曲面上的微积分(二)

曲面上的微积分(二)

从上一次讨论结束,回去之后,我花了一点时间走了一遍证明。心中依然遗留了两个问题。

对于Laplace-Beltrami方程的弱形式,
∫ γ φ ~ Δ γ v ~ = − ∫ γ ∇ γ φ ~ ⋅ ∇ γ v ~ \int_{\gamma} \tilde{\varphi} \Delta_{\gamma} \tilde{v}=-\int_{\gamma} \nabla_{\gamma} \tilde{\varphi} \cdot \nabla_{\gamma} \tilde{v} γφ~Δγv~=γγφ~γv~
我们要求这里的 ϕ ~ \tilde \phi ϕ~ C 1 C^1 C1且具有紧支集的。也就是说在迹的意义下,它在边界上是等于零的。
∀ v ~ ∈ H # 1 ( γ ) \forall \widetilde{v} \in H_{\#}^{1}(\gamma) v H#1(γ),满足这个条件吗?

另一个问题是, r k > 2 r_k > 2 rk>2
∥ u ∥ W r k 2 ( z ) ≲ ∥ ℓ ∥ L r k ( z ) \|u\|_{W_{r_{k}}^{2}}(z) \lesssim\|\ell\|_{L_{r_{k}}}(z) uWrk2(z)Lrk(z)
是否意味着 r k = 2 r_k=2 rk=2的时候,这个依然成立。

曲率

接下来,让我们来谈一谈和曲率相关的东西。下面我们总是假定 γ \gamma γ C 2 C^2 C2的。

首先,定义曲线的附近区域为
 (29)  N ( δ ) : = { x ∈ R n + 1 : ∣ d ( x ) ∣ < δ } \begin{array}{llll}{\text { (29) }} & {\mathcal{N}(\delta)} & { :=\left\{\mathbf{x} \in \mathbb{R}^{n+1} :|d(\mathbf{x})|<\delta\right\}}\end{array}  (29) N(δ):={xRn+1:d(x)<δ}

形状算子 W ( x ) \mathbf{W}(\mathbf{x}) W(x)有一个零特征值,对应的特征向量为法向量。剩余的特征值我们称它们为主曲率,用 κ i ( x ) \kappa_{i}(\mathbf{x}) κi(x)来表示。那么我们可以定义最大曲率:
( 30 ) K ( x ) : = max ⁡ 1 ≤ i ≤ n ∣ κ i ( x ) ∣ ∀ x ∈ γ ; K ∞ : = ∥ K ∥ L ∞ ( γ ) \begin{array}{cc}{(30)} & {K(\mathbf{x}) :=\max _{1 \leq i \leq n}\left|\kappa_{i}(\mathbf{x})\right| \quad \forall \mathbf{x} \in \gamma ; \quad K_{\infty} :=\|K\|_{L \infty(\gamma)}}\end{array} (30)K(x):=max1inκi(x)xγ;K:=KL(γ)
我们设置
( 31 ) N : = { x ∈ R n + 1 : dist ⁡ ( x , γ ) < 1 2 K ∞ } = N ( K ∞ / 2 ) (31) \quad \mathcal{N} :=\left\{\mathbf{x} \in \mathbb{R}^{n+1} : \operatorname{dist}(\mathbf{x}, \gamma)<\frac{1}{2 K_{\infty}}\right\}=\mathcal{N}\left(K_{\infty} / 2\right) (31)N:={xRn+1:dist(x,γ)<2K1}=N(K/2)
综述,这个表达里面有个错误,最后应该写为 N ( 1 / ( 2 K ∞ ) ) \mathcal{N}\left(1/(2K_{\infty}) \right) N(1/(2K)),我说得对吧。

