Introduction `a la Decomposition Orthogonale aux Valeurs

Propres ou P.O.D
Bereng`ere Podvin
LIMSI-CNRS UPR 3251
BP133 Universite Paris-Sud 91403 ORSAY CEDEX
Novembre 2001

Chapitre 1
Introduction
La P.O.D - acronyme pour Proper Orthogonal Decomposition - est une technique qui se
trouve `a lintersection de diverses approches de la turbulence. Elle sappuie en effet sur un
traitement statistique du signal, et en extrait une certaine coherence ou organisation, qui permet
de caracteriser la dynamique de ce signal et eventuellement den predire levolution temporelle.
Sans meconnaitre le caract`ere stochastique du signal, la P.O.D en recherche les aspects coherents
quasi- deterministes, realisant par l`a luniverselle aspiration de lesprit humain `a extraire l ordre
du desordre. La P.O.D a dailleurs ete developpee de mani`ere independante et concomittante
dans diverses disciplines. Lumley l a introduit et adapte pour la turbulence en 1967 [32]. Elle
est aujourdhui presente dans des domaines aussi varies que les Statistiques, le Traitement du
signal, la Compression de donnees, le Genie Chimique, lOceanographie, et y porte des noms
divers : Decomposition de Karhunen-Lo`eve, Analyse de la composante principale (Principal
Component Analysis), Coordonnees Collectives pour les physiciens.
Le developpement de la P.O.D autour des annees 1950 coincide avec les premi`eres observations de structures coherentes dans les ecoulements. Townsend (1947) [57] a ete un des premiers
`a observer que dans les ecoulements cisailles libres le bord exterieur de lecoulement est turbulent
seulement de facon intermittente. Il a mis en avant lidee [58] que les phenom`enes de transport
etaient en majorite controles par un syst`eme de grands tourbillons quasi-deterministes de taille
comparable `a la dimension transverse de lecoulement. D`es 1952 Theordorsen [54] a suggere
la presence dans la couche limite turbulente de tourbillons longitudinaux inclines `a environ
45 degres de la paroi. Ces observations sont confirmees par notamment Kline et Rundstatler
1

(1967)[29] et Kim et al. [25] qui montrent que la production de turbulence est essentiellement
intermittente et semble correspondre au cycle de vie de structures filamenteuses alignees avec
la direction de lecoulement : ces filaments sont formes pr`es de la paroi, puis sont souleves et
violemment ejectes loin de la paroi. Ces observations marquent une rupture avec une vision plus
traditionnelle de la turbulence - celle des experimentateurs des annees 1920 et 1930 - fondee
sur la decomposition de Reynolds, o`
u lecoulement est mentalement separe en deux parties : un
champ moyen stationnnaire auquel se superpose une partie fluctuante desorganisee.
La fin des annees 1960 et le developpement de la theorie des Syst`emes Dynamiques ont jete
un nouvel eclairage sur le phenom`ene turbulent. Dans ce contexte, lecoulement `a un instant
donne est vu comme un point - un etat - situe dans un espace de grandes dimensions. Levolution
en temps de lecoulement peut etre considere comme une trajectoire dans cet espace. Une
question fondamentale qui se pose alors est de savoir comment caracteriser cette trajectoire
dans cet espace, plus exactement comment la trajectoire de lecoulement remplit lespace.
Les notions developpees par les mathematiciens telles que celle dattracteur - en termes tr`es
approximatifs la portion de lespace frequemment visitee par la trajectoire - et celle de dimension
- pour fixer les idees, pensons au nombre minimum de coordonnees necessaires pour representer
le comportement asymptotique de cette trajectoire - deviennent de nouveaux outils danalyse
pour les ingenieurs. La theorie de la bifurcation peut permettre dinterpreter les modifications
radicales observees dans lecoulement lorsque certains param`etres physiques - tels que le nombre
de Reynolds ou le nombre de Rayleigh franchissent des valeurs critiques. Le role crucial joue
par les symetries de lecoulement et la rupture de ces symetries lors de la bifurcation a ete mis
en evidence.
Les bifurcations successives qui entrainent un ecoulement vers un degre de complexite toujours plus grand ont amene Ruelle et Takens (1971) [47] `a conjecturer que le regime turbulent
resulte dun nombre fini de ces bifurcations - en contraste avec lidee emise par Landau (1944)
- et `a postuler lexistence dun attracteur etrange ou encore chaotique dans les equations de
Navier-Stokes. D`es 1963, Lorenz [31] a construit un syst`eme de trois modes - le mod`ele le plus
simple qui prenne en compte les interactions non-lineaires - en effectuant une projection de
Fourier-Galerkin pour la convection de Rayleigh-Benard en deux dimensions. Un tel syst`eme

pour un certain choix de param`etres a un comportement chaotique ou encore sensible aux conditions initiales cest -`a - dire que deux solutions infiniment proches `a linstant initial se trouvent
`a une distance finie en un temps fini.
En depit de lenthousiasme suscite par ces idees, il nen reste pas moins difficile detablir un
lien direct entre la turbulence et ces objets mathematiques complexes. Des connections ont ete
cependant etablies dans le cas de syst`emes fermes comme lexperience de Taylor-Couette - un
fluide contenu entre deux cylindres tournant avec deux vitesses de rotation differentes (voir [53]
pour une synth`ese du probl`eme). Les bifurcations successives que subit lecoulement peuvent
etre reliees de mani`ere relativement rigoureuse `a celles dun syst`eme dynamique. La situation
apparait autrement problematique dans les syt`emes ouverts o`
u interviennent un grand nombre
de degres de liberte.
Comme nous allons le voir, la P.O.D fournit une base optimale du point de vue energetique
pour representer lecoulement. Un nombre de modes relativement peu eleve permet donc de
capturer les aspects-cles du signal. L idee est alors dutiliser les fonctions de la P.O.D pour
construire une approximation de type Galerkin des equations du mouvement. Pour un nombre
de modes donne, on obtient un ensemble dequations differentielles ou encore syst`eme dynamique qui peut etre etudie rigoureusement (au moins pour un petit nombre de modes) et dont
le comportement est proche - en un sens quil conviendra de preciser - de lecoulement reel.
Aubry et al. [5] ont ainsi construit pour la couche limite turbulente un syst`eme de 5 modes dont
le comportement intermittent reproduit au moins qualitativement lintermittence observee dans
la couche limite turbulente. Cette demarche a ete etendue `a de nombreux types decoulements :
ecoulements cisailles libres [16], [15], [42], convection [22], transition [43], et egalement `a des
equations mod`eles telles que lequation de Burgers [13] ou lequation de Ginzburg-Landau [49].
Lessor de la P.O.D dans les dix derni`eres annees nest sans doute pas sans correlation avec
les progr`es spectaculaires des CFD (Computational Fluid Dynamics) des derni`eres decennies.
Elle apparait en effet comme un partenaire parfaitement complementaire de la Mecanique
des Fluides Numerique : elle requiert une enorme accumulation de donnees, et elle permet
den synthetiser les caracteristiques essentielles. Enfin, elle permet de construire ou du moins
desperer construire des mod`eles qui capturent les mecanismes-cles de la dynamique des ecoulements.

Cette presentation est divisee en quatre parties. : Nous exposons dabord les fondements de
la Decomposition Orthogonale, en nous contentant deffleurer la (riche) theorie mathematique
sous-jacente. Nous decrivons ensuite quelques proprietes essentielles de la P.O.D, en particulier
celles concernant les symetries. Nous precisons alors le lien que la P.O.D entretient avec les
structures coherentes et les techniques classiques de mise en evidence de ces structures. Enfin,
nous presentons quelques applications de la P.O.D. `a la modelisation, en nous appuyant plus
particuli`erement sur lexemple de la couche limite turbulente.

