拉普拉斯算子的极坐标、柱坐标和球坐标表示

\documentclass{article}

\usepackage{amsmath}

\usepackage{amsthm}

\usepackage{amsfonts}

\usepackage{ctex}

\usepackage{mathrsfs}

\begin{document}

\section{极坐标变换下的Laplace算子}

对于函数u=u(x,y),其中(x,y)DxyR2{(0,0)},构造极坐标变换

\begin{equation}

x=r \cos \theta ,

\end{equation}

\begin{equation}

y=r\sin\theta,

\end{equation}

其中(r,θ)Drθ(0,+)×[0,2π),计算得雅可比行列式

(x,y)(r,θ)=r>0,因此(1)式和(2)式表示一个双射T:(r,θ)(x,y),从而映射(函数)(r,θ)u存在。为了方便,我们还假设u是二阶连续可微的,使得ux,y的混合偏导数与求导顺序无关。

 

由(1)(2)易得r2=x2+y2,两边对变量x求导得rrx=x,所以rx=xr,同理可得ry=yr。由(1)(2)也易得xsinθ=ycosθ,两边对变量x求导得sinθ+xθxcosθ=yθxsinθ,即θx=sinθxcosθ+ysinθ,为了使得表达式简洁,我们在分子分母都乘以非零的r并将(1)(2)分别代入式中的x,yθx=yr2,同理可得θy=xr2.

 

为了计算2u,用链式法则先求对变量x的一阶偏导数并代入上面的结论和化简得

ux=urrx+uθθx=urxruθyr2,

uy=urry+uθθy=uryr+uθxr2,

运用求导的乘积法则和链式法则得

\begin{equation}

\dfrac{\partial^2 u}{\partial x^2}=\dfrac{\partial}{\partial x}\left(\dfrac{\partial u}{\partial x}\right)=\left(\dfrac{\partial^2 u}{\partial r^2}\dfrac{\partial r}{\partial x}+\dfrac{\partial^2 u}{\partial r\partial \theta}\dfrac{\partial \theta}{\partial x}\right)\dfrac{\partial r}{\partial x}+\dfrac{\partial u}{\partial r}\dfrac{\partial^2 r}{\partial x^2}+\left(\dfrac{\partial^2 u}{\partial r\partial \theta}\dfrac{\partial r}{\partial x}+\dfrac{\partial^2 u}{\partial \theta^2}\dfrac{\partial \theta}{\partial x}\right)\dfrac{\partial \theta}{\partial x}+\dfrac{\partial u}{\partial \theta}\dfrac{\partial^2 \theta}{\partial x^2},

\end{equation}

x换成y

\begin{equation}

\dfrac{\partial^2 u}{\partial y^2}=\dfrac{\partial}{\partial y}\left(\dfrac{\partial u}{\partial y}\right)=\left(\dfrac{\partial^2 u}{\partial r^2}\dfrac{\partial r}{\partial y}+\dfrac{\partial^2 u}{\partial r\partial \theta}\dfrac{\partial \theta}{\partial y}\right)\dfrac{\partial r}{\partial y}+\dfrac{\partial u}{\partial r}\dfrac{\partial^2 r}{\partial y^2}+\left(\dfrac{\partial^2 u}{\partial r\partial \theta}\dfrac{\partial r}{\partial y}+\dfrac{\partial^2 u}{\partial \theta^2}\dfrac{\partial \theta}{\partial y}\right)\dfrac{\partial \theta}{\partial y}+\dfrac{\partial u}{\partial \theta}\dfrac{\partial^2 \theta}{\partial y^2}.

