SCD T 2009 0039 Ouartassi

AVERTISSEMENT
Ce document est le fruit d'un long travail approuvé par le jury de

soutenance et mis à disposition de l'ensemble de la
communauté universitaire élargie.
Il est soumis à la propriété intellectuelle de l'auteur. Ceci

implique une obligation de citation et de référencement lors de
l’utilisation de ce document.
D'autre part, toute contrefaçon, plagiat, reproduction illicite

encourt une poursuite pénale.
Contact : ddoc-theses-contact@univ-lorraine.fr
LIENS
Code de la Propriété Intellectuelle. articles L 122. 4

Code de la Propriété Intellectuelle. articles L 335.2- L 335.10
http://www.cfcopies.com/V2/leg/leg_droi.php
http://www.culture.gouv.fr/culture/infos-pratiques/droits/protection.htm
Nan c y - Unive rs it é
~ Université
Henri POincaré
-
Nancy Université Laboratoire d’Etudes et de Recherches sur le Matériau Bois
Faculté des Sciences et des Techniques Discipline : Sciences du bois et des fibres
Ecole doctorale RP2E ENSTIB
THESE
Pour obtenir le grade de
Docteur de l’Université Henri Poincaré
Nancy I
Spécialité : Génie des Procédés
Présenté Par :
Bajil OUARTASSI
Titre :
Etude numérique de la dynamique des transferts couplés au sein d’un

milieu poreux
Date de soutenance : Mardi 09 juin 2009
Rapporteurs : Michel CABASSUD : Professeur, Université Paul Sabatier de Toulouse

Philippe LE MASSON : Professeur, Université de Bretagne Sud
Examinateurs : André ZOULALIAN : Professeur, Emérite Université Henri Poincaré Nancy I
Mathieu PETRISSANS : Professeur, Université Nancy II
Anélie PETRISSANS : Maître de conférences, Université Henri Poincaré Nancy I
Jean Louis DIRION : Maître Assistant, Ecole des Mines d’Albi-Carmaux
lermab
11111
Dédicaces
A la mémoire de ma grand-mère
Puisse DIEU l’avoir en sa sainte miséricorde et sa bienveillante pitié
A mes parents et A mon frère Ouartassi Abderrahim
En témoignage de ma reconnaissance et de mes remerciements pour la
compréhension et la patience dont ils ont fait preuve tout au long de
mes études. Puisse DIEU les garder, et leur procurer bonheur et bonne
santé.
A ma femme YANG Min
Ma reconnaissance pour sa compréhension et sa patience tout au long

de ces quatre dernières années. Puisse DIEU la garder, et lui procurer
bonheur et bonne santé.
A mes tantes et mes oncles.
A mes beaux -parents.
A toute ma grande famille.
A tous mes amis.
A tous ceux qui me sont chers et qui me témoignent leur sympathie
et leur amitié durables
Aux lecteurs
Etude numérique de la dynamique des transferts couplés au sein d’un milieu poreux Page 2
Remerciements
Je tiens à exprimer ma profonde gratitude envers Monsieur A. Zoulalian, sans lui ce

travail n’aurait pu aboutir. Sa très grande disponibilité alliée à sa grande connaissance et à sa
gentillesse naturelle m’ont permis de surmonter toutes les difficultés.
Je tiens à exprimer mes remerciements envers Madame A. Pétrissans, sa disponibilité,

sa rigueur, ses judicieux conseils et son aide.
Je suis reconnaissant envers Monsieur M. Pétrissans qui m’a accueilli dés les premiers
jours de mon arrivée au LERMAB, m’a aidé à m’installer, et pour sa disponibilité.
Je tiens à remercier aussi mon ami M. Chaouch pour sa collaboration fructueuse à ce

mémoire au point de vue expérimental ainsi que pour sa gentillesse.
Mes remerciements vont également envers le directeur de LERMAB A. Merlin pour

son accueil et son aide quant à mon intégration au sein de laboratoire.
Je remercie le jury rapporteur et examinateur d’avoir accepter de juger ma thèse.
Enfin, je suis très reconnaissant envers mes amis A. Dufour, A. Abbassi, B. Benamar,
M. Iguernane, Y.Irmouli, S. Benhadi, S. Drissi Bakhkhat, R. Bouhdadi, K. Iyach, A.
Mouhareb , B. Poaty Poaty, S .Makraoui, M. Ragoubi, Y. She, Y. Hamini et R. El Hage. Je
les remercie sincèrement.
Je tiens à remercier tous ceux qui m’ont aidé de près et de loin : Laurent Chrusciel,
Riad Benelemir, Corine Courtehoux, Christine Canal et tous les membres de LERMAB.
Sommaire
Sommaire
INTRODUCTION : .............................................................10
Chapitre I : Le calcul numérique. Une science à part

entière ...................................................................................13
I.1 Historique du calcul numérique ..................................14
I.2 Problématiques du calcul numérique: ..........................17
I.3 Temps de calcul et précision .........................................18

I.3.1 Précision :..................................................................................................................... 18
I.3.2 Temps :......................................................................................................................... 18
I.4 Erreurs du calcul numérique. .......................................19

I.4.1 Le schéma .................................................................................................................... 19
I.4.2 La représentation machine ........................................................................................... 20
I.4.3 La perte d'information .................................................................................................. 20
I.5 Conditionnement et sensibilité ......................................20

I.5.1 Propagation des erreurs ................................................................................................ 20
I.5.2 Nombre de conditionnement ........................................................................................ 21
I.6 Du modèle physique au modèle numérique .................22

I.6.1 Adimensionnement des équations................................................................................ 22
I.6.2 Choix des variables ...................................................................................................... 22
I.7 Méthodes de discrétisation............................................23
I.7.1 Différences finies ......................................................................................................... 23
I.7.1.1 L’approche différences finies en dimension un .................................................... 23
I.7.1.2 Quelques formules simples d’approximation des dérivées par des différences
finies. ................................................................................................................................ 24
I.7.1.3 Applications en dimension un ............................................................................... 26
I.7.1.4 Approximation par différences finies en dimension supérieure ........................... 28
I.7.2 Eléments finis............................................................................................................... 31
I.7.2.1 L’approche éléments finis en 1-D ......................................................................... 32
I.7.3 Volumes finis ............................................................................................................... 37
I.7.3.1 L’approche volumes finis ..................................................................................... 38
I.7.3.2 En dimension un ................................................................................................... 38
I.7.3.3 En dimension deux ................................................................................................ 39
I.8 Bibliothèques numériques .............................................41
Chapitre II : Modélisation des phénomènes et Méthodes

d’optimisation ......................................................................43
II.1 Introduction : ................................................................44
II.2 Choix du modèle ...........................................................45
II.3 Utilisation du modèle ....................................................46
II.4 Optimisation d'un modèle ............................................47

II.4.1 Essai et erreur ............................................................................................................. 47
II.5 Méthodes d'optimisation ..............................................51

II.5.1 Méthodes déterministes .............................................................................................. 51
II.5.1.1 Calcul de la direction de descente: ...................................................................... 52
II.5.1.2 Recherche linéaire : ............................................................................................. 53
II.5.1.3 Calcul du gradient ................................................................................................ 55
II.5.2 Méthodes non-déterministes ....................................................................................... 56
II.5.3 Algorithmes Evolutionnaires et Algorithmes Génétiques ......................................... 57
II.5.3.1 Introduction ......................................................................................................... 57
II.5.3.2 Historique ........................................................................................................... 63
II .5.3.3 Algorithme Génétique Simple AGS : ................................................................. 64
II.5.3.4 Le Choix d’un Algorithme Génétique(AG)......................................................... 64
II.5.3.5 Stratégies d’Evolution (ES) ................................................................................ 69
II.5.3.6 Algorithmes Hybrides (AG-GC) ......................................................................... 72
II.5.3.7 La programmation génétique ............................................................................... 72
II.6 Conclusion .....................................................................77
Applications ..........................................................................78
Chapitre III : Première Application : Modélisation des

transferts diffusionnels d’eau dans le domaine
hygroscopique du bois de hêtre...........................................79
III.1 Introduction et objectif de l’étude..............................80
III.2 Mise en équation des modèles.....................................84

III.2.1 Bilans du premier modèle (Modèle I) ....................................................................... 84
III.2.2 Bilans du deuxième modèle (Modèle II) ................................................................... 86
III.2.3 Bilans du troisième modèle (Modèle III) .................................................................. 86
III.2.4 Bilans du quatrième modèle (Modèle IV) ................................................................ 87
III.3 Expression mathématique de la relation d’équilibre 88
III.4 Méthode numérique de résolution des équations aux
dérivées partielles de bilan ..................................................89
III.4.1 Etude Générale : ........................................................................................................ 89
III.4.1.1 Discrétisation selon l’espace .............................................................................. 90
III.4.1.2 Discrétisation selon le temps .............................................................................. 91
III.4.1.1 Discrétisation du Modèle I ................................................................................. 94
III.4.1.2 Discrétisation du Modèle II ................................................................................ 94
III.4.1.3 Discrétisation du Modèle III .............................................................................. 95
III.4.1.4 Discrétisation du Modèle IV .............................................................................. 97
III.5. Résultats des modélisations .......................................97

III.5.1 Courbes expérimentales modélisées.......................................................................... 97
III.5.2 Etude de Modèle I et Modèle I bis ............................................................................ 98
III.5.3 Etude du Modèle II .................................................................................................. 101
III.5.4 Etude du Modèle III ................................................................................................ 102
III.5.5 Etude du Modèle IV ................................................................................................ 104
VI Conclusion .....................................................................105
Chapitre IV : Seconde Application : ................................106
Traitement thermique du bois par conduction (Pyrolyse

douce) ..................................................................................106
IV.1 Introduction ...............................................................107
IV.2 Ecriture des bilans .....................................................111
IV.3 Etude des paramètres thermiques. ...........................111
IV.3.1. Humidité du bois : .................................................................................................. 112
IV.3.2. Conductivité thermique : ........................................................................................ 112
IV.3.3. Chaleur Spécifique ................................................................................................. 114
IV.3.4 Détermination de la diffusivité thermique α à partir des données expérimentales: 117
IV.3.3.1 Comparaison des valeurs de la diffusivité thermique estimée avec les valeurs de
la littérature. ................................................................................................................... 119
IV.4 Modélisation du transfert thermique dans une

planche du bois...................................................................120
IV.4.1 Modélisation du traitement thermique. ................................................................... 121
IV.4.1.2 Hypothèses ........................................................................................................... 121
IV.4.3 Formulation mathématique de la pyrolyse. ............................................................ 122
VI.4.4. Etat de l’art de la modélisation de la pyrolyse de bois. .......................................... 123
IV.4.4.1. La première approche : ................................................................................... 124
IV.4.4.2 La deuxième approche. ................................................................................... 125
IV.4.4.3. La troisième approche : ................................................................................... 128
IV.4.5 Le choix d’un modèle cinétique de pyrolyse pour la présente étude : .................. 128
IV.4.5.1. Le modèle cinétique : ...................................................................................... 129
IV.4.5.2 Formulation mathématique du modèle cinétique : ........................................... 129
IV. 5 Modélisation complète du traitement thermique en

deux étapes. ........................................................................131
IV.5.1 Equations du modèle .......................................................................................... 131
IV.5.1.1 Les paramètres du modèle : ............................................................................. 133
IV.5.1.2 Détermination des paramètres. ......................................................................... 133
IV.5.1.3 Détermination des paramètres à l’aide de l’Algorithme génétique .................. 134
IV.5.I.4 Résolution numérique ....................................................................................... 135
CONCLUSION ET PERSPECTIVE ...............................148
ANNEXE 1 : L’existence et l’unicité de la solution .........149
ANNEXE 2 : Définitions....................................................159
ANNEXE 3 : Nomenclature .............................................162
ANNEXE 4 : Algorithme Génétique ...............................165
BIBLIOGRAPHIE ............................................................180
Introduction
INTRODUCTION :
L’utilisation de plus en plus courante des ordinateurs et les progrès réalisés sur leur
puissance permettent des développements dans le domaine de la modélisation
mathématique et de la simulation numérique d’un champ de problèmes multidisciplinaires.
La performance des calculs, et leur coût relativement faible rendent possible le
développement des modèles mathématiques compliqués, capables d’analyser de réels
procédés industriels en prenant en compte les phénomènes de transfert de chaleur et de
matière, ainsi que le mouvement des fluides. Le développement de codes de calculs
capables de décrire un procédé industriel est un enjeu très important pour le monde de la
production aussi bien pour rechercher les conditions optimales de fonctionnement que pour
développer de nouvelles technologies. A l’heure actuelle, l’utilisation libre des codes de
calcul par des opérateurs non-initiés n’est pas encore envisageable. Une étroite
collaboration entre la communauté scientifique d’une part et le monde industriel de l’autre
est souvent nécessaire afin de pouvoir associer l’expérience (ou le savoir faire) et la
prédiction.
La modélisation mathématique et la simulation numérique permettent d’éviter la

réalisation d’un certain nombre d’expériences souvent coûteuses et répétitives. Néanmoins
la recherche expérimentale et la simulation numérique ne s’excluent pas mutuellement. Au
contraire, les voies expérimentale et numérique sont fort complémentaires. Les études
expérimentales sont un élément essentiel pour tout programme de recherche. Elles
fournissent des observations sur un procédé particulier et permettent de comprendre la
physique fondamentale qui leur est associée. Ces connaissances servent de base dans le
développement de modèles mathématiques réalistes, décrivant ces phénomènes. En
revanche, les résultats de la simulation peuvent donner une direction autrement réfléchie
pour le plan expérimental et guider dans le choix de paramètres-clé à analyser, en
améliorant ainsi l’exactitude du modèle mathématique. Ainsi la simulation numérique
contribue à valider les lois de la physique fondamentale associées aux procédés.
Introduction
Le développement des modèles mathématiques des procédés de transferts de matière

et d’énergie dans un milieu poreux (dans notre cas le bois), nécessite de connaître aussi les
lois réactionnelles des éléments chimiques qui se forment et se décomposent en cours des
procédés
La formulation mathématique est généralement de la forme :
𝑑𝑢
= −∇ 𝐷∇𝑢 + 𝑆 (1)
𝑑𝑡
u : Grandeur physique (température, humidité, masse volumique….), caractéristique de

l’évolution du système,
D : Coefficient de diffusion de la grandeur physique u,
S : Source de matière ou d’énergie liée aux schémas réactionnels qui se produisent au cours
du procédé.
Dans le cas d’un milieu naturel comme le bois une difficulté de la modélisation apparait
dans la définition des schémas réactionnels c'est-à-dire dans le parcours suivi par un
composé chimique du bois lors de son évolution en fonction des grandeurs opératoires, ce
qui nécessite la détermination de paramètres cinétiques obtenus numériquement par
optimisation ou directement à partir d’expériences analytiques spécifiques.
Le mémoire de thèse est bâti sur des exemples de transfert d’un soluté adsorbable et
le transfert couplé matière-chaleur au sein d’un matériau poreux : le bois. Ces exemples
permettront de mettre l’accent sur les différentes étapes constituant le développement d’un
programme de simulation, à savoir le modèle mathématique, la description de la méthode
de résolution, l’analyse des résultats, l’optimisation de la stratégie de calcul afin d’avoir des
temps de calculs raisonnables avec des outils informatiques courants.
Avant de détailler ces exemples, on aborde dans le premier chapitre un rapide

historique et certaines généralités sur l’analyse numérique, en détaillant les méthodes de
discrétisation existant dans la littérature.
Introduction
Dans le deuxième chapitre nous présentons le concept de la modélisation, son

histoire et son évolution en citant les différentes méthodes d’optimisation, en détaillant la
méthode génétique et les méthodes d’optimisation utilisées pendant la thèse.
Le troisième et le quatrième chapitre constituent les deux exemples d’applications

des méthodes numériques citées dans le premier et le deuxième chapitre :
Dans le troisième chapitre nous décrivons les différents modèles permettant de

rapporter le phénomène de transport de l’eau au sein de bois de hêtre et leur résolution
numérique permettant d’aboutir à certaines caractéristiques de transfert déterminées par
l’expérience.
Le quatrième chapitre aborde la modélisation du traitement thermique du bois à

température modérée avec la recherche par optimisation des paramètres cinétiques du
modèle présentée par Grioui (2006) par l’algorithme génétique et la validation des
paramètres thermiques mesurés par ailleurs.
Les deux exemples permettent de caractériser les interactions entre expérience et

simulation numérique.
La conclusion du mémoire rappelle les résultats acquis en montrant qu’expériences

et simulations sont deux outils nécessaires pour un fonctionnement optimal ou une
extrapolation d’un procédé industriel. (Passage d’une unité pilote à une unité industrielle)
Chapitre I : Le calcul numérique. Une science à
part entière
Chapitre I : Le calcul numérique. Une science à part entière
I.1 Historique du calcul numérique

Le calcul numérique est une branche des mathématiques et un domaine de
recherche vaste et riche de nouveauté qui s’applique à plusieurs disciplines : biologie,
chimie, physique, informatique, génie des procédés.. .etc. Une grande littérature lui est
dédiée: des livres, des revues périodiques et des bibliothèques de programmes. La pratique
est un élément essentiel pour la maîtrise de cette discipline.
Le calcul numérique est un art difficile et complexe qui résulte d’un beau mélange
entre les mathématiques et l’informatique, la beauté se trouvant dans la transformation des
méthodes théoriques algébriques et analytiques en codes informatiques. Cela permet de
voir l’aspect pratique de l’interférence entre la théorie mathématique et les autres
domaines des sciences en utilisant l’art de la programmation informatique.
Cet art numérique comme toutes les sciences a une histoire qui remonte d’après les
historiens mille ans avant Jésus Christ. Le besoin quotidien d'effectuer des mesures dans
différents domaines de la vie courante, notamment en agriculture, commerce, architecture,
géographie et navigation ainsi qu'en astronomie est à l’origine de sa naissance. Il semble que
les Babyloniens (qui peuplaient l'actuelle Syrie/Iraq) sont parmi les premiers à réaliser des
calculs algébriques et géométriques complexes à haute précision. Ainsi, ils introduisent la
notion de base de dénombrement. Ils se distinguent des autres civilisations, bien plus
récentes, qui développeront des méthodes plus lourdes, en introduisant une pléthore de
symboles. Il y a environ 3500 ans, les populations de la vallée de l'Indus (régions de l'Inde et
du Pakistan) introduisent les notions de zéro et emploient les nombres négatifs. Ils adaptent
également le système de comptage Babylonien au système décimal qui est le nôtre
aujourd'hui. Ces premiers outils de calcul sont largement développés par la suite par les
Grecs et par des civilisations musulmanes peuplant le bassin méditerranéen ; ces dernières
les ont transmis en Europe.
Le calcul numérique que nous connaissons aujourd'hui a fait ces premiers pas à partir
du XVIIème siècle avec les progrès des Mathématiques et de la Physique et l’invention de
plusieurs machines de calcul comme « la Pascaline » inventée par B. Pascal en 1643, la
DENO (Différence Engine Number One; voir la figure 1.2) de C. Babbage en 1834, ou encore
le tabulateur de H.Hollerith, vers 1890. Il s'agit de machines mécaniques d'utilisation assez
limitée.
Figure I.1: Charles Babbage l'une des grandes figures de l'histoire de l'ordinateur. Il fut
l'inventeur de la DENO (Difference Engine Number One) dont une copie est exposée dans un
musée de Londres (à droite).
La Seconde Guerre Mondiale a provoqué des progrès technologiques et scientifiques
qui vont permettre au calcul numérique de trouver un nouvel aspect révolutionnaire par
l’apparition du premier ordinateur inventé en 1939 par un anglais, Colossus, dont la mission
était de décripter les messages codés envoyés par l'émetteur Enigma de l'Allemagne nazie.
Cette machine introduit les concepts de l’automatique émis par A. Turing en 1936. Une autre
machine qui fait date dans l'histoire, l’ENIAC (\Electronic Numerical Integrator And
Computer) construit en 1946.
Figure I.2: Photo d’Alan Turing (à droite) qui a inventé le calcul automatique et la machine
de Turing qui constitue la pièce essentielle du premier ordinateur Colossus. Photo du
premier ordinateur Colossus (à gauche).
En 1946, J. von Neumann refait l'architecture des ordinateurs et introduit les
mémoires permettant de sauvegarder les programmes et les concepts de matériel et de
logiciel. La premières machine de calcul incluant les concepts de von Neumann (et ceux de
Turing) est ainsi produite par l’entreprise américaine IBM; elle s'appelle Mark I et pèse 5
tonnes. Les premières applications concernent tous les domaines scientifiques et
techniques. Le Fortran I, un langage de programmation destiné aux scientifiques, est conçu
dès 1954.
Vers la fin des années 1960, l'apparition des transistors et de leur assemblage massif
sur des surfaces de plus en plus réduites augmente considérablement la performance des
machines. Cet effort de miniaturisation est d'ailleurs imposé par la course à la conquête de
l'espace. En 1970 l’apparition des fameux microprocesseurs mis au point par les firmes Intel
et Motorola transforme le calcul numérique en une science à part entière. Les années 1970
marquent aussi le tournant pour les langages de programmation: certains sont
définitivement produits à des fins scientifiques et d'autres seront pensés pour la gestion. Au
début des années 1980, l'ordinateur le plus puissant du monde s'appelle Cray I (voir la figure
1.3). Sa forme est spécialement choisie pour optimiser la rapidité des calculs. C'est aussi le
début de l'informatique familiale avec la mise sur le marché des Personal Computers d'IBM.
Figure I-3 ; J. Von Neumann l’un des prodiges d’informatique. Le Cray I (à droite) construit
dans les années 1980 dispose d'une puissance de calcul de 160 millions d'opérations à la
seconde. Sa conception en forme de cylindre devait assurer une transmission optimale de
l'information
I.2 Problématiques du calcul numérique:

Le terme « méthodes numériques » désigne toutes les techniques de calcul
permettant de résoudre un problème donné d’une manière exacte ou approchée. Le calcul
est un concept assez vaste. Il peut s'agir de déterminer l'inconnue d'une équation, de
calculer la valeur d'une fonction en un point ou sur un intervalle, d'intégrer une fonction,
d'inverser une matrice, etc. Bien que la mise en équation d'un problème et sa résolution
passent naturellement par les mathématiques, les problématiques sous-jacentes concernent
des disciplines aussi variées que la Physique, le Génie des Procédés, la Chimie,
l'Astrophysique, la Biologie, la Médecine, l'Economie, etc. Il existe ainsi une grande variété
de problèmes possibles avec pour chacun d'eux, des méthodes très spécifiques. Par suite, le
nombre total de méthodes numériques à notre disposition à l'heure actuelle est
gigantesque.
Une méthode numérique met en œuvre une certaine procédure, une suite
d'opérations, que l'on transcrira ensuite dans un langage de programmation. Bien qu'une
méthode numérique puisse s'effectuer mentalement (du moins avec un crayon et un papier)
comme inverser une matrice 2 ×2, résoudre cos( x) - 1 = 0, ou calculer 2, elle nécessite dans
la majorité des cas un ordinateur qui a l'avantage de la rapidité (mais pas de la précision). Il
convient à ce niveau de bien différencier la partie méthode numérique, souvent
indépendante du calculateur et du langage, et la partie programmation qui met en œuvre
d'une part l'algorithme et d'autre part une suite d'instructions écrites dans un langage de
programmation. Bien-sûr, une méthode numérique pourra dépendre de l'architecture d'un
ordinateur et du langage utilisé. Toutefois, l'un des soucis majeurs de l'utilisateur et du
programmeur est d'assurer à son programme une certaine universitalité, c'est-à-dire de
pouvoir l'exécuter sur des machines différentes sans avoir besoin d'adaptations spécifiques.
L'état d'esprit dans lequel travaille le numéricien est davantage celui que l'on connaît
en Physique, avec ses multiples approximations (parfois difficilement justifiables) et
hypothèses simplificatrices, plutôt que celui que l'on doit développer en Mathématiques.
Une certaine rigueur est toutefois indispensable. Ainsi serons-nous le plus souvent amenés à
changer assez significativement le problème initial, à le simplifier dans une certaine mesure,
à le rendre linéaire, plus académique aussi. Une étape majeure sera alors de critiquer les
solutions obtenues et de les interpréter par rapport au problème initialement posé.
I.3 Temps de calcul et précision

Lors de l'utilisation ou de la mise en place de toute méthode numérique deux aspects
fondamentaux doivent être pris en compte: la précision souhaitée (ou disponible) d'une
part, et le temps de calcul d'autre part. Disposer de beaucoup de précision est confortable
voire indispensable lorsque l'on étudie certains phénomènes. Mais lorsque l'on est trop
gourmand sur cet aspect, le temps de calcul se trouve accru, parfois de manière prohibitive.
I.3.1 Précision :
La précision est limitée par les machines. Inévitablement, elle se trouve détériorée au
fil des calculs. Sans entrer dans le détail, il faut savoir qu'un ordinateur fonctionne en effet
avec un nombre limité de chiffres significatifs, au maximum 14, 15 voire 16 pour les plus
performants, ces chiffres étant rangés en mémoire dans des boites virtuelles ou bits, après
transcription en base 2. Certains bits sont réservés pour affecter un signe (+ ou -) au nombre
et d'autres pour l'exposant. En ce sens, les machines classiques ne pourront généralement
pas distinguer 3.1415926535897931 de 3.1415926535897932, à moins d'un traitement
spécifique de la mantisse à la charge de l'utilisateur. Dans la mémoire, seul les premiers
chiffres d'un nombre seront enregistrés, les autres seront définitivement perdus. La plupart
des langages permettent de choisir le nombre de décimales au niveau de la procédure
déclarative, comme les anciennes instructions REAL*4 ou REAL*8 du langage Fortran 77,
dont les équivalents sont respectivement REAL (KIND=1) et REAL (KIND=2) en Fortran 90.
I.3.2 Temps :
Le temps de calcul est limité par la capacité des ordinateurs, par la durée de vie du
matériel, par des facteurs extérieurs (comme les coupures d'électricité), et par l'utilisation
que l'on souhaite classiquement faire des programmes de simulation. La plupart du temps, il
s'agit d'une utilisation intensive où l'on balaye l'espace des paramètres d'un modèle. Ceci
impose de rechercher toujours les méthodes les plus rapides. Il est de plus en plus fréquent
de travailler sur des problèmes complexes dont la résolution nécessite des heures, des jours,
parfois même des semaines de calculs sans interruption. Le choix s'orientera alors vers une
méthode numérique rapide. Mais la rapidité se fera forcément au détriment de la précision.
Quand les calculs sont intrinsèquement rapides et que le temps de calcul n'est pas un
facteur déterminant, on aura tout loisir de (et peut-être intérêt à) choisir une méthode plus
lente mais plus précise. Notons également un fait souvent oublié: les accès aux
périphériques sont très couteux en temps, en particulier les accès aux disques durs et les
impressions à l'écran.
Pour une méthode numérique donnée, on peut toujours estimer le temps de calcul
en comptant le nombre total N d'opérations qu'effectue la machine. On peut ensuite
éventuellement multiplier ce nombre par le temps de calcul te relatif à une opération
élémentaire, mais cela n'a de valeur qu'à titre comparatif (car ce temps te varie d'une
machine à l'autre et dépend aussi de la nature des opérations).
I.4 Erreurs du calcul numérique.

Outre les erreurs de programmation (celles que le compilateur détectera et que vous
corrigerez, et celles que vous ne trouverez jamais), il existe trois sources d'erreur qu'il
convient d'avoir présent à l'esprit: l'erreur de schéma, l'erreur de représentation et l'erreur
par perte d'information.
I.4.1 Le schéma
L'erreur de schéma est générée lorsque l'on remplace une relation exacte par une
autre, plus simple ou plus facilement manipulable. C'est par exemple le cas d'une série de
Taylor tronquée (on parle ici plus précisément d'erreur de troncature), comme
𝑛
1+𝑥 =1+𝑛 𝑛−1 x (I. 1)
Ou le cas de l'approximation d'une dérivée par une différence finie comme
𝑓 𝑥 + 𝑕 − 𝑓(𝑥)
𝑓′ 𝑥 = (I. 2)
𝑕
Ou encore de l'estimation d'une quadrature
𝑏
𝑓 𝑥 𝑑𝑥 ≈ (𝑏 − 𝑎)𝑓 𝑎 (I. 3)
𝑎
L'erreur de schéma est généralement l'erreur dominante. Elle est en principe

incontournable car toutes les méthodes numériques sont basées sur des schémas. Il est
important qu'elle soit connue ou appréciable. Notons que tous les schémas ne génèrent pas
les mêmes erreurs. On choisira donc, quand c'est possible, les schémas les plus précis.
I.4.2 La représentation machine

L'erreur de représentation est liée aux modes de représentation, de stockage et de
2 1
calcul des ordinateurs. Par exemple, supposons que l'on veuille effectuer l'opération 3 − 3
0.6667 − 0.3333 = 0.3334 (I. 4)

2
Ici est remplacé par 0.6667 c’est une erreur de représentation (erreur d’arrondi)
3
L'erreur de représentation est généralement négligeable devant les autres, sauf dans
certains cas particuliers où, sans précaution, l'on manipule des nombres très différents ou
très proches.
I.4.3 La perte d'information

La perte d'information est une conséquence de la représentation machine. Elle se
produit lorsque l'on soustrait deux nombres très proches, le résultat est alors un nombre
comportant peu de chiffres significatifs. L'erreur par perte d'information peut être
dévastatrice (par exemple lorsque l'on veut calculer numériquement une dérivée). Souvent,
on ne la soupçonne pas. Elle survient aussi lorsque l'on effectue une suite d'additions et
soustractions mettant en jeu des termes de même amplitude (c'est le cas par exemple du
calcul de séries alternées).
I.5 Conditionnement et sensibilité

I.5.1 Propagation des erreurs
Dans toute méthode numérique, il y a au moins un paramètre permettant de régler
(c'est-à-dire d'imposer) ou de contrôler le bon déroulement du processus et la précision du
résultat. Il s'agit généralement d'un critère faisant appel à l'erreur absolue ou à l'erreur
relative sur une quantité 𝑦 par rapport à une quantité de référence 𝑦 ∗ . Ces erreurs sont
définies respectivement par :
∆𝑦 = 𝑦 − 𝑦 ∗ (I. 5)
Et par
𝑦 − 𝑦∗
𝜀 𝑦 = 𝑦∗ ≠ 0 (I. 6)
𝑦∗
Un fait est incontournable: les erreurs, quelle que soit leur origine, se propagent et
s'amplifient. On peut le comprendre sur un exemple simple. Si une quantité 𝑥 est connue
avec une précision relative 𝜀 𝑥 ≪ 1 alors son image par une fonction f est aussi entachée
d'une erreur :
𝑓 𝑥 + 𝜀 𝑥 𝑥 ≈ 𝑓 𝑥 + 𝜀 𝑥 𝑥𝑓 ′ 𝑥 (I. 7)
Et l’erreur relative sur f vaut :
𝑓 𝑥 + 𝜀 𝑥 𝑥 − 𝑓(𝑥) 𝑓′ 𝑥
𝜀 𝑓 = ≈ 𝑥𝜀 𝑥 (I. 8)
𝑓(𝑥) 𝑓 𝑥
On voit donc que si 𝑓’(𝑥) est important et 𝑓(𝑥) faible, à la fois 𝜀(𝑓) et 𝛥(𝑓) peuvent
être grands.
Ajoutons qu'il faudrait en toute rigueur être capable de mettre une barre d'erreur sur
les résultats issus d'une méthode ou plus généralement d'une simulation, en tenant compte
de toutes les sources d'erreur possibles. Il est navrant de constater que la notion de barre
d'erreur ne semble concerner que les physiciens expérimentateurs. C'est un tort, car une
simulation numérique est une expérience comme une autre.
I.5.2 Nombre de conditionnement

Une méthode numérique travaille généralement avec un certain nombre de
paramètres, les paramètres d'entrée, et renvoie des résultats, que l'on peut assimiler à des
paramètres de sortie. Un objectif (souvent difficile à atteindre) que recherchera le Physicien
est de produire des résultats qui ne dépendent pas (ou peu) de la méthode choisie. L'aspect
qui guidera son choix sur une méthode plutôt qu'une autre est la stabilité, c'est-à-dire une
certaine garantie que la procédure n'aura pas la fâcheuse propriété d'amplifier et/ou de
générer sans limites les erreurs. La sensibilité (ou la stabilité) peut être quantifiée grâce au
nombre de conditionnement (ou nombre de condition). Prenons le cas où d'une méthode
qui, pour une quantité x donnée fournit une quantité 𝑦. On définit ce nombre pour deux
couples (𝑥, 𝑦) et (𝑥’, 𝑦’) par
𝑦′ − 𝑦
𝑦
𝜂= ′ ≡𝜂 𝑥 (I. 9)
𝑥 −𝑥
𝑥
Ce nombre rend compte du pouvoir amplificateur d'une méthode. Ainsi une méthode
numérique est très sensible (ou instable) si η>> 1, peu sensible (stable) si η≤ 1 et est
insensible si η<<1.
I.6 Du modèle physique au modèle numérique

Lorsque l'on met un système physique ou un modèle en équations et que l'on aborde
l'étape numérique, plusieurs questions simples mais indispensables doivent être posées et
résolues. Parmi ces questions/réponses, qui peuvent plus ou moins conditionner le choix
d'une méthode particulière, on trouve: mon voisin de palier aurait-il déjà travaillé sur un
problème similaire ? Les inconnues du problème physique sont-elles bien identiques ? Quel
est le domaine de variation des variables (temps, espace, . . .) ? Les variables physiques sont-
elles aussi les bonnes variables numériques ? Quelle est la précision souhaitée sur la solution
cherchée ? Quelle est l'échelle de temps d'exécution de mon programme ? La précision est-
elle déterminante ? Le temps de calcul est-il un facteur critique ? etc. Deux aspects
généralement absents des manuels (ou implicitement évoqués) mais qui constituent une
étape-clé dans le passage du modèle physique au modèle numérique sont
l'adimensionnement des équations et le choix des variables numériques.
I.6.1 Adimensionnement des équations

L'adimensionnement des équations est une étape qui permet de réduire la
dynamique des variables numériques. Il est en effet préférable de travailler sur un domaine
numérique raisonnablement restreint et de manipuler des nombres de l'ordre de l'unité.
Toutefois, une dynamique trop faible peut engendrer une perte d'information. Cette
procédure vise donc à transformer les équations du problème en des équations souvent plus
« lisibles » d'un point de vue mathématique (et donc numérique) où les nouvelles variables
(les variables adimensionnées) apparaissent alors comme des corrections. Comme sous-
produit de l'adimensionnement, on aboutira naturellement à partir des équations aux
échelles caractéristiques du problème (par exemple une ou des échelles de longueur, des
échelles de vitesses, des échelles de temps, etc..).
I.6.2 Choix des variables

Concernant le choix des variables numériques maintenant, il faut rappeler que, dans
beaucoup de problèmes, les variables possèdent des dynamiques complètements différents.
Même adimensionnées, des variables peuvent beaucoup varier. Ces variables obéissent
forcément à une certaine loi en fonction des paramètres ou d'autres variables et il peut être
astucieux d'inclure ces lois dans les variables numériques. Cela rendra la partie numérique
beaucoup plus stable.
I.7 Méthodes de discrétisation

En vue du passage d’un problème exact (continu) au problème approché (discret), on
dispose de plusieurs techniques concurrentes et complémentaires : les différences finies, les
éléments finis et les volumes finis. Chacune de ces trois méthodes correspond à une
formulation différente des équations de la physique :
– équilibre des forces en chaque point pour les différences finies
– minimisation de l’énergie ou principe des travaux virtuels pour les éléments finis
– loi de conservation et calcul des flux pour la méthode des volumes finis.
I.7.1 Différences finies

La méthode des différences finies consiste à remplacer les dérivées apparaissant
dans le problème continu par des différences divisées ou combinaisons de valeurs
ponctuelles de la fonction en un nombre fini de points discrets ou nœuds du maillage.
Avantages : grande simplicité d’écriture et faible coût de calcul.
Inconvénients : Limitation de la géométrie des domaines de calculs, difficultés de prise en
compte des conditions aux limites portant sur les dérivées ou les gradients de l’inconnue et
en général absence de résultats de majoration d’erreurs.
I.7.1.1 L’approche différences finies en dimension un
Toutes les méthodes numériques présupposent la discrétisation du domaine

géométrique afin de passer d’un problème continu à une infinité d’inconnues à un problème
discret ne comptant qu’un nombre fini d’inconnues. Dans le cas des différences finies en
dimension un, on discrétise l’intervalle continu [𝑎, 𝑏] en un nombre fini de points 𝑥𝑖 .
1--- l-i_-,--t-"xi-'i-+-'- -- - - ----1f----1b

a
Figure I.4. Discrétisation en différences finies d’un segment [𝑎, 𝑏].
On remplace ainsi le problème continu par celui de la recherche des valeurs

approchées ui des solutions exactes 𝑢(𝑥𝑖 ) aux points 𝑥𝑖 de la discrétisation. Mais on ne peut
plus, dans ce cas, conserver les opérateurs de dérivation qui s’appliquent à des fonctions
continues. On les remplace par des analogues discrets, les différences divisées ou
différences finies. Le type de conditions aux limites conditionne le nombre d’inconnues du
problème discret. Dans le cas de conditions de Dirichlet, la solution est fixée, et donc en ces
points, les valeurs sont connues. Dans tous les autres cas de conditions aux limites, la valeur
de la solution reste inconnue et fait donc partie du vecteur inconnu.
I.7.1.2 Quelques formules simples d’approximation des dérivées par des

différences finies.
Pour la dérivée première :
– différence finie progressive d’ordre un :
Pour des pas réguliers de longueur 𝑕, le développement limité :
𝑢 𝑥𝑖 + 𝑕 − 𝑢(𝑥𝑖 ) 𝑕 ′′
𝑢′ 𝑥𝑖 = − 𝑢 𝜁𝑖 (I. 10)
𝑕 2
conduit à l’approximation suivante :
𝑑𝑢(𝑥𝑖 ) 𝑢𝑖+1 − 𝑢𝑖
𝑢′ 𝑥𝑖 = = (I. 11)
𝑑𝑥 𝑥𝑖+1 − 𝑥𝑖
–différence finie progressive d’ordre deux :
Pour des pas réguliers de longueur 𝑕, le développement limité :
−𝑢 𝑥𝑖 + 2𝑕 + 4 𝑢 𝑥𝑖 + 𝑕 − 3 𝑢(𝑥𝑖 ) 𝑕2
𝑢′ 𝑥𝑖 = + 2 𝑢′′′ 𝜁𝑖 (I. 12)
2𝑕 3
donne la formule d’ordre deux progressive suivante :
𝑑𝑢(𝑥𝑖 ) −𝑢𝑖+2 + 4𝑢𝑖+1 − 3𝑢𝑖
𝑢′ 𝑥𝑖 = = (I. 13)
𝑑𝑥 2(𝑥𝑖+1 − 𝑥𝑖 )
–différence finie régressive d’ordre un :
𝑢 𝑥𝑖 − 𝑢(𝑥𝑖 − 𝑕) 𝑕 ′′
𝑢′ 𝑥𝑖 = + 𝑢 𝜁𝑖 (I. 14)
𝑕 2
donne :
𝑑𝑢(𝑥𝑖 ) 𝑢𝑖 − 𝑢𝑖−1
𝑢′ 𝑥𝑖 = = (I. 15)
𝑑𝑥 𝑥𝑖 − 𝑥𝑖−1
– différence finie régressive d’ordre deux :
On obtient également une formule régressive d’ordre deux :
𝑑𝑢(𝑥𝑖 ) 𝑢𝑖−2 − 4𝑢𝑖+1 + 3𝑢𝑖
𝑢′ 𝑥𝑖 = = (I. 16)
𝑑𝑥 2 𝑥𝑖 − 𝑥𝑖−1
– différence finie centrée:
′
𝑢 𝑥𝑖 + 𝑕 − 𝑢 𝑥𝑖 − 𝑕 𝑕2 ′′ ′ 𝜁𝑖
𝑢 𝑥𝑖 = + 𝑢 (I. 17)
2𝑕 6
ou également
𝑕 𝑕
𝑢 𝑥𝑖 + 2 − 𝑢 𝑥𝑖 − 2 𝑕2
′
𝑢 𝑥𝑖 = + 𝑢′′′ 𝜁𝑖 (I. 18)
𝑕 24
Ce qui conduit, dans le cas de discrétisations uniformes de pas constant h :
𝑢𝑖+1 − 𝑢𝑖−1
𝑢′ 𝑥𝑖 = (I. 19)
2𝑕
ou
𝑢𝑖+1 − 𝑢𝑖−1
′ 2 2
𝑢 𝑥𝑖 = (I. 20)
𝑕
On note 𝑢𝑖+1 et 𝑢𝑖−1 les valeurs approchées de u aux points 𝑥𝑖+𝑕/2 et 𝑥𝑖+𝑕/2
2 2
respectivement.
Pour la dérivée seconde :
– Différence finie centrée :
Dans le cas particulier de points 𝑥𝑖 régulièrement espacés d’un pas h uniforme, on retrouve
en utilisant :
𝑕 𝑕
𝑢′ 𝑥𝑖 + 2 − 𝑢′ 𝑥𝑖 − 2 𝑕2 (4)
𝑢′"′′ 𝑥′ 𝑖 = − 𝑢 𝜁𝑖 (I. 21)
𝑕 24
et (I.17) :
𝑢 𝑥𝑖 + 𝑕 − 2𝑢 𝑥𝑖 + 𝑢 𝑥𝑖 − 𝑕 𝑕2 (4)
𝑢" 𝑥𝑖 = − 𝑢 𝜁𝑖 (I. 22)
𝑕2 12
d’où la discrétisation centrée classique de la dérivée seconde
𝑢𝑖+1 − 2𝑢𝑖 + 𝑢𝑖−1

𝑢" 𝑥𝑖 = (I. 23)
𝑕2
Pour la dérivée troisième :

– différence finie progressive
Dans le cas particulier de points 𝑥𝑖 régulièrement espacés d’un pas 𝑕 uniforme, on obtient la
formule décentrée progressive (d’ordre un) :
𝑑3 𝑢(𝑥𝑖 ) 𝑢𝑖+3 − 3𝑢𝑖+2 + 3𝑢𝑖+1 − 𝑢𝑖

𝑢′′′ 𝑥𝑖 = ≈ (I. 24)
𝑑𝑥 3 𝑕3
L’autre utilisant les nœuds du maillage.
𝑑3 𝑢(𝑥𝑖 ) 𝑢𝑖+2 − 2𝑢𝑖+1 + 2𝑢𝑖−1 − 𝑢𝑖−2

𝑢′′′ 𝑥𝑖 = ≈ (I. 25)
𝑑𝑥 3 𝑕3
Ces deux formules centrées sont d’ordre deux.
Pour la dérivée quatrième :
– différence finie centrée
Dans le cas particulier de points 𝑥𝑖 régulièrement espacés d’un pas 𝑕 uniforme, on
retrouve en utilisant l’équation (I.23) et deux fois la discrétisation centrée classique d’ordre
deux de la dérivée quatrième :
𝑑 4 𝑢(𝑥𝑖 ) 𝑢𝑖+2 − 4𝑢𝑖+1 + 6𝑢𝑖 + 4𝑢𝑖−1 − 𝑢𝑖−2
𝑢(4) 𝑥𝑖 = ≈ (I. 26)
𝑑𝑥 4 𝑕3
On peut observer que l’on retrouve dans ces formules les coefficients du
développement du binôme. Il existe un grand nombre de formules de différences finies et le
bon choix n’est pas toujours évident.
I.7.1.3 Applications en dimension un

Problème de Dirichlet
−𝑢′′ 𝑥 = 𝑓 𝑥 𝑎 ≤ 𝑥 ≤ 𝑏 𝐼. 7.4
(I. 27)
𝑢 𝑎 =𝛼 , 𝑢 𝑏 =𝛽
Interprétations physiques :
– barre élastique sous un chargement axial.
– corde élastique soumise à un chargement transverse.
– conduction thermique dans une barre.
On utilise la discrétisation centrée classique de la dérivée seconde :
𝑢𝑖+1 − 2𝑢𝑖 + 𝑢𝑖−1

𝑢′′ 𝑥𝑖 = (I. 28)
𝑕2
On obtient ainsi le système d’équations linéaires suivant dont la résolution donne les valeurs
ui de la solution approchée du problème (I.27)
𝑢𝑖+1 − 2𝑢𝑖 + 𝑢𝑖−1
− = 𝑓𝑖 𝑝𝑜𝑢𝑟 𝑖 = 1. . 𝑁 − 1
𝑕2 (I. 29)
𝑢0 = 𝛼 , 𝑢𝑁 = 𝛽
Ce qui s’écrit sous forme matricielle :

𝛼
𝑓1 +
𝑢1 𝑕2
2 −1 0 ⋯ 0 𝑓2
𝑢2
1 −1 2 −1 … 0 𝑢𝑖 𝑓𝑖
⋮ ⋱ −1 = (I. 30)
𝑕2 𝑢𝑁−1 𝑓𝑁−1
0 ⋯ −1 2 𝑢𝑁 𝛽
𝑓𝑁 + 2
𝑕
Il ne reste alors plus qu’à résoudre ce système linéaire par des techniques standard
de factorisation (méthodes de Gauss 𝐿𝑈 ou méthode de Choleski 𝐿𝐿𝑇, ou méthode de
relaxation)
Problème mixte Dirichlet-Neumann
−𝑢′′ 𝑥 = 𝑓 𝑥 𝑎≤𝑥≤𝑏
′ 𝑏 (I. 31)
𝑢 𝑎 =𝛼 , 𝑢 =𝛽
Où l’on a, cette fois, une condition de Neumann en 𝑏.

