Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal

Dans cette thèse nous nous intéresserons aux équations aux dérivées partielles stochastiques (EDPS) d'un point de vue aussi bien théorique que numérique. Ces équations peuvent être vues comme une généralisation du concept d'équations aux dérivées partielles (EDP) déterministes, équations donnant des modèles dans de nombreux domaines tel que la physique, la biologie ou encore l'économie. L'aspect stochastique apparaît avec la volonté de prendre en compte des données que l'on ne connaît pas de façon déterministe et dont nous avons uniquement des informations statistiques. Ces données peuvent être aussi bien un coefficient de l'équation qu'un terme de force, on qualifie alors ces données de "bruits". De par leurs complexités, il est courant de ne pas avoir de solution formelle pour certaines EDPS, la résolution numérique est alors l'unique moyen d'obtenir certaines statistiques de la solution inconnues formellement. La discrétisation de cette source d'information représentée par les termes de bruit pose le problème de leur troncature. L'information contenue dans ces termes de bruits est infini, ainsi tout comme il est impossible de représenter numériquement, sauf cas particulier, de façon exacte une fonction sur l'intervalle $[0,1]$, il est impossible de stocker de façon exacte ces termes de bruits, se pose alors la question du traitement numérique de ces termes de bruits. Une des méthodes consiste à simuler le bruit afin d'obtenir une famille de trajectoires du bruit et résoudre pour chacune de ces trajectoires l'équation associée afin de pouvoir faire des statistiques sur l'ensemble des solutions obtenues, cette méthode correspond à la méthode de Monte-Carlo. Elle offre l'avantage d'être relativement simple à mettre en œuvre mais se pose alors des problèmes de lenteur de convergence dûs au coût unitaire des intégrations numériques de chaque trajectoire qui dépendent en général de la méthode déterministe utilisée, de la dimension du problème et de la variance des moments que l'on souhaite estimer. Une deuxième philosophie est la décomposition du bruit sur une base polynomiale adaptée à une mesure de référence (ici la mesure de Wiener). C'est la méthode principalement étudiée dans cette thèse. Nous décrirons comment à l'aide d'une décomposition dite en chaos il est possible d'obtenir des statistiques de solutions d'EDPS, mais également comment on peut se servir d'une telle décomposition afin de réduire la variance dans une méthode de Monte Carlo / In this thesis, we will be interested by the numerical approximation of SPDEs. Such equations can be seen as generalization of deterministic PDEs whose coefficients have been perturbed in order to take into account incertainties. Usually those incertainties are only known through their statistical properties. This kind of data could be included into the coefficients of the PDE or can be modelized through an infinite dimensional diffusion term in the second member. The main purpose of the numerical investigations concerning SPDEs is the estimation of the joint probability distribution of its solution, and practically the estimation of some moments or some event's probabilities. The discretization of the noise's information in the small scales implies a large number of additionnal parameters and yields, in general, problems. The first and most popular method used usually is the Monte Carlo method. It relies upon the simulation of a large number of trajectories of the noise followed by the numerical integration of the associated SPDE's solution. Its main advantage is its simplicity and its capacity to be parallelized. Nevertheless, its main drawback is the rather slow convergence due to the unit cost of numerical integration of each trajectory which depend on the deterministic method used, the problem's dimension. Also the convergence can be slowed down because of the large variance of the statistical moments we want to estimate. A second approach consists in the chaos expansion of the coefficients based on a reference measure (Wiener's mesure e.g.). It will be the main purpose of this thesis. We will describe how such an expansion can be made possible in the SPDEs' framework, through the examples of the KdV and Burgers stochastic equations, in order to obtain statistical moments of the solutions but also in order to reduce wariance within a Monte Carlo method