{"id":1279,"date":"2026-08-21T14:31:29","date_gmt":"2026-08-21T14:31:29","guid":{"rendered":"https:\/\/matforge.org\/?p=1279","raw":"https:\/\/matforge.org\/?p=1279"},"modified":"2026-08-21T14:31:29","modified_gmt":"2026-08-21T14:31:29","slug":"mesh-quality-convergence-studies-guide-2","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/","title":{"rendered":"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques","raw":"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 11<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><h2>tl;dr<\/h2>\n<p>Avant d&rsquo;ex\u00e9cuter une simulation scientifique, v\u00e9rifiez que le maillage passe des contr\u00f4les de qualit\u00e9 g\u00e9om\u00e9triques, puis prouvez que les r\u00e9sultats ne changent pas de mani\u00e8re significative avec un raffinement suppl\u00e9mentaire.<\/p>\n<p>Une \u00e9tude de convergence de maillage utilisant au moins trois niveaux de grille peut quantifier l&rsquo;erreur de discr\u00e9tisation via l&rsquo;extrapolation de Richardson et l&rsquo;indice de convergence de la grille. Ce guide explique les mesures cl\u00e9s, les seuils pratiques et les \u00e9tapes de calcul avec des exemples Python.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>La qualit\u00e9 du maillage d\u00e9termine si un solveur peut converger de mani\u00e8re fiable. De mauvaises formes de maillage peuvent entra\u00eener une diffusion num\u00e9rique, une instabilit\u00e9 et une divergence avant que la pr\u00e9cision ne devienne significative.<\/li>\n<li>La convergence du maillage prouve que les r\u00e9sultats ne d\u00e9pendent pas fortement de la r\u00e9solution du maillage. C&rsquo;est l&rsquo;une des \u00e9tapes les plus importantes de la v\u00e9rification de la solution dans le calcul scientifique.<\/li>\n<li>L&rsquo;indice de convergence de la grille est une mesure standard pour signaler l&rsquo;incertitude induite par le maillage dans les r\u00e9sultats de la simulation.<\/li>\n<li>L&rsquo;extrapolation de Richardson estime la valeur du continu \u00e0 l&rsquo;espacement des grilles nulles et peut \u00eatre impl\u00e9ment\u00e9e avec un code Python compact.<\/li>\n<\/ul>\n<h2>Pourquoi la qualit\u00e9 du maillage est importante avant m\u00eame de commencer<\/h2>\n<p>Si un CFD, un transfert de chaleur ou une simulation structurelle divergent, le maillage est souvent l&rsquo;une des premi\u00e8res choses \u00e0 inspecter. La qualit\u00e9 du maillage n&rsquo;est pas un d\u00e9tail abstrait. Il d\u00e9termine si le sch\u00e9ma num\u00e9rique peut produire des r\u00e9sultats stables et physiquement significatifs.<\/p>\n<p>Vous pouvez disposer d&rsquo;un solveur sophistiqu\u00e9, d&rsquo;un mod\u00e8le de turbulence puissante et de conditions aux limites soigneusement s\u00e9lectionn\u00e9es. Mais si le maillage contient des cellules biais\u00e9es, \u00e9tir\u00e9es, invers\u00e9es ou mal not\u00e9es, les erreurs num\u00e9riques peuvent dominer la solution.<\/p>\n<p>La communaut\u00e9 de maillage utilise g\u00e9n\u00e9ralement six mesures de base pour juger si un maillage est utilisable.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>M\u00e9trique<\/th>\n<th>Ce qu&rsquo;il mesure<\/th>\n<th>bonne port\u00e9e<\/th>\n<th>Gamme critique \u00e0 \u00e9viter<\/th>\n<th>Pourquoi c&rsquo;est important<\/th>\n<\/tr>\n<tr>\n<td>Qualit\u00e9 orthogonale<\/td>\n<td>Alignement des faces des cellules avec des vecteurs de centre \u00e0 centre<\/td>\n<td>Au-dessus de 0,15, avec 1,0 id\u00e9al<\/td>\n<td>en dessous de 0,01<\/td>\n<td>Une mauvaise orthogonalit\u00e9 entra\u00eene une perte de pr\u00e9cision et une divergence en termes de diffusion<\/td>\n<\/tr>\n<tr>\n<td>asym\u00e9trie<\/td>\n<td>Dans quelle mesure un \u00e9l\u00e9ment s&rsquo;\u00e9carte de sa forme id\u00e9ale<\/td>\n<td>En dessous de 0,5 pour FEA, en dessous de 0,75 pour de nombreux flux de travail CFD<\/td>\n<td>Au-dessus de 0,85 pour FEA, au-dessus de 0,95 pour CFD<\/td>\n<td>Une asym\u00e9trie \u00e9lev\u00e9e introduit la diffusion num\u00e9rique et une mauvaise interpolation<\/td>\n<\/tr>\n<tr>\n<td>rapport d&rsquo;aspect<\/td>\n<td>Rapport entre la dimension la plus longue et la plus courte dans une cellule<\/td>\n<td>1 \u00e0 5 pour de nombreux maillages FEA&nbsp;; Plus \u00e9lev\u00e9 peut \u00eatre acceptable dans les couches limites CFD align\u00e9es<\/td>\n<td>au-dessus de 10 \u00e0 20 pour les r\u00e9gions FEA g\u00e9n\u00e9rales&nbsp;; Valeurs tr\u00e8s \u00e9lev\u00e9es dans les r\u00e9gions CFD non align\u00e9es<\/td>\n<td>Les rapports d&rsquo;aspect \u00e9lev\u00e9s dans la mauvaise r\u00e9gion r\u00e9duisent la pr\u00e9cision du gradient<\/td>\n<\/tr>\n<tr>\n<td>ratio jacobien<\/td>\n<td>Distorsion d&rsquo;\u00e9l\u00e9ments \u00e0 partir de sa forme de r\u00e9f\u00e9rence id\u00e9ale<\/td>\n<td>Positif et confortablement au-dessus de z\u00e9ro<\/td>\n<td>N\u00e9gatif ou proche de z\u00e9ro<\/td>\n<td>Les Jacobiens n\u00e9gatifs indiquent des \u00e9l\u00e9ments invers\u00e9s et provoquent g\u00e9n\u00e9ralement une d\u00e9faillance du solveur<\/td>\n<\/tr>\n<tr>\n<td>Taux d&rsquo;expansion volum\u00e9trique<\/td>\n<td>Rapport de volume entre les cellules adjacentes<\/td>\n<td>en dessous de 1,5\u20132,0<\/td>\n<td>au-dessus de 3,0<\/td>\n<td>Les sauts de volume nets cr\u00e9ent des erreurs de troncature<\/td>\n<\/tr>\n<tr>\n<td>Angle maximum et minimum<\/td>\n<td>Angles int\u00e9rieurs extr\u00eames \u00e0 l&rsquo;int\u00e9rieur<\/td>\n<td>environ 20\u00b0\u2013140\u00b0 pour les triangles et 30\u00b0\u2013150\u00b0 pour les quads<\/td>\n<td>moins de 5\u00b0 ou plus 170\u00b0<\/td>\n<td>Des angles extr\u00eames cr\u00e9ent des matrices mal conditionn\u00e9es et une mauvaise interpolation<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Les bonnes plages ci-dessus repr\u00e9sentent des valeurs de base pratiques utilis\u00e9es dans de nombreux flux de travail de simulation. Les seuils exacts varient selon le solveur, le type d&rsquo;\u00e9l\u00e9ment, la m\u00e9thode num\u00e9rique et le mod\u00e8le physique. V\u00e9rifiez toujours la documentation du solveur que vous utilisez.<\/p>\n<h2>Les six mesures de qualit\u00e9 du maillage, expliqu\u00e9es<\/h2>\n<h3>1. Qualit\u00e9 orthogonale<\/h3>\n<p>La qualit\u00e9 orthogonale est particuli\u00e8rement importante dans les flux de travail \u00e0 volume fini et CFD. Il mesure dans quelle mesure une face de cellule normale s&rsquo;aligne avec le vecteur reliant les centres de cellules voisins.<\/p>\n<p>Si cet alignement est m\u00e9diocre, les calculs de gradient de face deviennent moins pr\u00e9cis. Cela peut endommager les termes de diffusion, les calculs de flux et la reconstruction du gradient de pression.<\/p>\n<p>Pour les utilisateurs de Fipy, cela compte car Fipy repose sur des op\u00e9rations de volume fini bas\u00e9e sur le visage. Si le maillage a une orthogonalit\u00e9 m\u00e9diocre, les calculs de gradient de visage peuvent introduire une erreur de troncature qui se d\u00e9veloppe \u00e0 travers les it\u00e9rations.<\/p>\n<p>Un conseil pratique&nbsp;: si une simulation diverge sur un maillage qui semble visuellement acceptable, inspectez la distribution de la qualit\u00e9 orthogonale. M\u00eame un petit groupe de cellules pauvres peut affecter la stabilit\u00e9 globale.<\/p>\n<h3>2. Objectif<\/h3>\n<p>L&rsquo;asym\u00e9trie mesure la distance entre un \u00e9l\u00e9ment et sa forme id\u00e9ale. Pour les triangles et les t\u00e9tra\u00e8dres, la forme id\u00e9ale est proche de l&rsquo;\u00e9quilat\u00e9ral. Pour les quadrilat\u00e8res et les hexa\u00e8dres, la forme id\u00e9ale est plus proche de la proportion orthogonale et uniform\u00e9ment proportionn\u00e9e.