Résolution numérique d’équations différentielles

1 Introduction à la solution Uc (t ) si elle passe par ce point M. Par exemple, pour notre problème, en
supposant E(t ) = E0 = 3 V pour t ≥ 0, on a « champ de tangentes » de ce genre :
On s’intéresse à présent au problème de la résolution d’équations différentielles, c’est-à-
Uc (t ) dUc (t )
dire la détermination d’une fonction solution d’une équation faisant intervenir la fonction dt (t ) = f (Uc (t ), t )
et ses dérivées. Parfois, de telles équations peuvent être résolues analytiquement, mais
bien souvent, c’est une tâche impossible, et il faut se résoudre à chercher numériquement
une approximation de la solution, ce qui sera le but de ce chapitre.
C’est un problème qui, lui aussi, trouve de nombreuses applications pratiques dans tous
les domaines des sciences, les systèmes dont l’évolution étant décrite par une ou plusieurs
équations différentielles étant monnaie courante.
Considérons par exemple le circuit électrique suivant (où le générateur est un générateur
de tension parfait), dans l’approximation des régimes quasi-stationnaires : t

R
E(t ) Uc (t )
C Il existe une infinité de solutions à cette équation différentielle (une infinité de courbes
qui soient en tout points tangentes aux vecteurs tracés ci-dessus). Pour sélectionner celle
qui correspond à l’évolution réelle de Uc (t ), il nous faut connaître un point par lequel
passe la courbe, en général une « condition initiale ».
La loi des mailles permet de relier les différentes tensions dans le circuit :
On peut par exemple supposer que la tension Uc (t ) aux bornes du condensateur en
E(t ) = Ur (t ) + Uc (t ) t = 0 est égale à U0 = −1 V. Il ne reste alors qu’une seule et unique solution à l’équation
différentielle, représentée ci-dessous :
Les caractéristiques des dipôles permettent de lier les tensions Ur (t ) et Uc (t ) au courant
I(t ) circulant dans le circuit : Uc (t ) dUc (t )
dt (t ) = f (Uc (t ), t )
dUc (t )
Ur (t ) = R · I(t ) et I(t ) = C ·
dt

En éliminant I(t ) et Ur (t ) de ce système de trois équations, on peut obtenir une équation

différentielle sur la tension Uc (t ) aux bornes du condensateur :
dUc 1 1
+ Uc (t ) = E(t )
dt RC RC

Supposons E(t ), R et C connus. On peut chercher à trouver l’évolution temporelle de la t

tension Uc (t ). Sa dérivée peut être isolée :
dUc 1 ¡ ¢
= E(t ) − Uc (t )
dt RC

Dès lors, pour toute valeur de t et Uc (t ), on peut en déduire la valeur de la dérivée de Bien évidemment, dans le cas présent, le fait que E(t ) soit une constante permet de
Uc (t ). Dans le plan (t , Uc ), cela revient à dire que l’on connaît en tout point M la tangente
25
résoudre analytiquement l’équation différentielle, dont la solution est 2.2 Schéma d’intégration d’Euler explicite

Uc (t ) = E0 + (U0 − E0 ) e−t /RC Un schéma d’intégration est une méthode qui calcule, successivement, les différents y k
à partir des y j (avec j < k) et de la fonction f .
D’autres cas permettent une résolution analytique : lorsque E(t ) est une fonction affine, Il existe de très nombreux schémas d’intégration, qui diffèrent les uns des autres de par
polynomiale, sinusoïdale, etc 1 . Dans le cas général, toutefois, il n’existe pas de méthode leur complexité, leur précision, leur stabilité numérique, etc. Le plus simple de tous ces
universelle pour obtenir une solution analytique (c’est encore plus vrai dans le cas où schémas d’intégration est le schéma dit d’Euler explicite.
l’équation différentielle est non-linéaire).
L’idée est simple. Connaissant on calcule y k à partir de y k−1 via la relation suivante :

y k = y k−1 + f (y k−1 , t k−1 ) × (t k − t k−1 )

