曲面上变分的基础知识(方程组)
定理:曲面上变分的格林公式(向量形式)
定理描述如下,为了方便,我们省略了严格的数学书写:
∫
Γ
div
Γ
(
G
P
)
⋅
g
d
s
=
−
∫
Γ
tr
(
G
∇
Γ
g
)
d
s
\int_{\Gamma} \operatorname{div}_{\Gamma}(\mathbf{GP} ) \cdot \mathbf{g} d s=-\int_{\Gamma} \operatorname{tr}\left(\mathbf{G} \nabla_{\Gamma} \mathbf{g}\right) d s
∫ΓdivΓ(GP)⋅gds=−∫Γtr(G∇Γg)ds
简单的证明:
引用文献1中相关的结果,我们有:
∫
Γ
(
∇
Γ
)
i
g
d
s
=
∫
Γ
g
κ
n
i
d
s
\int_{\Gamma}\left(\nabla_{\Gamma}\right)_{i} g d s=\int_{\Gamma} g \kappa n_{i} d s
∫Γ(∇Γ)igds=∫Γgκnids
将
g
g
g换为
f
i
g
f_ig
fig,并对
i
i
i求和有:
∫
Γ
g
div
Γ
f
+
f
⋅
∇
Γ
g
d
s
=
∫
Γ
κ
f
⋅
n
g
d
s
\int_{\Gamma} g \operatorname{div}_{\Gamma} \mathbf{f}+\mathbf{f} \cdot \nabla_{\Gamma} g d s=\int_{\Gamma} \kappa \mathbf{f} \cdot \mathbf{n} g d s
∫ΓgdivΓf+f⋅∇Γgds=∫Γκf⋅ngds
进一步,把
f
\mathbf{f}
f换成
P
f
\mathbf{Pf}
Pf我们有:
∫
Γ
g
div
Γ
(
P
f
)
d
s
=
−
∫
Γ
f
⋅
∇
Γ
g
d
s
,
∫
Γ
div
Γ
(
P
f
)
d
s
=
0
\int_{\Gamma} g \operatorname{div}_{\Gamma}(\mathbf{P} \mathbf{f}) d s=-\int_{\Gamma} \mathbf{f} \cdot \nabla_{\Gamma} g d s, \quad \int_{\Gamma} \operatorname{div}_{\Gamma}(\mathbf{P} \mathbf{f}) d s=0
∫ΓgdivΓ(Pf)ds=−∫Γf⋅∇Γgds,∫ΓdivΓ(Pf)ds=0
由第一个式子,我们自然可以得到:
∫
Γ
div
Γ
(
G
P
)
⋅
g
d
s
=
−
∫
Γ
tr
(
G
T
∇
Γ
g
)
d
s
\int_{\Gamma} \operatorname{div}_{\Gamma}(\mathbf{G} \mathbf{P}) \cdot \mathbf{g} d s=-\int_{\Gamma} \operatorname{tr}\left(\mathbf{G}^T \nabla_{\Gamma} \mathbf{g}\right) d s
∫ΓdivΓ(GP)⋅gds=−∫Γtr(GT∇Γg)ds
上面的公式中,如果把散度算子里面的部分换成 ∇ Γ f \nabla_\Gamma f ∇Γf和 ∇ Γ f \nabla_\Gamma \mathbf{f} ∇Γf,那么就变成了曲面上的格林公式,毕竟曲面上的梯度算子就等于其自身在曲面切面上的投影,这两个公式是可以直接用的。所以,这些知识都是相容的,并没有矛盾。
曲面上偏微分方程组的有限元离散
我们考虑这样一个例子:
{
u
t
−
d
u
u
Δ
Γ
u
−
d
u
v
Δ
Γ
v
=
a
u
(
1
−
u
)
−
b
u
v
u
+
α
v
t
−
d
v
u
Δ
Γ
u
−
d
v
v
Δ
Γ
v
=
c
u
v
u
+
α
−
d
v
\left\{\begin{array}{l}{u_{t}-d_{u u} \Delta_{\Gamma} u-d_{u v} \Delta_{\Gamma} v=a u(1-u)-b \frac{u v}{u+\alpha}} \\ {v_{t}-d_{v u} \Delta_{\Gamma} u-d_{v v} \Delta_{\Gamma} v=c \frac{u v}{u+\alpha}-d v}\end{array}\right.
