🔢 mathematics

Time-dimensional reduction and a Carleman contraction principle for an inverse initial data problem for the incompressible Navier-Stokes equations with unknown body force

यह शोध पत्र समय अवकलन (time differentiation), अज्ञात बॉडी फोर्स को समाप्त करने के लिए लेजेंड्रे बहुपद-घातांक न्यूनीकरण (Legendre polynomial-exponential reduction) और एक कारलेमन-वेटेड संकुचन मानचित्रण सिद्धांत (Carleman-weighted contraction mapping principle) का उपयोग करके, एक अज्ञात बॉडी फोर्स वाले असंपीड्य नेवियर-स्टोक्स समीकरणों के प्रारंभिक वेग और दबाव को पुनः प्राप्त करने के लिए एक वैश्विक रूप से अभिसारी संख्यात्मक विधि प्रस्तुत करता है।

मूल लेखक: Phuong M. Nguyen, Loc H. Nguyen

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Phuong M. Nguyen, Loc H. Nguyen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अपराध को सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास केवल एक सुरक्षा कैमरा है जिसने एक बंद कमरे के बाहरी हिस्से को रिकॉर्ड किया है। आप दीवारों पर चलती हुई छाया देख सकते हैं, और दरवाजे से टकराती हवा की गूँज सुन सकते हैं, लेकिन आप कमरे के अंदर नहीं देख सकते और आपको यह भी नहीं पता कि बाहर का मौसम (वह "बॉडी फोर्स") कैसा था जो चीजों को इधर-उधर धकेल रहा था।

आपका लक्ष्य क्या है? आपका लक्ष्य यह पता लगाना है कि अपराध शुरू होने के ठीक उस क्षण पर फर्नीचर की व्यवस्था कैसी थी और हवा कितनी तेजी से चल रही थी (यानी "प्रारंभिक डेटा"), केवल उन बाहरी छायाओं को देखकर।

यह शोध पत्र इस तरह की पहेली को हल करने के लिए एक शानदार नया जासूसी तरीका प्रस्तुत करता है, जो किसी कंटेनर के भीतर बहने वाले तरल पदार्थों (जैसे पानी या हवा) के लिए है। उन्होंने इसे कैसे किया, यहाँ सरल अवधारणाओं में दिया गया है:

1. रहस्य: "अज्ञात धक्का" (The Unknown Push)

भौतिकी (Physics) में, तरल पदार्थ तीन चीजों के कारण चलते हैं:

जड़त्व (Inertia): चीजें चलती रहती हैं (जैसे एक लुढ़कती हुई गेंद)।
दबाव (Pressure): उच्च दबाव चीजों को निम्न दबाव की ओर धकेलता है।
बाहरी बल (External Force): बाहर से कुछ धक्का दे रहा है, जैसे हवा या कोई मोटर (जिसे "बॉडी फोर्स" कहा जाता है)।

समस्या यह है कि वास्तविक जीवन में, हम अक्सर उस "बाहरी बल" को नहीं जानते। यह एक छिपा हुआ पंखा, बदलती हवा, या एक रहस्यमय इंजन हो सकता है। यदि आप इस बल को जाने बिना तरल की शुरुआती अवस्था का अनुमान लगाने की कोशिश करते हैं, तो आपकी गणित आमतौर पर गलत उत्तरों के भूलभुलैया में फंस जाती है।

2. पहली चाल: "समय-यात्री का इरेज़र" (The Time-Traveler's Eraser)

लेखकों का पहला कदम चतुर है। उन्होंने महसूस किया कि उनके इस समस्या में "बाहरी बल" स्थिर (constant) है। यह समय के साथ नहीं बदलता; यह दोपहर 1:00 बजे भी वही धक्का है जो 1:05 बजे है।

गणित में, यदि आप किसी स्थिर (constant) चीज़ का "डेरिवेटिव" (परिवर्तन की दर) लेते हैं, तो वह शून्य (zero) हो जाता है।