2 Principe de l’intégration numérique
Cela revient à considérer la tangente au point (t k−1 , y k−1 ) obtenue grâce à la fonction f ,
2.1 Formalisation du problème et se diriger dans cette direction jusqu’à l’instant t k . Ainsi, on obtient y 1 à partir de y 0 de la
sorte :
Une méthode numérique ne pourra pas retourner une fonction car une fonction repré- y(t )
sente possiblement une infinité de données (la valeur de Uc (t ) pour toutes les valeurs
de t qui nous intéressent), même si les fonctions courantes peuvent être définies avec
beaucoup moins de données.
Supposons que l’on cherche la fonction y : [t 0 , t 0 + T] 7→ R vérifiant, pour tout t dans
l’intervalle [t 0 , t 0 + T], une équation différentielle de la forme y 0 (t ) = f (y(t ), t ) et pour
laquelle y(t 0 ) = y 0 .
Une méthode numérique d’intégration fournira, pour un ensemble de t k choisi dans
[t 0 , t 0 + T], un ensemble de valeurs y k telles que les y k soient aussi proches que possible •
des y(t k ). Le résultat ne sera donc pas une fonction mais un ensemble de points (t k , y k ),
comme ci-dessous, aussi proches que possible de la fonction solution (traits pleins).
y(t )
t0 t
t1 t2 t3
• • • • • •
•
•
• •

On peut voir cette relation entre y k et y k−1 comme liée au développement de Taylor de
t y(t ) au premier ordre en y(t k ) :
t1 t2 t3 t4 t5 t6 t7 t8 t9 t 10
y(t k ) = y(t k−1 ) + y 0 (t k−1 ) × (t k − t k−1 ) + O (t k − t k−1 )2
¡ ¢

On ne conserverait donc ici que les deux premiers termes du développement.

On dit que l’on utilise un pas régulier (noté h dans la suite) lorsque l’intervalle [t 0 , t 0 + T]
est subdivisé en n intervalles égaux, t k+1 − t k = h = T/n. Si c’est bien l’idée sous-jacente au schéma d’intégration d’Euler explicite, il faut être très
prudent, car y k et y k−1 ne correspondent pas exactement à y(t k ) et y(t k−1 ), ils n’en sont
1. Ou bien définie par morceaux avec de telles fonctions. que des approximations.
26
 Les différents y k sont ainsi calculés de proche en proche. Par exemple pour y 2 et y 3 sur tégration, chacun ayant une erreur de consistance en O(h p+1 ). On s’attend donc à une
notre exemple : erreur de l’ordre de T/h × O(h p+1 ) = O(h p ). Seulement, on s’écarte progressivement de la
solution à chaque étape, et les erreurs commises peuvent être beaucoup plus grandes que
y(t )
les erreurs de consistance e k . Il n’est pas possible de montrer que l’erreur sur l’ensemble
de l’intervalle est en O(h p ) sans faire d’autres hypothèses sur la fonction f .
•
Dans le cas du schéma d’intégration d’Euler explicite, on a
• ¯ ³ ´¯
e k = ¯y(t k ) − y(t k−1 ) + f (y(t k−1 ), t k ) × (t k − t k−1 ) ¯
¯ ¯

Si f est C 1 , alors le schéma régulier d’Euler implicite est consistant d’ordre 1. En effet,
•
l’erreur de consistance e k correspond très précisément au terme que l’on a négligé dans le
développement de Lagrange, O (t k − t k−1 )2 , ce qui en fait une méthode d’ordre 1.
¡ ¢

Pour prouver sa consistance, puisque f est C 1 , on peut en déduire que y est C 2 , et

donc que, selon l’égalité de Taylor-Lagrange, pour tout intervalle [t k−1 , t k ] il existe un
t
τk ∈ [t k−1 , t k ] vérifiant
t1 t2 t3
h2 T
y(t k ) = y(t k−1 ) + y 0 (t k−1 ) × h + y 00 (τk ) × où h= = t k − t k−1
2 n
•
¯ 00 ¯ 2
¯ y (τ ) ¯
Autrement dit, l’erreur de consistance vérifie e k = ¯ 2 k ¯ × h2 .

y étant C 2 , notons M2 un majorant de |y 00 | sur l’intervalle [t 0 , t 0 + T]. On a alors