{ut−duuΔΓu−duvΔΓv=au(1−u)−bu+αuvvt−dvuΔΓu−dvvΔΓv=cu+αuv−dv
令
u
=
[
u
,
v
]
T
\mathbf{u}=[u,v]^T
u=[u,v]T,那么上面的方程组可以写为:
u
t
−
D
d
i
v
∇
Γ
u
=
f
(
u
)
\mathbf{u}_t-D\mathrm{div}\nabla_\Gamma \mathbf{u}=\mathbf{f(u)}
ut−Ddiv∇Γu=f(u)
因
∇
Γ
u
=
∇
Γ
u
P
\nabla_\Gamma \mathbf{u}=\nabla_\Gamma \mathbf{uP}
∇Γu=∇ΓuP,取
v
\mathbf{v}
v,由前述定理,变分可得:
∫
u
t
⋅
v
+
∫
∇
Γ
u
:
∇
Γ
(
D
T
v
)
=
∫
f
(
u
)
⋅
v
\int \mathbf{u}_t \cdot \mathbf{v}+\int \nabla_\Gamma \mathbf{u}:\nabla_\Gamma (D^T\mathbf{v})=\int \mathbf{f(u)}\cdot \mathbf{v}
∫ut⋅v+∫∇Γu:∇Γ(DTv)=∫f(u)⋅v
这里的冒号表示矩阵的点乘,即
A
:
B
=
t
r
(
A
T
B
)
=
t
r
(
A
B
T
)
=
∑
i
,
j
a
i
j
b
i
j
A:B=\mathrm{tr}(A^TB)=\mathrm{tr}(AB^T)=\sum_{i,j}a_{ij}b_{ij}
A:B=tr(ATB)=tr(ABT)=i,j∑aijbij
即元素对应位置相乘,最后求和,结果是个数,也叫Frobenius內积。事实上,我们有:
D
d
i
v
∇
Γ
u
⋅
v
=
v
T
D
d
i
v
∇
Γ
u
=
d
i
v
∇
Γ
u
⋅
D
T
v
D\mathrm{div}\nabla_\Gamma \mathbf{u}\cdot \mathbf{v}= \mathbf{v}^TD\mathrm{div}\nabla_\Gamma \mathbf{u}=\mathrm{div}\nabla_\Gamma \mathbf{u}\cdot D^T\mathbf{v}
Ddiv∇Γu⋅v=vTDdiv∇Γu=div∇Γu⋅DTv
考虑向量变分形式的有限元离散,向量有限元空间,定义为:
V
=
span
{
[
φ
1
0
]
,
…
,
[
φ
m
0
]
,
[
0
φ
1
]
,
…
,
[
0
φ
m
]
}
:
=
span
{
(
ϕ
i
)
}
\mathbf{V}=\operatorname{span}\left\{\left[ \begin{array}{c}{\varphi_{1}} \\ {0}\end{array}\right], \ldots, \left[ \begin{array}{c}{\varphi_{m}} \\ {0}\end{array}\right], \left[ \begin{array}{c}{0} \\ {\varphi_{1}}\end{array}\right], \dots, \left[ \begin{array}{c}{0} \\ {\varphi_{m}}\end{array}\right]\right\} :=\operatorname{span}\left\{\left(\phi_{i}\right)\right\}
V=span{[φ10],…,[φm0],[0φ1],…,[0φm]}:=span{(ϕi)}
和标量有限元离散同样的套路,令
u
=
∑
i
=
1
n
u
i
ϕ
i
\mathbf{u} = \sum_{i=1}^{n}u_i\mathbf{\phi}_i
u=i=1∑nuiϕi
依次取
v
=
ϕ
i
\mathbf{v}=\mathbf{\phi}_i
v=ϕi,做向量形式的有限元离散,最后可得:
M
u
⃗
t
+
A
u
⃗
=
[
f
u
(
ϕ
i
)
]
n
×
1
M\vec{u}_t+A\vec{u}=[f_u(\mathbf{\phi}_i)]_{n\times 1}
Mut+Au=[fu(ϕi)]n×1
其中,
M
=
[
∫
ϕ
i
⋅
ϕ
j
]
n
×
n
M = [\int \mathbf{\phi}_i\cdot\mathbf{\phi}_j]_{n\times n}
M=[∫ϕi⋅ϕj]n×n
A
=
[
∫
∇
Γ
D
T
ϕ
i
:
∇
Γ
ϕ
j
]
n
×
n
