曲面上变分的基础知识（方程组）

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：
$${\int }_{\Gamma }{\mathrm{div}}_{\Gamma }(\mathbf{G}\mathbf{P})\cdot \mathbf{g}ds=-{\int }_{\Gamma }\mathrm{tr}\left(\mathbf{G}{\nabla }_{\Gamma }\mathbf{g}\right)ds$$
简单的证明：
引用文献¹中相关的结果，我们有：
$${\int }_{\Gamma }{\left({\nabla }_{\Gamma }\right)}_{i}gds={\int }_{\Gamma }g\kappa n_{i}ds$$
将$g$换为$f_{i}g$，并对$i$求和有：
$${\int }_{\Gamma }g{\mathrm{div}}_{\Gamma }\mathbf{f}+\mathbf{f}\cdot {\nabla }_{\Gamma }gds={\int }_{\Gamma }\kappa \mathbf{f}\cdot \mathbf{n}gds$$
进一步，把$\mathbf{f}$换成$\mathbf{P}\mathbf{f}$我们有：
$${\int }_{\Gamma }g{\mathrm{div}}_{\Gamma }(\mathbf{P}\mathbf{f})ds=-{\int }_{\Gamma }\mathbf{f}\cdot {\nabla }_{\Gamma }gds,{\int }_{\Gamma }{\mathrm{div}}_{\Gamma }(\mathbf{P}\mathbf{f})ds=0$$
由第一个式子，我们自然可以得到：
$${\int }_{\Gamma }{\mathrm{div}}_{\Gamma }(\mathbf{G}\mathbf{P})\cdot \mathbf{g}ds=-{\int }_{\Gamma }\mathrm{tr}\left({\mathbf{G}}^T{\nabla }_{\Gamma }\mathbf{g}\right)ds$$

上面的公式中，如果把散度算子里面的部分换成${\nabla }_{\Gamma }f$和${\nabla }_{\Gamma }\mathbf{f}$，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：
$$\{\begin{array}{l}{u}_t-d_{uu}{\Delta }_{\Gamma }u-d_{uv}{\Delta }_{\Gamma }v=au(1-u)-b\frac{uv}{u+\alpha }\\ v_t-d_{vu}{\Delta }_{\Gamma }u-d_{vv}{\Delta }_{\Gamma }v=c\frac{uv}{u+\alpha }-dv\end{array}$$
令$\mathbf{u}=[u,v{]}^T$，那么上面的方程组可以写为：
$${\mathbf{u}}_t-D\mathrm{d}\mathrm{i}\mathrm{v}{\nabla }_{\Gamma }\mathbf{u}=\mathbf{f}(\mathbf{u})$$

因${\nabla }_{\Gamma }\mathbf{u}={\nabla }_{\Gamma }\mathbf{u}\mathbf{P}$，取$\mathbf{v}$，由前述定理，变分可得：
$$\int {\mathbf{u}}_t\cdot \mathbf{v}+\int {\nabla }_{\Gamma }\mathbf{u}:{\nabla }_{\Gamma }(D^T\mathbf{v})=\int \mathbf{f}(\mathbf{u})\cdot \mathbf{v}$$

这里的冒号表示矩阵的点乘，即
$$A:B=\mathrm{t}\mathrm{r}(A^{T}B)=\mathrm{t}\mathrm{r}(A{B}^T)=\sum _{i,j}{a}_{ij}{b}_{ij}$$
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:
$$D\mathrm{d}\mathrm{i}\mathrm{v}{\nabla }_{\Gamma }\mathbf{u}\cdot \mathbf{v}={\mathbf{v}}^{T}D\mathrm{d}\mathrm{i}\mathrm{v}{\nabla }_{\Gamma }\mathbf{u}=\mathrm{d}\mathrm{i}\mathrm{v}{\nabla }_{\Gamma }\mathbf{u}\cdot D^T\mathbf{v}$$

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{[φ1​0​],…,[φm​0​],[0φ1​​],…,[0φm​​]}:=span{(ϕi​)}
和标量有限元离散同样的套路，令
$$\mathbf{u}=\sum _{i=1}^n{u}_i{\varphi }_i$$
依次取$\mathbf{v}={\varphi }_i$，做向量形式的有限元离散，最后可得：
$$M{\vec{u}}_t+A\vec{u}=[f_u({\varphi }_i){]}_{n\times 1}$$
其中，
$$M=[\int {\varphi }_i\cdot {\varphi }_j{]}_{n\times n}$$
$$A=[\int {\nabla }_{\Gamma }{D}^T{\varphi }_i:{\nabla }_{\Gamma }{\varphi }_j{]}_{n\times n}$$
$$f_u({\varphi }_i)=\int \mathbf{f}(\mathbf{u})\cdot {\varphi }_i$$
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} (Ms​0​0Ms​​)u t​+(duu​As​dvu​As​​duv​As​dvv​As​​)u =[{f1​(u,φi​)},{f2​(u,φi​)}]T
这里的$M_s$和$A_s$的下标$s$表示的是$u,v$所同属的空间$V$中的质量矩阵和刚度矩阵。

