最近在学《电磁场与电磁波》,其中应用到了爱因斯坦标记法(Einstein notation),以简便地表示向量运算; 对于有别于直角坐标系的曲面坐标系(curvilinear coordinates),梯度(gradient)、旋度(curl)和散度(divergence)的表达式也不尽相同,但仍可通过拉梅系数统一。
下标表示法1
在课程中,爱因斯坦标记法主要指一种对向量的下标表示法,且对于标量 C C C,其表示仍为 C C C 。
异名下标的遍历作用
对于向量 B \bm{B} B,则用 b i b_i bi 进行表示,意义为 b i = ∑ i = 1 3 b i e i ⃗ = [ b 1 b 2 b 3 ] b_i = \sum_{i = 1}^{3}b_i\vec{e_i} = \begin{bmatrix} b_{1}\\b_{2}\\b_{3} \end{bmatrix} bi=∑i=13biei=⎣⎡b1b2b3⎦⎤2
对于 A i j A_{ij} Aij,则可以表示一个 3 × 3 3×3 3×3的的矩阵,即 A i j = ∑ i = 1 3 ∑ j = 1 3 a i j e i j ⃗ = [ a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 ] A_{ij} = \sum_{i = 1}^{3}\sum_{j=1}^{3}a_{ij}\vec{e_{ij}}=\begin{bmatrix}a_{11} \quad a_{12} \quad a_{13} \\ a_{21} \quad a_{22} \quad a_{23} \\ a_{31} \quad a_{32} \quad a_{33}\end{bmatrix} Aij=∑i=13∑j=13aijeij=⎣⎡a11a12a13a21a22a23a31a32a33⎦⎤
可以认为 每一个下标的存在对应着 3个状态(带位置属性),若有 N个下标,则就有分布在 N维上的 3 N 3^N 3N个元素,异名下标起到了遍历作用。
对于两个向量
U
\bm{U}
U和
V
\bm{V}
V 的相加,结果为向量
W
\bm{W}
W ,就有
u
i
+
v
i
=
w
i
u_i + v_i =w_i
ui+vi=wi,属于遍历性逐项相加的过程。
同名下标的求和作用
当在一个积式中出现两个相同的下标时,就意味着相加求和,这是重要的一个规则。如对于两个向量 U \bm{U} U 和 V \bm{V} V 的点积,结果为标量 W,就有:
W =
U
\bm{U}
U ·
V
\bm{V}
V =
∑
i
=
1
3
u
i
e
i
⃗
⋅
∑
i
=
1
3
v
i
e
i
⃗
=
∑
i
=
1
3
u
i
v
i
=
u
i
v
i
\sum_{i =1}^{3}u_i\vec{e_i} · \sum_{i =1}^{3}v_i\vec{e_i} =\sum_{i=1}^{3}u_i v_i = u_i v_i
∑i=13uiei⋅∑i=13viei=∑i=13uivi=uivi
值得注意的是,区分三组式子:
∂
f
i
∂
x
i
=
∂
∑
i
=
1
3
f
i
e
i
⃗
∂
∑
i
=
1
3
x
i
e
i
⃗
=
∑
i
=
1
3
∂
f
i
∂
x
i
(
1
)
\frac{\partial f_i}{\partial x_i} = \frac{\partial \sum_{i = 1}^{3}f_i\vec{e_i}}{\partial \sum_{i = 1}^{3}x_i\vec{e_i}} =\sum_{i = 1}^{3}\frac{\partial f_i}{\partial x_i}\qquad(1)
∂xi∂fi=∂∑i=13xiei∂∑i=13fiei=i=1∑3∂xi∂fi(1) 结果为一个标量,即向量 F 的散度,
∇
⋅
\nabla ·
∇⋅ F
=
∂
f
i
∂
x
i
=\frac{\partial f_i}{\partial x_i}
=∂xi∂fi
∂
f
∂
x
i
=
∂
f
∂
∑
i
=
1
3
x
i
e
i
⃗
=
∑
i
=
1
3
∂
f
∂
x
i
e
i
⃗
(
2
)
