Luận án Tiến sĩ: Đồng hóa số liệu trong truyền nhiệt - Nguyễn Thị Ngọc Oanh

Data assimilation, hay đồng hóa số liệu, là một lĩnh vực tiên tiến trong khoa học tính toán, đóng vai trò then chốt trong… 186 trang · Viện Toán Học · 2017.

• Tác giả: Nguyễn Thị Ngọc Oanh
• Người hướng dẫn: GS. Đinh Nho Hào
• Trường học: Viện Toán Học
• Chuyên ngành: Phương trình Vi phân và Tích phân
• Đề tài: Đồng Hóa Số Liệu Trong Truyền Nhiệt
• Loại tài liệu: Luận án Tiến sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cảm ơn
• Tóm tắt tiếng Anh
• Tóm tắt
• Lời cam đoan
• Danh mục hình vẽ
• Danh mục bảng biểu
• Danh mục ký hiệu
• MỞ ĐẦU
• 1. Chương 1: Các kết quả bổ trợ
• 1.3. Phương pháp sai phân hữu hạn cho bài toán thuận một chiều
• 1.3.1. Rời rạc hóa theo biến không gian
• 1.3.2. Rời rạc hóa theo biến thời gian
• 1.4. Phương pháp sai phân hữu hạn cho bài toán thuận nhiều chiều
• 1.4.1. Nội suy các hàm lưới
• 1.4.2. Rời rạc hóa theo các biến không gian và sự hội tụ của lược đồ sai phân hữu hạn
• 1.4.3. Rời rạc hóa theo thời gian và lược đồ sai phân phân rã
• 1.5. Xấp xỉ các bài toán biến phân
• 1.6. Thuật toán Lanczos xấp xỉ các giá trị kỳ dị
• 2. Chương 2: Đồng hóa số liệu từ quan sát tại thời điểm cuối
• 2.1. Thiết lập bài toán và phương pháp biến phân
• 2.2. Rời rạc hóa bài toán biến phân theo biến không gian
• 2.3. Rời rạc hóa toàn phần bài toán biến phân
• 2.3.1. Gradient của phiếm hàm mục tiêu
• 2.3.2. Phương pháp gradient liên hợp
• 2.4. Kết quả số
• 2.4.1. Xấp xỉ các giá trị kỳ dị
• 2.4.2. Các ví dụ số cho bài toán hai chiều
• 3. Chương 3: Đồng hóa số liệu từ quan sát tích phân
• 3.1. Thiết lập bài toán và phương pháp biến phân
• 3.2. Rời rạc hóa bài toán biến phân theo biến không gian
• 3.3. Rời rạc hóa toàn phần bài toán biến phân
• 3.4. Ví dụ số
• 3.4.1. Các ví dụ số một chiều
• 3.4.2. Các ví dụ số hai chiều
• 4. Chương 4: Đồng hóa số liệu từ quan sát biên
• 4.1. Thiết lập bài toán và phương pháp biến phân
• 4.2. Rời rạc hóa phương pháp biến phân theo các biến không gian
• 4.3. Rời rạc hóa toàn phần bài toán biến phân và phương pháp gradient liên hợp
• 4.4. Ví dụ số
• 4.4.1. Ví dụ số trong trường hợp một chiều
• 4.4.2. Ví dụ số trong trường hợp nhiều chiều
• KẾT LUẬN
• Danh mục công trình của tác giả liên quan đến luận án
• Tài liệu tham khảo

Tóm tắt

I. Khám Phá Luận Án Data Assimilation In Heat Conduction

Data assimilation, hay đồng hóa số liệu, là một lĩnh vực tiên tiến trong khoa học tính toán, đóng vai trò then chốt trong việc cải thiện độ chính xác của các mô hình dự báo. Luận án "Data Assimilation in Heat Conduction" của tác giả Nguyễn Thị Ngọc Oanh đi sâu vào một trong những ứng dụng quan trọng nhất: xác định lại điều kiện ban đầu của một quá trình vật lý từ các quan sát không đầy đủ. Cụ thể, nghiên cứu tập trung vào phương trình truyền nhiệt, một mô hình toán học mô tả sự phân bố nhiệt độ trong một môi trường theo thời gian. Trong thực tế, việc xác định chính xác điều kiện nhiệt độ ban đầu của một hệ thống là cực kỳ khó khăn, nếu không muốn nói là bất khả thi. Các dữ liệu quan sát được (ví dụ: nhiệt độ tại một vài điểm, tại một thời điểm trong tương lai) thường chứa nhiễu và không đầy đủ. Đây là lúc kỹ thuật data assimilation phát huy tác dụng. Nó kết hợp thông tin từ mô hình vật lý (phương trình đạo hàm riêng) với dữ liệu quan sát thực tế để đưa ra một ước lượng trạng thái (state estimation) tối ưu cho điều kiện ban đầu. Mục tiêu cuối cùng là tái tạo lại trạng thái ban đầu một cách chính xác nhất có thể, từ đó nâng cao khả năng dự báo của mô hình. Luận án này không chỉ là một công trình nghiên cứu lý thuyết mà còn có giá trị ứng dụng cao, đặc biệt trong các lĩnh vực như dự báo thời tiết, giám sát ô nhiễm môi trường, và tối ưu hóa các quy trình công nghiệp. Các kỹ thuật được trình bày, như phương pháp biến phân và mô hình hóa số, cung cấp một bộ công cụ mạnh mẽ để giải quyết các bài toán ngược truyền nhiệt (IHCP), một lớp bài toán nổi tiếng là "ill-posed" (đặt không chỉnh) và đầy thách thức trong toán học ứng dụng. Nghiên cứu này là một tài liệu tham khảo giá trị cho sinh viên và các nhà nghiên cứu quan tâm đến luận văn thạc sĩ hoặc tiến sĩ trong lĩnh vực toán ứng dụng và khoa học dữ liệu.

1.1. Định nghĩa đồng hóa số liệu và ước lượng trạng thái

Đồng hóa số liệu (data assimilation) là quá trình tích hợp dữ liệu quan sát thực nghiệm vào một mô hình động lực (thường là một hệ các phương trình vi phân) để cải thiện việc ước lượng trạng thái của hệ thống. Thay vì chỉ chạy mô hình thuận với một điều kiện ban đầu giả định, data assimilation hiệu chỉnh điều kiện ban đầu đó sao cho đầu ra của mô hình khớp với các quan sát thực tế một cách tốt nhất có thể. Quá trình này về cơ bản là một bài toán tối ưu hóa hoặc suy luận thống kê, nơi mục tiêu là tìm ra trạng thái ban đầu có khả năng xảy ra cao nhất dựa trên cả mô hình và dữ liệu. Các phương pháp phổ biến bao gồm phương pháp biến phân (như 4D-Var) và phương pháp thống kê tuần tự (như lọc Kalman và các biến thể của nó). Kết quả của quá trình này là một trường phân tích (analysis field) chính xác hơn, cung cấp một điểm khởi đầu tốt hơn cho các dự báo trong tương lai.

1.2. Tầm quan trọng trong việc giải phương trình truyền nhiệt

Trong lĩnh vực truyền nhiệt, việc dự báo sự tiến triển của trường nhiệt độ là cực kỳ quan trọng. Tuy nhiên, phương trình truyền nhiệt chỉ có thể cho ra dự báo chính xác nếu điều kiện ban đầu (phân bố nhiệt độ tại thời điểm t=0) được biết chính xác. Data assimilation giải quyết vấn đề này bằng cách cho phép tái tạo lại điều kiện ban đầu từ các phép đo gián tiếp, chẳng hạn như nhiệt độ tại thời điểm cuối, nhiệt độ đo tại một vài vị trí bên trong miền, hoặc thông lượng nhiệt trên biên. Điều này mở ra nhiều ứng dụng thực tiễn, từ việc xác định nguồn nhiệt chưa biết trong các quy trình công nghiệp đến việc tái tạo lại lịch sử nhiệt của một vật thể. Luận án của Nguyễn Thị Ngọc Oanh đã nghiên cứu sâu về ba loại quan sát này, cho thấy tính khả thi và hiệu quả của phương pháp biến phân trong việc giải quyết những bài toán này.

