République du Bénin

Université Nationale des Sciences,

Technologies, Ingénierie et Mathématiques
École Nationale Supérieure de Génie
Mathématique et Modélisation (ENSGMM)

Expose - Groupe 2

Algèbre de convolution et application | Résolution

des EDO non linéaires | Transformation de
Fourier et de Laplace
L{f ∗ g}(s) = L{f }(s) · L{g}(s)

UE :
Méthode Mathématique de l’Ingénieur II

Réalisé par :
Encadré par :
AHOTONHOU Aimé Césaire
ASSOU Marguerite Dr. MOUSSA DJIBRIL A.
DJOMAMOU Prince Enseignant-Chercheur
HANDJEMEDJI Ezéchiel

Filière : Génie Mathématique et Modélisation

Année Académique : 2025–2026
Avril 2026
Table des matières

1 Algèbre de convolution 5
1.1 Préliminaires fonctionnels . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Rappels sur l’intégrale de Lebesgue . . . . . . . . . . . . . . . . . . 5
1.1.2 Espaces Lp et inégalités classiques . . . . . . . . . . . . . . . . . . . 6
1.2 Produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Propriétés algébriques . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Inégalité de Young et conséquences . . . . . . . . . . . . . . . . . . 7
1.2.4 Propriété de régularisation . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Approximation de l’unité . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Convolution des distributions . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Rappels sur les distributions . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Espace de Schwartz (Rd ) et distributions tempérées . . . . . . . . . 8
1.3.3 Convolution de deux distributions . . . . . . . . . . . . . . . . . . . 8
1.4 Applications et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Calculs explicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Utilisation en traitement du signal . . . . . . . . . . . . . . . . . . 8
1.4.3 Équations intégrales de Volterra . . . . . . . . . . . . . . . . . . . . 9

2 Transformation de Fourier 10
2.1 Transformée de Fourier sur L1 (Rd ) . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Définition et conventions . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.2 Premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.3 Transformées de Fourier de fonctions usuelles . . . . . . . . . . . . 11
2.1.4 Formule d’inversion de Fourier . . . . . . . . . . . . . . . . . . . . . 11
2.2 Convolution et transformée de Fourier . . . . . . . . . . . . . . . . . . . . 11
2.3 Transformée de Fourier sur L2 (Rd ) . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1 Identité de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Théorème de Plancherel . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Transformée de Fourier sur (Rd ) et ′ (Rd ) . . . . . . . . . . . . . . . . . . . 12
2.4.1 Transformées de distributions usuelles . . . . . . . . . . . . . . . . . 12
2.5 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.1 Équation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.2 Filtrage en traitement du signal . . . . . . . . . . . . . . . . . . . . 14
2.5.3 Diffraction de Fraunhofer . . . . . . . . . . . . . . . . . . . . . . . . 14

2
TABLE DES MATIÈRES 3

3 Transformation de Laplace 15
3.1 Définition et propriétés fondamentales sur R+ . . . . . . . . . . . . . . . . 15
3.1.1 Définition par l’intégrale et abscisse de convergence . . . . . . . . . 15
3.1.2 Table des transformées usuelles . . . . . . . . . . . . . . . . . . . . 18
3.1.3 Propriétés opératoires fondamentales . . . . . . . . . . . . . . . . . 18
3.1.4 Théorèmes de la valeur initiale et de la valeur finale . . . . . . . . . 22
3.2 Produit de convolution et transformée de Laplace . . . . . . . . . . . . . . 24
3.2.1 Définition du produit de convolution causal . . . . . . . . . . . . . 24
3.2.2 Théorème de convolution . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.3 Application aux équations intégrales de Volterra . . . . . . . . . . . 26
3.3 Inversion de la transformée de Laplace . . . . . . . . . . . . . . . . . . . . 26
3.3.1 Stratégies pratiques pour l’inversion . . . . . . . . . . . . . . . . . . 26
3.3.2 Formule d’inversion de Bromwich . . . . . . . . . . . . . . . . . . . 27
3.3.3 Méthode des résidus pour les fractions rationnelles . . . . . . . . . . 28
3.3.4 Décomposition en éléments simples . . . . . . . . . . . . . . . . . . 29
3.3.5 Utilisation des tables et des propriétés . . . . . . . . . . . . . . . . 30
3.4 Transformée de Laplace des distributions . . . . . . . . . . . . . . . . . . . 30
3.4.1 Peigne de Dirac et échantillonnage . . . . . . . . . . . . . . . . . . 31
3.5 Transformée de Laplace multidimensionnelle . . . . . . . . . . . . . . . . . 31
3.5.1 Définition à deux dimensions . . . . . . . . . . . . . . . . . . . . . . 31
3.5.2 Convolution bidimensionnelle . . . . . . . . . . . . . . . . . . . . . 31
3.5.3 Lien avec la transformée de Fourier . . . . . . . . . . . . . . . . . . 31
3.6 Applications approfondies de la transformation de Laplace . . . . . . . . . 32
3.6.1 Résolution des équations différentielles linéaires à coefficients constants 32
3.6.2 Fonction de transfert et analyse des systèmes . . . . . . . . . . . . . 33
3.6.3 Exemples en automatique et en électricité . . . . . . . . . . . . . . 34
3.6.4 Résolution d’équations aux dérivées partielles . . . . . . . . . . . . 34
3.6.5 Équations intégro-différentielles . . . . . . . . . . . . . . . . . . . . 34

4 Résolution des EDO non linéaires 36

4.1 Théorie fondamentale des EDO non linéaires . . . . . . . . . . . . . . . . . 36
4.1.1 Définitions et premières notions . . . . . . . . . . . . . . . . . . . . 36
4.1.2 Théorème de Cauchy-Lipschitz . . . . . . . . . . . . . . . . . . . . 37
4.1.3 Prolongement des solutions et théorème d’explosion . . . . . . . . . 38
4.1.4 Dépendance par rapport aux conditions initiales et aux paramètres 39
4.2 Méthodes analytiques pour les EDO non linéaires . . . . . . . . . . . . . . 39
4.2.1 Résolution explicite par quadratures . . . . . . . . . . . . . . . . . 39
4.2.2 Méthode des séries entières . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Méthodes approchées et semi-analytiques . . . . . . . . . . . . . . . . . . . 41
4.3.1 Méthodes de perturbation . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.2 Méthode de décomposition d’Adomian . . . . . . . . . . . . . . . . 42
4.3.3 Séries de Volterra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4 Stabilité des solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.1 Définitions de stabilité au sens de Lyapunov . . . . . . . . . . . . . 43
4.4.2 Méthode de linéarisation . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.3 Méthode directe de Lyapunov . . . . . . . . . . . . . . . . . . . . . 44
4 TABLE DES MATIÈRES

4.5 Méthodes numériques pour les EDO non linéaires . . . . . . . . . . . . . . 44

4.5.1 Méthodes à un pas : Euler et Runge-Kutta . . . . . . . . . . . . . . 44
4.5.2 Analyse de convergence et stabilité . . . . . . . . . . . . . . . . . . 45
4.6 Méthodes modernes : Physics-Informed Neural Networks (PINNs) . . . . . 45
4.6.1 Réseaux de neurones artificiels . . . . . . . . . . . . . . . . . . . . . 45
4.6.2 Physics-Informed Neural Networks (PINNs) . . . . . . . . . . . . . 46
4.6.3 Comparaison : Méthodes classiques vs PINNs . . . . . . . . . . . . 46
4.6.4 Exemples comparatifs de résolution numérique . . . . . . . . . . . . 46
4.7 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Chapitre 1

Algèbre de convolution

Introduction
La convolution est une opération fondamentale en analyse mathématique et en traite-
ment du signal. Elle permet de combiner deux fonctions pour en produire une troisième,
reflétant l’effet d’un système linéaire invariant dans le temps (SLIT). Ce chapitre pose les
bases rigoureuses de la théorie de la convolution, en commençant par des rappels d’in-
tégration de Lebesgue, puis en définissant le produit de convolution et en étudiant ses
propriétés algébriques et topologiques. Nous verrons comment la convolution régularise
les fonctions, comment elle se comporte vis-à-vis des distributions, et nous terminerons
par des applications concrètes.
Intuition
Pourquoi la convolution ? Imaginez que vous ayez un système qui transforme un
signal d’entrée x(t) en une sortie y(t). Si le système est linéaire et que sa réponse à
une impulsion brève (Dirac) est h(t)
R +∞(la réponse impulsionnelle), alors la sortie est
donnée par y(t) = (h ∗ x)(t) = −∞ h(t − τ )x(τ )dτ . La convolution « mélange »
l’entrée avec la mémoire du système.

1.1 Préliminaires fonctionnels

1.1.1 Rappels sur l’intégrale de Lebesgue
Soit λ la mesure Rde Lebesgue sur Rd . Une fonction mesurable f est intégrable (au
sens de Lebesgue) si Rd |f | dλ < +∞. L’espace L1 (Rd ) est celui des classes de fonctions
intégrables.
Théorème 1.1 (Convergence dominée de Lebesgue). Soit (fn ) une suite de fonctions
mesurables convergeant
R simplement
R vers f . S’il existe g ∈ L1 telle que |fn | ≤ g pour tout
n, alors f ∈ L1 et fn → f .
Théorème 1.2 (Fubini–Tonelli). Soit f mesurable sur Rd × Rd .
RR R R
R R

1. (Tonelli) Si f ≥ 0, alors f= f (x, y)dy dx = f (x, y)dx dy.
2. (Fubini) Si f ∈ L1 (R2d ), l’interversion des intégrales est légitime.

5
6 CHAPITRE 1. ALGÈBRE DE CONVOLUTION

Ces deux théorèmes seront utilisés systématiquement pour intervertir les intégrales
dans les calculs de convolution.

1.1.2 Espaces Lp et inégalités classiques

Pour 1 ≤ p < ∞, Lp (Rd ) = {f mesurable : ∥f ∥p = ( |f |p )1/p < ∞}. L∞ est l’espace
R

des fonctions essentiellement bornées.

Théorème 1.3 (Inégalité de Hölder). Si p, q ∈ [1, ∞] avec 1/p + 1/q = 1, alors ∥f g∥1 ≤
∥f ∥p ∥g∥q .

Théorème 1.4 (Inégalité de Minkowski). Pour 1 ≤ p ≤ ∞, ∥f + g∥p ≤ ∥f ∥p + ∥g∥p .

L’espace Lp est un espace de Banach ; L2 est un espace de Hilbert.

1.2 Produit de convolution

1.2.1 Définition
Définition 1.5 (Convolution). Soient f, g : Rd → C mesurables. Le produit de convolu-
tion f ∗ g est défini par
Z
(f ∗ g)(x) = f (x − y) g(y) dy,
Rd

lorsque l’intégrale existe pour presque tout x.

Remarque 1.6. Une condition suffisante d’existence est f, g ∈ L1 (Rd ) (théorème de

Young).

1.2.2 Propriétés algébriques

Proposition 1.7 (Propriétés élémentaires). Soient f, g, h des fonctions pour lesquelles
les convolutions ont un sens.
1. Commutativité : f ∗ g = g ∗ f .
2. Associativité : (f ∗ g) ∗ h = f ∗ (g ∗ h).
3. Distributivité : f ∗ (g + h) = f ∗ g + f ∗ h.
4. Élément neutre distributionnel : f ∗ δ0 = f (où δ0 est la masse de Dirac).
5. Translation : τa (f ∗ g) = (τa f ) ∗ g = f ∗ (τa g), avec τa f (x) = f (x − a).

Démonstration. La commutativité s’obtient par le changement de variable z = x − y.

L’associativité découle du théorème de Fubini. La translation est immédiate.
1.2. PRODUIT DE CONVOLUTION 7

1.2.3 Inégalité de Young et conséquences

1
Théorème 1.8 (Inégalité de Young). Soient p, q, r ∈ [1, ∞] tels que p
+ 1q = 1 + 1r . Alors
pour f ∈ Lp , g ∈ Lq , on a f ∗ g ∈ Lr et

∥f ∗ g∥r ≤ ∥f ∥p ∥g∥q .

Démonstration détaillée. On traite d’abord le cas r = ∞ (soit 1/p + 1/q = 1) : l’inégalité

de Hölder donne |(f ∗ g)(x)| ≤ ∥f ∥p ∥g∥q pour tout x, d’où ∥f ∗ g∥∞ ≤ ∥f ∥p ∥g∥q . Pour
p = 1, r = q : par l’inégalité de Minkowski intégrale,
Z Z 1/q
q
∥f ∗ g∥q ≤ |f (y)| |g(x − y)| dx dy = ∥f ∥1 ∥g∥q .

Le cas général 1 < p, q, r < ∞ utilise une astuce de convexité : on écrit |f (x − y)g(y)| =
(|f (x − y)|p |g(y)|q )1/r |f (x − y)|1−p/r |g(y)|1−q/r puis on applique Hölder avec trois expo-
sants. Les détails complets sont donnés dans l’annexe du chapitre.
Corollaire 1.9. — L1 (Rd ) est une algèbre de Banach pour la convolution : ∥f ∗ g∥1 ≤
∥f ∥1 ∥g∥1 .
— Si f ∈ Lp , g ∈ Lq avec 1/p + 1/q = 1, alors f ∗ g est uniformément continue et
∥f ∗ g∥∞ ≤ ∥f ∥p ∥g∥q .

