Mathematical analysis and symmetric fractional-order reduction method for diffusion-wave equations

यहाँ शोध पत्र "Mathematical analysis and symmetric fractional-order reduction method for diffusion-wave equations" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र $\alpha \in (1, 2)$ के क्रम वाली समय-आंशिक प्रसार-तरंग समीकरणों (time-fractional diffusion-wave equations, जिन्हें आंशिक तरंग समीकरण भी कहा जाता है) के संख्यात्मक समाधान को संबोधित करता है:
$$\partial_t^\alpha u - u_{xx} = g(x, t), \quad (x, t) \in \Omega \times (0, T)$$
जहाँ प्रारंभिक स्थितियाँ $u(x,0)=a_0(x)$, $\partial_t u(x,0)=a_1(x)$, और होमोजेनियस डिरिचलेट सीमा स्थितियाँ (homogeneous Dirichlet boundary conditions) दी गई हैं।

मुख्य चुनौतियाँ:

• निम्न नियमितता (Low Regularity): समाधान अक्सर $t=0$ के पास कमजोर विलक्षणता (weak singularities) प्रदर्शित करते हैं, विशेष रूप से तब जब प्रारंभिक वेग $a_1(x)$ में पर्याप्त सुगमता (smoothness) की कमी हो (जैसे, $a_1(x) \notin C^2(\Omega)$) या जब स्रोत पद (source term) $g(x,t)$ विलक्षण हो।
• मानक न्यूनीकरण की सीमाएँ (Limitations of Standard Reduction): पारंपरिक क्रम न्यूनीकरण विधियाँ (जैसे $v = u_t$ को पेश करना) अक्सर यह मांग करती हैं कि $a_1(x)$ पर्याप्त रूप से सुगम हो (जैसे $C^2$), ताकि $\Delta a_1(x)$ जैसे पदों को परिभाषित किया जा सके, जो विच्छिन्न (discontinuous) या निम्न-नियमितता वाले प्रारंभिक डेटा वाले समस्याओं के अनुप्रयोग को सीमित करता है।
• समान जाल (Uniform Meshes): $t=0$ पर विलक्षणता वाले समाधानों के लिए समान टेम्पोरल ग्रिड पर मानक संख्यात्मक योजनाएँ इष्टतम अभिसरण दर (optimal convergence rates) प्राप्त करने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक सममित आंशिक-क्रम न्यूनीकरण (Symmetric Fractional-Order Reduction - SFOR) विधि प्रस्तावित करते हैं जिसे असमान टेम्पोरल मेष (nonuniform temporal meshes/graded meshes) और L-प्रकार के विविक्तीकरण (L-type discretization) स्कीम्स के साथ जोड़ा गया है।

A. सममित आंशिक-क्रम न्यूनीकरण (SFOR)

मानक न्यूनीकरण $v = \partial_t u$ के बजाय, लेखक लेम्मा 1.1 पर आधारित एक अपघटन (decomposition) का उपयोग करते हैं:
$$\partial_t^\alpha u(t) = \partial_t^{\alpha/2} (\partial_t^{\alpha/2} u(t)) - u'(0)\omega_{2-\alpha}(t)$$
जहाँ $\omega_\beta(t) = t^{\beta-1}/\Gamma(\beta)$ है। यह दो तुल्य पुनर्गठित प्रणालियों (reformulated systems) की ओर ले जाता है:

1. मॉडल (1.4): एक सहायक चर $v = \partial_t^{\alpha/2} u$ को पेश करता है।
   $$\partial_t^{\beta} v - u_{xx} = a_1(x)\omega_{2-\alpha}(t) + g(x, t)$$
   नोट: यह मॉडल विलक्षण स्रोत पद $a_1(x)\omega_{2-\alpha}(t)$ को बनाए रखता है लेकिन $\Delta a_1(x)$ की आवश्यकता को समाप्त करता है।

2. मॉडल (1.5): एक संशोधित सहायक चर $z = \partial_t^{\beta} u - [a_1(x) + \Gamma(2-\alpha)f(x)]\omega_{2-\alpha/2}(t)$ को पेश करता है।
   $$\partial_t^{\beta} z - u_{xx} = 0$$
   नोट: यह मॉडल विलक्षणता को $z$ की परिभाषा में समाहित कर लेता है, जिससे एक होमोजेनियस समीकरण प्राप्त होता है, बशर्ते $\nabla a_1(x)$ अस्तित्व में हो।