Chapitre 2
Les Fondements de la P.O.D
2.1

Introduction - M
ethode directe

Considerons un champ aleatoire u(x) de moyenne nulle, dependant dune seule variable x
dun espace D borne. On suppose que chaque realisation de ce champ appartient `a un espace
de Hilbert H o`
u le produit scalaire associe est (f |g) et la norme kf k = (f |f )1/2 . On peut alors
se poser la question suivante : peut-on definir une base pour cet espace de Hilbert adaptee
au signal u, cest-`a dire telle que les fonctions i - deterministes - de cette base soient aussi
proches que possible de ce signal ? Mathematiquement, cela revient `a dire que nous cherchons
`a maximiser la moyenne de la projection du signal u sur les fonctions de cette base
M ax

< (u|) >

(|)

(2.1)

Nous avons ici un probl`eme dEuler-Lagrange de maximisation sous contrainte dont la solution est une equation integrale de Fredholm du premier ordre :
Z

< u(x)u(x ) > j (x )dx = j j (x)

(2.2)

o`
u
R(x, x ) =< u(x)u(x ) >

(2.3)

est lautocorrelation spatiale. Les fonctions j forment la base recherchee. Loperateur etant
hermitien, non-negatif et de carre integrable, le theoreme de Mercer (voir par exemple [45])

garantit, modulo les degenerescences possibles (voir chapitre 3), lexistence et lunicite dune
telle base. On obtient ainsi une representation spectrale pour R convergeant uniformement

R(x, x ) =

k k (x)k (x )

(2.4)

k=1

Les {i } sont orthogonales puisque loperateur est hermitien et pour tout i, i 0 puisque
loperateur est positif. Si D est borne, les valeurs propres {i } sont denombrables 1 2
3 . . .
Le signal u peut donc secrire comme la somme de fonctions spatiales dont lamplitude est
aleatoire :
u(x) =

ai i (x)

(2.5)

i=1

Les coefficients {ai } sont non correles entre eux - ce qui se signifie pas quils soient independants !
- , leur moyenne est nulle et leur variance est donnee par la valeur propre du probl`eme 2.2.
< ai aj >= ij i

(2.6)

o`
u ij est le symbole de Kronecker. Lenergie du signal peut ainsi secrire :
< uu >=

(2.7)

i=1

o`
u chaque i represente lenergie moyenne du syst`eme projete sur laxe i dans lespace des
fonctions.
Nous terminons cette section par une serie de remarques importantes :
Remarque 1 La P.O.D sapplique `a un champ de moyenne nulle, ce qui signifie quen
pratique le champ moyen devra etre soustrait du champ total. Si le champ moyen est
une fonction propre du probl`eme, les resultats de la procedure seront inchanges que lon
consid`ere le signal total ou purement fluctuant (le signal moyen etant orthogonal aux
fluctuations). Cest notamment ce qui se passe dans le cas de la couche limite turbulente
[34].
Remarque 2 Les fonctions nont en general - voir cas particulier plus loin - rien `a voir avec
les fonctions propres du probl`eme linearise. Elles sont issues directement des observations
du signal - do`
u le nom de fonctions empiriques qui apparait parfois pour les designer.
6

 Remarque 3 Lextraction des fonctions propres est une procedure totalement autonome ,
objective, qui ne fait appel `a aucun crit`ere interne ou externe au signal (conditionnnement,
seuil de declenchement), `a linverse des techniques de conditional averaging.
Remarque 4 : Principe dOptimalit
e Supposons que les {i } soient ordonnees par ordre
decroissant. Choisissons un entier n. Considerons les n premiers elements de cette base
P
et la representation du signal u dans cette base tronquee : u(x) = ni=1 ai i (x) Alors par
construction de la base {} lenergie capturee par les n premiers elements de la base est

plus grande que celle capturee par toute autre base de n elements.
Dans le cas decoulements fortement inhomog`enes comme la zone de paroi dune couche
limite turbulente, la P.O.D est particuli`erement efficace : ainsi pour la zone de paroi la
premi`ere structure capture-t-elle 60 % de lenergie cinetique.

2.2

Extension

Tout ce que nous venons de presenter peut etre etendu directement `a un signal spatiotemporel u(x, t), ce qui sera le cas `a partir de maintenant. Afin de simplifier les notations,
nous ecrirons toujours lorsque cela sera possible les equations en une seule dimension, la
generalisation `a plusieurs dimensions se faisant sans difficulte. On a alors :
u(x, t) =

ai (t)i (x)

(2.8)

i=1

La notion de moyenne doit etre cependant redefinie. Naturellement le passage de la moyenne

densemble `a la moyenne temporelle est immediat si le signal est ergodique (en pratique, lergodicite est souvent difficile `a prouver et doit le plus souvent etre supposee). Il est rarement
possible dans le laboratoire et impossible dans une simulation dobtenir des echantillons provenant chacun de realisations differentes dun ecoulement. En pratique, dans le cas decoulements
pleinement turbulents, on consid`erera souvent des champs provenant dune unique experience
ou simulation, separes par des intervalles de temps suffisamment larges pour pouvoir etre supposes independants.

2.3

Une version indirecte : la M

ethode des Snapshots

Supposons que lon cherche `a appliquer la P.O.D `a un ensemble de realisations dun ecoulement
resolu sur une grille comportant P points. Soit d la dimension du signal etudie - par exemple,
sil sagit du champ de vitesse tri-dimensionnel, d = 3. La dimension du probl`eme est alors
N = (dP )2 . Pour une grille de taille raisonnable - i.e qui permet de resoudre lecoulement avec
une bonne precision -, N peut etre trop important pour la memoire des calculateurs usuels, en
raison du grand nombre dechelles necessaires pour rendre compte du phenom`ene turbulent.
Une solution proposee par Sirovich [48] est de resoudre une version equivalente de la formulation originale quil appelle la methode des echantillons (strobes ou snapshots method). Elle
consiste `a ne pas resoudre le syst`eme sur la grille de points, mais sur lensemble des echantillons
utilises pour construire le tenseur dautocorelation. Elle sappuie sur le fait que dans la pratique le tenseur dautocorrelation est calcule comme une moyenne finie de M echantillons. Le
probl`eme est alors degenere et les solutions peuvent secrire comme combinaison lineaire des
champs un constituant lensemble des echantillons. Si i est une solution du probl`eme 2.2, alors
i (x) =

ij uj (x)

(2.9)

Substituant 2.9 dans 2.2, il apparait que les fonctions ij verifient

K jl il = i ij
o`
u
1
K il =
M

ui (x)ul (x)dx

(2.10)

(2.11)

La taille de ce nouveau probl`eme est M 2 qui doit etre compare `a la taille du probl`eme dans
sa formulation originale (dP )2 .
Cette methode a ete largement appliquee dans les ecoulements inhomog`enes (voir par
exemple [16], [40], [17]). Un de ses avantages est quelle permet de resoudre les structures
de facon graphique - les echantillons etant directement constitues par des visualisations de
lecoulement ([56], [27]).
Puisque chaque fonction propre est une combinaison des echantillons de lecoulement et
qu inversement, toute realisation de lecoulement est une combinaison des fonctions propres,
8

ceci implique que celles-ci verifieront les memes conditions aux limites que le signal. De meme,
si le signal est incompressible, chacune des fonctions le sera egalement individuellement. Plus
generalement, si lensemble des realisations du signal poss`ede certaines proprietes, et que cet
ensemble constitue un sous-espace lineaire ferme, alors les fonctions propres poss`ederont aussi
cette propriete. Inversement, si les fonctions empiriques de la P.O.D. exhibent une propriete
donnee, on peut en deduire que le signal initial poss`ede lui aussi cette propriete - ce qui permet
dobtenir une information sur le signal qui nest pas forcement connue a priori ou facile `a
obtenir directement (comme par exemple sil sagit de savoir si un ecoulement reel donne est
incompressible).
Une question importante est de determiner M : combien dechantillons sont-ils necessaires
pour effectuer la Decomposition Orthogonale ? Comme nous le verrons dans le chapitre suivant,
la prise en compte des symetries du signal permet daugmenter le nombre dechantillons disponibles et/ou de reduire eventuellement la taille du probl`eme aux valeurs propres `a resoudre.
Sirovich [48] avance largument que si le nombre n de fonctions necessaires pour representer le
signal est connu a priori, et que lon dispose de M instantanes avec M >> n, il suffit dappliquer la P.O.D `a toutes les partitions de n elements de lensemble et de moyenner les fonctions
obtenues sur les diverses partitions.

