【连续介质力学】张量值张量函数

news2024/11/24 19:50:26

张量值张量函数

张量值张量函数有以下类型:标量,向量和高阶张量

标量值张量函数
Ψ = Ψ ( T ) = det ⁡ T Ψ = Ψ ( T , S ) = T : S \Psi = \Psi(T) =\det T \\ \Psi = \Psi(T,S) =T:S Ψ=Ψ(T)=detTΨ=Ψ(T,S)=T:S

其中, T , S T, S T,S都是二阶张量

另外,二阶张量值张量函数:
Π = Π ( T ) = α 1 + β T \Pi = \Pi(T) = \alpha 1+\beta T Π=Π(T)=α1+βT

张量级数

函数 f ( x ) f(x) f(x)可以近似表示成Taylor级数: f ( x ) = ∑ i = 0 ∞ 1 n ! ∂ n f ( a ) ∂ x n ( x − a ) n f(x) = \sum_{i=0}^{\infty}\frac{1}{n!}\frac{\partial^nf(a)}{\partial x^n}(x-a)^n f(x)=i=0n!1xnnf(a)(xa)n

那么,对于张量也同样可以推导:假设现在有一个关于二阶张量 E E E的标量值张量函数 ψ ( E ) \psi(E) ψ(E),那么可以近似表示成:
在这里插入图片描述

关于二阶张量E的二阶张量值张量函数 S ( E ) S(E) S(E),可以近似表示成:
在这里插入图片描述
其他代数表达式的级数展开:
exp ⁡ S = 1 + S + 1 2 ! S 2 + 1 3 ! S 3 + . . . ln ⁡ ( 1 + S ) = S − 1 2 S 2 + 1 3 S 3 − . . . sin ⁡ ( S ) = S − 1 3 ! S 3 + 1 5 ! S 5 \exp^S = 1+S+\frac{1}{2!}S^2+\frac{1}{3!}S^3+ ...\\ \ln (1+S) = S-\frac{1}{2}S^2+\frac{1}{3}S^3-... \\ \sin (S) = S - \frac{1}{3!}S^3+\frac{1}{5!}S^5 expS=1+S+2!1S2+3!1S3+...ln(1+S)=S21S2+31S3...sin(S)=S3!1S3+5!1S5

参考对称二阶张量 S S S的谱表示
在这里插入图片描述
可以将级数表示成:
exp ⁡ S = ∑ a = 1 3 ( 1 + λ a + 1 2 ! λ a 2 + 1 3 ! λ a 3 + . . . ) n ^ ( a ) ⨂ n ^ ( a ) = ∑ a = 1 3 exp ⁡ λ a n ^ ( a ) ⨂ n ^ ( a ) ln ⁡ ( 1 + S ) = ∑ a = 1 3 ( λ a − 1 2 λ a 2 + 1 3 λ a 3 − . . . ) n ^ ( a ) ⨂ n ^ ( a ) = ∑ a = 1 3 ln ⁡ ( 1 + λ a ) n ^ ( a ) ⨂ n ^ ( a ) sin ⁡ ( S ) = ∑ a = 1 3 ( λ a − 1 3 ! λ a 3 + 1 5 ! λ a 5 + . . . ) n ^ ( a ) ⨂ n ^ ( a ) = ∑ a = 1 3 sin ⁡ ( λ a ) n ^ ( a ) ⨂ n ^ ( a ) \exp^S = \sum_{a=1}^3(1+\lambda_a+\frac{1}{2!}\lambda_a^2+\frac{1}{3!}\lambda_a^3+ ...)\hat n^{(a)}\bigotimes \hat n^{(a)}=\sum_{a=1}^3 \exp^{\lambda_a}\hat n^{(a)}\bigotimes \hat n^{(a)}\\ \ln (1+S) = \sum_{a=1}^3(\lambda_a-\frac{1}{2}\lambda_a^2+\frac{1}{3}\lambda_a^3-...) \hat n^{(a)}\bigotimes \hat n^{(a)}=\sum_{a=1}^3\ln(1+\lambda_a)\hat n^{(a)}\bigotimes \hat n^{(a)}\\ \sin (S) = \sum_{a=1}^3(\lambda_a - \frac{1}{3!}\lambda_a^3+\frac{1}{5!}\lambda_a^5+...)\hat n^{(a)}\bigotimes \hat n^{(a)}=\sum_{a=1}^3\sin(\lambda_a)\hat n^{(a)}\bigotimes \hat n^{(a)} expS=a=13(1+λa+2!1λa2+3!1λa3+...)n^(a)n^(a)=a=13expλan^(a)n^(a)ln(1+S)=a=13(λa21λa2+31λa3...)n^(a)n^(a)=a=13ln(1+λa)n^(a)n^(a)sin(S)=a=13(λa3!1λa3+5!1λa5+...)n^(a)n^(a)=a=13sin(λa)n^(a)n^(a)

