球坐标下的 Laplace 算子推导

球坐标下的 Laplace 算子推导

Ciallo~(∠・ω< )⌒★ 我是赤川鹤鸣!在学习球谐函数的时候,第一次听说球坐标下的 Laplace 算子这一概念. 在查阅了一些资料后,现在整理出球坐标下拉普拉斯算子的推导公式.

1. 球坐标

我们非常熟悉的坐标系是初中时学习过的具有 \(2\) 个维度 \(x\)\(y\) 的平面直角坐标系. 然后在高中,我们将平面直角坐标系拓展到了具有 \(3\) 个维度的空间直角坐标系,下图(引用自球坐标系 - 小时百科)就是用 \(x\)\(y\)\(z\) 三个互相垂直的维度表示的空间直角坐标系.

./img/球坐标系.svg

如果想定义球坐标,在我们熟悉的这个空间直角坐标系中建立定义是最简便的.

在空间直角坐标系中存在某一点 \(P\),那么

名称 符号 定义 约束
位矢(position vector) \(\boldsymbol {r}\) 坐标原点\(O\)(球心)到点 \(P\) 的向量 \(\vec{OP}\). -
位矢的模 \(r\) 位矢\(\boldsymbol {r}\) 的模长,即点 \(P\) 与坐标原点 \(O\) 的距离. \(r \geq 0\)
极角(polar angle) \(\theta\) 位矢\(\boldsymbol {r}\)\(z\) 轴的夹角. $\theta \in [0, \pi] $
方位角(azimuthal angle) \(\phi\) \(\boldsymbol {r}\)\(xOy\) 平面上的投影与 \(x\) 轴的夹角. $\phi \in [0, \ 2 \pi) $ 或 $ (−\pi,\ \pi] $

因此,点 \(P\) 可以用 \((r, \ \theta, \ \phi)\)\(3\) 个有序实数来表示,称为该点的球坐标(spherical coordinates).

当然,我们可以把球坐标系中的坐标转化到空间直角坐标系中的坐标.

根据图中角与向量的关系,我们可以得到位矢在空间直角坐标系中的分量

\[\boldsymbol{x} = \sin{\theta} \cos{\phi} \boldsymbol{\hat{x}} \]

\[\boldsymbol{y} = \sin{\theta} \sin{\phi} \boldsymbol{\hat{y}} \]

\[\boldsymbol{z} = \cos{\theta} \boldsymbol{\hat{z}} \]

其中,\(\boldsymbol{\hat{x}} = (1, \ 0, \ 0)^T\)\(\boldsymbol{\hat{y}} = (0, \ 1, \ 0)^T\)\(\boldsymbol{\hat{z}} = (0, \ 0, \ 1)^T\),它们是空间直角坐标系中的一组单位基.

因此,单位位矢 \(\boldsymbol {\hat{r}}\) 可以表达为

\[\boldsymbol {\hat{r}} = \boldsymbol {x} + \boldsymbol {y} + \boldsymbol {z} \]

那么引入常量 \(r\),位矢就可以表达为

\[\boldsymbol{r} = r \cdot \boldsymbol {\hat{r}} \]

2. 拉梅系数

球坐标系虽然定义在空间坐标系中,但是空间坐标系的 \(x\)\(y\)\(z\) 在三个方向上都可以分别从负无穷取到正无穷;然而,在球坐标系中,\(r\) 必须大于或等于 \(0\)\(\theta\)\(\phi\) 的定义域也都有自己的限制,从这个角度上说,它们都没法取到实数域上的每一个值.

如果我们按照三个维度等分整个空间坐标系会发生什么?比如说,我们按照 \(0.01\) 为边长,把整个空间坐标系按 \(x\)\(y\)\(z\) 三个维度切割后,就会得到很多很多边长为 \(0.01\) 的完全相同的小块.

然而在球坐标系中,两个带角度的维度的稍稍变化会在球面上划出一个曲面,而稍稍拉长一下位矢,但不改变位矢的方向,就会让这个曲面向外微微膨胀,但这个小块不是一个正方体,而是像一个稍稍掰弯的六面体.

可见,球坐标系看起来不太寻常!空间坐标系看起来是“均匀”的,但球坐标系是“不均匀”的.

