Complex Orthogonal Decomposition (C.O.D.) using Python

Cet article présente l'application de la Décomposition Orthogonale Complexe (C.O.D.) à l'analyse de signaux spatio-temporels oscillatoires, en détaillant ses fondements mathématiques et en démontrant son efficacité via des exemples et des scripts Python pour extraire des modes spatiaux et temporels.

L'essentiel

🌊 Le "Détecteur de Vagues" : Comprendre la Décomposition Orthogonale Complexe (C.O.D.)

Imaginez que vous regardez un poisson nager ou des vagues dans une baignoire. Tout bouge, tout oscille. C'est beau, mais c'est aussi un grand chaos de mouvements. Si vous essayez de décrire ce mouvement avec les outils mathématiques classiques (comme une simple analyse de fréquence), c'est un peu comme essayer de décrire une symphonie en ne notant que le volume sonore global : vous perdez la mélodie, le rythme et la direction.

C'est là qu'intervient l'auteur de ce papier, Marc Vacher, avec une méthode appelée C.O.D. (Décomposition Orthogonale Complexe).

1. Le Problème : Le Poisson qui fait des vagues bizarres

Prenons l'exemple d'un poisson qui nage. Son corps ondule.

• L'approche classique : On pourrait penser que le poisson fait une vague simple, comme une corde de guitare qui vibre. Mais en réalité, la forme de la vague sur son corps est complexe. Elle n'est pas régulière.
• Le défi : Comment séparer le mouvement du poisson en ses "ingrédients" de base ? Quelle partie du mouvement va vers l'avant (pour avancer) et quelle partie reste sur place (une vibration inutile) ?

La méthode C.O.D. est comme un chef d'orchestre très doué. Au lieu d'entendre un bruit de fond, elle écoute chaque instrument séparément et vous dit : "Tiens, le violon (le mode 1) joue une mélodie qui avance, et la contrebasse (le mode 2) joue une vibration sur place."

2. La Magie : Transformer le réel en "Fantôme" (Le Signal Analytique)

Pour faire cela, la méthode utilise un tour de magie mathématique appelée Transformée de Hilbert.

Imaginez que vous regardez une vague réelle (ce que vous voyez avec vos yeux). C'est une ligne qui monte et descend.
La méthode C.O.D. dit : "Attends, je vais créer un 'fantôme' de cette vague."
Elle prend la vague réelle et lui ajoute une version décalée dans le temps (comme un écho qui arrive un tout petit peu plus tard).

• Résultat : Au lieu d'avoir une ligne qui oscille, vous avez maintenant une spirale ou un cercle dans l'espace imaginaire.
• Pourquoi faire ça ? Parce que sur un cercle, il est beaucoup plus facile de voir si quelque chose tourne (une onde qui voyage) ou si ça vibre juste sur place (une onde stationnaire).

3. La Séparation : Le Tri des Modes

Une fois qu'on a ces "fantômes" complexes, la méthode C.O.D. fait le tri. Elle cherche des formes de vagues qui sont orthogonales.

• Analogie : Imaginez que vous avez un sac de Lego mélangés de toutes les couleurs. La C.O.D. ne se contente pas de les compter. Elle trie les pièces par forme et par couleur, en s'assurant que chaque pile est parfaitement distincte des autres.
• Elle extrait des modes spatiaux (la forme de la vague sur le poisson ou dans l'eau) et des modes temporels (comment cette forme bouge dans le temps).

4. L'Indice de Voyage : "Est-ce que ça avance ?"

C'est la partie la plus cool du papier. La méthode calcule un petit nombre, appelé l'indice de voyage (Travelling Index), qui va de 0 à 1.

• 0 (Zéro) : C'est une vague stationnaire. Imaginez une corde de guitare pincée : elle vibre, monte et descend, mais l'énergie ne va nulle part. C'est comme un drapeau qui claque dans le vent sans avancer.
• 1 (Un) : C'est une vague qui voyage. Imaginez une vague d'océan qui arrive sur la plage. L'énergie se déplace.
• Entre 0 et 1 : C'est un mélange.

Dans l'exemple du poisson, si l'indice est proche de 1, c'est bon signe : le poisson crée une onde qui le propulse vers l'avant (efficacité de nage). Si l'indice est proche de 0, il perd de l'énergie à vibrer inutilement.

