【连续介质力学】二阶张量的图像表示

news2024/11/23 22:18:49

二阶张量在特定方向的投影

法向和切向分量

二阶张量T投影到 n ^ \hat n n^方向的结果是 t ⃗ ( n ^ ) = T ⋅ n ^ \vec t^{(\hat n)}=T \cdot \hat n t (n^)=Tn^,其中 t ⃗ ( n ^ ) \vec t^{(\hat n)} t (n^)可以分解成:
t ⃗ ( n ^ ) = T ⃗ N + T ⃗ S \vec t^{(\hat n)}=\vec T_N+\vec T_S t (n^)=T N+T S
其中, T ⃗ N \vec T_N T N是法向量, T ⃗ S \vec T_S T S是切向量
在这里插入图片描述

如果记 n ^ \hat n n^ s ^ \hat s s^ T ⃗ N \vec T_N T N T ⃗ S \vec T_S T S方向的单位向量,那么可以表示成:
t ⃗ ( n ^ ) = T N n ^ + T S s ^ \vec t^{(\hat n)}=T_N\hat n+T_S\hat s t (n^)=TNn^+TSs^
其中, T N T_N TN T S T_S TS T ⃗ N \vec T_N T N T ⃗ S \vec T_S T S的大小

向量 T ⃗ N \vec T_N T N如下所示:
在这里插入图片描述
因此:
T N = t ⃗ ( n ^ ) ⋅ n ^ = n ^ ⋅ T ⋅ n ^ = n ^ k T k j n ^ j T_N = \vec t^{(\hat n)}\cdot \hat n=\hat n \cdot T \cdot \hat n=\hat n_kT_{kj}\hat n_j TN=t (n^)n^=n^Tn^=n^kTkjn^j

之前有讨论过,若对于所有的 n ^ ≠ 0 \hat n \neq 0 n^=0,有 T N = n ^ ⋅ T ⋅ n ^ > 0 T_N=\hat n \cdot T\cdot \hat n>0 TN=n^Tn^>0,则 T T T是正定张量,并且可以表示成: T N = n ^ ⋅ T ⋅ n ^ = n ^ ⋅ T s y m ⋅ n ^ T_N = \hat n \cdot T \cdot \hat n=\hat n \cdot T^{sym} \cdot \hat n TN=n^Tn^=n^Tsymn^

所以,如果一个张量的对称部分是正定的,那么这个张量也是正定的

向量 T ⃗ S \vec T_S T S可以表示成:
在这里插入图片描述
也可以表示成如下所示:
T ⃗ S = t ⃗ ( n ^ ) − T ⃗ N = T ⋅ n ^ − [ T : ( n ^ ⨂ n ^ ) ] n ^ \vec T_S = \vec t^{(\hat n)}-\vec T_N=T\cdot \hat n-[T:(\hat n \bigotimes \hat n)]\hat n T S=t (n^)T N=Tn^[T:(n^n^)]n^

T ⃗ S \vec T_S T S的大小可以由勾股定理得到:
在这里插入图片描述
其中: t i ( n ^ ) t i ( n ^ ) = T i j T i k n j n k t_i^{(\hat n)}t_i^{(\hat n)}=T_{ij}T_{ik}n_jn_k ti(n^)ti(n^)=TijTiknjnk

思考:在哪个平面才是最大的法向和切向分量?

问题A.1 证明 T ⃗ S = t ⃗ ( n ^ ) ⋅ ( 1 − n ^ ⨂ n ^ ) \vec T_S = \vec t^{(\hat n)}\cdot (1-\hat n\bigotimes \hat n) T S=t (n^)(1n^n^),其中 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^)就是二阶张量 T T T投影到方向 n ^ \hat n n^的结果, T ⃗ S \vec T_S T S是切向向量

在这里插入图片描述

法向分量的最大和最小值

法向分量为 T N = n ^ ⋅ T ⋅ n ^ T_N = \hat n\cdot T \cdot \hat n TN=n^Tn^,满足 n ^ ⋅ n ^ = 1 \hat n \cdot \hat n = 1 n^n^=1约束条件。那么求在这个约束条件下 T N T_N TN的最大最小值可以使用拉格朗日乘子法:
L ( n ^ , μ ) = T N − μ ( n ^ ⋅ n ^ − 1 ) = n ^ ⋅ T ⋅ n ^ − μ ( n ^ ⋅ n ^ − 1 ) \mathcal{L}(\hat n, \mu)=T_N-\mu (\hat n \cdot \hat n-1)=\hat n\cdot T \cdot \hat n-\mu (\hat n \cdot \hat n-1) L(n^,μ)=TNμ(n^n^1)=n^Tn^μ(n^n^1)
其中, μ \mu μ是拉格朗日乘子,那么函数 L \mathcal{L} L关于 μ \mu μ n ^ \hat n n^的导数为:
在这里插入图片描述
第一行有解当且仅当 det ⁡ ( T s y m − 1 ) = 0 \det(T^{sym}-1)=0 det(Tsym1)=0,这是关于张量T的对称部分的特征值问题。