Les modifications du problème discrétisé sont les suivantes. Tout d’abord, le nombre
d’inconnues a changé. Il y a une inconnue au point 𝑏. En effet, la donnée de 𝑢’(𝑏) ne dit rien
de la valeur de 𝑢(𝑏). C’est donc une nouvelle inconnue du problème. Le problème discret a
donc maintenant, sur la base du même maillage, N inconnues 𝑢𝑖 pour 𝑖 = 1 à 𝑁. D’autre
part, il faut proposer une formule discrétisée de la condition de Neumann 𝑢’(𝑏) = 𝛽. On l’a
vu, plusieurs choix sont possibles pour approcher une dérivée première. C’est un des écueils
des méthodes de différences finies qui ne donnent pas de façon naturelle une bonne
approximation des conditions de Neumann. Ici, il y a deux choix possibles :
On peut remplacer au point b la dérivée 𝑢’(𝑏) par :
𝑢𝑁+1 − 𝑢𝑁
𝑢′ 𝑏 ≈ (I. 32)
𝑕
formule qui, bien que seulement d’ordre un, est cohérente avec la modélisation d’un flux ou
d’un effort externe, et qui maintient la symétrie du système matriciel. C’est en particulier la
bonne modélisation par différences finies de l’effet d’un effort concentré au point 𝐿.
On peut remplacer au point b la dérivée 𝑢’(𝑏) par :
𝑢𝑁+1 − 𝑢𝑁−1
𝑢′ 𝑏 ≈ (I. 33)
2𝑕
Cette formule est d’ordre 2. Elle permet donc de conserver globalement l’ordre 2 de
l’approximation. Elle est cohérente avec la modélisation d’une condition de symétrie par une
condition de Neumann. Pour retrouver la symétrie de la matrice, il faudra diviser la dernière
ligne du système par 2. Ceci conduit d’ailleurs précisément à la formule que l’on obtiendra
par une méthode d’éléments finis P1.
𝛼
𝑓1 +
𝑢1 𝑕2
2 −1 0 ⋯ 0 𝑓2
𝑢2
1 −1 2 −1 … 0 𝑢𝑖 𝑓𝑖
⋮ ⋱ −1 = (I. 34)
𝑕2 𝑢𝑁−1 𝑓𝑁−1
0 ⋯ −1 1 𝑢𝑁 𝑓𝑁 𝛽
+
2 𝑕2
I.7.1.4 Approximation par différences finies en dimension supérieure

Comme en dimension un, la première étape consiste à discrétiser le domaine. C’est
dans l’application aux problèmes bidimensionnels et tridimensionnels que la méthode des
différences finies présente sa plus sévère limitation. En effet elle n’est bien adaptée qu’à la
discrétisation de domaines rectangulaires ou parallélépipédiques par des maillages formés
de grilles perpendiculaires. Les dérivées partielles dans chaque direction d’axe sont
approchées comme les dérivées en dimension un.
(i , j+1) (i, j, k+1)

(i , j+1,k)
(i-1, j) (i , j) (i -1, j, k) (i, j,k)
(i+1, j) (i+1 , j,k)
(i, j-1) (i, j, k-1)

(i , j-1,k)
Figure I.5 Grilles différences finies bidimensionnelles et tridimensionnelles.

Discrétisation géométrique
Dans le cas de domaines rectangulaires (ou parallélépipédiques en dimension 3) de
cotés parallèles aux axes, on construit une grille de discrétisation en différences finies par
quadrillage selon les deux (ou trois) directions d’axes. On notera 𝛥𝑥 le pas de discrétisation
selon x et de même 𝛥𝑦 et 𝛥𝑧 les pas de discrétisation en 𝑦 et 𝑧. On obtient ainsi aux
intersections des lignes du quadrillage les nœuds de coordonnées 𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 du maillage en
différences finies. Cette technique de maillage est généralisable aux assemblages de
rectangles (ou de parallélépipèdes) ainsi qu’aux domaines se ramenant par bijection
régulière à un rectangle (ou un parallélépipède). En revanche, dans le cas de géométries
complexes les discrétisations par éléments finis sont mieux adaptées.
Quelques formules simples d’approximation des dérivées partielles par différences finies
Notons, en dimension deux, 𝑢𝑖,𝑗 l’approximation de la valeur exacte 𝑢 𝑥𝑖 , 𝑦𝑗 pour le point
d’indice 𝑖, 𝑗 de la grille.
Pour les dérivées partielles premières :
–Différences divisées progressives : on a les approximations suivantes :
𝜕𝑢 𝑢𝑖+1,𝑗 − 𝑢𝑖,𝑗 𝜕𝑢 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗
𝑥𝑖 , 𝑦𝑗 ≈ , 𝑥𝑖 , 𝑦𝑗 ≈ (I. 35)
𝜕𝑥 ∆𝑥 𝜕𝑦 ∆𝑦
–Différences divisées régressives : on considère cette fois les approximations :

𝜕𝑢 𝑢𝑖,𝑗 − 𝑢𝑖−1,𝑗 𝜕𝑢 𝑢𝑖,𝑗 − 𝑢𝑖,𝑗 −1
𝑥𝑖 , 𝑦𝑗 ≈ , 𝑥𝑖 , 𝑦𝑗 ≈ (I. 36)
𝜕𝑥 ∆𝑥 𝜕𝑦 ∆𝑦
–Différences divisées centrées : on obtient (comme en dimension un) une approximation du
second ordre :
𝜕𝑢 𝑢𝑖+1,𝑗 − 𝑢𝑖−1,𝑗 𝜕𝑢 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗 −1
𝑥𝑖 , 𝑦𝑗 ≈ , 𝑥𝑖 , 𝑦𝑗 ≈ (I. 37)
𝜕𝑥 2 ∆𝑥 𝜕𝑦 2 ∆𝑦
et avec un demi-pas :
𝑢𝑖+1,𝑗 − 𝑢𝑖−1,𝑗 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗 −1
𝜕𝑢 2 2 𝜕𝑢 2 2
𝑥 ,𝑦 ≈ , 𝑥 ,𝑦 ≈ (I. 38)
𝜕𝑥 𝑖 𝑗 ∆𝑥 𝜕𝑦 𝑖 𝑗 ∆𝑦
On en déduit, par double différentiation, l’approximation centrée d’ordre deux du
Laplacien :
−𝑢𝑖+1,𝑗 + 2𝑢𝑖,𝑗 − 𝑢𝑖−1,𝑗 −𝑢𝑖,𝑗 +1 + 2𝑢𝑖,𝑗 − 𝑢𝑖,𝑗 −1
−∆𝑢 𝑥𝑖 , 𝑦𝑗 ≃ + (I. 39)
∆𝑥 2 ∆𝑦 2
Et plus généralement l’approximation de l’équation l’opérateur 𝑑𝑖𝑣 (𝜍 𝑔𝑟𝑎𝑑) pour 𝜍
variable
−𝑑𝑖𝑣 𝜍 𝑔𝑟𝑎𝑑 𝑢 𝑥𝑖 , 𝑦𝑗
𝜍 𝑥𝑖+1 , 𝑦𝑗 𝑢𝑖+1,𝑗 − 𝑢𝑖,𝑗 + 𝜍 𝑥𝑖−1 , 𝑦𝑗 𝑢𝑖,𝑗 − 𝑢𝑖−1,𝑗

2 2
≃−
∆𝑥 2
𝜍 𝑥𝑖 , 𝑦𝑗 +1 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗 + 𝜍 𝑥𝑖 , 𝑦𝑗 −1 𝑢𝑖,𝑗 − 𝑢𝑖,𝑗 −1

2 2
− (I. 40)
∆𝑦 2
Conditions aux limites de Neumann
On doit ajouter la prise en compte des conditions aux limites. Pour les conditions de
Dirichlet, il suffit de fixer les valeurs de ui,j correspondant aux valeurs données sur la
frontière Гd. Pour les conditions de Neumann, on doit discrétiser
𝜕𝑢
=𝑔 (I. 41)
𝜕𝑛|Γ n
Il y a comme pour la dérivée en dimension un, plusieurs choix possibles pour approcher la
dérivée normale en différences finies.
- Le choix décentré d’ordre un conserve la symétrie de la matrice du système linéaire
global, et s’interprète de manière naturelle en terme de flux. Il consiste à remplacer,
𝜕𝑢
selon le côté de frontière concerné, la dérivée normale 𝜕𝑛 = 𝑔 par l’une des
|Γ 𝑛
quatre expressions
𝑢𝑖+1,𝑗 − 𝑢𝑖,𝑗 𝑢𝑖,𝑗 − 𝑢𝑖−1,𝑗 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗 𝑢𝑖,𝑗 − 𝑢𝑖,𝑗 −1
, , , (I. 42)
∆𝑥 ∆𝑥 ∆𝑦 ∆𝑦
- Le choix centré du second ordre conservera globalement l’ordre 2 de
l’approximation. Ce choix est cohérent avec la modélisation d’une condition de
symétrie par une condition de Neumann. Il consiste à remplacer, selon le côté de
𝜕𝑢
frontière concerné, la dérivée normale = 𝑔 par l’une des quatre expressions
𝜕𝑛 |Γ 𝑛
𝑢𝑖+1,𝑗 − 𝑢𝑖−1,𝑗 𝑢𝑖,𝑗 +1 − 𝑢𝑖,𝑗 −1

, (I. 43)
2∆𝑥 2∆𝑦
Il est ensuite nécessaire de numéroter les uij pour qu’elles constituent les
composantes UI d’un vecteur inconnu U. La numérotation influe sur la structure de la
matrice. On utilise des algorithmes de numérotation optimale afin de minimiser le
stockage (profil) de la matrice. Il ne reste alors plus qu’à résoudre le système linéaire
obtenu par des méthodes directes de factorisation (méthodes de Gauss LU ou
méthode de Choleski LLT) ou par des méthodes itératives.
Remarque :
Les formules proposées ci-dessus ne représentent qu’une petite partie des formules
possibles. Ce sont les plus fréquemment utilisées. Il existe un grand nombre de formules
associées aux divers ordres de précision.
I.7.2 Eléments finis

La méthode des éléments finis consiste à approcher, dans un sous-espace de
dimension finie, un problème écrit sous forme variationnelle (comme minimisation de
l’énergie, en général) dans un espace de dimension infinie. La solution approchée est dans ce
cas une fonction déterminée par un nombre fini de paramètres comme, par exemple, ses
valeurs en certains points (les nœuds du maillage).
Avantages : Traitement possible de géométries complexes, détermination plus naturelle des
conditions aux limites, possibilité de démonstrations mathématiques de convergence et de
majoration d’erreurs.
Inconvénients : Complexité de mise en œuvre.
I.7.2.1 L’approche éléments finis en 1-D

La présentation très succincte faite ici n’est qu’une première introduction à la
méthode des éléments finis. Elle a pour but de donner les idées de base dans un cas
extrêmement simple.
Remarquons tout d’abord que la formulation différentielle présenter par la formule
(I.27) du problème suppose l’existence de dérivées secondes de la solution u. Physiquement,
on peut trouver des exemples très simples de problèmes pour lesquels u’ est discontinue et
donc u’’ n’a pas de sens classique (il faut alors considérer u’’ au sens des distributions).
Prenons, par exemple, une corde soumise à un chargement discontinu. La solution prendra
la forme d’une ligne brisée.
• • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •
Figure. I.6 – Corde élastique sous chargement discontinu
En réalité, la bonne formulation mathématique du problème consiste à écrire que la

déformée de la corde réalise le minimum de l’énergie à sa positon d’équilibre. L’énergie de
ce problème s’écrit
𝑏 𝑏
1
𝐽 𝑢 = 𝑢′ 𝑥 2
𝑑𝑥 − 𝑓 𝑥 𝑢 𝑥 𝑑𝑥 (I. 44)
2 𝑎 𝑎
C’est à partir de cette formulation en minimisation d’énergie que se déduit la formulation

variationnelle (ou principe des puissances virtuelles) qui est à la base de la méthode des
éléments finis. On comprend que les éléments finis soient particulièrement adaptés aux
problèmes d’équilibre.
On introduit tout d’abord un produit scalaire de 2 fonctions selon :
𝑏
𝑣, 𝑤 = 𝑣 𝑥 𝑤 𝑥 𝑑𝑥 I. 45
𝑎
et l’espace 𝐿2 [𝑎, 𝑏] des fonctions de carré sommable sur [𝑎, 𝑏], c'est-à-dire telles que
l’intégrale suivante existe :
𝑏
𝑣 2 𝑥 𝑑𝑥 (I. 46)
𝑎
L’espace 𝐿2 [𝑎, 𝑏], muni du produit scalaire ci-dessus est un espace de Hilbert. Soit 𝐻 1 [𝑎, 𝑏]
l’espace de Hilbert des fonctions v, de carré sommable et dont la dérivée est également de
carré sommable
𝑣 ∈ 𝐿2 𝑎, 𝑏 , 𝑣 ′ ∈ 𝐿2 𝑎, 𝑏 , 𝑣 𝑎 = 𝑣 𝑏 = 0 (I. 47)
Et soit 𝐻01 [𝑎, 𝑏] l’espace de Hilbert des fonctions v de 𝐻 1 [𝑎, 𝑏] nulles en 𝑎 et 𝑏.
𝑏
𝑎 𝑢, 𝑣 = 𝑢′ (𝑥)𝑣 ′ 𝑥 𝑑𝑥 (I. 48)
𝑎
Il est facile de vérifier que la forme est bilinéaire, qui est un produit scalaire sur 𝐻01 [𝑎, 𝑏].
(Voir l’annexe 2 pour la définition de ces espaces fonctionnels). Considérons donc le
problème de minimisation de la forme quadratique représentant l’énergie du système :
𝐶𝑕𝑒𝑟𝑐𝑕𝑒𝑟 𝑙𝑎 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑢 𝑣é𝑟𝑖𝑓𝑖𝑎𝑛𝑡 𝑢 𝑎 = 𝛼 𝑢 𝑏 = 𝛽
𝑞𝑢𝑖 𝑟é𝑎𝑙𝑖𝑠𝑒 𝑙𝑒 𝑚𝑖𝑛𝑖𝑚𝑢𝑚 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑒 𝐽 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑝𝑎𝑟
(I. 49)
1 𝑏 ′2 𝑏
𝐽 𝑣 = 𝑣 𝑑𝑥 − 𝑓 𝑣 𝑑𝑥
2 𝑎 𝑎
Ce problème de minimisation est équivalent au problème variationnel suivant

𝑏 𝑏
(I. 50)
𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 − 𝑓 𝑥 𝑣 𝑥 𝑑𝑥 = 0 ∀𝑣 ∈ 𝐻01 𝑎, 𝑏
𝑎 𝑎
Pour s’en convaincre, il suffit de calculer 𝐽(𝑢 + 𝜆𝑣) avec u solution du problème
variationnel, 𝜆 réel quelconque et 𝑣 ∈ 𝐻01 [𝑎, 𝑏] quelconque. Ainsi la fonction 𝑢 + 𝜆𝑣 est
une fonction quelconque de 𝐻01 [𝑎, 𝑏] vérifiant les conditions aux limites imposées en a et b.
Remarquons que ce sont ces conditions aux limites de Dirichlet qui imposent le choix de
fonctions v nulles en a et b.
𝑏 𝑏 𝜆2 𝑏
𝐽 𝑢 + 𝜆𝑣 = 𝐽 𝑢 + 𝜆[ 𝑎
𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 − 𝑎
𝑓 𝑥 𝑣 𝑥 𝑑𝑥] + 𝑎
𝑣′ 𝑥 2
𝑑𝑥 (I.51)
2
Si 𝑢 minimise 𝐽, l’expression
𝑏 𝑏 𝑏
′ ′
𝜆2
𝜆[ 𝑢 𝑥 𝑣 𝑥 𝑑𝑥 − 𝑓 𝑥 𝑣 𝑥 𝑑𝑥] + 𝑣′ 𝑥 2
𝑑𝑥 (I. 52)
𝑎 𝑎 2 𝑎
doit être positive pour tout λ réel et tout 𝑣 ∈ 𝐻01 [𝑎, 𝑏] ce qui nécessite que
𝑏 𝑏
[ 𝑎
𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 − 𝑎
𝑓 𝑥 𝑣 𝑥 𝑑𝑥] = 0 ∀ 𝑣 ∈ 𝐻01 𝑎, 𝑏 (I.53)
Inversement si le crochet
𝑏 𝑏
[ 𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 − 𝑓 𝑥 𝑣 𝑥 𝑑𝑥] (I. 54)
𝑎 𝑎
est nul, on voit que 𝐽(𝑢) ≤ 𝐽(𝑢 + 𝜆𝑣) ∀𝜆 et ∀ 𝑣. On obtient donc, pour tout 𝜆 Є 𝐼𝑅, et
pour tout 𝑣 ∈ 𝐻01 [𝑎, 𝑏], l’équivalence
𝑏 𝑏
𝐽(𝑢 + 𝜆𝑣) ≥ 𝐽 𝑢 ⟺ [ 𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 = 𝑓 𝑥 𝑣 𝑥 𝑑𝑥] (I. 55)
𝑎 𝑎
Remarque: Observons que la formulation variationnelle revient à écrire qu’à l’équilibre,

donc au minimum de l’énergie, les dérivées de 𝐽 au point 𝑢 dans toutes les directions v sont
nulles. En effet on a, par définition de la dérivée directionnelle :
𝑏 𝑏
′
𝐽 𝑢 + 𝜆𝑣 − 𝐽(𝑢) ′ ′
𝐽 𝑢, 𝑣 = lim = 𝑢 𝑥 𝑣 𝑥 𝑑𝑥 − 𝑓 𝑥 𝑣 𝑥 𝑑𝑥] (I. 56)
𝜆→0 𝜆 𝑎 𝑎
Une fois la formulation variationnelle obtenue, on peut retrouver l’équation

différentielle initiale (I.21) de la façon suivante :
On intègre par parties le terme
𝑏 𝑏
𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 = − 𝑢′′ 𝑥 𝑣 𝑥 𝑑𝑥 + 𝑢′ 𝑏 𝑣 𝑏 − 𝑢′ 𝑎 𝑣 𝑎 (I. 57)
𝑎 𝑎
En prenant en compte les conditions sur 𝑣 (𝑣(𝑎) = 𝑣(𝑏) = 0), on en déduit

𝑏 𝑏
− ′
𝑢 ′ 𝑥 𝑣 𝑥 𝑑𝑥 − 𝑓 𝑥 𝑣 𝑥 𝑑𝑥 = 0 ∀𝑣 ∈ 𝐻01 𝑎, 𝑏 (I. 58)
𝑎 𝑎
D’où l’égalité
−𝑢’’ 𝑥 = 𝑓 𝑥 (I. 59)
Au sens de 𝐿2 (𝑎, 𝑏).
On peut faire la démarche inverse. C’est celle que l’on rencontre dans la plupart des
ouvrages. Le point de départ est alors le problème différentiel (I.27). On multiplie l’équation
par 𝑣(𝑥) et on intègre sur [𝑎, 𝑏]:
𝑏 𝑏
− 𝑢′′ 𝑥 𝑣(𝑥)𝑑𝑥 = 𝑓 𝑥 𝑣 𝑥 𝑑𝑥 (I. 60)
𝑎 𝑎
Par intégration par parties :

𝑏 𝑏
′′
− 𝑢 𝑥 𝑣(𝑥)𝑑𝑥 = 𝑢′ (𝑥)𝑣 ′ (𝑥)𝑑𝑥 + 𝑢′ 𝑎 𝑣 𝑎 − 𝑢′ 𝑏 𝑣(𝑏) (I. 61)
𝑎 𝑎
On obtient la formulation variationnelle, qui, en prenant en compte les conditions sur

les fonctions v appartenant à l’espace 𝐻01 [𝑎, 𝑏]
𝑣 𝑎 =𝑣 𝑏 =0 (I. 62)
S’écrit :
𝐶𝑕𝑒𝑟𝑐𝑕𝑒𝑟 𝑙𝑎 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑢 ∈ 𝐻01 𝑎, 𝑏 𝑣é𝑟𝑖𝑓𝑖𝑎𝑛𝑡 𝑢 𝑎 = 𝛼 𝑢 𝑏 = 𝛽 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒
𝑏 𝑏 (I.63)
𝑎
𝑢′ 𝑥 𝑣 ′ 𝑥 𝑑𝑥 = 𝑎
𝑓 𝑥 𝑣 𝑥 𝑑𝑥 ∀𝑣 ∈ 𝐻01 [𝑎, 𝑏]
Cette formulation est équivalente à la minimisation d’une forme quadratique représentant
du système qui s’écrit :
𝑞𝑢𝑖 𝑟é𝑎𝑙𝑖𝑠𝑒 𝑙𝑒 𝑚𝑖𝑛𝑖𝑚𝑢𝑚 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑒 𝐽 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑝𝑎𝑟
(I. 64)
1 𝑏 2 𝑏
𝐽 𝑣 = 𝑣′ 𝑑𝑥 − 𝑓 𝑣 𝑑𝑥
2 𝑎 𝑎
On obtient ainsi 3 formes équivalentes du problème

- une forme différentielle
- une forme variationnelle (principe des travaux virtuels)
- une forme de minimisation de l’énergie
Un premier exemple simple : les éléments P1
Considérons le problème de Dirichlet homogène :
−𝑢′′ 𝑥 = 𝑓 𝑥 𝑎<𝑥<𝑏
(I. 65)
𝑢 𝑎 =0 𝑢 𝑏 =0
Dont on écrira la formulation variationnelle dans l’espace 𝐻01 [𝑎, 𝑏]. On approche l’espace
𝐻01 [𝑎, 𝑏] par l’espace 𝑉0,𝑕 ⊂ 𝐻01 [𝑎, 𝑏] construit de la manière suivante.
On choisit une discrétisation de l’intervalle [𝑎, 𝑏] en N sous-intervalles ou éléments
𝐾𝑖 = [𝑥𝑖−1 , 𝑥𝑖 ]. Les éléments Ki n’ont pas forcément même longueur. 𝑉0,𝑕 est alors
1---
a
Figure I.7 – Discrétisation (maillage) du segment [𝑎, 𝑏] en éléments finis.
L’espace des fonctions continues affines par morceaux (c'est-à-dire affines sur les
segments 𝐾𝑖 ) et nulles aux extrémités 𝑎 et 𝑏.
L’utilisation de fonctions affines, fonctions polynomiales de degré un, justifie la
dénomination d’éléments P1. Chaque fonction 𝑣𝑕 ∈ 𝑉0,𝑕 est déterminée de manière unique
par la donnée de ses valeurs aux points xi 𝑝𝑜𝑢𝑟 𝑖 = 1, … 𝑁 – 1. L’espace 𝑉0,𝑕 est de
dimension 𝑁 – 1.
Figure I.8 –Une fonction affine par morceaux.

Base de Lagrange
la-------&Xt--"'~-.+-l--+-------+---+---fb
Figure I.9 – Fonction de base de Lagrange
Considérons les 𝑁 − 1 fonctions 𝑤𝑖 ∈ 𝑉0,𝑕 définies par les N-1 conditions suivantes :
𝑤𝑖 𝑥𝑗 = 𝛿𝑖𝑗 ∀𝑖 = 1 , … 𝑁 − 1 𝑒𝑡 ∀𝑗 = 1, 𝑁 − 1 (I. 66)
Ces N-1 fonctions forment une base de 𝑉0,𝑕 et une fonction vh quelconque s’écrit dans cette
base :
𝑖=𝑁−1
𝑣𝑕 𝑥 = 𝑣𝑖 𝑤𝑖 𝑥 (I. 67)
𝑖=1
Avec 𝑣𝑖 = 𝑣𝑕 (𝑥𝑖 ). Les coefficients vi sont donc les valeurs de 𝑣𝑕 aux points (𝑥𝑖 )
Ecriture du problème approché
Ecrivons le problème approché dans 𝑉0,𝑕
𝑏 𝑏
𝑢′𝑕 𝑥 𝑣′𝑕 𝑥 𝑑𝑥 = 𝑓 𝑥 𝑣𝑕 𝑥 𝑑𝑥 ∀𝑣𝑕 ∈ 𝑣0,𝑕 (I. 68)
𝑎 𝑎
Le problème étant linéaire, l’égalité est vraie pour tout 𝑣𝑕 si elle est vraie pour une base de
l’espace vectoriel 𝑉0,𝑕
On peut donc remplacer dans l’équation (I.66) ∀𝑣𝑕 ∈ 𝑉0,𝑕 par ∀𝑤𝑖 pour 𝑖 = 1, … 𝑁 – 1.
D’autre part, écrivons uh, solution du problème approché dans V0,h, dans la base des 𝑤𝑖
𝑗 =𝑁−1
𝑣𝑕 𝑥 = 𝑢𝑗 𝑤𝑗 𝑥 (I. 69)
𝑗 =1
Avec 𝑢𝑗 = 𝑢𝑕 (𝑥𝑗 ) valeur approchée de la solution exacte au point(𝑥𝑗 ), on obtient l’écriture

suivante du problème approché :
Trouver 𝑢1 , 𝑢2 , … 𝑢𝑁−1 tels que

𝑗 =𝑁−1
𝑏 𝑏
𝑢𝑗 𝑤 ′𝑗 𝑥 𝑤 ′ 𝑖 𝑥 𝑑𝑥 = 𝑓 𝑥 𝑤𝑖 𝑥 𝑑𝑥 ∀𝑖 = 1, … 𝑁 − 1 (I. 70)
𝑎 𝑗 =1 𝑎
ce que l’on peut récrire

𝑗 =𝑁−1
𝑏 𝑏
𝑤 ′𝑗 𝑥 𝑤 ′ 𝑖 𝑥 𝑑𝑥 𝑢𝑗 = 𝑓 𝑥 𝑤𝑖 𝑥 𝑑𝑥 ∀𝑖 = 1, … 𝑁 − 1 (I. 71)
𝑗 =1 𝑎 𝑎
Soit en posant :
𝑏
𝑓 𝑥 𝑤𝑖 𝑥 𝑑𝑥 = 𝐹𝑖 (I. 72)
𝑎
et
𝑏
𝑤′𝑗 𝑥 𝑤′𝑖 𝑥 𝑑𝑥 = 𝐴𝑖𝑗 (I. 73)
𝑎
𝑗 =𝑁−1
𝐴𝑖𝑗 𝑢𝑗 = 𝐹𝑖 ∀𝑖 = 1, … 𝑁 − 1 (I. 74)

𝑗 =1
On a ainsi obtenu un système linéaire de 𝑁 – 1 équations à 𝑁 – 1 inconnues, qui

peut s’écrire sous la forme matricielle suivante :
𝐴𝑈 = 𝐹 (𝐼. 75)
Chaque ligne d’indice i du système linéaire correspond au choix d’une fonction de
base d’indice i de l’espace des fonctions tests 𝑉0,𝑕 Il y a autant d’équations que d’inconnues
puisque la partie inconnue de la solution approchée s’exprime elle aussi dans la base des 𝑤𝑖 .
I.7.3 Volumes finis

La méthode des volumes finis intègre, sur des volumes élémentaires de forme simple,
les équations écrites sous forme de loi de conservation. Elle fournit ainsi de manière
naturelle des approximations discrètes conservatives et est donc particulièrement bien
adaptée aux équations de la mécanique des fluides :
Equation de conservation de la masse, équation de conservation de la quantité de
mouvement, équation de conservation de l’énergie.
Sa mise en œuvre est simple si les volumes élémentaires sont des rectangles (ou des
parallélépipèdes rectangles en dimension 3). Cependant la méthode des volumes finis
permet d’utiliser des volumes élémentaires de forme quelconque, donc de traiter des
géométries complexes, ce qui est un avantage sur les différences finies.
Il existe une grande variété de méthodes selon le choix de la géométrie des volumes
élémentaires et des formules de calcul des flux. En revanche, on dispose de peu de résultats
théoriques de convergence.
I.7.3.1 L’approche volumes finis
La méthode des volumes finis, comme celle des éléments finis utilise une
formulation intégrale des équations. Mais au lieu d’utiliser un produit scalaire de 𝐿2 par des
fonctions tests, on se contente d’intégrer les équations différentielles sur des volumes
élémentaires ou volumes de contrôle. Ceci peut s’interpréter comme l’utilisation de
fonctions tests, fonctions indicatrices des volumes élémentaires.
I.7.3.2 En dimension un
A partir d’un maillage en volumes finis, où l’on prend les inconnues au centre x i des
volumes de contrôles qui sont dans ce cas monodimensionnel, les segments 𝑥𝑖−1 , 𝑥𝑖−1 ,
2 2
on passe ainsi de
−𝑢’’ 𝑥 = 𝑓 𝑥 ⟺ − 𝑢’ 𝑥 ’ = 𝑓 𝑥 (I. 76)
à
𝑥 1 𝑥 1
𝑖+
2 ′ ′ ′ ′ 𝑖+
2
− 𝑢 𝑥 𝑑𝑥 = 𝑢 𝑥𝑖−1 − 𝑢 𝑥𝑖+1 = 𝑓 𝑥 𝑑𝑥 (I. 77)
𝑥 1 2 2 𝑥 1
𝑖− 𝑖−
2 2
Les 𝑢’(𝑥𝑖−1 ) 𝑒𝑡 𝑢’(𝑥𝑖−1 ) apparaissent comme des flux aux interfaces des volumes
2 2
élémentaires, les segments 𝑥𝑖−1 , 𝑥𝑖−1 .

2 2
Remarque Ceci explique, qu’à l’inverse des différences finies, ce sont, dans le cas des
volumes finis, les conditions de Neumann qui sont faciles à prendre en compte et les
conditions de Dirichlet qui sont plus délicates.
Si on approche les dérivées selon :
𝑢 𝑥𝑖 + 𝑕 − 𝑢(𝑥𝑖 ) 𝑢 𝑥𝑖 − 𝑢 𝑥𝑖−𝑕
𝑢′ 𝑥𝑖+1/2 = 𝑒𝑡 𝑢′ 𝑥𝑖−1/2 = (I. 78)
𝑕 𝑕
Dans le cas particulier de points 𝑥𝑖 régulièrement espacés d’un pas 𝑕 uniforme, on retrouve
la discrétisation centrée classique de la dérivée seconde
𝑑2 𝑢 𝑢𝑖+1 − 2𝑢𝑖 + 𝑢𝑖−1

𝑢′′(𝑥𝑖 ) = 2
𝑥𝑖 ≃ (I. 79)
𝑑𝑥 𝑕2
L’intérêt de cette technique de volumes finis n’apparaît que dans les applications aux
problèmes en dimension 2 et 3. De nombreuses variantes existent, selon la géométrie des
volumes élémentaires, le choix du positionnement des inconnues aux centres ou aux
sommets des volumes de contrôle, et les diverses formules de calcul des flux aux interfaces.
I.7.3.3 En dimension deux

La méthode des volumes finis, conservative par essence, est particulièrement bien
adaptée à la résolution numérique de problèmes conservatifs. On l’utilise donc avec succès
pour modéliser des phénomènes de transport. Il existe un grand nombre de techniques de
type volumes finis qui se distinguent :
- par la situation des inconnues : aux nœuds du maillage ou au centre des mailles
-par la forme des volumes de contrôle : carrés, quadrilatères quelconques, polygones
quelconques, réunions de triangles, etc
- par le choix des formules de calcul approché des flux et en particulier leur ordre de
précision.
Nous choisissons ici de nous limiter au choix originel historiquement de mailles
carrées ou quadrangulaires avec les inconnues représentées au centre des mailles.
Considérons l’équation de convection :
i-1, j+1
I , j+1 I+1 , j+1
D
C
i,j i+1,j
i-1, j
A B
i,j-1 i+1,j-1
i-1,j-1
Figure I.10 Grille volumes finis.

𝜕𝑢
+ 𝑑𝑖𝑣 𝐹 𝑢 =𝑄 (I. 80)
𝜕𝑡
En intégrant l’équation dans le volume de contrôle ABCD on obtient
𝑑𝑢𝑖𝑗
𝑚𝑒𝑠 𝐴𝐵𝐶𝐷 + 𝐹 𝑢 . 𝑛 𝑑𝑠 = 𝑚𝑒𝑠 𝐴𝐵𝐶𝐷 𝑄𝑖𝑗 (I. 81)
𝑑𝑡 𝐴𝐵𝐶𝐷
L’intégrale 𝐴𝐵𝐶𝐷
𝐹(𝑢). 𝑛 𝑑𝑠 représente la somme des flux sortants de F à travers les faces
AB, BC,CD et DA.
Les flux doivent être calculés par des formules indépendantes de la cellule, afin d’assurer la
conservation globale. En particulier, le flux sortant du volume élémentaire 𝛺𝑖,𝑗 à travers la
face AB doit être équilibré par celui sortant de 𝛺𝑖,𝑗 −1 à travers la même face AB.
Schémas centrés
Toujours en se plaçant dans le cas d’inconnues au centre des mailles on a les choix suivants :
1.
1
𝐹𝐴𝐵 = 𝐹 + 𝐹𝑖,𝑗 −1 𝑎𝑣𝑒𝑐 𝐹𝑖𝑗 = 𝐹(𝑢𝑖,𝑗 )
2 𝑖𝑗
2.
𝑢 𝑖,𝑗 +𝑢 𝑖,𝑗 −1
𝐹𝐴𝐵 = 𝐹( )
2
3.
1
𝐹𝐴𝐵 = 𝐹 + 𝐹𝐵
2 𝐴
1
Avec 𝐹𝐴 = 𝐹(𝑢𝑖,𝑗 + 𝐹(𝑢𝑖−1,𝑗 ) + 𝐹(𝑢𝑖,𝑗 −1 ) + 𝐹(𝑢𝑖−1,𝑗 −1 )]
4
1
Et 𝐹𝐵 = 𝐹(𝑢𝑖,𝑗 + 𝐹(𝑢𝑖+1,𝑗 ) + 𝐹(𝑢𝑖,𝑗 −1 ) + 𝐹(𝑢𝑖+1,𝑗 −1 )]
4
4.
1
𝐹𝐴𝐵 = 𝐹 + 𝐹𝐵
2 𝐴
𝑢 𝑖,𝑗 +𝑢 𝑖−1,𝑗 +𝑢 𝑖,𝑗 −1 +𝑢 𝑖−1,𝑗 −1
Avec 𝐹𝐴 = 𝐹 4
𝑢 𝑖,𝑗 +𝑢 𝑖+1,𝑗 +𝑢 𝑖,𝑗 −1 +𝑢 𝑖+1,𝑗 −1
Et 𝐹𝐵 = 𝐹 4
Schémas décentrés
Prenons le cas d’un flux dirigé comme sur la figure 1-10. Dans le cas de schémas
décentrés, on calcule le flux à travers AB en prenant la valeur F(ui,j-1) et ainsi de suite pour les
flux à travers les faces BC, CD, et DA. On prend donc
𝐹𝐴𝐵 = 𝐹 𝑢𝑖,𝑗 −1 , 𝐹𝐵𝐶 = 𝐹 𝑢𝑖+1,𝑗 , 𝐹𝐵𝐶 = 𝐹 𝑢𝑖,𝑗 +1 , 𝐹𝐷𝐴 = 𝐹(𝑢𝑖−1,𝑗 )
Ce choix conduit à des approximations du premier ordre. D’autres formules plus

complexes permettent d’obtenir des flux décentrés au second ordre.
I.8 Bibliothèques numériques

Nous disposons à l'heure actuelle d’une capacité de stockage incroyable, En effet il a
été possible de construire de véritables bibliothèques virtuelles réunissant un grand nombre
de programmes de base que l'on peut maintenant facilement consulter via Internet. Ces
programmes sont généralement écrits en Fortran 77, Fortran 90 et C. Dans la majorité des
cas, ils sont écrits et maintenus par des numériciens et mathématiciens. L'utilisation de ces
programmes est de la responsabilité de l'utilisateur. Il est donc nécessaire d'être vigilant et
de garder un esprit critique quant aux résultats obtenus avec ces programmes. Voir par
exemple le serveur GAMS http://gams.nist.gov/. Ces programmes sont disponibles aussi sur
de nombreux sites associés aux laboratoires de recherche.
Conclusion :
Dans ce chapitre, on a présenté les différents types d’erreurs commises par un
numéricien pendant la programmation d’un modèle numérique, ainsi que les avantages et
les inconvénients de chaque méthode de discrétisation. Dans les cas de problèmes
d’écoulement et de transfert, la méthode des volumes finis doit être préférée.
Chapitre II : Modélisation des phénomènes et
Méthodes d’optimisation
Chapitre II : Modélisation des phénomènes et Méthodes d’optimisation
II.1 Introduction :
Les hommes ont observé le monde depuis des millénaires. L'observation les a mené à
établir des théories permettant d'expliquer les régularités de la nature. Parmi les premières
observations et théories, on compte certainement celles concernant le ciel. Il s'agissait alors
de répondre à des questions telles que : pourquoi le soleil se lève tous les jours, quand
reviennent les saisons, les astres ont-ils une influence sur le destin des êtres humains? Avec
l'avènement de l'agriculture il a fallu mettre au point des calendriers pour savoir quand il
fallait planter et récolter. Au cours du temps les théories se sont complexifiées mais elles
restaient fondées sur l'observation.
On considère traditionnellement que c'est avec Galilée que la science occidentale est
entrée dans l'ère de la science expérimentale, où l'homme interroge la Nature et la force à
répondre à l'aide d'expériences conçues dans ce but, ce qui n'était pas concevable
antérieurement. Il s'est ainsi mis en place un cycle incessant d'allers et venues entre théorie
et expérience. Par exemple, si l'on sait qu'un modèle à une dimension (1D) suffit, il est
inutile pour les théories d'expliquer ou de prévoir de plus en plus de faits expérimentaux. Il
s'agissait donc par l'expérience d'interroger la Nature de façon de plus en plus approfondie
et de pousser les théories dans leurs derniers retranchements.
Puis à l'observation, la théorie et l'expérience est venu s'ajouter un nouvel outil

scientifique: La modélisation Celle-ci a pleinement acquis ses lettres de noblesse avec
l'avènement de l'informatique.
La simulation numérique a malheureusement commencé sa brillante carrière avec la

mise au point de la première bombe atomique pendant la Seconde Guerre Mondiale. Elle
s'est depuis imposée comme un outil indispensable à la pratique de la science, trouvant sa
place entre l'observation, la théorie et l'expérience, et interagissant avec elles.
Loin d'être un substitut à l'expérience, la simulation numérique se révèle précieuse

pour choisir quelle expérience il convient de réaliser pour obtenir le résultat voulu. Dans
certains domaines, les expériences ont en effet la fâcheuse tendance à devenir de plus en
plus coûteuses. La simulation permet un gain de temps et une économie substantielle en
réduisant le nombre d'expériences à mener. On peut parler désormais d'expérimentation
virtuelle. La simulation s'est d'ailleurs émancipée vis-à-vis de la science en pénétrant dans les
années 80 le monde des jeux vidéo, puis dans les années 90 celui de la réalité virtuelle.
L’utilisation de plus en plus courante des ordinateurs, ainsi que les progrès sur leur
puissance ont permis des développements dans le domaine de la modélisation
mathématique et de la simulation numérique de nombreux problèmes multidisciplinaires. La
performance des calculs, ainsi que leur coût relativement faible rend possible le
développement de modèles mathématiques compliqués, capables d’analyser de réels
procédés industriels et de décrire les phénomènes physiques. Le développement de codes
de calculs capables de décrire un procédé industriel est un enjeu très important pour le
monde de la production aussi bien pour rechercher les conditions optimales pour mener un
procédé, que pour le développement et l’innovation de nouvelles technologies. A l’heure
actuelle, l’utilisation libre des codes de calcul par des opérateurs non-initiés n’est pas encore
envisageable. Une étroite collaboration entre la communauté scientifique d’une part et le
monde industriel d’autre part est souvent nécessaire afin de pouvoir associer l’intuition
physique et la prédiction.
II.2 Choix du modèle