2 2 2
2.3 Erreur de consistance ¯ e k ¯ É |e k | É M2 × h = n × M2 × h = M2 T −−−−→ 0
¯X ¯ X X
2 2 2n n→∞
Évidemment, supposer que la fonction est un segment entre t k et t k+1 dont la pente est
estimée au seul instant t k ne peut pas donner une solution exacte. L’intégration numérique Le schéma d’intégration d’Euler implicite est donc bien consistant. En diminuant le pas
de notre équation différentielle en utilisant une subdivision régulière du temps de pas h (en augmentant le nombre de subdivisions), on tend donc à s’approcher de la solution
0.5RC (∀k, (t k − t k−1 ) = h = 0.5RC) donne le résultat illustré à la page précédente : bien comme on peut le voir ci-dessous :
qu’on ne soit pas trop loin de la solution, on s’en éloigne quand même quelque peu. y(t )
On définit l’erreur de consistance¯e k , pour un ¯ schéma d’intégration et une équation
différentielle donnés, comme l’écart ¯ y k − y(t k )¯ en supposant que y k−1 était égal à y(t k−1 ). • • • • • •
• • •
• • •
• • •
Une méthode de pas régulier h est dite d’ordre p lorsque e k = O(h p+1 ) lorsque h tend • • •
•
vers 0. • •
n
X •
Elle est dite consistante lorsque e k −−−−→ 0. •
n→∞
k=1 •
•
On souhaite évidemment utiliser des schémas d’intégration consistants, et dans la
mesure du possible avec un ordre le plus grand possible, afin d’éviter les imprécisions. • t
t1 t2 t3 t4 t5 t6 t7 t8 t9 t 10
Attention, l’erreur commise à l’issue de l’intégration numérique sur [t 0 , t 0 + T] ne corres-
pond pas à la somme des erreurs de consistance.
Lorsque l’on utilise un pas h avec une méthode d’ordre p, on effectue T/h pas d’in-
27
 2.4 Implémentation 2.5 Méthode de Runge-Kutta point milieu

L’implémentation de la méthode d’Euler explicite est des plus simple. Elle prend trois
Le schéma d’intégration numérique d’Euler explicite est le seul qui soit à connaître. C’est
arguments : la fonction f , la valeur y 0 de la fonction y à l’instant t 0 et la liste des t k (pour
aussi, malheureusement, un des plus inefficaces, exigeant des pas très petits pour que le
0 É k < n) pour lesquels on cherche les y k .
résultat soit de bonne qualité.
Elle retourne une liste des y k (toujours pour 0 É k < n), lesquels sont calculés de proche
De la même façon qu’il existe de nombreuses méthodes pour estimer numériquement
en proche grâce à la relation
l’intégrale d’une fonction, il existe de très nombreux schémas d’intégration. Le schéma
d’intégration d’Euler explicite s’apparente à la méthode des rectangles gauches : la valeur
y k = y k−1 + f (y k−1 , t k−1 ) × (t k − t k−1 )
de la fonction f en t k−1 est utilisée pour tout l’intervalle [t k−1 , t k ].

On a donc : Nous avions vu que la méthode du point milieu donnait une meilleure estimation de
l’intervalle, pour un même pas. On souhaiterait donc estimer la valeur de la pente, pour le
def EulerExplicite(f, y0, listeT) : calcul de y k à partir de y k−1 , non pas en t k−1 , mais en t k,m = (t k−1 + t k )/2.
listeY = [ y0 ]
Seul ennui, on ne sait pas par où passe la fonction y à l’instant t k,m !
for k in range(1, len(listeT)) : On va donc travailler en deux temps :
pas = listeT[k] - listeT[k-1] • on estime un y k,m correspondant à un instant t k,m = (t k−1 + t k )/2, à partir de y k−1
yk = listeY[k-1] + f( listeY[k-1], listeT[k-1] ) * pas grâce au schéma d’intégration d’Euler explicite ;
listeY.append(yk) • on se sert de la pente f (y k,m , t k,m ) pour calculer y k , en repartant du point (t k−1 , y k−1 ).
Un schéma valant mieux qu’un discours, on construit par exemple y 1 à partir de y 0 , puis
return listeY
y 2 à partir de y 1 , de la sorte 3 :
Pour l’utiliser, on crée la fonction f et la liste des instants t k 2 , avant d’appeler la fonction y(t )
EulerExplicite :

R, C, Eo = 1.0e3, 1.0e-6, 3.0

def f(y, t) : •
return (Eo-y) / (R*C)