5. Les Exemples du Papier (Ce qu'ils ont testé)

Les auteurs ont testé leur méthode sur trois situations pour prouver qu'elle marche même quand c'est difficile :

1. Les vagues dans une baignoire : Ils ont mélangé deux types de vagues. La méthode a réussi à les séparer parfaitement, comme si elle avait deux oreilles distinctes pour écouter chaque fréquence.
2. Une vague qui s'éteint : Imaginez une vague qui perd de son énergie au fil du temps (comme un son qui s'arrête). La méthode a réussi à retrouver la forme de la vague même si elle devenait de plus en plus petite.
3. Une vague qui change de rythme : Imaginez une vague dont la vitesse change constamment (comme une sirène de police qui accélère). Même là, la méthode a réussi à dire : "C'est toujours la même forme de vague, c'est juste le rythme qui change."

6. Et si le sol n'est pas plat ? (Grilles non uniformes)

Enfin, le papier aborde un cas pratique : parfois, on ne peut pas mesurer l'eau ou le poisson avec des capteurs régulièrement espacés (comme si vous mesuriez la température de l'eau avec des thermomètres placés au hasard).
La méthode C.O.D. est si intelligente qu'elle peut peser les mesures. Elle comprend que certains points sont plus proches les uns des autres et ajuste son calcul pour ne pas se tromper, comme un cuisinier qui ajuste la recette si ses cuillères mesurantes sont de tailles différentes.

En résumé

Ce papier nous dit essentiellement : "Ne vous contentez pas de regarder le chaos. Utilisez la C.O.D. pour transformer le mouvement complexe en une partition claire."

C'est un outil puissant pour les scientifiques qui étudient les fluides, les poissons, les ailes d'avion ou même les battements de cœur, car il permet de voir non seulement combien ça bouge, mais comment ça bouge et où l'énergie va. Et le meilleur ? Tout cela est codé en Python, donc n'importe qui peut l'essayer !

Résumé technique

1. Problématique et Motivation

L'article aborde le défi de l'analyse de signaux spatio-temporels oscillants, notés $s(t, x)$, où la forme spatiale de l'onde est inconnue ou complexe.

• Limites des méthodes classiques : L'analyse par transformée de Fourier spatio-temporelle (2D) suppose que le signal peut être décomposé sur une base de Fourier spatiale et temporelle. Or, dans de nombreux cas physiques (ex. : nage des poissons, ondes de surface complexes), le mouvement n'est pas périodique dans l'espace de manière simple. Une décomposition de Fourier standard échoue alors à capturer efficacement la dynamique, nécessitant un grand nombre de modes pour une reconstruction précise.
• Objectif : Développer et appliquer une méthode capable d'extraire des modes spatiaux et temporels intrinsèques, même lorsque la forme spatiale est inconnue et que l'information de phase est cruciale.

2. Méthodologie : La Décomposition Orthogonale Complexe (C.O.D.)

La C.O.D. est présentée comme une extension de la Décomposition Orthogonale Proper (P.O.D.) adaptée aux signaux oscillatoires, en utilisant l'analyse de Hilbert.

A. Construction du Signal Analytique

Pour traiter la phase et l'amplitude, le signal réel $s(t, x)$ est converti en un signal analytique complexe $s_c(t, x)$ via la transformée de Hilbert dans le domaine temporel :
$$s_c(t, x) = s(t, x) + i \mathcal{H}\{s(t, x)\}$$
En pratique numérique, cela est réalisé en supprimant les fréquences négatives et en doublant les positives dans le domaine fréquentiel (via FFT).

B. Décomposition Modale

Le signal complexe est décomposé en une somme de modes séparables :
$$s_c(t, x) = \sum_{j=1}^{+\infty} a_j(t) \phi_j(x)$$
Où :

• $\phi_j(x)$ sont les modes spatiaux complexes (orthonormés).
• $a_j(t)$ sont les coefficients temporels complexes (coordonnées orthogonales complexes).

Cette décomposition est obtenue en résolvant le problème aux valeurs propres de l'opérateur de covariance spatiale (ou de la matrice de covariance temporelle dans le cas discret). Les modes sont ordonnés par énergie décroissante (valeurs propres $\lambda_j$).