\frac{\partial f}{\partial x_i} = \frac{\partial f}{\partial \sum_{i = 1}^{3}x_i\vec{e_i}} =\sum_{i = 1}^{3}\frac{\partial f}{\partial x_i } \vec{e_i} \qquad (2)
∂xi∂f=∂∑i=13xiei∂f=i=1∑3∂xi∂fei(2)
结果为一个向量,即标量
f
f
f 的梯度,
∇
f
=
∂
f
∂
x
i
\nabla f=\frac{\partial f}{\partial x_i}
∇f=∂xi∂f
∂
f
i
∂
x
j
=
∂
∑
i
=
1
3
f
i
e
i
⃗
∂
∑
j
=
1
3
x
j
e
j
⃗
=
∑
i
=
1
3
∑
j
=
1
3
∂
f
i
∂
x
j
e
j
⃗
(
3
)
\frac{\partial f_i}{\partial x_j} = \frac{\partial \sum_{i = 1}^{3}f_i\vec{e_i}}{\partial \sum_{j = 1}^{3}x_j\vec{e_j}} =\sum_{i=1}^{3}\sum_{j= 1}^{3}\frac{\partial f_i}{\partial x_ j}\vec{e_j} \qquad(3)
∂xj∂fi=∂∑j=13xjej∂∑i=13fiei=i=1∑3j=1∑3∂xj∂fiej(3)
结果为一个向量,为向量
F
\bm{F}
F 各个方向上坐标值的梯度和,即
∇
(
F
⋅
e
i
⃗
)
=
∂
f
i
∂
x
j
\nabla(\bm{F}· \vec{e_i})=\frac{\partial f_i}{\partial x_j}
∇(F⋅ei)=∂xj∂fi
如(1)(2)(3)所示,只有当组合式中的下标出现偶数次 (存在一对同名下标) 时,才会得到标量,否则得到向量。
克罗内克符号和交变张量
克罗内克符号(Kronecker delta)
δ
i
j
\delta _{ij}
δij定义如下:
δ
i
j
=
{
0
i
≠
j
1
i
=
j
=
[
1
0
0
0
1
0
0
0
1
]
(
4
)
\delta _{ij}= \begin{cases} 0& i\neq j\\ 1& i = j \end{cases} = \begin{bmatrix}1 \quad 0 \quad 0 \\ 0\quad 1 \quad0 \\ 0 \quad 0\quad 1\end{bmatrix} \qquad (4)
δij={01i=ji=j=⎣⎡100010001⎦⎤(4)
显然,由于矩阵为对角阵,
δ
i
j
=
δ
j
i
\delta _{ij} = \delta _{ji} \qquad
δij=δji
一个重要的化简式:
δ
i
j
a
j
=
[
1
0
0
0
1
0
0
0
1
]
[
a
1
a
2
a
3
]
=
[
a
1
a
2
a
3
]
=
a
i
(
5
)
\delta _{ij} a_{j} =\begin{bmatrix}1 \quad 0 \quad 0 \\ 0\quad 1 \quad0 \\ 0 \quad 0\quad 1\end{bmatrix} \begin{bmatrix} a_{1}\\a_{2}\\a_{3} \end{bmatrix} = \begin{bmatrix} a_{1} \quad a_{2} \quad a_{3} \end{bmatrix} = a_{i} \qquad (5)
δijaj=⎣⎡100010001⎦⎤⎣⎡a1a2a3⎦⎤=[a1a2a3]=ai(5)
即可认为
δ
i
j
\delta _{ij}
δij 乘上一个向量后具有维度转换的功能。
类似的,也有
δ
i
j
δ
j
k
=
δ
i
k
\delta _{ij} \delta _{jk} = \delta _{ik}
δijδjk=δik,直观地看,就是下标的相消。
交变张量(alternating tensor)
ϵ
i
j
k
\epsilon _{ijk}
ϵijk定义如下:
ϵ
i
j
k
=
{
+
1
(
i
,
j
,
k
)
=
(
1
,
2
,
3
)
,
(
2
,
3
,
1
)
,
(
3
,
1
,
2
)
−
1
(
i
,
