Mathématiques avancées & calcul numérique
Ce module franchit une étape décisive : les mathématiques ne sont plus seulement une collection de formules à appliquer, mais un langage pour construire, tester et critiquer un modèle. Une trajectoire, un filtre de navigation, un bilan thermique ou une estimation de fiabilité deviennent rapidement des problèmes à plusieurs variables dont les grandeurs évoluent dans le temps. L’objectif n’est pas de former un mathématicien pur, mais de donner les réflexes qui permettent de comprendre ce que calcule un logiciel d’ingénierie et de repérer un résultat physiquement absurde.
Objectifs de maîtrise
- expliquer les concepts avec les unités et les hypothèses
- refaire un calcul simple à la main avant d’utiliser un outil
- identifier au moins un mode de panne ou une limite du modèle
- relier la discipline à une architecture martienne complète
1. Vecteurs et matrices : organiser plusieurs grandeurs à la fois
Un vecteur regroupe des composantes qui appartiennent à un même état : position x, y, z ; vitesse vx, vy, vz ; ou erreurs de capteur. Une matrice décrit comment plusieurs grandeurs se combinent. Dans un problème spatial, elle sert notamment à changer de repère, propager une covariance ou linéariser un système. La règle fondamentale est dimensionnelle : une matrice 3×3 ne peut multiplier qu’un objet compatible. Avant tout calcul, écrire les dimensions évite une grande partie des erreurs.
Réflexe d’ingénierie. Pour « vecteurs et matrices : organiser plusieurs grandeurs à la fois », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
2. Dérivées et gradients : mesurer la vitesse du changement
Une dérivée répond à la question « de combien la sortie change-t-elle lorsque l’entrée varie un peu ? ». La vitesse est la dérivée de la position, l’accélération celle de la vitesse, et un gradient rassemble plusieurs dérivées partielles. En conception, ces notions servent aussi aux sensibilités : si une masse augmente de 1 %, quelle variable de mission réagit le plus ? Le gradient permet de hiérarchiser les paramètres au lieu de modifier tout au hasard.
Réflexe d’ingénierie. Pour « dérivées et gradients : mesurer la vitesse du changement », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
3. Équations différentielles : représenter un système qui évolue
Beaucoup de lois physiques lient une grandeur à sa dérivée. L’équation dv/dt=a dit que la vitesse évolue selon l’accélération. Pour un réservoir, dm/dt peut représenter un débit sortant ; pour une batterie, dE/dt relie énergie stockée, production et consommation. Une équation différentielle n’est donc pas un symbole abstrait : c’est une règle d’évolution. L’état initial et les conditions aux limites sont aussi importants que l’équation elle-même.
Réflexe d’ingénierie. Pour « équations différentielles : représenter un système qui évolue », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
4. Intégration numérique : avancer par petits pas sans se raconter d’histoire
Quand une solution exacte n’existe pas ou devient impraticable, le calcul numérique avance le temps par pas. Euler est simple mais peut accumuler beaucoup d’erreur ; Runge–Kutta évalue plusieurs pentes dans chaque pas et offre généralement une meilleure précision. Le pas de temps est un choix d’ingénierie : trop grand, il masque la dynamique ; trop petit, il coûte du calcul sans bénéfice. On vérifie la convergence en répétant le calcul avec un pas plus fin.
Réflexe d’ingénierie. Pour « intégration numérique : avancer par petits pas sans se raconter d’histoire », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
5. Interpolation, ajustement et données imparfaites
Les mesures n’arrivent pas toujours exactement au temps où le modèle en a besoin. L’interpolation estime une valeur entre des échantillons. L’ajustement cherche les paramètres d’un modèle qui expliquent au mieux un ensemble de mesures. Il faut distinguer interpolation et extrapolation : prédire au-delà de la plage mesurée est beaucoup plus risqué. Une courbe très lisse ne prouve jamais qu’un modèle est juste.
