Coupled Continuous-Discontinuous Galerkin Finite Element Solver for Compound Flood Simulations

Les auteurs proposent une nouvelle méthode de simulation des inondations composées en couplant des discrétisations Galerkin continue et discontinu au sein du modèle ADCIRC pour intégrer de manière conservatrice les effets combinés de la marée de tempête et du ruissellement pluvial, comme démontré par des tests incluant l'ouragan Harvey.

L'essentiel

🌪️ Le Problème : Quand la Pluie et la Mer se Rejoignent

Imaginez une tempête tropicale, comme l'ouragan Harvey en 2017. Habituellement, quand on veut prédire les inondations, les scientifiques regardent deux choses séparément :

1. La marée de tempête : L'eau de mer qui monte et envahit les côtes (comme une vague géante).
2. La pluie : L'eau qui tombe du ciel et ruisselle sur la terre.

Le problème, c'est que dans la réalité, ces deux phénomènes ne font pas que s'additionner. Ils interagissent ! La pluie qui tombe sur les terres ne peut pas s'écouler dans la mer si la mer est déjà trop haute à cause de la marée. Résultat : l'eau reste bloquée, monte encore plus haut et crée des inondations catastrophiques que les modèles classiques ne parviennent pas à prédire correctement. C'est ce qu'on appelle une inondation composée.

🛠️ La Solution : Un "Couteau Suisse" Numérique

Les auteurs de ce papier ont créé un nouveau logiciel de simulation (un "solveur") pour mieux prédire ces catastrophes. Pour comprendre leur méthode, imaginons que nous devons gérer le trafic dans une ville très complexe.

Le logiciel existant (appelé ADCIRC) est comme un chef de circulation très expérimenté qui connaît parfaitement les grandes avenues (les courants océaniques et les vents). Il est rapide et efficace pour gérer le mouvement global. Cependant, il a un défaut : il ne compte pas exactement chaque voiture qui entre ou sort d'un quartier. Il fait des approximations.

Les auteurs ont décidé de combiner ce chef de circulation avec un nouveau système de comptage ultra-précis (la méthode DG).

Voici comment leur "hybride" fonctionne :

1. La Hauteur de l'eau (Le niveau de la marée) : Ils utilisent le nouveau système de comptage précis (DG). C'est comme si chaque rue avait un compteur exact. Cela garantit que si 100 litres de pluie tombent, 100 litres d'eau s'ajoutent au bassin. Rien n'est perdu, rien n'est inventé. C'est crucial pour simuler la pluie qui s'accumule.
2. La Vitesse de l'eau (Le courant) : Pour savoir à quelle vitesse l'eau coule, ils gardent l'ancien chef de circulation (CG). Pourquoi ? Parce que c'est très rapide et efficace pour calculer les mouvements sur de grandes distances.

L'analogie du restaurant :
Imaginez un restaurant où l'on doit gérer les commandes (la pluie) et les plats servis (le courant).

• L'ancien modèle disait : "On a reçu beaucoup de commandes, on va servir à peu près la bonne quantité." (Parfois, il manquait des assiettes ou il y en avait trop).
• Le nouveau modèle dit : "Le serveur (le courant) est super rapide et connaît bien la cuisine, mais le comptable (la pluie) vérifie chaque centime et chaque assiette entrée/sortie."
• Résultat : On a la vitesse du serveur et la précision du comptable.

🌧️ Comment ils gèrent la Pluie ?

Dans leur modèle, la pluie n'est pas juste une statistique. C'est un ingrédient actif qu'ils ajoutent directement dans l'équation mathématique.

• Ils peuvent utiliser des modèles simples (comme "il pleut 1 cm partout") ou des modèles complexes basés sur la trajectoire de l'ouragan (comme le modèle R-CLIPER).
• Le plus impressionnant : leur logiciel gère aussi les zones qui passent de sèches à mouillées. Imaginez un terrain de jeu qui est sec, puis la pluie tombe, et soudain, une flaque se forme et grandit. Le logiciel sait exactement quand une zone devient une "zone inondée" et commence à calculer le courant à cet endroit.

🧪 Les Tests : Est-ce que ça marche ?

