当前位置:网站首页>【高等数学】从法向量到第二类曲面积分
【高等数学】从法向量到第二类曲面积分
2022-06-27 13:49:00 【风声holy】
从法向量到第二类曲面积分
一、引言
我在看到第二类曲线积分的公式时候,对于其中的正负号很困惑,教材上给出了结论:法线和相对应的坐标轴的夹角为锐角时取“+”,否则取负号。然而,不知道其正负号的根源会让心不得安,因此我稍微探究了一下。
分面投影法:
∬ S F ( x , y , z ) ⋅ d S = ∬ D y z ± P [ x ( y , z ) , y , z ] d y d z + ∬ D x z ± Q [ x , y ( x , z ) , z ] d x d z + ∬ D x y ± R [ x , y , z ( x , y ) ] d x d y \begin{aligned} \iint_S \mathbf F(x,y,z) \cdot d \mathbf S &= \iint_{D_{yz}} \pm P[x(y,z),y,z]dydz + \iint_{D_{xz}} \pm Q[x,y(x,z),z]dxdz + \iint_{D_{xy}} \pm R[x,y,z(x,y)]dxdy \end{aligned} ∬SF(x,y,z)⋅dS=∬Dyz±P[x(y,z),y,z]dydz+∬Dxz±Q[x,y(x,z),z]dxdz+∬Dxy±R[x,y,z(x,y)]dxdy
合一投影法:
∬ S F ( x , y , z ) ⋅ d S = ∬ S F ( x , y , z ) ⋅ n 0 ( x , y , z ) d S = ± ∬ D x y F ( x , y , z ) ⋅ ( − ∂ z ∂ x , − ∂ z ∂ y , 1 ) d x d y \begin{aligned} \iint_S \mathbf F(x,y,z) \cdot d \mathbf S &= \iint_{S} \mathbf F(x,y,z) \cdot \mathbf {n_0}(x,y,z) dS \\ &= \pm \iint_{D_{xy}} \mathbf F(x,y,z) \cdot (-\frac{\partial z}{\partial x} ,-\frac{\partial z}{\partial y} ,1)dxdy \end{aligned} ∬SF(x,y,z)⋅dS=∬SF(x,y,z)⋅n0(x,y,z)dS=±∬DxyF(x,y,z)⋅(−∂x∂z,−∂y∂z,1)dxdy
二、法线和切平面
1. 平面的表示
首先,要知道,一个平面的显式表示和隐式表示:
隐式: F ( x , y , z ) = 0 F(x,y,z)=0 F(x,y,z)=0;
显式: z = z ( x , y ) z = z(x,y) z=z(x,y)。
实际上,显式表示是一种几何学上的参数化,其逆过程是隐式化,可表示为: F ( x , y , z ) = z − z ( x , y ) = z ( x , y ) − z = 0 \color{fuchsia}{F(x,y,z) = z-z(x,y) = z(x,y)-z=0} F(x,y,z)=z−z(x,y)=z(x,y)−z=0
2. 法向量
现在在平面上任意找一个点 M ( x 0 , y 0 , z 0 ) M(x_0,y_0,z_0) M(x0,y0,z0)
那么,这一点的法向量可以
用梯度表示为: ∇ F ( x , y , z ) \nabla \mathbf F(x,y,z) ∇F(x,y,z);
或者用偏导数的外积表示为: ∂ X ∂ x × ∂ X ∂ y \frac{\partial \mathbf X}{\partial x} \times \frac{\partial \mathbf X}{\partial y} ∂x∂X×∂y∂X或者 ∂ X ∂ y × ∂ X ∂ x \frac{\partial \mathbf X}{\partial y} \times \frac{\partial \mathbf X}{\partial x} ∂y∂X×∂x∂X,这里的X是曲面坐标,比如三维空间里面,使用z(x,y)进行参数化,那么得到的曲面坐标为**(x,y,z(x,y))**。
对于显示表示的平面的法向量,可表示为: n ( x , y ) = ( − ∂ z ∂ x , − ∂ z ∂ y , 1 ) \color{fuchsia}{\mathbf n(x,y) = (-\frac{\partial z}{\partial x} ,-\frac{\partial z}{\partial y} ,1) } n(x,y)=(−∂x∂z,−∂y∂z,1) 或者 n ( x , y ) = ( ∂ z ∂ x , ∂ z ∂ y , − 1 ) \color{fuchsia}{\mathbf n(x,y) = (\frac{\partial z}{\partial x} ,\frac{\partial z}{\partial y} ,-1) } n(x,y)=(∂x∂z,∂y∂z,−1),此时法向量的值只和x、y有关
我非常刻意地将法向量写成了两种表示形式,这是因为对于一个有向曲面而言有两侧。现在最关键的两句话是:
1. 若采用z(x,y)进行参数化,其法向量 n ( x , y ) = ( − ∂ z ∂ x , − ∂ z ∂ y , 1 ) \mathbf n(x,y) = (-\frac{\partial z}{\partial x} ,-\frac{\partial z}{\partial y} ,1) n(x,y)=(−∂x∂z,−∂y∂z,1)一定是指向天, n ( x , y ) = ( ∂ z ∂ x , ∂ z ∂ y , − 1 ) \mathbf n(x,y) = (\frac{\partial z}{\partial x} ,\frac{\partial z}{\partial y} ,-1) n(x,y)=(∂x∂z,∂y∂z,−1)一定指向地;