其中 λ a \lambda_a λa n ^ ( a ) \hat n^{(a)} n^(a)是张量S的特征值和特征向量

各向同性的张量值张量函数

一个二阶张量值的张量函数, Π = Π ( T ) \Pi = \Pi(T) Π=Π(T),如果经过正交变换满足以下条件,则是各向同性的:
在这里插入图片描述
Π ( T ) \Pi(T) Π(T) T T T有相同的主向量,即 Π ( T ) \Pi(T) Π(T) T T T是同轴张量
为了证明这点我们可以先将张量T的分量表示成主空间下的分量:
在这里插入图片描述
那么由张量T的主不变量构成的张量函数表示为: Π = Π ( λ 1 , λ 2 , λ 3 ) \Pi = \Pi(\lambda_1, \lambda_2, \lambda_3) Π=Π(λ1,λ2,λ3),以及张量T的变换是:
T ∗ = Q ⋅ T ⋅ Q T T^* = Q \cdot T \cdot Q^T T=QTQT
同样地,对于张量函数 Π \Pi Π的变换,有:
Π ∗ ( T ) = Q ⋅ Π ( T ) ⋅ Q T \Pi^*(T) = Q \cdot \Pi(T) \cdot Q^T Π(T)=QΠ(T)QT

假设取正交张量分量为:
在这里插入图片描述
那么,计算得到:
在这里插入图片描述
其中,为了满足 Π ∗ = Π \Pi^*=\Pi Π=Π(各向同性),必须 Π 12 = Π 13 = Π 23 = 0 \Pi_{12}=\Pi_{13}=\Pi_{23}=0 Π12=Π13=Π23=0,因此, Π ( T ) \Pi(T) Π(T) T T T有相同的主向量

并且我们可以观察到,一个张量函数当且仅当表示成以下线性变换,才是各向同性的:
Π = Π ( T ) = Φ 0 1 + Φ 1 T + Φ 2 T 2 \Pi = \Pi(T) = \Phi_01+\Phi_1T+\Phi_2T^2 Π=Π(T)=Φ01+Φ1T+Φ2T2
其中, Φ 0 , Φ 1 , Φ 2 \Phi_0, \Phi_1, \Phi_2 Φ0,Φ1,Φ2是张量T的不变量或T的特征值。

以下是简单证明。
考虑T和 Π \Pi Π的谱表示,分别是:
T = ∑ a = 1 3 λ a n ^ ( a ) ⨂ n ^ ( a ) = λ 1 n ^ ( 1 ) ⨂ n ^ ( 1 ) + λ 2 n ^ ( 2 ) ⨂ n ^ ( 2 ) + λ 3 n ^ ( 3 ) ⨂ n ^ ( 3 ) T = \sum_{a=1}^3\lambda_a \hat n^{(a)}\bigotimes \hat n^{(a)} = \lambda_1 \hat n^{(1)}\bigotimes \hat n^{(1)}+ \lambda_2 \hat n^{(2)}\bigotimes \hat n^{(2)}+ \lambda_3 \hat n^{(3)}\bigotimes \hat n^{(3)} T=a=13λan^(a)n^(a)=λ1n^(1)n^(1)+λ2n^(2)n^(2)+λ3n^(3)n^(3)

Π = ∑ a = 1 3 ω a n ^ ( a ) ⨂ n ^ ( a ) = ω 1 n ^ ( 1 ) ⨂ n ^ ( 1 ) + ω 2 n ^ ( 2 ) ⨂ n ^ ( 2 ) + ω 3 n ^ ( 3 ) ⨂ n ^ ( 3 ) \Pi = \sum_{a=1}^3\omega_a \hat n^{(a)}\bigotimes \hat n^{(a)} = \omega_1 \hat n^{(1)}\bigotimes \hat n^{(1)}+ \omega_2 \hat n^{(2)}\bigotimes \hat n^{(2)}+ \omega_3 \hat n^{(3)}\bigotimes \hat n^{(3)} Π=a=13ωan^(a)n^(a)=ω1n^(1)n^(1)+ω2n^(2)n^(2)+ω3n^(3)n^(3)