A = [\int \nabla_\Gamma D^T\mathbf{\phi}_i:\nabla_\Gamma\mathbf{\phi}_j]_{n\times n}
A=[∫∇ΓDTϕi:∇Γϕj]n×n
f
u
(
ϕ
i
)
=
∫
f
(
u
)
⋅
ϕ
i
f_u(\mathbf{\phi}_i)=\int \mathbf{f}(\mathbf{u})\cdot \mathbf{\phi}_i
fu(ϕi)=∫f(u)⋅ϕi
事实上,这个离散系统本质上和对原方程组两个式子分别做变分,最后再拼接组合成一个代数方程组是一样的,即:
(
M
s
0
0
M
s
)
u
⃗
t
+
(
d
u
u
A
s
d
u
v
A
s
d
v
u
A
s
d
v
v
A
s
)
u
⃗
=
[
{
f
1
(
u
,
φ
i
)
}
,
{
f
2
(
u
,
φ
i
)
}
]
T
\left( \begin{array}{cc}{M_{s}} & {0} \\ {0} & {M_{s}}\end{array}\right) \vec{u}_{t}+\left( \begin{array}{ll}{d_{u u} A_{s}} & {d_{u v} A_{s}} \\ {d_{v u} A_{s}} & {d_{vv} A_{s}}\end{array}\right) \vec{u}=\left[\left\{f_{1}\left(\mathbf{u}, \varphi_{i}\right)\right\},\left\{f_{2}\left(\mathbf{u}, \varphi_{i}\right)\right\}\right]^{T}
(Ms00Ms)ut+(duuAsdvuAsduvAsdvvAs)u=[{f1(u,φi)},{f2(u,φi)}]T
这里的
M
s
M_s
Ms和
A
s
A_s
As的下标
s
s
s表示的是
u
,
v
u,v
u,v所同属的空间
V
V
V中的质量矩阵和刚度矩阵。
事实上,上面的所有用到常矩阵 D \mathbf{D} D的地方,是可以随意进出梯度和散度算子的,即 ∇ Γ D u = D ∇ Γ u \nabla_\Gamma \mathbf{D}\mathbf{u}=\mathbf{D}\nabla_\Gamma \mathbf{u} ∇ΓDu=D∇Γu,且 d i v D u = D d i v u \mathrm{div}\mathbf{D}\mathbf{u}=\mathbf{D}\mathrm{div} \mathbf{u} divDu=Ddivu。再一个对于矩阵的散度和梯度算子,是支持分块矩阵的操作的。
不可压方程组变分形式的基础知识
为了方便和统一,我们以后记标量的梯度是个列向量,而矢量的梯度是个矩阵,每一行都表示矢量的某个分量的梯度,即,形如:
∇
f
=
(
f
x
1
f
y
1
f
z
1
f
x
2
f
y
2
f
z
2
)
\nabla \mathbf{f}= \left( \begin{array}{lll}{f_{x}^{1}} & {f_{y}^{1}} & {f_{z}^{1}} \\ {f_{x}^{2}} & {f_{y}^{2}} & {f_{z}^{2}}\end{array}\right)
∇f=(fx1fx2fy1fy2fz1fz2)
有些地方,关于矢量梯度的定义差一个转置。
则在曲面上,有如下定义:
∇ Γ f : = ( ∇ 1 f 1 , … , ∇ n f ) T = P ( ∇ f ) \nabla_{\Gamma} f :=\left(\nabla_{1} f_{1}, \ldots, \nabla_{n} f\right)^T=\mathbf{P}(\nabla f) ∇Γf:=(∇1f1,…,∇nf)T=P(∇f)
对于矢量,我们定义曲面上的梯度如下:
∇
i
v
=
∑
j
=
1
n
P
∂
j
v
(
P
e
i
)
j
,
and
∇
Γ
v
:
=
(
∇
1
v
…
∇
n
v
)
=
P
(
∇
v
)
P
\nabla_{i} \mathbf{v}=\sum_{j=1}^{n} \mathbf{P} \partial_{j} \mathbf{v}\left(\mathbf{P} \mathbf{e}_{i}\right)_{j}, \text { and } \nabla_{\Gamma \mathbf{v}} :=\left(\nabla_{1} \mathbf{v} \ldots \nabla_{n} \mathbf{v}\right)=\mathbf{P}(\nabla \mathbf{v}) \mathbf{P}
∇iv=j=1∑nP∂jv(Pei)j, and ∇Γv:=(∇1v…∇nv)=P(∇v)P
