Regularization operators for identifying the unknown source in the time-fractional convection-diffusion-reaction equation

Titre : Opérateurs de régularisation pour l'identification d'une source inconnue dans l'équation de convection-diffusion-réaction à dérivée fractionnaire en temps

1. Problématique

L'article aborde un problème inverse mal posé (au sens de Hadamard) : l'identification d'un terme source dépendant du temps, noté $f(t)$, dans une équation de convection-diffusion-réaction linéaire à dérivée fractionnaire en temps. L'équation gouvernante est définie sur un domaine non borné ($x > 0, t > 0$) :

$$\partial^\alpha_{0+}u(x, t) = \omega u_{xx}(x, t) - \beta u_x(x, t) - \nu u(x, t) + f(t)$$

où $\partial^\alpha_{0+}$ est la dérivée fractionnaire de Caputo d'ordre $0 < \alpha \le 1$.

Contraintes et données :

• Les conditions initiales et aux limites sont nulles.
• La solution $u(x,t)$ est bornée à l'infini.
• La donnée de mesure est prise à une position arbitraire $x_0$ et est bruitée : $y_\delta(t) = u(x_0, t) + \text{bruit}$.
• Le bruit est supposé borné dans la norme $L^2$ par un niveau $\delta$.

Le problème est mal posé car la solution ne dépend pas continûment des données : les erreurs de mesure, même infimes, sont amplifiées de manière disproportionnée par les composantes haute fréquence lors de l'inversion de l'opérateur, rendant la reconstruction directe de $f(t)$ instable et inutilisable en pratique.

2. Méthodologie

A. Résolution Analytique et Analyse de l'Instabilité
Les auteurs utilisent la transformée de Fourier par rapport au temps pour résoudre analytiquement le problème direct. Dans le domaine fréquentiel, le terme source $\hat{f}(\xi)$ est lié à la mesure $\hat{y}(\xi)$ par un opérateur inverse $\Lambda(\xi)$ :
$$\hat{f}(\xi) = \Lambda(\xi) \hat{y}(\xi)$$
L'analyse montre que l'opérateur $\Lambda(\xi)$ est non borné lorsque $|\xi| \to \infty$. Cette croissance asymptotique est la cause fondamentale de l'instabilité du problème inverse.

B. Stratégies de Régularisation
Pour stabiliser la solution, trois familles d'opérateurs de régularisation à un paramètre ($R^i_\mu$, avec $i=1, 2, 3$ et $\mu > 0$) sont proposées. Ces opérateurs agissent comme des filtres passe-bas sur l'opérateur inverse $\Lambda(\xi)$ :

1. Régularisation de type Tikhonov (ordre 2) :
   $$(R^1_\mu \hat{y})(\xi) = \frac{\Lambda(\xi)}{1 + \mu^2 \xi^2} \hat{y}(\xi)$$
2. Régularisation de type Tikhonov (ordre 4) :
   $$(R^2_\mu \hat{y})(\xi) = \frac{\Lambda(\xi)}{1 + \mu^2 \xi^4} \hat{y}(\xi)$$
3. Régularisation de type Mollification (Exponentielle) :
   $$(R^3_\mu \hat{y})(\xi) = \frac{\Lambda(\xi)}{e^{\mu^2 \xi^2/4}} \hat{y}(\xi)$$

C. Choix du Paramètre de Régularisation
Une contribution majeure est la proposition d'une règle de choix a priori pour le paramètre $\mu$. Contrairement aux méthodes classiques qui nécessitent une borne sur la norme de la source inconnue (souvent inconnue), cette règle dépend uniquement du niveau de bruit $\delta$ et d'un paramètre de régularité $p$ (lié à l'espace de Sobolev $H^p$) :
$$\mu^2 = \left( \frac{\delta}{\delta_M} \right)^{\frac{2}{p+2}}$$
où $\delta_M$ est le niveau maximal de bruit toléré.

D. Analyse d'Erreur
Les auteurs dérivent des bornes d'erreur analytiques pour chaque estimateur régularisé. Ils démontrent que l'erreur $\|f - f_{\delta, \mu}\|_{L^2}$ converge vers zéro lorsque le bruit $\delta$ tend vers zéro, avec un taux de convergence optimal dépendant de $p$.

3. Résultats Principaux

Théoriques :

• Convergence : Il est prouvé que les trois familles d'opérateurs constituent des méthodes de régularisation convergentes.
• Bornes d'erreur : Des bornes explicites sont établies, montrant que l'erreur est contrôlée par des termes de la forme $\delta^{\frac{p}{p+2}}$ ou $\delta^{\frac{2}{p+2}}$, confirmant la stabilité de la méthode.
• Indépendance de la norme source : La règle de sélection de $\mu$ ne nécessite pas la connaissance a priori de la norme de la source, ce qui est un avantage pratique significatif.

Numériques :
Des exemples numériques ont été réalisés avec deux types de sources :

1. Source discontinue : Une fonction en escalier (problème de Gibbs potentiel).
2. Source continue : Une fonction exponentielle décroissante.

Les résultats montrent que :

• Sans régularisation, la reconstruction est totalement instable et dominée par le bruit.
• Avec les trois opérateurs, la reconstruction est stable et précise.
• L'opérateur $R^1_\mu$ (dénominateur $1+\mu^2\xi^2$) a généralement fourni les meilleurs résultats avec les erreurs relatives les plus faibles parmi les trois stratégies testées.
• La méthode est robuste : l'erreur d'estimation diminue lorsque le niveau de bruit dans les données diminue.
• La méthode fonctionne même pour des sources discontinues (qui n'appartiennent pas à $H^p$ pour $p>0$), bien que la théorie formelle ne s'applique pas strictement à ce cas, démontrant la robustesse empirique de l'approche.

4. Signification et Contributions

• Extension aux équations fractionnaires : C'est l'une des premières études à appliquer des méthodes de régularisation spécifiques à l'identification de sources dans une équation de convection-diffusion-réaction à dérivée fractionnaire en temps. La plupart des travaux antérieurs se concentraient sur l'équation de diffusion pure.
• Nouvelle règle de paramétrisation : La proposition d'une règle de choix de paramètre basée uniquement sur le bruit (et non sur la norme de la solution inconnue) rend la méthode plus applicable dans des scénarios réels où les propriétés de la source sont inconnues.
• Validation comparative : L'article fournit une comparaison rigoureuse de trois familles d'opérateurs, offrant des directives pratiques pour le choix de la stratégie de régularisation la plus efficace selon le type de problème.
• Modélisation réaliste : En incluant les termes de convection ($\beta$) et de réaction ($\nu$), l'étude offre un cadre plus général pour modéliser des processus de transport complexes dans des domaines comme la physique, la biologie ou l'ingénierie, où la diffusion fractionnaire seule est insuffisante.

En conclusion, cet article établit un cadre mathématique solide et pratique pour résoudre un problème inverse instable dans un contexte de physique fractionnaire, en proposant des outils de régularisation efficaces et des garanties théoriques de convergence.