麦克斯韦方程组在大学物理是比较难以理解的一组方程。它们的推导过程与梯度、散度、与旋度具有密切的关系。本文主要通过对三维空间中梯度、散度与旋度的解释来分析麦克斯韦方程组。为了方便表示,这里 f ( x , y , z ) f(x,y,z) f(x,y,z)表示一个含有三个变量x,y,z的一个函数,并且设 f ( x , y , z ) = x 2 + y 2 + z 2 f(x,y,z)=x^2+y^2+z^2 f(x,y,z)=x2+y2+z2。 F ⃗ = < P , Q , R > \vec{F}=<P,Q,R> F=<P,Q,R>表示空间中的矢量场。可以是梯度场、速度场、力场等。这里就假设是函数f(x,y,z)对应的梯度场。
0. ▽ \triangledown ▽ 算子
又叫“del”算子,即 < ∂ ∂ x , ∂ ∂ y , ∂ ∂ z > <\frac{\partial}{\partial x}, \frac{\partial}{\partial y},\frac{\partial}{\partial z}> <∂x∂,∂y∂,∂z∂>。可以理解为一个符号向量,向量里的元素是偏微分运算符号,没有任何具体意义,只是一个表示方法。
1. 梯度、散度、旋度
有了 ▽ \triangledown ▽算子,梯度、散度、旋度都可以用 ▽ \triangledown ▽向量来表示。
梯度 gradient
函数
f
(
x
,
y
,
z
)
f(x,y,z)
f(x,y,z)(标量)的梯度可以理解为
▽
\triangledown
▽向量与函数的乘积,即:
g
r
a
d
(
f
)
=
▽
f
=
<
∂
∂
x
,
∂
∂
y
,
∂
∂
z
>
f
=
<
∂
f
∂
x
,
∂
f
∂
y
,
∂
f
∂
z
>
grad(f)=\triangledown f= <\frac{\partial}{\partial x},\frac{\partial}{\partial y}, \frac{\partial}{\partial z}>f=<\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}>
grad(f)=▽f=<∂x∂,∂y∂,∂z∂>f=<∂x∂f,∂y∂f,∂z∂f>
针对一开始给出的例子,可知:
▽
f
=
<
2
x
,
2
y
,
2
z
>
\triangledown f=<2x,2y,2z>
▽f=<2x,2y,2z>
散度 divergence
散度是表示矢量扩散程度的一个量,是对场的一个运算。散度可以表示为
▽
\triangledown
▽向量与矢量场的点积,这里以
F
⃗
=
<
P
,
Q
,
R
>
\vec{F}=<P,Q,R>
F=<P,Q,R>为例子,则:
d
i
v
(
F
⃗
)
=
▽
⋅
F
⃗
=
<
∂
∂
x
,
∂
∂
y
,
∂
∂
z
>
⋅
<
P
,
Q
,
R
>
=
∂
P
∂
x
+
∂
Q
∂
y
+
∂
R
∂
z
div(\vec{F})=\triangledown\cdot\vec{F}=<\frac{\partial}{\partial x},\frac{\partial}{\partial y}, \frac{\partial}{\partial z}>\cdot<P, Q, R>=\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+ \frac{\partial R}{\partial z}
div(F)=▽⋅F=<∂x∂,∂y∂,∂z∂>⋅<P,Q,R>=∂x∂P+∂y∂Q+∂z∂R
假如
F
⃗
\vec{F}
F刚好是f(x,y,z)对应的梯度场,即
F
⃗
=
<
2
x
,
2
y
,
2
z
>
\vec{F}=<2x,2y,2z>
F=<2x,2y,2z>则:
d
i
v
(
F
⃗
)
=
2
+
2
+
2
=
6
div(\vec{F})=2+2+2=6
div(F)=2+2+2=6
旋度 curl
旋度表示矢量场的选择程度和方向的一个矢量。可以表示为
▽
\triangledown
▽向量与矢量场的叉积。即:
c
u
r
l
(
F
⃗
)
=
▽
×
F
⃗
=
∣
i
^
j
^
k
^
∂
∂
x
∂
∂
x
∂
∂
z
P
Q
R
∣
=
<
R
y
−
Q
z
,
P
z
−
R
x
,
Q
x
−
P
y
>