请观察我绘制的这个小块的图像. 在空间坐标系下,假设点 \(P\) 产生了 \((\mathrm{d} x, \ \mathrm{d}y, \ \mathrm{d}z)\) 的位移,那么沿着这三个维度的形成了一个边长(弧长)分别为 $ \mathrm{d} l_x,\mathrm{d} l_{y}, \mathrm{d} l_{z} $ 的六面体,称为微元.

./img/微元.jpg

我们知道球坐标系和平面坐标系存在着差异,因此它们的微元弧长也存在某种关系.

\(u_i\) 这个基(轴)为例,弧长 \(\mathrm{d} l_i\) 满足下式

\[\mathrm{d} l_i = H_i \mathrm{d} u_i \]

如果在 \(n\) 个基上定义了位矢 \(\boldsymbol{r} = (u_1, u_2, \dots, u_n)^T\) ,那么就有

\[\mathrm{d} \boldsymbol{r} = \sum_{i=1}^n \dfrac{\partial \boldsymbol{r}}{\partial u_i} \mathrm{d} u_i \]

其中 \(\dfrac{\partial \boldsymbol{r}}{\partial u_i}\) 称为切矢.

我们通常希望用一个单位基向量来表示切矢,那么就有

\[\dfrac{\partial \boldsymbol{r}}{\partial u_i} = H_i \boldsymbol{\hat{u}_i} \]

其中 \(\boldsymbol{\hat{u}_i}\) 是单位基向量,\(H_i\) 称为拉梅系数.

实际上,拉梅系数表示了在这个单位基上微元的“边长”. 特别地,空间直角坐标系的拉梅系数为 \(H_x = H_y = H_z = 1\),这也解释了它的“均匀性”.

3. 正交曲线坐标系

对球坐标系中的位矢 \(\boldsymbol {r}\) 求微分

\[\mathrm{d} \boldsymbol{r} = \dfrac{\partial \boldsymbol{r}}{\partial r} \mathrm{d}r + \dfrac{\partial \boldsymbol{r}}{\partial \theta} \mathrm{d} \theta + \dfrac{\partial \boldsymbol{r}}{\partial \phi} \mathrm{d} \phi \]

将式代入得

\[\mathrm{d} \boldsymbol{r} = \left( \boldsymbol {x} + \boldsymbol {y} + \boldsymbol {z} \right) \mathrm{d} r + r \left( \cos{\theta} \cos{\phi} \boldsymbol{\hat{x}} + \cos{\theta} \sin{\phi} \boldsymbol{\hat{y}} - \sin{\theta} \boldsymbol{\hat{z}} \right) \mathrm{d} \theta + r \sin{\theta} \left( -\sin{\phi} \boldsymbol{\hat{x}} + \cos{\phi} \boldsymbol{\hat{y}} \right) \mathrm{d} \phi \\ \]

观察式子里的这三项

\[\boldsymbol {\hat{r}} = \boldsymbol {x} + \boldsymbol {y} + \boldsymbol {z} \]

\[\boldsymbol {\hat{\theta}} = \cos{\theta} \cos{\phi} \boldsymbol{\hat{x}} + \cos{\theta} \sin{\phi} \boldsymbol{\hat{y}} - \sin{\theta} \boldsymbol{\hat{z}} \]

\[\boldsymbol {\hat{\phi}} = -\sin{\phi} \boldsymbol{\hat{x}} + \cos{\phi} \boldsymbol{\hat{y}} \]

计算其模长发现

\[\begin{align*}| \boldsymbol {\hat{r}}| &= \sqrt{ \sin^2{\theta} \cos^2{\phi} + \sin^2{\theta} \sin^2{\phi} + \cos^2{\theta}} \\&= \sqrt{ \sin^2{\theta} (\cos^2{\phi} + \sin^2{\phi}) + \cos^2{\theta}} \\ &= \sqrt{ \sin^2{\theta} + \cos^2{\theta}} \\&= 1 \end{align*} \]

\[\begin{align*}| \boldsymbol {\hat{\theta}}| &= \sqrt{ \cos^2{\theta} \cos^2{\phi} + \cos^2{\theta} \sin^2{\phi} + \sin^2{\theta}} \\&= \sqrt{ \cos^2{\theta} (\cos^2{\phi} + \sin^2{\phi}) + \sin^2{\theta}} \\ &= \sqrt{ \cos^2{\theta} + \sin^2{\theta}} \\&= 1 \end{align*} \]

