A continuous data assimilation method for a variant of Oberbeck-Boussinesq system with randomly perturbed data

Résumé Technique : Assimilation Continue de Données pour un Système d'Oberbeck–Boussinesq Stochastique

Formulation du Problème
Cet article traite du problème de l'assimilation continue de données pour une variante du système d'Oberbeck–Boussinesq (OB), qui modélise l'évolution temporelle de la vitesse $u$ et des fluctuations de température $\theta$ dans un domaine borné $Q \subset \mathbb{R}^d$ ($d=2,3$). Le système est dérivé comme une limite singulière d'un système de Navier–Stokes–Fourier faiblement stratifié. Les auteurs considèrent un scénario où la solution « observée » (l'état de référence) est soumise à des perturbations aléatoires dans les données, nécessitant un cadre stochastique.

Le principal défi mathématique consiste à synchroniser une solution « synchronisée » (un modèle de prédiction) avec la solution observée en utilisant uniquement des mesures approximatives (données interpolées) sur une période d'échantillonnage $(0, T)$. L'objectif est de récupérer l'état exact du système observé pendant une période de prédiction ultérieure $(T, T^+)$, même lorsque la bien-posée du système observé en trois dimensions ($d=3$) demeure un problème ouvert. Les auteurs travaillent sous l'hypothèse que la solution de référence est bornée dans $L^\infty$, une condition satisfaite par les solutions faibles globales en $d=2$ et supposée pour les cas physiquement pertinents en $d=3$.

Méthodologie
La méthodologie repose sur la technique de l'inégalité d'énergie relative adaptée aux équations aux dérivées partielles (EDP) stochastiques. L'approche procède selon les étapes suivantes :

1. Reformulation : Le système OB original avec des conditions aux limites non locales est reformulé en un système d'Oberbeck–Boussinesq Modifié (MOB) avec des conditions de Dirichlet homogènes. Cela implique l'introduction d'une nouvelle variable de température $\Theta$ et d'un opérateur $M$ borné et auto-adjoint.
2. Système Synchronisé Stochastique : Un système synchronisé est construit en ajoutant des termes de « nudging » (poussée) aux équations de quantité de mouvement et de chaleur. Ces termes forcent la solution synchronisée $(\tilde{u}, \tilde{\Theta})$ à tendre vers les données observées. Crucialement, les mesures sont modélisées comme contenant à la fois des erreurs déterministes et des erreurs aléatoires représentées par des processus de Wiener cylindriques ($W_u, W_\Theta$).
3. Solutions Martingales Faibles : Puisque les solutions fortes pour le système synchronisé en $d=3$ ne sont pas garanties, les auteurs définissent et utilisent le concept de solutions martingales faibles. Cela permet l'existence de solutions dans un sens probabiliste sans nécessiter la haute régularité requise pour l'unicité par trajectoire.
4. Analyse de l'Énergie Relative : L'outil analytique central est la dérivation d'une inégalité d'énergie relative. En traitant la solution observée, lisse et bornée, comme une fonction de test pour la solution martingale faible du système synchronisé, les auteurs dérivent une inégalité régissant l'évolution de la distance (dans la norme $L^2$) entre les deux solutions.
5. Interpolation et Nudging : L'analyse incorpore des opérateurs d'interpolation $I_\delta$ pour modéliser la nature discrète des mesures. Les auteurs établissent que pour des paramètres de nudging ($\Lambda$) suffisamment grands et une interpolation ($\delta$) suffisamment fine, les termes d'erreur peuvent être contrôlés.

Contributions Clés et Résultats
Le résultat principal, énoncé dans le Théorème 4.1, établit la convergence de la méthode d'assimilation continue de données. Plus précisément, l'article prouve que la valeur attendue de la distance au carré en $L^2$ entre la solution observée $(u, \Theta)$ et la solution synchronisée $(\tilde{u}, \tilde{\Theta})$ décroît exponentiellement au cours du temps, modulo l'ampleur des erreurs d'observation.

La borne d'erreur est donnée par :
$$\mathbb{E}[\|u - \tilde{u}\|^2 + \|\Theta - \tilde{\Theta}\|^2] \lesssim e^{-\gamma T} (\text{erreur initiale}) + \Lambda^2 (\text{erreur déterministe}) + \Lambda^2 (\text{variance du bruit stochastique})$$

Principaux résultats techniques :

• Indépendance Dimensionnelle : La méthode est montrée comme fonctionnelle tant pour $d=2$ que pour $d=3$. Ceci est significatif car la bien-posée du système OB en 3D est un problème ouvert majeur ; la méthode d'assimilation de données fournit un moyen de synchroniser les solutions même lorsque l'unicité de la solution de référence n'est pas pleinement établie.
• Gestion de la Stochasticité : L'article étend avec succès la méthode de l'énergie relative aux contextes stochastiques, en tenant compte des processus de Wiener cylindriques dans les termes de forçage.
• Dépendance de l'Erreur : Le taux de convergence dépend de l'ampleur du paramètre de nudging $\Lambda$ et de la résolution de l'interpolation $\delta$. Bien qu'augmenter $\Lambda$ accélère la convergence, cela amplifie également l'impact des erreurs de mesure (tant déterministes que stochastiques), nécessitant un équilibre dans la sélection des paramètres.

Signification et Revendications
L'article affirme que sa principale importance réside dans la fourniture d'un cadre mathématique rigoureux pour l'assimilation de données dans les modèles de dynamique des fluides où le système sous-jacent peut ne pas être entièrement bien posé (spécifiquement en 3D). En s'appuyant sur le caractère borné de la solution de référence plutôt que sur son unicité ou sa pleine régularité, la méthode est applicable à des scénarios physiquement pertinents en météorologie où cette hypothèse de bornitude est raisonnable.

Les auteurs soulignent que ce travail est motivé par les méthodes de fondationnelles d'assimilation de données d'Azouani, Olson et Titi, en les étendant aux systèmes d'Oberbeck–Boussinesq stochastiques. Les résultats suggèrent que l'assimilation continue de données peut récupérer efficacement l'état d'un système fluide complexe à partir de données éparses, bruitées et perturbées de manière aléatoire, à condition que l'énergie du système reste bornée. L'article ne propose pas de nouveaux dispositifs expérimentaux ou d'applications futures au-delà de la preuve de convergence mathématique, mais positionne ce résultat comme une avancée théorique pour les EDP stochastiques en mécanique des fluides.