(完整版)扩散问题的偏微分方程模型,数学建模
烟雾的扩散与消失数学建模
烟雾的扩散与消失数学建模烟雾是由气体和固体微粒组成的混合物，其扩散和消失过程是一个复杂的物理现象。
为了更好地理解和预测烟雾的行为，科学家们使用数学建模的方法进行研究。
本文将探讨烟雾的扩散与消失的数学建模方法。
我们需要了解烟雾的扩散过程。
烟雾的扩散受到多种因素的影响，包括风力、温度、湿度等。
其中最主要的因素是扩散系数，它描述了烟雾在单位时间内从一个区域扩散到另一个区域的能力。
扩散系数与烟雾的性质有关，比如粒子的大小和密度。
在数学建模中，我们可以使用扩散方程来描述烟雾的扩散过程。
扩散方程是一个偏微分方程，可以用来描述扩散物质的浓度随时间和空间的变化。
一般来说，扩散方程可以写成以下形式：∂C/∂t = D∇²C其中，C表示烟雾的浓度，t表示时间，D是扩散系数，∇²表示拉普拉斯算子，用来描述浓度的空间变化。
扩散方程的解可以通过数值方法求得。
常用的数值方法包括有限差分法和有限元法。
这些方法将区域离散化为网格，然后通过迭代计算每个网格点上的浓度值，从而得到烟雾的浓度分布。
除了扩散方程，我们还可以使用其他数学模型来描述烟雾的消失过程。
烟雾的消失可以通过烟雾微粒的沉积、风力的作用以及化学反应等因素来实现。
其中，沉积是烟雾消失的主要机制之一。
烟雾微粒会随着时间的推移逐渐沉积到地面或其他物体上，从而使烟雾的浓度减小。
沉积过程可以用指数衰减函数来描述，其中衰减速率与烟雾的沉降速度和初始浓度有关。
风力也是影响烟雾消失的重要因素。
风力可以将烟雾带走，从而加速烟雾的消散。
风力的作用可以通过风场模型来描述，其中风速和风向是关键参数。
风场模型可以通过气象数据和数值模拟来获得。
化学反应也可以影响烟雾的消失。
在烟雾中，一些化学物质会与空气中的其他物质发生反应，从而降低烟雾的浓度。
这些反应可以用化学动力学模型来描述，其中反应速率和反应物浓度是关键参数。
总结起来，烟雾的扩散与消失过程可以通过数学建模来描述。
扩散方程和其他数学模型可以用来预测烟雾的行为，从而提供重要的参考信息。
数学建模(关于扩散问题的建模)
其中 M 为扩散源的质量，经求解，得如下关系：
u(x, y, z,t) M 8tabc
t
exp
(x x0 )2 4a2t
( y y0 )2 4b2t
(z z0)2 4c2t
k
2t
下面我们将利用观测所得的数据，对参数 a，b，c，k 进行估计，从
而得出 u(x, y, z, t) 的近似表达式。
M3 [u(x, y, z,t t) u(x, y, z)]dxdydz
tt
udxdydzdt
t t
显然有： M3 M1 M 2 ，
也就是：
tt u
M3 t
t
dxdydzdt
t t t
(a2
2u x2
b2
2u y 2
c2
2u z 2
k
2u)dxdydzdt
由于 t, t, ，的任意性得：
面 S，它所围的区域是 ，由于扩散，从 t 到 t t 时刻这段时间
内，通过 S 流入 的质量为 M1
M1
t t t
S
(a2 u cos b2 u cos c2 u cos )dSdt
x
y
z
其中 a2 , b2 , c2 分别是沿 x，y，z 方向的扩散系数。
由高斯公式 ：
M1
(z
z0 )2 4c2
k
2
其次考虑参数估计。对上式两端取对数，有
ln u(x, y, z,1) ln
M 2
2
ln(abc)
(
x
x0 4a2
)2
( y y0 )2 4b2
(z
z0 )2 4c2
k
2
为便于求解，下面分别令：
扩散现象的数学描述与应用
扩散现象的数学描述与应用随着科学技术的不断进步，人类对世界的认知也得到了极大的拓展。
其中一个重要的领域就是扩散现象的研究。
扩散现象广泛存在于自然界和人类生活的方方面面，如化学反应中的物质扩散、热量扩散以及信息传播等。
在数学中，扩散过程可以通过数学模型来进行描述和解释，进而为实际应用提供理论支持。
扩散现象的数学描述主要依赖于扩散方程的建立。
扩散方程最早由法拉第在1822年提出，通过对物质扩散过程的理论研究，他发现了扩散现象可以用数学模型进行描述。
扩散方程的一般形式为：∂C/∂t = D∇²C其中C表示浓度，t表示时间，D表示扩散系数，∇²C表示浓度的梯度。
扩散方程的数学描述提供了对扩散过程进行定量分析的方法。
通过对扩散系数D的定义和测量，可以预测扩散过程的时间演化以及空间分布。
这为工程和科学实验提供了重要的参考依据。
在实际应用中，扩散现象的数学描述被广泛应用于各个领域。
例如，在化学工程中，通过对扩散方程的数学描述，可以研究反应物在反应器中的分布和转化过程。
这对于优化反应的条件和提高反应效率具有重要意义。
此外，在环境科学研究中，对空气和水中污染物的扩散过程进行数学建模也是非常重要的。
通过对扩散方程的求解，可以预测污染物的传播范围和浓度分布，进而为环境保护和污染治理提供科学依据。
扩散现象的数学描述还在材料科学和地球科学等领域中得到广泛应用。
例如，在材料科学中，通过对材料中原子和分子扩散行为的数学建模，可以研究材料的晶体生长和材料性能的变化规律。
而在地球科学中，通过对岩石中的流体和热量扩散过程的数学描述，可以揭示地球内部的物质和热量传输机制。
总结起来，扩散现象的数学描述在科学研究和实际应用中起着重要的作用。
它不仅为我们深入理解自然界提供了有效工具，而且为工程技术和环境保护提供了理论基础。
随着数学方法的不断发展和应用的拓展，我们相信扩散现象的数学描述将继续在各个领域发挥重要作用，并为人类社会的进步和发展做出更大的贡献。
扩散问题的偏微分方程模型,数学建模
第七节 扩散问题的偏微分方程模型物质的扩散问题，在石油开采、环境污染、疾病流行、化学反应、新闻传播、煤矿瓦斯爆炸、农田墒情、水利工程、生态问题、房屋基建、神经传导、药物在人体内分布以及超导、液晶、燃烧等诸多自然科学与工程技术领域，十分普遍地存在着. 显然，对这些问题的研究是十分必要的，其中的数学含量极大. 事实上，凡与反应扩散有关的现象，大都能由线性或非线性抛物型偏微分方程作为数学模型来定量或定性地加以解决.ＭＣＭ的试题来自实际，是“真问题⊕数学建模⊕计算机处理”的“三合一”准科研性质的一种竞赛，对上述这种有普遍意义和数学含量高，必须用计算机处理才能得到数值解的扩散问题，当然成为试题的重要来源，例如，ＡＭＣＭ-90Ａ，就是这类试题；ＡＭＣＭ-90Ａ要研究治疗帕金森症的多巴胺（dopamine ）在人脑中的分布，此药液注射后在脑子里经历的是扩散衰减过程，可以由线性抛物型方程这一数学模型来刻划. ＡＭＣＭ-90Ａ要研究单层住宅混凝土地板中的温度变化，也属扩散（热传导）问题，其数学模型与ＡＭＣＭ-90Ａ一样，也是线性抛物型方程.本文交代扩散问题建模的思路以及如何推导出相应的抛物型方程，如何利用积分变换求解、如何确定方程与解的表达式中的参数等关键数学过程，且以ＡＭＣＭ-90Ａ题为例，显示一个较细致的分析、建模、求解过程.§1 抛物型方程的导出设(,,,)u x y z t 是t 时刻点(,,)x y z 处一种物质的浓度. 任取一个闭曲面S ，它所围的区域是Ω，由于扩散，从t 到t t +∆时刻这段时间内，通过S 流入Ω的质量为2221(cos cos cos )dSd t ttSu u uM a b c t x y zαβγ+∆∂∂∂=++∂∂∂⎰⎰⎰. 由高斯公式得2222221222()d d d d t ttu u u M a b c x y z t x y z +∆Ω∂∂∂=++∂∂∂⎰⎰⎰⎰. （1） 其中，222,,a b c 分别是沿,,x y z 方向的扩散系数. 由于衰减（例如吸收、代谢等），Ω内的质量减少为22d d d d t ttM k u x y z t +∆Ω=⎰⎰⎰⎰，（2） 其中2k 是衰减系数.由物质不灭定律，在Ω内由于扩散与衰减的合作用，积存于Ω内的质量为12M M -.换一种角度看，Ω内由于深度之变化引起的质量增加为3[(,,,)(,,,)]d d d d d d d . (3)t ttM u x y z t t u x y z t x y zux y z t t Ω+∆Ω=+∆-∂=∂⎰⎰⎰⎰⎰⎰⎰显然312M M M =-，即2222222222d d d d ()d d d d .t ttt ttux y z t t u u u a b c k u x y z t x y z+∆Ω+∆Ω∂∂∂∂∂=++-∂∂∂⎰⎰⎰⎰⎰⎰⎰⎰由,,t t ∆Ω之任意性得2222222222u u u u a b c k u t x y z∂∂∂∂=++-∂∂∂∂ （4） 方程（４）是常系数线性抛物型方程，它就是有衰减的扩散过程的数学模型，对于具体问题，尚需与相应的定解条件（初始条件与边界条件等）匹配才能求得确定情况下的解.§2 Ｄirac 函数物理学家Dirac 为了物理模型之需要，硬是引入了一个当时颇遭微词的，使得数学与物理学传统密切关系出现裂痕的“怪”函数：0,0,() ()1.,0,x x x dx x δδ+∞-∞≠⎧==⎨∞=⎩⎰ （5）它的背景是清晰的，以一条无穷长的杆子为例，沿杆建立了一维坐标系，点的坐标为x ，杆的线密度是()x ρ，在(,]x -∞段，杆子质量为()m x ，则有d ()(), ()d ().d x m x x x x m x xρρ-∞==⎰. （6）设此无穷长的杆子总质量为１，质量集中在0x x =点，则应有001,,()0,,x x m x x x >⎧=⎨<⎩ 或写成 0()()m x H x x =-， 其中()H x 为1,0,()0,0,x H x x >⎧=⎨<⎩ 如果沿用（6）中的算法，则在质量集中分布的这种情形有00,,(),0.x x x x ρ≠⎧=⎨∞=⎩且0()d ()xx x H x x ρ-∞=-⎰，于是得()d 1.x x ρ+∞-∞=⎰. （7）但是，从传统数学观点看，若一个函数除某点处处为零，则不论哪种意义下的积分，都必定为零，（7）式岂能成立！但是，δ函数对于物理学而言是如此之有用，以致物理学家正当地拒绝放弃它. 尽管当时数学家们大都嘲笑这种函数，但Ｐ.Ａ.Ｍ.Ｄirac 及其追随者们在物理领域却收获颇丰，Dirac 于1933年获诺贝尔物理奖. 当然Dirac 也意识到()x δ不是一个通常的函数，至于找一种什么办法来阐明()x δ这一符号的合法性，那就是数学家的任务了. 1940年，法国数学家许瓦兹（L.Schwartz ）严格证明了应用()x δ的正确性，把δ函数置于坚实的数学基础上；1950年，L. Schwartz 获数学界最高奖Fields 奖.δ函数的重要性质有：1）0()d 1x x x δ+∞-∞-=⎰. （8） 2）00()()d ()x x f x x f x δ+∞-∞-=⎰. （9）其中()(,)f x C ∈-∞+∞，即0()x x δ-摘出了()f x 在0x x =的值.3）00()()dH x x x x dxδ-=-. （10）4）()x δ的导数是存在的，不过要到积分号下去理解：00()()(),x x f x dx f x δ+∞-∞''-=-⎰ （11） ()()00()()(1)().n n n x x f x dx f x δ+∞-∞-=-⎰（12）事实上，由于0()x x δ-在,+∞-∞处为零，则形式地用分部积分公式000()()()()d ()()d ,x x f x x x f x xx x f x x δδδ+∞+∞-∞-∞+∞-∞'---'=-⎰⎰其中，()(,)n f x C ∈-∞+∞，于是有（11）与（12）公式.5）对于()(,)x C ϕ∈-∞+∞，有000()()()()x x x x x x ϕδϕδ-=-. （13）6）1()() (0)||bx x b b δδ=≠. （14） 7）000000(,,)()()()x x y y z z x x y y z z δδδδ---=---. （15）8）付立叶变换00[()].i x y y e λδ--=F （16） [()] 1.x δ=F （17）11221122[()()][()][()].C x x C x x C x x C x x δδδδ-+-=-+-F F F （18） 9）拉普拉斯变换00[(),[() 1.x x x e x δδδ--==F F （19） 11221122[()]()][()[()].C x x C x x C x x C x x δδδδ-+-=-+-F F F （20）从上面的定义与性质看出，Delta 函数()x δ与一般可微函数还是有重大区别的，我们说它是“广义函数. ”§3 Cauchy 问题的解设扩散源在点000(,,)x y z 处，则此扩散问题满足Cauchy 问题2222222222000, (21)(,,,0)()()(). (22)u u u u a b c k u tx y z u x y z M x x y y z z δδδ⎧∂∂∂∂=++-⎪∂∂∂∂⎨⎪=---⎩对（21）（22）进行付立叶变换，且令123ˆ(,,), (,)[(,,,)]ut u x y z t λλλλλ==F ， 由于222222123222ˆˆˆ[], [], [],u u u uu u x y zλλλ∂∂∂=-=-=-∂∂∂F F F 102030000()[(,,,0)][()][()][()] ,i x y z u x y z M x x y y z z Me λλλδδδ-++=---=F F F F 故得常微分方程Cauchy 问题1020302222222123()ˆ()0,ˆ(0,).i x y z du a b c k udtu Meλλλλλλλ-++⎧++++=⎪⎨⎪=⎩ 得唯一解2222222123102030()()ˆ(,)a b c k t i x y z ut Me λλλλλλλ-+++-++=. （23）对（23）求逆变换1-F，由于212214[]a xa e λ---=F ，211021240[]()i x e aa ex x λλ----=-F ， 故得12222000222ˆ(,,,)[]()()()exp 444u x y z t ux x y y z z k t a t b t c t -=⎧⎫---=----⎨⎬⎩⎭F2222000222()()().444x x y y z z k t a t b t c t ⎧⎫---=----⎨⎬⎩⎭（24） 如果认为经过了相当长时间后，扩散已经终止，物质分布处于平衡状态，则方程（4）中的0ut∂=∂，于是有线性椭圆型方程的边值问题 22222222220, (,,)(,,)(,,).D u u u a b c k u x y z D xy z u x y z x y z ϕ∂⎧∂∂∂++-=∈⎪∂∂∂⎨⎪=⎩也可以用付立叶变换求解. 