\[\begin{align*}| \boldsymbol {\hat{\phi}}| &= \sqrt{ \sin^2{\theta} + \cos^2{\theta}} \\&= 1 \end{align*} \]

\[\begin{align*}\boldsymbol {\hat{r}} \cdot \boldsymbol {\hat{\theta}} &= \sin{\theta} \cos{\theta} \cos^2{\phi} + \sin{\theta} \cos{\theta} \sin^2 -{\phi} - \sin{\theta} \cos{\theta} \\&= \sin{\theta} \cos{\theta} \left( \sin^2{\theta} + \cos^2{\theta} \right) - \sin{\theta} \cos{\theta} \\&= \sin{\theta} \cos{\theta} - \sin{\theta} \cos{\theta} \\&= 0 \end{align*} \]

\[\begin{align*}\boldsymbol {\hat{r}} \cdot \boldsymbol {\hat{\phi}} &= - \sin{\theta} \sin{\phi} \cos{\phi} + \sin{\theta} \sin{\phi} \cos{\phi} \\&= 0 \end{align*} \]

\[\begin{align*}\boldsymbol {\hat{r}} \cdot \boldsymbol {\hat{\phi}} &= - \cos{\theta} \cos{\phi} \sin{\phi} + \cos{\theta} \sin{\phi} \cos{\phi} \\&= 0 \end{align*} \]

因此可知,\(\boldsymbol {\hat{r}}\)\(\boldsymbol {\hat{\theta}}\)\(\boldsymbol {\hat{\phi}}\) 是单位正交向量.

若对空间中任意一点,式中的三个矢量都两两正交,那么这个曲线坐标系就是正交曲线坐标系(orthogonal curvilinear coordinate system). 球坐标系、柱坐标系、抛物线坐标系和椭圆坐标系,乃至直角坐标系都是一种曲线坐标系.

因此式可化为

\[\mathrm{d} \boldsymbol{r} = \boldsymbol{\hat{r}} \mathrm{d}r + r \boldsymbol{\hat{\theta}} \mathrm{d}\theta + r \sin{\theta} \boldsymbol{\hat{\phi}} \mathrm{d}\phi \]

易知拉梅系数分别为 \(H_1 = 1\)\(H_2 = r\)\(H_2 = r \sin{\theta}\).

4. 梯度与 Nabla 算子

我们在正交曲线坐标系中定义梯度

\[\nabla u(\boldsymbol{r}) = \dfrac{1}{H_1} \dfrac{\partial u}{\partial u_1} \boldsymbol{\hat{u_1}} + \dfrac{1}{H_2} \dfrac{\partial u}{\partial u_2} \boldsymbol{\hat{u_2}} + \dfrac{1}{H_3} \dfrac{\partial u}{\partial u_3} \boldsymbol{\hat{u_3}} \]

注意,正是因为在正交曲线坐标系中,我们才带上了拉梅系数,回想起空间直角坐标系中我们的拉梅系数均为 \(1\).

因此,根据式求出的拉梅系数,球坐标上对函数 \(u(\boldsymbol{r})\) 的梯度为

\[\nabla u(\boldsymbol{r}) = \dfrac{\partial u}{\partial r} \boldsymbol{\hat{r}} + \dfrac{1}{r} \dfrac{\partial u}{\partial \theta} \boldsymbol{\hat{\theta}} + \dfrac{1}{r \sin{\theta}} \dfrac{\partial u}{\partial \phi} \boldsymbol{\hat{\phi}} \]

其中,\(\nabla\)Nabla 算子

\[\nabla = \dfrac{\partial}{\partial r} \boldsymbol{\hat{r}} + \dfrac{1}{r} \dfrac{\partial}{\partial \theta} \boldsymbol{\hat{\theta}} + \dfrac{1}{r \sin{\theta}} \dfrac{\partial}{\partial \phi} \boldsymbol{\hat{\phi}} \]