II. Thách Thức Cốt Lõi Bài Toán Ngược Truyền Nhiệt IHCP

Trái tim của data assimilation trong truyền nhiệt là việc giải quyết bài toán ngược truyền nhiệt (Inverse Heat Conduction Problem - IHCP). Khác với bài toán thuận (direct problem) – nơi ta biết điều kiện ban đầu và các điều kiện biên để tìm ra sự phân bố nhiệt độ trong tương lai – bài toán ngược lại tìm cách xác định các nguyên nhân chưa biết (như điều kiện ban đầu, thông lượng nhiệt biên, hoặc hệ số truyền nhiệt) từ các kết quả quan sát được. Thách thức lớn nhất của IHCP nằm ở "tính đặt không chỉnh" (ill-posedness) theo định nghĩa của Hadamard. Một bài toán được gọi là đặt không chỉnh nếu nó không thỏa mãn một trong ba điều kiện: tồn tại nghiệm, duy nhất nghiệm, và nghiệm phụ thuộc liên tục vào dữ liệu. Đối với IHCP, vấn đề chủ yếu nằm ở điều kiện thứ ba: sự ổn định. Một thay đổi rất nhỏ, không thể tránh khỏi trong dữ liệu quan sát (do sai số của thiết bị đo) có thể dẫn đến những sai lệch cực lớn và vô nghĩa trong nghiệm tìm được. Luận án trích dẫn một ví dụ kinh điển: sai số 10⁻⁸ trong hệ số Fourier thứ năm của dữ liệu có thể gây ra sai số lên tới 10³ trong nhiệt độ ban đầu được tái tạo. Tính không ổn định này xuất phát từ bản chất khuếch tán và làm mịn của phương trình truyền nhiệt khi tiến về phía trước theo thời gian; do đó, việc đảo ngược quá trình này sẽ khuếch đại nhiễu một cách mạnh mẽ. Để giải quyết vấn đề này, cần phải sử dụng các kỹ thuật hiệu chỉnh (regularization), chẳng hạn như phương pháp hiệu chỉnh Tikhonov được trình bày chi tiết trong luận án. Việc hiểu rõ bản chất của bài toán ngược truyền nhiệt là bước đầu tiên và quan trọng nhất để xây dựng các thuật toán số ổn định và hiệu quả.

2.1. Phân biệt bài toán ngược truyền nhiệt và bài toán thuận

Bài toán thuận trong truyền nhiệt là bài toán cổ điển: cho trước sự phân bố nhiệt độ ban đầu v(x), các nguồn nhiệt f(x,t) và điều kiện biên, hãy tìm sự phân bố nhiệt độ u(x,t) trong tương lai. Bài toán này thường đặt chỉnh (well-posed) và có thể được giải bằng các phương pháp số tiêu chuẩn. Ngược lại, bài toán ngược truyền nhiệt (IHCP) đảo ngược vai trò của nguyên nhân và kết quả. Ví dụ, cho biết nhiệt độ tại thời điểm cuối u(x,T), hãy tìm nhiệt độ ban đầu v(x). Luận án của Nguyễn Thị Ngọc Oanh tập trung vào dạng bài toán ngược này, nơi toán tử C ánh xạ từ điều kiện ban đầu v sang dữ liệu quan sát Cu(v) là một toán tử compact. Điều này về mặt toán học đã chứng tỏ tính đặt không chỉnh của bài toán, vì toán tử ngược C⁻¹ sẽ không liên tục.

2.2. Tính đặt không chỉnh và sự cần thiết của hiệu chỉnh

Tính đặt không chỉnh (ill-posedness) là rào cản chính khiến các phương pháp số cổ điển thất bại khi áp dụng cho IHCP. Như đã phân tích, một nhiễu nhỏ trong dữ liệu đo đạc sẽ bị khuếch đại theo cấp số nhân khi tính toán ngược thời gian. Điều này có nghĩa là nếu không có một cơ chế kiểm soát, nghiệm số thu được sẽ hoàn toàn bị chi phối bởi nhiễu và không có ý nghĩa vật lý. Đây là lý do tại sao các phương pháp hiệu chỉnh là bắt buộc. Luận án đã áp dụng phương pháp hiệu chỉnh Tikhonov, một kỹ thuật phổ biến và mạnh mẽ. Ý tưởng là biến đổi bài toán tối ưu hóa ban đầu (cực tiểu hóa sai số giữa mô phỏng và quan sát) bằng cách cộng thêm một thành phần "trừng phạt" (penalty term). Thành phần này, được kiểm soát bởi một tham số hiệu chỉnh γ, giúp ưu tiên các nghiệm "trơn" hoặc "hợp lý" về mặt vật lý, từ đó loại bỏ các dao động lớn gây ra bởi nhiễu và ổn định quá trình tìm nghiệm.

III. Phương Pháp Biến Phân Cho Data Assimilation Truyền Nhiệt

Để giải quyết bài toán ngược truyền nhiệt một cách hiệu quả, luận án đã lựa chọn phương pháp biến phân (variational method). Đây là một cách tiếp cận mạnh mẽ, chuyển đổi bài toán tìm nghiệm của một phương trình thành bài toán tìm cực tiểu của một phiếm hàm (functional). Cụ thể, một phiếm hàm sai số (misfit functional) J(v) được xây dựng để đo lường sự khác biệt giữa kết quả mô phỏng từ mô hình (với điều kiện ban đầu v) và dữ liệu quan sát thực tế z. Ví dụ, khi quan sát là nhiệt độ tại thời điểm cuối T, phiếm hàm có dạng J(v) = ½ ||u(T;v) - z||². Tuy nhiên, do tính đặt không chỉnh, việc cực tiểu hóa trực tiếp phiếm hàm này sẽ không ổn định. Do đó, luận án đã áp dụng phương pháp hiệu chỉnh Tikhonov, tạo ra một phiếm hàm mới: Jᵧ(v) = ½ ||Cu(v) - z||² + (γ/2) ||v - v*||². Trong đó, Cu(v) là toán tử quan sát, z là dữ liệu đo, γ > 0 là tham số hiệu chỉnh, và v* là một ước lượng tiên nghiệm (a priori) về điều kiện ban đầu. Thành phần thứ hai đóng vai trò ổn định hóa, đảm bảo nghiệm tìm được không quá xa rời so với dự đoán ban đầu. Một trong những đóng góp quan trọng của luận án là chứng minh được phiếm hàm Jᵧ khả vi Fréchet và xây dựng công thức tính gradient của nó thông qua việc giải một bài toán liên hợp (adjoint problem). Việc tính toán được gradient một cách hiệu quả cho phép sử dụng các thuật toán tối ưu hóa dựa trên gradient, chẳng hạn như thuật toán gradient liên hợp (conjugate gradient method), để tìm nghiệm một cách nhanh chóng. Cách tiếp cận này trong variational data assimilation là nền tảng cho nhiều hệ thống đồng hóa số liệu hiện đại.

3.1. Xây dựng phiếm hàm Tikhonov cho variational data assimilation

Việc xây dựng phiếm hàm Tikhonov là bước cốt lõi trong variational data assimilation. Phiếm hàm Jᵧ(v) bao gồm hai thành phần chính. Thành phần thứ nhất, ||Cu(v) - z||², là "thành phần quan sát", đo lường mức độ phù hợp của nghiệm với dữ liệu thực tế. Thành phần thứ hai, (γ/2) ||v - v*||², là "thành phần nền" hoặc "thành phần hiệu chỉnh", đo lường khoảng cách từ nghiệm đến một trạng thái nền đã biết (a priori estimate). Tham số γ đóng vai trò cân bằng giữa hai thành phần này. Nếu γ nhỏ, nghiệm sẽ rất khớp với quan sát nhưng có thể không ổn định. Nếu γ lớn, nghiệm sẽ ổn định và gần với trạng thái nền nhưng có thể không khớp tốt với quan sát. Việc lựa chọn γ phù hợp là một phần quan trọng của phương pháp.

