第 11 章 PDE 问题的约化模型（Reduced Models for PDE Problems）

作者

同 Ch 1-10，Thomas Witelski（Duke University，数学系）和 Mark Bowen（Waseda University，国际理工学中心）合著。本章是 Part II（Solution Techniques）的第 7 章——也是 Part II 求解方法的最后一章。

本章在全书中的定位：Ch 5 自相似解的"几何版本"——不求整个解 $u(x, t)$，只求几个关键统计量（质量、中心、方差）。当 PDE 不能精确求解时，用积分变换（矩方法）把 PDE 降维为 ODE。这种"约化模型"在工程和科学计算中是最常用的工具——它牺牲"解的细节"换取"长期统计行为的可预测性"。

内容概述

本章回答一个核心问题：当 PDE 不能精确求解时，如何用少量"宏观量"（矩）来描述解的关键特征？

章节结构： 1. §11.1 矩方法：通过 $M_n(t) = \int_D x^n \rho(x, t) dx$（矩积分）把 PDE 转化为矩的 ODE。例：热方程（11.2a）的 $M_0 = $ 守恒，$M_1 = $ 守恒，$M_2 = 2 t M_0$（线性增长）。矩方程的封闭性是核心——有时需要"闭合关系"。 2. §11.2 Turing 不稳定性与图样形成：$\partial_t p = 2pq - 4 + \partial_x^2 p$, $\partial_t q = -2pq + q + 3 + D \partial_x^2 q$。当 $D \gg 1$（Q 的扩散远快于 P）时，空间均匀态 $(p^*, q^*) = (2, 1)$ 失稳——某些 Fourier 模式 $e^{ikx}$ 增长。这是 Turing 1952 论文的核心发现：扩散可以"增强"空间结构而非"抹平"。 3. §11.3 Taylor 弥散：在 Poiseuille 流（抛物线速度剖面）携带的溶质 $C(X, Y, T)$，由于横向扩散 + 纵向速度差的耦合，有效纵向扩散比分子扩散大得多——$D_{\text{eff}} = D_x (1 + \frac{8}{945} U_0^2 H^2 / D_x D_y)$（11.28）。这是工程中"河流污染扩散"和"血管药物传输"的核心模型。

核心思想：当 PDE 解的"细节"不重要、而"宏观量"（质量、中心、方差、有效扩散系数）重要时，矩方法把 PDE 降维为 ODE——这与 Ch 10 的"快/慢降维"是同一种哲学。

前置知识：Ch 5（自相似解，特别是热方程 Cauchy 解 5.17）、Ch 6（扰动方法）、Ch 8（长波近似）、Ch 10（矩方法与慢流形的"几何"哲学）。

核心方程与概念

1. 矩方法（§11.1, eq. 11.1-11.8）

矩积分定义（11.1）： $$M_n(t) \equiv \int_D x^n \rho(x, t) dx, \quad n = 0, 1, 2, \ldots$$

热方程（11.2a）：$\partial_t \rho = \partial_x^2 \rho$。

$M_0$ 演化（11.3）： $$\frac{dM_0}{dt} = \int_{-\infty}^{\infty} \partial_x^2 \rho \, dx = \partial_x \rho \Big|_{-\infty}^{\infty} = 0$$ → 质量守恒。

$M_1$ 演化（11.4）： $$\frac{dM_1}{dt} = \int_{-\infty}^{\infty} x \partial_x^2 \rho \, dx = -\int_{-\infty}^{\infty} \partial_x \rho \, dx = 0$$ → 中心守恒。

$M_2$ 演化（11.6-11.7）： $$\frac{dM_2}{dt} = 2 M_0 \Rightarrow M_2(t) = 2 t M_0 + M_2(0)$$ → 方差线性增长。

方差定义（11.8）：$V(t) = M_2 - M_1^2/M_0$，标准差 $\sigma = \sqrt{V}$。对热方程 Cauchy 解 (5.17)，$V = 2 t$（扩散的标准结果）。

矩方法的本质：用"积分"消除空间维度——把 $\rho(x, t)$（无限维）降到 $M_n(t)$（有限维 ODE）。每阶矩 $M_n$ 的演化方程通常涉及 $M_{n+2}$——需要"闭合关系"才能封闭。热方程的"自然闭合"是边界条件让高阶矩为零。

2. Turing 不稳定性（§11.2, eq. 11.10-11.17）

反应-扩散系统（11.10a）： $$\partial_t p = 2pq - 4 + \partial_x^2 p, \quad \partial_t q = -2pq + q + 3 + D \partial_x^2 q$$

