équations du mouvement
Le résolution du système du mouvement est numérique. Dans ce sens, les équations sont descritisées
en fonction de la variable temps. Les méthodes de résolutions et de descritisations sont nombreuses
parmis lesquelles on retrouve l’algorithme de Verlet publié en 1964. Ce dernier se présente en deux
version : Position Verlet et Vitesse Verlet.
III.2.1 Algorithme Position Verlet
Le développement de Taylor du vecteur position ⃑𝑟⃑𝑖 de chaque atome i du système avec +𝑑𝑡 et −𝑑𝑡 est
donné par :
𝐹⃑𝑖 (𝑡) 2 𝑑 3 𝑟⃑𝑖 3

𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) + 𝑣⃑𝑖 (𝑡)𝑑𝑡 + 𝑑𝑡 + 3 𝑑𝑡 + 𝑂(𝑑𝑡 4 )
2𝑚𝑖 𝑑𝑡
𝐹⃑𝑖 (𝑡) 2 𝑑 3 𝑟⃑𝑖 3

𝑟⃑𝑖 (𝑡 − 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) − 𝑣⃑𝑖 (𝑡)𝑑𝑡 + 𝑑𝑡 − 3 𝑑𝑡 + 𝑂(𝑑𝑡 4 )
2𝑚𝑖 𝑑𝑡
La somme des deux expressions ci-dessus donne :
𝐹⃑𝑖 (𝑡) 2
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑟⃑𝑖 (𝑡 − 𝑑𝑡) = 2𝑟⃑𝑖 (𝑡) + 𝑑𝑡 + 𝑂(𝑑𝑡 4 )
2𝑚𝑖
D’où :
𝐹⃑𝑖 (𝑡) 2
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 2𝑟⃑𝑖 (𝑡) + 𝑟⃑𝑖 (𝑡 − 𝑑𝑡) + 𝑑𝑡 + 𝑂(𝑑𝑡 4 )
2𝑚𝑖
La nouvelle position de l’atome i est determinée à partire de sa position actuelle (t), celle d’avant (c-à-
d à t-dt) et la force appliquée sur l’atome à l’instant (t). L’erreur comise sur la prédiction est de l’ordre
de 𝑂(𝑑𝑡 4 ). Pour des valeurs très petites de dt, l’erreur devient negligeable.
Pour le valeur de la vitesse de l’atome i est calculée de la même façon. Le developement de Taylor de
la vitesse s’écrit :
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑟⃑𝑖 (𝑡 − 𝑑𝑡)

𝑣⃑𝑖 (𝑡) = + 𝑂(𝑑𝑡 2 )
2𝑑𝑡
Les données des premiers ordres sont données par les conditions intiales. C’est que l’algorithme est
initialisé par la donnée de la position 𝑟⃑𝑖 (𝑡) pour 𝑡 = 0 et 𝑡 = −𝑑𝑡 de chaque atome i aux instants de la
simulation. La force 𝐹⃑𝑖 (𝑡) est calculée à l’instant 𝑡 = 0. L’algorithme permet de calculer les valeurs
des positions et des vitesses à un temps ultérieur.
14
III.2.2 Algorithme Vitesse Verlet
Cet algorithme est semblable au précédent et déduit de la même façon. Pour ce faire, reprenons le
développement de Taylor du vecteur position en +dt à l’ordre 2. L’expression s’ecrit sous la forme :
𝐹⃑𝑖 (𝑡) 2
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) + 𝑣⃑𝑖 (𝑡)𝑑𝑡 + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2𝑚𝑖
Maintenant, si nous reprenons le développement suivant à l’étape t=t+dt,
𝐹⃑𝑖 (𝑡) 2
𝑟⃑𝑖 (𝑡 − 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) − 𝑣⃑𝑖 (𝑡)𝑑𝑡 + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2𝑚𝑖
Nous obtenons :
𝐹⃑𝑖 (𝑡 + 𝑑𝑡) 2
𝑟⃑𝑖 (𝑡) = 𝑟⃑𝑖 (𝑡 + 𝑑𝑡) − 𝑣⃑𝑖 (𝑡 + 𝑑𝑡)𝑑𝑡 + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2𝑚𝑖
En additionnant la dernière et l’avant dernière équations, nous obtenons :
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑟⃑𝑖 (𝑡)

𝐹⃑𝑖 (𝑡) 2 𝐹⃑𝑖 (𝑡 + 𝑑𝑡) 2
= 𝑟⃑𝑖 (𝑡) + 𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑣⃑𝑖 (𝑡)𝑑𝑡 − 𝑣⃑𝑖 (𝑡 + 𝑑𝑡)𝑑𝑡 + 𝑑𝑡 + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2𝑚𝑖 2𝑚𝑖
D’où
𝐹⃑𝑖 (𝑡) + 𝐹⃑𝑖 (𝑡 + 𝑑𝑡)