也就是说, T N T_N TN的最大最小值问题跟 T s y m T^{sym} Tsym的特征值相关。

现在,假设有 T 1 s y m , T 2 s y m , T 3 s y m T_1^{sym}, T_2^{sym}, T_3^{sym} T1symT2symT3sym作为 T s y m T^{sym} Tsym的特征值,那么可以重组这些值为:
T I s y m > T I I s y m > T I I I s y m T_I^{sym}>T_{II}^{sym}>T_{III}^{sym} TIsym>TIIsym>TIIIsym
那么, T N T_N TN的最大值记为 T I s y m T_I^{sym} TIsym, 最小值记为 T I I I s y m T_{III}^{sym} TIIIsym

NOTE: 反对称部分在法向量中不起作用,因为 T N = n ^ ⋅ T ⋅ n ^ = n ^ ⋅ T s y m ⋅ n ^ T_N = \hat n \cdot T \cdot \hat n = \hat n \cdot T^{sym} \cdot \hat n TN=n^Tn^=n^Tsymn^

切向分量的最大最小值

为了方便,将在T的主空间讨论,分量表示为法向分量
在这里插入图片描述
那么,方向 n ^ \hat n n^的法向分量 T N T_N TN,如下所示:
T N = t i ( n ^ ) n ^ i = T i j n ^ i n ^ j = T 1 n ^ 1 2 + T 2 n ^ 2 2 + T 3 n ^ 3 2 T_N=t_i^{(\hat n)}\hat n_i=T_{ij}\hat n_i\hat n_j=T_1\hat n_1^2+T_2\hat n_2^2+T_3\hat n_3^2 TN=ti(n^)n^i=Tijn^in^j=T1n^12+T2n^22+T3n^32

在特定的方向 n ^ i = [ 1 , 0 , 0 ]    ⟹    T N = T i \hat n _i= [1, 0, 0] \implies T_N=T_i n^i=[1,0,0]TN=Ti

切向分量如下所示:
T S 2 = ∣ ∣ t ⃗ ( n ^ ) ∣ ∣ 2 − T N 2 = t i ( n ^ ) t i ( n ^ ) − T N 2 = T i j T i k n ^ j n ^ k − T N 2 T_S^2=||\vec t^{(\hat n)}||^2-T_N^2=t_i^{(\hat n)}t_i^{(\hat n)}-T_N^2=T_{ij}T_{ik}\hat n_j\hat n_k-T_N^2 TS2=∣∣t (n^)2TN2=ti(n^)ti(n^)TN2=TijTikn^jn^kTN2

代入 T N = t i ( n ^ ) n ^ i = T i j n ^ i n ^ j T_N=t_i^{(\hat n)}\hat n_i=T_{ij}\hat n_i\hat n_j TN=ti(n^)n^i=Tijn^in^j,有:
T S 2 = T 1 2 n 1 2 + T 2 2 n 2 2 + T 3 2 n 3 2 − ( T 1 n ^ 1 2 + T 2 n ^ 2 2 + T 3 n ^ 3 2 ) 2 T_S^2=T_1^2n_1^2+T_2^2n_2^2+T_3^2n_3^2-(T_1\hat n_1^2+T_2\hat n_2^2+T_3\hat n_3^2)^2 TS2=T12n12+T22n22+T32n32(T1n^12+T2n^22+T3n^32)2

现在如果问: n ^ i \hat n_i n^i取什么值才能使得函数 T S 2 T_S^2 TS2等于最大最小值,这个问题等价于:
F ( n ^ ) = T S 2 − μ ( n ^ i n ^ i − 1 ) F(\hat n)=T_S^2-\mu(\hat n_i\hat n_i-1) F(n^)=TS2μ(n^in^i1)
其中, μ \mu μ是拉格朗日乘子,约束条件为 n ^ ⋅ n ^ = 1 \hat n \cdot \hat n = 1 n^n^=1,那么:
∂ F ( n ^ ) ∂ n j = 0 j ; ∂ F ( n ^ ) ∂ μ = 0 \frac{\partial F(\hat n)}{\partial n_j}=0_j; \quad \frac{\partial F(\hat n)}{\partial \mu}=0 njF(n^)=0j;μF(n^)=0

