Calculation methods applied to chemistry

The Microsoft Azure Notebooks environment can be used to execute sample codes, using a professionnal, personnal or student login/account (i.e. student login from UMONS). The following public sample notebooks are then available to test Jupyter text and coding features :
  • Python scientific libraries (official websites including tutorials and documentation)
  • cf. this (french)
  • Matplotlib (scientific graphs)
  • NumPy (array manipulations, linear algebra, Fourier transforms, random numbers,…
  • SciPy numerical methods (integrations, ODE, PDE,…)
  • SymPy symbolis maths
  • Pandas, data analysis
  • Pylab, combine Matplotlib, NumPy and SciPy
  • Scikit-learn, machine learning
Learning outcomes :
  • Systems of linear equations
    • failing of the theoretical way to solve a linear system using determinant and cofactors (np complexity)
    • triangularisation and diagonalisation principles : algorithm and complexity
    • “divide by zero” errors and pivot solutions
    • extension towards the matrix inversion
    • lower-upper LU decomposition and complexity (N³ for the decomposition step and N² for substitution step). How to solve systems with varying independant vectors
    • special matrix require special algorithms : tridiagonal matrix algorithm (Thomas algorithm)
  • Root findings
    • Bisection method (dichotomy) : simple and robust algorithm, invariant loop, slow convergence
    • iterative transformation x = f(x), convergence and divergence situations
    • secant and regula falsi methods, Convergence Criterion of the Fixed Point Method
    • Newton-Raphson method (use of derivatives), quadratic convergence, failure, tolerance and stop condition
    • Van Wijngaardeb-Dekker-Brent method (“black box” in numerical packages)
    • Roots of polynomials and Bairstow's method
  • Numerical intégration
    • Equally Spaced methods (trapezoidal, Simpson), accuracy, error dependance,…
    • Gaussian Quadratures and orthogonal polynomials (special integrals, scale transformations, error estimates,…)

Ordinary_differential_equations (ODE)

Numerical solutions of ODE

  • principe de discrétisation, méthode d'Euler
  • Améliorations et méthodes de Runge-Kutta
  • Runge-Kutta d'ordre 4
  • Contrôle du pas d'intégration
  • Méthodes predictor-corrector
  • Méthodes d'extrapolation (Richardson, Burlish-Stoer)
  • applications :
    • équations de cinétique chimique
    • Équation logistique
    • Réactions chimiques oscillantes : Belousov-Zhabotinsky, Brusselator, Oregonator
    • Modèle proie-prédateur
    • Attracteur étrange, modèle atmosphérique de Lorenz

Partial_differential_equations (PDE)

Numerical solutions of PDE

  • Domaine d'application des équations : équation de diffusion, équation d'ondes, équations de Navier-Stokes
  • Types de traitements numériques
  • Différences finies et problèmes de diffusion
  • Schémas classiques de différences finies
    • Résolutions stationnaires
    • Résolutions dépendantes du temps
  • Méthodes explicites, critère de (ou d'in)stabilités et méthodes implicites

Eigenvalues and eigenvectors

Eigenvalues and eigenvectors

applications à des problèmes de relaxation et de population, analyse de modes normaux de vibration, PCA (principal component analysis),…

Non-linear systems of equations

  • Newton-Raphson method

Linear and non-linear least squares approximations

Chebyshev approximation

Molecules modelisation and visualization

Minimization

Conformational problems


  • Bioinformatics and related algorithm (biochemistry, mass spectrometry,…)
  • Chemistry
    • quantum calculations, optimization, molecular mechanics
    • visualization, virtual reality
    • chemical informations on structures and reactions
  • Data science, statistics (Python modules : Scipy, Pandas,…)
    • Time series analysis
    • Machine learning (Scikit-learn,…)
  • Data visualization
    • boxplot, 3D, animations, graphs,…
  • Sensors and interfaces, Arduino, Raspberry Pi, IoT
  • Simulations
    • Agent base modelling and complex systems
    • cellular automaton
    • Simpy, active matter simulations…
  • Digital image processing, image recognition
    • particle tracking,…
    • Voronoi diagrams, Delaunay triangulation,… (ref1)

(Méthodes de calcul appliqué à la chimie)