Un modèle est une représentation d’une classe de phénomènes et on essaie d'en
rendre compte à l'aide d'un certain nombre d'hypothèses et de règles. A ce titre, une théorie
est une forme de modèle. Un modèle n’est pas toujours parfait car il ne donne pas toujours
une bonne représentation du phénomène étudié. Par exemple la théorie de Newton est un
très beau modèle de la gravitation mais il ne permet pas de rendre compte de façon
satisfaisante de certains phénomènes dont la théorie de la Relativité Générale rend compte
aisément. Aucun modèle, aucune théorie ne peut rendre compte de la totalité du
phénomène modélisé. Etant une simplification, tout modèle a ses limites, son domaine de
validité. Il est indispensable que l'utilisateur d'un modèle soit conscient de cela, qu'il
connaisse ce domaine de validité et qu'il reste critique vis-à-vis des résultats. Sinon, c'est la
porte ouverte à tous les abus. Le modèle n'est pas la réalité : en dehors de ses limites ses
résultats peuvent ne plus être proches de la réalité ; ils ne traduisent alors que les propriétés
du modèle.
On ne peut pas affirmer qu'un modèle est vrai ou faux. Un outil qu’on utilise dans la
vie quotidienne n'est ni vrai ni faux, c'est un outil qui peut servir à nous aider dans certain
domaine, mais pas d’autre. Un modèle est un outil qui fournit simplement des résultats plus
ou moins valables dans un domaine plus ou moins étendu: il peut être utilisé à bon ou à
mauvais escient. La responsabilité en incombe à l'utilisateur.
Un bon modèle doit prédire et prévoir dans une certaine mesure le résultat d'une
expérience. Cette prédictibilité peut avoir un caractère qualitatif ou quantitatif selon que le
modèle se contente de prévoir un certain comportement ou qu'il permet de prédire la
valeur de telle ou telle grandeur mesurable.
II.3 Utilisation du modèle

Les moyens disponibles et la précision souhaitée nous poussent à choisir avec
pertinence certains modèles en fonction de leur adéquation, de leur complexité etc. Par
exemple, on n’a pas besoin de commencer avec un modèle 2D ou 3D qui sera beaucoup plus
gourmand en temps et à mettre en œuvre si un modèle à une dimension (1D) est suffisant.
Quelquefois, il est intéressant d'utiliser des modèles différents, correspondant à

différents points de vue. De plus, la comparaison des résultats fournis par différents modèles
est généralement très instructive sur les modèles et les phénomènes modélisés.
Si la comparaison entre les résultats de la théorie (le modèle) et l’expérience,

conduit à un désaccord alors on peut mettre en cause la validité des paramètres introduits
(paramètres physiques, conditions initiales) ou la validité du modèle, (le domaine de validité,
la prise en compte de tous les phénomènes nécessaires), mais peut-être aussi la façon dont
a été menée l'expérience!
Cette comparaison pourra amener l'utilisateur à adapter les paramètres du modèle

afin d'améliorer les résultats des futures modélisations. Il s'instaure donc un système d'aller-
retour entre la simulation et l'expérience.
Actuellement les modèles deviennent de plus en plus complexes et globaux, ce qui est
rendu possible d'une part par les avancées théoriques et algorithmiques, et d'autre part par
la montée en puissance exponentielle des ordinateurs (loi de Moore). Le développement
d'algorithmes d'optimisation complexes (algorithmes génétiques, algorithme de recuit
simulé) permet d'aller encore plus loin dans l'utilisation de la modélisation. Ils permettent
de répondre à ce que l'on appelle le problème inverse : voulant obtenir telle ou telle
propriété, quelles valeurs donner aux paramètres de mon problème ?
II.4 Optimisation d'un modèle

Parmi les problèmes rencontrés par le chercheur et l'ingénieur, les problèmes
d'optimisation occupent à notre époque une place de choix. Ici le terme modèle, désigne
l'objet, matériel ou non, que nous voulons étudier et optimiser: une molécule, un
composant électronique, un processus industriel, un système complexe, un programme
informatique, etc.
II.4.1 Essai et erreur

La méthode de base pour optimiser un modèle est la méthode d'essai et erreur: il
s'agit de tester un certain nombre de solutions potentielles jusqu'à l'obtention d'une
solution adéquate. C'est ce qu’on fait quand nous donnons à un paramètre plusieurs valeurs
successives et que nous observons le résultat. C'est également le cas quand nous faisons
varier ce paramètre de façon quasi-continue à l'aide d'un ordinateur et que nous traçons la
courbe correspondante.
1. Problème
Problème
Méthode d’essai et erreur

2. Essais
3. L’élimination
Solution
Figure II.1: Décrire l'apprentissage par essai et erreur par un schéma à trois niveaux
(K.Popper,1994).
Considérons la figure II.1. Une situation nouvelle se présente et nécessite une

solution qui n'est a priori pas connue. La méthode d'essai et erreur est alors employée: un
grand nombre de solutions potentielles sont mises à l'essai. Les solutions inadéquates sont
éliminées, jusqu'à ce qu'un essai se révèle satisfaisant. Ce schéma est très général. On peut
l'appliquer au comportement des organismes vivants, à l'évolution des espèces, à l'évolution
des sciences ou au processus d'optimisation : " Dans le fond, ce procédé semble être le seul
qui soit logiquement possible. " (Popper, 1994) Les algorithmes informatiques constituent un
puissant outil pour l'automatisation de ce processus.
1. Analyse
Définition du problème
Contraintes
Objectif
2. Synthèse 3. Evaluation
Formation des solutions Evaluation des

solutions potentielles
potentielles
Solution
Figure II.2: Processus d'optimisation selon Asimow (Balachandran, 1993)
La figure II.2 présente le processus d'optimisation en trois étapes: analyse, synthèse et

évaluation (Balachandran, 1993). Tout d'abord, il convient d'analyser le modèle et d'opérer
un certain nombre de choix préalables:
•Variables du modèle. Quels sont les paramètres intéressants à faire varier ?
•Espace de recherche. Dans quelles limites faire varier ces paramètres ?
•Fonction objectif. Quels sont les objectifs à atteindre ? Comment les exprimer
mathématiquement ?
•Méthode d'optimisation. Quelle méthode choisir ?
Après cette phase d'analyse, la méthode choisie synthétise des solutions potentielles qui
sont évaluées, puis éventuellement éliminées jusqu'à obtention d'une solution acceptable. Si
nécessaire, le modèle peut être alors redéfini à partir des solutions déjà obtenues.
Variables du modèle
On peut avoir intérêt de varier un grand nombre de paramètres pour augmenter les
degrés de liberté de l'algorithme afin de découvrir des solutions potentielles. Ou bien, si on a
une vue suffisamment précise de ce qu'on veut obtenir, on peut limiter le nombre de
variables à l'essentiel, les variables pouvant être de natures diverses selon le modèle choisie.
Espace de recherche
L’espace de recherche peut changer d’un algorithme à l’autre. Par exemple pour les
algorithmes de type Monte Carlo et génétique, il est généralement nécessaire de définir un
espace de recherche fini. En revanche, d’autres algorithmes dépendent seulement des
variables initiales et leur espace est infini. Cette limitation de l'espace de recherche n'est
généralement pas problématique. En effet, ne serait-ce que pour des raisons technologiques
ou informatiques, les intervalles de définition des variables sont en général naturellement
limités. De plus, on a souvent une idée des ordres de grandeur des variables du problème.
Nous désignerons par xi min et xi max les bornes de chaque variable xi:
𝑥𝑖𝑚𝑖𝑛 ≤ 𝑥𝑖 ≤ 𝑥𝑖𝑚𝑎𝑥 ∀𝑖 ∈ [1, 𝑛]
Fonction objectif et fonction d'adaptation
La ou les grandeurs à optimiser peuvent être par exemple une consommation, un

rendement, un facteur de transmission, un profit, la faisabilité technologique, un coût, une
durée de développement une fonction d’erreur, etc. Un algorithme d'optimisation nécessite
généralement la définition d'une fonction rendant compte de la pertinence des solutions
potentielles, à partir des grandeurs à optimiser. Nous la nommerons fonction d'adaptation f.
L'algorithme convergera vers un optimum de cette fonction, quelle que soit sa définition. La
pertinence de la solution dépendra donc de la pertinence de la " question " posée à
l'ordinateur. La fonction f doit donc exprimer le plus fidèlement possible le désir de
l'utilisateur sous forme mathématique. C'est une fonction des variables x1,,xn. Sa
définition peut être simplement analytique, ou elle peut faire appel à un modèle numérique
du dispositif étudié… etc.
Objectif unique
Dans le cas d'un objectif unique, la définition de f ne pose généralement pas de

problème. Par exemple, si l'on se fixe l'objectif de trouver un dispositif dont le rendement
est maximum, f sera égale au rendement. Dans le cas où l'on utilise un modèle numérique,
on commence par évaluer les caractéristiques des solutions potentielles en utilisant le
modèle. Puis on calcule la fonction d'adaptation à partir de ces caractéristiques.
Objectifs multiples
Certains problèmes d'optimisation doivent satisfaire des objectifs multiples, souvent

concurrents, ce qui implique un compromis. La méthode classique consiste à définir
plusieurs fonctions objectives, traduisant chaque objectif à atteindre, et à les combiner au
sein de la fonction d'adaptation. La combinaison la plus simple est une somme pondérée
des fonctions objectif (Fonseca, 1993):
𝑓= 𝑎𝑖 𝑓𝑖 (II. 1)
𝑖
où les poids 𝑎𝑖 doivent être tels que la fonction d'adaptation reste bornée dans l'intervalle
[0,1].
Remarquons qu'un poids peut être négatif afin de tenir compte de certaines contraintes du
problème. C'est à nous de fixer convenablement les poids. On peut généralement classer les
objectifs par importance mais les poids devront souvent être adaptés par tâtonnement. Le
processus d'optimisation a beau être automatisé, l'utilisateur doit donc quand même
optimiser " à la main " la définition de la fonction d'adaptation. Dans la littérature, ce
problème délicat est souvent laissé dans l'ombre.
A la place d'une somme, on peut également utiliser un produit du type:
𝛽𝑖
𝑓= 𝑓𝑖 (II. 2)
𝑖
ou des expressions plus complexes telles qu'une combinaison de sommes et de produits.
Il faut néanmoins être conscient des effets d'une combinaison des objectifs. Deux
solutions potentielles dont les fonctions objectives n'ont pas les mêmes valeurs peuvent
mener à une même valeur de la fonction d’adaptation. De plus, un algorithme utilisant une
telle approche ne convergera à chaque fois que vers une seule solution alors qu’il existe
peut-être toute une famille de solutions. Cette famille correspond alors à un sous-ensemble
de l'espace de recherche, que l'on peut par exemple représenter sous forme d'une nappe
dans un espace à trois dimensions. L'optimisation à objectifs multiples est un domaine de
recherche très actif car les enjeux économiques et industriels sont énormes.
II.5 Méthodes d'optimisation

Une fois définie la fonction à optimiser, il s'agit de choisir une méthode adaptée au
problème posé.
Les méthodes d'optimisation peuvent être classées de différentes manières : nous les
classerons en méthodes déterministes et méthodes non-déterministes. Les méthodes
déterministes sont généralement efficaces quand l’évaluation de la fonction est très rapide,
ou quand la forme de la fonction est connue à priori. Les cas plus complexes (temps de calcul
important, nombreux optima locaux, fonctions non-dérivables, fonctions fractales, fonctions
bruitées) seront souvent traités plus efficacement par des méthodes non-déterministes.
II.5.1 Méthodes déterministes
La recherche des extrema d'une fonction 𝑓 revient à résoudre un système de 𝑛

équations à n inconnues, linéaire ou non:
𝜕𝑓
𝑥 ; … . ; 𝑥𝑛 = 0 (II. 3)
𝜕𝑥𝑖 1
On peut donc utiliser des méthodes classiques telles que la méthode du gradient ou
la méthode de Gauss-Seidel (Ciarlet, 1990 et Nougier, 1987) En général, l'utilisation de ces
méthodes nécessite comme étape préliminaire la localisation des extrema. Celle-ci peut être
faite, par exemple sur un graphique ou par une discrétisation fine de l'espace de recherche.
La fonction à optimiser est évaluée en chacun des points de discrétisation. La valeur
maximale est alors considérée comme une bonne approximation de l'optimum de la

fonction. Cette méthode est brutale et le temps de calcul augmentera exponentiellement en
fonction du nombre de variables. En effet, considérons une optimisation sur huit variables. Si
on discrétise l'intervalle de définition de chaque variable en seulement 3 points, une
exploration systématique nécessite 38 = 6561 exécutions du modèle. Dans le cas d'un
modèle physique nécessitant 10 secondes de calcul sur un PC standard, cela représente 18
heures de calcul, pour un résultat inutilisable!
On rappelle ci-après le principe des méthodes déterministes de type gradient. Pour

une présentation détaillée de ces méthodes en particulier et des méthodes déterministes en
général on pourra consulter l’ouvrage de Bonnans (1997).
Pour minimiser une fonction 𝑓(𝑥) avec 𝑥 ∈ 𝐼𝑅 𝑛 , les algorithmes d’optimisation de type
gradient cherchent un point 𝑥 tel que ∇𝑓 𝑥 = 0 en construisant une suite minimisant {𝑥𝑘 }
tel que 𝑙𝑖𝑚𝑖𝑛𝑓 ∇𝑓 𝑥𝑘 = 0.
Le schéma général de ces algorithmes est le suivant :
1. Etape 0: choisir un point initial 𝑥0
2. Etape 1: test d’arrêt : ∇𝑓 𝑥𝑘 ≤𝜀
3. Etape2: calcul d’une direction de descente en cherchant une direction dk
minimisant un problème approché du type
1 −1
𝑃𝑘 : min 𝑓 𝑥𝑘 + 𝑔 𝑥𝑘 , 𝑑 𝑀 𝑑, 𝑑 ⁡
d, d <𝑎 2 𝑘
4. Etape 3: calcul d’un pas (Recherche linéaire) : trouver un pas tk qui fait décroître f
suffisamment en cherchant à minimiser 𝑞 𝑡 = 𝑓(𝑥𝑘 + 𝑡𝑑𝑘 ) ,
5. Etape 4: faire 𝑥𝑘+1 = 𝑥𝑘 + 𝑡𝑘 𝑑𝑘 et k=k+1 puis revenir à l’étape 1
II.5.1.1 Calcul de la direction de descente:

La première idée pour calculer la direction de descente est de prendre la direction
donnée par plus forte pente: 𝑑𝑘 = −∇𝑓 𝑥𝑘 Cette idée est lente quand on s’approche de la
solution, elle est à la base des autres méthodes.
L’algorithme de gradient conjugué linéaire construit les directions de descente de la façon

suivante :
𝑑1 = −𝑔1
2
𝑔𝑘+1 II. 4
𝑑𝑘+1 = −𝑔𝑘+1 + 𝑐𝑘 𝑑𝑘 𝑎𝑣𝑒𝑐 𝑐𝑘 =
𝑔𝑘
Dans le cas d’une fonction quadratique cet algorithme converge en au plus n
(𝑔 𝑘 ,𝑑 𝑘 , )
itérations pour le pas 𝑡𝑘 = − (𝐴𝑑 L’extension de cet algorithme au cas non linéaire
𝑘 ,𝑑 𝑘 )
permet la construction des directions de descente comme suit :

𝑑1 = −𝑔1
𝑑𝑘+1 = −𝑔𝑘+1 + 𝑐𝑘−1 𝑑𝑘−1 𝑒𝑡 𝑠𝑖 𝑑𝑘 , 𝑔𝑘 ≥ 0 𝑝𝑟𝑒𝑛𝑑𝑟𝑒 𝑑𝑘 = 𝑔𝑘
2
𝑔𝑘
𝑎𝑣𝑒𝑐 𝑐𝑘−1 = 𝑝𝑜𝑢𝑟 𝑙 ′ 𝑎𝑙𝑔𝑕𝑜𝑟𝑖𝑡𝑕𝑚𝑒 𝑑𝑒 𝐹𝑙𝑒𝑡𝑐𝑕𝑒𝑟 𝑅𝑒𝑒𝑣𝑒𝑠 (II. 5)
𝑔𝑘−1
𝑔𝑘 − 𝑔𝑘−1 , 𝑔𝑘
𝑎𝑣𝑒𝑐 𝑐𝑘−1 = 𝑝𝑜𝑢𝑟 𝑙 ′ 𝑎𝑙𝑔𝑕𝑜𝑟𝑖𝑡𝑕𝑚𝑒 𝑑𝑒 𝑃𝑜𝑙𝑎𝑞𝑢𝑒 − 𝑅𝑖𝑏𝑖è𝑟𝑒
𝑔𝑘−1 2
L’algorithme de Newton utilise le hessien pour la construction de la direction de
descente :
𝑑𝑘 = −𝑀𝑘 ∇f 𝑥𝑘 𝑎𝑣𝑒𝑐 𝑀𝑘 = ∇2 𝑓 𝑥𝑘 −1
(II. 6)
Quand on ne dispose pas du hessien on peut utiliser les algorithmes de Quasi-
Newton dont le principe consiste à approcher l’inverse du hessien en construisant une suite
de matrices 𝑀𝑘 symétriques, de préférence définies positives et vérifiant 𝑦𝑘 = 𝑀𝑘 𝑠𝑘 avec
𝑦𝑘 = 𝑔𝑘+1 − 𝑔𝑘 𝑒𝑡 𝑠𝑘 = 𝑥𝑘+1 − 𝑥𝑘 . L’exemple le plus utilisé des algorithmes de Quasi-
Newton est l’algorithme BFGS qui construit la matrice Mk de la manière suivante:
𝑀0 = 𝐼𝑑
𝑦𝑘 𝑦𝑘𝑇 𝑀𝑘 𝑆𝑘 𝑆𝑘𝑇 𝑀𝑘 ∇2 𝑓 𝑥𝑘 (II. 7)
𝑀𝑘+1 = 𝑀𝑘 + 𝑇 − 𝑇
𝑦𝑘 𝛿𝑘 𝑆𝑘 𝑀𝑘 𝑀𝑘
II.5.1.2 Recherche linéaire :
Le but de la recherche linéaire est de trouver un pas 𝑡𝑘 (le long de la direction de

descente 𝑑𝑘 ) qui permet de diminuer suffisamment la fonction 𝑓. Etant donné que la
recherche linéaire est une boucle exécutée à chaque itération, il est donc essentiel qu’elle
soit très rapide. Pour cela les recherches linéaires utilisées ne sont pas exactes.
Elles cherchent dans un intervalle [𝑡𝑔 , 𝑡𝑑 ] une valeur 𝑡𝑘 jugée acceptable en utilisant le
schéma suivant:
1. Etape 0: t initial > 0 (initialisation par la boucle extérieure)
𝑡𝑔 = 0 𝑒𝑡 𝑡𝑑 = ∞
2. Etape 1: test de t
(a) t acceptable. Stop
(b) t trop grand, faire 𝑡𝑑 = 𝑡 et aller en Etape 2
(c) t trop petit, faire 𝑡𝑔 = 𝑡 et aller en Etape 2
3. Etape 2 : choix d’un nouveau t
Si aucun 𝑡𝑑 ≠ ∞ n’a été trouvé : prendre un t plus grand (extrapolation)
Si 𝑡𝑑 ≠ ∞ : prendre 𝑡 Є]𝑡𝑔 ; 𝑡𝑑 [ (interpolation)
4. Etape 3 : aller en Etape 1

L’extrapolation se fait en prenant par exemple, 𝑡 = 𝑎𝑡 avec 𝑎 > 1 et l’interpolation
se fait en prenant 𝑡 = (𝑡𝑔 + 𝑡𝑑 )/2 Dans l’Etape 1 : le test t acceptable, se fait à l’aide d’une
règle garantissant la convergence de l’algorithme. Les règles les plus connues sont la règle
d’Armijo, la règle de Wolfe et la règle de Goldstein et Price données ci dessous. On note que
la règle d’Armijo n’est pas très efficace car elle n’exclut pas de prendre des pas ”trop petits”
ce qui ralentit l’algorithme.
Règle d’Armijo
𝑞 𝑡 −𝑞(0)
a) 𝑡
≤ 𝑚1 𝑞 ′ (0)
𝑞 𝑡 −𝑞 0
b) 𝑚1 𝑞′ 0 ≤ 𝑡
c) Jamais
Règle de Wolfe
a) 𝑞 𝑡 ≤ 𝑞 0 + 𝑚1 𝑡𝑞 ′ 0 𝑒𝑡 𝑞 ′ 𝑡 ≥ 𝑚2 𝑞′ (0) 𝑡 𝑎𝑐𝑐𝑒𝑝𝑡𝑎𝑏𝑙𝑒
b) 𝑞 𝑡 > 𝑞 0 + 𝑚1 𝑡𝑞 ′ 0 𝑡𝑑 = 𝑡
c) q(t)≤ 𝑞 0 + 𝑚1 𝑡 𝑞 ′ 0 𝑒𝑡 𝑞 ′ 𝑡 < 𝑚2 𝑞 ′ 0 𝑡𝑔 = 𝑡
Règle de Goldstein et Price
𝑞 𝑡 −𝑞(0)
a) 𝑚2 𝑞′ (0) ≤ 𝑡
≤ 𝑚1 𝑞′ (0)
𝑞 𝑡 −𝑞 0
b) 𝑚1 𝑞′ 0 ≤
𝑡
𝑞 𝑡 −𝑞 0
c) 𝑡
< 𝑚2 𝑞 ′ 0
II.5.1.3 Calcul du gradient
Une première approche simple pour calculer le gradient d’une fonction f définie par :
𝑓: 𝑥 ∈ 𝐼𝑅 𝑛 → 𝑓 𝑥 ∈ 𝐼𝑅 (II. 8)
est d’utiliser la méthode des différences finies :
𝐽 𝑥 + 𝜕𝑥 − 𝐽(𝑥)
∇𝐽 𝑥 = (II. 9)
𝜕𝑥
Cette méthode présente deux inconvénients majeurs. D’une part, elle est très
sensible au pas de discrétisation et donc aux erreurs numériques. D’autre part, elle devient
très lente quand la taille de la variable x est grande car elle requiert (n+1) évaluations de la
fonction. La méthode de l’adjoint permet de s’affranchir de ces deux inconvénients. La
méthode de l’adjoint peut être implémentée de plusieurs manières. On peut soit écrire les
équations de l’état adjoint du problème continu et discrétiser les équations obtenues, soit
discrétiser les équations directes et calculer l’état adjoint du problème discret. Dans le
deuxième cas, la discrétisation peut se faire à deux niveaux. Une façon de faire consiste à
discrétiser les équations en temps, à calculer l’état adjoint puis à discrétiser en espace (on
parlera de semi-discrétisation).
II.5.2 Méthodes non-déterministes

Ces méthodes font appel à des tirages de nombres aléatoires. Elles permettent d'explorer
l'espace de recherche plus efficacement. Citons entre autres (Beasley, 1993a) :
•Les méthodes Monte Carlo : La fonction est évaluée en un grand nombre de points
choisis aléatoirement.
•Les méthodes hybrides : On peut par exemple utiliser la méthode des gradients en
partant d'un grand nombre de points choisis aléatoirement. On peut ainsi espérer
déterminer au fur et à mesure tous les optima locaux de la fonction.
•Le recuit simulé : On effectue des déplacements aléatoires à partir d'un point initial. Si
un déplacement mène à une valeur plus grande de la fonction f, il est accepté. Sinon, il est
accepté avec une probabilité :
|∆𝑓|
𝑃 = 𝑒 𝑘𝑇 (II. 10)
où "𝛥 𝑓" est la variation de la fonction, 𝑇 est assimilé à une température qui décroît au cours
du temps et 𝑘 est une constante. Cette méthode est basée sur une analogie avec les
processus de recuit utilisés en métallurgie et qui visent à atteindre une configuration
d'énergie minimale (−𝑓 est alors assimilée à une énergie).
•Les Algorithmes Evolutionnaires: le principe est de simuler l'évolution d'une population

de divers individus auxquels on applique différents opérateurs génétiques et que l'on
soumet à chaque génération à une sélection. Ces algorithmes sont de plus en plus utilisés
dans l'industrie car ils sont particulièrement adaptés aux problèmes d'optimisation
comportant de nombreux paramètres.
Si nous opposons exploration et exploitation de l'espace de recherche, nous pouvons dire

que les méthodes Monte Carlo permettent une bonne exploration puisque tout point a une
probabilité identique d'être atteint, mais qu'il n'y a pas d'exploitation des résultats déjà
obtenus. Avec la méthode des gradients, l'exploration est moindre mais l'exploitation des
données précédentes par l'intermédiaire des gradients permet une bonne recherche locale.
Enfin, les Algorithmes Evolutionnaires offrent un bon compromis entre exploration et
exploitation (Beasley, 1993a). Nous allons nous y intéresser de plus près.
II.5.3 Algorithmes Evolutionnaires et Algorithmes Génétiques
II.5.3.1 Introduction
Le but d’un algorithme évolutionnaire est d’optimiser une fonction 𝑓 dite fonction
objectif sur un espace de recherche. Pour cela, une population d’individus, typiquement un
P-uplet de points de l’espace de recherche, évolue selon un darwinisme artificiel
(reproduction, mutation, sélection naturelle) basé sur la fitness 𝐹 de chaque individu. La
fitness est directement liée à la valeur de la fonction objectif 𝑓 de cet individu (exemple, la
fonction 𝑓 elle-même). Des opérateurs appliqués à la population permettent de créer de
nouveaux individus (croisement et mutation) et de sélectionner les individus de la
population qui vont survivre (sélection et remplacement).
Les opérateurs appliqués à un individu ne sont pas en général définis sur le même
espace que celui sur lequel est défini la fonction fitness, appelé espace des phénotypes,
mais sur un espace de représentation appelé l’espace des génotypes. Par exemple pour un
codage binaire les algorithmes génétiques simples utilisent un espace de génotypes de la
forme {0,1}n La Figure II.10 illustre le schéma général d’un algorithme évolutionnaire : après
l’initialisation de la population (généralement d’un façon aléatoire) l’algorithme évalue la
fitness de chaque individu. La boucle de l’algorithme suit les étapes suivantes :
-critère d’arrêt : un des critères simples souvent utilisé est lorsque le nombre maximum de
générations, fixé par l’utilisateur, est atteint.
-codage des variables : La première étape est de définir et de coder convenablement le
problème. A chaque variable d'optimisation 𝑥𝑖 (à chaque paramètre du dispositif), nous
faisons correspondre un gène. Nous appelons chromosome un ensemble de gènes. Chaque
dispositif est représenté par un individu doté d'un génotype constitué d'un ou plusieurs
chromosomes. Nous appelons population un ensemble de 𝑁 individus que nous allons faire
évoluer. D'un point de vue informatique, nous utilisons dans notre algorithme un codage
binaire. C'est-à-dire qu'un gène est un entier long (32 bits). Un chromosome est un tableau
de gènes (figure II. 4 et figure II. 5). Un individu est un tableau de chromosomes. La
population est un tableau d'individus. Notons qu'on pourrait aussi utiliser d'autres formes de
codage (réel, codage de Gray...) (Davis, 1991). On aboutit à une structure présentant cinq
niveaux d'organisation (figure II.3), ce qui conclut à un comportement complexe des
Algorithmes génétiques (en abrégé AG) :
Population
Individus
Chromosomes
Génes
Bits
Figure II.3 : Les cinq niveaux d'organisation de codage des Algorithme Génétique.
Chromosomes
Gène 1 Gène 2 Gène 3
100010011 10011011 11110011
𝑥1 𝑥2 𝑥3
Figure II. 4 : Illustration schématique variables d'optimisation 𝑥𝑖 .
Un des avantages du codage binaire est que l'on peut ainsi facilement coder toutes sortes
d'objets : des réels, des entiers, des valeurs booléennes, des chaînes de caractères Cela
nécessite simplement l'usage de fonctions de codage et décodage pour passer d'une
représentation à l'autre.
Rappelons que dans cette étude les n variables sont supposées réels. Nous
considérons un espace de recherche fini :
𝑥𝑖 𝑚𝑖𝑛 ≤ 𝑥𝑖 ≤ 𝑥𝑖 𝑚𝑎𝑥 ∀𝑖 ∈ [1; 𝑛]

Afin de coder nos variables réelles en binaire, nous discrétisons l'espace de recherche. Ainsi
32 codages sur 32 bits impliquent une discrétisation des intervalles en gmax=232-1 d’où
gmax=4294967 295 valeurs discrètes. Notons au passage que si cette discrétisation est plus
fine que celle du modèle physique utilisé, la fonction est assimilable à une fonction escalier,
si on la considère à une échelle suffisamment petite.
Entier long (32 bits)
31
𝑔𝑖 = 𝑏𝑗 . 2𝑗 (II. 11)
𝑗 =0
b31 b30 b29 …………………………………. b2 b1 b0
Bit le plus signifiant Bit le moins signifiant
Figure II.5 : Chaque gène (chaque paramètre du dispositif) est
codé par un entier long (32 bits).
A chaque variable réelle 𝑥𝑖 on associe donc un entier long gi :
0≤ 𝑔𝑖 ≤ 𝑔max ∀𝑖 ∈ [1, 𝑛] (II. 12)
Les formules de codage et décodage sont alors les suivantes :
𝑥𝑖 − 𝑥𝑖𝑚𝑖𝑛
𝑔𝑖 = 𝑔 (II. 13)
𝑥𝑖𝑚𝑎𝑥 − 𝑥𝑖𝑚𝑖𝑛 𝑚𝑎𝑥
𝑔𝑖
𝑥𝑖 = 𝑥𝑖𝑚𝑎𝑥 + 𝑥𝑖𝑚𝑎𝑥 − 𝑥𝑖𝑚𝑖𝑛 . (II. 14)
𝑔𝑚𝑎𝑥
-Genèse de la population : La première étape de l'algorithme est la genèse de la population,

c'est-à-dire le choix des dispositifs de départ que nous allons faire évoluer. On pourrait
prendre des individus régulièrement répartis dans l'espace. Néanmoins, une initialisation
aléatoire est plus simple à réaliser : les valeurs gi des gènes sont tirées au hasard selon une
distribution uniforme. Notons qu'on peut, si nécessaire, introduire des individus déjà
calculés. Nous discuterons plus loin de la taille N de cette population, mais nous pouvons
déjà dire qu'elle résultera d'un compromis entre temps de calcul et qualité de la solution.
– Sélection-Elimination: cet opérateur sélectionne parmi les parents ceux qui vont générer
des enfants. Plusieurs opérateurs sont possibles qui peuvent être soit déterministes soit
stochastiques. La sélection est basée sur la fitness des individus.
– Création de nouveaux individus: la création de nouveaux individus se fait essentiellement
à l’aide des opérateurs de croisement et de mutation. L’opérateur de croisement est un
opérateur stochastique qui combine k parents pour créer un ou plusieurs enfants.
L’opérateur de mutation est un opérateur stochastique qui modifie un individu pour en créer
un autre qui lui est généralement proche (ce qui dépend énormément de la représentation
choisie).
L'opérateur croisement favorise l'exploration de l'espace de recherche. Considérons
deux gènes A et B pouvant être améliorés par mutation. Il est peu probable que les deux
gènes améliorés A' et B' apparaissent par mutation dans un même individu. Mais l'opérateur
de croisement permettra de combiner rapidement A' et B' dans la descendance de deux
parents portant chacun un des gènes mutants. Il est alors possible que la présence
simultanée des deux gènes produise un individu encore plus adapté (Dessales, 1996).
L'opérateur de croisement assure donc le brassage du matériel génétique et l'accumulation
des mutations favorables. En termes plus concrets, cet opérateur permet de créer de
nouvelles combinaisons des paramètres des composants.
Le phénomène de croisement est une propriété naturelle de l'ADN. C'est par analogie qu'ont
été conçus les opérateurs de croisement dans les AG. Nous avons testé deux méthodes de
croisement classiques.
- " croisement en un point ": on choisit au hasard un point de croisement, pour

chaque couple (Figure II.7). Notons que le croisement s'effectue directement au
niveau binaire, et non pas au niveau des gènes. Un chromosome peut donc être
coupé au milieu d'un gène.
2 Parents 2 Enfants
1001001110100 10010100101101
1
01110100101101 01110011101001
Figure II.7 : Représentation schématique du croisement en 1 point. Les chromosomes sont

bien sûr généralement beaucoup plus longs.
- " croisement en deux points " : on choisit au hasard deux points de croisement
(Figure II.8). Par la suite, nous avons utilisé cet opérateur car il est généralement
considéré comme plus efficace que le précédent (Beasley, 1993b). Néanmoins nous
n'avons pas constaté de différence notable dans la convergence de l'algorithme.
-
2 Parents
2 Enfants
1001001110100 10010100101001
1
01110100101101 01110011101101
Figure II. 8 : Représentation schématique du croisement en 2 points.
Notons que d'autres formes de croisement existent, du croisement en 𝑘 points jusqu'au cas
limite du croisement uniforme.
Nous définissons une mutation comme étant l'inversion d'un bit dans un
chromosome (Figure II.9). Cela revient à modifier aléatoirement la valeur d'un paramètre du
dispositif. Les mutations jouent le rôle de bruit et empêchent l'évolution de se figer. Elles
permettent d'assurer une recherche aussi bien globale que locale, selon le poids et le
nombre des bits mutés. De plus, elles garantissent mathématiquement que l'optimum global
peut être atteint.
10010011101001
Une mutation
10010011001001
Figure II.9 : Représentation schématique d'une mutation dans un chromosome.
Enfin, une population trop petite peut s'homogénéiser à cause des erreurs stochastiques :
les gènes favorisés par le hasard peuvent se répandre au détriment des autres. Cet autre
mécanisme de l'évolution, qui existe même en l'absence de sélection, est connu sous le nom
de dérive génétique. Du point de vue du modèle, cela signifie que l'on risque alors d'aboutir
à des modèles qui ne seront pas forcément optimaux. Les mutations permettent de
contrebalancer cet effet en introduisant constamment de nouveaux gènes dans la
population (Beasley, 1993b).
– Evaluation: L'évaluation de chaque modèle est réalisée par le modèle utilisé. Si le modèle
possède plusieurs états de fonctionnement, le modèle peut être lancé plusieurs fois. Les
résultats obtenus sont alors utilisés pour calculer la fonction objective et la fonction
d'adaptation.
Notons que dans le cas d'un modèle physique, la majeure partie du temps de calcul sera
probablement due à l'exécution de ce modèle. En effet, le reste de l'AG est essentiellement
composé de manipulation d'entiers et de bits, donc très rapide.
– Remplacement : on détermine qui parmi la population courante fera partie des parents de
la génération suivante. Cet opérateur est basé, comme l’opérateur de sélection, sur la fitness
des individus.
Initialisation Meilleur individus
Evaluation Parents Stop? Sélection
Remplacement Croisement, mutation
Evaluation Enfant
Figure II .10 Schéma général d’un algorithme évolutionnaire.
II.5.3.2 Historique
Les Algorithmes Evolutionnaires font partie du champ de l'Intelligence Artificielle (IA).

Il s'agit d'IA de bas niveau, inspirée par " l'intelligence " de la Nature. Intelligence que l'on
peut définir de la façon suivante : " the capability of a system to adapt its behaviour to meet
its goals in a range of environments " (Fogel, 1995). Tous ces algorithmes ont en commun de
faire évoluer des populations d’individus. La différence entre eux est principalement d’ordre
historique. On peut classer ces algorithmes en 4 grandes familles.
– Algorithmes Génétiques (AG) : Holland (1975) et Goldberg (1989).
Les plus connus et les plus populaires des algorithmes évolutionnaires. Ils ont été
développés pour modéliser l’adaptation des populations en biologie.
– Stratégies d’Evolution (ES) : Rechenberg (1972) et Schwefel (1995-1981).
Développés par des ingénieurs pour résoudre des problèmes d’optimisation paramétriques.
Ces algorithmes sont les plus efficaces pour ce type de problèmes.
– Programmation Evolutionnaire (EP): Fogel (1966).
Développée à l’origine pour la découverte d’automates à états finis.
– Programmation Génétique (GP): Koza (1992, 1994,1999).
Apparue initialement comme un sous-domaine des AG, la programmation génétique est

devenue une branche à part entière. La spécificité de ces algorithmes est de représenter des
individus par des arbres.
II .5.3.3 Algorithme Génétique Simple AGS :
Les premiers AGS utilisaient un codage binaire avec un espace de génotype de la

{0,1}n. Les opérateurs de sélection sont la roulette et la roulette stochastique où la
probabilité PXp de sélectionner un individu 𝑋𝑝 est proportionnelle à sa fitness 𝐹(𝑋𝑝). Pour la
roulette, PXp est donnée par :
𝐹(𝑋𝑝)
𝑃𝑋𝑝 = (II. 16)
𝑖∈𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝐹(𝑋𝑖 )
L’opérateur de croisement le plus simple consiste à remplacer une partie des chromosomes
de l’un des parents par ceux de l’autre parent. Par exemple, deux parents
𝑋1 (𝑥11 , 𝑥12 , … . , 𝑥1𝑛 ) 𝑒𝑡 𝑋2 (𝑥21 , 𝑥22 , … . , 𝑥2𝑛 )
Permettent de générer deux enfants
𝑌1 𝑥11 , 𝑥12 … , 𝑥2𝑞 , 𝑥2𝑞+1 , … , 𝑥2𝑛 𝑒𝑡 𝑌2 (𝑥21 , 𝑥22 ; … ; 𝑥1𝑞 , 𝑥1𝑞 +1 ; … ; 𝑥2𝑛 )
où l’entier q est choisi aléatoirement dans [1, 𝑛]. L’un des points faibles du codage binaire
est qu’un tel croisement peut ”mélanger” des variables de type différent. La mutation dans
le cas d’un codage binaire consiste à changer un 0 par 1 ou inversement. Dans le cas d’un
codage réel, la mutation peut se faire en remplaçant une variable xi par 𝑥𝑖 + 𝛿𝑥𝑖 𝑜ù 𝛿𝑥𝑖 est
une ”petite” variation de la variable 𝑥𝑖 Le remplacement se fait par un remplacement
générationnel: les enfants d’une génération n deviennent les parents de la génération 𝑛 + 1.
II.5.3.4 Le Choix d’un Algorithme Génétique(AG)

On a utilisé un AG pour trouver les paramètres physique et chimique d’un modèle
représentant la pyrolyse douce des bois présenté dans le chapitre IV. Cet algorithme utilise
un codage réel écrit en fortran 90.
Dans notre AG comme tous les algorithmes génétiques il y a un choix entre les
méthodes de sélection des parents, les différentes sortes de croisement et les différents
types disponibles dans la littérature.
Méthodes de sélection utilisées dans nos applications:
La partie darwinienne de l'algorithme comprend les deux étapes de sélection et de

remplacement. Répétons que ces étapes sont totalement indépendantes de l'espace de
recherche. On distingue deux catégories de procédures de sélection ou de remplacement
(par abus de langage, nous appellerons sélection les deux types de procédures) : les
procédures déterministes et les procédures stochastiques : Sélection déterministes : On
sélectionne les meilleurs individus (au sens de la fonction performance). Si plus de quelques
individus doivent être sélectionnés, cela suppose un tri de l'ensemble de la population --
mais cela ne pose un problème de temps calcul que pour des très grosses tailles de
population.
Les individus les moins performants sont totalement éliminés de la population, et le
meilleur individu est toujours sélectionné on parle alors d'élitisme. Sélection stochastiques :
Il s'agit toujours de favoriser les meilleurs individus, mais ici de manière stochastique, ce qui
laisse une chance aux individus moins performants. En revanche, il peut arriver que le
meilleur individu ne soit pas sélectionné, et qu'aucun des enfants n'atteigne une
performance aussi bonne que celle du meilleur parent. Le tirage par roulette est la plus
célèbre des sélections stochastiques. Supposant un problème de maximisation avec
uniquement des performances positives, elle consiste à donner à chaque individu une
probabilité d'être sélectionné proportionnelle à sa performance?
Le tirage par roulette présente toutefois de nombreux inconvénients, en particulier
reliés à l'échelle de la fonction performance : alors qu'il est théoriquement équivalent
d'optimiser 
𝛼𝐹 + 𝛽
et 𝐹 pour tout 
𝛼 > 0, il est clair que le comportement de la sélection
par roulette va fortement dépendre de 𝛼 dans ce cas. C'est pourquoi cette sélection est
presque totalement abandonnée aujourd'hui.
La sélection par le rang consiste à faire une sélection en utilisant une roulette dont les
secteurs sont proportionnels aux rangs des individus. La variante linéaire utilise directement
le rang (P pour le meilleur, 1 pour le moins bon, pour une population de taille P), les
variantes polynomiales remplaçant ces valeurs par 𝑖/𝑃𝛼 
,
𝛼 > 0. Seuls comptent alors les
positions relatives des individus entre eux, et non les valeurs arbitraires de la fonction 𝐹 .
La sélection par tournoi n'utilise aussi que des comparaisons entre individus -- et ne
nécessite même pas de tri de la population. Elle possède un paramètre 𝑇, taille du tournoi.
Pour sélectionner un individu, on en tire 𝑇 uniformément dans la population, et on
sélectionne le meilleur de ces T individus. Le choix de 𝑇 permet de faire varier la pression
sélective, c'est-à-dire les chances de sélection des plus performants par rapport aux plus
faibles. A noter que le cas 𝑇 = 2 correspond, en espérance et au premier ordre en fonction
de P, à la sélection par le rang linéaire.
Sélection par roulette stochastique: Le nombre de copies d’un individu est égal à la partie
entière du rapport entre sa fitness et la fitness moyenne de la population. Cette méthode
est surtout utilisée pour des populations de petite taille car elle est moins biaisée que la
roulette dans ce cas.
Dans notre étude on a choisie une sélection par roulettes stochastiques et par élitisme pour
assurer les meilleurs individus.
Une fois les meilleurs individus sélectionnés, on utilise des opérateurs de recombinaison
travaillant sur leur génome, ceci afin de faire évoluer la population vers une meilleure
solution:
Le croisement a pour but d’assurer le brassage des caractères génétiques des individus.
La mutation qui permet de maintenir la diversité génétique au sein de la population
d’individus.
Pour arriver à la meilleure solution, on reproduit le cycle évaluation\ sélection \modification
jusqu’à obtenir la convergence de l’algorithme.
Opérateurs de croisement utilisés dans nos applications:

Plusieurs opérateurs de croisement ont été proposés, qui tous échangent des bits (à
position fixée) entre les parents.
Les croisements choisis sont le croisement multipoints et le croisement barycentrique. Dans
le cas d’un croisement multipoints avec deux points, le croisement se fait de la manière
définie sur la figure II.8. Avec un croisement barycentrique les enfants créés sont donnés par
𝑌1 = 𝑦11 , … , 𝑦1𝑛 𝑒𝑡 𝑌2 = (𝑦21 , … , 𝑦2𝑛 )
avec pour tout i :
𝑦1𝑖 = 𝛼 𝑦1𝑖 + (1 − 𝛼) 𝑦2𝑖 𝑒𝑡 𝑦2𝑖 = 𝛼 𝑦2𝑖 + (1 − 𝛼)𝑦1𝑖
où α est un réel dans [0,1]. Ce nombre α est soit choisi par nous même, soit choisi
aléatoirement dans le cas d’un croisement barycentrique aléatoire. Il existe d’autres types
de croisement. Parmi eux, le croisement uniforme, consiste à choisir avec une probabilité de
0.5 les parents à l’origine du bit correspondant chez chaque enfant.
Type de mutation utilisé dans nos applications:

Deux types de mutations sont possibles. Le premier est la mutation gaussienne avec
une variance constante ou une variance décroissante au cours des itérations (la plus utilisée
dans le cas d’optimisation paramétrique). Le second est une mutation non-uniforme
(Michalewicz,1999) (Sefrioui ,1998) où une variable xi ∈ [(xmin ) i ; (xmax)i ] prend la nouvelle
valeur x’i :
𝑥𝑖 + ∆ 𝑡, 𝑥𝑚𝑎𝑥 𝑖 − 𝑥𝑖 𝑠𝑖 𝑠 ≤ 0.5
𝑥𝑖′ = (II. 17)
𝑥𝑖 + ∆ 𝑡, 𝑥𝑖 − 𝑥𝑚𝑖𝑛 𝑖 𝑠𝑖 𝑠 ≥ 0.5
où t représente le nombre de génération, où s est un nombre aléatoire dans [0,1] et où la
fonction Δ(t,x) est définie comme suit :
𝑡
∆ 𝑡, 𝑥 = 𝑦. 𝑟. (1 − )𝑏 (II. 18)
𝑇
Avec r un nombre aléatoire dans [0, 1], T le nombre maximal de générations et b est un
paramètre de raffinement. L’allure de la fonction Δ(t; x) est représentée sur la figure II.11.
Ainsi, au début l’amplitude maximale de la mutation est grande alors qu’elle très petite vers
la fin de l’algorithme : on passe d’une recherche globale à une recherche locale au cours de
l’algorithme. Le paramètre b permet d’ajuster l’amplitude de la mutation. Le choix de b
détermine la stratégie de compromis entre l’exploration et l’exploitation. Pour une grande
valeur de b (Figure II.12 (a)) on favorise l’exploration de l’espace et pour une petite valeur de
b (Figure II.12 (b)) on favorise la phase d’exploitation et de recherche locale.
"(t,y) "(t,y)
Y Y
r r
(a) (b)
Figure II.11 – La fonction ∆(t,x) à deux instants t1 et t2 (resp. (a) et (b)) avec t1 < t2.
(a)
,,
,
,
,
,
,
,
,,
(b) ,,
,,
T ten1.ps
Figure. II.12 – Evolution de l’amplitude de la mutation en fonction du temps.