3.2. Vai trò của bài toán liên hợp trong tính toán gradient

Để tối ưu hóa phiếm hàm Jᵧ, việc tính toán gradient ∇Jᵧ là cần thiết. Tính gradient trực tiếp bằng phương pháp sai phân là rất tốn kém về mặt tính toán. Luận án đã sử dụng phương pháp bài toán liên hợp (adjoint method) để tính gradient một cách hiệu quả. Phương pháp này yêu cầu giải một phương trình đạo hàm riêng liên hợp, có cấu trúc tương tự như phương trình thuận nhưng chạy ngược thời gian, từ T về 0. Nghiệm của bài toán liên hợp sau đó được sử dụng để xây dựng một công thức tường minh cho gradient. Ưu điểm lớn của phương pháp này là chi phí tính toán để có được gradient chỉ tương đương với một lần chạy mô hình thuận, bất kể số chiều của không gian điều khiển (không gian của v).

IV. Hướng Dẫn Mô Hình Hóa Số Bài Toán Truyền Nhiệt Ngược

Từ lý thuyết đến thực hành, việc mô hình hóa số đóng vai trò quyết định đến sự thành công của thuật toán. Luận án đã trình bày chi tiết quá trình rời rạc hóa bài toán biến phân để có thể giải được trên máy tính. Bước đầu tiên là rời rạc hóa bài toán thuận và bài toán liên hợp theo biến không gian bằng phương pháp sai phân hữu hạn (finite difference method - FDM). Sau đó, bài toán tiếp tục được rời rạc hóa theo biến thời gian. Một điểm đặc biệt trong luận án là việc sử dụng phương pháp sai phân phân rã (splitting method). Phương pháp này có ưu điểm lớn là chia một bài toán nhiều chiều phức tạp thành một chuỗi các bài toán một chiều đơn giản hơn, giúp giảm đáng kể thời gian tính toán và dễ dàng lập trình. Luận án đã chứng minh được sự hội tụ của nghiệm của bài toán biến phân rời rạc tới nghiệm của bài toán liên tục, đảm bảo tính đúng đắn của phương pháp số. Sau khi rời rạc hóa hoàn toàn, phiếm hàm mục tiêu và gradient của nó cũng được biểu diễn dưới dạng rời rạc. Tại đây, thuật toán gradient liên hợp (conjugate gradient method) được áp dụng để giải bài toán tối ưu hóa. Đây là một thuật toán lặp hiệu quả cho các bài toán tối ưu hóa quy mô lớn, hội tụ nhanh hơn nhiều so với phương pháp gradient descent thông thường. Quá trình numerical simulation of heat transfer được thực hiện trên MATLAB, và các kết quả số được trình bày để kiểm chứng hiệu quả của thuật toán trên các ví dụ khác nhau, từ các điều kiện ban đầu trơn đến gián đoạn, cho cả bài toán một chiều và nhiều chiều. Cách tiếp cận này có thể so sánh với các phương pháp khác như Ensemble Kalman Filter (EnKF) trong việc giải quyết các bài toán đồng hóa số liệu.

4.1. Rời rạc hóa bằng phương pháp sai phân hữu hạn FDM

Phương pháp sai phân hữu hạn (FDM) là một kỹ thuật cổ điển nhưng mạnh mẽ để rời rạc hóa các phương trình đạo hàm riêng. Miền không gian và thời gian được chia thành một lưới các điểm. Các đạo hàm trong phương trình vi phân được xấp xỉ bằng các công thức sai phân tại các điểm lưới này. Luận án đã áp dụng FDM cho cả biến không gian và thời gian. Đặc biệt, việc sử dụng phương pháp phân rã (splitting method) cho biến thời gian giúp xử lý các bài toán nhiều chiều một cách hiệu quả, bằng cách giải tuần tự theo từng phương không gian. Luận án cũng chứng minh sự hội tụ của lược đồ sai phân, một bước quan trọng để đảm bảo rằng khi lưới tính toán mịn dần, nghiệm số sẽ tiến về nghiệm chính xác của bài toán.

4.2. Áp dụng thuật toán gradient liên hợp để tối ưu hóa

Sau khi đã có công thức tính gradient của phiếm hàm rời rạc, bài toán tối ưu hóa có thể được giải. Thuật toán gradient liên hợp (Conjugate Gradient - CG) là một lựa chọn lý tưởng cho các bài toán tối ưu hóa lồi, quy mô lớn. Khác với phương pháp gradient descent chỉ đi theo hướng dốc nhất, CG xây dựng một chuỗi các hướng tìm kiếm liên hợp với nhau, giúp thuật toán hội tụ đến nghiệm tối ưu chỉ sau một số hữu hạn bước lặp (trong điều kiện lý tưởng). Trong mỗi bước lặp của CG, cần phải giải bài toán thuận và bài toán liên hợp một lần để tính toán gradient và cập nhật nghiệm. Sự hiệu quả của thuật toán CG đã được kiểm chứng qua các ví dụ số trong luận án.

V. Ứng Dụng Thực Tiễn và Kết Quả Từ Luận Án Tiêu Biểu

Các phương pháp được phát triển trong luận án "Data Assimilation in Heat Conduction" có phạm vi ứng dụng rộng rãi và thiết thực. Trong kỹ thuật và công nghiệp, chúng có thể được sử dụng để giám sát và điều khiển các quy trình nhiệt, ví dụ như xác định sự phân bố nhiệt độ bên trong một lò nung từ các cảm biến đặt trên bề mặt, hoặc ước tính hệ số truyền nhiệt của vật liệu mới. Trong khoa học môi trường, kỹ thuật này giúp tái tạo lại nguồn ô nhiễm từ các điểm quan trắc nồng độ chất ô nhiễm, mô phỏng sự lan truyền của nhiệt trong lòng đất hoặc trong các khối nước lớn. Trong y học, nó có thể hỗ trợ trong các phương pháp điều trị bằng nhiệt, nơi việc kiểm soát chính xác trường nhiệt độ là cực kỳ quan trọng. Luận án đã thực hiện nhiều mô phỏng số truyền nhiệt để minh họa hiệu quả của phương pháp. Các ví dụ số bao gồm cả bài toán một chiều và hai chiều, với các loại dữ liệu quan sát khác nhau: tại thời điểm cuối, quan sát tích phân bên trong miền, và quan sát trên biên. Kết quả cho thấy thuật toán có khả năng tái tạo lại các điều kiện ban đầu với độ chính xác cao, ngay cả khi dữ liệu quan sát có nhiễu. Các ví dụ thử nghiệm với các hàm điều kiện ban đầu khác nhau (trơn, liên tục nhưng không khả vi, và gián đoạn) đều cho thấy sự mạnh mẽ và ổn định của phương pháp sau khi áp dụng hiệu chỉnh. Một sản phẩm phụ thú vị của phương pháp biến phân được đề xuất là khả năng ước tính các giá trị riêng của toán tử C*C, giúp định lượng mức độ đặt không chỉnh của bài toán, đây là một đóng góp quan trọng cho việc phân tích lý thuyết các bài toán ngược.

5.1. Các loại quan sát được nghiên cứu từ điểm cuối đến biên

Luận án không chỉ dừng lại ở một loại quan sát mà đã nghiên cứu ba trường hợp thực tế và quan trọng. Trường hợp 1: quan sát tại thời điểm cuối, tương ứng với bài toán phương trình parabolic ngược thời gian. Trường hợp 2: quan sát tích phân bên trong, mô phỏng các phép đo trung bình trong một khu vực, thực tế hơn so với các phép đo điểm. Trường hợp 3: quan sát trên biên, hữu ích khi không thể đặt cảm biến bên trong đối tượng. Việc nghiên cứu cả ba loại quan sát này cho thấy tính tổng quát và linh hoạt của phương pháp biến phân được đề xuất.

5.2. Phân tích kết quả mô phỏng số truyền nhiệt từ luận án

Các kết quả số trong luận án đã chứng minh một cách thuyết phục hiệu quả của thuật toán. Các hình ảnh so sánh giữa điều kiện ban đầu chính xác và điều kiện ban đầu được tái tạo cho thấy sự trùng khớp rất tốt. Đồ thị sai số điểm (point-wise error) cũng được trình bày để lượng hóa độ chính xác. Ngay cả đối với các điều kiện ban đầu phức tạp như hàm gián đoạn (discontinuous functions), thuật toán vẫn có thể nắm bắt được các đặc điểm chính, mặc dù có thể xuất hiện hiệu ứng Gibbs gần các điểm gián đoạn. Các bảng biểu cho thấy sự hội tụ của thuật toán và ảnh hưởng của các tham số như vị trí và số lượng điểm quan sát đến chất lượng của kết quả tái tạo, cung cấp những thông tin giá trị cho việc thiết kế thực nghiệm.