下面陈述一个引理,关于平行曲面的曲率。 γ ϵ \gamma_\epsilon γϵ γ \gamma γ的平行曲面,数学上定义为:
γ ϵ : = { x ∈ N : d ( x ) = ε } \gamma_{\epsilon} :=\{\mathbf{x} \in \mathcal{N} : d(\mathbf{x})=\varepsilon\} γϵ:={xN:d(x)=ε}
那么,我们有这个一个关系:
 (32)  κ i ( x ) = κ i ( P d ( x ) ) 1 + ε κ i ( P d ( x ) ) ∀ x ∈ γ ε \begin{array}{llll}{\text { (32) }} & {\kappa_{i}(\mathbf{x})=\frac{\kappa_{i}\left(\mathbf{P}_{d}(\mathbf{x})\right)}{1+\varepsilon \kappa_{i}\left(\mathbf{P}_{d}(\mathbf{x})\right)}} & {\forall \mathbf{x} \in \gamma_{\varepsilon}}\end{array}  (32) κi(x)=1+εκi(Pd(x))κi(Pd(x))xγε
并且,他们的特征向量也是相对应的。
我们简单做一个证明,因为梯度关系
∇ d ( x ) = ∇ d ( P d ( x ) ) = ∇ d ( x − d ( x ) ∇ d ( x ) ) ∀ x ∈ N \nabla d(\mathbf{x})=\nabla d\left(\mathbf{P}_{d}(\mathbf{x})\right)=\nabla d(\mathbf{x}-d(\mathbf{x}) \nabla d(\mathbf{x})) \quad \forall \mathbf{x} \in \mathcal{N} d(x)=d(Pd(x))=d(xd(x)d(x))xN
求导,使用链式法则和乘积的导数规则,可得
D 2 d ( x ) = D 2 d ( P d ( x ) ) ( I − ∇ d ( x ) ⊗ ∇ d ( x ) − d ( x ) D 2 d ( x ) ) D^{2} d(\mathbf{x})=D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right)\left(\mathbf{I}-\nabla d(\mathbf{x}) \otimes \nabla d(\mathbf{x})-d(\mathbf{x}) D^{2} d(\mathbf{x})\right) D2d(x)=D2d(Pd(x))(Id(x)d(x)d(x)D2d(x))
做一些项的移动,我们可以得到
( I + d ( x ) D 2 d ( P d ( x ) ) ) D 2 d ( x ) = D 2 d ( P d ( x ) ) ( I − ∇ d ( x ) ⊗ ∇ d ( x ) ) = D 2 d ( P d ( x ) ) \left(\mathbf{I}+d(\mathbf{x}) D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right)\right) D^{2} d(\mathbf{x})=D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right)(\mathbf{I}-\nabla d(\mathbf{x}) \otimes \nabla d(\mathbf{x}))=D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right) (I+d(x)D2d(Pd(x)))D2d(x)=D2d(Pd(x))(Id(x)d(x))=D2d(Pd(x))
另一方面,
κ i ( I + ε D 2 d ( P d ( x ) ) ) = 1 + ε κ i ( P d ( x ) ) ≥ 1 2 \kappa_{i}\left(\mathbf{I}+\varepsilon D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right)\right)=1+\varepsilon \kappa_{i}\left(\mathbf{P}_{d}(\mathbf{x})\right) \geq \frac{1}{2} κi(I+εD2d(Pd(x)))=1+εκi(Pd(x))21
告诉我们, I + ε D 2 d ( P d ( x ) ) \mathbf{I}+\varepsilon D^{2} d\left(\mathbf{P}_{d}(\mathbf{x})\right) I+εD2d(Pd(x))是非奇异的。那么,我们有
W ( x ) = ( I + ε W ( P d ( x ) ) ) − 1 W ( P d ( x ) ) \mathbf{W}(\mathbf{x})=\left(\mathbf{I}+\varepsilon \mathbf{W}\left(\mathbf{P}_{d}(\mathbf{x})\right)\right)^{-1} \mathbf{W}\left(\mathbf{P}_{d}(\mathbf{x})\right) W(x)=(I+εW(Pd(x)))1W(Pd(x))
根据这个以及一些数值线性代数的知识,我们容易得到结论。