事实上，上面的所有用到常矩阵$\mathbf{D}$的地方，是可以随意进出梯度和散度算子的，即${\nabla }_{\Gamma }\mathbf{D}\mathbf{u}=\mathbf{D}{\nabla }_{\Gamma }\mathbf{u}$，且$\mathrm{d}\mathrm{i}\mathrm{v}\mathbf{D}\mathbf{u}=\mathbf{D}\mathrm{d}\mathrm{i}\mathrm{v}\mathbf{u}$。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：
$$\nabla \mathbf{f}=\left(\begin{array}{lll}{f}_x^1& f_y^1& f_z^1\\ f_x^2& f_y^2& f_z^2\end{array}\right)$$
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：

$${\nabla }_{\Gamma }f:={\left({\nabla }_1{f}_1,\dots ,{\nabla }_{n}f\right)}^T=\mathbf{P}(\nabla f)$$

对于矢量，我们定义曲面上的梯度如下：
$${\nabla }_i\mathbf{v}=\sum _{j=1}^n\mathbf{P}{\partial }_j\mathbf{v}{\left(\mathbf{P}{\mathbf{e}}_i\right)}_j,\text{ and }{\nabla }_{\Gamma \mathbf{v}}:=\left({\nabla }_1\mathbf{v}\dots {\nabla }_n\mathbf{v}\right)=\mathbf{P}(\nabla \mathbf{v})\mathbf{P}$$
对于矩阵，我们的曲面梯度算子定义如下：
$${\nabla }_i\mathbf{A}=\sum _{j=1}^n\mathbf{P}{\partial }_j\mathbf{A}\mathbf{P}{\left(\mathbf{P}{\mathbf{e}}_i\right)}_j,\text{ and }{\nabla }_{\Gamma }\mathbf{A}:=\left({\nabla }_1\mathbf{A}\dots {\nabla }_n\mathbf{A}\right)$$
易知，${\nabla }_{\Gamma }\mathbf{P}=0$。
我们有如下的乘积法则：
$$\begin{array}{rl}{\nabla }_{\Gamma }(fg)& =g{\nabla }_{\Gamma }f+f{\nabla }_{\Gamma }g\\ {\nabla }_{\Gamma }(\mathbf{u}\cdot \mathbf{v})& ={\mathbf{v}}^T{\nabla }_{\Gamma \mathbf{u}}+{\mathbf{u}}^T{\nabla }_{\Gamma }\mathbf{v},\text{ if }\mathbf{P}\mathbf{u}=\mathbf{u},\mathbf{P}\mathbf{v}=\mathbf{v}\\ {\nabla }_{\Gamma }(f\mathbf{u})& =f{\nabla }_{\Gamma }\mathbf{u}+\mathbf{P}\mathbf{u}{\nabla }_{\Gamma }f\end{array}$$
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：
$$\begin{gathered} {\mathrm{div}}_{\Gamma }\mathbf{v}:=\mathrm{tr}\left({\nabla }_{\Gamma }\mathbf{v}\right)=\mathrm{tr}(\mathbf{P}(\nabla \mathbf{v})\mathbf{P})=\mathrm{tr}(\mathbf{P}(\nabla \mathbf{v})))=\mathrm{tr}((\nabla \mathbf{v})\mathbf{P}) \\ =\mathrm{div}\mathbf{v}-{\mathbf{n}}^T\nabla \mathbf{v}\mathbf{n} \end{gathered}$$
$${\mathrm{div}}_{\Gamma }\mathbf{A}:={\left({\mathrm{div}}_{\Gamma }\left({\mathbf{e}}_1^T\mathbf{A}\right),\dots ,{\mathrm{div}}_{\Gamma }\left({\mathbf{e}}_n^T\mathbf{A}\right)\right)}^T$$
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$P$，而对于矩阵，到曲面切面上的投影一般写成$\mathbf{P}\mathbf{A}\mathbf{P}$。
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：
$$\mathrm{div}\left(\nabla \mathbf{v}+{\nabla }^T\mathbf{v}\right)$$而在曲面上，这一项就变成了：
$$\mathbf{P}{\mathrm{div}}_{\Gamma }\left({\nabla }_{\Gamma }\mathbf{v}+{\nabla }_{\Gamma }^T\mathbf{v}\right)$$