2.4

D
efinitions de la Dimension

Il sagit maintenant de preciser combien de fonctions sont necessaires pour representer le

signal, autrement dit de definir une dimension `a partir de la P.O.D. Une definition donnee
par Aubry et al [4] consiste `a considerer toutes les fonctions associees `a une valeur propre non
nulle. Il sagit donc de la dimension du plus petit espace lineaire contenant le signal. Comme le
rappelle Berkooz [8], cette definition donne une estimation de la dimension qui peut etre bien
superieure `a dautres definitions classiques de la dimension telles que la dimension de Haussdorff.
Berkooz [8] definit une dimension fondee sur lapplication dune P.O.D conditionnelle et montre
que cette dimension se situe entre la dimension de Haussdorff et la dimension lineaire. Sirovich
[48] propose une definition relativement arbitraire, mais facilement utilisable : il sugg`ere de
retenir les modes dont la somme des energies represente au moins 90% de lenergie totale, et
9

tels que chacun des modes negliges ne represente pas plus de 1% du mode principal. Il utilise
cette definition comme un outil permettant de comparer le degre de complexite de differents
ecoulements (voir par exemple [59]).

10

Chapitre 3
Propri
et
es de la P.O.D
3.1

Homog
en
eit
e

Si le signal u(x, t) est statistiquement homog`ene, alors le tenseur dautocorrelation < u(x)u(x ) >
ne depend que de la distance x x .
< u(x)u(x ) >= f (x x )

(3.1)

Proposition Le tenseur dautocorrelation est statistiquement homog`ene si et seulement si

les fonctions propres de la P.O.D sont les modes de Fourier correspondants.
Z

f (x x )(x )dx = (x)

Il est facile de voir que les fonctions eikx o`

ui=

(3.2)

1 et k une constante arbitraire sont solutions

de cette equation. Inversement, decomposons le tenseur f(x-x) en serie de Fourier

f (x x ) =

Ck eikx eikx

Cette decomposition satisfait bien 2.4.

En consequence, dans les directions o`
u le signal peut etre considere comme homog`ene,
les modes de la P.O.D se reduisent aux modes de Fourier. Dans le cas de la couche limite
turbulente, les directions horizontales longitudinale (x) et transverse (z) sont approximativement homog`enes lorsque la turbulence est developpee. En consequence le probl`eme aux valeurs

11

propres se decouple dans lespace de Fourier et necessite une resolution non triviale dans une
seule direction (verticale (y))
Z

b.l

< uk (y)
uk (y ) > jk (y )dy = k k (y)

(3.3)

o`
u uk represente la transformee de Fourier de la vitesse dans les directions horizontales.

3.2

Sym
etries

La presence des symetries va jouer un role important dans la determination du nombre

dechantillons necessaires. Supposons que les equations du mouvement poss`edent la symetrie S
i.e si u est une solution de ces equations, alors Su est aussi une solution.
Comme lont note plusieurs auteurs comme Aubry [4] ou Armbruster [52], la solution
dun syst`eme dequations poss`edant une certaine symetrie ne poss`ede pas necessairement cette
symmetrie - absence dergodicite. La question est alors de savoir si lon desire etudier les proprietes de la solution elle-meme ou celles de lattracteur global i.e de toutes les solutions possibles. Si lon se trouve dans le second cas, alors `a chaque element de lensemble des echantillons
peut etre adjoint l element symetrique correspondant. Ceci dune part augmente lensemble
des echantillons sans co
ut dacquisition supplementaire, et dautre part assure que le tenseur
dautocorrelation poss`edera egalement la symetrie initiale. Par exemple, dans la couche limite
turbulente pleinement developpee, le champ est statistiquement invariant par translation horizontale, cest-`a-dire longitudinale (x) et transversale (z), et egalement par reflexion par rapport
`a un plan z = cst.
Dans tous les cas, on peut montrer que si le signal considere poss`ede la symetrie S, et si la
fonction est solution du probl`eme 2.2 associee `a la valeur propre , alors la fonction S sera
egalement solution du probl`eme associe `a la meme valeur propre (voir par exemple [4]).
Ceci conduit `a des valeurs propres multiples ou degenerescences dans le spectre du tenseur
dautocorrelation. Lexamen du spectre de la P.O.D nous donne ainsi des informations sur les
symetries presentes dans le signal. Podvin et al. [41] ont applique la P.O.D `a la solution de
lecoulement dans une cavite 2-D differentiellement chauffee avec des conditions periodiques

12

aux parois horizontales. Lorsque la dimension de la periode spatiale saccrot, lexamen du

spectre de la P.O.D permet de deceler la perte de la centro-symetrie de la solution.
Laccroissement considerable du nombre des echantillons d
u `a la prise en compte des symetries
ne pose pas probl`eme dans le cas de la methode directe, mais il peut en etre un si la methode des
snapshots est appliquee. Sirovich et Park [51] proposent une solution fondee sur la theorie de
representation des groupes. Les symetries du syst`eme constituent en effet un ou eventuellement
un ensemble de groupes. On determine pour chacun de ces groupes les operateurs de classe
i.e les elements du groupe qui commutent avec tous les elements du groupe et on construit
par combinaison lineaire de ces operateurs un ensemble de projecteurs orthogonaux {Pi }. Le
point-cle est que chaque projecteur commute avec le tenseur dautocorrelation R (qui contient
les echantillons initiaux et toutes leurs images obtenues par symetrie). On a donc Pi R = RPi .
R peut etre decompose comme la somme de ses differentes projections :
R(x, x ) =

Ri (x, x ) =

Pi R(x, x )Pi

(3.4)

Chacun des tenseurs Ri peut sexprimer `a partir des echantillons initiaux auxquels ont ete
appliques une ou plusieurs symetries. La decomposition de chaque operateur Ri seffectue alors
sur chacun de ces sous-ensembles de lensemble total des echantillons.
Pour fixer les idees, nous reproduisons lexemple de Sirovich et Park. Imaginons quil existe
une symetrie des equations par rapport `a un axe des coordonnees. On definit alors les projecteurs
P+ = (I+ S)/2. Le tenseur dautocorrelation R secrit alors comme
R = R + R+
o`
u
+
R
=< P+ [u(x)]P+ [u(x )] >

-ce qui revient `a considerer separement les parties symetrique et antisymetrique des echantillons.
Sirovich et Park ont applique cette technique `a la convection de Rayleigh-Benard. A partir
de 200 echantillons et apr`es application de toutes les symetries, ils obtiennent 3200 elements ce qui resulte en une nette amelioration de la qualite statistique des donnees. Apr`es separation
en sous-espaces propres, la taille du probl`eme sur un sous-espace donne est au maximum de
400.
13

Une autre solution suggeree par Armbruster consiste `a effectuer la decomposition sur lespace
des echantillons non symetrises et `a `a symetriser les fonctions apr`es le calcul [52]. L`a encore, le
gain nest effectif que si la methode des Snapshots est utilisee.

3.3

Comportement asymptotique de la P.O.D

3.3.1

Comportement Asymptotique des Modes

Foias, Manley et Sirovich [20] ont montre que sous certaines conditions, lorsque lordre de
la fonction tend vers linfini, les fonctions P.O.D sidentifient avec les modes de Fourier. Ceci
nest evidement pas valable en general puisque les fonctions P.O.D peuvent posseder les memes
conditions aux limites que la solution.

