Physic Labs

Physique de pointe

Théorie du chaos et effet papillon

Un système non linéaire déterministe peut être sensible aux conditions initiales : des trajectoires proches divergent rapidement malgré des lois d'évolution déterministes.

Le chaos n'est pas le hasard. Le mouvement suit des équations déterministes, mais de petites erreurs initiales peuvent croître. La prévision à long terme d'une trajectoire est limitée, même si structures statistiques et attracteurs restent descriptibles.

δ(t)≈δ(0)eλt,λ=lim⁡t→∞1tln⁡∥δx(t)∥∥δx(0)∥\delta(t)\approx\delta(0)e^{\lambda t},\qquad \lambda=\lim_{t\to\infty}\frac{1}{t}\ln\frac{\lVert\delta x(t)\rVert}{\lVert\delta x(0)\rVert}

Définition: Plus grand exposant de Lyapunov

λ>0 indique une croissance exponentielle moyenne des petites perturbations le long d'une trajectoire et signale la sensibilité aux conditions initiales. Dans un système borné, étirement et repliement coexistent ; les trajectoires ne divergent pas nécessairement à l'infini.

Comparez deux états initiaux proches du système de Lorenz standard ; illustration numérique dépendant de la précision et du temps d'intégration.

Déterminisme et prévision

Les équations de Lorenz standard ẋ=σ(y−x), ẏ=x(ρ−z)−y, ż=xy−βz possèdent des régimes chaotiques tout en restant déterministes. Pour une erreur initiale ε et λ>0, l'horizon utile est environ λ⁻¹ ln(Δ/ε), où Δ est l'erreur tolérée. Une meilleure précision l'accroît logarithmiquement, jamais indéfiniment.

Exemple: Estimer l'horizon de prévisibilité

Pour λ=0,9 jour⁻¹, une erreur initiale ε=10⁻⁶ et une tolérance Δ=10⁻¹, estimez le temps pour atteindre le seuil.

Solution

t≈ln(Δ/ε)/λ=ln(10⁵)/0,9≈12,8 jours. Cette estimation suppose une croissance exponentielle dominante ; le λ effectif peut varier dans un système réel.

L'analyse du chaos distingue trois questions : les trajectoires restent-elles bornées, sont-elles sensibles aux conditions initiales, et quelle structure possède l'attracteur ? Un exposant de Lyapunov positif indique une divergence typique, mais doit être estimé sur un intervalle assez long après les transitoires ; une valeur issue d'une simulation finie ne prouve pas le chaos. Le système de Lorenz est un modèle réduit classique de la convection atmosphérique : son attracteur étrange illustre les limites de prévision des trajectoires. Dans les données réelles, bruit, séries finies et dérive des paramètres compliquent la reconstruction ; il faut comparer plusieurs diagnostics et tester leur robustesse au prétraitement.

Les prévisions probabilistes peuvent rester utiles après l'échec des prévisions de trajectoire : un ensemble de conditions initiales estime des distributions d'état ou des probabilités de franchissement. Il faut vérifier leur calibration et leur sensibilité aux hypothèses d'incertitude initiale. Edward Lorenz a reconnu cette sensibilité en étudiant la prévision météorologique numérique ; cela ne signifie pas que tous les systèmes atmosphériques perdent leur prévisibilité au même rythme.

Vérification rapide

Quelle caractéristique décrit un système chaotique classique ?

Si le plus grand exposant de Lyapunov est positif, comment évolue d'abord une petite perturbation ?

Références

  1. Kathleen T. Alligood, Tim D. Sauer, James A. Yorke (1996). Chaos: An Introduction to Dynamical Systems