Réflexe d’ingénierie. Pour « interpolation, ajustement et données imparfaites », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
6. Probabilités, covariance et propagation d’incertitude
Une mission ne possède pas une position parfaitement connue ni une consommation exactement constante. On représente donc des incertitudes, souvent par des écarts-types et des covariances. Une covariance positive indique que deux erreurs tendent à évoluer dans le même sens ; une covariance négative, dans des sens opposés. Propager l’incertitude signifie calculer comment ces erreurs d’entrée se transforment en dispersion de sortie.
Réflexe d’ingénierie. Pour « probabilités, covariance et propagation d’incertitude », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
Approfondissement — Covariance : suivre l’incertitude comme une grandeur physique
Une estimation de position n’est jamais un simple triplet de coordonnées. Elle doit être accompagnée de son incertitude et, surtout, des corrélations entre variables. On rassemble souvent ces informations dans une matrice de covariance P. La lettre P désigne ici la matrice ; ses termes diagonaux contiennent les variances de chaque variable, c’est-à-dire le carré de leur écart-type, et les termes hors diagonale décrivent la manière dont deux erreurs évoluent ensemble. Si l’incertitude sur la position selon x augmente en même temps que celle sur la vitesse selon x, les deux grandeurs sont corrélées et les traiter comme indépendantes donne une fausse confiance.
Exemple simplifié : si l’écart-type sur une position vaut σₓ = 120 m, où σₓ signifie l’écart-type de la coordonnée x, une règle naïve pourrait annoncer une zone de ±120 m. Mais une ellipse d’incertitude réelle dépend aussi de y, de la covariance x–y et du niveau de confiance choisi. Pour un atterrissage, cette ellipse doit ensuite être propagée pendant la descente. Les capteurs réduisent certaines incertitudes, les modèles en ajoutent d’autres et les manœuvres transforment la géométrie. C’est pour cela qu’un chiffre de précision sans intervalle ni hypothèse n’est pas une information complète.
7. Monte-Carlo : répéter le scénario pour voir la distribution des résultats
Une simulation Monte-Carlo tire aléatoirement des valeurs d’entrée dans des distributions définies puis répète le modèle de nombreuses fois. On obtient non pas un unique résultat, mais une distribution : médiane, percentiles, cas extrêmes. Cette méthode est puissante pour les systèmes non linéaires, mais elle ne sauve pas un mauvais modèle. Si les distributions d’entrée sont irréalistes, la précision statistique des sorties donne seulement une illusion de rigueur.
Réflexe d’ingénierie. Pour « monte-carlo : répéter le scénario pour voir la distribution des résultats », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
Approfondissement — Monte-Carlo de mission : remplacer le scénario nominal par une distribution de résultats
Une mission ne vole qu’une fois, mais l’équipe peut la simuler des milliers de fois. Dans une analyse Monte-Carlo, on tire aléatoirement des valeurs d’entrée suivant des distributions représentant les incertitudes : masse, densité atmosphérique, vent, erreur de capteur, poussée, délai logiciel, position initiale. Chaque simulation produit une sortie : point d’atterrissage, carburant restant, température maximale ou marge de batterie. Après N essais, où N est le nombre total de simulations, on n’obtient plus une seule réponse mais une distribution. On peut alors demander quelle fraction des cas viole une contrainte.
Supposons 20 000 simulations d’atterrissage et 18 cas hors zone sûre. La fréquence empirique est 18 ÷ 20 000 = 0,0009, soit 0,09 %. Ce nombre ne prouve pas que le risque réel vaut exactement 0,09 % : il dépend des distributions d’entrée, des corrélations et de la fidélité du modèle. La bonne pratique consiste à examiner les cas extrêmes, identifier les variables dominantes et relancer l’analyse après correction. L’objectif n’est donc pas de produire un joli histogramme, mais de découvrir quels mécanismes créent les échecs rares et si une marge d’ingénierie peut les rendre impossibles ou seulement moins probables.
