[论文解读] Finite element approximation of the $p(\cdot)$-Laplacian

Dominic Breit, Lars Diening+1 more|arXiv (Cornell University)|Nov 20, 2013

Advanced Mathematical Modeling in Engineering参考文献 34被引用 3

一句话总结

该论文为可变指数 $p(\cdot)$-拉普拉斯算子的有限元逼近建立了先验误差估计，表明当指数 $p(\cdot)$ 为 $\alpha$-霍尔德连续时，梯度误差在拟范数下的收敛率为 $O(h^{\alpha})$。分析依赖于加权范数技术以及可变指数勒贝格与索伯列夫空间的性质。

ABSTRACT

We study a~priori estimates for the Dirichlet problem of the $p(\cdot)$-Laplacian, \[-\mathrm{div}(| abla v|^{p(\cdot)-2} abla v) = f. \] We show that the gradients of the finite element approximation with zero boundary data converges with rate $O(h^α)$ if the exponent $p$ is $α$-Hölder continuous. The error of the gradients is measured in the so-called quasi-norm, i.e. we measure the $L^2$-error of $| abla v|^{\frac{p-2}{2}} abla v$.

研究动机与目标

• 为可变指数 $p(\cdot)$ 的 $p(\cdot)$-拉普拉斯算子的有限元逼近建立先验误差估计。
• 量化有限元梯度逼近在拟范数下的收敛速率，这对具有可变增长特性的非线性问题至关重要。
• 通过提供可变指数非线性PDE中有限元方法的首个显式收敛速率，弥合文献中的空白。
• 利用加权范数和奥尔利奇型估计，将经典有限元收敛理论扩展至可变指数空间设置。
• 分析收敛速率对指数 $p(\cdot)$ 正则性（特别是其霍尔德连续性）的依赖关系。

提出的方法

• 使用拟范数 $\| |\nabla v|^{\frac{p-2}{2}} \nabla v - |\nabla v_h|^{\frac{p-2}{2}} \nabla v_h \|_{L^2}$ 来衡量有限元逼近中的误差。
• 在具有可变指数的广义勒贝格与索伯列夫空间中应用最佳逼近和插值估计。
• 采用涉及 $p(\cdot)$ 的对数霍尔德连续性的可变指数空间关键估计，以控制指数中的振荡。
• 利用 $N$-函数的 $\rho$-函数框架，其中 $\rho(t) = \int_0^t (\kappa + s)^{p(x)-2} s \, ds$，以建模 $p(\cdot)$-拉普拉斯算子的结构。
• 使用平移不变估计和换位引理（例如引理 A.5）来控制由可变指数引起的非线性项差异。
• 建立非线性梯度差与 $\rho_{|\nabla v|}$-范数之间的等价性，从而能够使用加权能量估计。

实验结果

研究问题

• RQ1 当指数 $p(\cdot)$ 仅为霍尔德连续时，$p(\cdot)$-拉普拉斯算子的有限元逼近的收敛速率是多少？
• RQ2 如何利用考虑了 $p(\cdot)$-拉普拉斯算子非线性结构的拟范数，推导出最优误差估计？
• RQ3 指数 $p(\cdot)$ 的正则性（以霍尔德连续性衡量）在多大程度上影响有限元方法的收敛速率？
• RQ4 能否通过奥尔利奇空间技术和加权范数，将经典有限元收敛理论扩展至可变指数问题？
• RQ5 对数霍尔德连续性在确保最大算子在 $L^{p(\cdot)}$ 中有界并支持误差分析方面起什么作用？

主要发现

• 当指数 $p(\cdot)$ 为 $\alpha$-霍尔德连续时，$p(\cdot)$-拉普拉斯算子的有限元逼近在拟范数下的收敛率为 $O(h^{\alpha})$。
• 误差以 $|\nabla v|^{\frac{p-2}{2}} \nabla v$ 的 $L^2$-范数来度量，这是 $p(\cdot)$-拉普拉斯算子的自然能量变量。
• 收敛速率是紧致的，且直接依赖于指数 $p(\cdot)$ 的霍尔德正则性，正则性越高，收敛越快。
• 分析依赖于 $p(\cdot)$ 的对数霍尔德连续性，以确保在 $L^{p(\cdot)}$ 中最大算子有界，这对关键估计至关重要。
• 通过引入基于 $N$-函数的加权能量框架，将经典有限元收敛理论扩展至可变指数问题。
• 该框架使得能够通过平移不变估计和奥尔利奇型空间中的范数等价性，处理具有可变增长的非线性项。