Analiza równań różniczkowych z opóźnieniem z podwójnymi pochodnymi ułamkowymi typu Caputo przy użyciu metod transformaty Laplace’a

Dlaczego pamięć w czasie ma znaczenie

Wiele systemów rzeczywistych — od materiałów, które powoli relaksują się po rozciągnięciu, po populacje reagujące na przeszłe warunki — nie reaguje natychmiast na aktualne zdarzenia. Ich bieżące zachowanie zależy od długiej historii wcześniejszych wydarzeń i często od sprzężeń zwrotnych z opóźnieniem. W artykule rozwinięto nowe narzędzia matematyczne do opisu takich efektów pamięci i opóźnień z większą elastycznością oraz w celu zapewnienia, że otrzymane modele zachowują się przewidywalnie i stabilnie.

Uchwycenie historii elastycznymi regułami czasu

Tradycyjny rachunek różniczkowy zakłada, że zmiana zależy jedynie od tego, co dzieje się w jednym momencie. Rachunek ułamkowy łagodzi ten pogląd, pozwalając na „pośrednie” rzędy różniczkowania, tak że tempo zmian zależy od ważonej średniej całej przeszłości. Autorzy koncentrują się na nowoczesnej wersji tych operatorów, zwanej pochodnymi Caputo–Katugampola, które zawierają dodatkowy regulator oznaczony parametrem ρ, regulujący, jak silnie odległa przeszłość wpływa na teraźniejszość. Poprzez strojenie ρ można płynnie przechodzić między różnymi typami zachowań pamięci, co sprawia, że ramy te są dostosowalne do szerokiego zakresu zjawisk fizycznych, biologicznych i inżynierskich.

Radzenie sobie z opóźnieniami i efektami podwójnymi

Wiele systemów reaguje nie tylko na stany przeszłe w sposób gładki, lecz także na stany przesunięte w czasie — prawdziwe opóźnienia. Artykuł bada równania, w których bieżące tempo zmian zależy od całego fragmentu wartości z przeszłości na ustalonym przedziale czasu, połączone z dwoma odrębnymi efektami ułamkowymi działającymi jednocześnie. Jeden składnik ułamkowy może reprezentować pamięć krótkiego zasięgu, podczas gdy drugi uchwyci wolniejsze, dalekosiężne oddziaływanie. Autorzy analizują równanie, w którym te dwa człony pamięci występują razem wraz z opóźnionym sprzężeniem zwrotnym odczytującym niedawną historię nieznanej wielkości. To połączenie ma na celu modelowanie systemów, w których zarówno typ, jak i siła pamięci mogą być precyzyjnie kontrolowane.

Przekształcanie trudnych równań w formy podatne na analizę

Aby badać tak złożone równania, autorzy opierają się na wyspecjalizowanej wersji transformaty Laplace’a dostosowanej do parametru ρ, znanej jako ρ-transformatą Laplace’a. Technika ta przekształca oryginalne równanie z pamięcią i opóźnieniem w bardziej przystępną formę algebraiczną, którą następnie można odwrócić, uzyskując jawne wyrażenie całkowe dla rozwiązania. W tej reprezentacji naturalnie pojawiają się specjalne funkcje zwane funkcjami Mittag–Lefflera; pełnią one rolę podobną do funkcji wykładniczej w zwykłych równaniach różniczkowych, ale są dostosowane do dynamicznych zjawisk ułamkowych w czasie. Dysponując tą formą całkową, autorzy mogą dokładnie oszacować zachowanie rozwiązań i ich reakcję na zmiany w danych wejściowych i warunkach początkowych.

Gwarantowanie istnienia, jednoznaczności i odporności

Uzbrojeni w sformułowanie całkowe, autorzy wykorzystują dwie klasyczne idee analizy matematycznej — zasadę kontrakcji Banacha i twierdzenie o punkcie stałym Schaudera — aby wykazać, że układ jest dobrze postawiony. W ramach jednego zestawu warunków równanie ma jedno i tylko jedno rozwiązanie na rozważanym przedziale czasu, co oznacza, że model daje jedną, jednoznaczną prognozę. W bardziej ogólnych założeniach gwarantowane jest istnienie przynajmniej jednego rozwiązania. Ponadto artykuł bada stabilność Ulam–Hyersa, pojęcie formalizujące intuicyjną ideę odporności: jeśli dane początkowe lub samo równanie zostaną nieznacznie zaburzone, otrzymane rozwiązanie zmienia się tylko o kontrolowaną, proporcjonalną wielkość. Ta własność jest kluczowa, jeśli model ma być wiarygodny w symulacjach lub zastosowaniach praktycznych, gdzie dane nigdy nie są dokładne.

Od teorii do dowodów numerycznych

Aby wykazać, że teoria nie jest czysto abstrakcyjna, autorzy przedstawiają przykład numeryczny obejmujący dwa różne rzędy ułamkowe i opóźnienie jednostkowe czasu. Aproksymują rozwiązanie przy użyciu standardowej techniki dla pochodnych ułamkowych znanej jako schemat L1, cenionej za stabilność i prostotę implementacji. Obliczone rozwiązanie ewoluuje gładko od zadanej historii początkowej, a dwa różne pochodne ułamkowe wykazują odrębne, lecz powiązane wzorce, podkreślając, jak każdy rząd ułamkowy kształtuje pamięć układu. Poprzez wprowadzenie niewielkiego zaburzenia w historii początkowej i ponowne obliczenie rozwiązania, autorzy weryfikują numerycznie, że odchylenie pozostaje proporcjonalne do wielkości zaburzenia, zgodnie z teorią stabilności Ulam–Hyersa.

Co to oznacza dla rzeczywistych systemów z pamięcią

Mówiąc prosto, badanie pokazuje, że istnieje elastyczny i matematycznie solidny sposób opisu systemów, których stan teraźniejszy zależy zarówno od bogatej pamięci przeszłości, jak i od jawnych opóźnień. Ramy Caputo–Katugampola, w połączeniu z ρ-transformatą Laplace’a, nie tylko gwarantują, że te modele mają sens i posiadają dobrze określone, odporne rozwiązania, lecz także nadają się do praktycznych obliczeń. Otwiera to drogę do bardziej dokładnego i wiarygodnego modelowania procesów w takich obszarach jak materiały lepkosprężyste, systemy sterowania, dynamika populacji i zjawiska biomedyczne, gdzie pamięć i opóźnienie są cechami istotnymi, a nie drobnymi korektami.

Cytowanie: Boumaaza, M., Boutiara, A., Djidel, O. et al. Analysis of delay differential equations with dual caputo-type fractional derivatives using laplace transform methods. Sci Rep 16, 11181 (2026). https://doi.org/10.1038/s41598-026-41584-2

Słowa kluczowe: równania różniczkowe ułamkowe, układy z pamięcią i opóźnieniem, analiza stabilności, metody transformaty Laplace’a, symulacja numeryczna