<\/p>\n<p>Une asym\u00e9trie \u00e9lev\u00e9e rend l&rsquo;interpolation entre les centres cellulaires moins fiable. Il peut introduire une diffusion artificielle, des gradients inexacts et une r\u00e9duction de l&rsquo;ordre de pr\u00e9cision.<\/p>\n<p>Une certaine asym\u00e9trie est courante \u00e0 proximit\u00e9 des coins, des filets et de la g\u00e9om\u00e9trie complexe. L&rsquo;objectif est de garder les cellules hautement asym\u00e9triques \u00e0 l&rsquo;\u00e9cart des r\u00e9gions o\u00f9 vous extrayez des r\u00e9sultats importants.<\/p>\n<h3>3. Rapport d&rsquo;aspect<\/h3>\n<p>Le rapport d&rsquo;aspect est le rapport entre la dimension la plus longue et la plus courte dans une cellule. Les faibles rapports d&rsquo;aspect sont g\u00e9n\u00e9ralement plus s\u00fbrs pour les mailles \u00e0 usage g\u00e9n\u00e9ral.<\/p>\n<p>Il existe une exception importante : les couches limites CFD. Pr\u00e8s des murs, les cellules \u00e9tir\u00e9es peuvent \u00eatre utiles et n\u00e9cessaires car les gradients physiques sont fortement directionnels. Dans ce cas, les cellules \u00e0 rapport d&rsquo;aspect \u00e9lev\u00e9 sont acceptables lorsqu&rsquo;elles s&rsquo;alignent sur la physique.<\/p>\n<p>Le rapport d&rsquo;aspect devient nocif lorsque l&rsquo;\u00e9tirement n&rsquo;est pas align\u00e9 avec le gradient attendu. Dans les zones de concentration de contraintes, les fronts de r\u00e9action ou les r\u00e9gions de m\u00e9lange, des cellules \u00e9tir\u00e9es mal align\u00e9es peuvent d\u00e9truire la pr\u00e9cision.<\/p>\n<h3>4. Ratio jacobien<\/h3>\n<p>Le rapport jacobien mesure la mesure dans laquelle un \u00e9l\u00e9ment est d\u00e9form\u00e9 \u00e0 partir de sa forme de r\u00e9f\u00e9rence id\u00e9ale. Un Jacobien n\u00e9gatif signifie qu&rsquo;un \u00e9l\u00e9ment est invers\u00e9.<\/p>\n<p>Les Jacobiens n\u00e9gatifs sont de graves erreurs de maillage. Ils indiquent g\u00e9n\u00e9ralement une g\u00e9om\u00e9trie invalide, un ordre de n\u0153ud incorrect ou une distorsion d&rsquo;\u00e9l\u00e9ments extr\u00eames. Il s&rsquo;agit d&rsquo;un probl\u00e8me de maillage, et non d&rsquo;une fonction de solveur.<\/p>\n<p>Si vous voyez des Jacobiens n\u00e9gatifs, corrigez la g\u00e9om\u00e9trie CAO, supprimez les \u00e9clats, comblez de petits \u00e9carts ou ajustez les param\u00e8tres de maillage avant d&rsquo;ex\u00e9cuter la simulation.<\/p>\n<h3>5. Taux d&rsquo;expansion volumique<\/h3>\n<p>Le taux d&rsquo;expansion volumique mesure la rapidit\u00e9 avec laquelle le volume cellulaire passe d&rsquo;une cellule \u00e0 l&rsquo;autre. Les transitions douces sont g\u00e9n\u00e9ralement meilleures car les sch\u00e9mas num\u00e9riques supposent que la variation spatiale n&rsquo;est pas brutale \u00e0 l&rsquo;\u00e9chelle de la grille.<\/p>\n<p>En r\u00e8gle g\u00e9n\u00e9rale, gardez les rapports de volume des cellules adjacentes en dessous d&rsquo;environ 1,5 \u00e0 2,0 lorsque cela est possible. Les sauts pointus peuvent cr\u00e9er des erreurs de troncature et une instabilit\u00e9 localis\u00e9e.<\/p>\n<h3>6. Angle maximum et minimum<\/h3>\n<p>Les angles int\u00e9rieurs montrent si un \u00e9l\u00e9ment est g\u00e9om\u00e9triquement sain. Les tr\u00e8s petits angles cr\u00e9ent des \u00e9l\u00e9ments minces. Les tr\u00e8s grands angles sont souvent corr\u00e9l\u00e9s \u00e0 une asym\u00e9trie \u00e9lev\u00e9e ou \u00e0 un rapport d&rsquo;aspect \u00e9lev\u00e9.<\/p>\n<p>Les deux cas peuvent rendre les matrices mal conditionn\u00e9es et r\u00e9duire la pr\u00e9cision de l&rsquo;interpolation. Dans les flux de travail par \u00e9l\u00e9ments finis, les angles m\u00e9diocres peuvent \u00eatre particuli\u00e8rement dommageables pour le conditionnement de la matrice de rigidit\u00e9.<\/p>\n<h2>\u00c9tudes de convergence de maillage&nbsp;: la preuve des r\u00e9sultats est ind\u00e9pendante<\/h2>\n<p>Apr\u00e8s avoir v\u00e9rifi\u00e9 la qualit\u00e9 du maillage, l&rsquo;\u00e9tape suivante est une \u00e9tude de convergence de maillage, \u00e9galement appel\u00e9e \u00e9tude de raffinement de la grille.<\/p>\n<p>L&rsquo;objectif est simple : prouver que le r\u00e9sultat ne change pas de mani\u00e8re significative lorsque le maillage est raffin\u00e9. Si le r\u00e9sultat change fortement, le maillage n&rsquo;est pas assez fin pour la quantit\u00e9 qui vous int\u00e9resse.<\/p>\n<h3>L&rsquo;approche standard \u00e0 trois grilles<\/h3>\n<p>Une \u00e9tude de convergence rigoureuse devrait utiliser au moins trois niveaux de maillage :<\/p>\n<ol>\n<li>Grille grossi\u00e8re, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2083<\/code>.<\/li>\n<li>Grille moyenne, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2082<\/code>.<\/li>\n<li>Grille fine, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2081<\/code>.<\/li>\n<\/ol>\n<p>Le rapport de raffinement doit \u00eatre aussi coh\u00e9rent que possible. Un rapport proche de 2,0 est courant car chaque niveau de grille r\u00e9duit la taille de la cellule caract\u00e9ristique.<\/p>\n<h3>Pourquoi trois grilles au lieu de deux&nbsp;?<\/h3>\n<p>Avec deux grilles, vous pouvez estimer une modification du r\u00e9sultat, mais vous ne pouvez pas v\u00e9rifier de mani\u00e8re fiable si la solution est dans la plage de convergence asymptotique.<\/p>\n<p>La plage asymptotique est le r\u00e9gime o\u00f9 l&rsquo;erreur num\u00e9rique diminue de mani\u00e8re pr\u00e9visible \u00e0 mesure que le maillage est raffin\u00e9. Trois grilles vous permettent d&rsquo;estimer l&rsquo;ordre de convergence observ\u00e9 et de d\u00e9tecter si le comportement de raffinement est coh\u00e9rent.<\/p>\n<h2>La proc\u00e9dure \u00e9tape par \u00e9tape<\/h2>\n<h3>\u00c9tape&nbsp;1&nbsp;: Choisissez une quantit\u00e9 d&rsquo;int\u00e9r\u00eat<\/h3>\n<p>Choisissez une quantit\u00e9 scalaire qui repr\u00e9sente le r\u00e9sultat qui vous int\u00e9resse. Les choix courants comprennent :<\/p>\n<ul>\n<li>coefficient de tra\u00een\u00e9e<\/li>\n<li>pic de contrainte.<\/li>\n<li>Perte de pression.<\/li>\n<li>temp\u00e9rature \u00e0 un point s\u00e9lectionn\u00e9.<\/li>\n<li>\u00c9nergie totale, d\u00e9bit massique ou une autre quantit\u00e9 int\u00e9grale.<\/li>\n<\/ul>\n<p>Cette quantit\u00e9 est g\u00e9n\u00e9ralement \u00e9crite comme <code>\u03c6<\/code>. Vous allez l&rsquo;extraire de chaque niveau de maillage.<\/p>\n<h3>\u00c9tape&nbsp;2&nbsp;: Ex\u00e9cutez des simulations sur les trois grilles<\/h3>\n<p>Ex\u00e9cutez la m\u00eame simulation sur les maillages grossiers, moyens et fins. Gardez les conditions aux limites, les param\u00e8tres du solveur, les param\u00e8tres physiques et les crit\u00e8res de convergence.<\/p>\n<p>Ne comptez pas uniquement sur les r\u00e9sidus. Surveillez \u00e9galement la quantit\u00e9 d&rsquo;int\u00e9r\u00eat. Un r\u00e9sidu peut sembler acceptable alors que la production r\u00e9elle ou scientifique est encore en \u00e9volution.<\/p>\n<h3>\u00c9tape&nbsp;3&nbsp;: Calculez l&rsquo;ordre d&rsquo;approximation observ\u00e9<\/h3>\n<p>L&rsquo;ordre d&rsquo;approximation observ\u00e9, g\u00e9n\u00e9ralement \u00e9crit comme <code>p<\/code>, vous indique \u00e0 quelle vitesse l&rsquo;erreur diminue avec le raffinement du maillage.<\/p>\n<p>Pour trois grilles avec un rapport de raffinement constant <code>r<\/code>, une estimation pratique est&nbsp;:<\/p>\n<pre><code>p = ln(|(\u03c6\u2083 - \u03c6\u2082) \/ (\u03c6\u2082 - \u03c6\u2081)|) \/ ln(r)\n<\/code><\/pre>\n<p>Impl\u00e9mentation de Python&nbsp;:<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef compute_observed_order(phi_coarse, phi_medium, phi_fine, r):\n    \"\"\"Compute observed order of approximation for three grid levels.