Deduce the parabolic equation: ∂ T ‾ ∂ t ‾ = ∂ 2 T ‾ ∂ x ‾ 2 \frac{\partial \overline{T}}{\partial\overline{t}}=\frac{\partial^2 \overline{T}}{\partial\overline{x}^2} ∂t∂T​=∂x2∂2T​

Your deduction can be based on heat conduction process, or you can select other physical process if you need a high grade.

h e a t f l u x i n = − K A ∂ T ∂ x ∣ x , t ( k i s a p h y s i c s c o n s t a n t ) heat~flux~in=-KA\frac{\partial T}{\partial x}|_{x,t}(k~is~a~physics~constant) heat flux in=−KA∂x∂T​∣x,t​(k is a physics constant)
h e a t f l u x i n = − K A ∂ T ∂ x ∣ x + Δ t , t heat~flux~in=-KA\frac{\partial T}{\partial x}|_{x+\Delta t,t} heat flux in=−KA∂x∂T​∣x+Δt,t​
c h a n g e o f h e a t p e r t : c v A Δ x ∂ T ∂ t change ~of~heat~per~t:c_vA\Delta x\frac{\partial T}{\partial t} change of heat per t:cv​AΔx∂t∂T​
W e c o u l d w r i t e t h e b a l a n c e e q u a t i o n : c v A Δ x ∂ T ∂ t = − K A ∂ T ∂ x ∣ x , t + K A ∂ T ∂ x ∣ x + Δ t , t We~could~write~the~balance~equation: c_vA\Delta x\frac{\partial T}{\partial t}=-KA\frac{\partial T}{\partial x}|_{x,t} +KA\frac{\partial T}{\partial x}|_{x+\Delta t,t} We could write the balance equation:cv​AΔx∂t∂T​=−KA∂x∂T​∣x,t​+KA∂x∂T​∣x+Δt,t​
∂ T ∂ t = k c v 1 Δ x ( ∂ T ∂ x ∣ x + Δ t , t − ∂ T ∂ x ∣ x , t ) \frac{\partial T}{\partial t}=\frac{k}{c_v}\frac{1}{\Delta x}(\frac{\partial T}{\partial x}|_{x+\Delta t,t}-\frac{\partial T}{\partial x}|_{x,t}) ∂t∂T​=cv​k​Δx1​(∂x∂T​∣x+Δt,t​−∂x∂T​∣x,t​)
t a k e t h e l i m i t : ∂ T ∂ t = k c v ∂ 2 T ∂ x 2 take~the~limit:\frac{\partial T}{\partial t}=\frac{k}{c_v}\frac{\partial^2 T}{\partial x^2} take the limit:∂t∂T​=cv​k​∂x2∂2T​
s e l e c t n o n d i m e n s i o n a l v a r i a b l e s x ‾ t ‾ T ‾ x ‾ = x L T ‾ = t t s c a l e T ‾ = T T 0 select~nondimensional~variables~\overline{x} ~\overline{t}~\overline{T} \overline{x}=\frac{x}{L}~~~~\overline{T}=\frac{t}{t_scale}~~\overline{T}=\frac{T}{T_0} select nondimensional variables x t Tx=Lx​    T=ts​calet​  T=T0​T​
∂ T ∂ t = ∂ T ‾ T 0 ∂ t ‾ t s c a l e = T 0 t s c a l e ∂ T ‾ ∂ t ‾ ∂ 2 T ∂ x 2 = ∂ 2 T ‾ T 0 ∂ ( x ‾ L ) 2 = T 0 L 2 ∂ 2 T ‾ ∂ x ‾ 2 T 0 t s c a l e ∂ T ‾ ∂ t ‾ = T 0 L 2 ∂ 2 T ‾ ∂ x ‾ 2 ∗ k c v ∴ ∂ T ‾ ∂ t ‾ = ∂ 2 T ‾ ∂ x ‾ 2 f o r t s c a l e = c v L 2 k \frac{\partial T}{\partial t}=\frac{\partial \overline{T}T_0}{\partial \overline{t}t_scale}=\frac{T_0}{t_scale}\frac{\partial \overline{T}}{\partial\overline{t}}\\ \frac{\partial^2 T}{\partial x^2}=\frac{\partial^2 \overline{T}T_0}{\partial (\overline{x}L)^2}=\frac{T_0}{L^2}\frac{\partial^2 \overline{T}}{\partial\overline{x}^2}\\ \frac{T_0}{t_scale}\frac{\partial \overline{T}}{\partial\overline{t}}=\frac{T_0}{L^2}\frac{\partial^2 \overline{T}}{\partial\overline{x}^2}*\frac{k}{c_v}\\ \\ \therefore \frac{\partial \overline{T}}{\partial\overline{t}}=\frac{\partial^2 \overline{T}}{\partial\overline{x}^2}~for~t_{scale}=\frac{c_vL^2}{k} ∂t∂T​=∂tts​cale∂TT0​​=ts​caleT0​​∂t∂T​∂x2∂2T​=∂(xL)2∂2TT0​​=L2T0​​∂x2∂2T​ts​caleT0​​∂t∂T​=L2T0​​∂x2∂2T​∗cv​k​∴∂t∂T​=∂x2∂2T​ for tscale​=kcv​L2​
One of my familiar process is Brownian motion, resulting from the random movements and collisions of the particles which is closely related to the very beginning of random process. Also, other related physical process is diffusion function:

The equation is usually written as:
∂ Φ ( r , t ) ∂ t = ▽ [ D ( Φ , r ) ▽ Φ ( r , t ) ] \frac{\partial{\Phi(r,t)}}{\partial t}=\bigtriangledown [D(\Phi,r)\bigtriangledown \Phi(r,t)] ∂t∂Φ(r,t)​=▽[D(Φ,r)▽Φ(r,t)]
where ϕ(r, t) is the density of the diffusing material at location r and time t and D(ϕ, r) is the collective diffusion coefficient for density ϕ at location r; and ∇ represents the vector differential operator. If the diffusion coefficient depends on the density then the equation is nonlinear, otherwise it is linear.

The equation above applies when the diffusion coefficient is isotropic; in the case of anisotropic diffusion, D is a symmetric positive definite matrix, and the equation is written (for three dimensional diffusion) as:
∂ Φ ( r , t ) ∂ t = ∑ i = 1 3 ∑ j = 1 3 ∂ ∂ t [ D i j ( ϕ , r ) ∂ Φ ( r , t ) ∂ x j ] \frac{\partial{\Phi(r,t)}}{\partial t}=\sum_{i=1}^{3}\sum_{j=1}^{3}\frac{\partial{}}{\partial t}[D_{ij}(\phi,r)\frac{\partial{\Phi(r,t)}}{\partial x_j}] ∂t∂Φ(r,t)​=i=1∑3​j=1∑3​∂t∂​[Dij​(ϕ,r)∂xj​∂Φ(r,t)​]
If D is constant, then the equation reduces to the following linear differential equation:
∂ Φ ( r , t ) ∂ t = D ▽ 2 Φ ( r , t ) \frac{\partial{\Phi(r,t)}}{\partial t}=D\bigtriangledown ^2\Phi(r,t) ∂t∂Φ(r,t)​=D▽2Φ(r,t)
which is identical to the heat equation I deduced above.

Reference: Diffusion_equation

热传导偏微分方程的推导相关推荐

  1. 差分法数值求解热传导偏微分方程

    代码和推导文档可以在这里下载:差分法求解热传导偏微分方程Matlab代码 1.热传导偏微分方程 热传导方程,是传热数中,经典的数学方程.这里说的热传导方程,不仅仅是指传热学中的方程,而是指与热传导偏微 ...

  2. 一维热传导方程 matlab隐式解,一维热传导偏微分方程的数值解的matlab程序问题出在哪儿?...

    我现在编写了一个求解一维热传导的偏微分方程,调程序都调了好多天了 不知道问题在哪儿,求各位高手帮忙看一下好么? 我在此表示万分感谢 需求解的方程看图片,我的程序如下 %---------------- ...