8. Conditionnement numérique et contrôle de vraisemblance
Un calcul peut être mathématiquement défini et numériquement fragile. Soustraire deux nombres presque égaux ou inverser une matrice mal conditionnée peut amplifier les erreurs d’arrondi. L’ingénieur surveille donc ordres de grandeur, unités, résidus et stabilité. Une règle simple reste indispensable : avant de faire confiance à dix décimales, estimer le résultat à la main et demander si son signe et son échelle ont un sens physique.
Réflexe d’ingénierie. Pour « conditionnement numérique et contrôle de vraisemblance », noter d’abord les entrées, les sorties, les unités et la plage de validité. Puis construire un cas nominal et un cas dégradé. Ce double calcul empêche de confondre une relation mathématique correcte avec une architecture réellement exploitable sur Mars.
Approfondissement — Conditionnement, échelles et chiffres qui ont l’air précis mais ne le sont pas
Un calcul numérique peut être faux alors que chaque opération arithmétique est correcte. Le danger apparaît lorsque le problème est mal conditionné : une petite erreur sur l’entrée produit une grande variation du résultat. Imaginons qu’une trajectoire soit calculée à partir de deux positions presque identiques puis que l’on soustraie ces grands nombres pour obtenir un petit déplacement. Si les positions sont arrondies, les chiffres significatifs communs peuvent s’annuler et l’erreur relative sur le déplacement devient énorme. La première règle est donc d’observer les ordres de grandeur avant de lancer un solveur : quelles variables valent 10⁶, lesquelles valent 10⁻³, et lesquelles résultent d’une différence entre deux valeurs presque égales ?
On peut représenter la sensibilité par un nombre de condition κ, lettre grecque kappa. Ici, κ mesure à quel point une erreur relative sur les données peut être amplifiée dans le résultat. κ proche de 1 indique un problème bien conditionné ; κ très grand signale qu’une petite incertitude d’entrée peut devenir dominante. Le nombre de condition ne remplace pas une analyse physique : il avertit que davantage de chiffres dans le logiciel ne suffiront peut-être pas. Dans une mission martienne, cette question intervient dans la navigation, la reconstruction d’orbite, l’estimation de paramètres atmosphériques et le traitement d’instruments. Un bon ingénieur demande donc non seulement « quelle est la valeur ? », mais « combien de décimales de cette valeur sont réellement supportées par les données ? ».
Exemple calculé pas à pas
La méthode de travail est toujours la même : écrire ce que représente chaque symbole, convertir toutes les unités vers un système cohérent, effectuer l’opération, puis traduire le résultat en phrase. Enfin, faire un contrôle d’ordre de grandeur. Si le résultat change de facteur mille lorsqu’on passe de millimètres à mètres, la conversion doit être visible dans le calcul.
Exercice progressif
- Choisir un cas simple et lister toutes les données avec leurs unités.
- Calculer le résultat nominal sans marge.
- Modifier le paramètre le plus incertain de ±20 % et comparer.
- Ajouter une panne crédible et expliquer quel indicateur permet de la détecter.
- Décider si le système continue, se dégrade ou doit s’arrêter.
Solution raisonnée
Une bonne solution ne se résume pas au nombre final. Elle montre les conversions, la logique de la formule, la sensibilité et la décision. Si deux hypothèses différentes conduisent à la même décision opérationnelle, la conception est relativement robuste à cette incertitude. Si une petite variation inverse la décision, le paramètre doit devenir une priorité de mesure ou de marge.
Mini-projet de validation
Construire une note d’ingénierie de deux à quatre pages appliquant le cours à un sous-système martien. Le document doit contenir : besoin, hypothèses, schéma fonctionnel, calcul manuel, vérification par un second calcul ou une simulation, incertitudes, panne injectée, critères de décision et trois références primaires. L’objectif est de produire une chaîne de preuve que quelqu’un d’autre peut relire et refaire.
Erreurs classiques à détecter
- mélanger unités ou repères sans conversion visible ;
- présenter une valeur calculée comme une donnée mesurée ;
- ignorer la plage de validité d’un modèle ;
- confondre précision numérique et exactitude physique ;
- dimensionner sur le seul cas nominal sans marge ni mode dégradé.