Master 1 ESR Grégory Faye & Fanny Delebecque

UE Modélisation IMT, CNRS

12 Mars 2018 [email protected]
[email protected]

Cours -TD -TP #2

EDOs & Portraits de Phase – Suite

Objectifs : L’objectif de ce second cours est de poursuivre l’étude des portraits de phase
pour des systèmes dynamiques autonomes en dimension 2 en se concentrant sur la notion de
stabilité des points d’équilibre par linéarisation.

1 Les points théoriques – Cours (Un petit résumé)

Dans toute cette section, on considérera des équations différentielles autonomes du type :
dx
= f (x), (1)
dt
où l’application f : Rd → Rd sera supposée de classe au moins C 2 . On prendra a ∈ Rd tel que
f (a) = 0, c’est à dire un point d’équilibre de (1). On notera également A := Df (a) ∈ Md (R)
la matrice différentielle (Jacobienne) de f au point x = a. On désire comparer les solutions de
(1) avec celles du système linéarisé

dx
= A(x − a). (2)
dt
On aimerait savoir dans quelle mesure les solutions de (2) donnent une information sur les
solutions de (1). Dans toute la suite, nous supposerons que les solutions de (1) sont définies
globalement sur R tout entier.

1.1 Stabilité d’un équilibre

La première notion importante que nous allons voir est celle de stabilité d’un équilibre. On
notera ϕ(t, x0 ) la solution associée au problème de Cauchy

dx
= f (x), (3a)
dt
x(0) = x0 . (3b)

Définition 1. Soit a ∈ Rd , tel que f (a) = 0.

— On dit que a est un équilibre stable si

∀ > 0, ∃η > 0, tel que kx0 − ak ≤ η ⇒ kϕ(t, x0 ) − ak ≤ , t ≥ 0.

1
 — On dit que a est un équilibre asymptotiquement stable si

a est stable et si ∃ρ > 0 tel que kx0 − ak ≤ ρ ⇒ lim ϕ(t, x0 ) = a.

t→+∞

— Un équilibre qui n’est pas stable est dit instable.

Remarque 1. On peut toujours se ramener au cas d’étude où a = 0 en posant y = x − a. Dans

la suite nous supposerons que a = 0 pour simplifier les notations.

Remarque 2. Toutes les normes étant équivalentes, on prendra pour convention la norme
P 1/2
d 2
euclidienne kxk = i=1 xi .

Bien sûr, la notion de stabilité pour le système linéarisé (2) dépend des valeurs propres de
la matrice A = Df (0). En effet, les solutions de (2) partant à t = 0 de x0 sont données par

x(t) = eAt x0 , t ∈ R.

La notion d’exponentielle d’une matrice est donnée par la formule suivante :

∞
At
X An
e := tn , t ∈ R.
n!
n=0

Sur un espace propre généralisé Eλ = ker(A − λId )m , l’action de l’exponentielle eAt simplifie en
 
m−1
X tp
eAt x0 = etλ  (A − λId )p  x0 , x0 ∈ Eλ ,
p!
p=0

et donc tA
e x0 . (1 + |t|m−1 )etRe(λ) kx0 k, x0 ∈ Eλ .
On en déduit les conclusions suivantes pour le système linéaire (2). On note Spec(A) l’en-
semble des valeurs propres complexes de la matrice A.

Lemme 1. 0 est un point d’équilibre asymptotiquement stable si pour tout λ ∈ Spec(A) on a

Re(λ) ≤ −σ < 0 pour un certain σ > 0. On a même que pour tout  > 0, il existe K > 0 tel
que
e x0 ≤ K kx0 ke−(σ−)t .
At

Lemme 2. S’il existe une valeur propre λ ∈ Spec(A) telle que Re(λ) > 0, alors le point
d’équilibre 0 est instable.

Le théorème principal de comparaison est le suivant.

Théorème 1. Soit le système autonome (1) avec a ∈ Rd un point d’équilibre.

