廣義神經(jīng)傳播方程新的非協(xié)調(diào)混合元方法的超逼近分析

張厚超, 毛鳳梅, 白秀琴

(平頂山學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院, 河南 平頂山 467000)

廣義神經(jīng)傳播方程新的非協(xié)調(diào)混合元方法的超逼近分析

張厚超, 毛鳳梅, 白秀琴

(平頂山學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院, 河南 平頂山 467000)

廣義神經(jīng)傳播方程; 非協(xié)調(diào)混合元方法; 半離散及全離散格式; 超逼近

1 預(yù)備知識

考慮文獻[1]廣義神經(jīng)傳播方程的初邊值問題

(1)

其中,Ω?R2是具有Lipschitz連續(xù)邊界的有界凸多邊形區(qū)域,?Ω為Ω的光滑邊界,T∈(0,+∞)為一定值,X=(x,y),u0(X)、u1(X)是充分光滑的已知函數(shù),f(u)、g(u)均為有界函數(shù),且滿足對變量u的Lipschitz連續(xù)條件.

眾所周知,混合有限元方法是有限元領(lǐng)域中最活躍的分支之一,被廣泛應(yīng)用于微分方程的有限元分析[13-14].與傳統(tǒng)Galerkin方法相比,混合有限元方法具有對空間要求光滑度較低,并能同時得到原始變量和中間變量的誤差估計等優(yōu)勢.該方法對廣義神經(jīng)傳播方程的應(yīng)用也受到較多關(guān)注,文獻[15-16]分別研究了廣義神經(jīng)傳播方程的H1-Galerkin混合元格式和修正的H1-Galerkin混合元方法,都得到了半離散格式下的原始變量和相應(yīng)中間變量的最優(yōu)誤差估計.文獻[17]利用Q00+span{1,x,y,y2}×span{1,x,y,x2}元給出了廣義神經(jīng)傳播方程的一個低階非協(xié)調(diào)混合元格式,得到了相關(guān)變量的最優(yōu)誤差估計.但是,以上研究均是基于傳統(tǒng)的混合元格式,有的以投影作為分析的必要工具[16].近年來,文獻[18-19]針對二階橢圓問題提出了一種新的混合元格式,較之傳統(tǒng)混合元具有空間對匹配更容易滿足離散的BB條件,自由度少,且可以避免對矢量有限元空間的試探函數(shù)進行散度運算等優(yōu)點.目前,這種格式已被廣泛應(yīng)用于二階橢圓問題[20]、拋物方程[21]和Sobolev方程[22]的高精度分析.

2 混合有限元的構(gòu)造及性質(zhì)

定義混合有限元空間

Vh={vh;vh|K∈span{1,x,y,x2,y2},

對于u∈H1(Ω),w∈(H1(Ω))2,設(shè)Ih:H1(Ω)→Vh和Πh:(L2)2→Wh分別為由Vh和Wh誘導(dǎo)的插值算子,滿足:Ih|K=IK,Πh|K=ΠK及

(2)

和

其中n是對應(yīng)邊li,i=1,2,3,4的單位外法向量.

下面給出幾個引理,它們在后面的誤差分析中有重要作用.

引理 2.1[23]若p∈(H2(Ω))2有

(3)

引理 2.2[24]若u∈(H1(Ω))有

(4)

引理 2.3[25]若p∈(H2(Ω))2有

(5)

3 半離散格式及超逼近分析

為了構(gòu)造問題(1)的混合元格式,引入中間變量p=-(▽ut+▽u),則問題(1)等價于

(7)

其中(u,v)=∫Ωuvdxdy.

考慮(7)式的半離散格式為:求{uh,ph}:[0,T]→Vh×Wh,使得

(8)

定理 3.1 問題(8)的解存在且唯一.

(8)式可表示為如下的等價形式

(9)

其中

因為矩陣C是對稱正定矩陣,由(9)式的第一和二式可得

(10)

(10)式是一個關(guān)于向量H(t)的微分方程,且A是對稱正定的,由注意到F是Lipschitz連續(xù)的,由常微分方程解的理論知[26]:當(dāng)t>0時,H(t)存在且唯一,進而H(t)存在且唯一,即問題(8)存在唯一解.證畢.