Les chercheurs ont testé leur invention de trois manières :

1. Des petits tests de laboratoire : Comme vérifier si une balance est juste en y mettant des poids connus. Leur modèle a prouvé qu'il ne perdait aucune goutte d'eau (conservation de la masse).
2. Des rivières réelles : Ils ont simulé la rivière Neches au Texas. Leurs résultats étaient plus proches de la réalité que l'ancien logiciel, surtout là où l'eau coule très vite.
3. Les grands ouragans : Ils ont simulé les ouragans Ike et Harvey.
   • Pour Ike (une marée de tempête massive), leur modèle a donné des résultats presque identiques à l'ancien, ce qui prouve qu'ils n'ont pas cassé la machine.
   • Pour Harvey (l'ouragan de la pluie), c'est là que la magie opère. Le modèle a réussi à montrer comment la pluie a fait monter l'eau après la marée, là où l'ancien modèle échouait. Il a mieux prédit les niveaux d'eau réels observés sur le terrain.

⚡ Le Coût : Est-ce trop lent ?

On pourrait penser que faire deux calculs à la fois (un précis et un rapide) rendrait le tout très lent.

• En réalité : C'est un peu plus lent (environ 18 % de temps supplémentaire sur un seul ordinateur), mais c'est un prix très acceptable pour avoir une précision bien supérieure.
• Sur les supercalculateurs (des milliers d'ordinateurs travaillant ensemble), le système s'adapte très bien et reste rapide.

🏁 Conclusion

En résumé, ces chercheurs ont créé un moteur hybride pour simuler les inondations. Il combine la précision nécessaire pour compter chaque goutte de pluie et la vitesse nécessaire pour simuler des océans entiers.

C'est comme passer d'une carte routière approximative à un GPS en temps réel qui sait exactement où chaque voiture se trouve, même dans les embouteillages les plus complexes. Cela permet aux scientifiques et aux décideurs de mieux prévoir les catastrophes futures et de protéger les populations côtières.

Résumé technique

1. Problématique

Les cyclones tropicaux récents, tels que l'ouragan Harvey (2017), ont démontré que les inondations composées (ou « compound floods ») résultant de l'interaction entre les ondes de tempête (storm surge), les écoulements fluviaux et les précipitations intenses ne peuvent pas être correctement modélisées par une simple superposition de ces sources distinctes.
Le défi majeur réside dans la nécessité de développer des modèles numériques capables de :

• Simuler avec précision les équations de Saint-Venant (Shallow Water Equations - SWE).
• Intégrer des sources de masse variables dans le temps et l'espace (pluie) sans induire d'instabilités numériques.
• Garantir la conservation locale de la masse, une propriété souvent perdue dans les méthodes classiques.
• Maintenir une efficacité computationnelle élevée pour des domaines de grande échelle (bassin océanique et zones côtières).

Le modèle existant de référence, ADCIRC, utilise une formulation continue de Galerkin (CG) basée sur une équation de continuité généralisée (GWCE). Bien qu'efficace, cette approche ne garantit pas la conservation locale de la masse et rencontre des difficultés pour intégrer directement des termes sources de pluie dans l'équation de continuité primitive, en particulier dans des régimes d'écoulement fortement advectifs.

2. Méthodologie

Les auteurs proposent un nouveau solveur numérique couplant des espaces d'approximation Galerkin Discontinu (DG) et Galerkin Continu (CG) au sein du modèle ADCIRC. Cette approche hybride vise à combiner les avantages des deux méthodes :

• Équation de Continuité (DG) :

  • L'équation de continuité primitive est discrétisée à l'aide d'une méthode DG.
  • Cela garantit une conservation locale exacte de la masse élément par élément.
  • L'intégration d'un terme source de pluie ($R$) est naturelle dans ce cadre, car la méthode DG gère intrinsèquement les flux numériques aux interfaces et les sources internes.
  • Une intégration temporelle explicite (Euler vers l'avant) est utilisée pour la continuité, ce qui réduit les coûts de calcul par rapport aux schémas RK d'ordre supérieur souvent requis en DG pur.

• Équations de Quantité de Mouvement (CG) :

  • Les équations de quantité de mouvement sont discrétisées avec la méthode CG standard d'ADCIRC.
  • Cela permet de conserver l'efficacité computationnelle et la robustesse éprouvée d'ADCIRC pour la résolution du champ de vitesse, évitant ainsi le coût élevé d'une discrétisation DG complète pour les deux équations.

• Couplage et Interface :

  • Le solveur alterne entre les espaces discontinus (pour la surface libre $\zeta$) et continus (pour la vitesse $\mathbf{u}$).
  • Des opérateurs de projection sont utilisés pour convertir les variables nodales (CG) en représentations modales (DG) et vice-versa.
  • Un flux numérique de type Local Lax-Friedrichs (LLF) est utilisé aux interfaces des éléments pour assurer la stabilité et la conservation.

