曲面上的微积分（一）

曲面上的微积分（一）

参数化方法、迹方法和窄带方法是三种主要方法去求解Laplace-Beltrami问题。首先，我会介绍一些关于曲面上微积分的知识。

参数化曲面

定义曲面的参数化表示，
$${\chi }_i:{\mathcal{V}}_i\to {\mathcal{U}}_i\cap \gamma \subset {\mathbb{R}}^{n+1}$$

这里的$\gamma$是紧的，有向的（orientable），属于$C^{1,\alpha }$的。考虑一个单映射是足够的，所以为了方便，我们下面drop掉index i。那么，对于$\mathbf{x}\in \mathcal{U}\cap \gamma$，
$$\mathbf{y}:={\chi }^{-1}(\mathbf{x})\in \mathcal{V}$$
那么，$\chi$的微分就可以写为，
$$D\chi (\mathbf{y})={\left({\partial }_j\chi (\mathbf{y})\right)}_{j=1}^n\in {\mathbb{R}}^{(n+1)\times n}$$

故而，我们定义一个s.p.d的矩阵作为第一基本型，
$$\text{ (1) }\mathbf{g}(\mathbf{y}):=D\chi (\mathbf{y}{)}^{t}D\chi (\mathbf{y})\forall \mathbf{y}\in \mathcal{V}$$
定义法向量，
$$\mathbf{N}(\mathbf{y})=\sum _{j=1}^{n+1}{A}_j(\mathbf{y}){\mathbf{e}}_j$$
$$A_j:=\det \left({\mathbf{e}}_j,D_{\mathcal{X}}\right)$$
容易知道，
$$\mathbf{N}\cdot {\partial }_i\chi =\sum _{j=1}^{n+1}{\mathbf{e}}_j\cdot {\partial }_i\chi \det \left({\mathbf{e}}_j,D_{\mathcal{X}}\right)=\det \left(\sum _{j=1}^{n+1}\left({\mathbf{e}}_j\cdot {\partial }_i\chi \right){\mathbf{e}}_j,D_{\mathcal{X}}\right)=\det \left({\partial }_i\chi ,D_{\mathcal{X}}\right)=0$$
所以，我们可以定义单位法向量，
$$\text{ (2) }\nu (\mathbf{y}):=\frac{\mathbf{N}(\mathbf{y})}{|\mathbf{N}(\mathbf{y})|}\forall \mathbf{y}\in \mathcal{V}$$
定义矩阵
$$\mathbf{T}(\mathbf{y}):=[D\chi (\mathbf{y}),\mathbf{\nu }(\mathbf{y})]\in {\mathbb{R}}^{(n+1)\times (n+1)}\forall \mathbf{y}\in \mathcal{V}$$
它是可逆的，我们可以把它的逆写成，
$${\mathbf{T}}^{-1}=\left[\begin{array}{l}\mathbf{B}\\ {\mathbf{v}}^t\end{array}\right],\mathbf{B}\in {\mathbb{R}}^{n\times (n+1)},\mathbf{v}\in {\mathbb{R}}^n$$
注意到，
$${\mathbf{I}}_{(n+1)\times (n+1)}={\mathbf{T}}^{-1}\mathbf{T}=\left[\begin{array}{cc}\mathbf{B}D\chi & \mathbf{B}\mathbf{v}\\ {\mathbf{v}}^{t}D\chi & {\mathbf{v}}^t\nu \end{array}\right]$$
因此呢，
$$\mathbf{B}D\chi ={\mathbf{I}}_{n\times n},{\mathbf{v}}^{t}D\chi =0,{\mathbf{v}}^t\nu =1$$
从后面两个式子中，我们知道$\mathbf{v}=\mathbf{\nu }$。又注意到，
$${\mathbf{I}}_{(n+1)\times (n+1)}=\mathbf{T}{\mathbf{T}}^{-1}=D\chi \mathbf{B}+\nu {\mathbf{\nu }}^t$$
我们可以定义投影矩阵$\Pi \in {\mathbb{R}}^{(n+1)\times (n+1)}$为
$$\text{ (3) }\Pi :=\mathbf{I}-\mathbf{\nu }\otimes \mathbf{\nu }=D\chi \mathbf{B}$$
容易得到$\mathbf{B}$的显式表达，通过以下的方式，
$$D\chi =(\mathbf{I}-\nu \otimes \nu {)}^{t}D\chi ={\mathbf{B}}^{t}D{\chi }^{t}D\chi ={\mathbf{B}}^t\mathbf{g}\Rightarrow \mathbf{B}={\mathbf{g}}^{-1}D{\chi }^t$$
那么投影矩阵就可以写为，
$$\text{ (4) }\Pi =D\chi {\mathrm{g}}^{-1}D{\chi }^t$$
定义面积元
$$\text{ (5) }q(\mathbf{y}):=\det ([\nu (\mathbf{y}),D\chi (\mathbf{y})])\forall \mathbf{y}\in \mathcal{V}$$
容易知道，
$$\text{ (6) }q=\frac{1}{|N|}\det ([\mathrm{N},D\chi ])=\frac{1}{|N|}\det {\left([\mathrm{N},D\chi {]}^t[\mathrm{N},D\chi ]\right)}^{\frac{1}{2}}=\sqrt{\det \mathrm{g}}$$
进一步，因为
$$|N{|}^2=\sum _{j=1}^{n+1}{A}_j\det \left(\left[{\mathbf{e}}_j,D_{\mathcal{X}}\right]\right)=\det \left(\left[\mathbf{N},D_{\mathcal{X}}\right]\right)$$
联合式（6）我们可以得到，
$$(7)q=|\mathbf{N}|$$
考虑一个可积函数
$$\tilde{v}:\gamma \to \mathbb{R}$$
及其复合
$$v:\mathcal{V}\to \mathbb{R}$$
$$v=\tilde{v}\circ \chi$$
我们有积分关系如下，
$$\text{ (8) }{\int }_{\gamma }\tilde{v}={\int }_{\mathcal{V}}vq\forall v\in L_1(\mathcal{V})$$
这个定义不依赖与曲面的参数化（parametrization），事实上，
$${\chi }_1={\chi }_2\circ \left({\chi }_2^{-1}\circ {\chi }_1\right)$$
$$D{\chi }_1=D{\chi }_{2}D\left({\chi }_2^{-1}\circ {\chi }_1\right)$$
$$q_1=\left|\det \left(D\left({\chi }_2^{-1}\circ {\chi }_1\right)\right)\right|q_2\Rightarrow {\int }_{{\mathcal{V}}_1}v{q}_1={\int }_{{\mathcal{V}}_2}v{q}_2$$
这里的复合函数求导是不是有些问题？

