(二十三)张量场函数的散度与旋度
本文主要内容如下:
- 1. 不变性微分算子
- 2. 散度
- 3. 旋度
- 4. Laplace 算子
1. 不变性微分算子
Hamilton 算子(Nabla 算子)又称作不变性微分算子,这是因为它对张量场所作微分运算的形式不随坐标系的改变而改变,如:在不同坐标系{Xi′−G⃗i′}\{\mathscr{X}^{i'}-\vec{\mathscr{G}}_{i'}\}{Xi′−Gi′}与{xi−g⃗i}\{x^i-\vec{g}_i\}{xi−gi} 中计算张量的梯度
▽T=G⃗i′∂T∂Xi′=G⃗i′(∂T∂xj∂xj∂Xi′)=(∂xj∂Xi′G⃗i′)∂T∂xj=(βi′jG⃗i′)∂T∂xj=g⃗j∂T∂xj\bigtriangledown\bold T =\vec{\mathscr{G}}^{i'}\dfrac{\partial\bold T}{\partial\mathscr{X}^{i'}} =\vec{\mathscr{G}}^{i'}\left(\dfrac{\partial\bold T}{\partial x^j}\frac{{\partial x^j}}{\partial\mathscr{X}^{i'}}\right) =\left(\frac{{\partial x^j}}{\partial\mathscr{X}^{i'}}\vec{\mathscr{G}}^{i'}\right)\dfrac{\partial\bold T}{\partial x^j} =(\beta^{j}_{i'}\vec{\mathscr{G}}^{i'})\dfrac{\partial\bold T}{\partial x^j} =\vec{g}^j\dfrac{\partial\bold T}{\partial x^j}▽T=Gi′∂Xi′∂T=Gi′(∂xj∂T∂Xi′∂xj)=(∂Xi′∂xjGi′)∂xj∂T=(βi′jGi′)∂xj∂T=gj∂xj∂T
2. 散度
对于 r(r≥1)r(r\ge 1)r(r≥1) 阶张量场 T\bold TT,定义:
左散度:▽⋅T≜g⃗i⋅∂T∂xi≜divT右散度:T⋅▽≜∂T∂xi⋅g⃗i左散度:\bigtriangledown\cdot\bold{T}\triangleq\vec{g}^i\cdot\frac{\partial \bold T}{\partial x^i}\triangleq div\bold T\\\ \\ 右散度:\bold{T}\cdot\bigtriangledown\triangleq\frac{\partial \bold T}{\partial x^i}\cdot\vec{g}^i左散度:▽⋅T≜gi⋅∂xi∂T≜divT 右散度:T⋅▽≜∂xi∂T⋅gi
显然,一般
▽⋅T≠T⋅▽\bigtriangledown\cdot\bold{T}\ne\bold{T}\cdot\bigtriangledown▽⋅T=T⋅▽
举例:
- 向量场的散度:
▽⋅v⃗=v⃗⋅▽=v;ii=v,ii+vjΓiji=v,ii+1g∂g∂xjvj=1g∂(gvj)∂xj\bigtriangledown\cdot\vec{v}=\vec{v}\cdot\bigtriangledown=v^i_{;i} =v^i_{,i}+v^j\Gamma_{ij}^{i} =v^i_{,i}+\dfrac{1}{\sqrt{g}}\dfrac{\partial\sqrt{g}}{\partial x^j}v^j =\dfrac{1}{\sqrt{g}}\dfrac{\partial(\sqrt{g}v^j)}{\partial x^j}▽⋅v=v⋅▽=v;ii=v,ii+vjΓiji=v,ii+g1∂xj∂gvj=g1∂xj∂(gvj) - 二阶张量场的散度:
▽⋅A=A;iijg⃗j=A∙ji∣;ig⃗jA⋅▽=A;jijg⃗i=Ai∙j∣;jg⃗i\bigtriangledown\cdot\bold{A}=A^{ij}_{;i}\vec{g}_j=A_{\bullet j}^{i}|_{;i}\vec{g}^{j}\\\ \\ \bold{A}\cdot\bigtriangledown=A^{ij}_{;j}\vec{g}_i=A^{\bullet j}_{i}|_{;j}\vec{g}^{i}▽⋅A=A;iijgj=A∙ji∣;igj A⋅▽=A;jijgi=Ai∙j∣;jgi