3.3.2

Comportement du spectre

Nous commencons par rappeller l inegalite de Chebyshev :

Proposition Soit une variable aleatoire multidimensionnelle X centree , de variance <
kXk2 >= 2 . Soit > 0. Alors
P {kXk }

2
2

Proposition Considerons Xm = {am , am+1 , . . . , a } Alors

P
i
P {kXm k } i=m
2

(3.5)

(3.6)

Ceci veut dire que si le spectre de la POD decroit suffisamment rapidement - par exemple
exponentiellement, ce qui semble etre le cas en turbulence - il sera possible de trouver une suite
{n } telle que
lim n = 0

et
lim

i=m
2n

=0

ce qui signifie que la projection du syst`eme sur les modes dordre de plus en plus eleve est
contenue avec probabilite 1 dans des portions despace de plus en plus etroites, dont lepaisseur
14

tend vers 0. Ceci sugg`ere quil est possible que les elements-cles de la dynamique de lecoulement
soient captures par un nombre fini de modes - meme si ce nombre peut etre tr`es grand. Nous
renvoyons le lecteur `a Berkooz et al. [8] pour dautres resultats plus techniques concernant la
decroissance du spectre.

3.3.3

Mod`
ele PDF

Considerons la decomposition
u(x, t) =

ai (t)i (x)

(3.7)

Les (x) sont enti`erement determines. Quant aux amplitudes temporelles ai (t), on sait quelles
sont de moyenne nulle et que leur variance est donnee par i . Un mod`ele simple peut alors
etre construit pour le champ de vitesse, en utilisant la decomposition 3.7 et en supposant
que les ai sont des variables Gaussiennes independantes ai N (0, i ). Cette hypoth`ese serait
probablement infirmee par la prise en compte de statistiques dordre superieur - telles que des
moments dordre 3. Neanmoins, comme le montre Berkooz et al [8] ce mod`ele peut etre relie `a
des techniques classiques destimation du champ de vitesse (voir chapitre 4).

3.4

Application de la P.O.D au calcul de fonctions lin

eaires

Breuer et Sirovich [10] montrent le resultat suivant : Supposons quon cherche `a determiner
les fonctions propres dun operateur spatial lineaire Lx eventuellement differentiel. On fait
lhypoth`ese supplementaire que le spectre de cet operateur est purement reel. Il sagit donc de
trouver {(x)} tel que
Lx [(x)] = (x)

(3.8)

Pour une geometrie complexe, necessitant une resolution importante, ce probl`eme peut etre
difficile `a resoudre directement.
Considerons les solutions u et v obtenues en integrant respectivement les syst`emes respectifs
i

u
= Lx [u(x)]
t

15

(3.9)

et
i

v
= Lx [v(x)]
t

(3.10)

o`
u i est la racine de lunite, designe loperateur adjoint. Les conditions initiales sont choisies
suffisamment generales pour que tous les modes de loperateur L soient excites.
RT
On forme alors loperateur K(x, x ) = T1 limT 0 < u(x, t)v(x , t) > dt Breuer et Sirovich

montrent alors que les fonctions solutions du probl`eme aux valeurs propres
Z
K(x, x )(x )dx = (x)

(3.11)

sidentifient avec les {(x)}.

La cle de la demonstration est de montrer que les operateurs K et L commutent et poss`edent
donc la meme base de decomposition. Notons que les deux operateurs ne poss`edent pas en
general les memes valeurs propres - les valeurs propres dependent uniquement des conditions
initiales tandis que les valeurs propres sont intrins`eques `a loperateur lineaire.

3.5

La D
ecomposition Bi-Orthogonale

Il sagit dun formalisme un peu different de la Decomposition Orthogonale introduit par

Aubry et al. [4]. Lespace et le temps y jouent des roles parfaitement symetriques. Le signal
spatio-temporel u(x, t) est identifie `a un operateur U dun espace de Hilbert despace H(X)
vers un espace de Hilbert temporel H(T ) tel que
Z
H(X)(U ) =
(u(x, t)(x))dx

(3.12)

et loperateur adjoint associe U est tel que

H(T )(U ) =

(u (x, t)(t))dt

(3.13)

L operateur U poss`ede la decomposition spectrale suivante

U (x, t) =

An n (t)n (x)

(3.14)

Les valeurs propres An sont positives ou nulles et les fonctions (respectivement ) sont
orthonormees. On en deduit la relation de dispersion
U n = An n
16

(3.15)

Les modes spatiaux sont appeles tempos. Ils correspondent aux modes fournis classiquement
par la P.O.D - equivalents `a la decomposition de U U . Les modes temporels ou chronos correspondent `a la decomposition de U U . Ce formalisme fournit une perspective differente pour
analyser les symetries spatio-temporelles dun signal donne.

17

Chapitre 4
P.O.D et Structures Coh
erentes
Une question qui se pose alors naturellement est la suivante : quel rapport y-a-t-il entre
les modes propres de la P.O.D et les structures coherentes observees dans les experiences et
simulations numeriques ?

4.1

Structures Coh
erentes

Nous commencons par de brefs rappels concernant les des structures coherentes et renvoyons
le lecteur `a Cantwell [12], Antonia [2], Hussain [23] pour une presentation plus compl`ete. Il
faut tout dabord noter quil nexiste pas de definition precise des structures coherentes. Elles
sont pour John Lumley [35] un motif qui apparat de mani`ere repetee dans lecoulement.
B. Cantwell [12] leur pref`ere le terme plus inclusif de mouvement organise (organized motion). Les structures coherentes proviennent de diverses descriptions de lecoulement, etablies
par differents observateurs, `a partir de techniques didentification differentes : elles poss`edent
necessairement `a un degre plus ou moins grand un caract`ere arbitraire et subjectif. Elles ne
sont - et cest peut-etre pourquoi il est difficile et finalement peu souhaitable den fixer la
definition - pas tant un but quun moyen : un outil qui permette de comprendre la dynamique
de lecoulement, de la predire et eventuellement de la controler.
La vorticite - sans doute en raison du role fondamental quelle joue dans la production
et le transport de la turbulence - apparait comme la quantite de predilection de nombreux
observateurs. Certains [28] marquent une distinction entre les vortex - tourbillons plus ou
18

moins fermes - et les lignes de vorticite de lecoulement. Dautres, tels Hussain [23] sinteressent `a
une vorticite coherente - cest-`a-dire restreinte aux larges echelles et construisent des mod`eles
dynamiques simples fondes sur des filaments de vorticite. Dautres choix que la vorticite sont
possibles : vitesse, temperature, gradient de pression (voir Cantwell [11]). Ceci entraine la
question suivante : A quelle quantite vaut-il mieux appliquer la P.O.D ? La P.O.D doit-elle etre
appliquee `a la vorticite plutot quau champ de vitesse ? Il semble que cela nait pas vraiment
dimportance tout au moins dans la couche limite. Rempfer [43] montre que les modes propres
de la vorticite sont quasiment identiques `a ceux obtenus en prenant le rotationnel des modes
propres de la vitesse. Dans les ecoulements o`
u les differences de densite ou de temperature
sont importantes (convection, ecoulement compressible), il devient judicieux dappliquer la
P.O.D non plus au seul champ de vitesse, mais `a un vecteur qui contient simultanement les
diverses quantites physiques qui influencent le mouvement. Ceci permet notamment dobtenir
des informations sur le couplage entre ces diverses quantites. Comme le font remarquer Lumley
et Poje [37], le poids relatif de ces quantites dans la construction du signal multi-dimensionnel
peut etre ajuste afin de mieux faire apparatre certaines interactions.
Les structures coherentes ne sont pas necessairement limitees aux vortex. Kline et Robinson
(voir par exemple Robinson [46]) distinguent 8 types de structures differents dans la couche
limite turbulente - comprenant notamment des couches `a fort degre de cisaillement. Les hairpin vortex ou vortex en epingle `a cheveux peuvent decrits selon les interpretations comme des
tourbillons longitudinaux - les jambes du vortex - ou transversaux - la tete du vortex. Ils
se dressent hors de la paroi , ce qui correspond au soul`evement de filaments longitudinaux de
vitesse lente (voir figure 4.1). La Decomposition orthogonale propose une description simplifiee
et unifiee de ces mouvements transversaux et longitudinaux (figure 4.2).
De plus, le caract`ere universel des structures presentes dans differentes sortes decoulements
est loin detre etabli. Les tourbillons caracteristiques des les ecoulements cisailles libres - sillages,
jets, couches de melanges - (voir [57] pour le sillage dun barreau cylindrique, voir aussi figure
4.3) `a ceux observes dans la couche limite turbulente ? La multiplicite des techniques didentification, et en particulier le manque de liens explicites entre les descriptions Eulerienne et
Lagrangienne du mouvement, sont dautres facteurs de confusion. Cantwell [11] distingue trois

19

types de methodes didentification. Les methodes topologiques sappuient sur la notion de point
critique : dans un rep`ere mobile, on peut distinguer dans lecoulement des points de stagnation,
des foyers, des separatrices. Les methodes phenomenologiques sont fondees sur linterpretation
de visualisations instantanees de lecoulement. Enfin les methodes statistiques utilisent des
moyennes conditionnees ou non de lecoulement. La P.O.D, ainsi que le conditional averaging, font partie de cette derni`ere categorie.