L’algorithme utilise aussi la mutation dépendant de la distance (MDD) proposée dans
(Sefrioui, 1998). L’idée est que deux parents qui sont proches vont générer des enfants qui
”ressemblent” à leurs parents, ce qui va limiter la diversité de la population et favoriser
l’apparition de l’individu idéal qui peut attirer le reste de la population vers lui et engendrer
une convergence prématurée. La MDD augmente la probabilité de mutation des enfants
lorsque la distance entre les parents est petite. Afin de favoriser l’exploration de l’espace de
recherche la technique de nichage (niching) est utilisée. Cette technique consiste à favoriser
les individus qui sont éloignés des autres individus de la population (ils explorent de
nouvelles zones de l’espace de recherche) en augmentant leur fitness. L’élitisme a
également été utilisé par l’algorithme. Il assure la décroissance de la meilleure valeur
trouvée au cours des générations. Ainsi, si aucun enfant généré n’améliore le meilleur
résultat déjà trouvé, le meilleur parent est automatiquement sélectionné pour la génération
suivante.
Une autre technique, importante pour le bon fonctionnement de l’algorithme, est la
mise à l’échelle (rescaling). Cette technique est imposée par le choix de la méthode de
sélection basée sur la méthode de la roulette. Pour cette méthode, la probabilité 𝑃𝑥𝑝 de
sélectionner un individu Xp est proportionnelle à sa fitness 𝐹 (𝑋𝑝 ) :
𝐹 𝑋𝑝
𝑃𝑥𝑝 = (𝐼𝐼. 19)
𝑖∈𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛 𝐹 𝑋𝑖
Cette formule oblige à avoir une fitness positive pour tous les individus, d’où une
première idée d’évaluation qui consiste à prendre pour fitness
𝐹 𝑋𝑝 = 𝑓(𝑋𝑝 ) − min 𝑓 𝑋𝑖 (II. 20)
𝑖∈𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛
Ce choix est insuffisant car si on considère la fonction g = f + C où C est une

constante grande devant les valeurs de f, les individus ne sont plus réellement différents au
vue de leur fitness donnée avec la fonction g. La sélection se fait alors différemment pour les
fonctions f et g et devient sensible aux translations. Le choix du scaling doit satisfaire une
autre condition dont le but est d’éviter qu’un super-individu (un individu très bon comparé
au reste de la population) soit le seul sélectionné pour la génération suivante. Plusieurs
stratégies de scaling satisfaisant à ces exigences ont été testées. La meilleure pour nos tests
est le sigma scaling tronqué :
𝐹 𝑋𝑝 = 𝑓 𝑋𝑝 + 𝑓 − 𝑐. 𝜍 (II. 21)
où 𝑓 et 𝜍 représentent respectivement la moyenne et la variance de la fonction 𝑓 sur la

population et où c est une constante généralement prise entre 1 et 5. Les valeurs négatives
éventuelles de 𝐹(𝑋𝑝) sont tronquées et ramenées à zéro. L’ensemble des techniques
présentées ci-dessus ont permis d’accroître les performances de l’algorithme. Le
désavantage est que le nombre de paramètres à ajuster a augmenté ce qui induit un réglage
plus lent. Le temps de calcul requis par l’algorithme est essentiellement dû au temps
d’évaluation d’une fonction (voir Figure II.10).
II.5.3.5 Stratégies d’Evolution (ES)
Dans le cadre de l’optimisation paramétrique, la mutation la plus employée est la

mutation gaussienne, qui consiste à rajouter un bruit gaussien au vecteur des variables. La
forme la plus générale est alors :
𝑋 ≔ 𝑋 + 𝜍𝑁(0, 𝐶) (II. 22)
où σ est un paramètre positif, appelé le pas de la mutation (step-size en anglais), et
N(0,C) représente un tirage de loi normale centrée de matrice de covariance C (symétrique
définie positive).
Tout l’art est alors bien sûr dans le choix des paramètres σ et C. L’influence de σ est
intuitive. A de grandes valeurs résulteront une exploration importante. On peut fixer la
valeur de σ mais des études théoriques sur des fonctions simples ont démontré que cette
valeur devrait décroître au fil des générations en fonction de l’avancement de la recherche,

et il est impossible de fixer a priori un schéma de décroissance qui soit synchrone avec
l’éventuelle convergence de l’algorithme, pour une fonction quelconque.
L’état de l’art a longtemps été la mutation auto-adaptative. Due aux pères des
stratégies d’évolution (Rechenberg, 1972 et Schwefel, 1995), ce type de mutation considère
en fait les paramètres de la mutation eux-mêmes comme des variables supplémentaires, et
les font également évoluer via croisement et mutation.
L’idée sous-jacente est que, bien que la sélection soit faite sur les valeurs de la
fonction objectif J et non pas directement sur les paramètres de la mutation, un individu ne
peut pas survivre longtemps s’il n’a pas les paramètres de mutation adaptés à la
“topographie” de la portion de la surface définie par J où il se trouve : Schématiquement par
exemple, les valeurs de σ doivent être petites lorsque le gradient de J est important, afin
d’avoir plus de chance de faires des “petits pas”. On distingue trois cas suivant la complexité
du modèle de matrice de covariance :
• Le cas isotrope: il y a un σ par individu (soit C = Id). La mutation consiste alors à muter
tout d’abord σ selon une loi log-normale (afin de respecter la positivité de σ, et d’avoir des
variations symétriques par rapport à 1), puis à muter les variables à l’aide de la nouvelle
valeur de σ :
𝜍 ≔ 𝜍𝑒 𝜏𝑁0 0,1
(II. 23)
𝑋𝑖 = 𝑋𝑖 + 𝜍𝑁𝑖 0,1 𝑖 = 1, … , 𝑑
Les Ni(0, 1) sont des réalisations indépendantes de variables aléatoires scalaires gaussiennes
centrées de variance 1.
• Le cas non-isotrope: il y a un σ par individu (soit C = diag(𝜍1 , . . . , 𝜍𝑑 ). A noter que la
mutation des σi comporte deux termes de forme log-normale, un terme commun à tous les
𝜍𝑖 et un terme par direction :
𝑘 = 𝜏𝑁0 0,1
′
𝜍𝑖 = 𝜍𝑖 𝑒 𝑘+𝜏 𝑁𝑖 0,1 𝑖 = 1, … , 𝑑 (II. 24)
𝑋𝑖 = 𝑋𝑖 + 𝜍𝑖 𝑁𝑖′ 0,1 𝑖 = 1, … , 𝑑
Les 𝑁𝑖 0,1 et 𝑁𝑖′ 0,1 sont des réalisations indépendantes de variables aléatoires scalaires
gaussiennes centrées de variance 1.
• Le cas général, dit corrélé, dans lequel C est une matrice symétrique définie positive
quelconque. On utilise alors pour pouvoir transformer C par mutation tout en gardant sa
positivité une représentation canonique en produit de d(d−1)/2 rotations par une matrice
diagonale. La mutation s’effectue alors en mutant d’une part la matrice diagonale, comme
dans le cas non-isotrope ci-dessus, puis en mutant les angles des rotations :
𝑑−1
𝑑
𝑁 0, 𝐶 𝜍, 𝛼 = 𝑅 𝛼𝑖𝑗 𝑁 0, 𝜍 (II. 25)
𝑗 =𝑖+1
𝑖=1
𝜏 ′ 𝑁0 0,1 +𝜏𝑁𝑖 0,1
𝜍𝑖 = 𝜍𝑖 𝑒 𝑖 = 1, … , 𝑑
𝑑 𝑑−1
𝛼𝑗 𝛼𝑗 + 𝛽𝑁𝑗 0,1 𝑗 = 1, … , (II. 26)
2
𝑋 = 𝑋 + 𝑁 0, 𝐶 𝜍, 𝛼
Ici encore, les divers 𝑁𝑖 0,1 apparaissant dans les formules ci-dessus sont des réalisations
indépendantes de variables aléatoires scalaires gaussiennes centrées de variance 1.
Mais l’état de l’art aujourd’hui en matière d’optimisation paramétrique évolutionnaire est
sans conteste la récente méthode Covariance Matrix Adaptation (CMA). Partant du constat
que d’une part l’adaptation de la matrice C dans les méthodes auto-adaptatives ci-dessus
est très lente, et d’autre part les pas successifs de l’algorithme contiennent de l’information
sur la fonction objectif, Hansen(1996,2001,2003) a mis au point une adaptation déterministe
de la matrice de covariance C (la mutation est donnée par la formule (II.23)).
Tout d’abord, il a été expérimentalement constaté qu’il était préférable de tirer tous les
enfants d’un unique parent, la moyenne des μ individus de la population à l’étape n :
𝜇
1
<𝑋> = 𝑛
𝑋𝑖𝑛 (II. 27)
𝑛
𝑖=1
L’algorithme consiste alors à tirer λ enfants à partir de < 𝑋 >𝑛 , et à sélectionner les μ
meilleurs pour la génération suivante.
Une deuxième constatation concerne ensuite le pas de mutation: si deux mutations
successives ont eu lieu dans la même direction, alors il faudrait sans doute augmenter le pas.
De manière formelle, cela donne :
𝑛 +1 𝑛
1<𝑋>𝜇 −<𝑋>𝜇
−
𝑝𝜍𝑛 +1 = 1− 𝑐𝜍 𝑝𝜍𝑛 + 𝜇 𝑐𝜍 2 − 𝑐𝜍 𝐶𝑛 2 𝜍𝑛
1 𝑝𝜍𝑛+1 (II. 28)

𝜍 𝑛 +1 = 𝜍 𝑛 exp −1
𝑑𝜍 𝐸 𝑁 0, 𝐼𝑑
II.5.3.6 Algorithmes Hybrides (AG-GC)

Les méthodes hybrides combinent plusieurs méthodes d’optimisation afin
d’améliorer leur efficacité à trouver l’optimum et d’accélérer leur convergence. L’approche
la plus simple consiste à utiliser le résultat obtenu par une méthode stochastique comme
point de départ d’un algorithme déterministe. Cette approche permet de compléter la
recherche locale mais ne permet pas d’améliorer réellement le résultat final si l’algorithme
stochastique a bien convergé. Une autre approche, dite basin hopping (Wales,1997),
consiste à inclure à l’intérieur de la boucle d’optimisation stochastique une boucle
d’optimisation déterministe. Plus précisément, l’algorithme stochastique utilisé est un recuit
simulé qui minimise une fonction 𝑓 obtenue à partir de la fonction f en lançant en chaque
point x un algorithme de gradient : 𝑓 𝑥 = 𝑓 𝑥 où 𝑥 est le résultat de l’algorithme de
gradient lancé à partir du point x. Ceci a pour effet de réduire les barrières de potentiel que
l’algorithme de recuit simulé doit franchir pour passer d’un minimum local à un autre. La
méthode est utilisée pour optimiser des problèmes assez complexes. Une variante de cette
méthode, qui utilise un algorithme génétique au lieu du recuit simulé, a été implémentée.
L’approche adoptée dans l’algorithme AG-GC consiste à utiliser l’algorithme génétique,
présenté dans la section précédente, en y ajoutant un opérateur de mutation par gradient.
Cet opérateur remplace un individu x par le résultat de l’optimisation par un algorithme de
gradient conjugué après un certain nombre d’itérations 𝑁𝑖𝑡𝑒𝑟 . Le choix de l’individu x peut se
faire en prenant le meilleur individu de la population ou en choisissant un individu d’une
manière aléatoire. Le deuxième choix s’est avéré plus efficace dans la plupart des tests
effectués. En effet, le meilleur individu attire autour de lui d’autres individus de la
population et donc, au cours des itérations une forme de recherche locale s’effectue déjà
dans sa région. On note aussi que le nombre d’itérations 𝑁𝑖𝑡𝑒𝑟 ne doit pas être très grand
pour ne pas ralentir le programme. De plus, au début du processus lorsque les individus sont
loin de l’optimum il est inutile de raffiner la recherche locale.
II.5.3.7 La programmation génétique
La programmation génétique (GP, pour Genetic Programming en anglais) peut être

vue comme l’évolution artificielle de “programmes”, ces programmes étant représentés
sous forme d’arbres (il existe des variantes de GP qui utilisent une représentation linéaire
des programmes).
Elle constitue aujourd’hui une des branches les plus actives des algorithmes
évolutionnaires.
On suppose que le langage dans lequel on décrit les programmes parmi lesquels on
cherche un programme optimal est constitué d’opérateurs et d’opérandes de base, tout
opérateur pouvant opérer sur un nombre fixe d’opérandes, et donnant lui-même un résultat
pouvant à son tour être l’opérande d’un des opérateurs.
L’idée de base consiste à représenter de tels programmes sous forme d’arbres.
L’ensemble des nœuds de l’arbre N est l’ensemble des opérateurs, et l’ensemble des
terminaux de l’arbre T est l’ensemble des opérandes de bases.
L’intérêt d’une telle représentation, qui permet d’utiliser les principes
évolutionnaires sur ce type d’espace de recherche, est la fermeture syntaxique de
l’opérateur de croisement : en effet, alors qu’il est difficile d’imaginer croiser deux
programmes séquentiels écrits dans un langage de haut niveau (pensez à du C ou du Java)
en obtenant un programme valable comme résultat du croisement, le croisement d’arbres
ne pose aucun problème, et donne toujours un arbre représentant un programme valide,
comme nous allons le voir ci-dessous.
Les premiers travaux en GP optimisaient des programmes écrits dans un sous-
ensemble du langage LISP travaillant sur des variables booléennes. Les nœuds étaient
constitués d’opérations logiques (e.g., AND, OR, . . . ) et de tests (e.g. l’opérateur ternaire IF
Arg1 THEN Arg2 ELSE Arg3), les opérandes des variables du problème.
De nombreux autres langages ont été utilisés dans le cadre de GP, mais nous nous
contenterons ici de donner l’exemple trivial du cas de programmes opérant sur des valeurs
réelles, avec pour terminaux soit des valeurs constantes soit l’un des symboles 𝑋 et
𝑌 (𝑇 = {𝑋, 𝑌, 𝑅}) et pour noeuds les opérations d’addition et de multiplication (𝑁 = {+,∗
}). L’ensemble des programmes que décrivent de tels arbres est alors l’ensemble des
polynômes réels à 2 variables 𝑋 et 𝑌 (voir Figure II.13).
Signalons enfin qu’en programmation génétique comme en programmation
manuelle, il est possible et même souhaitable d’utiliser les concepts de programmation
structurée : la notion de subroutine par exemple a été introduite rapidement dans les
programmes-arbres sous la forme des ADF – Automatically Defined Functions (Koza, 1994),
de même que des structures de contrôles au sein des opérateurs élémentaires (boucles,
récursion,).
Examinons maintenant les composantes spécifiques d’un algorithme évolutionnaire

manipulant des arbres.
Initialisation
L’idée la plus immédiate pour initialiser un arbre consiste à donner à chacun des
nœuds et des terminaux une probabilité d’être choisi, et à tirer au sort à chaque étape un
symbole parmi l’ensemble des nœuds et des terminaux. Si c’est un nœud, on renouvelle la
procédure pour chacun des arguments dont l’opérateur a besoin.
On voit tout de suite qu’une telle procédure peut ne jamais se terminer, et qu’il faut imposer
une profondeur maximale aux arbres, profondeur à partir de laquelle on n’autorise plus que
les terminaux.
Le problème devient alors le choix des probabilités des différents symboles : si le
poids global des nœuds est plus grand que celui des opérateurs, la plupart des arbres auront
pour profondeur la profondeur maximale. Au contraire, si le poids des terminaux l’emporte
sur celui des nœuds, les arbres seront très rarement profonds. Dans les deux cas, la diversité
de la population initiale de l’algorithme sera très réduite.
C’est pourquoi la procédure la plus utilisée aujourd’hui initialise la population en
plusieurs étapes, chaque étape utilisant des profondeurs maximales différentes, et
appliquant soit la procédure décrite ci-dessus, soit générant systématiquement des arbres
de profondeur égale à la profondeur en cours. Cette initialisation s’appelle ramped half-and-
half et est décrite en détail dans l’ouvrage de référence en GP ( Banzhaf 1998)
Figure II.13: Exemple de croisement en programmation génétique, dans le cadre de la

représentation des polynômes à 2 variables réelles : l’échange des sous-arbres délimités par
les pointillés entre les polynômes 𝑐 ∗ 𝑋 + 𝑋 ∗ 𝑌 – 𝑎 ∗ 𝑌 𝑒𝑡 𝑎 + 𝑏 ∗ 𝑌 2 + 𝑏 ∗ 𝑐 ∗ 𝑌 donne ici :
𝑐 ∗ 𝑋 + 𝑏 ∗ 𝑌 𝑒𝑡 𝑋 ∗ 𝑌 2 + 𝑐 ∗ 𝑋 ∗ 𝑌 – 𝑎 ∗ 𝑌2 – 𝑎 ∗ 𝑐 ∗ 𝑌 + 𝑎
Croisement
Définir une procédure de croisement n’offre a priori aucune difficulté : on choisit
aléatoirement un sous-arbre dans chacun des parents, et on échange les deux sous-arbres
en question (voir Figure II.13). Du fait de l’homogénéité des types, le résultat est toujours un
programme valide – l’ensemble des programmes est fermé pour l’opérateur de croisement.
On remarquera cependant que le croisement de deux parents de même taille (nombre de
nœuds) a tendance à générer un parent long et un parent court.
De plus, les arbres longs ont en moyenne une plus grande expressivité que les arbres
courts. La conjonction de ces deux phénomènes entraine une croissance continue et
incontrôlable de la taille des programmes, dénommée bloat. C’est un des problèmes
majeurs de la programmation génétique en pratique, que de nombreux travaux tentent de
comprendre (l’explication ci-dessus est loin d’être la seule à avoir été proposée), et de
contrôler. Mais une des difficultés est qu’il est a été constaté expérimentalement qu’un
minimum de bloat est nécessaire pour espérer obtenir des arbres performants
Initiation
Les travaux originaux de Koza n’utilisaient comme opérateur de variation que le
croisement. Mais il utilisait des populations de très grande taille (plusieurs milliers), et
pouvait ainsi espérer que la plupart des “morceaux de programme” intéressants étaient
présents dans la population initiale et qu’il suffisait de les assembler par croisement.
Aujourd’hui, la plupart des travaux utilisent des opérateurs de mutation, et ce d’autant plus
que la taille de la population est petite. De très nombreux opérateurs de mutation ont été
imaginés, le plus simple (et le plus destructeur et moins performant) étant de remplacer un
sous-arbre aléatoirement choisi par un sous-arbre aléatoirement construit à l’aide de la
procédure d’initialisation.
Signalons les mutations par changement de nœud (on remplace un nœud choisi
aléatoirement par un nœud de même parité), par insertion de sous-arbre (plutôt que de
remplacer totalement un sous-arbre, on insère à un emplacement donné un opérateur dont
l’un des opérandes est le sous-arbre qui était présent à cet endroit), et son inverse (qui
supprime un nœud et tous ses arguments sauf un, qui prend sa place).
Les terminaux réels
Les valeurs numériques réelles utilisées comme terminaux d’arbres de type réel
tiennent une place particulière dans la programmation génétique. D’une part, elles ont été
longtemps absentes des travaux publiés (Koza n’utilisait que des valeurs entières choisies
parmi les 10 premiers entiers par exemple). D’autre part, elles requièrent un traitement
particulier, tant en terme d’initialisation (on ne choisit pas une valeur parmi un nombre fini
de possibles) qu’en terme de variation.
L’initialisation se fait généralement uniformément sur un intervalle donné. Le
croisement se contente d’échanger des sous-arbres, et les valeurs numériques n’y jouent
aucun rôle particulier. En revanche, la mutation des constantes est un élément crucial pour
le succès d’une optimisation par programmation génétique mettant en jeu des valeurs
numériques. On utilise généralement des mutations gaussiennes, éventuellement
augmentées de paramètres autoadaptatifs (mais limités à une variance par terminal). Il est
même fréquent, si le coût CPU le permet, d’optimiser localement les valeurs numériques
pour une structure d’arbre donnée, soit par algorithme déterministe si le problème le
permet (Schoenauer, 1996) soit même en utilisant un algorithme évolutionnaire imbriqué
(Ebner, 2003).
La programmation génétique est un formidable outil de créativité et John Koza ne

désespère pas d’obtenir un jour des résultats brevetables (Koza, 1994)
II.6 Conclusion
Ce chapitre a présenté les algorithmes évolutionnaires dans leurs généralités. Il faut
en retenir d’une part leur robustesse vis-à-vis des optima locaux, et d’autre part leur
souplesse d’utilisation, particulièrement en termes de champ d’application (choix de
l’espace de recherche). Dans notre cas d’étude, on a utilisé la méthode de sélection par
roulette stochastique, le croisement barycentrique et une mutation non uniforme en
introduisant des différentes techniques comme la technique de nichage, rescaling et la
Méthode de MDD (Sefrioui ,1998), (voir le paragraphe : II.5.3.4 Le Choix d’un Algorithme
Génétique(AG) )
Applications
Chapitre III : Première Application : Modélisation
des transferts diffusionnels d’eau dans le
domaine hygroscopique du bois de hêtre.
Chapitre III : Modélisation des transferts diffusionnels d’eau dans le domaine hygroscopique du bois de hêtre .
III.1 Introduction et objectif de l’étude
Le bois est un matériau poreux hygroscopique où l’eau peut apparaître sous trois
formes principales :
- eau libre ou capillaire,
- eau adsorbée ou liée,
- eau vapeur.
L’eau libre que contient le bois dans l’arbre est éliminée rapidement lors d’un
séchage naturel (à l’air libre) ou artificiel (dans un séchoir). Au cours de cette étape les
variations dimensionnelles du bois sont faibles et on peut admettre que le volume du bois
reste constant. A l’issue de cette élimination de l’eau libre, l’eau résiduelle se trouve sous
forme d’eau adsorbée et d’eau vapeur. C’est le domaine hygroscopique du bois où
l’élimination de l’eau par séchage sera accompagnée d’un retrait volumique. De plus, à une
température fixée, il peut exister entre l’eau adsorbée et l’eau en phase vapeur un équilibre
thermodynamique qui se traduit par une isotherme d’adsorption.
Ainsi, dans le domaine hygroscopique, le séchage ou l’humidification du bois va

refaire apparaître des transferts d’eau liée et d’eau vapeur au sein du matériau, transfert de
matière généralement accompagné de transfert d’énergie si le matériau ne peut être
supposé isotherme. Dans ce qui suit nous supposons que les transferts de matière seront
réalisés dans des conditions isothermes.
Le transfert de l’eau en phase adsorbée se fait uniquement par diffusion (existence

d’un gradient de concentration). Quant au transfert de l’eau vapeur il se fait également par
diffusion, mais un transfert convectif de la vapeur d’eau peut se superposer au transfert
diffusif en présence d’un gradient de pression totale. En l’absence d’un gradient thermique
le transfert convectif d’eau vapeur est faible et dans la suite de l’étude nous allons admettre
que les transferts d’eau liée et d’eau vapeur dans le bois sont purement diffusifs.
Le bois n’étant pas un matériau isotrope, les transferts diffusifs sont différents dans
les trois directions orthotropiques du bois que son: la direction axiale, la direction radiale et
la direction tangentielle. Les échantillons sur lesquels sont réalisés les essais d’humidification
et de séchage sont choisis pour limiter les transferts diffusionnels à une seule direction
orthotropique. Des expériences de séchage d’échantillons de bois de hêtre ont été réalisées
par Mouchot (2002) en plaçant les échantillons en équilibre thermodynamique avec un air
humide d’humidité relative HR1 à la température T = 35°C dans une enceinte isotherme à
35°C où l’humidité relative de l’air maintenue constante est HR2 < HR1. Il en résulte un
transfert diffusionnel d’eau de l’échantillon vers la phase gazeuse de l’enceinte se traduisant
par une diminution de la masse de l’échantillon au cours du temps jusqu’à l’atteinte d’un
nouvel équilibre thermodynamique correspondant à l’humidité HR2.
L’objectif de l’étude est une modélisation de la variation de masse de l’échantillon.

Pour ce faire, nous allons tester quatre modèles basés sur les hypothèses respectives
suivantes :
- Premier modèle (Modèle I): la masse d’eau vapeur dans le bois étant très négligeable
devant la masse d’eau adsorbée, le transfert de l’eau dans le bois se limite au transfert
diffusionnel de l’eau adsorbée, le coefficient de diffusion de l’eau adsorbée D* étant obtenu
par optimisation.
- Deuxième modèle (Modèle II): la masse d’eau vapeur dans le bois étant très
négligeable devant la masse d’eau adsorbée, le transfert de l’eau dans le bois se limite au
transfert diffusionnel de l’eau adsorbée, le coefficient de diffusion de l’eau adsorbée DA
étant celui déterminé expérimentalement (Mouchot,2002) sur un autre dispositif. Comme
nous le constaterons ci-après, DA est généralement différent de D*.
- Troisième modèle (Modèle III): on ne néglige pas la masse d’eau vapeur et les
transferts diffusionnels ont lieu simultanément en phase vapeur et en phase adsorbée, avec
les coefficients de diffusion respectifs DV et DA mesurés indépendamment. Toutefois, dans ce
modèle nous supposerons que localement l’équilibre thermodynamique entre la phase
gazeuse et la phase adsorbée est réalisé.
- Quatrième modèle (Modèle IV): comme dans le troisième modèle les transferts
diffusionnels se font simultanément en phase gazeuse et adsorbée mais l’équilibre
- thermodynamique local entre l’eau vapeur et l’eau adsorbée n’est pas réalisé. Pour
traduire ce non équilibre, nous introduisons une résistance telle que le flux massique d’eau
transférée par unité de volume entre l’eau vapeur et l’eau adsorbée est tel que :
   B ka ( f (  e )  x) (III.1)
où 𝑥 est l’humidité absolue du bois (kg d’eau / kg bois sec)
 e est la masse volumique de l’eau vapeur ( kg m 3 )
f (  e ) est l’humidité absolue du bois en équilibre thermodynamique avec l’eau
vapeur de masse volumique  e
𝑘𝑎 est une conductance volumique de transfert (s-1)
3
 B est la masse volumique du bois anhydre ( kg m )
 est homogène à des kg s 1m 3 .
III.2 Le procédure expérimentale :

III.2.1 Les directions du bois :
Le bois est un matériau hétérogène ce qui explique son caractère isotrope. Il a donc
une direction privilégié de résistance maximale.
Ses propriétés mécaniques et physiques varient selon le plan de coupe considéré :

axial radial ou tangentiel.
Chapitre III : Modélisation des transferts diffusionnels d’eau dans le domaine hygroscopique du bois de hêtre.
Plan TR (secti on transversale)
Plan L T (dosse) Plan LR (quartier)
Figure III.1 : Présentation les différentes coupe du bois selon les directions axiale radiale et
tangentiel
III.2.1 Protocole expérimental (Mouchot, 2002) :

Nous avons deux enceintes climatiques reliées entre elles par un sas à deux vantaux
fermés hermétiquement. Le sas permet de faire passer un échantillon de la première
enceinte vers la deuxième enceinte.
Portes fermées Passage des

hermétiquement H R2 =40 % sondes
H R1 =75 %
o o
o 0
h
Bacs à eau
Thermocryostat
Passage de mains
Figure III.2 : Schéma simplifié des deux enceintes climatiques
Dans la première enceinte, l’eau du bac est à 19,4°C et la température sèche est de
35°C, ce qui correspond à une humidité relative de l’air de 40%.
Dans la deuxième enceinte, l’eau du bac est à 30°C et la température sèche est de
35°C, ce qui correspond à une humidité relative de l’air de 75%.
Dans les expériences d’adsorption, les échantillons de bois, stabilisés à 40%

d’humidité relative, sont transférés par le sas dans l’enceinte à 75% d’humidité relative. Les
pesées des échantillons sont réalisées tout d’abord toutes les 10 secondes (30 points), puis
toutes les 30 secondes (30 points, puis toutes les 2 minutes (30 points), puis toutes les 5
minutes (110 points) puis 10 minutes pour tous les autres points. Après 24 heures, les
masses sont mesurées chaque jours jusqu’à l’obtention d’une masse constante
correspondant à l’équilibre thermodynamique de la deuxième enceinte.
Pour une bonne accessibilité des deux surfaces d’échange, les échantillons sont
déposés sur des glissières constituées de deux rails parallèles. La grandeur mesurée est donc
la masse en fonction du temps.
Pour les expériences de désorption, le déroulement opératoire est inversé. Les

échantillons stabilisés dans la deuxième enceinte sont introduits dans la première enceinte à
l’humidité relative plus faible. Nous observons une diminution de la masse des échantillons
en fonction du temps.
III.3 Mise en équation des modèles

Les échantillons du bois se présentent sous forme de disques circulaires de diamètre
D, d’épaisseur e, les transferts d’eau étant limités aux transferts dans les directions de
l’épaisseur. Par la suite, les équations de bilan ne dépendent que d’une variable d’espace.
III.3.1 Bilans du premier modèle (Modèle I)

Le bilan de matière de l’eau adsorbée dans l’épaisseur comprise entre 𝑦 et y  dy ,
s’écrit :
 2 x x
 D* 2  0 (III.2)
y t
avec comme condition initiale :
à 𝑡=0 x  x1  f ( 1 ) (III.3)
et comme conditions aux limites :
x
à 𝑦= 0 0 (III.4)
y
à y  e/2 x  x2  f (  2 ) (III.5)
La condition aux limites (III.5), suppose qu’il n’y a pas de résistance de transfert de la
matière à la surface du disque. En présence d’une résistance de transfert de la matière, la
condition aux limites (III.5) doit être remplacée par :
x
à y  e/2  D*  k C x  f  2   k C x  x2  (III.5 bis)
y
𝑥1 ∶est l’humidité absolue du bois (kg d’eau / kg bois sec) à l’instant t=0
3
1 :est la masse volumique de l’eau vapeur ( kg m )a l’instant 𝑡 = 0
f ( 1 ) :est l’humidité absolue du bois en équilibre thermodynamique avec l’eau
vapeur de masse volumique 1
𝑥2 ∶est l’humidité absolue du bois (kg d’eau / kg bois sec) en 𝑦 = 𝑒/2
3
 2 :est la masse volumique de l’eau vapeur ( kg m ) en 𝑦 = 𝑒/2
f (  2 ) :est l’humidité absolue du bois en équilibre thermodynamique avec l’eau
vapeur de masse volumique  2
𝑘𝑐 :est coefficient de transfert de matière convectif (m s-1)
En présence de cette condition nous appelons ce modèle « Modèle I bis ». Nous

verrons que l’influence de la résistance externe est négligeable et dans les autres modèles
nous n’en tiendrons pas compte.
Connaissant la distribution de 𝑥 en fonction de 𝑦, la masse de l’échantillon sera

évaluée par la relation :
e/2
m  mB  2S   B x dy (III.6)
0
où m B est la masse de l’échantillon anhydre (kg),
S est la section droite de l’échantillon (m2).
III.3.2 Bilans du deuxième modèle (Modèle II)
Le bilan de matière du deuxième modèle est similaire à celui du premier modèle.

Seule la diffusivité D* obtenue pour optimisation est remplacée par la valeur expérimentale
DA. Le bilan de l’eau adsorbée s’écrit donc :
 2 x x
 DA  0 (III.7)
y 2 t
avec comme condition initiale :
à 𝑡=0 x  x1  f ( 1 ) (III.3)
et comme condition aux limites :
x
à 𝑦=0 0 (III.4)
y
à y  e/2 x  x2  f (  2 ) (III.5)
La masse de l’échantillon à l’instant t est évaluée par la relation (III.6).
La confrontation entre D* et DA permettra de dire si le deuxième modèle est justifié

ou non.
III.3.3 Bilans du troisième modèle (Modèle III)
Le bilan de matière de l’eau adsorbée et de l’eau vapeur dans l’épaisseur comprise

entre 𝑦 et y  dy , s’écrit :
2x  2 e x  e
 D A  B 2  DV   B  0 (III.8)
y y 2 t t
avec
x  f (e ) (III.9)
L’équation (III.9) exprime que l’eau adsorbée et l’eau vapeur sont en équilibre
thermodynamique.
Les conditions initiales sont données par :
à 𝑡 = 0 𝑥 = 𝑥1  e  1
(III.10)
et les conditions aux limites sont :
x  e
à y=0  0 (III.11)
y y
à y=e/2 x  x2  f  2  et e   2 (III.12)
La masse de l’échantillon à l’instant 𝑡 est évaluée par la relation :
e/2 e/2
m  mB  2 S   B x dy  2S   e dy (III.13)
0 0
La contribution du troisième terme de la relation (III.13) sera toujours faible devant les deux
autres termes.
III.3.4 Bilans du quatrième modèle (Modèle IV)

Les bilans de matière de l’eau adsorbée et de l’eau vapeur dans l’épaisseur comprise
entre y et y  dy , s’écrivent respectivement :
2x x
 DA  B   B   B ka x  f  e   0 (III.14)
y 2 t
 2 e  e
 DV 2
   B ka x  f  e   0 (III.15)
y t
Les conditions initiales des équations (III.14) et (III.15) sont :
à 𝑡=0 x = x1 et  e  1 (III.10)
Les conditions aux limites des équations (III.14) et (III.15) sont :
x  e
à 𝑦 = 0  0 (III.11)
y y
à 𝑦 = 𝑒/2 x  x2  f  2  et e  2 (III.12)
La masse de l’échantillon à l’instant t est évaluée par la relation (III.13).
ε : La porosité du bois.
III.4 Expression mathématique de la relation d’équilibre

A partir d’une abaque donnant la valeur de 𝑥 en fonction de l’humidité relative de
l’air extérieur (Siau,1995) et la relation (III.16), on a tracé la relation d’équilibre x  f (  e )
obtenue à 35°C, présenté par la figure III.1:
𝑀𝑒 𝑃𝑠
𝜌𝑒 = 𝐻𝑟 (III. 16)
𝑅𝑇
Avec
𝑀𝑒 : masse molaire d’eau en 𝑘𝑔/𝑚𝑜𝑙
𝑃𝑠 : la pression saturante de vapeur d’eau en 𝑃𝑎 à la température 35 °C (5514 𝑃𝑎)
𝑇 : la température en 𝐾
𝑅 : La constante des gaz parfaits (8,314 J K-1 mol-1)
𝐻𝑟 : l’humidité relative de l’air à l’extérieur
0,16
x
0,14
0,12
0,1
0,08
0,06 y = 3E+06x4 - 286811x3 + 9326,2x2 - 129,74x + 0,721

R² = 0,9997
0,04
0,02
ρe
0
0,01 0,015 0,02 0,025 0,03 0,035
Figure III.3 : représentation graphique de l’humidité absolue du bois en fonction de la masse

3volumique de vapeur d’eau à l’équilibre.
Donc la relation d’équilibre x  f (  e ) est exprimée sous la forme polynomiale suivante :
4 3 2
x  310 6  e - 286811 e + 9326,2 e - 129,74 e + 0,721 (III.17)
III.5 Méthode numérique de résolution des équations aux

dérivées partielles de bilan
III.5.1 Etude Générale :
Les quatre modèles se représentent sous la forme d’une équation parabolique,
représentée par l’équation (III.18) :
 2 x x
 2   f (III.18)
y t
Les conditions initiale et limites de ce problème sont données par les équations (III.3-
III.5). L’équation (III.18) fait intervenir des dérivées par rapport à l’espace (   y ) et par
rapport au temps (   t ). Les équations aux dérivées partielles sont résolues avec la
méthode des différences finies. La discrétisation des modèles, réalisée en utilisant les
développements de Taylor, est détaillée dans les paragraphes qui suivent.
III.5.1.1 Discrétisation selon l’espace

La symétrie de l’échantillon par rapport au plan médian perpendiculaire à la direction
y permet d’étudier le problème sur une demie- épaisseur de l’échantillon, comprise entre le
cœur du feuillet (𝑦 = 0) et sa surface (𝑦 = 𝑒/2). Le domaine d’intégration est recouvert
e
d’un maillage régulier dont l’espace entre deux nœuds est défini comme dy  ,M
2 ( M  1)
étant le nombre de points du maillage.
𝑑𝑦
𝑦(𝑖 − 1) 𝑦(𝑖) 𝑦(𝑖 + 1)
Figure III.4. Schéma numérique
Soit la fonction 𝑥 continue et dérivable deux fois et l’espace entre deux nœuds dy  0. En
utilisant le développement de Taylor la fonction x peut être écrite comme suit :
x( y)  2 x( y) dy 2
x( y  dy )  x( y)  dy    (dy 2 ) (III.19)
y y 2
2
x( y)  2 x( y) dy 2
x( y  dy)  x( y )  dy    (dy 2 ) (III.20)
y y 2
2
avec  (dy )  0 . La somme les relations (III.19) et (III.20) aboutit à l’expression :

2
 2 x( y ) 2
x( y  dy)  x( y  dy )  2 x( y)  2
dy  2  (dy 2 ) (III.21)
y
III.5.1.2 Discrétisation selon le temps

L’intégration des équations des bilans dans le temps se fait suivante des pas de temps
dt réguliers. La forme discrétisée du temps est alors donnée par la relation
t (n)  n dt (III.22)
La notation discrétisée de la fonction de l’humidité du bois x devient :
i
x n = x( y(i), t (n)) (III.23)
𝑖 et 𝑛 sont des nombres entiers qui désignent respectivement le point de maillage et le

nombre de pas de temps après l’instant initial. Les dérivées partielles de x selon le temps et
l’espace prennent la forme :
x xni 1  xni
 (III.24)
t dt
 2 x x ni 1  2 xni  xni 1
 = g ( x, n, i) (III.25)
y 2 dy 2
Si la fonction f de l’équation (III.17) est indépendante du temps, la solution 𝑥 tend

vers une solution stationnaire 𝑥 𝑠𝑡𝑎𝑡 quand 𝑡 → ∞, 𝑥 𝑠𝑡𝑎𝑡 est la solution du problème
elliptique suivant :
 2 x stat
 f
y 2
1
x stat n
à i=1 0 n  IN (III.26)
y
M
à i=M x stat n  x2 n  IN
Pour le problème elliptique (III.26), l’écriture des dérivées selon l’espace qui permet de
rester consistant avec l’équation stationnaire, est la suivante :
xnj11  f nj dt  xnj   g ( x, n  1, j ) dt j  1, M , j  IN (III.27)
Le schéma s’écrit sous la forme condensée :
(I   A dt ) X n1  X n  f n dt (III.28)
où 𝑰 est la matrice identité de dimension M  M
A est une matrice de dimension M  M qui contient les coefficients des dérivées
selon l’espace à l’instant 𝑡 = (𝑛 + 1)𝑑𝑡 (équations III.29-III.32)
 1 
A(1,1)   2  (III.29)
 dy 
 2 
A(j, j)   2  j  2, M , j  IN (III.30)
 dy 
 
A(j, j+1) =   1 2  j  2, M  1, j  IN (III.31)
 dy 
 
A(j+1, j) =   1 2  j  2, M  1, j  IN (III.32)
 dy 
𝑋 est un vecteur de dimension 𝑀. C’est le vecteur solution à l’instant 𝑡 = (𝑛 + 1) 𝑑𝑡,

décrit par l’équation (III.33) :
 x 1n 
 
. 
n  
X  .  (III.33)
. 
 M 
 xn 
Le vecteur Fn est défini par l’équation (III.34)
 
 1 
f
 n 
. 
 
