Alleviating missing boundary conditions in elliptic partial differential equations using interior point measurements

1. Problématique et Contexte

Le papier aborde un problème de récupération optimale (optimal recovery) pour l'équation de Poisson :
$$-\Delta u = f \quad \text{dans } \Omega$$
où $\Omega \subset \mathbb{R}^n$ ($n=2,3$) est un domaine borné.

Le défi principal : Les données de Dirichlet à la frontière ($u = g$ sur $\partial\Omega$) sont inconnues. Le terme source $f$ est connu, mais l'impossibilité de mesurer la frontière empêche la détermination unique de la solution $u$. Ce scénario est motivé par des applications en dynamique des fluides, ingénierie éolienne et conduction thermique inverse.

L'approche proposée : Pour compenser le manque d'information à la frontière, l'article suppose la disponibilité d'un nombre fini $m$ de mesures ponctuelles de la solution $u$ à l'intérieur du domaine $\Omega$ (en des points $x_i \in \Omega$). L'objectif est de reconstruire la « meilleure » approximation possible de $u$ (au sens de la théorie de l'apprentissage optimal) en utilisant ces mesures internes et en supposant que la donnée frontière inconnue $g$ appartient à un ensemble compact défini par une norme de Sobolev $H^s(\partial\Omega)$.

2. Méthodologie

La méthode repose sur une décomposition de la solution $u = u_0 + u_H$, où $u_0$ est la solution avec des conditions aux limites nulles (déterminée par $f$) et $u_H$ est une fonction harmonique représentant l'incertitude liée aux conditions aux limites.

A. Cadre Théorique : Récupération Optimale

Le problème est formulé comme la recherche d'un centre de Chebyshev dans un espace de Banach $X$ (tel que $H^1(\Omega)$, $L^\infty(\Omega)$, ou $L^\infty(\Omega_d)$).

• L'objectif est de trouver $u^*$ minimisant l'erreur maximale sur l'ensemble des solutions compatibles avec les mesures.
• La solution optimale pour la partie harmonique $u_H$ est l'interpolant de norme minimale dans l'espace de Hilbert $H^s(\Omega)$ (fonctions harmoniques avec traces dans $H^s(\partial\Omega)$).
• Cet interpolant s'exprime comme une combinaison linéaire de représentants de Riesz $\phi_i$ associés aux fonctionnelles de mesure $\lambda_i(v) = v(x_i)$.

B. Innovation Clé : Mesures Intérieures vs Frontières

Contrairement à un travail antérieur ([10]) où les points de mesure pouvaient être n'importe où dans $\bar{\Omega}$, cet article impose que les points de mesure $x_i$ soient strictement à l'intérieur d'un sous-domaine $\Omega_d = \{x \in \Omega : \text{dist}(x, \partial\Omega) > d\}$.

• Avantage : Cela réduit les exigences de régularité sur la solution. Si les points sont sur la frontière, les représentants de Riesz deviennent des fonctions de Green avec une régularité limitée (dépendant de la géométrie des coins). À l'intérieur, la régularité est limitée uniquement par la régularité de la frontière $\Gamma$.
• Conséquence : Cela permet d'utiliser des paramètres $s$ plus petits ($1/2 < s < 3/2$) indépendamment de la dimension $n$, ce qui n'était pas possible dans le cas frontalier pour $n=3$.

C. Algorithme Numérique (Éléments Finis)

L'algorithme propose une approximation par éléments finis des représentants de Riesz :

1. Décomposition : Calcul de $u_0$ et des mesures modifiées $\tilde{\omega}_i = \omega_i - u_0(x_i)$.
2. Approximation des Représentants de Riesz : Résolution d'un problème variationnel sur la frontière pour trouver $\psi_i \in H^s(\Gamma)$ tel que $\langle \psi_i, v \rangle_{H^s(\Gamma)} = \lambda_i(Ev)$, où $E$ est l'opérateur d'extension harmonique.
3. Discrétisation : Utilisation d'espaces d'éléments finis continus par morceaux ($V_h$) et d'opérateurs de projection de Scott-Zhang pour approximer les représentants $\phi_i$.
4. Reconstruction : Calcul des coefficients $U_i$ via un système linéaire impliquant la matrice d'observation et reconstruction de $u^*_h = u_{0,h} + \sum U_i \phi_{i,h}$.