空间均匀定态（11.11）：$p^* = 2, q^* = 1$。

线性化（11.12-11.13）：$p = p^* + \varepsilon \tilde p, q = q^* + \varepsilon \tilde q$ → $$\partial_t \tilde p = 2 \tilde p + 4 \tilde q + \partial_x^2 \tilde p, \quad \partial_t \tilde q = -2 \tilde p - 3 \tilde q + D \partial_x^2 \tilde q$$

Fourier 模式（11.15-11.16）：$\tilde p_k = a_k \cos(kx) e^{\lambda_k t}, \tilde q_k = b_k \cos(kx) e^{\lambda_k t}$，得特征方程（11.17）： $$(\lambda_k + k^2 - 2)(\lambda_k + k^2 D + 3) + 8 = 0$$

色散关系 $\sigma(k) = \text{Re}(\lambda_k)$： - $k = 0$：稳定螺旋（$\lambda = (-1 \pm i\sqrt{7})/2$） - $k = 1, D = 100$：正增长率 $\sigma(1) > 0$（Turing 不稳定） - $k = 2, 3, \ldots$：稳定节点

Turing 1952 的发现（§11.2 导言）："扩散通常会抹平空间不均匀"是直觉——但 Turing 证明在某些条件下扩散会增强空间结构。关键：两种反应物（$P$ 和 $Q$）有非常不同的扩散率（$D \gg 1$），激活子（activator）扩散慢 + 抑制子（inhibitor）扩散快→ 空间图样自发出现。

物理意义：从 $(p^*, q^*) = (2, 1)$ 的均匀定态出发，任意小的空间扰动 $e^{ikx}$（$k = 1$）都会指数增长——系统必然演化到空间图样态（Fig. 11.1）。这是生物形态发生（morphogenesis）的核心机制——动物毛皮上的斑点和条纹。

矩方法在 Turing 问题上的失败（§11.2 末段）：作者指出"用矩方法分析 Turing 系统时，我们只看 0 阶矩（空间平均）"——但 $\int p q \, dx$ 不是各平均的乘积。矩方法在非线性问题中往往"漏掉"空间结构。

3. Taylor 弥散（§11.3, eq. 11.18-11.30）

Poiseuille 流的溶质输运（11.18）：在长通道 $-H \le Y \le H$ 中，抛物线速度 $U = U_0 (1 - Y^2/H^2) \hat l$，溶质 $C$ 满足 $$\partial_T C + \nabla \cdot (C U) = D \nabla^2 C$$

无量纲化（11.19-11.20a）：引入两个 Péclet 数 $\text{Pe}_x, \text{Pe}_y$。关键分解（11.20a）： $$c(x, y, t) = \bar c(x, t) + \tilde c(x, y, t)$$ $\bar c$ 是横向平均，$\tilde c$ 是偏离（零均值）。

平均 + 偏差方程（11.24, 11.25）： - 平均方程（11.24）：$\partial_t \bar c + \bar u \partial_x \bar c + \frac{1}{2} \int_{-1}^1 \tilde u \partial_x \tilde c \, dy = \frac{1}{\text{Pe}_x} \partial_x^2 \bar c$ - 偏差方程（11.25）：$\partial_t \tilde c + \tilde u \partial_x \bar c + \bar u \partial_x \tilde c + \tilde u \partial_x \tilde c - (\text{average term}) = \frac{1}{\text{Pe}_x} \partial_x^2 \tilde c + \frac{1}{\text{Pe}_y} \partial_y^2 \tilde c$

Taylor 假设（§11.3 末段）： 1. 偏差小：$\tilde c \ll \bar c$ 2. 通道细长：$\partial_y \gg \partial_x$（$H \ll L$）

主导平衡（11.26）：$\tilde u(y) \partial_x \bar c = \frac{1}{\text{Pe}_y} \partial_y^2 \tilde c$ → 偏差仅通过 $\partial_x \bar c$ 进入。

解出 $\tilde c$（11.27）：通过 $\bar c$ 不依赖于 $y$，两次积分（+ 边界条件 + 零均值条件）→ $$\tilde c = \text{Pe}_y \frac{\partial \bar c}{\partial x} \left[\frac{1}{6} y^2 - \frac{1}{12} y^4 - \frac{7}{180}\right]$$

关键常数 7/180 来自 $\int_{-1}^1 [\frac{1}{6} y^2 - \frac{1}{12} y^4] dy = 7/180$（零均值条件）。

计算积分项（11.28 前的段落）： $$\frac{1}{2} \int_{-1}^1 \tilde u \partial_x \tilde c \, dy = -\frac{8 \text{Pe}_y}{945} \frac{\partial^2 \bar c}{\partial x^2}$$