उपमा: कल्पना कीजिए कि आप एक कार को देख रहे हैं जिसे एक निरंतर हवा द्वारा धकेला जा रहा है। यदि आप पूछते हैं, "धक्का कैसे बदल रहा है?" तो उत्तर है "यह बदल नहीं रहा है।" यदि आप धक्के को अनदेखा कर देते हैं और केवल कार के त्वरण (acceleration) के परिवर्तन को देखते हैं, तो वह निरंतर हवा समीकरण से गायब हो जाती है।
परिणाम: समय के सापेक्ष समीकरणों का अंतर (differentiation) करके, उन्होंने अज्ञात बल को गणित से "मिटा" दिया। अब, उन्हें केवल तरल की अपनी गति और दबाव से निपटना था।

3. दूसरी चाल: "टाइम-स्लाइस सैंडविच" (The Time-Slice Sandwich)

बल को हटाने के बाद भी, गणित अभी भी अविश्वसनीय रूप से कठिन है क्योंकि इसमें समय और स्थान दोनों एक साथ शामिल हैं। यह एक 4D पहेली को सुलझाने जैसा है।

इसे ठीक करने के लिए, उन्होंने टाइम-डायमेंशनल रिडक्शन (Time-Dimensional Reduction) नामक तकनीक का उपयोग किया।

उपमा: कल्पना कीजिए कि एक ब्रेड का लोफ (शुरुआत से अंत तक का समय काल) है। पूरे लोफ का एक साथ विश्लेषण करने के बजाय, उन्होंने इसे पतले टुकड़ों में काट दिया। लेकिन केवल काटने के बजाय, उन्होंने प्रत्येक टुकड़े का वर्णन करने के लिए एक विशेष "फ्लेवर" (लेजेंड्रे पॉलीनोमियल्स - Legendre polynomials) का उपयोग किया।
जादू: उन्होंने जटिल, बहते हुए तरल की समस्या को स्थिर, जमी हुई तस्वीरों के ढेर (एलिप्टिक इक्वेशंस) में बदल दिया। अब वे एक बहते हुए तरल को ट्रैक करने के बजाय, एक ऐसी पहेली को हल कर रहे हैं जहाँ टुकड़े बस वहीं पड़े हैं, मिलान होने का इंतज़ार कर रहे हैं।

4. तीसरी चाल: "स्व-सुधारने वाला दर्पण" (The Self-Correcting Mirror - Carleman Contraction)

अब उनके पास स्थिर तस्वीरों का एक ढेर है, लेकिन उन्हें अभी भी उस सही तस्वीर को खोजना है जो सीमा डेटा (boundary data) से मेल खाती हो। आमतौर पर, इन पहेलियों को हल करने के लिए एक "अच्छे अनुमान" की आवश्यकता होती है। यदि आप गलत अनुमान लगाते हैं, तो गणित नियंत्रण से बाहर हो जाता है।

लेखकों ने एक कॉन्ट्रैक्टिव मैप (Contractive Map) बनाया।

उपमा: कल्पना कीजिए कि आप मानचित्र पर एक विशिष्ट स्थान खोजने की कोशिश कर रहे हैं। आप एक अनुमान लगाते हैं। फिर, आप एक विशेष दर्पण (कारलेमन-वेटेड नॉर्म - Carleman-weighted norm) में देखते हैं। यह दर्पण आपको केवल आपका अनुमान ही नहीं दिखाता; यह आपको एक बेहतर अनुमान दिखाता है जो गारंटी देता है कि वह आपके पिछले अनुमान की तुलना में सत्य के अधिक करीब है।
परिणाम: आपका शुरुआती अनुमान कितना भी खराब क्यों न हो (यहाँ तक कि यदि आप शून्य का अनुमान लगाते हैं!), यदि आप पर्याप्त बार उस दर्पण में देखते हैं, तो आप गणितीय रूप से उस एकमात्र सही उत्तर तक पहुँचने के लिए मजबूर होते हैं। इसे पिकार्ड इटरेशन (Picard Iteration) कहा जाता है, और यह गारंटी देता है कि यह विधि वैश्विक (globally) रूप से काम करती है, न कि केवल भाग्यशाली अनुमानों के लिए।