当然，根据实际情况，还可以考虑第二边条件(,,)Dux y z n ∂∂=ψ∂或第三边条件[](,,)D uu x y z nαβρ∂∂+=∂等，其中D ∂是区域D 的边界，n 是外法线方向，,αβ是实常数.§4 参数估计在Cauchy 问题（21）（22）的解（23）中，有四个未知的参数,,,a b c k ，它们分别是扩散与衰减过程中的扩散系数与衰减系数的算术平方根. 至于点源的质量与位置000,(,,)M x y z 是已知的.设观测取样为：11112222(,,,), (,,,),,(,,,),n n n n x y z m x y z m x y z m 取样时刻为1t =（不然设00, t t t τ=是取样时间，则（21）变成2200t xx yy U t a U t b U =++ 2200zz t c U t k U -，对τ而言，取样时间为１,而方程形状与（21）一致），把在(,,)i i i x y z 点观测到的物质密度i m 与公式（24）都取对数，令1t =，则2222000222()()()ln (,,,1)ln []444x x y y z z u x y z abc k a b c ---=--+++. （25） 令222000222()()()111,,,,,,444x x y y z z X Y Z a b c αβγ---====-=-=-2ln abc k ε=--，则（25）写成 ln (,,,1)W u x y z X Y Z αβγε==+++， （26）而我们已观测得(,,,)1,2,,i i i i X Y Z W i n = 的数据，用三元回归分析方法求出,,,αβγε的估计值如下：ˆˆˆˆ()W X Y Z εαβγ=-++， （27） 其中11111111, , , ,n n n nk i i i k k k k W W X X Y Y Z Z n n n n ========∑∑∑∑ˆˆˆ,,αβγ满足方程组 111213102122232031323330ˆˆˆ,,ˆˆˆ,,ˆˆˆ,.l l l l l l l l l l l l αβγαβγαβγ⎧++=⎪⎪++=⎨⎪++=⎪⎩ 其中10201130122211223311112131123211()(), ()(),()(),(), (), (),()(), ()(),()(), n nk k k k k k nk k k nn nk k k k k k nnk k k k k k nk k k l W X W W l Y Y W W l Z Z W W l X X l Y Y l Z Z l X X Y Y l X X Z Z l Y Y Z Z l ==========--=--=--=-=-=-=--=--=--∑∑∑∑∑∑∑∑∑1231133223, , .l l l l l ===由ˆˆˆ,,αβγ可求得222,,a b c 的估计值，即222111ˆˆˆ, , ˆa b cαβγ=-=-=-. 又由于 2ln k abc ε=+-， （28） 由（27）式可得ˆε，再把ˆˆˆ,,a b c 代入（28）得 2ˆˆˆˆˆln kabc ε=+-. （29）至此得到参数2222,,,a b c k 的估计值2222ˆˆˆˆ,,,a b c k ，把它们代入（24）分别替代2222,,,a b c k ，则得不含未知参数的解(,,,)u x y z t 的近似表达式.§5 竞赛试题分析AMCM-90A 不可用本文的思路与方法加以解决；该试题由东华盛顿大学数学系Ｙves Nievergelt 提供，要求研究药物在脑中的分布，题文称：“研究脑功能失调的人员欲测试新的药物的效果，例如治疗帕金森症往脑部注射多巴胺（Dopamine ）的效果，为了精确估计药物影响到的脑部区域，它们必须估计注射后药物在脑内空间分布区域的大小和形状.“研究数据包括50个圆柱体组织样本的每个样本药物含量的测定值（如图6-1），每个圆柱体长0.76mm ，直径0.66mm ，这些互相平行的圆柱体样本的中心位于网格距为1m m ×0.76×m m ×1mm 的格点上，所以圆柱体互相间在底面上接触，侧面互不接触. 注射是在最高计数的那个圆柱体的中心附近进行的. 自然在圆柱体之间以及由圆柱体样本的覆盖的区域外也有药物.“试估计受到药物影响的区域中药物的分布. ”“一个单位表示一个闪烁微粒的计数，或多巴胺的4.753×10-18克分子量，例如表6-1指出位于后排当中那个圆柱体的含药量是28353个单位. ”后方垂直截面164442 1320 414 188 480 7022 14411 5158 352 2091 23027 28353 13138 681 789 21260 20921 11731 727 213 130337651715453前方垂直截面163 324 432 243166 712 1055 6098 1048 232 2137 15531 19742 4785 330 444 11431 14960 3182 301 29420611036 258188图6-1数学模型只是实际问题的近似，要建立数学模型，一般首先要对所研究的实际问题进行必要和允许的简化与假设，而且，不同的简化与假设，又可能导致不同的数学模型，例如[2]是抛物型方程模型，而[3]则是椭圆方程模型.假设：（1）注射前大脑中的多巴胺含量可以忽略不计.（2）大脑中多巴胺注射液经历着扩散与衰减的过程，且沿,,x y z 三个方向的扩散系数分别是常数，衰减使质量之减少与深度成正比.（3）注射点在后排中央那个圆柱中心，即注射点的坐标000(,,)x y z 已知，注射量有医疗记录可查，是已知的.（4）注射瞬间完成，可视为点源delta 函数. （5）取样也是瞬间完成，取样时间已知为1t =.（6）样本区域与整个大脑相比可以忽略，样本组织远离脑之边界，不受大脑边界面的影响.在以上假设之下，显然可以用本文前面讲过的思路来建模，于是得AMCM-90A 的数学模型为Cauchy 问题（21）（22），解的表达式为（24），且用三元回归分析来估出参数,,,a b c k ，于是可以求得任意位置任意时刻药物的深度.如果所给数据认为是在平衡状态测得的，药物注射进脑后，从高深度处向低深度处扩散，与扩散同时，一部分药物进入脑细胞被吸收固定，扩散系数与吸收系数都是常数，但过一段时间，所有药物都被脑细胞所固定，达到了平衡态. 在这种假设下，[3]给出了下述的分析、建模、求解过程.设(,,,)v x y z t 是t 时刻在(,,)x y z 点处游离的药物浓度，(,,,)w x y z t 是t 时刻(,,)x y z 点处吸收固定的药物浓度，(,,)u x y z 是达到平衡态时(,,)x y z 点处吸收固定的药物浓度. 又设游离药物在各方向上有相同的扩散系数k ，吸收系数为h ，于是有vk v hv t∂=∆-∂. （30） 又whv t∂=∂，即吸收速度与游离的浓度成正比，代入（30）得 ()v k w w t h t t∂∂∂=∆-∂∂∂. （31） 对（31）关于t 从０到+∞积分得t t t k vw wh+∞+∞+∞====∆-. （32）由于最后无游离药物，故(,,,)0v x y z +∞=，又开始时(0)t =无被吸收的药物，故(,,,0)0, (,,,0)0w x y z w x y z =∆=；平衡状态在t =+∞时达到，这时(,,)u x y z =(,,,)w x y z +∞，于是由（32）得(,,,0)ku u v x y z h-∆+=， （33） 其中(,,,0)v x y z 是开始时的浓度分布，近似于注射点的点源脉冲函数. 把此注射点取为坐标原点(0,0,0)，则(,,,0)(,,),v x y z L x y z L δ=是注射量，于是2k h σ⎛⎫= ⎪⎝⎭记2(,,)u u L x y z σδ-∆+=， （34）作付立叶变换得22222222ˆˆ(),ˆ,1()s u u L Lus σξησξη+++==+++ 再作反变换得u σ-=-， （35）其中C 是可计算常数.如果考虑各向不同性，设,,x y z 方向上扩散系数分别为222,,a b c ，注射点在000(,,)x y z ，则 222222000222()()()u u u a b c u L x x y y z z x y z δδδ⎛⎫∂∂∂-+++=--- ⎪∂∂∂⎝⎭， 于是解为(,,)u x y z =exp 1⎧⎪⎨⎪⎩ ，（36）（36）中的D 可计算常数.用前面类似的方法可以进行参数估计.在建模过程中，点源函数的使用显然与实况有差别；尤其是认为扩散系数与吸收系数都是常数，对于人脑这种有复杂结构的区域，这种假设与实际不会完全符合；夜间与白天（睡与醒）对这些系数有无影响？脑中各点这些系数是否有变？除时间位置应考虑外，可能还与药液浓度有关. 如此看来，脑内药液分布的数学模型很可能不是常系数线性偏微分方程，而是函数系数的线性微分方程甚至是非线性偏微分方程. 这时，其解不再能用封闭公式来表达，求解过程会变得极为复杂，所以也可以考虑是否试用其他数学模型来解，例如在平衡态的假设下，用回归分析方法建立药液的模拟分布(,,)u f x y z =.对一个实际问题，其数学模型未必唯一，各模型间孰优孰劣，没有一般的判别法，须经实践来检验.参 考 文 献[1]叶其孝，大学生数学建模竞赛辅导教材，湖南教育出版社，1993.[2]Christopher, R. Malone, Gian Pauletto, James, I. Zoellick, Distribution of Dopamine in the Brain, The Journal of Under graduate Mathematics, and its Applications, vol. 12(1991), Special Issue: The 1991 Mathematical Contest in Modeling, pp. 211-223.[3]孙晓东，荆秦，梁俊，脑中药物分布的数学模型，数学的实践与认识，1991年No. 4，63-69. [4]中国科学院数理统计组，常用数理统计方法，科学出版社，19784.。
数学建模竞赛课件---微分方程模型
案例分析
通过几个具体案例，展示微分方程在建模竞赛中的应用。包括鱼的增长模型、自由落体问题、热传导问 题和稳定的经济增长模型。
结语
微分方程是数学建模竞赛中必不可少的工具，对于解决复杂问题具有重要作 用。通过系统学习和实践，可以掌握微分方程的解法和应用。
一阶微分方程
一阶微分方程是最基本的微分方程类型之一，包括可分离变量、齐次线性、 一阶线性和变量分离法等。掌握这些求解方法可以解决许多实际问题。
高阶微分方程
高阶微分方程是一阶微分方程的延伸，包括齐次线性、非齐次线性、常系数 和变系数等类型。熟练掌握这些求解方法可以应对更加复杂的建模问题。
微分方程在建模中的应用
数学建模竞赛课件---微分 方程模型
本课件介绍微分方程模型在数学建模竞赛中的重要性和应用。内容包括微分 方程的定义、分类、解法，以及在生物学、物理学、是数学中的重要工具，可用于描述自然现象和科学问题。它们分为 常微分方程和偏微分方程，并可以按类型进行分类。了解微分方程的解法对 于建模竞赛至关重要。
伊藤扩散随机微分方程 扩散模型
伊藤扩散随机微分方程（Ito Diffusion Stochastic Differential Equation）是随机微分方程中的一种重要模型，广泛应用于金融学、生物学、物理学等领域。
伊藤扩散模型描述了一个随机过程，其演化满足随机微分方程，常用来描述价格演变、生物种裙扩散、颗粒在流体中的扩散等现象。
本文将从数学原理、应用领域等方面对伊藤扩散随机微分方程进行详细论述，旨在帮助读者更深入地理解和应用这一模型。
一、数学原理1.1 随机微分方程的基本概念随机微分方程（Stochastic Differential Equation，简称SDE）是描述随机过程演化的数学工具。
其一般形式可以写作：dX(t) = μ(t,X(t))dt + σ(t,X(t))dW(t)其中，X(t)为随机过程，μ(t,X(t))为漂移项，σ(t,X(t))为扩散项，dW(t)为维纳过程（或布朗运动）的微分。
维纳过程是一种标准的连续随机过程，其微分性质决定了SDE的随机性质。
1.2 伊藤引理伊藤引理是随机微分方程理论中的重要工具，用于求解随机微分方程在意义上的积分。