C. Reconstruction du Signal Réel

Le signal physique original est récupéré en prenant la partie réelle de la somme des modes complexes :
$$s(t, x) = \Re \left[ \sum a_j(t) \phi_j(x) \right]$$
Cela permet d'exprimer le signal comme une somme de produits de fonctions réelles (temporelles et spatiales).

D. L'Indice de Propagation (Travelling Index)

Un indicateur clé introduit est l'indice de propagation $\alpha_j \in [0, 1]$, qui quantifie la nature de l'onde pour chaque mode :

• $\alpha_j = 1$ : Onde purement progressive (travelling wave). Le mode décrit une trajectoire circulaire dans le plan complexe.
• $\alpha_j = 0$ : Onde purement stationnaire (standing wave). Le mode est purement réel ou imaginaire.
  Cet indice est calculé à partir du nombre de conditionnement de la matrice formée par les parties réelle et imaginaire du mode spatial.

E. Adaptation aux Grilles Non Uniformes

L'article étend la méthode aux grilles spatiales non uniformes (fréquentes en expérimentation). Une matrice de poids $W$ (basée sur les quadratures d'intégration) est introduite dans le produit scalaire spatial et la matrice de covariance pour garantir la conservation de l'énergie et l'orthogonalité correcte.

3. Contributions Clés

1. Cadre Théorique et Numérique : Présentation complète de la C.O.D., de sa formulation continue à sa version discrète, incluant le traitement des grilles non uniformes.
2. Implémentation Python : Développement d'un package (pack_COD) et de scripts de test pour rendre la méthode accessible à la communauté scientifique et pédagogique.
3. Validation par Cas d'Usage : Démonstration de l'efficacité de la méthode sur trois types de signaux distincts :
   • Ondes stationnaires et progressives : Séparation précise de modes orthogonaux dans un réservoir d'eau.
   • Ondes amorties : Capacité à traiter des signaux non purement périodiques (décroissance exponentielle), bien que des approximations soient nécessaires pour la transformée de Hilbert de signaux amortis.
   • Ondes à fréquence modulée : Démonstration que la C.O.D. peut isoler une forme spatiale unique même si le contenu fréquentiel temporel est complexe (modulation de fréquence), contrairement à une FFT qui disperserait l'énergie.

4. Résultats Principaux

• Exemple 1 (Ondes d'eau) : La méthode a réussi à décomposer un signal composé de deux modes (n=1 et n=3) avec une précision élevée sur les amplitudes et les formes spatiales. L'indice de propagation a correctement identifié les modes stationnaires ($\alpha \approx 0$).
• Exemple 2 (Onde amortie) : La C.O.D. a récupéré un seul mode dominant correspondant à la forme spatiale sinusoïdale, malgré l'amortissement temporel. Une légère erreur spectrale a été notée due à l'approximation de la transformée de Hilbert pour les signaux à enveloppe lente, mais la structure spatiale a été parfaitement restaurée.
• Exemple 3 (Modulation de fréquence) : Pour un signal où la fréquence varie dans le temps mais dont la forme spatiale reste fixe (cubique), la C.O.D. a identifié un unique mode spatial. Cela prouve que la méthode est robuste face à la complexité spectrale temporelle tant que la structure spatiale est cohérente.
• Grilles Non Uniformes : La version pondérée de l'algorithme a permis de traiter des données sur des grilles irrégulières (nœuds de Tchebychev) sans perte de précision significative par rapport au cas uniforme.

5. Signification et Impact

Cet article fournit un outil puissant pour l'analyse de données en mécanique des fluides et en dynamique des structures.

• Avantage par rapport à la POD classique : La C.O.D. préserve l'information de phase grâce à l'usage du signal analytique, ce qui est essentiel pour distinguer les ondes progressives des ondes stationnaires, une distinction que la POD réelle standard ne fait pas toujours clairement.
• Utilité pour la recherche : La méthode permet d'identifier des modes physiques cachés dans des signaux complexes (comme le mouvement de nage des poissons ou les vibrations de structures) sans hypothèse a priori sur la forme spatiale.
• Accessibilité : La mise à disposition du code Python et des exemples pédagogiques facilite l'adoption de cette technique par les chercheurs et les étudiants, comblant un vide entre la théorie mathématique et l'application pratique.

En résumé, la C.O.D. se positionne comme une méthode de choix pour l'analyse de signaux oscillatoires spatio-temporels, offrant une séparation robuste des modes et une interprétation physique directe via l'indice de propagation.