下面先討論上述問題的超逼近性質(zhì).

定理 3.2 設(shè){u,p}和{uh,ph}分別是(7)和(8)式的解,u,ut,utt∈H2(Ω)∩W1,∞,p∈(H2(Ω))2,則

(11)

(12)

證明 令u-uh=(u-Ihu)+(Ihu-uh)η+ξ,p-ph=(p-Πhp)+(Πhp-ph)ρ+θ,由(7)和(8)式可得下面的誤差方程

在(13)式中令vh=ξt,wh=▽ξt,得

(14)

注意到(14)式左端可表示為

下面依次估計Ai,i=1,2,…,6.

利用Schwarz不等式及Young不等式,可得

根據(jù)假設(shè)f(·),g(·)是Lipschitz連續(xù)的,則有

根據(jù)引理2.2的第一式,可得

A4=A5=0.

利用導(dǎo)數(shù)轉(zhuǎn)移技巧以及引理2.3,則有

將上述關(guān)于Ai,i=1,2,…,6的估計以及(15)式代入(14)式,并由引理2.2的第二式,可得

(16)

對(16)式兩端都乘以2,再從0到t積分,并利用ξt(0)=0,ξ(0)=0及Gronwall引理可得

(17)

由(11)式得證.

在(13)式中令vh=ξtt,Wh=▽ξtt,得

(18)

下面對(18)式右端各項進行估計,類似于Ai,i=1,2,…,5的估計,則有

B5=B6=0.

利用導(dǎo)數(shù)轉(zhuǎn)移技巧以及引理2.3,則有

將上述對Bi,i=1,2,…,7的估計代入到(18)式,則有

將上式兩端都乘以2,然后從0到t積分,并注意到ξt(0)=0,▽ξt(0)=0,利用(17)式,則有

由Fubini定理知

將其代入到(19)式,然后利用Gronwall不等式得

(20)

(21)

利用Schwartz不等式及Young不等式以及引理2.2,容易驗證

將對Di,i=1,2,…,5的估計、(17)和(20)式代入(21)式得

定理得證.

4 全離散格式及超逼近分析

下面給出問題的全離散逼近格式,并進行誤差分析.

問題(7)的全離散等價表示形式為

定義(22)式的全離散逼近格式:求{Un,Pn}∈Vh×Wh,使得

(23)

為了進行誤差估計,引入如下記號:

由(22)和(23)式,?vh∈Vh,Wh∈Wh,可得

定理 4.1 設(shè){u(tn),p(tn)}和{Un,pn}分別是問題(23)和(24)的解,假設(shè)u∈L∞(0,T;H2(Ω)),ut,utt∈H2(Ω),uttt∈L∞(0,T;H1(Ω)),uttt∈L∞(0,T;L2(Ω)),p∈L∞(0,T;H2(Ω))有

Ch2F1+Cτ2F2,

(25)

其中

(26)

(26)式的左端可表示為

(27)

對(26)式右端各項進行估計,注意到

則有

根據(jù)引理2.2的第一式得

E2=E3=0.

接下來估計E4,先將E4分裂為下面3項,然后分別進行估計.

根據(jù)假設(shè)知f(·)是有界的,由Schwarz不等式有

同理可得

注意到?i=1,2,…,n-1有

(28)

綜合E4j,j=1,2,3的估計以及(28)式和引理2.2的第二式,則有

根據(jù)引理2.3得

將(27)式及上述對Ei,i=1,2,…,8的估計代入到(26)式,然后兩端從1到J,J=1,2,…,n-1,求和得

(29)

根據(jù)引理2.2的第二式知

(31)

在(31)式中取適當(dāng)小的τ,使得1-Cτ>0,然后利用離散的Gronwall不等式,則有

(32)

(33)

根據(jù)(33)式可得

利用引理2.1以及引理2.2的第一式,容易驗證

G4=G5=0.