下面介绍第二个引理,第二基本型。
曲面的第二基本型 h = ( h i j ) i , j = 1 n \mathbf{h}=\left(h_{i j}\right)_{i, j=1}^{n} h=(hij)i,j=1n定义为:
h i j ( y ) : = − ∂ i ν ( y ) ⋅ ∂ j χ ( y ) = ν ( y ) ⋅ ∂ i j χ ( y ) ∀ y ∈ V h_{i j}(\mathbf{y}) :=-\partial_{i} \boldsymbol{\nu}(\mathbf{y}) \cdot \partial_{j} \chi(\mathbf{y})=\boldsymbol{\nu}(\mathbf{y}) \cdot \partial_{i j} \boldsymbol{\chi}(\mathbf{y}) \quad \forall \mathbf{y} \in \mathcal{V} hij(y):=iν(y)jχ(y)=ν(y)ijχ(y)yV
第二个偏导是 j j j不是 i i i,综述上有些小错误。第二个等号是因为 ν ⋅ ∂ j χ = 0 \nu \cdot \partial _j \chi = 0 νjχ=0,求导即可。

引理描述如下,如果
s = − h g − 1 \mathbf{s}=-\mathbf{h g}^{-1} s=hg1
那么 s \mathbf{s} s的特征值就是 γ \gamma γ的主曲率。
简单的证明如下,
∂ i ν ( y ) = D γ ν ( x ) ∂ i χ ( y ) = ∑ k = 1 n s i k ( y ) ∂ k χ ( y ) ∀ y ∈ V \partial_{i} \nu(\mathbf{y})=D_{\gamma} \nu(\mathbf{x}) \partial_{i} \chi(\mathbf{y})=\sum_{k=1}^{n} s_{i k}(\mathbf{y}) \partial_{k} \chi(\mathbf{y}) \quad \forall \mathbf{y} \in \mathcal{V} iν(y)=Dγν(x)iχ(y)=k=1nsik(y)kχ(y)yV
两边同乘以 ∂ j χ ( y ) \partial_{j} \chi(\mathbf{y}) jχ(y)可得,
h i j ( y ) = − ∂ i ν ( y ) ⋅ ∂ j χ ( y ) = − ∑ k = 1 n s i k ∂ k χ ( y ) ⋅ ∂ j χ ( y ) = − ∑ k = 1 n s i k g k j h_{i j}(\mathbf{y})=-\partial_{i} \nu(\mathbf{y}) \cdot \partial_{j} \chi(\mathbf{y})=-\sum_{k=1}^{n} s_{i k} \partial_{k} \chi(\mathbf{y}) \cdot \partial_{j} \chi(\mathbf{y})=-\sum_{k=1}^{n} s_{i k} g_{k j} hij(y)=iν(y)jχ(y)=k=1nsikkχ(y)jχ(y)=k=1nsikgkj
这就是 h = − s g \mathbf{h}=-\mathbf{s g} h=sg。在综述中,它缺失了一些负号。现在的问题仔仔的问题在于,是否 s \mathbf{s} s D γ ν D_\gamma \nu Dγν有除零之外相同的特征值?将上述的表达,写成矩阵,我们有
s D χ T = D χ T D γ ν \mathbf{s}D\chi^T=D\chi^TD_\gamma \nu sDχT=DχTDγν
有数值线性代数的知识,我们知道他俩有相同的特征值。

曲面正则性和距离函数的性质

我们之前讨论的所有,总是假设 γ \gamma γ C 2 C^2 C2的,并且总是假设在以下的区域考虑最近点投影:
N : = { x ∈ R n + 1 : dist ⁡ ( x , γ ) < 1 2 K ∞ } = N ( 1 / ( 2 K ∞ ) ) \mathcal{N} :=\left\{\mathbf{x} \in \mathbb{R}^{n+1} : \operatorname{dist}(\mathbf{x}, \gamma)<\frac{1}{2 K_{\infty}}\right\}=\mathcal{N}\left( 1/( 2K_{\infty})\right) N:={xRn+1:dist(x,γ)<2K1}=N(1/(2K))
那么正则性更差的曲面怎么办呢?为了解释清楚事情,我们需要一些引理。
在这里插入图片描述
简单地说, k ≥ 2 k\ge 2 k2 γ \gamma γ C k C^k Ck d d d C k C^k Ck,最近点投影算子 P d ( x ) \mathbf{P}_{d}(\mathbf{x}) Pd(x) C k − 1 C^{k-1} Ck1的于 N ( 1 / K ∞ ) \mathcal{N}(1/K_\infty) N(1/K)

