République Tunisienne

Ministère de l’enseignement
supérieur Et de la recherche
scientifique
Université de Gabès

‫المدرسة الوطنية‬
Ecole National d’ingénieurs deGabès ‫بقابس‬ ‫للمهندسين‬
‫قسم الهندسة المدنية‬
Département De Génie civil

PROJET D’ANALYSE NUMERIQUE

Réalisé par :

chahbi Wael & Firas Heni

Sujet :

Détermination de valeurs propres et vecteurs propres avec

application à l’analyse des contraintes et représentation Par
cercle de mhor

Encadrée par :

Dr. Mohamed Ben Mabrouk

[Link] Noureddine

Année Universitaire : 2023 / 2024 GCV1s

2|Page

Sommaire

I. Introduction :.......................................................................................................................3

II. Implémentation de la méthode de recherche des valeurs propres et vecteurs propres :.....5

1. Vecteurs propres et valeurs propres :..............................................................................5

a. Introduction :...............................................................................................................5

b. Définition :...................................................................................................................5

2. Les méthodes numériques pour calculer les valeurs propres et les vecteurs propres :...6

i. Les conditions et les limites de la méthode jacobi :..............................................7

Algorithme de GIVENS :..............................................................................................14

III. Application a une matrice de contraintes :...................................................................18

IV. Representation de mhor :..............................................................................................19

Wael chahbi & Firas Heni GCV1A

 3|Page

I. Introduction :
L'analyse des contraintes et la représentation par les plans de Mohr sont des outils essentiels
dans le domaine du génie civil pour plusieurs raisons :

 Évaluation de la sécurité des structures :

 Prévision des défaillances :

 Optimisation de la conception :

 Analyse des sols et des fondations :

 Conception parasismique :

 Formation et éducation :

Le concept de contrainte joue un rôle central en génie civil . Selon le type d’ouvrage

Il existe 3 exemples remarquables d’état de contrainte comme illustré sur la Figure

Le vecteur contrainte peut être décomposé en sa composante suivants sa direction ⃗n et sa

projection :

σn est la contrainte normale et ⃗τn est le vecteur cisaillement ou contrainte tangentielle

Wael chahbi & Firas Heni GCV1A

4|Page

Composantes du tenseur des contraintes :

la signification physique des composantes σij (M) est relativement claire. σ13, σ23 et σ33
sont les composantes sur les axes ei soit :

{
¿ t⃗ ( M , ⃗
e 1) =σ 11 (M )⃗
e 1+ σ 21 ( M ) ⃗
e 2+ σ 31 (M )⃗e3
¿ t⃗ ( M , ⃗
e2 ) =σ 12 (M )⃗
e 1 +σ 22 ( M )⃗e 2 +σ 32 (M )⃗e3
¿ ⃗t ( M , ⃗
e3 ) =σ 13 (M )⃗
e 1 +σ 23 ( M )⃗e 2 +σ 33 (M ) e⃗3

Wael chahbi & Firas Heni GCV1A

 5|Page

II. Implémentation de la méthode de recherche des valeurs propres et

vecteurs propres :
La détermination des valeurs propres et des vecteurs propres est importante dans le domaine
du génie civil pour plusieurs raisons :

 Analyse des structures complexes :

 Étude des modes de vibration :

 Conception parasismique :

 Analyse des ponts suspendus et des bâtiments en hauteur :

 Optimisation des structures :

 Analyse des déformations et des contraintes :

1. Vecteurs propres et valeurs

propres :
a. Introduction :
Les vecteurs propres d’une application linéaire correspondent aux axes privilégies selon
lesquels l’application se comporte comme une dilatation, multipliant les vecteurs par une
même constante. Ce rapport de dilatation est appelé valeur propre.

Soit A ∈ Mn (K).
b. Définition :

• λ est dite valeur propre de la matrice A s’il existe un vecteur non nul X ∈ K n tel que
AX = λX.
• Le vecteur X est alors appelé vecteur propre de A associé à la valeur propre

( )
a1 ,1 a1 , 2 ⋯ a1 ,n
a a2 , 2 ⋯ a2 ,n
A= 2 ,1 ;
⋮ ⋮ ⋱ ⋮
am ,1 am , 2 ⋯ am , n

Soient A ∈ Mn (K) et λ ∈ K Alors :

λ est une valeur propre de A ⇐⇒ det(A− λIn ) = 0

Wael chahbi & Firas Heni GCV1A

6|Page

Rappel : In est la matrice identité de taille n × n ; quel que soit le vecteur X∈ Kn ,

Soit A ∈ M3 (R) la matrice :