\"\"\"\n    eps_32 = phi_coarse - phi_medium\n    eps_21 = phi_medium - phi_fine\n    \n    if eps_21 == 0:\n        raise ValueError(\"Medium-fine difference is zero; cannot compute observed order.\")\n    \n    ratio = abs(eps_32 \/ eps_21)\n    \n    if ratio &lt;= 0:\n        raise ValueError(\"Invalid error ratio; check grid results.\")\n    \n    return np.log(ratio) \/ np.log(r)\n<\/code><\/pre>\n<p>Si la m\u00e9thode est nominalement de second ordre, un ordre pratique observ\u00e9 pourrait \u00eatre proche de 2,0. Des valeurs inf\u00e9rieures peuvent indiquer des probl\u00e8mes de qualit\u00e9 de maillage, des effets aux limites, un comportement non lin\u00e9aire ou que les grilles ne sont pas encore dans la plage asymptotique.<\/p>\n<h3>\u00c9tape&nbsp;4&nbsp;: Appliquer l&rsquo;extrapolation de Richardson<\/h3>\n<p>L&rsquo;extrapolation de Richardson estime la valeur du continuum \u00e0 l&rsquo;espacement des grilles nulles. Il am\u00e9liore l&rsquo;estimation au-del\u00e0 du r\u00e9sultat de la grille fine en utilisant les r\u00e9sultats fins et moyens ainsi que l&rsquo;ordre observ\u00e9.<\/p>\n<pre><code class=\"language-python\">def richardson_extrapolation(phi_medium, phi_fine, r, p):\n    \"\"\"Estimate the continuum value using Richardson extrapolation.\"\"\"\n    denominator = r**p - 1\n    \n    if denominator == 0:\n        raise ValueError(\"Invalid denominator; check refinement ratio and observed order.\")\n    \n    return phi_fine + (phi_fine - phi_medium) \/ denominator\n<\/code><\/pre>\n<p>Cela ne remplace pas la validation, mais donne une estimation utile de la valeur num\u00e9rique ind\u00e9pendante du maillage.<\/p>\n<h3>\u00c9tape&nbsp;5&nbsp;: Calculez l&rsquo;indice de convergence de la grille<\/h3>\n<p>L&rsquo;indice de convergence de la grille quantifie le pourcentage d&rsquo;incertitude caus\u00e9e par la r\u00e9solution de maillage. Il est couramment utilis\u00e9 pour signaler la convergence de maillage de mani\u00e8re standardis\u00e9e.<\/p>\n<pre><code class=\"language-python\">def calculate_gci(phi_medium, phi_fine, r, p, safety_factor=1.25):\n    \"\"\"Calculate fine-grid Grid Convergence Index as a percentage.\"\"\"\n    if phi_fine == 0:\n        raise ValueError(\"Fine-grid value is zero; relative GCI is undefined.\")\n    \n    denominator = r**p - 1\n    \n    if denominator == 0:\n        raise ValueError(\"Invalid denominator; check refinement ratio and observed order.\")\n    \n    apparent_relative_error = abs((phi_fine - phi_medium) \/ phi_fine)\n    gci = safety_factor * apparent_relative_error \/ denominator\n    \n    return gci * 100\n<\/code><\/pre>\n<p>Le facteur de s\u00e9curit\u00e9 est important :<\/p>\n<ul>\n<li>Utilisez <code>1.25<\/code> lorsque vous utilisez trois ou plusieurs grilles.<\/li>\n<li>Utilisez une valeur plus prudente lorsque seules deux grilles sont disponibles, bien que deux grilles ne soient pas recommand\u00e9es pour les rapports rigoureux.<\/li>\n<\/ul>\n<h3>\u00c9tape&nbsp;6&nbsp;: V\u00e9rifiez la plage asymptotique<\/h3>\n<p>Pour v\u00e9rifier si les grilles sont dans la plage asymptotique, comparez les valeurs GCI entre la paire moyenne-fine et la paire moyenne-moyenne.<\/p>\n<pre><code class=\"language-python\">def asymptotic_range_ratio(gci_32, gci_21, r, p):\n    \"\"\"Check whether grid convergence is close to the asymptotic range.\"\"\"\n    if gci_21 == 0:\n        raise ValueError(\"Fine-grid GCI is zero; asymptotic ratio is undefined.\")\n    \n    return gci_32 \/ (gci_21 * r**p)\n<\/code><\/pre>\n<p>Une valeur proche de 1,0 sugg\u00e8re que la s\u00e9quence de la grille approche de la plage asymptotique. De grands \u00e9carts sugg\u00e8rent que plus de raffinement peut \u00eatre n\u00e9cessaire ou que la quantit\u00e9 s\u00e9lectionn\u00e9e d&rsquo;int\u00e9r\u00eat ne converge pas en douceur.<\/p>\n<h2>Un exemple concret<\/h2>\n<p>Supposons que vous simulez le flux \u00e0 travers un tuyau et que vous extrayez la r\u00e9cup\u00e9ration de pression \u00e0 partir de trois grilles.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>La grille<\/th>\n<th>n\u0153uds<\/th>\n<th>R\u00e9cup\u00e9ration de pression<\/th>\n<\/tr>\n<tr>\n<td>Bien<\/td>\n<td>100&nbsp;000<\/td>\n<td>0.97050<\/td>\n<\/tr>\n<tr>\n<td>MOYEN<\/td>\n<td>25&nbsp;000<\/td>\n<td>0.96854<\/td>\n<\/tr>\n<tr>\n<td>Grossier<\/td>\n<td>6&nbsp;250<\/td>\n<td>0,96178<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Supposons que le rapport de raffinement est <code>r = 2.0<\/code>.<\/p>\n<p>Ordre observ\u00e9&nbsp;:<\/p>\n<pre><code>p = ln(|(0.96178 - 0.96854) \/ (0.96854 - 0.97050)|) \/ ln(2)\np = 1.786\n<\/code><\/pre>\n<p>Extrapolation de Richardson&nbsp;:<\/p>\n<pre><code>\u03c6_ext = 0.97050 + (0.97050 - 0.96854) \/ (2^1.786 - 1)\n\u03c6_ext \u2248 0.97130\n<\/code><\/pre>\n<p>Grille fine GCI&nbsp;:<\/p>\n<pre><code>GCI_21 = 1.25 \u00d7 |0.97050 - 0.96854| \/ 0.97050 \/ (2^1.786 - 1)\nGCI_21 \u2248 0.103%\n<\/code><\/pre>\n<p>Cela signifie que la r\u00e9cup\u00e9ration de la pression de la grille fine est proche de la valeur du continuum estim\u00e9, avec une incertitude induite par le maillage d&rsquo;environ 0,1&nbsp;%. C&rsquo;est le type de r\u00e9sultat qui peut \u00eatre signal\u00e9 dans un flux de travail de simulation rigoureux.<\/p>\n<h2>V\u00e9rification de la convergence du maillage ou du code<\/h2>\n<p>La convergence du maillage et la v\u00e9rification du code sont li\u00e9es, mais elles ne sont pas les m\u00eames.<\/p>\n<ul>\n<li>La v\u00e9rification du code demande si le code r\u00e9sout correctement les \u00e9quations.<\/li>\n<li>La convergence du maillage demande si cette solution sp\u00e9cifique est ind\u00e9pendante de la r\u00e9solution du maillage.<\/li>\n<\/ul>\n<p>La convergence de maillage est une \u00e9tape de v\u00e9rification de la solution. Il estime l&rsquo;erreur num\u00e9rique pour une configuration de simulation. Cela ne prouve pas que le code est correct en g\u00e9n\u00e9ral et ne prouve pas que le mod\u00e8le repr\u00e9sente la r\u00e9alit\u00e9.<\/p>\n<p>Un flux de travail pratique est :<\/p>\n<ol>\n<li>Utilisez la v\u00e9rification de code, comme les solutions fabriqu\u00e9es, pour v\u00e9rifier la mise en \u0153uvre.<\/li>\n<li>Utilisez la convergence de maillage pour v\u00e9rifier l&rsquo;incertitude num\u00e9rique des simulations de production.<\/li>\n<li>Utilisez la validation par rapport \u00e0 des exp\u00e9riences ou des donn\u00e9es de r\u00e9f\u00e9rence pour v\u00e9rifier la cr\u00e9dibilit\u00e9 physique.<\/li>\n<\/ol>\n<h2>Erreurs courantes dans les \u00e9tudes de convergence de maillage<\/h2>\n<ol>\n<li>en utilisant seulement deux grilles. Cela emp\u00eache un contr\u00f4le fiable de la plage asymptotique et de l&rsquo;ordre observ\u00e9.<\/li>\n<li>en utilisant un raffinement incoh\u00e9rent. L&rsquo;affinage d&rsquo;une seule direction ou la modification de la topologie de maillage trop peut briser l&rsquo;hypoth\u00e8se du rapport de raffinement.<\/li>\n<li>Ignorer la qualit\u00e9 du maillage. Un maillage plus fin avec des cellules pauvres peut converger vers la mauvaise r\u00e9ponse.<\/li>\n<li>Surveillance de la mauvaise quantit\u00e9. La quantit\u00e9 d&rsquo;int\u00e9r\u00eat devrait repr\u00e9senter la conclusion scientifique ou technique qui vous int\u00e9resse.<\/li>\n<li>Arr\u00eat bas\u00e9 uniquement sur les r\u00e9sidus. Les r\u00e9sidus ne prouvent pas toujours que la quantit\u00e9 d&rsquo;int\u00e9r\u00eat s&rsquo;est stabilis\u00e9e.<\/li>\n<li>Traiter GCI comme une preuve d&rsquo;exactitude physique. Un faible GCI signifie uniquement que l&rsquo;incertitude induite par le maillage est faible. La validation est toujours requise.