解以上方程组,得到:
在这里插入图片描述
那么,可能的解如下所示:
在这里插入图片描述

前三组解:提供了 T S T_S TS的最小值,为0,正好对应于主方向

(4), (5), (6)这三组解,所表示的平面如下图所示:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

T 1 , T 2 , T 3 T_1, T_2, T_3 T1,T2,T3进行排序,那么, T S T_S TS可以表示成 T I , T I I , T I I I T_I, T_{II}, T_{III} TI,TII,TIII的形式:
T S m a x = T I − T I I I 2 T_{Smax}=\frac{T_I-T_{III}}{2} TSmax=2TITIII

任意二阶张量的图像表示

如果给定一个二阶张量的笛卡尔分量,那么就可以列出在任意由法向量 n ^ \hat n n^ 定义的平面上的法向和切向分量 ( T N , T S ) (T_N, T_S) (TN,TS)

约束条件是: n ^ ⋅ n ^ = n ^ 1 2 + n ^ 2 2 + n ^ 3 2 = 1 \hat n \cdot \hat n = \hat n_1^2+\hat n_2^2+\hat n_3^2=1 n^n^=n^12+n^22+n^32=1

可以画出以 T N T_N TN为横坐标, T S T_S TS为纵坐标的图像

数值过程:
先随机列举几个不同的 n ^ \hat n n^,这样就可以得到不同的 ( T N , T S ) (T_N, T_S) (TN,TS),把点画在 T N × T S T_N \times T_S TN×TS的图像中

同样,可以建立一个由其对称部分构成的图像: T N s y m × T S s y m T_N^{sym} \times T_S^{sym} TNsym×TSsym

第一个例子:对称的正定张量 T N = n ^ ⋅ T ⋅ n ^ > 0 , f o r a l l n ^ ≠ 0 ⃗ T_N = \hat n \cdot T \cdot \hat n>0, \quad for \quad all \quad \hat n \neq \vec 0 TN=n^Tn^>0,foralln^=0

可以证明,有三个特征值对应的是 T S = 0 T_S = 0 TS=0

由下图可以看出, T N T_N TN的最大最小值对其对称部分的最大最小值
在这里插入图片描述
对于切向向量,可以得到以下分解:
T ⃗ S = [ s ^ ⋅ T ⋅ n ^ ] s ^ = [ s ^ ⋅ T s y m ⋅ n ^ + s ^ ⋅ T s k e w ⋅ n ^ ] s ^ \vec T_S = [\hat s \cdot T \cdot \hat n]\hat s=[\hat s \cdot T^{sym}\cdot \hat n+\hat s \cdot T^{skew}\cdot \hat n]\hat s T S=[s^Tn^]s^=[s^Tsymn^+s^Tskewn^]s^

n ^ \hat n n^ 是对称部分的其中的一个主方向时,有:
在这里插入图片描述
其中 s ^ ⋅ n ^ = 0 \hat s \cdot \hat n = 0 s^n^=0,因为单位向量 s ^ \hat s s^ n ^ \hat n n^是正交的

所以,切向分量如下所示:
在这里插入图片描述
以上公式仅适用于 n ^ \hat n n^ T s y m T^{sym} Tsym主方向的其中一个

对于特征值 T I s y m = 10.55 T_I^{sym}=10.55 TIsym=10.55,对应的特征向量 n ^ j ( 1 ) = [ − 0.4522937 ; − 0.561517458 ; 0.692913086 ] \hat n_j^{(1)}=[-0.4522937; -0.561517458; 0.692913086] n^j(1)=[0.4522937;0.561517458;0.692913086],有:
在这里插入图片描述
而对于特征值 T I I s y m = 3.61 T_{II}^{sym}=3.61 TIIsym=3.61, 有:
s在这里插入图片描述
对于特征值 T I I I s y m = 0.84 T_{III}^{sym}=0.84 TIIIsym=0.84, 有:
在这里插入图片描述
可以发现,T的最大和最小的法向分量对应的是 T s y m T^{sym} Tsym的特征值

例如, T N m a x = T I s y m = 10.55 T_{N_{max}}=T_I^{sym}=10.55 TNmax=TIsym=10.55, T N m i n = T I I I s y m = 0.84 T_{N_{min}}=T_{III}^{sym}=0.84 TNmin=TIIIsym=0.84

