A backward problem for the time-fractional pseudo-parabolic equation with a variable coefficient

1. Problématique

L'article traite d'un problème inverse rétrograde (backward-in-time problem) pour une équation pseudo-parabolique à dérivée fractionnaire en temps avec un coefficient variable. L'objectif est de reconstruire l'état initial inconnu $u_0(x) = u(x, 0)$ à partir d'une observation de l'état final $\psi(x) = u(x, T)$ et d'un terme source connu $f(x, t)$.

L'équation modèle est donnée par :
$$\partial_t^\alpha u(x, t) - u_{xx}(x, t) - \mu(t) u_{xxt}(x, t) = f(x, t),$$
définie sur $(x, t) \in (0, l) \times (0, T)$, avec :

• $\partial_t^\alpha$ : Dérivée fractionnaire de Caputo d'ordre $\alpha \in (0, 1)$.
• $\mu(t)$ : Coefficient pseudo-parabolique dépendant du temps (supposé strictement positif et continu).
• Conditions aux limites de Dirichlet : $u(0, t) = u(l, t) = 0$.
• Condition finale : $u(x, T) = \psi(x)$.

Ce type de problème modélise des phénomènes de transport anormal avec effets de mémoire et de relaxation, pertinents en ingénierie (filtration, écoulements en milieux poreux, etc.). Le problème est mal posé (ill-posed) au sens de Hadamard, car la reconstruction de l'état initial à partir de l'état final est instable face aux petites perturbations des données.

2. Méthodologie

L'approche proposée combine une analyse théorique rigoureuse et une stratégie numérique discrète.

A. Analyse Théorique (Existence et Unicité)

• Décomposition spectrale : Les auteurs utilisent les fonctions propres de l'opérateur spatial ($e_k(x) = \sin(k\pi x/l)$) pour transformer l'équation aux dérivées partielles en une série d'équations différentielles fractionnaires ordinaires pour les coefficients de Fourier $u_k(t)$.
• Réduction aux équations de Volterra : En utilisant la définition de la dérivée de Caputo, chaque mode temporel est réduit à une équation intégrale de Volterra de deuxième espèce.
• Preuve d'existence et d'unicité : En exploitant la théorie des équations de Volterra et en prouvant la positivité stricte d'un noyau résolvant $A_k(T)$, les auteurs démontrent l'existence d'une solution classique unique et fournissent une formule explicite pour la reconstruction de l'état initial.
• Estimation de stabilité : Une estimation de continuité est établie, montrant que la solution dépend continûment des données (mesure finale et source), bien que le problème reste numériquement instable sans régularisation.

B. Discrétisation Numérique (Problème Direct)

Pour résoudre le problème direct (simulation de l'évolution temporelle), les auteurs proposent un schéma aux différences finies :

• Espace : Différences finies centrées d'ordre 2 pour les dérivées spatiales ($u_{xx}$).
• Temps : Approximation de type L1 sur un maillage temporel gradé (graded mesh) pour gérer la singularité de la dérivée fractionnaire près de $t=0$.
• Traitement du terme pseudo-parabolique : Le terme $u_{xxt}$ est discrétisé par une différence arrière en temps.
• Résolution : À chaque pas de temps, le système résulte en un système linéaire tridiagonal résolu efficacement par l'algorithme de Thomas.
• Analyse : Une preuve de stabilité inconditionnelle et de convergence est fournie, avec des taux de convergence optimaux sous des hypothèses de régularité adaptées.

C. Reconstruction Inverse (Problème Inverse)

• Opérateur direct discret : L'application qui mappe l'état initial vers l'état final est notée $S_h$. Le problème inverse devient la résolution du système linéaire $F_h u_{0,h} = d_h$, où $F_h$ est la partie homogène de l'opérateur et $d_h$ est la donnée finale corrigée par le terme source.
• Régularisation de Tikhonov : Pour contrer l'ill-conditionnement sévère du problème inverse, une régularisation de Tikhonov d'ordre zéro est appliquée. La solution est obtenue en minimisant la fonctionnelle :
  $$J_\lambda(u_{0,h}) = \frac{1}{2} \| F_h u_{0,h} - d_h \|_2^2 + \frac{\lambda}{2} \| u_{0,h} \|_2^2$$
  où $\lambda$ est le paramètre de régularisation.
• Algorithme : La matrice $F_h$ est construite colonne par colonne en résolvant le problème direct pour des conditions initiales de base (réponses impulsionnelles).

3. Résultats Principaux

• Validation sans bruit : Des simulations numériques montrent que le schéma direct converge avec les taux théoriques attendus ($O(h^2 + \tau + M^{-\min\{2-\alpha, r\alpha\}})$). La reconstruction de l'état initial sans bruit est très précise, avec des erreurs de l'ordre de $10^{-3}$ à $10^{-4}$ selon la finesse du maillage.
• Robustesse au bruit : L'algorithme a été testé avec des données finales bruitées (bruit gaussien additif de niveaux 1%, 3% et 5%).
  • Les erreurs de reconstruction augmentent de manière proportionnelle et contrôlée avec le niveau de bruit, confirmant la stabilité de la régularisation de Tikhonov.
  • Pour un bruit de 1%, l'erreur relative sur l'état initial reste faible (environ 3-4% en norme $L^2$).
  • La forme globale de l'état initial est bien préservée même avec un bruit modéré, sans oscillations parasites excessives.
• Impact de l'ordre fractionnaire : Les résultats indiquent que la précision de la reconstruction n'est pas excessivement sensible à la valeur de l'ordre fractionnaire $\alpha$, tant que la régularisation est bien calibrée.

4. Contributions Clés

1. Analyse théorique complète : Première étude combinant existence, unicité et estimations de stabilité pour un problème rétrograde d'équation pseudo-parabolique fractionnaire avec coefficient variable.
2. Schéma numérique robuste : Développement d'un schéma aux différences finies stable et convergent sur des maillages gradués, adapté à la singularité temporelle des solutions fractionnaires.
3. Méthode de reconstruction efficace : Intégration réussie d'un solveur direct fractionnaire avec une régularisation de Tikhonov pour résoudre le problème inverse, validée par des tests numériques exhaustifs.

5. Signification et Perspectives

Ce travail comble un vide dans la littérature concernant les problèmes inverses pour les équations pseudo-paraboliques fractionnaires, un modèle crucial pour décrire des phénomènes physiques complexes avec mémoire. La méthodologie proposée offre un cadre théorique et numérique solide pour la reconstruction d'états initiaux dans des contextes où les données sont bruitées.

Les auteurs suggèrent que des travaux futurs pourraient étendre ce cadre à des domaines multidimensionnels ou à des termes sources non linéaires, où l'interaction entre les effets de mémoire et la non-linéarité posera de nouveaux défis analytiques et numériques.