<\/li>\n<\/ol>\n<h2>Adaptation et automatisation du maillage<\/h2>\n<p>Les flux de travail modernes utilisent de plus en plus l&rsquo;adaptation de maillage. Au lieu de construire manuellement une s\u00e9quence fixe de maillages, la simulation affine ou grossit les r\u00e9gions en fonction d&rsquo;indicateurs d&rsquo;erreur.<\/p>\n<p>Les approches d&rsquo;adaptation courantes comprennent :<\/p>\n<ul>\n<li>Adaptation H, o\u00f9 les cellules sont raffin\u00e9es ou grossi\u00e8res localement.<\/li>\n<li>Adaptation p, o\u00f9 l&rsquo;ordre polynomial augmente dans les r\u00e9gions avec des gradients \u00e9lev\u00e9s.<\/li>\n<li>Approches hybrides qui combinent le raffinement local du maillage et les m\u00e9thodes d&rsquo;ordre sup\u00e9rieur.<\/li>\n<\/ul>\n<p>L&rsquo;outillage Python pour les \u00e9tudes de convergence est \u00e9galement en train d&rsquo;\u00e9merger. Les scripts peuvent automatiser l&rsquo;extrapolation de Richardson, les calculs GCI, les trac\u00e9s de convergence et les tableaux de rapports.<\/p>\n<h2>Quand arr\u00eater de raffiner<\/h2>\n<p>Vous n&rsquo;affinez pas pour toujours. Le raffinement du maillage doit cesser lorsque la pr\u00e9cision suppl\u00e9mentaire ne justifie plus le co\u00fbt de calcul.<\/p>\n<p>Les conditions d&rsquo;arr\u00eat courantes comprennent :<\/p>\n<ul>\n<li>GCI est inf\u00e9rieur \u00e0 la tol\u00e9rance requise pour le projet.<\/li>\n<li>Le raffinement suppl\u00e9mentaire co\u00fbte beaucoup plus cher, mais ne modifie que l\u00e9g\u00e8rement le r\u00e9sultat.<\/li>\n<li>Les limites mat\u00e9rielles rendent le prochain niveau de raffinement impraticable.<\/li>\n<\/ul>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Situation<\/th>\n<th>Niveau de maillage recommand\u00e9<\/th>\n<\/tr>\n<tr>\n<td>Exploration pr\u00e9liminaire de la conception<\/td>\n<td>Un maillage grossier pour les tendances qualitatives<\/td>\n<\/tr>\n<tr>\n<td>Analyse technique avec un objectif GCI<\/td>\n<td>Mesh moyen \u00e0 fin, ciblant souvent GCI en dessous de 2 %<\/td>\n<\/tr>\n<tr>\n<td>Simulation de niveau de publication<\/td>\n<td>Maille fine, ciblant souvent GCI en dessous de 1 % avec la documentation<\/td>\n<\/tr>\n<tr>\n<td>Utilisation critique ou r\u00e9glementaire<\/td>\n<td>Mesh tr\u00e8s fin plus workflow de v\u00e9rification et de validation complet<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Une liste de contr\u00f4le pratique pour votre prochaine simulation<\/h2>\n<p>Avant d&rsquo;ex\u00e9cuter une simulation de production, v\u00e9rifiez les points suivants&nbsp;:<\/p>\n<ul>\n<li>Rapport sur la qualit\u00e9 du maillage&nbsp;: chaque cellule doit passer les seuils de qualit\u00e9 pour le solveur et le type d&rsquo;\u00e9l\u00e9ment.<\/li>\n<li>Qualit\u00e9 orthogonale&nbsp;: pour les flux de travail CFD ou volumes finis, v\u00e9rifiez si les cellules m\u00e9diocres tombent en dessous des limites acceptables.<\/li>\n<li>Objectif : Inspectez la valeur maximale et la distribution, pas seulement la moyenne.<\/li>\n<li>Jacobien : Confirmez qu&rsquo;aucun \u00e9l\u00e9ment n&rsquo;a de Jacobiens n\u00e9gatifs.<\/li>\n<li>\u00c9tude de convergence \u00e0 trois grilles&nbsp;: utilisez des mailles grossi\u00e8res, moyennes et fines avec un rapport de raffinement coh\u00e9rent.<\/li>\n<li>Calcul GCI : signalez la valeur en pourcentage et appliquez correctement le facteur de s\u00e9curit\u00e9.<\/li>\n<li>V\u00e9rification de la plage asymptotique&nbsp;: comparez si possible le comportement de convergence successif.<\/li>\n<li>Quantit\u00e9 d&rsquo;int\u00e9r\u00eat : Surveillez de mani\u00e8re coh\u00e9rente le m\u00eame r\u00e9sultat scalaire \u00e0 tous les niveaux de la grille.<\/li>\n<li>Convergence compl\u00e8te&nbsp;: v\u00e9rifiez les r\u00e9sidus et les changements de solution avant d&rsquo;extraire les r\u00e9sultats.<\/li>\n<li>Documentation : enregistrez les tailles de maillage, les param\u00e8tres du solveur, les valeurs GCI et les trac\u00e9s de convergence.<\/li>\n<\/ul>\n<h2>Guides connexes<\/h2>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">validation et v\u00e9rification des simulations PDE&nbsp;: un cadre pratique<\/a> &#8211; MMS, v\u00e9rification de code et validation.<\/li>\n<li><a href=\"\/finite-volume-method-explained-simply\/\">m\u00e9thode de volume fini expliqu\u00e9e simplement<\/a> \u2014 la base de volume fini derri\u00e8re les calculs d\u00e9pendant du maillage.<\/li>\n<li><a href=\"\/understanding-fipys-core-architecture\/\">Comprendre l&rsquo;architecture de base de Fipy<\/a> \u2014 Comment Fipy g\u00e8re les maillages et la discr\u00e9tisation en interne.<\/li>\n<\/ul>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>Les \u00e9tudes de qualit\u00e9 et de convergence de maillage ne sont pas des extras optionnels. Ils font partie de la simulation scientifique cr\u00e9dible.<\/p>\n<p>Un flux de travail rigoureux commence par des contr\u00f4les de qualit\u00e9 g\u00e9om\u00e9triques, puis passe \u00e0 une preuve de convergence quantitative. Les ingr\u00e9dients essentiels sont les mesures de qualit\u00e9 du maillage, trois niveaux de grille, l&rsquo;ordre observ\u00e9, l&rsquo;extrapolation de Richardson et la g\u00e9n\u00e9ration de rapports GCI.<\/p>\n<p>Pour votre prochain projet, v\u00e9rifiez le flux de travail de simulation actuel. Si vous ex\u00e9cutez des calculs \u00e0 maillage unique sans rapport de qualit\u00e9 de maillage ni \u00e9tude de convergence, ajoutez ces \u00e9tapes avant de traiter le r\u00e9sultat comme final.<\/p>\n<p>Pour les utilisateurs de FIPY, v\u00e9rifiez que les maillages d\u00e9passent les seuils de qualit\u00e9 et ex\u00e9cutent une \u00e9tude de convergence \u00e0 trois niveaux sur un probl\u00e8me repr\u00e9sentatif avant les simulations de production. Documentez les valeurs GCI et le comportement de convergence. Cette pratique s\u00e9pare les travaux de simulation rigoureux des conjectures.<\/p>\n<p>Ce guide synth\u00e9tise une m\u00e9thodologie \u00e9tablie \u00e0 partir de la recherche sur la convergence de grille, des flux de travail de v\u00e9rification de style NASA, des pratiques de rapport GCI et des conseils pratiques sur la qualit\u00e9 des mailles utilis\u00e9s dans les communaut\u00e9s de CFD, FEA et de simulation scientifique.<\/p>\n","protected":false,"raw":"<h2>tl;dr<\/h2>\n<p>Avant d'ex\u00e9cuter une simulation scientifique, v\u00e9rifiez que le maillage passe des contr\u00f4les de qualit\u00e9 g\u00e9om\u00e9triques, puis prouvez que les r\u00e9sultats ne changent pas de mani\u00e8re significative avec un raffinement suppl\u00e9mentaire.<\/p>\n<p>Une \u00e9tude de convergence de maillage utilisant au moins trois niveaux de grille peut quantifier l'erreur de discr\u00e9tisation via l'extrapolation de Richardson et l'indice de convergence de la grille. Ce guide explique les mesures cl\u00e9s, les seuils pratiques et les \u00e9tapes de calcul avec des exemples Python.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>La qualit\u00e9 du maillage d\u00e9termine si un solveur peut converger de mani\u00e8re fiable. De mauvaises formes de maillage peuvent entra\u00eener une diffusion num\u00e9rique, une instabilit\u00e9 et une divergence avant que la pr\u00e9cision ne devienne significative.<\/li>\n<li>La convergence du maillage prouve que les r\u00e9sultats ne d\u00e9pendent pas fortement de la r\u00e9solution du maillage. C'est l'une des \u00e9tapes les plus importantes de la v\u00e9rification de la solution dans le calcul scientifique.<\/li>\n<li>L'indice de convergence de la grille est une mesure standard pour signaler l'incertitude induite par le maillage dans les r\u00e9sultats de la simulation.