j
,
k
)
=
(
3
,
2
,
1
)
,
(
2
,
1
,
3
)
,
(
1
,
3
,
2
)
0
(
i
,
j
,
k
)
=
e
l
s
e
(
6
)
\epsilon _{ijk}= \begin{cases} +1& (i,j,k) = (1,2,3),(2,3,1),(3,1,2) \\ -1& (i,j,k) = (3,2,1),(2,1,3),(1,3,2)\\ 0 &(i,j,k) = else \end{cases} \qquad (6)
ϵijk=⎩⎪⎨⎪⎧+1−10(i,j,k)=(1,2,3),(2,3,1),(3,1,2)(i,j,k)=(3,2,1),(2,1,3),(1,3,2)(i,j,k)=else(6)
便于记忆的方式是,顺序排列取+1,逆序排列取-1,其余均取0。由异名下标的遍历作用,可以知道
ϵ
i
j
k
\epsilon _{ijk}
ϵijk表示了一个
3
×
3
×
3
3×3×3
3×3×3 的共 27个元素的张量。
由定义也容易看出,
ϵ
i
j
k
=
ϵ
j
k
i
=
ϵ
k
i
j
\epsilon _{ijk} = \epsilon _{jki} = \epsilon _{kij}
ϵijk=ϵjki=ϵkij 和
ϵ
i
j
k
=
−
ϵ
j
i
k
\epsilon _{ijk} = -\epsilon _{jik}
ϵijk=−ϵjik
我们可以使用交变张量来表示向量的叉乘, 如 c = a × b \bm{c =a × b} c=a×b,即 c i = ( a × b ) i = ϵ i j k a j b k c_i=(\bm{a× b})_i=\epsilon _{ijk}a_{j}b_{k} ci=(a×b)i=ϵijkajbk
当然,同样可以用三个求和符号来展开叉乘运算: ϵ i j k a j b k = ∑ i = 1 3 ∑ j = 1 3 ∑ k = 1 3 ϵ i j k a j b k e i ⃗ \epsilon _{ijk}a_{j}b_{k} = \sum_{i=1}^{3}\sum_{j = 1}^{3}\sum_{k=1}^{3}\epsilon _{ijk}a_{j}b_{k}\vec{e_{i}} ϵijkajbk=∑i=13∑j=13∑k=13ϵijkajbkei
一个重要的代换式:
ϵ
i
j
k
ϵ
k
l
m
=
δ
i
l
δ
j
m
−
δ
i
m
δ
j
l
(
7
)
\epsilon _{ijk} \epsilon _{klm} = \delta _{il} \delta _{jm} - \delta _{im} \delta _{jl} \qquad (7)
ϵijkϵklm=δilδjm−δimδjl(7)
该式可通过逐层待定各下标取值后枚举各种情况得到证明。两个交变张量积可转换为两项克罗内克符号积的差,这有利于实际化简,即
27
×
27
→
9
×
9
−
9
×
9
27×27→9 × 9 - 9 × 9
27×27→9×9−9×9。
如证明标量三重积满足交换律,即证
a
⋅
(
b
×
c
)
=
b
⋅
(
c
×
a
)
=
c
⋅
(
a
×
b
)
\bm{a · (b × c) = b · (c × a) = c · (a × b)}
a⋅(b×c)=b⋅(c×a)=c⋅(a×b)
证
明
:
证明:
证明:
由
于
ϵ
i
j
k
a
i
b
j
c
k
=
ϵ
j
k
i
b
j
c
k
a
i
=
ϵ
k
i
j
c
k
a
i
b
j
,
故
由于\epsilon _{ijk}a_i b_j c_k =\epsilon _{jki} b_j c_k a_i = \epsilon _{kij}c_k a_i b_j,故
由于ϵijkaibjck=ϵjkibjckai=ϵkijckaibj,故
a
⋅
(
b
×
c
)
=
b
⋅
(
c
×
a
)
=
c
⋅
(
a
×
b
)
\bm{a · (b × c) = b · (c × a) = c · (a × b)}
a⋅(b×c)=b⋅(c×a)=c⋅(a×b)
再如证明向量三重积满足
a
×
(
b
×
c
)
=
(
a
⋅
c
)
b
−
(
a
⋅
b
)
c
\bm{a × (b × c) = (a · c)b - (a · b)c}
