Finite Element Methods (optional choice)

Description

Program (detailed contents)

Finite Elements Methods

FE BASES
* Recalls. Analysis of elliptic PDEs : weak solution vs classical solution, Sobolev spaces, Lax-Milgram theory, a-priori estimations. Boundary conditions. Energy minimization. (2 Lectures, 1Tutorial)
* Modelling with a FE software (FreeFEM++): classical models, one real-like problem. 
1 Lab Work with FreeFEM++
* Finite Element Method (FEM) principles in multi-D: discretisation, approximation, Error analysis (a-priori). (1Lecture, 1Tutorial).
* In practice: data structures, implementation (assembly algorithm). Convergence curves (code validation from exact solutions).  (2 Lectures, 1 Tutorial, 2 Lab Works with Python)

DISCONTINUOUS GALERKIN (DG) METHODS
* Discontinuous Galerkin Method for Diffusive and transport problem: Broken spaces, jumps and interior penalty techniques, stability, introduction to non-conforming analysis.
(3 Lectures, 1 Tutorial, 1 Lab Work) 

ADVANCED FE METHODS
* The advection-diffusion equation:
– Analysis and naïve discretization. (1 Lecture, 1 Tutorial)
– Transport term: FE stabilisation (SD, SUPG). (1 Lecture, 1 Tutorial)

* Non-linear models: linearization (1 Lecture, 2 Tutorials, 3 Lab Works)
(Including: differential calculus / Riez-Frechet theorem)+ help to the marked practical).
* Unsteady models: semi-discretisation. 1 Lecture, 1 Lab Work

PDE MODEL REDUCTIONS
* Model Reduction for parametrized PDEs, offline-online strategies.
Linear PDEs: POD method. (1,5 Lecture, 1 Lab Work)
Non-linear PDEs: Hybrid approaches POD – Neural Networks. (1.5 Lecture,  1 Lab Work)

Objectifs

At the end of this module, the student will have understood and be able to explain (main concepts):

- How to build up a FE scheme.
- How to elaborate an off-online strategy of resolution.

The student will be able to: 

- Write weak forms of PDEs (and energy minimization in symmetric cases). 
- Write and implement Finite Element schemes for linear and nonlinear scalar PDEs 
- Employ Finite Element libraries: FEniCS - Python and FreeFem++.
 
- Set up an offline ¿ online strategy (real time computations):
               POD reduction for linear PDEs, 
               Hybrid POD-ANN (Neural Networks) for non-linear PDEs.
- Simulate classical phenomena : linear/nonlinear advection-diffusion equations

Pré-requis

Fundamentals of PDE models and  math. analysis,
Numerical analysis.

Évaluation

L’évaluation des acquis d’apprentissage est réalisée en continu tout le long du semestre. En fonction des enseignements, elle peut prendre différentes formes : examen écrit, oral, compte-rendu, rapport écrit, évaluation par les pairs…

En bref

Crédits ECTS :

Nombre d’heures :

EN 1 Clic

Annuaire

ENT

Rejoindre
les équipes

Marchés publics

Soutenir l'excellence

Fondation
INSA
Taxe
apprentissage

INSA Toulouse
135 avenue de Rangueil
31077 Toulouse cedex 4
Tél : 05 61 55 95 13
Fax : 05 61 55 95 00

Logo Communauté d'universités et établissements de Toulouse
Logo Bienvenue En France

Dans un souci d'alléger le texte et sans aucune discrimination de genre, l'emploi du genre masculin est utilisé à titre épicène.

INSA Toulouse
Résumé de la politique de confidentialité

Ce site utilise des cookies afin que nous puissions vous fournir la meilleure expérience utilisateur possible. Les informations sur les cookies sont stockées dans votre navigateur et remplissent des fonctions telles que vous reconnaître lorsque vous revenez sur notre site Web et aider notre équipe à comprendre les sections du site que vous trouvez les plus intéressantes et utiles.
En cliquant sur "Accepter", vous acceptez l'utilisation de cookies en provenance de ce site ainsi que notre politique de protection des données personnelles.