2. Les méthodes numériques pour calculer les valeurs propres et Une

les vecteurs propres :
méthode
de calcul des valeurs propres d’une matrice est nécessairement une méthode itérative :

 La méthode de Jacobi :

est une méthode itérative de résolution de système linéaire de la forme

𝐴𝑥 =𝑏

On décompose la matrice 𝐴 de la façon suivante : 𝐴 = 𝐷−𝐸−𝐹 avec :

 D la diagonale
 −𝐸 la partie en dessous de la diagonale
 −𝐹 la partie au dessus

On prend M= D et N=E+F avec M est une matrice inversible

Algorithme de Jacobi :

Wael chahbi & Firas Heni GCV1A

7|Page

{ x (0 ) donne ¿ x (k+1) =M −1 N x(k) + M −1 b sinon

−1 −1
Si x est solution de Ax=b alors x=M Nx+ M b

La méthode de Jacobi est une technique itérative utilisée pour résoudre des systèmes
d'équations linéaires .

Les conditions et les limites de la méthode Jacobi :

 Les conditions :

Matrice symétrique : La méthode de Jacobi est spécifiquement conçue pour les matrices
symétriques. Elle exploite la symétrie de la matrice pour simplifier le processus de
diagonalisation.

Convergence : La méthode de Jacobi converge vers les valeurs propres exactes de la matrice
symétrique. La convergence est garantie car elle est basée sur un algorithme itératif qui réduit
progressivement les éléments non diagonaux de la matrice.

Choix judicieux des rotations : Le succès de la méthode de Jacobi dépend du choix judicieux
des rotations de Jacobi appliquées à la matrice. Des stratégies de sélection des paires d'indices
(i, j) pour les rotations peuvent influencer la vitesse de convergence et la stabilité de
l'algorithme.

 Les limites :

Complexité algorithmique : La méthode de Jacobi peut être coûteuse en termes de calculs, en

particulier pour les grandes matrices, car elle nécessite des rotations successives jusqu'à ce
que la matrice soit diagonalisée. Cela peut rendre l'algorithme inefficace pour les matrices de
grande taille.

.Convergence lente : La méthode de Jacobi peut converger lentement vers les valeurs propres,
en particulier pour les matrices mal conditionnées ou pour les valeurs propres les plus petites
en valeur absolue. Cela peut nécessiter un grand nombre d'itérations pour atteindre une
précision acceptable.

Wael chahbi & Firas Heni GCV1A

8|Page

.Stabilité numérique : La méthode de Jacobi peut souffrir d'instabilités numériques, en

particulier si les éléments de la matrice sont proches de zéro ou si la matrice est mal
conditionnée. Des précautions doivent être prises pour garantir la stabilité numérique de
l'algorithme.

.Dépendance du choix des rotations : La performance de la méthode de Jacobi dépend du

choix des rotations de Jacobi. Un mauvais choix peut entraîner une convergence lente ou une
convergence vers des valeurs propres incorrectes.

 Méthode de la puissance itérée :

est un algorithme permettant de calculer (plutôt, d'estimer) la valeur propre de plus grand
module et un vecteur propre associé d'une matrice A. L'idée est que, si on définit une
suite (xn) de vecteurs de Rn par la relation xn+1=Axn+1, alors les vecteurs xn vont"se
tourner" dans la direction des vecteurs propres associés à la plus grande des valeurs
propres .Pour éviter que l'algorithme ne provoque un dépassement de capacité, on calcule

souvent directement une version normalisée de xn . Remarquons aussi que l'hypothèse sur x0
n'est pas discriminante, si on choisit le vecteur au hasard, il a une probabilité nulle d'être
orthogonal à v1.

L'intérêt de la méthode des puissances itérées est de ne pas nécessiter d'hypothèses très
particulières sur la matrice, comme être symétrique. En revanche, elle demande une
configuration particulière des valeurs propres qui n'est pas toujours vérifiée. De plus, elle ne
permet de calculer qu'une seule des valeurs propres de A. Pour trouver les autres valeurs
propres

{
¿ x (0 ) donné dans Rn ,
(k)
(k+1) Ax
¿x = ,k ≥0,
‖A x(k)‖
 la méthode de la puissance inverse :
est un algorithme permettant de calculer la valeur propre de plus petit module d'une matrice,
ou, plus généralement, la valeur propre la plus proche d'un nombre complexe donné. Elle est
basée sur la méthode de la puissance itérée appliquée à l'inverse de la matrice A..
Précisément, soit Aune matrice d'ordre 𝑛 et soit 𝜆 un nombre complexe. On cherche à
déterminer la valeur propre de A la plus proche de 𝜆. Pour cela, on définit une suite de
vecteurs (𝑥𝑛) par la relation de récurrence (𝐴−𝜆𝐼) 𝑥𝑛+1=𝑥𝑛.

