熱方程式の解き方:フーリエ変換(全空間、N次元)

どうも、木村(@kimu3_slime)です。

前回、空間1次元、有界区間における熱伝導方程式の解き方を紹介しました。ポイントは、変数分離をして、初期値関数を三角関数の和として表す(フーリエ級数展開)ことでした。

参考:熱方程式の解き方:変数分離法、フーリエ級数展開(1次元、有界領域)

今回は、全空間における熱方程式のフーリエ変換を使った解き方を紹介します。

 

フーリエ変換の定義、反転公式

フーリエ変換を使うと、熱方程式を連立常微分方程式に書き換えることができて解くことができます。

しかし、いきなりその変換手順を見せても、変換の中身がわからなければ意味がわからないでしょう。

 

まず、少し唐突ですが、フーリエ変換を次のように定義します。

関数\(u\in L^1 (\mathbb{R}^N)\cap L^2(\mathbb{R}^N)\)に対し、

\[\hat{u}(y):= \frac{1}{(2\pi)^ \frac{N}{2}} \int _{\mathbb{R}^N} u(z) e^{-i y\cdot z} dz \quad y \in \mathbb{R}^N\]

\[\check{u}(x):= \frac{1}{(2\pi)^ \frac{N}{2}} \int _{\mathbb{R}^N} u(y) e^{i x\cdot y} dy \quad x \in \mathbb{R}^N\]

\(\hat{u}\)を\(u\)のフーリエ変換(Fourier transform)、\(\breve{u}\)を逆フーリエ変換(inverse Fourier transform)と呼びます。逆フーリエ変換は、共役フーリエ変換とも呼ばれます。

\(L^1 ,L^2\)はルベーグの意味で1乗可積分、2乗可積分関数のなす空間です。詳しくはルベーグ積分の教科書、例えば吉田「ルベーグ積分入門―使うための理論と演習」を参照。

 

フーリエ変換の定義を、フーリエ級数の場合と比較しながら理解していきましょう。

まず、\(e^{i x\cdot y}\)と虚数を含む式が出てくることについて。フーリエ変換後の世界では、関数は複素数値を持つことを許容しています。

オイラーの公式\(e^ {i\theta} = \cos \theta + i \sin \theta\)によって、三角関数を統一的に扱うために都合の良いものです。

一般に、フーリエ級数展開は

\[u(x)=\frac{a_0}{2} + \sum _{k=1} ^{\infty} a_k \cos kx + \sum _{k=1} ^{\infty} b_k \sin kx\]

と表されますが、

\[\cos \theta = \frac{1}{2} (e^ {i\theta} + e^{-i \theta})\]

\[\sin \theta = \frac{1}{2i} (e^ {i\theta} – e^{-i \theta})\]

を使ってまとめると、複素係数\(c_k\)を使って

\[\sum _{k=-\infty } ^{\infty } c_k e^{ikx}\]

と表せます。とてもシンプルになりました。

周期\(2\pi\)の関数に対して、係数は次のようになります。

\[c_k = \frac{1}{2\pi } \int _{-\pi} ^{\pi} u(x) e^{-i k x} dx\]

 

フーリエ級数展開に対応するのが、フーリエの反転公式(Fourier inversion theorem)です。

ある関数をフーリエ変換し、それを逆変換すると、元に戻る \(u=\check{ (\hat{u})} \) という性質。

これを書き下すと、

\[u(x)= \frac{1}{(2\pi)^ \frac{N}{2}} \int _{\mathbb{R}^N} \hat{u}(y) e^{i x\cdot y} dy\]

\[\hat{u}(y):= \frac{1}{(2\pi)^ \frac{N}{2}} \int _{\mathbb{R}^N} u(z) e^{-i y\cdot z} dz \]

となり、級数が積分に\(\sum _k \quad e^{ikx} \leftrightarrow \int \quad e^{ix \cdot y}dy \)、係数は\(c_k \leftrightarrow \hat{u}(y)\)、変数は\(k \leftrightarrow y\)と対応していることがわかります。

フーリエ級数展開は、関数が(有限の)周期を持つときに可能なものでした。フーリエ変換は、それを非周期関数に一般化したものと言えます。

つまり、非周期関数(一般の関数)の「展開」を、周期\(T\)の級数展開で\(T\to \infty\)としたものとして見ます。

このとき、三角級数の\(\cos (\frac{ k}{T} x) ,\sin (\frac{ k}{T} x)\)の隣り合う項の周波数の差は\(\frac{1}{T}\)で、\(T\to \infty\)で\(0\)に近づいていきます。これが離散和(級数)が連続和(積分)になる理由です。