1.2.4 Propriété de régularisation

Proposition 1.10 (Régularisation par convolution). Soit f ∈ L1loc (Rd ) et φ ∈ Cc∞ (Rd ).
Alors f ∗ φ ∈ C ∞ (Rd ) et pour tout multi-indice α,

∂ α (f ∗ φ) = f ∗ (∂ α φ).

Démonstration. On peut dériver sous le signe intégral car φ est C ∞ à support compact,
ce qui permet de dominer par une fonction intégrable indépendante de x.

1.2.5 Approximation de l’unité

Définition 1.11 (Approximation de l’unité). Une suite (ρn )n≥1 (ou une famille (ρε )ε>0 )
de fonctions mesurables positives est une approximation de l’unité si :
R
1. Rd ρn = 1 pour tout n,
R
2. supn |x|≥δ ρn (x)dx → 0 quand δ → 0 (concentration).
2 /(2ε)
Exemple 1.12 (Noyau gaussien). ρε (x) = (2πε)−d/2 e−|x| .
Théorème 1.13 (Convergence vers l’identité). Soit (ρn ) une approximation de l’unité.
1. Si f ∈ Lp (Rd ) (1 ≤ p < ∞), alors ρn ∗ f → f dans Lp .
2. Si f est uniformément continue et bornée, la convergence est uniforme sur Rd .
R
Idée. On écrit (ρn ∗ f )(x) − f (x) = ρn (y)[f (x − y) − f (x)]dy, puis on utilise la continuité
des translations dans Lp et la propriété de concentration.
Corollaire 1.14. Cc∞ (Rd ) est dense dans Lp (Rd ) pour 1 ≤ p < ∞.
8 CHAPITRE 1. ALGÈBRE DE CONVOLUTION

1.3 Convolution des distributions

1.3.1 Rappels sur les distributions
L’espace des fonctions tests D(Rd ) = Cc∞ (Rd ) est muni de sa topologie naturelle. Une
distribution T ∈ D′ (RRd ) est une forme linéaire continue sur D. Toute f ∈ L1loc définit une
distribution Tf (φ) = f φ.

1.3.2 Espace de Schwartz (Rd ) et distributions tempérées

(Rd ) est l’ensemble des fonctions C ∞ à décroissance rapide : supx |xα ∂ β φ(x)| < ∞
pour tous α, β. Son dual ′ (Rd ) est l’espace des distributions tempérées.

1.3.3 Convolution de deux distributions

Définition 1.15. Deux distributions S, T ∈ D′ (Rd ) sont convolables si l’application
(x, y) 7→ x + y est propre sur S × T . On définit alors S ∗ T par

⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩, φ ∈ D(Rd ).

Proposition 1.16 (Propriétés). 1. S ∗ T = T ∗ S,

2. δ0 ∗ S = S,
3. ∂ α (S ∗ T ) = (∂ α S) ∗ T = S ∗ (∂ α T ),
4. Si f, g ∈ L1loc , alors Tf ∗ Tg = Tf ∗g (dès que le produit de convolution usuel existe).

1.4 Applications et exemples

1.4.1 Calculs explicites
Exemple 1.17 (Convolution de deux fonctions porte). f (x) = 1[0,1] (x), g = 1[0,1] . Alors
(f ∗ g)(x) = x pour 0 ≤ x ≤ 1, 2 − x pour 1 ≤ x ≤ 2, et 0 ailleurs. C’est la fonction
triangle.

Exemple 1.18 (Convolution d’exponentielles causales). f (x) = e−ax 1[0,∞) (x), g(x) =
e−bx 1[0,∞) (x) avec a, b > 0. Pour x ≥ 0,
 −bx
e − e−ax
(a ̸= b),
(f ∗ g)(x) = a−b
 −ax
xe (a = b).

1.4.2 Utilisation en traitement du signal

Pour un SLIT de réponse impulsionnelle h, la sortie est y = h ∗ x. Cette relation est
à la base du filtrage linéaire.
1.4. APPLICATIONS ET EXEMPLES 9

1.4.3 Équations intégrales de Volterra

Rt
L’équation y(t) = f (t) + 0 k(t − s)y(s)ds s’écrit y = f + k ∗ y (avec prolongement par
0 pour t < 0). La transformée de Laplace la résout par Y = F/(1 − K).

Exercice 1.4.1. (Facile) Calculer f ∗ g pour f = 1[−1,1] et g = 1[−2,2] .

Rt
Exercice 1.4.2. (Intermédiaire) Résoudre y(t) = 1 + 0 y(s)ds par convolution et trans-
formée de Laplace.

Exercice 1.4.3. (Avancé) Montrer que si f ∈ L1 (R) et g(x) = e−|x| , alors f ∗ g est
continue et bornée. Calculer explicitement pour f = 1[0,1] .

Résumé du chapitre
À retenir
Points clés :
— La convolution est une opération bilinéaire, commutative, associative.
— Inégalité de Young : Lp ∗ Lq ⊂ Lr avec 1/p + 1/q = 1 + 1/r.
— La convolution avec une fonction Cc∞ régularise : f ∗ φ ∈ C ∞ .
— Les approximations de l’unité permettent d’approcher f par f ∗ ρn dans Lp .
— La convolution se prolonge aux distributions (sous réserve de support conve-
nable).
Chapitre 2

Transformation de Fourier

Introduction
La transformation de Fourier est l’outil incontournable pour passer du domaine tem-
porel (ou spatial) au domaine fréquentiel. Elle diagonalise les opérateurs de dérivation
et transforme la convolution en produit ponctuel. Ce chapitre en donne une présentation
rigoureuse, depuis la définition sur L1 jusqu’à l’extension aux distributions tempérées, en
passant par l’inversion, le théorème de Plancherel et des applications classiques (équation
de la chaleur, filtrage, diffraction).
Intuition
Le « microscope » fréquentiel : La transformée de Fourier décompose un si-
gnal en une somme (intégrale) d’ondes sinusoïdales eiξx . Chaque fréquence ξ est
pondérée par le coefficient fˆ(ξ). Les opérations comme la dérivation deviennent des
multiplications par iξ dans ce monde fréquentiel.

2.1 Transformée de Fourier sur L1(Rd)

2.1.1 Définition et conventions
Nous adoptons la convention la plus courante en analyse :
Z d
X
fˆ(ξ) = Ff (ξ) = f (x) e −ix·ξ
dx , x·ξ = xj ξj .
Rd j=1

La transformée inverse fera intervenir le facteur (2π)−d .

2.1.2 Premières propriétés

Proposition 2.1 (Régularité). Si f ∈ L1 (Rd ), alors fˆ est continue, bornée, ∥fˆ∥∞ ≤ ∥f ∥1 ,
et fˆ(ξ) → 0 quand |ξ| → ∞ (lemme de Riemann–Lebesgue).
Démonstration. Continuité : convergence dominée. Bornitude : |fˆ(ξ)| ≤ |f |. Riemann–Lebesgue :
R

on le montre d’abord pour les fonctions étagées, puis par densité.

10
2.2. CONVOLUTION ET TRANSFORMÉE DE FOURIER 11

Proposition 2.2 (Propriétés opératoires). Soient f, g ∈ L1 , a ∈ Rd , λ ∈ R\{0}, ω0 ∈ Rd .

1. Linéarité : F(αf + βg) = αfˆ + βĝ.
2. Translation : F[τa f ](ξ) = e−ia·ξ fˆ(ξ).
3. Modulation : F[eiω0 ·x f ](ξ) = fˆ(ξ − ω0 ).
4. Changement d’échelle : F[f (λ ·)](ξ) = |λ|−d fˆ(ξ/λ).

5. Conjugaison : fˆ(ξ) = F[f¯](−ξ).

6. Dérivation : Si f ∈ C k et ∂ α f ∈ L1 , alors F[∂ α f ](ξ) = (iξ)α fˆ(ξ).
7. Multiplication par xα : Si xα f ∈ L1 , alors fˆ est C |α| et ∂ α fˆ(ξ) = F[(−ix)α f ](ξ).

∂xj f (x)e−ix·ξ dx = iξj f (x)e−ix·ξ dx.

R R
Preuve de (vi). Intégration par parties :

2.1.3 Transformées de Fourier de fonctions usuelles

, on dérive sous l’intégrale : fˆ′ (ξ) =
2
Calcul de la gaussienne. Pour f (x) = e−ax
ξ ˆ
f (ξ), d’où fˆ(ξ) = Ce−ξ /(4a) , et C = fˆ(0) = π/a.
2
p
− 2a

2.1.4 Formule d’inversion de Fourier

Théorème 2.3 (Inversion). Soit f ∈ L1 (Rd ) telle que fˆ ∈ L1 (Rd ). Alors pour presque
tout x,
Z
1
f (x) = d
fˆ(ξ) eix·ξ dξ.
(2π) Rd
Si f est continue, l’égalité a lieu partout.
2 2
Démonstration par le noyau deRGauss. On introduit la gaussienne Gε (x) = e−ε |x| /2 . On
calcule f (y)Ĝε (y − x)dy = fˆ(ξ)eix·ξ Gε (ξ)dξ. Quand ε → 0, le membre de gauche
R

tend vers f (x) (approximation de l’unité), le membre de droite tend vers fˆ(ξ)eix·ξ dξ par
R

convergence dominée. En ajustant les constantes, on obtient la formule.

2.2 Convolution et transformée de Fourier

Théorème 2.4 (Théorème de convolution). Pour f, g ∈ L1 (Rd ), on a F(f ∗ g)(ξ) =
fˆ(ξ) ĝ(ξ).

f (x−y)g(y)e−ix·ξ dy dx = g(y)e−iy·ξ fˆ(ξ)dy = fˆ(ξ)ĝ(ξ).

RR R
Démonstration. F(f ∗g)(ξ) =

Proposition 2.5 (Dualité produit-convolution). Si f, g ∈ L1 ∩ L2 , alors F(f g)(ξ) =

1
(2π)d
(fˆ ∗ ĝ)(ξ).
12 CHAPITRE 2. TRANSFORMATION DE FOURIER

2.3 Transformée de Fourier sur L2(Rd)

2.3.1 Identité de Parseval
Théorème 2.6 (Parseval). Pour f, g ∈ L1 ∩ L2 ,
Z Z
ˆ
f (ξ)ĝ(ξ) dξ = (2π)d
f (x)g(x) dx.
Rd Rd

En particulier ∥fˆ∥2 = (2π)d/2 ∥f ∥2 .

2.3.2 Théorème de Plancherel

Théorème 2.7 (Plancherel). La transformée de Fourier se prolonge de façon unique en
un opérateur linéaire continu F : L2 (Rd ) → L2 (Rd ) vérifiant ∥Ff ∥2 = (2π)d/2 ∥f ∥2 . De
−1 1
R ix·ξ
plus, F est bijectif et son inverse est F g(x) = (2π)d g(ξ)e dξ.

Idée. L1 ∩ L2 est dense dans L2 ; sur cet ensemble, F est une isométrie à constante près.
On prolonge par continuité.

2.4 Transformée de Fourier sur (Rd) et ′(Rd)

d
−1 1
R F estix·ξun automorphisme bicontinu de (R ). Sa formule d’inverse est
Proposition 2.8.
F φ(x) = (2π)d φ(ξ)e dξ.

Définition 2.9 (Transformée de Fourier d’une distribution tempérée). Pour T ∈′ (Rd ),

on pose ⟨FT, φ⟩ = ⟨T, Fφ⟩ pour tout φ ∈ (Rd ).

Théorème 2.10. F est un isomorphisme de ′ (Rd ) et les formules de dérivation s’étendent :

F(∂ α T ) = (iξ)α FT, F(xα T ) = i|α| ∂ α FT.

2.4.1 Transformées de distributions usuelles

2.5 Applications
2.5.1 Équation de la chaleur
On considère ∂t u − ∆x u = 0, u(x, 0) = f (x). En prenant la transformée de Fourier en
x, on obtient ∂t û(ξ, t) + |ξ|2 û(ξ, t) = 0, d’où û(ξ, t) = fˆ(ξ)e−|ξ| t . Par inversion, u(x, t) =
2

2
(Kt ∗ f )(x) avec Kt (x) = (4πt)1 d/2 e−|x| /(4t) (noyau de la chaleur).

Intuition
Le noyau de la chaleur Kt est une approximation de l’unité quand t → 0+ : la
chaleur diffuse instantanément et régularise la donnée initiale.
2.5. APPLICATIONS 13

f (x) (dimension 1) fˆ(ξ)

2 sin(aξ)
1[−a,a] (x)
ξ
2a
e−a|x| 2 2
ra + ξ
2 π −ξ2 /(4a)
e−ax e
a
1 π −a|ξ|
e
x2 + a2 a
2
sgn(x) (au sens v.p.)
iξ

Table 2.1 – Transformées de Fourier usuelles (convention fˆ(ξ) = f (x)e−ixξ dx).

R

Distribution T FT

δ0 1

δa e−ia·ξ

1 (2π)d δ0

eiω0 ·x (2π)d δω0

pv x1 −iπ sgn(ξ)
P P
n∈Z δn 2π k∈Z δ2πk (peigne de Dirac)

Table 2.2 – Transformées de Fourier de quelques distributions tempérées.