4.2

la D
ecomposition Shot-Noise

Nous revenons maintenant `a la question initiale : comment definir des structures coherentes `a
partir de la P.O.D ? Nous devons resoudre le paradoxe suivant : Lorsque le signal est homog`ene,
les modes de la P.O.D sont des modes de Fourier - donc non-locaux. Un mode ne peut alors
individuellement etre identifie `a une structure coherente. Lumley [33] sugg`ere dutiliser une
combinaison lineaire de ces modes pour produire une structure localisee dans lespace. Le signal
u secrit comme la superposition dun grand nombre de structures c dont la localisation b est
aleatoire :
u(x) =

b(x x )c (x )dx

(4.1)

Cette decomposition porte le nom de decomposition shot-noise. (Elle est notamment utilisee
pour representer un courant comme la superposition des effets produits par les electrons arrivant `a des instants aleatoires [44]). Les statistiques de b sont supposees connues. On suppose
notamment que lautocorrelation de b sur des intervalles disjoints est nulle soit
< b(x)b(x ) >= (x x )

(4.2)

Le probl`eme est de determiner c . Le module des coefficients de Fourier de c peut etre obtenu
dapr`es
k < uk uk > k = kc k k2

(4.3)

Il reste `a determiner leur phase (k), plus exactement leur phase relative - une phase globale
correspondant simplement `a une translation de la structure dans lespace physique.
Cette information peut etre obtenue en utilisant des statistiques dordre eleve. On est amenes
`a faire l hypoth`ese supplementaire que la triple correlation de b est nulle sur des intervalles
20

disjoints. La triple correlation < u(x)u(x + r1 )u(x + r2 ) > secrit alors

Z
< u(x)u(x + r1 )u(x + r2 ) >= c (x)c (x + r1 )c (x + r2 )dx

(4.4)

La transformee de Fourier de cette correlation, appelee le bispectre B (voir Lili et Rosenblatt

[30]) est telle que pour tout couple (k1 , k2 ) , on a

B(k1 , k2 ) = kc (k1 )kkc (k2 )kkc (k1 + k2 )ke2i((k1 )+(k2 )(k1 +k2 ))

(4.5)

On obtient ainsi un syst`eme dequations, sur-determine, pour les phases (k). Lumley [33]
propose de le resoudre sur un nombre fini de points de la forme B(k, k), o`
u est une constante.
Cette methode a ete appliquee par Bakewell et Lumley [7] (experience) et plus recemment par
Moin et Moser [39] (simulation numerique) `a un canal plan turbulent. Moin et Moser ont
egalement cherche `a construire des structures en utilisant des arguments de compacite - la
structure doit etre aussi compacte en espace que possible- et de continuite - la phase doit etre
une fonction continue du nombre donde. Ces diverses methodes donnent des resultats quasiidentiques. Dans tous les cas, la structure coherente correspond `a la superposition des fonctions
propres ayant toutes la meme phase entre elle. On parle alors de zero-phase eddy ou tourbillon
`a zero phase.
Notons que la decomposition en base dondelettes [18] fournit une autre methode de representation des structures localisees.

4.3

Conditional Averaging

Une mani`ere classique dobtenir des structures coherentes est de calculer la moyenne de
lecoulement conditionnee -eventuellement avec un temps de latence - sur loccurrence dun ou
dune serie d evenements (voir Antonia [2] pour un expose complet) .
Les champs obtenus par moyenne conditionnelle presentent une bonne ressemblance avec les
structures observees dans les ecoulements. Ainsi les vortex hairpin obtenus par moyenne conditionnelle sont-ils egalement observes dans les ecoulements instantanes, meme si un veritable
hairpin - cest-`a-dire avec des branches `a peu pr`es symetriques - se produit relativement rarement [28]. En ce qui concerne la condition utilisee, on peut par exemple sinteresser `a la valeur
21

donnee du champ de vitesse en un point. Notons `a ce sujet que meme si un champ ne presente
aucune coherence, la moyenne de ce champ conditionnee sur la valeur de ce champ en un point
ne sera pas nulle, et il nest donc pas possible didentifier totalement moyenne conditionnelle et
structure coherente.
Une autre methode est celle du quadrant, definie par Willmarth et Lu [60], et applicable `a
tout ecoulement cisaille. Les fluctuations longitudinale et verticale u et v (cest-`a-dire respectivement parall`ele et normale `a lecoulement moyen U (y)) sont representees comme respectivement
labscisse et lordonnee dun graphe. Le graphe est divise en 4 quadrants I : u > 0 et v > 0 ; II :
u < 0 et v > 0 ; III : u < 0 et v < 0 ; IV : u > 0 et v < 0 ; Kim et Moin [26] ont utilise cette
methode pour determiner les structures coherentes impliquees dans les bursts de la zone de
paroi dune couche limite turbulente.
Dun point de vue theorique, Keefe [24] a fait remarquer que le conditional averaging
consiste `a se limiter `a quelques coordonnees dun ecoulement plonge dans un espace de grandes
dimensions. Lumley ([33]) a eleve des reserves vis-`a-vis de la d emarche qui consiste `a rechercher
une fonction predeterminee dans un signal turbulent. Il montre quune fonction deterministe
peut etre detectee de mani`ere relativement frequente dans un ecoulement sans pour autant y
jouer un role important. Pour paraphraser cette idee de mani`ere un peu differente, imaginons
une photographie obscure, o`
u seul le contour des objets representes apparait relativement defini
- une situation qui na rien `a envier `a celle rencontree par un observateur de la turbulence. Il
nest pas facile de reconnatre les objets, plus exactement de savoir si lespace defini par un
contour donne represente un objet ou bien le creux separant deux objets distincts. Si la
forme des objets est determinee et correspond `a une presence de mati`ere, celles des creux en
revanche est arbitraire et inessentielle, puisquelle depend de la position des objets.
Berkooz [8] a propose de combiner les deux techniques en appliquant la P.O.D `a des
ecoulements conditionnes sur des evenements ad hoc. Cette idee na pas pour le moment ete
mise en oeuvre - vraisembablement en raisons du volume de donnees necessaires pour construire
une P.O.D. conditionnee.