ये सूत्रकरण (formulations) विधि को उन मामलों को संभालने की अनुमति देते हैं जहाँ $a_1(x)$ की नियमितता कमजोर है (जैसे, $a_1 \in L^2$ या $H^1$), जो पिछली विधियों की तुलना में अधिक सुगम है जिनमें $a_1 \in C^2$ की आवश्यकता थी।

B. संख्यात्मक विविक्तीकरण (Numerical Discretization)

लेखक असमान श्रेणीबद्ध मेष (nonuniform graded meshes) पर दो शास्त्रीय योजनाओं को लागू करते हैं जो $t_k = T(k/N)^r$ ($r \ge 1$) द्वारा परिभाषित हैं:

• L1 स्कीम: प्रथम-क्रम सन्निकटन ($\theta = 0$)।
• L2-1$\sigma$ स्कीम: द्वितीय-क्रम सन्निकटन ($\theta = \beta/2 = \alpha/4$)।

विविक्त कैपूटो डेरिवेटिव (discrete Caputo derivative) को डिस्क्रीट कर्नेल $A^{(n)}_{n-k}$ के साथ कनवल्शन योगों (convolution sums) का उपयोग करके सन्निकट किया जाता है। शोध पत्र असमान ग्रिडों पर इन कर्नेल की धनात्मकता (positivity) और एकदिष्टता (monotonicity) का कठोरता से विश्लेषण करता है ताकि स्थिरता सुनिश्चित की जा सके।

3. मुख्य योगदान (Key Contributions)

1. निम्न नियमितता के लिए SFOR का विस्तार: यह शोध पत्र SFOR विधि को उन मामलों तक विस्तारित करता है जहाँ प्रारंभिक वेग $a_1(x)$, $C^2(\Omega)$ में नहीं है। यह प्रदर्शित करता है कि मॉडल (1.4) और (1.5), मानक न्यूनीकरण (मॉडल 1.6) की तुलना में संख्यात्मक रूप से बेहतर हैं जब $a_1(x)$ विच्छिन्न या सीमित सुगमता वाला हो, क्योंकि उन्हें $\Delta a_1(x)$ की गणना की आवश्यकता नहीं होती है।
2. इष्टतम मेष ग्रेडिंग पैरामीटर: लेखक समाधान की विशिष्ट नियमितता और चुनी गई योजना के आधार पर इष्टतम मेष ग्रेडिंग पैरामीटर ($r$) व्युत्पन्न करते हैं:
   • मॉडल (1.4) के लिए L1 स्कीम: $r = \frac{4-\alpha}{2-\alpha}$।
   • मॉडल (1.5) के लिए L1 स्कीम: $r = \max\{\frac{4-\alpha}{\alpha}, 2\}$।
   • मॉडल (1.4) के लिए L2-1$\sigma$ स्कीम: $r = \frac{4}{2-\alpha}$।
   • मॉडल (1.5) के लिए L2-1$\sigma$ स्कीम: $r = \max\{\frac{4}{\alpha}, \frac{8}{4-\alpha}\}$।
3. कठोर नियमितता और स्थिरता विश्लेषण:
   • $a_1(x)$ के विभिन्न नियमितता अनुमानों के तहत मॉडल (1.4), (1.5), और (1.6) के लिए स्थिरता अनुमान सिद्ध किए गए।
   • सोबोलेव स्पेस $D((-\Delta)^\gamma)$ में समाधान $u$ और सहायक चरों $v, z$ के लिए विस्तृत नियमितता सिद्धांत स्थापित किया गया, जो यह दर्शाता है कि विलक्षणता की तीव्रता प्रारंभिक डेटा की सुगमता पर कैसे निर्भर करती है।
4. अप्रतिबंधित अभिसरण (Unconditional Convergence): विच्छिन्न प्रारंभिक डेटा के लिए भी $H^1(\Omega)$ और $L^2(\Omega)$ नॉर्म्स में दोनों L1 और L2-1$\sigma$ स्कीमों के लिए अप्रतिबंधित अभिसरण प्रमाण प्रदान किए गए।

4. परिणाम (Results)

• सैद्धांतिक अभिसरण दरें (Theoretical Convergence Rates):