14 CHAPITRE 2. TRANSFORMATION DE FOURIER

2.5.2 Filtrage en traitement du signal

Un filtre linéaire invariant est une convolution y = h ∗ x. Dans le domaine fréquentiel,
ŷ(ξ) = ĥ(ξ)x̂(ξ). La fonction ĥ est la réponse fréquentielle. Exemples :
— Filtre passe-bas idéal : ĥ(ξ) = 1[−W,W ] (ξ).
2 /(2σ 2 )
— Filtre gaussien : ĥ(ξ) = e−ξ .

2.5.3 Diffraction de Fraunhofer

En optique, l’intensité diffractée à l’infini par une ouverture de transmission t(x) est

2
I(u) = t̂ 2πu
λF
, où λ est la longueur d’onde et F la distance focale.

Exercice 2.5.1. (Facile) Calculer la transformée de Fourier de f (t) = e−|t| .

Exercice 2.5.2. (Intermédiaire) Déterminer F −1 1+ξ1

2 .

R +∞ cos(ξt) R +∞ cos t
Exercice 2.5.3. (Avancé) Soit α > 0. Calculer I1 = −∞ 1+t2
dt et en déduire 0 1+t2
dt =
π
2e
.

Résumé du chapitre
À retenir
Formules clés à retenir :
Z Z
ˆ 1
f (ξ) = f (x)e−ix·ξ dx, f (x) = fˆ(ξ)eix·ξ dξ,
Rd (2π)d
1 ˆ
F(f ∗ g) = fˆ ĝ, F(f g) = f ∗ ĝ,
(2π)d
∥fˆ∥L2 = (2π)d/2 ∥f ∥L2 , F(∂ α f ) = (iξ)α fˆ,
F(eiω0 ·x f )(ξ) = fˆ(ξ − ω0 ), F(f (λ ·))(ξ) = |λ|−d fˆ(ξ/λ).

Extensions aux distributions : Fδ0 = 1, F1 = (2π)d δ0 , F(pv x1 ) = −iπ sgn(ξ).

Chapitre 3

Transformation de Laplace

Introduction
La transformation de Laplace est un outil fondamental de l’analyse mathématique ap-
pliquée, omniprésent en automatique, en traitement du signal, en physique et en ingénie-
rie électrique. Elle permet de transformer une équation différentielle linéaire à coefficients
constants en une équation algébrique, simplifiant ainsi considérablement la résolution de
problèmes de valeurs initiales.

Intuition
Pourquoi Laplace ? Imaginez que vous deviez résoudre une équation différentielle
avec des dérivées et des intégrales. Dans le monde temporel, c’est complexe. Laplace
crée un monde parallèle (le domaine complexe p) où :
— La dérivation devient une simple multiplication par p
— L’intégration devient une division par p
— Les équations différentielles deviennent des équations algébriques !
Une fois le problème résolu algébriquement dans ce monde parallèle, on utilise la
transformation inverse pour revenir au monde temporel avec la solution.

Ce chapitre propose une étude approfondie de la transformation de Laplace unilatérale,

de ses fondements théoriques à ses applications les plus sophistiquées.

3.1 Définition et propriétés fondamentales sur R+

3.1.1 Définition par l’intégrale et abscisse de convergence
Définition 3.1 (Transformée de Laplace unilatérale). Soit f : [0, +∞[→ C une fonction
localement intégrable (au sens de Lebesgue). On définit la transformée de Laplace de
f , notée L{f (t)}(p) ou F (p), par l’intégrale impropre :
Z +∞
F (p) = f (t) e−pt dt, (3.1)
0

15
16 CHAPITRE 3. TRANSFORMATION DE LAPLACE

où p = σ+iω est une variable complexe. L’ensemble des p ∈ C pour lesquels cette intégrale
converge (absolument ou non) est appelé domaine de convergence.

Intuition
Interprétation du noyau e−pt : La fonction e−pt = e−(σ+iω)t = e−σt · e−iωt joue un
double rôle :
— La partie réelle e−σt agit comme un facteur d’amortissement. Pour σ > 0, il
force l’intégrale à converger même si f (t) croît modérément.
— La partie imaginaire e−iωt est une oscillation qui permet de sonder le contenu
fréquentiel de f (t) (lien avec Fourier).

Définition 3.2 (Abscisse de convergence absolue). On appelle abscisse de convergence

absolue le nombre réel étendu σa ∈ R défini par :
 Z +∞ 
−pt
σa = inf Re(p) ∈ R |f (t)e | dt < +∞ .
0

Si l’ensemble est vide, σa = +∞. Si σa < +∞, l’intégrale définissant F (p) converge
absolument pour tout p tel que Re(p) > σa . De plus, F (p) est une fonction holomorphe
sur le demi-plan ouvert Re(p) > σa .

Im(p) σa

Divergence Domaine
p0 de
convergence

absolue

Re(p)

Figure 3.1 – Demi-plan de convergence absolue Re(p) > σa .

Preuve de l’holomorphie de F (p). Soit p0 tel que Re(p0 ) > σa . On peut choisir un réel α
tel que σa < α < Re(p0 ). Pour tout p dans un voisinage de p0 vérifiant Re(p) ≥ α, on a
|f (t)e−pt | ≤ |f (t)|e−αt , qui est intégrable sur [0, +∞[ par définition de σa .
3.1. DÉFINITION ET PROPRIÉTÉS FONDAMENTALES SUR R+ 17

1. Continuité : Le théorème de continuité sous le signe intégral (théorème de conver-

gence dominée de Lebesgue) assure que F est continue sur le demi-plan ouvert. En
effet, si pn → p, alors f (t)e−pn t → f (t)e−pt et cette suite est dominée par |f (t)|e−αt
intégrable.
2. Dérivabilité : On considère le quotient différentiel :
Z +∞
F (p + h) − F (p) e−(p+h)t − e−pt
= f (t) dt.
h 0 h
Pour |h| assez petit, on peut borner le taux d’accroissement :
e−(p+h)t − e−pt e−ht − 1
= e−pt ≤ e− Re(p)t · te|h|t ≤ Cte−αt
h h
pour une constante C et α < Re(p). Comme t|f (t)|e−αt est intégrable, la convergence
dominée s’applique.
L’intégrande converge ponctuellement vers −tf (t)e−pt lorsque h → 0. Par consé-
quent : Z +∞
F ′ (p) = − tf (t)e−pt dt.
0
La même méthode s’applique aux dérivées successives, prouvant que F est holomorphe
(analytique) sur le demi-plan Re(p) > σa .
Remarque 3.3. Il existe également une abscisse de convergence simple σs ≤ σa .
Pour les fonctions que nous rencontrerons (causales et à croissance au plus exponentielle),
les deux abscisses coïncident. Une fonction f est dite à croissance exponentielle d’ordre α
s’il existe M > 0 tel que |f (t)| ≤ M eαt pour t assez grand.
Exemple 3.4 (Fonction de Heaviside). Soit u(t) la fonction échelon unité : u(t) = 1 pour
t ≥ 0, 0 sinon. Alors :
Z +∞  −pt R
−pt e
L{u(t)}(p) = e dt = lim .
0 R→∞ −p
0

Pour que la limite existe quand R → ∞, il faut que |e−pR | = e− Re(p)R → 0, soit Re(p) > 0.
Dans ce cas :
1
L{u(t)}(p) = , Re(p) > 0.
p
L’abscisse de convergence est σa = 0.
Exemple 3.5 (Fonction exponentielle). Pour a ∈ C, f (t) = eat . Alors :
Z +∞
at
L{e }(p) = e(a−p)t dt.
0
e(a−p)t
La primitive est a−p
. Pour la limite en +∞, on a :

|e(a−p)t | = eRe(a−p)t = e(Re(a)−Re(p))t → 0 ⇐⇒ Re(p) > Re(a).

Dans ce cas :
1
L{eat }(p) = , Re(p) > Re(a).
p−a
Ici σa = Re(a).
18 CHAPITRE 3. TRANSFORMATION DE LAPLACE

Exemple 3.6 (Fonction puissance). Pour n ∈ N, f (t) = tn . Une intégration par parties
itérée donne :
Z ∞ ∞
n ∞ n−1 −pt
 n Z
n n −pt t −pt
L{t }(p) = t e dt = − e + t e dt
0 p 0 p 0
n n!
= 0 + L{tn−1 }(p) = · · · = n+1 , Re(p) > 0.
p p
On
R ∞ peut étendre cette formule à α > −1 réel par la fonction Gamma d’Euler : Γ(z) =
z−1 −t
0
t e dt (pour Re(z) > 0). En posant u = pt avec p > 0, on a :
Z ∞ Z ∞
α −pt 1 Γ(α + 1)
α
L{t }(p) = t e dt = α+1 uα e−u du = .
0 p 0 pα+1

Piège à éviter

Attention aux unités ! La variable p a la dimension de l’inverse d’un temps (s−1 ).

Ainsi, pt est sans dimension, ce qui est cohérent pour une exponentielle. Vérifiez
toujours l’homogénéité dimensionnelle de vos résultats.

3.1.2 Table des transformées usuelles

La table suivante rassemble les transformées de Laplace les plus fréquemment utili-
sées. Chaque formule peut être démontrée par intégration directe ou par les propriétés
opératoires qui suivent.
Astuce
Mémoriser efficacement :
— cos et sin : p au numérateur pour cos, ω pour sin. Dénominateur p2 + ω 2 .
— cosh et sinh : même motif avec p2 − a2 au dénominateur.
— Pour introduire une exponentielle eat : remplacer p par p − a partout !

3.1.3 Propriétés opératoires fondamentales

Les propriétés suivantes découlent directement de la définition intégrale et de la linéa-
rité de l’intégrale.
Propriété 3.7 (Linéarité). Pour tous α, β ∈ C et toutes fonctions f, g telles que leurs
transformées convergent pour Re(p) > max(σa (f ), σa (g)) :

L{αf (t) + βg(t)}(p) = αF (p) + βG(p).

Démonstration. Immédiat par linéarité de l’intégrale de Lebesgue :

Z ∞ Z ∞ Z ∞
−pt −pt
L{αf +βg} = (αf (t)+βg(t))e dt = α f (t)e dt+β g(t)e−pt dt = αF (p)+βG(p).
0 0 0
3.1. DÉFINITION ET PROPRIÉTÉS FONDAMENTALES SUR R+ 19

f (t) pour t ≥ 0 F (p) = L{f }(p) Domaine de convergence

1
1 (ou u(t)) p
Re(p) > 0
n!
tn (n ∈ N) pn+1
Re(p) > 0
Γ(α+1)
tα (α > −1) pα+1
Re(p) > 0
1
eat p−a
Re(p) > Re(a)
p
cos(ωt) p2 +ω 2
Re(p) > 0
ω
sin(ωt) p2 +ω 2
Re(p) > 0
p
cosh(at) p2 −a2
Re(p) > | Re(a)|
a
sinh(at) p2 −a2
Re(p) > | Re(a)|
p−a
eat cos(ωt) (p−a)2 +ω 2
Re(p) > Re(a)
ω
eat sin(ωt) (p−a)2 +ω 2
Re(p) > Re(a)
n!
tn eat (p−a)n+1
Re(p) > Re(a)

δ(t) (Dirac) 1 tout p

δ (n) (t) pn tout p

Table 3.1 – Transformées de Laplace élémentaires

Propriété 3.8 (Translation en temps (retard)). Soit a > 0. On définit la fonction retardée
fa (t) = f (t − a)u(t − a). Alors :

L{f (t − a)u(t − a)}(p) = e−ap F (p).

Démonstration.
Z +∞
L{f (t − a)u(t − a)}(p) = f (t − a)e−pt dt.
a

On effectue le changement de variable u = t − a, donc du = dt, t = u + a, et les bornes

deviennent 0 à +∞ :
Z +∞ Z +∞
−p(u+a) −pa
f (u)e du = e f (u)e−pu du = e−ap F (p).
0 0
20 CHAPITRE 3. TRANSFORMATION DE LAPLACE

Intuition
Retard temporel ↔ Déphasage complexe : Un retard pur dans le temps se
traduit par une multiplication par e−ap dans le domaine de Laplace. Le terme e−ap
a un module 1 sur l’axe imaginaire (p = iω), ce qui correspond à un déphasage pur
sans atténuation. En automatique, c’est la fonction de transfert d’un retard pur.

Propriété 3.9 (Translation en fréquence (modulation / amortissement)). Pour tout a ∈

C:
L{eat f (t)}(p) = F (p − a).
Le domaine de convergence est translaté de Re(a) : si F (p) converge pour Re(p) > σa ,
alors L{eat f (t)} converge pour Re(p) > σa + Re(a).

Démonstration.
Z ∞ Z ∞
−pt
at
L{e f (t)}(p) = at
e f (t)e dt = f (t)e−(p−a)t dt = F (p − a).
0 0

Propriété 3.10 (Changement d’échelle temporel). Pour a > 0 :

1 p
L{f (at)}(p) = F .
a a

Démonstration. En posant u = at, dt = du/a :

Z ∞
1 ∞
Z
−pt 1 p
L{f (at)}(p) = f (at)e dt = f (u)e−(p/a)u du = F .
0 a 0 a a

Propriété 3.11 (Dérivation dans l’espace original). Si f est continue sur [0, +∞[ et
f ′ est continue par morceaux et à croissance exponentielle (i.e. il existe M, α tels que
|f (t)| ≤ M eαt ), alors pour Re(p) > α :

L{f ′ (t)}(p) = pF (p) − f (0+ ).

