个人专栏—张量分析专栏
- 张量分析学习笔记一——张量分析基本概念 张量分析学习笔记一——张量分析基本概念(https://blog.csdn.net/Zh531445436/article/details/136374766?spm=1001.2014.3001.5502)
- 张量分析学习笔记二——克罗内克符号与置换符号 张量分析学习笔记二——克罗内克符号与置换符号
- 张量分析学习笔记三——张量积 张量分析学习笔记三——张量积
- 张量分析学习笔记四——张量的基本运算法则 张量分析学习笔记四——张量的基本运算法则
文章目录
简介 \color{green}简介 简介
张量积(tensor product)是一种在线性代数和多线性代数中常见的运算。它用于将两个向量空间的向量组合成一个更大的向量空间。
张量积 \color{green}张量积 张量积 ⊗ \otimes ⊗ 定义
设有两向量
v
⃗
,
u
⃗
\vec{v},\vec{u}
v,u,它们的张量积表示为
u
⃗
v
⃗
≡
u
⃗
⊗
v
⃗
=
A
\vec{u}\vec{v}\equiv\vec{u}\otimes\vec{v}=\mathbf{A}
uv≡u⊗v=A
向量
v
⃗
⊗
u
⃗
\vec{v}\otimes \vec{u}
v⊗u组成了一个新的二阶张量
A
\mathbf{A}
A。
A
\mathbf{A}
A中每个元素
A
i
j
A_{ij}
Aij都是
v
⃗
,
u
⃗
\vec{v},\vec{u}
v,u对应元素的乘积,它包含了
v
⃗
,
u
⃗
\vec{v},\vec{u}
v,u元素的所有组合。
在笛卡尔坐标系(Cartesian system)中张量积的表现形式:
A
=
u
⃗
⊗
v
⃗
=
(
u
i
e
^
i
)
⊗
(
v
j
e
^
j
)
=
u
i
v
j
(
e
^
i
⊗
e
^
j
)
=
A
i
j
(
e
^
i
⊗
e
^
j
)
A
⏟
张量
=
A
i
j
⏟
分量
e
^
i
⊗
e
^
j
⏟
坐标系
\begin{aligned} \mathbf{A}&=\vec{u}\otimes\vec{v}=(u_i\hat{e}_i)\otimes(v_j\hat{e}_j)\\ &=u_iv_j(\hat{e}_i\otimes\hat{e}_j)\\ &=A_{ij}(\hat{e}_i\otimes\hat{e}_j)\\ \underbrace{\mathbf{A}}_{张量}&=\underbrace{A_{ij}}_{分量}\underbrace{\hat{e}_i\otimes\hat{e}_j}_{坐标系} \end{aligned}
A张量
A=u⊗v=(uie^i)⊗(vje^j)=uivj(e^i⊗e^j)=Aij(e^i⊗e^j)=分量
Aij坐标系
e^i⊗e^j
由此可知
二阶张量
U
=
U
i
j
e
^
i
⊗
e
^
j
三阶张量
T
=
T
i
j
k
e
^
i
⊗
e
^
j
⊗
e
^
k
四阶张量
I
=
I
i
j
k
l
e
^
i
⊗
e
^
j
⊗
e
^
k
⊗
e
^
l
(
i
,
j
,
k
,
l
=
1
,
2
,
3
)
\begin{aligned} \textit{二阶张量}\quad \mathbf{U}&=U_{ij}\hat{e}_i\otimes\hat{e}_j\\ \textit{三阶张量}\quad \mathbf{T}&=T_{ijk}\hat{e}_i\otimes\hat{e}_j\otimes\hat{e}_k \\ \textit{四阶张量}\quad \mathbb{I}&=\mathbb{I}_{ijkl}\hat{e}_i\otimes\hat{e}_j\otimes\hat{e}_k\otimes\hat{e}_l \quad (i,j,k,l=1,2,3) \end{aligned}
二阶张量U三阶张量T四阶张量I=Uije^i⊗e^j=Tijke^i⊗e^j⊗e^k=Iijkle^i⊗e^j⊗e^k⊗e^l(i,j,k,l=1,2,3)
其中,由自由指标的个数 n n n可以确定张量的阶数,张量分量的个数由 a n a^n an确定, a a a为自由指标能够取得的最大值。
二阶张量 $\mathbf{A}=\vec{u}\otimes\vec{v} $的张量分量可以表示为