其一般形式为：dF(t,X(t)) = (∂F/∂t + μ(∂F/∂X) + (1/2)σ^2(∂^2F/∂X^2))dt +σ(∂F/∂X)dW(t)此引理为伊藤定理的基本形式，为解决SDE在意义上的积分提供了便利。
1.3 伊藤扩散随机微分方程伊藤扩散随机微分方程即为基于伊藤引理和随机微分方程的数学工具，用于描述具有扩散特性的随机过程。
其一般形式为：dX(t) = μ(t,X(t))dt + σ(t,X(t))dW(t)其中，μ(t,X(t))为漂移项，σ(t,X(t))为扩散项，dW(t)为维纳过程的微分。
伊藤扩散随机微分方程在金融学、生物学、物理学等领域有着广泛的应用。
二、应用领域2.1 金融学在金融学中，伊藤扩散模型被广泛应用于定价、风险管理和投资组合优化等领域。
烟雾的扩散与消失数学建模
烟雾的扩散与消失数学建模简介：烟雾扩散与消失是一个复杂的现象，它受到多个因素影响，如环境条件、烟雾特性等。
本数学建模旨在描述烟雾在空气中的扩散过程，并尝试预测烟雾消失的时间。
1. 基本假设：- 假设烟雾是由扩散的颗粒组成，这些颗粒在空气中以不规则方式运动。
- 假设烟雾的体积可以近似为一个球体。
- 假设烟雾颗粒之间没有相互作用。
2. 扩散模型：- 使用二维偏微分方程描述烟雾的扩散过程。
假设初始时刻烟雾在某一点释放，以该点为中心的圆区域内烟雾浓度分布满足扩散方程。
- 考虑扩散系数和扩散时间对烟雾的影响。
扩散系数是与空气和烟雾特性有关的常数，描述烟雾扩散的速率。
- 使用数值方法求解扩散方程，如有限差分法或有限元法等。
3. 消失模型：- 假设烟雾的消失速率与环境条件相关，如空气湿度、温度等。
可以考虑建立一个消失速率的函数模型，该函数与环境条件呈负相关。
- 使用微分方程描述烟雾的消失过程，使得烟雾浓度随时间逐渐减少。
- 根据消失速率和初始烟雾浓度，可以推导出烟雾消失的时间。
4. 参数估计与模型验证：- 通过实验或实际观测数据，估计扩散系数和消失速率的值。
- 使用已知的初始烟雾浓度和环境条件，检验模型的预测能力。
- 根据模型与实际观测数据的比较，调整模型参数以提高拟合度。
5. 结论：- 通过数学建模，我们可以定量描述烟雾的扩散与消失过程，并预测烟雾消失的时间。
- 该模型可以为烟雾扩散与消失的研究提供参考，并有助于设计和改进烟雾排放和控制措施。
注意：以上建模过程为一般性描述，并没有引用特定的研究或论文。
具体的数学公式和模型推导需要依据研究目的和实际问题进行调整和应用。
数学建模微分方程模型
数学建模微分方程模型在数学建模的旅程中，微分方程模型扮演了至关重要的角色。
它们在描述和解决各种实际问题中，从物理学到社会科学，都起到了关键的作用。
在本章中，我们将探讨微分方程模型的基本概念、类型和应用。
微分方程是一种方程，它包含未知函数的导数。
这种方程在描述变化率时非常有用，例如，描述物体的速度或加速度。
在形式上，微分方程可以表示为 y'(x) = f(x, y)，其中 y'表示 y的导数，f是一个给定的函数。
根据方程的特点，微分方程可以划分为多种类型，如线性微分方程、非线性微分方程、常微分方程、偏微分方程等。
每种类型的方程都有其特定的求解方法和应用领域。
微分方程在众多领域中都有应用，如物理学、工程学、经济学等。
例如，牛顿第二定律就是一个微分方程，它描述了物体的加速度如何由作用力决定。
人口增长模型、传染病模型等也都依赖于微分方程。
建立微分方程模型通常需要以下步骤：确定模型的目标和变量；然后，根据问题背景和物理规律建立数学模型；通过数值计算或解析解法得出结果。
求解微分方程的方法主要有两种：数值方法和解析方法。
数值方法是通过计算机程序或软件进行数值计算得到近似解，而解析方法是通过求解方程得到精确解。
对于某些类型的微分方程，可能需要结合使用这两种方法。
建立微分方程模型后，我们需要对模型进行评估和检验，以确保其有效性和准确性。
这通常包括对模型的假设进行检验、对模型的预测结果进行验证以及对模型的参数进行估计和调整等。
随着科学技术的发展，微分方程模型的应用前景越来越广阔。
例如，在生物学中，微分方程被用来描述疾病的传播动态；在经济学中，微分方程被用来分析市场供需关系的变化；在工程学中，微分方程被用来模拟复杂系统的行为等。
未来，随着大数据和人工智能等技术的发展，微分方程模型将在更多领域得到应用和发展。
微分方程模型是数学建模中一个极其重要的部分。
通过学习和掌握微分方程的基本概念、类型、应用以及求解方法等，我们可以更好地理解和解决现实生活中的各种问题。
扩散问题的偏微分模型
首先考虑取样时刻。事实上，取样时刻是未
知的，但若设取样时刻为 t0，作变量替换 t = t0， 则有 = t/t0，从而
uut
t
t0
u t
即
ut0a2 x 2u 2t0b2 y 2u 2t0c2 z 2u 2t0k2u
上式仍然是常系数线性抛物型方程，与有衰 减的扩散过程的数学模型形状完全一致，故可令 观测取样值的取样时刻为 t0 = 1。于是，(xi, yi, zi, mi) 满足
由于衰减， 内的质量减少为
tt
M2t
k2udxdydzdt
其中 k2 为衰减系数。 由物质不灭定律，在 t 到 t + t 时刻间 内
由于扩散与衰减的合作用，积存于 内的质量为
M1 M2。
换一个角度看，在 t 到 t + t 时刻间 内由于浓 度的变化引起的质量增加为
M 3 [ u (x ,y ,z ,t t) u (x ,y ,z )d x ] d y d z
参数估计：目的是对上式中出现的参数 a，b， c，k 进行估计。
已知条件：① 点源（扩散源）的质量 M； ② 点源（扩散源）的位置：(x0, y0, z0)； ③ t0 时刻的观测取样值 (xi, yi, zi, mi)，mi 为t0 时刻 (xi, yi, zi) 处物质的浓度，i = 1, …, n。
(x4ax20)2
(y4by20)2
(z4cz20)2
k2
令
X (xx0)2 , 4
Y (y y0)2 , 4
Z (z z0)2 , 4
1 a2
,
1 b2
,
1 c2
,
ln
M
22
lna(b)ck2
扩散过程数学建模
3
Fick 定律
（x)：物质的浓度 （单位举例：摩尔每升）
J: 流量 (单位举例：摩尔每升 每秒 每平方厘米
J d dx
J D d dx
Fick 第一定律
D:扩散系数 （单位举例：？？？？）
x （单位举例：厘米）问题4：三维空间扩散 ？？？ 4
三维扩散： Fick第一 定律
12
竞争者模型
互利模型
13
反应-扩散过程的稳态解
d DV / Du , S / DU
稳态解u=u0, v=v0, 满足：
同时也是ODE问题 的稳态解
14
15
图灵不稳定性1952
• “The chemical basis of morphogenesis” 提出，某些条件下，均一的平衡（稳态）解
4Dt
4Dt :
扩散长度或扩散距离
x=0
8
稳态
0,
t
20
拉普拉斯方程
扩散与产生/生成过程的偶联？？？
9
反应扩散方程
t DR()
2
2 x
2y
2z
10
反应扩散方程： 一维多组分
边界条件 或
11
生态系统：猎手/猎物模型
U：prey， A（U）：growth, V: predator, C(V): death B（U，V）： interaction
扩散过程的数学建模
问题1：如何定义扩散？？？
1
扩散的定义
一般定义: 扩散（diffusion）:物质在空间的自发分散（spontaneous dispersion of mass）
问题2：生物学例子？？？
数学建模解偏微分方程
数学建模解偏微分方程是指建立数学模型，并通过一系列的数学操作，如离散化，代码实现和可视化，来求解复杂的偏微分方程问题。
这些偏微分方程问题主要包括数学物理方程、偏微分方程数值模拟等。
在解决这些问题时，有许多数学工具和方法可以使用。
首先，建立数学模型是解决偏微分方程的第一步。
这包括根据实际问题的性质，构造相应的偏微分方程，并确定其定解条件。
例如，在求解数学物理方程时，我们可以采用分离变量法，对问题进行分类，并根据具体情况选择合适的数学模型。
接下来，离散化是将偏微分方程转化为离散形式的过程，这是求解偏微分方程的关键步骤。
它通过对偏微分方程进行数值积分，把连续的偏微分方程转化为离散的方程，从而实现用计算机进行求解。
在离散化的过程中，我们可以选择有限差分方法、有限元方法和有限体积方法等不同的离散方法，其中有限差分方法是最早采用的方法，有限元方法利用变分原理和分片多项式插值，具有求解区域灵活、单元类型灵活、程序代码通用等特点。
然后，代码实现是使用计算机程序来实现我们所建立的离散化偏微分方程，以便进行高效计算。
在Python中，有许多库可用于此，如SymPy、SciPy和FEniCS等等，这使得我们可以方便地编写和调试代码。
最后，可视化是将计算结果以图像、曲线或表格等形式表示出来，以方便人们理解和分析。
在可视化的过程中，我们可以使用Matplotlib，NumPy等绘图库，生成漂亮的图像和图表，这对于理解和分析偏微分方程的解具有很大的帮助。
总之，数学建模解偏微分方程是一个复杂的过程，需要我们综合运用数学工具和方法，如建模、离散化、代码实现和可视化等。
在求解过程中，我们需要根据问题的性质和具体情况，灵活选择不同的数学模型和离散方法，以便提高计算的准确性和效率。
扩散过程的数学建模
扩散过程的数学建模扩散过程是指物质、能量或信息在空间中传播和混合的过程。
数学建模是将现实世界的问题抽象化为数学形式，从而通过数学方法来解决问题。
在扩散过程的数学建模中，我们需要描述扩散物质的浓度分布、扩散速率和扩散距离等参数。
首先，扩散过程可以通过扩散方程描述。
扩散方程是一个偏微分方程，用于描述物质浓度随时间和空间的变化。
一维情况下，扩散方程可以写成以下形式：∂C/∂t=D∂²C/∂x其中，C是扩散物质的浓度，t是时间，x是空间坐标，D是扩散系数。
扩散系数D决定了扩散物质在单位浓度梯度下的扩散速率，它与扩散物质的性质、介质的性质以及环境条件等有关。
为了求解扩散方程，我们需要确定初始条件和边界条件。
初始条件是指在初始时刻t=0时的浓度分布，而边界条件是指在空间边界上的浓度分布。
常见的边界条件有固定浓度条件、固定扩散通量条件和无扩散通量条件。
针对特定问题，我们可以采用不同的数值解法来求解扩散方程。
常用的数值方法包括有限差分法、有限元法和有限体积法等。
这些方法将连续的扩散方程离散化成离散点上的代数方程组，通过迭代求解这个方程组，最终可以得到扩散物质的浓度分布。
此外，对于复杂的扩散过程，我们可能还需要考虑其他因素对扩散的影响。
例如，对流扩散方程可以考虑流体的流动对扩散过程的影响。
如果存在吸附或反应过程，可以将扩散方程与相应的吸附或反应方程耦合起来。
在实际应用中，扩散过程的数学建模广泛应用于环境科学、材料科学、化学工程等领域。
例如，研究地下水中污染物的扩散过程，可以预测污染物的传播范围和浓度分布，为环境保护提供科学依据。
另外，扩散过程的数学建模还可以应用于材料的表面处理、溶质输送以及化学反应器的设计等工程问题。
总之，扩散过程的数学建模是将扩散过程抽象化为数学形式，从而通过数学方法来解决与扩散相关的问题。
通过建立合适的扩散方程和边界条件，并选择适当的数值方法，我们可以研究和预测扩散物质的浓度分布、扩散速率和扩散距离等参数。
数学中的偏微分方程模型
数学中的偏微分方程模型偏微分方程（Partial Differential Equations, PDE）是数学中的一个重要分支，它涉及到许多领域的理论和应用，如物理、化学、生物学、经济学等等。
PDE模型是对这些领域的实际情况建立的数学描述，它们主要用于预测和研究自然现象的演化、变化和规律。
本文将介绍一些常见的偏微分方程模型及其应用。
一、热传导方程模型热传导是一个基本的物理过程，它涉及到物体内部和周围环境之间的能量交换。
热传导方程（Heat Equation）描述了物体内部温度分布随时间的变化情况，它可以表示为：$$\frac{\partial u}{\partial t}=\alpha\nabla^2u$$其中，$u(\mathbf{x},t)$表示位置$\mathbf{x}$上的温度值，$t$表示时间，$\alpha$为热传导系数，$\nabla^2u$为温度的拉普拉斯算子。
热传导方程模型可以应用于许多领域，例如热力学、地球物理学、材料科学和生物医学等。
在工程应用中，它可以用来优化建筑物、机器设备和电子器件的设计和使用。
二、扩散方程模型扩散是许多自然现象中的普遍现象，它描述了物质之间的传输和分布。
在数学上，扩散的一般形式为扩散方程（Diffusion Equation），它可以表示为：$$\frac{\partial u}{\partial t}=D\nabla^2u$$其中，$u(\mathbf{x},t)$表示位置$\mathbf{x}$上的浓度或密度等物理量值，$t$表示时间，$D$为扩散系数，$\nabla^2u$为物理量的拉普拉斯算子。
扩散方程模型广泛应用于化学、生物学、金融等领域中，例如在生物医学中，它可以用来建立血液中的糖、氧气、白细胞、红细胞等物质的运动和分布模型。
三、波动方程模型波动是自然界中最普遍的现象之一，涉及到声音、光、电磁波等多种形式。
波动方程（Wave Equation）描述的是介质中声波、光波等物理量的传播，它可以表示为：$$\frac{\partial^2 u}{\partial t^2}=c^2\nabla^2u$$其中，$u(\mathbf{x},t)$表示位置$\mathbf{x}$上的波动物理量值，$t$表示时间，$c$为波速，$\nabla^2u$为波动物理量的拉普拉斯算子。