Plus généralement, si f (k) existe et satisfait les mêmes hypothèses :

L{f (n) (t)}(p) = pn F (p) − pn−1 f (0+ ) − pn−2 f ′ (0+ ) − · · · − f (n−1) (0+ ).

Démonstration. Pour f ′ , on intègre par parties sur [0, R] :

Z R Z R
′ −pt −pt R
f (t)e−pt dt.
 
f (t)e dt = f (t)e 0
+p
0 0

Analysons le terme tout intégré :

— En t = R : |f (R)e−pR | ≤ M eαR e− Re(p)R = M e−(Re(p)−α)R . Si Re(p) > α, cette
quantité tend vers 0 quand R → ∞.
3.1. DÉFINITION ET PROPRIÉTÉS FONDAMENTALES SUR R+ 21

— En t = 0 : on obtient −f (0+ ).
Ainsi, en passant à la limite R → ∞ :
Z ∞
f ′ (t)e−pt dt = −f (0+ ) + pF (p).
0

La formule pour l’ordre n s’obtient par récurrence en appliquant successivement la formule

pour la dérivée première.

À retenir
La propriété la plus importante : La dérivation devient une multiplication par
p, avec soustraction des conditions initiales. C’est exactement ce qui permet de
transformer une équation différentielle en équation algébrique !
d
←→ p × (·) − C.I.
dt

Propriété 3.12 (Intégration dans l’espace original).

Z t 
F (p)
L f (τ ) dτ (p) = .
0 p
Rt
Démonstration. Posons g(t) = 0 f (τ )dτ . Alors g est continue, g(0) = 0 et g ′ (t) = f (t)
presque partout (aux points de continuité de f ). En appliquant la propriété de dérivation
àg:
F (p) = L{f } = L{g ′ } = pG(p) − g(0) = pG(p),
donc G(p) = F (p)/p.
Propriété 3.13 (Dérivation dans l’espace image (multiplication par t)).

L{tf (t)}(p) = −F ′ (p).

Par récurrence :
L{tn f (t)}(p) = (−1)n F (n) (p).
Démonstration. La fonction F (p) est holomorphe, on peut dériver sous le signe intégral.
Justifions rigoureusement : pour p dans le demi-planR ∞ de convergence, on choisit un voisi-
−αt
nage compact K et α < Re(p) tel que l’intégrale 0 |f (t)|e dt converge. La dérivée de
l’intégrande par rapport à p est −tf (t)e−pt , et sur K :

|tf (t)e−pt | ≤ t|f (t)|e−αt · sup e−(Re(p)−α)t ≤ Ct|f (t)|e−αt .

p∈K

Cette fonction est intégrable, donc par convergence dominée :

Z +∞ Z +∞ Z +∞
′ d −pt ∂ −pt
F (p) = f (t)e dt = f (t) e dt = (−t)f (t)e−pt dt = −L{tf (t)}(p).
dp 0 0 ∂p 0
22 CHAPITRE 3. TRANSFORMATION DE LAPLACE
R +∞
Propriété 3.14 (Intégration dans l’espace image). Si l’intégrale p
F (u)du converge
f (t)
et si limt→0+ t
existe, alors :
  Z +∞
f (t)
L (p) = F (u) du.
t p

R∞
Démonstration. On a F (u) = 0 f (t)e−ut dt. Alors
Z +∞ Z +∞ Z ∞ 
−ut
F (u)du = f (t)e dt du.
p p 0

Pour appliquer le théorème de Fubini-Tonelli, on vérifie la convergence absolue de l’inté-

grale
R ∞ double. En supposant Re(p) > σa , il existe α tel que σa < α < Re(p) et l’intégrale
−αt
0
|f (t)|e dt converge. Alors :
Z +∞ Z ∞ Z ∞ Z +∞ Z ∞
e− Re(p)t

−ut −σt
|f (t)e |dtdu ≤ |f (t)| e dσ dt = |f (t)| dt.
p 0 0 Re(p) 0 t

L’existence de limt→0+ f (t)/t assure l’intégrabilité en 0, et la décroissance exponentielle

assure l’intégrabilité en +∞. On peut donc inverser :
Z ∞ Z +∞  Z ∞  −ut u→∞ Z ∞  
−ut e f (t) −pt f (t)
f (t) e du dt = f (t) dt = e dt = L (p).
0 p 0 −t u=p 0 t t

 sin t
Exemple 3.15 (Application de l’intégration en fréquence). Calculer L t
(p). On sait
que L{sin t} = p21+1 . Donc :
  Z +∞
sin t du
L (p) = = [arctan u]+∞
p
t p u2+1
π
= − arctan p.
2
On peut aussi écrire ce résultat sous la forme arctan(1/p) en utilisant l’identité arctan(x)+
arctan(1/x) = π/2 pour x > 0.

3.1.4 Théorèmes de la valeur initiale et de la valeur finale

Ces théorèmes permettent de déterminer le comportement asymptotique de f (t) sans
calculer explicitement l’original. Ils sont extrêmement utiles en automatique pour connaître
le comportement initial et le régime permanent d’un système.
Théorème 3.16 (Théorème de la valeur initiale). Si f (t) est continue par morceaux sur
[0, ∞[ et admet une transformée de Laplace F (p), et si limt→0+ f (t) existe, alors :

f (0+ ) = lim+ f (t) = lim pF (p),

t→0 p→+∞

où p tend vers +∞ le long de l’axe réel.

3.1. DÉFINITION ET PROPRIÉTÉS FONDAMENTALES SUR R+ 23

Démonstration. Supposons d’abord f continue en 0. Écrivons la propriété de dérivation :

Z ∞
+
pF (p) = f (0 ) + f ′ (t)e−pt dt.
0

Lorsque p → +∞ (réel), analysons le terme intégral. Comme f ′ est continue par morceaux
et à croissance exponentielle, on peut appliquer le lemme de Riemann-Lebesgue qui stipule
que pour toute fonction φ intégrable sur [0, ∞[ :
Z ∞
lim φ(t)e−pt dt = 0.
p→∞ 0
′
Ici φ(t) = f (t) est intégrable sur tout compact et bornée par une exponentielle, ce qui
assure la convergence de l’intégrale et la validité du lemme. Donc l’intégrale tend vers 0
et :
lim pF (p) = f (0+ ).
p→∞

Si f a une discontinuité de première espèce en 0, on peut régulariser par convolution avec

une approximation de l’identité et passer à la limite.
Théorème 3.17 (Théorème de la valeur finale). Si la limite limt→+∞ f (t) existe et est
finie, et si les pôles de pF (p) sont tous de partie réelle strictement négative (à l’exception
éventuelle d’un pôle simple en p = 0), alors :
lim f (t) = lim pF (p).
t→+∞ p→0

Démonstration. Reprenons l’identité de la démonstration précédente :

Z ∞
+
pF (p) − f (0 ) = f ′ (t)e−pt dt.
0

Par hypothèse, limt→∞ f (t) = f (∞) existe. De plus, les conditions sur les pôles de pF (p)
impliquent que f ′ est intégrable sur [0, ∞[ et que sa transformée de Laplace est bien définie
pour Re(p) ≥ 0 (sauf peut-être en p = 0 si f (∞) ̸= 0). On peut alors passer à la limite
p → 0+ sous l’intégrale par convergence dominée (car |e−pt | ≤ 1 et f ′ est intégrable) :
Z ∞ Z ∞ Z R
′ −pt ′
lim+ f (t)e dt = f (t)dt = lim f ′ (t)dt = f (∞) − f (0+ ).
p→0 0 0 R→∞ 0

Donc :
lim+ (pF (p) − f (0+ )) = f (∞) − f (0+ ),
p→0

d’où limp→0 pF (p) = f (∞).

Piège à éviter
Attention ! Le théorème de la valeur finale ne s’applique pas si :
— pF (p) a des pôles sur l’axe imaginaire autre que 0 (ex : ±iω)
— pF (p) a des pôles à partie réelle strictement positive
— La limite de f (t) en +∞ n’existe pas
ω pω
Contre-exemple classique : f (t) = sin(ωt). Alors F (p) = p2 +ω 2
et pF (p) = p2 +ω 2
.
limp→0 pF (p) = 0, mais limt→∞ sin(ωt) n’existe pas !
24 CHAPITRE 3. TRANSFORMATION DE LAPLACE

Exercice 3.1.1. (Facile) Calculer la transformée de Laplace de f (t) = t2 e−3t . Indication :

utiliser la propriété de translation en fréquence.

Exercice 3.1.2. (Intermédiaire) Déterminer L{t cos(ωt)} en utilisant la propriété de dé-

rivation dans l’espace image.

Exercice 3.1.3. (Avancé) Montrer que L{ln t}(p) = − γ+ln p

p
où γ est la constante d’Euler-
Mascheroni. Indication : utiliser la représentation intégrale de la fonction Gamma et sa
dérivée.

3.2 Produit de convolution et transformée de Laplace

3.2.1 Définition du produit de convolution causal
Dans le cadre de la transformation de Laplace unilatérale, les fonctions sont définies
sur [0, +∞[ et supposées nulles pour t < 0. La convolution est alors adaptée.

Définition 3.18 (Convolution causale). Soient f, g : [0, +∞[→ C localement intégrables.

On définit leur produit de convolution par :
Z t
(f ∗ g)(t) = f (t − τ )g(τ ) dτ.
0

Intuition
Interprétation physique : La convolution f ∗ g modélise la réponse d’un système
linéaire invariant. Si g est l’entrée et f la réponse impulsionnelle, alors f ∗ g est la
sortie du système. L’intégrale somme les contributions de l’entrée à tous les instants
passés τ ∈ [0, t], pondérées par la réponse impulsionnelle.

f (t − τ )
g(τ )

(f ∗ g)(t)
τ
t

Figure 3.2 – Illustration du produit de convolution : l’aire sous le produit des deux
fonctions donne la valeur de (f ∗ g)(t).

Propriété 3.19 (Commutativité, associativité). Le produit de convolution est commu-

tatif : f ∗ g = g ∗ f , associatif : (f ∗ g) ∗ h = f ∗ (g ∗ h), et distributif par rapport à
l’addition.
3.2. PRODUIT DE CONVOLUTION ET TRANSFORMÉE DE LAPLACE 25

Démonstration. Commutativité : Par le changement de variable u = t − τ (donc dτ =

−du, τ = 0 =⇒ u = t, τ = t =⇒ u = 0) :
Z t Z 0 Z t
(f ∗ g)(t) = f (t − τ )g(τ )dτ = f (u)g(t − u)(−du) = g(t − u)f (u)du = (g ∗ f )(t).
0 t 0

Associativité : Elle découle de l’associativité du produit de convolution standard sur R

en prolongeant les fonctions par 0 pour t < 0. Explicitement :
Z t Z t Z t−s 
((f ∗ g) ∗ h)(t) = (f ∗ g)(t − s)h(s)ds = f (t − s − τ )g(τ )dτ h(s)ds.
0 0 0

Le changement de variables u = τ , v = s, w = t − s − τ avec la condition u + v + w = t

montre que c’est égal à (f ∗ (g ∗ h))(t).

3.2.2 Théorème de convolution

Théorème 3.20 (Théorème de convolution de Laplace). Soient f, g deux fonctions ad-
mettant des transformées de Laplace F (p), G(p) pour Re(p) > σ. Alors :

L{(f ∗ g)(t)}(p) = F (p) G(p).

Démonstration. On part de la définition et on applique le théorème de Fubini-Tonelli.

Pour Re(p) > σ, la convergence absolue est assurée, ce qui légitime l’interversion des
intégrales.
Z +∞ Z t 
L{(f ∗ g)(t)}(p) = f (t − τ )g(τ ) dτ e−pt dt
0 0
Z +∞ Z +∞
= f (t − τ )g(τ )e−pt dt dτ (Fubini)
0 τ

Dans l’intégrale intérieure, on effectue le changement de variable u = t − τ (donc dt = du,

t = τ =⇒ u = 0, t → ∞ =⇒ u → ∞) :
Z +∞ Z +∞
= f (u)g(τ )e−p(u+τ ) du dτ
0Z +∞0  Z +∞ 
−pu −pτ
= f (u)e du g(τ )e dτ
0 0
= F (p)G(p).

À retenir
Convolution temporelle ↔ Produit dans Laplace :
L
(f ∗ g)(t) −
→ F (p) · G(p)

C’est la propriété duale de : produit temporel ↔ convolution dans Laplace (que

nous n’utiliserons pas directement ici).
26 CHAPITRE 3. TRANSFORMATION DE LAPLACE

3.2.3 Application aux équations intégrales de Volterra

Le théorème de convolution permet de résoudre simplement les équations intégrales
de type convolution.