(i) Si pour tout λ ∈ Spec(Df (a)) on a Re(λ) < −β < 0 pour un certain β > 0, alors a est
un équilibre asymptotiquement stable de (1).
(ii) Si il existe λ ∈ Spec(Df (a)) telle que Re(λ) > 0, alors a est un équilibre instable de
(1).
(iii) Si pour tout λ ∈ Spec(Df (a)) on a Re(λ) ≤ 0 et qu’il existe λ0 telle que Re(λ0 ) = 0,
alors on ne peut pas conclure.

2
 Prenons l’exemple du pendule pour voir comment s’applique le théorème ci-dessus. On a vu
que l’équation du pendule
θ̈ + sin(θ) = 0,
peut se mettre sous la forme d’un système Ẏ = f (Y ) en notant Y (t) = (θ(t), ω(t)) et l’on a

θ̇ = ω,
ω̇ = − sin(θ).

Les points d’équilibre du système sont (±kπ, 0) pour k ∈ N. On calcule tout d’abord la diffé-
rentielle en n’importe quel point qui est donnée par la matrice
 
0 1
A(θ,ω) = .
− cos(θ) 0

On va différencier l’étude selon que k = 2p ou k = 2p + 1. On trouve :

   
0 1 0 1
A(±2pπ,0) = et A(±(2p+1)π,0) = .
−1 0 1 0

Dans le premier cas les valeurs propres sont imaginaires pures données par ±i et dans le deuxième
cas les valeurs propres sont réelles données par ±1. On conclut que pour les points d’équilibre
(±2pπ, 0) l’étude du système linéarisé ne permet pas de conclure quant à la stabilité du point
d’équilibre puisque la partie réelle des valeurs propres est nulle, alors que pour (±(2p + 1)π, 0)
l’étude du système linéarisé nous dit que ces équilibres sont instables puisqu’une valeur propre
est de partie réelle strictement positive. En fait, les points d’équilibre (±2pπ, 0) sont stables
(voir la première séance), mais pas asymptotiquement stables.

1.2 Stabilité structurelle (pour aller plus loin)

Dans cette section nous allons aborder une deuxième forme de stabilité. La question que
l’on se pose est la suivante. Soit dx d
dt = f (x) un système autonome sur R et soit g ”proche” de
dx dx
f , peut-on dire que les solutions de dt = g(x) ”ressemblent” à celles de dt = f (x) ? Il faut bien
sûr avant tout se donner une notion de proximité.
Définition 2. Soient f et g de classe C 1 , et soit G un ensemble de Rd . On dira que la distance
dans G entre f et g est inférieure à  au sens C 1 si

∀x ∈ G, kf (x) − g(x)k ≤  et kDf (x) − Dg(x)k ≤ ,

et on notera kf − gk1,G ≤ .
dx dx
On notera également ϕ(t, x0 ) le flot associé à dt = f (x) et ψ(t, x0 ) celui à dt = g(x).
Définition 3. Une application L : Rd → Rd établit une correspondance entre les orbites de
dx dx
dt = f (x) et dt = g(x) si ∀x0 on a L · ϕ(t, x0 ) = ψ(t, L · x0 ) pour tout temps.

Suivant la nature de L, on a plusieurs types de correspondance possible.

Définition 4. Soient (I) dx dx
dt = f (x) et (II) dt = g(x) deux systèmes autonomes dans R .
d

(i) On dit que (I) et (II) sont linéairement équivalents s’il existe L linéaire et inversible
de Rd dans Rd qui établit une correspondance entre les orbites de (I) et (II).
(i) On dit que (I) et (II) sont différentiellement équivalents s’il existe L différentiable, et
d’inversible différentiable de Rd dans Rd qui établit une correspondance entre les orbites
de (I) et (II).