因此平均方程变为（11.28）： $$\partial_t \bar c + \bar u \partial_x \bar c = \alpha \partial_x^2 \bar c, \quad \alpha = \frac{1}{\text{Pe}_x} \left(1 + \frac{8 U_0^2 H^2}{945 D_x D_y}\right)$$

Taylor 增强扩散系数（11.28）：$\alpha$ 中的 $1 + \frac{8 U_0^2 H^2}{945 D_x D_y}$ 是增强因子——由于速度梯度和横向扩散的耦合，纵向有效扩散远大于分子扩散。

精确解（11.29-11.30）：在 $x$ 移动坐标系 $z = x - \bar u t$ 中，$\bar c$ 满足经典扩散方程，由 Ch 5 的 Cauchy 解（5.17）给出 $$\bar c(x, t) \sim \frac{M_0}{\sqrt{4\pi \alpha t}} \exp\left(-\frac{(x - \bar u t)^2}{4\alpha t}\right)$$

这就是"河流污染扩散"的标准模型——20 世纪 50 年代后被广泛用于水力学和工程。

关键结论

矩方法 = "积分几何"：用 $\int x^n \rho \, dx$ 替代 $\rho(x, t)$ 作为基本变量，把 PDE 降到 ODE。关键假设：高阶矩可以闭合（用低阶矩表示）。热方程自然闭合（高阶矩的边界项为零）；非线性反应-扩散（如 Turing）需要额外假设（如 $\int pq \approx \bar p \bar q$），但常常失效。
Turing 不稳定性的反直觉（§11.2）：扩散可以"创造"结构而非"抹平"结构。条件：(a) 系统有两个或更多反应物；(b) 它们有非常不同的扩散率（$D$ 大）；(c) 系统在均匀态下是稳定的（$k = 0$ 模式 $\sigma(0) < 0$）；(d) 某些 $k > 0$ 模式 $\sigma(k) > 0$。这是生物形态发生的核心机制——Murray [X2] 在三卷《数学生物学》中详细处理。
Turing 模式 $\cos(kx)$ 主导（11.16, Fig. 11.1）：当 $D = 100$ 时，$k = 1$ 是唯一不稳定的整数 $k$（$k = 2, 3, \ldots$ 增长率都 < 0）。这意味着：从均匀态出发的任意小扰动都会演化为单峰模式 $\cos(x)$。这是"波数选择"的物理——自然选择 $k = 1$ 而不是更高 $k$。
Taylor 弥散 = "速度梯度 + 横向扩散 → 有效纵向扩散"（11.28）：$\alpha$ 含有 $\frac{8 U_0^2 H^2}{945 D_x D_y}$ 因子——这个"8/945" 是Poiseuille 流的特征。对其他速度剖面（如 plug flow, linear shear），这个常数会不同。这就是为什么 Taylor 弥散系数依赖于流动几何。
Taylor 弥散的"双重平均"（11.20, 11.24）：先对横向 $y$ 平均 → 1D 平均方程（11.24）；再假设 $\tilde c \ll \bar c$ → 偏差 $\tilde c$ 沿横向近似为抛物线剖面（11.27）。这种"二阶矩方法" 是 Ch 10 慢流形 + 矩方法的统一——慢流形给出 $\tilde c(y)$ 的形式，矩方法给出 $\bar c(x, t)$ 的演化。
$8/945$ 的物理意义（11.28）：$\alpha$ 中的 $\frac{8}{945} = \frac{8}{945}$ 是一个纯几何常数——只依赖于流速剖面 $u(y) = 1 - y^2$。对不同流剖面这个常数变化（plug flow: 0, linear shear: 1/30, circular pipe: 1/48）。这些"magic numbers"是流体力学的标志——习题 11.9 提示这个数字在文献中可能给出 2/105 而不是 8/945，因为归一化选择不同。
§11.2 末段"矩方法在非线性问题的局限"：作者诚实指出"$\int p q dx$ 不是 $\int p dx \int q dx$"——矩方法在非线性问题中往往丢失信息。Turing 不稳定性（空间图样）就是这种矩方法"看不到"的典型例子。这是矩方法的根本限制。
Ch 5 自相似解 + Ch 11 矩方法的统一（§11.1 末段 + 习题 11.1）：Cauchy 解 (5.17) 是 $t \to \infty$ 的渐近态——它的 $M_0, M_1, M_2$ 给出 $C_1, C_2, C_3$ 三个常数。这意味着：任意合理初始条件在 $t \to \infty$ 都趋近于Cauchy 解——Cauchy 解是热方程的"自相似吸引子"（Ch 5.5.1 末段已经预告）。矩方法给出了这个吸引子的三个宏观参数。