3. Résultats Principaux et Contributions

A. Estimations d'Erreur Ponctuelles et $H^1$

Les auteurs dérivent de nouvelles estimations d'erreur pour les représentants de Riesz $\phi$ et leurs approximations $\phi_h$.

• Dépendance en $d$ : Les erreurs sont explicitement bornées par des puissances négatives de la distance $d$ entre les points de mesure et la frontière.
• Ordres de convergence :
  • Pour $u \in L^\infty(\Omega_d)$ : L'erreur est de l'ordre de $O(d^{-n} h^{2-\epsilon} + d^{-n} h^{4-2s})$.
  • Pour $u \in H^1(\Omega)$ : L'erreur est de l'ordre de $O(d^{-n/2} h^{1-\epsilon})$.
• Comparaison avec [10] : Les taux de convergence en $h$ sont supérieurs lorsque les points sont intérieurs ($x_i \in \Omega_d$) par rapport au cas où ils peuvent être sur la frontière, surtout pour $s < 3/2$. Cependant, ces gains sont compensés par des facteurs $d^{-k}$ qui deviennent problématiques si $d$ n'est pas suffisamment résolu par le maillage ($d \gg h$).

B. Validité pour des Domaines Non Convexes et Polynomiaux

L'analyse prend en compte la régularité des solutions sur des domaines polyédriques (non convexes).

• L'article établit que même si la régularité globale est limitée par les singularités aux coins/aretes, la régularité faciale (sur chaque face du polyèdre) permet d'obtenir des taux de convergence élevés pour les éléments finis, à condition que les points de mesure soient intérieurs.
• Des résultats sont fournis pour les cas $X = H^1(\Omega)$, $X = L^\infty(\Omega)$ et $X = L^\infty(\Omega_d)$.

C. Résultats Numériques

Les simulations numériques valident les théorèmes :

1. Convergence optimale : Sur un disque (domaine lisse), on observe des taux de convergence optimaux $O(h^{\zeta+1})$ en $L^\infty$ et $O(h^\zeta)$ en $H^1$ pour des éléments de degré $\zeta$.
2. Impact de la régularité du domaine : Sur un domaine en L (singularité de coin), les taux de convergence sont limités par la singularité ($h^{2/3}$), confirmant la théorie.
3. Dégradation près de la frontière : Les expériences montrent que l'erreur augmente lorsque $d \to 0$, confirmant la dépendance négative en $d$ prédite par les estimations théoriques.
4. Récupération de la solution : L'algorithme de récupération reconstruit efficacement la fonction harmonique inconnue, avec des erreurs diminuant à mesure que le nombre de points de mesure augmente.

4. Signification et Impact

Ce travail apporte plusieurs contributions majeures au domaine de l'analyse numérique et de l'apprentissage automatique pour les EDP :

1. Relâchement des hypothèses de régularité : En déplaçant les capteurs à l'intérieur du domaine, l'article permet d'utiliser des espaces de régularité plus faibles ($s < 3/2$) et de traiter des problèmes en 3D où les méthodes précédentes échouaient ou nécessitaient des hypothèses trop restrictives.
2. Analyse fine de l'erreur : La dérivation d'estimations d'erreur explicites en fonction de la distance $d$ fournit des directives pratiques pour le placement des capteurs : il faut un compromis entre la proximité des capteurs à la frontière (pour réduire l'erreur de modèle) et la résolution du maillage (pour contrôler le facteur $d^{-n}$).
3. Généralisation aux espaces non hilbertiens : L'analyse s'étend aux normes $L^\infty$, ce qui est crucial pour les applications où le contrôle de l'erreur maximale est prioritaire, contrairement aux approches classiques basées sur l'énergie ($L^2$ ou $H^1$).
4. Robustesse algorithmique : La proposition d'un algorithme basé sur des représentants de Riesz approximatifs, couplé à une régularisation (truncation des valeurs singulières), offre une méthode pratique et stable pour résoudre des problèmes inverses mal posés.

En résumé, ce papier démontre que l'utilisation stratégique de mesures intérieures permet de surmonter les limitations de régularité des méthodes précédentes pour la récupération de solutions d'EDP elliptiques avec conditions aux limites inconnues, offrant des taux de convergence théoriques et numériques améliorés.