首页 > 其他分享 >高斯公式对高斯定理的推导

高斯公式对高斯定理的推导

时间:2024-05-28 18:55:19浏览次数:20  
标签:partial 高斯 推导 cdot 高斯定理 vec frac mathrm

目录

这里主要讨论多元微分学中学到的高斯公式对于物理上的高斯定理的推导(目前是对于静电荷的高斯定理)。本身想连着Stokes公式一大堆一块写,但是考虑到工程量太大了,所以尝试分篇来写吧。

前置定理基础

标准的高斯公式的形式如下(推导略)

\[\iiint_{\Omega}(\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z})\mathrm{d}x\mathrm{d}y\mathrm{d}z = \iint_{\partial \Omega}(P\mathrm{d}y\mathrm{d}z+Q\mathrm{d}z\mathrm{d}x+R\mathrm{d}x\mathrm{d}y) \]

其中 \(\Omega \subset R^3\) 为一有界区域, \(\partial \Omega\) 表示其定向封闭曲面外侧。当 \(\Omega\) 内任意点上式均有意义时公式成立。
将上式推广至向量形式,对于一微分的面积向量 \(\mathrm{d}\vec{S}\) 有 \(\mathrm{d}\vec{S}=(\mathrm{d}y\mathrm{d}z,\mathrm{d}z\mathrm{d}x,\mathrm{d}x\mathrm{d}y)\)
取向量 \(\vec{F}=(P,Q,R)\) 那么有

\[\vec{F}\cdot\mathrm{d}\vec{S} = (P\mathrm{d}y\mathrm{d}z+Q\mathrm{d}z\mathrm{d}x+R\mathrm{d}x\mathrm{d}y)\\ \nabla \cdot \vec{F} = (\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z}) \]

所以高斯公式还可以写为

\[\int_{\partial \Omega}\vec{F}\cdot\mathrm{d}\vec{\sigma} = \int_{\Omega}\nabla\cdot\vec{F}\mathrm{d}\vec{\mu} \]

其中 \(\sigma , \mu\) 分别表示面积微元和体积微元。
除此之外还需要点电荷场强公式 \(\vec{E} = \frac{q}{4\pi\varepsilon_0 r^3}\vec{r}\)

证明过程

由电场叠加定理,我们可以把复杂的电荷分布情况化简为单一点电荷的情况。假设该点电荷的电荷量为 \(q\) ,位置在 \((a,b,c)\) ,那么可以写出任意高斯面的电通量为

\[\Phi_{\partial D} = \int_{\partial D}\vec{E}\cdot\mathrm{d}\vec{S}\\ =\frac{q}{4\pi\varepsilon_0}\int_{\partial D}\frac{\vec{r}}{r^3}\cdot\mathrm{d}\vec{S} \]

取 \(\vec{F} = \frac{\vec{r}}{r^3}\) ,有

\[\vec{F} = \frac{(x-a,y-b,z-c)}{[(x-a)^2+(y-b)^2+(z-c)^2]^{\frac{3}{2}}} \]

代入前置准备的高斯公式,可得

\[\begin{aligned} \int_{\partial D}\frac{\vec{r}}{r^3}\cdot\mathrm{d}\vec{S} &= \int_{D}\nabla\cdot\vec{F}\mathrm{d}\vec{V}\\ &=\int_D(\frac{\partial P}{\partial x} + \frac{\partial Q}{\partial y} + \frac{\partial R}{\partial z})\mathrm{d}\vec{V}\\ &=\int_D(\frac{1}{r^3}-\frac{3(x-a)^2}{r^5}+\frac{1}{r^3}-\frac{3(y-b)^2}{r^5}+\frac{1}{r^3}-\frac{3(z-c)^2}{r^5})\mathrm{d}\vec{V}\\ &=0 \end{aligned} \]

但这是不对的。因为如果 \((a,b,c)\in D\) ,那么在点 \((a,b,c)\)处该式子是无意义的,不能应用高斯公式。按照与格林公式遇到相似问题时的类似处理方式,可以将 \((a,b,c)\)周围的一小部分挖去,分别求两面之间的积分和挖去面的积分再求差即可。
那么根据上式,当点电荷不在高斯面内部时,高斯面的电通量为0。点电荷在高斯面内部时,高斯面的电通量与高斯面形状无关。
现在特殊地取一半径为 \(r_0\) ,球心为点电荷位置的球面为高斯面。由于球面处处电场方向与面积微元方向相同,向量内积可退化为标量乘法。于是可得

\[\begin{aligned} \Phi_{\partial D} &= \int_{\partial D}\vec{E}\cdot\mathrm{d}\vec{S}\\ &=\frac{q}{4\pi\varepsilon_0}\int_{\partial D}\frac{\vec{r}}{r_0^3}\cdot\mathrm{d}\vec{S}\\ &=\frac{q}{4\pi\varepsilon_0}\int_{\partial D}\frac{1}{r_0^2}\mathrm{d}S\\ &=\frac{q}{4\pi\varepsilon_0}\cdot 4\pi r_0^2 \cdot \frac{1}{r_0^2}\\ &=\frac{q}{\varepsilon_0} \end{aligned} \]

