具有反射的多尺度随机伯格斯方程的大偏差原理
Large deviation principles for multiscale stochastic Burgers equations with reflection
浏览论文内容
中文总结 AI 辅助
研究具有反射的多尺度随机伯格斯方程，利用弱收敛方法，通过惩罚方法等关键技术工具，严格建立慢分量的大偏差原理。
中文摘要 AI 辅助
本研究探讨具有反射的多尺度随机伯格斯方程，其中慢分量由带反射的随机伯格斯方程建模，快分量由带反射的随机反应扩散方程建模。利用弱收敛方法，严格建立了慢分量的大偏差原理。关键技术工具包括惩罚方法、精心构造的停止时间以及对Khasminskii经典时间离散化方案的精细调整。
英文摘要
This study investigates multiscale stochastic Burgers equations with reflection, wherein the slow component is modeled by a stochastic Burgers equation with reflection and the fast component by a stochastic reaction-diffusion equation with reflection. Using the weak convergence approach, we rigorously establish a large deviation principle for the slow component. Key technical tools include the penalization method, carefully constructed stopping times, and a refined adaptation of Khasminskii's classical time discretization scheme.
