P á g i n e |1

Diego Fernando Gómez Páez

Faculté des Sciences Physiques et Chimiques

École d'Ingénierie du Pétrole

Mai 2010

Modélisation Mathématique

1. Introduction [1]

L'étude théorique et scientifique d'une situation se concentre autour d'un modèle, c'est-à-dire,
quelque chose qui imite les caractéristiques pertinentes de la situation étudiée. Par exemple, un
une carte routière, une carte géologique et une collection de plantes sont tous des modèles qui imitent différents
aspects d'une portion de la surface de la Terre.

Le test ultime est de voir comment il performe lorsqu'il est appliqué aux problèmes auxquels il était destiné.
conçu pour gérer. (Vous ne pouvez raisonnablement pas critiquer une carte géologique si une autoroute majeure
n'est pas marqué dessus ; cependant, cela serait un défaut grave dans une carte routière.) Lorsque un
le modèle est utilisé, cela peut conduire à des prévisions incorrectes. Le modèle est souvent modifié, fréquemment
jeté, et parfois utilisé quand même parce que c'est mieux que rien. C'est ainsi que
la science se développe.

2. Modèle mathématique

Un modèle mathématique peut être largement défini comme une formulation ou une équation qui exprime
les caractéristiques essentielles d'un système ou d'un processus physique en termes mathématiques.

En ce qui concerne un modèle, le monde peut être divisé en trois parties :

1. Des choses dont les effets sont négligés.

2. Des choses qui affectent le modèle mais dont le comportement n'est pas conçu pour le modèle
étude (constantes, fonctions, variables indépendantes, etc.).
3. Choses que le modèle est conçu pour étudier (variables dépendantes).[1]

Dans un sens très général, un modèle mathématique peut être représenté comme un fonctionnel.
relation de la forme

(2.1)

Où la variable dépendante est une caractéristique qui reflète généralement le comportement ou

État du système ; les variables indépendantes sont généralement des dimensions, telles que le temps ou

Université Industrielle de Santander

 P a g e |2

espace, le long duquel le comportement du système est déterminé ; les paramètres sont
réfléchissant les propriétés ou la composition du système ; et les fonctions de force sont externes
influences agissant sur le système.

L'expression dans l'équation (2.1) peut varier d'une simple relation algébrique à une grande
ensembles compliqués d'équations différentielles. Par exemple, sur la base de ses observations,
Newton a formulé sa deuxième loi du mouvement, qui stipule que le taux de changement par rapport au temps de
Le momentum d'un corps est égal à la force résultante qui agit sur lui. La formule mathématique
L'expression, ou modèle, de la deuxième loi est l'équation bien connue :

(2.2)

où F=force nette agissant sur le corps (N, ou kg/m s2),m= masse de l'objet, et a=sa
accélération (m/s2); dans ce cas, F est la variable dépendante, m est un paramètre, dans ce
le cas d'une propriété du système, et est une variable indépendante.[2]

Un modèle mathématique peut également être défini comme un abstrait, simplifié, mathématique
construction reliée à une partie de la réalité et créée pour un but particulier. Cette définition
n'est-ce pas le dernier mot, beaucoup de personnes peuvent donner de nombreuses définitions différentes, pensez à celle-ci comme
un point de départ brut autour duquel construire votre propre compréhension des mathématiques
modélisation.[1]

3. Classification des modèles mathématiques.[3]

En fait, chaque branche de la connaissance a deux aspects, dont l'un est théorique,
mathématique, statistique et informatisé et l'autre qui est empirique,
expérimental et observationnel. La modélisation mathématique est essentielle à la première de ces deux.
deux aspects.

Les modèles mathématiques peuvent être classés selon le sujet des modèles.
Ainsi, nous avons des modèles mathématiques en physique, chimie, biologie, médecine, etc.

Nous pouvons également classer les modèles mathématiques en fonction des techniques mathématiques utilisées.
en les résolvant. Ainsi, nous avons la modélisation mathématique à travers l'algèbre classique, à travers
algèbre linéaire, à travers des équations différentielles ordinaires et partielles, etc.

Les modèles mathématiques peuvent également être classés en fonction de l'objectif que nous avons pour cela.
modèle. Ainsi, nous avons des modèles mathématiques pour la Description, pour l'Insight, pour la Prédiction, pour
Optimisation, pour le contrôle et pour l'action.