5. 散度与 Laplace 算子

我们在正交曲线坐标系中定义散度

\[\Delta u(\boldsymbol{r}) = \dfrac{1}{H_1 H_2 H_3} \left[ \dfrac{\partial u }{\partial u_1} \left( \dfrac{H_2 H_3}{H_1} \dfrac{\partial u}{\partial u_1} \boldsymbol{\hat{u_1}} \right) + \dfrac{\partial u }{\partial u_2} \left( \dfrac{H_1 H_3}{H_2} \dfrac{\partial u}{\partial u_2} \boldsymbol{\hat{u_2}} \right) +\dfrac{\partial u}{\partial u_3} \left( \dfrac{H_1 H_2}{H_3} \dfrac{\partial u}{\partial u_3} \boldsymbol{\hat{u_3}} \right) \right] \]

注意 \(H_1 H_2 H_3\) 相当于微元体的体积,且拉梅系数 \(H_i\) 不一定是常数.

因此,根据式求出的拉梅系数,球坐标上对函数 \(u(\boldsymbol{r})\) 的散度为

\[\Delta u(\boldsymbol{r}) = \dfrac{1}{r^2 \sin{\theta}} \left[ \dfrac{\partial u }{\partial r} \left( r^2 \sin{\theta} \dfrac{\partial u}{\partial r} \boldsymbol{\hat{r}} \right) + \dfrac{\partial u }{\partial \theta} \left( \sin{\theta} \dfrac{\partial u}{\partial \theta} \boldsymbol{\hat{\theta}} \right) +\dfrac{\partial u}{\partial \phi} \left( \dfrac{1}{\sin{\theta}} \dfrac{\partial u}{\partial \phi} \boldsymbol{\hat{\phi}} \right) \right] \]

整理上式,得

\[\Delta u(\boldsymbol{r}) = \dfrac{1}{r^2} \dfrac{\partial u }{\partial r} \left( r^2 \dfrac{\partial u}{\partial r} \boldsymbol{\hat{r}} \right) + \dfrac{1}{r^2 \sin{\theta}}\dfrac{\partial u }{\partial \theta} \left( \sin{\theta} \dfrac{\partial u}{\partial \theta} \boldsymbol{\hat{\theta}} \right) + \dfrac{1}{r^2 \sin{\theta}}\dfrac{\partial u}{\partial \phi} \left( \dfrac{1}{\sin{\theta}} \dfrac{\partial u}{\partial \phi} \boldsymbol{\hat{\phi}} \right) \]

注意求偏导的时候,与其无关的变量都可以视为常数提出. 当然,你可以把括号里的每一项都求偏导打开,但是这样整个式子会非常长且不优雅.

其中,\(\Delta\)Laplace 算子,也可以写作是 \(\nabla^2\),即

\[\Delta =\nabla^2= \dfrac{1}{r^2} \dfrac{\partial }{\partial r} \left( r^2 \dfrac{\partial }{\partial r} \boldsymbol{\hat{r}} \right) + \dfrac{1}{r^2 \sin{\theta}}\dfrac{\partial }{\partial \theta} \left( \sin{\theta} \dfrac{\partial }{\partial \theta} \boldsymbol{\hat{\theta}} \right) + \dfrac{1}{r^2 \sin{\theta}}\dfrac{\partial }{\partial \phi} \left( \dfrac{1}{\sin{\theta}} \dfrac{\partial }{\partial \phi} \boldsymbol{\hat{\phi}} \right) \]

现在我们求出了球坐标系下的 Laplace 算子,下一期我们来推导球坐标系中 Laplace 方程的通解,从而得到球谐函数的表达式.

【参考资料/文献】

  • 球谐函数 - 小时百科
  • 球坐标系 - 小时百科
  • 正交曲线坐标系 - 小时百科
  • 浅谈:拉梅系数那些事儿 - 知乎
  • 数学基础 | 正交曲线坐标系中梯度、散度、旋度的理解与记忆 - 知乎

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/822766.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

对通用骨架提取方法的改进

01 骨架提取的任务引入 骨架(或中轴线)具有在二进制形状和自然图像中提供紧凑而有意义的对象表示的潜力(以下简称为“形状”和“图像”),适用于图像表示和各种多媒体应用。在实践中,对象骨架通常以图形格式编码,即“骨架图”,以便于骨架修剪、匹配、分类和分析任务。为…