通过上式可知:对称二阶张量的左右散度相等。 - 三阶张量场的散度:
▽⋅T=A;iijkg⃗jg⃗kA⋅▽=A;jikjg⃗ig⃗k\bigtriangledown\cdot\bold{T}=A^{ijk}_{;i}\vec{g}_j\vec{g}_k\\\ \\ \bold{A}\cdot\bigtriangledown=A^{ikj}_{;j}\vec{g}_i\vec{g}_k▽⋅T=A;iijkgjgk A⋅▽=A;jikjgigk
书写规则:
- 由于梯度点乘时总是自带逆变基,因此为方便点积,将张量分量靠近Nabla 算子的指标取为逆变指标,从而省去度量张量的分量;
- 张量分量靠近Nabla 算子的指标与协变导数的坐标指标相同,其余指标与基向量的指标形成哑指标。
3. 旋度
对于 r(r≥1)r(r\ge 1)r(r≥1) 阶张量场 T\bold TT,定义:
左散度:▽×T≜g⃗i×∂T∂xi≜curlT=ϵ:(▽T)右散度:T×▽≜∂T∂xi×g⃗i=(T▽):ϵ左散度:\bigtriangledown\times\bold{T}\triangleq\vec{g}^i\times\frac{\partial \bold T}{\partial x^i}\triangleq curl\bold T=\epsilon:(\bigtriangledown\bold{T})\\\ \\ 右散度:\bold{T}\times\bigtriangledown\triangleq\frac{\partial \bold T}{\partial x^i}\times\vec{g}^i=(\bold{T}\bigtriangledown):\epsilon左散度:▽×T≜gi×∂xi∂T≜curlT=ϵ:(▽T) 右散度:T×▽≜∂xi∂T×gi=(T▽):ϵ
显然,一般
▽×T≠T×▽\bigtriangledown\times\bold{T}\ne\bold{T}\times\bigtriangledown▽×T=T×▽
举例:矢量场的旋度
▽×v⃗=vj;iϵijkg⃗k=(vj,i−vmΓjim)ϵijkg⃗k=vj,iϵijkg⃗k=1g∣g⃗1g⃗2g⃗3∂∂x1∂∂x2∂∂x3v1v2v3∣v⃗×▽=vj;iϵjikg⃗k=−▽×v⃗\bigtriangledown\times\vec{v}=v_{j;i}\epsilon^{ijk}\vec{g}_k =(v_{j,i}-v_m\Gamma^m_{ji})\epsilon^{ijk}\vec{g}_k =v_{j,i}\epsilon^{ijk}\vec{g}_k =\frac{1}{\sqrt{g}}\begin{vmatrix} \vec{g}_1 & \vec{g}_2 & \vec{g}_3 \\\\ \dfrac{\partial}{\partial x^1} & \dfrac{\partial}{\partial x^2} & \dfrac{\partial}{\partial x^3} \\\\ v_1 & v_2 & v_3 \end{vmatrix}\\\ \\ \vec{v}\times\bigtriangledown=v_{j;i}\epsilon^{jik}\vec{g}_k=-\bigtriangledown\times\vec{v}▽×v=vj;iϵijkgk=(vj,i−vmΓjim)ϵijkgk=vj,iϵijkgk=g1∣∣g1∂x1∂v1g2∂x2∂v2g3∂x3∂v3∣∣ v×▽=vj;iϵjikgk=−▽×v
书写规则:
- 由于梯度点乘时总是自带逆变基,为方便叉积,将张量分量靠近Nabla 算子的指标取为协变指标,从而省去度量张量的分量;
- 旋度的分量由协变导数与置换张量的逆变分量组成。
命题 给定向量场 v⃗\vec{v}v,则反对称张量场