有相同的主方向 n ^ ( i ) \hat n^{(i)} n^(i),那么可以将以下张量表示成:
在这里插入图片描述
求解以上方程组,并且定义 n ^ ( a ) ⨂ n ^ ( a ) ≡ M ( a ) \hat n^{(a)}\bigotimes \hat n^{(a)} \equiv M^{(a)} n^(a)n^(a)M(a),可以得到 M ( a ) M^{(a)} M(a)表示成T的函数:
在这里插入图片描述
将这个解代入到
在这里插入图片描述
分别得到:
T = T Π = Π ( T ) = Φ 0 1 + Φ 1 T + Φ 2 T 2 T = T \\ \Pi = \Pi(T) = \Phi_01+\Phi_1T +\Phi_2T^2 T=TΠ=Π(T)=Φ01+Φ1T+Φ2T2
其中, Φ 0 , Φ 1 , Φ 2 \Phi_0, \Phi_1, \Phi_2 Φ0,Φ1,Φ2分别是T的特征值的函数,为:
在这里插入图片描述
同样地,我们可以证明如果给定了一个张量函数 Π ( T ) \Pi(T) Π(T),那么这个张量函数是各向同性的,如果:
在这里插入图片描述

张量值张量函数的导数

先考虑一个标量值的张量函数:
Π = Π ( A ) \Pi=\Pi(A) Π=Π(A)
Π ( A ) \Pi(A) Π(A)关于 A A A的偏微分是:
∂ Π ∂ A = Π , A = ∂ Π ∂ A i j ( e ^ i ⨂ e ^ j ) \frac{\partial \Pi}{\partial A}=\Pi_{,A}=\frac{\partial \Pi}{\partial A_{ij}}(\hat e_i\bigotimes \hat e_j) AΠ=Π,A=AijΠ(e^ie^j)

Π ( A ) \Pi(A) Π(A)的二阶微分是一个四阶张量:
∂ 2 Π ∂ A ⨂ ∂ A = Π i , A A = ∂ 2 Π ∂ A i j ∂ A k l ( e ^ i ⨂ e ^ j ⨂ e ^ k ⨂ e ^ l ) = D i j k l ( e ^ i ⨂ e ^ j ⨂ e ^ k ⨂ e ^ l ) \frac{\partial^2 \Pi}{\partial A \bigotimes \partial A}=\Pi_{i,AA}=\frac{\partial^2\Pi}{\partial A_{ij} \partial A_{kl}}(\hat e_i\bigotimes \hat e_j\bigotimes \hat e_k \bigotimes \hat e_l)=D_{ijkl}(\hat e_i\bigotimes \hat e_j\bigotimes \hat e_k \bigotimes \hat e_l) AA2Π=Πi,AA=AijAkl2Π(e^ie^je^ke^l)=Dijkl(e^ie^je^ke^l)

C C C和b是正定对称二阶张量:
C = F T ⋅ F ; b = F ⋅ F T C = F^T \cdot F; \quad b = F \cdot F^T C=FTF;b=FFT

其中F是任意的二阶张量,且 det ⁡ F > 0 \det F >0 detF>0,我们必须牢记的是,有一个标量值的各向同性张量函数 Φ = Φ ( I C , I I C , I I I C ) \Phi=\Phi(I_C, II_C, III_C) Φ=Φ(IC,IIC,IIIC),表示成C的主不变量,其中 I C = I b , I I C = I I b , I I I C = I I I b I_C = I_b, II_C=II_b, III_C=III_b IC=Ib,IIC=IIb,IIIC=IIIb
接下来,我们求出 Φ \Phi Φ关于C和b的偏导数,我们先需要验证以下关系:
F ⋅ Φ , C ⋅ F T = Φ , b ⋅ b F \cdot \Phi_{,C}\cdot F^T=\Phi_{,b}\cdot b FΦ,CFT=Φ,bb
那么,通过应用导数的链式法则,我们可以得到:

Φ , C = ∂ Φ ( I C , I I C , I I I C ) ∂ C = ∂ Φ ∂ I C ∂ I C ∂ C + ∂ Φ ∂ I I C ∂ I I C ∂ C + ∂ Φ ∂ I I I C ∂ I I I C ∂ C \Phi_{,C} =\frac{\partial \Phi(I_C, II_C, III_C)}{\partial C}=\frac{\partial\Phi}{\partial I_C}\frac{\partial I_C}{\partial C} +\frac{\partial\Phi}{\partial II_C}\frac{\partial II_C}{\partial C} +\frac{\partial\Phi}{\partial III_C}\frac{\partial III_C}{\partial C} Φ,C=CΦ(IC,IIC,IIIC)=ICΦCIC+IICΦCIIC+IIICΦCIIIC

考虑主不变量的偏导数,有:
在这里插入图片描述
将以上式子代入到 Φ , C \Phi_{,C} Φ,C里面,得到:
Φ , C = ∂ Φ ∂ I C 1 + ∂ Φ ∂ I I C ( I C 1 − C ) + ∂ Φ ∂ I I I C ( I I I C C − 1 ) \Phi_{,C} =\frac{\partial \Phi}{\partial I_C}1+\frac{\partial\Phi}{\partial II_C}(I_C1-C) +\frac{\partial\Phi}{\partial III_C}(III_CC^{-1}) Φ,C=ICΦ1+IICΦ(IC1C)+IIICΦ(IIICC1)

整理一下:
Φ , C = ( ∂ Φ ∂ I C + ∂ Φ ∂ I I C I C ) 1 − ( ∂ Φ ∂ I I C ) C + ( ∂ Φ ∂ I I I C I I I C ) C − 1 \boxed{\Phi_{,C} =(\frac{\partial \Phi}{\partial I_C }+\frac{\partial\Phi}{\partial II_C}I_C)1-(\frac{\partial\Phi}{\partial II_C})C +(\frac{\partial\Phi}{\partial III_C}III_C)C^{-1}} Φ,C=(ICΦ+IICΦIC)1(IICΦ)C+(IIICΦIIIC)C1

另一种表达形式:
∂ I C ∂ C = 1 , ∂ I I C ∂ C = I C 1 − C , ∂ I I I C ∂ C = C 2 − I C C + I I C 1 \frac{\partial I_C}{\partial C}=1, \quad \frac{\partial II_C}{\partial C}=I_C1-C, \quad \frac{\partial III_C}{\partial C}=C^2-I_CC+II_C1 CIC=1,CIIC=IC1C,CIIIC=C2ICC+IIC1代入到
Φ , C = ∂ Φ ( I C , I I C , I I I C ) ∂ C = ∂ Φ ∂ I C ∂ I C ∂ C + ∂ Φ ∂ I I C ∂ I I C ∂ C + ∂ Φ ∂ I I I C ∂ I I I C ∂ C \Phi_{,C} =\frac{\partial \Phi(I_C, II_C, III_C)}{\partial C}=\frac{\partial\Phi}{\partial I_C}\frac{\partial I_C}{\partial C} +\frac{\partial\Phi}{\partial II_C}\frac{\partial II_C}{\partial C} +\frac{\partial\Phi}{\partial III_C}\frac{\partial III_C}{\partial C} Φ,C=CΦ(IC,IIC,IIIC)=ICΦCIC+IICΦCIIC+IIICΦCIIIC
我们可以得到:
Φ , C = ( ∂ Φ ∂ I C + ∂ Φ ∂ I I C I C + ∂ Φ ∂ I I I C I I C ) 1 − ( ∂ Φ ∂ I I C + ∂ Φ ∂ I I I C I C ) C + ( ∂ Φ ∂ I I I C ) C 2 \boxed{\Phi_{,C} =(\frac{\partial \Phi}{\partial I_C }+\frac{\partial\Phi}{\partial II_C}I_C+\frac{\partial \Phi}{\partial III_C}II_C)1-(\frac{\partial\Phi}{\partial II_C}+\frac{\partial \Phi}{\partial III_C}I_C)C +(\frac{\partial\Phi}{\partial III_C})C^{2}} Φ,C=(ICΦ+IICΦIC+IIICΦIIC)1(IICΦ+IIICΦIC)C+(IIICΦ)C2

如果我们再次将 ∂ I C ∂ C = 1 , ∂ I I C ∂ C = I I C C − 1 − I I I C C − 2 , ∂ I I I C ∂ C = I I I C C − 1 \frac{\partial I_C}{\partial C}=1, \quad \frac{\partial II_C}{\partial C}=II_C C^{-1}-III_C C^{-2}, \quad \frac{\partial III_C}{\partial C}=III_C C^{-1} CIC=1,CIIC=IICC1IIICC2,CIIIC=IIICC1