Les modèles mathématiques peuvent également être classés selon leur nature.

Ainsi
a) Les modèles mathématiques peuvent être linéaires ou non linéaires selon les équations de base.
les décrire est linéaire ou non linéaire.
b) Les modèles mathématiques peuvent être statiques ou dynamiques en fonction des variations temporelles dans
le système ne sont pas ou sont pris en compte.
c) Les modèles mathématiques peuvent être déterministes ou stochastiques selon la chance
les facteurs ne sont pas ou sont pris en compte.

Université Industrielle de Santander

 P a g e |3

d) Les modèles mathématiques peuvent être discrets ou continus selon que les variables
impliqués sont discrets ou continus.
Les modèles linéaires, statiques et déterministes sont généralement plus faciles à manipuler que les modèles non linéaires.
modèles dynamiques et stochastiques et en général dans n'importe quelle discipline, ce sont les premiers à être
considéré.
Les modèles à variables continues semblent être plus faciles à manipuler que les modèles à variables discrètes.
en raison du développement du calcul et des équations différentielles. En fait, dans de nombreuses disciplines,
ceux-ci ont été développés en premier. Cependant, les modèles continus sont simples seulement lorsqu'ils sont analytiques
des solutions sont disponibles, sinon nous devons approximativement un modèle continu aussi par un
modèle discret afin que ceux-ci puissent être traités numériquement.[3]

Pour de nombreuses situations présentées dans la vie réelle et spécifiquement en ingénierie pétrolière, le
Les modèles discrets sont utilisés à plusieurs reprises en raison de la complexité des modèles qui sont
développé.

4. Quelques caractéristiques des modèles mathématiques[3]

4.1 Réalisme des modèles : Nous voulons qu'un modèle mathématique soit aussi réaliste que possible et que
represent reality as closely as possible. However if a model is very realistic, it may not be
mathématiquement traitable. En élaborant un modèle mathématique, il doit y avoir un compromis.
entre la traçabilité et la réalité.
4.2 Hiérarchie des modèles : La modélisation mathématique n'est pas une affaire ponctuelle. Les modèles sont
constamment amélioré pour le rendre plus réaliste. Ainsi, pour chaque situation, nous obtenons une hiérarchie
des modèles, chacun plus réaliste que le précédent et chacun susceptible d'être suivi d'un
meilleure

4.3 Précision relative des modèles : Différents modèles diffèrent par leur précision et leur
accord avec observations.

4.4 Robustesse des modèles : Un modèle mathématique est dit robuste si de petits changements dans
les paramètres entraînent de petits changements dans le comportement du modèle. La décision est prise
utiliser l'analyse de sensibilité pour les modèles.

4.5 Auto-consistance des modèles : Un modèle mathématique implique des équations et des inéquations.
et ceux-ci doivent être cohérents. Parfois, l'incohérence résulte de l'incohérence de
hypothèses de base. Comme l'incohérence mathématique est relativement plus facile à découvrir, cela
donne une méthode pour trouver des incohérences dans les exigences qui sont sociales ou biologiques
les scientifiques peuvent exiger de leurs modèles. Un exemple bien connu de cela est fourni par
Le théorème d'impossibilité d'Arrow.

4.6 Modèles simplistes et trop ambitieux : Il a été dit que les mathématiques qui sont
certain ne fait pas référence à la réalité et les mathématiques qui font référence à la réalité ne sont pas certaines. A
model may not represent reality because it is oversimplified. A model may also be
trop ambitieux dans le sens où cela pourrait impliquer trop de complications et beaucoup donner
résultats précis à dix décimales alors que les observations peuvent être correctes à deux
chiffres décimaux uniquement.

Université Industrielle de Santander

 P a g e |4

4.7 Complexité des modèles : Cela peut être augmenté en subdivisant les variables, en en prenant davantage.
variables et en tenant compte de plus de détails. L'augmentation de la complexité ne doit pas toujours conduire à
augmentation de la compréhension alors qu'après une étape, les rendements décroissants commencent à s'installer. L'art de

la modélisation mathématique consiste à s'arrêter avant cette étape.

