Los matemáticos de la RUDN han obtenido una evaluación de los problemas diferenciales inversos de Laplace que permite describir la forma de espacio de la investigació

Los matemáticos de la RUDN han obtenido una evaluación de los problemas diferenciales inversos de Laplace que permite describir la forma de espacio de la investigació

Los matemáticos de la RUDN obtuvieron la evaluación de la solución de problemas inversos de la ecuación diferencial de Laplace. Comprendiendo un conjunto de valores que caracterizan la transformación de Laplace y parámetros límite de Dirichlet-Neumann, ellos lograron obtener condiciones que definen la forma de espacio investigado. El resultado conseguido permite describir el carácter de espacio físico en los problemas de electrostática, electrodinámica, mecánica cuántica, física de medios continuos y en el problema de investigación de la termoconductivodad de ambiente. 

En solución de los problemas físicos por los métodos matemáticos, las funciones cumplen con los procesos físicos específicos. Por ejemplo, para la descripción de proceso de la termoconductividad es necesario usar la ecuación diferencial de Laplace, la llamada transformación de Laplace. Estas funciones actúan dentro de un espacio característico determinado que corresponde a un modelo físico del caso estudiado.

Los datos experimentales del problema físico pueden presentar un conjunto de valores que caracterizan el tipo de transformación de Laplace para un espacio determinado. Los problemas directos de la ecuación diferencial permiten obtener este conjunto de valores característicos con el conocido tipo matemático de la transformación de Laplace. Al mismo tiempo, la solución de problemas inversos de estas ecuaciones con el conjunto conocido de valores determinados permite investigar la forma matemática de espacio y, por tanto, permite investigar el proceso físico del problema que está siendo investigado.

Un espacio es caracterizado por su métrica, es decir, por la regla de difusión de los elementos en este espacio. Conociendo el tipo matemático de la métrica de espacio, se puede obtener la estructura de espacio de un modelo físico del problema investigado. De este modo, analizando los datos de la actividad neuronal (valores característicos), se puede obtener una métrica de espacio de la red neuronal que estará siendo asociada con el modelo físico de esta red.

Es conocido que el tipo de métrica puede ser determinado con la precisión hasta el nivel en el que las dos métricas (la g1 y la g2), con el conjunto de valores característicos poco diferentes, se hacen iguales. Por consiguiente, esta no será la única solución. Además, en el caso de la existencia de dos métricas con el conjunto de valores característicos iguales está permitido una transformación que trasponga una métrica a la otra.

Para una descripción correcta de la forma de espacio investigado, es necesario verificar la justificación de tipo de métrica elegido en la solución de problema directo de ecuaciones diferenciales. Para esta verificación, como herramienta, puede servir la investigación de unicidad de la solución de problemas inversos en el campo de espacio libremente limitado.

Al estudiar el conjunto dado de valores característicos en el espacio libremente fijado, los autores obtuvieron un valor matemático de la unicidad de solución para el problema inverso en la definición de la métrica del operador de Laplace.

Como el otro tipo de datos de entrada para el problema inverso pueden servir las condiciones de frontera en las cuales el comportamiento de modelo físico es conocido. En este caso, para la evaluación de la unicidad de solución del problema inverso los autores utilizaron datos sobre las condiciones de frontera de Dirichlet-Neumann para la transformación de Laplace en la superficie arbitraria del espacio que se está investigando.

El artículo fue publicado en la revista Inverse Problems & Imaging.

Ciencia
22 Jul
Matemática de RUDN University construyó un modelo de propagación de la COVID-19 que muestra cómo la vacunación afecta el curso de la pandemia

Unos matemáticos de RUDN University han modelado la propagación de la COVID-19 basándose en dos modelos de regresión matemática. Los matemáticos dividieron los países en tres grupos según la tasa de infección y las condiciones climáticas, y encontraron una aproximación matemática adecuada para cada uno de ellos. Basándose en el modelo, los matemáticos predijeron oleadas posteriores. El pronóstico resultó ser exacto en países donde no se ha adoptado la vacunación masiva.

Ciencia
20 Jul
Un genetista de RUDN University descubrió la proteína de las bifidobacterias que es capaz de aliviar la inflamación producida por COVID-19 y otras enfermedades

Un genetista de RUDN University ha demostrado cómo las bacterias intestinales del género Bifidobacterium afectan el proceso inflamatorio. Resulta que la proteína de superficie de las bifidobacterias puede detener la inflamación incontrolada innecesaria que ocurre, por ejemplo, en casos de COVID-19. Un fragmento de esta proteína se puede utilizar como agente antiinflamatorio en el tratamiento de la infección por coronavirus y otras enfermedades.

Ciencia
05 Jul
Catedrático de RUDN University determinó los beneficios de ingerir magnesio durante el embarazo y trastornos hormonales

Un catedrático de nutrición de RUDN University, junto con colegas de Francia, demostró que ingerir magnesio y vitamina B6 ayuda a combatir las consecuencias de la deficiencia de magnesio durante el embarazo y enfermedades hormonales en las mujeres. En cuatro semanas, los síntomas se vuelven menos pronunciados, la calidad de vida mejora y se reduce el riesgo de aborto espontáneo. Los resultados de la investigación fueron publicados en Scientific Reports.