1. 若采用z(x,y)进行参数化,一定要保证函数 z = z ( x , y ) z = z(x,y) z=z(x,y)是单值函数。
现在如果我们关注的一片曲面,是一个右半球,那么采用**y(x,z)**进行参数化,更加方便,此时曲面坐标只和x、z有关。那么其其法向量 n ( x , z ) = ( − ∂ y ∂ x , 1 , − ∂ y ∂ z ) \mathbf n(x,z) = (-\frac{\partial y}{\partial x},1,-\frac{\partial y}{\partial z}) n(x,z)=(−∂x∂y,1,−∂z∂y)一定是指向东, n ( x , z ) = ( ∂ y ∂ x , − 1 , ∂ y ∂ z ) \mathbf n(x,z) = (\frac{\partial y}{\partial x},-1,\frac{\partial y}{\partial z}) n(x,z)=(∂x∂y,−1,∂z∂y)一定指向西。
现在如果我们关注的一片曲面,是一个前半球,那么采用**x(y,z)**进行参数化,更加方便,此时曲面坐标只和y、z有关。那么其其法向量 n ( y , z ) = ( 1 , − ∂ x ∂ y , − ∂ x ∂ z ) \mathbf n(y,z) = (1,-\frac{\partial x}{\partial y},-\frac{\partial x}{\partial z}) n(y,z)=(1,−∂y∂x,−∂z∂x)一定是指向南, n ( y , z ) = ( − 1 , ∂ x ∂ y , ∂ x ∂ z ) \mathbf n(y,z) = (-1,\frac{\partial x}{\partial y},\frac{\partial x}{\partial z}) n(y,z)=(−1,∂y∂x,∂z∂x)一定指向北。
三、第二类曲面积分
∬ S F ( x , y , z ) ⋅ d S = ∬ S F ( x , y , z ) ⋅ n 0 ( x , y , z ) d S = ∬ S { P ( x , y , z ) n 0 ( x , y , z ) ⋅ [ 1 , 0 , 0 ] + Q ( x , y , z ) n 0 ( x , y , z ) ⋅ [ 0 , 1 , 0 ] + R ( x , y , z ) n 0 ( x , y , z ) ⋅ [ 0 , 0 , 1 ] } d S = ∬ S [ P ( x , y , z ) cos α + Q ( x , y , z ) cos β + P ( x , y , z ) cos γ ] d S \begin{aligned} \iint_S \mathbf F(x,y,z) \cdot d \mathbf S &= \iint_S \mathbf F(x,y,z) \cdot \mathbf {n_0}(x,y,z) dS \\ &= \iint_S \{ P(x,y,z) \mathbf {n_0}(x,y,z) \cdot [1,0,0]+ Q(x,y,z) \mathbf {n_0}(x,y,z) \cdot [0,1,0] + R(x,y,z) \mathbf {n_0}(x,y,z) \cdot [0,0,1] \} dS\\ &= \iint_S [P(x,y,z)\cos \alpha + Q(x,y,z)\cos \beta + P(x,y,z)\cos \gamma ]dS \end{aligned} ∬SF(x,y,z)⋅dS=∬SF(x,y,z)⋅n0(x,y,z)dS=∬S{ P(x,y,z)n0(x,y,z)⋅[1,0,0]+Q(x,y,z)n0(x,y,z)⋅[0,1,0]+R(x,y,z)n0(x,y,z)⋅[0,0,1]}dS=∬S[P(x,y,z)cosα+Q(x,y,z)cosβ+P(x,y,z)cosγ]dS
有向曲面的面积微元是带有方向的,其方向由你选择的曲面的侧决定,比如选择了曲面的前侧那么其法向量一定是指向南,此时的法向量将会是 n ( y , z ) = ( 1 , − ∂ x ∂ y , − ∂ x ∂ z ) \mathbf n(y,z) = (1,-\frac{\partial x}{\partial y},-\frac{\partial x}{\partial z}) n(y,z)=(1,−∂y∂x,−∂z∂x)。
顺便说一下合一投影法和分面投影法:
- 合一投影法:就是上式的第一步等式,结果是投影向某一个平面上的,比如选择**z=z(x,y)**的参数化方式,那么结果将投影到xOy平面上。
- 分面投影法:就是上式的第二步等式,三个法向量可以采用不同的参数化方式,比如对于x轴方向上的P(x,y,z),就用x=x(y,z),然后投影到yOz平面;对于z轴方向的R(x,y,z),就用z=z(x,y),然后投影到xOy平面上。
这里,通过向量[1,0,0] 、[0,1,0]、 [0,0,1]其实就将法向量的偏导数部分归零了。我们发现,从这个角度去理解,合一投影法和分面投影法没有本质上的区别。
边栏推荐
- Kyndryl partnered with Oracle and Veritas
- [XMAN2018排位赛]通行证
- Kyndryl与Oracle和Veritas达成合作
- Openhgnn releases version 0.3
- Shell 简明教程
- Redis持久化
- Naacl 2022 | TAMT: search the transportable Bert subnet through downstream task independent mask training
- A statistical problem of shell script
- 【mysql进阶】MTS主从同步原理及实操指南(七)
- What is the difference between the FAT32 and NTFS formats on the USB flash disk
猜你喜欢