diffusion model介绍
一、概念介绍diffusion model（扩散模型）是指在不同领域中用于描述物质、能量、信息传播过程的数学模型，通常通过二阶偏微分方程描述。
扩散模型在物理学、生物学、化学、经济学等领域中都有广泛的应用。
它可以帮助人们理解和预测在各种条件下的扩散过程，对于解决一些现实问题具有重要的意义。
二、扩散模型的基本原理扩散模型的基本原理是描述在时间和空间上的物质传播过程。
它假设被扩散的物质以一定的速率在空间中传播，并且在不同位置上会出现浓度的差异。
扩散模型可以用数学方程来描述这种浓度的变化，通常是由一个偏微分方程来表示。
三、数学描述扩散模型最常用的数学描述是扩散方程（diffusion equation）。
在一维情况下，扩散方程通常写作：∂u/∂t = D ∂2u/∂x2其中，u是随时间和空间变化的物质浓度，t是时间，x是空间坐标，D是扩散系数。
这个方程描述的是浓度随时间和空间的变化规律，扩散系数D反映了物质扩散的速率。
四、常见的扩散模型1. Fick定律Fick定律是描述物质扩散的最基本的定律之一。
它表明了物质浓度梯度的方向和大小与物质的扩散速率成正比。
Fick定律可以用扩散方程来描述，在一维情况下可以写作：J = -D ∂u/∂x其中，J是物质的扩散通量，D是扩散系数，u是物质的浓度。
这个定律对于描述被扩散物质的传播速率和规律有着重要的意义。
2. 热传导方程热传导方程是扩散模型在热传导领域的应用。
它描述了物体内部温度分布随时间的变化规律。
热传导方程在一维情况下可以写作：∂u/∂t= α ∂2u/∂x2其中，u是物体内部的温度分布，α是热扩散系数。
热传导方程对于热能在物体内部的传播和分布规律有着重要的作用。
五、应用领域扩散模型在自然科学和社会科学的各个领域都有广泛的应用。
在物理领域，扩散模型可以用于描述物质和能量的传播规律；在生物领域，可以用于描述细胞内物质的传输过程；在化学领域，可以用于描述溶液中各种物质的扩散规律；在经济学领域，可以用于描述市场信息的传播过程等。
扩散模型推导过程(3篇)
第1篇一、扩散模型的基本概念扩散模型（Diffusion Model）是一种生成模型，其基本思想是将数据分布从一个简单的分布（如均匀分布）扩散到一个复杂的分布（如真实数据分布）。
通过模拟数据在连续过程中的扩散过程，可以学习到数据分布的潜在结构。
扩散模型主要由以下两个过程组成：1. 扩散过程：将数据从简单分布扩散到复杂分布的过程。
2. 逆扩散过程：将数据从复杂分布还原到简单分布的过程。
二、扩散模型的推导过程1. 扩散过程假设原始数据分布为 \( p(x) \)，扩散过程的目标是将 \( p(x) \) 扩散到均匀分布 \( p_{\theta}(x) \)。
为了实现这一目标，我们引入一系列的扩散噪声变量\( \xi_t \)，其中 \( t \) 表示扩散的步数。
扩散过程可以表示为以下递推关系：\[ x_{t+1} = f_t(x_t, \xi_t) \]其中，\( f_t \) 是扩散过程中的扩散函数，通常为：\[ f_t(x, \xi) = x + \sqrt{\beta_t} \xi \]其中，\( \beta_t \) 是扩散过程中的扩散系数，随着扩散的进行，\( \beta_t \) 逐渐增大。
当扩散过程进行到足够多的步数时，原始数据 \( x_0 \) 已经扩散到均匀分布\( p_{\theta}(x) \)。
2. 逆扩散过程逆扩散过程的目标是将扩散后的数据 \( x_{T} \) 还原到原始数据分布 \( p(x) \)。
为了实现这一目标，我们需要找到一组逆扩散函数 \( g_t \)，使得：\[ x_t = g_t(x_{t+1}, \xi_{t+1}) \]其中，\( \xi_{t+1} \) 是扩散过程中的噪声变量。
逆扩散函数 \( g_t \) 可以通过以下关系得到：\[ g_t(x, \xi) = x - \sqrt{\beta_t} \xi \]在实际应用中，由于逆扩散过程通常难以直接求解，我们可以通过迭代的方式逼近逆扩散过程。
(完整版)扩散问题的偏微分方程模型,数学建模
第七节 扩散问题的偏微分方程模型物质的扩散问题，在石油开采、环境污染、疾病流行、化学反应、新闻传播、煤矿瓦斯爆炸、农田墒情、水利工程、生态问题、房屋基建、神经传导、药物在人体内分布以及超导、液晶、燃烧等诸多自然科学与工程技术领域，十分普遍地存在着. 显然，对这些问题的研究是十分必要的，其中的数学含量极大. 事实上，凡与反应扩散有关的现象，大都能由线性或非线性抛物型偏微分方程作为数学模型来定量或定性地加以解决.ＭＣＭ的试题来自实际，是“真问题⊕数学建模⊕计算机处理”的“三合一”准科研性质的一种竞赛，对上述这种有普遍意义和数学含量高，必须用计算机处理才能得到数值解的扩散问题，当然成为试题的重要来源，例如，ＡＭＣＭ-90Ａ，就是这类试题；ＡＭＣＭ-90Ａ要研究治疗帕金森症的多巴胺（dopamine ）在人脑中的分布，此药液注射后在脑子里经历的是扩散衰减过程，可以由线性抛物型方程这一数学模型来刻划. ＡＭＣＭ-90Ａ要研究单层住宅混凝土地板中的温度变化，也属扩散（热传导）问题，其数学模型与ＡＭＣＭ-90Ａ一样，也是线性抛物型方程.本文交代扩散问题建模的思路以及如何推导出相应的抛物型方程，如何利用积分变换求解、如何确定方程与解的表达式中的参数等关键数学过程，且以ＡＭＣＭ-90Ａ题为例，显示一个较细致的分析、建模、求解过程.§1 抛物型方程的导出设(,,,)u x y z t 是t 时刻点(,,)x y z 处一种物质的浓度. 任取一个闭曲面S ，它所围的区域是Ω，由于扩散，从t 到t t +∆时刻这段时间内，通过S 流入Ω的质量为2221(cos cos cos )dSd t ttSu u u M a b c t x y zαβγ+∆∂∂∂=++∂∂∂⎰⎰⎰. 由高斯公式得2222221222()d d d d t ttu u u M a b c x y z t x y z +∆Ω∂∂∂=++∂∂∂⎰⎰⎰⎰. （1） 其中，222,,a b c 分别是沿,,x y z 方向的扩散系数. 由于衰减（例如吸收、代谢等），Ω内的质量减少为22d d d d t ttM k u x y z t +∆Ω=⎰⎰⎰⎰， （2） 其中2k 是衰减系数.由物质不灭定律，在Ω内由于扩散与衰减的合作用，积存于Ω内的质量为12M M -.换一种角度看，Ω内由于深度之变化引起的质量增加为3[(,,,)(,,,)]d d d d d d d . (3)t ttM u x y z t t u x y z t x y zux y z t t Ω+∆Ω=+∆-∂=∂⎰⎰⎰⎰⎰⎰⎰显然312M M M =-，即2222222222d d d d ()d d d d .t ttt ttux y z t t u u u a b c k u x y z t x y z+∆Ω+∆Ω∂∂∂∂∂=++-∂∂∂⎰⎰⎰⎰⎰⎰⎰⎰由,,t t ∆Ω之任意性得2222222222u u u u a b c k u t x y z∂∂∂∂=++-∂∂∂∂ （4） 方程（４）是常系数线性抛物型方程，它就是有衰减的扩散过程的数学模型，对于具体问题，尚需与相应的定解条件（初始条件与边界条件等）匹配才能求得确定情况下的解.§2 Ｄirac 函数物理学家Dirac 为了物理模型之需要，硬是引入了一个当时颇遭微词的，使得数学与物理学传统密切关系出现裂痕的“怪”函数：0,0,() ()1.,0,x x x dx x δδ+∞-∞≠⎧==⎨∞=⎩⎰ （5）它的背景是清晰的，以一条无穷长的杆子为例，沿杆建立了一维坐标系，点的坐标为x ，杆的线密度是()x ρ，在(,]x -∞段，杆子质量为()m x ，则有d ()(), ()d ().d x m x x x x m x xρρ-∞==⎰. （6）设此无穷长的杆子总质量为１，质量集中在0x x =点，则应有001,,()0,,x x m x x x >⎧=⎨<⎩ 或写成 0()()m x H x x =-，其中()H x 为1,0,()0,0,x H x x >⎧=⎨<⎩ 如果沿用（6）中的算法，则在质量集中分布的这种情形有00,,(),0.x x x x ρ≠⎧=⎨∞=⎩且0()d ()xx x H x x ρ-∞=-⎰，于是得()d 1.x x ρ+∞-∞=⎰. （7）但是，从传统数学观点看，若一个函数除某点处处为零，则不论哪种意义下的积分，都必定为零，（7）式岂能成立！但是，δ函数对于物理学而言是如此之有用，以致物理学家正当地拒绝放弃它. 尽管当时数学家们大都嘲笑这种函数，但Ｐ.Ａ.Ｍ.Ｄirac 及其追随者们在物理领域却收获颇丰，Dirac 于1933年获诺贝尔物理奖. 当然Dirac 也意识到()x δ不是一个通常的函数，至于找一种什么办法来阐明()x δ这一符号的合法性，那就是数学家的任务了. 1940年，法国数学家许瓦兹（L.Schwartz ）严格证明了应用()x δ的正确性，把δ函数置于坚实的数学基础上；1950年，L. Schwartz 获数学界最高奖Fields 奖.δ函数的重要性质有：1）0()d 1x x x δ+∞-∞-=⎰. （8）2）00()()d ()x x f x x f x δ+∞-∞-=⎰. （9）其中()(,)f x C ∈-∞+∞，即0()x x δ-摘出了()f x 在0x x =的值.3）00()()dH x x x x dxδ-=-. （10）4）()x δ的导数是存在的，不过要到积分号下去理解：00()()(),x x f x dx f x δ+∞-∞''-=-⎰ （11）()()00()()(1)().n n n x x f x dx f x δ+∞-∞-=-⎰（12）事实上，由于0()x x δ-在,+∞-∞处为零，则形式地用分部积分公式000()()()()d ()()d ,x x f x x x f x xx x f x x δδδ+∞+∞-∞-∞+∞-∞'---'=-⎰⎰其中，()(,)nf x C ∈-∞+∞，于是有（11）与（12）公式.5）对于()(,)x C ϕ∈-∞+∞，有000()()()()x x x x x x ϕδϕδ-=-. （13）6）1()() (0)||bx x b b δδ=≠. （14）7）000000(,,)()()()x x y y z z x x y y z z δδδδ---=---. （15）8）付立叶变换00[()].i x y y e λδ--= （16）[()] 1.x δ= （17）11221122[()()][()][()].C x x C x x C x x C x x δδδδ-+-=-+- （18）9）拉普拉斯变换00[(),[() 1.x x x e x δδδ--== （19）11221122[()]()][()[()].C x x C x x C x x C x x δδδδ-+-=-+- （20） 从上面的定义与性质看出，Delta 函数()x δ与一般可微函数还是有重大区别的，我们说它是“广义函数. ”§3 Cauchy 问题的解设扩散源在点000(,,)x y z 处，则此扩散问题满足Cauchy 问题2222222222000, (21)(,,,0)()()(). (22)u u u u a b c k u tx y z u x y z M x x y y z z δδδ⎧∂∂∂∂=++-⎪∂∂∂∂⎨⎪=---⎩对（21）（22）进行付立叶变换，且令123ˆ(,,), (,)[(,,,)]ut u x y z t λλλλλ==， 由于222222123222ˆˆˆ[], [], [],u u u uu u x y zλλλ∂∂∂=-=-=-∂∂∂ 102030000()[(,,,0)][()][()][()] ,i x y z u x y z M x x y y z z Me λλλδδδ-++=---= 故得常微分方程Cauchy 问题1020302222222123()ˆ()0,ˆ(0,).i x y z du a b c k udtu Meλλλλλλλ-++⎧++++=⎪⎨⎪=⎩ 得唯一解2222222123102030()()ˆ(,)a b c k t i x y z ut Me λλλλλλλ-+++-++=. （23）对（23）求逆变换1-，由于2122214[]a xa eλ---=， 2110221240[]()i x e aa ex x λλ----=-， 故得12222000222ˆ(,,,)[]()()()exp 444u x y z t u x x y y z z k t a t b t c t -=⎧⎫---=----⎨⎬⎩⎭2222000222()()().444x x y y z z k t a t b t c t ⎧⎫---=----⎨⎬⎩⎭（24） 如果认为经过了相当长时间后，扩散已经终止，物质分布处于平衡状态，则方程（4）中的0ut∂=∂，于是有线性椭圆型方程的边值问题 22222222220, (,,)(,,)(,,).D u u u a b c k u x y z D xy z u x y z x y z ϕ∂⎧∂∂∂++-=∈⎪∂∂∂⎨⎪=⎩也可以用付立叶变换求解. 当然，根据实际情况，还可以考虑第二边条件(,,)Dux y z n ∂∂=ψ∂或第三边条件[](,,)D uu x y z nαβρ∂∂+=∂等，其中D ∂是区域D 的边界，n 是外法线方向，,αβ是实常数.