𝑣⃑𝑖 (𝑡 + 𝑑𝑡) = 𝑣⃑𝑖 (𝑡) + 𝑑𝑡 + 𝑂(𝑑𝑡 2 )
2𝑚𝑖
Les équations donnant 𝑟⃑𝑖 (𝑡 + 𝑑𝑡) et 𝑣⃑𝑖 (𝑡 + 𝑑𝑡) forment l’algorithme Vitesse de Verlet dans lequel la
position 𝑟⃑𝑖 et la vitesse 𝑣⃑𝑖 sont connus exactement en même instant de la dynamique t+dt. Les deux
algorithmes de Verlet produisent les mêmes résultats. Seulement, dans l’algorithme Vitesse, il faut
calculer 𝐹⃑𝑖 (𝑡 + 𝑑𝑡), ce qui demande plus de calcul.
L’initialisation de l’algorithme à l’instant t=0 se fait en donnant des valeurs à la position 𝑟⃑𝑖 (0), à la
vitesse 𝑣⃑𝑖 (0) et à la force 𝐹⃑𝑖 (0) pour chaque atime i.
III.2.3. Algorithme de Leap-Frog « saut de grenouille »
Dans cet algorithme, les vitesses et les positions des atomes sont calculées à des instants alternés. Nous
avons :
𝑑𝑡 𝑟⃑𝑖 (𝑡 + 𝑑𝑡) − 𝑟⃑𝑖 (𝑡)

𝑣⃑𝑖 (𝑡 + )= + 𝑂(𝑑𝑡 2 )
2 𝑑𝑡
15
Ce qui donne :
𝑑𝑡
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) + 𝑣⃑𝑖 (𝑡 + ) 𝑑𝑡 + 𝑂(𝑑𝑡 2 )
2
De la même façon, il est facile à calculer :
𝑑𝑡
𝑟⃑𝑖 (𝑡 − 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) − 𝑣⃑𝑖 (𝑡 − ) 𝑑𝑡 + 𝑂(𝑑𝑡 2 )
2
Et
𝐹⃑𝑖 (𝑡) 2
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 2𝑟⃑𝑖 (𝑡) − 𝑟⃑𝑖 (𝑡 − 𝑑𝑡) + 𝑑𝑡 + 𝑂(𝑑𝑡 4 )
𝑚𝑖
Dans laquelle on remplace les expressions de , d’où :
𝑑𝑡 𝑑𝑡 𝐹⃑𝑖 (𝑡)
𝑣⃑𝑖 (𝑡 + ) = 𝑣⃑𝑖 (𝑡 − ) + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2 2 𝑚𝑖
La nouvelle position de l’atome i est obentenue par :
𝑑𝑡
𝑟⃑𝑖 (𝑡 + 𝑑𝑡) = 𝑟⃑𝑖 (𝑡) + 𝑣⃑𝑖 (𝑡 + ) 𝑑𝑡
2
𝑑𝑡
Comme tout algorithme, l’initialisation se fait en donant des valeurs à t=0, 𝑣⃑𝑖 (− 2 ), 𝑟⃑𝑖 (0) et 𝐹⃑𝑖 (0).
Il existe d’autres algorithmes plus précis mais il seront plus compliqués à implémenter et très couteux
en temps de calcul.
III.3 Application en physique statistique

Il est évident que si les potions et les vitesses des particules sont connues alors toutes les grandeurs
physiques du système seront obtenus comme valeurs moyennes des valeurs microscopiques. Par
exemple :
La température instantanée du système est données par :

𝑁
𝑚𝑖 𝑣⃑𝑖2 (𝑡)
𝑇(𝑡) = ∑
3𝑁𝑘𝐵
𝑖=1
La température moyenne du système est comme valeur moyenne :

𝑛
𝑇(𝑡𝑖 )
𝑇=∑
𝑛
𝑖=1
16
La valeur moyenne de l'énergie cinétique des particules est :
𝑁
1 3
𝐸 = ∑ 𝑚𝑖 𝑣⃑𝑖2 (𝑡) = 𝑘𝐵 𝑇
2 2
𝑖=1
III.4 Simulation des milieux continus

Les résultats prévus par les algorithmes présentés dans les sections précédentes sont plutôt applicables
à des systèmes discrets constitués d’un nombre fini de particules. En réalité, ces systèmes ne reflètent
pas la natures physiques des systèmes naturels. Néanmoins, il existe plusieurs méthodes pour
simplifier les systèmes réels en des systèmes traitables par les moyens de calcul.
Pour modéliser la matière continue (liquides, solides ou même à l’état gazeu) avec des représentations
à taille finie et raisonnables en temps de calcul et en occupation de mémoire, on introduit des
conceptes pour limiter le système tels que les conditions aux bords périodiques.
17
Chapitre IV : Initiation à la dynamique moléculaire
18
Même simplifiée, la technique de simulation reste dificile à utiliser dans des conditions proches de la
réalité physique. Nous procédons à l’initiation à la dynamiqe moléculaire en étape.
Dans une première, nous considérons une seule particule libre enfermée dans un espace carré de
dimension LxL. La particule munie d’une vitesse initiale v0 se déplace librement sur le carré. L’étude
consiste à calculer la trajectoire de la partucule pendant une durée de temps determinée.
Dans une deuxième étape, nous considérons deux particules libres enfermées dans le même espace.
En troisième étape, nous considérons le cas de deux particules, traitées précedement, soumises à un
champs de forces. Nous considérons ainsi l’interraction mutuelles entres les particules.
IV.1 Mouvement d’une particule libre
Considérons une particule libre de rayon σ mobile dans un plan carré de dimension LxL. La particule
n’est soumise à aucune force. Son mouvement est rectiligne et uniforme. Le système est illustré par le
schéma suivant :
Figure 1. Position d’une particule
La particule de vitesse v constante est repérée par ses coordonnées (x,y) de son centre. La trajectoire
est calculée à partir d’une position initiale aléatoire à l’intérieur du carré pendant une durée T. Le
contact de la particule avec le bord de l’espace arrive quand la distance r du centre de la particule est
inférieure ou égale à son rayon 𝜎. Le principe est décrit par le schéma suivant :
19
Figure 2 : Contact de la particule avec le bord
Au contact avec la paroi, la particule est réfléchie en gardant la même vitesse mais dans un autre sens.
Le vecteur de la vitesse réfléchie est toujours orthogonal au vecteur vitesse incident. Ce processus est
schématisé dans la figure suivante :
Figure 3 : réflexion d’une particule
La réflexion est similaire pour les autres parois. Il suffit de choisir la composante de vitesse appropriée
à inverser. L’algorithme de calcul est comme suit :
 On subdivise T en N durée égale, dt = T/N,