4.8 Les modèles peuvent conduire à de nouvelles expériences, de nouveaux concepts et de nouvelles mathématiques :
La comparaison des prédictions avec les observations révèle la nécessité de nouvelles expériences pour
collecter les données nécessaires. Les modèles mathématiques peuvent également conduire au développement de nouveaux concepts.
Si les techniques mathématiques connues ne sont pas adéquates pour déduire des résultats à partir de
modèle mathématique de nouvelles techniques mathématiques doivent être développées.

4.9 Un modèle peut être bon, adéquat, similaire à la réalité pour un but et pas pour
Ainsi, nous pourrions avoir besoin de différents modèles pour expliquer différents aspects de la même chose.
situation ou même pour différentes plages des variables. Bien sûr, dans ce cas, recherchez un
le modèle unifié continue.
4.10 Les modèles peuvent conduire à des prédictions attendues ou inattendues, voire insensées : Généralement
les modèles donnent des prédictions attendues sur des considérations de bon sens, mais le modèle
les prévisions sont plus quantitatives par nature. Parfois, elles donnent des prévisions inattendues.
et ils peuvent mener à des percées ou à une réflexion approfondie sur des hypothèses. Parfois
les modèles donnent des prévisions complètement en contradiction avec les observations et ensuite ces modèles
doit être révisé de façon drastique.

4.11 Un modèle n'est ni bon ni mauvais; il s'adapte ou ne s'adapte pas : Les modèles peuvent conduire à de belles et
des résultats mathématiques élégants, mais seuls les modèles qui peuvent expliquer sont acceptables,
prédire ou contrôler des simulations. Un modèle peut également bien correspondre à une situation et peut donner
sans espoir, adapté à une autre situation.

4.12 Modelling forces us to think clearly:Before making a mathematical model, one has to
clair sur la structure et les éléments essentiels de la situation.

4.13 S'en tenir à un seul modèle peut empêcher l'insight : Un modèle aide à réfléchir, mais il peut aussi
la pensée directe dans un seul canal étroit. Parfois, l'intuition est obtenue en rompre avec
modèles traditionnels et concevoir entièrement de nouveaux avec de nouveaux concepts.

4.14 Des modèles inadéquats sont également utiles : puisqu'ils nous poussent à rechercher des aspects qui
peut avoir été négligé au début. Les échecs peuvent être le prélude à des succès si nous pouvons trouver le
raisons de ces échecs.
4.15 Les modèles sans rétroaction sont impropres : Un modèle doit inclure la possibilité de son
amélioration à la lumière des données expérimentales ou d'observation.
4.16 Modélisation partielle pour les sous-systèmes : Avant de créer un modèle pour l'ensemble du système, il
il peut être pratique de créer des modèles partiels de sous-systèmes, de tester leur validité et ensuite
intégrez ces modèles partiels dans un modèle complet. Parfois, les modèles existants sont
combinés pour donner des modèles pour des systèmes plus grands. Souvent, les modèles sont unifiés afin que le général
le modèle inclut les modèles antérieurs et les cas spéciaux.

4.17 Modélisation en termes de modules : On peut penser à des modèles pour de petits modules et par
En les combinant de différentes manières, on peut obtenir des modèles pour un grand nombre de systèmes.

Université Industrielle de Santander

 P a g e |5

4.18 Imperfections des modèles et coût de modélisation : Aucun modèle n'est parfait et chaque modèle
peut être amélioré. Cependant, chaque amélioration de ce type peut coûter du temps et de l'argent. Le
L'amélioration du modèle doit justifier l'investissement fait dans ce processus.

4.19 Variables d'état et relations : Pour établir un modèle mathématique, il faut d'abord
identifier les variables d'état et puis spécifier les relations entre elles. Le bon choix
est de la plus grande importance.

4.20 Estimation des paramètres : Chaque modèle contient des paramètres et ceux-ci doivent être
être estimé. Le modèle doit lui-même suggérer des expériences ou des observations et le
méthodes de calcul de ces paramètres. Sans cette spécification explicite, le modèle
est incomplet.

4.21 Validation par des données indépendantes : Parfois, des paramètres sont estimés avec l'aide
certaines données et les mêmes données sont utilisées pour valider le modèle. C'est illégitime.
Des données indépendantes devraient être utilisées pour valider le modèle.

