Beruflich Dokumente
Kultur Dokumente
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
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.
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.
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 :
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.
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.
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.
• 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:
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.
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
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.
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.
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.
Le développement de Taylor du vecteur position ⃑𝑟⃑𝑖 de chaque atome i du système avec +𝑑𝑡 et −𝑑𝑡 est
donné par :
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 :
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
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
D’où
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.
Dans cet algorithme, les vitesses et les positions des atomes sont calculées à des instants alternés. Nous
avons :
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
𝑑𝑡 𝑑𝑡 𝐹⃑𝑖 (𝑡)
𝑣⃑𝑖 (𝑡 + ) = 𝑣⃑𝑖 (𝑡 − ) + 𝑑𝑡 + 𝑂(𝑑𝑡 3 )
2 2 𝑚𝑖
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.
16
La valeur moyenne de l'énergie cinétique des particules est :
𝑁
1 3
𝐸 = ∑ 𝑚𝑖 𝑣⃑𝑖2 (𝑡) = 𝑘𝐵 𝑇
2 2
𝑖=1
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.
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 :
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 :
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 :
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:
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.
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.
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
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
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 :
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):
25
Les résultats de calcul sont représentés sur la figure suivante :
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.
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
for i from 1 to np 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 i from 1 to np do
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):
G2:=plot(l2, 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):
G4:=plot(l4, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G5:=plot(l5, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G6 :=plot(l6, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G7:=plot(l7, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G8:=plot(l8, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G9 :=plot(l9, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G10 :=plot(l10, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G11:=plot(l11, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G12 :=plot(l12, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G13 :=plot(l13, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G14:=plot(l14, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G15 :=plot(l15, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G16 :=plot(l16, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G17:=plot(l17, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G18 :=plot(l18, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G19 :=plot(l19, X=0..L, style=point,symbol=circle,axes=box, thickness=3):
G20 :=plot(l20, 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);
28
Figure 9 : Trajectoire de 20 particules (50xdt)
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 :
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 :
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):
33
> fi:
>
> X2[t]:=x2: Y2[t]:=y2:
> x20:=x2: y20:=y2:
>
> t:=t+1:
>
> od:
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