 A t=0, soit v0 une constante donnée, x0 et y0 deux nombre aléatoire : 0 ≤ 𝑥0 ≤ 𝐿 et 0 ≤ 𝑦0 ≤ 𝐿,
 𝑝𝑜𝑢𝑟 𝑖 = 1 à 𝑁
 𝑡 = 𝑡 + 𝑑𝑡,
 𝑥 = 𝑣𝑥0 𝑡 + 𝑥0 ; 𝑦 = 𝑣𝑦0 𝑡 + 𝑦0
 Si 𝑥 ≤ 𝜎 ou 𝑥 ≥ 𝐿 − 𝜎 alors
 𝑣𝑥0 = − 𝑣𝑥0
 Si 𝑦 ≤ 𝜎 ou 𝑦 ≥ 𝐿 − 𝜎 alors
 𝑣𝑦0 = − 𝑣𝑦0
20
 𝑓𝑖𝑛 𝑝𝑜𝑢𝑟
Nous avons testé l’algorithme par un programme écrit en langage Maple donné comme
ci-après.
Programme 1:
> restart:
> A:=100:
> N:=100: #le nombre de durée élémentaire du temps
> L:=10: #la dimension du domaine
> d:=L/A:
> X:=array(0..N):
> Y:=array(0..N):
> dt:=0.01: #la durée élementaire du temps
> t:=0: #le temps = N*dt
> randomize(): #initialisation du générateur des nombres aléatoires
> r1:=rand(0..5):
> r2:=rand(0..A):
> vx:=10+r1():
> vy:=10+r1():
> x0:=d+(L-2*d)*r2()/A:
> y0:=d+(L-2*d)*r2()/A:
> while t<N do
> x:=evalf(vx*dt+x0):
> y:=evalf(vy*dt+y0):
> if is(x<=d) then
> vx:=-vx:
> x:=d:
> fi:
> if is(x>=(L-d)) then
> vx:=-vx:
> x:=L-d:
> fi:
> if is(y<=d) then
> vy:=-vy:
> y:=d:
> fi:
> if is(y>=(L-d)) then
> vy:=-vy:
> y:=L-d:
> fi:
> t:=t+1:
> X[t]:=x: Y[t]:=y:
> x0:=x: y0:=y:
> od:
> #le tracé graphique de la trajectoire de la particule
> l := [[ X[n], Y[n]] $n=0..N]: plot(l, X=0..L,

style=point,symbol=circle,axes=box, thickness=3);
21
La trajectoire calculée est représenté sur la figure suivante :
Figure 4 : Trajectoire d’une particule libre (100xdt)
La longueur de la trajectoire dépond de la durée du temps considéré. La figure 4 est la trajectoire que
parcours la particule pendant 100 fois la durée élémentaire dt. Pour de longues durées, la particule aura
le temps pour occuper toute les positions et la trajectoire semble une répartition d’un grand nombre de
particules dans le même espace.
Figure 5 : Trajectoire d’une particule libre (10000xdt)
IV.2. Mouvement de deux particules libres

Dans cette étape, nous considérons deux particules mobiles sur un plan bidimensionnel. Les deux
particules sont en mouvement rectiligne uniforme. Au contact avec les parois, chaque particule est
réfléchie exactement comme le cas de la section précédente. Toutefois, les deux particules peuvent se
croiser le chemin durant le laps de temps.
22
Les deux particules identiques, de même masse et de même rayon σ, peuvent entrer en collision entre
elles. La collision ait lieu quand la distance séparant leurs positions est inférieure au diamètre de la
particule 𝑟 ≤ 2𝜎.
Figure 6 : Distance entre particules
Le processus de collisions entre les particules est très compliqué à étudier. Tout ce que nous savons
c’est que les collisions sont élastiques. Par conséquent, il y a conservation de la quantité de
mouvement et de l’énergie cinétique. Les équations résultantes sont alors :
𝐯𝟏 + 𝐯𝟐 = 𝐯𝟏́ + 𝐯𝟐́
𝑣12 + 𝑣22 = 𝑣́ 12 + 𝑣́22
Où 𝐯𝟏 , 𝐯𝟐 , 𝐯𝟏́ et 𝐯𝟐́ sont respectivement les vitesses de la particule 1 et la particule 2 avant et après
une collision. C’est un système de quatre équations à six inconnus. Notre objectif est de se familiariser
avec les techniques de la dynamique moléculaire. Nous optons pour un modèle simplifié des collisions.
Nous considérons que l’effet des collisions n’est qu’une permutation des vitesses des particules. Le
processus collisionnel respecte les équations de conservation de la quantité de mouvement et celle de
l’énergie. Ainsi, le modèle considéré, comme prescrit dans la figure 7, illustre la solution triviale des
équations de conservation :
𝐯𝟏́ = 𝐯𝟐
𝐯𝟐́ = 𝐯𝟏
Le processus collisionnel envisagé est illustré par la figure suivante :
Figure 7 : Effet des collisions
23
Nous reprenons le traitement effectué du cas précédent en l’adaptant à la nouvelle situation. Ainsi,
Durant un laps de temps T, et sur un plan carré de largeur L, l’algorithme de calcul est comme suit :