( A ) i j = ( u ⃗ ⊗ v ⃗ ) i j = u i v j = A i j ( A ) i j 的矩阵形式为 ( A ) i j = A i j = [ A 11 A 12 A 13 A 21 A 22 A 23 A 31 A 32 A 33 ] \begin{gathered} (\mathbf{A})_{ij}=(\vec{u}\otimes\vec{v})_{ij}=u_iv_j=A_{ij} \\ (\mathbf{A})_{ij}\text{ 的矩阵形式为} \quad (\mathbf{A})_{ij}=A_{ij}=\begin{bmatrix} A_{11} & A_{12} & A_{13} \\ A_{21} & A_{22} & A_{23} \\ A_{31} & A_{32} & A_{33} \end{bmatrix} \end{gathered} (A)ij=(u⊗v)ij=uivj=Aij(A)ij 的矩阵形式为(A)ij=Aij= A11A21A31A12A22A32A13A23A33
应用示例 \color{green}应用示例 应用示例
确定张量 v i , Ψ i j k , F i j j , ε i j , C i j k l , σ i j {v}_i,\Psi_{ijk},{F}_{ijj},\varepsilon_{ij},\mathbb{C}_{ijkl},\sigma_{ij} vi,Ψijk,Fijj,εij,Cijkl,σij的阶数,并计算张量 $\mathbb{C} $的分量个数。
解:由自由指标个数确定张量阶数:
-
一阶张量 v i , F i j j {v}_i,{F}_{ijj} vi,Fijj
-
二阶张量 ε i j , σ i j \varepsilon_{ij}, \sigma_{ij} εij,σij
-
三阶张量 $\Psi_{ijk} $
-
四阶张量 $ \mathbb{C}_{ijkl}$
$i,j,k,l=1,2,3 $时,自由指标能取得最大值为3,则 $\mathbb{C} $的张量分量个数为
3 4 = ( i = 3 ) × ( j = 3 ) × ( k = 3 ) × ( l = 3 ) = 81 3^4=(i=3)\times(j=3)\times(k=3)\times(l=3)=81 34=(i=3)×(j=3)×(k=3)×(l=3)=81
张量积性质 \color{green}张量积性质 张量积性质
-
0 ⊗ u ⃗ = u ⃗ ⊗ 0 = 0 0\otimes \vec{u}=\vec{u}\otimes 0=0 0⊗u=u⊗0=0
-
( u ⃗ + v ⃗ ) ⊗ x ⃗ = u ⃗ ⊗ x ⃗ + v ⃗ ⊗ x ⃗ (\vec{u}+\vec{v})\otimes \vec{x}=\vec{u}\otimes \vec{x}+\vec{v}\otimes \vec{x} (u+v)⊗x=u⊗x+v⊗x
-
( u ⃗ ⊗ v ⃗ ) ⊗ x ⃗ = u ⃗ ⊗ ( v ⃗ ⊗ x ⃗ ) (\vec{u}\otimes \vec{v})\otimes \vec{x}=\vec{u}\otimes (\vec{v}\otimes\vec{x}) (u⊗v)⊗x=u⊗(v⊗x)
-
( u ⃗ ⊗ v ⃗ ) ⊗ ( C ⊗ D ) = ( A C ) ( B D ) (\vec{u}\otimes \vec{v})\otimes (\mathbf{C}\otimes \mathbf{D})=(AC)(BD) (u⊗v)⊗(C⊗D)=(AC)(BD)
-
u ⃗ ⊗ v ⃗ ≠ v ⃗ ⊗ u ⃗ \vec{u}\otimes\vec{v}\neq \vec{v}\otimes\vec{u} u⊗v=v⊗u
-
u ⃗ ⊗ ( α v ⃗ + β w ⃗ ) = α u ⃗ ⊗ v ⃗ + β u ⃗ ⊗ w ⃗ \vec{u}\otimes(\alpha \vec{v}+\beta \vec{w})=\alpha\vec{u}\otimes\vec{v}+\beta\vec{u}\otimes\vec{w} u⊗(αv+βw)=αu⊗v+βu⊗w
欢迎对Abaqus感兴趣的朋友们查看:Abaqus-UMAT开发精品书籍及umat子程序学习
Abaqus非线性粘弹性模型子程序umat——广义MAXWELL粘弹性模型umat解析(朱-王-唐本构模型)
如果你喜欢以上内容,或者对张量分析学习有兴趣,欢迎收藏关注,博主将持续更新。你的关注、收藏是我持续创作的动力!