  3. 热传导偏微分方程的求解

    heat-flow problem solution ∂ T ‾ ∂ t ‾ = ∂ 2 T ‾ ∂ x ‾ 2 \frac{\partial \overline{T}}{\partial\overl ...

  4. React-mentions 库介绍

    React-mentions 库介绍 最近需要做一个类似微博评论功能@用户的功能,手写JS的效率很低,所以使用 React-mentions 库实现这个功能.看了一下网上没中文介绍,所以自己看完英文介 ...

  5. 偏微分方程的物理含义

    偏微分方程的物理含义 1.实际问题采用偏微分方程的原因 2.偏微分方程的物理含义 (1) 双曲型方程.其代表是 波动方程 (2)抛物型方程.其代表是 热传导方程 (3) 椭圆型方程.其代表是 拉普拉斯 ...

  6. 读《微波工程(第三版)》笔记 (4:波方程和基本平面波的解)

    目录 亥姆霍兹方程 推导 无耗媒质中的平面波 无耗平面波的解形式 入射和反射 相速和群速 相速(和波长) 群速 磁场的解及波阻抗 一般有耗媒质中的平面波 有耗媒质平面波的解 衰减 磁场解及波阻抗 良导 ...

  7. 第1节 欧式期权价格

    第1节 欧式期权价格 1.1 简介 1.2 Python 代码实现计算 1.3 细节说明 1.3.1 参数说明 1.3.2 价格和价值 1.3.3 正态分布累计概率函数N(x)N(x)N(x) 1.3 ...

  8. 数值方法3:偏微分方程1:使用有限差分法解一维热传导(扩散)方程

    初学练习,看b站课程,教学为matlab代码,自己写的Python代码,后面会放b站课程链接,感兴趣的同学可以学习观看. 说明:Python初学者,代码可能不够漂亮,欢迎大家批评指正.本系列代码用no ...

  9. 偏微分方程(Partial Differential Equation I)

    本站已停止更新,查看最新内容请移至本人博客 Wilen's Blog 数学物理方法 偏微分方程的定解问题 定解问题及适定性 线性叠加原理 一阶(拟)线性偏微分方程 二阶线性偏微分方程的分类和标准式 波 ...

最新文章

  1. AngularJS基于模块化的MVC实现
  2. php随机数字不重复使等式成立_当随机数遇上量子
  3. 腾讯AI Lab刘霁谈机器学习,异步计算和去中心化是两大杀器
  4. 计算机配置里 无 管理模板,组策略里打开后没有管理模板
  5. CF Gym100917 C
  6. 在SSP中查询某个用户Profile信息的SQL语句
  7. python十大必备知识_学Python必备的基础知识
  8. 使用HttpWebRequest方式访问外部接口
  9. python 数据去重 max()_荐 用 Python 对 Excel 表格内数据进行去重、分类,标记异常及分析...
  10. fgetc 与 getc的区别
  11. 根据首字母排序英文名c语言,英文名按首字母排序的问题
  12. 学习OpenCV2——Mat之通道的理解
  13. Often Misused: Authentication 一个ip日志你还要我怎样
  14. input 表单的type属性
  15. 【备赛必读】2021年 全国大学生英语竞赛 命题大纲
  16. Linux远程登陆到Linux服务器
  17. Java笔记总结(一)
  18. MVC 和 MVVM 详解
  19. 前端——CSS部分总结
  20. 测试内存是否够用的软件,Windows 10多大内存够用?16GB基本属于浪费!

热门文章

  1. java基础(适合零基础)持续更新
  2. ESP8266+SH1106 OLED屏实现天气预报+温度显示+NTP时间同步6屏带中文显示V7.5版
  3. 雷军曾说芯片将如沙子那么便宜,然而沙子涨价促使芯片进一步涨价
  4. C语言设计的管理系统,C语言设计订单管理系统探索.doc
  5. 通过VMware Horizon Client访问虚拟机
  6. 学习参考 | 从运动学到机械臂控制
  7. Winform知识扩展-------右键菜单与InputBox弹出式输入框
  8. 挖煤小伙带你SSH安全加固
  9. 管网建模之基本公式篇
  10. Flink最全面教程(自己总结的)