 A t=0, soit v1x0 , v1y0, v2x0 , v2y0 des constantes aléatoires, x10 , y10 et x20 , y20 des nombres
aléatoires tels que: 0 ≤ 𝑥10 ≤ 𝐿 et 0 ≤ 𝑦10 ≤ 𝐿, 0 ≤ 𝑥20 ≤ 𝐿 et 0 ≤ 𝑦20 ≤ 𝐿,
 𝑡 = 𝑡 + 𝑑𝑡,
 𝑥1 = 𝑣1𝑥0 𝑡 + 𝑥10 ; 𝑦1 = 𝑣1𝑦0 𝑡 + 𝑦10 :
 𝑥2 = 𝑣2𝑥0 𝑡 + 𝑥20 ; 𝑦2 = 𝑣2𝑦0 𝑡 + 𝑦20 :
 𝑟 = √(𝑥1 − 𝑥2 )2 + (𝑦1 − 𝑦2 )2
 𝑆𝑖 𝑟 ≤ 2𝜎 alors
 𝑎 = 𝑣1𝑥0
 𝑏 = 𝑣1𝑦0
 𝑣1𝑥0 = 𝑣2𝑥0
 𝑣1𝑦0 = 𝑣2𝑦0
 𝑣2𝑥0 = 𝑎
 𝑣2𝑦0 = 𝑏
 Si 𝑥1 ≤ 𝜎 ou 𝑥1 ≥ 𝐿 − 𝜎 alors
 𝑣1𝑥0 = − 𝑣1𝑥0
 Si 𝑦1 ≤ 𝜎 ou 𝑦1 ≥ 𝐿 − 𝜎 alors
 𝑣1𝑦0 = − 𝑣1𝑦0
 𝑣2𝑥0 = − 𝑣2𝑥0
 𝑣2𝑦0 = − 𝑣2𝑦0
Le programme informatique traitant est le suivant :
Programme 2:
> restart:
> A:=100:
> N:=50:
> L:=10:
> d:=L/A:
> np:=2: #nombre de particules
> X:=array(1..np,0..N):
> Y:=array(1..np,0..N):
> Vx:=array(1..np):
> Vy:=array(1..np):
> dt:=0.025: #la durée élémentaire du temps

> t:=0:
> ###les valeur à l'origine : t=0
> for i from 1 to np do
> randomize();
24
> r1:=rand(0..10):
> r2:=rand(0..A):
> s:=rand(1..100):
> if irem(signe,2)=0 then signe:=1: else signe:=-1: fi:
> vx:=signe*(10+r1()):
> vy:=signe*(10+r1()):
> Vx[i]:=vx:
> Vy[i]:=vy:
> x0:=d+(L-2*d)*r2()/A:
> y0:=d+(L-2*d)*r2()/A:
> X[i,t]:=x0:
> Y[i,t]:=y0:
> od:
> distance:=proc(x1,y1, x2, y2)
> local r:
> r:=(x1-x2)^2+(y1-y2)^2:
> RETURN(evalf(sqrt(r))):
> end:
> t:=t+1:
> while t<=N do
> x:=evalf(Vx[i]*dt+X[i,t-1]):
> y:=evalf(Vy[i]*dt+Y[i,t-1]):
> if is(x<=d) then
> Vx[i]:=-Vx[i]:
> X[i,t]:=d:
> fi:
> if is(x>=(L-d)) then
> Vx[i]:=-Vx[i]:
> X[i,t]:=L-d:
> fi:
> if is(y<=d) then
> Vy[i]:=-Vy[i]:
> Y[i,t]:=d:
> fi:
> if is(y>=(L-d)) then
> Vy[i]:=-Vy[i]:
> Y[i,t]:=L-d:
> fi:
> X[i,t]:=x: Y[i,t]:=y:
> od:
> for j from 1 to np do
> if j<>i then
> l:=distance(X[i,t],Y[i,t],X[j,t],Y[j,t]):
> if l<=d then collision(l,d): fi:
> fi:
> od:
> od:
> t:=t+1:
> od:
> l1 := [[ X[1,n], Y[1,n]] $n=0..N]:
> l2 := [[ X[2,n], Y[2,n]] $n=0..N]:
> G1:=plot(l1, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
> G2:=plot(l2, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
> with(plots):
> display(G1,G2);
25
Les résultats de calcul sont représentés sur la figure suivante :
Figure 8 : Trajectoire de deux particules (50xdt)
Bien que les particules puissent entrer en collision mutuelle, il est rare d’observer le phénomène entre
les particules libres. C’est que la collision ne peut se produire que si les deux trajectoires se croisent
en même moment en la même posions. Si nous augmentons la durée du parcours, il nous est difficile
de distinguer la position de la rencontre des deux particules.
IV.3. Mouvement de n particules libres