F n  .  (III.34)
. 
 
 M  
 f n  x 2 dy 2 
 
Le schéma défini par les équations (III.29-III.34) peut être résolu par la décomposition
de LU, l’algorithme de Gauss ou l’algorithme de Thomas. Notre choix s’est porté sur
l’algorithme de Thomas : la matrice A est une matrice triangulaire et dans ce cas l’algorithme
de Thomas est bien adapté. Cette méthode a pour avantage de nécessiter peu de mémoire
machine pour les calculs.
La matrice A est définie positive c'est-à-dire :
t
X A X 0 (III.35)
où tX est le transposé du vecteur 𝑋. Le terme (I   A dt ) est alors également défini positif.

Le système est linéaire et il a une solution unique. Ce schéma permet de calculer à nouveau
la solution approchée en avançant d’un pas de temps (équation III.35).

X n1  (I   A dt ) 1 X n  f n dt  (III.36)
n
Le schéma obtenu pour f  0 prend la forme suivante :
 
X n1  (I   A dt ) ( n1) X 0 (III.37)
Pour que le dernier schéma soit stable et consistant, il est nécessaire que la condition (III.37)
soit satisfaite :
(I   A dt ) 1  1 (III.38)
où le symbole désigne le module. Lorsque  > 0 le schéma est inconditionnellement
stable.
III.5.1.1 Discrétisation du Modèle I
Selon la méthode de discrétisation décrite dans l’étude générale (équations III.21,

III.24, III.25) le bilan du Modèle I (équation III.2) est traduit comme suit :
xni 1  xni D * g ( x, n  1, i) dt i, n   (III.39)
Les conditions aux limites s’écrivent :
x1n
à 𝑖 = 1 0 n  IN (III.40)
t
à 𝑖 = 𝑀 xnM  x2 n  IN (III.41)
La condition initiale prend la forme :
à 𝑛 = 0 x0i  x1 i  IN (III.42)
L’écriture discrétisée des conditions aux limites (équations III.43, III.44) et la

condition initiale (équation III.45) du Modèle 1 Bis est donnée ci-dessous :
x1n
à 𝑖 = 1 0 n  IN (III.43)
y
à 𝑖 = 𝑀 x nM = xnM 1  k c ( xnM  x2 ) dy n  IN (III.44)

D*
La condition initiale prend la forme :
à 𝑛 = 0 x0i  x1 i   (III45)
III.5.1.2 Discrétisation du Modèle II
La discrétisation du Modèle II est la même que la discrétisation du Modèle I. Seul le

coefficient de diffusion D* est remplacé par le coefficient de diffusion en phase adsorbée DA.
III.5.1.3 Discrétisation du Modèle III
Lors de la discrétisation du Modèle III (équation III.8) nous avons utilisé un

e
changement de variable. On pose u  x  , la variable x est alors exprimé par la relation :
B
e
xu (III.46)
B
L’équation (III.8) prend la forme suivante :
2x  2 u u
( DV  D A ) 2  DV  0 (III.47)
y y 2 t
Pour chaque humidité absolue, on peut trouver une masse volumique de vapeur
selon Siau (1995) et la relation (III.16) à l’équilibre, donc on peut trouver la valeur du variable
𝑢 en faisant la somme de l’humidité absolue et le rapport de la masse volumique de vapeur
d’eau, qui corresponds à cet humidité absolue à l’équilibre, avec la masse volumique du bois
de Hêtre.
0,16
x
0,14 y = 1,0379x4 - 0,441x3 + 7,07E-02x2 + 0,9947x + 1E-04
R² = 1
0,12
0,1
0,08
0,06
0,04
0,02
u
0
0,04 0,06 0,08 0,1 0,12 0,14 0,16
Figure III.5: la présentation de l’humidité absolue en fonction du variable 𝑢
On remarque qu’on a une relation linéaire, on a choisie le polynôme de l’ordre 4 pour

rester sur le même aspect de la relation (III.17) ainsi pour garder l’information de la relation
entre 𝑥 et 𝑢 lors des calculs des dérivées 𝑥 par rapport à 𝑦:
La forme polynomiale de la relation d’équilibre x  f (u) obtenue à 35°C est exprimée

sous la forme suivante :
x  1,0379 u 4  0,441 u 3  0,0707 u 2  0,9947 u  0,0001 (III.48)
Ce changement de variable a comme avantage de garder l’information des constantes du

polynôme lors des calculs des dérivées de x par rapport à y. L’écriture des conditions aux
limites (III.51, III.52) est donnée ci-dessous :
x1n  e1n
à 𝑖 = 1 0 et 0 n  IN (III.49)
y y
à 𝑖 = 𝑀 xnM  x2 et  e nM   2 n  IN (III.50)
Avec le changement de variable les conditions aux limites deviennent :
u 1n
à i=1 0 n  IN (III.51)
y
2
à i=M u nM  x 2  n  IN (III.52)
B
En utilisant la relation (III.23), le problème discrétisé est donné par l’équation (III.53) :
xin11  2 xin1  xin11 uin11  2 uin1  uin11 uin1  uin

( DV  D A )  DV   0 (III.53)
dy 2 dy 2 dt
avec :
 
xin  1,0379 uin
4
 
 0,441 uin
3
 0,0707 uin 2
 0,9947 uin  0,0001 (III.54)
Les conditions aux limites sont notées comme suit :
x1n u 1n
à 𝑖 =1 0 et 0 n  IN (III.55)
y y
M 2
à 𝑖 = 𝑀 xn  x2 et u nM  x 2  n  IN (III.56)
B
III.5.1.4 Discrétisation du Modèle IV
La forme discrétisée du Modèle IV est décrite dans les lignes qui suivantes :
x ni 1  2 x ni  x ni 1
DA  g ( x, n, i) i, n  IN (III.57)
dy 2
 e in1  2  e in   e in1
DV  h(  e , n, i) i, n  IN (III.58)
dy 2
avec :
xni 1  xni  g ( x, n  1, i)
dt

   dt
 ka f  e in  xni (III.59)
 ni 1   ni  h(  e , n  1, i)
dt


  B ka xni  f (  e in )  dt (III.60)
Les conditions aux limites sont écrites de la façon suivante :
x1n  e1n
à 𝑖=1  0 et 0 n  IN (III.61)
y y
à 𝑖= 𝑀 xnM  x2 et  e nM =  2 n  IN (III.62)
Et la condition initiale prend la forme :
à 𝑛=0 x0i  x1 et  e i0  1 i  IN (III.63)
III.6. Résultats des modélisations

III.6.1 Courbes expérimentales modélisées
Nous avons cherché à modéliser deux courbes expérimentales de désorption
(séchage) obtenues par Mouchot (2002). Il s’agit des courbes rapportées sur les figures III.3
et III.4 qui correspondent à deux échantillons de hêtre dont les caractéristiques
géométriques et les diffusivités de l’eau adsorbée et l’eau vapeur mesurées sont donné dans
le Tableau 1 : Caractéristiques géométriques et diffusivités des échantillons.
Tableau III.1 : Caractéristiques géométriques et diffusivités des échantillons
échantillon e (mm) ρB (kg m-3) S (mm2) ε DV (m2 s-1) DA (m2 s-1) D* (m2 s-1)
HL11 19.0 786.1 4043.2 0.46 6 10 9

3.3 10 3.38 10 1.05 10
H7T 12.6 736.0 4128.1 0.49 8 11 11

3.7 10 1.64 10 8.13 10
HL11 est un échantillon où les transports s’effectuent dans la direction axiale. Pour H7T les
transferts ont lieu dans la direction tangentielle.
L’évolution de la masse de l’échantillon, obtenue expérimentalement et calculée avec les

Modèles I à IV est présentée sous la forme adimensionnelle :
m  m finale
E (III.61)
minitiale  m finale
où : m finale est la masse de l’échantillon à l’équilibre avec l’humidité x 2
minitiale est la masse de l’échantillon à l’équilibre avec l’humidité x1
m est la masse de l’échantillon à l’instant t.
III.6.2 Etude de Modèle I et Modèle I bis

Pour le modèle 1, nous avons estimé la valeur de D* en cherchant par optimisation la valeur
de D* qui permet de minimiser la fonction d’écart :
1 mexp  mcal
e  2
N N mexp  mcal
(III.62)
où N est le nombre de points expérimentaux choisis.
La méthode d’optimisation utilisée est la méthode d’essais et erreur, son algorithme est détaillé dans
le deuxième chapitre et est rappelé sur le figure III.2.
Initiation du paramètre à optimiser Modèl Erreur(i)

X e
Modèle X-εe Modèle X+ εe
Erreur (i+2) Erreur

(i+1)
Erreur (i+2)> Erreur((i+1) Si Non Erreur (i+1)< Erreur(i)
Stop X- εe est optimum
Figure III.6 : Algorithme d’optimisation utilisé dans le chapitre
εe : La valeur qu’on peut ajouter ou soustraire à un paramètre X pour trouver son optimum
Remarque : L’optimum dépend de la valeur initiale et on ne peut pas dire dans cet
algorithme que la valeur optimale est globale.
Les valeurs trouvées pour D* sont données dans le Tableau III.1 et les courbes
calculées et expérimentale sont représentées sur les Figures III.3 et III.4.
E
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Figure III.7. Comparaison de la courbe de désorption calculée numériquement par le
Modèle I et les valeurs expérimentales obtenues pour l’échantillon HL11. ( ◆ points
expérimentaux )
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Figure III.8 Comparaison de la courbe de désorption calculée numériquement par le Modèle
I et les valeurs expérimentales obtenues pour l’échantillon H7T. ( ◆ points expérimentaux )
La représentation des courbes peut être considérée comme satisfaisante. Toutefois

les valeurs de D* sont très différentes de DA. Les valeurs de D* sont supérieures à DA ce qui
montre que le transfert de l’eau au sein du bois ne se limite pas seulement au transfert
diffusionnel en phase adsorbée.
Pour étudier l’influence éventuelle de la résistance de transfert à la surface des

échantillons, D* étant fixé nous avons cherché les valeurs de kc pour lesquelles la courbe
calculée devient différente de celle du premier modèle. La Figure III.5 donne les courbes
théoriques du Modèle I et du Modèle I bis pour différentes valeurs de kc.
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
kc=5 10-7 kc=10-3 experim Modèle I
Figure III.9. Comparaison des courbes de désorption calculées numériquement par le

Modèle I bis avec des différentes valeurs de 𝑘𝑐 et les valeurs expérimentales de
l’échantillon H7T.
La différence entre les courbes commence à être observée pour des valeurs de kc
inférieures à 5 10-7 m s-1. Une estimation du coefficient de transfert de la matière convectif
𝑘𝑐 aboutit à des valeurs supérieures à 10-3 m s-1. Par suite, pour les expériences réalisées, la
résistance de transfert de matière externe pourra être négligée.
III.6.3 Etude du Modèle II

La courbe de désorption obtenue avec la valeur expérimentale de DA ne permet pas
de représenter les courbes expérimentales de désorption (Figures III.6 et III.7). Nous
confirmons que le flux diffusionnel ne se limite pas uniquement au flux en phase adsorbée.
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Modèle II et les valeurs expérimentales obtenues pour l’échantillon HL11. ( ◆ points
expérimentaux )
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Modèle II et les valeurs expérimentales obtenues pour l’échantillon H7T. ( ◆ points
expérimentaux )
III.6.4 Etude du Modèle III

En tenant compte des flux diffusionnels en phase adsorbée et en phase vapeur
supposées en équilibre thermodynamique, les courbes calculées de désorption avec les
valeurs de DA et DV sont plus proches des courbes expérimentales, mais on observe encore
des différences (Figures III.8 et III.9) qui sous-entendent que pour les deux échantillons
étudiés, l’hypothèse de l’équilibre thermodynamique entre l’eau vapeur et l’eau adsorbée
n’est probablement pas justifiée.
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Figure III.12 Comparaison de la courbe de désorption calculée numériquement par le
Modèle III et les valeurs expérimentales obtenues pour l’échantillon HL11. (◆points
expérimentaux )
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Modèle III et les valeurs expérimentales obtenues pour l’échantillon H7T. (◆ points
expérimentaux )
III.6.5 Etude du Modèle IV
En utilisant les valeurs expérimentales de DA et DV, nous avons cherché par

optimisation la valeur du coefficient de transfert volumique ka qui minimise la fonction
d’erreur e (équation III.62) entre les valeurs expérimentales et calculées de la masse de
l’échantillon. Les valeurs trouvées pour ka sont :
2
- pour l’échantillon HL11 : ka= 2,7 10 s 1
2
- pour l’échantillon H7T : ka= 2,3 10 s 1
Les courbes calculées sont représentées en continu sur les figures III.10 et III.11.
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Modèle IV et les valeurs expérimentales obtenues pour l’échantillon HL11. ( ◆ points
expérimentaux )
1,0
0,8
0,6
0,4
0,2
0,0
0 200 400 600 800 1000
Modèle IV et les valeurs expérimentales obtenues pour l’échantillon H7T. ( ◆ points
expérimentaux )
La représentation est tout à fait satisfaisante. Certes avec un seul coefficient de

diffusion on peut aussi représenter correctement les courbes expérimentales mais comme
nous l’avons montré la valeur du coefficient de diffusion optimisée reste très différente de
celle mesurée expérimentalement. De plus elle ne permet pas de représenter la réalité des
phénomènes de transfert qui dans les cas étudiés font apparaître les deux types de transfert
diffusionnel dans des conditions où l’équilibre thermodynamique entre l’eau adsorbée et
l’eau vapeur n’est pas toujours réalisé.
VI Conclusion
La modélisation des courbes de désorption de l’eau dans le domaine hygroscopique

des deux échantillons de bois de hêtre montre la nécessité de prendre en compte les deux
types de transferts diffusionnels au sein du bois à savoir transferts en phase adsorbée et en
phase vapeur. De plus pour les échantillons étudiés l’hypothèse d’équilibre
thermodynamique entre l’eau adsorbée et l’eau vapeur n’est pas toujours vérifiée. Cette
hypothèse est généralement admise dans le cas des adsorbants utilisés industriellement
(charbon actif, zéolites,….).
Chapitre IV : Seconde Application : Traitement
thermique du bois par conduction (Pyrolyse
douce)
Chapitre IV : Seconde Application : Traitement thermique du bois par conduction (Pyrolyse douce)
IV.1 Introduction
De nombreux modèles dans la littérature visent à représenter la pyrolyse d’une
particule de bois. Faisant appel à deux disciplines, le transfert de chaleur et de masse en
milieu poreux et la cinétique chimique, la plupart des auteurs ont développé des modèles
dans le but d’étudier le comportement du bois et plus généralement de la biomasse en
fonction de la température. Pour comprendre plus précisément les événements se déroulant
lors de la pyrolyse, trois approches ont été proposées : la première considère la biomasse
comme un seul élément homogène (Wagenaar et al. 1994, Di Blasi et al. 2001, Rath 2003,
Sadhukhan 2008), la deuxième prend en compte la contribution de chacun des composés du
bois : cellulose, hémicellulose et lignine (Rousset, 2004), la troisième consiste à considérer
l’existence de trois fractions qui se dégradent différemment (Grioui et al. 2006). De façon
générale, les mécanismes de décomposition thermique des matériaux polymériques à
longue chaîne sont très compliqués.
Une analyse thermique, en ce sens, devrait permettre de quantifier les changements

des propriétés physico-chimiques du bois au cours du traitement thermique en
commençant par la montée en température pour la mise en régime de la planche et en
analysant les modifications au cours de la durée de traitement.
Le modèle proposé dans ce travail vise à représenter le transfert thermique et la

perte de masse dans une planche de bois d’une épaisseur qui varie entre 3 cm et 4 cm. La
littérature classique modélise souvent le transfert thermique dans une particule de faible
dimension (Yeasmin et al. 1999, Di Blasi. 2008, Morten et al. 1999). Dans cette étude, le
choix de travailler avec une macro- particule nous permet d’obtenir un gradient de la
température sur l’épaisseur de la planche. Ce cas de figure est plus proche de la réalité
industrielle.
Deux études doctorales au sein du laboratoire sont consacrées à l’étude de la

pyrolyse douce où la température opératoire du traitement du bois se limite à 240°C. La
plage de température des travaux disponibles dans la littérature est généralement plus
élevée, elle se situe entre 250°C et 800°C. (Grioui et al. 2006, Yeasmin et al. 1998, Sadhukhan
et al. 2008, Larfeldt et al. 2000). De plus, le transfert de chaleur vers la planche de bois est
fait par conduction et non pas par convection comme dans l’étude de Rousset (2004). Ces
Chapitre IV : traitement thermique du bois par conduction (Pyrolyse douce)
différentes conditions expérimentales donnent à notre étude dans sa partie expérimentale

et dans sa modélisation une richesse et une nouveauté.
Les équations de transfert de chaleur et de matière utilisent des paramètres

thermiques et cinétiques. Est ce qu’on peut utiliser les valeurs des paramètres proposées
dans la littérature dans nos modèles ? Ou bien faut-il les déterminer et comment peut-on les
déterminer? Les réponses à ces interrogations sont données dans les paragraphes suivants.
IV.2 PILOTE MACRO-THERMOBALANCE

Ce pilote s'inscrit dans le cadre d'une collaboration entre le LERMAB et la société
suisse PRODEO. En effet, PRODEO utilise un four conductif sous-vide pour traiter le bois
thermiquement. Dans le cadre de La thèse de Monsieur Mounir Chaouch sous la direction du
professeur Mathieu Pétrissans, Le doctorant a mis au point un pilote de type macro-
thermobalance qui doit répondre au objectif suivant :
- traiter thermiquement par conduction, sous azote, des échantillons de bois de grande
dimensions (20 x 30 x 3 cm) ou (10 x 20 x 3 cm).
- enregistrer la perte de masse durant la phase de séchage et de traitement (précision : 0,2g)
- enregistrer les température à cœur et en surface de la planche (précision : 0,1 °C)
- programmer des montées en température très variables de 0,1 à 8 °C min-1, et des plateaux
de température.
IV.2.1 Descriptif du pilote

Deux plaques métalliques chauffées électriquement (cordon chauffant) sont
disposées en dessous et au dessus d'une planche de bois échantillon. La répartition
géométrique du cordon chauffant est présentée sur figure IV.1. Cette disposition permet
d'assurer une homogénéité thermique de surface inférieure à 0,5°C. L'ensemble composé
des deux plaques et de la planche est disposé dans un caisson isolé thermiquement (laine de
roche, feuillard d'aluminium) et balayé par de l'azote. Les plaques et la planche sont reliées
directement au plateau d'une balance à l'aide de 4 tiges métalliques. La balance se situe à
l'extérieur du caisson isolé.
La macro-thermbalance permet d’enregistrer le gradient thermique entre la surface

de la planche et son cœur pour pouvoir développer des modèles de transfert basés sur non
homogénéité thermique du bois durant son traitement.
L’enregistrement de la Température se fait à la surface comme au cœur de la planche

du bois à traité, à laide des thermo-couples types k.
Les thermocouples sont disposés l’un en surface du bois (entre la face inférieur de la
plaque supérieur et à la face supérieur du bois) et l’autre au cœur du bois (trou de 1 mm,
longueur 4 cm, situé à demi épaisseur et demi largeur).
3,33 cm
3,33 cm
3,33 cm
3.33 em 3.33 cm
3,33 cm
3,Hem
3,33 em
Figure IV.1 .Disposition réelle des résistances sur les deux plaques
Enceinte isolée
Zones de frottement,
thermiquement
perturbant
Entrée d’Azote
l’enregistrement de la masse
Cordons chauffant
électriques
T° coeur
T° surf.
sortie d’Azote sortie d’Azote
Balance
FigureIV.2. Dispositif expérimental
Figure IV.3 : Détail de l'ensemble plaques-planche
IV.3 Ecriture des bilans

La mise en équation du bilan de conservation de la chaleur dans une planche de bois
sec, insérée entre deux surfaces chauffées à la même température, et dans une seule
direction comprend trois termes :
- un terme d’accumulation de la chaleur

- un terme de transfert de la chaleur par conduction
- un terme source qui introduit l’enthalpie de la réaction chimique de
thermodégradation du bois.
Ce bilan s’écrit de la façon suivante (équation IV.1) :
𝜕𝑇 𝜕 𝜕𝑇 𝜕𝜌
𝜌𝐶𝑝 = 𝜆 + 𝐻𝑝 (IV. 1)
𝜕𝑡 𝜕𝑥 𝜕𝑥 𝜕𝑡
ρ : la masse volumique du bois ( kg m-3),
Cp :la chaleur spécifique (J kg-1 K-1),
λ : la conductivité thermique （W m-1 K-1）,
Hp :l ’enthalpie massique de la réaction （J Kg-1）,
T : la température （K）.
IV.4 Etude des paramètres thermiques.

On s’est intéressé dans un premier temps dans la plage de traitement thermique du
bois, dans laquelle l’enthalpie de la réaction de thermodégradation est négligeable. Seuls les
termes d’accumulation et de transfert de chaleur par conduction de l’équation (IV.1) sont à
prendre en compte.
Le bois est un matériau complexe, non homogène et anisotrope. Les valeurs et les
variations des paramètres thermiques tels que la conductivité thermique λ et la chaleur
spécifique Cp sont étudiées pour du bois anhydre dans la plage de températures de 100°C à
240°C.
IV.4.1. Humidité du bois :

La mesure de l'humidité d'un bois est définie comme le rapport de la masse d'eau
qu'il contient sur sa masse anhydre. Elle s'exprime par la relation suivante :
𝑚𝑎𝑠𝑠𝑒𝑒𝑎𝑢
𝐻𝑢𝑚𝑖𝑑𝑖𝑡é % = ∗ 100
𝑚𝑎𝑠𝑠𝑒𝑎𝑛 𝑕𝑦𝑑𝑟𝑒
Au moment de l'abattage, le bois peut contenir plus d'eau que de matière-bois,

parfois deux fois plus dans certains peupliers. L'humidité est alors supérieure à 100 %. Les
vides cellulaires d'un bois vert sont remplis d'eau libre. Elle s'évacuera progressivement par
évaporation, sans que le bois ne subisse de retrait ou de déformation : c'est la phase dite de
"ressuyage".
Lorsque l'eau libre a entièrement disparu (point de saturation), il ne reste que l'eau
liée qui imprègne les membranes des cellules. Le départ de cette eau liée entraîne des
phénomènes de retrait et de déformation. Le point de saturation des fibres, en dessous
duquel se manifeste le "jeu du bois", est de l'ordre de 30 % pour toutes les essences.
Dans notre cas le bois est anhydre, donc l’humidité est nulle ce qui implique qu’elle
n’intervient pas dans notre modèle.
IV.4.2. Conductivité thermique :
La conductivité thermique est la grandeur introduite pour quantifier l'aptitude d'un

corps à conduire de la chaleur. Elle représente la quantité de chaleur transférée par unité de
surface et par unité de temps sous l'action d'une différence de température entre les deux
extrémités d'un échantillon de ce corps, donc en présence d'un gradient de température.
La conductivité thermique du bois comparée à celle des matériaux de construction

comme le béton et l’acier est plus faible. Suivant la loi de Fourier, le flux thermique
( 𝐽 = −𝜆 𝑔𝑟𝑎𝑑 (𝑇)) à travers la surface d’échange du bois dépend de la conductivité

thermique  . Cette grandeur augmente avec la masse volumique (Stamm, 1964). La
conductivité thermique est anisotrope et varie avec les directions longitudinale, radiale et
tangentielle. D’après la littérature (Ragland et al. 1991) la conductivité thermique dans la
direction longitudinale est plus grande que dans la direction radiale et tangentielle. Stamm
(1964) et Maclean (1941) estiment que les différences de la conductivité thermique entre les
deux directions radiale et tangentielle sont négligeables.
Certains auteurs ont montré une relation linéaire entre la conductivité thermique et
la température (Wenzel, 1970). Vérifiée expérimentalement par Koufopanos (1991) la
relation de  (W.m-1.K-1) est la suivante
𝜆 = 0,13 + 0,0003 𝑇 − 273 (IV. 2)
où T, est exprimée en K.
D’autres auteurs ont montré une relation linéaire entre la conductivité thermique et
la masse volumique du matériau bois. Utilisée par l’équipe du Forest Product Laboratory
(Wood Handbook, 1987) la relation  (W.m-1.K-1) proposée par Bryden (2002) est la
suivante :
𝜌
𝜆 = 0,2 + 0,0238 (IV. 3)
𝜌𝑒𝑎𝑢
La relation (VI.3) a été vérifiée avec les données disponibles dans la littérature
(Handbook of Wood). Dans ce but, on a tracé la conductivité thermique  en fonction de la
masse volumique ρ du bois anhydre (Figure IV.1). La relation entre les deux caractéristiques
λ et ρ est donnée par l’équation :
0,16
λ (w m-1 k-1)
0,14
0,12
y = 0,0002x + 0,0238
0,1
R² = 1 y = 0,0002x + 0,0183
0,08 R² = 0,9891
0,06
0,04 equation IV.3 valeur wood handbook

0,02
ρ (kg m-3)
0
0 100 200 300 400 500 600 700
Figure IV.4 : Représentation de la conductivité en fonction de la masse volumique du bois anhydre.
𝜆 = 0,0002𝜌 + 0,0183 (IV. 4)
En prenant pour la masse volumique de l’eau 1000 kg.m-3 , on peut constater que les
deux relations (IV.3) et (IV.4) sont très proche, il y a une différence de 5,5 10-3
IV.4.3. Chaleur Spécifique

La chaleur spécifique d'un matériau est la quantité de chaleur (énergie) nécessaire
pour élever d'un degré centigrade (ou Kelvin) une masse d'1 kg de ce matériau. Elle
s'exprime dans le système d'unités MKSA en Joules par Kg et par degré Celsius (°C) (ou
Kelvin, rappel: 0 °C = 273,15 K).
La chaleur spécifique Cp du bois dépend de plusieurs paramètres physiques. Ragland

(1991), Dunlap (1912) et Salazar (1988) montrent que la chaleur spécifique dépend de la
température et de l’humidité du bois, mais elle est indépendante de sa masse volumique
anhydre.
La chaleur spécifique massique du bois anhydre Cp (J.kg-1.K-1) est une fonction linéaire
qui d’après Koufopanos et al. (1991), Ten wold (1988) et le département américain de
l’agriculture (Forest product, 1974) peut être déterminée respectivement par les relations
suivantes :
𝐶𝑝 = 1112 + 4,85 𝑇 − 273 IV. 5
𝐶𝑝 = 1031 + 3,867 𝑇 − 273 IV. 6
𝐶𝑝 = 1125,3 + 4,514 𝑇 − 273 IV. 7
Pour des températures de traitement inférieures à 200°C, l’enthalpie de la réaction

de thermodégradation du bois est négligeable. L’équation de conservation de la chaleur (éq.
IV.1) n’introduit que le terme d’accumulation et de transfert par conduction (équation IV.8) :
𝜕𝑇 𝜕2𝑇
𝜌𝐶𝑝 =𝜆 2 (IV. 8)
𝜕𝑡 𝜕𝑦
Afin de choisir les relations les plus appropriées pour la détermination de la

conductivité thermique 𝜆, ainsi que de la chaleur spécifique 𝐶𝑝, les résultats de la simulation
numérique de l’équation (IV.8) avec les deux expressions de λ (équations. IV.2, IV.4) et les
trois expressions de 𝐶𝑝 (équations. IV.5-IV.7) sont comparés aux résultats expérimentaux
obtenus au sein du laboratoire. Ces comparaisons sont présentées sur les Figures IV.2 à IV.4.
La température mesurée et calculée au cœur de la planche est représentée en fonction du
temps pour une montée en température de 8°C.min-1. Les résultats de la simulation sont peu
satisfaisants. Nous avons conclu, qu’une détermination indépendante de la conductivité
thermique et de la chaleur spécifique par les relations de la littérature n’est pas précise. Par
ailleurs, les relations précédentes citées pour la détermination de 𝜆 et 𝐶𝑝 ne prennent pas
en considération l’essence de bois utilisée. Enfin on peut constater que la variation de la
chaleur spécifique a peu d’influence sur le profil de température. En revanche, celle de la
conductivité thermique est plus sensible. Pour ces raisons, nous avons cherché à résoudre le
bilan thermique (IV.8) en introduisant la diffusivité thermique 𝑎, telle que
𝜆
𝑎= (IV. 9)
𝜌 𝐶𝑝
250
T (°C)
200
150
100
50 Tc (°C) expérience λ (eq 2)+ Cp (eq 7)

λ (eq 2)+ Cp (eq 6) λ (eq 2)+ Cp (eq 5)
t (min)
0
0 50 100 150 200 250 300 350
Figure IV. 5 : Résultats expérimentaux et numériques de la montée en température au cœur de la

planche. λ déterminée par l’eq (IV.2)
250
T (°C)
200
150
100
50 Tc (°C) expérience λ (eq 4)+ Cp (eq 7)

λ (eq 4)+ Cp (eq 6) λ (eq 4)+ Cp (eq 5)
t (min)
0
0 50 100 150 200 250 300 350
Figure IV.7 : Résultats expérimentaux et numériques de la montée en température au cœur de la

planche. λ déterminée par l’eq.(IV.4).
Nous proposons donc de déterminer la diffusivité thermique  T  numériquement.

Nous examinerons le cas où la température de traitement est inférieure à 473,15 K. Dans ces
conditions l'enthalpie de la réaction de pyrolyse reste négligeable et le bilan d’énergie se

limite à
𝜕 𝜕𝑇 𝑑𝑇
𝑎 = (IV. 10)
𝜕𝑦 𝜕𝑦 𝑑𝑡
IV.4.4 Détermination de la diffusivité thermique α à partir des données

expérimentales:
La diffusivité thermique est un paramètre qui dépend de la conductivité thermique et
la chaleur spécifique. D’après la littérature ces deux grandeurs dépendent de la température
et de la masse volumique. Pour la chaleur spécifique, la loi est du type :
𝐶𝑝 = 𝑒𝑇 + 𝑓 (IV. 11)
Pour la conductivité thermique les lois sont du type :
𝜆 = 𝑎1 𝑇 + 𝑏1 (IV. 12)
ou
𝜆 = 𝑎2 𝜌 + 𝑏2 (IV. 13)
A partir des relations précédentes, on peut faire un développement limité de la diffusivité

thermique en fonction de la température.
A partir des relations (IV.11) et (IV.12), on obtient :
𝜆 𝑎1 𝑇 + 𝑏1 𝑎1 𝑇 + 𝑏1 𝑒
𝑎= = ≃ 1− 𝑇 (IV. 14)
𝜌𝐶𝑝 𝜌(𝑒𝑇 + 𝑓) 𝜌𝑓 𝑓
𝜆 𝑏1 𝑒 𝑎𝑏1
𝑎= ≃ + − 2 𝑇 (IV. 15)
𝜌𝐶𝑝 𝜌𝑓 𝜌𝑓 𝜌𝑓
A partir des relations (IV.12) et (IV.13), on obtient
𝜆 𝑎2 𝜌 + 𝑏2 𝑎2 𝜌 + 𝑏2 𝑒
𝑎= = ≃ 1− 𝑇 (IV. 16)
𝜌𝐶𝑝 𝜌(𝑒𝑇 + 𝑓) 𝜌𝑓 𝑓
𝜆 𝑎2 𝜌 + 𝑏2 𝑎2 𝜌 + 𝑏2
𝑎= ≃ − 𝑒𝑇 (IV. 17)
𝜌𝐶𝑝 𝜌𝑓 𝜌 𝑓2
D’après les relations (IV.15) et (IV.17) dans un domaine limité de température, la diffusivité
thermique peut être écrite en fonction de la température sous la forme:
𝑎 = 𝑐𝑇 + 𝑑 (IV. 18)
Les valeurs des paramètres c et d de l’équation (IV.18) sont déterminées par

minimisation de la fonction erreur (équation IV.18) en utilisant "L’algorithme génétique"
entre les valeurs de la température expérimentale et celles obtenues par l’équation (IV.10) :
𝑇𝑒𝑥𝑝 − 𝑇𝑚𝑜𝑑𝑒𝑙
𝑒𝑟𝑟𝑒𝑢𝑟 = 2 (IV. 19)
𝑇𝑒𝑥𝑝 + 𝑇𝑚𝑜𝑑𝑒𝑙
où Texp: température mesurée, Tmodel: température obtenue numériquement. Les valeurs de

c et d obtenues par optimisation sont égales respectivement à -8 10-11 et 1.48 10-7. La
relation donnant la diffusivité thermique en fonction de la température s’écrit donc :
𝑎 = −8 10−11 𝑇 + 1,48 10−7 (IV. 20)
Avec a en m2.s-1 et T en K
Ainsi la diffusivité thermique diminue avec l’augmentation de température. La

relation étant établie pour des température comprises entre 373 et 473 K , On peut
remarquer que la diffusivité thermique varie faiblement dans cette intervalle de
température, elle est comprise entre 1,1 10-7 m2.s-1 et 1,18 10-7 m2.s-1.
250
200
150
T ( °C)
100
50
Tc(°C) experience Tc(°C) model
0
0 50 100 150 200 250 300 350
t( min)
Figure IV 8: Comparaison entre les valeurs de la température expérimentale et celle calculée

par l’équation (IV.10) avec la relation optimisée de la diffusivité thermique (IV.19).
La relation optimisée trouvée pour la diffusivité thermique permet de représenter de

manière très satisfaisante la variation de température au centre de l’échantillon de bois.
(Figure IV.4)
IV.4.3.1 Comparaison des valeurs de la diffusivité thermique estimée avec les

valeurs de la littérature.
Les valeurs de la littérature sont déduites à partir des valeurs de la conductivité
thermique donnée par Koufopanos (1991), (équation IV.2) et par le Forest Product, 1974
(équation IV.4) et les valeurs de la chaleur spécifique données par les relations (IV.5 à IV.7). Il
faut noter que le bois est considéré anhydre et on a pris deux échantillons de bois leur
masse volumique est égale à 433 kg.m-3 785 kg m-3. Les résultats obtenus pour la diffusivité
thermique dans le domaine de températures comprises entre 373 K et 473 K sont reportés
sur les figures IV.9 et IV.10 :
Les valeurs déduites des relations de la littérature confirment que la diffusivité

thermique diminue en fonction de la température et la masse volumique anhydre du bois.
Toutefois les variations restent faibles et en première approximation la diffusivité thermique
peut être supposée indépendante de la température entre 373 et 473 K. De plus les valeurs
optimisées sont sensiblement inférieures à celles déduites des relations de la littérature.
3,00E-07
a (m2 s-1 )
2,50E-07
2,00E-07
1,50E-07
1,00E-07
λ eq(IV.4)+ Cp eq(IV.5) λ eq(IV.4)+ Cp eq(IV.6)
5,00E-08 λ eq(IV.4)+ Cp eq(IV.7) λ eq(IV.2)+ Cp eq(IV.5)
T (K )
0,00E+00
370 390 410 430 450 470
Figure IV.9 : Représentation de la variation de la diffusivité thermique pour les différentes

méthodes de détermination. Pour une masse volumique 433 kg m-3
1,90E-07
a (m2 s-1 )
1,70E-07
1,50E-07
1,30E-07
1,10E-07
9,00E-08
7,00E-08 λ eq(IV.4)+ Cp eq(IV.7) λ eq(IV.2)+ Cp eq(IV.5)
T (K )
5,00E-08
370 390 410 430 450 470
Figure IV.10: Représentation de la variation de la diffusivité thermique pour les différentes

méthodes de détermination. Pour une masse volumique 785 kg m-3
Conclusion :
À la suite de notre étude, la diffusivité thermique 𝑎 obtenue numériquement à partir
de nos résultats expérimentaux, étant inférieure aux valeurs déduites à partir des relations
de la littérature, nous pouvons affirmer que ces dernières ne peuvent pas être utilisées pour
simuler les variations de température lors d’un traitement thermique du bois entre 373 et
473 K. La mesure directe de la diffusivité thermique d’un échantillon représentatif du bois
s’avère nécessaire.
IV.4 Modélisation du transfert thermique dans une planche

du bois
Le bois est un matériau complexe qui présente une grande hétérogénéité. Le bois est
constitué essentiellement par des substances de faible poids moléculaire et de trois types de
polymères (cellulose, hémicellulose et lignine). Pendant la pyrolyse du bois, des réactions
chimiques activées par la température provoquent des modifications chimiques dans la
structure du bois. Les transformations sont accompagnées par un dégagement gazeux, la
formation des nouveaux composés et une perte de masse. Il est nécessaire d’introduire dans
l’équation de la conservation de la chaleur le terme source correspondant à la variation
l’enthalpie résultant des réactions de thermodégradation afin d’être le plus proche de la
réalité physique.
IV.4.1 Modélisation du traitement thermique.

La géométrie de l’échantillon est présentée sur la Figure IV.7. L’échantillon de bois de
forme parallélépipède est placé entre deux plaques chauffantes en acier dans un four de
traitement thermique. Le transfert de chaleur à la surface de l’échantillon s’effectue alors
par conduction. Au fur et à mesure que la température à la surface Ts (t) augmente, la
chaleur se propage à l’intérieur du solide par conduction. Dans un premier temps, le bois
sec, absorbe de la chaleur et sa température augmente. C’est la phase de chauffage. La
réaction de pyrolyse commence tout d’abord à la surface puis progresse vers l’axe de
l’échantillon.
Les dimensions géométriques des échantillons sont : L = 20 cm, l = 10 cm, e = 3 cm.
IV.4.1.2 Hypothèses
L’analyse et la modélisation de la pyrolyse du bois, sont effectuées avec les
hypothèses simplificatrices suivantes :
1- L’échantillon de bois est supposé de forme parallélépipédique d’une épaisseur e,

d’une longueur L et une largeur l.
2- Les transferts thermiques par convection qui peuvent avoir lieu entre les gaz et la
matrice solide à l’intérieur du bois au cours de la pyrolyse sont négligeables.
3- Les dimensions et la forme de l’échantillon de bois restent pratiquement invariables
et les fissures et les craquelures sont négligeables.
4- Les propriétés physico-thermiques (λ, ρ, Cp) du bois varient d’une façon linéaire en
fonction de la température T (y, t).
5- Les températures du gaz et du solide au sein de l’échantillon sont égales. Dans ces
conditions, le transfert de chaleur au sein de l’échantillon se fait uniquement par
conduction.
Planche
𝑇𝑠 (𝑡)
𝑄𝑐𝑜𝑛𝑑 𝑒
𝑄𝑐𝑜𝑛𝑑 2
𝑦
𝑇𝑐 (𝑡)
𝑄𝑐𝑜𝑛𝑑 𝑄𝑐𝑜𝑛𝑑
Figure IV. 11 : Représentation schématique de l’échantillon de bois.
Les expériences de pyrolyse par conduction sont réalisées sur cinq espèces de bois
différents : Frêne, Hêtre, Peuplier, Pin et Sapin. Après 120 minutes de séchage des
échantillons à la température 375 K, la masse anhydre et la masse volumique de chaque
échantillon ont été déterminées. Les valeurs obtenues sont données dans le tableau IV.1.
Echantillons Frêne Hêtre Peuplier Pin Sapin
Masse Anhydre (g) 289.19 217.46 153.59 151.36 155.64
Volume du bois anhydre (m3) 368 10-6 343 10-6 354 10-6 348 10-6 348 10-6
Masse Volumique (Kg/m3) 785 634 433 435 447
Tableau VI.1 : Valeurs de la masse anhydre, du volume et de la masse volumique des cinq
espèces de bois
IV.4.3 Formulation mathématique de la pyrolyse.