<\/li>\n<li>L'extrapolation de Richardson estime la valeur du continu \u00e0 l'espacement des grilles nulles et peut \u00eatre impl\u00e9ment\u00e9e avec un code Python compact.<\/li>\n<\/ul>\n<h2>Pourquoi la qualit\u00e9 du maillage est importante avant m\u00eame de commencer<\/h2>\n<p>Si un CFD, un transfert de chaleur ou une simulation structurelle divergent, le maillage est souvent l'une des premi\u00e8res choses \u00e0 inspecter. La qualit\u00e9 du maillage n'est pas un d\u00e9tail abstrait. Il d\u00e9termine si le sch\u00e9ma num\u00e9rique peut produire des r\u00e9sultats stables et physiquement significatifs.<\/p>\n<p>Vous pouvez disposer d'un solveur sophistiqu\u00e9, d'un mod\u00e8le de turbulence puissante et de conditions aux limites soigneusement s\u00e9lectionn\u00e9es. Mais si le maillage contient des cellules biais\u00e9es, \u00e9tir\u00e9es, invers\u00e9es ou mal not\u00e9es, les erreurs num\u00e9riques peuvent dominer la solution.<\/p>\n<p>La communaut\u00e9 de maillage utilise g\u00e9n\u00e9ralement six mesures de base pour juger si un maillage est utilisable.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>M\u00e9trique<\/th>\n<th>Ce qu'il mesure<\/th>\n<th>bonne port\u00e9e<\/th>\n<th>Gamme critique \u00e0 \u00e9viter<\/th>\n<th>Pourquoi c'est important<\/th>\n<\/tr>\n<tr>\n<td>Qualit\u00e9 orthogonale<\/td>\n<td>Alignement des faces des cellules avec des vecteurs de centre \u00e0 centre<\/td>\n<td>Au-dessus de 0,15, avec 1,0 id\u00e9al<\/td>\n<td>en dessous de 0,01<\/td>\n<td>Une mauvaise orthogonalit\u00e9 entra\u00eene une perte de pr\u00e9cision et une divergence en termes de diffusion<\/td>\n<\/tr>\n<tr>\n<td>asym\u00e9trie<\/td>\n<td>Dans quelle mesure un \u00e9l\u00e9ment s'\u00e9carte de sa forme id\u00e9ale<\/td>\n<td>En dessous de 0,5 pour FEA, en dessous de 0,75 pour de nombreux flux de travail CFD<\/td>\n<td>Au-dessus de 0,85 pour FEA, au-dessus de 0,95 pour CFD<\/td>\n<td>Une asym\u00e9trie \u00e9lev\u00e9e introduit la diffusion num\u00e9rique et une mauvaise interpolation<\/td>\n<\/tr>\n<tr>\n<td>rapport d'aspect<\/td>\n<td>Rapport entre la dimension la plus longue et la plus courte dans une cellule<\/td>\n<td>1 \u00e0 5 pour de nombreux maillages FEA&nbsp;; Plus \u00e9lev\u00e9 peut \u00eatre acceptable dans les couches limites CFD align\u00e9es<\/td>\n<td>au-dessus de 10 \u00e0 20 pour les r\u00e9gions FEA g\u00e9n\u00e9rales&nbsp;; Valeurs tr\u00e8s \u00e9lev\u00e9es dans les r\u00e9gions CFD non align\u00e9es<\/td>\n<td>Les rapports d'aspect \u00e9lev\u00e9s dans la mauvaise r\u00e9gion r\u00e9duisent la pr\u00e9cision du gradient<\/td>\n<\/tr>\n<tr>\n<td>ratio jacobien<\/td>\n<td>Distorsion d'\u00e9l\u00e9ments \u00e0 partir de sa forme de r\u00e9f\u00e9rence id\u00e9ale<\/td>\n<td>Positif et confortablement au-dessus de z\u00e9ro<\/td>\n<td>N\u00e9gatif ou proche de z\u00e9ro<\/td>\n<td>Les Jacobiens n\u00e9gatifs indiquent des \u00e9l\u00e9ments invers\u00e9s et provoquent g\u00e9n\u00e9ralement une d\u00e9faillance du solveur<\/td>\n<\/tr>\n<tr>\n<td>Taux d'expansion volum\u00e9trique<\/td>\n<td>Rapport de volume entre les cellules adjacentes<\/td>\n<td>en dessous de 1,5\u20132,0<\/td>\n<td>au-dessus de 3,0<\/td>\n<td>Les sauts de volume nets cr\u00e9ent des erreurs de troncature<\/td>\n<\/tr>\n<tr>\n<td>Angle maximum et minimum<\/td>\n<td>Angles int\u00e9rieurs extr\u00eames \u00e0 l'int\u00e9rieur<\/td>\n<td>environ 20\u00b0\u2013140\u00b0 pour les triangles et 30\u00b0\u2013150\u00b0 pour les quads<\/td>\n<td>moins de 5\u00b0 ou plus 170\u00b0<\/td>\n<td>Des angles extr\u00eames cr\u00e9ent des matrices mal conditionn\u00e9es et une mauvaise interpolation<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>Les bonnes plages ci-dessus repr\u00e9sentent des valeurs de base pratiques utilis\u00e9es dans de nombreux flux de travail de simulation. Les seuils exacts varient selon le solveur, le type d'\u00e9l\u00e9ment, la m\u00e9thode num\u00e9rique et le mod\u00e8le physique. V\u00e9rifiez toujours la documentation du solveur que vous utilisez.<\/p>\n<h2>Les six mesures de qualit\u00e9 du maillage, expliqu\u00e9es<\/h2>\n<h3>1. Qualit\u00e9 orthogonale<\/h3>\n<p>La qualit\u00e9 orthogonale est particuli\u00e8rement importante dans les flux de travail \u00e0 volume fini et CFD. Il mesure dans quelle mesure une face de cellule normale s'aligne avec le vecteur reliant les centres de cellules voisins.<\/p>\n<p>Si cet alignement est m\u00e9diocre, les calculs de gradient de face deviennent moins pr\u00e9cis. Cela peut endommager les termes de diffusion, les calculs de flux et la reconstruction du gradient de pression.<\/p>\n<p>Pour les utilisateurs de Fipy, cela compte car Fipy repose sur des op\u00e9rations de volume fini bas\u00e9e sur le visage. Si le maillage a une orthogonalit\u00e9 m\u00e9diocre, les calculs de gradient de visage peuvent introduire une erreur de troncature qui se d\u00e9veloppe \u00e0 travers les it\u00e9rations.<\/p>\n<p>Un conseil pratique&nbsp;: si une simulation diverge sur un maillage qui semble visuellement acceptable, inspectez la distribution de la qualit\u00e9 orthogonale. M\u00eame un petit groupe de cellules pauvres peut affecter la stabilit\u00e9 globale.<\/p>\n<h3>2. Objectif<\/h3>\n<p>L'asym\u00e9trie mesure la distance entre un \u00e9l\u00e9ment et sa forme id\u00e9ale. Pour les triangles et les t\u00e9tra\u00e8dres, la forme id\u00e9ale est proche de l'\u00e9quilat\u00e9ral. Pour les quadrilat\u00e8res et les hexa\u00e8dres, la forme id\u00e9ale est plus proche de la proportion orthogonale et uniform\u00e9ment proportionn\u00e9e.<\/p>\n<p>Une asym\u00e9trie \u00e9lev\u00e9e rend l'interpolation entre les centres cellulaires moins fiable. Il peut introduire une diffusion artificielle, des gradients inexacts et une r\u00e9duction de l'ordre de pr\u00e9cision.<\/p>\n<p>Une certaine asym\u00e9trie est courante \u00e0 proximit\u00e9 des coins, des filets et de la g\u00e9om\u00e9trie complexe. L'objectif est de garder les cellules hautement asym\u00e9triques \u00e0 l'\u00e9cart des r\u00e9gions o\u00f9 vous extrayez des r\u00e9sultats importants.<\/p>\n<h3>3. Rapport d'aspect<\/h3>\n<p>Le rapport d'aspect est le rapport entre la dimension la plus longue et la plus courte dans une cellule. Les faibles rapports d'aspect sont g\u00e9n\u00e9ralement plus s\u00fbrs pour les mailles \u00e0 usage g\u00e9n\u00e9ral.<\/p>\n<p>Il existe une exception importante : les couches limites CFD. Pr\u00e8s des murs, les cellules \u00e9tir\u00e9es peuvent \u00eatre utiles et n\u00e9cessaires car les gradients physiques sont fortement directionnels. Dans ce cas, les cellules \u00e0 rapport d'aspect \u00e9lev\u00e9 sont acceptables lorsqu'elles s'alignent sur la physique.<\/p>\n<p>Le rapport d'aspect devient nocif lorsque l'\u00e9tirement n'est pas align\u00e9 avec le gradient attendu. Dans les zones de concentration de contraintes, les fronts de r\u00e9action ou les r\u00e9gions de m\u00e9lange, des cellules \u00e9tir\u00e9es mal align\u00e9es peuvent d\u00e9truire la pr\u00e9cision.<\/p>\n<h3>4. Ratio jacobien<\/h3>\n<p>Le rapport jacobien mesure la mesure dans laquelle un \u00e9l\u00e9ment est d\u00e9form\u00e9 \u00e0 partir de sa forme de r\u00e9f\u00e9rence id\u00e9ale. Un Jacobien n\u00e9gatif signifie qu'un \u00e9l\u00e9ment est invers\u00e9.<\/p>\n<p>Les Jacobiens n\u00e9gatifs sont de graves erreurs de maillage. Ils indiquent g\u00e9n\u00e9ralement une g\u00e9om\u00e9trie invalide, un ordre de n\u0153ud incorrect ou une distorsion d'\u00e9l\u00e9ments extr\u00eames. Il s'agit d'un probl\u00e8me de maillage, et non d'une fonction de solveur.