フーリエ変換によって、表現できる関数が多くなった(一般になった)分、基準となる三角関数が連続的で複雑になります。

 

簡単にまとめます。

フーリエ級数展開、フーリエの反転公式は、ある関数を様々な三角関数の「和」に分けて表すことです。

三角関数は微分の計算で良い性質を持っていて(2回微分で戻ってくる等)、熱方程式の\(\Delta u\)の計算に役立ちます。

周期関数を三角関数の和にするとき、例えば周波数\(k\)の波\(e^{ikx}\)の振幅は\(c_k\)となります。

非周期関数では周波数\(k\)が\(y\)と連続になりますが、周波数\(y\)の波に対応する振幅を求める計算が、\(u\)のフーリエ変換です。一般の関数に対し、どの周波数の成分が、どれくらいの強さで含まれているかが見えやすい世界になります。

そして、周波数-振幅の世界から、元の関数を復元することが、フーリエ逆変換と呼ばれているわけです。

 

フーリエ変換の性質

フーリエ変換には、計算をする上で様々な良い性質を持っています。その一部を紹介しましょう。

 

微分のフーリエ変換は、元の関数のフーリエ変換にべき乗をかけたものになります。

\[\widehat{D^\alpha u}(y) = (iy)^{|\alpha|} \hat{u}\]

ここで、\(\alpha =(\alpha_1,\dots, \alpha_N)\in \mathbb{Z}_{\geq 0} ^N\)は多重指数(multiindex)と呼ばれるもので、

\[D^\alpha u (x):= \dfrac{ \partial ^{|\alpha|} u(x)}{\partial x_1 ^{\alpha_1} \cdots \partial x_N ^{\alpha_N} }\]

\[ |\alpha| := \alpha_1 +\cdots+ \alpha _N\]

 

フーリエ変換同士の積は、畳込みのフーリエ変換となります(畳み込み定理)

\[\hat{u}(y)\hat{v}(y) = \frac {1}{(2\pi)^{\frac{N}{2}}} \widehat{u*v}(y)\]

ここで、関数\(u,v\)の畳み込み(convolution)、または合成積は、次のように定義される関数です。

\[u*v (x) = \int_{\mathbb{R}^N} u(x-z) v(z )dz\]

 

微分に関する法則は、部分積分とリーマン・ルベーグの補題(\(\lim _{|y|\to \infty} \hat{u}(y)=0\))により、畳み込みの定理は、指数関数の計算により証明できます。詳しくは、Evans「Partial Differential Equations 」を参照。

 

フーリエ変換による熱方程式の解き方

では、フーリエ変換を使って、全空間\(\mathbb{R}^N\)における熱方程式を解いてみましょう。

\[\begin{eqnarray}
\left\{
\begin{array}{l}
\dfrac{\partial u}{\partial t}  &=& \Delta u \quad & \text{in }  \mathbb{R}^N\times (0,\infty)  \\
 u &=& g& \text{on }  \mathbb{R}^N\times \{t=0\}  \\
\end{array}
\right.
\end{eqnarray}\]

方程式を変数\(x\)についてフーリエ変換すると、微分のフーリエ変換の法則により、\(\widehat{\Delta u}= -|y|^2 \hat{u}\)となるので、

\[\begin{eqnarray}
\left\{
\begin{array}{l}
\dfrac{\partial \hat{u}}{\partial t}  &=& -|y|^2 \hat{u} \quad & \text{in }  \mathbb{R}^N\times (0,\infty)  \\
 \hat{u} &=& \hat{g}& \text{on }  \mathbb{R}^N\times \{t=0\}  \\
\end{array}
\right.
\end{eqnarray}\]

これは\(\hat{u}\)の\(t\)に関する常微分方程式で、簡単に解くことができて、

\[\hat {u} = e^{-t|y|^2} \hat{g}\]

となります。両辺をフーリエ逆変換すれば、フーリエの反転公式と畳込み定理より、

\[u = \frac{1}{(2\pi)^{\frac{N}{2}}} (e^{-t|y|^2})^{\lor}  *g\]