Wael chahbi & Firas Heni GCV1A

9|Page

Alors, sous l'hypothèse qu'il existe une seule valeur propre, notée 𝜇, qui est la plus proche

de 𝜆 et que cette valeur propre est simple, alors (⟨𝑥𝑛+1,𝑥𝑛⟩) converge vers μ et
(‖𝑥𝑛‖) converge vers un vecteur propre associé. En général, pour résoudre à chaque étape le
système, on ne calcule pas l'inverse de la matrice (𝐴−𝜆𝐼), mais on réalise sa décomposition
LU.
Cette méthode a plusieurs applications :
 recherche d’un vecteur propre associé à une valeur propre connue
 recherche de la valeur propre «la plus proche» d’un nombre donné et calcul d’un
vecteur propre associé à 𝜆 .
algorithme de la puissance inverse :

 La méthode de la puissance itérée inversée translée :

est une variante de la méthode de la puissance itérée utilisée pour calculer les valeurs propres
d'une matrice.

 principe :

Choix d'un vecteur initial : Tout comme dans la méthode de la puissance itérée standard, cette

méthode commence par le choix d'un vecteur initial non nul 𝑣0 .

Décalage : La différence principale entre la méthode de la puissance itérée standard et la

méthode de la puissance itérée inversée translée réside dans l'introduction d'un paramètre de
décalage 𝜇μ. Ce décalage est choisi de manière à être proche de la valeur propre désirée, afin
d'accélérer la convergence.

Résolution d'un système linéaire : À chaque itération, au lieu de résoudre

Wael chahbi & Firas Heni GCV1A

10 | P a g e

( A−μ I )x=v k−1

comme dans la méthode de la puissance itérée standard, on résout :

Cela peut être fait en utilisant des méthodes de résolution de systèmes linéaires, telles que la
décomposition LU ou la méthode itérative (comme la méthode du gradient conjugué).

Normalisation : Le vecteur obtenu à partir de la résolution du système linéaire est normalisé

pour éviter la divergence. C'est-à-dire, à chaque itération, vk est normalisé, par exemple en
divisant par sa norme euclidienne.

Itérations : Les étapes 3 et 4 sont répétées jusqu'à ce que la convergence soit atteinte. La
convergence est souvent déterminée par la vérification de la convergence de la valeur propre
dominante, ou par une condition de convergence prédéfinie.

 Avantages :

 Convergence plus rapide : En introduisant un décalage approprié, la méthode de la

puissance itérée inversée translée peut converger plus rapidement vers la valeur
propre désirée, surtout lorsque cette dernière est proche d'autres valeurs propres.
 Adaptabilité : Cette méthode peut être utilisée pour cibler des valeurs propres
spécifiques, en ajustant le paramètre de décalage 𝜇μ en conséquence.

 Limites :

 Calcul du système inverse :

Résoudre le système

à chaque itération peut être coûteux en termes de calculs, en particulier pour les matrices
de grande taille.

Wael chahbi & Firas Heni GCV1A

11 | P a g e

 Sensibilité aux décalages : Le choix du paramètre de décalage 𝜇μ peut être crucial pour la
convergence et la stabilité de la méthode. Un mauvais choix peut entraîner une
convergence lente ou une divergence.

 Décomposition QR :

C'est probablement la méthode la plus couramment utilisée pour trouver toutes les valeurs
propres d'une matrice quelconque, notamment nons symétrique. L'ensemble des vecteurs
propres peut être également obtenu.
Soit A une matrice quelconque de Mn,m(C). ∃ Q∈ Mm,m une matrice orthogonale ,
∃R ∈Mn,m(C) une matrice triangulaire supérieure telles que
A = Q.R
Cette méthode s’applique aux matrices quelconques.
Voici le principe de base de cette méthode.
Posons A1= A . On écrit la factorisation QR de A1.
A1 = Q1R1
et on forme A2 = R1Q1 = tQ1A1Q1
A l’étape k, Ak = QkRk
on pose Ak+1 = RkQk = [Link]
Par induction, on obtient Ak+1 = (Q1Q2 . . . Qk) tA(Q1Q2 . . . Qk)
ce qui montre que Ak+1 est semblable a` A donc admet les mêmes valeurs propres.
Les conditions et les limites de la méthode QR :
Les conditions :

Matrice carrée : La méthode QR est applicable uniquement aux matrices carrées. Pour les
matrices rectangulaires, des techniques de prétraitement peuvent être nécessaires pour les
rendre carrées ou pour extraire les valeurs propres de manière appropriée.