12(v⃗▽−▽v⃗),12(−v⃗▽+▽v⃗)\dfrac{1}{2}(\vec{v}\bigtriangledown-\bigtriangledown\vec{v}),\dfrac{1}{2}(-\vec{v}\bigtriangledown+\bigtriangledown\vec{v})21(v▽−▽v),21(−v▽+▽v)
的对偶矢量分别为:
ω⃗1=12(▽×v⃗),ω⃗2=12(v⃗×▽)\vec{\omega}_1=\dfrac{1}{2}(\bigtriangledown\times\vec{v}),\vec{\omega}_2=\dfrac{1}{2}(\vec{v}\times\bigtriangledown)ω1=21(▽×v),ω2=21(v×▽)
证明如下:
ω⃗=−14ϵ:(v⃗▽−▽v⃗)=−14(v⃗×▽−▽×v⃗)=12▽×v⃗\begin{aligned} &\vec{\omega}=-\dfrac{1}{4}\epsilon:(\vec{v}\bigtriangledown-\bigtriangledown\vec{v})\\\\ &\ \ =-\dfrac{1}{4}(\vec{v}\times\bigtriangledown-\bigtriangledown\times\vec{v})\\\\ &\ \ =\dfrac{1}{2}\bigtriangledown\times\vec{v} \end{aligned}ω=−41ϵ:(v▽−▽v) =−41(v×▽−▽×v) =21▽×v
4. Laplace 算子
定义 r(r≥1)r(r\ge 1)r(r≥1) 阶张量场 T\bold TT 的Laplace 算子:
▽2T=▽⋅(▽T)=div(gradT)\bigtriangledown^2\bold T=\bigtriangledown\cdot(\bigtriangledown \bold T)=div(grad\bold T)▽2T=▽⋅(▽T)=div(gradT)
若 ▽2T=0\bigtriangledown^2\bold T=0▽2T=0 则称 T\bold TT 是调和的。
举例:标量场的Laplace 算子
▽2ϕ=▽⋅(▽ϕ)=▽⋅(ϕ,ig⃗i)=gij(ϕ,i);j=gij(ϕ,ij+ϕ,mΓijm)=(gijϕ,i);j=(gijϕ,i),j+gimϕ,iΓmjj=(gimϕ,i),m+gimϕ,i1g∂g∂xm=1g∂(ggimϕ,i)∂xm\begin{aligned} &\bigtriangledown^2\phi=\bigtriangledown\cdot(\bigtriangledown\phi)=\bigtriangledown\cdot(\phi_{,i}\vec{g}^i)\\\\ &\quad\quad\ =g^{ij}(\phi_{,i})_{;j}=g^{ij}(\phi_{,ij}+\phi_{,m}\Gamma^m_{ij})\\\\ &\quad\quad\ =(g^{ij}\phi_{,i})_{;j}=(g^{ij}\phi_{,i})_{,j}+g^{im}\phi_{,i}\Gamma^j_{mj}\\\\ &\quad\quad\ =(g^{im}\phi_{,i})_{,m}+g^{im}\phi_{,i}\frac{1}{\sqrt{g}}\frac{\partial \sqrt{g}}{\partial x^m}=\frac{1}{\sqrt{g}}\frac{\partial (\sqrt{g}g^{im}\phi_{,i})}{\partial x^m} \end{aligned}▽2ϕ=▽⋅(▽ϕ)=▽⋅(ϕ,igi) =gij(ϕ,i);j=gij(ϕ,ij+ϕ,mΓijm) =(gijϕ,i);j=(gijϕ,i),j+gimϕ,iΓmjj =(gimϕ,i),m+gimϕ,ig1∂xm∂g=g1∂xm∂(ggimϕ,i)
(二十三)张量场函数的散度与旋度相关推荐
- 图解向量场、散度、旋度(二维平面)
图解向量场.散度.旋度(二维平面) 1.向量场(Vector Fields) 1.1 流场 1.2 引力场 1.3 磁场 1.4 电场 1.5 二维向量场函数 2.散度(Divergence) 2.1 ...