4.22 Nouveaux modèles pour simplifier les modèles compliqués existants : Nous commençons par des modèles simples,
introduire de plus en plus de variables et de plus en plus de fonctions pour rendre les modèles
plus réaliste et plus compliqué et avec les informations supplémentaires obtenues, nous devrions
être à nouveau capable de simplifier les modèles complexes.

4.23 Modélisation = Mathématiques + Discipline : Pour faire un modèle mathématique d'un

situation, il faut connaître les mathématiques et la discipline dans laquelle la situation se présente.
Efforts pour créer un modèle mathématique sans comprendre profondément la discipline
les préoccupations peuvent conduire à des modèles infructueux. L'insight disciplinaire doit à la fois précéder et suivre
modélisation mathématique.

4.24 Transférabilité des modèles mathématiques : Un modèle mathématique pour un domaine peut être
également valable pour un autre domaine et peut être valablement transféré à un autre domaine, mais grand
une attention doit être portée dans ce processus. Un modèle qui est transférable à plusieurs domaines
est très utile, mais aucun modèle ne devrait être fiable dans un domaine à moins qu'il ne soit vraiment applicable là.

4.25 Cycle de prédiction-validation-itération : Un modèle mathématique prédit des conclusions qui

sont ensuite comparés aux observations. En général, il y a une certaine discorde. Pour éliminer cela
écart, nous améliorons le modèle, prédisons à nouveau et essayons encore de valider cela
l'itération est répétée jusqu'à ce qu'un modèle satisfaisant soit obtenu.

5. Construire un modèle[1]

La construction de modèles implique de l'imagination et des compétences. Donner des règles pour le faire, c'est comme énumérer des règles pour
Être un artiste ; au mieux, cela fournit un cadre autour duquel construire des compétences et se développer
imagination. Il peut être impossible d'enseigner l'imagination. Mais voici des étapes générales pour
construire un modèle.

5.1 Formuler le problème : Que souhaitez-vous savoir ? La nature du modèle que vous
le choix dépend beaucoup de ce que vous voulez qu'il fasse.

Université Industrielle de Santander

 P a g e |6

5.2 Présentez le modèle : À ce stade, vous devez séparer les différentes parties de l'univers.
en des variables peu importantes, exogènes (variables indépendantes) et endogènes (dépendantes)
les variables). Les interrelations entre les variables doivent également être spécifiées.

5.3 Est-ce utile ? : Maintenant reculez et regardez ce que vous avez. Pouvez-vous obtenir ce dont vous avez besoin ?
des données et ensuite les utiliser dans le modèle pour faire les prédictions que vous souhaitez ? Si la réponse est non,
vous devez alors reformuler le modèle et peut-être même le problème. Notez que "utile"
ne signifie pas raisonnable ou précis, cela signifie si le modèle correspond à la situation.

5.4 Testez le modèle : Utilisez le modèle pour faire des prédictions qui peuvent être vérifiées par rapport aux données.
ou le bon sens. Il n'est pas judicieux de se fier entièrement au bon sens, car cela peut
well be [Link] out with easy predictions,don’t waste time on involved calculations
avec un modèle qui peut ne pas être bon. Si ces prédictions sont mauvaises et qu'il n'y a pas de
erreurs mathématiques, retour à l'étape 2 ou à l'étape 1. Si ces prévisions sont acceptables, elles
devrait vous donner une certaine idée de la précision et du champ d'application du modèle. Si
ils sont moins précis que prévu, il est bon d'essayer de comprendre pourquoi,
car cela peut révéler des hypothèses implicites ou fausses.

À ce stade, le modèle est prêt à être utilisé. Ne vous éloignez pas trop ; il est dangereux de l'appliquer.
modèle aveuglément des problèmes qui diffèrent beaucoup de ceux sur lesquels il a été testé. Chaque
l'application doit être considérée comme un test du modèle.

6. Références

[1]EDWARD A. BENDER. An Introduction to Mathematical Modelling. 2ndédition. Nouveau

York : Dover Publications. 1942.

[2]STEVEN C. CHAPRA, RAYMOND P. CANALE. Méthodes Numériques pour les Ingénieurs. 5th
édition. New York : Mc Grawn Hill. 2006.

J. N. KAPUR. Modélisation Mathématique. 1stédition. New Delhi : New Age International (P)
limité, Éditeurs. 1998

Université industrielle de Santander