Matrice non singulière : La matrice doit être non singulière (c'est-à-dire inversible). Les
matrices singulières peuvent poser des problèmes lors de la décomposition QR, car elles
peuvent entraîner des divisions par zéro ou des instabilités numériques.

Décomposition QR : La matrice doit pouvoir être décomposée en un produit de deux

matrices, Q et R, où Q est orthogonale (ou unitaire pour des matrices complexes) et R est

Wael chahbi & Firas Heni GCV1A

12 | P a g e

triangulaire supérieure. Cette décomposition doit être réalisable de manière numériquement

stable.

Convergence : La méthode QR converge vers les valeurs propres exactes ou vers des
approximations de celles-ci. La convergence dépend de la méthode de calcul des valeurs
propres à partir de la décomposition QR (par exemple, la méthode de QR itératif ou la
méthode QR avec déflation).

Les limites :

Complexité algorithmique : La décomposition QR peut être coûteuse en termes de calculs, en

particulier pour les grandes matrices. La complexité algorithmique peut limiter son efficacité
pour les matrices de très grande taille.

Stabilité numérique : La méthode QR peut souffrir d'instabilités numériques, en particulier

pour les matrices mal conditionnées ou singulières. Des précautions doivent être prises pour
garantir la stabilité numérique de l'algorithme.

Nombre d'itérations : Certaines variantes de la méthode QR peuvent nécessiter un nombre

élevé d'itérations pour converger vers les valeurs propres. Cela peut rendre l'algorithme
inefficace pour certaines matrices ou nécessiter des stratégies d'accélération de la
convergence.

Sensibilité aux perturbations : La méthode QR peut être sensible aux perturbations dans la
matrice, ce qui peut affecter la stabilité numérique et la précision des résultats. Des
techniques de déflation ou d'autres stratégies peuvent être nécessaires pour atténuer ces effets

Algorithme QR pour la recherche des valeurs propres :

Il existe plusieurs méthodes pour réaliser cette décomposition :

Wael chahbi & Firas Heni GCV1A

13 | P a g e

 La méthode de House Holder où Q est obtenue par produits successifs de matrices

orthogonales élémentaires
 La méthode de Givens où Q est obtenue par produits successifs de matrices
de rotation plane
 La méthode de Schmidt

Chacune d'entre elles a ses avantages et ses inconvénients. (La décomposition QR n'étant pas
unique, les différentes méthodes produiront des résultats différents).

 La méthode de Givens :
utilise des matrices de rotation pour éliminer progressivement les éléments non
diagonaux d'une matrice. En d'autres termes, elle transforme la matrice d'origine en
une matrice triangulaire supérieure en appliquant une série de rotations planaires.

Fonctionnement de GIVENS :

1- Commencez par la matrice A que vous souhaitez décomposer en QR.

2- Appliquez des rotations planaires à A pour éliminer les éléments non diagonaux un
par un. Pour cela, vous devez choisir une paire de lignes et une colonne pour chaque
rotation. Cette paire est choisie de manière que l'élément de la colonne concernée de
la ligne supérieure devienne nul. Vous pouvez trouver les coefficients de la rotation
en résolvant une simple équation trigonométrique.
3- Répétez l'étape 2 jusqu'à ce que vous obteniez une matrice triangulaire supérieure R.
4- Les matrices de rotation que vous avez appliquées à A dans les étapes précédentes
peuvent être multipliées ensemble pour former une matrice Q. Cette matrice Q est
orthogonale (c'est-à-dire que Q.Q^T = I, où I est la matrice identité), et elle peut être
utilisée pour exprimer la matrice d'origine A sous la forme A = QR.
Exemple :
Reprenons l’exemple suivant :

On doit d'abord construire une matrice de rotation qui annulera l'élément le plus bas de la
colonne de gauche, a31 = –4, qu'on construit par une méthode de rotation de GIVENS. On

Wael chahbi & Firas Heni GCV1A

14 | P a g e

appelle cette matrice G1. On va d'abord faire une rotation du vecteur (6,-4), pour le ramener

sur l'axe X. Ce vecteur forme un angle ¿ arctan− (−46 ) . La matrice G est donc donnée par :
1

Le produit G1A annule le coefficient a31 :

Algorithme de GIVENS :
Par suite, on construit des matrices de Givens G2 et G3, qui vont respectivement annuler a21 et a32,
engendrant la matrice R. La matrice orthogonale QT est formée de la concaténation de toutes les
matrices de Givens créées QT = G3G2G1.

