散度的可视化

flyfish

向量场和散度

假设我们有一个简单的向量场：
$\mathbf{F}=(x,y,z)$在这里，向量场 $\mathbf{F}$ 是由三个分量组成的向量，每个分量是空间坐标 $x$、$y$、$z$ 的函数：

• $F_x=x$

• $F_y=y$

• $F_z=z$

散度的定义

散度是一个向量场的标量运算，表示向量场在一个点上的“发散”或“汇聚”程度。数学上，散度定义为：
$$\nabla \cdot \mathbf{F}=\frac{\partial F_x}{\partial x}+\frac{\partial F_y}{\partial y}+\frac{\partial F_z}{\partial z}$$

具体计算过程

对于向量场 $\mathbf{F}=(x,y,z)$，我们需要计算其散度。

1. 计算 $\frac{\partial F_x}{\partial x}$:
   $F_x=x$， 对 $x$ 求偏导数：$\frac{\partial F_x}{\partial x}=\frac{\partial x}{\partial x}=1$

2. 计算 $\frac{\partial F_y}{\partial y}$:
   $F_y=y$，对 $y$ 求偏导数：$\frac{\partial F_y}{\partial y}=\frac{\partial y}{\partial y}=1$

3. 计算 $\frac{\partial F_z}{\partial z}$:
   $F_z=z$，对 $z$ 求偏导数：$\frac{\partial F_z}{\partial z}=\frac{\partial z}{\partial z}=1$

解释：
$\nabla \cdot \mathbf{F}=\frac{\partial F_x}{\partial x}+\frac{\partial F_y}{\partial y}+\frac{\partial F_z}{\partial z}=1+1+1=3$

字母和符号的含义

• $\nabla \cdot \mathbf{F}$ 表示向量场 $\mathbf{F}$ 的散度。

• $\mathbf{F}=(F_x,F_y,F_z)$ 表示向量场的三个分量。

• $F_x$ 是向量场在 $x$ 方向的分量。

• $F_y$ 是向量场在 $y$ 方向的分量。

• $F_z$ 是向量场在 $z$ 方向的分量。

• $\frac{\partial F_x}{\partial x}$ 表示 $F_x$ 对 $x$ 的偏导数。

• $\frac{\partial F_y}{\partial y}$ 表示 $F_y$ 对 $y$ 的偏导数。

• $\frac{\partial F_z}{\partial z}$ 表示 $F_z$ 对 $z$ 的偏导数。

这表明在这个向量场中，任意点的散度都是 3，意味着向量场在每个点都是均匀发散的。
散度（divergence）是向量分析中的一个算子，用来描述向量场在一个点的“发散”或“汇聚”程度。它将一个向量场（矢量场）映射到一个标量场上。具体来说，散度表示在一个微小体元中的向量是“向外”居多还是“向内”居多。

• 正散度 ：如果一个点的散度为正，说明该点是一个发源点，向量从这个点向外发散。

• 负散度 ：如果一个点的散度为负，说明该点是一个汇聚点，向量在这个点向内汇聚。

可视化

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.animation import FuncAnimation, PillowWriter

# 定义向量场 F = (x, y, z)
def vector_field(x, y, z):
    return np.array([x, y, z])

# 计算散度
def divergence(x, y, z):
    return 3  # 对于 F = (x, y, z)，散度为 3

# 创建动画
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.set_xlim(-1, 1)
ax.set_ylim(-1, 1)
ax.set_zlim(-1, 1)

def update(frame):
    ax.clear()
    ax.set_xlim(-1, 1)
    ax.set_ylim(-1, 1)
    ax.set_zlim(-1, 1)
    
    # 绘制向量场
    X, Y, Z = np.meshgrid(np.linspace(-1, 1, 5), np.linspace(-1, 1, 5), np.linspace(-1, 1, 5))
    U, V, W = vector_field(X, Y, Z)
    ax.quiver(X, Y, Z, U, V, W, color='blue', alpha=0.5)
    
    # 绘制中心点
    ax.scatter(0, 0, 0, color='red', s=100)
    
    # 显示散度值
    div_value = divergence(0, 0, 0)
    ax.text2D(0.05, 0.95, f"Divergence at (0, 0, 0): {div_value}", transform=ax.transAxes, color='black')
    
    ax.set_xlabel('X')
    ax.set_ylabel('Y')
    ax.set_zlabel('Z')

ani = FuncAnimation(fig, update, frames=100, repeat=True)
writer = PillowWriter(fps=1)
ani.save('divergence_example.gif', writer=writer)

plt.show()