挑战和开放性问题

矩方法的闭合问题（§11.1 末段）：作者指出"if the moment equations depend on an indefinite number of further moments... the system is not closed"。对非线性 PDE（如多孔介质方程 11.5 习题、Turing 系统 11.2），矩方程通常不闭合。处理方法包括：(a) 假设特定的分布形状（如 Gaussian 假设 → 闭合一阶矩）、(b) 截断矩链（取 $M_n$ 足够大然后置零）、(c) 用机器学习学习高阶矩的"闭合关系"（近年来 ML+动力系统的方向）。
Turing 不稳定性的"选择规则"（§11.2 末段）：作者说"a band of unstable wavenumbers, $k \in \{1, 2, \ldots, k_c\}$"。这意味着：当多个 $k$ 都失稳时，哪个 $k$ 主导？答案：当非线性饱和后，最快增长的 $k$ 主导——但在某些情形下多个 $k$ 共存形成"超图样（superpatterns）"。这是非线性动力学的活跃领域。
Taylor 弥散的"高阶修正"（11.28 + 习题 11.9）：作者的 $\frac{8}{945}$ 是首阶近似——假设 $\tilde c$ 是抛物线（11.27）。$O(\epsilon^2)$ 修正让 $\alpha$ 依赖 $t$（"记忆效应"），长时间后有效扩散渐近于某极限。这是"非局域输运"理论（Mori-Zwanzig, 1960s-70s）。
Turing 不稳定性的生物应用（§11.2 末段）：Murray [X2] 在三卷《数学生物学》中系统化 Turing 理论在动物毛皮、胚胎发育、血管生成等生物问题中的应用。现代应用包括肿瘤图样（Malignant melanoma 的 Turing 模式）、生态群落（沙漠植被的 Turing 模式）、化学反应（B-Z 反应的 Turing 模式）。作者只是提了一下——对生物建模这是一个广阔领域。
§11.3 末段"严格化"：作者提到"Taylor 弥散推导可以更严格化"（Fowler, 类似 Ch 8 的长波分析）。严格版本（Bensoussan-Lions-Papanicolaou 1978, "Asymptotic Analysis for Periodic Structures"）用多尺度方法（$x, y, x/\epsilon$）严格处理 $H \to 0$ 极限，Taylor 弥散方程是长波极限 + 横向平均的联合结果。这是 Ch 8 长波近似的更复杂版本。
缺失主题：随机约化模型。当 PDE 含随机项（如 Langevin 噪声），矩方法自然推广为随机矩方法——但闭合成为了新问题（高阶矩受所有低阶矩影响）。对随机偏微分方程（SPDE）的约化模型是当前研究热点（例如数据同化、滤波、机器学习物理）。
"矩方法 = Galerkin 投影"（§11.1 末段）：作者明确指出矩方法与 Galerkin 投影方法密切相关——Galerkin 用 $\{1, x, x^2, \ldots\}$ 作为测试函数对 PDE 弱形式取内积，自动得到矩方程。这意味着矩方法可以用其他基函数——例如Fourier 模式（Turing 不稳定分析用的就是 Fourier 模式）替代多项式 $x^n$。这种"基函数选择"是矩方法的核心灵活性。
§11.2 末段"在非线性问题中用线性化的矩方法"：作者用线性化系统 (11.13) 而不是原非线性系统 (11.10a) 做矩分析。这是常见做法——但线性化只在扰动 $\varepsilon \to 0$ 时有效。当 $\varepsilon$ 不小时（如扰动幅值大），矩方法必须处理非线性矩方程。这通常不能闭合——只能数值处理。