VI. Tương Lai Của Data Assimilation Trong Khoa Học Tính Toán

Luận án "Data Assimilation in Heat Conduction" đã đặt một nền tảng vững chắc cho việc giải quyết các bài toán ngược trong truyền nhiệt bằng phương pháp biến phân và sai phân hữu hạn. Tuy nhiên, lĩnh vực đồng hóa số liệu vẫn đang phát triển không ngừng với nhiều hướng đi mới đầy hứa hẹn. Một trong những hướng phát triển quan trọng là mở rộng sang các bài toán phi tuyến, nơi các hệ số trong phương trình truyền nhiệt phụ thuộc vào chính nhiệt độ. Trong trường hợp này, bài toán tối ưu hóa sẽ trở nên phức tạp hơn, đòi hỏi các thuật toán mạnh mẽ hơn. Các phương pháp đồng hóa số liệu tiên tiến khác cũng đang được quan tâm, ví dụ như Ensemble Kalman Filter (EnKF) và các biến thể của nó. Đây là các phương pháp dựa trên thống kê, đặc biệt hiệu quả cho các hệ thống có độ bất định cao và mô hình động lực phức tạp. Particle filter là một hướng đi khác, có khả năng xử lý các hệ thống phi tuyến và phi-Gaussian mạnh mẽ. Việc kết hợp ưu điểm của các phương pháp biến phân (như 4D-Var) và các phương pháp thống kê tuần tự (như bộ lọc Kalman) đang là một lĩnh vực nghiên cứu sôi nổi, dẫn đến các phương pháp lai (hybrid methods). Hơn nữa, với sự phát triển của học máy và trí tuệ nhân tạo, việc tích hợp các mô hình dựa trên dữ liệu (data-driven models) vào khung đồng hóa số liệu truyền thống cũng mở ra nhiều cơ hội mới để cải thiện độ chính xác và hiệu quả tính toán, đặc biệt là trong việc xây dựng các state-space model phức tạp hơn. Tương lai của data assimilation hứa hẹn sẽ tiếp tục là một lĩnh vực liên ngành hấp dẫn, kết nối toán học ứng dụng, khoa học máy tính và các ngành khoa học kỹ thuật khác.

6.1. Tóm tắt đóng góp chính của luận án nghiên cứu

Luận án đã đóng góp một cách hệ thống và toàn diện vào việc nghiên cứu bài toán đồng hóa số liệu cho phương trình truyền nhiệt. Các đóng góp chính bao gồm: (1) Xây dựng và phân tích toán học chặt chẽ cho phương pháp biến phân để tái tạo điều kiện ban đầu từ ba loại quan sát khác nhau. (2) Đề xuất và chứng minh sự hội tụ của một lược đồ số hiệu quả dựa trên phương pháp sai phân hữu hạn kết hợp với phương pháp phân rã. (3) Áp dụng thuật toán gradient liên hợp với việc tính gradient thông qua bài toán liên hợp để giải số. (4) Đề xuất một phương pháp số để ước tính các giá trị suy biến, giúp phân tích định lượng tính đặt không chỉnh của bài toán.

6.2. Hướng phát triển Từ 4D Var đến các bộ lọc thống kê

Phương pháp biến phân được trình bày trong luận án có liên quan chặt chẽ đến kỹ thuật 4D-Var (Four-Dimensional Variational data assimilation) được sử dụng rộng rãi trong dự báo thời tiết. Hướng phát triển trong tương lai có thể tập trung vào việc so sánh và kết hợp phương pháp này với các kỹ thuật dựa trên bộ lọc thống kê. Ví dụ, Ensemble Kalman Filter (EnKF) sử dụng một tập hợp (ensemble) các trạng thái mô hình để ước tính ma trận hiệp phương sai lỗi, giúp nó linh hoạt hơn trong các bài toán phi tuyến. Particle filter còn tổng quát hơn, có thể xấp xỉ bất kỳ phân phối xác suất nào, nhưng đòi hỏi chi phí tính toán cao. Việc nghiên cứu các phương pháp lai, kết hợp sự chặt chẽ trong tối ưu hóa toàn cục của 4D-Var và khả năng cập nhật lỗi động của EnKF, là một hướng đi đầy tiềm năng.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ toán học với đề tài "Data assimilation in heat conduction" (Đồng hóa số liệu trong truyền nhiệt) do tác giả Nguyễn Thị Ngọc Oanh thực hiện tại Viện Toán học thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2017, dưới sự hướng dẫn khoa học của Giáo sư Đinh Nho Hào. Luận án thuộc chuyên ngành Phương trình Vi phân và Tích phân, mã số chuyên ngành 62 46 01 03.

Về tính cấp thiết và khoảng trống nghiên cứu, việc dự báo một quá trình tiến hóa mô tả bởi hệ động lực toán học đòi hỏi phải xác định chính xác trạng thái điều kiện ban đầu của hệ. Tuy nhiên, trong thực tiễn mô phỏng, điều kiện ban đầu này thường không có sẵn hoặc không thể đo đạc trực tiếp một cách đầy đủ và chuẩn xác. Đồng hóa số liệu (data assimilation) là quá trình khôi phục điều kiện ban đầu của mô hình dựa trên các kết quả quan sát đo đạc thực nghiệm kết hợp với trường đoán nhận ban đầu và hệ động lực. Trong phương trình truyền nhiệt, việc xác định điều kiện ban đầu từ dữ liệu quan sát là một bài toán ngược (inverse problem) và luôn đối mặt với tính đặt không chỉnh (ill-posed) theo nghĩa Hadamard: vi phạm điều kiện tồn tại, tính duy nhất hoặc tính ổn định của nghiệm (nghiệm không phụ thuộc liên tục vào dữ liệu đo, khiến sai số đo rất nhỏ có thể làm sai lệch hoàn toàn kết quả tính toán). Khoảng trống nghiên cứu then chốt mà luận án giải quyết là việc khảo sát toàn diện cả về mặt giải tích và thuật toán số cho bài toán khôi phục điều kiện ban đầu của phương trình truyền nhiệt với các hệ số phụ thuộc thời gian dưới ba dạng quan sát khác nhau, điều mà các công trình trước đây còn rất hạn chế hoặc chỉ xem xét trong trường hợp hệ số dừng.

Mục tiêu và nhiệm vụ nghiên cứu của luận án bao gồm:

1. Thiết lập bài toán biến phân để xác định điều kiện ban đầu $v$ trong phương trình truyền nhiệt parabolic thông qua ba dạng dữ liệu quan sát: quan sát tại thời điểm cuối, quan sát tích phân bên trong và quan sát trên biên.
2. Chứng minh tính khả vi Fréchet của các phiếm hàm mục tiêu liên tục và thiết lập công thức tính đạo hàm gradient của phiếm hàm thông qua việc giải các bài toán liên hợp tương ứng.
3. Rời rạc hóa bài toán thuận và bài toán biến phân theo các biến không gian bằng phương pháp sai phân hữu hạn; chứng minh sự hội tụ của nghiệm bài toán biến phân rời rạc về nghiệm của bài toán liên tục.
4. Rời rạc hóa hoàn toàn theo biến thời gian bằng phương pháp sai phân phân rã (splitting method); chứng minh tính khả vi Fréchet của phiếm hàm rời rạc hoàn toàn, tính đạo hàm gradient qua bài toán liên hợp rời rạc và giải bằng phương pháp gradient liên hợp.
5. Xây dựng phương pháp phụ trợ dựa trên thuật toán Lanczos để ước lượng phổ giá trị suy biến của toán tử quan sát nhằm minh họa và định lượng tính đặt không chỉnh của bài toán.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Nghiệm yếu $u(x,t)$ và điều kiện ban đầu $v(x) = u(x,0)$ của phương trình truyền nhiệt parabolic tổng quát: $$\frac{\partial u}{\partial t} - \sum_{i,j=1}^n \frac{\partial}{\partial x_i} \left(a_{ij}(x,t)\frac{\partial u}{\partial x_j}\right) + b(x,t)u = f$$ với các hệ số phụ thuộc thời gian, thỏa mãn điều kiện biên Dirichlet thuần nhất hoặc điều kiện biên Neumann.
• Phạm vi không gian và thời gian: Miền không gian mở bị chặn $\Omega \subset \mathbb{R}^n$ ($n \ge 1$) với biên $\partial\Omega$; khoảng thời gian quan trắc $t \in (0, T)$; miền trụ không-thời gian $Q = \Omega \times (0,T)$ và mặt trụ biên $S = \partial\Omega \times (0,T)$, hoặc tập con biên $\Sigma = \Gamma \times (0,T)$ với $\Gamma \subset \partial\Omega$.