En réalité, il est très utile de considérer un système de plusieurs particules. Dans notre cas, et pour des
raisons de faisabilité, nous considérons un système de 20 particules. Le programme de teste est le
suivant :
Programme 3
restart:
> A:=100:
> N:=50:
> L:=10:
> d:=L/A:
> np:=20: #nombre de particules
> X:=array(1..np,0..N):
Y:=array(1..np,0..N):
Vx:=array(1..np):
Vy:=array(1..np):
dt:=0.025: #la durée élémentaire du temps
26
t:=0:
###les valeur à l'origine : t=0
for i from 1 to np do
randomize();
r1:=rand(0..10):
r2:=rand(0..A):
s:=rand(1..100):
If irem(signe,2)=0 then signe:=1: else signe:=-1: fi:
vx:=signe*(10+r1()):
vy:=signe*(10+r1()):
Vx[i]:=vx:
Vy[i]:=vy:
x0:=d+(L-2*d)*r2()/A:
y0:=d+(L-2*d)*r2()/A:
X[i,t]:=x0:
Y[i,t]:=y0:
od:
distance:=proc(x1,y1, x2, y2)
local r:
r:=(x1-x2)^2+(y1-y2)^2:
RETURN(evalf(sqrt(r))):
end:
t:=t+1:
while t<=N do
x:=evalf(Vx[i]*dt+X[i,t-1]):
y:=evalf(Vy[i]*dt+Y[i,t-1]):
if is(x<=d) then
Vx[i]:=-Vx[i]:
X[i,t]:=d:
fi:
if is(x>=(L-d)) then
Vx[i]:=-Vx[i]:
X[i,t]:=L-d:
fi:
if is(y<=d) then
Vy[i]:=-Vy[i]:
Y[i,t]:=d:
fi:
if is(y>=(L-d)) then
Vy[i]:=-Vy[i]:
Y[i,t]:=L-d:
fi:
X[i,t]:=x: Y[i,t]:=y:
od:
for j from 1 to np do
if j<>i then
l:=distance(X[i,t],Y[i,t],X[j,t],Y[j,t]):
if l<=d then print(l,d): fi:
fi:
od:
od:
t:=t+1:
od:
l1 := [[ X[1,n], Y[1,n]] $n=0..N]:
l2 := [[ X[2,n], Y[2,n]] $n=0..N]:
27
l3 := [[ X[3,n], Y[2,n]] $n=0..N]:
l4 := [[ X[4,n], Y[1,n]] $n=0..N]:
l5 := [[ X[5,n], Y[2,n]] $n=0..N]:
l6 := [[ X[6,n], Y[2,n]] $n=0..N]:
l7 := [[ X[7,n], Y[1,n]] $n=0..N]:
l8 := [[ X[8,n], Y[2,n]] $n=0..N]:
l9 := [[ X[9,n], Y[2,n]] $n=0..N]:
l10 := [[ X[10,n], Y[2,n]] $n=0..N]:
l11 := [[ X[11,n], Y[2,n]] $n=0..N]:
l12 := [[ X[12,n], Y[2,n]] $n=0..N]:
l13 := [[ X[13,n], Y[2,n]] $n=0..N]:
l14 := [[ X[14,n], Y[2,n]] $n=0..N]:
l15 := [[ X[15,n], Y[2,n]] $n=0..N]:
l16 := [[ X[16,n], Y[2,n]] $n=0..N]:
l17 := [[ X[17,n], Y[2,n]] $n=0..N]:
l18 := [[ X[18,n], Y[2,n]] $n=0..N]:
l19 := [[ X[19,n], Y[2,n]] $n=0..N]:
l20 := [[ X[20,n], Y[2,n]] $n=0..N]:
G1:=plot(l1, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G3 :=plot(l3, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
with(plots):
display(G1,G2,G3,G4,G5,G6,G7,G8,G9,G10,G11,G12,G13,G14,G15,G16,G17,G18,G19,
G20);
Les résultats du calcul sont représentés sur la figure suivante :
28
Figure 9 : Trajectoire de 20 particules (50xdt)
IV.4 Deux particules soumises au potentiel d’interaction

Nous considérons ici une paire de particules soumises au potentiel d’interaction mutuelle U(r).
Physiquement, la nature du potentiel représente la nature des particules elles même. Ainsi, les planètes
s’attirent via le potentiel gravitationnel. Les particules chargées s’interagissent via le potentiel
électrique. Ici, nous sommes intéressés par des particules sphériques de rayon constant. Le potentiel
d’interaction de Lennard-Jones parait le mieux approprié à notre situation. L’expression du potentiel
est donnée par:
𝜎 12 𝜎 6
𝑈(𝑟) = 𝑈0 (( ) − 2 ( ) )
𝑟 𝑟
Pour des raisons de simplicité, nous prenons sa forme normalisée décrite par la formule suivante :
1 2
𝑈(𝑟) = ( 12 − 6 )
𝑟 𝑟
Celui-ci est simple à implémenter dans les programmes informatiques. De même, il est très proche de
la réalité physique. Il s’applique en revanche au gaz monoatomique.
29
Figure 10. Représentation typique du potentiel de Lennard-Jones
En présence du potentiel U(r), chaque particule est soumise à une force d’intensité F(r) qui dérive du
potentiel U(r) :
1 1
𝐹(𝑟) = 12 ( 13 − 7 )
𝑟 𝑟
Le champ de force s’exprime par l’expression suivante :
𝐅(𝐫) = 𝐹(𝑟) ⃑⃑⃑