N = 10
pas = 5*R*C/N •
listeT = [ 0.0 + i*pas for i in range(N+1) ]

y0 = -1.0
listeY = EulerExplicite(f, y0, listeT) t
t 1,m t1 t 2,m t2
On peut ensuite afficher le résultat grâce à la commande plot en écrivant par exemple

from matplotlib.pyplot import plot, show •

plot(listeT, listeY, 'ro')

show()

2. On aurait pu également utiliser numpy.linspace(0.0, 5.0*R*C, N+1) pour construire la liste des instants
tk . 3. Attention, pour plus de lisibilité, les intervalles [t 0 , t 1 ] et [t 1 , t 2 ] sont un peu plus larges que précédemment.
28
 Pour déterminer y k à partir de y k−1 , cela revient à écrire : précis. On peut espérer que l’erreur commise lors d’une étape d’intégration soit liée à la
µ
(t k − t k−1 ) (t k−1 + t k )
¶ différence entre la valeur y k fournie par l’intégrateur d’Euler, et la valeur y k fournie par le
y k = y k−1 + f y k−1 + f (y k−1 , t k−1 ) × , × (t k − t k−1 ) schéma de Runge-Kutta, plus précis.
2 2
Pour choisir un nouveau pas h 0 , connaissant err et eps, on peut utiliser
L’implémentation n’est pas beaucoup plus compliquée que pour le schéma d’Euler
explicite, et reprend les deux étapes (calcul de y k,m , puis y k ) : r
eps
h0 = ×h
def RK_Milieu(f, y0, listeT) : err
listeY = [ y0 ]
En effet, de la sorte, si err<eps, le pas va augmenter, et inversement, si err>eps, on
for k in range(1, len(listeT)) :
obtient une diminution du pas.
pas = listeT[k] - listeT[k-1]
ym = listeY[k-1] + f( listeY[k-1], listeT[k-1] ) * (pas/2.0) ) En Python, cela donne 4 , avec une signature légèrement différente pour la fonction par
yk = listeY[k-1] + f( ym, listeT[k-1]+(pas/2.0) ) * pas ) rapport aux précédentes (on passe t 0 et duree plutôt qu’une liste d’instants t k , et également
listeY.append(yk) une erreur acceptable eps) :

return listeY def EulerAdapt(f, y0, t0, duree, eps) :

Y, T = [ y0 ], [ t0 ]
On peut montrer que le schéma régulier de Runge-Kutta point milieu est un schéma
consistant d’ordre 2. h = 1.0 # Un pas initial, choisi arbitrairement
En fait, il existe une collection de schémas dits de Runge-Kutta, et il est possible d’en
while T[-1] < t0+duree : # Tant que l'on n'a pas atteint t0+duree
fabriquer avec un ordre quelconque. Le calcul de y k est cependant d’autant plus compliqué
# On estime un y_k avec le schéma d'Euler explicite :
que l’on choisit un ordre élevé, aussi est-il parfois plus intéressant de réduire le pas h plutôt
y_E = Y[-1] + f(Y[-1], T[-1]) * h
que d’utiliser un schéma d’intégration d’un ordre plus élevé.
# On fait de même avec le schéma de Runge-Kutta point milieu :
2.6 Schémas d’intégration à pas adaptatif y_R = Y[-1] + f(Y[-1] + f(Y[-1], T[-1])*h/2.0, T[-1]+h/2.0) * h

Comme on l’a vu, le choix du pas t k − t k−1 est crucial pour obtenir autant de précision # L'erreur est assimilée à la différence entre les estimations
que possible. Cependant, un pas plus petit nécessite, naturellement, davantage de calculs. err = abs(y_E - y_R)