Dans la littérature, Rajohnson et al., (1994) établissent un modèle mathématique à
deux directions d’espace (radiale et tangentielle) basé sur la combinaison d’un modèle de
séchage haute température (Basilico, 1984) et du modèle de pyrolyse proposé par Alves et
Figueiredo(1989). Les auteurs négligent la diffusion de la vapeur d’eau dans la phase gazeuse
et considèrent que la pression totale est égale à la vapeur d’eau uniquement, c'est-à-dire
que la pression issue des gaz de réactions n’est pas prise en compte. Dans l'hypothèse d'un
équilibre thermodynamique local entre la matrice solide et le mélange gazeux, la
conservation de l'énergie inclut les phénomènes de conduction thermique (loi de Fourier),

de vaporisation de l’eau et de chaleur de réaction produite par les réactions exothermiques.
𝜕𝑇 𝑘𝑟𝑔 𝑘𝑔 2 𝑑𝜌𝑟
𝜌𝐶𝑝 = 𝜆∇2 𝑇 – (𝐻𝑣 + 𝐻𝑠 ) ∇ 𝑇+ 𝐻𝑝
𝜕𝑡 𝑐𝑜𝑛𝑑𝑢 𝑐𝑡𝑖𝑜𝑛 𝑡𝑕𝑒𝑟𝑚𝑖𝑞𝑢𝑒
𝑉𝑔 𝑑𝑡
𝑐𝑎𝑝𝑎𝑐𝑖𝑡 é 𝑡𝑕𝑒𝑟𝑚𝑖𝑞𝑢𝑒 𝑙𝑜𝑖 𝑑𝑒 𝐹𝑜𝑢𝑟𝑖𝑒𝑟 𝑉𝑎𝑝𝑜𝑟𝑖𝑠𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑙′𝑒𝑎𝑢 𝑐𝑕𝑎𝑙𝑒𝑢𝑟 𝑑𝑒 𝑟é𝑎𝑐𝑡𝑖𝑜𝑛
𝑚𝑜𝑦𝑒𝑛𝑛𝑒 𝑑𝑢 𝑚𝑖𝑙𝑖𝑒𝑢 𝑑𝑢 𝑝𝑦𝑟𝑜𝑙𝑦𝑠𝑒
(IV.21)
Dans notre cas, la pyrolyse à basse température est menée sur du bois anhydre. Le
terme de vaporisation de l’eau ne sera donc pas présent dans le bilan. Le modèle se réduit à
l’équation suivante :
𝜕𝑇 𝜕 𝜕𝑇 𝜕𝜌𝑟
𝜌𝐶𝑝 = 𝜆 + 𝐻𝑝 (IV. 22)
𝜕𝑡 𝜕𝑥 𝜕𝑥 𝜕𝑡
Si le traitement est limité à une température de l’ordre de 200°C, l’enthalpie de la
réaction chimique est négligeable et l’équation du bilan énergétique devient :
𝜕𝑇 𝜕 𝜕𝑇
𝜌𝐶𝑝 = 𝜆 (IV. 23)
𝜕𝑡 𝜕𝑥 𝜕𝑥
avec :
-3
 : la masse volumique du bois anhydre (kg.m )
C p : la chaleur spécifique du bois. (J kg-1 k-1)
 : la conductivité thermique du bois Wm 1 K 1 .

T : la température en K  .
H p : la variation d’enthalpie massique de la réaction Jkg 1  .
 r : la masse volumique des composants chimiques réactifs (kg.m-3).

La prise en compte de la transformation chimique nécessite la connaissance d’une
cinétique de dégradation lors de la pyrolyse du bois. Dans le paragraphe suivant nous
rappelons brièvement les principaux modèles de cinétique de pyrolyse du bois.
IV.4.4. Etat de l’art de la modélisation de la pyrolyse de bois.

Les modèles cinétiques disponibles dans la littérature visant à représenter la pyrolyse
du bois prennent deux orientations différentes. La plupart des modèles présentent le
traitement du bois à haute température, c'est-à-dire aboutissant à la carbonisation
(températures supérieures à 300°C). Dans notre étude on s’intéresse seulement à l’état de
torréfaction c'est-à-dire à une pyrolyse à basse température. Dans la littérature, on peut

distinguer trois approches pour la modélisation de la cinétique de pyrolyse :
- la première approche considère la biomasse comme un seul élément

homogène ;
- la deuxième approche prend en compte chacun des composés du bois
(cellulose, hémicellulose et lignine)
- dans la troisième approche on suppose que le bois est divisé en trois
fractions (Grioui et al., 2006) dont les stœchiométries et les cinétiques de
dégradation sont différentes.
IV.4.4.1. La première approche :
Cette approche consiste à assimiler le bois comme un seul composé pendant la

pyrolyse. Dans ce contexte les auteurs ont donné plusieurs mécanismes réactionnels. Parmi
ces mécanismes, notre attention s’est portée sur les trois cas, décrits ci-après :
- le schéma réactionnel de Wagenaar et al. (1994), Di Blasi et al., (2001) qui

considère l’existence d’une seule réaction irréversible :
𝑘
𝐵𝑜𝑖𝑠 𝑅é𝑠𝑖𝑑𝑢𝑠 𝑠𝑜𝑙𝑖𝑑𝑒 + 1 − 𝛼 𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑣𝑜𝑙𝑎𝑡𝑖𝑙 (IV. 24)
La cinétique de dégradation du bois s’exprime couramment en fonction de taux
d’avancement  , donnée par l’équation différentielle :
𝑑𝛼
=𝑘 𝑇 𝑓 𝛼 (IV. 25)
𝑑𝑡
Avec
𝑚
𝛼 =1− (IV. 26)
𝑚0
- Le schéma de Chan (1983) introduit deux étapes réactionnelles à partir du bois

initial :
𝑘1
𝑔𝑎𝑧 𝐺1
𝑘2
𝐵𝑜𝑖𝑠 𝑇𝑎𝑟
𝑘3
𝐶𝑕𝑎𝑟 𝐶1
𝑘4
𝑔𝑎𝑧 𝐺2
𝑇𝑎𝑟 𝑘5
IV. 27
- le schéma de Sadukhan (2008) propose un mécanisme décrit par trois
réactions : la troisième réaction mettant en jeu les produits des deux réactions parallèles
de transformation du bois initial.
𝑘1
𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑒 + 𝑔𝑎𝑧 𝐺1
𝐵𝑜𝑖𝑠 𝑘2
(IV. 28)
𝑘3
𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑒 + 𝑔𝑎𝑧 𝐺1 + 𝐶𝑕𝑎𝑟 𝐶1 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑒 + 𝑔𝑎𝑧 𝐺2 + 𝑐𝑕𝑎𝑟(𝐶1)
IV.4.4.2 La deuxième approche.

La deuxième approche considère les composés principaux du bois (cellulose,
hémicellulose, lignine), en attribuant aux trois polymères des chemins réactionnels de
dégradation spécifiques permettant d’aboutir à un modèle représentatif de la pyrolyse.
Certains de ces schémas réactionnels sont donnés ci-après :
IV.4.4.2.1 Les modèles cinétiques de la dégradation thermique de la cellulose.

La cellulose est le principal composé de la plupart des matériaux ligno-cellulosiques.
Cette molécule a une structure chimique relativement simple et elle est en fait un
constituant idéal pour aborder la pyrolyse de la biomasse. C’est pour cette raison que Broido
et Weinstein (1971) ont proposé le modèle suivant :
𝑘1 𝑘3
𝐴1=9,6 10 11 𝑚𝑖𝑛 −1 𝐴3=2,16 10 17 𝑚𝑖𝑛 −1
𝐸1=169,5 𝑘𝑗 𝑚𝑜𝑙 −1 𝐸1=210,4 𝑘𝐽 𝑚𝑜𝑙 −1 0,65 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑒
𝐶𝑒𝑙𝑙𝑢𝑙𝑜𝑠𝑒 𝐴𝑛𝑕𝑦𝑑𝑟𝑜𝑐𝑒𝑙𝑙𝑢𝑙𝑜𝑠𝑒
𝑘2 0,35 𝐶𝑕𝑎𝑟𝑏𝑜𝑛
𝐴2=1 10 17 𝑚𝑖𝑛 −1
𝐸2=221,5 𝐾𝐽 𝑚𝑜𝑙 −1
𝐺𝑜𝑢𝑑𝑟𝑜𝑛
(IV. 29)
Shafizadeh et al. (1979) confirmeront les fondements décrits dans le modèle de

Broido et Weinstein (1971) et proposeront un mécanisme légèrement modifié. La période
d’initiation, caractérisée à basse température par une accélération de la perte de masse, se
traduit par la présence d’une réaction initiale aboutissant à la formation d’une cellulose
active. La vitesse de formation de cette cellulose est supposée proportionnelle à 1/ti où ti
est le temps nécessaire pour atteindre la vitesse maximale de perte de masse de la cellulose.
Cette cellulose active présenterait un degré de polymérisation environ 10 fois plus faible que
la cellulose initiale. Différentes études menées sur ce glucide montrent effectivement qu’à
partir de 200°C, des modifications intrinsèques peuvent intervenir, mais comme le souligne
Di Blasi (1998), les appareils utilisés dans l’étude cinétique de la pyrolyse de la cellulose ne
peuvent donner aucune information sur les changements moléculaires.
Le modèle réactionnel proposé par Shafizadeh et al (1979) est le suivant :

𝑘1
𝐴1=1,7 10 21 𝑚𝑖𝑛 −1
𝐸1=242,8 𝐾𝐽 𝑚𝑜𝑙 −1
𝐶𝑒𝑙𝑙𝑢𝑙𝑜𝑠𝑒 Cellulose Active
𝑘3
𝐴3=7,9 10 16 𝑚𝑖𝑛 −1
𝐸3=153,1 𝑘𝐽 𝑚𝑜𝑙 −1
0,65 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑒
cellulose active 𝑘2 (IV. 30)
0,35 𝐶𝑕𝑎𝑟𝑏𝑜𝑛
𝐴2=1,9 10 16 𝑚𝑖𝑛 −1
𝐸2=197,9 𝑘𝐽 𝑚𝑜𝑙 −1
𝐺𝑜𝑢𝑑𝑟𝑜𝑛𝑠
Il existe d’autres modèles cinétiques de dégradation de la cellulose comme le modèle
réactionnel de Broido-Shafizadeh modifié par Varhegyi et al. (1994) et le modèle à trois
réactions consécutives proposé par Alves et Figueiredo (1989)
Le modèle réactionnel de Broido-Shafizadeh modifié par Varhegyi et al (1994) est le

suivant :
𝑘1
𝐴1=2,51 10 9 𝑚𝑖𝑛 −1
𝐸1=147 𝑘𝐽 𝑚𝑜𝑙 −1
0,765 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑒
𝐶𝑒𝑙𝑙𝑢𝑙𝑜𝑠𝑒 𝑘2 (IV. 31)
0,235 𝐶𝑕𝑎𝑟𝑏𝑜𝑛
𝐴2=1,26 10 18 𝑚𝑖𝑛 −1
𝐸2=238 𝑘𝐽 𝑚𝑜𝑙 −1
𝐺𝑜𝑢𝑑𝑟𝑜𝑛𝑠
Le modèle à trois réactions consécutives proposé par Alves et Figueiredo (1989) est le
suivant :
𝐾1
𝐶𝑒𝑙𝑙𝑢𝑙𝑜𝑠𝑒 𝑎1 𝑠𝑜𝑙𝑖𝑑𝑒1 + 1 − 𝑎1 𝐺𝑎𝑧
𝐾2 (IV. 32)
𝑆𝑜𝑙𝑖𝑑𝑒1 𝑎2 𝑠𝑜𝑙𝑖𝑑𝑒2 + 1 − 𝑎2 𝐺𝑎𝑧
𝐾3
𝑆𝑜𝑙𝑖𝑑𝑒2 𝑎3 𝑠𝑜𝑙𝑖𝑑𝑒3 + 1 − 𝑎3 𝐺𝑎𝑧
IV.4.4.2.2 Les modèles cinétiques de la dégradation thermique des hémicelluloses.

Le modèle réactionnel de la dégradation du xylane proposé par( Di Blasi et al,1997) est le
suivant :
𝐾𝑣1
𝑀𝑎𝑡𝑖è𝑟𝑒𝑠 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑒 1
𝑋𝑦𝑙𝑎𝑛𝑒 𝐾𝐵
𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑖𝑛𝑡𝑒𝑟𝑚é𝑑𝑖𝑎𝑖𝑟𝑒 (𝐵)
𝐾𝑣2
𝐵 𝑀𝑎𝑡𝑖è𝑟𝑒𝑠 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑒 2 (𝐼𝑉. 33)
𝐾𝑐
𝐶𝑕𝑎𝑟𝑏𝑜𝑛
Le modèle réactionnel de la dégradation du xylane proposé par Sefain et al. (1985) est le
suivant :
𝐴 → 𝐵1 + 𝑔𝑎𝑧
(IV. 34)
𝐵1 → 𝐶𝑕𝑎𝑟𝑏𝑜𝑛
VI.4.4.2.3 Les modèles cinétiques de la dégradation thermique de la lignine.

L’association des lignines avec d’autres composés dans les parois cellulaires, rend
leur séparation difficile et compliquée. Les lignines sont dans la plupart du temps dégradées
ou modifiées.
Les lignines extractibles sont souvent différentes des lignines protolignines. Leurs
cinétiques ne sont certainement pas tout à fait celles qui se déroulent dans le matériau. Les
grandeurs cinétiques de la littérature sont déterminées à partir de lignines isolées (lignine de
Klason, lignine dioxane, …) ou à partir du bois. Dans les deux cas, le mécanisme de
dégradation de la lignine est souvent décrit par une réaction unique irréversible d’ordre 1.
Pour décrire la pyrolyse à partir des trois composés (cellulose, hémicellulose et

lignine) un mécanisme est proposé pour chaque composé. Ce concept n’est pas bien
représentatif car dans la réalité les trois composés réagissent simultanément (Bilbao et al.
1989). Dans un premier temps c’est la thermodégradation des hémicelluloses qui domine, la
dégradation de la cellulose s’enclenche par la suite, suivie de celle de la lignine. Néanmoins,
dans certaines plages de température les réactions sont simultanées. Des réactions entre les
composés peuvent également se produire. Cette complexité a amené à la proposition d’une
troisième approche décrite ci-après.
IV.4.4.3. La troisième approche :

Grioui et al. (2006) proposent un modèle cinétique comportant quatre étapes
stœchiométriques. Plus précisément, le bois initial est réparti en trois fractions A1, A2 et A3
avec les fractions massiques respectives α1, α2 et α3. Les trois fractions ont des
stœchiométries réactionnelles et des lois cinétiques spécifiques. A basse température
(T  250°C), la dégradation de la fraction A1 est prédominante et le produit de la dégradation

est gazeux (G1). A haute température (T>320°C), la dégradation des fractions A1 et A2 est
complète et pour A3, la transformation se déroule en deux étapes réactionnelles le produit
condensable de la première étape (B) étant converti en charbon (C3) et gaz (G4). Dans la
deuxième étape. Les stœchiométries des étapes réactionnelles sont respectivement :
k1
A1  G1 (gaz) (IV.35)
k2
A2   2 C2 (solide) + (1-γ2)G2 (gaz) (IV.36)
k3
A3   B (solide intermédiaire) +(1-β) G3 (gaz) (IV.37)
k4
B (solide intermédiaire)   3 C3 (solide) + (1-γ3)G4 (gaz) (IV.38)
IV.4.5 Le choix d’un modèle cinétique de pyrolyse pour la présente

étude :
La faible connaissance des mécanismes de thermodégradation des composés du bois
(cellulose, hémicellulose et lignine) a guidé notre choix vers les schémas cinétiques proposés
par la première et la troisième approche.
C’est la troisième approche qui a été retenue pour cette étude. Cette approche a été
appliquée pour décrire la carbonisation de petites particules. La présente étude est
consacrée à la pyrolyse basse température (T < 250°C). La chaleur est transférée par
conduction sur une planche du bois. Dans cette plage de température, seules les étapes
(IV.35) et (IV.36) ont lieu. Le modèle initialement appliqué pour le bois d’olivier (Grioui et al,
2006) sera testé pour différents types de bois (hêtre, peuplier, sapin, frêne, pin).
IV.4.5.1. Le modèle cinétique :
Pour des températures de traitement inférieures à 250°C, seules les deux fractions
A1 et A2 se dégradent (équation. IV.35 et IV.36). On suppose que les cinétiques de
dégradation des deux étapes réactionnelles sont d’ordre cinétique 1 par rapport aux deux
fractions A1 et A2. Dans ces conditions les vitesses des réactions par unité de volume de
solide sont respectivement :
pour l’étape (IV.35)：V1=k1ρA1 (IV.39)
pour l’étape (IV.36)：V2=k2ρA2 (IV.40)
ρA1 et ρA2 représentent les masses volumiques des fractions A1 et A2
-Les constantes de vitesse k1 et k2 dépendent de la température selon des lois de type

Arrhenius, soit :
𝐸𝑎1
𝑘1 = 𝑘01 𝑒 − 𝑅 𝑇 (IV. 41)
𝐸𝑎2
𝑘2 = 𝑘02 𝑒 − 𝑅 𝑇 IV. 42
avec :
k01: le facteur pré-exponentiel pour k1
k02: le facteur pré-exponentiel pour k2
Ea1: l’énergie d’activation pour k1
Ea2: l’énergie d’activation pour k2
IV.4.5.2 Formulation mathématique du modèle cinétique :

Pour les constituants solides A1, A2, C2 les bilans de matière sont respectivement :
𝑑𝑚𝐴1
= −𝑘1 𝑚𝐴1 (IV. 43)
𝑑𝑡
𝑑𝑚𝐴2
= −𝑘2 𝑚𝐴2 IV. 44
𝑑𝑡
𝑑𝑚𝐶2
= 𝑘2 𝛾2 𝑚𝐴2 (IV. 45)
𝑑𝑡
A l’instant initial t0 :
𝑚𝑏𝑜𝑖𝑠 = 𝑚0
𝑚𝐴1 = 𝛼1 𝑚0
𝑚𝐴2 = 𝛼2 𝑚0 (IV. 46)

𝑚𝐴3 = (1 − 𝛼1 − 𝛼2 )𝑚0
Ici, mA1, mA2, et mA3 sont respectivement les masses des trois fractions A1, A2 et A3.
Les expériences que nous voulons représenter se déroulent en deux étapes. Dans la
première étape la température à la surface de l’échantillon varie entre 102°C et 200°C. Dans
cette étape nous supposerons que seule la réaction de thermodégradation de la fraction A1
a lieu. Dans la deuxième étape pour des températures comprises entre 200 et 240°C, les
dégradations des fractions A1 et A2 ont lieu simultanément. Dans ces conditions opératoires
la fraction A3 n’est pas dégradée.
Soit tm le temps nécessaire pour que la température de la surface Ts atteigne 200°C
Soit tf le temps final nécessaire pour que la température de la surface Ts atteigne 240°C
Les bilans de matière sont respectivement :
- pour le première étape : 0<t <tm tel que 102°C <Ts<200°C
𝑑𝑚𝐴1
= −𝑘1 𝑚𝐴1
𝑑𝑡
𝑚𝐴2 = 𝛼2 𝑚0
𝑚𝐶2 = 0 (IV. 47)
𝑚𝐴3 = (1 − 𝛼1 − 𝛼2 )𝑚0
La masse totale mt est telle que :
𝑚𝑡 = 𝑚𝐴1 + 𝛼2 𝑚0 + (1 − 𝛼1 − 𝛼2 )𝑚0 (IV. 48)
d’ou
𝑚𝑡 = 𝑚𝐴1 + (1 − 𝛼1 )𝑚0 (IV. 49)
- pour la deuxième étape : tm <t <tf tel que, 200°C<Ts<240°C
𝑑𝑚𝐴1
= −𝑘1 𝑚𝐴1 (IV. 50)
𝑑𝑡
𝑑𝑚𝐴2
= −𝑘2 𝑚𝐴2 IV. 51
𝑑𝑡
𝑑𝑚𝐶2
= 𝑘2 𝛾2 𝑚𝐴2 (IV. 52)
𝑑𝑡
𝑚𝐴3 = (1 − 𝛼1 − 𝛼2 )𝑚0 (IV. 53)
La masse totale mt est telle que :
𝑚𝑡 = 𝑚𝐴1 + 𝑚𝐴2 + 𝑚𝐶2 + (1 − 𝛼1 − 𝛼2 )𝑚0 (IV. 54)
IV. 5 Modélisation complète du traitement thermique en

deux étapes.
IV.5.1 Equations du modèle
Aux équations traduisant les bilans de matière, il faut adjoindre celle relative au bilan
thermique.
N’ayant pas observé d’effet thermique du à la transformation lors de la première

étape, nous admettrons que l’étape de dégradation de la fraction A1 est athermique. Par
suite les équations à résoudre dans la première étape sont :
𝑑𝜌𝐴1 𝑡
= −𝑘1 𝑡 𝜌𝐴1 𝑡 IV. 55
𝑑𝑡
𝜕𝑇 𝜕 𝜕𝑇
=𝑎 IV. 56
𝜕𝑡 𝜕𝑦 𝜕𝑦
𝑚𝑡 = 𝜌𝐴1 𝑉(1 − 𝛼1 )𝑚0 (IV. 57)
V est le volume de la planche supposé constant lors des réactions de dégradation.
La deuxième étape faisant apparaitre dans certains cas un effet thermique exothermique,
nous supposons que la dégradation de la fraction A2 est exothermique avec la variation
d’enthalpie ∆H2 négative. Par suite les équations à résoudre sont :
𝑑𝜌𝐴1
= −𝑘1 𝜌𝐴1 (IV. 58)
𝑑𝑡
𝑑𝜌𝐴2
= −𝑘2 𝜌𝐴2 IV. 59
𝑑𝑡
𝑑𝜌𝐶2
= 𝑘2 𝛾2 𝜌𝐴2 (IV. 60)
𝑑𝑡
𝑚𝐴3 = (1 − 𝛼1 − 𝛼2 )𝑚0 (IV. 61)
𝜕 𝜕𝑇 𝜕𝑇 ∆𝐻2 𝜕𝜌𝐴2
𝑎 = + (IV. 62)
𝜕𝑦 𝜕𝑦 𝜕𝑡 𝜌𝐶𝑝 𝜕𝑡
𝑚𝑡 = (𝜌𝐴1 + 𝜌𝐴2 + 𝜌𝐶2 )𝑉 + (1 − 𝛼1 − 𝛼2 )𝑚0 (IV. 63)
Les équations de bilans sont à résoudre avec les conditions suivantes :
- Condition aux limites
𝑒
𝑇 ,𝑡 = 𝑇𝑝𝑙𝑎𝑞𝑢𝑒 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑡0 ≤ 𝑡 ≤ 𝑡𝑓 (IV. 64)
2
𝜕𝑇
0, 𝑡 = 0 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑡0 ≤ 𝑡 ≤ 𝑡𝑓 (IV. 65)
𝜕𝑦
- Condition initiales
A l’instant t=t0
𝑒
𝑇 𝑦, 𝑡0 = 𝑇𝑝𝑙𝑎𝑞𝑢𝑒 𝑡𝑒𝑙 𝑞𝑢𝑒 0 ≤ 𝑦 ≤ IV. 66
2
𝑚𝑡 = 𝑚0 IV. 67
𝜌𝐴1 = 𝛼1 𝜌0 IV. 68
𝜌𝐴2 = 𝛼2 𝜌0 (IV. 69)
𝜌𝐴3 = (1 − 𝛼1 − 𝛼2 ) 𝜌0 (IV. 70)
𝜌𝑐2 = 0 IV. 71
Avec t0 le temps initiale de traitement, tf le temps finale de traitement.
IV.5.1.1 Les paramètres du modèle :

Les paramètres du modèle à déterminer sont :
- les paramètres cinétiques : les facteurs pré-exponentiels k01, k02, et les

énergies d’activations Ea1, Ea2.
- les paramètres caractérisant la stœchiométrie des réactions de pyrolyse : la

fraction massique γ2 et les fractions α1 et α2 relative à la description initiale
du bois.
- La variation d’enthalpie : ΔH2.
IV.5.1.2 Détermination des paramètres.

A partir des mesures de température au sein de l’échantillon de bois et de l’évolution
de sa masse totale nous devons estimer les paramètres du modèle permettant de
représenter au mieux les résultats expérimentaux.
Dans les études de Grioui et al. (2006) les paramètres cinétiques ont été obtenus à
partir des mesures de pertes de masse en thermobalance et en fonctionnement isotherme.
Par la suite, les auteurs ont pu représenter des expériences de carbonisation non isotherme
en optimisant uniquement les variations d’enthalpie supposées identiques pour les quatre
étapes réactionnelles.
Dans notre cas, la pyrolyse est effectuée en deux étapes non isothermes avec un
échantillon de bois dont l’épaisseur est de 3 cm. Dans ces conditions les équations de bilans
de matière et d’énergie doivent être résolues simultanément dans les deux étapes afin
d’estimer l’ensemble des paramètres au nombre de 8 à savoir : ⍺1, ⍺2, k01, k02, Ea1, Ea2, γ2,
∆H2.
L’ensemble des paramètres va être obtenu par minimisation d’une fonction d’erreur
entre les valeurs expérimentales et les valeurs du modèle. Le nombre élevé de paramètres
rend difficile l’optimisation. Il est donc nécessaire de trouver une bonne méthode
permettant d’obtenir une optimisation efficace. L’utilisation des méthodes de type Gradient
conjugué, Lagrange…etc.. Ces méthodes sont appelées « méthodes déterministes », sont

plus généralement efficace quand l’évolution de la fonction est très rapide. Dans notre cas la
complexité du modèle, la dépendance entre les paramètres, l’existence de plusieurs
optimums locaux, nous impose l’utilisation d’autres méthodes appelées « méthodes non
déterministes ». Dans ces méthodes, on peut citer les méthodes de Monté –Carlo,
l’algorithme de révolution ou génétique, l’algorithme hybride, l’algorithme de recuit simulé,
etc. Ces méthodes consistent à un tirage aléatoire de nombres. Elles permettent d’explorer
l’espace de recherche plus efficacement.
Nous disposons d’un grand choix de méthodes. Dans notre cas c’est la méthode
génétique ou de la révolution qui a été retenue. (voir chapitre II)
IV.5.1.3 Détermination des paramètres à l’aide de l’Algorithme génétique

L’algorithme génétique est programmé dans le langage Fortran 90, ainsi la
discrétisation des équations de bilans. La fonction d’erreur à minimiser tient compte à la fois
des mesures thermiques et de masse, soit :
𝑛1 𝑛2
1 2 𝑇𝑒𝑥𝑝 𝑖 − 𝑇𝑚𝑜𝑑𝑒𝑙 𝑖 1 2 𝑃𝑚𝑒𝑥𝑝 𝑗 − 𝑃𝑚𝑚𝑜 𝑑𝑒𝑙 𝑗
𝑒𝑟𝑟𝑒𝑢𝑟𝑔𝑙𝑜𝑏𝑎𝑙𝑒 =( + )
𝑛1 𝑇𝑒𝑥𝑝 𝑖 + 𝑇𝑚𝑜𝑑𝑒𝑙 𝑖 𝑛2 𝑃𝑚𝑒𝑥𝑝 𝑗 + 𝑃𝑚𝑚𝑜𝑑𝑒𝑙 𝑗
𝑖=1 𝑗 =1
(IV.27)
où
𝑛1 : est le nombre de points expérimentaux de température qui seront comparés aux

température calculées.
𝑛2 : le nombre de points expérimentaux de perte de masse qui seront comparés aux pertes
de masse calculées.
𝑃𝑚𝑒𝑥𝑝 (𝑗): perte de masse expérimentale à l’instant tj.
𝑃𝑚𝑚𝑜𝑑𝑒𝑙 (𝑗)l : perte de masse du modèle à l’instant tj
𝑇𝑒𝑥𝑝 (𝑖): perte de masse expérimentale à l’instant ti.
𝑇𝑚𝑜𝑑𝑒𝑙 (𝑖)l : perte de masse du modèle à l’instant ti
𝑒𝑟𝑟𝑒𝑢𝑟𝑔𝑙𝑜𝑏𝑎𝑙𝑒 : erreur globale.
Dans la première étape, les paramètres à déterminer sont la fraction α1 et la

constante de la vitesse de la réaction k1 qui est liée au facteur pré-exponentiel k01, et à
l’énergie d’activation EA1. Dans la première étape ces trois paramètres seront déterminés à
l’aide de l’algorithme génétique.
Dans la deuxième étape, les paramètres à déterminer sont la fraction α2, la

constante de vitesse k2, la fraction γ2 et la variation d’enthalpie ΔH2. Cinq paramètres
doivent être déterminés à savoir, la fraction α2 ; la constante de vitesse k2 qui dépend du
facteur de pré-exponentiel k02, et de l’énergie d’activation EA2 , la fraction γ2 de conversion
de A2 en solide C2 et l’enthalpie de la réaction ΔH2. Ces paramètres seront déterminés par
l’algorithme génétique.
IV.5.I.4 Résolution numérique

Le modèle est basé sur le couplage du transfert de chaleur à la surface et à l’intérieur
du morceau de bois avec la cinétique chimique de la pyrolyse. Ce couplage entre ces deux
phénomènes nous permet de bien décrire le phénomène de la pyrolyse.
Le bilan thermique se présente sous la forme d’une équation différentielle non

linéaire :
𝜕 𝜕𝑇 𝜕𝑇
𝑎 = +𝛽 (IV. 73)
𝜕𝑦 𝜕𝑦 𝜕𝑡
Dans la Première étape :
𝛽=0 (IV. 74)
et le bilan de matière se limite à :
𝑑𝜌𝐴1
= −𝑘1 𝜌𝐴1 (IV. 75)
𝑑𝑡
Dans la deuxième étape :
∆𝐻2
𝛽=− 𝑘 𝜌 IV. 76
𝜌𝐶𝑝 2 𝐴2
et les bilans de matière à résoudre sont :
𝑑𝜌𝐴1
= −𝑘1 𝜌𝐴1 (IV. 77)
𝑑𝑡
𝑑𝜌𝐴2
= −𝑘2 𝜌𝐴2 IV. 78
𝑑𝑡
𝑑𝜌𝐶2
= 𝑘2 𝛾2 𝜌𝐴2 (IV. 79)
𝑑𝑡
Condition aux limites
𝑒
𝑇 ,𝑡 = 𝑇𝑝𝑙𝑎𝑞𝑢𝑒 ∀𝑡𝜖 𝑡0 , 𝑡𝑓 (IV. 80)
2
𝜕𝑇
0, 𝑡 = 0 ∀𝑡𝜖 𝑡0 , 𝑡𝑓 (IV. 81)
𝜕𝑦
Conditions initiales
A l’instant t=t0
𝑚𝑡 = 𝑚0 IV. 82
𝜌 = 𝜌0 IV. 83
La résolution de l’équation du bilan thermique est effectuée par la méthode du

volume fini. Cette méthode consiste à définir un réseau dont les mailles correspondent à des
valeurs finies de la variable espace (y) et de la variable temps (t) Le maillage d’espace utilisé
pour la résolution numérique est défini avec un pas y constant entre les points à
e
l’extérieur du maillage y = 0 et y = . Pour la résolution selon le temps on a utilisé une
2
méthode itérative.
Axe du morceau du matériau du bois
X0 X1 Xj-1 Xj Xj+1 XM+1
Avec :𝑋𝑗 +1 = 𝑋𝑗 + ∆𝑦 et0 ≤ 𝑗 ≤ 𝑀. Le point en j = M+1 est un point fictif pour le système.
𝑒
Avec : ∆𝑦 = 2(𝑀+1)
e: épaisseur de la planche.
La discrétisation des équations relatives aux conditions aux limites est la suivante :
- Au centre de la planche, c'est-à-dire en y = 0 correspondant à j = 0 et en tenant
compte de la symétrie axiale, la relation (IV.81) s’écrit sous la forme discrétisée :
𝑇1 − 𝑇−1
=0 (IV. 84)
∆𝑦
d’où
𝑇1 = 𝑇−1 (IV. 85)
e
- A la surface du morceau de bois à y = correspondant à j = M l’équation (IV.80)
2
reste la même :
𝑒
𝑇 ,𝑡 = 𝑇𝑝𝑙𝑎𝑞𝑢𝑒 ∀𝑡𝜖 𝑡0 , 𝑡𝑓 (IV. 86)
2
IV.5.1.3.1 Discrétisation des équations.
L’équation (IV.73), après une discrétisation finie des dérivées partielles de la

température dans l’espace et dans le temps, s’écrit alors :
𝑇𝑗𝑛+1 − 𝑇𝑗𝑛 𝑇𝑗𝑛+1
+1 − 2𝑇𝑗
𝑛+1
+ 𝑇𝑗𝑛+1
−1
= 𝛼𝑗𝑛 +1 2
+ 𝛽𝑗𝑛+1 (IV. 87)
∆𝑡 ∆𝑦
Première étape
De j= 1 jusqu’au j=M+1
𝛽𝑗 = 0 (IV. 88)
𝑑𝜌𝐴1𝑗 (𝑡)
= −𝑘1𝑗 𝑡 𝜌𝐴1𝑗 𝑡 (IV. 89)
𝑑𝑡
𝜌𝑗 𝑡 = 𝜌𝐴1𝑗 𝑡 + 1 − 𝛼1 𝜌0 (IV. 90)
Deuxième étape
De j= 1 jusqu’au j=M+ 1
∆𝐻2
𝛽𝑗 = − 𝑘 𝜌 IV. 91
𝜌𝑗 𝐶𝑝𝑗 2𝑗 𝐴2𝑗
et les bilans de matière à résoudre sont :
= −𝑘1𝑗 𝑡 𝜌𝐴1𝑗 (𝑡) (IV. 92)
𝑑𝑡
= −𝑘2𝑗 𝑡 𝜌𝐴2𝑗 (𝑡) IV. 93
𝑑𝑡
𝑑𝜌𝐶2𝑗 𝑡
= 𝑘2𝑗 𝛾2 𝜌𝐴2𝑗 𝑡 IV. 94
𝑑𝑡
𝜌𝑗 𝑡 = 𝜌𝐴1𝑗 𝑡 + 𝜌𝐴2𝑗 𝑡 + 𝜌𝐶2𝑗 𝑡 + (1 − 𝛼1 − 𝛼2 )𝜌0 (IV. 95)
L’équation de conservation de la chaleur à l’axe (y = 0  j = 0) devient alors :

𝑇0𝑛+1 − 𝑇0𝑛 2𝑇1𝑛 +1 − 2𝑇0𝑛+1
= 𝛼0𝑛 +1 + 𝛽0𝑛+1 (IV. 96)
∆𝑡 ∆𝑦 2
e
Et à la paroi y =
2
𝑇𝑀𝑛+1 − 𝑇𝑀𝑛 𝑛+1
𝑛+1
𝑇𝑀+1 − 2𝑇𝑀𝑛+1 + 𝑇𝑀−1
𝑛+1
𝑛+1
= 𝛼𝑀 2
+ 𝛽𝑀 (IV. 97)
∆𝑡 ∆𝑦
IV.5.1.3.2 Conclusion
Dans l’axe de l’échantillon de bois c'est-à-dire y = 0, l’équation devient :
2𝛼0𝑛+1 ∆𝑡 𝑛+1 2𝛼0𝑛+1 ∆𝑡 𝑛+1
1+ 𝑇0 − 𝑇1 = 𝑇0𝑛 + ∆𝑡𝛽0𝑛+1 (IV. 98)
∆𝑦 2 ∆𝑦 2
et à l’intérieur du morceau du bois avec 1  j  M  1
𝛼𝑗𝑛+1 ∆𝑡 2𝛼𝑗𝑛+1 ∆𝑡 𝛼𝑗𝑛 +1 ∆𝑡

− 𝑇𝑗𝑛+1
−1 + 1+ 𝑇𝑗𝑛 +1 − 𝑇𝑗𝑛+1 𝑛
+1 = 𝑇𝑗 + ∆𝑡𝛽𝑗
𝑛+1
(IV. 99)
∆𝑦 2 ∆𝑦 2 ∆𝑦 2
e
Enfin à la paroi y =  j = M,
2
𝑛+1 𝑛+1 𝑛+1
−𝛼𝑀 ∆𝑡 𝑛+1 2𝛼𝑀 ∆𝑡 𝑛+1 𝛼𝑀 ∆𝑡 𝑛+1
2
𝑇𝑀−1 + 1 + 2
𝑇𝑀 − 2
𝑛+1
𝑇𝑀+1 = 𝑇𝑀𝑛 + ∆𝑡𝛽𝑀 (IV. 100)
∆𝑦 ∆𝑦 ∆𝑦
Sous forme matricielle, on obtient alors :
𝑀𝑛 +1 𝑇 𝑛+1 = 𝑇 𝑛 + ∆𝑡 𝛽 𝑛+1 (IV. 101)
𝑎𝑣𝑒𝑐: 𝑋 𝑛 C’est la matrice𝑋 à l’instant 𝑛∆𝑡.
M  est la matrice carrée de taille M 1
 2 0t 2 t 
1  2
 02 0 0 0 0 0 0 0 
 y  y 
  1t 1  21t  1t 0 0 0 0 0 0 
 y 2 y 2 y 2 
  t 2 t  t 
 0  2 2 1  22  2 2 0 0 0 0 0 
 y y y 
  3t 2 3  3t 
 0 0  2 1 2  2 0 0 0 0 
 y y y 
 0 0 0    0 0 0 
 
 0 0 0     0 0 
 0 0 0 0    0 0 
  M 1t 2 M 1t  M 1t 
 0 0 0 0 0  2
1 2
 2
0 
 y y y 
 0 0 0 0 0 0  M t 2 M t  M t 
  1  
 y 2 y 2 y 2 
 0 0 0 0 0 0 0 0 1 
En posant :
𝐴 = 𝑀𝑛 +1 , 𝐵 = 𝑇 𝑛 + ∆𝑡 𝛽 𝑛+1 𝑋 = 𝑇 𝑛+1
L’équation matricielle devient :
𝐴𝑋 = 𝐵 (IV. 102)
On résout l’équation (IV.102) à l’aide de l’algorithme de Thomas
𝑋 = 𝐴−1 𝐵 (IV. 103)
Les masses volumiques de chaque constituant A1, A2, C2 sont calculées par les relations :
𝑀+1
1
𝜌= 𝜌𝑖 (IV. 104)
𝑀+1
𝑖=1
IV.5.1.3.3 Résultats et discussion :

En opérant comme nous l’avons précédemment indiqué, nous avons pour les 5
essences de bois étudiées estimé à partir des courbes expérimentales les valeurs des 8
paramètres. Les valeurs obtenues sont résumées dans le tableau IV.2
α1 α2 K01 Ea1 K02 Ea2 γ2 -ΔH2 K1 à K2 à

200°c 200°C
-1 -1
(g/g) (g/g) (S ) (KJ/mol) (S ) (KJ/mol) (g/g) (J/Kg)
-1 -1
(S ) (S )
9 9 -4 -5
Frêne 0,082 0,15 5,7 10 123 6,6 10 133 0,077 103 1,5 10 1,35 10
9 9 -4 -5
Hêtre 0,042 0,16 6,2 10 124 3,2 10 130 0,072 101 1,25 10 1,41 10
9 9 -4 -5
Peuplier 0,044 0,14 5,8 10 121 4,3 10 132 0,082 108 2,52 10 1,14 10
9 9 -4 -6
Pin 0,052 0,13 3,0 10 116 1,3 10 128 0,084 103 4,64 10 9,51 10
9 9 -4 -6
Sapin 0,047 0,14 2,5 10 118 1,3 10 129 0,087 100 2,32 10 7,37 10
Tableau IV.2 : Valeurs des paramètres cinétiques et thermiques obtenues par optimisation
avec les valeurs trouvées, les courbes expérimentales reportées respectivement sur les
figures IV.10 à IV.14 sont bien représentées.
300 5,00
Température ML(%)
(°C)
250 0,00
200 -5,00
150 -10,00
100 -15,00
50 Ts (°C) Tc (°C) -20,00

TcModéle(°C) ML (%)
ML(%) Modéle
0 -25,00
0 100 200 300 400 500
Temps (min)
Figure IV. 10 : Représentation graphique du modèle et de l’expérience de l’évolution

de la température et la perte de masse en fonction du temps pour le frêne avec une
montée de température 8°C/min
300 5,00
Température (°C) ML(%)
250 0,00
200 -5,00
150 -10,00
100 -15,00
Ts (°C) Tc (°C)
50 -20,00
ML(%)Modéle
0 -25,00
0 100 200 300 400 500
Temps (min)
Figure IV. 11 : Représentation graphique du modèle et de l’expérience de l’évolution de la

température et la perte de masse en fonction du temps pour le Hêtre avec une montée de
température 8°C/min
300 5,00
Température ML(%)
(°C)
250 0,00
200 -5,00
150 -10,00
100 -15,00
Ts (°C) Tc (°C) TcModéle(°C)
50 -20,00
ML (%) ML(%)Modéle
Temps (min)
0 -25,00
0 50 100 150 200 250 300 350 400 450 500

température et la perte de masse en fonction du temps pour le Peuplier avec une montée de
température 8°C/min.
300 5,00
Température ML(%)
(°C)
250 0,00
200 -5,00
150 -10,00
100 -15,00
Ts (°C) Tc (°C)
50 -20,00
ML(%)modéle
0 -25,00
0 50 100 150 200 250 300 350 400 450 500
Temps (min)
Figure IV.13 Représentation graphique du modèle et de l’expérience de l’évolution de la

température et la perte de masse en fonction du temps pour le Pin avec une montée de
300 5,00
Température ML (%)
(°C)
250 0,00
200 -5,00
150 -10,00
100 -15,00
50 Ts (°C) Tc (°C) TcModéle(°C) -20,00
ML (%) ML(%)Modéle
0 -25,00
0 50 100 150 200 250 300 350 400 450 500
Temps (min)

température et la perte de masse en fonction du temps pour le Sapin avec une montée de
L’analyse du tableau IV.2 nous permet de faire les observations suivantes :
- on remarque que la constante de vitesse k1 de la première réaction est supérieure