§4 参数估计在Cauchy 问题（21）（22）的解（23）中，有四个未知的参数,,,a b c k ，它们分别是扩散与衰减过程中的扩散系数与衰减系数的算术平方根. 至于点源的质量与位置000,(,,)M x y z 是已知的.设观测取样为：11112222(,,,), (,,,),,(,,,),n n n n x y z m x y z m x y z m取样时刻为1t =（不然设00, t t t τ=是取样时间，则（21）变成2200t xx yy U t a U t b U =++2200zz t c U t k U -，对τ而言，取样时间为１,而方程形状与（21）一致），把在(,,)i i i x y z 点观测到的物质密度i m 与公式（24）都取对数，令1t =，则2222000222()()()ln (,,,1)ln []444x x y y z z u x y z abc k a b c ---=--+++. （25） 令222000222()()()111,,,,,,444x x y y z z X Y Z a b c αβγ---====-=-=-2ln ln abc k ε=--，则（25）写成 ln (,,,1)W u x y z X Y Z αβγε==+++，（26） 而我们已观测得(,,,)1,2,,i i i i X Y Z W i n =的数据，用三元回归分析方法求出,,,αβγε的估计值如下：ˆˆˆˆ()W X Y Z εαβγ=-++， （27）其中11111111, , , ,n n n nk i i i k k k k W W X X Y Y Z Z n n n n ========∑∑∑∑ˆˆˆ,,αβγ满足方程组 111213102122232031323330ˆˆˆ,,ˆˆˆ,,ˆˆˆ,.l l l l l l l l l l l l αβγαβγαβγ⎧++=⎪⎪++=⎨⎪++=⎪⎩ 其中10201130122211223311112131123211()(), ()(),()(),(), (), (),()(), ()(),()(), n nk k k k k k nk k k nn nk k k k k k nnk k k k k k nk k k l W X W W l Y Y W W l Z Z W W l X X l Y Y l Z Z l X X Y Y l X X Z Z l Y Y Z Z l ==========--=--=--=-=-=-=--=--=--∑∑∑∑∑∑∑∑∑1231133223, , .l l l l l ===由ˆˆˆ,,αβγ可求得222,,a b c 的估计值，即222111ˆˆˆ, , ˆa b cαβγ=-=-=-. 又由于 2ln k abc ε=+- （28） 由（27）式可得ˆε，再把ˆˆˆ,,a b c 代入（28）得 2ˆˆˆˆˆln kabc ε=+- （29）至此得到参数2222,,,a b c k 的估计值2222ˆˆˆˆ,,,a b c k ，把它们代入（24）分别替代2222,,,a b c k ，则得不含未知参数的解(,,,)u x y z t 的近似表达式.§5 竞赛试题分析AMCM-90A 不可用本文的思路与方法加以解决；该试题由东华盛顿大学数学系Ｙves Nievergelt 提供，要求研究药物在脑中的分布，题文称：“研究脑功能失调的人员欲测试新的药物的效果，例如治疗帕金森症往脑部注射多巴胺（Dopamine ）的效果，为了精确估计药物影响到的脑部区域，它们必须估计注射后药物在脑内空间分布区域的大小和形状.“研究数据包括50个圆柱体组织样本的每个样本药物含量的测定值（如图6-1），每个圆柱体长0.76mm ，直径0.66mm ，这些互相平行的圆柱体样本的中心位于网格距为1m m ×0.76×m m ×1mm 的格点上，所以圆柱体互相间在底面上接触，侧面互不接触. 注射是在最高计数的那个圆柱体的中心附近进行的. 自然在圆柱体之间以及由圆柱体样本的覆盖的区域外也有药物.“试估计受到药物影响的区域中药物的分布. ”“一个单位表示一个闪烁微粒的计数，或多巴胺的4.753×10-18克分子量，例如表6-1指出位于后排当中那个圆柱体的含药量是28353个单位. ”后方垂直截面164442 1320 414 188 480 7022 14411 5158 352 2091 23027 28353 13138 681 789 21260 20921 11731 727 213 130337651715453前方垂直截面163 324 432 243166 712 1055 6098 1048 232 2137 15531 19742 4785 330 444 11431 14960 3182 301 29420611036 258188图6-1数学模型只是实际问题的近似，要建立数学模型，一般首先要对所研究的实际问题进行必要和允许的简化与假设，而且，不同的简化与假设，又可能导致不同的数学模型，例如[2]是抛物型方程模型，而[3]则是椭圆方程模型.假设：（1）注射前大脑中的多巴胺含量可以忽略不计.（2）大脑中多巴胺注射液经历着扩散与衰减的过程，且沿,,x y z 三个方向的扩散系数分别是常数，衰减使质量之减少与深度成正比.（3）注射点在后排中央那个圆柱中心，即注射点的坐标000(,,)x y z 已知，注射量有医疗记录可查，是已知的.（4）注射瞬间完成，可视为点源delta 函数. （5）取样也是瞬间完成，取样时间已知为1t =.（6）样本区域与整个大脑相比可以忽略，样本组织远离脑之边界，不受大脑边界面的影响.在以上假设之下，显然可以用本文前面讲过的思路来建模，于是得AMCM-90A 的数学模型为Cauchy 问题（21）（22），解的表达式为（24），且用三元回归分析来估出参数,,,a b c k ，于是可以求得任意位置任意时刻药物的深度.如果所给数据认为是在平衡状态测得的，药物注射进脑后，从高深度处向低深度处扩散，与扩散同时，一部分药物进入脑细胞被吸收固定，扩散系数与吸收系数都是常数，但过一段时间，所有药物都被脑细胞所固定，达到了平衡态. 在这种假设下，[3]给出了下述的分析、建模、求解过程.设(,,,)v x y z t 是t 时刻在(,,)x y z 点处游离的药物浓度，(,,,)w x y z t 是t 时刻(,,)x y z 点处吸收固定的药物浓度，(,,)u x y z 是达到平衡态时(,,)x y z 点处吸收固定的药物浓度. 又设游离药物在各方向上有相同的扩散系数k ，吸收系数为h ，于是有vk v hv t∂=∆-∂. （30）又whv t∂=∂，即吸收速度与游离的浓度成正比，代入（30）得 ()v k ww t h t t∂∂∂=∆-∂∂∂. （31） 对（31）关于t 从０到+∞积分得000t t t k v w w h+∞+∞+∞====∆-. （32）由于最后无游离药物，故(,,,)0v x y z +∞=，又开始时(0)t =无被吸收的药物，故(,,,0)0, (,,,0)0w x y z w x y z =∆=；平衡状态在t =+∞时达到，这时(,,)u x y z = (,,,)w x y z +∞，于是由（32）得(,,,0)ku u v x y z h-∆+=， （33）其中(,,,0)v x y z 是开始时的浓度分布，近似于注射点的点源脉冲函数. 把此注射点取为坐标原点(0,0,0)，则(,,,0)(,,),v x y z L x y z L δ=是注射量，于是2k h σ⎛⎫= ⎪⎝⎭记2(,,)u u L x y z σδ-∆+=， （34）作付立叶变换得22222222ˆˆ(),ˆ,1()s u u L Lus σξησξη+++==+++ 再作反变换得u σ-=-， （35）其中C 是可计算常数.如果考虑各向不同性，设,,x y z 方向上扩散系数分别为222,,a b c ，注射点在000(,,)x y z ，则222222000222()()()u u u a b c u L x x y y z z x y z δδδ⎛⎫∂∂∂-+++=--- ⎪∂∂∂⎝⎭， 于是解为(,,)u x y z =exp 1⎧⎪-⎨⎪⎩，（36） （36）中的D 可计算常数.用前面类似的方法可以进行参数估计.在建模过程中，点源函数的使用显然与实况有差别；尤其是认为扩散系数与吸收系数都是常数，对于人脑这种有复杂结构的区域，这种假设与实际不会完全符合；夜间与白天（睡与醒）对这些系数有无影响？脑中各点这些系数是否有变？除时间位置应考虑外，可能还与药液浓度有关. 如此看来，脑内药液分布的数学模型很可能不是常系数线性偏微分方程，而是函数系数的线性微分方程甚至是非线性偏微分方程. 这时，其解不再能用封闭公式来表达，求解过程会变得极为复杂，所以也可以考虑是否试用其他数学模型来解，例如在平衡态的假设下，用回归分析方法建立药液的模拟分布(,,)u f x y z =.对一个实际问题，其数学模型未必唯一，各模型间孰优孰劣，没有一般的判别法，须经实践来检验.参 考 文 献[1]叶其孝，大学生数学建模竞赛辅导教材，湖南教育出版社，1993.[2]Christopher, R. Malone, Gian Pauletto, James, I. Zoellick, Distribution of Dopamine in the Brain, The Journal of Under graduate Mathematics, and its Applications, vol. 12(1991), Special Issue: The 1991 Mathematical Contest in Modeling, pp. 211-223.[3]孙晓东，荆秦，梁俊，脑中药物分布的数学模型，数学的实践与认识，1991年No. 4，63-69. [4]中国科学院数理统计组，常用数理统计方法，科学出版社，19784.。
(完整版)扩散问题的偏微分方程模型,数学建模
第七节 扩散问题的偏微分方程模型物质的扩散问题，在石油开采、环境污染、疾病流行、化学反应、新闻传播、煤矿瓦斯爆炸、农田墒情、水利工程、生态问题、房屋基建、神经传导、药物在人体内分布以及超导、液晶、燃烧等诸多自然科学与工程技术领域，十分普遍地存在着. 显然，对这些问题的研究是十分必要的，其中的数学含量极大. 事实上，凡与反应扩散有关的现象，大都能由线性或非线性抛物型偏微分方程作为数学模型来定量或定性地加以解决.ＭＣＭ的试题来自实际，是“真问题⊕数学建模⊕计算机处理”的“三合一”准科研性质的一种竞赛，对上述这种有普遍意义和数学含量高，必须用计算机处理才能得到数值解的扩散问题，当然成为试题的重要来源，例如，ＡＭＣＭ-90Ａ，就是这类试题；ＡＭＣＭ-90Ａ要研究治疗帕金森症的多巴胺（dopamine ）在人脑中的分布，此药液注射后在脑子里经历的是扩散衰减过程，可以由线性抛物型方程这一数学模型来刻划. ＡＭＣＭ-90Ａ要研究单层住宅混凝土地板中的温度变化，也属扩散（热传导）问题，其数学模型与ＡＭＣＭ-90Ａ一样，也是线性抛物型方程.本文交代扩散问题建模的思路以及如何推导出相应的抛物型方程，如何利用积分变换求解、如何确定方程与解的表达式中的参数等关键数学过程，且以ＡＭＣＭ-90Ａ题为例，显示一个较细致的分析、建模、求解过程.§1 抛物型方程的导出设(,,,)u x y z t 是t 时刻点(,,)x y z 处一种物质的浓度. 任取一个闭曲面S ，它所围的区域是Ω，由于扩散，从t 到t t +∆时刻这段时间内，通过S 流入Ω的质量为2221(cos cos cos )dSd t ttSu u u M a b c t x y zαβγ+∆∂∂∂=++∂∂∂⎰⎰⎰. 由高斯公式得2222221222()d d d d t ttu u u M a b c x y z t x y z +∆Ω∂∂∂=++∂∂∂⎰⎰⎰⎰. （1） 其中，222,,a b c 分别是沿,,x y z 方向的扩散系数. 由于衰减（例如吸收、代谢等），Ω内的质量减少为22d d d d t ttM k u x y z t +∆Ω=⎰⎰⎰⎰， （2） 其中2k 是衰减系数.由物质不灭定律，在Ω内由于扩散与衰减的合作用，积存于Ω内的质量为12M M -.换一种角度看，Ω内由于深度之变化引起的质量增加为3[(,,,)(,,,)]d d d d d d d . (3)t ttM u x y z t t u x y z t x y zux y z t t Ω+∆Ω=+∆-∂=∂⎰⎰⎰⎰⎰⎰⎰显然312M M M =-，即2222222222d d d d ()d d d d .t ttt ttux y z t t u u u a b c k u x y z t x y z+∆Ω+∆Ω∂∂∂∂∂=++-∂∂∂⎰⎰⎰⎰⎰⎰⎰⎰由,,t t ∆Ω之任意性得2222222222u u u u a b c k u t x y z∂∂∂∂=++-∂∂∂∂ （4） 方程（４）是常系数线性抛物型方程，它就是有衰减的扩散过程的数学模型，对于具体问题，尚需与相应的定解条件（初始条件与边界条件等）匹配才能求得确定情况下的解.