Number of printouts (solved by recursive method)

Debug tool

Redis 主从复制、哨兵模式、Cluster集群

buuctf misc 百里挑一

CMOS级电路分析

Kyndryl partnered with Oracle and Veritas

Too many requests at once, and the database is in danger

Pytorch learning 1 (learning documents on the official website)

Half find (half find)

Rereading the classic: the craft of research (1)
随机推荐
请求一下子太多了,数据库危
实现WordPress上传图片自动重命名的方法
With the advent of the era of Internet of everything, Ruijie released a scenario based wireless zero roaming scheme
[PHP code injection] common injectable functions of PHP language and utilization examples of PHP code injection vulnerabilities
Axi bus
高德地图IP定位2.0备份
What is the difference between the FAT32 and NTFS formats on the USB flash disk
国产数据库乱象
crane:字典项与关联数据处理的新思路
POSIX AIO -- glibc 版本异步 IO 简介
A statistical problem of shell script
CCID Consulting released the database Market Research Report on key application fields during the "14th five year plan" (attached with download)
AXI总线
Redis持久化
Kotlin函数使用示例教程
SFINAE
Overseas warehouse knowledge popularization
Dynamic Networks and Conditional Computation论文简读和代码合集
【业务安全03】密码找回业务安全以及接口参数账号修改实例(基于metinfov4.0平台)
Bidding announcement: Oracle database maintenance service procurement of the First Affiliated Hospital of Jinan University