\end{equation}

注意由于假设二阶连续可微,所以两个混合偏导数用同一个记号表示。下面计算所需的四个二阶偏导数。rx=xr的两边求对变量x的偏导数得2rx2=r2rxrxr3=y2r3,

这里利用了一个小技巧,为了能够通过关系式r2=x2+y2来化简最后的结果,分子分母同时乘以非零的r。把xy互换即得2ry2=x2r3;

θx=yr2的两边求对变量x的偏导数得2θx2=2yr3rx=2xyr4,同理可得

2θy2=2xyr4,

将这些结果代入(3)(4)式得

2ux2=1r4[r22ur2x2+(rur+2uθ2)y2+2(uθr2urθ)xy],

2uy2=1r4[(rur+2uθ2)x2+r22ur2y2+2(r2urθuθ)xy],

两式相加得

2ux2+2uy2=1r4(r22ur2+rur+2uθ2)(x2+y2),

注意到r2=x2+y2,所以在极坐标变换下二维Laplace算子的表达式为

2=2r2+1rr+1r22θ2

\section{柱面坐标变换下的Laplace算子}

函数u=u(x,y,z)的柱面坐标变换是指

x=ρcosϕ,

y=ρsinϕ,

z=z,

于是由上一节的讨论易得Laplace算子在柱面坐标变换下的表示为

2=2ρ2+1ρρ+1ρ22ϕ2+2z2

\section{球面坐标变换下的Laplace算子}

对于函数u=u(x,y,z),其中(x,y,z)ΩxyzR3{(0,0,0)},构造球面坐标变换

x=rsinθcosϕ,

y=rsinθsinϕ,

z=rcosθ,

其中(r,θ,ϕ)Ωrθϕ(0,+)×[0,π]×[0,2π).类似于极坐标变换的情形,以上三式给出了一个双射S:(r,θ,ϕ)(x,y,z),从而函数(r,θ,ϕ)u存在。为了方便我们仍然假设u是二阶连续可微的。

 

为了能够利用第一节的结论,我们令ρ=rsinθ(这实际上是引入了柱面坐标(ρ,ϕ,z)),于是x=ρcosϕy=ρsinϕ,对2ux2+2uy2可以利用极坐标变换的结论得

\begin{equation}

\dfrac{\partial^2 u}{\partial x^2}+\dfrac{\partial^2 u}{\partial y^2}=\dfrac{\partial^2 u }{\partial \rho^2}+\dfrac{1}{\rho}\dfrac{\partial u}{\partial \rho}+\dfrac{1}{\rho^2}\dfrac{\partial^2 u}{\partial \phi^2}

\end{equation}

同理,由ρ=rsinθz=rcosθ

\begin{equation}

\dfrac{\partial^2 u}{\partial \rho^2}+\dfrac{\partial^2 u}{\partial z^2}=\dfrac{\partial^2 u }{\partial r^2}+\dfrac{1}{r}\dfrac{\partial u}{\partial r}+\dfrac{1}{r^2}\dfrac{\partial^2 u}{\partial \theta^2}

\end{equation}

(5)和(6)相加得

\begin{equation}

\dfrac{\partial^2 u}{\partial x^2}+\dfrac{\partial^2 u}{\partial y^2}+\dfrac{\partial^2 u}{\partial z^2}=\dfrac{1}{\rho}\dfrac{\partial u}{\partial \rho}+\dfrac{1}{\rho^2}\dfrac{\partial^2 u}{\partial \phi^2}+\dfrac{\partial^2 u }{\partial r^2}+\dfrac{1}{r}\dfrac{\partial u}{\partial r}+\dfrac{1}{r^2}\dfrac{\partial^2 u}{\partial \theta^2}

\end{equation}

我们还需计算uρ,注意到(z,ρ)(r,θ)是一个极坐标变换,于是由第一节的讨论可知

uρ=urρr+uθzr2,

z=rcosθρ=rsinθ代入得

uρ=ursinθ+1ruθcosθ,

代入(7)式得到Laplace算子在球面坐标变换下的表示为

2=2r2+2rr+1r2(2θ2+cotθθ+csc2θ2ϕ2)

\end{document}

posted on   Eufisky  阅读(5562)  评论(0编辑  收藏  举报

编辑推荐:
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· Linux系列:如何用 C#调用 C方法造成内存泄露
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
阅读排行:
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
历史上的今天:
2019-07-13 竞赛备考建议
< 2025年3月 >
23 24 25 26 27 28 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31 1 2 3 4 5

导航

统计

点击右上角即可分享
微信分享提示