梯度、散度、旋度与麦克斯韦方程组
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)=x2+y2+z2f(x,y,z)=x^2+y^2+z^2f(x,y,z)=x2+y2+z2。F⃗=<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:
grad(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=<2x,2y,2z>\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F⃗=<P,Q,R>\vec{F}=<P,Q,R>F=<P,Q,R>为例子,则:
div(F⃗)=▽⋅F⃗=<∂∂x,∂∂y,∂∂z>⋅<P,Q,R>=∂P∂x+∂Q∂y+∂R∂zdiv(\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F⃗\vec{F}F刚好是f(x,y,z)对应的梯度场,即F⃗=<2x,2y,2z>\vec{F}=<2x,2y,2z>F=<2x,2y,2z>则:
div(F⃗)=2+2+2=6div(\vec{F})=2+2+2=6div(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:
curl(F⃗)=▽×F⃗=∣i^j^k^∂∂x∂∂x∂∂zPQR∣=<Ry−Qz,Pz−Rx,Qx−Py>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F⃗=▽f\vec{F}=\triangledown fF=▽f, 则:
curl(F⃗)=0curl (\vec{F})=0curl(F)=0
推论:假如F⃗\vec{F}F是梯度,则curlF⃗curl{\vec{F}}curlF=0
2. Gauss-Green 定理与Stokes 定理
线积分
上图中,F⃗\vec{F}F是空间中的矢量场, C是含有方向的线段。则F⃗\vec{F}F对C的积分(理解为物理上的功)可以表示为:
∫CF⃗dr⃗=∫CPdx+Qdy+Rdz\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F⃗\vec{F}F对曲面S的积分表示通量(Flux),即:
Flux=∬SF⃗⋅n^dSFlux=\iint_{S}\vec{F}\cdot\hat{n}dSFlux=∬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,F⃗\vec{F}F在D的每一个区域都定义且可微,则下式成立:
∯SF⃗⋅dS⃗=∭Ddiv(F⃗)dV\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,F⃗\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:
∮CF⃗⋅dr⃗=∬Scurl(F⃗)⋅n^dS\oint_C\vec{F}\cdot d\vec{r}=\iint_Scurl(\vec{F})\cdot \hat{n}dS∮CF⋅dr=∬Scurl(F)⋅n^dS
即:
∮CF⃗⋅dr⃗=∬S(▽×F⃗)⋅n^dS\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F⃗\vec{F}F是梯度场,则线积分是路径无关的。
例如,在上图中,
∫C1F⃗⋅dr⃗−∫C2F⃗⋅dr⃗=∯C:C=C1−C2F⃗⋅dr⃗=stokes∬Scurl(F⃗)⋅dS⃗\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∫C1F⃗⋅dr⃗=∫C2F⃗⋅dr⃗\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。
梯度、散度、旋度与麦克斯韦方程组相关推荐
- 很好的理解梯度 散度 旋度 下三角运算 费曼物理讲义
很好的理解梯度 散度 旋度 下三角运算 费曼物理讲义 https://www.zhihu.com/question/24074028/answer/26657334 英文版本 https://www ...
- 正交曲面系下梯度散度旋度公式速记
正交曲面系下梯度散度旋度公式速记 1. 回忆正交曲面系的度量系数hih_ihi 记每种坐标系中不同的3个分量分别为u1u_{1}u1 u2u_{2}u2 u3u_{3}u3,其度量系数分别为 ...
- 梯度 散度 旋度的理解(笔记)
梯度: 运算的对像是纯量,运算出来的结果会是向量在一个纯量场中, 梯度的计算结果会是"在每个位置都算出一个向量,而这个向量的方向会是在任何一点上从其周围(极接近的周围,学过微积分该知道甚么叫 ...
- 深入浅出地讲解麦克斯韦方程组
花了好长好长时间写的,转载请注明作者. ======================================= 题主简直坑爹.不讲微积分怎么给你讲麦克斯韦方程组?你不知道麦克斯韦方程组里面每个 ...
- divgrad怎么求_[怎样理解圆柱坐标系和球坐标系求梯度.散度]球坐标系梯度如何求...
怎样理解圆柱坐标系和球坐标系求梯度.散度.旋度公式 记住公式好办 你先记住哈密顿算子▽ 他表示一个矢量算子(注意): ▽≡i*d/dx+j*d/dy+k*d/dz 运算规则: 一.▽A=(i*d/dx ...
- 四元数得出的哈密顿算子,引发的梯度散度(通量密度)旋度(环量密度),这才是麦克斯韦微分电磁方程中的参数(而不是直观的变化率是导数。)是理解麦克斯韦方程的钥匙
基础篇2: 梯度.散度与旋度 本篇将介绍基于矢量运算所得到的三个重要物理概念:梯度(Gradient).散度(Divergence)和旋度(Curl).关于矢量的基本运算见前文: 燕飞残月天:基础篇1 ...
- 梯度的直观理解_关于梯度、旋度和散度的直观理解
关于梯度.旋度和散度的直观理解 散度为零,说明是无源场:散度不为零时,则说明是有源场(有正源或负源) 若你的场是一个流速场,则该场的散度是该流体在某一点单位时间流出单位体积的净流量. 如果在某点,某场 ...
- 柱坐标系下的ns方程_麦克斯韦方程组小结
一.▽ 算子.点积.叉积 l▽ 算子叫"del"算子,即<< span="">∂/∂x,∂/∂y,∂/∂z>,可以理解为一个符号向量,向 ...
- 最美的公式:你也能懂的麦克斯韦方程组(微分篇)
在上一篇文章<最美的公式:你也能懂的麦克斯韦方程组(积分篇)>里,长尾科技带着大家从零开始一步一步认识了麦克斯韦方程组的积分形式,这篇文章我们就来看看它的微分形式. 在积分篇里,我们一直在 ...
- 叉积 微分 恒等式_最美的公式:你也能懂的麦克斯韦方程组(微分篇)(下)...
上篇:最美的公式:你也能懂的麦克斯韦方程组(微分篇)(上) 11梯度.散度和旋度 ▽算子不是一个矢量,除非你把它作用在一个函数上,否则它没啥意义.但是,它在各个方面的表现确实又像一个矢量,只要你把▽算 ...
最新文章
- NTU 课程笔记:ERIC(3) 开展研究
- 4 Skills that will Dramatically Increase Your Chance of Thriving as a Multipotentialite2017-12-09
- Windows 下,使用 Pycharm + Anaconda(NumPy,SciPy 等集成包)的环境配置
- ipad和iphone切图_如何在iPhone和iPad上的Messages App中固定对话
- 数据结构之求二叉树的所有叶子和以及叶子总数
- matlab resample,resample matlab实现
- 使用CreateFile读写文件
- Ajax请求利用jsonp实现跨域
- windows截图c语言,window 截取屏幕,并实现jpeg压缩
- TensorFlow AlexNet
- 01-09 Linux三剑客-awk
- 关于IE插件开发(一)——COM组件开发加法
- Raid0/raid1/raid5磁盘阵列数据恢复思路
- Arduino Nano技术指标
- cout 声明与定义
- Windows fatal exception: code 0xe06d7363
- 分享Linux 机器 CPU 毛刺问题排查经历
- 计算机app无法删除,电脑软件卸载不掉怎么办?软件删除不掉解决技巧
- 小班计算机游戏教案,小班游戏教案10篇
- 数位统计 dp 问题