5. प्रमाण: "सिंथेटिक क्राइम सीन" (The Synthetic Crime Scene)

अपने तरीके को सिद्ध करने के लिए, उन्होंने केवल सिद्धांत का उपयोग नहीं किया। उन्होंने एक नकली अपराध स्थल (सिंथेटिक डेटा) बनाया।

उन्होंने एक छिपे हुए बल के साथ एक नकली तरल प्रवाह बनाया।
उन्होंने गणना की कि दीवार पर "छाया" कैसी दिखेगी।
उन्होंने केवल उन छायाओं को अपने नए एल्गोरिदम में डाला, यह मानते हुए कि उन्हें बल या प्रारंभिक अवस्था का पता नहीं है।
परिणाम: एल्गोरिदम ने उच्च सटीकता के साथ तरल की प्रारंभिक अवस्था को सफलतापूर्वक पुनर्गठित किया, भले ही डेटा में 10% "शोर" (स्टैटिक/noise) मौजूद था।

यह क्यों महत्वपूर्ण है

यह इंजीनियरों और वैज्ञानिकों के लिए एक बड़ी बात है।

वास्तविक दुनिया: कल्पना कीजिए कि आप तूफान के रास्ते की भविष्यवाणी करने की कोशिश कर रहे हैं। आप तूफान के शुरू में हर जगह हवा की गति को माप नहीं सकते। आपके पास केवल किनारों पर उपग्रह डेटा होता है।
लाभ: यह विधि वैज्ञानिकों को सीमित किनारे के डेटा (edge data) से पीछे की ओर काम करने और छिपी हुई शुरुआती स्थितियों का पता लगाने की अनुमति देती है, भले ही उन्हें यह पता न हो कि सिस्टम पर कौन से बाहरी बल कार्य कर रहे हैं।

संक्षेप में: लेखकों ने अज्ञात चरों को मिटाने, समय की समस्या को प्रबंधनीय टुकड़ों में काटने और एक गणितीय "स्व-सुधारने वाले दर्पण" का उपयोग करने का तरीका खोजा जो यह गारंटी देता है कि वे सही उत्तर पाएंगे, चाहे वे कहीं से भी शुरुआत करें। यह तरल गति की छिपी हुई शुरुआत को समझने के लिए एक शक्तिशाली नया उपकरण है।

यहाँ फ्युओंग एम. न्गुयेन और लोक एच. न्गुयेन के शोध पत्र "Time-dimensional reduction and a Carleman contraction principle for an inverse initial data problem for the incompressible Navier–Stokes equations with unknown body force" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक सीमित डोमेन $\Omega \subset \mathbb{R}^d$ में समय अंतराल $(0, T)$ पर इनकम्प्रेसिबल नेवियर-स्टोक्स समीकरणों के लिए एक चुनौतीपूर्ण इनवर्स इनिशियल डेटा समस्या (inverse initial data problem) को संबोधित करता है।

शासी समीकरण (Governing Equations): प्रणाली में मोमेंटम बैलेंस और इनकम्प्रेसिबिलिटी की स्थिति शामिल है:
$\begin{cases} u_t + (u \cdot \nabla)u = -\nabla p + \mu \Delta u + f & \text{in } \Omega \times (0, T), \\ \text{div } u = 0 & \text{in } \Omega \times (0, T), \\ u = 0 & \text{on } \partial\Omega \times (0, T), \\ u(x, 0) = u_0, \quad p(x, 0) = p_0 & \text{in } \Omega. \end{cases}$
अज्ञात चर (The Unknowns): लक्ष्य प्रारंभिक वेग (initial velocity) $u_0$ और प्रारंभिक दबाव (initial pressure) $p_0$ को पुनः प्राप्त करना है।
चुनौती (The Challenge): बॉडी फोर्स (body force) $f(x)$ अज्ञात है और समय-स्वतंत्र (time-independent) है। अधिकांश इनवर्स समस्याओं में, मॉडल पैरामीटर (जैसे $f$ ) ज्ञात होते हैं; यहाँ, $f$ एक अतिरिक्त अज्ञात चर है जो पुनर्निर्माण (reconstruction) प्रक्रिया को जटिल बना देता है।
उपलब्ध डेटा (Available Data): एकमात्र उपलब्ध जानकारी $\partial\Omega \times (0, T)$ $\partial Ω \times (0, T)$ पर मापा गया पार्श्व सीमा डेटा (lateral boundary data) है:
- वेग का नॉर्मल डेरिवेटिव: $g = \partial_\nu u$ ।
- दबाव और उसका नॉर्मल डेरिवेटिव: $h = [p, \partial_\nu p]^T$ ।