22

4.4

Linear Stochastic Estimation

La mise en oeuvre de moyennes conditionnelles represente un investissement lourd (ne seraitce quen temps), qui saccroit avec la complexite de la condition appliquee. Un moyen de
remedier `a cette situation est de construire un estimateur de la moyenne conditionelle bati `a
partir de la condition requise. Prenons un exemple. Supposons que lon cherche `a determiner
la moyenne du champ conditionnee sur sa valeur en un point soit
< u(x )|u(x) >
Lestimateur u
sera donc de la forme
u
= Au(x)

(4.6)

o`
u A est ici une matrice. On cherche donc A de mani`ere `a minimiser lexpression
M inA < ku(x ) u
k >= M inA <

X
i

kui (x ) Aij uj (x)k2 >

(4.7)

Ce probl`eme classique - minimisation aux moindres carres - conduit `a resoudre le syst`eme

lineaire suivant :
Aij < uj (x)ul (x) >=< ui (x )ul (x) >

(4.8)

Adrian et Moin [1] ont applique cette technique en milieu cisaille homog`ene pour une condition portant `a la fois sur le champ de vitesse et le champ de deformation. Les structures obtenues
sont des vortex de type hairpin analogues `a ceux trouves dans les couches limites turbulentes.
Ils montrent que les effets nonlineaires naffectent pas sensiblement lestimation (si tel netait
pas le cas, un estimateur nonlineaire pourrait etre construit `a partir de statistiques dordre plus
eleve). Lestimation stochastique lineaire permet donc dobtenir avec une relativement bonne
precision la moyenne conditionnelle de lecoulement `
a partir de la donnee de la condition ellememe et de statistiques dordre plus eleve mais non conditionnelles. Ceci permet notamment le
traitement a posteriori des donnees.
Berkooz [8] a derive en une dimension un parall`ele interessant entre les resultats de lestimation stochastique lineaire et le mod`ele probabiliste simple construit `a partir de la P.O.D.
dans le chapitre 3. Reprenons lestimation du champ conditionne sur sa valeur en un point

23

< u(x )|u(x) >. En utilisant la decomposition 2.8, on cherche alors `a calculer
<

ai i (x )|

ai i (x) = u(x) >

Nous avons ici ai N (0, i ) et les coefficients ai sont independants.

Pour des variables independantes Xi , Xi N (0, i2 ), la theorie des Probabilites ([19]) nous
dit alors que
< Xn |

X
i

Une application directe est que

< an n (x)|

X
i

Puisque
< u(x )|u(x) >=

2
Xi = >= Pn 2
i i

(4.9)

n kn (x)k2 u(x)
ai i (x) = u(x) >= P
2
i i ki (x)k

n (x )n (x)1 < an n (x)|

ai i (x) = u(x) >

(4.10)

(4.11)

on obtient

< u(x )|u(x) >=

n n (x)n (x )u(x)
P
2
i i ki (x)k

(4.12)

En une dimension, la solution de ( 4.8) est simplement (tous les termes etant des scalaires)
A =< u(x)u(x ) >< u(x)u(x) >1
soit, apr`es utilisation de ( 2.8),

(4.13)

i i i (x )i (x)
A= P
2
i i ki (x)k

(4.14)

u = Au(x)

(4.15)

En remplacant dans lexpression pour lestimee

on obtient
u =

i (x )i i (x) u(x)
P
2
i i ki (x)k

(4.16)

soit exactement le resultat de ( 4.12). Le simple mod`ele PDF bati pour la P.O.D constitue donc
le meilleur estimateur lineaire pour < u(x )|u(x) > en une dimension.

24

Fig. 4.1 Visualisation de filaments longitudinaux dans la couche limite turbulente - dapr`es
Kline et al

25

Fig. 4.2 Schema de la premi`ere structure issue de la P.O.D pour le canal turbulent (dapres
Holmes, Lumley et Berkooz)

Fig. 4.3 Jet turbulent (Van Dyke 1982) - reproduit dapr`es Frisch

26

Chapitre 5
P.O.D et Mod`
eles Dynamiques
5.1

Principe

La methode utilisee pour obtenir un syst`eme dynamique `a partir des equations de NavierStokes i.e transformer un syst`eme dequations aux derivees partielles en un syst`eme dequations
differentielles ordinaires est une methode classique de projection de Galerkin. La figure 5.1
resume les points-cles de cette procedure. Nous reprenons ces points en les commentant et en
nous appuyant sur le cas de la couche limite turbulente. Le point de depart est lecoulement
reel, que nous supposerons incompressible, auquel a ete applique la decomposition de Reynolds
u
= U + u, et qui satisfait les equations de Navier-Stokes
1
ui,t = (uj ui,j + Uj ui,j + uj Ui,j ) p,i + ui,jj

(5.1)

La virgule represente ici une differentiation. A cette equation sajoute la condition dincompressibilite
ui,i = 0

(5.2)

ainsi que les conditions aux limites. La procedure est alors la suivante : une troncature de la
base de fonctions P.O.D {i }ni=1 est selectionnee. Le signal u est ainsi separe en une partie
resolue u< et une partie non resolue u> .
u = u < + u>

27

(5.3)

avec
u< =

n
X

ai i

(5.4)

i=1

Les equations sont ensuite projetees sur la base choisie. Le membre de gauche de ( 5.1) devient
(ui,t , li ) =

dal
dt

(5.5)

et lon obtient une equation devolution pour chacun des modes resolus al . Rappelons que chaque
element de la base satisfait automatiquement la condition dincompressibilite qui disparait
donc explicitement des equations. En revanche, les conditions aux limites - sauf cas particulier
(par exemple conditions aux limites periodiques) - ne sont pas generalement satisfaites. Elles
doivent alors faire lobjet dun traitement particulier (voir Rempfer [43]). Dans la couche limite
turbulente pleinement developpee, les conditions aux limites sont supposees periodiques, et sont
donc naturellement respectees.
Certains termes de ( 5.1) ne sont pas pris en compte par la decomposition et doivent etre
modelises :
1. La vitesse moyenne : La P.O.D sapplique `a la partie fluctuante de lecoulement. La vitesse
moyenne nest pas prise en compte et doit etre modelisee.
2. Les termes non resolus : Ils interviennent dans lequation devolution des modes resolus
- cest la manifestation du probl`eme de fermeture propre `a la turbulence. Dans la couche
limite, leur effet est modelise par une viscosite turbulente suivant le mod`ele dHeisenberg
(gradient de transport)
< ui> uj,i> >= T u<j,ii

(5.6)

est un param`etre O(1) appele le param`etre dHeisenberg qui caracterise lintensite du

transfert aux petites echelles. Differentes valeurs de conduiront `a differents comportements dynamiques du syst`eme : cest le param`etre de bifurcation du mod`ele. Lhypoth`ese
de modelisation faite ici est grossi`ere, lidee etant que le mecanisme exact par lequel
lenergie est transmise aux petites echelles a peu dinfluence sur la dynamique des grandes
echelles.
Une autre approche vers la prise en compte des modes non resolus est celle des varietes
quasi-inertielles (Constantin et al. (1989) [14], Foias et al. (1989) [21]). Puisque les fonc28

tions de la P.O.D sont connues, il est possible didentifier le signal u avec le vecteur de
dimension infinie (a1 , a2 , . . . , a ). Soit P la projection sur la base tronquee de la P.O.D
et soit Q = I P o`
u I est lidentite. Definissons p et q comme les images respectives du
signal u par les projections P et Q. On a p = (a1 , a2 , . . . , aN ) et q = (aN +1 , aN +2 , . . . , a ).
Supposons que lequation pour le signal u = (a1 , a2 , . . . , a ) = p + q peut se mettre sous
la forme
u = F (u)

(5.7)

p = P F (p + q)

(5.8)

q = QF (p + q)

(5.9)

En projetant cette equation, on obtient

On utilise alors largument que les modes non resolus evoluent sur une echelle de temps
beaucoup plus courte que celle des modes resolus et donc que leur variations ne sont pas
percues par les modes resolus. Ceci signifie que lon peut ecrire
0 QF (p + q)

(5.10)

La resolution - au moins approximative - de cette equation permet de relier les modes

non resolus aux modes resolus
q = f (p)

(5.11)

et cette relation permet de fermer lequation pour les modes resolus

p = P F (P + f (p))

(5.12)

Cette methode a ete appliquee par Sirovich `a lequation de Ginzburg-Landau [50].

Apr`es cette digression, nous revenons `a la modelisation des termes non explicites de
lequation du mouvement.
3. le terme de pression fluctuante : Apr`es integration par parties, il doit evalue seulement
aux limites du domaine. Dans certains cas, ce terme sannule. Dans dautres - comme
dans le cas de la zone de paroi, il ne sannule pas et apparait comme un terme de forcage
stochastique representant linteraction de la zone de paroi avec la zone externe de la
29

couche limite. Lintegration du syst`eme requiert la donnee de ce terme `a chaque instant.