curl(\vec{F})=\triangledown\times\vec{F}=\begin{vmatrix} \hat{i} & \hat{j} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial x} & \frac{\partial}{\partial z} \\ P & Q & R\end{vmatrix}=<R_{y}-Q_{z}, P_{z}-R_{x}, Q_{x}-P_{y}>
curl(F)=▽×F=∣∣∣∣∣∣i^∂x∂Pj^∂x∂Qk^∂z∂R∣∣∣∣∣∣=<Ry−Qz,Pz−Rx,Qx−Py>
假如此处
F
⃗
=
▽
f
\vec{F}=\triangledown f
F=▽f, 则:
c
u
r
l
(
F
⃗
)
=
0
curl (\vec{F})=0
curl(F)=0
推论:假如
F
⃗
\vec{F}
F是梯度,则
c
u
r
l
F
⃗
curl{\vec{F}}
curlF=0
2. Gauss-Green 定理与Stokes 定理
线积分
上图中,
F
⃗
\vec{F}
F是空间中的矢量场, C是含有方向的线段。则
F
⃗
\vec{F}
F对C的积分(理解为物理上的功)可以表示为:
∫
C
F
⃗
d
r
⃗
=
∫
C
P
d
x
+
Q
d
y
+
R
d
z
\int_{C}\vec{F}d\vec{r}=\int_{C}Pdx+Qdy+Rdz
∫CFdr=∫CPdx+Qdy+Rdz
面积分
上图中,S表示空间中一个曲面,
n
^
\hat{n}
n^表示曲面的法向量(两个方向中选一个)。则矢量
F
⃗
\vec{F}
F对曲面S的积分表示通量(Flux),即:
F
l
u
x
=
∬
S
F
⃗
⋅
n
^
d
S
Flux=\iint_{S}\vec{F}\cdot\hat{n}dS
Flux=∬SF⋅n^dS
Gauss-Green 定理
如果S是空间中的封闭曲面,包裹了一个区域D,法向量
n
^
\hat{n}
n^向外,
F
⃗
\vec{F}
F在D的每一个区域都定义且可微,则下式成立:
∯
S
F
⃗
⋅
d
S
⃗
=
∭
D
d
i
v
(
F
⃗
)
d
V
\oiint_S\vec{F}\cdot d\vec{S}=\iiint_Ddiv(\vec{F})dV
∬SF⋅dS=∭Ddiv(F)dV
因此,Gauss-Green定理又叫散度定理。
Stokes 定理
如果C是一个封闭曲线,S是以C为边的任意曲面,
F
⃗
\vec{F}
F在S上有定义,
n
^
\hat{n}
n^为满足右手定则方向向外,则有如下公式:
∮
C
F
⃗
⋅
d
r
⃗
=
∬
S
c
u
r
l
(
F
⃗
)
⋅
n
^
d
S
\oint_C\vec{F}\cdot d\vec{r}=\iint_Scurl(\vec{F})\cdot \hat{n}dS
∮CF⋅dr=∬Scurl(F)⋅n^dS
即:
∮
C
F
⃗
⋅
d
r
⃗
=
∬
S
(
▽
×
F
⃗
)
⋅
n
^
d
S
\oint_C\vec{F}\cdot d\vec{r}=\iint_S(\triangledown\times\vec{F})\cdot \hat{n}dS
∮CF⋅dr=∬S(▽×F)⋅n^dS
推论:如果
F
⃗
\vec{F}
F是梯度场,则线积分是路径无关的。
例如,在上图中,
∫
C
1
F
⃗
⋅
d
r
⃗
−
∫
C
2
F
⃗
⋅
d
r
⃗
=
∯
C
:
C
=
C
1
−
C
2
F
⃗
⋅
d
r
⃗
=
s
t
o
k
e
s
∬
S
c
u
r
l
(
F
⃗
)
⋅
d
S
⃗
\int_{C1}\vec{F}\cdot d\vec{r}-\int_{C2}\vec{F}\cdot d\vec{r}=\oiint\limits_{C:C=C1-C2}\vec{F}\cdot d\vec{r} \xlongequal{stokes}\iint_Scurl(\vec{F})\cdot d\vec{S}
∫C1F⋅dr−∫C2F⋅dr=C:C=C1−C2∬F⋅drstokes∬Scurl(F)⋅dS
因为梯度场中的curl=0,所以上式为0,即
∫
C
1
F
⃗
⋅
d
r
⃗
=
∫
C
2
F
⃗
⋅
d
r
⃗
\int_{C1}\vec{F}\cdot d\vec{r}=\int_{C2}\vec{F}\cdot d\vec{r}
∫C1F⋅dr=∫C2F⋅dr
3. 麦克斯韦方程组
有了上述知识,麦克斯韦方程组就更容易理解。就是Gauss-Green定理和Stokes定理的运用。想要了解的更详细,请参考MIT关于多变量微积分和物理的公开课。