个人反思与批判性分析

本章是 Ch 5-10 各种求解方法在"几何约化"思想上的统一——从"求整个 $u(x, t)$"到"求几个宏观量"。几个值得反思的点：

矩方法与"信息论"的关系（§11.1 末段）。$M_0$（质量）、$M_1$（中心）、$M_2$（方差）就是概率论中的"前三阶矩"——它们完全决定一个高斯分布。对热方程（线性、扩散），Cauchy 解 (5.17) 是高斯——所以前 3 阶矩就够。对非线性方程（如多孔介质、Turing），高斯假设失效——需要更高阶矩或完全不同的描述。这与"信息论"中"用最少参数描述概率分布"是同一哲学。
Turing 不稳定性 = "反扩散的扩散"（§11.2 导言）。作者引用 Turing 1952 论文——这是 20 世纪最深刻的反直觉数学发现之一。通常扩散让结构消失（"墨水在水中扩散 → 变均匀"）；但当两种反应物有不同扩散率时，扩散可以创造结构。这是"自组织"的核心机制——Prigogine 1977 诺贝尔奖就是给这个方向的。
Taylor 弥散 = "工程中的二阶效应"（11.28）。8/945 这个数字看起来是"工程常数"——但它有深刻的物理意义：横向扩散 + 纵向速度梯度的耦合，让分子扩散 $D_x$ 放大 $1 + 8 U_0^2 H^2 / (945 D_x D_y)$ 倍。这个因子可以非常大（如血管中 $D \sim 10^{-9}$ m²/s 但有效扩散 $\sim 10^{-7}$ m²/s，增大 100 倍）。这是药物传输、河流污染的核心——"慢扩散"在工程尺度上变成"快扩散"。
"矩方法 vs 完整解" 的取舍（§11.1 导言）。作者明确指出：矩方法当不需要"完整解"时用——这与 Ch 5 自相似解形成对比。Ch 5 给出"完整的高斯解"；Ch 11 矩方法只给出"$M_0, M_1, M_2$"三个量。实际工程中——例如气候预测——我们只能测到几个宏观量（全球平均温度），不能测完整温度场。矩方法是"基于可测量"的实用工具。
§11.2 末段的"矩方法失效"是教学上的诚实。作者明确指出"$\int pq dx$ 不是 $\int p dx \int q dx$"——矩方法在非线性问题中可能完全失效。Turing 不稳定性就是这种"矩方法看不到"的现象。这是矩方法的根本限制——也是为什么我们要研究 Ch 5 自相似解、Ch 8 长波近似、Ch 10 快/慢系统等其他方法。
Ch 5 + Ch 11 的统一（习题 11.1）。Cauchy 解 (5.17) 是 $t \to \infty$ 渐近态——它的矩给出 3 个参数。任意合理初始条件在 $t \to \infty$ 都趋近于Cauchy 解。这与 Ch 5 §5.5.1 末段"自相似吸引子"概念一致——Cauchy 解是热方程的"宏观极限"。矩方法给出这个极限的"宏观参数"（质量、中心、方差）。
缺失：与现代数据科学的关系。矩方法与数据科学密切相关——核密度估计（kernel density estimation）、高斯混合模型（GMM）、主成分分析（PCA）都是矩方法的应用。神经网络中的"batch normalization"实际是调整一阶和二阶矩。这是矩方法的现代复兴——作者没明说但可以让读者自己体会。
Ch 12 末尾"应用"是矩方法的工程实现（§11.3 末段 + Ch 12）。Taylor 弥散用于润滑问题（Ch 12 末尾的 rivulet in a wedge, air bearing slider）：Hele-Shaw 流动和长通道是润滑理论的典型几何。矩方法的"横向平均"和润滑理论的"长波近似" 是同一思想的不同名称。

重要参考文献

[X1] James D. Murray, Mathematical Biology I: An Introduction, Springer, 2002. (Turing 不稳定性和形态发生的经典)
[X2] James D. Murray, Mathematical Biology II: Spatial Models and Biomedical Applications, Springer, 2003. (Turing 模式在生物学中的深入应用)
[X3] John D. Anderson, Computational Fluid Dynamics, McGraw-Hill, 1995. (CFD 与 Taylor 弥散)
[X4] G.I. Taylor, "Dispersion of Soluble Matter in Solvent Flowing Slowly through a Tube," Proceedings of the Royal Society A 219 (1953) 186–203. (Taylor 弥散原始论文)
[X5] R. Aris, "On the Dispersion of a Solute in a Fluid Flowing through a Tube," Proceedings of the Royal Society A 235 (1956) 67–77. (Taylor 弥散的严格化，Aris 1975 后由 Barton 1984 推广)
[X6] Alain Bensoussan, Jacques-Louis Lions, and George Papanicolaou, Asymptotic Analysis for Periodic Structures, North-Holland, 1978. (多尺度严格化)
[X7] James P. Keener and James Sneyd, Mathematical Physiology I: Cellular Physiology, Springer, 2009. (生理学的矩方法)
[X8] G.I. Barenblatt, Scaling, Self-Similarity, and Intermediate Asymptotics, Cambridge University Press, 1996. (尺度分析与中间渐近)
[X9] Daniel T. Valentine, Fundamentals of Incompressible Flow, World Scientific, 2017. (不可压缩流体力学与 Taylor 弥散)
[X10] E. Guyon, J.-P. Hulin, L. Petit, and C.D. Mitescu, Physical Hydrodynamics, Oxford University Press, 2015. (物理流体力学，包含弥散理论)