[论文解读] On the Time Derivative in a Quasilinear Equation

Peter Lindqvist|arXiv (Cornell University)|Jan 7, 2016

Nonlinear Partial Differential Equations参考文献 3被引用 8

一句话总结

该论文证明了演化p-Laplace方程弱解的时间导数 $ u_t $ 在Sobolev意义下存在，并且属于 $ L^{p/(p-1)}_{\text{loc}}(\Omega_T) $，其中 $ 2 \leq p < \infty $。证明依赖于差分商的Caccioppoli型估计，避免了Moser或de Giorgi迭代方法，通过方程的结构和Sobolev空间理论，直接表明时间导数是一个可测函数，而不仅仅是分布。

ABSTRACT

The time derivative (in the sense of distributions) of the solutions to the Evolutionary p-Laplace Equation is proved to be a function in a local Lebesgue space.

研究动机与目标

• 解决拟线性抛物方程正则性理论中长期被忽视的时间导数 $ u_t $ 的问题。
• 证明演化p-Laplace方程弱解的时间导数 $ u_t $ 在Sobolev意义下作为函数存在，而不仅仅是作为分布。
• 提供一种直接、初等的证明方法，证明 $ u_t $ 的可积性，而不依赖于Moser或de Giorgi迭代技术。
• 将结果推广到满足标准假设的更一般方程，其椭圆系数具有椭圆性条件。

提出的方法

• 通过使用包含空间截断函数和时间截断函数的测试函数，推导差分商 $ \frac{u(x+h,t) - u(x,t)}{h} $ 的Caccioppoli型估计。
• 对测试函数应用与光滑核的卷积以正则化，并在弱形式中通过分部积分法进行合理化。
• 利用恒等式 $ \int_{\Omega_T} u \phi_t \, dx\,dt = - \int_{\Omega_T} \phi \cdot \text{div}(|\nabla u|^{p-2} \nabla u) \, dx\,dt $，其中 $ \phi \in C^1_0(\Omega_T) $，将 $ u_t $ 与散度项联系起来。
• 通过差分商估计建立 $ F = |\nabla u|^{p/2} $ 的空间弱导数的存在性，并应用Hölder不等式得出可积性结论。
• 利用关系式 $ \partial_{x_j}(|\nabla u|^{p-2} \nabla u) \leq C |F|^{(p-2)/p} |\partial_{x_j} F| $ 控制梯度项，从而推导出 $ u_t \in L^{p/(p-1)}_{\text{loc}} $。
• 选择截断函数 $ \eta(t) $ 和 $ \zeta(x) $ 局部化估计，并在 $ h \to 0 $ 时取极限，确认 $ F $ 的Sobolev可微性。

实验结果

研究问题

• RQ1 能否证明演化p-Laplace方程弱解的时间导数 $ u_t $ 是可测函数，而不仅仅是分布？
• RQ2 是否可能在不使用Moser或de Giorgi迭代技术的情况下，证明 $ u_t $ 的可积性？
• RQ3 对于 $ 2 \leq p < \infty $，$ u_t $ 的最优局部可积类是什么？
• RQ4 方程 $ u_t = \text{div}(|\nabla u|^{p-2} \nabla u) $ 的结构如何确保 $ u_t $ 从散度项继承正则性？

主要发现

• 对于任意 $ 2 \leq p < \infty $，演化p-Laplace方程弱解 $ u $ 的时间导数 $ u_t $ 在Sobolev意义下存在。
• 时间导数 $ u_t $ 属于局部Lebesgue空间 $ L^{p/(p-1)}_{\text{loc}}(\Omega_T) $，这比作为分布更强。
• 该证明避免了Moser或de Giorgi迭代的使用，为 $ u_t $ 正则性提供了更直接、更易理解的路径。
• 该结果可推广至满足椭圆性条件的系数矩阵，前提是系数有界且可测。
• 在退化情形 $ p > 2 $ 下，$ F = |\nabla u|^{p/2} $ 的有界性意味着 $ u_t \in L^2_{\text{loc}}(\Omega_T) $，尽管这需要更深入的正则性理论。
• 对于 $ 1 < p < 2 $，二阶导数 $ u_{x_i x_j} $ 和 $ DF $ 属于 $ L^2_{\text{loc}} $，但梯度项中的负指数使分析更加复杂。