3
 (i) On dit que (I) et (II) sont topologiquement équivalents s’il existe L continue, inver-
sible et d’inverse continue de Rd dans Rd qui établit une correspondance entre les orbites
de (I) et (II).
Remarque 3. On a les implications suivantes :
équivalence linéaire ⇒ équivalence différentielle ⇒ équivalence topologique
On peut énoncer les résultats suivants pour les systèmes linéaires
dx (I) dx (II)
= Ax et = Bx, avec A, B ∈ Md (R).
dt dt
Lemme 3. Si (I) et (II) sont linéairement équivalents alors A et B ont les mêmes valeurs
propres.
On a le résultat principal suivant.
(I) (II)
Théorème 2. Soient dx dx
dt = Ax et dt = Bx. On suppose que toutes valeurs propres de A
et B vérifient toutes Re(λ) 6= 0. On désigne par m± (A) (resp. m± (B)) le nombre de valeurs
propres de A (resp. de B) de parties réelles positives (+) et négatives (-). Alors, (I) et (II) sont
topologiquement équivalents si et seulement si m± (A) = m± (B).
Ce type de résultat pour les systèmes linéaires restent encore vrais entre système et son
linéarisé.
Théorème 3 (Hartman-Grobman). Soit f de classe C 2 et a tel que f (a) = 0. On suppose
que toutes les valeurs propres de Df (a) sont de parties réelles non nulles. Alors il existe un
voisinage G de a dans Rd tel que
dx dx
= f (x) et = Df (a)(x − a)
dt dt
soient topologiquement équivalents.
On peut maintenant énoncer la définition de stabilité structurelle.
Définition 5. On dit que le système dx
dt = f (x) est structurellement stable dans un ensemble
G ⊂ R , si ∃0 > 0 tel que pour tout g vérifiant kf − gk1,G ≤ 0 , alors dx
d dx
dt = f (x) et dt = g(x)
soient topologiquement équivalents dans G.
On a donc le résultat suivant.
Théorème 4. Soit f de classe C 2 telle que f (a) = 0 et telle que les valeurs propres de Df (a)
soient toutes de partie réelle non nulle. Alors il existe un voisinage G de a dans lequel le système
dx
dt = f (x) est structurellement stable.

2 TD
Exercice 1 (Portrait de phase des systèmes linéaires en dimension 2.)

On considère le système différentiel suivant

   
0 a b x
X = AX, où A = ∈ M2 (R) et X = .
c d y
On suppose que A est inversible. On note τ et ∆, respectivement, la trace et le déterminant de
la matrice A.

4
 1. Trouver le ou les points d’équilibre de X 0 = AX.
2. Exprimer les valeurs propres de A en fonction de τ et ∆.
3. Valeurs propres réelles :
(a) Trouver une condition en fonction de τ et ∆ pour que les valeurs propres soient
réelles.
(b) Dans ce cas, trouver une condition en fonction de ∆ pour que l’équilibre soit un
noeud-col.
(c) Trouver une condition sur τ et ∆ pour que l’équilibre soit attractif (puit).
(d) Trouver une condition sur τ et ∆ pour que l’équilibre soit répulsif (source).
4. Valeurs propres complexes :
(a) Trouver une condition en fonction de τ uniquement pour que l’équilibre soit attractif
(foyer stable).
(b) Trouver une condition en fonction de τ uniquement pour que l’équilibre soit répulsif
(foyer stable).
5. Représenter sur un diagramme dans le plan (τ, ∆) la stabilité du point d’équilibre ainsi
que le portrait de phase associé.
Exercice 2 (Un premier exemple de bifurcation.)
1. On considère le problème de Cauchy suivant :

ẋ = 1 − cos(x), x(0) = x0 ∈ [0, 2π].

(a) Etudier l’existence, l’unicité et le caractère globale des solutions.

(b) Montrer que si x(t) est solution alors x(t) + 2π est solution.
(c) Montrer que si x0 ∈ (0, 2π) alors x(t) ∈ (0, 2π) pour tout temps.
(d) Résoudre l’équation explicitement pour toute condition initiale x0 ∈ [0, 2π]. (Indica-
dx 1
R
tion : cos(x)−1 = tan(x/2) ).
(e) Représenter le graphe de x(t) = ϕ(t, x0 ) pour plusieurs conditions initiales x0 repré-
sentatives.
2. Etudier la stabilité des points d’équilibre de l’équation différentielle

ẋ = 1 − cos(x) + µ(1 + cos(x))

lorsque µ varie dans R. Représenter le portrait de phase sur le cercle unité.