对于矩阵,我们的曲面梯度算子定义如下:
∇
i
A
=
∑
j
=
1
n
P
∂
j
A
P
(
P
e
i
)
j
,
and
∇
Γ
A
:
=
(
∇
1
A
…
∇
n
A
)
\nabla_{i} \mathbf{A}=\sum_{j=1}^{n} \mathbf{P} \partial_{j} \mathbf{A} \mathbf{P}\left(\mathbf{P} \mathbf{e}_{i}\right)_{j}, \text { and } \nabla_{\Gamma} \mathbf{A} :=\left(\nabla_{1} \mathbf{A} \ldots \nabla_{n} \mathbf{A}\right)
∇iA=j=1∑nP∂jAP(Pei)j, and ∇ΓA:=(∇1A…∇nA)
易知,
∇
Γ
P
=
0
\nabla_{\Gamma} \mathbf{P}=0
∇ΓP=0。
我们有如下的乘积法则:
∇
Γ
(
f
g
)
=
g
∇
Γ
f
+
f
∇
Γ
g
∇
Γ
(
u
⋅
v
)
=
v
T
∇
Γ
u
+
u
T
∇
Γ
v
,
if
P
u
=
u
,
P
v
=
v
∇
Γ
(
f
u
)
=
f
∇
Γ
u
+
P
u
∇
Γ
f
\begin{aligned} \nabla_{\Gamma}(f g) &=g \nabla_{\Gamma} f+f \nabla_{\Gamma} g \\ \nabla_{\Gamma}(\mathbf{u} \cdot \mathbf{v}) &=\mathbf{v}^{T} \nabla_{\Gamma \mathbf{u}}+\mathbf{u}^{T} \nabla_{\Gamma} \mathbf{v}, \quad \text { if } \mathbf{P} \mathbf{u}=\mathbf{u}, \mathbf{P} \mathbf{v}=\mathbf{v} \\ \nabla_{\Gamma}(f \mathbf{u}) &=f \nabla_{\Gamma} \mathbf{u}+\mathbf{P} \mathbf{u} \nabla_{\Gamma} f \end{aligned}
∇Γ(fg)∇Γ(u⋅v)∇Γ(fu)=g∇Γf+f∇Γg=vT∇Γu+uT∇Γv, if Pu=u,Pv=v=f∇Γu+Pu∇Γf
因为是在曲面上的运算,所以需要将矢量投到曲面上。
矢量和矩阵的切向(界面上)散度算子的定义为:
div
Γ
v
:
=
tr
(
∇
Γ
v
)
=
tr
(
P
(
∇
v
)
P
)
=
tr
(
P
(
∇
v
)
)
)
=
tr
(
(
∇
v
)
P
)
=
div
v
−
n
T
∇
v
n
\operatorname{div}_{\Gamma} \mathbf{v} :=\operatorname{tr}\left(\nabla_{\Gamma} \mathbf{v}\right)=\operatorname{tr}(\mathbf{P}(\nabla \mathbf{v}) \mathbf{P})=\operatorname{tr}(\mathbf{P}(\nabla \mathbf{v})) )=\operatorname{tr}((\nabla \mathbf{v}) \mathbf{P})\\=\operatorname{div}\mathbf{v} -\mathbf{n}^T\nabla \mathbf{v} \mathbf{n}
divΓv:=tr(∇Γv)=tr(P(∇v)P)=tr(P(∇v)))=tr((∇v)P)=divv−nT∇vn
div
Γ
A
:
=
(
div
Γ
(
e
1
T
A
)
,
…
,
div
Γ
(
e
n
T
A
)
)
T
\operatorname{div}_{\Gamma} \mathbf{A} :=\left(\operatorname{div}_{\Gamma}\left(\mathbf{e}_{1}^{T} \mathbf{A}\right), \ldots, \operatorname{div}_{\Gamma}\left(\mathbf{e}_{n}^{T} \mathbf{A}\right)\right)^{T}
divΓA:=(divΓ(e1TA),…,divΓ(enTA))T
对矩阵求切向散度,相当于对矩阵的每一行求散度。
也就是说,我们对向量做到曲面切向的投影,往往是左乘一个
P
P
P,而对于矩阵,到曲面切面上的投影一般写成
P
A
P