那么 k = 1 k=1 k=1呢?首先,我们给出两个定义。
reach ⁡ ( γ ) : = sup ⁡ { δ ≥ 0 :  all  x ∈ N ( δ )  have a unique closest point  P d ( x ) ∈ γ } \operatorname{reach}(\gamma) :=\sup \left\{\delta \geq 0 : \text { all } \mathbf{x} \in \mathcal{N}(\delta) \text { have a unique closest point } \mathbf{P}_{d}(\mathbf{x}) \in \gamma\right\} reach(γ):=sup{δ0: all xN(δ) have a unique closest point Pd(x)γ}
U ( γ ) : = { x ∈ R n + 1 : x  has a unique closest point in  γ } U(\gamma) :=\left\{\mathbf{x} \in \mathbb{R}^{n+1} : \mathbf{x} \text { has a unique closest point in } \gamma\right\} U(γ):={xRn+1:x has a unique closest point in γ}
那么,我们有如下引理:
在这里插入图片描述
也就是说 d d d x \mathbf{x} x是可微的,那么在 x \mathbf{x} x以内点的投影就是唯一的。

下面定义一些常量。最近法向分割:
S ( x , ρ ) : = [ x − ρ ν ( x ) , x + ρ ν ( x ) ] S(\mathbf{x}, \rho) :=[\mathbf{x}-\rho \boldsymbol{\nu}(\mathbf{x}), \mathbf{x}+\rho \boldsymbol{\nu}(\mathbf{x})] S(x,ρ):=[xρν(x),x+ρν(x)]
定义一些 r 0 r_0 r0
1 r 0 : = sup ⁡ x , y ∈ Y , x ≠ y ∣ ν ( x ) − ν ( y ) ∣ ∣ x − y ∣ 1 r 0 ′ : = sup ⁡ { ρ ≥ 0 : S ( x , ρ ) ∩ S ( y , ρ ) = ∅ ∀ x , y ∈ γ , x ≠ y } 1 r 0 ′ ′ : = sup ⁡ { ρ ≥ 0 : B ρ ( x ± ρ ν ( x ) ) ‾  contain respectively no points   interior or exterior to  γ  for all  x ∈ γ } 1 r ′ ′ ′ : = sup ⁡ x , y ∈ Y , x ≠ y ∣ 2 ( y − x ) ⋅ ν ( x ) ∣ ∣ y − x ∣ 2 \begin{array}{l}{\frac{1}{r_{0}} :=\sup _{\mathbf{x}, \mathbf{y} \in \mathcal{Y}, \mathbf{x} \neq \mathbf{y}} \frac{|\boldsymbol{\nu}(\mathbf{x})-\boldsymbol{\nu}(\mathbf{y})|}{|\mathbf{x}-\mathbf{y}|}} \\ {\frac{1}{r_{0}^{\prime}} :=\sup \{\rho \geq 0 : S(\mathbf{x}, \rho) \cap S(\mathbf{y}, \rho)=\emptyset \forall \mathbf{x}, \mathbf{y} \in \gamma, \mathbf{x} \neq \mathbf{y}\}} \\ {\frac{1}{r_{0}^{\prime \prime}} :=\sup \{\rho \geq 0 : \overline{B_{\rho}(\mathbf{x} \pm \rho \boldsymbol{\nu}(\mathbf{x}))} \text { contain respectively no points }} \\ {\text { interior or exterior to } \gamma \text { for all } \mathbf{x} \in \gamma\}} \\ {\frac{1}{\mathrm{r}^{\prime \prime \prime}} :=\sup _{\mathbf{x}, \mathbf{y} \in \mathcal{Y}, \mathbf{x} \neq \mathbf{y}} \frac{|2(\mathbf{y}-\mathbf{x}) \cdot \boldsymbol{\nu}(\mathbf{x})|}{|\mathbf{y}-\mathbf{x}|^{2}}}\end{array} r01:=supx,yY,x=yxyν(x)ν(y)r01:=sup{ρ0:S(x,ρ)S(y,ρ)=x,yγ,x=y}r01:=sup{ρ0:Bρ(x±ρν(x)) contain respectively no points  interior or exterior to γ for all xγ}r1:=supx,yY,x=yyx22(yx)ν(x)
这里, r 0 ′ ′ ′ = reach ⁡ ( γ ) r_{0}^{\prime \prime \prime}=\operatorname{reach}(\gamma) r0=reach(γ)
我们有如下引理:
在这里插入图片描述
和这样一个定理:
在这里插入图片描述
换言之, reach ⁡ > 0 \operatorname{reach}>0 reach>0 C 1 C^1 C1曲面就是 C 1 , 1 C^{1,1} C1,1