Soit λ1 ≤ ... ≤ λN les valeurs propres de BN. Supposons qu'on veuille calculer λk pour un
certain k ∈ {1, ..., N}.
(i) On détermine un intervalle [a0, b0] dans lequel on est sûr de trouver λk.
a 0 + b0
(ii) On prend c 0= et on calcule N (N, c0).
2
_ si N (N, c0) ≥ k, alors λk ∈ [a0, c0] et on pose a1 = a0, b1 = c0
_ si N (N, c0) < k, alors λk ∈] c0, b0] et on pose a1 = c0, b1 = b0
a1 +b 1
(iii) On recommence alors la même opération c 1= , puis avec a2, b2, c2, etc.
2
On construit ainsi une suite de segments emboités [ai, bi] dont l'intersection est précisément
la valeur cherchée λk. Aux erreurs d'arrondi près, on peut donc obtenir λk avec une précision
arbitraire.

Wael chahbi & Firas Heni GCV1A

15 | P a g e

Algorithme de GIVENS sur Dev C++ :

Wael chahbi & Firas Heni GCV1A

16 | P a g e

Wael chahbi & Firas Heni GCV1A

17 | P a g e

Wael chahbi & Firas Heni GCV1A

 18 | P a g e

III. Application a une matrice de contraintes :

Wael chahbi & Firas Heni GCV1A

19 | P a g e

( )
50 100 80
Matrice de contrainte σ= 100 50 70
80 70 50

Etude de cette matrice avec methode de QR :

Exemple de cour mmc :

Wael chahbi & Firas Heni GCV1A

20 | P a g e

( )
2 µA + λ( A+ B) 0 0
σ= 0 2 µ B+ λ (A + B) 0 avec les conditions aux limites
0 0 λ (A + B)

ona µ=0.8 1011 PA

11
λ=1.21 10 PA

A=−2.18 10−3

B = 9.4 10−4

Flexion composée d’une poutre demi cylindrique :

Wael chahbi & Firas Heni GCV1A

 21 | P a g e

IV. Representation de mhor :

Les cercles de Mohr permettent de visualiser le tenseur des contraintes en un point sous la
forme de trois cercles. Plaçons nous dans les axes propres et prenons une facette
quelconque

Axes de Mohr

de normale n dont les composantes sont nI , nII et nIII dans la base propre. Le vecteur
contrainte agissant sur cette facette est :

Les contraintes normales et tangentielles valent :

σ∧¿ T⃗ ⋅⃗n=σ I n I + σ II n II + σ III nIII

2 2 2

τ ∧¿ ⃗
2
T ⋅⃗
T −σ 2=( σ I nI )2+ ( σ III n II )2 + ( σ III n III ) 2−σ 2

Si l’on tient compte de la relation :

et que l’on résout :

Wael chahbi & Firas Heni GCV1A

22 | P a g e

2 ( σ II −σ )( σ III −σ ) +τ 2
¿n =I
( σ II −σ I ) ( σ III −σ I )
2
2 ( σ III −σ ) ( σ I −σ ) +τ
¿ n II =
( σ III −σ II ) ( σ I −σ II )
2
2 ( σ I −σ )( σ II −σ ) +τ
¿ n III =
( σ I −σ II )( σ II −σ III )

Ces formules permettent de déterminer l’orientation de la facette sur laquelle agissent une
contrainte normale σ et une contrainte tangentielle τ . Pour un ensemble de facettes telles que

nI = Cte :

Tricercle de Mohr

Cercle de Mohr pour un état de contraintes plane :

Wael chahbi & Firas Heni GCV1A

23 | P a g e

{
σ 11 + σ 22 1
¿ σI =
2
√ 2 2
+ ( σ 11 −σ 22 ) +4 σ 12
2
σ 11 + σ 22 1
¿ σ II =
2
√ 2 2
− ( σ 11 −σ 22 ) +4 σ 12
2

Ces deux systèmes équations montrent que l’état de contrainte plane peut être représenté par
un cercle de centre (σ11+σ22) /2 et de rayon

Cercles de Mohr des contraintes :

Le point de coordonnées (σn, τn = ∥⃗τn∥) se trouve :

Wael chahbi & Firas Heni GCV1A

 24 | P a g e

V. Bibliogharphie :
1. Cours analyse numérique
2. Cours mécanique des milieux continues
3. Google “Wikipédia ”
4. Cours prepa

5. Des livres :

Wael chahbi & Firas Heni GCV1A

25 | P a g e

1 2

3 4

Wael chahbi & Firas Heni GCV1A

26 | P a g e

et des autres ………………

Wael chahbi & Firas Heni GCV1A