Rt
Exemple 3.21 (Équation de Volterra de seconde espèce). Résoudre y(t) = t + 0 sin(t −
τ ) y(τ ) dτ .
Étape 1 - Reconnaître la convolution : Le terme intégral est exactement (sin ∗y)(t).
Étape 2 - Appliquer Laplace :

1 1
Y (p) = L{t} + L{sin ∗y} = 2
+ 2 Y (p).
p p +1

Étape 3 - Résoudre algébriquement :

 
1 1 1 1
Y (p) − 2 Y (p) = 2 =⇒ Y (p) 1 − 2 = 2.
p +1 p p +1 p

p2 1 p2 + 1 1 1
Y (p) 2
= 2
=⇒ Y (p) = 4
= 2 + 4.
p +1 p p p p

Étape 4 - Inverser :

t3
   
−1 1 −1 1
y(t) = L +L =t+ .
p2 p4 6

Vérification : On peut vérifier en substituant dans l’équation originale.

−t
R t −(t−τ ) 3.2.1. (Facile) En utilisant la transformée de Laplace, résoudre y(t) = e +
Exercice
0
e y(τ )dτ .

Rt
Exercice 3.2.2. (Intermédiaire) Résoudre l’équation intégro-différentielle : y ′ (t)+ 0 y(τ )dτ =
1, avec y(0) = 0.

3.3 Inversion de la transformée de Laplace

3.3.1 Stratégies pratiques pour l’inversion

Avant de plonger dans la théorie, voici une feuille de route pour inverser une transfor-
mée de Laplace F (p).
3.3. INVERSION DE LA TRANSFORMÉE DE LAPLACE 27

Stratégie pratique
Stratégies pour inverser F (p) :
1. Reconnaître directement dans la table des transformées usuelles
(Table 3.1). C’est la méthode la plus rapide !
2. Décomposer en éléments simples si F (p) est une fraction rationnelle, puis
utiliser la table.
3. Utiliser les propriétés opératoires :
— Facteur e−ap =⇒ retard temporel
— Translation p → p − a =⇒ multiplication par eat
— Puissance de p au dénominateur =⇒ intégration
4. Convolution : Si F (p) = G(p)H(p) et qu’on connaît les originaux g(t) et
h(t), alors f = g ∗ h.
5. Formule de Bromwich / Résidus en dernier recours, pour les cas com-
plexes.

3.3.2 Formule d’inversion de Bromwich

Le problème inverse consiste à retrouver f (t) à partir de F (p).
Théorème 3.22 (Formule de Bromwich). Soit F (p) une fonction holomorphe dans le
demi-plan Re(p) > σa , et supposons que F (p) satisfasse des conditions de décroissance
adéquates (par exemple |F (p)| ≤ M |p|−k avec k > 1 pour |p| grand). Alors, pour t > 0 :
Z γ+iR
1
f (t) = lim F (p)ept dp,
2πi R→∞ γ−iR

où γ > σa est un réel quelconque. Cette intégrale est prise le long de la droite verticale
Re(p) = γ, appelée droite de Bromwich.
Esquisse de preuve. On substitue la définition de F (p) dans l’intégrale de Bromwich :
Z γ+i∞ Z γ+i∞ Z ∞ 
1 pt 1 −pu
F (p)e dp = f (u)e du ept dp.
2πi γ−i∞ 2πi γ−i∞ 0

En intervertissant les intégrales (justifié par convergence absolue pour γ > σa ) :

Z ∞  Z γ+i∞ 
1 p(t−u)
f (u) e dp du.
0 2πi γ−i∞
L’intégrale intérieure est connue : en posant p = γ + iω, dp = idω, on obtient :
Z ∞ Z ∞
1 (γ+iω)(t−u) γ(t−u) 1
e dω = e eiω(t−u) dω = eγ(t−u) δ(t − u).
2π −∞ 2π −∞
Pour t > 0, l’intégrale donne f (t). La justification rigoureuse utilise le théorème des
résidus : on referme le contour par un grand demi-cercle à gauche (pour t > 0) et on
applique le théorème des résidus.
28 CHAPITRE 3. TRANSFORMATION DE LAPLACE

Remarque 3.23. En pratique, on referme le contour d’intégration par un grand demi-

cercle à gauche de la droite Re(p) = γ (lemme de Jordan) et on applique le théorème des
résidus. C’est la méthode des résidus qui est la plus utilisée.

3.3.3 Méthode des résidus pour les fractions rationnelles

Si F (p) = N (p)
D(p)
est une fraction rationnelle propre (deg N < deg D), alors |F (p)| =
O(1/|p|) quand |p| → ∞, ce qui satisfait les conditions du lemme de Jordan. On peut
alors écrire pour t > 0 :
X
Res F (p)ept , pk .


f (t) =
pôles pk de F (p)

Méthode
Calcul pratique du résidu :
— Pôle simple p0 : Res(F (p)ept , p0 ) = limp→p0 (p − p0 )F (p)ept
— Pôle multiple d’ordre m en p0 :

1 dm−1 
Res(F (p)ept , p0 ) = m pt

lim (p − p 0 ) F (p)e
(m − 1)! p→p0 dpm−1

1
Exemple 3.24 (Inversion par résidus - Pôles simples). Soit F (p) = (p+1)(p+2)
. Les pôles
sont simples : p1 = −1, p2 = −2.
Étape 1 : Calcul du résidu en p = −1 :

ept
Res(F (p)ept , −1) = lim (p + 1)
p→−1 (p + 1)(p + 2)
ept
e−t
= lim = = e−t .
p→−1 p + 2 1

Étape 2 : Calcul du résidu en p = −2 :

ept
Res(F (p)ept , −2) = lim (p + 2)
p→−2 (p + 1)(p + 2)
e pt
e−2t
= lim = = −e−2t .
p→−2 p + 1 −1

Étape 3 : Somme des résidus :

f (t) = e−t − e−2t .

1
Exemple 3.25 (Pôle multiple). Soit F (p) = (p+1) 3 . Le pôle triple est p = −1.

Étape 1 : On applique la formule pour un pôle d’ordre 3 (m = 3) :

ept d2 ept
   
1 3
Res , −1 = lim (p + 1) .
(p + 1)3 2! p→−1 dp2 (p + 1)3
3.3. INVERSION DE LA TRANSFORMÉE DE LAPLACE 29

Étape 2 : Simplification : (p + 1)3 F (p) = 1, mais attention, c’est (p + 1)3 F (p)ept = ept
qu’il faut dériver.
Étape 3 : Calcul des dérivées :
d pt
e = tept
dp
d2 pt
e = t2 ept .
dp2

Étape 4 : Évaluation en p = −1 :
1 2 −t
te .
2
2
On retrouve bien L{ t2 e−t } = 1
(p+1)3
.

3.3.4 Décomposition en éléments simples

Pour les fractions rationnelles, la méthode la plus courante consiste à décomposer F (p)
en somme de termes simples dont on connaît les originaux.
p+3
Exemple 3.26 (Décomposition détaillée). Déterminer f (t) tel que F (p) = p2 +3p+2
.
Étape 1 - Factoriser le dénominateur :

p2 + 3p + 2 = (p + 1)(p + 2).

Étape 2 - Forme de la décomposition :

p+3 A B
= + .
(p + 1)(p + 2) p+1 p+2

Étape 3 - Déterminer A et B : Multiplions par (p + 1)(p + 2) :

p + 3 = A(p + 2) + B(p + 1).

— En p = −1 : 2 = A(1) + B(0) =⇒ A = 2
— En p = −2 : 1 = A(0) + B(−1) =⇒ B = −1
Étape 4 - Inverser :
2 1
F (p) = − =⇒ f (t) = 2e−t − e−2t .
p+1 p+2

Astuce
Astuce pour la décomposition : La méthode des limites (ou méthode des résidus)
est très rapide :
−1 + 3 −2 + 3
A = lim (p + 1)F (p) = = 2, B = lim (p + 2)F (p) = = −1.
p→−1 −1 + 2 p→−2 −2 + 1
30 CHAPITRE 3. TRANSFORMATION DE LAPLACE

3.3.5 Utilisation des tables et des propriétés

Dans bien des cas, une combinaison astucieuse des propriétés (retard, amortissement,
dérivation) permet d’éviter le calcul intégral complexe.
e−2p
Exemple 3.27 (Combinaison de propriétés). Trouver l’original de F (p) = p2 +4p+5
.
Étape 1 - Mettre le dénominateur sous forme canonique :
p2 + 4p + 5 = (p2 + 4p + 4) + 1 = (p + 2)2 + 1.
Donc F (p) = e−2p · 1
(p+2)2 +1
.
n o
Étape 2 - Identifier sans le retard : On sait que L−1 p21+1 = sin t. Par translation
en fréquence (propriété 3) avec a = −2 :
 
−1 1
L 2
= e−2t sin t.
(p + 2) + 1
Étape 3 - Appliquer le retard : Le facteur e−2p correspond à un retard de a = 2
unités de temps. Donc :
f (t) = e−2(t−2) sin(t − 2) u(t − 2).
où u(t − 2) est la fonction échelon retardée (le signal est nul pour t < 2).
2p+5
Exercice 3.3.1. (Facile) Trouver l’original de F (p) = p2 +4p+13
.
e−3p
Exercice 3.3.2. (Intermédiaire) Inverser F (p) = p(p+1)2
.
Exercice 3.3.3. (Avancé) En utilisant le produit de convolution, trouver l’original de
1 1 1 1
F (p) = (p2 +1)2 . Indication : (p2 +1)2 = p2 +1 · p2 +1 .

3.4 Transformée de Laplace des distributions

La théorie des distributions permet d’étendre la transformation de Laplace à des objets
singuliers comme la masse de Dirac et ses dérivées, très utiles en traitement du signal et
en automatique.
Définition 3.28 (Distribution de Dirac). La distribution de Dirac δ(t) est définie par
son action sur les fonctions tests φ ∈ D(R) : ⟨δ, φ⟩ = φ(0). Sa transformée de Laplace est
définie par : Z +∞
L{δ(t)}(p) = δ(t)e−pt dt := e−p·0 = 1.
0−

De même, par la propriété de dérivation des distributions : L{δ (n) (t)}(p) = pn .

Intuition
Impulsion de Dirac : Physiquement, δ(t) représente une impulsion infiniment
brève et infiniment intense, mais d’énergie totale finie (égale à 1). En Laplace, cette
impulsion a un spectre plat (F (p) = 1), ce qui signifie qu’elle contient toutes les
fréquences avec la même amplitude. C’est le signal de test idéal pour caractériser
un système.
3.5. TRANSFORMÉE DE LAPLACE MULTIDIMENSIONNELLE 31

Remarque 3.29 (Convention 0− ). Pour prendre en compte correctement les conditions

initiales dans les équations différentielles avec second membre impulsionnel, on utiliseR∞
souvent la transformée de Laplace définie avec une borne inférieure 0− , c’est-à-dire 0− .
Ainsi, L{δ} = 1 et la dérivation devient L{f ′ } = pF (p) − f (0− ). Ceci permet de capturer
d’éventuelles discontinuités en t = 0.

3.4.1 Peigne de Dirac et échantillonnage

P∞
Le peigne de Dirac T (t) = n=−∞ δ(t − nT ) intervient dans l’échantillonnage. Sa
transformée de Laplace (unilatérale) est :
(∞ ) ∞
X X 1
L δ(t − nT ) (p) = e−nT p = −T p
, Re(p) > 0.
n=0 n=0
1 − e

3.5 Transformée de Laplace multidimensionnelle

3.5.1 Définition à deux dimensions
La transformée de Laplace s’étend naturellement aux fonctions de plusieurs variables.
Pour une fonction f (t1 , t2 ) définie sur [0, +∞[2 , on définit :
Z +∞ Z +∞
L2 {f }(p1 , p2 ) = F (p1 , p2 ) = f (t1 , t2 )e−p1 t1 −p2 t2 dt1 dt2 .
0 0

Le domaine de convergence est un produit de demi-plans : Re(p1 ) > σ1 et Re(p2 ) > σ2 .

3.5.2 Convolution bidimensionnelle

Le produit de convolution causal à deux dimensions est défini par :
Z t1 Z t2
(f ∗ ∗g)(t1 , t2 ) = f (t1 − τ1 , t2 − τ2 )g(τ1 , τ2 ) dτ1 dτ2 .
0 0

Le théorème de convolution reste valable : L2 {f ∗ ∗g} = F · G.

3.5.3 Lien avec la transformée de Fourier

La transformée de Laplace bilatérale est définie par :
Z +∞
LII {f }(p) = f (t)e−pt dt.
−∞

Si l’on pose p = iω (axe imaginaire), on obtient la transformée de Fourier :

Z +∞
F (iω) = f (t)e−iωt dt.
−∞

Cependant, l’avantage de Laplace réside dans la prise en compte automatique des condi-
tions initiales via les bornes d’intégration 0 et +∞, ce qui est parfaitement adapté aux
problèmes de Cauchy.
32 CHAPITRE 3. TRANSFORMATION DE LAPLACE

À retenir
Laplace vs Fourier :
— Fourier : Analyse fréquentielle pure (p = iω), pour les signaux existant depuis
t = −∞.
— Laplace unilatérale : Intègre naturellement les conditions initiales, idéal
pour les problèmes d’évolution (Cauchy) à partir de t = 0.