Tổng quan tài liệu và vị trí của luận án

Trong phần tổng quan tài liệu, tác giả điểm lại các mốc phát triển lý thuyết và các nghiên cứu liên quan đến bài toán ngược, bài toán đặt không chỉnh và kỹ thuật đồng hóa số liệu:

• Nền tảng lý thuyết bài toán đặt không chỉnh: Khái niệm bài toán đặt chỉnh được Hadamard [20] đưa ra với ba tiêu chuẩn: nghiệm tồn tại, nghiệm duy nhất và nghiệm phụ thuộc liên tục vào dữ liệu. Ban đầu, Hadamard cho rằng các bài toán không chỉnh không mang ý nghĩa vật lý. Tuy nhiên, Tikhonov [78] vào năm 1943 đã nhận ra hiện tượng mất ổn định xuất phát từ việc thiếu hụt thông tin và đề xuất việc bổ sung các điều kiện tiên nghiệm để phục hồi tính ổn định. Đến năm 1963, Tikhonov [79, 80] công bố phương pháp hiệu chỉnh (regularization method). Cùng với Lavrent'ev M. [32, 33], họ được xem là những người đặt nền móng cho lý thuyết bài toán đặt không chỉnh.
• Lĩnh vực ứng dụng đồng hóa số liệu: Các tài liệu khảo cứu và ứng dụng đồng hóa số liệu được tổng hợp rộng rãi trong khí tượng học, hải dương học và dự báo thời tiết (Blayo, Blum, Verron [2]; Bouttier, Courtier [3]; Le Dimet, Talagrand [45]; Navon [66]; Talagrand [71]), kiểm soát ô nhiễm môi trường (Elbern et al. [8]; Penenko et al. [63]), xử lý ảnh (Bocquet et al. [6]), sản xuất công nghiệp và truyền nhiệt (Chavent [9]; Engl, Hanke, Neubauer [19]; Hasanov [24]). Các khảo sát tổng quan về phương pháp đồng hóa số liệu được ghi nhận qua các công trình [2, 10, 11, 15, 16, 17, 37, 46, 47, 48, 57, 64, 65, 66, 67, 71, 73, 74, 75].
• Bài toán phương trình parabolic ngược thời gian (backward in time): Đây là bài toán nhận được sự quan tâm của nhiều tác giả như [4, 5, 6, 8, 12, 18, 24, 31, 45, 68]. Tuy nhiên, tác giả luận án chỉ ra rằng đa số công trình chỉ tập trung vào phương trình có hệ số độc lập với thời gian; số lượng công trình nghiên cứu trường hợp hệ số phụ thuộc thời gian $a_{ij}(x,t)$ và $b(x,t)$ là rất hạn chế, chỉ xuất hiện rải rác trong một vài nghiên cứu như [1, 25, 31, 45, 53].
• Phân tích mức độ không chỉnh qua giá trị suy biến: Hành vi tiệm cận của các giá trị suy biến của toán tử quan sát $C$ (hoặc giá trị riêng của $C^*C$) là tiêu chuẩn xác định mức độ không chỉnh theo Engl, Hanke, Neubauer [19]. Dù vậy, cho đến nay có rất ít kết quả phân tích giá trị suy biến cho phương trình đạo hàm riêng, ngoại trừ một số trường hợp đơn giản được nghiên cứu trong [8, 19, 51].
• Về dạng quan sát tích phân bên trong: Các công trình trước đây thường đòi hỏi dữ liệu nhiệt độ phân bố trên toàn bộ miền không gian $\Omega$ tại thời điểm cuối $T$ (như khảo sát trong [12], hoặc các công trình [25, 61]), hoặc đòi hỏi đo đạc liên tục trên một miền con mở $\omega \times (\tau, T)$ với $\tau > 0$ theo [49]. Việc đo đạc trên toàn miền $\Omega$ rất khó thực hiện trong thực tế, trong khi phép đo tại từng điểm đơn lẻ lại không xác định được đối với nghiệm yếu.

Khoảng trống nghiên cứu được luận án lựa chọn giải quyết: Luận án tập trung xử lý trọn vẹn bài toán đồng hóa số liệu truyền nhiệt cho phương trình có hệ số biến thiên theo thời gian; đề xuất mô hình $N$ quan sát tích phân bình quân trọng số cục bộ trên khoảng thời gian $(\tau, T)$ phản ánh sát thực tế các thiết bị cảm biến có bề rộng hữu hạn; đồng thời phát triển thuật toán số dựa trên phương pháp sai phân phân rã kết hợp gradient liên hợp và thuật toán Lanczos để khảo sát phổ giá trị suy biến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án dựa trên các cơ sở giải tích hàm, lý thuyết phương trình đạo hàm riêng parabolic và lý thuyết tối ưu hóa biến phân:

• Không gian hàm và nghiệm yếu: Các không gian giải tích được sử dụng gồm không gian Lebesgue $L^2(\Omega)$, $L^2(S)$, $L^2(Q)$, $L^\infty(\Omega)$, $L^\infty(S)$, $L^\infty(Q)$; các không gian Sobolev $H^1(\Omega)$, $H^1_0(\Omega)$, $H^{1,0}(Q)$, $H^{1,1}(Q)$, $H^{1,1}_0(Q)$ và không gian Banach trừu tượng $W(0,T; H^1(\Omega))$, $W(0,T; H^1_0(\Omega))$. Khái niệm nghiệm của bài toán truyền nhiệt được hiểu theo nghĩa nghiệm yếu (weak solution) theo định nghĩa của Ladyzhenskaya et al. [24, 82].
• Toán tử quan sát và tính đặt không chỉnh: Với $u(v)$ là nghiệm yếu tương ứng với điều kiện ban đầu $v$, ánh xạ từ $v \in L^2(\Omega)$ sang dữ liệu quan sát $Cu(v)$ là một toán tử compact. Do đó, phương trình toán tử tuyến tính $Cv = z - Cu^0$ (trong đó $u^0$ là nghiệm của bài toán với điều kiện ban đầu thuần nhất $v \equiv 0$) là bài toán đặt không chỉnh nghiêm trọng.
• Phương pháp biến phân và hiệu chỉnh Tikhonov: Để tìm nghiệm ổn định cho bài toán cực tiểu hóa phiếm hàm sai lệch không chỉnh $J(v) = \frac{1}{2} |Cu(v) - z|H^2$, luận án sử dụng phương pháp hiệu chỉnh Tikhonov với phiếm hàm: $$J\gamma(v) = \frac{1}{2} |Cu(v) - z|H^2 + \frac{\gamma}{2} |v - v^*|{L^2(\Omega)}^2$$ trong đó $\gamma > 0$ là tham số hiệu chỉnh, $v^*$ là đánh giá tiên nghiệm của điều kiện ban đầu, và $H$ là không gian Hilbert chứa dữ liệu quan sát tương ứng. Tính khả vi Fréchet của $J_\gamma$ được thiết lập và gradient $\nabla J_\gamma(v)$ được biểu diễn giải tích thông qua nghiệm của bài toán phụ trợ liên hợp (adjoint problem).