à la constante de vitesse k2 de la deuxième réaction ce qui justifie notre
hypothèse.
- la variation d’enthalpie liée à la dégradation de la fraction A2 est faible et dépend

peu de l’essence. Elle est de l’ordre de 100 KJ/mol.
- l’énergie d’activation Ea1 lié à la constante k1 est voisine de 120 KJ/mol
- l’énergie d’activation Ea2 lié à la constante k2 est voisine de 130 KJ/mol
- la fraction A1 dans le bois est faible et de l’ordre de 5%.
- la fraction A2 semble dépendre légèrement de l’essence. Toutefois on observe une

relation étroite entre les variations de ⍺2 et 𝛾2 . Plus précisément à une diminution
de A2 il correspond une diminution du composé C2 d’où le peu de variation de la
masse totale. L’écart à minimiser est par suite peu influencé par le choix du couple
⍺2, 𝛾2 . En moyenne la valeur de ⍺2 est voisine de 15 % est celle de𝛾2 est voisine de
8%.
En fixant ⍺1, ⍺2 et 𝛾2 à ces valeurs moyennes, nous avons cherché à représenter au

mieux la première et la deuxième étape de la pyrolyse en cherchant les valeurs optimales
des paramètres k01 , Ea1, k02 , Ea2 et ∆H2.
Remarque :
On ne peut pas fixer ⍺1 à 5% pour le frêne car le frêne perd expérimentalement plus
de 6% dans la première étape. Aussi pour le frêne nous avons conservé la valeur de α1
obtenue l’ordre de l’analyse précédente.
α1 α2 K01 Ea1 K02 Ea2 𝛾2 -ΔH2 K1 à K2 à
-1 -1
200°c 200°C
(g/g) (g/g) (S ) (kJ/mol) (S ) (kJ/mol) (g/g) (J/kg)
-1 -1
(S ) (S )
9 9 -4 -5
Frêne 0,082 0,15 5,7 10 123 6,6 10 133 0,08 104 1,49 10 1,35 10
9 9 -4 -5
Hêtre 0,05 0,15 6,5 10 125 2,5 10 129 0,08 101 1,02 10 1,42 10
9 9 -4 -6
Peuplier 0,05 0,15 5,6 10 122 4,5 10 133 0,08 108 1,88 10 9,23 10
9 9 -4 -6
Pin 0,05 0,15 3,0 10 116 1,9 10 131 0,08 103 4,64 10 6,48 10
9 9 -4 -6
Sapin 0,05 0,15 2,5 10 118 1,5 10 130 0,08 100 2,32 10 6,58 10
Tableau IV.3 : Valeurs des paramètres cinétiques et thermique obtenues par optimisation
Les valeurs optimisées des paramètres sont données dans le tableau IV.3. Avec les
valeurs trouvées les comparaisons entre courbes expérimentales et calculées sont
représentées sur les figures IV.15 à IV.19.
300 5,00
Température
(°C) ML(%)
250 0,00
200 -5,00
150 -10,00
100 -15,00
50 Ts (°C) Tc (°C) -20,00

ML(%) Modéle
0 -25,00
0 100 200 300 400 500
Temps (min)

température et la perte de masse en fonction du temps pour le frêne avec une montée de
température 8°C/min.
300 5,00
Température
(°C) ML(%)
250 0,00
200 -5,00
150 -10,00
100 -15,00
Ts (°C) Tc (°C)
50 TcModéle(°C) ML (%) -20,00
ML(%) Modéle
0 -25,00
0 50 100 150 200 250 300 350 400 450 500
Temps (min)

température et la perte de masse en fonction du temps pour le Hêtre avec une montée de
300 5,00
Température
(°C)
250
0,00
200
-5,00
150
-10,00
100
Ts (°C) Tc (°C) -15,00

50 TCModéle(°C) ML (%)
ML(%) Modéle
0 Temps (min) -20,00

0 50 100 150 200 250 300 350 400 450 500

température et la perte de masse en fonction du temps pour le Peuplier avec une montée de
300 5,00
Température (°C)
250
0,00
200
-5,00
150
-10,00
100
Ts (°C) Tc (°C)
TcModéle(°c) ML (%) -15,00
50
ML(%)modèle
Temps (min)
0 -20,00
0 50 100 150 200 250 300 350 400 450 500
Figure IV.18 : Représentation graphique du modèle et de l’expérience de l’évolution de la

température et la perte de masse en fonction du temps pour le Pin avec une montée de
300 10,00
Température ML (%)
(°C)
5,00
250
0,00
200
-5,00
150
-10,00
100
Ts (°C) Tc (°C) -15,00
50 TcModéle(°C) ML (%)
-20,00
ML(%)Modéle
0 Temps (min) -25,00

0 50 100 150 200 250 300 350 400 450 500

température et la perte de masse en fonction du temps pour le Sapin avec une montée de
L’analyse du tableau IV.3 nous permet de faire les observations suivantes :
- on remarque que la constante de vitesse k1 (à 200°C ) de la première réaction est

supérieure à la constante de vitesse k2 ( à 200°C) de la deuxième réaction ce qui
justifie notre hypothèse.
- Les valeurs des constantes de vitesse et des énergies de l’activation sont peu
modifiées.
Dans les deux analyses on observe une augmentation de la constante de vitesse k1

avec la masse volumique de l’essence, compensée par une diminution de la
constante de vitesse k2 avec la masse volumique. Par suite, la perte de masse
totale au cours des deux étapes de montée de température dépend peu de
l’essence. Il serait donc possible de poursuivre la recherche des paramètres en
fixant par exemple les valeurs des énergies d’activation.
 Conclusion :
L’application du modèle proposé par Grioui et al, (2006) et l’utilisation d’algorithmes
génétiques pour évaluer les paramètres du modèle ont permis de représenter de manière
satisfaisante les courbes de température et de perte de masse observées lors de la pyrolyse
douce de planches de bois insérées entre deux plaques chauffées.
En appliquant la démarche à différentes essences, nous avons confirmé la difficulté

de trouver un système unique de paramètres par optimisation en présence d’un nombre
élevé de paramètres suite à l’aspect linéairement dépendant entre ces paramètres. Ainsi
lorsque le nombre d’informations expérimentales est faible devant le nombre de paramètres
à identifier, le non unicité de la solution optimale devra toujours être prise en compte et
conduire à la recherche de nouvelles informations expérimentales et, en cas d’impossibilité,
à la fixation de certains paramètres suite aux optimisations initiales.
Conclusion et Perspective
CONCLUSIONS ET PERSPECTIVES
La difficulté de la modélisation des transferts d’énergie et de matière dans un milieu

poreux comme le bois est dû d’une part à l’interaction complexe de plusieurs phénomènes
(réaction chimique, transfert de la chaleur, déformation mécanique, transfert d’eau…) et
d’autre part, à l’absence d’information précise sur les propriétés physiques et chimiques du
bois au cours des transferts. L’étude présentée dans ce mémoire a porté sur les aspects
fondamentaux de modélisation de la pyrolyse et de l’adsorption, en montrant les difficultés
rencontrées : détermination des paramètres physico-chimiques, choix du modèle, choix de
la méthode de discrétisation, et choix de la méthode de l’optimisation.
Les méthodes numériques et les méthodes d’optimisation mises en œuvre nous ont
permis de bien répondre aux deux applications traitées.
Dans la première application, la modélisation a permis de montrer que dans certains

cas les transports diffusionnels d’eau vapeur et d’eau liée au sein du bois ne se faisaient pas
dans des conditions d’équilibre thermodynamique entre les phases gazeuse et adsorbée.
Dans la deuxième application nous avons pu vérifier la difficulté de trouver par

optimisation un système optimal de paramètres décrivant un phénomène physico-chimique
en présence d’un nombre élevé de paramètres et de couplage entre ces paramètres.
Le couplage entre paramètres opératoires étant fréquents dans les transferts

simultanés de masse et d’énergie en présence de transformations chimiques, il s’avèrerait
intéressant dans les méthodes d’optimisation une analyse de sensibilité à fin de prendre en
compte ces couplages et donc de réduire le nombre de paramètres à identifier. C’est une
direction de recherche que nous proposons d’engager et de valider sur d’autres applications
expérimentales de transferts simultanés de masse et d’énergie.
ANNEXE 1 : L’existence et l’unicité de la solution
Dans cette annexe on va étudier l’existence et l’unicité de la solution en prenant le modèle

de l’adsorption développé au cours de la thèse :
𝜕2𝑥 𝜕𝑥
−𝐷𝑎 𝜌𝐵 𝜕𝑦 2 + 𝜌𝐵 𝜕𝑡 + 𝜌𝐵 𝑘𝑎 𝑥 − 𝑓 𝜌𝑒 = 0 ∀(𝑦, 𝑡) ∈ 0, 𝑒/2 × 0, +∞
𝜕 2 𝜌𝑒 𝜕𝜌
−𝐷𝑣 + 𝜀 𝜕𝑡𝑒 − 𝜌𝐵 𝑘𝑎 𝑥 − 𝑓 𝜌𝑒 = 0 ∀(𝑦, 𝑡) ∈ 0, 𝑒/2 × 0, +∞
𝜕𝑦 2
(1) 𝜕𝜌 𝑒 𝜕𝑥
𝜕𝑦
0, 𝑡 = 0 𝜕𝑦
0, 𝑡 = 0 ∀𝑡 ∈ 0, +∞
𝑒 𝑒
𝜌𝑒 2 , 𝑡 = 𝜌2 𝑥 2
,𝑡 = 𝑥2 ∀𝑡 ∈ 0, +∞
𝜌𝑒 𝑦, 0 = 𝜌1 𝑥 𝑦, 0 = 𝑥1 ∀𝑦 ∈ 0, 𝑒/2
Notation :
On note
𝑥 𝑦, 𝑡 = 𝑢 𝑦, 𝑡 , 𝜌𝑒 𝑦, 𝑡 = 𝑣 𝑦, 𝑡 , 𝜌𝐵 = 𝜌, 𝐷𝑎 = 𝛼, 𝐷𝑣 = 𝛽
−𝛼 𝑢𝑦𝑦 + 𝑢𝑡 = −𝑘𝑎 𝑢 − 𝑓 𝑣 ∀(𝑦, 𝑡) ∈ 0, 𝑒/2 × 0, +∞

−𝛽𝑣𝑦𝑦 + 𝜀𝑣𝑡 = 𝜌𝑘𝑎 𝑢 − 𝑓 𝑣 ∀(𝑦, 𝑡) ∈ 0, 𝑒/2 × 0, +∞
(2) 𝑣𝑦 0, 𝑡 = 0 𝑢𝑦 0, 𝑡 = 0 ∀𝑡 ∈ 0, +∞
𝑒 𝑒
𝑣 2
,𝑡 = 𝜌2 𝑢 ,𝑡 = 𝑥2 ∀𝑡 ∈ 0, +∞
2
𝑣 𝑦, 0 = 𝜌1 𝑢 𝑦, 0 = 𝑥1 ∀𝑦 ∈ 0, 𝑒/2
Soit 𝑇>0
Notation :
𝜌 𝑘𝑎
𝐹 𝑢, 𝑣 = −𝑘𝑎 𝑢 − 𝑓 𝑣 , 𝐺 𝑢, 𝑣 = 𝑢−𝑓 𝑣 𝑑é𝑓𝑖𝑛𝑖𝑡 𝑠𝑢𝑟 𝑄𝑇 = 0, 𝑒/2 × 0, 𝑇
𝜀
Donc notre problème peut s’écrire de la manière suivante :
−𝛼 𝑢𝑦𝑦 + 𝑢𝑡 = 𝐹 𝑢, 𝑣 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇
𝛽
−𝛾𝑣𝑦𝑦 + 𝜀𝑣𝑡 = 𝐺 𝑢, 𝑣 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇 𝑎𝑣𝑒𝑐 𝛾 = 𝜀
(3) 𝑣𝑦 0, 𝑡 = 0 𝑢𝑦 0, 𝑡 = 0 ∀𝑡 ∈ 0, 𝑇
𝑒 𝑒
𝑣 ,𝑡 = 𝜌2 𝑢 ,𝑡 = 𝑥2 ∀𝑡 ∈ 0, 𝑇
2 2
𝑣 𝑦, 0 = 𝜌1 𝑢 𝑦, 0 = 𝑥1 ∀𝑦 ∈ 0, 𝑒/2
I. Démonstration de l’Existence Local :

Pour la démonstration on va utiliser la théorie de la semi-groupe A.Pazy (1983)
On considère le système associé à (3) :
𝑡
𝑢 𝑡 = 𝑆 𝑡 𝑥1 + 0
𝑆 𝑡 − 𝑠 𝐹 𝑢 𝑠 , 𝑣 𝑠 𝑑𝑠 ≡ 𝜙1 (𝑢, 𝑣)
(4) 𝑡
𝑣 𝑡 = 𝑆 𝑡 𝜌1 + 0
𝑆 𝑡 − 𝑠 𝐺 𝑢 𝑠 , 𝑣 𝑠 𝑑𝑠 ≡ 𝜙2 (𝑢, 𝑣)
𝑒
Ou pour toute fonction 𝑓 ∈ 𝐿1 ( 0, 2 ) ; s(t)f et la solution de
𝑤𝑡 − 𝑤𝑦𝑦 = 0 𝑑𝑎𝑛𝑠 0, 𝑒/2 × 0, +∞

(5)
𝑤 𝑥, 0 = 𝑓 𝑥 𝑑𝑎𝑛𝑠 0, 𝑒/2
On pose : 𝑢 = 𝑢 − 𝑥2 𝑒𝑡 𝑣 = 𝑣 − 𝜌2 d’où le système (3) devient :
−𝛼 𝑢𝑦𝑦 + 𝑢𝑡 = 𝐹 𝑢 + 𝑥2 , 𝑣 + 𝜌2 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇
𝛽
−𝛾𝑣𝑦𝑦 + 𝜀𝑣𝑡 = 𝐺 𝑢 + 𝑥2 , 𝑣 + 𝜌2 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇 𝑎𝑣𝑒𝑐 𝛾 = 𝜀
(6) 𝑣𝑦 0, 𝑡 = 0 𝑢𝑦 0, 𝑡 = 0 ∀𝑡 ∈ 0, 𝑇
𝑒 𝑒
𝑣 2
,𝑡 =0 𝑢 2
,𝑡 =0 ∀𝑡 ∈ 0, 𝑇
𝑣 𝑦, 0 = 𝜌1 − 𝜌2 𝑢 𝑦, 0 = 𝑥1 − 𝑥2 ∀𝑦 ∈ 0, 𝑒/2
Dans la suite on résout le système suivant :
−𝛼 𝑢𝑦𝑦 + 𝑢𝑡 = 𝐹 𝑢 + 𝑥2 , 𝑣 + 𝜌2 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇
𝛽
−𝛾𝑣𝑦𝑦 + 𝜀𝑣𝑡 = 𝐺 𝑢 + 𝑥2 , 𝑣 + 𝜌2 ∀ 𝑦, 𝑡 ∈ 𝑄𝑇 𝑎𝑣𝑒𝑐 𝛾 =
𝜀
(7) 𝑣𝑦 0, 𝑡 = 0 𝑢𝑦 0, 𝑡 = 0 ∀𝑡 ∈ 0, 𝑇
𝑒 𝑒
𝑣 ,𝑡 = 0 𝑢 ,𝑡 = 0 ∀𝑡 ∈ 0, 𝑇
2 2
𝑣 𝑦, 0 = 𝜌1 − 𝜌2 𝑢 𝑦, 0 = 𝑥1 − 𝑥2 ∀𝑦 ∈ 0, 𝑒/2
Attention la solution physique est (𝑢 + 𝑥2 , 𝑣 + 𝜌2 )
On considère le système intégral associé à (7) :
𝑡
𝑈 𝑡 = 𝑆 𝑡 (𝑥1 − 𝑥2 ) + 0
𝑆 𝑡 − 𝑠 𝐹 𝑢 𝑠 + 𝑥2 , 𝑣 𝑠 + 𝜌2 𝑑𝑠 ≡ 𝜙1 (𝑢, 𝑣)
(8 ) 𝑡
𝑉 𝑡 = 𝑆 𝑡 (𝜌1 − 𝜌2 ) + 0
𝑆 𝑡 − 𝑠 𝐺 𝑢 𝑠 + 𝑥2 , 𝑣 𝑠 + 𝜌2 𝑑𝑠 ≡ 𝜙2 (𝑢, 𝑣)
𝑒
Ou pour toute fonction 𝑓 ∈ 𝐿1 ( 0, 2 ) ; s(t)f est la solution de
𝑤𝑡 − 𝑤𝑦𝑦 = 0 𝑑𝑎𝑛𝑠 𝑄𝑇
(9)
𝑤 𝑥, 0 = 𝑓 𝑥 𝑑𝑎𝑛𝑠 0, 𝑒/2
On a alors
+∞
(𝑥 − 𝜁)
𝑆 𝑡 𝑓 ≡ 𝑆 𝑡 𝑓 𝑥 = (4𝜋𝑡)−1/2 exp⁡
(− )𝑓 𝜁 𝑑𝜁
−∞ 4𝑡
𝑈 𝑡 = 𝜙1 𝑢, 𝑣 𝑉 𝑡 = 𝜙2 (𝑢, 𝑣)
Soit :
𝑒 𝑒
𝐸𝑇 = 𝑢, 𝑣 : 0, 𝑇 → 𝐿∞ 0, × 𝐿∞ 0, (𝑢, 𝑣) < +∞
2 2
Avec (𝑢, 𝑣) = sup0<𝑡<𝑇 𝑢(𝑡) ∞ + 𝑣(𝑡) ∞
𝐸𝑇 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑝𝑎𝑐𝑒 𝑑𝑒 𝐵𝑎𝑛𝑎𝑐𝑕, 𝑜𝑛 𝑐𝑕𝑒𝑟𝑐𝑕𝑒 𝑈 = 𝑢 − 𝑥2 , 𝑉 = 𝑣 − 𝜌2
On pose
𝑃𝑇 = 𝑢, 𝑣 ∈ 𝐸𝑇 , : 𝑢 ≥ 0 𝑒𝑡 𝑣 ≥ 0
𝑃𝑇 est un sous ensemble fermé de 𝐸𝑇 .
On pose un autre ensemble :
Soit
𝐵𝑅 = 𝑢, 𝑣 ∈ 𝐸𝑇 ; (𝑢, 𝑣) <𝑅
On pose 𝜓 𝑢, 𝑣 = (𝜙1 𝑢, 𝑣 , 𝜙2 𝑢, 𝑣 )
On va montrer que T assez petit et pour R assez grand 𝝍 admet un point fixe dans la boule 𝑩𝑹 .
Montrons que 𝜓 est strictement contractante de 𝐵𝑅 ∩ 𝑃𝑇 dans 𝐵𝑅 ∩ 𝑃𝑇
𝐼1 = 𝜓 𝑢1 , 𝑣1 − 𝜓(𝑢2 , 𝑣2 ) = (𝜙1 𝑢1 , 𝑣1 − 𝜙1 𝑢2 , 𝑣2 , 𝜙2 𝑢1 , 𝑣1 − 𝜙2 𝑢2 , 𝑣2 ) (9)
On calcule terme à terme de l’équation 𝐼1,
𝑡
𝜙1 𝑢1 , 𝑣1 − 𝜙1 𝑢2 , 𝑣2 = 𝑆 𝑡 − 𝑠 𝐹 𝑢1 𝑠 + 𝑥2 , 𝑣1 𝑠 + 𝜌2 − 𝐹 𝑢2 𝑠 + 𝑥2 , 𝑣2 𝑠 + 𝜌2 𝑑𝑠
0
𝑡
𝜙2 𝑢1 , 𝑣1 − 𝜙2 𝑢2 , 𝑣2 = 𝑆 𝑡 − 𝑠 𝐺 𝑢1 𝑠 + 𝑥2 , 𝑣1 𝑠 + 𝜌2 − 𝐺 𝑢2 𝑠 + 𝑥2 , 𝑣2 𝑠 + 𝜌2 𝑑𝑠
0
Puisque:
𝜌 𝑘𝑎
(9.a) F(u,v)=-ka(u-f(v)) et (9. 𝑏) 𝐺 𝑢, 𝑣 = 𝜀
(u-f(v))
𝑡
𝜙1 𝑢1 , 𝑣1 − 𝜙1 𝑢2 , 𝑣2 = 𝑆 𝑡 − 𝑠 −𝑘𝑎 𝑢1 𝑠 + 𝑥2 − 𝑓 𝑣1 + 𝜌2 + 𝑘𝑎(𝑢2 𝑠 + 𝑥2 − 𝑓 𝑣2 + 𝜌2 ) 𝑑𝑠
0
𝑡
𝜌𝑘𝑎 𝜌𝑘𝑎
𝜙2 𝑢1 , 𝑣1 − 𝜙2 𝑢2 , 𝑣2 = 𝑆 𝑡−𝑠 (𝑢1 𝑠 + 𝑥2 – 𝑓 𝑣1 𝑠 + 𝜌2 ) − (𝑢2 𝑠 + 𝑥2 – 𝑓 𝑣2 𝑠 + 𝜌2 ) 𝑑𝑠
0 𝜀 𝜀
𝑡
𝜙1 𝑢1 , 𝑣1 − 𝜙1 𝑢2 , 𝑣2 = 𝑘𝑎 𝑆 𝑡−𝑠 (𝑢2 𝑠 − 𝑢1 𝑠 ) + (𝑓 𝑣1 (𝑠) + 𝜌2 − 𝑓 𝑣2 (𝑠) + 𝜌2 ) 𝑑𝑠
0
10 𝑡
𝜌𝑘𝑎
𝜙2 𝑢1 , 𝑣1 − 𝜙2 𝑢2 , 𝑣2 = 𝑆 𝑡−𝑠 𝑢1 𝑠 − 𝑢2 𝑠 + (𝑓 𝑣2 𝑠 + 𝜌2 – 𝑓 𝑣1 𝑠 + 𝜌2 ) 𝑑𝑠
𝜀 0
Donc d’après (9) et (10)
𝑡
𝜌𝑘𝑎
𝐼1 = (−𝑘𝑎, ) 𝑆 𝑡−𝑠 𝑢1 𝑠 − 𝑢2 𝑠 + (𝑓 𝑣2 𝑠 + 𝜌2 – 𝑓 𝑣1 𝑠 + 𝜌2 ) 𝑑𝑠
𝜀 0
𝜌 𝜌
D’après les données on a 0 ≤ 𝜀 ≤ 1 et 𝜌 ≥ 1 alors 𝜀
≥ 1 d’où 𝜀
𝑘𝑎 ≥ 𝑘𝑎
𝜌𝑘𝑎 𝜌𝑘𝑎 𝑡
Donc 𝐼1 ≤ ( 𝜀
, 𝜀 ) 0𝑆 𝑡−𝑠 𝑢1 𝑠 − 𝑢2 𝑠 + (𝑓 𝑣2 𝑠 + 𝜌2 – 𝑓 𝑣1 𝑠 + 𝜌2 ) 𝑑𝑠
𝑡
𝜌𝑘𝑎
𝐼1 ≤ 2 Sup 𝑆 𝑡−𝑠 𝑢1 𝑠 − 𝑢2 𝑠 + (𝑓 𝑣2 𝑠 + 𝜌2 – 𝑓 𝑣1 𝑠 + 𝜌2 ) 𝑑𝑠
𝜀 0≤𝑡≤𝑇 0
S est un semi-groupe de contraction, donc :
𝜌𝑘𝑎
𝐼1 ≤ 2 Sup 𝑇 𝑢1 − 𝑢2 + 𝑇𝐶0 𝑣1 − 𝑣2
𝜀 0≤𝑡≤𝑇
D’où
𝜌𝑘𝑎
𝐼1 ≤ 2 𝑇 𝑀𝑎𝑥(1, 𝐶0 ) 𝑢1 , 𝑢2 − 𝑣1 , 𝑣2
𝜀
Pour T assez petit 𝜓 est une contraction stricte tel que
2 𝜌𝑘𝑎 1
𝑇 𝑀𝑎𝑥(1, 𝐶0 ) ≤
𝜀 4
Soit (𝑢, 𝑣) ∈ 𝐵𝑅 ∩ 𝑃𝑇 Montrons que 𝜓(𝑢, 𝑣) ∈ 𝐵𝑅 ∩ 𝑃𝑇
Théorème de la moyenne :
Soit 𝑓: 𝑎, 𝑏 → 𝐼𝑅 intégrables sur 𝑎, 𝑏 donc
𝑏
1
∃ 𝑐 ∈ 𝑎, 𝑏 𝑓 𝑐 = 𝑓 𝑡 𝑑𝑡
𝑏−𝑎 𝑎
On applique sur 𝜙1 𝑒𝑡 𝜙2 :
𝑡
1
∃ 𝑐𝑡 ∈ 0, 𝑡 𝑓 𝑐𝑡 = 𝑓 𝑠 𝑑𝑠
𝑡 0
𝜙1 (𝑢(𝑡), 𝑣(𝑡)) = 𝑆 𝑡 (𝑥1 − 𝑥2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐹 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2

11
𝜙2 (𝑢(𝑡), 𝑣(𝑡)) = 𝑆 𝑡 (𝜌1 − 𝜌2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐺 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2
D’où (11) devient :
𝜙1 (𝑢(𝑡), 𝑣(𝑡)) = 𝑆 𝑡 (𝑥1 − 𝑥2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐹 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2

12
𝜙2 (𝑢(𝑡), 𝑣(𝑡)) = 𝑆 𝑡 (𝜌1 − 𝜌2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐺 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2
D’après (9.a) et (9.b) le (12) devient :
𝜙1 𝑢 𝑡 , 𝑣 𝑡 = 𝑆 𝑡 𝑥1 − 𝑥2 − 𝑘𝑎 𝑡 𝑠 𝑡 − 𝑐𝑡 𝑢 𝑐𝑡 + 𝑥2 – 𝑓(𝑣 𝑐𝑡 + 𝜌2 )
13 𝑘𝑎 𝜌
𝜙2 (𝑢(𝑡), 𝑣(𝑡)) = 𝑆 𝑡 (𝜌1 − 𝜌2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝑢 𝑐𝑡 + 𝑥2 – 𝑓(𝑣 𝑐𝑡 + 𝜌2 )
𝜀
Alors on obtient :
𝑇𝜌𝑘𝑎
𝜓(𝑢, 𝑣) ≤ 𝑥1 − 𝑥2 + 𝑇𝑘𝑎 𝑢 + 𝑓(𝑣) + 𝜌1 − 𝜌2 + 𝑢 + 𝑓(𝑣)
𝜀
𝜌 𝜌
D’après les données on a 0 ≤ 𝜀 ≤ 1 et 𝜌 ≥ 1 alors 𝜀
≥ 1 d’où 𝜀
𝑘𝑎 ≥ 𝑘𝑎
𝑇𝜌𝑘𝑎
𝜓(𝑢, 𝑣) ≤ 𝑥1 − 𝑥2 + 𝜌1 − 𝜌2 + 2 𝑢 + 𝑓(𝑣)
𝜀
𝑇𝜌𝑘𝑎
𝜓(𝑢, 𝑣) ≤ 𝑥1 − 𝑥2 + 𝜌1 − 𝜌2 + 2 𝑢 + 𝑐0 𝑣 + 𝑐0 𝑓(0)
𝜀
𝑇𝜌𝑘𝑎 𝑇𝜌𝑘𝑎
𝜓(𝑢, 𝑣) ≤ 𝑥1 − 𝑥2 + 𝜌1 − 𝜌2 + 2 𝑀𝑎𝑥(1, 𝑐0 ) 𝑢 + 𝑣 + 2 𝑐0 𝑓(0)
𝜀 𝜀
On choisie R tel que :
𝑇𝜌𝑘𝑎 𝑅
𝑥1 − 𝑥2 + 𝜌1 − 𝜌2 + 2 𝑐0 𝑓(0) <
𝜀 2
Ainsi :
2 𝑇𝜌𝑘𝑎 1
𝑀𝑎𝑥(1, 𝑐0 ) ≤
𝜀 4
Donc
1 𝑅 1 𝑅
𝜓(𝑢, 𝑣) ≤ 𝑢 + 𝑣 + ≤ 𝑅+𝑅 +
4 2 4 2
On conclut que
𝝍(𝒖, 𝒗) ≤𝑹 (14)
D’autre part d’après (12) on a
lim 𝜙1 (𝑢(𝑡), 𝑣(𝑡)) = lim 𝑆 𝑡 𝑥1 − 𝑥2 + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐹 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2 = 𝑥1 − 𝑥2

𝑡→0 𝑡→0
15
lim 𝜙2 (𝑢(𝑡), 𝑣(𝑡)) = lim 𝑆 𝑡 (𝜌1 − 𝜌2 ) + 𝑡𝑆 𝑡 − 𝑐𝑡 𝐺 𝑢 𝑐𝑡 + 𝑥2 , 𝑣 𝑐𝑡 + 𝜌2 = 𝜌1 − 𝜌2
𝑡→0 𝑡→0
Donc
𝐥𝐢𝐦𝒕→𝟎 𝝍(𝒖 𝒕 , 𝒗 𝒕 ) = 𝒙𝟏 − 𝒙𝟐 , 𝝆𝟏 − 𝝆𝟐 ≥ 𝟎 (16)
Alors d’après (14) et (16) :
𝜓(𝑢, 𝑣) ∈ 𝐵𝑅 ∩ 𝑃𝑇
D’après les semi groupe :
𝑡
(𝑈1 − 𝑈2 ) 𝑡 = −𝑘𝑎 𝑆 𝑡 − 𝑠 ((𝑢1 − 𝑢2 ) 𝑠 − (𝑓 𝑣1 𝑠 + 𝜌2 − 𝑓 𝑣2 𝑠 + 𝜌2 ))𝑑𝑠
0
(17 ) 𝑡
𝜌𝑘𝑎
(𝑉1 − 𝑉2 ) 𝑡 = 𝑆 𝑡 − 𝑠 ((𝑢1 − 𝑢2 ) 𝑠 − (𝑓 𝑣1 𝑠 + 𝜌2 − 𝑓 𝑣2 𝑠 + 𝜌2 ))𝑑𝑠
𝜀 0
f est continue donc il est C1-Lipchitz donc 17 devient
𝑈1 − 𝑈2 𝑡 ≤ 𝑘𝑎 𝐶 𝑢1 − 𝑢2 𝑡0 + 𝐶1 𝑣1 − 𝑣2 (𝑡0 ) 𝑡
𝜌𝑘𝑎
(18 ) 𝑉1 − 𝑉2 𝑡 ≤ 𝐶 𝑢1 − 𝑢2 𝑡0 + 𝐶1 𝑣1 − 𝑣2 (𝑡0 ) 𝑡
𝜀
𝑎𝑣𝑒𝑐 𝑡0 ∈ 0, 𝑡
Soit
𝑇1∗ = 𝑇 > 0 𝑈1 = 𝑈2 𝑠𝑢𝑟 0, 𝑇
𝑇2∗ = 𝑇 > 0 𝑉1 = 𝑉2 𝑠𝑢𝑟 0, 𝑇
𝑇 ∗ = min(𝑇1∗ , 𝑇2∗ )
𝑢, 𝑣 = (𝑥1 − 𝑥2 , 𝜌1 − 𝜌2) est une sur solution du système (8) avec
(𝑥1 = 𝑓 𝜌1 , 𝑥2 = 𝑓 𝜌2 , 𝜌1 > 𝜌2 , 𝑥1 > 𝑥2 )
𝑒
𝑢, 𝑣 définit sur 0, × 0, +∞
2
Donc la solution (u,v) est globale
Montrons l’unicité de la solution
Soient (𝑢1, 𝑢2 ) deux solution de (7) donc on va avoir le système suivant :
𝑒
−𝛼 (𝑢1 − 𝑢2 )𝑦𝑦 + 𝑢1 − 𝑢2 𝑡 = −𝑘𝑎 (𝑢1 − 𝑢2 − (𝑓 𝑣1 − 𝑓 𝑣2 ) ∀ 𝑦, 𝑡 ∈ 0, × 0, +∞
2
𝜌𝑘𝑎 𝑒
−𝛾 (𝑣1 − 𝑣2 )𝑦𝑦 + 𝑣1 − 𝑣2 𝑡 = (𝑢1 − 𝑢2 − 𝑓 𝑣1 − 𝑓 𝑣2 ∀ 𝑦, 𝑡 ∈ 0, × 0, +∞
𝜀 2
𝛽
(19) 𝑎𝑣𝑒𝑐 𝛾 =
𝜀
(𝑣1 − 𝑣2 )𝑦 0, 𝑡 = 0 𝑢1 − 𝑢2 𝑦 0, 𝑡 = 0 ∀𝑡 ∈ 0, +∞
𝑒 𝑒
(𝑣1 − 𝑣2 ) , 𝑡 = 0 𝑢1 − 𝑢2 ,𝑡 = 0 ∀𝑡 ∈ 0, +∞
2 2
(𝑣1 − 𝑣2 ) 𝑦, 0 = 0 𝑢1 − 𝑢2 𝑦, 0 = 0 ∀𝑦 ∈ 0, 𝑒/2
Pour 𝑡 > 𝑇 ∗ 𝑒𝑡 𝐵(𝑡 − 𝑇 ∗)<1
𝑢1 − 𝑢2 𝑡 ≤ 𝑘𝑎 𝐶 𝑢1 − 𝑢2 𝑡0 + 𝐶1 𝑣1 − 𝑣2 (𝑡0 ) (𝑡 − 𝑇 ∗ )
𝜌𝑘𝑎
(20) 𝑣1 − 𝑣2 𝑡 ≤ 𝐶 𝑢1 − 𝑢2 𝑡0 + 𝐶1 𝑣1 − 𝑣2 𝑡0 (𝑡 − 𝑇 ∗ )
𝜀
𝑎𝑣𝑒𝑐 𝑡0 ∈ 𝑡 − 𝑇 ∗ , 𝑡
On fait la sommes des deux inéquations du système (20)On obtient alors :
Avec A(t)= 𝑣1 − 𝑣2 𝑡 + 𝑢1 − 𝑢2 𝑡
2𝜌𝑘𝑎
𝐴(𝑡) ≤ 𝐶 𝐴 𝑡 (𝑡−𝑇 ∗ )𝑀𝑎𝑥(1, 𝐶1)
𝜀
Posons
2𝜌𝑘𝑎
𝐵= 𝐶 𝑀𝑎𝑥(1, 𝐶1)
𝜀
Alors : 𝐴(𝑡) ≤ 𝐵 𝐴 𝑡 (𝑡−𝑇 ∗ )
Par récurrence on a
𝐴 𝑡 ≤𝐵 𝐴 𝑡 𝑡−𝑇 ∗ ≤ 𝐵2 𝐴 𝑡 𝑡−𝑇 ∗ 2
≤ 𝐵𝑛 𝐴 𝑡 𝑡−𝑇 ∗ 𝑛
∀ 𝑛 ∈ 𝐼𝑁 ∗
Alors
𝐴 𝑡 ≤𝐵 𝐴 𝑡 𝑡−𝑇 ∗ ≤ 𝐵2 𝐴 𝑡 𝑡−𝑇 ∗ 2
≤ (𝐵 𝑡−𝑇 ∗ )𝑛 𝐴 𝑡 ∀ 𝑛 ∈ 𝐼𝑁 ∗
Puisque B(t-T*)<1 d’où lim𝑛→+∞ (𝐵 𝑡−𝑇 ∗ )𝑛 𝐴 𝑡 = 0 𝑒𝑡 𝐴 𝑡 ≥ 0
Alors A(t)=0
D’où l’unicité de la solution
ANNEXE 2 : Définitions
Définition espace d’Hilbert :
Un espace de Hilbert est un espace de Banach (donc complet) dont la norme ∥·∥ découle
d'un produit scalaire ou hermitien <·,·> . C'est la généralisation en dimension quelconque
d'un espace euclidien ou hermitien.
Théorème de M. Fréchet-J. von Neumann-P. Jordan]
Un espace de Banach (respectivement espace vectoriel normé) est un espace de Hilbert

(respectivement espace préhilbertien) si et seulement si sa norme vérifie l'égalité
2 2 2 2
𝑥+𝑦 + 𝑥−𝑦 =2 𝑥 + 𝑦
Qui signifie que la somme des carrés des côtés d'un parallélogramme est égale à la somme
des carrés des diagonales (règle du parallélogramme).
Dans le cas réel le produit scalaire est défini par :
1 2 2
𝑥, 𝑦 = 𝑥+𝑦 − 𝑥−𝑦
4
Dans le cas complexe le produit hermitien est défini par
𝑥, 𝑦 = 𝑥, 𝑦 1 + 𝑖 𝑥, 𝑖𝑦 1
où
1 2 2
𝑥, 𝑦 = 𝑥+𝑦 − 𝑥−𝑦
4
et i est l'unité imaginaire (le nombre complexe identifié au couple de réels (0,1)).
Dans un espace de Hilbert de dimension infinie, le concept habituel de base est remplacé par
celui de base de Hilbert qui permet, non plus de décrire un vecteur par ses coordonnées,
mais de l'approcher par une suite infinie de vecteurs ayant chacun des coordonnées finies.
On est donc au confluent de l'algèbre linéaire et de la topologie. C'est dans le cadre des
espaces de Hilbert qu'est développée la théorie de la formulation variationnelle, utilisée
dans de nombreux domaines de la physique.
Espaces de Sobolev standards
Si U est un ouvert de IRn, on note habituellement Wk,p(U) l'espace des fonctions :
𝑓: 𝑈 → 𝐼𝑅
qui sont mesurables, k fois dérivables au sens des distributions, et telles que les dérivées
1/𝑝
successives soient dans Lp(u).(𝑓 ∈ 𝐿𝑝 u 𝑐 ′ 𝑒𝑠𝑡à 𝑑𝑖𝑟𝑒 𝑞𝑢𝑒 u
𝑓 𝑝 dμ <∞
On appelle espace de Sobolev d'ordre m le sous-espace vectoriel de L2(Ω) défini par:
∂q v
𝐻 𝑚 Ω = v ∈ L2 Ω , ∀q ≤ m,
∂x1 … ∂xq
ANNEXE 3 : Nomenclature
HR1, HR2 est Humidité relative
𝑥 est l’humidité absolue du bois (kg d’eau / kg bois sec)
3
𝜌𝑒 est la masse volumique de l’eau vapeur ( kg m )
𝑓(𝜌𝑒 ) est l’humidité absolue du bois en équilibre thermodynamique avec l’eau vapeur de
masse volumique  e
ka est une conductance volumique de transfert (s-1)
3
𝜌𝐵 est la masse volumique du bois anhydre ( kg m )
𝜑 est le flux massique volumique d’eau transférée ( kg s-1 m-3 )
𝑚𝐵 est la masse de l’échantillon anhydre (kg)
S est la section droite de l’échantillon (m2)
DA est le coefficient de diffusion de l’eau adsorbée (m2s-1)
Dv est le coefficient de diffusion de l’eau vapeur (m2s-1)
D* est le coefficient de diffusion de l’eau adsorbée (m2s-1)
e est l’épaisseur en (mm)
𝜌 est la masse volumique du bois anhydre (kg.m-3)
Cp 
est la chaleur spécifique JKg K
1 1
.
 
est la conductivité thermique Wm K
1 1
.
T est La température en K  .
𝐻𝑝 est L’enthalpie massique de la réaction JKg  1

.
𝜌𝑟 est La masse volumique des composants chimiques réactifs (kg.m-3)
α est le coefficient de diffusion thermique (m2s-1)
𝑚𝐴1 est la masse de la fraction A1 (kg)
𝑚𝐶2 est la masse du solide C2 (kg)
𝜌𝐴1 est la masse volumique de la fraction A1 (kg m-3)
𝜌𝐶2 est la masse volumique du solide C2 (kg m-3)
α1 est la fraction massique de A1 (kg/kg)
γ2 est la fraction massique de C2 (kg/kg)
ΔH1 est l’enthalpie de la réaction 1 (KJ/mol)
ΔH2 est l’enthalpie de la réaction 2 (KJ/mol)
K1 est la constante de la réaction 1 (s-1)
K2 est la constante de la réaction 2 (s-1)
K01 est le facteur pré-exponentiel de la constante de la réaction 1 (s-1)
K02 est le facteur pré-exponentiel de la constante de la réaction 2 (s-1)
Ea1 est l’énergie d’activation de la constante de la réaction 1 (KJ/mol)
Ea2 est l’énergie d’activation de la constante de la réaction 2 (KJ/mol)
ANNEXE 4 : Algorithme Génétique
Dans cette annexe on va décrire le diagramme de l’algorithme génétique utilisé et

données quelques explications :
Introduire le fichier Initiation des paramètres

« paramètre.inc »
Lecture du fichier
« parmètre.dat »
Initialisation de la population
Do i=1, popsize
J=1, dimX
Pop(i,j)=Xmin(j) + Sigma *(Xmax(j)-Xmin(j) )
End do
Evaluations des individus
Introduction de la population dans le modèle
Afficher les Calcul l’erreur entre les valeurs de l’expérience

meilleurs et le modèle.
individus. STOP
Vérifier critère Raffinement local Sélections l’erreur minimale et le meilleur

d’arrêt choisi de la solution individu
Nichage
Sélection une nouvelle population
Croisement de la nouvelle population