3.6 Applications approfondies de la transformation de

Laplace
3.6.1 Résolution des équations différentielles linéaires à coeffi-
cients constants
La transformation de Laplace convertit une équation différentielle en une équation
algébrique.
Méthode
Méthode systématique pour résoudre une EDO avec Laplace :
1. Appliquer L à toute l’équation, en utilisant les propriétés de dérivation et la
linéarité.
2. Remplacer les conditions initiales.
3. Résoudre l’équation algébrique pour obtenir Y (p).
4. Décomposer Y (p) en éléments simples si nécessaire.
5. Inverser pour obtenir y(t) (utiliser la table).

Exemple 3.30 (Système masse-ressort amorti - Résolution détaillée). Équation : y ′′ (t) +

3y ′ (t) + 2y(t) = e−t , avec y(0) = 1, y ′ (0) = 0.
Étape 1 - Application de Laplace :
L{y ′′ } = p2 Y (p) − py(0) − y ′ (0) = p2 Y (p) − p · 1 − 0 = p2 Y (p) − p
L{y ′ } = pY (p) − y(0) = pY (p) − 1
L{y} = Y (p)
1
L{e−t } =
p+1
Étape 2 - Substitution :
1
[p2 Y (p) − p] + 3[pY (p) − 1] + 2Y (p) = .
p+1
Étape 3 - Regroupement :
1
(p2 + 3p + 2)Y (p) − p − 3 = .
p+1
3.6. APPLICATIONS APPROFONDIES DE LA TRANSFORMATION DE LAPLACE33

1 1 + (p + 3)(p + 1) p2 + 4p + 4 (p + 2)2
(p + 1)(p + 2)Y (p) = +p+3= = = .
p+1 p+1 p+1 p+1
Étape 4 - Isolation de Y (p) :

(p + 2)2 p+2
Y (p) = 2
= .
(p + 1) (p + 2) (p + 1)2

Étape 5 - Décomposition :

p+2 A B
2
= + .
(p + 1) p + 1 (p + 1)2

Multiplions par (p + 1)2 : p + 2 = A(p + 1) + B. En p = −1 : 1 = B. Par identification :

1 1
A = 1. Donc Y (p) = p+1 + (p+1) 2.

Étape 6 - Inversion :

y(t) = e−t + te−t = (t + 1)e−t .

3.6.2 Fonction de transfert et analyse des systèmes

Définition 3.31 (Fonction de transfert). Pour un système linéaire invariant dans le temps
(SLIT) décrit par l’équation différentielle :

an y (n) + an−1 y (n−1) + · · · + a0 y = bm x(m) + · · · + b0 x,

avec conditions initiales nulles, la fonction de transfert est :

Y (p) bm pm + · · · + b0
H(p) = = .
X(p) an pn + · · · + a0

Intuition
Interprétation de H(p) : H(p) est la signature du système dans le domaine de
Laplace. Elle contient toute l’information sur son comportement dynamique. Si on
connaît H(p) et l’entrée X(p), la sortie est simplement Y (p) = H(p)X(p).

Définition 3.32 (Stabilité BIBO). Un système est stable au sens Bounded Input Bounded
Output (BIBO) si toute entrée bornée produit une sortie bornée. Ceci est équivalent à ce
que tous les pôles de H(p) aient une partie réelle strictement négative.
1
Exemple 3.33 (Filtre passe-bas RC). La fonction de transfert est H(p) = RCp+1 . Le
pôle est p = −1/RC < 0, donc le système est stable. Sa réponse impulsionnelle est
1 −t/RC 1
h(t) = RC e u(t). La réponse à un échelon X(p) = 1/p est Y (p) = p(RCp+1) . Par
décomposition :
1 RC 1 1
Y (p) = − = − .
p RCp + 1 p p + 1/RC
D’où y(t) = 1 − e−t/RC pour t ≥ 0.
34 CHAPITRE 3. TRANSFORMATION DE LAPLACE

3.6.3 Exemples en automatique et en électricité

— Électricité : Analyse des circuits RLC, calcul des régimes transitoires.
— Mécanique : Étude des vibrations amorties, résonance.
— Automatique : Calcul des correcteurs PID, lieux d’Evans, marges de stabilité.
di
Rt
Exemple 3.34 (Circuit RLC série). Équation : L dt +Ri + C1 0 i(τ )dτ = e(t). En Laplace
(conditions nulles) :
1 E(p) p/L
LpI(p) + RI(p) + I(p) = E(p) =⇒ I(p) = 1 = E(p).
Cp Lp + R + Cp p2 +R
L
p+ 1
LC

√ q
Le dénominateur p2 + 2ξω0 p + ω02 avec ω0 = 1/ LC et ξ = R2 CL (facteur d’amortis-
sement). La nature de la réponse (apériodique, critique, oscillatoire amortie) dépend de
ξ.

3.6.4 Résolution d’équations aux dérivées partielles

La transformation de Laplace peut être utilisée pour résoudre certaines EDP en ré-
duisant le nombre de variables. Par exemple, pour l’équation de la chaleur :
∂u ∂ 2u
= α 2, u(x, 0) = f (x), u(0, t) = 0.
∂t ∂x
En appliquant Laplace en t, on obtient une EDO en x :
d2 U
pU (x, p) − f (x) = α .
dx2
On résout cette EDO avec les conditions aux limites, puis on inverse.

3.6.5 Équations intégro-différentielles

La transformée de Laplace est également un outil puissant pour les équations intégro-
différentielles qui apparaissent en viscoélasticité, en électromagnétisme, etc.
Rt
Exemple 3.35 (Résolution détaillée). Résoudre y ′ (t) + 0 y(τ )dτ = sin t, y(0) = 0.
Étape 1 - Appliquer Laplace :

L{y ′ } = pY (p) − y(0) = pY (p)

Z t 
Y (p)
L y(τ )dτ =
0 p
1
L{sin t} = 2
p +1
Étape 2 - Équation algébrique :
 
1 1 1 1
pY (p) + Y (p) = 2 =⇒ Y (p) p + = 2 .
p p +1 p p +1
3.6. APPLICATIONS APPROFONDIES DE LA TRANSFORMATION DE LAPLACE35

Étape 3 - Simplifier :
p2 + 1 1 p
Y (p) = 2 =⇒ Y (p) = 2 .
p p +1 (p + 1)2
Étape 4 - Inverser : On reconnaît une forme liée à la dérivation en fréquence. On
sait que L{sin t} = p21+1 . La propriété de dérivation dans l’espace image donne :
L{tf (t)} = −F ′ (p).
Ici, si on prend f (t) = sin t, alors F (p) = 1
et F ′ (p) = − (p22p
p2 +1 +1)2
. Donc :
 
2p −1 p t
L{t sin t} = =⇒ L = sin t.
(p2 + 1)2 2
(p + 1) 2 2
Ainsi, y(t) = 2t sin t.
Exercice 3.6.1. (Facile) Résoudre y ′′ + 4y = 0, y(0) = 1, y ′ (0) = 0 en utilisant Laplace.
2
Exercice 3.6.2. (Intermédiaire) Un système a pour fonction de transfert H(p) = (p+1)(p+3) .
Déterminer sa réponse à un échelon unité x(t) = u(t).
Rt
Exercice 3.6.3. (Avancé) Résoudre l’équation intégrale y(t) = t2 + 0 (t − τ )y(τ )dτ .

Résumé du chapitre
À retenir
Formules clés à retenir :
1 n!
L{1} = , Re(p) > 0 L{tn } = , Re(p) > 0
p pn+1
1 ω
L{eat } = , Re(p) > Re(a) L{sin(ωt)} = 2
p−a p + ω2
p
L{cos(ωt)} = 2 2
L{f ′ (t)} = pF (p) − f (0+ )
p +ω
at
L{e f (t)} = F (p − a) L{f (t − a)u(t − a)} = e−ap F (p)
L{f ∗ g} = F (p)G(p) L{tf (t)} = −F ′ (p)

Méthodes d’inversion :
1. Table des transformées (reconnaissance directe)
2. Décomposition en éléments simples
3. Utilisation des propriétés (retard, amortissement, convolution)
4. Méthode des résidus (formule de Bromwich)
Conditions importantes :
— Toujours vérifier le domaine de convergence Re(p) > σa
— Le théorème de la valeur finale nécessite que pF (p) n’ait pas de pôles à partie
réelle ≥ 0 (sauf éventuellement un pôle simple en 0)
Chapitre 4

Résolution des EDO non linéaires

Introduction
Contrairement aux équations différentielles linéaires, les équations non linéaires ne
possèdent pas de méthode de résolution générale. Leur étude requiert une combinaison
d’outils qualitatifs (théorie de Cauchy-Lipschitz, stabilité de Lyapunov) et quantitatifs
(méthodes analytiques approchées, méthodes numériques, approches variationnelles). Ce
chapitre présente les fondements théoriques des EDO non linéaires ainsi qu’un large éven-
tail de techniques de résolution.
Intuition
Pourquoi les EDO non linéaires sont-elles si différentes ?
— Linéaire : Le principe de superposition s’applique. Si y1 et y2 sont solutions,
ay1 + by2 aussi. Les solutions forment un espace vectoriel.
— Non linéaire : Pas de superposition ! Des comportements radicalement nou-
veaux émergent : explosion en temps fini, cycles limites, chaos, bifurcations.
Pensez à y ′ = y (linéaire) vs y ′ = y 2 (non linéaire). La première a des solutions
définies pour tout t, la seconde explose en temps fini !

4.1 Théorie fondamentale des EDO non linéaires

4.1.1 Définitions et premières notions
On s’intéresse au problème de Cauchy pour une équation différentielle ordinaire (EDO)
du premier ordre sous forme normale :

y ′ (t) = f (t, y(t)), y(t0 ) = y0 , (4.1)

où f : I × Ω → Rn , avec I ⊂ R un intervalle ouvert et Ω ⊂ Rn un ouvert. Une solution

est une fonction y : J → Rn dérivable (donc continue) satisfaisant (4.1) pour tout t ∈ J.
Définition 4.1 (Solution maximale). Une solution y : J → Rn est dite maximale s’il
n’existe pas de solution ỹ : J˜ → Rn telle que J ⊊ J˜ et ỹ|J = y. L’intervalle J est alors
l’intervalle maximal d’existence.

36
4.1. THÉORIE FONDAMENTALE DES EDO NON LINÉAIRES 37

Intuition
Intervalle maximal : C’est le plus grand intervalle de temps sur lequel la solution
peut être définie sans cesser d’exister (par explosion ou sortie du domaine). Pour
y ′ = y 2 , y(0) = 1, l’intervalle maximal est ] − ∞, 1[ car la solution explose en t = 1.

Définition 4.2 (Flot). Si la solution maximale est unique pour chaque condition initiale
(t0 , y0 ), on peut définir une application Φ : D ⊂ R × Rn → Rn appelée flot du champ de
vecteurs f , telle que t 7→ Φ(t, t0 , y0 ) est la solution de (4.1).

4.1.2 Théorème de Cauchy-Lipschitz

Le théorème fondamental garantissant l’existence et l’unicité locales repose sur une
hypothèse de régularité de f .
Théorème 4.3 (Cauchy-Lipschitz, forme locale). Supposons que f : I × Ω → Rn soit
continue et localement lipschitzienne par rapport à la variable d’état y. C’est-à-dire :
pour tout point (t0 , y0 ) ∈ I ×Ω, il existe un voisinage V de (t0 , y0 ) et une constante LV > 0
tels que pour tous (t, y1 ), (t, y2 ) ∈ V ,
∥f (t, y1 ) − f (t, y2 )∥ ≤ LV ∥y1 − y2 ∥.
Alors, pour toute condition initiale (t0 , y0 ) ∈ I × Ω, il existe δ > 0 et une unique solution
y :]t0 − δ, t0 + δ[∩I → Rn du problème de Cauchy (4.1).
Remarque 4.4. Une condition suffisante pour que f soit localement lipschitzienne est que
f soit de classe C 1 par rapport à y. Dans ce cas, on peut prendre LV = sup(t,y)∈V ∥Dy f (t, y)∥.

Intuition
Signification géométrique de Lipschitz : La condition de Lipschitz signifie que
la pente de f par rapport à y est bornée localement. Cela empêche que deux solutions
ne se croisent ou ne divergent trop violemment.
p Sans cette condition, l’unicité peut
être perdue (exemple classique : y ′ = |y| avec y(0) = 0 admet une infinité de
solutions).

Démonstration détaillée. On se place pour simplifier dans le cas autonome (f ne dé-

pend pas explicitement de t) et on prend t0 = 0. Le cas général s’y ramène en aug-
mentant la dimension. On fixe y0 ∈ Ω et on choisit r > 0 tel que la boule fermée
B(y0 , r) ⊂ Ω. Soit M = supy∈B(y0 ,r) ∥f (y)∥. On pose T = r/M et on considère l’es-
pace E = C([−T, T ], B(y0 , r)) muni de la norme uniforme ∥y∥∞ = supt∈[−T,T ] ∥y(t)∥. C’est
un espace métrique complet.
On définit l’opérateur intégral Φ : E → E par
Z t
Φ(y)(t) = y0 + f (y(s))ds.
0

Pour y ∈ E et t ∈ [−T, T ], on a
Z t
∥Φ(y)(t) − y0 ∥ ≤ | ∥f (y(s))∥ds| ≤ M |t| ≤ M T = r,
0
38 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

donc Φ(y) ∈ E. Montrons que Φ est contractante pour T assez petit. Soient y1 , y2 ∈ E.
Z t
∥Φ(y1 )(t) − Φ(y2 )(t)∥ ≤ | ∥f (y1 (s)) − f (y2 (s))∥ds|
0
Z t
≤ L| ∥y1 (s) − y2 (s)∥ds|
0
≤ L|t|∥y1 − y2 ∥∞ ,
où L est la constante de Lipschitz de f sur B(y0 , r). Donc
∥Φ(y1 ) − Φ(y2 )∥∞ ≤ LT ∥y1 − y2 ∥∞ .
Si LT < 1, Φ est une contraction. Quitte à réduire T (par exemple T = min(r/M, 1/(2L))),
on obtient une contraction. Le théorème du point fixe de Banach-Picard assure alors
R t l’unicité d’un point fixe y ∈ E, qui est solution de l’équation intégrale
l’existence et
y(t) = y0 + 0 f (y(s))ds, donc solution de l’EDO. L’extension au cas non autonome et à
des intervalles asymétriques est immédiate.