曲面上的散度定理

我们考虑在具有边界的曲面上的散度定理。

Proposition 12 (divergence theorem). Let γ \gamma γ be a compact, oriented surface of class C 2 C^{2} C2 with Lipschitz boundary ∂ γ \partial \gamma γ . Let H = ∑ i = 1 n κ i H=\sum_{i=1}^{n} \kappa_{i} H=i=1nκi be the total curvature of γ \gamma γ and μ \mu μ be the unit outward normal to ∂ γ \partial \gamma γ lying in the tangent hyperplane to γ . \gamma . γ. If v ~ : γ → R ∈ H 1 ( γ ) , \tilde{v} : \gamma \rightarrow \mathbb{R} \in H^{1}(\gamma), v~:γRH1(γ), then
∫ γ ∇ γ v ~ = ∫ γ v ~ H ν + ∫ ∂ γ v ~ μ \int_{\gamma} \nabla_{\gamma} \tilde{v}=\int_{\gamma} \tilde{v} H \nu+\int_{\partial \gamma} \tilde{v} \mu γγv~=γv~Hν+γv~μ

我们简单地证明一下,给定 0 < ε < 1 2 K ∞ 0<\varepsilon<\frac{1}{2 K_{\infty}} 0<ε<2K1,定义
Ω ε : = { z = x + ρ ν ( x ) : x ∈ γ , ∣ ρ ∣ < ε } \Omega_{\varepsilon} :=\{\mathbf{z}=\mathbf{x}+\rho \boldsymbol{\nu}(\mathbf{x}) : \quad \mathbf{x} \in \gamma,|\rho|<\varepsilon\} Ωε:={z=x+ρν(x):xγ,ρ<ε}
以及
γ ± ε : = { x ± ε ν ( x ) : x ∈ γ } , λ ε : = ∂ Ω ε \ ( γ ε ∪ γ − ε ) \gamma_{ \pm \varepsilon} :=\{\mathbf{x} \pm \varepsilon \boldsymbol{\nu}(\mathbf{x}) : \mathbf{x} \in \gamma\}, \quad \lambda_{\varepsilon} :=\partial \Omega_{\varepsilon} \backslash\left(\gamma_{\varepsilon} \cup \gamma_{-\varepsilon}\right) γ±ε:={x±εν(x):xγ},λε:=Ωε\(γεγε)
v v v v ~ \tilde v v~ C 1 C^1 C1扩张,在区域内使用散度定理,可以得到
∫ Ω ϵ ∇ v = ∫ ∂ Ω ε v ν ε = ∫ γ ε v ν ∘ P d − ∫ γ − ε v ν ∘ P d + ∫ λ ε v μ ∘ P d \int_{\Omega_{\mathrm{\epsilon}}} \nabla v=\int_{\partial \Omega_{\varepsilon}} v \boldsymbol{\nu}_{\varepsilon}=\int_{\gamma_{\varepsilon}} v \boldsymbol{\nu} \circ \mathbf{P}_{d}-\int_{\gamma_{-\varepsilon}} v \boldsymbol{\nu} \circ \mathbf{P}_{d}+\int_{\lambda_{\varepsilon}} v \boldsymbol{\mu} \circ \mathbf{P}_{d} Ωϵv=Ωεvνε=γεvνPdγεvνPd+λεvμPd
这里的 ν ε \boldsymbol{\nu}_{\varepsilon} νε ∂ Ω ε \partial \Omega_{\varepsilon} Ωε的单位外法向量。两边除以 2 ϵ 2\epsilon 2ϵ
左边那一项,根据(27)式,趋近于
1 2 ε ∫ Ω ε ∇ v = 1 2 ε ∫ Ω ε ( I − d ( x ) D 2 d ( x ) ) ∇ γ v ~ ( P d ( x ) ) d x = → 0 ε → 0 ∫ γ ∇ γ v ~ \frac{1}{2 \varepsilon} \int_{\Omega_{\varepsilon}} \nabla v=\frac{1}{2 \varepsilon} \int_{\Omega_{\varepsilon}}\left(\mathbf{I}-d(\mathbf{x}) D^{2} d(\mathbf{x})\right) \nabla_{\gamma} \tilde{v}\left(\mathbf{P}_{d}(\mathbf{x})\right) d \mathbf{x} \underset{\varepsilon \rightarrow 0}{=\rightarrow 0} \int_{\gamma} \nabla_{\gamma} \tilde{v} 2ε1Ωεv=2ε1Ωε(Id(x)D2d(x))γv~(Pd(x))dxε0=→0γγv~
相似地,右边的最后一项