となります。ここで、多重積分によって計算すると

\begin{eqnarray}
(e^{-t|y|^2})^{\lor}(x)& =&\frac{1}{(2\pi)^{\frac{N}{2}}}  \int_{\mathbb{R}^N}  e^{i x\cdot y – t|y|^2} dy \\
&= & \frac{1}{(2\pi)^{\frac{N}{2}}}   \prod _{j=1} ^N \int_{\mathbb{R}}  e^{i x_j y_j – t{y_j}^2} dy_j \\
\end{eqnarray}

となります。

このとき、右辺はガウス積分に帰着させて計算できます。

\[\int _\mathbb{R} e^{-x^2} dx = \sqrt{\pi} \]

\begin{eqnarray}
\int_ \mathbb{R} e^{iax – bx^2}dx &=& \frac{e^{\frac{-a^2}{4b}}}  {b^{\frac{1}{2}}} \int_\Gamma e^{-z^2}dz \\
&=& e^{\frac{-a^2}{4b}}  (\frac{\pi}{b}) ^{\frac{1}{2}}  \\
\end{eqnarray}

\(z= b^{\frac{1}{2}} x – \frac{a}{2 b^{\frac{1}{2}}} i, a,b\in \mathbb{R}\)と変数変換しました。

\(a=x_j,b=t\)としてさきほどの計算の続きを行えば、

\begin{eqnarray}
(e^{-t|y|^2})^{\lor}(x)& =& \frac{1}{(2\pi)^{\frac{N}{2}}}   \prod _{j=1} ^N \int_{\mathbb{R}}  e^{i x_j y_j – t{y_j}^2} dy_j \\
&= & \frac{1}{(2t)^{\frac{N}{2}}}  e^{- \frac{|x|^2}{4t}}\\
\end{eqnarray}

となります。よって、解は

\begin{eqnarray}
u(x,t) &=& \frac{1}{(2\pi)^{\frac{N}{2}}} (e^{-t|y|^2})^{\lor}  *g \\
&=& \frac{1}{(4\pi t)^{\frac{N}{2}}} \int_{\mathbb{R}^N} e^{-\frac{|x-y|^2}{4t}} g(y) dy
\end{eqnarray}

と得られました。

 

ちなみに、ここで

\[K(x,t)= \frac{1}{(4\pi t)^{\frac{N}{2}}}  e^{-\frac{|x|^2}{4t}} \]

とおくと、解は\(K\)と初期関数\(g\)の畳み込みとなっています。

\[u(x,t) = (K* g)(x,t) \]

この\(K\)は、熱方程式の基本解(fundamental solution)、または熱核(heat kernel)と呼ばれるものです。

(基本解を求めるだけならば、フーリエ変換を使わない方法もあります。)

 

今回は、フーリエ変換によって熱伝導方程式を解く方法を紹介しました。

フーリエ変換すると、指数関数(三角関数)の性質の良さによって\(\Delta u\)から\(x\)微分を取り除き、常微分方程式を取り出せました。

それを解き、フーリエ逆変換を計算すると、熱方程式の一般的な解が基本解と初期値の畳み込みとして表せることがわかりました。

 

関数の変換によって偏微分方程式を解く方法としては、ラプラス変換(Laplace transform)も有名です。

ただしこうした変換が有効なのは、線形偏微分方程式の場合で、非線形偏微分方程式では解くことが難しくなります。

また今回紹介したフーリエ変換は、偏微分方程式を解くことだけでなく、コンピュータにおける信号処理や画像処理に応用されていて、離散フーリエ変換(DFT)や高速フーリエ変換(FFT)と呼ばれる手法が生み出されています。

参考:画像処理とフーリエ変換 – 桂田 祐史

電気や音などあらゆる波動現象を分析するのにフーリエ変換は使えますが、今回の熱方程式の例によって、その威力を感じ取れたのではないでしょうか。

木村すらいむ(@kimu3_slime)でした。ではでは。

 

Partial Differential Equations (Graduate Studies in Mathematics)
Lawrence C. Evans
Amer Mathematical Society
売り上げランキング: 16,244

 

ルベーグ積分入門―使うための理論と演習
吉田 伸生
遊星社
売り上げランキング: 364,367

 

 

こちらもおすすめ

なぜ偏微分を学ぶ? フーリエの熱伝導方程式を例に

なぜ重積分を学ぶ? 熱伝導方程式の導出を例に

熱方程式の解き方:変数分離法、フーリエ級数展開(1次元、有界領域)