Stochastic homogenization of fractional obstacle problems

1. Il Problema Studiato

Il paper si occupa dell'omogeneizzazione stocastica di una classe di problemi variazionali non lineari e non locali, definiti in domini contenenti un numero divergente di ostacoli (bilateral) distribuiti in modo casuale e di dimensioni sempre più piccole.

Il caso modello considerato è un problema di Dirichlet per il p-Laplaciano frazionario $(−\Delta)^s_p$, con $p \in (1, \infty)$ e $s \in (0, 1)$, in un dominio limitato $U \subset \mathbb{R}^n$. L'equazione è:
$$\begin{cases} (-\Delta)^s_p u = f & \text{in } U \setminus T^\omega_\varepsilon, \\ u = 0 & \text{su } \partial U \cup T^\omega_\varepsilon, \end{cases}$$
dove $T^\omega_\varepsilon$ è un insieme casuale di ostacoli. Nello specifico, $T^\omega_\varepsilon$ è l'unione di sfere $B_{\lambda_\varepsilon \rho_i}(\varepsilon x_i)$, dove:

• $\{x_i\}$ sono i centri e $\{\rho_i\}$ i raggi, generati da un processo puntuale contrassegnato (marked point process) $N$ stazionario ed ergodico.
• $\varepsilon$ è un parametro piccolo che scala la distribuzione spaziale.
• $\lambda_\varepsilon$ è una scala secondaria (molto più piccola di $\varepsilon$) che determina il raggio degli ostacoli.

L'obiettivo è determinare il comportamento asintotico delle soluzioni quando $\varepsilon \to 0$, identificando un problema omogeneizzato efficace.

2. Metodologia e Strumenti Matematici

L'approccio adottato è puramente variazionale, basato sulla $\Gamma$-convergenza in $L^p(U)$. Questo permette di evitare tecniche PDE specifiche (come le estensioni di Caffarelli-Silvestre) e di trattare una classe più ampia di problemi non locali e non lineari.

Gli strumenti chiave includono:

• Processi Puntuali Contrassegnati e Teoremi Ergodici: L'analisi si fonda sulla teoria dei processi stocastici stazionari ed ergodici. Si utilizzano i teoremi ergodici per processi contrassegnati per calcolare i limiti delle somme random relative alla densità degli ostacoli.
• Misura di Palm: Un contributo metodologico significativo è l'uso delle misure di Palm per analizzare il processo puntuale "diradato" (thinned process). Questo permette di calcolare l'aspettativa del processo selezionato in funzione del parametro di troncamento, facilitando l'applicazione diretta del teorema ergodico agli ostacoli selezionati.
• Decomposizione "Buoni/Cattivi" (Good/Bad Decomposition): Per gestire la possibilità di clustering (aggregazione) degli ostacoli, l'insieme degli ostacoli $T_\varepsilon$ viene decomposto in:
  • Ostacoli "buoni" ($T^g_\varepsilon$): Piccoli, ben separati tra loro e lontani dai cluster.
  • Ostacoli "cattivi" ($T^b_\varepsilon$): Include i cluster e gli ostacoli troppo grandi o vicini.
    Viene dimostrato che, quasi certamente, la capacità frazionaria degli ostacoli "cattivi" è asintoticamente trascurabile, mentre quella degli "buoni" è additiva.
• Lemma di Unione (Joining Lemma): Viene adattato un lemma di Ansini e Braides al contesto non locale. Questo strumento permette di modificare una sequenza a energia limitata in un intorno degli ostacoli "buoni" rendendola localmente costante senza generare concentrazioni di energia aggiuntive, facilitando la costruzione della sequenza di recupero per la $\Gamma$-lim sup.

3. Contributi Chiave

Il lavoro presenta diversi avanzamenti significativi rispetto alla letteratura esistente (inclusi i lavori di Caffarelli-Mellet, Focardi, e Giunti-Höfer-Velázquez):

1. Assenza di Assunzioni di Separazione: A differenza di studi precedenti che richiedevano ostacoli "ben separati" (well-separated), questo risultato ammette configurazioni irregolari dove il clustering degli ostacoli può avvenire con probabilità positiva. La condizione di momento sui raggi degli ostacoli è sufficiente a garantire che i cluster non distruggano l'additività asintotica della capacità.
2. Generalizzazione Non Locale: Estende i risultati di omogeneizzazione noti per il caso locale (Poisson) e per il Laplaciano frazionario a una classe ampia di funzionali non locali non lineari e a kernel di interazione anisotropi (non necessariamente isotropi come $|x-y|^{-(n+sp)}$).
3. Ostacoli di Forma Casuale: Il risultato è generalizzato al caso in cui gli ostacoli non sono necessariamente sfere, ma insiemi di forma casuale, purché soddisfino condizioni di omogeneità della capacità.
4. Semplificazione Metodologica: La strategia di prova è streamlinata rispetto a lavori precedenti (come [GHV18, SZZ24]), grazie all'uso efficace delle misure di Palm e a una decomposizione degli indici più semplice, che evita costruzioni geometriche complesse.

4. Risultati Principali

Il teorema principale (Teorema 3.2) stabilisce che, sotto opportune condizioni di momento sui raggi $\rho_i$ (in particolare $E[\sum \rho_i^{n-sp}] < \infty$), esiste una scala critica per il raggio degli ostacoli:
$$\lambda_\varepsilon = \varepsilon^{\frac{n}{n-sp}}$$
In questa scala, i funzionali random $F^\omega_\varepsilon$ $\Gamma$-convergono quasi certamente a un funzionale deterministico efficace $F$:
$$F(u) = \int_{U \times U} \frac{|u(x) - u(y)|^p}{|x-y|^{n+sp}} \, dx dy + \gamma \int_U |u|^p \, dx$$
dove il termine di penalizzazione $\gamma > 0$ è dato da:
$$\gamma = \text{cap}_{s,p}(B_1) \cdot E\left[ \sum_{x_i \in Q} \rho_i^{n-sp} \right]$$

• $\text{cap}_{s,p}(B_1)$ è la capacità frazionaria della sfera unitaria.
• Il termine atteso rappresenta la densità asintotica della capacità degli ostacoli, che combina la geometria locale (capacità della forma fondamentale) e la distribuzione globale (momento dei raggi).

Il limite è valido anche per ostacoli di forma casuale e kernel anisotropi (Teorema 3.6), con una costante $\tilde{\gamma}$ che dipende dalla capacità degli ostacoli random.

5. Significato e Impatto

Questo lavoro è fondamentale per la teoria dell'omogeneizzazione stocastica perché:

• Rimuove vincoli geometrici: Dimostra che l'omogeneizzazione con un termine di ordine zero (il "strange term") persiste anche in presenza di cluster di ostacoli, una situazione fisica realistica ma matematicamente complessa.
• Unificazione: Fornisce un quadro unificato per l'omogeneizzazione di problemi non locali e non lineari, superando le limitazioni delle tecniche basate su estensioni locali o su ipotesi di separazione.
• Robustezza: L'uso di metodi variazionali e probabilistici (misure di Palm) rende il risultato robusto e applicabile a una vasta gamma di kernel di interazione e geometrie degli ostacoli, aprendo la strada a studi su materiali compositi con microstrutture complesse e non periodiche.

In sintesi, il paper risolve il problema dell'omogeneizzazione per il p-Laplaciano frazionario in domini perforati casualmente, dimostrando che la densità di capacità asintotica è ben definita e additiva anche in presenza di clustering, fornendo una formula esplicita per il termine di penalizzazione nel problema limite.