1 2 ε ∫ λ ε v μ ∘ P d ⟶ ∫ ∂ γ v ~ μ \frac{1}{2 \varepsilon} \int_{\lambda_{\varepsilon}} v \boldsymbol{\mu} \circ \mathbf{P}_{d} \longrightarrow \int_{\partial \gamma} \tilde{v} \boldsymbol{\mu} 2ε1λεvμPdγv~μ
之后,我们考虑
lim ⁡ ε → 0 1 2 ε ( ∫ γ ε v ν ∘ P d − ∫ γ − ε v ν ∘ P d ) = d d ρ ∫ γ ρ v ∇ d ∣ ρ = 0 = d d ρ ∫ V v ( x ) ∇ d ( x + ρ ∇ d ( x ) ) q ρ ( y ) d y ∣ ρ = 0 \begin{aligned} \lim _{\varepsilon \rightarrow 0} \frac{1}{2 \varepsilon}\left(\int_{\gamma_{\varepsilon}} v \nu \circ \mathbf{P}_{d}\right.&\left.-\int_{\gamma_{-\varepsilon}} v \boldsymbol{\nu} \circ \mathbf{P}_{d}\right)=\left.\frac{d}{d \rho} \int_{\gamma_{\rho}} v \nabla d\right|_{\rho=0} \\ &=\left.\frac{d}{d \rho} \int_{\mathcal{V}} v(\mathbf{x}) \nabla d(\mathbf{x}+\rho \nabla d(\mathbf{x})) q_{\rho}(\mathbf{y}) d \mathbf{y}\right|_{\rho=0} \end{aligned} ε0lim2ε1(γεvνPdγεvνPd)=dρdγρvdρ=0=dρdVv(x)d(x+ρd(x))qρ(y)dyρ=0
考虑到 d d ρ ∇ d ( x + ρ ∇ d ( x ) ) = D 2 d ( x + ρ ∇ d ( x ) ) ∇ d ( x ) = 0 \frac{d}{d \rho} \nabla d(\mathbf{x}+\rho \nabla d(\mathbf{x}))=D^{2} d(\mathbf{x}+\rho \nabla d(\mathbf{x})) \nabla d(\mathbf{x})=0 dρdd(x+ρd(x))=D2d(x+ρd(x))d(x)=0,只需要估计 d d ρ q ρ \frac{d}{d \rho} q_{\rho} dρdqρ
使用面积元之间的关系:
q ( y ) q Γ ( y ) = det ⁡ ( I − d ( x ) W ( x ) ) ( ν ( x ) ⋅ ν Γ ( x ) ) ∀ x ∈ Γ \frac{q(\mathbf{y})}{q_{\Gamma}(\mathbf{y})}=\operatorname{det}(\mathbf{I}-d(\mathbf{x}) \mathbf{W}(\mathbf{x}))\left(\boldsymbol{\nu}(\mathbf{x}) \cdot \boldsymbol{\nu}_{\Gamma}(\mathbf{x})\right) \quad \forall \mathbf{x} \in \Gamma qΓ(y)q(y)=det(Id(x)W(x))(ν(x)νΓ(x))xΓ
我们有:
q ρ ( y ) q ( y ) = 1 det ⁡ ( I − ρ D 2 d ( x ) ) = 1 ∏ i = 1 n ( 1 − ρ κ i ( x ) ) = ∏ i = 1 n ( 1 + ρ κ i ( P d ( x ) ) ) \frac{q_{\rho}(\mathbf{y})}{q(\mathbf{y})}=\frac{1}{\operatorname{det}\left(\mathbf{I}-\rho D^{2} d(\mathbf{x})\right)}=\frac{1}{\prod_{i=1}^{n}\left(1-\rho \kappa_{i}(\mathbf{x})\right)}=\prod_{i=1}^{n}\left(1+\rho \kappa_{i}\left(\mathbf{P}_{d}(\mathbf{x})\right)\right) q(y)qρ(y)=det(IρD2d(x))1=i=1n(1ρκi(x))1=i=1n(1+ρκi(Pd(x)))
最后一个等式是因为前面的引理。所以呢,我们有
d d ρ q ρ ( y ) ∣ ρ = 0 = q ( y ) ∑ i = 1 n κ i ( P d ( x ) ) = q ( y ) H ( P d ( x ) ) \left.\frac{d}{d \rho} q_{\rho}(\mathbf{y})\right|_{\rho=0}=q(\mathbf{y}) \sum_{i=1}^{n} \kappa_{i}\left(\mathbf{P}_{d}(\mathbf{x})\right)=q(\mathbf{y}) H\left(\mathbf{P}_{d}(\mathbf{x})\right) dρdqρ(y)ρ=0=q(y)i=1nκi(Pd(x))=q(y)H(Pd(x))
由此证明了 v ~ \tilde v v~ C 1 C^1 C1的时候是成立的,因为 C 1 C^1 C1 H 1 H^1 H1中是稠密的,结论得证。

