Modèle de cours
Intégration et dérivation numériques dans les applications (5 modules)
Intégration et dérivation numériques avec Python.
Objectif éducatif
Ce modèle de cours transmet les procédures centrales de l’intégration numérique et de la dérivation numérique à travers des problèmes concrets issus de données mesurées et de modèles fonctionnels. Il développe des compétences professionnelles dans le choix, l’implémentation et l’évaluation des méthodes numériques, en particulier dans la comparaison des différentes procédures d’approximation et de leurs caractéristiques d’erreur. Le modèle combine la modélisation mathématique avec une implémentation algorithmique clairement structurée en Python, mettant en évidence comment les données, les formules et l’implémentation se conditionnent mutuellement. Professionnellement, il est à rattacher au domaine des méthodes numériques, de l’analyse orientée données et du modélisation liée aux applications.
Focus sur les compétences
- Implémentation de la règle trapèzes, de la règle de Simpson, de la quadrature Gauss-Legendre et de la règle trapezoïdale adaptative pour l’intégration numérique
- Dérivation numérique des données discrètes avec les différences avant, arrière et centrées
- Analyse d’erreur et études de pas pour évaluer la précision et sélectionner les méthodes
- Traitement et évaluation de données CSV provenant de fichiers mesurés avec pandas et NumPy
- Comparaison des implémentations propres avec des valeurs de référence ou des fonctions bibliothèques
- Visualisation des tendances d’erreur, séries de mesure et résultats numériques avec Matplotlib
- Interprétation des résultats numériques dans des contextes applicatifs tels que la distance, l’énergie et le travail
Structure des modules
Distance à partir de données capteurs : règle trapézoïdale
Ce module introduit l'intégration numérique de données mesurées discrètes en utilisant la règle trapézoidale pour calculer une distance à partir des valeurs de vitesse.
Règle de Simpson : énergie à partir d'une série puissance-temps
Ce module approfondit l'intégration des séries temporelles régulières en utilisant la règle de Simpson et ordonne les résultats de manière méthodique par comparaison des méthodes.
Quadrature de Gauss : erreur par rapport aux nœuds
Ce module élargit le canon des méthodes avec la quadrature de Gauss-Legendre et se concentre sur le lien entre le nombre de nœuds et l'erreur d'approximation.
Dérivée numérique : erreur par rapport à la taille de pas h
Ce module traite la dérivation numérique de données discrètes et met en évidence les effets des différentes procédures de différences et des tailles d'étape.
Règle trapézoïdale adaptative : Travail à partir de la courbe de force
Ce module introduit des stratégies d'affinement adaptatif et relie les exigences de précision au travail et au comportement de convergence de l'intégration numérique.
Les modules clairement structurés créent des objectifs d’apprentissage transparents et peuvent être facilement intégrés dans les plans de cours existants pour l’analyse de données et les méthodes numériques.
Testez ce modèle dans votre propre enseignement et adaptez spécifiquement les modules à votre groupe et aux points focaux spécifiques à votre matière.