2. कार्यप्रणाली (Methodology)

लेखक टाइम-डायमेंशनल रिडक्शन (time-dimensional reduction) को कारलेमन-वेटेड कॉन्ट्रैक्शन मैपिंग (Carleman-weighted contraction mapping) सिद्धांत के साथ संयोजित करने वाला एक नवीन ढांचा प्रस्तावित करते हैं। यह कार्यप्रणाली तीन चरणों में आगे बढ़ती है:

A. अज्ञात बल का उन्मूलन (Elimination of the Unknown Force)

चूंकि बॉडी फोर्स $f$ समय-स्वतंत्र है, इसलिए लेखक समय के सापेक्ष मोमेंटम समीकरण का अवकलन (differentiation) करते हैं ( $t$ के सापेक्ष)। यह $f$ को पूरी तरह से समाप्त कर देता है, जिससे वेग ( $u_t$ ) और दबाव ( $p_t$ ) के लिए एक नया समीकरण प्राप्त होता:
$u_{tt} + (u_t \cdot \nabla)u + (u \cdot \nabla)u_t = -\nabla p_t + \mu \Delta u_t.$
इस समीकरण का डाइवर्जेंस (divergence) लेकर और $\text{div } u = 0$ का उपयोग करके, वे केवल $u_t$ और $p_t$ से संबंधित एक युग्मित प्रणाली (coupled system) प्राप्त करते हैं, जो अज्ञात बल को पुनर्निर्माण प्रक्रिया से प्रभावी रूप से अलग कर देती है।

B. लेजेंड्रे पॉलिनोमियल–एक्सपोनेंशियल टाइम-डायमेंशनल रिडक्शन (Legendre Polynomial–Exponential Time-Dimensional Reduction)

लेखक अज्ञात क्षेत्रों $u(x,t)$ और $p(x,t)$ को एक विशिष्ट आधार (basis) का उपयोग करके विस्तारित करते हैं:
$u(x,t) = \sum_{n=0}^\infty u_n(x) \Psi_n(t), \quad p(x,t) = \sum_{n=0}^\infty p_n(x) \Psi_n(t),$
जहाँ $\Psi_n(t) = e^t Q_n(t)$ , और $Q_n$ $(0, T)$ पर शिफ्टेड लेजेंड्रे पॉलिनोमियल (shifted Legendre polynomials) हैं।

ट्रंकेशन (Truncation): अनंत श्रृंखला को एक परिमित स्तर $N$ तक सीमित किया जाता है।
प्रोजेक्शन (Projection): समय-डिफरेंशिएटेड समीकरणों को एक वेटेड इनर प्रोडक्ट $\langle \cdot, \cdot \rangle_{e^{-2t}}$ का उपयोग करके आधार कार्यों $\Psi_m(t)$ पर प्रोजेक्ट किया जाता है।
परिणाम: यह मूल समय-निर्भर इनवर्स समस्या को गुणांक वेक्टरों $U_N = [u_0, \dots, u_N]^T$ और $P_N = [p_0, \dots, p_N]^T$ के लिए एक परिमित-आयामी युग्मित एलिप्टिक आंशिक अंतर समीकरणों (finite-dimensional coupled elliptic PDEs) की प्रणाली में बदल देता है। सीमा डेटा (boundary data) को भी गुणांकों के लिए कॉची डेटा (Cauchy data) प्रदान करने हेतु इसी प्रकार प्रोजेक्ट किया जाता है।