Exercice 3 On considère un système proie-prédateur de la forme
xy
ẋ = x(1 − x) − µ , (4a)
1+x
ẏ = y(1 − y), (4b)

où µ > 0 est un paramètre. On considérera toujours qu’à l’instant initial t = 0 on a x(0) =
x0 ≥ 0 et y(0) = y0 ≥ 0.
1. Etudier l’existence et l’unicité des solutions. Montrer que si x0 > 0 et y0 > 0, alors x(t) > 0
et y(t) > 0 pour tout temps où ils sont définis.
2. On appelle x-isocline (resp. y-isocline) l’ensemble des points de l’espace (x, y) pour lesquels
ẋ = 0 (resp. ẏ = 0). Représentez les isoclines de (4) dans la partie du plan x ≥ 0 et y ≥ 0.
3. Trouver l’ensemble des points d’équilibre de (4) en fonction du paramètre µ > 0 et étudier
leur stabilité.

5
 4. Expliquer qualitativement ce qu’il se passe au voisinage de µ = 1.
5. Dessiner le portrait de phase de (4) pour µ ∈ (0, 1) et pour µ > 1. Que peut-on en déduire
pour la dynamique de la population du système proie-prédateur : a-t-on coexistence des
espèces ? extinction ?

3 Excitabilité, bifurcation et chaos – TP

3.1 Mise en pratique de la méthode d’Euler implicite.
Le but de la première partie du TP est d’implémenter numériquement la méthode d’Euler
implicite sur un exemple simple. On reprendra pour cela l’équation différentielle de l’exercice 2
du TD :
ẋ = f (x) := 1 − cos(x), x(0) = x0 ∈ (0, 2π).
On souhaite donc résoudre l’équation ci-dessus sur [0, Tf ] avec un pas de temps constant ∆t > 0
en utilisant a méthode d’Euler implicite. On rappelle que la méthode s’écrit :

xn+1 = xn + ∆tf (xn+1 ), n = 0, . . . , N − 1, x0 = x0 ,

où N = Tf /∆t. On pourra prendre Tf = 50 et faire varier ∆t ∈ {0.01, 0.05, 0.1, 0.2}. On voit
donc que l’on est amené à résoudre à chaque itération une équation implicite. Pour cela, on va
utiliser la méthode de Newton que l’on rappelle maintenant. La méthode de Newton permet de
résoudre F (z) = 0 en supposant que F : Rd → Rd est de classe C 1 . Formellement, on part de
z0 ∈ Rd et on construit par récurrence la suite :

zk+1 = zk − (DF (zk ))−1 F (zk ) (5)

où DF (zk ) est la matrice Jacobienne associée à F au point zk . Dans le cas où d = 1, il s’agit
simplement de la dérivée usuelle. Enfin, on note que la méthode d’Euler implicite peut se réécrire
sous la forme F∆t,xn (xn+1 ) = 0 avec

Fa,b (z) := z − af (z) − b.

1. Ecrire une fonction Scilab que l’on nommera newton qui prend en entrée deux inconnues
a et b et retourne la solution de Fa,b (z) = 0 à partir de (5). On effectuera 10 itérations et
l’initialisation se fera toujours avec z0 = b.
2. Ecrire une fonction Scilab que l’on nommera eulerimplicite qui prend en entrée Tf ,
∆t et x0 une condition initiale et renverra en sortie le vecteur ligne de taille N + 1
dont chaque composante est composée des itérations successives de la méthode d’Euler
implicite : [x0 x1 · · · xN +1 ].
3. On représentera sur une figure la solution approchée obtenue. Comparer avec la solution
exacte trouvée en TD.
4. On prend x0 = π. En faisant varier ∆t, montrer que l’erreur relative supn |x(tn ) − xn |
entre la solution exacte x(t) et la solution approchée est de l’ordre de O(∆t).