因此单个点电荷对于任意高斯面产生的电通量为

\[\Phi_{\partial D} = \begin{cases} \frac{q}{\varepsilon_0}, & \text{if}\;(a,b,c) \in D\\ 0, & \text{else} \end{cases} \]

根据电场叠加定理,对于多个点电荷的情况就有

\[\Phi_{\partial D}=\sum \Phi_{i\partial D} =\frac{1}{\varepsilon_0} \sum_{(a_i,b_i,c_i)\in D}q_i \]

推广到连续电荷有

\[\Phi_{\partial D}=\frac{1}{\varepsilon_0}\int_D\rho\mathrm{d}V \]

改写为高斯定理的标准形式为

\[\Phi_E = \oint \vec{E}\cdot\mathrm{d}\vec{S}=\frac{1}{\varepsilon_0}\sum_{S内} q_i = \frac{1}{\varepsilon_0}\int \rho \mathrm{d}V \]

参考资料

除参考PPT外,在推导以及实际编写过程中还参考了以下文章:

标签:partial,高斯,推导,cdot,高斯定理,vec,frac,mathrm
From: https://www.cnblogs.com/orzlsw/p/18218470

相关文章

  • 推导2维镜像变换(Reflection Transform)的公式
    我们知道2维的旋转变换公式为Q=(......
  • 【扩频通信】混沌扩频通信matlab仿真,混沌信号 高斯噪声 调制解调
    ✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。......
  • 最小二乘法-超详细推导(转换为矩阵乘法推导,矩阵求导推导)
    最小二乘法就是让均方误差最小。下面是损失函数转换为矩阵方式的详解如何让其最小,在导数为0的地方取极小值。问:导数为0的地方可能去极大值,也可能是极小值,凭什么说导数为0就是极小值?答:因为使用的是均方误差,他是一个凹函数,导数为0的点即为最小值和极小值。建议学习一下线......
  • 高斯消元学习笔记
    高斯消元学习笔记其实这个主题能够复活主要还是粘了\(\text{LGV}\)引理的光,不然我还不知道高斯消元其实不光能求解线性方程组。求解线性方程组这个只能说是典中典了,我不相信没有一个人的高斯消元不是从这里开始的。我们考虑求解线性方程组的本质:将每一个式子所有未知数前都......
  • TS泛型:接口、类、约束、类型推导与默认参数、泛型工具
    泛型是用来创建可重用的组件的,是一种传递类型的方式,一个组件可以支持多种类型的数据常用的泛型标识符T(Type):代表Type,在定义泛型时通常用作第一个类型变量名。K(Key):表示对象中的键类型V(Value):表示对象中的值类型E(Element):表示元素类型1.泛型函数2.泛型接口interface......
  • Python列表解析式(又称列表推导式)
    概况嵌套列表解析式又称嵌套列表推导式,功能非常强大,但是初学者难以摸清其书写规则。以下实例展示了嵌套列表解析的写法。嵌套列表解析表达是的书写规则是层层嵌套。嵌套层的一般形式为:foroutterininner。根据需要解析的嵌套层次深度,此一般形式可以从左到右接续写若干个......
  • 异常处理与推导式
    异常处理【一】什么是异常异常就是程序在运行当中遇到的报错为了程序的健壮性要捕获异常后进行处理断掉程序 / 重启程序 / 进入指定处理流程【二】捕获异常if捕获不到异常,要用python自带的捕获语句try:...except:...【三】异常捕获详细对代码熟悉,能确保代码报错是哪......
  • linux安装华为高斯数据库
     华为安装部署流程:https://doc.hcs.huawei.com/db/zh-cn/gaussdbqlh/2.23.07.210/install/qlh_04_0025.html高斯数据库文档说明书下载:https://support.huawei.com/enterprise/zh/cloud-computing/gaussdb-pid-251517148https://www.modb.pro/db/11248用docker快速安装:https:/......
  • 基于高斯混合模型的视频背景提取和人员跟踪算法matlab仿真
    1.算法运行效果图预览    2.算法运行软件版本MATLAB2013B 3.算法理论概述      基于高斯混合模型(GaussianMixtureModel,GMM)的视频背景提取和人员跟踪算法是一种广泛应用的计算机视觉方法,主要用于分离视频序列中的静态背景和动态前景(比如人物运动)。 ......
  • 玻尔兹曼能量分布律及麦克斯韦速度分布推导
    一点无关紧要的题外话这部分的内容个人感觉与后续内容的关联性没有那么大,且比较抽象(反正我很晕),所以就简单看看就行吧。玻尔兹曼分布律玻尔兹曼能量分布定律是一个统计规律,它表明气体分子干能量有一确定分布。假设在能量区间\(\varepsilon_i\sim\varepsilon_i+\Delta\varep......