也就是前面多了一个投影算子$\mathbf{P}$。
如果考虑$\mathbf{A}$和$\mathbf{v}$都已经在曲面切面上了，即$\mathbf{P}\mathbf{A}\mathbf{P}=\mathbf{A},\mathbf{P}\mathbf{v}=\mathbf{v}$，那么由上面提到的格林公式，我们可以得到：
$$\begin{array}{rl}{\int }_{\Gamma }\mathbf{v}\cdot \left(\mathbf{P}{\mathrm{div}}_{\Gamma }\mathbf{A}\right)ds& ={\int }_{\Gamma }\mathbf{v}\cdot {\mathrm{div}}_{\Gamma }\mathbf{A}ds\\ & =-{\int }_{\Gamma }\mathrm{tr}\left({\mathbf{A}}^T{\nabla }_{\Gamma }\mathbf{v}\right)ds\end{array}$$
通过我们为上面的算子定义符号$\mathcal{L}(\mathbf{A})=\mathbf{P}{\mathrm{div}}_{\Gamma }(\mathbf{A})$，并且为积分定义一些內积，可得：
$$(\mathcal{L}(\mathbf{A}),\mathbf{v}{)}_0=-{\left(\mathbf{A},{\nabla }_{\Gamma }\mathbf{v}\right)}_0$$可以看出$-\mathcal{L}$和${\nabla }_{\Gamma }$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：
$$\mathbf{P}{\mathrm{div}}_{\Gamma }\left({\nabla }_{\Gamma }\mathbf{v}\right)=\mathcal{L}\left({\nabla }_{\Gamma }\mathbf{v}\right)=-{\nabla }_{\Gamma }^{\ast }{\nabla }_{\Gamma }\mathbf{v}=:{\Delta }_{\Gamma }\mathbf{v}$$
在欧氏空间中，对于不可压缩的情况，即$\mathrm{d}\mathrm{i}\mathrm{v}\mathbf{v}=0$，我们往往有：
$$\mathrm{div}{\nabla }^T\mathbf{v}=0$$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：
$$\begin{array}{rl}\mathbf{P}{\mathrm{div}}_{\Gamma }{\nabla }_{\Gamma }^T\mathbf{v}& ={\nabla }_{\Gamma }^T{\mathrm{div}}_{\Gamma }\mathbf{v}+\left(\mathrm{tr}(\mathbf{H})\mathbf{H}-{\mathbf{H}}^2\right)\mathbf{v},\forall \mathbf{v}\in C_T^2(\Gamma {)}^n\\ \mathbf{n}\cdot {\mathrm{div}}_{\Gamma }{\nabla }_{\Gamma }^T\mathbf{v}& =\mathbf{n}\cdot {\mathrm{div}}_{\Gamma }\left({\nabla }_{\Gamma }\mathbf{v}\right)=-\mathrm{tr}\left(\mathbf{H}{\nabla }_{\Gamma }\mathbf{v}\right)\\ & =-\mathrm{tr}\left(\mathbf{H}{\nabla }_{\Gamma }{\mathbf{v}}_T\right)-v_N\mathrm{tr}\left({\mathbf{H}}^2\right),\forall \mathbf{v}\in C^2(\Gamma {)}^n\\ \mathbf{P}{\mathrm{div}}_{\Gamma }(\mathbf{H})& ={\nabla }_{\Gamma }^T\kappa \end{array}$$在n=3的时候，上面的第一个式子就可以简化成：
$$\mathrm{P}{\mathrm{div}}_{\Gamma }{\nabla }_{\Gamma }^T\mathbf{v}={\nabla }_{\Gamma }^T{\mathrm{div}}_{\Gamma }\mathbf{v}+K\mathbf{v}$$
$K$是高斯曲率，是两个主曲率的乘积。
另一个结果是：
$$\begin{array}{rl}\dot{\mathbf{n}}& ={\mathbf{H}\mathbf{u}}_T-{\nabla }_{\Gamma }^T{u}_N=-\mathbf{P}\left({\nabla }^T\mathbf{u}\right)\mathbf{n}\\ \dot{\mathbf{P}}& =\mathbf{P}\left({\nabla }^T\mathbf{u}\right)(\mathbf{I}-\mathbf{P})+(\mathbf{I}-\mathbf{P})(\nabla \mathbf{u})\mathbf{P}\end{array}$$

---

1. 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. ↩︎