可以得到:
Φ , C = ( ∂ Φ ∂ I C ) 1 + ( ∂ Φ ∂ I I C I I C + ∂ Φ ∂ I I I C I I I C ) C − 1 − ( ∂ Φ ∂ I I C I I I C ) C − 2 \boxed{\Phi_{,C} =(\frac{\partial \Phi}{\partial I_C })1+(\frac{\partial\Phi}{\partial II_C}II_C+\frac{\partial\Phi}{\partial III_C}III_C)C^{-1}-(\frac{\partial\Phi}{\partial II_C}III_C )C^{-2}} Φ,C=(ICΦ)1+(IICΦIIC+IIICΦIIIC)C1(IICΦIIIC)C2

如果有 I C = I b , I I C = I I b , I I I C = I I I b I_C = I_b, II_C = II_b, III_C = III_b IC=Ib,IIC=IIb,IIIC=IIIb,则有:
Φ , b = ( ∂ Φ ∂ I b + ∂ Φ ∂ I I b I b ) 1 − ∂ Φ ∂ I I b b + ∂ Φ ∂ I I I b I I I b b − 1 \boxed{\Phi_{,b}=(\frac{\partial \Phi}{\partial I_b}+\frac{\partial \Phi}{\partial II_b}I_b)1-\frac{\partial \Phi}{\partial II_b}b+\frac{\partial \Phi}{\partial III_b}III_b b^{-1}} Φ,b=(IbΦ+IIbΦIb)1IIbΦb+IIIbΦIIIbb1

利用
Φ , C = ( ∂ Φ ∂ I C + ∂ Φ ∂ I I C I C ) 1 − ( ∂ Φ ∂ I I C ) C + ( ∂ Φ ∂ I I I C I I I C ) C − 1 \boxed{\Phi_{,C} =(\frac{\partial \Phi}{\partial I_C }+\frac{\partial\Phi}{\partial II_C}I_C)1-(\frac{\partial\Phi}{\partial II_C})C +(\frac{\partial\Phi}{\partial III_C}III_C)C^{-1}} Φ,C=(ICΦ+IICΦIC)1(IICΦ)C+(IIICΦIIIC)C1
可以得到:
F ⋅ Φ , C ⋅ F T = ( ∂ Φ ∂ I C + ∂ Φ ∂ I I C I C ) F ⋅ 1 ⋅ F T − ∂ Φ ∂ I I C F ⋅ C ⋅ F T + ∂ Φ ∂ I I I C I I I C F ⋅ C − 1 ⋅ F T F \cdot \Phi_{,C}\cdot F^T = (\frac{\partial \Phi}{\partial I_C}+\frac{\partial \Phi}{\partial II_C}I_C)F\cdot 1\cdot F^T-\frac{\partial \Phi}{\partial II_C}F\cdot C \cdot F^T+\frac{\partial \Phi}{\partial III_C}III_CF \cdot C^{-1} \cdot F^T FΦ,CFT=(ICΦ+IICΦIC)F1FTIICΦFCFT+IIICΦIIICFC1FT

然后,我们可以观察到:
在这里插入图片描述
所以, F ⋅ Φ , C ⋅ F T F \cdot \Phi_{,C} \cdot F^T FΦ,CFT可以重写成:
在这里插入图片描述
根据 Φ , b = ( ∂ Φ ∂ I b + ∂ Φ ∂ I I b I b ) 1 − ∂ Φ ∂ I I b b + ∂ Φ ∂ I I I b I I I b b − 1 \boxed{\Phi_{,b}=(\frac{\partial \Phi}{\partial I_b}+\frac{\partial \Phi}{\partial II_b}I_b)1-\frac{\partial \Phi}{\partial II_b}b+\frac{\partial \Phi}{\partial III_b}III_b b^{-1}} Φ,b=(IbΦ+IIbΦIb)1IIbΦb+IIIbΦIIIbb1 和上式,可以得到:
在这里插入图片描述
这表示, Φ , C \Phi_{,C} Φ,C和b是同轴张量