Phương pháp nghiên cứu thực nghiệm và tính toán số:

• Phương pháp sai phân hữu hạn (Finite Difference Method): Không gian $\Omega$ được phân hoạch bởi lưới điểm $\Omega_h$, $\bar{\Omega}_h$ với véc-tơ bước lưới $h = (h_1, \dots, h_n)$, $\Delta h = h_1 \dots h_n$. Các bài toán thuận và liên hợp được rời rạc hóa trên lưới không gian. Luận án thiết lập và chứng minh sự hội tụ của nghiệm bài toán biến phân sai phân rời rạc về nghiệm liên tục.
• Phương pháp sai phân phân rã (Splitting Method): Để giải số hiệu quả các bài toán đa chiều, tác giả áp dụng phương pháp sai phân phân rã theo thời gian. Kỹ thuật này tách phương trình nhiều chiều thành một chuỗi các bài toán sai phân một chiều tại mỗi bước thời gian, giảm đáng kể khối lượng tính toán và độ phức tạp lập trình so với các phương pháp phần tử hữu hạn khi hệ số phụ thuộc thời gian. Phiếm hàm rời rạc hoàn toàn được chứng minh là khả vi Fréchet và công thức gradient rời rạc được xác định qua bài toán liên hợp rời rạc.
• Phương pháp Gradient liên hợp (Conjugate Gradient Method - CG): Sử dụng để tối ưu hóa phiếm hàm rời rạc hoàn toàn, tìm nghiệm số xấp xỉ điều kiện ban đầu.
• Thuật toán Lanczos: Vì $\nabla J_0(v) = C^*(Cv - (z - Cu^0))$, khi chọn dữ liệu thử nghiệm $z = Cu^0$, ta có $\nabla J_0(v) = C^*Cv$. Luận án áp dụng thuật toán Lanczos [81] để xấp xỉ các giá trị riêng của toán tử $C^C$, tức bình phương các giá trị suy biến của $C$, từ đó phân tích định lượng mức độ không chỉnh mà không cần biết dạng giải tích tường minh của $C^$.
• Nguồn dữ liệu kiểm chứng: Dữ liệu tính toán được tạo từ các bài toán mô phỏng số 1D và 2D với điều kiện ban đầu chính xác (trơn, liên tục, hoặc gián đoạn) và nghiệm giải tích đã biết, có bổ sung nhiễu ngẫu nhiên. Các thuật toán được cài đặt và thử nghiệm trên môi trường tính toán MATLAB (với sự hỗ trợ lập trình của TS. Nguyễn Trung Thành).

Nội dung chính theo từng chương

Chapter 1: Auxiliary results

Chương 1 trình bày hệ thống các kết quả bổ trợ về bài toán thuận, kỹ thuật sai phân hữu hạn và các thuật toán đại số số trị:

• Mục 1.3 trình bày phương pháp sai phân hữu hạn cho bài toán thuận một chiều, bao gồm việc rời rạc hóa phương trình theo biến không gian và theo biến thời gian, chứng minh tính ổn định và hội tụ của nghiệm lưới.
• Mục 1.4 phát triển phương pháp sai phân hữu hạn cho bài toán thuận nhiều chiều. Tác giả định nghĩa phép nội suy hàm lưới để chuyển đổi giữa không gian hàm liên tục và hàm rời rạc, thiết lập sơ đồ sai phân rời rạc không gian và chứng minh sự hội tụ của nghiệm sai phân đến nghiệm yếu của phương trình parabolic liên tục. Tiếp đó, phương pháp sai phân phân rã (splitting difference scheme) được xây dựng cho biến thời gian, phân tích cấu trúc toán tử phân rã để tách bài toán $n$ chiều thành $n$ bài toán một chiều kế tiếp nhau. Do nghiệm yếu có độ trơn thấp, các chứng minh kỹ thuật đòi hỏi đánh giá năng lượng chi tiết trên lưới sai phân.
• Mục 1.5 phân tích xấp xỉ của các bài toán biến phân, thiết lập tính khả vi Fréchet và chứng minh rằng nghiệm của bài toán biến phân rời rạc không gian hội tụ (yếu hoặc mạnh tùy thuộc vào độ trơn của dữ liệu) về nghiệm của bài toán biến phân liên tục.
• Mục 1.6 trình bày chi tiết thuật toán Lanczos để xấp xỉ các giá trị suy biến của toán tử compact $C$ thông qua việc tính tác động của toán tử đối xứng $C^*C$ lên các véc-tơ thử nghiệm.

Chapter 2: Data assimilation by the final time observations

Chương 2 giải quyết bài toán đồng hóa số liệu xác định điều kiện ban đầu $v(x) = u(x,0)$ từ quan sát trạng thái nhiệt độ tại thời điểm cuối $T$: $Cu := u(x,T) = \xi(x)$, với điều kiện biên Dirichlet thuần nhất $u = 0$ trên $S$. Bài toán này còn được biết đến là bài toán phương trình parabolic ngược thời gian (parabolic equations backward in time).

Tính đặt không chỉnh nghiêm trọng của bài toán được tác giả minh họa trực quan thông qua phương trình truyền nhiệt một chiều $u_t = u_{xx}$ trên đoạn $(0,\pi)$ với $t \in (0,1]$. Sử dụng khai triển Fourier theo hệ hàm trực chuẩn $\phi_n(x) = \sqrt{2/\pi} \sin(nx)$, điều kiện ban đầu $v(x) = \sum_{n=1}^\infty v_n \phi_n(x)$ dẫn đến nghiệm tại thời điểm $t=1$ có dạng: $$\xi(x) = u(x,1) = \sum_{n=1}^\infty e^{-n^2} v_n \phi_n(x) = \sum_{n=1}^\infty \xi_n \phi_n(x)$$ với $\xi_n = e^{-n^2} v_n$. Do đó, để khôi phục $v \in L^2(0,\pi)$, hệ số Fourier được tính bởi $v_n = e^{n^2} \xi_n$. Hệ quả là:

1. Nghiệm $v$ chỉ tồn tại nếu các hệ số Fourier $\xi_n$ suy giảm nhanh hơn tốc độ $e^{-n^2}$.
2. Sai số trong thành phần Fourier bậc $n$ bị phóng đại theo hệ số $e^{n^2}$. Chẳng hạn, một sai số cực nhỏ $10^{-8}$ ở hệ số thứ năm $\xi_5$ sẽ gây ra sai số lớn xấp xỉ $10^3$ trong việc xác định nhiệt độ ban đầu.

Để khắc phục, tác giả thiết lập phiếm hàm Tikhonov: $$J_\gamma(v) = \frac{1}{2} |u(\cdot, T; v) - \xi|{L^2(\Omega)}^2 + \frac{\gamma}{2} |v - v^*|{L^2(\Omega)}^2$$ Luận án chứng minh $J_\gamma$ khả vi Fréchet, đưa ra công thức gradient thông qua bài toán liên hợp, thực hiện rời rạc hóa không gian bằng sai phân hữu hạn và chứng minh sự hội tụ nghiệm. Sau đó, bài toán được rời rạc hóa hoàn toàn theo thời gian bằng phương pháp phân rã (splitting method) và tối ưu hóa bằng thuật toán gradient liên hợp.

Phần thực nghiệm số trình bày:

• Đồ thị Hình 2.1 biểu diễn xấp xỉ các giá trị suy biến của bài toán, phản ánh tốc độ suy giảm nhanh chóng của phổ giá trị suy biến.
• Các ví dụ tính toán hai chiều (Ví dụ 2, 3, 4, 5) tái tạo điều kiện ban đầu $v(x_1, x_2)$, minh họa qua 4 biểu đồ thành phần cho mỗi ví dụ: (a) hàm chính xác $v$; (b) hàm ước lượng tái tạo; (c) sai số từng điểm (point-wise error); (d) so sánh lát cắt $v|_{x_1=1/2}$ giữa hàm chính xác (đường nét đứt) và hàm khôi phục (đường nét liền).

Chapter 3: Data assimilation by the integral observations

Chương 3 khảo sát bài toán xác định điều kiện ban đầu $v$ trong phương trình truyền nhiệt với điều kiện biên Dirichlet từ $N$ quan sát tích phân nội miền theo thời gian: $$l_i u(t) = \int_\Omega \omega_i(x) u(x,t) dx = h_i(t), \quad t \in (\tau, T), \quad \tau \ge 0, \quad i = 1, \dots, N$$ trong đó $\omega_i(x)$ là các hàm trọng số không âm thỏa mãn $\int_\Omega \omega_i(x) dx > 0$.