  • Learning outcomes teaching unit (UE):
    • Apply standard numerical methods or existing software to solve numerical problems related to scientific research activities
    • Be active in the search for existing numerical methods adapted to problems encountered by chemists
  • Content of the UE:
    • widespread methods : linear systems, numerical integration, root findings
    • Ordinary differential equations (numerical solutions, kinetic applications,…)
    • Partial differential equations (finite differences, diffusion problems)
    • Nonlinear systems of equations (Newton-Raphson method)
    • Eigenvalues eignevectors problems ​​(applications to relaxation and population problems)
    • Approximation by linear and non-linear least squares methods (maximum likelihood, application to deconvolution)
    • Chebyshev approximation
    • Molecular modeling and visualization
    • Minimization and conformational problems
  • Prerequisite skills
    • Basic knowledge of a programming language
    • Basics of Mathematics
  • Exercises and applications: codes written in or mainly written in Python, with the general libraries matplotlib, numpy, scipy, pandas as well as other specialized libraries, especially in chemistry
  • Types of evaluations: Oral examination based on an in-depth study on one of the chapters of the course or an additional theme
  • Acquis d'apprentissage UE :
    • Appliquer des méthodes numériques standards ou des logiciels existant pour résoudre des problèmes fondamentaux ou annexes, liés à des activités de recherche scientifique
    • Être actif dans la recherche de méthodes de résolution numérique existantes et adaptées à des problèmes auxquels les chimistes sont confrontés
  • Contenu de l'UE :
    • Équations différentielles ordinaires (résolutions numériques et applications cinétiques)
    • Équations aux dérivées partielles (différences finies, problèmes de diffusion)
    • Systèmes d’équations non linéaires (méthode de Newton-Raphson)
    • Problèmes aux valeurs propres (applications à des problèmes de relaxation et de population)
    • Approximation par moindre carrés linéaires et non-linéaires (application à la déconvolution)
    • Approximation de Tchébyshev
    • Modélisation et visualisation de molécules
    • Minimisation et problèmes conformationnels
  • Compétences préalables
    • Connaissance de base d'un langage de programmation
    • Bases des mathématiques
  • Exercices et applications : codes écrits ou à écrire principalement en Python, avec les librairies générales matplotlib, numpy et scipy, ainsi que d'autres librairies spécialisées, notamment en chimie
  • Types d'évaluations : Examen oral sur base d'un travail approfondi sur un des chapitres du cours ou un thème additionnel

Équations différentielles ordinaires

Résolutions numériques des ODE

  • principe de discrétisation, méthode d'Euler
  • Améliorations et méthodes de Runge-Kutta
  • Runge-Kutta d'ordre 4
  • Contrôle du pas d'intégration
  • Méthodes predictor-corrector
  • Méthodes d'extrapolation (Richardson, Burlish-Stoer)
  • applications :
    • équations de cinétique chimique
    • Équation logistique
    • Réactions chimiques oscillantes : Belousov-Zhabotinsky, Brusselator, Oregonator
    • Modèle proie-prédateur
    • Attracteur étrange, modèle atmosphérique de Lorenz

Équations aux dérivées partielles

Résolutions numériques des équations aux dérivées partielles

  • Domaine d'application des équations : équation de diffusion, équation d'ondes, équations de Navier-Stokes
  • Types de traitements numériques
  • Différences finies et problèmes de diffusion
  • Schémas classiques de différences finies
    • Résolutions stationnaires
    • Résolutions dépendantes du temps
  • Méthodes explicites, critère de (ou d'in)stabilités et méthodes implicites

Problèmes aux valeurs propres

Valeurs propres et vecteurs propres

applications à des problèmes de relaxation et de population, analyse de modes normaux de vibration, PCA (principal component analysis),…

Systèmes d’équations non linéaires

Méthode de Newton-Raphson

Approximation par moindre carrés linéaires et non-linéaires

application à la déconvolution

Approximations de Tchébyshev

Modélisation et visualisation de molécules

Minimisation

problèmes conformationnels


  • Bioinformatique et algorithmes spécifiques
  • Chimie
    • calculs quantiques, de minimisation, de mécanique moléculaire
    • représentations
  • Data science, statistiques (librairie Python Pandas,…)
    • Time series analysis
    • Machine learning (Scikit-learn,…)
  • Data visualization
    • boxplot, 3D, animations, graphes,…
  • Senseurs et interfaçage, Arduino, Raspberry Pi, IoT
  • Simulations
    • Agent base modelling et systèmes complexes
    • Automates cellulaires
    • Simpy,…
  • Traitement d'image
    • particle tracking,…
Ce site web utilise des cookies. En utilisant le site Web, vous acceptez le stockage de cookies sur votre ordinateur. Vous reconnaissez également que vous avez lu et compris notre politique de confidentialité. Si vous n'êtes pas d'accord, quittez le site.En savoir plus
  • teaching/methcalchim/start.txt
  • Dernière modification : 2023/04/12 10:08
  • de villersd