3.2 Modèle de FitzHugh-Nagumo

En 1963, Hodgkin et Huxley reçoivent le Prix Nobel de médecine pour leurs travaux sur
les mécanismes ioniques qui permettent l’initiation et la propagation des potentiels d’action
dans l’axone du calamar géant. En quelques mots et très schématiquement, l’axone est un long

6
tube partant de chaque neurone et sa membrane extérieure, sensible aux courants et potentiels
chimiques, permet la propagation des signaux électriques. En particulier, elle présente une diffé-
rence de potentiel au repos et on mesure la perturbation de ce potentiel suite à un changement
chimique ou électrique. Cette perturbation peut se propager le long de l’axone pour transmettre
une information entre neurones.

Figure 1 – Richard FitzHugh.

Le modèle de Hodgkin et Huxley est composé de plusieurs équations différentielles couplées

entre elles. Le système que nous étudions est une simplification due à FitzHugh et Nagumo du
modèle de Hodgkin et Huxley. Nous considérons la variation de potentiel u(t) en fonction du
temps t > 0. L’état de repos est donné par u = 0. La fonction v(t) représente plusieurs variables
liées entre elles et tient compte, entre autres, des variations de concentration des ions sodium
et potassium. Le système s’écrit

u̇ = u(a − u)(u − 1) − v + I(t), (6a)

v̇ = (u − bv), (6b)

où les coefficients b, , a sont tous choisis positifs et pour fixer les idées on prendra :

a = 1/4,  = 0.001, b = 1/3.

I(t) est un courant appliqué au système en continu. On va tout d’abord chercher à retrouver un
effet de seuil observé expérimentalement : si le potentiel électrique est perturbé initialement par
une valeur de u(0) = u0 petite, alors le potentiel retourne à son état de repos u = 0 rapidement.
En revanche, si la perturbation est plus importante, la solution commence par croı̂tre avant de
décroı̂tre et de retourner à 0, en passant par des valeurs négatives.
1. Dans le cas I = 0, commencer par représenter les courbes isoclines et montrer que le seul
point d’équilibre est (u, v) = (0, 0).
2. Etudier la stabilité du point d’équilibre obtenu à la question précédente.
3. Représenter le champ de vitesses associé à (6) ainsi que les courbes isoclines sur une même
figure.
4. Vérifier numériquement la présence de l’effet de seuil en mettant en évidence une valeur
critique pour la donnée initiale u0 . On pourra fixer v0 = 0 et faire varier uniquement u0 .
Pour se faire on utilisera la fonction ode de Scilab.
5. Comment est modifié le portrait de phase lorsque I(t) = I > 0 ? Quel genre de phénomène
voit-on émerger ?

7
 6. On suppose maintenant que I(t) = cos(ωt) varie périodiquement au cours du temps.
Résoudre numériquement le problème pour différentes valeurs de ω ∈ R. On utilisera la
méthode numérique de son choix : Euler explicite, implicite, RK4 ou directement avec la
fonction ode de Scilab.

3.3 L’attracteur de Lorenz & Chaos (Pour la culture)

En 1963, Lorenz a étudié numériquement un système de trois équations différentielles censé
représenter grossièrement la convection thermique dans l’atmosphère. Mathématiquement, le
couplage de l’atmosphère terrestre avec l’océan est décrit par le système d’équations aux dérivées
partielles couplées de Navier-Stokes de la mécanique des fluides. Ce système d’équations était
beaucoup trop compliqué à résoudre numériquement pour les ordinateurs existant au temps
de Lorenz. Celui-ci eut donc l’idée de chercher un modèle très simplifié de ces équations pour
étudier une situation physique particulière : le phénomène de convection de Rayleigh-Bénard. Il
aboutit alors à un système dynamique différentiel possédant seulement trois degrés de liberté,
beaucoup plus simple à intégrer numériquement que les équations de départ. C’est aussi un
exemple célèbre de système différentiel au comportement chaotique pour certaines valeurs des
paramètres.