a×(b×c)=(a⋅c)b−(a⋅b)c
证
明
:
证明:
证明:
[
a
×
(
b
×
c
)
]
i
=
ϵ
i
j
k
a
j
ϵ
k
l
m
b
l
c
m
=
(
δ
i
l
δ
j
m
−
δ
i
m
δ
j
l
)
a
j
b
l
c
m
=
a
m
b
i
c
m
−
a
j
b
j
c
i
=
[
(
a
⋅
c
)
b
−
(
a
⋅
b
)
c
]
i
\bm{[a×(b×c)]_i} =\epsilon _{ijk} a_j \epsilon _{klm} b_l c_m = (\delta _{il} \delta _{jm} - \delta _{im} \delta _{jl})a_j b_l c _m =a_m b_i c_m - a_j b_j c_i = \bm{[(a · c)b - (a · b)c]_i}
[a×(b×c)]i=ϵijkajϵklmblcm=(δilδjm−δimδjl)ajblcm=ambicm−ajbjci=[(a⋅c)b−(a⋅b)c]i
场的梯度、散度和旋度
先定义哈密顿算符
∇
\nabla
∇,哈密顿算符具有微分和向量的双重性质。
[
∇
]
i
=
∂
∂
x
i
[\nabla]_i =\frac{\partial}{\partial x_i}
[∇]i=∂xi∂
由哈密顿算符可以导出梯度、散度和旋度的表达式。
梯
度
[
∇
f
]
i
=
∂
f
∂
x
i
(
8
)
梯度 \qquad [\nabla f]_i = \frac{\partial f}{\partial x_i} \qquad (8)
梯度[∇f]i=∂xi∂f(8)
散
度
∇
⋅
u
=
∂
u
i
∂
x
i
(
9
)
散度 \qquad \nabla · \bm{u} = \frac{\partial u_i}{\partial x_i} \qquad (9)
散度∇⋅u=∂xi∂ui(9)
旋
度
[
∇
×
u
]
i
=
ϵ
i
j
k
∂
u
k
∂
x
j
(
10
)
旋度 \qquad [\nabla × \bm{u}]_i =\epsilon_{ijk} \frac{\partial u_k}{\partial x_j} \qquad (10)
旋度[∇×u]i=ϵijk∂xj∂uk(10)
求梯度的散度
∇
⋅
(
∇
f
)
=
∂
2
f
(
∂
x
i
)
2
=
∇
2
f
\nabla · (\nabla f) =\frac{\partial ^2 f}{(\partial x_i)^2}=\nabla ^2 f
∇⋅(∇f)=(∂xi)2∂2f=∇2f
该式表明梯度的散度即是标量场的拉普拉斯运算。
求梯度的旋度
[
∇
×
(
∇
f
)
]
i
=
ϵ
i
j
k
∂
∂
x
j
∂
f
∂
x
k
=
ϵ
i
k
j
∂
∂
x
k
∂
f
∂
x
j
=
−
ϵ
i
j
k
∂
∂
x
j
∂
f
∂
x
k
=
0
(
11
)
[\nabla × (\nabla f)]_i = \epsilon _{ijk} \frac{\partial}{\partial x_j}\frac{\partial f}{\partial x_k} = \epsilon _{ikj} \frac{\partial}{\partial x_k}\frac{\partial f}{\partial x_j} =-\epsilon _{ijk} \frac{\partial}{\partial x_j}\frac{\partial f}{\partial x_k} = 0 \qquad (11)
[∇×(∇f)]i=ϵijk∂xj∂∂xk∂f=ϵikj∂xk∂∂xj∂f=−ϵijk∂xj∂∂xk∂f=0(11)
该式表明,所有保守场(即可表示为某个标量场的梯度)的旋度为0。
求散度的梯度
[
∇
(
∇
⋅
u
)
]
i
=
∂
∂
x
i
∂
u
j
∂
x
j
=
∂
2
u
j
∂
x
i
∂
x
j
[\nabla(\nabla · \bm{u})]_i = \frac{\partial}{\partial x_i}\frac{\partial u_j}{\partial x_j}=\frac{\partial ^2 u_j}{\partial x_i \partial x_j}