C. कारलेमन कॉन्ट्रैक्शन फ्रेमवर्क (Carleman Contraction Framework)

एक अच्छे प्रारंभिक अनुमान (initial guess) की आवश्यकता के बिना परिणामी गैर-रेखीय (nonlinear) एलिप्टिक प्रणाली को हल करने के लिए, लेखक कारलेमन-वेटेड पिकार्ड इटरेशन (Carleman-weighted Picard iteration) का उपयोग करते हैं:

रेगुलराइज्ड ऑपरेटर (Regularized Operator): वे एक ऑपरेटर $T_{\lambda, \epsilon}$ को परिभाषित करते हैं जो एक ट्रायल पेयर $(V, Q)$ को वेटेड लीस्ट-स्क्वायर फंक्शनल के मिनिमाइज़र (minimizer) पर मैप करता है। गैर-रेखीयता को ट्रायल पेयर का उपयोग करके "फ्रीज" किया जाता है।
वेटेड नॉर्म (Weighted Norm): न्यूनीकरण (minimization) एक ऐसे स्पेस में किया जाता है जो कारलेमन वेट (Carleman weight) $e^{2\lambda \mu_\beta(x)}$ से लैस है, जहाँ $\mu_\beta(x) = |x-x_0|^{-\beta}$ ।
कॉन्ट्रैक्शन प्रूफ (Contraction Proof): कारलेमन एस्टीमेट्स (Carleman estimates) (असमानताएं जो समाधान को उसके सोर्स टर्म और बाउंड्री डेटा द्वारा बांधती हैं) का उपयोग करते हुए, वे सिद्ध करते हैं कि पर्याप्त बड़े पैरामीटर $\lambda$ के लिए, ऑपरेटर $T_{\lambda, \epsilon}$ एक उपयुक्त एडमिसेबल सेट पर एक कॉन्ट्रैक्शन (contraction) है।
ग्लोबल कन्वर्जेंस (Global Convergence): बानाच फिक्स्ड पॉइंट थ्योरम (Banach Fixed Point Theorem) द्वारा, इटरेशन वैश्विक रूप से रिड्यूस्ड सिस्टम के अद्वितीय फिक्स्ड पॉइंट की ओर अभिसरित (converge) होती है।

3. मुख्य योगदान (Key Contributions)

अज्ञात बॉडी फोर्स को संभालना: यह शोध पत्र सफलतापूर्वक एक ऐसी इनवर्स समस्या को हल करता है जहाँ बॉडी फोर्स पूरी तरह से अज्ञात है, जो एक ऐसी स्थिति है जिसे मानक स्वरूपों में अक्सर असाध्य माना जाता है।
बिना प्रारंभिक अनुमान के ग्लोबल कन्वर्जेंस: पारंपरिक अनुकूलन (optimization) दृष्टिकोणों (जैसे गॉस-न्यूटन) के विपरीत, जो गैर-उत्तल (non-convex) होते हैं और प्रारंभिक अनुमान के प्रति संवेदनशील होते हैं, प्रस्तावित कारलेमन-पिकार्ड विधि रिड्यूस्ड मॉडल के समाधान की ओर वैश्विक अभिसरण सुनिश्चित करती है।
नवीन रिडक्शन तकनीक: $f$ को हटाने के लिए टाइम-डिफरेंशिएशन और लेजेंड्रे-एक्सपोनेंशियल बेसिस रिडक्शन का संयोजन एक जटिल पैराबोलिक इनवर्स समस्या को एक समाधान योग्य एलिप्टिक प्रणाली में बदल देता है।
कठोर विश्लेषण: लेखक ऑपरेटर के कॉन्ट्रैक्टिव गुण का पूर्ण सैद्धांतिक प्रमाण और $\epsilon \to 0$ होने पर फिक्स्ड पॉइंट की रिड्यूस्ड सिस्टम के साथ निरंतरता (consistency) प्रदान करते हैं।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने एल्गोरिदम 1 (कारलेमन-पिकार्ड विधि) को लागू किया और 2D स्क्वायर डोमेन ( $\Omega = (-1, 1)^2$ ) में सिंथेटिक डेटा पर इसका परीक्षण किया।