Initialisation de la
probabilité du mutation
Mutation de la nouvelle population
pmi(k)=pm
Nichage : le but est de calculer le coefficient mx(k) pour utiliser dans la sélection de la population
Do k=1, popsize ; J=1, dimX
X(j)=pop(k,j)
End do
dxy=0.0
Do i=k+1,popsize
Do j=1, dimx
Y(j)=pop(i,j)
q1=1/q
1 𝑋 𝑖 −𝑌(𝑖) 𝑞1
𝑑𝑖𝑚 𝑋
d=𝑑𝑖𝑚𝑋 𝑖=1 𝑋𝑚𝑎𝑥 𝑖 −𝑋𝑚𝑖𝑛 (𝑖)
si d<sigmaniche alors
sh=1-(d/sigmaniche)alphanich e si non
sh=0.0
dxy(k,i)=dxy(i,k)=sh
end do
end do
do i=1,popsize
mx(k)=mx(k)+dxy(k,i) end do si mx(k)=0 alors on pose mx(k)=1 enddo
fin de la fonction de nchage
La Sélection
Do k=1, popsize
fitnespop(k)=fitnesspop1(k)/mx(k) (1)
fitnesspop1 c’est la meilleure fitness pour la population précédente,
repérage du meilleur individu dans la population précédente pour une meilleuer fitness,
z=fitnespop1(1)
si fitnespop1(k)<z alors k=kbest , z=fitnespop(kbest) et de i=1,dimX, solution(i)=pop(kbest,i)
repérage du meilleur individu dans la population précédente pour une fitness minimum par rapport à la
nouvelle fitness voir (1),
z=fitnespop(1)
k=1
si fitnespop(k)<z alors k=kmin , z=fitnespop(kmin) , zmin= fitnespop(kmin)
repérage du meilleur individu dans la population précédente pour une fitness maximum par rapport à
la nouvelle fitness voir (1),
z=fitnespop(1)
k=1
si fitnespop(k)>z alors k=kmax , z=fitnespop(kmax) , zmax= fitnespop(kmax)
Calcul le coefficient a
Si zmax-zmin ≠ 0 alors a=1/(zmax-zmin) sinon a=1
Fitnesse varie entre la population précedente et la nouvelle par la formule suivante :
Do k=1, popsize; fitnespop(k)=2-(fitnespop(k)-zmin)*a
On a fait un scaling constant avec un ‘scaling=‘xexp’ donc on a :
fitnespop(k)=fitnespop(k)*dexp(scal*fitnespop(k))
𝑝𝑜𝑝𝑠𝑖𝑧𝑒
sumfitnes= 𝑘=1 𝑓𝑖𝑡𝑛𝑒𝑠𝑝𝑜𝑝(𝑘)
probpop(k)=fitnespop(k)/sumfitnes
La Sélection suite :
on a choisi la sélection par la roulette stochastique:
do k=1, popsize7 ; probpop(k)=probpop(k)*dfloat(popsize)
ni(k)=INT(probpop(k)) ; probpop(k)=probpop(k)-ni(k)
end do
nrs=0
do k=1, popsize
do i=1,ni(k)
nrs=nrs+1
indic(nrs)=k
end do
end do
si nrs= popsize alors la selection de la nouvelle population
do k=1, popsize ; do i=1,dimx
newpop(k,i)= pop(indic(k),i)
enddo
newfitness=fitnespop1(indic(k))
enddo
sinon
𝑝𝑜𝑝𝑠𝑖𝑧𝑒
proba= 𝑘1 𝑝𝑟𝑜𝑏𝑝𝑜𝑝(𝑘)/(𝑑𝑓𝑙𝑜𝑎𝑡 𝑝𝑜𝑠𝑖𝑧𝑒 − 𝑛𝑟𝑠 )
La sélection suite :
Do k= nrs+1, popsize
vérification de la proba est ce qu’il est entre 0 et 1 si oui
j=j+1
i=1
si probpop <proba alors i=i+1 end do
nrs=nrs+1
indic(nrs)=i
enddo
do k=1, popsize ; do i=1,dimx
newpop(k,i)= pop(indic(k),i)
enddo
newfitness(k)=fitnespop1(k)
enddo
vérification qu’on a toujours le meilleur individu:
z=newfitness(1)
si newfitness(k) <z alors k=kbest et z=newfitness(kbest)
si ce n’est pas le cas, on tire un individu au hasard :
i= INT(x*dflot(popsize)+1) avec 0<x<1 chosie arbitrairement
do j=1, dimX
newpop(i,j)=pop(kbest,j)
newfitness(i)=fitnespop1(kbest)
on passe de la génération courante à la nouvelle génération
do k=1, popsize
do i=1,dimx
pop(k,j)=newpop(k,i)
enddo
fitnespop1(k)=newfitness(k) endo fin de la procedure de la selection
Croisement
Sélection des parents qui vont participer au croisement
i=0
Do k=1, popsize Crois(k)= vrais end do
Do k=1, popsize Si proba≤ pc alors i=i+1, indic(i)=k,
crois(i)= faux ; nbenf=i/2
Il faut avoir un nombre pair des parents Si 2nbenf ≠ i
Si 2nbenf = i
Fin de croisement
On va faire un croisement aux parents 2 par2
S
On a choisi un croisement barycentrique :
Sinon
Do i=1,2nbenf-1, k1=indic(i)
Y1=alpha X1+(1-
alpha)X2
Y2=alpha X2+(1-
alpha)X1
On cherche un autre parent au hasard parmi ceux
n’ayant pas participé avec la formule : Do j=1, dimX
m1=INT((x*(2*nbenf-i)+1) avec x entre 0 et 1 choisi pop(k1,j)=Y1(j),

arbitrairement. pop(k2,j)=Y2(j)
K2=indic(i+m1) newfx(k1) = newfx(k1) +1
Indic(i+m1)=indic(i+1) newfx(k2) = newfx(k2) +1
crois(i)=vrais pmi(k1) = tm * (1.D0 - d)
crois(i+1)=vrais pmi(k2) = tm * (1.D0 - d)
do j=1, dimx
x1(j)=pop(k1,j) Si d=0 c'est-à-dire les

parents sont
x2(j)=pop(k2,j) end do , q1=1/q , identiques donc
1 𝑥1 𝑖 −𝑥2(𝑖) 𝑞1
𝑑𝑖𝑚 𝑋
d=𝑑𝑖𝑚𝑋 𝑖=1 𝑋𝑚𝑎𝑥 𝑖 −𝑋𝑚𝑖𝑛 (𝑖)
pm(k1)=pm(k2)=tm
Mutation
Sélection des Parents qui vont participer à la

mutation :
i=0
do k=1,popsize, si proba ≤ pmi(k) then i=i+1
indic(i)=k
endif
enddo
on choisit la mutation suivante:
do k=1,popsize
mut=faux
do m=1,dimx
si la proba ≤ 0.5 alors Y(m)=Xmax(m)-pop(k,m) Fin du mutation
si non Y=Xmin(m)-pop(k,m)
t = dfloat(it)/dfloat(genemaxmut)
si genemaxmut ≠genemax alors t = min(t,

Deltax ≠ 0
.99D0)
Mut=vrai
deltaX=y*(1.D0-r((1.D0-t)b))
Pop(k,m)=pop(k,m)+deltaX
Si deltaX=0 alors si mut=vrai donc

newfx=newfx+1
pmi(k)=pm
Stop
Raffinement Local
nbnew = 0
Pose pour i=1,dimx
do k=1,popsize
temp=sol(i)
do i=1,dimx
tm=(xmin(i)+xmax(i))/2
si pop(k,i)<xmin(i)) ou
si temps >tm alors
(pop(k,i)> xmax(i)))
xmin(i)=(3*xmin(i)+max(i))/4
alors
sinon
pop(k,i) = xmin(i) + sigma * (xmax(i) - xmin(i))
xmax(i)=(xmin(i)+3*max(i))/4
newfx(k) = 1 enddo
si nexfx≠1 alors nbnew = nbnew + 1 enddo
si nbnew<(popsize/2) alors chercher meilleur

Nichage individu avec indice kbest
do k=1,popsize
si((sigma ≤(0.5) et k≠kbest)) alors do i=1,dimx

Evaluation de la solution
pop(k,i) = xmin(i) + sigma * (xmax(i) - xmin(i))
newfx(k) = 1
enddo
Chercher l’erreur minimale
Obtention des nouveaux individus
Obtenir la meilleure solution
autour de la solution
précédente
Fin de raffinement local
Le fichier parameter.inc
integer popsize, dimx, genemax,genemaxmut
parameter(popsize=10,dimx=2,genemax=5000,genemaxmut=6500)
Dans ce fichier il y a 4 paramètres à régler :
popsize : La taille de la population de chaque génération.
dimx : La dimension de l’espace de recherche.
genemax : Le nombre maximum de générations avant l’arrêt du programme.
genemaxmut : C’est un paramètre qui règle la décroissance de la force de mutation.
Le fichier param.dat
&param
affichecran=1,
savefich=2,
typeconv='solfx',
solx=1d-1,77
solfx=1D-5,
eps=1.D-40,
xmin=15d-2,50
xmax=3d-1,180
pc = .6D0,
typec='baryal',
alpha= 0.3D0,
nbmultip=2,
pm =.005D0,
tm=.95D0,
q=5,
typem='nonun2',
b=25.D0,
nbstag=20,
RafLoc='NOrafloc',
nbtot=50,
kb=.04D0,
types='rs',
elit=1,
niche=1,
sigmaniche=.95D0,
alphaniche=1.D0,
scaling = 'sigma',
scal = 1.,
scalingvar =
'xexp',
scalvar1 = 1.,
scalvar2 = 2.,
scalvarp = .5,
restartini=1,
restartfin=5000,
initpop=3,
&end
Affichage : Le paramètre affichecran peut prendre les valeurs 0, 1, 2 et 3. A chaque niveau

des informations supplémentaires sont ajoutées.
– 0 : aucun affichage
– 1 : affichage de la dernière génération et de la meilleure solution.
– 2 : on affiche la valeur de la meilleure solution trouvée chaque génération.
– 3 : la génération initiale est affichée.
Sauvegarde : Le paramètre savefich peut prendre les valeurs 0, 1 et 2.
– 0 : aucune sauvegarde. Sans intérêt si en plus vous utilisez affichecran=0
– 1 : sauvegarde de la meilleure solution (fichier resultat.dat) et de l’état des calculs (fichier
restart.dat) pour une reprise éventuelle des calculs.
– 2 : sauvegarde de la meilleure solution à chaque génération (fichier bestx.dat) et de la
valeur de la fonction correspondante (fichier bestfx.dat).
Tests d’arrêt : Deux types de tests d’arrêt sont possibles. Quand vous voulez faire des tests le
programme peut s’arrêter soit lorsque la solution (solx) est atteinte soit lorsque la valeur du
minimum de f (solfx) est atteinte. Dans le cas général le programme s’arrête quand le
nombre d’itérations maximal (restartfin) est atteint.
– Solution atteinte : mettre le paramètre typeconv='solx', , solx=x1; … ; xdimx, et eps=ε, où
(x1; … ; xdimx) sont les coordonnées de la solution et où ε définit la précision.
– Valeur du minimum atteinte : mettre le paramètre typeconv='solfx',solfx=minimum, et
eps= ε, où minimum est la valeur du minimum de la fonction f.
– Cas général : mettre le paramètre typeconv='', et restartfin=iterfin, où iterfin est la
génération à laquelle le programme doit s’arrêter qui doit être iterfin = genemax.
Plus précisément restartini=iterdebut, et restartfin=iterfin, définissent la génération du
début et la génération de la fin du programme. Pour un premier calcul on doit avoir
restartini=1, . Dans ce cas la population initiale est générée aléatoirement dans l’espace de
recherche E = [xmin1; xmax1] x…x [xmindimx; xmaxdimx].
Pour reprendre un ancien calcul arrêté à une génération gen1 < genemax utilisez
restartini=gen1, et restartfin=iterfin, avec gen1 < iterfin · genemax.
Dans ce cas le calcul sera repris avec la population qui sera relue dans le fichier restart.dat
crée après le premier calcul. On note qu’un calcul fait en deux temps n’est pas toujours le
même qu’un calcul fait en une seule étape vu que le fichier restart.dat contient uniquement
la population à laquelle le calcul doit reprendre mais ne contient pas d’autres informations.
Ce détail n’a pas beaucoup d’importance sauf dans le cas où on fait des tests de
performances ou dans le cas où on cherche à reproduire parfaitement un ancien calcul.
Initialisation de la population : La population initiale est générée aléatoirement dans le cas
général. Quand le paramètre initpop=m, avec 0<m·dimx, le programme va lire m individus
dans le fichier initx.dat qui vont remplacer m individus de la population aléatoire.
Dans ce cas vous devez introduire ces m individus dans le fichier initx.dat en y ajoutant une
coordonnée par ligne. Ceci peut être utile si on a introduit des individus qui semblent
proches de la solution. Mais attention à la convergence prématurée qui peut être provoquée
par un individu très bon (celui que vous ajoutez) par rapport aux autres.
Espace de recherche : l’espace de recherche est défini par les bornes
xmin=xmin1,…,xmindimx, et xmax=xmax1, … ,xmaxdimx, . Le programme ne prend en
compte aucun autre type de contraintes. Une fa¸con simple de les prendre en compte est de
pénaliser fortement une violation des contraintes dans la fonction coût f.
C’est loin d’être la meilleure façon de prendre en compte les contraintes mais, faute de
mieux, c’est une façon qui marche dans beaucoup de cas de contraintes simples.
Croisement : Les paramètres correspondant à l’opérateur de croisement sont pc, typec,
alpha, nbmultip et tm.
La probabilité d’appliquer un croisement à un parent est donnée par pc.
Quatre types de croisement sont possibles :
– typec='bary', : croisement barycentrique avec le paramètre alpha=α, définissant
les poids α et (1 - α).
– typec='baryal', : croisement barycentrique où le coefficient α est choisi aléatoirement
dans l’intervalle *0; 1].
– typec='multip', : croisement multi-points avec le nombre de points de coupure donné par
nbmultip=m, où m est un entier 0<m<dimx.
– typec='sbx', : croisement dit SBX avec le paramètre alpha=α définissant la forme
de la loi de probabilité utilisée. Prendre ® = 1 ou 2 par exemple.
Dans le cas où les deux parents sont très proches, la probabilité de leur mutation (voir partie
mutation ci-dessous) est augmentée et devient égale à tm. Le but est de muter les deux
enfants générés qui ressemblent beaucoup à leur parents.
Mutation : Les paramètres de cet opérateur sont pm, typem, b, nbstag et kb.
La probabilité d’appliquer une mutation à un individu est donnée par pm.
Trois types de croisement sont possibles :

– typem='varnor', : mutation gaussienne avec un écart type ¾ qui décroît vers zéro
au cours des générations.
– typem='nonuni', : mutation non-uniforme (voir [1, (Section 1.3.2.4)] et [3] pour la
définition de cette mutation). Cette mutation est réglée par le paramètre b. Une petite
valeur de b (»1.) favorise l’exploration et une valeur élevée accélère la recherche locale.
– typem='nonun2', : c’est une variante de la mutation non-uniforme qui souvent donne
de meilleurs résultats.
Echapper aux minima locaux : dans le cas des mutations de type nonuni et nonun2 les deux
paramètres nbstag et kb permettent de sortir dans certains cas des minima locaux dans
lesquels le programme peut se trouver piégé. En effet, si aucune amélioration de la
meilleure solution n’est réalisée après nbstag générations, la valeur du paramètre b devient,
àcette génération, kb*b avec kb < 1. Ceci a pour effet d’augmenter la force de mutation et
de favoriser une exploration de l’espace de recherche.
Recherche locale : définie par les paramètres RafLoc et nbtot. Cette procédure est peu
efficace
et déclenche souvent une convergence prématurée. A éviter en laissant RafLoc='NOrafloc', .
Sélection : deux types de sélections sont possibles.
– types='roulet', : sélection par roulette.
– types='rs', : sélection par roulette stochastique.
Elitisme : activé si elit=1, et désactivé si elit=0, . L’élitisme consiste à assurer la décroissance
de la meilleure solution à chaque génération. En pratique, si à une génération n donnée
aucun individu n’est meilleur que la solution de la génération précédente n -1, celle-ci est
transférée à la génération n.
Nichage : cette technique permet de favoriser l’exploration spatiale en pénalisant les
individus qui se trouvent dans la même région de l’espace. Les paramètres sont niche, q,
sigmaniche et alphaniche.
– niche=1, : pour activer cette technique et 0 pour la désactiver.
– q=p, : pour utiliser la norme jj ¢ jjp dans le calcul de la distance.
– sigmaniche=σ : doit être < 1.
– alphaaniche=α, : pour régler l’intensité du nichage. Avec α petit (α < 1) le nichage
est peu intense et avec α grand le nichage est très intense.
Scaling : Les paramètres sont scaling, scal, scalingvar, scalvar1, scalvar2 et scalvarp. Les deux
premiers paramètres pour le premier scaling (5 possibilités) et 4 derniers pour un second
scaling variable (facultatif) en fonction du temps (5 possibilités). Le scaling qui donne les
meilleurs résultats est le σ-scaling que l’on peut choisir par scaling='sigma', . Les autres
scaling possibles sont exp (en ex), xexp (en xex), log (en log(1+x)) et puiss (en xscal). Ces
mêmes sacling sont adaptés pour le scaling variable.
BIBLIOGRAPHIE
BIBLIOGRAPHIE
Alves, S. S. and Figueiredo J. L., A model for pyrolysis of wet wood. Chemical Engineering Science 44
(12), pages: 2861-2869. 1989
Babu V.B. and Chaurasia A.S., modelling, simulation and estimation of optimum parameters in
pyrolysis of biomass, energy conversion and management, vol 44, pages:2135-2458. 2003
Bäck T., Evolutionary Algorithms in Theory and Practice. New-York:Oxford University Press. 1995
Bäck Th., Fogel D.B. and Michalewicz Z., editors. Handbook of Evolution- ary Computation. , Oxford
University Press. 1997
Bäck T., Hammel U. et Schwefel H.P. , Evolutionary Computation: Comments on the History and
Current State, IEEE Transactions on Evolutionary Computation , vol. 1, n 1, pages: 3-17. avril 1997
Balachandran M., Knowledge-Based Optimum Design, Topics in Engineering Vol. 10 Southampton:
Computational Mechanics Publications, 1993
Bamford C.H., Crank J. et Malan D.H., The combustion of wood Part 1. proc. Of the Cambridge
philosophical, pages: 116-182. 1946
Banzhaf W., Nordin P., Keller R.E., and Francone F.D., Genetic Pro-gramming — An Introduction On
the Automatic Evolution of Computer Programs and Its Applications. Morgan Kaufmann. 1998
Basilico C., and Martin M., Approche experimentale des mecanismes de transfert au cours du
sechage convectif a haute temperature d'un bois resineux, International Journal of Heat and Mass
Transfer, Volume 27, Issue 5, pages : 657-668. May 1984
Beasley.D., Bull. D.R. et Martin R.R., An Overview of Genetic Algorithms: Part 1, Fundamentals
University Computing , vol. 15, n 2, pages. 58-59, 1993a
Beasley D., Bull. D.R. et Martin R.R., An Overview of Genetic Algorithms: Part 2, Fundamentals
University Computing, vol. 15, n 4, pages: 170-191. 1993b
Bilbao R. et Anal J., Modelling of the pyrolysis of wet wood, Appi. Pyrolysis 36, pages: 81-97. 1996
Bilbao, R., Millera A, Kinetics of weight loss by thermal decomposition of xylan and lignin. Influence
of experimental conditions, Thermochimica Acta 143, pages: 137-148. 1989
Bonnans J. F., Gilbert J. C., Lemaréchal C., and Sagastizabal. C. Optimisation Numérique : aspects
théoriques et pratiques. , Springer, Berlin. 1997
Broido A. and Weinstein M. Low temperature isothermal pyrolysis of cellulose. Combustion Science
and Technology 3, pages. 285-296. 1971
Bryden K.M. and Hagge M.J., Modeling the impact of shrinkage on the pyrolysis of dry biomass,
Chemical Engineering Science 57, pages: 2811-2823. 2002
Bryden K.M., Ragland K.W. and Rutland C.J., Modeling thermally thick pyrolysis wood, biomasse and
bioenergy, pages: 41-55. 2002
BIBLIOGRAPHIE
Chan W.C.R., Analysis of chemical and physical process during the pyrolysis of large biomass pellets,
PhD thesis, University of Washington. 1983
Chen.Y., Choong.E.T. et Wetzel.D.M., A Numerical Analysis technique to Evaluate the Moisture-
Dependent Diffusion Coefficient oN Moisture Movement During Drying, Wood and Fiber science, 28
(3), pages 338-345. 1996
Ciarlet P.G. and Lions J.L., Hand Book of Numerical Analysis, volume 1 North- Holland. 1990
Ciarlet, P.G. Introduction à l’analyse numérique matricielle et l’optimisation Paris : Masson. 1990
Coello C. A., Van Veldhuizen D. A., and Lamont G. B., Evolution-ary Algorithms for Solving Multi-
Objective Problems. Kluwer Academic Publishers. 2002
Cramer. N.J., A representation for the adaptive generation of simple sequential programs. In J. J.
Grefenstette, editor, Proceedings of the 1st International Conference on Genetic Algorithms, pages:
183–187. Laurence Erlbaum Associates. 1985
Dautray R. et Lions J.L., Analyse Mathématique et calcul numérique pour les sciences et les
techniques, Masson. 1985
Davis L. Ed., Handbook of Genetic Algorithms, New York: Van Nostrand, Reinhold. 1991
Deb K., Multi-Objective Optimization Using Evolutionary Algorithms. JohnWiley. 2001
DeJong K. A., Are genetic algorithms function optimizers ? In R. Manner and B. Manderick, editors,
Proceedings of the 2nd Conference on Parallel Problems Solving from Nature, pages 3–13. North
Holland, 1992.
Dessales J.L., L’ordinateur génétique, Paris: Hermès, 1996
Desrosiers R.E. et Lin R.J., A moving boundary model of biomass pyrolysis, solar energy, vol 33, N°2,
pages : 187-196. 1984
Di Blasi, C, Comparison of semi-global mechanisms for primary pyrolysis of lignocellulosic fuels,
Journal of Analytical and Applied Pyrolysis 47(1), pages: 43-64.1998
Di Blasi C., A transient, Two-dimensional model of biomasse pyrolysis, In proc “Developments in
thermochemical biomass conversion”, Bridgwater A.V, Boocock D.G.B, Blackie academic and
professional pub, Glasgow, UK, pages: 147-160. 1997
Di Blasi C., Modeling chemical and physical processes of wood and biomass pyrolysis,progress in
Energy and Combustion Science,vol 34, pages: 47-90. 2008
Di Blasi C. et Branca C., Kinetics of primary product formation from wood pyrolysis,
Industrial.&Engineering Chemistry Research, vol 40, pages: 5547-5556. 2001
Dunlap F., US Dept. Agr. Forest, Serv. Bill. n° 110 , in Stamm A. J. 1964, 1912.
Ebeling W., Rechenberg I., and Schwefel H.P., editors, Proceedings of the 4th Conference on Parallel
ProblemsSolving from Nature, number 1141 in LNCS, 1996, pages: 366–375. Springer Verlag.
BIBLIOGRAPHIE
Comment l'ordinateur transforme les sciences, Les Cahiers de Science et Vie, n°53. octobre 1999
Ebner M., Evolutionary design of objects using scene graphs. In C. Ryan et al., editor, Proc. EuroGP.
2003
Eiben A.E. and Smith J.E., Introduction to Evolutionary Computing.Springer Verlag. 2003
Fogel. D. B., Evolutionary Computation. Toward a New Philosophy of Machine Intelligence. IEEE
Press, Piscataway, NJ. 1995
Figueiredo J.L., Valenzuela C, Bernalte., AEncinar., J.M, Pyrolysis of holm-oak wood: influence of
temperature and particle size Fuel, Volume 68, Issue 8, Pages 1012-1016, 1989
Fogel D.B., Evolutionary Computing: The Fossile Record. IEEE Press. 1998
Fogel L. J., Owens A. J. and Walsh M. J., Artificial Intelligence through Simulated Evolution. New
York: John Wiley. 1966
Fonseca C.M. et Fleming P.G., Genetic Algorithms for Multiobjective Optimization Formulation,
Discussion and Generalization, in Genetic Algorithms : Proceedings of the Fifth International
Conference , S. Forrest, editeur, San Mateo, CA : Morgan Kaufmann. juillet 1993
Fonseca C.M. et Fleming P.J., An Overview of Evolutionary Algorithms in Multiobjective
Optimization, Evolutionary Computation, vol. 3, n 1, pages. 1-16. 1995
Forest Products Laboratory, Forest Service, U. S. Departement of agriculture, Wood Hand
book:wood as an engineering material, Handbook n°72,Washington DC-USA, 1974
Goldberg D., The Design of Innovation: Lessons from and for Genetic and Evolutionary Algorithms.
MIT Press. 2002
Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley.
1989
Goldberg D.E., Algorithme génétique, exploration optimisation et apprentissage automatique. Paris
Addison-Wesley. 1994
Grioui N., modélisation de la carbonisation d’une particule cylindrique de bois- application au bois
d’olivier, Chapitre quatre dans la thèse. 2004
Grioui N., thermogravimetric analysis and kinetics modeling of isothermal carbonization of olive
wood in inert atmosphere, / thermochimica Acia, pages: 23-30. 2006
Grônli M. et Melaaen M.C., mathematical model for wood pyrolysis-comparison of experimental
measurements withmodel predictions, energy and fuel, vol 14, pages: 791-800. 2000
Hansen N., Müller S., and Koumoutsakos P., Reducing the Time Complexity of the Derandomized
Evolution Strategy with Covariance Matrix Adaptation (CMA-ES). Evolution Computation, 11(1). 2003
BIBLIOGRAPHIE
Hansen N. and Ostermeier A., Adapting arbitrary normal mutation distributions in evolution
strategies: The covariance matrix adaption. In Proceedings of the Third IEEE International Conference
on Evolutionary Computation, pages: 312–317. IEEE Press. 1996
Hansen N. and Ostermeier A., Completely derandomized self-adaptation in evolution strategies.
Evolutionary Computation, 9(2):159–195. 2001
Holland J. H. Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor.
1975
Kansa E.J., Perlee H.E. et Chaiken R.F., Mathematical Model of wood pyrolysis including internal
forced convection, combustion and flame, vol 29, pages: 311-324. 1977
Kifani-Sahban K., Belkbir L. et Zoulalian A., Détermination des paramètres cinétiques de la
pyrolyse lente de l'eucalyptus Marocain, pages : 33-40. Mai 1996
Klose W. and Schinkel A., Measurement and modeling of the development of pore size distribution
of wood during pyrolysis, / Fuel Processing Technology 77–78, pages: 459–466. 2002
Koufopanos C.A., Maschio G. and Lucchesi A., Kinetic modelling of the pyrolysis of biomasse and
components, Canadian Journal of chemical Enginneering, vol 67, pages: 75-84. 1989
Koufopanos C.A., Papayannakos N., Maschio G.et Lucchesi A., Modelling of the pyrolysis of biomass
particles :studies on kinetics, thermal and heat transfer effects,Canadian journal of Chimical
Energineering, 69 , pages: 907-915. 1991
Kung H.C., A mathematical model of wood pyrolysis, Combution and flame vol. 18, pages : 185-195.
1972
Koza J. R., Genetic Programming: On the Programming of Computers by means of Natural Evolution.
MIT Press, Massachusetts. 1992
Koza J. R., Genetic Programming II: Automatic Discovery of Reusable Programs. MIT Press,
Massachussetts. 1994
Koza J. R., Human-competitive machine intelligence by means of genetic algorithms. In L. Booker, S.
Forrest, M. Mitchell, and R. Riolo, editors, Festschrift in honor of John H. Holland, pages: 15–22. Ann
Arbor, MI:Center for the Study of Complex Systems. 1999
Larfeldt J., Leckner B. et Melaaen M.C., Modelling and measurements of pyrolysis of large wood
particles, fuel, vol 79, pages: 1637-1643. 2000
Legay M., L'expérience et le modèle, un discours sur la méthode, INRA Editions, Paris. 1997
Maa P.S. et Bailie R.C., influence of particle sizes and environmental conditions on high temperature
pyrolysis of cellulosic material-I(theoretical), combustion science and technology, vol 7, pages: 257-
269. 1973
Maclean J.D., Heating, Piping and air conditioning, 13, pp.380. In: Stamm, 1964,1941
BIBLIOGRAPHIE
Martin G., Pyrolyse- gazéification du bois- Aspects physico-chimique. Thèses de doctorat, Institut
National Polytechnique de lorraine. 1984
Menozzi R. et Piazzi A., HEMT and HBT Small-Signal Model Optimization Using a Genetic Algorithm,
EDMO'97, Londres, pages : 13-18, 24. 25 novembre 1997
Méchi R., Modélisation des transferts radiatifs dans un incinérateur des émissions polluantes de la
pyrolyse du bois, pages: 697–708. 2004
Michalewicz. Z., Genetic Algorithms + Data Structures = Evolution Programs Berlin: Springer-Verlag,
seconde edition. 1994
Michalewicz Z., Genetic Algorithms + Data Structures = Evolution Pro-grams. Springer Verlag, New-
York, 1st-3rd edition. 1992-1996
Michalewicz Z.Genetic algorithms + data structure = evolution programs. Springer. 1999
Mitchell M. An Introduction to Genetic Algorithms. MIT Press. 1996
Moosburger R., Kostrzewa C., Fischbeck G. et Petermann K., Shaping the Digital Optical Switch Using
Evolution Strategies and BPM, IEEE Photonics Technology Letters, vol. 9, n°11, pages: 1484-1486.
novembre 1997
Morten G.Gronli, Morten C. Melaaen Mathematical Model for wood Pyrolysis-Comparison
Experimental Measurements with Model prediction,Energy and fuel, vol 14, pages:791-800. 2000
Mouchot N. et Zoulalian A., Détermination des caractéristiques diffusionnelles de transfert de masse
d’un soluté gazeux adsorbable dans un milieu poreux, 9éme Congrès de la SFGP ; St Nazaire, France,
pages : 307-314. 9-11 septembre 2002
Nougier J.P, Méthodes de calcul numérique. Paris: Masson. 1987
Pazy A., Semigroups of linear operators and applications to partial differential equations, Springer-
Verlag, New York. 1983
Perre P. et Degiovanni A., Simulation par volumes finis des transferts couples en milieux poreux
anisotropes :séchage du bois à basse et à haute température, Heat Mass Transfer, Vol.33 ,No.11,
pages : 2463-2478. 1990
Peters B. et Bruch Ch., Drying and of pyrolysis of wood particles: experiments and simulation, Journal
of analytical and applied pyrolysis, pages: 1-18. 2002
Petrissans A., Pétrissans M. and Zoulalian A., Modeling of a gas catalytic chemical reaction, taking
into account the diffusion in the adsorbed phase, 117, 1, pages: 31-38. 2006
Piguet C. et Hügli H., Du zéro à l'ordinateur, presse polytechnique et universitaire romande,
ISBN-10: 2880744695, ISBN-13: 978-2880744694. Mars 2004
Popper K, Toute vie est résolution de problèmes, actes sud, 1997
BIBLIOGRAPHIE
Radcliffe N. J. Forma analysis and random respectful recombination. In R. K. Belew and L. B. Booker,
editors, Proceedings of the 4th International Conference on Genetic Algorithms, pages: 222–229.
Morgan Kaufmann. 1991
Ragland K.W., Aerts D.J. and Baker A.J., properties of wood for combustion Analysis, Bioressource
Technology, 37, pages: 161-168, 1991
Rahjohnson J. R. and Guyonnet R., Experimental study and modelling of the wood retification
process. Automatic Control of Food and Biological Process. J. J. Bimbenet, E. Dumoulin and G.
Trystam, Elsevier science B.V., pp. 227-235. 1994
Rath J., Wolfinger M. G., Steiner G., Krammer G., Barontini F. and Cozzani V., Heat of wood
pyrolysis Fuel, Volume 82, Issue 1, pages: 81-9,1 January 2003
Rechenberg I., Evolutionstrategie: Optimierung Technisher Systeme nach Prinzipien des Biologischen
Evolution. Fromman-Hozlboog Verlag Stuttgart, 1972
Reineix A, Eclercy D, Jecko etB, FDTD/genetic algoritm coupling for antennas optimization , Annales
de Télécommunications, vol. 52, n°9-10. 1997
Renders J.M., Algorithmes génétiques et réseaux de neurones. Paris: Hermès. 1995
Robert A.F. and Clough G., Thermal decomposition of wood in an inert atmosphere. 9 Intl;
Symposium on combustion, the combustion institute, pages: 158-166. 1963
Rosen.N.H., The influence of External Resistance on moisture Adsorbtion Rates In Wood, Wood and
Fiber science, 10(3), pages: 218-228. 1978
Rousset P., Choix et validation expérimentale d’une modèle de pyrolyse le bois traité par haute
température: de la micro-particule au bois massif. Thèse de doctorat, ENGREF UHP Nancy1, 2004
Sadhukhan A.K., Gupta P. et Saha R.K., Modelling and experimental studies on pyrolysis of biomass
particles, Journal of Analytical and Applied pyrolysis. Vol 81, pages: 183–192. 2008
Salazar C.M. and Connor M.A., Factors influencing the decomposition processes in wood particles
during low temperature pyrolysis, in Proc “Research in thermochemical biomass conversion”
Bridgwater A.V, Kuester J.L, Elsevier applied science pub, Londres, pages: 164-178. UK 1988
Sefain, M. Z., S. F. El-Kalyoubi.Thermal behavior of holo and hemicelluloses obtained from rice straw
and bagasse. Journal of Polymer Science 23(5), pages. 1569-1577. 1985
Sefrioui M., Algorithmes Evolutionnaires pour le calcul scientifique. Application la mécanique des
fluides et l’électromagnetisme. PhD theses, Université Pierre et Marie Curie. Avril 1998
Schoenauer M., Sebag M., Jouve F., Lamy B., and Maitournam H., Evolutionary identification of
macro-mechanical models. In P. J. Angeline and Jr K. E. Kinnear, editors, Advances in Genetic
Programming II, pages: 467–488, Cambridge, MA. MIT Press. 1996
BIBLIOGRAPHIE
Schwefel H.P., Numerical Optimization of Computer Models. John Wiley & Sons, New-York, 2nd
edition. 1995 – 1981
Shafizadeh F. and Bradbury A. G. W., Thermal degradation of cellulose in Air and Nitrogen at low
temperature. pages: 1431-1441.Journal of Applied Polymer Science 23, 1979
Siau J.F., Wood : influence of moisture on physical properties., Department of Wood Science and
Forest Products, Virginia Polytechnic Institute and State University. 1995
Stamm A.J., Wood and cellulose Science. The Ronald press Company,New York, USA, pages: 549.
1964
Ten Wold .A., Mcnatt.J.D. et Krahn L., Thermal properties of wood and wood Panel Products for Use
in Buildings. Does/USDA-21697, Oak Ridger National laboratory, USA. In:Ragland et Col.1991,1988
Yeasmin H., Mathews J.F. and Ouyang S., rapid devolatilisation of yallourn brown coal at high
pressures and temperatures,Fuel, vol 78, pages:11-24. 1999
Varhegyi, G., E. Jakab, Is the Broido-Shafizadeh model for cellulose pyrolysis is true? Energy & Fuel
8, pages: 1335-1352. 1994
Wales D. J. and Doye J. P. K., Global optimization by basin-hopping and the lowest energy structures
of lennard-jones clusters containing up to 110 atoms. J. Phys. Chem. A, 101 :5111–5116, 1997
Wagenaar.B.M., Prins.W. et Van Swaaij W.P.M., Flash pyrolysis kinetics of pine wood, Fuel
processing technology, vol 36, pages: 291-298. 1994
Wenzel H., The chemical technology of wood,Academics Press, New York. 1970
Whitley D., A Genetic Algorithm Tutorial, Technical Report CS-93-103, Sefrioui.M Algorithmes
Evolutionnaires pour le calcul scientifique. Application la mécanique des fluides et
l’électromagnetisme. PhD theses, Université Pierre et Marie Curie. Avril 1998
Whitley D. “A Genetic Algorithm Tutorial” technical Report CS-93-103, Colorado state university,
Departement of computer science. 1993
Zaror C.A. et Pyle D.L., Heat transfer and kinetics in the low temperature pyrolysis if solids, chemical
engineering science, vol 39, pages: 147-158. 1984
La production de charbon dans le monde en 1973 et 2001, Extrait des chiffres clés de l’énergie
d’après AIE/OCDE, Edition 2004
Résumé : Le mémoire constitue un développement de méthodes numériques de résolution
d’équations différentielles de bilans et d’optimisation de paramètres appliqué à des
problèmes de transferts simultanés de matière et / ou de chaleur au sein d’un milieu poreux
naturel, le bois. En dehors d’une présentation générale des méthodes numériques de
résolution d’équations différentielles, d’équations aux dérivées partielles et d’optimisation à
n paramètres, certaines de ces méthodes sont développées au niveau de deux procédés
physico-chimiques étudiés expérimentalement au sein du LERMAB. La première application
porte sur la dynamique du transfert isotherme de l’eau lors du séchage du bois dans son
domaine hygroscopique. Les modélisations envisagées permettent de montrer que pour
certaines essences de bois, les transferts diffusionnels de l’eau en phase gazeuse et en phase
adsorbée ne se font pas nécessairement dans des conditions où l’équilibre
thermodynamique entre les deux phases est assuré. La deuxième application porte sur la
modélisation de la pyrolyse douce d’avivés du bois chauffés par conduction entre deux
plaques dont les températures varient entre 150°C et 240°C. Les courbes donnant la
température au sein de l’avivé et la perte de masse sont bien représentées à l’aide des
modèles cinétiques et de transfert proposés. Toutefois cette application permet de mettre
en évidence les limites des méthodes d’optimisation en présence d’un nombre élevé de
paramètres à déterminer dont certains sont couplés.
Mots clés : Modélisation numérique, adsorption, pyrolyse douce, transferts diffusionnels,

transfert thermique, optimisation.
Abstract: This thesis is a development of numerical methods for solving differential

equations of balance sheets and optimization settings applied to problems of simultaneous
transfers of mass and / or heat in a porous medium such as natural wood materiel.
Based on the overview of numerical methods for solving differential equations, and partial
differential equations for n parameters optimization, some of these methods are developed
for two physical and chemical processes and examined for different practical experiments
carried out in LERMAB laboratory. The first application focuses on the dynamics of
isothermal transfer of water during the wood frying in the hygroscopic field. In this case the
proposed modeling can show that for certain wood species, diffusionnels transfers of water
in the gas phase and adsorbed phase are not necessarily realized under conditions where
thermodynamic equilibrium between the two phases is provided. The second application
focuses on modeling the slow pyrolysis of wood spices heated by conduction between two
plates which temperatures varies between 150 ° C and 240 ° C. The curves giving the
temperature in the heightened and the loss of mass are well represented by the proposed
kinetic and transfer models. However, this application allows highlighting the limits of
optimization methods in the presence of a large number of parameters to determine some
of them are coupled.
Keywords: Numerical modeling, adsorption, slow pyrolysis, diffusionnels transfers, Thermal

Transfer, optimization.

SCD T 2009 0039 Ouartassi

Transféré par

Droits d'auteur :

Formats disponibles

SCD T 2009 0039 Ouartassi

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

SCD T 2009 0039 Ouartassi

Transféré par

Droits d'auteur :

Formats disponibles

AVERTISSEMENT

Ce document est le fruit d'un long travail approuvé par le jury de

Il est soumis à la propriété intellectuelle de l'auteur. Ceci

D'autre part, toute contrefaçon, plagiat, reproduction illicite

Code de la Propriété Intellectuelle. articles L 122. 4

Etude numérique de la dynamique des transferts couplés au sein d’un

Date de soutenance : Mardi 09 juin 2009

Rapporteurs : Michel CABASSUD : Professeur, Université Paul Sabatier de Toulouse

Ma reconnaissance pour sa compréhension et sa patience tout au long

Je tiens à exprimer ma profonde gratitude envers Monsieur A. Zoulalian, sans lui ce

Je tiens à exprimer mes remerciements envers Madame A. Pétrissans, sa disponibilité,

Je tiens à remercier aussi mon ami M. Chaouch pour sa collaboration fructueuse à ce

Mes remerciements vont également envers le directeur de LERMAB A. Merlin pour

Chapitre I : Le calcul numérique. Une science à part

I.1 Historique du calcul numérique ..................................14

I.2 Problématiques du calcul numérique: ..........................17

I.3 Temps de calcul et précision .........................................18

I.4 Erreurs du calcul numérique. .......................................19

I.5 Conditionnement et sensibilité ......................................20

I.6 Du modèle physique au modèle numérique .................22

I.8 Bibliothèques numériques .............................................41

Chapitre II : Modélisation des phénomènes et Méthodes

II.1 Introduction : ................................................................44

II.2 Choix du modèle ...........................................................45

II.3 Utilisation du modèle ....................................................46

II.4 Optimisation d'un modèle ............................................47

II.5 Méthodes d'optimisation ..............................................51

II.6 Conclusion .....................................................................77

Chapitre III : Première Application : Modélisation des

III.1 Introduction et objectif de l’étude..............................80

III.2 Mise en équation des modèles.....................................84

III.3 Expression mathématique de la relation d’équilibre 88

III.5. Résultats des modélisations .......................................97

Chapitre IV : Seconde Application : ................................106

Traitement thermique du bois par conduction (Pyrolyse

IV.1 Introduction ...............................................................107

IV.2 Ecriture des bilans .....................................................111

IV.3 Etude des paramètres thermiques. ...........................111

IV.4 Modélisation du transfert thermique dans une

IV. 5 Modélisation complète du traitement thermique en

CONCLUSION ET PERSPECTIVE ...............................148

ANNEXE 1 : L’existence et l’unicité de la solution .........149

ANNEXE 4 : Algorithme Génétique ...............................165

La modélisation mathématique et la simulation numérique permettent d’éviter la

Le développement des modèles mathématiques des procédés de transferts de matière

La formulation mathématique est généralement de la forme :

u : Grandeur physique (température, humidité, masse volumique….), caractéristique de

D : Coefficient de diffusion de la grandeur physique u,

Avant de détailler ces exemples, on aborde dans le premier chapitre un rapide

Dans le deuxième chapitre nous présentons le concept de la modélisation, son

Le troisième et le quatrième chapitre constituent les deux exemples d’applications

Dans le troisième chapitre nous décrivons les différents modèles permettant de

Le quatrième chapitre aborde la modélisation du traitement thermique du bois à

Les deux exemples permettent de caractériser les interactions entre expérience et

La conclusion du mémoire rappelle les résultats acquis en montrant qu’expériences

I.1 Historique du calcul numérique

I.2 Problématiques du calcul numérique:

I.3 Temps de calcul et précision

I.4 Erreurs du calcul numérique.