Figure 2 – Edward Lorenz.

Le système dynamique s’écrit :

ẋ = σ(y − x), (7a)

ẏ = ρx − y − xz, (7b)
ż = xy − βz. (7c)

L’espace des phases est tridimensionnel. Les valeurs de σ et β sont fixées, respectivement à 10
et 8/3. Le paramètre de contrôle est ρ qui est positif. Physiquement, ρ est proportionnel au
gradient thermique vertical imposé au fluide (nombre de Rayleigh), σ au nombre de Prandtl et
β à l’élongation de la boı̂te contenant le fluide.
Les variables dynamiques x, y et z représentent l’état du système à chaque instant. L’in-
terprétation physique en est la suivante : x(t) est proportionnel à l’intensité du mouvement de
convection, y(t) est proportionnel à la différence de température entre les courants ascendants
et descendants, et z(t) est proportionnel à l’écart du profil de température verticale par rapport
à un profil linéaire.

8
 1. La solution triviale x = y = z = 0 du système correspond physiquement à un régime où le
fluide est au repos et où la chaleur se transmet uniquement par diffusion moléculaire (état
conductif). Etudier sa stabilité en fonction du paramètre ρ. Expliquer en quoi la valeur
ρ = 1 est une valeur critique pour le système.
2. Caractériser les autres points d’équilibre du système (7) en fonction de ρ et étudier leur
stabilité en fonction de ρ. Que se passe-t-il en

σ(σ + β + 3)
ρc = ?
σ−β−1

3. Analyser numériquement le comportement des solutions pour ρ < ρc et pour ρ > ρc .

Représenter plusieurs trajectoires significatives dans l’espace de phase (x, y, z).
Lorsque ρ > ρc le système transite vers un régime chaotique. La trajectoire tourne autour
d’un des deux équilibres instables comme si elle y convergeait avant de basculer aléatoirement
vers l’autre équilibre pour y répéter le même type de comportement. Toutes les trajectoires
convergent vers une trajectoire chaotique : l’attracteur de Lorenz. Essayons d’étudier cet objet.
~ Si
4. On rappelle une propriété générale sur les flots générés par un champ de vecteurs X.
3
U (t) ⊂ R est un ensemble de points transportés par le flot alors on a
Z
dVol(U (t)) ~
= divX.
dt U (t)

~ < 0, on dit que le flot est dissipatif car les volumes diminuent au cours du temps.
Si divX
Montrer que le flot de Lorenz (7) est partout dissipatif.
5. Montrer qu’il existe un ellipsoı̈de E autour de l’origine tel que partant de n’importe quelle
condition initiale (x(0), y(0), z(0)) ∈ R3 , la trajectoire (x(t), y(t), z(t)) entre dans E et y
reste pour toujours. (Indication : on pourra considérer l’énergie E(x, y, z) = ρx2 + σy 2 +
σ(z − 2ρ)2 .)
6. En déduire que (ϕ(t, E))t≥0 est une suite d’ensembles strictement inclus les uns dans les
autres.
On définit l’attracteur de Lorenz comme étant l’ensemble limite limt→∞ ϕ(t, E). Précisément,
l’attracteur de Lorenz est
A := ∩ ϕ(t, E) ⊂ E.
t≥0

7. Montrer que le volume de A est nul.

8. On fixe ρ = 28. On prend une condition initiale proche de l’origine : (x0 , y0 , z0 ) =
(0.1, 0.1, −0.1). Faire évoluer le système jusqu’au temps T = 100. On notera (xT , yT , zT ) le
point obtenu à la dernière itération du processus. On se donne δt > 0, comparez l’évolution
des trajectoires entre les points ayant pour condition initiale (xT , yT , zT ) et (xT , yT , zT )+δt
pour δt = 10−n avec n = 1, 2, 3. Que remarque-t-on ? Peut-on caractériser l’écartement
entre deux trajectoires très proches ? On appelle le phénomène observé la sensibilité aux
conditions initiales.