微分算子

我们定义曲面上的切向（或表面）梯度（tangential gradient），它满足链式法则
$$\text{ (9) }\nabla v(\mathbf{y})=D\chi (\mathbf{y}{)}^t{\nabla }_{\gamma }\tilde{v}(\mathbf{x})\forall \mathbf{y}\in \mathcal{V}$$
那么，我们有
$$(10){\nabla }_{\gamma }\tilde{v}(\mathrm{x})=D\chi (\mathbf{y})\mathbf{g}(\mathbf{y}{)}^{-1}\nabla v(\mathbf{y})\forall \mathbf{y}\in \mathcal{V}$$
如果$\gamma$是$C^2$的，那么单位法向量$\mathbf{\nu }$是$C^1$的，这时，我们可以定义Weingarten映射（shape map），如下，
$$\begin{array}{ll}\text{ (11) }& \mathbf{W}(\mathbf{x})=D_{\gamma }\mathbf{\nu }(\mathbf{x})\forall \mathbf{x}\in \gamma \end{array}$$
如果$$\tilde{\mathbf{v}}={\left({\tilde{v}}_i\right)}_{i=1}^{n+1}:\gamma \to {\mathbb{R}}^{n+1}$$
那么由（10）我们可以定义其散度，
$$(12){\mathrm{div}}_{\gamma }\tilde{\mathbf{v}}(\mathbf{x})=\mathrm{trace}\left(D_{\gamma }\tilde{\mathbf{v}}(\mathbf{x})\right)=\sum _{i,j=1}^n{g}^{ij}(\mathbf{y}){\partial }_i\chi (\mathbf{y})\cdot {\partial }_j\mathbf{v}(\mathbf{y})\forall \mathbf{y}\in \mathcal{V}$$
这里，${\mathbf{g}}^{-1}={\left(g^{ij}\right)}_{i,j=1}^n$。那么，这个时候Laplace-Beltrami算子就可以定义为
$$(13){\Delta }_{\gamma }\tilde{v}=\frac{1}{q(\mathbf{y})}\mathrm{div}\left(q(\mathbf{y})\mathbf{g}(\mathbf{y}{)}^{-1}\nabla v(\mathbf{y})\right)\forall \mathbf{y}\in \mathcal{V}$$
通过这样一个定义，我们可以得到Laplace-Beltrami算子的弱形式，即，弱$\tilde{\varphi }$是$C^1$的，在$\gamma$上有紧支集，那么
$$(14){\int }_{\gamma }\tilde{\phi }{\Delta }_{\gamma }\tilde{v}=-{\int }_{\gamma }{\nabla }_{\gamma }\tilde{\phi }\cdot {\nabla }_{\gamma }\tilde{v}$$
证明如下，
$$\begin{array}{rl}{\int }_{\gamma }\tilde{\phi }{\Delta }_{\gamma }\tilde{v}& ={\int }_V\phi \mathrm{div}\left(q{\mathrm{g}}^{-1}\nabla v\right)\\ & =-{\int }_V\nabla \phi \cdot {\mathrm{g}}^{-1}\nabla vq\\ & =-{\int }_{V}D\chi {\mathrm{g}}^{-1}\nabla \phi \cdot D\chi {\mathrm{g}}^{-1}\nabla vq\\ & =-{\int }_{\gamma }{\nabla }_{\gamma }\tilde{\phi }\cdot {\nabla }_{\gamma }\tilde{v}\end{array}$$