Ceci peut paratre paradoxal : apr`es tout, il suffit de connatre les condition aux limites
sur la vitesse pour resoudre les equations de Navier-Stokes. Le probl`eme nest-il pas mal
pose lorsque la pression est imposee ? Titi [55] et al montre que ce nest pas le cas, si
lon suppose que la solution des equations de Navier-Stokes appartiennent `a une variete
invariante de dimension finie.

5.2

Application

Nous allons surtout nous interesser `a un exemple particuli`erement bien documente : le

mod`ele dAubry, Holmes, Lumley et Stone pour la zone de paroi de la couche limite turbulente.
Aubry et al. [5] ont etudie diverses troncatures pour la couche limite turbulente limitee `a la
zone de paroi, et se sont plus particuli`erement interesses a` un mod`ele `a 5 modes. Pour certaines
valeurs du param`etre dHeisenberg, le mod`ele poss`ede un comportement intermittent hautement
reminiscent de lintermittence associee au phenom`ene de bursting observe dans la couche
limite. Les modes du mod`ele representent dans lespace physique des tourbillons longitudinaux
(alignes avec laxe x), invariants en x. Ces tourbillons restent relativement stables pendant
un certain temps, puis deviennent instables, et se deforment violemment en un temps assez
court avant de se reformer `a nouveau. Comme nous lavons vu au chapitre 3, lecoulement est
statistiquement invariant par translation horizontale et par reflexion par rapport `a un plan
z = cst (z etant la cordonnee transverse). Armbruster et al. [3] ont montre que la presence
de ces symetries rend le comportement du mod`ele structurellement stable, cest-`a-dire quil ne
disparait pas lorsquune petite perturbation est introduite dans les equations. La robustesse du
mod`ele est un atout de taille lorsquil sagit devaluer le credibilite du comportement predit par
le mod`ele.
Labsence de modes variant longitudinalement a ete la source de nombreuses critiques. Pour
Sirovich [61] les modes dynamiques essentiels sont les modes longitudinaux puisquils peuvent
convecter lenergie. Moffatt [38] a fait remarquer que sans variations longitudinales la turbulence
ne pouvait etre maintenue. Berkooz, Holmes et Lumley [9] ont calcule un mod`ele en decouplant
la partie longitudinale des parties transverses et verticales. Le mod`ele evolue comme prevu vers
30

la laminarisation mais il le fait encore de facon intermittente - ce qui souligne la robustesse du

mod`ele. Les auteurs montrent que la tridimensionnalite des fonctions de la P.O.D impose un
lien entre les composantes longitudinale et verticale de la vitesse, equivalant `a une hypoth`ese de
fermeture. Le tenseur de Reynolds doit necessairement etre compris entre certaines bornes, ce
qui traduit la une prise en compte de leffet moyen (i.e sans variation longitudinale) des modes
longitudinaux.
Dautres mod`eles ont ete construits pour dautres types decoulements : par exemple, Delville, Cordier et Tenaud sont parvenus `a reproduire pendant une certaine periode de temps le
developpement dune couche de melange [16]. Liakopoulos [22] a construit un mod`ele qui reproduit lecoulement dans une cavite lateralement chauffee. Nous avons ici ni le temps ni lespace
de proceder `a une revue exhaustive et renvoyons le lecteur notamment `a Berkooz et al. [8], et
`a Cordier [15].

5.3

Le Potentiel des mod`

eles P.O.D

Le developpement des mod`eles P.O.D est relativement recent, et il est encore difficile d
estimer leur impact. Dans la section precedente, nous avons presente un mod`ele robuste, dont
le comportement reproduit au moins qualitativement les aspects essentiels dun phenom`ene
complexe. Ce mod`ele est de plus capable de predire qualitativement laugmentation ou la diminution de lintensite de la turbulence lorsque des modifications sont apportees `a lecoulement.
Lumley et Podvin [36] ont montre que les effets dune distortion dune part et de la courbure
dautre part etaient correctement captures par le mod`ele. Aubry et al. [6] ont simule linfluence
dune modification de la couche limite - presence de riblets, ajout de polym`eres - en agissant
sur la forme des fonctions de la P.O.D. On observe une variation globale des param`etres, mais
les structures et les mecanismes mis en evidence sont inchanges, ce qui semble correspondre
aux resultats experimentaux.
Le succ`es dun tel mod`ele laisse entrevoir une nouvelle strategie pour le controle, plus ambitieuse que celles utilisees jusqu`a present. Elle consiste `a appliquer lalgorithme de controle
directement au mod`ele dynamique. La pierre dachoppement de ledifice sav`ere etre le lien
exact entre les predictions du mod`ele et lecoulement reel. Des comparaisons quantitatives,
31

systematiques, doivent etre menees, ce qui represente un travail long et fastidieux. Mais sil
est aujourdhui trop tot pour determiner la fronti`ere entre le realisable et lutopie, on peut
neanmoins avancer que les mod`eles P.O.D permettent daborder le controle dune mani`ere
mathematiquement rigoureuse et cependant proche de la physique, et peuvent etre combines
heureusement `a des approches plus traditionnelles (reseaux neuronaux,. . . ).

32

Fig. 5.1 Construction de mod`eles dynamiques `a partir de la P.O.D - dapr`es la th`ese dAndrew
Poje

33

Bibliographie
[1] R.J. Adrian and P. Moin. Stochastic estimation of organized turbulent structure : homogeneous shear flow. J. Fluid Mech., 190 :531559, 1988.
[2] R. Antonia. Conditional sampling in turbulence measurement. Ann. Rev. Fluid Mech.,
13 :131156, 1981.
[3] D. Armbruster, J. Guckenheimer, and P. Holmes. Heteroclinic cycles and modulated travelling waves in systems with o(2) symmetry. Physica D., 29 :257282, 1988.
[4] N. Aubry, R. Guyonnet, and R. Lima. Spatio-temporal symmetries and bifurcations via
bi-orthogonal decomposition. J. Nonlinear Sci., 2 :183215, 1992.
[5] N. Aubry, P. Holmes, J.L. Lumley, and E. Stone. The dynamics of coherent structures in
the wall region of the wall boundary layer. J. Fluid Mech., 192 :115173, 1988.
[6] N. Aubry, J.L. Lumley, and P. Holmes. the effect of modeled drag reduction on the wall
region. Theoret. Comput. Fluid Dyn., 1 :229248, 1990.
[7] H.P Bakewell and J.L Lumley. Viscous sublayer and adjacent wall region in turbulent pipe
flow. Phys. of Fluids, 10(9) :18801889, 1967.
[8] G. Berkooz, P. Holmes, and J.L. Lumley. The proper orthogonal decomposition in the
analysis of turbulent flows. Ann. Rev. Fluid Mech., 25 :539575, 1993.
[9] Gal Berkooz, Philip Holmes, and J.L Lumley. Intermittent dynamics in simple models of
the turbulent wall layer. J. Fluid Mech., 230 :7597, 1991.
[10] K.S. Breuer and L. Sirovich. The use of the karhunen-loeve procedure for the calculation
of linear eigenfunctions. J. Comp. Physics, 96 :277296, 1991.
[11] B. Cantwell. The role of coherent structures. In J.L. Lumley, editor, Whither Turbulence ?
Turbulence at the Crossroads, pages 97131. Springer-Verlag, 1990.
34