  • L1 स्कीम $H^1$ नॉर्म में $O(N^{-\min\{r(1-\beta), 2-\beta\}})$ की इष्टतम अभिसरण दर प्राप्त करती है। इष्टतम $r$ के साथ, यह अपेक्षित क्रम (जैसे, $2-\beta$) को पुनः प्राप्त करती है।
  • L2-1$\sigma$ स्कीम $H^1$ नॉर्म में $O(N^{-\min\{r(1-\beta), 2\}})$ (प्रभावी रूप से द्वितीय-क्रम) की इष्टतम अभिसरण दर प्राप्त करती है जब मेष पैरामीटर $r$ को सही ढंग से चुना जाता है।
  • जब $a_1(x)$ विच्छिन्न होता है, तो $L^2$ नॉर्म के लिए समान इष्टतम दरें प्राप्त की गईं।

• संख्यात्मक प्रयोग (Numerical Experiments):

  • उदाहरण 1: सुगम और गैर-सुगम प्रारंभिक डेटा ($a_0, a_1$) के साथ परीक्षण किया गया।
    • समान मेष ($r=1$) के परिणामस्वरूप अभिसरण क्रम $< 1$ रहा।
    • इष्टतम $r$ के साथ श्रेणीबद्ध मेष ने सैद्धांतिक अभिसरण क्रमों को बहाल किया (जैसे, $\alpha=1.25$ के साथ L1 के लिए $\approx 1.375$, और L2-1$\sigma$ के लिए $\approx 2$)।
  • उदाहरण 2: विच्छिन्न प्रारंभिक वेग $a_1(x) = \chi_{(0, \pi/2]}(x)$ के साथ परीक्षण किया गया।
    • मॉडल (1.4) पर L1 स्कीम ने अनुमानित अभिसरण दरें सफलतापूर्वक प्राप्त कीं, जो गैर-सुगम डेटा के लिए इस विधि की मजबूती को प्रमाणित करती है जहाँ मानक न्यूनीकरण विधियाँ विफल हो सकती हैं या जिन्हें नियमितीकरण की आवश्यकता होती है।
  • तालिका 1-7: व्यापक डेटा पुष्टि करता है कि प्रस्तावित योजनाएं विभिन्न $\alpha \in (1, 2)$ और मेष पैरामीटर्स के लिए सैद्धांतिक त्रुटि सीमाओं (error bounds) से मेल खाती हैं।

5. महत्व (Significance)

• शिथिल नियमितता धारणाएँ (Relaxed Regularity Assumptions): यह कार्य इस प्रतिबंधात्मक आवश्यकता को हटा देता है कि प्रारंभिक वेग $C^2$ सुगम होना चाहिए, जिससे प्रसार-तरंग समीकरणों का संख्यात्मक उपचार शॉक (shocks) या विच्छिन्न स्रोतों वाले भौतिक समस्याओं के एक व्यापक वर्ग के लिए लागू हो जाता है।
• व्यवस्थित ढांचा (Systematic Framework): यह इनपुट डेटा की नियमितता के आधार पर उपयुक्त SFOR मॉडल (1.4 बनाम 1.5) और मेष ग्रेडिंग पैरामीटर $r$ का चयन करने के लिए एक व्यवस्थित प्रोटोकॉल प्रदान करता है।
• कंप्यूटेशनल दक्षता (Computational Efficiency): सटीक इष्टतम मेष ग्रेडिंग पैरामीटर की पहचान करके, यह विधि यह सुनिश्चित करती है कि अनावश्यक कम्प्यूटेशनल लागत (मेष को अत्यधिक सूक्ष्म बनाना) के बिना उच्च-क्रम सटीकता प्राप्त की जा सके।
• सैद्धांतिक आधार (Theoretical Foundation): यह शोध पत्र निम्न-नियमितता वाले समाधानों के लिए असमान ग्रिडों पर SFOR विधियों की स्थिरता और अभिसरण को सत्यापित करके साहित्य में मौजूद एक अंतर को भरता है, जो विविक्त गुणांकों (discrete coefficients) की धनात्मकता के संबंध में पिछले विश्लेषणात्मक सीमाओं को संबोधित करता है।

संक्षेप में, यह शोध पत्र विलक्षण समाधानों वाली आंशिक प्रसार-तरंग समीकरणों को हल करने के लिए एक मजबूत, सैद्धांतिक रूप से स्थापित संख्यात्मक ढांचे को प्रस्तुत करता है, जो सममित न्यूनीकरण और अनुकूलित मेषिंग के माध्यम से निम्न-नियमितता वाले प्रारंभिक डेटा को संभालने में अत्याधुनिक तकनीक को महत्वपूर्ण रूप से उन्नत करता है।