4.1.3 Prolongement des solutions et théorème d’explosion

Une fois l’existence locale établie, on peut chercher à étendre la solution au plus grand
intervalle possible.
Théorème 4.5 (Prolongement). Sous les hypothèses de Cauchy-Lipschitz, toute solution
peut être prolongée de manière unique en une solution maximale. L’intervalle maximal
d’existence ]T− , T+ [ est ouvert.
Démonstration. Soit S l’ensemble de toutes les solutions locales prolongeant la solution
donnée. On définit T+ = sup{t | il existe une solution définie jusqu’à t}. Par le lemme
de Zorn ou par recollement, on montre qu’il existe une solution maximale définie sur
]T− , T+ [. L’unicité locale garantit que deux solutions coïncident sur l’intersection de leurs
domaines, d’où l’unicité de la solution maximale.
Théorème 4.6 (Théorème des bouts / d’explosion). Soit y :]T− , T+ [→ Rn une solution
maximale de y ′ = f (t, y). Si T+ < +∞, alors pour tout compact K ⊂ Ω, il existe un
temps τ < T+ tel que y(t) ∈ / K pour tout t ∈ [τ, T+ [. En particulier, si Ω = Rn , alors
limt→T+ ∥y(t)∥ = +∞.
Démonstration. Supposons par l’absurde que T+ < ∞ et que la solution reste dans un
compact K ⊂ Ω pour tout t ∈ [t0 , T+ [. Alors f est bornée sur [t0 , T+ ]×K par une constante
M . L’équation intégrale donne ∥y(t)−y(s)∥ ≤ M |t−s|, donc y est uniformément continue
et admet une limite y ∗ ∈ K lorsque t → T+ . On peut alors résoudre le problème de Cauchy
avec condition initiale y(T+ ) = y ∗ et prolonger la solution au-delà de T+ , contredisant la
maximalité. Donc la solution doit quitter tout compact.
Piège à éviter
Attention : Ce n’est pas parce qu’une solution explose numériquement qu’elle
explose mathématiquement ! Toujours vérifier si l’explosion est due à la physique du
problème ou à une instabilité numérique. Le théorème des bouts donne un critère
précis.
4.2. MÉTHODES ANALYTIQUES POUR LES EDO NON LINÉAIRES 39

Exemple 4.7 (Explosion en temps fini). Considérons y ′ = y 2 , y(0) = 1. La solution est

1
y(t) = 1−t . L’intervalle maximal est ] − ∞, 1[. Ici T+ = 1, et effectivement limt→1− y(t) =
+∞.

4.1.4 Dépendance par rapport aux conditions initiales et aux pa-

ramètres
Théorème 4.8 (Dépendance continue et différentiable). Si f est continue et localement
lipschitzienne en y, alors le flot Φ(t, t0 , y0 ) est continu par rapport à l’ensemble de ses
variables. Si de plus f est de classe C k , alors le flot est de classe C k .

Idée de la preuve. La continuité se démontre en utilisant le lemme de Grönwall pour

estimer l’écart entre deux solutions de conditions initiales proches. Pour la différentia-
∂Φ
bilité, on considère l’équation variationnelle : la dérivée ∂y 0
satisfait une EDO linéaire
Ż = Dy f (t, Φ(t))Z avec Z(t0 ) = I. L’existence et la régularité de cette matrice découlent
de la théorie linéaire.

Ce résultat est crucial pour l’étude de la stabilité au sens de Lyapunov.

√
Exercice 4.1.1. (Facile) Vérifier que y ′ = y avec y(0) = 0 n’a pas une solution unique.
Pourquoi le théorème de Cauchy-Lipschitz ne s’applique-t-il pas ?

Exercice 4.1.2. (Intermédiaire) Déterminer l’intervalle maximal d’existence pour y ′ = ey

avec y(0) = 0.

4.2 Méthodes analytiques pour les EDO non linéaires

Contrairement au cas linéaire où la solution générale s’exprime à l’aide de la matrice
exponentielle, les EDO non linéaires ne possèdent pas de méthode de résolution universelle.
Nous présentons ici les principales techniques permettant d’obtenir des solutions exactes.

4.2.1 Résolution explicite par quadratures

Certaines équations se ramènent à un calcul d’intégrales (quadratures). C’est le cas
des équations à variables séparables et de quelques formes particulières.
Méthode
dy
Équations à variables séparables : Si y ′ = g(t)h(y), on écrit h(y) = g(t)dt et on
intègre des deux côtés. Attention aux valeurs y où h(y) = 0 (solutions constantes).

Exemple 4.9 (Équation logistique - Résolution détaillée). y ′ = ky(M −y), avec k, M > 0.
Cette équation modélise la croissance d’une population avec limitation des ressources.
Étape 1 - Séparation des variables :

dy
= k dt.
y(M − y)
40 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

Étape 2 - Décomposition en éléments simples :

 
1 1 1 1
= + .
y(M − y) M y M −y
−y+y
Vérification : M1 ( M
y(M −y)
) = y(M1−y) .
Étape 3 - Intégration :
Z Z  
dy 1 1 1 1 1 y
= + dy = (ln |y| − ln |M − y|) = ln .
y(M − y) M y M −y M M M −y
1 y
ln = kt + C.
M M −y
Étape 4 - Résolution pour y :
y y ′
ln = M kt + C ′ =⇒ = AeM kt (où A = ±eC ).
M −y M −y

Étape 5 - Condition initiale y(0) = y0 :

y0 y0
= A =⇒ A = .
M − y0 M − y0

y = (M − y)AeM kt =⇒ y(1 + AeM kt ) = M AeM kt .

M AeM kt M M
y(t) = M kt
= 1 −M kt =
  .
1 + Ae 1 + Ae 1+ M − 1 e−M kt
y0

Exemple 4.10 (Équation de Bernoulli). y ′ + p(t)y = q(t)y n , avec n ̸= 0, 1.

Méthode : On pose z = y 1−n . Alors :

z ′ = (1 − n)y −n y ′ = (1 − n)y −n (q(t)y n − p(t)y) = (1 − n)q(t) − (1 − n)p(t)y 1−n .

Donc z ′ + (1 − n)p(t)z = (1 − n)q(t), qui est une équation linéaire en z !

Exemple concret : y ′ + 1t y = ty 2 , avec n = 2, p(t) = 1/t, q(t) = t. On pose z = y −1 ,
alors z ′ = −y −2 y ′ . L’équation devient :
1
z ′ − z = −t.
t
C’est une EDO linéaire d’ordre 1, qu’on résout par facteur intégrant.

4.2.2 Méthode des séries entières

Lorsque le second membrePf (t, y) est analytique, on peut chercher la solution sous
forme de série entière y(t) = ∞ n
n=0 an (t − t0 ) . On injecte cette série dans l’équation et
on identifie les coefficients de même puissance.
Théorème 4.11 (Cauchy-Kowalevski pour les EDO). Si f (t, y) est analytique au voisi-
nage de (t0 , y0 ), alors le problème de Cauchy admet une unique solution analytique y(t)
dans un voisinage de t0 .
4.3. MÉTHODES APPROCHÉES ET SEMI-ANALYTIQUES 41

Exemple 4.12P(Équation de Riccati - Calcul détaillé). y ′ = y 2 + t, avec y(0) = 0. On

cherche y(t) = ∞ n
n=0 an t . Alors a0 = y(0) = 0.
Étape 1 - Expressions des séries :
∞
X
y ′ (t) = (n + 1)an+1 tn ,
n=0

∞
!2 ∞ n
!
X X X
2 n
y(t) = an t = ak an−k tn .
n=0 n=0 k=0

Étape 2 - Identification des coefficients : L’équation y ′ = y 2 + t donne, pour

n=0:
a1 = a20 + 0 = 0.
Pour n = 1 :
2a2 = 2a0 a1 + 1 = 1 =⇒ a2 = 1/2.
Pour n = 2 :
3a3 = 2a0 a2 + a21 + 0 = 0 =⇒ a3 = 0.
Pour n = 3 :
4a4 = 2a0 a3 + 2a1 a2 + 0 = 0 =⇒ a4 = 0.
Pour n = 4 :
X4
5a5 = ak a4−k = a0 a4 + a1 a3 + a2 a2 + a3 a1 + a4 a0 = (1/2)2 = 1/4 =⇒ a5 = 1/20.
k=0

Étape 3 - Solution approchée :

1 1
y(t) = t2 + t5 + O(t6 ).
2 20
Astuce
Calcul du produit de Cauchy : Le terme nk=0 ak an−k est le coefficient de tn dans
P
le produit de deux séries. Pour n = 4, seuls les termes avec k = 2 (car a0 = a1 = 0)
contribuent : a2 a2 = 1/4.

Exercice 4.2.1. (Facile) Résoudre par séparation des variables : y ′ = ty 2 , y(0) = 1.

Exercice 4.2.2. (Intermédiaire) Utiliser la méthode de Bernoulli pour résoudre y ′ + y =
√
t y, y(0) = 1.

4.3 Méthodes approchées et semi-analytiques

4.3.1 Méthodes de perturbation
Lorsque l’équation contient un petit paramètre ε, on peut chercher un développement
asymptotique de la solution.
y ′ (t) = f (t, y, ε). (4.2)
On écrit y(t) = y0 (t) + εy1 (t) + ε2 y2 (t) + · · · et on injecte dans l’équation. En identifiant
les puissances de ε, on obtient une cascade d’équations linéaires.
42 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

Exemple 4.13 (Oscillateur de Van der Pol faiblement non linéaire). y ′′ +ε(y 2 −1)y ′ +y =
0. Pour ε = 0, la solution est y0 (t) = A cos(t + ϕ). À l’ordre ε, on trouve une équation
qui fait apparaître des termes dits séculaires (en t cos t) qui détruisent l’uniformité de
l’approximation pour les temps longs. La méthode de Lindstedt-Poincaré consiste à
développer également la fréquence en série de ε pour absorber ces termes séculaires.

4.3.2 Méthode de décomposition d’Adomian

Cette méthode semi-analytique est très populaire pour obtenir des solutions appro-
chées sous forme de séries rapidement convergentes.
On écrit l’équation sous la forme :
Ly + Ry + N y = g,
où L est un opérateur linéaire inversible (souvent la dérivée d’ordre le plus élevé), R est le
−1
reste linéaire, et N est l’opérateur non linéaire.
P∞ On suppose que L est une intégration.
On cherche la solution sous la forme y = n=0 yn et on décompose le terme non linéaire
en polynômes d’Adomian An :
∞
! ∞
X X
N yn = An .
n=0 n=0
Les polynômes An sont définis par :
" n
!#
1 dn X
An = N λk yk .
n! dλn k=0 λ=0
Le schéma récursif est alors :
(
y0 = L−1 g + Φ0 ,
yn+1 = −L−1 (Ryn ) − L−1 (An ), n ≥ 0,
où Φ0 intègre les conditions initiales.
Rt
Exemple 4.14 (Application à y ′ = y 2 , y(0) = 1). Ici Ly = y ′ , donc L−1 = 0 (·)dτ .
L’équation est y = 1 + L−1 (y 2 ). On a y0 = 1. Les polynômes d’Adomian pour N (y) = y 2
sont :
A0 = y02 = 1,
A1 = 2y0 y1 = 2y1 ,
A2 = 2y0 y2 + y12 = 2y2 + y12 ,
A3 = 2y0 y3 + 2y1 y2 .
Ainsi :
Z t Z t
y1 = A0 dτ = 1dτ = t,
0 0
Z t Z t
y2 = A1 dτ = 2(1)(t)dt = t2 ,
Z0 t Z 0t
y3 = A2 dt = (2t2 + t2 )dt = t3 .
0 0
1
On retrouve bien la série géométrique y(t) = 1 + t + t2 + t3 + · · · = 1−t
pour |t| < 1.
4.4. STABILITÉ DES SOLUTIONS 43

4.3.3 Séries de Volterra

Les séries de Volterra généralisent la notion de convolution au cas non linéaire. Pour
un système non linéaire causal, la sortie peut s’écrire :
Z t Z tZ t
y(t) = h0 + h1 (τ )x(t − τ )dτ + h2 (τ1 , τ2 )x(t − τ1 )x(t − τ2 )dτ1 dτ2 + · · ·
0 0 0

Les noyaux hn caractérisent complètement le système. Ces séries sont utilisées en traite-
ment du signal non linéaire et en identification de systèmes.