𝐞𝐫
Où ⃑⃑⃑
𝐞𝐫 est le vecteur unitaire de direction passant par le centre des deux particules. Le sens de ce
vecteur unitaire est orienté de la particule soumise vers la particule attractive.
La prise en compte de l’attraction et répulsion mutuelle entre les particules complique davantage
l’algorithme de traitement. Nous reprenons le traitement effectué des cas précédent en l’adaptant à la
nouvelle situation. Ainsi, Durant un laps de temps T, et sur un plan carré de largeur L, l’algorithme de
calcul est simplifié par la structure suivante :

 A t=0, soit v1x0 , v1y0, v2x0 , v2y0 des constantes aléatoires, x10 , y10 et x20 , y20 des nombres
aléatoires tels que: 0 ≤ 𝑥10 ≤ 𝐿 et 0 ≤ 𝑦10 ≤ 𝐿, 0 ≤ 𝑥20 ≤ 𝐿 et 0 ≤ 𝑦20 ≤ 𝐿,
 𝑡 = 𝑡 + 𝑑𝑡,
 𝑟 = √(𝑥1 − 𝑥2 )2 + (𝑦1 − 𝑦2 )2
 𝑎 = 𝑣1𝑥0
 𝑏 = 𝑣1𝑦0
30
 𝑣1𝑥0 = 𝑣2𝑥0
 𝑣1𝑦0 = 𝑣2𝑦0
 𝑣2𝑥0 = 𝑎
 𝑣2𝑦0 = 𝑏
 F(r)=12(1/r^13-1/r^7)
 𝛾𝑥1 = 𝐹(𝑟)( 𝑥2 − 𝑥1 )/r
 𝛾𝑦1 = 𝐹(𝑟)( 𝑦2 − 𝑦1 )/r
 𝛾𝑥2 = 𝐹(𝑟)( 𝑥1 − 𝑥2 )/r
 𝛾𝑦2 = 𝐹(𝑟)( 𝑦1 − 𝑦2 )/r
 𝑣1𝑥 = 𝛾𝑥1 𝑡 + 𝑣1𝑥0
 𝑣1𝑦 = 𝛾𝑦1 𝑡 + 𝑣1𝑦0
 𝑣2𝑥 = 𝛾𝑥2 𝑡 + 𝑣2𝑥0
 𝑣2𝑦 = 𝛾𝑦2 𝑡 + 𝑣2𝑦0
1 1
 𝑥1 = 2 𝛾𝑥1 𝑡 2 + 𝑣1𝑥0 𝑡 + 𝑥10 ; 𝑦1 = 2 𝛾𝑦1 𝑡 2 + 𝑣1𝑦0 𝑡 + 𝑦10 :
1 1
 𝑥2 = 2 𝛾𝑥2 𝑡 2 +𝑣2𝑥0 𝑡 + 𝑥20 ; 𝑦2 = 2 𝛾𝑦2 𝑡 2 + 𝑣2𝑦0 𝑡 + 𝑦20 :
 𝑎 = 𝑣1𝑥0
 𝑏 = 𝑣1𝑦0
 𝑣1𝑥0 = 𝑣2𝑥0
 𝑣1𝑦0 = 𝑣2𝑦0
 𝑣2𝑥0 = 𝑎
 𝑣2𝑦0 = 𝑏
 𝑣1𝑥0 = − 𝑣1𝑥0
 𝑣1𝑦0 = − 𝑣1𝑦0
 𝑣2𝑥0 = − 𝑣2𝑥0
 𝑣2𝑦0 = − 𝑣2𝑦0
Le programme informatique traitant est le suivant :
Programme 4:
> restart:
> randomize():
>
> A:=100:
> N:=35:
> L:=10:
> d:=L/A:
>
31
>
> X1:=array(0..N):
> Y1:=array(0..N):
>
> X2:=array(0..N):
> Y2:=array(0..N):
>
> dt:=0.01:
> t:=0:
>
> r1:=rand(0..10):
> r12:=rand(0..A):
> r22:=rand(0..A):
>
> vx10:=10+r1():
> vy10:=10+r1():
> vx20:=10+r1():
> vy20:=10+r1():
>
> x10:=evalf(d+(L-2*d)*r12()/A):
> y10:=evalf(d+(L-2*d)*r12()/A):
>
> x20:=evalf(d+(L-2*d)*r22()/A):
> y20:=evalf(d+(L-2*d)*r22()/A):
>
> while t<=N do
> ########## particule 1 #################
>
> R:=sqrt((x20-x10)^2+(y20-y10)^2):
> FR:=12*(d/R^13-d/R^7);
>
> if is(R<= 2*d) then #collision
> vvx:=vx10:
> vvy:=vy10:
> vx10:=vx20:
> vy10:=vy20:
> vx20:=vvx:
> vy20:=vvy:
> fi:
>
> ux1:=evalf((x20-x10)/R): uy1:=evalf((y20-y10)/R):
> gx1:=evalf(ux1*FR);
> gy1:=evalf(uy1*FR);
>
> vx1:=evalf(gx1*dt+vx10):
> vy1:=evalf(gy1*dt+vy10):
>
> x1:=evalf(0.5*gx1*dt^2+vx10*dt+x10):
> y1:=evalf(0.5*gy1*dt^2+vy10*dt+y10):
>
> if is(x1<=d) then
> vx1:=-vx1:
32
> gx1:=-gx1:
> x1:=d:
> fi:
> if is(x1>=(L-d)) then
> vx1:=-vx1:
> gx1:=-gx1:
> x1:=L-d:
> fi:
> if is(y1<=d) then
> vy1:=-vy1:
> gy1:=-gy1:
> y1:=d:
> fi:
> if is(y1>=(L-d)) then
> vy1:=-vy1:
> gy1:=-gy1:
> y1:=L-d:
> fi:
> X1[t]:=x1: Y1[t]:=y1:
> x10:=x1: y10:=y1:
>
> ########## Particule 2 #################
>
> ux2:=evalf((x10-x20)/R): uy2:=evalf((y10-y20)/R):
> gx2:=evalf(ux2*FR);
> gy2:=evalf(uy2*FR);
>
> vx2:=evalf(gx2*dt+vx20):
> vy2:=evalf(gy2*dt+vy20):
>
> x2:=evalf(0.5*gx2*dt^2+vx20*dt+x20):
> y2:=evalf(0.5*gy2*dt^2+vy20*dt+y20):
> if is(x2<=d) then