定义零平均值的平方可积空间，
$$L_{2,\#}(\gamma ):=\left\{\tilde{v}\in L_2(\gamma )|{\int }_{\gamma }\tilde{v}=0\right\}$$
并定义零平均值的索伯洛夫空间，
H # 1 ( γ ) : = H 1 ( γ ) ∩ L 2 , # ( γ ) , H 1 ( γ ) : = { v ~ ∈ L 2 ( γ ) ∣ ∇ ( v ~ ∘ χ ) ∈ [ L 2 ( V ) ] n } H_{\#}^{1}(\gamma) :=H^{1}(\gamma) \cap L_{2, \#}(\gamma), \quad H^{1}(\gamma) :=\left\{\tilde{v} \in L_{2}(\gamma) | \nabla(\tilde{v} \circ \chi) \in\left[L_{2}(\mathcal{V})\right]^{n}\right\} H#1​(γ):=H1(γ)∩L2,#​(γ),H1(γ):={v~∈L2​(γ)∣∇(v~∘χ)∈[L2​(V)]n}
那么，我们有庞加莱不等式（Poincare-Friedrichs）
$$\begin{array}{lll}\text{ (15) }& \Vert \overline{v}{\Vert }_{L_2(\gamma )}\le C{\Vert {\nabla }_{\gamma }\tilde{v}\Vert }_{L_2(\gamma )}& \forall \tilde{v}\in H_{\#}^1(\gamma )\end{array}$$
这里的$\gamma$是紧的，利普希茨的，常数$C$仅依赖于$\gamma$。我们证明一个更一般的情况，

$$\begin{array}{lll}\text{ (16) }& \Vert \tilde{v}{\Vert }_{L_2(\gamma )}\le C\left({\Vert {\nabla }_{\gamma }\tilde{v}\Vert }_{L_2(\gamma )}+\left|{\int }_{\gamma }\tilde{v}\right|\right)& \forall \tilde{v}\in H^1(\gamma )\end{array}$$

用反证法（proof by contradiction）证明如下：
假设存在${\tilde{v}}_k\in H^1(\gamma )$，使得
$${\Vert {\tilde{v}}_k\Vert }_{L_2(\gamma )}=1,{\Vert {\nabla }_{\gamma }{\tilde{v}}_k\Vert }_{L_2(\gamma )}+\left|{\int }_{\gamma }{\tilde{v}}_k\right|\to 0$$
因为$H^1(\gamma )\subset L_2(\gamma )$是紧的，且 { v ~ k } k \left\{\widetilde{v}_{k}\right\}_{k} {v k​}k​在$H^1(\gamma )$有界，那么存在一个子列 { v ~ k } k \left\{\widetilde{v}_{k}\right\}_{k} {v k​}k​在$L^2$中收敛，又因为
$$\left|{\int }_{\gamma }{\tilde{v}}_k\right|\to 0$$
所以子列收敛于0，这和
$${\Vert {\tilde{v}}_k\Vert }_{L_2(\gamma )}=1$$
矛盾。

定义对偶空间的范数，
$$(17)\Vert \tilde{f}{\Vert }_{H_{\#}^{-1}(\gamma )}=\underset{\tilde{v}\in H_{\#}^1(\gamma )}{\sup }\frac{{\int }_{\gamma }\tilde{f}\overline{v}}{{\Vert {\nabla }_{\gamma }\tilde{v}\Vert }_{L_2(\gamma )}}$$
方程的弱形式，可以是，对于$\tilde{f}\in L_{2,\#}(\gamma )$，寻找$\tilde{u}\in H_{\#}^1(\gamma )$，使得
$$(18){\int }_{\gamma }{\nabla }_{\gamma }\tilde{u}\cdot {\nabla }_{\gamma }\tilde{v}={\int }_{\gamma }\tilde{f}\tilde{v}\forall \tilde{v}\in H_{\#}^1(\gamma )$$
感谢性质$\tilde{f}\in L_{2,\#}(\gamma )$，解满足
$$(19){\int }_{\gamma }{\nabla }_{\gamma }\tilde{u}\cdot {\nabla }_{\gamma }\tilde{v}={\int }_{\gamma }\tilde{f}\tilde{v}\forall \tilde{v}\in H^1(\gamma )$$
怎么理解？