\mathbf{PAP}
PAP。
我们在考虑一般的Navier-Stokes和Stokes方程的变分的时候,往往考虑的是这一项:
div
(
∇
v
+
∇
T
v
)
\operatorname{div}\left(\nabla \mathbf{v}+\nabla^{T} \mathbf{v}\right)
div(∇v+∇Tv)而在曲面上,这一项就变成了:
P
div
Γ
(
∇
Γ
v
+
∇
Γ
T
v
)
\mathbf{P} \operatorname{div}_{\Gamma}\left(\nabla_{\Gamma} \mathbf{v}+\nabla_{\Gamma}^{T} \mathbf{v}\right)
PdivΓ(∇Γv+∇ΓTv)
也就是前面多了一个投影算子
P
\mathbf{P}
P。
如果考虑
A
\mathbf{A}
A和
v
\mathbf{v}
v都已经在曲面切面上了,即
P
A
P
=
A
,
P
v
=
v
\mathbf{PAP}=\mathbf{A},\mathbf{Pv=v}
PAP=A,Pv=v,那么由上面提到的格林公式,我们可以得到:
∫
Γ
v
⋅
(
P
div
Γ
A
)
d
s
=
∫
Γ
v
⋅
div
Γ
A
d
s
=
−
∫
Γ
tr
(
A
T
∇
Γ
v
)
d
s
\begin{aligned} \int_{\Gamma} \mathbf{v} \cdot\left(\mathbf{P} \operatorname{div}_{\Gamma} \mathbf{A}\right) d s &=\int_{\Gamma} \mathbf{v} \cdot \operatorname{div}_{\Gamma} \mathbf{A} d s \\ &=-\int_{\Gamma} \operatorname{tr}\left(\mathbf{A}^{T} \nabla_{\Gamma} \mathbf{v}\right) d s \end{aligned}
∫Γv⋅(PdivΓA)ds=∫Γv⋅divΓAds=−∫Γtr(AT∇Γv)ds
通过我们为上面的算子定义符号
L
(
A
)
=
P
div
Γ
(
A
)
\mathcal{L}(\mathbf{A})=\mathbf{P} \operatorname{div}_{\Gamma}(\mathbf{A})
L(A)=PdivΓ(A),并且为积分定义一些內积,可得:
(
L
(
A
)
,
v
)
0
=
−
(
A
,
∇
Γ
v
)
0
(\mathcal{L}(\mathbf{A}), \mathbf{v})_{0}=-\left(\mathbf{A}, \nabla_{\Gamma} \mathbf{v}\right)_{0}
(L(A),v)0=−(A,∇Γv)0可以看出
−
L
-\mathcal{L}
−L和
∇
Γ
\nabla_\Gamma
∇Γ互为伴随,由此我们可以定义向量的拉普拉斯算子,叫做Bochner拉普拉斯算子:
P
div
Γ
(
∇
Γ
v
)
=
L
(
∇
Γ
v
)
=
−
∇
Γ
∗
∇
Γ
v
=
:
Δ
Γ
v
\mathbf{P} \operatorname{div}_{\Gamma}\left(\nabla_{\Gamma} \mathbf{v}\right)=\mathcal{L}\left(\nabla_{\Gamma} \mathbf{v}\right)=-\nabla_{\Gamma}^{*} \nabla_{\Gamma} \mathbf{v}=: \Delta_{\Gamma} \mathbf{v}
PdivΓ(∇Γv)=L(∇Γv)=−∇Γ∗∇Γv=:ΔΓv
在欧氏空间中,对于不可压缩的情况,即
d
i
v
v
=
0
\mathrm{div}\mathbf{v}=0
divv=0,我们往往有:
div
∇
T
v
=
0
\operatorname{div} \nabla^{T} \mathbf{v}=0
div∇Tv=0那么Stokes方程中的第二项就没了,但是在曲面上,并不是这样。我们需要一些其他的结果,罗列如下:
P
div
Γ
∇
Γ
T
v
=
∇
Γ
T
div
Γ
v
+
(
tr
(
H
)
H
−
H
2
)
v
,
∀
v
∈
C
T
2
(
Γ
)
n
n
⋅
div
Γ
∇
Γ
T
v
=
n
⋅
div
Γ
(
∇
Γ
v
)
=
−
tr
(
H
∇
Γ
v
)
=
−
tr
(
H
∇
Γ
v
T
)
−
v
N
tr
(
H
2
)
,
∀
v
∈
C
2
(
Γ
)
n
P
div
Γ
(
H
)
=
∇