類似于E8的估計,可得

將上述對Gi,i=1,2,…,6的估計代入(33)式并取充分小的ε,可得

(34)

定理得證.

注 4.1 容易驗證,通過利用文獻[21]中構(gòu)造的插值后處理算子,可以得到相應(yīng)的超收斂結(jié)果.值得一提的是,文獻[27]利用文獻[28-29]的協(xié)調(diào)混合元,對f(u)=f(X)的特殊情況,在全離散格式下得到了原始變量H1模意義下的超逼近和超收斂結(jié)果以及中間變量p的最優(yōu)誤差估計.而本文利用非協(xié)調(diào)混合元對方程(1)得到了上述變量的超逼近結(jié)果,本文的分析結(jié)果是對文獻[27]以及文獻[6-11]的延伸和擴展.

[1] PAO C V. An mixed initial boundary value problem arising in neurophysicology[J]. J Math Anal Appl,1975,52(1):105-119.

[2] 梅茗. 高維廣義神經(jīng)傳播方程Cauchy問題整體光滑解[J]. 應(yīng)用數(shù)學(xué)學(xué)報,1991,14(4):450-461.

[3] 萬維明,劉亞成. 神經(jīng)傳播方程初邊值問題解的長時間行為[J]. 應(yīng)用數(shù)學(xué)學(xué)報,1999,22(2):311-315.

[4] 崔霞. 廣義神經(jīng)傳播方程的A.D.I.有限元分析[J]. 應(yīng)用數(shù)學(xué)學(xué)報,1999,22(4):628-633.

[5] 那順布和. 一類神經(jīng)傳播方程的特征差分方法和最佳L2誤差估計[J]. 生物數(shù)學(xué)學(xué)報,2009,24(3):470-478.

[6] 吳志勤,王芬玲,石東洋. 廣義神經(jīng)傳播方程一個新的超收斂估計及外推[J]. 數(shù)學(xué)的實踐與認識,2011,41(15):234-240.

[7] 王萍麗,史艷華,石東洋. 廣義神經(jīng)傳播方程的超收斂估計及外推[J]. 西北師范大學(xué)學(xué)報(自然科學(xué)版),2012,48(1):22-25.

[8] 王萍麗,石東洋. 廣義神經(jīng)傳播方程非協(xié)調(diào)類Wilson元的超收斂分析及外推[J]. 生物數(shù)學(xué)學(xué)報,2013,28(4):672-680.

[9] 張斐然,石東洋,陳金環(huán). 廣義神經(jīng)傳播方程的非協(xié)調(diào)變網(wǎng)格有限元方法[J]. 應(yīng)用數(shù)學(xué)學(xué)報,2012,35(3):471-482.

[10] 石東洋,郝穎. 廣義神經(jīng)傳播方程的一個各向異性非協(xié)調(diào)有限元超收斂分析[J]. 生物數(shù)學(xué)學(xué)報,2009,24(2):279-286.

[11] 郭志林,陸風(fēng)玲. 一類非線性廣義神經(jīng)傳播方程的非協(xié)調(diào)元超收斂分析[J]. 湖南師范大學(xué)(自然科學(xué)學(xué)報),2011,34(6):1-5.

[12] 喬保民,梁洪亮. 一類非線性廣義神經(jīng)傳播方程Adini元超收斂分析[J]. 山東大學(xué)學(xué)報,2011,46(8):42-46.

[13] VIDER THOMEE. Galerkin Finite Element Methods for Parabolic Problems[M]. 2nd ed. Berlin:Spring-Verlag,2006.

[14] LIN Q, LIN J F. Finite Element Methods:Accuracy and Improvement[M]. 北京:科學(xué)出版社,2006.

[15] 石東洋,周家全. 廣義神經(jīng)傳播方程一個新的H1-Galerkin非協(xié)調(diào)混合有限元格式[J]. 河南師范大學(xué)學(xué)報(自然科學(xué)版),2010,38(5):1-6.

[16] 曹京平,劉洋,何斯日古楞,等. 廣義神經(jīng)傳播方程的一種修正混合有限元方法的誤差分析[J]. 數(shù)學(xué)的實踐與認識,2011,41(24):234-2239.