<\/p>\n<p>Si vous voyez des Jacobiens n\u00e9gatifs, corrigez la g\u00e9om\u00e9trie CAO, supprimez les \u00e9clats, comblez de petits \u00e9carts ou ajustez les param\u00e8tres de maillage avant d'ex\u00e9cuter la simulation.<\/p>\n<h3>5. Taux d'expansion volumique<\/h3>\n<p>Le taux d'expansion volumique mesure la rapidit\u00e9 avec laquelle le volume cellulaire passe d'une cellule \u00e0 l'autre. Les transitions douces sont g\u00e9n\u00e9ralement meilleures car les sch\u00e9mas num\u00e9riques supposent que la variation spatiale n'est pas brutale \u00e0 l'\u00e9chelle de la grille.<\/p>\n<p>En r\u00e8gle g\u00e9n\u00e9rale, gardez les rapports de volume des cellules adjacentes en dessous d'environ 1,5 \u00e0 2,0 lorsque cela est possible. Les sauts pointus peuvent cr\u00e9er des erreurs de troncature et une instabilit\u00e9 localis\u00e9e.<\/p>\n<h3>6. Angle maximum et minimum<\/h3>\n<p>Les angles int\u00e9rieurs montrent si un \u00e9l\u00e9ment est g\u00e9om\u00e9triquement sain. Les tr\u00e8s petits angles cr\u00e9ent des \u00e9l\u00e9ments minces. Les tr\u00e8s grands angles sont souvent corr\u00e9l\u00e9s \u00e0 une asym\u00e9trie \u00e9lev\u00e9e ou \u00e0 un rapport d'aspect \u00e9lev\u00e9.<\/p>\n<p>Les deux cas peuvent rendre les matrices mal conditionn\u00e9es et r\u00e9duire la pr\u00e9cision de l'interpolation. Dans les flux de travail par \u00e9l\u00e9ments finis, les angles m\u00e9diocres peuvent \u00eatre particuli\u00e8rement dommageables pour le conditionnement de la matrice de rigidit\u00e9.<\/p>\n<h2>\u00c9tudes de convergence de maillage&nbsp;: la preuve des r\u00e9sultats est ind\u00e9pendante<\/h2>\n<p>Apr\u00e8s avoir v\u00e9rifi\u00e9 la qualit\u00e9 du maillage, l'\u00e9tape suivante est une \u00e9tude de convergence de maillage, \u00e9galement appel\u00e9e \u00e9tude de raffinement de la grille.<\/p>\n<p>L'objectif est simple : prouver que le r\u00e9sultat ne change pas de mani\u00e8re significative lorsque le maillage est raffin\u00e9. Si le r\u00e9sultat change fortement, le maillage n'est pas assez fin pour la quantit\u00e9 qui vous int\u00e9resse.<\/p>\n<h3>L'approche standard \u00e0 trois grilles<\/h3>\n<p>Une \u00e9tude de convergence rigoureuse devrait utiliser au moins trois niveaux de maillage :<\/p>\n<ol>\n<li>Grille grossi\u00e8re, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2083<\/code>.<\/li>\n<li>Grille moyenne, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2082<\/code>.<\/li>\n<li>Grille fine, g\u00e9n\u00e9ralement appel\u00e9e <code>h\u2081<\/code>.<\/li>\n<\/ol>\n<p>Le rapport de raffinement doit \u00eatre aussi coh\u00e9rent que possible. Un rapport proche de 2,0 est courant car chaque niveau de grille r\u00e9duit la taille de la cellule caract\u00e9ristique.<\/p>\n<h3>Pourquoi trois grilles au lieu de deux&nbsp;?<\/h3>\n<p>Avec deux grilles, vous pouvez estimer une modification du r\u00e9sultat, mais vous ne pouvez pas v\u00e9rifier de mani\u00e8re fiable si la solution est dans la plage de convergence asymptotique.<\/p>\n<p>La plage asymptotique est le r\u00e9gime o\u00f9 l'erreur num\u00e9rique diminue de mani\u00e8re pr\u00e9visible \u00e0 mesure que le maillage est raffin\u00e9. Trois grilles vous permettent d'estimer l'ordre de convergence observ\u00e9 et de d\u00e9tecter si le comportement de raffinement est coh\u00e9rent.<\/p>\n<h2>La proc\u00e9dure \u00e9tape par \u00e9tape<\/h2>\n<h3>\u00c9tape&nbsp;1&nbsp;: Choisissez une quantit\u00e9 d'int\u00e9r\u00eat<\/h3>\n<p>Choisissez une quantit\u00e9 scalaire qui repr\u00e9sente le r\u00e9sultat qui vous int\u00e9resse. Les choix courants comprennent :<\/p>\n<ul>\n<li>coefficient de tra\u00een\u00e9e<\/li>\n<li>pic de contrainte.<\/li>\n<li>Perte de pression.<\/li>\n<li>temp\u00e9rature \u00e0 un point s\u00e9lectionn\u00e9.<\/li>\n<li>\u00c9nergie totale, d\u00e9bit massique ou une autre quantit\u00e9 int\u00e9grale.<\/li>\n<\/ul>\n<p>Cette quantit\u00e9 est g\u00e9n\u00e9ralement \u00e9crite comme <code>\u03c6<\/code>. Vous allez l'extraire de chaque niveau de maillage.<\/p>\n<h3>\u00c9tape&nbsp;2&nbsp;: Ex\u00e9cutez des simulations sur les trois grilles<\/h3>\n<p>Ex\u00e9cutez la m\u00eame simulation sur les maillages grossiers, moyens et fins. Gardez les conditions aux limites, les param\u00e8tres du solveur, les param\u00e8tres physiques et les crit\u00e8res de convergence.<\/p>\n<p>Ne comptez pas uniquement sur les r\u00e9sidus. Surveillez \u00e9galement la quantit\u00e9 d'int\u00e9r\u00eat. Un r\u00e9sidu peut sembler acceptable alors que la production r\u00e9elle ou scientifique est encore en \u00e9volution.<\/p>\n<h3>\u00c9tape&nbsp;3&nbsp;: Calculez l'ordre d'approximation observ\u00e9<\/h3>\n<p>L'ordre d'approximation observ\u00e9, g\u00e9n\u00e9ralement \u00e9crit comme <code>p<\/code>, vous indique \u00e0 quelle vitesse l'erreur diminue avec le raffinement du maillage.<\/p>\n<p>Pour trois grilles avec un rapport de raffinement constant <code>r<\/code>, une estimation pratique est&nbsp;:<\/p>\n<pre><code>p = ln(|(\u03c6\u2083 - \u03c6\u2082) \/ (\u03c6\u2082 - \u03c6\u2081)|) \/ ln(r)\n<\/code><\/pre>\n<p>Impl\u00e9mentation de Python&nbsp;:<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef compute_observed_order(phi_coarse, phi_medium, phi_fine, r):\n    \"\"\"Compute observed order of approximation for three grid levels.\"\"\"\n    eps_32 = phi_coarse - phi_medium\n    eps_21 = phi_medium - phi_fine\n    \n    if eps_21 == 0:\n        raise ValueError(\"Medium-fine difference is zero; cannot compute observed order.\")\n    \n    ratio = abs(eps_32 \/ eps_21)\n    \n    if ratio &lt;= 0:\n        raise ValueError(\"Invalid error ratio; check grid results.\")\n    \n    return np.log(ratio) \/ np.log(r)\n<\/code><\/pre>\n<p>Si la m\u00e9thode est nominalement de second ordre, un ordre pratique observ\u00e9 pourrait \u00eatre proche de 2,0. Des valeurs inf\u00e9rieures peuvent indiquer des probl\u00e8mes de qualit\u00e9 de maillage, des effets aux limites, un comportement non lin\u00e9aire ou que les grilles ne sont pas encore dans la plage asymptotique.<\/p>\n<h3>\u00c9tape&nbsp;4&nbsp;: Appliquer l'extrapolation de Richardson<\/h3>\n<p>L'extrapolation de Richardson estime la valeur du continuum \u00e0 l'espacement des grilles nulles. Il am\u00e9liore l'estimation au-del\u00e0 du r\u00e9sultat de la grille fine en utilisant les r\u00e9sultats fins et moyens ainsi que l'ordre observ\u00e9.<\/p>\n<pre><code class=\"language-python\">def richardson_extrapolation(phi_medium, phi_fine, r, p):\n    \"\"\"Estimate the continuum value using Richardson extrapolation.\"\"\"\n    denominator = r**p - 1\n    \n    if denominator == 0:\n        raise ValueError(\"Invalid denominator; check refinement ratio and observed order.\")\n    \n    return phi_fine + (phi_fine - phi_medium) \/ denominator\n<\/code><\/pre>\n<p>Cela ne remplace pas la validation, mais donne une estimation utile de la valeur num\u00e9rique ind\u00e9pendante du maillage.<\/p>\n<h3>\u00c9tape&nbsp;5&nbsp;: Calculez l'indice de convergence de la grille<\/h3>\n<p>L'indice de convergence de la grille quantifie le pourcentage d'incertitude caus\u00e9e par la r\u00e9solution de maillage. Il est couramment utilis\u00e9 pour signaler la convergence de maillage de mani\u00e8re standardis\u00e9e.<\/p>\n<pre><code class=\"language-python\">def calculate_gci(phi_medium, phi_fine, r, p, safety_factor=1.25):\n    \"\"\"Calculate fine-grid Grid Convergence Index as a percentage.\"\"\"\n    if phi_fine == 0:\n        raise ValueError(\"Fine-grid value is zero; relative GCI is undefined.\")\n    \n    denominator = r**p - 1\n    \n    if denominator == 0:\n        raise ValueError(\"Invalid denominator; check refinement ratio and observed order.