§2 Ｄirac 函数物理学家Dirac 为了物理模型之需要，硬是引入了一个当时颇遭微词的，使得数学与物理学传统密切关系出现裂痕的“怪”函数：0,0,() ()1.,0,x x x dx x δδ+∞-∞≠⎧==⎨∞=⎩⎰ （5）它的背景是清晰的，以一条无穷长的杆子为例，沿杆建立了一维坐标系，点的坐标为x ，杆的线密度是()x ρ，在(,]x -∞段，杆子质量为()m x ，则有d ()(), ()d ().d x m x x x x m x xρρ-∞==⎰. （6）设此无穷长的杆子总质量为１，质量集中在0x x =点，则应有001,,()0,,x x m x x x >⎧=⎨<⎩ 或写成 0()()m x H x x =-，其中()H x 为1,0,()0,0,x H x x >⎧=⎨<⎩ 如果沿用（6）中的算法，则在质量集中分布的这种情形有00,,(),0.x x x x ρ≠⎧=⎨∞=⎩且0()d ()xx x H x x ρ-∞=-⎰，于是得()d 1.x x ρ+∞-∞=⎰. （7）但是，从传统数学观点看，若一个函数除某点处处为零，则不论哪种意义下的积分，都必定为零，（7）式岂能成立！但是，δ函数对于物理学而言是如此之有用，以致物理学家正当地拒绝放弃它. 尽管当时数学家们大都嘲笑这种函数，但Ｐ.Ａ.Ｍ.Ｄirac 及其追随者们在物理领域却收获颇丰，Dirac 于1933年获诺贝尔物理奖. 当然Dirac 也意识到()x δ不是一个通常的函数，至于找一种什么办法来阐明()x δ这一符号的合法性，那就是数学家的任务了. 1940年，法国数学家许瓦兹（L.Schwartz ）严格证明了应用()x δ的正确性，把δ函数置于坚实的数学基础上；1950年，L. Schwartz 获数学界最高奖Fields 奖.δ函数的重要性质有：1）0()d 1x x x δ+∞-∞-=⎰. （8）2）00()()d ()x x f x x f x δ+∞-∞-=⎰. （9）其中()(,)f x C ∈-∞+∞，即0()x x δ-摘出了()f x 在0x x =的值.3）00()()dH x x x x dxδ-=-. （10）4）()x δ的导数是存在的，不过要到积分号下去理解：00()()(),x x f x dx f x δ+∞-∞''-=-⎰ （11）()()00()()(1)().n n n x x f x dx f x δ+∞-∞-=-⎰（12）事实上，由于0()x x δ-在,+∞-∞处为零，则形式地用分部积分公式000()()()()d ()()d ,x x f x x x f x xx x f x x δδδ+∞+∞-∞-∞+∞-∞'---'=-⎰⎰其中，()(,)nf x C ∈-∞+∞，于是有（11）与（12）公式.5）对于()(,)x C ϕ∈-∞+∞，有000()()()()x x x x x x ϕδϕδ-=-. （13）6）1()() (0)||bx x b b δδ=≠. （14）7）000000(,,)()()()x x y y z z x x y y z z δδδδ---=---. （15）8）付立叶变换00[()].i x y y e λδ--= （16）[()] 1.x δ= （17）11221122[()()][()][()].C x x C x x C x x C x x δδδδ-+-=-+- （18）9）拉普拉斯变换00[(),[() 1.x x x e x δδδ--== （19）11221122[()]()][()[()].C x x C x x C x x C x x δδδδ-+-=-+- （20） 从上面的定义与性质看出，Delta 函数()x δ与一般可微函数还是有重大区别的，我们说它是“广义函数. ”§3 Cauchy 问题的解设扩散源在点000(,,)x y z 处，则此扩散问题满足Cauchy 问题2222222222000, (21)(,,,0)()()(). (22)u u u u a b c k u tx y z u x y z M x x y y z z δδδ⎧∂∂∂∂=++-⎪∂∂∂∂⎨⎪=---⎩对（21）（22）进行付立叶变换，且令123ˆ(,,), (,)[(,,,)]ut u x y z t λλλλλ==， 由于222222123222ˆˆˆ[], [], [],u u u uu u x y zλλλ∂∂∂=-=-=-∂∂∂ 102030000()[(,,,0)][()][()][()] ,i x y z u x y z M x x y y z z Me λλλδδδ-++=---= 故得常微分方程Cauchy 问题1020302222222123()ˆ()0,ˆ(0,).i x y z du a b c k udtu Meλλλλλλλ-++⎧++++=⎪⎨⎪=⎩ 得唯一解2222222123102030()()ˆ(,)a b c k t i x y z ut Me λλλλλλλ-+++-++=. （23）对（23）求逆变换1-，由于2122214[]a xa eλ---=， 2110221240[]()i x e aa ex x λλ----=-， 故得12222000222ˆ(,,,)[]()()()exp 444u x y z t u x x y y z z k t a t b t c t -=⎧⎫---=----⎨⎬⎩⎭2222000222()()().444x x y y z z k t a t b t c t ⎧⎫---=----⎨⎬⎩⎭（24） 如果认为经过了相当长时间后，扩散已经终止，物质分布处于平衡状态，则方程（4）中的0ut∂=∂，于是有线性椭圆型方程的边值问题 22222222220, (,,)(,,)(,,).D u u u a b c k u x y z D xy z u x y z x y z ϕ∂⎧∂∂∂++-=∈⎪∂∂∂⎨⎪=⎩也可以用付立叶变换求解. 当然，根据实际情况，还可以考虑第二边条件(,,)Dux y z n ∂∂=ψ∂或第三边条件[](,,)D uu x y z nαβρ∂∂+=∂等，其中D ∂是区域D 的边界，n 是外法线方向，,αβ是实常数.§4 参数估计在Cauchy 问题（21）（22）的解（23）中，有四个未知的参数,,,a b c k ，它们分别是扩散与衰减过程中的扩散系数与衰减系数的算术平方根. 至于点源的质量与位置000,(,,)M x y z 是已知的.设观测取样为：11112222(,,,), (,,,),,(,,,),n n n n x y z m x y z m x y z m取样时刻为1t =（不然设00, t t t τ=是取样时间，则（21）变成2200t xx yy U t a U t b U =++2200zz t c U t k U -，对τ而言，取样时间为１,而方程形状与（21）一致），把在(,,)i i i x y z 点观测到的物质密度i m 与公式（24）都取对数，令1t =，则2222000222()()()ln (,,,1)ln []444x x y y z z u x y z abc k a b c ---=--+++. （25） 令222000222()()()111,,,,,,444x x y y z z X Y Z a b c αβγ---====-=-=-2ln ln abc k ε=--，则（25）写成 ln (,,,1)W u x y z X Y Z αβγε==+++，（26） 而我们已观测得(,,,)1,2,,i i i i X Y Z W i n =的数据，用三元回归分析方法求出,,,αβγε的估计值如下：ˆˆˆˆ()W X Y Z εαβγ=-++， （27）其中11111111, , , ,n n n nk i i i k k k k W W X X Y Y Z Z n n n n ========∑∑∑∑ˆˆˆ,,αβγ满足方程组 111213102122232031323330ˆˆˆ,,ˆˆˆ,,ˆˆˆ,.l l l l l l l l l l l l αβγαβγαβγ⎧++=⎪⎪++=⎨⎪++=⎪⎩ 其中10201130122211223311112131123211()(), ()(),()(),(), (), (),()(), ()(),()(), n nk k k k k k nk k k nn nk k k k k k nnk k k k k k nk k k l W X W W l Y Y W W l Z Z W W l X X l Y Y l Z Z l X X Y Y l X X Z Z l Y Y Z Z l ==========--=--=--=-=-=-=--=--=--∑∑∑∑∑∑∑∑∑1231133223, , .l l l l l ===由ˆˆˆ,,αβγ可求得222,,a b c 的估计值，即222111ˆˆˆ, , ˆa b cαβγ=-=-=-. 又由于 2ln k abc ε=+- （28） 由（27）式可得ˆε，再把ˆˆˆ,,a b c 代入（28）得 2ˆˆˆˆˆln kabc ε=+- （29）至此得到参数2222,,,a b c k 的估计值2222ˆˆˆˆ,,,a b c k ，把它们代入（24）分别替代2222,,,a b c k ，则得不含未知参数的解(,,,)u x y z t 的近似表达式.§5 竞赛试题分析AMCM-90A 不可用本文的思路与方法加以解决；该试题由东华盛顿大学数学系Ｙves Nievergelt 提供，要求研究药物在脑中的分布，题文称：“研究脑功能失调的人员欲测试新的药物的效果，例如治疗帕金森症往脑部注射多巴胺（Dopamine ）的效果，为了精确估计药物影响到的脑部区域，它们必须估计注射后药物在脑内空间分布区域的大小和形状.“研究数据包括50个圆柱体组织样本的每个样本药物含量的测定值（如图6-1），每个圆柱体长0.76mm ，直径0.66mm ，这些互相平行的圆柱体样本的中心位于网格距为1m m ×0.76×m m ×1mm 的格点上，所以圆柱体互相间在底面上接触，侧面互不接触. 注射是在最高计数的那个圆柱体的中心附近进行的. 自然在圆柱体之间以及由圆柱体样本的覆盖的区域外也有药物.“试估计受到药物影响的区域中药物的分布. ”“一个单位表示一个闪烁微粒的计数，或多巴胺的4.753×10-18克分子量，例如表6-1指出位于后排当中那个圆柱体的含药量是28353个单位. ”后方垂直截面164442 1320 414 188 480 7022 14411 5158 352 2091 23027 28353 13138 681 789 21260 20921 11731 727 213 130337651715453前方垂直截面163 324 432 243166 712 1055 6098 1048 232 2137 15531 19742 4785 330 444 11431 14960 3182 301 29420611036 258188图6-1数学模型只是实际问题的近似，要建立数学模型，一般首先要对所研究的实际问题进行必要和允许的简化与假设，而且，不同的简化与假设，又可能导致不同的数学模型，例如[2]是抛物型方程模型，而[3]则是椭圆方程模型.假设：（1）注射前大脑中的多巴胺含量可以忽略不计.（2）大脑中多巴胺注射液经历着扩散与衰减的过程，且沿,,x y z 三个方向的扩散系数分别是常数，衰减使质量之减少与深度成正比.（3）注射点在后排中央那个圆柱中心，即注射点的坐标000(,,)x y z 已知，注射量有医疗记录可查，是已知的.（4）注射瞬间完成，可视为点源delta 函数. （5）取样也是瞬间完成，取样时间已知为1t =.（6）样本区域与整个大脑相比可以忽略，样本组织远离脑之边界，不受大脑边界面的影响.在以上假设之下，显然可以用本文前面讲过的思路来建模，于是得AMCM-90A 的数学模型为Cauchy 问题（21）（22），解的表达式为（24），且用三元回归分析来估出参数,,,a b c k ，于是可以求得任意位置任意时刻药物的深度.如果所给数据认为是在平衡状态测得的，药物注射进脑后，从高深度处向低深度处扩散，与扩散同时，一部分药物进入脑细胞被吸收固定，扩散系数与吸收系数都是常数，但过一段时间，所有药物都被脑细胞所固定，达到了平衡态. 在这种假设下，[3]给出了下述的分析、建模、求解过程.设(,,,)v x y z t 是t 时刻在(,,)x y z 点处游离的药物浓度，(,,,)w x y z t 是t 时刻(,,)x y z 点处吸收固定的药物浓度，(,,)u x y z 是达到平衡态时(,,)x y z 点处吸收固定的药物浓度. 又设游离药物在各方向上有相同的扩散系数k ，吸收系数为h ，于是有vk v hv t∂=∆-∂. （30）又whv t∂=∂，即吸收速度与游离的浓度成正比，代入（30）得 ()v k ww t h t t∂∂∂=∆-∂∂∂. （31） 对（31）关于t 从０到+∞积分得000t t t k v w w h+∞+∞+∞====∆-. （32）由于最后无游离药物，故(,,,)0v x y z +∞=，又开始时(0)t =无被吸收的药物，故(,,,0)0, (,,,0)0w x y z w x y z =∆=；平衡状态在t =+∞时达到，这时(,,)u x y z = (,,,)w x y z +∞，于是由（32）得(,,,0)ku u v x y z h-∆+=， （33）其中(,,,0)v x y z 是开始时的浓度分布，近似于注射点的点源脉冲函数. 把此注射点取为坐标原点(0,0,0)，则(,,,0)(,,),v x y z L x y z L δ=是注射量，于是2k h σ⎛⎫= ⎪⎝⎭记2(,,)u u L x y z σδ-∆+=， （34）作付立叶变换得22222222ˆˆ(),ˆ,1()s u u L Lus σξησξη+++==+++ 再作反变换得u σ-=-， （35）其中C 是可计算常数.