首页 > 其他分享 >球坐标下的 Laplace 算子推导

球坐标下的 Laplace 算子推导

时间:2024-10-27 14:09:27浏览次数:1  
标签:phi partial 推导 dfrac boldsymbol 算子 theta hat Laplace

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 \(x\) 和 \(y\) 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 \(x\)、\(y\) 和 \(z\) 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\(\boldsymbol {r}\) 与 \(z\) 轴的夹角. $\theta \in [0, \pi] $
方位角(azimuthal angle) \(\phi\) \(\boldsymbol {r}\) 在 \(xOy\) 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 \((r, \ \theta, \ \phi)\) 这 \(3\) 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 \(0\),\(\theta\) 和 \(\phi\) 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.

以 \(u_i\) 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,\(\nabla\) 为 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,\(\Delta\) 为 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】

标签:phi,partial,推导,dfrac,boldsymbol,算子,theta,hat,Laplace
From: https://www.cnblogs.com/AkagawaTsurunaki/p/18508287

相关文章

  • 我和chatgpt问答-微分方程与算子、复杂的结构
    问题:微分方程中是否含有充分复杂的结构,才使得方程尤其是微分方程难解是的,微分方程,尤其是非线性微分方程,通常包含非常复杂的结构,这些结构使得它们在解析求解上极其困难。以下是一些导致微分方程难解的复杂结构因素:1.非线性结构非线性项:微分方程中的非线性项(如(y^2)、(e^y......
  • 扩展欧几里得算法公式快速推导
    主要是写在这里供自己以后复习查阅所用。求特解由辗转相除法(欧几里得算法)可得\(\gcd(a,b)=\gcd(b,a\bmodb)\)由裴蜀定理,存在\(x,y\)使得\(xa+yb=\gcd(a,b)\),存在\(x',y'\)使得\(x'b+y'(a\bmodb)=\gcd(b,a\bmodb)\)所以\(xa+yb=x'b+y'(a\bmodb)\)又因......
  • 【闲谈程序设计例三则:抛弃传统单步进初级阶段,用推导归纳出来的规律写代码,进入进阶阶段
    闲谈程序设计三则:抛弃传统单步进,用推导归纳出来的规律写代码。本论坛常见新学提问都是一些入门级别的问题,近来AI活跃抢答,然而,对于有些问题AI可以说是答非所问,令人哭笑不得,而AI能回答的通常也只是极普通的算法,这样的算法随便搜索多如牛毛,因此,AI目前决不可能超越人类的能力,下面......
  • LTE 基于快速哈达玛hadamard变换SSS辅同步信号SSS检测之hadamard变换公式推导
    LTESSSs序列生成的阶数为31阶,所以hadamard矩阵的阶数为32阶,定义一个32阶的hadamard矩阵H32,下面进行hadamard快速变换公式推导继续分解后面公式的推导小编还在继续......
  • 线性可分支持向量机的原理推导【补充知识部分】9-10最大化函数max α,β L(x,α,β)关
    本文是将文章《线性可分支持向量机的原理推导》中的公式单独拿出来做一个详细的解析,便于初学者更好的理解。在主文章中,有一个部分是关于补充拉格朗日对偶性的相关知识,此公式即为这部分里的内容。公式9-10是基于公式9-9的进一步引申,它通过引入拉格朗日乘子,将约束优化问......
  • 协方差矩阵推导1
    $P_{[k]}$$=E(e_{[k]}e_{[k]}^{\mathrm{T}})$\(=E(((I-K_{[k]}H_{{m}})e_{[k]}^{-}-K_{[k]}v_{[k]})((I-K_{[k]}H_{\mathrm{m}})e_{[k]}^{-}-K_{[k]}v_{[k]})^T)\)\(=E(((I-K_{[k]}H_{m})e_{[k]}^{-}-K_{[k]}v_{[k]})(e_{[k]}^{-}{}^{\mathrm{T}}(I-K_{[k]}H_{m})^......
  • FlashAttention逐代解析与公式推导
    StandardAttention标准Attention计算可以简化为:\[O=softmax(QK^T)V\tag{1}\]此处忽略了AttentionMask和维度归一化因子\(1/\sqrt{d}\)。公式(1)的标准计算方式是分解成三步:\[S=QK^T\tag{2}\]\[P=softmax(S)\tag{3}\]\[O=PV\tag{4}\]但这样做的问题在于,假设\(......
  • Python基础07_推导式&函数
    目录一、推导式1、列表推导式2、字典推导式3、集合推导式4、元组推导式二、函数1、定义函数1.1def语句1.2函数的调用1.3return语句2、函数参数3、返回值4、匿名函数5、变量作用域6、函数的内存分配7、函数自调用(递归)一、推导式 Python推导式是一种独......
  • C++(nullptr、类型推导、初始化列表、)
    1.nullptr(掌握)nullptr是C++11推出的新的空指针,用于代替C语言的NULL。#include<iostream>usingnamespacestd;voidfunc(inti){cout<<"A"<<i<<endl;}voidfunc(char*c){cout<<"B"<<c<<en......
  • 小北的技术博客:探索华为昇腾CANN训练营与AI技术创新——Ascend C算子开发能力认证考试
    前言    哈喽哈喽,这里是zyll~,北浊.(大家可以亲切的呼唤我叫小北)智慧龙阁的创始人,一个在大数据和全站领域不断深耕的技术创作者。今天,我想和大家分享一些关于华为昇腾CANN训练营以及AI技术创新的最新资讯和实践经验~(初级证书还没拿到的小伙伴,可以先参考小北的这篇技术博......