\")\n    \n    apparent_relative_error = abs((phi_fine - phi_medium) \/ phi_fine)\n    gci = safety_factor * apparent_relative_error \/ denominator\n    \n    return gci * 100\n<\/code><\/pre>\n<p>Le facteur de s\u00e9curit\u00e9 est important :<\/p>\n<ul>\n<li>Utilisez <code>1.25<\/code> lorsque vous utilisez trois ou plusieurs grilles.<\/li>\n<li>Utilisez une valeur plus prudente lorsque seules deux grilles sont disponibles, bien que deux grilles ne soient pas recommand\u00e9es pour les rapports rigoureux.<\/li>\n<\/ul>\n<h3>\u00c9tape&nbsp;6&nbsp;: V\u00e9rifiez la plage asymptotique<\/h3>\n<p>Pour v\u00e9rifier si les grilles sont dans la plage asymptotique, comparez les valeurs GCI entre la paire moyenne-fine et la paire moyenne-moyenne.<\/p>\n<pre><code class=\"language-python\">def asymptotic_range_ratio(gci_32, gci_21, r, p):\n    \"\"\"Check whether grid convergence is close to the asymptotic range.\"\"\"\n    if gci_21 == 0:\n        raise ValueError(\"Fine-grid GCI is zero; asymptotic ratio is undefined.\")\n    \n    return gci_32 \/ (gci_21 * r**p)\n<\/code><\/pre>\n<p>Une valeur proche de 1,0 sugg\u00e8re que la s\u00e9quence de la grille approche de la plage asymptotique. De grands \u00e9carts sugg\u00e8rent que plus de raffinement peut \u00eatre n\u00e9cessaire ou que la quantit\u00e9 s\u00e9lectionn\u00e9e d'int\u00e9r\u00eat ne converge pas en douceur.<\/p>\n<h2>Un exemple concret<\/h2>\n<p>Supposons que vous simulez le flux \u00e0 travers un tuyau et que vous extrayez la r\u00e9cup\u00e9ration de pression \u00e0 partir de trois grilles.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>La grille<\/th>\n<th>n\u0153uds<\/th>\n<th>R\u00e9cup\u00e9ration de pression<\/th>\n<\/tr>\n<tr>\n<td>Bien<\/td>\n<td>100&nbsp;000<\/td>\n<td>0.97050<\/td>\n<\/tr>\n<tr>\n<td>MOYEN<\/td>\n<td>25&nbsp;000<\/td>\n<td>0.96854<\/td>\n<\/tr>\n<tr>\n<td>Grossier<\/td>\n<td>6&nbsp;250<\/td>\n<td>0,96178<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>Supposons que le rapport de raffinement est <code>r = 2.0<\/code>.<\/p>\n<p>Ordre observ\u00e9&nbsp;:<\/p>\n<pre><code>p = ln(|(0.96178 - 0.96854) \/ (0.96854 - 0.97050)|) \/ ln(2)\np = 1.786\n<\/code><\/pre>\n<p>Extrapolation de Richardson&nbsp;:<\/p>\n<pre><code>\u03c6_ext = 0.97050 + (0.97050 - 0.96854) \/ (2^1.786 - 1)\n\u03c6_ext \u2248 0.97130\n<\/code><\/pre>\n<p>Grille fine GCI&nbsp;:<\/p>\n<pre><code>GCI_21 = 1.25 \u00d7 |0.97050 - 0.96854| \/ 0.97050 \/ (2^1.786 - 1)\nGCI_21 \u2248 0.103%\n<\/code><\/pre>\n<p>Cela signifie que la r\u00e9cup\u00e9ration de la pression de la grille fine est proche de la valeur du continuum estim\u00e9, avec une incertitude induite par le maillage d'environ 0,1&nbsp;%. C'est le type de r\u00e9sultat qui peut \u00eatre signal\u00e9 dans un flux de travail de simulation rigoureux.<\/p>\n<h2>V\u00e9rification de la convergence du maillage ou du code<\/h2>\n<p>La convergence du maillage et la v\u00e9rification du code sont li\u00e9es, mais elles ne sont pas les m\u00eames.<\/p>\n<ul>\n<li>La v\u00e9rification du code demande si le code r\u00e9sout correctement les \u00e9quations.<\/li>\n<li>La convergence du maillage demande si cette solution sp\u00e9cifique est ind\u00e9pendante de la r\u00e9solution du maillage.<\/li>\n<\/ul>\n<p>La convergence de maillage est une \u00e9tape de v\u00e9rification de la solution. Il estime l'erreur num\u00e9rique pour une configuration de simulation. Cela ne prouve pas que le code est correct en g\u00e9n\u00e9ral et ne prouve pas que le mod\u00e8le repr\u00e9sente la r\u00e9alit\u00e9.<\/p>\n<p>Un flux de travail pratique est :<\/p>\n<ol>\n<li>Utilisez la v\u00e9rification de code, comme les solutions fabriqu\u00e9es, pour v\u00e9rifier la mise en \u0153uvre.<\/li>\n<li>Utilisez la convergence de maillage pour v\u00e9rifier l'incertitude num\u00e9rique des simulations de production.<\/li>\n<li>Utilisez la validation par rapport \u00e0 des exp\u00e9riences ou des donn\u00e9es de r\u00e9f\u00e9rence pour v\u00e9rifier la cr\u00e9dibilit\u00e9 physique.<\/li>\n<\/ol>\n<h2>Erreurs courantes dans les \u00e9tudes de convergence de maillage<\/h2>\n<ol>\n<li>en utilisant seulement deux grilles. Cela emp\u00eache un contr\u00f4le fiable de la plage asymptotique et de l'ordre observ\u00e9.<\/li>\n<li>en utilisant un raffinement incoh\u00e9rent. L'affinage d'une seule direction ou la modification de la topologie de maillage trop peut briser l'hypoth\u00e8se du rapport de raffinement.<\/li>\n<li>Ignorer la qualit\u00e9 du maillage. Un maillage plus fin avec des cellules pauvres peut converger vers la mauvaise r\u00e9ponse.<\/li>\n<li>Surveillance de la mauvaise quantit\u00e9. La quantit\u00e9 d'int\u00e9r\u00eat devrait repr\u00e9senter la conclusion scientifique ou technique qui vous int\u00e9resse.<\/li>\n<li>Arr\u00eat bas\u00e9 uniquement sur les r\u00e9sidus. Les r\u00e9sidus ne prouvent pas toujours que la quantit\u00e9 d'int\u00e9r\u00eat s'est stabilis\u00e9e.<\/li>\n<li>Traiter GCI comme une preuve d'exactitude physique. Un faible GCI signifie uniquement que l'incertitude induite par le maillage est faible. La validation est toujours requise.<\/li>\n<\/ol>\n<h2>Adaptation et automatisation du maillage<\/h2>\n<p>Les flux de travail modernes utilisent de plus en plus l'adaptation de maillage. Au lieu de construire manuellement une s\u00e9quence fixe de maillages, la simulation affine ou grossit les r\u00e9gions en fonction d'indicateurs d'erreur.<\/p>\n<p>Les approches d'adaptation courantes comprennent :<\/p>\n<ul>\n<li>Adaptation H, o\u00f9 les cellules sont raffin\u00e9es ou grossi\u00e8res localement.<\/li>\n<li>Adaptation p, o\u00f9 l'ordre polynomial augmente dans les r\u00e9gions avec des gradients \u00e9lev\u00e9s.<\/li>\n<li>Approches hybrides qui combinent le raffinement local du maillage et les m\u00e9thodes d'ordre sup\u00e9rieur.<\/li>\n<\/ul>\n<p>L'outillage Python pour les \u00e9tudes de convergence est \u00e9galement en train d'\u00e9merger. Les scripts peuvent automatiser l'extrapolation de Richardson, les calculs GCI, les trac\u00e9s de convergence et les tableaux de rapports.<\/p>\n<h2>Quand arr\u00eater de raffiner<\/h2>\n<p>Vous n'affinez pas pour toujours. Le raffinement du maillage doit cesser lorsque la pr\u00e9cision suppl\u00e9mentaire ne justifie plus le co\u00fbt de calcul.<\/p>\n<p>Les conditions d'arr\u00eat courantes comprennent :<\/p>\n<ul>\n<li>GCI est inf\u00e9rieur \u00e0 la tol\u00e9rance requise pour le projet.<\/li>\n<li>Le raffinement suppl\u00e9mentaire co\u00fbte beaucoup plus cher, mais ne modifie que l\u00e9g\u00e8rement le r\u00e9sultat.<\/li>\n<li>Les limites mat\u00e9rielles rendent le prochain niveau de raffinement impraticable.<\/li>\n<\/ul>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Situation<\/th>\n<th>Niveau de maillage recommand\u00e9<\/th>\n<\/tr>\n<tr>\n<td>Exploration pr\u00e9liminaire de la conception<\/td>\n<td>Un maillage grossier pour les tendances qualitatives<\/td>\n<\/tr>\n<tr>\n<td>Analyse technique avec un objectif GCI<\/td>\n<td>Mesh moyen \u00e0 fin, ciblant souvent GCI en dessous de 2 %<\/td>\n<\/tr>\n<tr>\n<td>Simulation de niveau de publication<\/td>\n<td>Maille fine, ciblant souvent GCI en dessous de 1 % avec la documentation<\/td>\n<\/tr>\n<tr>\n<td>Utilisation critique ou r\u00e9glementaire<\/td>\n<td>Mesh tr\u00e8s fin plus workflow de v\u00e9rification et de validation complet<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h2>Une liste de contr\u00f4le pratique pour votre prochaine simulation<\/h2>\n<p>Avant d'ex\u00e9cuter une simulation de production, v\u00e9rifiez les points suivants&nbsp;:<\/p>\n<ul>\n<li>Rapport sur la qualit\u00e9 du maillage&nbsp;: chaque cellule doit passer les seuils de qualit\u00e9 pour le solveur et le type d'\u00e9l\u00e9ment.