Tác giả phân tích tính xác thực thực tiễn của mô hình quan sát này:

• Mọi phép đo thực tế của đầu dò cảm biến đều là một quá trình lấy giá trị trung bình trên một thể tích hữu hạn.
• Quan sát tích phân là dạng tổng quát hóa trực tiếp của quan sát điểm. Cụ thể, nếu chọn $S_i$ là lân cận của điểm $x_i \in \Omega$ và hàm trọng số: $$\omega_i(x) = \begin{cases} \frac{1}{|S_i|} & \text{khi } x \in S_i \ 0 & \text{khi } x \notin S_i \end{cases}$$ thì khi thể tích thiết bị đo $|S_i| \to 0$, quan sát tích phân sẽ dần tiến về quan sát điểm. Mặt khác, vì nghiệm của phương trình parabolic chỉ thuộc không gian hàm yếu, giá trị tại từng điểm không có ý nghĩa toán học xác định, trong khi tích phân trung bình luôn xác định tốt.
• Mô hình không đòi hỏi dữ liệu trên toàn bộ miền $\Omega$ hay tại mọi thời điểm, mà chỉ cần quan sát trong khoảng $(\tau, T)$ với $\tau \ge 0$.

Phiếm hàm hiệu chỉnh Tikhonov tương ứng được thiết lập: $$J_\gamma(v) = \frac{1}{2} \sum_{i=1}^N |l_i u(v) - h_i|{L^2(\tau, T)}^2 + \frac{\gamma}{2} |v - v^*|{L^2(\Omega)}^2$$ Tác giả chứng minh tính khả vi Fréchet, dẫn xuất công thức gradient thông qua bài toán liên hợp tương ứng, rời rạc hóa bằng sai phân phân rã và áp dụng thuật toán gradient liên hợp.

Các kết quả thử nghiệm số bao gồm:

• Khảo sát phổ giá trị suy biến với 3 điểm quan sát trên các khoảng thời gian khác nhau.
• Thử nghiệm trên bài toán 1D và 2D kiểm tra ảnh hưởng của thời điểm bắt đầu đo $\tau$ và cấu hình cảm biến. Kết quả phân bố sai số chuẩn $L^2$ với 3 điểm quan sát phân bố đều trong các miền con được ghi nhận:
  • 3 điểm trong khoảng $(0, 0.5)$: sai số chuẩn $L^2 = 0.006116$.
  • 3 điểm trong khoảng $(0.5, 1)$: sai số chuẩn $L^2 = 0.006133$.
  • 3 điểm lân cận $(0.75)$: sai số chuẩn $L^2 = 0.0060894$.
• Luận án tổng hợp bảng số liệu khảo sát tính năng của thuật toán:

Bảng số liệu trong văn bản	Nội dung khảo sát	Tham số và cấu hình ghi nhận
Table 3.1	Hành vi thuật toán khi thay đổi thời điểm quan sát bắt đầu	Các giá trị $\tau$ khác nhau trên đoạn $[0, T)$
Table 3.2	Hành vi thuật toán khi số lượng và vị trí quan sát thay đổi	Số quan sát $N = 4$
Table 3.3	Hành vi thuật toán khi số lượng và vị trí quan sát thay đổi	Số quan sát $N = 9$

Các đồ thị tái tạo cho Ví dụ 3, Ví dụ 4, Ví dụ 5 với các giá trị $\tau$ khác nhau minh họa độ hội tụ chính xác của nghiệm khôi phục.

Chapter 4: Data assimilation by the boundary observations

Chương 4 nghiên cứu bài toán xác định điều kiện ban đầu $v$ trong hệ truyền nhiệt với điều kiện biên Neumann: $$\frac{\partial u}{\partial N} = \sum_{i,j=1}^n a_{ij}(x,t) u_{x_j} \cos(\nu, x_i) = g \quad \text{trên } S$$ trong đó $\nu$ là véc-tơ pháp tuyến ngoài của $S$. Dữ liệu quan sát nhiệt độ được đo trên một phần mặt biên trụ $\Sigma = \Gamma \times (0,T)$ với $\Gamma \subset \partial\Omega$: $$|u|\Sigma - \phi|{L^2(\Sigma)} \le \epsilon$$ với $\phi$ là dữ liệu đo biên mang sai số đo $\epsilon$.

Tác giả thiết lập bài toán biến phân, dẫn xuất phương trình đạo hàm riêng liên hợp với điều kiện biên hỗn hợp tương ứng để xác định gradient của phiếm hàm. Hệ thống phương trình được rời rạc hóa không gian bằng sai phân hữu hạn và thời gian bằng phương pháp phân rã, sau đó giải bằng thuật toán gradient liên hợp.

Các kết quả mô phỏng số được kiểm nghiệm:

• Bài toán một chiều (1D): Phân tích giá trị suy biến (Ví dụ 1); thử nghiệm khôi phục các điều kiện ban đầu khác nhau: hàm trơn (smooth), hàm liên tục (continuous) và hàm gián đoạn (discontinuous) trong các Ví dụ 2, 3, 4.
• Bài toán nhiều chiều (multi-dimensional): Các Ví dụ 5, 6, 7 minh họa kết quả khôi phục điều kiện ban đầu 2D với đồ thị hàm chính xác, hàm tái tạo, phân bố sai số bề mặt và lát cắt đối chiếu thẳng đứng dọc theo đoạn thẳng kiểm tra trong miền xác định.

Kết quả và những đóng góp mới

Các đóng góp mới của luận án được tác giả tổng kết bao gồm:

1. Về mặt lý luận toán học:
   • Xây dựng hoàn chỉnh khung tiếp cận biến phân cho bài toán đồng hóa số liệu xác định điều kiện ban đầu trong phương trình truyền nhiệt parabolic có các hệ số phụ thuộc thời gian dưới ba dạng dữ liệu quan sát: quan sát tại thời điểm cuối, quan sát tích phân bên trong và quan sát trên một phần biên.
   • Chứng minh chặt chẽ tính khả vi Fréchet của các phiếm hàm mục tiêu Tikhonov liên tục và phiếm hàm rời rạc hoàn toàn; thiết lập các công thức tường minh tính gradient thông qua trạng thái của các bài toán liên hợp tương ứng.
   • Thiết lập lược đồ sai phân hữu hạn cho nghiệm yếu của phương trình parabolic và chứng minh giải tích sự hội tụ của nghiệm bài toán biến phân rời rạc về nghiệm của bài toán biến phân liên tục khi bước lưới không gian tiến về 0.
2. Về mặt thuật toán và tính toán số:
   • Ứng dụng thành công phương pháp sai phân phân rã (splitting finite difference method) để rời rạc hóa bài toán theo thời gian, giúp phân rã các bài toán parabolic nhiều chiều thành chuỗi các bài toán sai phân một chiều. Điều này làm giảm chi phí tính toán và giúp việc cài đặt thuật toán số trên máy tính trở nên thuận lợi hơn nhiều so với phương pháp phần tử hữu hạn khi hệ số biến thiên theo thời gian.
   • Đề xuất phương pháp dựa trên thuật toán Lanczos để ước lượng phổ giá trị suy biến của toán tử quan sát $C$ thông qua phép tính gradient $\nabla J_0(v) = C^*Cv$, cung cấp công cụ tính toán số cụ thể để đánh giá và minh họa mức độ không chỉnh của bài toán ngược mà không cần tìm dạng giải tích tường minh của toán tử.
   • Đề xuất mô hình quan sát tích phân nội miền tổng quát hơn, cho phép mô phỏng chính xác hoạt động của cảm biến có kích thước hữu hạn trong thực tế mà không cần dữ liệu trên toàn miền không gian.