如果考虑各向不同性，设,,x y z 方向上扩散系数分别为222,,a b c ，注射点在000(,,)x y z ，则222222000222()()()u u u a b c u L x x y y z z x y z δδδ⎛⎫∂∂∂-+++=--- ⎪∂∂∂⎝⎭， 于是解为(,,)u x y z =exp 1⎧⎪-⎨⎪⎩，（36） （36）中的D 可计算常数.用前面类似的方法可以进行参数估计.在建模过程中，点源函数的使用显然与实况有差别；尤其是认为扩散系数与吸收系数都是常数，对于人脑这种有复杂结构的区域，这种假设与实际不会完全符合；夜间与白天（睡与醒）对这些系数有无影响？脑中各点这些系数是否有变？除时间位置应考虑外，可能还与药液浓度有关. 如此看来，脑内药液分布的数学模型很可能不是常系数线性偏微分方程，而是函数系数的线性微分方程甚至是非线性偏微分方程. 这时，其解不再能用封闭公式来表达，求解过程会变得极为复杂，所以也可以考虑是否试用其他数学模型来解，例如在平衡态的假设下，用回归分析方法建立药液的模拟分布(,,)u f x y z =.对一个实际问题，其数学模型未必唯一，各模型间孰优孰劣，没有一般的判别法，须经实践来检验.参 考 文 献[1]叶其孝，大学生数学建模竞赛辅导教材，湖南教育出版社，1993.[2]Christopher, R. Malone, Gian Pauletto, James, I. Zoellick, Distribution of Dopamine in the Brain, The Journal of Under graduate Mathematics, and its Applications, vol. 12(1991), Special Issue: The 1991 Mathematical Contest in Modeling, pp. 211-223.[3]孙晓东，荆秦，梁俊，脑中药物分布的数学模型，数学的实践与认识，1991年No. 4，63-69. [4]中国科学院数理统计组，常用数理统计方法，科学出版社，19784.。
扩散问题的偏微分方程模型_数学建模
实验一SDH网元基本配置一、实验目的：通过本实验，了解 SDH 光传输的原理和系统组成，了解 ZXMP S325 设备的硬件构成和单板功能，学习ZXONM 300 网管软件的使用方法，掌握 SDH 网元配置的基本操作。
二、实验器材：1、SDH 设备：3 套 ZXMP 325；2、实验用维护终端。
三、实验原理1、SDH 原理同步数字体制（SDH）是为高速同步通信网络制定的一个国际标准，其基础在于直接同步复用。
按照SDH 组建的网络是一个高度统一的、标准化的、智能化的网络，采用全球统一的接口以实现多环境的兼容，管理操作协调一致，组网与业务调度灵活方便，并且具有网络自愈功能，能够传输所有常见的支路信号，应用于多种领域（如光纤传输，微波和卫星传输等）。
SDH 具有以下特点：（1）接口：接口的规范化是设备互联的关键。
SDH 对网络节点接口（NNI）作了统一的规范，内容包括数字信号数率等级、帧结构、复接方法、线路接口、监控管理等。
电接口： STM-1 是 SDH 的第一个等级，又叫基本同步传送模块，比特率为155.520Mb/s；STM-N 是 SDH 第 N 个等级的同步传送模块，比特率是 STM-1 的 N 倍(N=4n=1，4，16，- - -)。
光接口：采用国际统一标准规范。
SDH 仅对电信号扰码，光口信号码型是加扰的 NRZ 码，信号数率与SDH 电口标准信号数率相一致。
（2）复用方式a）低速 SDH----高速 SDH，字节间插；b) 低速 PDH-----SDH，同步复用和灵活的映射。
（3）运行维护:用于运行维护（OAM）的开销多，OAM 功能强——这也是线路编码不用加冗余的原因.（4）兼容性:SDH 具有很强的兼容性，可传送 PDH 业务，异步转移模式信号（ATM）及其他体制的信号。
（5）SDH 复用映射示意图（6） SDH 体制的缺陷a)频带利用率低b)指针调整机理复杂，并且产生指针调整抖动c)软件的大量使用对系统安全性的影响2、城域传输网的层次基于 SDH 多业务节点设备满足如下图所示从核心层、汇聚层到接入层的所有应用，可为用户提供城域网整体解决方案。
数学建模(关于扩散问题的建模)
的近似表达式。
模型分析： 1 文中所建立的汞扩散模型不仅可以从局部进行分析，还可以从
整体上进行分析。 2.本模型还可以拓展到其他有关扩散问题的模型求解。 3.该模型主要运用了微分方程和概率统计的知识,在多维正态方
1.《土壤重金属污染评价方法》 2.《有关扩散问题的模型求解》 3.《数学模型（第三版）》
M3 [u(x, y, z,t t) u(x, y, z)]dxdydz
tt
udxdydzdt
t t
显然有： M3 M1 M 2 ，
也就是：
tt u
M3 t
t
dxdydzdt
t t t
(a2
2u x2
b2
2u y 2
c2
2u z 2
k
2u)dxdydzdt
由于 t, t, ，的任意性得：
1 a2
,
1 b2
,
ln M 2 ln(abc) k 2 2
Z (z z0)2 , 4
1 , c2
则有如下关系式：
W ln u(x, y, z,1) X Y Z
由于我们获得的观测取样值 ( xi , yi , z, mi ) 可以转化为相应的观测取
样值 ( Xi ,Yi , Zi ,Wi )，于是利用多元回归分析可以求出 , , ,
其中 M 为扩散源的质量，经求解，得如下关系：
u(x, y, z,t) M 8tabc
t
exp
(x x0 )2 4a2t
( y y0 )2 4b2t
(z z0)2 4c2t
数学建模高斯扩散模型
§4-2高斯扩散模式ū —平均风速；Q—源强是指污染物排放速率。
与空气中污染物质的浓度成正比，它是研究空气污染问题的基础数据。
通常：（ⅰ）瞬时点源的源强以一次释放的总量表示；（ⅱ）连续点源以单位时间的释放量表示；（ⅲ）连续线源以单位时间单位长度的排放量表示；（ⅳ）连续面源以单位时间单位面积的排放量表示。
δy—侧向扩散参数，污染物在y方向分布的标准偏差，是距离y的函数，m；δz—竖向扩散参数，污染物在z方向分布的标准偏差，是距离z的函数，m；未知量—浓度c、待定函数A(x)、待定系数a、b；式①、②、③、④组成一方程组，四个方程式有四个未知数，故方程式可解。
二、高斯扩散模式（一）连续点源的扩散连续点源一般指排放大量污染物的烟囱、放散管、通风口等。
排放口安置在地面的称为地面点源，处于高空位置的称为高架点源。
1. 大空间点源扩散高斯扩散公式的建立有如下假设：①风的平均流场稳定，风速均匀，风向平直；②污染物的浓度在y、z轴方向符合正态分布；③污染物在输送扩散中质量守恒；④污染源的源强均匀、连续。
图5－9所示为点源的高斯扩散模式示意图。
有效源位于坐标原点o处，平均风向与x轴平行，并与x轴正向同向。
假设点源在没有任何障碍物的自由空间扩散，不考虑下垫面的存在。
大气中的扩散是具有y与z两个坐标方向的二维正态分布，当两坐标方向的随机变量独立时，分布密度为每个坐标方向的一维正态分布密度函数的乘积。
由正态分布的假设条件②，参照正态分布函数的基本形式式（5－15），取μ＝0，则在点源下风向任一点的浓度分布函数为：（5－16）式中 C—空间点（x，y，z）的污染物的浓度，mg/m3；A（x）—待定函数；σy、σz—分别为水平、垂直方向的标准差，即y、x方向的扩散参数，m。
由守恒和连续假设条件③和④，在任一垂直于x轴的烟流截面上有：（5－17）式中 q—源强，即单位时间内排放的污染物，μg/s；u—平均风速，m/s。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第七节 扩散问题的偏微分方程模型物质的扩散问题，在石油开采、环境污染、疾病流行、化学反应、新闻传播、煤矿瓦斯爆炸、农田墒情、水利工程、生态问题、房屋基建、神经传导、药物在人体内分布以及超导、液晶、燃烧等诸多自然科学与工程技术领域，十分普遍地存在着. 显然，对这些问题的研究是十分必要的，其中的数学含量极大. 事实上，凡与反应扩散有关的现象，大都能由线性或非线性抛物型偏微分方程作为数学模型来定量或定性地加以解决.ＭＣＭ的试题来自实际，是“真问题⊕数学建模⊕计算机处理”的“三合一”准科研性质的一种竞赛，对上述这种有普遍意义和数学含量高，必须用计算机处理才能得到数值解的扩散问题，当然成为试题的重要来源，例如，ＡＭＣＭ-90Ａ，就是这类试题；ＡＭＣＭ-90Ａ要研究治疗帕金森症的多巴胺（dopamine ）在人脑中的分布，此药液注射后在脑子里经历的是扩散衰减过程，可以由线性抛物型方程这一数学模型来刻划. ＡＭＣＭ-90Ａ要研究单层住宅混凝土地板中的温度变化，也属扩散（热传导）问题，其数学模型与ＡＭＣＭ-90Ａ一样，也是线性抛物型方程.本文交代扩散问题建模的思路以及如何推导出相应的抛物型方程，如何利用积分变换求解、如何确定方程与解的表达式中的参数等关键数学过程，且以ＡＭＣＭ-90Ａ题为例，显示一个较细致的分析、建模、求解过程.§1 抛物型方程的导出设(,,,)u x y z t 是t 时刻点(,,)x y z 处一种物质的浓度. 任取一个闭曲面S ，它所围的区域是Ω，由于扩散，从t 到t t +∆时刻这段时间内，通过S 流入Ω的质量为2221(cos cos cos )dSd t ttSu u u M a b c t x y zαβγ+∆∂∂∂=++∂∂∂⎰⎰⎰. 由高斯公式得2222221222()d d d d t ttu u u M a b c x y z t x y z +∆Ω∂∂∂=++∂∂∂⎰⎰⎰⎰. （1） 其中，222,,a b c 分别是沿,,x y z 方向的扩散系数. 由于衰减（例如吸收、代谢等），Ω内的质量减少为22d d d d t ttM k u x y z t +∆Ω=⎰⎰⎰⎰， （2） 其中2k 是衰减系数.由物质不灭定律，在Ω内由于扩散与衰减的合作用，积存于Ω内的质量为12M M -.换一种角度看，Ω内由于深度之变化引起的质量增加为3[(,,,)(,,,)]d d d d d d d . (3)t ttM u x y z t t u x y z t x y zux y z t t Ω+∆Ω=+∆-∂=∂⎰⎰⎰⎰⎰⎰⎰显然312M M M =-，即2222222222d d d d ()d d d d .t ttt ttux y z t t u u u a b c k u x y z t x y z+∆Ω+∆Ω∂∂∂∂∂=++-∂∂∂⎰⎰⎰⎰⎰⎰⎰⎰由,,t t ∆Ω之任意性得2222222222u u u u a b c k u t x y z∂∂∂∂=++-∂∂∂∂ （4） 方程（４）是常系数线性抛物型方程，它就是有衰减的扩散过程的数学模型，对于具体问题，尚需与相应的定解条件（初始条件与边界条件等）匹配才能求得确定情况下的解.§2 Ｄirac 函数物理学家Dirac 为了物理模型之需要，硬是引入了一个当时颇遭微词的，使得数学与物理学传统密切关系出现裂痕的“怪”函数：0,0,() ()1.,0,x x x dx x δδ+∞-∞≠⎧==⎨∞=⎩⎰ （5）它的背景是清晰的，以一条无穷长的杆子为例，沿杆建立了一维坐标系，点的坐标为x ，杆的线密度是()x ρ，在(,]x -∞段，杆子质量为()m x ，则有d ()(), ()d ().d x m x x x x m x xρρ-∞==⎰. （6）设此无穷长的杆子总质量为１，质量集中在0x x =点，则应有001,,()0,,x x m x x x >⎧=⎨<⎩ 或写成 0()()m x H x x =-，其中()H x 为1,0,()0,0,x H x x >⎧=⎨<⎩ 如果沿用（6）中的算法，则在质量集中分布的这种情形有00,,(),0.x x x x ρ≠⎧=⎨∞=⎩且0()d ()xx x H x x ρ-∞=-⎰，于是得()d 1.x x ρ+∞-∞=⎰. （7）但是，从传统数学观点看，若一个函数除某点处处为零，则不论哪种意义下的积分，都必定为零，（7）式岂能成立！但是，δ函数对于物理学而言是如此之有用，以致物理学家正当地拒绝放弃它. 尽管当时数学家们大都嘲笑这种函数，但Ｐ.Ａ.Ｍ.Ｄirac 及其追随者们在物理领域却收获颇丰，Dirac 于1933年获诺贝尔物理奖. 当然Dirac 也意识到()x δ不是一个通常的函数，至于找一种什么办法来阐明()x δ这一符号的合法性，那就是数学家的任务了. 1940年，法国数学家许瓦兹（L.Schwartz ）严格证明了应用()x δ的正确性，把δ函数置于坚实的数学基础上；1950年，L. Schwartz 获数学界最高奖Fields 奖.