सेटअप:
- विभिन्न जटिल बॉडी फोर्सेज और प्रारंभिक वेग/दबाव क्षेत्रों वाले तीन अलग-अलग टेस्ट केस।
- बाउंड्री डेटा को 10% रैंडम नॉइज़ के साथ दूषित किया गया था।
- पैरामीटर्स: ट्रंकेशन लेवल $N=35$ , कारलेमन वेट पैरामीटर्स $\beta=20, \lambda=6$ ।
प्रदर्शन:
- सटीकता (Accuracy): पद्धति ने प्रारंभिक वेग और दबाव की मुख्य गुणात्मक विशेषताओं (स्थान, चिह्न और आकार) को सफलतापूर्वक पुनर्गठित किया।
- त्रुटि मेट्रिक्स (Error Metrics):
  - टेस्ट 1: सापेक्ष $L^2$ त्रुटियाँ $\approx 14.5\%$ (वेग) और $23.9\%$ (दबाव)।
  - टेस्ट 2: सापेक्ष $L^2$ त्रुटियाँ $\approx 17.6\%$ (वेग) और $18.7\%$ (दबाव)।
  - टेस्ट 3 (सबसे जटिल): त्रुटियाँ बढ़कर $\approx 36\%$ (वेग) और $42.8\%$ (दबाव) हो गईं, लेकिन पद्धति ने आवश्यक संरचनाओं को फिर भी कैप्चर किया।
- अभिसरण (Convergence): पिकार्ड इटरेशन ने तीव्र और स्थिर अभिसरण दिखाया, जिसमें रिलेटिव रेसिडुअल और इटरेट परिवर्तन लगातार कम होते गए। पद्धति शोर वाले डेटा (noisy data) के साथ भी स्थिर रही।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

व्यावहारिक प्रासंगिकता: यह दृष्टिकोण उन अनुप्रयोगों (एयरोस्पेस, समुद्र विज्ञान, पर्यावरणीय मॉडलिंग) के लिए अत्यधिक प्रासंगिक है जहाँ प्रारंभिक प्रवाह स्थितियाँ अज्ञात होती हैं और बाहरी बल (जैसे हवा या गुरुत्वाकर्षण परिवर्तन) को सटीक रूप से मापना या मॉडल करना कठिन होता है।
सैद्धांतिक प्रभाव: यह प्रदर्शित करता है कि कारलेमन एस्टीमेट्स को गैर-रेखीय फ्लूइड डायनेमिक्स समस्याओं के लिए प्रभावी ढंग से अनुकूलित किया जा सकता है, जिससे संरचनात्मक धारणाओं को पार किया जा सके जो पिछले अनुप्रयोगों को सरल पैराबोलिक समीकरणों तक सीमित करती थीं।
भविष्य का कार्य: लेखक आंशिक बाउंड्री डेटा (partial boundary data) तक पद्धति के विस्तार, पूरी तरह से डिस्क्रीट स्कीम्स के लिए अभिसरण दरों को परिष्कृत करने, और 3D ज्योमेट्री तथा अधिक सामान्य द्रव प्रणालियों पर इस ढांचे को लागू करने का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र फ्लूइड डायनेमिक्स की एक कठिन इनवर्स समस्या के लिए एक मजबूत, वैश्विक रूप से अभिसरण करने वाली संख्यात्मक पद्धति प्रस्तुत करता है, जो बॉडी फोर्स के पूर्व ज्ञान की आवश्यकता को सफलतापूर्वक दरकिनार करती है और गैर-रेखीय इनवर्स समस्याओं में सामान्य स्थानीय मिनिमा (local minima) की समस्याओं से बचती है।