再次,根据 C = F T ⋅ F C = F^T \cdot F C=FTF,计算标量值张量函数 Φ = Φ ( C ) \Phi = \Phi(C) Φ=Φ(C)的关于张量F的导数:
在这里插入图片描述
张量C关于F的导数如下所示:
在这里插入图片描述
将以上的张量C关于F的导数代入到张量函数 Φ ( C ) \Phi(C) Φ(C)关于张量F的导数表达式中:在这里插入图片描述由于C的对称性, C i j = C j i C_{ij} = C_{ji} Cij=Cji,可以得到:
在这里插入图片描述
现在,假设C由对称二阶张量U给出, C = U T ⋅ U = U ⋅ U = U 2 C = U^T\cdot U=U \cdot U=U^2 C=UTU=UU=U2,那么 Φ , C \Phi_{,C} Φ,C为:
Φ , C = 2 Φ , C ⋅ U = 2 U ⋅ Φ , C \Phi_{,C} = 2\Phi_{,C}\cdot U=2U\cdot \Phi_{,C} Φ,C=2Φ,CU=2UΦ,C
因此,可以说 Φ , C \Phi_{,C} Φ,C和U是同轴张量

令A是对称二阶张量, Φ = Φ ( A ) \Phi = \Phi(A) Φ=Φ(A)是一个标量值张量函数,那么一下关系成立:
在这里插入图片描述
参考教材:
Eduardo W.V. Chaves, Notes On Continuum Mechanics

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/552638.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【JavaEE】MyBatis + 单元测试

目录 MyBaits项目的创建使用 引入相关依赖 配置文件设置 数据库连接 配置XML路径 映射器文件模板 业务代码实例 创建实体类 添加Mapper接口创建映射器 验证是否成功 MyBatis原理 什么是MyBatis 为什么学习MyBatis MyBatis工作原理 单元测试 前置工作 生成测试…

Selenium是什么,带你了解自动化测试的神奇之处

一、使用测试工具 工欲善其事,必先利其器。在开始具体的自动化测试之前,我们需要做好更多的准备,包括以下几个方面: 认识自动化测试 准备自动化测试工具 使用有效的方式 针对具体的测试对象 接下来的第一部分内容,我…

基于Java web的电子商务系统

摘要 【摘要】 所谓电子商务就是在网上开展商务活动,当企业将它的主要业务通过企业内部网(Intranet)、外部网(Extranet)以及Internet与企业的职员、客户供销商以及合作伙伴直接相连时,其中发生的各种活动就…

基于SpringBoot的校园志愿者管理系统的设计与实现

背景 本次设计任务是要设计一个校园志愿者管理系统,通过这个系统能够满足管理员和志愿者的校园志愿者信息管理功能。系统的主要功能包括首页、个人中心、志愿者管理、活动类型管理、活动信息管理、活动报名管理、活动通知管理、活动心得管理、交流反馈、系统管理等…

【LTspice入门】一、LTspice安装

一、LTspice安装 1、仿真的重要性:2、LTspice介绍3、LTspice官网4、LTspice下载与安装 1、仿真的重要性: 掌握好电路仿真有助于加深对电子电路分析理论的理解。 由于电子电路仿真不需要实际的元件和仪器仪表设备,设计者就可以对所涉及的电子电路进行性能…

PCIE总线基本介绍(和PCI总线差异、速率计算、引脚定义)

1、PCI和PCIE的差异 (1)PCIE协议在软件编程上是兼容PCI协议,不同在于PCIE和PCI的控制器; (2)PCIE是差分串行信号线,PCI是电平并行信号线; (3)PCI协议使用INTA#、INTB#、INTC#、INTD#四根中断线来触发终端,PCIE协议没有…

sshd_conf 配置文件详解

/etc/ssh/sshd_config配置文件内容详解。 Port 22 设置SSHD监听端口号。 SSH 预设使用 22 这个port,也可以使用多个port,即重复使用 port 这个设定项!例如想要开放SSHD端口为 22和222,则多加一行内容为: Port 222 即…

kotlin协程async与await

kotlin协程async与await import kotlinx.coroutines.* import kotlin.system.measureTimeMillisfun main() {val time measureTimeMillis {runBlocking {/*** async 是 CoroutineScope 扩展函数,async 和 launch 的区别在于async 可以返回协程结果,而 l…

【002hive基础】hive的库、表与hdfs的组织逻辑

文章目录 一. 数据的组织形式1. hive数据库2. hive表2.1. 内部表和外部表2.2. 分区表与分桶表 3. 视图 二. 底层储存 一. 数据的组织形式 1. hive数据库 hive将不同功能模块的数据,存储在不同的数据库中,在hdfs中以文件夹的形式显示。 2. hive表 2.1.…