<\/li>\n<li>Qualit\u00e9 orthogonale&nbsp;: pour les flux de travail CFD ou volumes finis, v\u00e9rifiez si les cellules m\u00e9diocres tombent en dessous des limites acceptables.<\/li>\n<li>Objectif : Inspectez la valeur maximale et la distribution, pas seulement la moyenne.<\/li>\n<li>Jacobien : Confirmez qu'aucun \u00e9l\u00e9ment n'a de Jacobiens n\u00e9gatifs.<\/li>\n<li>\u00c9tude de convergence \u00e0 trois grilles&nbsp;: utilisez des mailles grossi\u00e8res, moyennes et fines avec un rapport de raffinement coh\u00e9rent.<\/li>\n<li>Calcul GCI : signalez la valeur en pourcentage et appliquez correctement le facteur de s\u00e9curit\u00e9.<\/li>\n<li>V\u00e9rification de la plage asymptotique&nbsp;: comparez si possible le comportement de convergence successif.<\/li>\n<li>Quantit\u00e9 d'int\u00e9r\u00eat : Surveillez de mani\u00e8re coh\u00e9rente le m\u00eame r\u00e9sultat scalaire \u00e0 tous les niveaux de la grille.<\/li>\n<li>Convergence compl\u00e8te&nbsp;: v\u00e9rifiez les r\u00e9sidus et les changements de solution avant d'extraire les r\u00e9sultats.<\/li>\n<li>Documentation : enregistrez les tailles de maillage, les param\u00e8tres du solveur, les valeurs GCI et les trac\u00e9s de convergence.<\/li>\n<\/ul>\n<h2>Guides connexes<\/h2>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">validation et v\u00e9rification des simulations PDE&nbsp;: un cadre pratique<\/a> - MMS, v\u00e9rification de code et validation.<\/li>\n<li><a href=\"\/finite-volume-method-explained-simply\/\">m\u00e9thode de volume fini expliqu\u00e9e simplement<\/a> \u2014 la base de volume fini derri\u00e8re les calculs d\u00e9pendant du maillage.<\/li>\n<li><a href=\"\/understanding-fipys-core-architecture\/\">Comprendre l'architecture de base de Fipy<\/a> \u2014 Comment Fipy g\u00e8re les maillages et la discr\u00e9tisation en interne.<\/li>\n<\/ul>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>Les \u00e9tudes de qualit\u00e9 et de convergence de maillage ne sont pas des extras optionnels. Ils font partie de la simulation scientifique cr\u00e9dible.<\/p>\n<p>Un flux de travail rigoureux commence par des contr\u00f4les de qualit\u00e9 g\u00e9om\u00e9triques, puis passe \u00e0 une preuve de convergence quantitative. Les ingr\u00e9dients essentiels sont les mesures de qualit\u00e9 du maillage, trois niveaux de grille, l'ordre observ\u00e9, l'extrapolation de Richardson et la g\u00e9n\u00e9ration de rapports GCI.<\/p>\n<p>Pour votre prochain projet, v\u00e9rifiez le flux de travail de simulation actuel. Si vous ex\u00e9cutez des calculs \u00e0 maillage unique sans rapport de qualit\u00e9 de maillage ni \u00e9tude de convergence, ajoutez ces \u00e9tapes avant de traiter le r\u00e9sultat comme final.<\/p>\n<p>Pour les utilisateurs de FIPY, v\u00e9rifiez que les maillages d\u00e9passent les seuils de qualit\u00e9 et ex\u00e9cutent une \u00e9tude de convergence \u00e0 trois niveaux sur un probl\u00e8me repr\u00e9sentatif avant les simulations de production. Documentez les valeurs GCI et le comportement de convergence. Cette pratique s\u00e9pare les travaux de simulation rigoureux des conjectures.<\/p>\n<p>Ce guide synth\u00e9tise une m\u00e9thodologie \u00e9tablie \u00e0 partir de la recherche sur la convergence de grille, des flux de travail de v\u00e9rification de style NASA, des pratiques de rapport GCI et des conseils pratiques sur la qualit\u00e9 des mailles utilis\u00e9s dans les communaut\u00e9s de CFD, FEA et de simulation scientifique.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 11<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>tl;dr Avant d&rsquo;ex\u00e9cuter une simulation scientifique, v\u00e9rifiez que le maillage passe des contr\u00f4les de qualit\u00e9 g\u00e9om\u00e9triques, puis prouvez que les r\u00e9sultats ne changent pas de mani\u00e8re significative avec un raffinement suppl\u00e9mentaire. Une \u00e9tude de convergence de maillage utilisant au moins trois niveaux de grille peut quantifier l&rsquo;erreur de discr\u00e9tisation via l&rsquo;extrapolation de Richardson et l&rsquo;indice [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/?p=339","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1279","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>\u00c9tudes de qualit\u00e9 et de convergence de maillage<\/title>\n<meta name=\"description\" content=\"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l&#039;extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00c9tudes de qualit\u00e9 et de convergence de maillage\" \/>\n<meta property=\"og:description\" content=\"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l&#039;extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:31:29+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"18 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques\",\"datePublished\":\"2026-08-21T14:31:29+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/\"},\"wordCount\":3425,\"commentCount\":0,\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/\",\"name\":\"\u00c9tudes de qualit\u00e9 et de convergence de maillage\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:31:29+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l'extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/mesh-quality-convergence-studies-guide-2\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"\u00c9tudes de qualit\u00e9 et de convergence de maillage","description":"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l'extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/","og_locale":"fr_FR","og_type":"article","og_title":"\u00c9tudes de qualit\u00e9 et de convergence de maillage","og_description":"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l'extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.","og_url":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:31:29+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Elena Markovska","Dur\u00e9e de lecture estim\u00e9e":"18 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques","datePublished":"2026-08-21T14:31:29+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/"},"wordCount":3425,"commentCount":0,"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/","url":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/","name":"\u00c9tudes de qualit\u00e9 et de convergence de maillage","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:31:29+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"Apprenez les v\u00e9rifications de la qualit\u00e9 du maillage, les \u00e9tudes de convergence, l'extrapolation de Richardson, le GCI et les \u00e9tapes de v\u00e9rification pratiques pour les simulations scientifiques.","breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/mesh-quality-convergence-studies-guide-2\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"Etudes de convergence de la qualit\u00e9 et de la convergence du maillage : un guide pratique pour les simulations scientifiques"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1279","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1279"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1279\/revisions"}],"predecessor-version":[{"id":1411,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1279\/revisions\/1411"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1279"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1279"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1279"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}