为什么要用云服务器

使用云服务器的原因有:一、灵活性和可扩展性;二、降低成本;三、高可用性和容错性;四、快速部署和弹性资源;五、备份和恢复;六、全球范围的访问等。灵活性和可扩展性是指,云服务器允许用户根据实际需求灵活地调整计算、存储和网络资源,从而满足不同业务场景的需求。一、…

如何在Linux上配置高可用的本地代码仓库(如GitLab)

​在Linux系统上部署和维护本地代码仓库,如GitLab,确保高可用性对于企业是至关重要的。本文将指导你完成以下步骤:1. 选择合适的硬件和操作系统;2. 安装和配置GitLab;3. 配置负载均衡;4. 数据备份与恢复;5. 监控与报警。通过本文,你将获得在Linux上部署高可用GitLab仓库…

js逆向实战之某网游登录参数password加密

声明:本篇文章仅用于知识分享,不得用于其他用途 网址:https://www.37.com/ 加密逻辑访问网址,输入用户名和密码,看触发哪些数据包。注意:这里的流量包要选择all,如果选择fetch/XHR则看不到任何数据包。明显看到password被加密了,先去搜索url中的关键字api/login.php。可…

什么是循环神经网络(RNN)

循环神经网络(Recurrent Neural Network,RNN)是一种深度学习模型,专门设计用于处理序列数据和时间序列问题。它具有一种独特的结构,允许信息在网络内部进行循环传递,以处理前后相关性和时序性。RNN的关键特性是它具有内部循环结构,可以接受来自上一个时间步的输出作为当…

只需初中数学知识就能理解人工智能大语言模型51

全面解释人工智能LLM模型的真实工作原理(一) 人工智能 #大语言模型LLM #机器学习ML #深度学习 #数据挖掘序言:为了帮助更多人理解,我们将分成若干小节来讲解大型语言模型(LLM)的真实工作原理,从零开始,不需额外知识储备,只需初中数学基础(懂加法和乘法就行)。本文包…

gitee如何上传大文件 ​

上传大文件到gitee需遵循以下步骤:1.了解gitee对文件大小的限制;2.利用Git LFS(Large File Storage)工具;3.配置git属性文件;4.提交大文件到仓库;5.推送改动到gitee。开始上传大文件前,首先要对gitee的文件大小限制有所了解。1.了解gitee对文件大小的限制 在使用gitee时…

如何进行机器人导航?

机器人导航的核心是确保机器人能在环境中有效、安全地移动。这包括以下步骤:1.使用传感器获取环境信息;2.地图生成与更新;3.确定机器人的位置和方向;4.规划路径;5.避障策略。首先,你需要确保机器人拥有准确的传感器和硬件。1.使用传感器获取环境信息 每种机器人都需要对其…

回溯法解决图着色问题

此为课题组所指导本科生和低年级硕士生学习组合优化问题汇报 所用教材:北京大学屈婉玲教授《算法设计与分析》 课程资料:https://www.icourse163.org/course/PKU-1002525003 承诺不用于任何商业用途,仅用于学术交流和分享更多内容请关注许志伟课题组官方中文主页:https://J…

纳米芯片和微型芯片有什么区别

随着半导体技术的不断进步,纳米芯片和微型芯片已经成为电子设备中不可或缺的组成部分。尽管两者在外观上可能难以区分,但在制造工艺、性能、应用领域以及未来发展趋势等方面,它们展现出了各自的特点和差异。本文深入探讨了纳米芯片与微型芯片的区别:1.尺寸和制造精度;2.电…

高级语言程序设计作业第四次

2024高级语言程序设计:https://edu.cnblogs.com/campus/fzu/2024C 高级语言程序设计课程第四次作业:https://edu.cnblogs.com/campus/fzu/2024C/homework/13293 学号:072303426 姓名:王子博 按照老师要求的题目顺序展示截图感悟:老师的作业,让我对C语言有了更加深刻的理解…

Coding和Github有什么区别

Coding和Github的区别主要体现在:1.来源和发展背景不同;2.功能特性不同;3.使用者群体不同;4.可用资源不同;5.服务区域和语言支持不同。总的来说,Coding更侧重于团队协作和项目管理,有更多针对中国市场的本土化服务,而Github作为全球最大的开源社区,拥有丰富的开源项目…