下面我们介绍曲面的正则性（regularity），首先，我们先把结果展示在下面：
1、(regularity). If $\gamma$ is of class $C^2$, then there is a constant $C$ only depending on $\gamma$ such that
$$(20)\Vert \tilde{u}{\Vert }_{H^2(\gamma )}\le C\Vert \tilde{f}{\Vert }_{L_2(\gamma )}$$
2、(regularity for $W_p^2$ surfaces). If $\gamma$ is of class $W_p^2$ with $n<p\le \infty$, then there is a constant $C>0$ depending on $\gamma ,p$ and $n$ such that
$$(21)\Vert \tilde{u}{\Vert }_{H^2(\gamma )}\le C\Vert \tilde{f}{\Vert }_{L_2(\gamma )}$$
为了证明曲面的正则性，我们先介绍两个来自于别的文献的一些结果。用英文表述如下：

a、Interior regularity therory

b、unique solution

c、

我们先证明第一个。
由
$${\Delta }_{\gamma }{\tilde{u}}_i={\tilde{\psi }}_i\tilde{f}+2{\nabla }_{\gamma }\tilde{u}\cdot {\nabla }_{\gamma }{\tilde{\psi }}_i+\tilde{u}{\Delta }_{\gamma }{\tilde{\psi }}_i=:{\tilde{g}}_i$$
$${\Vert {\nabla }_{\gamma }\tilde{u}\Vert }_{L_2(\gamma )}\le \Vert \tilde{f}{\Vert }_{H_{\#}^{-1}(\gamma )}$$
以及，庞加莱不等式，我们能得到
$${\Vert {\tilde{g}}_i\Vert }_{L_2(\gamma )}\le C\Vert \tilde{f}{\Vert }_{L^2\left(\gamma \cap {\mathcal{U}}_i\right)}$$
由
$$\mathrm{div}\left(q_i(\mathbf{y}){\mathbf{g}}_i(\mathbf{y}{)}^{-1}\nabla u(\mathbf{y})\right)=q_i(y){\tilde{g}}_i(\chi (\mathbf{y}))\forall \mathbf{y}\in {\mathcal{V}}_i$$
根据引入的定理，得到，
$${\Vert u_i\Vert }_{H^2\left({\mathbf{\chi }}^{-1}\left({\mathcal{W}}_i\right)\right)}\le C{\Vert g_i\Vert }_{L_2\left({\mathcal{U}}_i\right)}$$
最后，我们可以得到
$$\Vert \tilde{u}{\Vert }_{H^2(\gamma )}\le \sum _{i=1}^I{\Vert {\tilde{u}}_i\Vert }_{H^2\left({\mathcal{W}}_i\right)}\le C\sum _{i=1}^I{\Vert {\tilde{g}}_i\Vert }_{L_2\left({\mathcal{U}}_i\right)}\le C\Vert \tilde{f}{\Vert }_{L_2(\gamma )}$$

接下来我们证明第二个。
由
$$\mathbf{g},q\in W_p^1(\mathcal{V})\Rightarrow \mathbf{A}:=q{\mathbf{g}}^{-1}\in W_p^1(\mathcal{V})$$
有
$$\text{ (22) }\mathbf{A}:D^{2}u=qg-\mathrm{div}(\mathbf{A})\cdot \nabla u=\ell \in L_{r_0}(\mathcal{V})$$
则有，
$$\Vert u{\Vert }_{W_{r_k}^2}(\mathcal{Z})\lesssim \Vert \ell {\Vert }_{L_{r_k}}(\mathcal{Z})$$
递推可得最小的$k$。

符号距离函数

定义符号距离函数，内正外负
$$|d(\mathrm{x})|=\mathrm{dist}(\mathrm{x},\gamma )\forall \mathrm{x}\in \mathcal{N}$$

