L’objectif de ce mémoire est d’introduire une nouvelle méthode smoothed particle hydrodynamics (SPH) implicite purement lagrangienne, pour la résolution des équations de Navier- Stokes incompressibles bidimensionnelles en présence d’une surface libre. Notre schéma de discrétisation est basé sur celui de Kéou Noutcheuwa et Owens [19]. Nous avons traité la surface libre en combinant la méthode multiple boundary tangent (MBT) de Yildiz et al. [43] et les conditions aux limites sur les champs auxiliaires de Yang et Prosperetti [42]. Ce faisant, nous obtenons un schéma de discrétisation d’ordre $\mathcal{O}(\Delta t ^2)$ et $\mathcal{O}(\Delta x ^2)$, selon certaines contraintes sur la longueur de lissage $h$. Dans un premier temps, nous avons testé notre schéma avec un écoulement de Poiseuille bidimensionnel à l’aide duquel nous analysons l’erreur de discrétisation de la méthode SPH. Ensuite, nous avons tenté de simuler un problème d’extrusion newtonien bidimensionnel. Malheureusement, bien que le comportement de la surface libre soit satisfaisant, nous avons rencontré des problèmes numériques sur la singularité à la sortie du moule. / The objective of this thesis is to introduce a new implicit purely lagrangian smoothed particle hydrodynamics (SPH) method, for the resolution of the two-dimensional incompressible Navier-Stokes equations in the presence of a free surface. Our discretization scheme is based on that of Kéou Noutcheuwa et Owens [19]. We have treated the free surface by combining Yildiz et al. [43] multiple boundary tangent (MBT) method and boundary conditions on the auxiliary fields of Yang et Prosperetti [42]. In this way, we obtain a discretization scheme of order $\mathcal{O}(\Delta t ^2)$ and $\mathcal{O}(\Delta x ^2)$, according to certain constraints on the smoothing length $h$. First, we tested our scheme with a two-dimensional Poiseuille flow by means of which we analyze the discretization error of the SPH method. Then, we tried to simulate a two-dimensional Newtonian extrusion problem. Unfortunately, although the behavior of the free surface is satisfactory, we have encountered numerical problems on the singularity at the output of the die.

L’apprentissage adaptatif distribué sur les réseaux permet à un ensemble d’agents de résoudre des problèmes d’estimation de paramètres en ligne en se basant sur des calculs locaux et sur des échanges locaux avec les voisins immédiats. La littérature sur l’estimation distribuée considère essentiellement les problèmes à simple tâche, où les agents disposant de fonctions objectives séparables doivent converger vers un vecteur de paramètres commun. Cependant, dans de nombreuses applications nécessitant des modèles plus complexes et des algorithmes plus flexibles, les agents ont besoin d’estimer et de suivre plusieurs vecteurs de paramètres simultanément. Nous appelons ce type de réseau, où les agents doivent estimer plusieurs vecteurs de paramètres, réseau multitâche. Bien que les agents puissent avoir différentes tâches à résoudre, ils peuvent capitaliser sur le transfert inductif entre eux afin d’améliorer les performances de leurs estimés. Le but de cette thèse est de proposer et d’étudier de nouveaux algorithmes d’estimation distribuée sur les réseaux multitâches. Dans un premier temps, nous présentons l’algorithme diffusion LMS qui est une stratégie efficace pour résoudre les problèmes d’estimation à simple-tâche et nous étudions théoriquement ses performances lorsqu’il est mis en oeuvre dans un environnement multitâche et que les communications entre les noeuds sont bruitées. Ensuite, nous présentons une stratégie de clustering non-supervisé permettant de regrouper les noeuds réalisant une même tâche en clusters, et de restreindre les échanges d’information aux seuls noeuds d’un même cluster / Distributed adaptive learning allows a collection of interconnected agents to perform parameterestimation tasks from streaming data by relying solely on local computations and interactions with immediate neighbors. Most prior literature on distributed inference is concerned with single-task problems, where agents with separable objective functions need to agree on a common parameter vector. However, many network applications require more complex models and flexible algorithms than single-task implementations since their agents involve the need to estimate and track multiple objectives simultaneously. Networks of this kind, where agents need to infer multiple parameter vectors, are referred to as multitask networks. Although agents may generally have distinct though related tasks to perform, they may still be able to capitalize on inductive transfer between them to improve their estimation accuracy. This thesis is intended to bring forth advances on distributed inference over multitask networks. First, we present the well-known diffusion LMS strategies to solve single-task estimation problems and we assess their performance when they are run in multitask environments in the presence of noisy communication links. An improved strategy allowing the agents to adapt their cooperation to neighbors sharing the same objective is presented in order to attain improved learningand estimation over networks. Next, we consider the multitask diffusion LMS strategy which has been proposed to solve multitask estimation problems where the network is decomposed into clusters of agents seeking different