[∇(∇⋅u)]i=∂xi∂∂xj∂uj=∂xi∂xj∂2uj
该式已经化到最简,结果为向量。
求旋度的散度
∇
⋅
(
∇
×
u
)
=
∂
∂
x
i
ϵ
i
j
k
u
k
x
j
=
ϵ
j
i
k
∂
∂
x
j
∂
u
k
∂
x
i
=
−
ϵ
i
j
k
∂
∂
x
i
∂
u
k
x
j
=
0
(
12
)
\nabla · (\nabla × \bm{u}) = \frac{\partial}{\partial x_i} \epsilon _{ijk} \frac{u _k}{x _j}=\epsilon _{jik} \frac{\partial}{\partial x_j}\frac{\partial u_k}{\partial x_i} = -\epsilon _{ijk} \frac{\partial}{\partial x_i} \frac{\partial u _k}{x _j} = 0 \qquad(12)
∇⋅(∇×u)=∂xi∂ϵijkxjuk=ϵjik∂xj∂∂xi∂uk=−ϵijk∂xi∂xj∂uk=0(12)
该式表明,所有有旋场(即可表示为某个向量场的旋度)的散度为0。
求旋度的旋度
[
∇
×
(
∇
×
u
)
]
i
=
ϵ
i
j
k
∂
∂
x
j
ϵ
k
l
m
u
m
x
l
=
(
δ
i
l
δ
j
m
−
δ
i
m
δ
j
l
)
∂
2
u
m
∂
x
j
∂
x
l
=
∂
2
u
j
∂
x
j
∂
x
i
−
∂
2
u
i
∂
x
j
∂
x
j
=
[
∇
(
∇
⋅
u
)
−
∇
2
u
]
i
[\nabla × (\nabla × \bm{u})]_i = \epsilon _{ijk} \frac{\partial}{\partial x_j} \epsilon _{klm} \frac{u _m}{x _l}=(\delta _{il} \delta _{jm} - \delta _{im} \delta _{jl})\frac{\partial ^2 u_m}{\partial x_j \partial x_l}=\frac{\partial ^2 u_j}{\partial x_j \partial x_i}-\frac{\partial ^2 u_i}{\partial x_j \partial x_j}=[\nabla (\nabla · \bm{u}) - \nabla ^2 \bm{u}]_i
[∇×(∇×u)]i=ϵijk∂xj∂ϵklmxlum=(δilδjm−δimδjl)∂xj∂xl∂2um=∂xj∂xi∂2uj−∂xj∂xj∂2ui=[∇(∇⋅u)−∇2u]i
该式给出了向量场的拉普拉斯运算,即:
∇
2
u
=
∇
(
∇
⋅
u
)
−
∇
×
(
∇
×
u
)
(
13
)
\nabla ^2 \bm{u} = \nabla (\nabla · \bm{u}) - \nabla × (\nabla × \bm{u}) \qquad (13)
∇2u=∇(∇⋅u)−∇×(∇×u)(13)
可利用上式在推导有旋场的旋度时进行转换化简。
场量的梯度、散度和旋度
公式 | 意义3 |
---|---|
∇ ( f g ) = g ∇ f + f ∇ g \nabla(fg)= g\nabla f +f\nabla g ∇(fg)=g∇f+f∇g | 标量乘标量的梯度满足复合求导法则 |
∇ ⋅ ( f u ) = ∇ f ⋅ u + f ∇ ⋅ u \nabla· (f \bm{u})= \nabla f · \bm{u}+ f\nabla · \bm{u} ∇⋅(fu)=∇f⋅u+f∇⋅u | 标量乘向量的散度满足复合求导法则 |
∇ × ( f u ) = ∇ f × u + f ∇ × u \nabla× (f \bm{u})=\nabla f × \bm{u} + f\nabla × \bm{u} ∇×(fu)=∇f×u+f∇×u | 标量乘向量的旋度满足复合求导法则 |
∇ ⋅ ( u × v ) = ( ∇ × u ) ⋅ v − ( ∇ × v ) ⋅ u \nabla· ( \bm{u × v})= ( \bm{\nabla× u}) · \bm{v}-\bm{(\nabla× v}) · \bm{u} ∇⋅(u×v)=(∇×u)⋅v−(∇×v)⋅u | 向量叉乘的散度等于散度的点乘差 |