这里，$\mathcal{N}$是$\gamma$的tubular领域，对于每一个$x\in \mathcal{N}$，定义最近点投影（closest point
projection）
$$\text{ (23) }{\mathbf{P}}_d(\mathrm{x})=\mathrm{x}-d(\mathrm{x})\nabla d(\mathrm{x})\forall \mathrm{x}\in \mathcal{N}$$
一个关于梯度的性质是
$$(24)\nabla d(\mathrm{x})=\nabla d\left({\mathrm{P}}_d(\mathrm{x})\right)=\nabla d(\mathrm{x}-d(\mathrm{x})\nabla d(\mathrm{x}))\forall \mathrm{x}\in \mathcal{N}$$
二阶Hessian矩阵满足
$$\begin{array}{ll}\text{ (25) }& D^{2}d(\mathrm{x})\nabla d(\mathrm{x})=0\forall \mathrm{x}\in \mathcal{N}\end{array}$$
定义$\tilde{v}$的一个自然扩充
$$(26)v(\mathrm{x})=\tilde{v}\left({\mathrm{P}}_d(\mathrm{x})\right)=\tilde{v}(\mathrm{x}-d(\mathrm{x})\nabla d(\mathrm{x}))\forall \mathrm{x}\in \mathcal{N}$$
对上式求导并利用投影算子的定义，我们可以得到(27)
$$\begin{array}{rl}\nabla v(\mathbf{x})& =\left(\mathbf{I}-\nabla d(\mathbf{x})\otimes \nabla d(\mathbf{x})-d(\mathbf{x})D^{2}d(\mathbf{x})\right){\nabla }_{\gamma }\tilde{v}\left({\mathbf{P}}_d(\mathbf{x})\right)\\ & =\left(\Pi (\mathbf{x})-d(\mathbf{x})D^{2}d(\mathbf{x})\right){\nabla }_{\gamma }\tilde{v}\left({\mathbf{P}}_d(\mathbf{x})\right)\\ & =\left(\mathbf{I}-d(\mathbf{x})D^{2}d(\mathbf{x})\right)\Pi (\mathbf{x}){\nabla }_{\gamma }\tilde{v}\left({\mathbf{P}}_d(\mathbf{x})\right)\end{array}$$

下面我们定义一个新的tangential梯度，如下
$$(28){\nabla }_{\gamma }\tilde{v}(\mathbf{x})=(\mathbf{I}-\mathbf{\nu }(\mathbf{x})\otimes \mathbf{\nu }(\mathbf{x}))\nabla v(\mathbf{x})=\Pi (\mathbf{x})\nabla v(\mathbf{x})\forall \mathbf{x}\in \gamma$$
容易想到，这个定义和前面的定义（10）是相容的，事实上，
$${\nabla }_{\gamma }\tilde{v}(\mathbf{x})\cdot {\partial }_i\chi (\mathbf{y})=\nabla v(\mathbf{x})\cdot {\partial }_i\chi (\mathbf{y})={\partial }_i\tilde{v}(\chi (\mathbf{y}))$$
这个需要细细思考和品味。

两个remark：1、切向梯度和$\tilde{v}$的扩充是无关的（irrelevant）。2、切向梯度和曲面的参数化是无关的（parametrization）。

相同地，我们也可以用新方式的定义曲面上的散度和拉普拉斯算子，他们和原来的定义也是相容的，
$${\mathrm{div}}_{\gamma }(\tilde{\mathbf{v}}(\mathbf{x}))=\mathrm{trace}\left({\nabla }_{\gamma }\tilde{\mathbf{v}}(\mathbf{x})\right)=\mathrm{div}(\mathbf{v}(\mathbf{x}))-\mathbf{\nu }(\mathbf{x}{)}^t\nabla \mathbf{v}(\mathbf{x})\mathbf{\nu }(\mathbf{x})\forall \mathbf{x}\in \gamma$$
$${\Delta }_{\gamma }\tilde{v}=\mathrm{trace}\left((\mathbf{I}-\mathbf{\nu }\otimes \mathbf{\nu })D^{2}v\right)-(\nabla v\cdot \mathbf{\nu }){\mathrm{div}}_{\gamma }(\mathbf{\nu })$$
$${\Delta }_{\gamma }\tilde{v}(\mathbf{x})=\Delta v(\mathbf{x})-\mathbf{\nu }(\mathbf{x}{)}^t{D}^{2}v(\mathbf{x})\mathbf{\nu }(\mathbf{x})-(\nabla v\cdot \mathbf{\nu })(\mathbf{x}){\mathrm{div}}_{\gamma }(\mathbf{\nu }(\mathbf{x}))\forall \mathbf{x}\in \gamma$$
第二个拉普拉斯是因为
$${\nabla }_{\gamma }(\nabla \mathbf{\nu }\cdot \mathbf{\nu })\cdot \mathbf{\nu }=0$$