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

以下是基于论文《Time-dimensional reduction and a Carleman contraction principle for an inverse initial data problem for the incompressible Navier–Stokes equations with unknown body force》（不可压缩 Navier-Stokes 方程在未知体积力下的逆初始数据问题的时间维降维与 Carleman 收缩原理）的详细技术总结。

1. 研究问题 (Problem Statement)

本文研究的是不可压缩 Navier-Stokes 方程组的逆初始数据问题。

• 目标：从侧边界（lateral boundary）观测数据中，恢复流体的初始速度场 $u_0$ 和初始压力 $p_0$。
• 挑战：
  1. 未知体积力：与大多数逆问题不同，本文假设作用在流体上的时间无关的体积力 $f$ 是未知的。在大多数现有研究中，除目标未知量外，模型参数（如外力）通常被视为已知。
  2. 非线性与耦合：Navier-Stokes 方程本身是非线性的，且速度场与压力场紧密耦合。
  3. 数据限制：仅能获取边界上的法向导数数据（$\partial_\nu u$）以及压力和其法向导数（$p, \partial_\nu p$），无法直接观测内部初始状态。
• 数学表述：给定侧边界数据 $g = \partial_\nu u$ 和 $h = [p, \partial_\nu p]^T$，求解 $t=0$ 时刻的 $u(x,0)$ 和 $p(x,0)$。

2. 方法论 (Methodology)

为了解决上述挑战，作者提出了一种结合时间维降维（Time-dimensional reduction）与Carleman 收缩映射（Carleman contraction）的混合策略。主要步骤如下：

2.1 消除未知体积力

由于体积力 $f$ 不随时间变化（$\partial_t f = 0$），作者首先对动量方程关于时间 $t$ 求导。

• 原方程：$u_t + (u \cdot \nabla)u = -\nabla p + \mu \Delta u + f$
• 求导后：$u_{tt} + (u_t \cdot \nabla)u + (u \cdot \nabla)u_t = -\nabla p_t + \mu \Delta u_t$
• 效果：未知项 $f$ 被完全消除，得到仅包含速度、压力及其时间导数的方程组。

2.2 时间维降维 (Legendre Polynomial-Exponential Basis)

为了将无限维的时间依赖问题转化为有限维问题，作者引入了Legendre 多项式 - 指数基函数 $\{\Psi_n(t)\}$。

• 基函数定义：$\Psi_n(t) = e^t Q_n(t)$，其中 $Q_n$ 是移位归一化的 Legendre 多项式。
• 展开：将速度 $u(x,t)$ 和压力 $p(x,t)$ 展开为该基函数的级数形式：
  $$u(x,t) \approx \sum_{n=0}^N u_n(x) \Psi_n(t), \quad p(x,t) \approx \sum_{n=0}^N p_n(x) \Psi_n(t)$$
• 投影：将求导后的方程组投影到该有限维基上，利用正交性和特定的积分矩阵（如 $S_N, R_N$），将原始的偏微分方程（PDE）转化为关于系数向量 $U_N(x)$ 和 $P_N(x)$ 的耦合椭圆方程组。
• 边界条件：原始边界数据也被投影到基函数上，转化为系数向量在边界上的 Cauchy 数据（Dirichlet 和 Neumann 条件）。

2.3 Carleman 收缩框架 (Carleman Contraction Framework)

针对降维后的非线性椭圆耦合系统，作者设计了一种Carleman-Picard 迭代法，避免了传统优化方法对初始猜测的依赖。

• 算子构造：定义一个算子 $T_{\lambda, \epsilon}$，将非线性项“冻结”（即在上一步迭代值处线性化），构造一个带正则化项的加权最小二乘泛函。
• Carleman 估计：利用 Carleman 不等式（Carleman estimate），引入权重函数 $e^{2\lambda \mu_\beta(x)}$。
• 收缩性证明：证明了当 Carleman 参数 $\lambda$ 足够大时，该算子在加权范数 $\|\cdot\|_{\lambda, \epsilon}$ 下是压缩映射（Contraction Mapping）。
• 全局收敛：根据 Banach 不动点定理，该迭代过程从任意初始猜测出发均能收敛到唯一不动点，从而获得降维系统的近似解。

3. 主要贡献 (Key Contributions)

1. 处理未知外力：提出了一种新颖的数学框架，能够在完全未知时间无关体积力的情况下，成功恢复初始速度和压力。这是通过时间求导消除外力项实现的。
2. 全局收敛算法：克服了传统反问题优化方法（如伴随梯度法）因目标函数非凸而陷入局部极小值的问题。通过构造 Carleman 加权范数下的压缩映射，证明了Picard 迭代的全局收敛性，无需高质量的初始猜测。
3. 理论严谨性：建立了降维系统的适定性，证明了算子的压缩性，并给出了不动点与真实解之间的一致性及误差估计。
4. 数值验证：开发了完整的数值算法，并在合成数据上进行了三个不同复杂度的测试案例，验证了方法的有效性和鲁棒性。

4. 数值结果 (Numerical Results)

作者在二维正方形区域 $\Omega = (-1, 1)^2$ 上进行了数值实验，使用合成数据（含 10% 噪声）进行测试：

• 测试案例：
  • Test 1 & 2：相对简单的力场和初始流场。
  • Test 3：更复杂的力场和具有分离结构的初始流场。
• 重建精度：
  • 在 Test 1 中，初始速度分量的相对 $L^2$ 误差约为 13-14%，压力约为 24%。
  • 在 Test 2 中，误差略有增加但保持在可接受范围（速度约 15-17%，压力约 18%）。
  • 在 Test 3（最复杂情况）中，误差较大（速度约 31-36%，压力约 43%），但成功恢复了流场的主要定性特征（如涡旋位置、正负区域分布和整体形状）。
• 收敛性：Picard 迭代表现出快速且稳定的收敛性，相对残差和迭代步长均随迭代次数单调递减。
• 抗噪性：即使在边界数据含有 10% 随机噪声的情况下，算法仍能稳定运行并给出合理的重建结果。

5. 意义与展望 (Significance and Future Work)

• 实际意义：该方法更接近真实工程场景（如航空航天、海洋工程），因为在这些场景中，外部体积力往往未知、难以测量或存在不确定性，而直接测量初始流场通常不可行。
• 理论价值：将时间维降维技术与 Carleman 估计结合，为非线性流体逆问题提供了一套系统的、具有全局收敛保证的求解框架。
• 未来方向：
  • 处理部分边界数据（Partial boundary data）的情况。
  • 完善全离散格式的理论收敛性和稳定性估计。
  • 将方法推广到三维几何结构及更一般的流体系统。

总结：本文通过巧妙的数学变换（时间求导消去外力）和先进的数值分析工具（Legendre 基降维 + Carleman 压缩映射），解决了一个极具挑战性的逆初始数据问题，证明了在未知外力条件下，仅凭侧边界观测即可全局收敛地重建不可压缩流体的初始状态。