∇ × ( u × v ) = u ( ∇ ⋅ v ) + v ⋅ ∇ u − u ⋅ ∇ v − v ( ∇ ⋅ u ) \nabla× ( \bm{u × v})= \bm{u(\nabla · v)+v·\nabla u - u · \nabla v - v(\nabla · u)} ∇×(u×v)=u(∇⋅v)+v⋅∇u−u⋅∇v−v(∇⋅u) 4 | 向量叉乘的旋度等于散度和梯度的点乘差 |
∇ ( u ⋅ v ) = u × ( ∇ × v ) + v × ( ∇ × u ) + u ⋅ ∇ v + v ⋅ ∇ u \nabla ( \bm{u · v})= \bm{u ×(\nabla × v)+v×(\nabla × u) + u · \nabla v + v · \nabla u} ∇(u⋅v)=u×(∇×v)+v×(∇×u)+u⋅∇v+v⋅∇u | 向量点乘的梯度等于旋度的叉乘加梯度的点乘 |
以上各公式均可推导得到,下以最后一式的证明为例:
证
明
:
证明:
证明:
由
于
[
u
×
(
∇
×
v
)
]
i
=
ϵ
i
j
k
u
j
ϵ
k
l
m
∂
v
m
∂
x
l
=
(
δ
i
l
δ
j
m
−
δ
i
m
δ
j
l
)
u
j
∂
v
m
∂
x
l
=
u
j
∂
v
j
∂
x
i
−
u
j
∂
v
i
∂
x
j
由于\quad \bm{[u ×(\nabla × v)]}_i = \epsilon _{ijk} u_j \epsilon _{klm} \frac{\partial v _m}{\partial x _l} = (\delta _{il} \delta _{jm} - \delta _{im} \delta _{jl}) u_j \frac{\partial v_m}{ \partial x_l} = u_j \frac{\partial v_j} {\partial x_i} - u_j \frac{\partial v_i}{\partial x_j}
由于[u×(∇×v)]i=ϵijkujϵklm∂xl∂vm=(δilδjm−δimδjl)uj∂xl∂vm=uj∂xi∂vj−uj∂xj∂vi
同 理 , 互 换 字 母 就 有 [ v × ( ∇ × u ) ] i = v j ∂ u j ∂ x i − v j ∂ u i ∂ x j 同理,互换字母就有\quad \bm{[v ×(\nabla × u)]}_i = v_j \frac{\partial u_j} {\partial x_i} - v_j \frac{\partial u_i}{\partial x_j} 同理,互换字母就有[v×(∇×u)]i=vj∂xi∂uj−vj∂xj∂ui
所 以 [ u × ( ∇ × v ) + v × ( ∇ × u ) ] i = u j ∂ v j ∂ x i − u j ∂ v i ∂ x j + v j ∂ u j ∂ x i − v j ∂ u i ∂ x j = [ ∇ ( u ⋅ v ) − u ⋅ ∇ v − v ⋅ ∇ u ] i 所以\quad \bm{[u ×(\nabla × v)+v×(\nabla × u)]}_i =u_j \frac{\partial v_j} {\partial x_i} - u_j \frac{\partial v_i}{\partial x_j} + v_j \frac{\partial u_j} {\partial x_i} - v_j \frac{\partial u_i}{\partial x_j} = [\nabla \bm{(u · v) - u · \nabla v - v · \nabla u}]_i 所以[u×(∇×v)+v×(∇×u)]i=uj∂xi∂vj−uj∂xj∂vi+vj∂xi∂uj−vj∂xj∂ui=[∇(u⋅v)−u⋅∇v−v⋅∇u]i