Le choix du pas t k − t k−1 n’est donc pas simple. Par ailleurs, utiliser un pas régulier n’est # Si l'erreur est raisonnable, on a un nouveau point y_k, t_k
pas toujours la meilleure solution possible. En effet, pour certaines valeurs de t , un pas if err < eps :
important peut convenir, tandis que pour d’autres valeurs de t , il conviendrait d’utiliser T.append(T[-1] + h)
des plus petits pas. De la même façon que, lorsque l’on conduit un véhicule sur une route, Y.append(y_R) # On préfère conserver l'estimation de RK
on peut aller (raisonablement) vite dans les lignes droites mais on est contraint de ralentir
pour négocier les virages délicats. # On adapte le pas pour la suite
Aussi peut-on envisager de laisser à l’intégrateur le soin de choisir les pas d’intégration h = 0.95 * math.sqrt(eps/err) * h
h k , potentiellement différents à chaque étape. Pour ce faire, il est besoin de pouvoir
estimer l’erreur err que l’on commet lorsque l’on effectue une étape de l’intégration, afin # On retourne les y_k mais aussi les t_k, choisis par l'algorithme
de le comparer à une erreur « acceptable » eps : si err É eps, on peut augmenter le pas return T, Y
d’intégration, et si au contraire err > eps, la dernière étape effectuée n’est pas acceptable,
et il convient de la refaire avec un pas plus petit.
Pour estimer l’erreur err, on peut calculer la valeur y k de deux façons différentes. Par 4. On remarquera un coefficient 0.95 dans le calcul du pas qui, sans être indispensable, apporte parfois un
exemple, en utilisant le schéma d’Euler et le schéma de Runge-Kutta point milieu, plus peu plus de stabilité numérique.
29
 3 Utilisation de scipy (ou un vecteur, un tuple...) des y i et pour second argument t et retourne une liste (ou un
vecteur, un tuple...) contenant les y i0 = f i (y i , t ) correspondant.
3.1 Équations différentielles du premier ordre Par exemple, pour le système

Nous avons décrit dans ce chapitre le principe de quelques schémas d’intégration nu-
mérique dans le but d’illustrer le principe de la résolution numérique d’une équation  0
différentielle. Dans la pratique, on ne réécrit jamais un schéma d’intégration lorsqu’il u (t ) = 2u(t ) + v(t )
s’agit de résoudre une équation différentielle !
v 0 (t ) = −u(t ) + 2v(t )

En effet, comme nous l’avons vu, les méthodes les plus simples ne sont pas les plus
précises ni les plus stables numériquement. Des spécialistes de la question ont passé de
longues heures à mettre au point des algorithmes efficaces (utilisant des schémas d’ordre
élevés, une adaptation du pas si besoin, etc.) et il convient de s’en servir. on écrira
D’autant que cela ne représente aucune difficulté supplémentaire : la fonction odeint du def f(Y, t) :
module scipy.integrate, qui permet de résoudre une équation différentielle du premier u, v = Y # On extrait u et v de Y
ordre de la forme y 0 = f (y, t ), attends très exactement les mêmes arguments que notre return [ 2*u+v, -u+2*v ] # On retourne la liste des dérivées
fonction EulerExplicite par exemple !
Pour le problème qui nous occupe, on écrira donc très simplement : Et pour la résolution proprement dite, sur [0, 1] avec par exemple u(0) = 3 et v(0) = 4 :

from scipy.integrate import odeint T = [ 0.1*i for i in range(11) ]

Y0 = [ 3.0, 4.0 ]
listeY = odeint(f, y0, listeT)
from scipy.integrate import odeint
(où f, y0 et listeT ont été définis de façon identique à ce que l’on a fait dans la section Y = odeint(f, Y0, T)
précédente).
Le résultat retourné (ici Y) sera une matrice (sous la forme d’un numpy.array) où chaque
odeint ne renvoie pas une liste de y k , mais un numpy.array, qui toutefois se comporte ligne correspond aux différents instants de T, et les colonnes respectivement à u(t ) et v(t ).
de la même façon pour la plupart des utilisations (notamment, on peut tracer le résultat
avec la même commande plot(listeT, listeY) que précédemment). Ainsi, les u k peuvent être obtenus en écrivant Y[:, 0] et les v k , Y[:, 1]. On pourra
donc effectuer le tracé de u(t ) et v(t ) de la sorte :

3.2 Systèmes d’équations différentielles du premier ordre from matplotlib.pyplot import plot, legend, show

Parfois, on doit résoudre des équations différentielles du premier ordre couplées, par plot(T, Y[:, 0], 'r--', label="u(t)")
exemple un système de type : plot(T, Y[:, 1], 'b', label="v(t)")
 0 legend(loc="upper left")
 y 1 (t ) = f 1 (y1(t ), y 2 (t ), t ) show()

y 20 (t ) = f 2 (y1(t ), y 2 (t ), t )


