The problem of recovering coefficients in a diffusion equation is one of the basic inverse problems. Perhaps the most important term is the one that couples the length and time scales and is often referred to as {\it the\/} diffusion coefficient $a$ in $u_t - \nabla(a\nabla u) = f$. In this paper we seek the unknown $a$ assuming that $a=a(u)$ depends only on the value of the solution at a given point. Such diffusion models are the basic of a wide range of physical phenomena such as nonlinear heat conduction, chemical mixing and population dynamics. We shall look at two types of overposed data in order to effect recovery of $a(u)$: the value of a time trace $u(x_0,t)$ for some fixed point $x_0$ on the boundary of the region $\Omega$; or the value of $u$ on an interior curve $\Sigma$ lying within $\Omega$. As examples, these might represent a temperature measurement on the boundary or a census of the population in some subset of $\Omega$ taken at a fixed time $T>0$. In the latter case we shall show a uniqueness result that leads to a constructive method for recovery of $a$. Indeed, for both types of measured data we shall show reconstructions based on the iterative algorithms developed in the paper.


翻译:在扩散方程式中恢复系数的问题是一个基本反向问题。 也许最重要的一个术语是,在时间和时间尺度上对齐,通常被称作 $_t_t-\nabla(a\bla u) = f$的传播系数 = f$。在本文中,我们寻求一个未知的美元,假设美元=a(u)美元仅取决于某一点的解决方案值。这种传播模型是非线性热导、化学混合和人口动态等一系列广泛物理现象的基础。我们应查看两类过量数据,以便实现美元(u) 美元(nabla)(a\\ nbla u) = f美元(f美元) = f美元。在本文中,假设美元=a=a(a) 美元(a) =a(u) =a(u) 美元) =(u) =美元(o) 美元(u),或美元(b) 美元=(ogega美元) 。例如,这可能代表对边界的温度测量,或(a) 美元) 美元(a) 美元(a) 美元) 美元(a (a (a) ro ro) 美元) 美元) =(ro) 美元) 的恢复结果,我们将显示(a (a (a (a) = 美元) =

0
下载
关闭预览

相关内容

Beginner's All-purpose Symbolic Instruction Code(初学者通用的符号指令代码),刚开始被作者写做 BASIC,后来被微软广泛地叫做 Basic 。
专知会员服务
42+阅读 · 2020年12月18日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月12日
Arxiv
0+阅读 · 2021年3月10日
Arxiv
0+阅读 · 2021年3月10日
Arxiv
8+阅读 · 2020年10月12日
VIP会员
相关VIP内容
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员