Các kiến nghị và giải pháp đề xuất:

• Khuyến nghị sử dụng kỹ thuật sai phân phân rã kết hợp gradient liên hợp để giải các bài toán ngược parabolic nhiều chiều có hệ số phụ thuộc thời gian nhằm tối ưu hóa thời gian tính toán.
• Đề xuất áp dụng mô hình bình quân tích phân trong việc thiết kế và bố trí các trạm cảm biến đo đạc thực nghiệm (về số lượng $N$ trạm, vị trí đặt và thời điểm bắt đầu đo $\tau$) để đạt độ chính xác khôi phục trạng thái nhiệt cao nhất với chi phí đo đạc tối thiểu.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung trình bày trong văn bản luận án, các hạn chế và hướng nghiên cứu được xác định như sau:

• Hạn chế: Phương pháp sai phân hữu hạn và lược đồ phân rã (splitting scheme) được phát triển và thử nghiệm chủ yếu trên các miền không gian có dạng hình học chuẩn (miền chữ nhật, hình hộp) với hệ tọa độ Descartes. Mặc dù phương pháp phần tử hữu hạn có thể xử lý các miền hình học phức tạp tùy ý, tác giả chỉ ra rằng khi các hệ số của phương trình phụ thuộc vào thời gian, việc sử dụng phương pháp sai phân hữu hạn kết hợp kỹ thuật phân rã thuận tiện và hiệu quả hơn về mặt tính toán. Ngoài ra, luận án tập trung khảo sát các phương trình đạo hàm riêng tuyến tính.
• Hướng nghiên cứu tiếp: Mở rộng nghiên cứu cho các hệ phương trình tiến hóa phi tuyến; phát triển các thuật toán hiệu chỉnh cho bài toán đồng thời xác định cả điều kiện ban đầu lẫn các hệ số chưa biết của phương trình; nghiên cứu áp dụng phương pháp trên các miền hình học phức tạp bất kỳ.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên khảo hữu ích cho các nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên thuộc chuyên ngành Phương trình vi phân và tích phân, Giải tích số, Toán ứng dụng và Khoa học tính toán. Các phần chứng minh tính khả vi Fréchet, kỹ thuật ước lượng năng lượng cho nghiệm sai phân của nghiệm yếu và chứng minh sự hội tụ của bài toán biến phân rời rạc (Chương 1 và các mục lý thuyết của Chương 2, 3, 4) là tài liệu mẫu mực về mặt kỹ thuật toán học.
• Các nhà nghiên cứu và chuyên gia mô phỏng trong các lĩnh vực ứng dụng như khí tượng thủy văn, hải dương học, mô hình hóa lan truyền ô nhiễm môi trường và kỹ thuật truyền nhiệt trong công nghiệp. Kỹ thuật đồng hóa số liệu bằng phương pháp biến phân, lược đồ sai phân phân rã (splitting method) và thuật toán gradient liên hợp cung cấp quy trình tính toán số có thể áp dụng trực tiếp để giải quyết các bài toán khôi phục trường nhiệt độ và trạng thái động lực từ dữ liệu cảm biến thực nghiệm.

Câu hỏi thường gặp

1. Tại sao bài toán khôi phục điều kiện ban đầu từ quan sát tại thời điểm cuối (bài toán ngược thời gian) lại đặt không chỉnh nghiêm trọng? Trả lời: Dựa trên phân tích khai triển Fourier 1D trong phần mở đầu và Chương 2, nghiệm tại thời điểm cuối có các hệ số Fourier $\xi_n = e^{-n^2} v_n$. Khi giải ngược để tìm điều kiện ban đầu, các hệ số được tính bằng $v_n = e^{n^2} \xi_n$. Do hàm mũ $e^{n^2}$ tăng rất nhanh khi $n \to \infty$, một sai số cực nhỏ trong dữ liệu đo $\xi$ (ví dụ sai số $10^{-8}$ ở thành phần $\xi_5$) sẽ bị khuếch đại lên khoảng $10^3$ lần ở trạng thái nhiệt ban đầu, phá vỡ tính phụ thuộc liên tục của nghiệm vào dữ liệu.

2. Lý do luận án lựa chọn phương pháp sai phân phân rã (splitting finite difference method) thay vì phương pháp phần tử hữu hạn là gì? Trả lời: Văn bản nêu rõ rằng đối với bài toán parabolic có các hệ số phụ thuộc vào thời gian, phương pháp sai phân phân rã cho phép tách bài toán nhiều chiều phức tạp thành một chuỗi tuần tự các bài toán sai phân một chiều tại mỗi bước thời gian. Kỹ thuật này dễ lập trình cài đặt trên máy tính và đem lại tốc độ tính toán số rất nhanh, tránh được việc phải tái tạo lại các ma trận phần tử lớn phụ thuộc thời gian ở mỗi bước tính.

3. Dạng quan sát tích phân bên trong $l_i u(t) = h_i(t)$ ở Chương 3 có ưu thế thực tiễn gì so với quan sát điểm truyền thống? Trả lời: Trong thực tế, các thiết bị đo cảm biến luôn ghi nhận giá trị trung bình trên một thể tích hữu hạn lân cận $|S_i|$, tương ứng với hàm trọng số $\omega_i(x) = 1/|S_i|$. Khi $|S_i| \to 0$, quan sát tích phân sẽ thu về quan sát điểm. Hơn nữa, vì nghiệm của bài toán truyền nhiệt được hiểu theo nghĩa yếu nên giá trị nhiệt độ tại một điểm hình học cô lập có thể không xác định, trong khi giá trị tích phân bình quân luôn có ý nghĩa toán học đầy đủ. Dạng quan sát này cũng không đòi hỏi phải thu thập dữ liệu trên toàn bộ miền không gian $\Omega$.

4. Thuật toán Lanczos được tác giả sử dụng vào mục đích gì và hoạt động dựa trên cơ chế nào? Trả lời: Thuật toán Lanczos được sử dụng như một phương pháp phụ trợ để xấp xỉ các giá trị riêng của toán tử $C^C$, tương ứng với bình phương các giá trị suy biến của toán tử quan sát $C$, nhằm minh họa mức độ không chỉnh của bài toán. Cơ chế thực hiện dựa trên việc tính gradient của phiếm hàm không hiệu chỉnh: $\nabla J_0(v) = C^(Cv - (z - Cu^0))$. Khi chọn dữ liệu thử nghiệm $z = Cu^0$, ta thu được $\nabla J_0(v) = C^*Cv$. Nhờ đó, thuật toán Lanczos có thể tính toán các giá trị suy biến thông qua các bước giải bài toán liên hợp mà không cần biết dạng biểu diễn ma trận hay giải tích tường minh của $C$.

5. Vị trí và thời điểm quan sát ảnh hưởng như thế nào đến độ chính xác khôi phục điều kiện ban đầu trong Chương 3? Trả lời: Các thử nghiệm số tại Chương 3 (minh họa qua Table 3.1, 3.2, 3.3 và các ví dụ 2D) chỉ ra rằng chất lượng khôi phục điều kiện ban đầu phụ thuộc vào thời điểm bắt đầu quan sát $\tau$, số lượng trạm đo $N$ ($N=4$ và $N=9$) cũng như vị trí phân bố của các cảm biến. Ví dụ, với 3 điểm quan sát phân bố đều trong các khoảng không gian khác nhau, sai số tính theo chuẩn $L^2$ đạt các mức độ: $0.006116$ (trong khoảng $(0, 0.5)$), $0.006133$ (trong khoảng $(0.5, 1)$), và $0.0060894$ (tại lân cận điểm $0.75$).

Kết luận

Luận án tiến sĩ "Data assimilation in heat conduction" của tác giả Nguyễn Thị Ngọc Oanh là một công trình nghiên cứu hệ thống về bài toán ngược và đồng hóa số liệu trong phương trình truyền nhiệt parabolic có hệ số phụ thuộc thời gian. Bằng việc kết hợp phương pháp biến phân hiệu chỉnh Tikhonov, kỹ thuật đạo hàm liên hợp, phương pháp sai phân phân rã không-thời gian và thuật toán gradient liên hợp, luận án đã giải quyết trọn vẹn cả phương diện lý thuyết giải tích lẫn thuật toán tính toán số cho ba dạng dữ liệu quan sát khác nhau. Đồng thời, việc ứng dụng thuật toán Lanczos để xác định phổ giá trị suy biến đã cung cấp một phương pháp số hữu hiệu để định lượng tính đặt không chỉnh của bài toán toán lý.