δ函数的重要性质有：1）0()d 1x x x δ+∞-∞-=⎰. （8）2）00()()d ()x x f x x f x δ+∞-∞-=⎰. （9）其中()(,)f x C ∈-∞+∞，即0()x x δ-摘出了()f x 在0x x =的值.3）00()()dH x x x x dxδ-=-. （10）4）()x δ的导数是存在的，不过要到积分号下去理解：00()()(),x x f x dx f x δ+∞-∞''-=-⎰ （11）()()00()()(1)().n n n x x f x dx f x δ+∞-∞-=-⎰（12）事实上，由于0()x x δ-在,+∞-∞处为零，则形式地用分部积分公式000()()()()d ()()d ,x x f x x x f x xx x f x x δδδ+∞+∞-∞-∞+∞-∞'---'=-⎰⎰其中，()(,)nf x C ∈-∞+∞，于是有（11）与（12）公式.5）对于()(,)x C ϕ∈-∞+∞，有000()()()()x x x x x x ϕδϕδ-=-. （13）6）1()() (0)||bx x b b δδ=≠. （14）7）000000(,,)()()()x x y y z z x x y y z z δδδδ---=---. （15）8）付立叶变换00[()].i x y y e λδ--= （16）[()] 1.x δ= （17）11221122[()()][()][()].C x x C x x C x x C x x δδδδ-+-=-+- （18）9）拉普拉斯变换00[(),[() 1.x x x e x δδδ--== （19）11221122[()]()][()[()].C x x C x x C x x C x x δδδδ-+-=-+- （20） 从上面的定义与性质看出，Delta 函数()x δ与一般可微函数还是有重大区别的，我们说它是“广义函数. ”§3 Cauchy 问题的解设扩散源在点000(,,)x y z 处，则此扩散问题满足Cauchy 问题2222222222000, (21)(,,,0)()()(). (22)u u u u a b c k u tx y z u x y z M x x y y z z δδδ⎧∂∂∂∂=++-⎪∂∂∂∂⎨⎪=---⎩对（21）（22）进行付立叶变换，且令123ˆ(,,), (,)[(,,,)]ut u x y z t λλλλλ==， 由于222222123222ˆˆˆ[], [], [],u u u uu u x y zλλλ∂∂∂=-=-=-∂∂∂ 102030000()[(,,,0)][()][()][()] ,i x y z u x y z M x x y y z z Me λλλδδδ-++=---= 故得常微分方程Cauchy 问题1020302222222123()ˆ()0,ˆ(0,).i x y z du a b c k udtu Meλλλλλλλ-++⎧++++=⎪⎨⎪=⎩ 得唯一解2222222123102030()()ˆ(,)a b c k t i x y z ut Me λλλλλλλ-+++-++=. （23）对（23）求逆变换1-，由于2122214[]a xa eλ---=， 2110221240[]()i x e aa ex x λλ----=-， 故得12222000222ˆ(,,,)[]()()()exp 444u x y z t u x x y y z z k t a t b t c t -=⎧⎫---=----⎨⎬⎩⎭2222000222()()().444x x y y z z k t a t b t c t ⎧⎫---=----⎨⎬⎩⎭（24） 如果认为经过了相当长时间后，扩散已经终止，物质分布处于平衡状态，则方程（4）中的0ut∂=∂，于是有线性椭圆型方程的边值问题 22222222220, (,,)(,,)(,,).D u u u a b c k u x y z D xy z u x y z x y z ϕ∂⎧∂∂∂++-=∈⎪∂∂∂⎨⎪=⎩也可以用付立叶变换求解. 当然，根据实际情况，还可以考虑第二边条件(,,)Dux y z n ∂∂=ψ∂或第三边条件[](,,)D uu x y z nαβρ∂∂+=∂等，其中D ∂是区域D 的边界，n 是外法线方向，,αβ是实常数.§4 参数估计在Cauchy 问题（21）（22）的解（23）中，有四个未知的参数,,,a b c k ，它们分别是扩散与衰减过程中的扩散系数与衰减系数的算术平方根. 至于点源的质量与位置000,(,,)M x y z 是已知的.设观测取样为：11112222(,,,), (,,,),,(,,,),n n n n x y z m x y z m x y z m取样时刻为1t =（不然设00, t t t τ=是取样时间，则（21）变成2200t xx yy U t a U t b U =++2200zz t c U t k U -，对τ而言，取样时间为１,而方程形状与（21）一致），把在(,,)i i i x y z 点观测到的物质密度i m 与公式（24）都取对数，令1t =，则2222000222()()()ln (,,,1)ln []444x x y y z z u x y z abc k a b c ---=--+++. （25） 令222000222()()()111,,,,,,444x x y y z z X Y Z a b c αβγ---====-=-=-2ln ln abc k ε=--，则（25）写成 ln (,,,1)W u x y z X Y Z αβγε==+++，（26） 而我们已观测得(,,,)1,2,,i i i i X Y Z W i n =的数据，用三元回归分析方法求出,,,αβγε的估计值如下：ˆˆˆˆ()W X Y Z εαβγ=-++， （27）其中11111111, , , ,n n n nk i i i k k k k W W X X Y Y Z Z n n n n ========∑∑∑∑ˆˆˆ,,αβγ满足方程组 111213102122232031323330ˆˆˆ,,ˆˆˆ,,ˆˆˆ,.l l l l l l l l l l l l αβγαβγαβγ⎧++=⎪⎪++=⎨⎪++=⎪⎩ 其中10201130122211223311112131123211()(), ()(),()(),(), (), (),()(), ()(),()(), n nk k k k k k nk k k nn nk k k k k k nnk k k k k k nk k k l W X W W l Y Y W W l Z Z W W l X X l Y Y l Z Z l X X Y Y l X X Z Z l Y Y Z Z l ==========--=--=--=-=-=-=--=--=--∑∑∑∑∑∑∑∑∑1231133223, , .l l l l l ===由ˆˆˆ,,αβγ可求得222,,a b c 的估计值，即222111ˆˆˆ, , ˆa b cαβγ=-=-=-. 又由于 2ln k abc ε=+- （28） 由（27）式可得ˆε，再把ˆˆˆ,,a b c 代入（28）得 2ˆˆˆˆˆln kabc ε=+- （29）至此得到参数2222,,,a b c k 的估计值2222ˆˆˆˆ,,,a b c k ，把它们代入（24）分别替代2222,,,a b c k ，则得不含未知参数的解(,,,)u x y z t 的近似表达式.§5 竞赛试题分析AMCM-90A 不可用本文的思路与方法加以解决；该试题由东华盛顿大学数学系Ｙves Nievergelt 提供，要求研究药物在脑中的分布，题文称：“研究脑功能失调的人员欲测试新的药物的效果，例如治疗帕金森症往脑部注射多巴胺（Dopamine ）的效果，为了精确估计药物影响到的脑部区域，它们必须估计注射后药物在脑内空间分布区域的大小和形状.“研究数据包括50个圆柱体组织样本的每个样本药物含量的测定值（如图6-1），每个圆柱体长0.76mm ，直径0.66mm ，这些互相平行的圆柱体样本的中心位于网格距为1m m ×0.76×m m ×1mm 的格点上，所以圆柱体互相间在底面上接触，侧面互不接触. 注射是在最高计数的那个圆柱体的中心附近进行的. 自然在圆柱体之间以及由圆柱体样本的覆盖的区域外也有药物.“试估计受到药物影响的区域中药物的分布. ”“一个单位表示一个闪烁微粒的计数，或多巴胺的4.753×10-18克分子量，例如表6-1指出位于后排当中那个圆柱体的含药量是28353个单位. ”后方垂直截面164442 1320 414 188 480 7022 14411 5158 352 2091 23027 28353 13138 681 789 21260 20921 11731 727 213 130337651715453前方垂直截面163 324 432 243166 712 1055 6098 1048 232 2137 15531 19742 4785 330 444 11431 14960 3182 301 29420611036 258188图6-1数学模型只是实际问题的近似，要建立数学模型，一般首先要对所研究的实际问题进行必要和允许的简化与假设，而且，不同的简化与假设，又可能导致不同的数学模型，例如[2]是抛物型方程模型，而[3]则是椭圆方程模型.假设：（1）注射前大脑中的多巴胺含量可以忽略不计.（2）大脑中多巴胺注射液经历着扩散与衰减的过程，且沿,,x y z 三个方向的扩散系数分别是常数，衰减使质量之减少与深度成正比.（3）注射点在后排中央那个圆柱中心，即注射点的坐标000(,,)x y z 已知，注射量有医疗记录可查，是已知的.（4）注射瞬间完成，可视为点源delta 函数. （5）取样也是瞬间完成，取样时间已知为1t =.（6）样本区域与整个大脑相比可以忽略，样本组织远离脑之边界，不受大脑边界面的影响.在以上假设之下，显然可以用本文前面讲过的思路来建模，于是得AMCM-90A 的数学模型为Cauchy 问题（21）（22），解的表达式为（24），且用三元回归分析来估出参数,,,a b c k ，于是可以求得任意位置任意时刻药物的深度.如果所给数据认为是在平衡状态测得的，药物注射进脑后，从高深度处向低深度处扩散，与扩散同时，一部分药物进入脑细胞被吸收固定，扩散系数与吸收系数都是常数，但过一段时间，所有药物都被脑细胞所固定，达到了平衡态. 在这种假设下，[3]给出了下述的分析、建模、求解过程.设(,,,)v x y z t 是t 时刻在(,,)x y z 点处游离的药物浓度，(,,,)w x y z t 是t 时刻(,,)x y z 点处吸收固定的药物浓度，(,,)u x y z 是达到平衡态时(,,)x y z 点处吸收固定的药物浓度. 又设游离药物在各方向上有相同的扩散系数k ，吸收系数为h ，于是有vk v hv t∂=∆-∂. （30）又whv t∂=∂，即吸收速度与游离的浓度成正比，代入（30）得 ()v k ww t h t t∂∂∂=∆-∂∂∂. （31） 对（31）关于t 从０到+∞积分得000t t t k v w w h+∞+∞+∞====∆-. （32）由于最后无游离药物，故(,,,)0v x y z +∞=，又开始时(0)t =无被吸收的药物，故(,,,0)0, (,,,0)0w x y z w x y z =∆=；平衡状态在t =+∞时达到，这时(,,)u x y z = (,,,)w x y z +∞，于是由（32）得(,,,0)ku u v x y z h-∆+=， （33）其中(,,,0)v x y z 是开始时的浓度分布，近似于注射点的点源脉冲函数. 把此注射点取为坐标原点(0,0,0)，则(,,,0)(,,),v x y z L x y z L δ=是注射量，于是2k h σ⎛⎫= ⎪⎝⎭记2(,,)u u L x y z σδ-∆+=， （34）作付立叶变换得22222222ˆˆ(),ˆ,1()s u u L Lus σξησξη+++==+++ 再作反变换得u σ-=-， （35）其中C 是可计算常数.如果考虑各向不同性，设,,x y z 方向上扩散系数分别为222,,a b c ，注射点在000(,,)x y z ，则222222000222()()()u u u a b c u L x x y y z z x y z δδδ⎛⎫∂∂∂-+++=--- ⎪∂∂∂⎝⎭， 于是解为(,,)u x y z =exp 1⎧⎪-⎨⎪⎩，（36） （36）中的D 可计算常数.用前面类似的方法可以进行参数估计.在建模过程中，点源函数的使用显然与实况有差别；尤其是认为扩散系数与吸收系数都是常数，对于人脑这种有复杂结构的区域，这种假设与实际不会完全符合；夜间与白天（睡与醒）对这些系数有无影响？脑中各点这些系数是否有变？除时间位置应考虑外，可能还与药液浓度有关. 如此看来，脑内药液分布的数学模型很可能不是常系数线性偏微分方程，而是函数系数的线性微分方程甚至是非线性偏微分方程. 这时，其解不再能用封闭公式来表达，求解过程会变得极为复杂，所以也可以考虑是否试用其他数学模型来解，例如在平衡态的假设下，用回归分析方法建立药液的模拟分布(,,)u f x y z =.对一个实际问题，其数学模型未必唯一，各模型间孰优孰劣，没有一般的判别法，须经实践来检验.参 考 文 献[1]叶其孝，大学生数学建模竞赛辅导教材，湖南教育出版社，1993.[2]Christopher, R. Malone, Gian Pauletto, James, I. Zoellick, Distribution of Dopamine in the Brain, The Journal of Under graduate Mathematics, and its Applications, vol. 12(1991), Special Issue: The 1991 Mathematical Contest in Modeling, pp. 211-223.[3]孙晓东，荆秦，梁俊，脑中药物分布的数学模型，数学的实践与认识，1991年No. 4，63-69. [4]中国科学院数理统计组，常用数理统计方法，科学出版社，19784.。