Excel统计函数AVEDEV,稳住我们能赢

你的关注,是我最大的动力!你的转发,我的10W!茫茫人海有你的支持,给我无限动力。 1、AVEDEV函数。 (1)说明。 返回一组数据点到其算术平均值的绝对偏差的平均值。 AVEDEV函数是对一组数据中变化…

Linux---phy外设调试

文章目录 一、phy设备概述二、内核驱动配置与设备树添加三、其他补充 一、phy设备概述 我们知道在计算机网络上有一个OSI 7层模型: 应用层:网络服务与最终用户的一个接口。 协议有:HTTP FTP TFTP SMTP SNMP DNS TELNET HTTPS POP3 DHCP 表…

服务(第二十七篇)squid-传统、穿透、反向代理

squid代理服务器: 主要提供缓存加速、应用层过滤控制的功能。 代理的工作机制: 1、代替客户机向网站请求数据,从而可以隐藏用户的真实IP地址。 2、将获得的网页数据(静态 Web 元素)保存到缓存中并发送给客户机&#x…

【Anaconda+Pytorch+DGL】安装+配置详细过程

文章目录 Anaconda安装1、进入[Anaconda官网](https://www.anaconda.com/)下载,下载完成后安装指令默认直到完成安装。2、进入Anaconda Prompt,使用conda指令来为不同的版本创建单独的环境: Pytorch安装1、打开NVIDIA控制面板,帮助…

Python+Yolov5水稻病害侦测识别

程序示例精选 PythonYolov5水稻病害侦测识别 如需安装运行环境或远程调试&#xff0c;见文章底部个人QQ名片&#xff0c;由专业技术人员远程协助&#xff01; 前言 这篇博客针对<<PythonYolov5水稻病害侦测识别>>编写代码&#xff0c;代码整洁&#xff0c;规则&am…

gcc/g++ 、Make/Makefile、CMake/CMakeLists.txt、qmake关系简述

1、gcc与g 首先来了解下编译器的主要工作流程&#xff1a; 源码&#xff08;Source Code&#xff09;>> 预处理器&#xff08;Preprocessor&#xff09;>> 编译器&#xff08;Compiler&#xff09; >> 汇编程序&#xff08;Assembler&#xff09;>> …

深度学习踩坑经验沉淀【持续更新】

背景 在深度学习炼丹过程中&#xff0c;总会遇到各种奇怪问题&#xff0c;这个时候总会在csdn和知乎平台找到答案&#xff0c;那每次遇到的问题是解决了&#xff0c;但没有记录起来&#xff0c;确实太可惜&#xff0c;因为未来某个时间或者某个人会遇到类似问题&#xff0c;所…

HBase应用场景和最佳实践

HBase 作为 Apache 基金会的 Hadoop 项目的一部分&#xff0c;将 HDFS 作为文件存储系统&#xff0c;使用 MapReduce 进行分布式的数据批量处理&#xff08;非实时数据批量处理&#xff09;、利用Zookeeper提供协同管理服务&#xff0c;为 Hadoop 提供海量数据管理服务&#xf…

ROS学习(5)——话题消息与服务

节点之间的消息通信分为几种形式&#xff1a; 话题(topic):单向消息发送/接收方式服务(service):双向消息请求/响应方式动作(action):双向消息目标(goal)/结果(result)/反馈(feedback)方式参数服务器(参数共享模式) 种类区别话题异步单向连续单向的发送/接收数据的情况服务同步…

【重生之我是蜘蛛侠】手把手教你用python爬虫,跟着做就好了

&#x1f4af; 博客内容&#xff1a;【LeetCode训练营】用栈来实现队列用队列来实现栈 详解 &#x1f600; 作  者&#xff1a;陈大大陈 &#x1f680; 个人简介&#xff1a;一个正在努力学技术的准前端&#xff0c;专注基础和实战分享 &#xff0c;欢迎私信&#xff01; &am…

高可用架构之异地多活

大家好&#xff0c;我是易安&#xff01; 当谈到架构的高可用时&#xff0c;无论是高可用计算架构&#xff0c;还是高可用存储架构&#xff0c;其本质的设计目的都是为了解决部分服务器故障的场景下&#xff0c;如何保证系统能够继续提供服务。但在一些极端场景下&#xff0c;有…