- 化繁为简,一张图看懂梯度、散度、旋度、Jacobian、Hessian和Laplacian
来源|王赟 Maigo@知乎,https://zhuanlan.zhihu.com/p/35323714 本文仅作学术分享,如有侵权,请联系后台作删文处理. 一.入门 图中的细实线箭头表示了四种一阶微 ...
- 中计算散度的函数_梯度、散度、旋度
一.麦克斯韦基于四元数观点导出散度与旋度 已知的最早的关于散度和旋度的描述都来自麦克斯韦1873年的<A Treatise on Electricity and Magnetism>(电磁 ...
- 一张图看懂梯度、散度、旋度、Jacobian、Hessian和Laplacian
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者|王赟 Maigo@知乎(已授权) 来源|https://zhu ...
- 有关对梯度、散度、旋度的纯数学理解
声明:由于笔者只是一名大一并且非数学系的本科生,以下内容基于自己的理解与参考了几位博主的blog通俗易懂的讲解梯度,散度,旋度(有图很好理解)!!!(算是对这个博客的通俗理解吧)所以想深度了解的请转向 ...
- 向量场的散度和旋度_散度和旋度的物理意义是什么?
我在数学书中看到散度和旋度的时候,如果不结合物理来理解这两个数学公式的话,不过是平平无奇的曲线积分.曲面积分的一个应用而已.数学书上提到这两个公式的目的应该也是为了加深对曲线积分.曲面积分的理解. 有 ...
- matlab电磁场散度与旋度,梯度、散度和旋度大揭秘
一.基本概念理解 1.方向导数:在函数定义域内的点,对某一方向求导得到的导数. 2.梯度:是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值. 3.通量:在流体运动中,单位时间内流 ...
- 普遍意义下矢量的散度和旋度表达式以及它们的矩阵形式的推导
现有任意一个三维矢量A⃗\vec AA(高维矢量的情况类似): (1)A⃗=A1e^q1+A2e^q2+A3e^q3\vec A=A_1\hat e_{q_1}+A_2\hat e_{q_2}+A_3 ...
- 梯度、散度和旋度及在图像处理中的应用(图像融合)
对于有些人,看这些枯燥的公式符号是件痛苦的事情:但痛苦后总会有所欣喜,如果你充分利用它的话,你更能体会到他的美妙:先来几张效果图,激发你学习数学的欲望: 注释:图像融合效果,分别应用了不同的算法 ...
- 云计算设计模式(二十三)——Throttling节流模式
云计算设计模式(二十三)--Throttling节流模式 控制由应用程序使用,一个单独的租户或整个服务的一个实例的资源的消耗.这样的模式能够同意系统继续执行并满足服务水平协议.即使当添加需求的资源放置 ...
最新文章
- 高德地图关键字搜索oc版
- 一文读懂熔断器和重试机制
- 扫描枪读条码数据在单片机串口电路的读取与显示
- linux 该用户组id,linux用户和用户组的一些基本知识
- java color类 蓝色_java color类简介
- java 常量 类型_Java的常量及数据类型
- php上传图片文件常用的几个方法
- 为什么基于接口而非实现编程?
- Hadoop 架构已凋谢 ?!
- 详解JAVA的getBytes()方法
- js 骂人不带脏字 (!(~+[]) + {})[--[~+][+[]] * [~+[]] + ~~!+[]] + ({} + [])[[~!+[]] * ~+[]] 图解...
- 解析rosbag数据并使用websocket发送到客户端
- python中复数的乘法_不一致的numpy复数乘法结果
- 智能枕头的功能及工作原理
- Dapr学习(2)之Rancher2.63(k8sk3s)环境安装Dapr
- operator*() 和 operator-()
- Sound Forge2020音频编辑软件直装汉化直装免费版
- 【Go入门】Socks5代理服务器实现 翻译api调用 | 青训营笔记
- 微信小程序云数据库实现登录
- vue+element上传多张图片和图片展示