[12] B.J. Cantwell. Organized motion in turbulent flow. Ann. Rev. Fluid Mech., 13 :457515,
1981.
[13] D.H. Chambers, R.J. Adrian, P. Moin, S. D. Stewart, and H.J. Sung. Karhunun-lo`eve
expansion of burgers model of turbulence. Phys. Fluids, 31(9) :25732582, 1988.
[14] P. Constantin, C. Foias, R. Temam, and B. Nicolaenko. Integral Manifolds and Inertial
Manifolds for Dissipative Partial Differential Equations. New York : Springer-Verlag, 1989.
[15] L. Cordier. Etude de Syst`emes Dynamiques bases sur la P.O.D. application a` la couche
de melange turbulente et `
a lecoulement entre deux disques contra-rotatifs. PhD thesis,
Universite de Poitiers, 1996.
[16] L. Cordier, J. Delville, and C.Tenaud. Low-dimensional description of large scale structure
dynamics in a plane turbulent mixing layer. ?, pages 129.
[17] A.E. Deane and L. Sirovich. A computational sudy of rayleigh-benard convection. part 1.
rayleigh-number scaling. J. Fluid Mech., 222 :231250, 1991.
[18] Marie Farge. Wavelet transforms and their application to turbulence. Ann. Rev. Fluid
Mech., 24, 1992.
[19] W. Feller. An Introduction to Probability Theory and Its Applications. New York - Wiley,
1957.
[20] C. Foias, O. Manley, and L. Sirovich. Empirical and stokes eigenfunctions and the far
dissipative turbulent spectrum. Phys. Fluids A, 2 :464467, 1990.
[21] C. Foias, G. Sell, and E.S. Titi. Exponential tracking and approximation of inertial manifolds for disipative equations. J. Dyn. Differ. Equ., 1 :199224, 1989.
[22] H. Gunes, A. Liakopoulos, and R.A. Sahan. Low-dimensional description of oscillatory
thermal convection : The small prandtl number limit. Theoret. Comput. Fluid Dynamics,
9 :116, 1997.
[23] A.K.M.F. Hussain. Coherent structures and turbulence. J. Fluid Mech., 173 :303356,
1986.
[24] L. Keefe. Discussion on the role of coherent structures . In J.L. Lumley, editor, Whither
Turbulence ? Turbulence at the Crossroads, pages 170191. Springer-Verlag, 1990.
35

[25] H.T. Kim, S.J. Kline, and W.C. Reynolds. The production of turbulence near a smooth
wall in a turbulent boundary layer. J. Fluid Mech., 50(1) :133160, 1971.
[26] J. Kim and P. Moin. The structure of the vorticity field in a turbulent channel flow. J.
Fluid Mech., 162 :339, 1985.
[27] M. Kirby and L. Sirovich. Application of the karhunen-lo`eve procedure for the characterization of human faces. IEEE Trans. Pattern Anal. and Mach. Intell., 12 :103108,
1990.
[28] S. Kline. Discussion on the role of coherent structures . In J.L. Lumley, editor, Whither
Turbulence ? Turbulence at the Crossroads, pages 170191. Springer-Verlag, 1990.
[29] S.J. Kline, W.C. Reynolds, F.A. Schraub, and P.W. Rundstadler. The structure of turbulent boundary layers. J. Fluid Mech., 30(4) :741773, 1967.
[30] K.S. Lili, M. Rosenblatt, and C. Van Atta. Bispectral measurements in turbulence. J.
Fluid Mech., 77 :4562, 1976.
[31] E.N. Lorenz. Deterministic non-periodic flow. J. Atmos. Sciences, 20 :130141, 1963.
[32] J.L. Lumley. The structure of inhomogeneous turbulent flows. In A.M Iaglom and V.I
Tatarski, editors, Atmospheric Turbulence and Radio Wave Propagation, pages 221227.
Nauka, Moscow, 1967.
[33] J.L. Lumley. Coherent structures in turbulence. In R.E. Meyer, editor, Transition in
Turbulence, pages 315342. Academic Press, 1981.
[34] J.L. Lumley. Discussion on can dynamical systems approach turbulence ?. In J.L. Lumley,
editor, Whither Turbulence ? Turbulence at the Crossroads, pages 195249. Springer-Verlag,
1990.
[35] J.L. Lumley. Discussion on the role of coherent structures . In J.L. Lumley, editor,
Whither Turbulence ? Turbulence at the Crossroads, pages 170191. Springer-Verlag, 1990.
[36] J.L. Lumley and B. Podvin. Dynamical systems theory and extra rates of strain in turbulent flows. Journal of Experimental and Thermal Fluid Science, 267 :110, 1996.
[37] J.L. Lumley and A. Poje. Low-dimensional models for flows with density fluctuations.
Phys. Fluids, 9(7) :20232031, 1997.
36

[38] H.K. Moffatt. Comment on can dynamical systems approach turbulence ? . In J.L. Lumley, editor, Whither Turbulence ? Turbulence at the Crossroads, pages 250258. SpringerVerlag, 1990.
[39] P. Moin and R. Moser. Characteristic-eddy decomposition of turbulence in a channel. J.
Fluid Mech., 200 :471509, 1989.
[40] H. Park and L. Sirovich. Turbulent thermal convection in a finite domain : Part 2. numerical
results. Phys. Fluids A, 2(9) :16591668, 1990.
[41] B. Podvin and P. Le Quere. Application de la p.o.d `a une cavite differentiellement chauffee.
Technical report, LIMSI-CNRS, 1999.
[42] M. Rajaee, S.K.F. Karlsson, and L.Sirovich. Low-dimensional description of free-shear-flow
coherent structures and their dynamical behaviour. J. Fluid Mech., 258 :129, 1994.
[43] D. Rempfer and H. Fasel. Dynamics of three-dimensional coherent structures in a flat-plate
boundary layer. J. Fluid Mech., 275, 1994.
[44] S.O. Rice. Mathematical Analysis of Random Noise, pages 133294. Dover, 1953.
[45] F. Riesz and S. Nagy. Functional Analysis. Ungar, 1955.
[46] S.K. Robinson. Coherent motions in the turbulent boundary layer. Ann. Rev. Fluid Mech.,
23 :601639, 1991.
[47] D. Ruelle and R. Takens. On the nature of turbulence. Commun. Math. Phys., 20 :167
1972, 1971.
[48] L. Sirovich. Turbulence and the dynamics of coherent structures part i : Coherent structures. Quart. Appl. Math., 45(3) :561571, 1987.
[49] L. Sirovich. Chaotic dynamics of coherent structures. Physica D, 37 :126145, 1989.
[50] L. Sirovich, B. Knight, and J.D. Rodriguez. Optimal low-dimensional approximations.
Quart. J. Appl. Math., 48(3) :535548, 1990.
[51] L. Sirovich and H. Park. Turbulent thermal convection in a finite domain : Part 1. theory.
Phys. Fluids A, 2(9) :16491658, 1990.
[52] N. Smaoui and D. Armbruster. Symmetry and the karhunen-lo`eve analysis. In Proceedings
P.O.D and Galerkin projection Methods Symposium. Cornell University, 1997.
37

[53] H. Swinney and J.P.Gollub. Hydodynamic Instabilities and the Transition to Turbulence.
Springer-Verlag, 1981.
[54] T. Theodorsen. Mechanism of turbulence. In Proceedings 2nd Midwestern Conf. on Fluid
Mech. Ohio State University, 1952.
[55] E. Titi. On the well-posedness of the cornell model of boundary layer. In Proceedings
P.O.D and Galerkin projection Methods Symposium. Cornell University, 1997.
[56] E.D. Torniainen, A. Hinz, and F.C. Gouldin. Tomographic analysis of unsteady, reacting
flows. AIAA Paper 97 - 0257, 1997.
[57] A.A. Townsend. Measurements in the turbulent wake of a cylinder. Proc. R. Soc. London
Ser. A, 190 :551561, 1947.
[58] A.A. Townsend. The Structure of turbulent shear flow. Cambridge University Press, 1976.
[59] G.A. Webber, R.A. Handler, and L. Sirovich. The karhunen-loeve decomposition of minimal channel flow. Phys. Fluids, 9(4) :10541066, 1997.
[60] W. W. Willmarth and S. S. Lu. Structure of the reynolds stress near the wal. J. Fluid
Mech., 55(1) :6592, 1972.
[61] X. Zhou and L. Sirovich. Coherence and chaos in a model of turbulent boundary layer.
Phys. Fluids A ., 12 :28552874, 1992.

38