fix: warning for too short underline

diff --git a/doc/tutorial/medcouplingmultiproc_fr.rst b/doc/tutorial/medcouplingmultiproc_fr.rst
index 91550150fca0f342639be56f72a2af40741b35d8..9804e0604b50411bc4054fec22dc4234e3f86b67 100644 (file)
--- a/doc/tutorial/medcouplingmultiproc_fr.rst
+++ b/doc/tutorial/medcouplingmultiproc_fr.rst
@@ -1,6 +1,6 @@
 
 MEDCoupling,  multiprocessing
-----------------------------
+-----------------------------
 
 Cet exercice fait la supposition de Numpy Scipy sont correctement maîtrisés, sinon voir :ref:`medcouplingnumpyptr`.
 On va faire simuler un traitement un peu long (ici l'interpolation d'un maillage de 64000 cells avec un autre de 64000 cells).
@@ -20,7 +20,7 @@ et ``datetime`` pour chronométrer : ::
        from scipy.sparse import csr_matrix
 
 Créer un maillage cartésien régulier 3D avec 40 cells en X, Y et Z
-~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
+~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 Créons un maillage cartésien 3D m de pas régulier entre 0. et 1. en X, Y et Z : ::
 
        nbCells=40
@@ -39,7 +39,7 @@ Créer une copie m2 de m translatée de la moitié du pas en X, Y et Z ::
        m2.translate(t.getValues())
 
 Calculer séquentiellement la matrice d'interpolation M de la projection entre m et m2 en P0P0
-~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
+~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 m sera considéré comme le maillage source et m2 sera considéré comme le maillage cible.
 Profitons en pour chronométrer le temps necessaire pour le traitement séquentiel.
@@ -54,7 +54,7 @@ Stockons la sparse matrix scipy dans ``matSeq``. ::
 
        matSeq=remap.getCrudeCSRMatrix()
 
-Calculer cette même matrice M en parallèle avec multiprocessing.
+Calculer cette même matrice M en parallèle avec multiprocessing
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 Commencons par récupérer le nombre de coeur de notre machine. ::