4.4 Stabilité des solutions

4.4.1 Définitions de stabilité au sens de Lyapunov
On considère un système autonome y ′ = f (y) avec point d’équilibre y ∗ (i.e. f (y ∗ ) = 0).
Sans perte de généralité, on peut translater pour que y ∗ = 0.

Définition 4.15. L’équilibre 0 est :

— Stable si pour tout ε > 0, il existe δ > 0 tel que si ∥y(0)∥ < δ, alors ∥y(t)∥ < ε
pour tout t ≥ 0.
— Attractif s’il existe η > 0 tel que ∥y(0)∥ < η =⇒ limt→∞ y(t) = 0.
— Asymptotiquement stable s’il est stable et attractif.
— Instable s’il n’est pas stable.

y2
Instable
Stable

y1
0
Asymptotiquement stable

Figure 4.1 – Illustration des différents types de stabilité d’un point d’équilibre.

4.4.2 Méthode de linéarisation

Théorème 4.16 (Stabilité par linéarisation). Soit A = Df (0) la jacobienne de f à
l’équilibre. Si toutes les valeurs propres de A ont une partie réelle strictement négative,
alors 0 est asymptotiquement stable. Si au moins une valeur propre a une partie réelle
strictement positive, alors 0 est instable.
44 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

Esquisse. On écrit f (y) = Ay + g(y) avec g(y) = o(∥y∥). La solution du linéarisé z ′ = Az

décroît exponentiellement. On montre que la solution non linéaire reste proche de la
solution linéaire grâce au lemme de Grönwall et aux estimations de la matrice exponen-
tielle.

4.4.3 Méthode directe de Lyapunov

Théorème 4.17 (Lyapunov). S’il existe une fonction V : Ω → R de classe C 1 telle que :
— V (0) = 0 et V (y) > 0 pour y ̸= 0,
— V̇ (y) := ∇V (y) · f (y) ≤ 0 dans un voisinage de 0,
alors l’équilibre 0 est stable. Si de plus V̇ (y) < 0 pour y ̸= 0, alors 0 est asymptotiquement
stable.

Démonstration. Soit ε > 0. On choisit α = min∥y∥=ε V (y) > 0. Par continuité de V , il

existe δ > 0 tel que ∥y∥ < δ =⇒ V (y) < α. Alors pour toute condition initiale dans
la boule B(0, δ), V (y(t)) est décroissante (car V̇ ≤ 0), donc V (y(t)) ≤ V (y(0)) < α. Par
conséquent, y(t) ne peut atteindre la sphère ∥y∥ = ε car sinon V y serait ≥ α. D’où la
stabilité. L’attractivité se montre en utilisant le principe d’invariance de LaSalle.

Intuition
Fonction de Lyapunov : Pensez à V comme une énergie du système. Si l’énergie
est toujours positive (sauf à l’équilibre où elle est nulle) et qu’elle ne peut que
décroître, alors le système va inévitablement se stabiliser à l’équilibre.

4.5 Méthodes numériques pour les EDO non linéaires

Lorsque les solutions analytiques sont inaccessibles, on a recours à des méthodes d’ap-
proximation numérique.

4.5.1 Méthodes à un pas : Euler et Runge-Kutta

On discrétise l’intervalle de temps avec un pas h > 0, et on note tn = t0 + nh,
yn ≈ y(tn ).

Définition 4.18 (Méthode d’Euler explicite).

yn+1 = yn + hf (tn , yn ).

C’est une méthode d’ordre 1, simple mais souvent instable pour des pas trop grands.

Définition 4.19 (Méthodes de Runge-Kutta). Les méthodes de Runge-Kutta calculent

des étapes intermédiaires pour améliorer l’ordre. La plus célèbre est la méthode RK4
4.6. MÉTHODES MODERNES : PHYSICS-INFORMED NEURAL NETWORKS (PINNS)45

(ordre 4) :

k1 = f (tn , yn ),
k2 = f (tn + h/2, yn + hk1 /2),
k3 = f (tn + h/2, yn + hk2 /2),
k4 = f (tn + h, yn + hk3 ),
h
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 ).
6

4.5.2 Analyse de convergence et stabilité

Définition 4.20 (Erreur de consistance et convergence). Une méthode est dite consis-
∗
tante d’ordre p si l’erreur de troncature locale satisfait ∥y(tn+1 ) − yn+1 ∥ = O(hp+1 ),
∗
où yn+1 est la valeur obtenue en partant de la solution exacte en tn . Une méthode est
convergente d’ordre p si l’erreur globale ∥y(tn ) − yn ∥ = O(hp ) pour tn fixé.

Pour les méthodes à un pas, la consistance et la stabilité (au sens de la stabilité zéro)
impliquent la convergence.

Définition 4.21 (Stabilité absolue). Pour l’équation test y ′ = λy avec Re(λ) < 0, la
solution exacte tend vers 0. Une méthode numérique appliquée avec un pas h produit une
suite qui tend vers 0 si hλ appartient à la région de stabilité absolue de la méthode.

Définition 4.22 (Systèmes raides). Un système est dit raide s’il fait intervenir des
constantes de temps très différentes (exemple : cinétique chimique, circuits électroniques
avec des dynamiques lentes et rapides). Pour ces systèmes, les méthodes explicites im-
posent un pas h extrêmement petit pour rester stables, ce qui les rend inutilisables en
pratique. On préfère les méthodes implicites (Euler implicite, méthodes BDF) qui sont
inconditionnellement stables (A-stables).

Piège à éviter
Raideur numérique : Un système avec des dynamiques lentes et rapides (ex :
τ1 = 1s, τ2 = 10−6 s) forcera un pas explicite de l’ordre de 10−6 s, même si on ne
s’intéresse qu’à la dynamique lente ! Utilisez des solveurs implicites (ode15s dans
MATLAB, BDF dans SciPy).

4.6 Méthodes modernes : Physics-Informed Neural Net-

works (PINNs)
4.6.1 Réseaux de neurones artificiels
Un réseau de neurones feedforward à L couches est une fonction paramétrique N (x; θ)
de la forme :

N (x) = WL σ(WL−1 σ(· · · σ(W1 x + b1 ) · · · ) + bL−1 ) + bL ,

46 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

où σ est une fonction d’activation non linéaire (ReLU, tanh, sigmoïde). Les paramètres
θ = {Wi , bi } sont ajustés par descente de gradient afin de minimiser une fonction
de coût (loss function). L’algorithme de rétropropagation (backpropagation) calcule
efficacement le gradient de la fonction de coût par rapport aux paramètres.

4.6.2 Physics-Informed Neural Networks (PINNs)

Introduits par Raissi, Perdikaris et Karniadakis (2019), les PINNs constituent une
approche révolutionnaire pour résoudre des EDO et EDP en intégrant les lois physiques
directement dans la fonction de perte.
Principe : Pour résoudre D[y](t) = 0 avec conditions initiales/limites, on approxime
y(t) par un réseau ŷ(t; θ). On définit deux types de points d’entraînement :
— Points de données / conditions initiales : {ti , yi }.
— Points de collocation : {tj } répartis dans le domaine.
La fonction de perte est une somme pondérée de deux termes :
1 X 1 X
L(θ) = ∥ŷ(ti ; θ) − yi ∥2 + ∥D[ŷ](tj ; θ)∥2 .
Ndata i
Ncol j
| {z } | {z }
Erreur sur les conditions initiales/limites Erreur sur l’équation (résidu physique)

Les dérivées de ŷ nécessaires pour calculer D[ŷ] sont obtenues par différentiation auto-
matique (mode reverse) directement dans le graphe de calcul, ce qui donne des valeurs
exactes à la précision machine près, sans erreur de discrétisation.

Exemple 4.23 (Résolution de y ′ = y 2 avec PINN). On construit un réseau avec 3 couches

cachées de 20 neurones et activation tanh. On l’entraîne sur l’intervalle t ∈ [0, 0.95]. La
fonction de perte est :
N  2
1 X dypred
2 2
L = (ypred (0) − 1) + − ypred (tj ) .
N j=1 dt tj

Après quelques milliers d’itérations de descente de gradient, le réseau prédit une fonc-
1
tion qui coïncide remarquablement avec la solution exacte 1−t , y compris l’explosion à
l’approche de t = 1.

4.6.3 Comparaison : Méthodes classiques vs PINNs

Remarque 4.24 (Avantages et limites des PINNs). Avantages : Pas de maillage, solu-
tion continue et différentiable, adapté aux problèmes inverses et aux grandes dimensions.
Limites : Coût d’entraînement élevé, difficulté à capturer des solutions à très haute
fréquence (pathologie spectrale), nécessite un réglage fin des poids de la fonction de perte.

4.6.4 Exemples comparatifs de résolution numérique

Exemple 4.25 (Oscillateur de Van der Pol). Équation : y ′′ − µ(1 − y 2 )y ′ + y = 0, avec
µ = 5 (fortement non linéaire et raide).
4.6. MÉTHODES MODERNES : PHYSICS-INFORMED NEURAL NETWORKS (PINNS)47

Méthodes numériques classiques PINNs

(RK4, BDF, ...)
Avantages : Avantages :
— Très matures, rapides, contrôle — Pas de maillage requis (mesh-free)
d’erreur éprouvé — Solution continue et différentiable
— Excellentes pour les simulations partout
longues — Naturel pour les problèmes in-
— Bibliothèques optimisées (SciPy, verses
MATLAB, Sundials) — Passe à l’échelle en grande dimen-
sion
Limites : Limites :
— Sensibles à la raideur (explicites) — Entraînement coûteux en temps
— Maillage nécessaire, malédiction — Difficulté avec les hautes fré-
de la dimension quences
— Problèmes inverses difficiles — Réglage délicat des hyperpara-
mètres
— Pas de garantie d’erreur stricte

Table 4.1 – Comparaison entre méthodes numériques classiques et PINNs.

— Runge-Kutta 4 : Avec un pas adaptatif, la méthode capture le cycle limite, mais

nécessite un très grand nombre de pas pour maintenir la stabilité dans les zones de
forte raideur.

— PINN : Le réseau parvient à apprendre le cycle limite directement, sans avoir à

propager une erreur temporelle. Cependant, l’entraînement peut être long et il faut
suffisamment de points de collocation dans les régions de transition rapide.

Exemple 4.26 (Équation de Duffing forcée). y ′′ + δy ′ + αy + βy 3 = γ cos(ωt). Les mé-

thodes numériques classiques restent le standard pour les simulations longues, mais les
PINNs montrent un potentiel intéressant pour l’analyse bifurcationnelle en tant que sol-
veur paramétrique.
48 CHAPITRE 4. RÉSOLUTION DES EDO NON LINÉAIRES

Résumé du chapitre
À retenir
Points clés à retenir :
— Théorie fondamentale : Cauchy-Lipschitz assure l’existence et l’unicité lo-
cales si f est localement lipschitzienne. Le théorème des bouts dit qu’une
solution qui n’existe pas pour tout temps doit exploser ou quitter le domaine.
— Méthodes analytiques : Équations à variables séparables, Bernoulli (se
ramène à linéaire), séries entières (si f analytique).
— Méthodes approchées : Perturbation (développement en ε), Adomian (dé-
composition en série), Volterra (noyaux de convolution non linéaires).
— Stabilité : Linéarisation (valeurs propres de la jacobienne) ou méthode directe
de Lyapunov (fonction V décroissante).
— Méthodes numériques : Euler (ordre 1), Runge-Kutta (ordre 4), méthodes
implicites pour les systèmes raides.
— PINNs : Réseaux de neurones informés par la physique, sans maillage, mais
entraînement coûteux.

Conclusion générale du chapitre

Ce chapitre a présenté un panorama des approches théoriques et numériques pour les
EDO non linéaires. La combinaison de la compréhension qualitative (Cauchy-Lipschitz,
stabilité) et des outils de calcul modernes (méthodes spectrales, PINNs) offre une boîte à
outils puissante pour aborder la vaste classe des problèmes différentiels non linéaires issus
des sciences de l’ingénieur et de la physique.
4.7. BIBLIOGRAPHIE 49

4.7 Bibliographie
H. Brézis, Analyse fonctionnelle : théorie et applications, Masson, Paris, 1983.
W. Rudin, Analyse réelle et complexe, Masson, Paris, 1980.
L. Schwartz, Théorie des distributions, Hermann, Paris, 1966.
E. M. Stein, R. Shakarchi, Fourier Analysis : An Introduction, Princeton University Press,
2003.
J. Dyer, S. Dyer, Convolution, Fourier Analysis, and Distributions, Cambridge University
Press, 2017.
G. Doetsch, Introduction to the Theory and Application of the Laplace Transformation,
Springer, 1974.
M. R. Spiegel, Transformées de Laplace, Série Schaum, McGraw-Hill, 1999.
V. I. Arnol’d, Équations différentielles ordinaires, Éditions Mir, Moscou, 1976.
J. K. Hale, Ordinary Differential Equations, Wiley-Interscience, 1969.
L. Perko, Differential Equations and Dynamical Systems, Springer, 2001.
M. Raissi, P. Perdikaris, G. E. Karniadakis, “Physics-informed neural networks : A deep
learning framework for solving forward and inverse problems involving nonlinear partial
differential equations”, Journal of Computational Physics, vol. 378, pp. 686–707, 2019.