Alleviating missing boundary conditions in elliptic partial differential equations using interior point measurements

1. Il Problema

Il lavoro affronta un problema di recupero ottimale (optimal recovery) per l'equazione di Poisson in un dominio limitato $\Omega \subset \mathbb{R}^n$ ($n=2,3$) con bordo Lipschitziano:
$$-\Delta u = f \quad \text{in } \Omega$$
La sfida principale risiede nel fatto che i dati al contorno (condizioni di Dirichlet $u=g$ su $\partial\Omega$) sono sconosciuti. In molte applicazioni pratiche (dinamica dei fluidi, ingegneria eolica, conduzione termica inversa), la misurazione precisa del bordo è impossibile o troppo costosa.

Per compensare questa mancanza di informazioni, si assume di disporre di:

1. Conoscenza completa del termine noto $f$.
2. L'informazione che il dato al contorno $g$ appartiene a un sottoinsieme compatto $K_B$ di $H^{1/2}(\partial\Omega)$ con norma limitata.
3. Un numero finito di misure puntuali della soluzione $u$ in punti interni al dominio: $u(x_i) = \omega_i$ per $i=1, \dots, m$, dove $x_i \in \Omega$.

L'obiettivo è trovare una funzione $u^*$ che approssimi al meglio la soluzione reale $u$ tra tutte le funzioni compatibili con i dati noti (il "modello" o prior), minimizzando l'errore di recupero in diverse norme (spazi di Banach come $H^1(\Omega)$, $L^\infty(\Omega)$, o $L^\infty(\Omega_d)$).

2. Metodologia

Gli autori sviluppano un algoritmo basato sulla metodologia agli elementi finiti (FEM) per approssimare il "recupero ottimale". La strategia si articola nei seguenti punti chiave:

• Decomposizione della Soluzione: La soluzione $u$ è decomposta in $u = u_0 + u_H$, dove $u_0$ è la soluzione con condizioni al contorno nulle (completamente determinata da $f$) e $u_H$ è una funzione armonica che deve essere recuperata soddisfacendo le misure puntuali.
• Interpolante a Norma Minima: Il recupero ottimale della parte armonica $u_H$ è identificato come l'interpolante a norma minima nello spazio di Hilbert delle funzioni armoniche con traccia in $H^s(\Gamma)$. Questo problema è risolto utilizzando i rappresentanti di Riesz $\phi_i$ associati ai funzionali di misura $\lambda_i(v) = v(x_i)$.
• Posizionamento delle Misure: A differenza di lavori precedenti (es. [10]) che permettevano misure ovunque nel dominio (incluso il bordo), questo studio impone che i punti di misura $x_i$ siano strettamente interni al dominio, specificamente in $\Omega_d = \{x \in \Omega : \text{dist}(x, \partial\Omega) > d\}$.
• Approssimazione FEM:
  • Si approssima $u_0$ e i rappresentanti di Riesz $\phi_i$ utilizzando spazi agli elementi finiti lineari (o di grado superiore).
  • I rappresentanti di Riesz sono calcolati risolvendo un problema ellittico frazionario sul bordo o un sistema a punto di sella, sfruttando l'estensione armonica discreta.
  • L'algoritmo finale combina l'approssimazione di $u_0$ e una combinazione lineare dei rappresentanti di Riesz approssimati, i cui coefficienti sono determinati risolvendo un sistema lineare basato sulle misure.

3. Contributi Chiave

I principali contributi teorici e pratici del lavoro sono:

1. Riduzione dei Requisiti di Regolarità: Limitando le misure ai punti interni ($x_i \in \Omega_d$), si evitano le singolarità associate alle funzioni di Green sul bordo. Questo permette di considerare parametri di regolarità $s$ nell'intervallo $1/2 < s < 3/2$ indipendentemente dalla dimensione spaziale, condizione che non è garantita se le misure sono sul bordo (dove richiederebbe $s > (n-1)/2$).
2. Stime di Errore Puntuali Raffinate: Il risultato principale è una stima dell'errore puntuale per i rappresentanti di Riesz approssimati $\phi_i$. Gli autori dimostrano che l'errore dipende esplicitamente dalla distanza $d$ tra i punti di misura e il bordo.
   • Quando $d \ge c_0 h$ (dove $h$ è la dimensione della mesh), si ottengono tassi di convergenza superiori rispetto ai metodi globali.
   • L'errore è della forma $O(d^{-n} h^{2-\epsilon} + d^{-n} h^{4-2s})$ per la norma $L^\infty$ su $\Omega_d$.
3. Analisi in Norme Non Hilbertiane: Il lavoro estende l'analisi del recupero ottimale a spazi di Banach non Hilbertiani, in particolare $L^\infty(\Omega)$, dove il centro di Chebyshev (la soluzione ottima) potrebbe non essere unico. Viene fornito un algoritmo "quasi-ottimale" che garantisce un errore entro una costante moltiplicativa del raggio di Chebyshev.
4. Confronto con Metodi Globali: Viene dimostrato che, sebbene le stime locali introducano potenze negative di $d$ (che peggiorano l'errore se $d$ è piccolo), per $d$ sufficientemente risolto dalla mesh ($d \gg h$), i tassi di convergenza in $h$ sono significativamente migliori rispetto alle tecniche di errore globale utilizzate in lavori precedenti.

4. Risultati

• Stime Teoriche: Sono state derivate stime di convergenza per l'errore di recupero in norme $H^1(\Omega)$, $L^\infty(\Omega)$ e $L^\infty(\Omega_d)$. Le stime mostrano che la convergenza è limitata dalla regolarità della soluzione sul bordo e dalla geometria del dominio (angoli rientranti).
• Esperimenti Numerici:
  • Domini Lisci vs. Poliedrici: Su domini lisci (disco), si ottengono tassi di convergenza ottimali $O(h^{\zeta+1})$ in $L^\infty$ e $O(h^\zeta)$ in $H^1$ (dove $\zeta$ è il grado polinomiale). Su domini con angoli (L-shape), la convergenza è limitata dalla singolarità geometrica ($O(h^{2/3})$ in $L^\infty$ globale).
  • Effetto della Distanza $d$: Gli esperimenti confermano che l'errore aumenta quando i punti di misura si avvicinano al bordo ($d \to 0$), in accordo con le stime teoriche che prevedono un peggioramento come $d^{-k}$. Tuttavia, per $d$ fissato e sufficientemente grande rispetto a $h$, i tassi di convergenza sono superiori.
  • Recupero della Soluzione: L'algoritmo riesce a recuperare la soluzione con alta precisione, specialmente quando si misura l'errore in regioni interne ($\Omega_d$), dove il raggio di Chebyshev (l'incertezza intrinseca) è molto più piccolo rispetto alle norme globali.

5. Significato

Questo lavoro è significativo per diversi motivi:

• Flessibilità Applicativa: Fornisce un quadro teorico solido per problemi inversi dove i dati al contorno sono mancanti, un problema comune in ingegneria e fisica.
• Ottimizzazione della Posizione dei Sensori: Dimostra teoricamente e numericamente che posizionare i sensori all'interno del dominio, piuttosto che sul bordo, può portare a tassi di convergenza più elevati e a una minore richiesta di regolarità della soluzione, a patto di gestire adeguatamente la distanza dal bordo.
• Generalizzazione degli Spazi: Estende la teoria del recupero ottimale a spazi $L^\infty$, rendendo l'approccio applicabile a criteri di errore più stringenti (errore massimo) oltre alla media quadratica ($L^2$ o $H^1$).
• Efficienza Computazionale: L'uso di rappresentanti di Riesz approssimati tramite FEM offre un metodo computazionalmente efficiente per risolvere problemi di controllo ottimo e recupero dati, superando le limitazioni delle stime globali in presenza di regolarità limitata.

In sintesi, il paper stabilisce che l'uso di misure interne permette di alleviare le condizioni di regolarità necessarie per il recupero della soluzione di equazioni ellittiche, offrendo tassi di convergenza superiori rispetto ai metodi tradizionali che utilizzano misure sul bordo o stime di errore globali.