Il n’est bien entendu pas possible de résoudre les équations différentielles séparément.
On les résoud donc simultanément, en calculant y 1,k et y 2,k correspondant à un instant
t k à partir, par exemple, des y 1,k−1 , y 2,k−1 et t k−1 (en utilisant le schéma d’Euler explicite
pour chacune des deux estimations, ou tout autre schéma d’intégration).
La fonction odeint permet naturellement de résoudre de tels systèmes, pour peu que
l’on fournisse une fonction f « vectorielle », qui prenne pour premier argument une liste
30
 4 Équations différentielles du second ordre On a donc converti une équation différentielle du second ordre en dimension 1 en une
équation différentielle du premier ordre, certes en dimension 2, mais qui pourra être
4.1 Mise en équation résolue par les outils que l’on a déjà vus.

On s’intéresse à présent à des équations différentielles du second degré, c’est-à-dire à la

recherche de fonction y solutions d’équations du type 4.2 Résolution numérique avec odeint

y"(t ) = f y 0 (t ), y(t ), t
¡ ¢
Pour notre problème, on définira donc la fonction f de la sorte si E(t ) = E0 = cste :

def f(Y, t) :
Par exemple, on peut s’intéresser à la détermination de Uc (t ) dans un circuit de type
Uc, DerUc = Y
« RLC série » tel que celui ci-dessous :
return [ DerUc, -(R/L)*DerUc + (1/(L*C))*(Eo-Uc) ]

L Il ne reste alors qu’à choisir les paramètres (par exemple L = 5 mH, C = 1 µF, R = 10 Ω
R
et E(t ) = E0 = 3 V) et les conditions initiales (ici Uc (t 0 ) = −1 V et Uc0 (t 0 ) = I(t 0 )/C = 0), un
E(t ) Uc (t )
intervalle de temps ([0, 500RC] ici) ainsi qu’un nombre de subdivisions (N = 1000), faire
C
appel à odeint et tracer le résultat :

R, L, C, Eo = 1.0e1, 5.0e-3, 1.0e-6, 3.0

pour lequel on peut établir aisément, grâce à la loi des mailles et aux caractéristiques des
N = 1000
dipôles,
pas = 500*R*C/N
d2 Uc dUc
E(t ) = Ul (t ) + Ur (t ) + Uc (t ) = LC (t ) + RC (t ) + Uc (t ) listeT = [ 0.0 + i*pas for i in range(N+1) ]
dt dt
y0 = [ -1.0, 0.0 ]
ce qui conduit à
2
d Uc R dUc 1 1
(t ) = − (t ) − Uc (t ) + E(t ) from scipy.integrate import odeint
dt L dt LC LC listeY = odeint(f, y0, listeT)
Seulement, les schémas d’intégration que l’on a vu ne permettent pas de résoudre des
from matplotlib.pyplot import plot, xlabel, ylabel, show
équations différentielles du second ordre. On pourrait créer spécifiquement des sché-
mas d’intégration pour cette tâche 5 mais on préférera transformer de tels problèmes en
plot(listeT, listeY[:,0])
problème du premier ordre.
xlabel("Temps (s)")
Lorsque l’on étudie une équation différentielle comme celle du dessus, la condition ylabel("Uc (V)")
initiale Uc (t 0 ) n’est plus suffisante : il faut une seconde condition initiale, par exemple show()
Uc0 (t 0 ) (ou I(t 0 ), ce qui revient exactement au même, au coefficient C près).
L’état du système n’est donc plus défini seulement par Uc (t ) mais par le « couple »
Uc (t ),Uc0 (t ). De la même façon qu’en mécanique, l’état d’un mobile ponctuel n’est pas
seulement défini par sa position mais par sa position et sa vitesse.
On peut donc envisager notre équation différentielle de la sorte :

y 0 (t ) y 0 (t )
µ ¶ µ ¶ µ ¶
d y(t )
= =
dt y 0 (t ) y 00 (t ) f (y 0 (t ), y(t ), k

5. ils seraient même, pour un pas comparable, vraisemblablement plus précis !

31
 dUc
On peut également tracer aisément la courbe I(t ) = C dt (t ) du courant dans le circuit :

plot(listeT, C * listeY[:,1])
xlabel("Temps (s)")
ylabel("I (A)")
show()

q
1 L
Avec un facteur de qualité Q = R C ' 7.1 on a (fort heureusement) bien obtenu un
régime pseudo-périodique.

32