Γ
T
κ
\begin{aligned} \mathbf{P} \operatorname{div}_{\Gamma} \nabla_{\Gamma}^{T} \mathbf{v} &=\nabla_{\Gamma}^{T} \operatorname{div}_{\Gamma} \mathbf{v}+\left(\operatorname{tr}(\mathbf{H}) \mathbf{H}-\mathbf{H}^{2}\right) \mathbf{v}, \quad \forall \mathbf{v} \in C_{T}^{2}(\Gamma)^{n} \\ \mathbf{n} \cdot \operatorname{div}_{\Gamma} \nabla_{\Gamma}^{T} \mathbf{v} &=\mathbf{n} \cdot \operatorname{div}_{\Gamma}\left(\nabla_{\Gamma} \mathbf{v}\right)=-\operatorname{tr}\left(\mathbf{H} \nabla_{\Gamma} \mathbf{v}\right) \\ &=-\operatorname{tr}\left(\mathbf{H} \nabla_{\Gamma} \mathbf{v}_{T}\right)-v_{N} \operatorname{tr}\left(\mathbf{H}^{2}\right), \quad \forall \mathbf{v} \in C^{2}(\Gamma)^{n} \\ \mathbf{P} \operatorname{div}_{\Gamma}(\mathbf{H}) &=\nabla_{\Gamma}^{T} \kappa \end{aligned}
PdivΓ∇ΓTvn⋅divΓ∇ΓTvPdivΓ(H)=∇ΓTdivΓv+(tr(H)H−H2)v,∀v∈CT2(Γ)n=n⋅divΓ(∇Γv)=−tr(H∇Γv)=−tr(H∇ΓvT)−vNtr(H2),∀v∈C2(Γ)n=∇ΓTκ在n=3的时候,上面的第一个式子就可以简化成:
P
div
Γ
∇
Γ
T
v
=
∇
Γ
T
div
Γ
v
+
K
v
\mathrm{P} \operatorname{div}_{\Gamma} \nabla_{\Gamma}^{T} \mathbf{v}=\nabla_{\Gamma}^{T} \operatorname{div}_{\Gamma} \mathbf{v}+K \mathbf{v}
PdivΓ∇ΓTv=∇ΓTdivΓv+Kv
K
K
K是高斯曲率,是两个主曲率的乘积。
另一个结果是:
n
˙
=
H
u
T
−
∇
Γ
T
u
N
=
−
P
(
∇
T
u
)
n
P
˙
=
P
(
∇
T
u
)
(
I
−
P
)
+
(
I
−
P
)
(
∇
u
)
P
\begin{aligned} \dot{\mathbf{n}} &=\mathbf{H u}_{T}-\nabla_{\Gamma}^{T} u_{N}=-\mathbf{P}\left(\nabla^{T} \mathbf{u}\right) \mathbf{n} \\ \dot{\mathbf{P}} &=\mathbf{P}\left(\nabla^{T} \mathbf{u}\right)(\mathbf{I}-\mathbf{P})+(\mathbf{I}-\mathbf{P})(\nabla \mathbf{u}) \mathbf{P} \end{aligned}
n˙P˙=HuT−∇ΓTuN=−P(∇Tu)n=P(∇Tu)(I−P)+(I−P)(∇u)P
G. Wildenhain. Gilbarg, D. / Trudinger, N. S. Elliptic Partial Differential Equations of Second Order. Berlin-Heidelberg-New York-Tokyo, Springer-Verlag 1983. XIII, 513 S. DM 128,—. US $ 47.80. ISBN 3-540-13025-X (Grundlehren der mathematischen Wissenschaften 224)[J]. ZAMM - Journal of Applied Mathematics and Mechanics / Zeitschrift für Angewandte Mathematik und Mechanik, 2010, 65(11):568-568. ↩︎