> vx2:=-vx2:
> gx2:=-gx2;
> x2:=d:
> fi:
> if is(x2>=(L-d)) then
> vx2:=-vx2:
> gx2:=-gx2;
> x2:=L-d:
> fi:
> if is(y2<=d) then
> vy2:=-vy2:
> gy2:=-gy2;
> y2:=d:
> fi:
> if is(y2>=(L-d)) then
> vy2:=-vy2:
> gy2:=-gy2;
> y2:=L-d:
33
> fi:
>
> X2[t]:=x2: Y2[t]:=y2:
> x20:=x2: y20:=y2:
>
> t:=t+1:
>
> od:
l1 := [[ X1[n], Y1[n]] $n=0..N]:

> l2 := [[ X2[n], Y2[n]] $n=0..N]:
>
> G1:=plot(l1, X=0..L, style=point,symbol=circle,axes=box,
thickness=3,color=blue):
> G2:=plot(l2, X=0..L, style=point,symbol=circle,axes=box,
thickness=3):
>
> with(plots):
> display(G1,G2);
Les résultats de calcul sont présentés sur la figure suivante :
Figure 11 : Trajectoire de deux particules soumises au potentiel d’interaction. (30xdt)

Dans la figure ci-dessus, il est claire que les particules lancées aléatoirement dans l’espace se sont
attirée l’une vers l’autre et entre en collision.
34
V. Conclusion:
L’étude des phénomènes physiques nécessite beaucoup d’efforts pour résoudre les équations des
modèles représentatifs. D’une part, la réalité physique de la matière dépend du détail de son état
microscopique. A ce niveau, une infinité de particules interagissent mutuellement pour former le
système global que nous connaissons. L’étude et le suivit individuelle des particules deviennent
impossibles. En revanche, la physique statistique simplifie d’avantage la tâche en prévoyant des
moyens d’étude limités à un nombre finie de particules. D’autre part, malgré la simplification de la
théorie statistique, la résolution des équations résultantes d’une situation physique, même limitée à un
ensemble fini, devienne pratiquement impossible. C’est que les équations sont généralement non
linéaires et incorpore des paramètres physiques représentatifs des particules. Cependant, l’approche
par simulation devient très efficace pour étudier les processus physiques les plus complexes.
Dans notre étude, nous avons essayé d’utiliser la méthode de simulation basée sur la dynamique
moléculaire. Cette méthode est très répondue et trouve beaucoup de domaine d’application. Elle
difficile à comprendre et à exploiter surtout pour des débutants. Cependant, nous étions intéressés par
s’initier à la méthode. Par conséquent, nous nous sommes limités aux cas d’études les plus simples
possibles. Nous avons commencé à étudier le mouvement d’une particule libre se déplaçant sur un plan
carré de côté L. Au contact avec les bords, nous avons considéré que la particule est simplement
réfléchie.
Ensuite, nous avons traité le cas de deux particules libres se déplaçant sur le même plan. Comme
application, nous avons choisi des systèmes simples à étudier. La présence de deux particules sur le
même plan peut entrainer des collisions mutuelles. Du moment que le processus collisionnel est très
compliqué, nous nous sommes limité à la solution trivial du problème. Cette solution consiste à
permuter les vitesses des deux particules après chaque collision.
Enfin, nous avons abordé le cas où les particules interagissent mutuellement. Même si le problème
devient très compliquer, nous avons essayé d’étudier la situation de deux particules soumises au
potentiel de Lennard-Jones.
En réalisant ce projet, nous avons touché à plusieurs concepts. Nous avons appris également à
programmer par le langage Maple. Nous espérons continuer dans ce domaine pour approfondir nos
connaissances et pouvoir explorer la richesse de l’analyse des phénomènes naturels par la technique de
la dynamique moléculaire.
35
Bibliographie:
1. https://www.grenoble-sciences.fr/pap-
ebooks/grivet/sites/grivet/files/exercices/ch11/ch11_gaz_parfaits.
2. https://fr.wikipedia.org/wiki/Th%C3%A9orie_cin%C3%A9tique_des_gaz
3. https://www.visiativ-industry.fr/simulation-numerique-definition-enjeux/
4. https://fr.wikipedia.org/wiki/Dynamique_mol%C3%A9culaire
5. http://ressources.univ-lemans.fr/AccesLibre/UM/Pedago/physique/02/divers/lennard.html
6. https://fr.wikipedia.org/wiki/Loi_de_Coulomb_(%C3%A9lectrostatique)
7. https://femto-physique.fr/mecanique/physique-des-%20collisions.php
8. https://zestedesavoir.com/tutoriels/563/la-theorie-cinetique-des-gaz/#2-15633_collisions-entre-
particules
36