• Gestion des zones humides/sèches (Wetting and Drying) :

  • Une approche combinée est développée pour gérer les interfaces terre-eau.
  • L'algorithme maintient les états humides/sèches définis par ADCIRC (basés sur les nœuds) tout en appliquant des ajustements locaux pour garantir que la profondeur d'eau reste positive dans les éléments DG, évitant ainsi les instabilités numériques lors du séchage ou de l'immersion.

• Intégration des précipitations :

  • Le modèle intègre des modèles paramétriques de pluie (comme R-CLIPER) et des données observées (format GRIB2) comme source de masse dans l'équation de continuité.
  • Cela permet de simuler l'impact direct des pluies cycloniques sur le niveau d'eau, au-delà de l'apport fluvial.

3. Contributions Clés

1. Développement d'un solveur DG-CG couplé : Une nouvelle architecture numérique qui intègre la conservation locale de masse (via DG) dans le cadre robuste d'ADCIRC (via CG).
2. Modélisation directe des inondations composées : Capacité à simuler l'interaction dynamique entre l'onde de tempête, le ruissellement fluvial et les précipitations directes dans un seul modèle cohérent.
3. Algorithme de gestion humide/sèche hybride : Une méthode robuste permettant de traiter des domaines initialement secs qui deviennent humides uniquement grâce aux précipitations, un scénario souvent problématique pour les modèles CG purs.
4. Validation à grande échelle : Intégration réussie dans le code ADCIRC existant avec des tests sur des cas réels complexes (ouragans Ike et Harvey).

4. Résultats

Les auteurs ont validé leur méthode à travers une série de tests numériques rigoureux :

• Tests de convergence (Lynch & Gray) : La méthode DG-CG montre un taux de convergence optimal (proche de 2) pour la surface libre et la vitesse, comparable aux méthodes CG pures.
• Tests de conservation (Pluie sur une colline) : Le modèle démontre une conservation de masse excellente (erreur relative de 0,07 %) lors de l'ajout d'une source de pluie constante, permettant à un domaine sec de devenir humide.
• Cas du fleuve Neches (Ouragan Harvey) :
  • Comparé au solveur CG standard, le solveur DG-CG prédit des niveaux d'eau plus élevés et plus proches des observations lors des pics de crue, en particulier en aval où l'advection est forte.
  • Le modèle CG sous-estimait systématiquement les pics, tandis que DG-CG les capturait mieux.
• Ouragan Harvey (2017) - Simulation à grande échelle :
  • L'inclusion des précipitations via le modèle paramétrique IPET a permis de reproduire le second pic d'inondation observé après le passage de l'onde de tempête.
  • Les comparaisons avec les marques de haute eau (High Water Marks) montrent une amélioration significative de la précision pour DG-CG par rapport à ADCIRC seul, confirmant l'importance de modéliser la pluie directement.
• Performance :
  • En série, le solveur DG-CG est environ 18 % plus lent que le CG pur, principalement dû aux intégrations d'arêtes et à la limitation de pente en DG.
  • En parallèle (sur le supercalculateur Frontera), le code montre une bonne scalabilité forte, bien que les échanges de données (halo exchanges) et la gestion des drapeaux humides/sèches ajoutent une surcharge par rapport au CG.

5. Signification et Perspectives

Cette étude marque une avancée significative dans la modélisation des inondations côtières et composées. En combinant la conservation locale stricte du DG avec l'efficacité du CG, les auteurs parviennent à surmonter les limitations des modèles traditionnels pour les scénarios de cyclones tropicaux où la pluie joue un rôle critique.

• Impact opérationnel : Le modèle offre un outil potentiellement supérieur pour la prévision des risques d'inondation, permettant de mieux anticiper les zones à risque lors d'événements extrêmes combinant vent, marée et pluie.
• Limitations et travaux futurs : Bien que prometteur, le schéma de gestion humide/sèche doit encore être affiné pour gérer des maillages très fins sans limiter excessivement les flux. De plus, l'extension du modèle pour inclure d'autres processus hydrologiques (infiltration, évapotranspiration, interception) est identifiée comme une étape nécessaire pour une modélisation complète du cycle de l'eau en zone côtière.

En conclusion, ce travail démontre la viabilité et l'efficacité d'une approche hybride DG-CG pour les simulations d'inondations composées, offrant un équilibre optimal entre précision physique (conservation de masse, gestion de la pluie) et coût computationnel.