由上,对于向量函数,我们可以得到:
∫ γ div ⁡ γ v ~ = ∫ γ H v ~ ⋅ ν + ∫ ∂ γ v ~ ⋅ μ \int_{\gamma} \operatorname{div}_{\gamma} \tilde{\mathbf{v}}=\int_{\gamma} H \widetilde{\mathbf{v}} \cdot \boldsymbol{\nu}+\int_{\partial \gamma} \widetilde{\mathbf{v}} \cdot \boldsymbol{\mu} γdivγv~=γHv ν+γv μ
上式中,令 v ~ = w ~ ∇ γ v ~ \widetilde{\mathbf{v}}=\widetilde{w} \nabla_{\gamma} \widetilde{v} v =w γv ,我们有
∫ γ w ~ Δ γ v ~ + ∇ γ w ~ ⋅ ∇ γ v ~ = ∫ ∂ γ w ~ ∇ γ v ~ ⋅ μ \int_{\gamma} \widetilde{w} \Delta_{\gamma} \widetilde{v}+\nabla_{\gamma} \widetilde{w} \cdot \nabla_{\gamma} \widetilde{v}=\int_{\partial \gamma} \widetilde{w} \nabla_{\gamma} \widetilde{v} \cdot \boldsymbol{\mu} γw Δγv +γw γv =γw γv μ

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 点我我会动 设计师:上身试试 返回首页