移 项 后 就 有 ∇ ( u ⋅ v ) = u × ( ∇ × v ) + v × ( ∇ × u ) + u ⋅ ∇ v + v ⋅ ∇ u 移项后就有 \nabla ( \bm{u · v})= \bm{u ×(\nabla × v)+v×(\nabla × u) + u · \nabla v + v · \nabla u} 移项后就有∇(u⋅v)=u×(∇×v)+v×(∇×u)+u⋅∇v+v⋅∇u
在实际中熟练运用上述公式,可以简便场量运算。
曲面坐标系
拉梅系数
同直角坐标系均采用长度均为度量单位不同,曲面坐标系通过引入弧长使得能够用角度来表示曲面,从而存在角度与长度间的拉梅系数转换(也可以说是出于量纲统一的考虑)。一般而言,拉梅系数:
h
i
=
∂
l
i
∂
u
i
(
14
)
h_i = \frac{\partial l_i}{\partial u_i} \qquad (14)
hi=∂ui∂li(14)
即该坐标方向上的长度增量
∂
l
i
\partial l_i
∂li与坐标增量
∂
u
i
\partial u_i
∂ui的比值。
个人理解:在柱和球坐标系中,即为坐标向量所在平面的圆弧半径。
坐标系 | h 1 h_1 h1 | h 2 h_2 h2 | h 3 h_3 h3 |
---|---|---|---|
直角(x,y,z) | 1 | 1 | 1 |
柱 (ρ,φ,z) | 1 | ρ | 1 |
球 (r,θ,φ) | 1 | r | rsinθ |
公式
得到拉梅系数后,就可统一表达梯度、散度、拉普拉斯和旋度的求解公式。5
意义 | 公式 |
---|---|
梯度 | ∇ f = [ ∇ f h i ] i = ∂ f h i ∂ u i \nabla f =[\nabla \frac{f}{h_i}]_i = \frac{\partial f}{h_i\partial u_i} ∇f=[∇hif]i=hi∂ui∂f |
散度 | ∇ ⋅ A = ∇ ⋅ A i = ∂ ( h ! i A i ) h ∗ ∂ u i \nabla · \bm{A} = \nabla ·A_i = \frac{\partial (h_{! i} A_i)}{h_*\partial u_i} ∇⋅A=∇⋅Ai=h∗∂ui∂(h!iAi) |
拉普拉斯 | ∇ 2 f = ∇ ⋅ [ ∇ f h i ] i = ∂ h ∗ ∂ u i ( h ! i ∂ f h i ∂ u i ) \nabla ^2 f =\nabla · [\nabla \frac{f}{h_i}]_i = \frac{\partial }{h_*\partial u_i} (\frac{h_{!i}\partial f}{h_i\partial u_i} ) ∇2f=∇⋅[∇hif]i=h∗∂ui∂(hi∂uih!i∂f) |
旋度 | ∇ × A = ϵ i j k ∇ j ⋅ A k = ϵ i j k ∂ ( h k A k ) h ! i ∂ u j \nabla × \bm{A} =\epsilon_{ijk}\nabla_j · A_k=\epsilon_{ijk} \frac{\partial(h_k A_k)}{h_{!i} \partial u_j} ∇×A=ϵijk∇j⋅Ak=ϵijkh!i∂uj∂(hkAk) |
感觉也没简单多少(兀然)
在具体问题分析中,往往直接记下相应的公式会更加简便,虽然实际问题求解时更多考察微元的选取。
参照《Vector Calculus》该书的《Suffix Notation and its Applications》章节 ↩︎
矩阵和求和表示属个人理解,推导尚缺严谨性 ↩︎
此部分亦属个人概念阐释,方便直观理解 ↩︎
新定义算符 u ⋅ ∇ = u j ∂ ∂ x j \bm{u ·\nabla}=u_j \frac{\partial}{\partial x_j} u⋅∇=uj∂xj∂,同拉普拉斯算符 ∇ 2 \nabla ^2 ∇2一样,既可作用于标量,也可作用于向量 ↩︎
定义 h i h_i hi表示第i个拉梅系数, h ! i h_{!i} h!i表示除 h i h_i hi外的两个拉梅系数的乘积, h ∗ h_* h∗表示所有拉梅系数的乘积,均为标量。如对于 h 1 h_1 h1,则 h ! 1 = h 2 h 3 , h ∗ = h 1 h 2 h 3 h_{!1} =h_2 h_3,h_* = h_1 h_2 h_3 h!1=h2h3,h∗=h1h2h3 ↩︎