[17] 馬戈,石東洋. 廣義神經(jīng)傳播方程的一非協(xié)調(diào)混合有限元方法[J]. 數(shù)學(xué)的實踐與認識,2010,40(4):217-223.

[18] 陳紹春,陳紅如. 二階橢圓問題新的混合元格式[J]. 計算數(shù)學(xué),2010,32(2):213-218.

[19] 史峰,于佳平,李開泰. 橢圓方程的一種新型混合有限元格式[J]. 工程數(shù)學(xué)學(xué)報,2011,28(2):231-237.

[20] 石東洋,李明浩. 二階橢圓問題一種新格式的高精度分析[J]. 應(yīng)用數(shù)學(xué)學(xué)報,2014,37(1):45-58.

[21] 石東洋,張亞東. 拋物型方程一個新的非協(xié)調(diào)混合元超收斂分析與外推[J]. 計算數(shù)學(xué),2013,35(4):337-352.

[22] 史艷華,石東洋. Sobolev方程新混合元方法的高精度分析[J]. 系統(tǒng)科學(xué)與數(shù)學(xué),2014,34(4):452-463.

[23] 林群,嚴寧寧. 高效有限元構(gòu)造與分析[M]. 保定:河北大學(xué)出版社,1996.

[24] SHI D Y, YU C P, CHEN S C. Superconvergence of a nonconforming finite element approximation to Viscoelasticity type equations on anisotropic meshes[J]. 高等學(xué)校計算數(shù)學(xué)學(xué)報(英文版),2006,15(4):375-384.

[25] SHI D Y, MAO S P, CHEN S C. Anisotropic nonconforming finite element with some superconvergence results[J]. J Comput Math,2005,23(3):261-274.

[26] JACK K. HALE. Ordinary Differential Equations[M]. New York:Wiley-Inter-Science,1969.

[27] 樊明智,王芬玲,石東洋. 廣義神經(jīng)傳播方程最低階新混合元格式的高精度分析[J]. 山東大學(xué)學(xué)報,2015,50(8):77-89.

[28] 石東洋,張厚超. 一類非線性四階雙曲方程擴展的混合元方法的超收斂分析[J]. 計算數(shù)學(xué),2016,38(1):65-82.

[29] 張厚超,石東洋. 非線性四階雙曲方程低階混合元方法的超收斂分析[J]. 數(shù)學(xué)物理學(xué)報,2016,36(4):656-671.

2010 MSC：65N15; 65N30

(編輯 鄭月蓉)

Superclose Estimates Analysis of a New Mixed Finite Elements Method for Generalized Nerve Conduction Equation

ZHANG Houchao, MAO Fengmei, BAI Xiuqin

(SchoolofMathematicsandStatistics,PingdingshanUniversity,Pingdingshan467000,Henan)

Based on the nonconformingEQrot1element and the Raviart-Thomas(R-T) element, a new lower order nonconforming mixed finite elements method is proposed for Generalized nerve conduction equation. Firstly, the existence and uniqueness of approximation solutions are proved. Secondly, based on the high accuracy results of the about two elements and derivative transferring technique with respect to the time variable, the superclose with orderO(h2) for the primitive solution inH1-norm and the intermediate variablepinL2-norm are obtained under semi-discrete scheme respectively. Finally, a new fully-discrete approximation scheme is proposed and the superclose estimates with orderO(h2+τ2) are deduced for the primitive solution inH1-norm and the intermediate variablepinL2-norm respectively. Here,handτare the subdivision parameter in space and time step respectively.

generalized nerve conduction equation; nonconforming mixed finite elements method; semi-discrete and fully-discrete schemes; superclose

2016-10-05

國家自然科學(xué)基金(11271340)和河南省科技計劃項目(162300410082)

張厚超(1980—),男,講師,主要從事有限元方法及應(yīng)用的研究,E-mail:zhc0375@126.com

O242.21

A

1001-8395(2017)04-0464-09

10.3969/j.issn.1001-8395.2017.04.006