Séance de cours

Stiff Systems: Comprendre les ODE avec différentes échelles de temps

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

ChE-312: Numerical methods

This course introduces students to modern computational and mathematical techniques for solving problems in chemistry and chemical engineering. The use of introduced numerical methods will be demonstrated using the Python programming language. ...

Description

Cette séance de cours se concentre sur les systèmes rigides, qui sont des équations différentielles ordinaires décrivant des systèmes avec des échelles de temps très différentes. L'instructeur explique comment certains composants évoluent lentement tandis que d'autres changent rapidement, en utilisant des exemples de réactions chimiques. Les méthodes numériques d'intégration d'équations rigides, telles que le processus d'interpolation directe, sont discutées. La méthode Euler Forward est également couverte, soulignant ses limites dans la résolution des systèmes rigides en raison de problèmes de stabilité.

Enseignant·e·s (2)

Ljubisa Miskovic

Ljubisa Miskovic earned his Ph.D. degree in Automatic Control from the Swiss Federal Institute of Technology (EPFL) under the co-supervision of Dominique Bonvin and Alireza Karimi, in 2006. He pursued his postdoctoral studies at the Centre for Systems Engineering and Applied Mechanics, Universite Catholique de Louvain with Michel Gevers before moving to the laboratory of Vassily Hatzimanikatis at the EPFL. In 2010, he became a research scientist. His research interests include systems biology, metabolic engineering, synthetic biology, data-driven control design, system identification, stochastic processes and estimation theory.

Kevin Sivula

Enseignement et PhD Doctorant·es actuel·les Odile Louise Andres, Arthur Eliot Bouchez, Benjamin Goldman, Nicolas Johannes Diercks, Aurélie Fanny Marie Célérien, Jiajun Li, Louise Marie Foltzer-De Cian, Melanie Victoria Johanning, Nils William Laurent Golay A dirigé les thèses EPFL de Andrea Gasperini, Pauline Bornoz, Xavier Adrian Jeanbourquin, Xiaoyun Yu, Mathieu Steven Prévot, Muhammad Aiman Bin Rahmanudin Hamdan, Nhât-Tân Vuong, Yongpeng Liu, Arvindh Sekar, Barbara Alexandra Primera Darwich, Rebekah An

Source officielle

Concepts associés (25)

Équation différentielle

En mathématiques, une équation différentielle est une équation dont la ou les « inconnue(s) » sont des fonctions ; elle se présente sous la forme d'une relation entre ces fonctions inconnues et leurs dérivées successives. C'est un cas particulier d'équation fonctionnelle. On distingue généralement deux types d'équations différentielles : les équations différentielles ordinaires (EDO) où la ou les fonctions inconnues recherchées ne dépendent que d'une seule variable ; les équations différentielles partielles, plutôt appelées équations aux dérivées partielles (EDP), où la ou les fonctions inconnues recherchées peuvent dépendre de plusieurs variables indépendantes.

Analyse numérique

L’analyse numérique est une discipline à l'interface des mathématiques et de l'informatique. Elle s’intéresse tant aux fondements qu’à la mise en pratique des méthodes permettant de résoudre, par des calculs purement numériques, des problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est l’étude des algorithmes permettant de résoudre numériquement par discrétisation les problèmes de mathématiques continues (distinguées des mathématiques discrètes).

Équation différentielle homogène

L'expression équation différentielle homogène a deux significations totalement distinctes et indépendantes. Une équation différentielle du premier ordre mais non nécessairement linéaire est dite homogène de degré n si elle peut s'écrire sous la forme où F est une fonction homogène de degré n, c'est-à-dire vérifiant Autrement dit (en posant h(u)=F(1,u)), c'est une équation qui s'écrit Le cas le plus étudié est celui où le degré d'homogénéité est 0, à tel point que dans ce cas on ne mentionne même pas le degré.

Calcul numérique d'une intégrale

En analyse numérique, il existe une vaste famille d’algorithmes dont le but principal est d’estimer la valeur numérique de l’intégrale définie sur un domaine particulier pour une fonction donnée (par exemple l’intégrale d’une fonction d’une variable sur un intervalle). Ces techniques procèdent en trois phases distinctes : Décomposition du domaine en morceaux (un intervalle en sous-intervalles contigus) ; Intégration approchée de la fonction sur chaque morceau ; Sommation des résultats numériques ainsi obtenus.

Numerical methods for linear least squares

Numerical methods for linear least squares entails the numerical analysis of linear least squares problems. A general approach to the least squares problem can be described as follows. Suppose that we can find an n by m matrix S such that XS is an orthogonal projection onto the image of X. Then a solution to our minimization problem is given by simply because is exactly a sought for orthogonal projection of onto an image of X (see the picture below and note that as explained in the next section the image of X is just a subspace generated by column vectors of X).

Afficher plus

Séances de cours associées (64)

Différenciation numérique: Partie 1

Couvre la différenciation numérique, les différences en avant, l'expansion de Taylor, la notation Big O et la minimisation des erreurs.

Méthode Euler Forward

Introduit la méthode Euler Forward pour les ODE, en se concentrant sur l'analyse des erreurs et la stabilité.

Méthodes stabilisées explicites : applications aux problèmes inverses bayésiens

Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.

Dynamique des systèmes de puissance : stabilité transitoire

Explore la stabilité transitoire dans la dynamique des systèmes de puissance, couvrant les équations algébriques, les modèles de générateurs et les techniques d'intégration numérique.

Méthodes numériques : problèmes de valeurs limites

Explore les problèmes de valeurs limites, la méthode des différences finies et les exemples de chauffage Joule en 1D.

Afficher plus

Concepts associés (25)

Équation différentielle

Analyse numérique

Équation différentielle homogène

Calcul numérique d'une intégrale

Numerical methods for linear least squares

Afficher plus