Résolution Numériques de L Équation Des Gaz Parfais

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Résolution Numériques de L Équation Des Gaz Parfais

Hochgeladen von

Copyright:

Verfügbare Formate

DYNAMIQUE MOLECULAIRE D’UN GAZ PARFAIT

II.3 Les méthodes de calcul………………………………………………….………….10.

II.4 L’expérience et la simulation……………………………………………………….11

Chapitre III : La dynamique moléculaire………………………………….…12

III.1. Les équations du mouvement………………………………….…………………..13

III.2. Algorithmes de résolution des équations du mouvement……………………….…14

III.2.1 Algorithme Position Verlet………………………………………………………14

III.2.2 Algorithme Vitesse Verlet………………………………………………….……14

III.3 Algorithme de Leap-Frog « saut de grenouille » ……………………………….…15

III.4 Application en physique statistique……………….…………………….…………16

III.5 Simulation des milieux continus…………………….……………………………..17

Chapitre IV : Initiation à la dynamique moléculaire…………………...…18

IV.1 Mouvement d’une particule libre………………….………………………………19

IV.2. Mouvement de deux particules libres ……………………………..……………..22

IV.3. Mouvement de n particules libres ………………..……………………...………26

L’objectif de notre approche est de comprendre le processus de la simulation par la méthode de la

I.1. Distribution de Boltzmann

𝜕𝑓(𝐫, 𝐯, 𝑡) 𝜕𝑓(𝐫, 𝐯, 𝑡) 𝜕𝑓(𝐫, 𝐯, 𝑡)

L’équation de Boltzmann balance entre la dérivée totale de la fonction de distribution, le membre de

II.2. Les grandeurs hydrodynamiques

𝑛(𝒓, 𝑡) = ∫ 𝑓(𝐫, 𝐯, 𝑡)d𝐯

La vitesse moyenne de l’ensemble des particules dans l’élément de volume est :

𝐮(𝒓, 𝑡) = ∫ 𝐯. 𝑓(𝐫, 𝐯, 𝑡)d𝐯

La vitesse quadratique moyenne :

Avec m la masse d’une particule qu’on suppose identique, 𝑘𝐵 la constante de Boltzmann et T la

L’énergie cinétique moyenne des particules est :

Chapitre II : La simulation numérique

Aujourd’hui, la simulation numérique est utilisée dans de nombreux domaines de recherche et

II.3 Les méthodes de calcul

• des volumes finis,

dont l’utilisation dépend pour partie des équations considérées.

La deuxième méthode, dite de «Monte-Carlo », est particulièrement adaptée aux phénomènes

L’expérience alimente la simulation. Inversement, l’exploration des nombreuses solutions rendues

où m est la masse atomique et T la température, 𝑘𝐵 la constante de Boltzmann et h la constante de

III.1. Les équations du mouvement

La qualité d'une simulation de la dynamique moléculaire dépend du nombre de positions et de vitesses

III.2.1 Algorithme Position Verlet

𝐹⃑𝑖 (𝑡) 2 𝑑 3 𝑟⃑𝑖 3

𝐹⃑𝑖 (𝑡) 2 𝑑 3 𝑟⃑𝑖 3

La somme des deux expressions ci-dessus donne :

𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑟⃑𝑖 (𝑡 − 𝑑𝑡)

Maintenant, si nous reprenons le développement suivant à l’étape t=t+dt,

En additionnant la dernière et l’avant dernière équations, nous obtenons :

𝑟⃑𝑖 (𝑡 + 𝑑𝑡) + 𝑟⃑𝑖 (𝑡)

𝐹⃑𝑖 (𝑡) + 𝐹⃑𝑖 (𝑡 + 𝑑𝑡)

III.2.3. Algorithme de Leap-Frog « saut de grenouille »

𝑑𝑡 𝑟⃑𝑖 (𝑡 + 𝑑𝑡) − 𝑟⃑𝑖 (𝑡)

Dans laquelle on remplace les expressions de , d’où :

La nouvelle position de l’atome i est obentenue par :

III.3 Application en physique statistique

La température instantanée du système est données par :

La température moyenne du système est comme valeur moyenne :

III.4 Simulation des milieux continus

IV.1 Mouvement d’une particule libre

Figure 1. Position d’une particule

Figure 3 : réflexion d’une particule

 On subdivise T en N durée égale, dt = T/N,

> #le tracé graphique de la trajectoire de la particule

> l := [[ X[n], Y[n]] $n=0..N]: plot(l, X=0..L,

Figure 4 : Trajectoire d’une particule libre (100xdt)

Figure 5 : Trajectoire d’une particule libre (10000xdt)

IV.2. Mouvement de deux particules libres

Figure 6 : Distance entre particules