那么最大的切向分量等于圆的半径,即由 T I s y m = 10.55 T_I^{sym}=10.55 TIsym=10.55 T I I I s y m = 0.84 T_{III}^{sym}=0.84 TIIIsym=0.84构成的:
T S m a x s y m = 10.55 − 0.84 2 = 4.86 T_{S_{max}}^{sym}=\frac{10.55-0.84}{2}=4.86 TSmaxsym=210.550.84=4.86

第二个例子:

对称张量有两个相同的特征值,可以验证 ( T N , T S ) (T_N, T_S) (TN,TS)可取的值被限制在以半径 R = T I − T I I I 2 = 2.5 R = \frac{T_I-T_{III}}{2}=2.5 R=2TITIII=2.5, 以及圆中心为 ( T N = T I + T I I I 2 = 1.5 , T S = 0 ) (T_N=\frac{T_I+T_{III}}{2}=1.5, T_S=0) (TN=2TI+TIII=1.5,TS=0)上的圆

在这里插入图片描述

第三个例子:非对称张量

只有一个实数特征值,为 T I = − 0.964 T_I= -0.964 TI=0.964

在T的对称部分的主方向上,可以列出切向分量的值:

对于特征值 T I s y m = 9.894 T_{I}^{sym}=9.894 TIsym=9.894,有:
在这里插入图片描述
对于特征值 T I I I s y m = − 2.02 T_{III}^{sym}=-2.02 TIIIsym=2.02, 有:
在这里插入图片描述
在这里插入图片描述

对称二阶张量的图像表示(莫尔圆)

有:
T S 2 + T N 2 = t ⃗ ( n ^ ) ⋅ t ⃗ ( n ^ ) = ∣ ∣ t ⃗ ( n ^ ) ∣ ∣ 2 T_S^2+T_N^2=\vec t^{(\hat n)}\cdot \vec t^{(\hat n)}=||\vec t ^{(\hat n)}||^2 TS2+TN2=t (n^)t (n^)=∣∣t (n^)2

主空间的 t ⃗ ( n ^ ) = T ⋅ n ^ \vec t^{(\hat n)}=T \cdot \hat n t (n^)=Tn^的分量,由下给出:
在这里插入图片描述
在这里插入图片描述

那么点乘 t ⃗ ( n ^ ) ⋅ t ⃗ ( n ^ ) \vec t^{(\hat n)} \cdot \vec t^{(\hat n)} t (n^)t (n^), 如下所示:
在这里插入图片描述
那么:
T S 2 + T N 2 = T I 2 n ^ 1 2 + T I I 2 n ^ 2 2 + T I I I 2 n ^ 3 2 T_S^2+T_N^2 = T_I^2\hat n_1^2+T_{II}^2\hat n_2^2+T_{III}^2\hat n_3^2 TS2+TN2=TI2n^12+TII2n^22+TIII2n^32

那么,在主空间的法向分量 T N T_N TN,可以写成:
T N = t ⃗ ( n ^ ) ⋅ T = T i j n ^ i n ^ j = T I n ^ 1 2 + T I I n ^ 2 2 + T I I I n ^ 1 2 T_N = \vec t ^{(\hat n)} \cdot T=T_{ij}\hat n_i\hat n_j=T_I\hat n_1^2+T_{II}\hat n_2^2+T_{III}\hat n_1^2 TN=t (n^)T=Tijn^in^j=TIn^12+TIIn^22+TIIIn^12

考虑约束条件: n ^ i n ^ i = 1    ⟹    n ^ 1 2 = 1 − n ^ 2 2 − n ^ 3 2 \hat n_i \hat n_i=1 \implies \hat n_1^2 = 1-\hat n_2^2-\hat n_3^2 n^in^i=1n^12=1n^22n^32, 代入到上式,求出 n ^ 2 2 \hat n_2^2 n^22:
在这里插入图片描述
n ^ 1 2 = 1 − n ^ 2 2 − n ^ 3 2 \hat n_1^2 = 1-\hat n_2^2-\hat n_3^2 n^12=1n^22n^32代入公式:
T S 2 + T N 2 = T I 2 n ^ 1 2 + T I I 2 n ^ 2 2 + T I I I 2 n ^ 3 2 T_S^2+T_N^2 = T_I^2\hat n_1^2+T_{II}^2\hat n_2^2+T_{III}^2\hat n_3^2 TS2+TN2=TI2n^12+TII2n^22+TIII2n^32

可得:
在这里插入图片描述
再代入 n ^ 2 2 \hat n_2^2 n^22,得:
在这里插入图片描述
得到 n ^ 3 2 \hat n_3^2 n^32
在这里插入图片描述
所以,也可以用相似得方式求出 n ^ 1 2 \hat n_1^2 n^12 n ^ 2 2 \hat n_2^2 n^22, 如下所示:

在这里插入图片描述
T I > T I I > T I I I T_I > T_{II} > T_{III} TI>TII>TIII, (a)和©的分母都为正,那么分子也为正;(b)分母为负,那么分子也必须为负

例如:
在这里插入图片描述
经过代数变换:
在这里插入图片描述
以上的等式表示是圆

第一个圆

中心: ( 1 2 ( T I I + T I I I ) , 0 ) (\frac{1}{2}(T_{II}+T_{III}), 0) (21(TII+TIII),0)
半径: 1 2 ( T I I − T I I I ) \frac{1}{2}(T_{II}-T_{III}) 21(TIITIII)

第一个可行域是在圆 C 1 C_1 C1之外:在这里插入图片描述

第二个圆

中心: ( 1 2 ( T I + T I I I ) , 0 ) (\frac{1}{2}(T_{I}+T_{III}), 0) (21(TI+TIII),0)
半径: 1 2 ( T I − T I I I ) \frac{1}{2}(T_{I}-T_{III}) 21(TITIII)

第二个可行域是在圆 C 2 C_2 C2之内:在这里插入图片描述

第三个圆

中心: ( 1 2 ( T I + T I I ) , 0 ) (\frac{1}{2}(T_{I}+T_{II}), 0) (21(TI+TII),0)
半径: 1 2 ( T I − T I I ) \frac{1}{2}(T_{I}-T_{II}) 21(TITII)

第三个可行域是在圆 C 3 C_3 C3之外:在这里插入图片描述

所以,可行域如下所示:

在这里插入图片描述
在莫尔圆中,最大值 T S m a x T_{S_{max}} TSmax的解:
在这里插入图片描述

张量椭球

对称二阶张量T在主空间的特征值 ( T 1 , T 2 , T 3 ) (T_1, T_2, T_3) (T1,T2,T3) , 满足以下:
在这里插入图片描述
现在,在主空间定义一个曲面,这个曲面可以描述 n ^ \hat n n^ 的所有可能值得向量 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^)

由约束条件: n ^ 1 2 + n ^ 2 2 + n ^ 3 2 = 1 \hat n_1^2+ \hat n_2^2+\hat n_3^2=1 n^12+n^22+n^32=1, 有:
在这里插入图片描述
这个表示得是一个在T主空间得椭球。如下所示
在这里插入图片描述
椭球表面表示的是 t 1 , t 2 , t 3 t_1, t_2, t_3 t1,t2,t3的可能取值

当两个特征值相等,那么就会得到一个旋转的椭球

当三个特征值相等,那么得到一个球, 此时表现出这种性质的张量被称为球面张量,任意方向都是主方向

球面张量和偏张量的图像表示

八面体向量

八面体平面,又称作偏平面,在这个平面上的法向与主方向的夹角都相等

在这里插入图片描述
n ^ 1 = n ^ 2 = n ^ 3 \hat n_1=\hat n_2 = \hat n_3 n^1=n^2=n^3, 有: 3 n ^ 1 2 = 1 3\hat n_1^2=1 3n^12=1 , 所以:
n ^ i = [ 1 3 1 3 1 3 ] \hat n_i= [\frac{1}{\sqrt{3}} \quad \frac{1}{\sqrt{3}} \quad \frac{1}{\sqrt{3}}] n^i=[3 13 13 1]

二阶张量投影到一个八面体平面得到的向量,标记为八面体向量 t ⃗ ( n ^ ) \vec t ^{(\hat n)} t (n^), 可以分解为法向分量和切向分量,

定义法向八面体向量 T ⃗ N o c t \vec T_N^{oct} T Noct, 切向八面体向量 T ⃗ S o c t \vec T_S^{oct} T Soct

八面体向量可以表示成:
在这里插入图片描述
那么, T ⃗ N o c t \vec T_N^{oct} T Noct 的大小可以用 T ⃗ N o c t \vec T_N^{oct} T Noct投影到 n ^ \hat n n^来表示:
在这里插入图片描述
其中 T N o c t T_N^{oct} TNoct称为 八面体法向分量

那么,八面体切向分量 T S o c t T_S^{oct} TSoct,如下所示:
在这里插入图片描述
以上式子同样可以表示成:
在这里插入图片描述
或者表示偏张量:
在这里插入图片描述

总结:
在这里插入图片描述
八面体法向和切向分量是8个八面体平面:
在这里插入图片描述
在主空间表示点 P ( T 1 , T 2 , T 3 ) P(T_1, T_2, T_3) P(T1,T2,T3),如下所示:
在这里插入图片描述

任意与直线 O A ‾ \overline{OA} OA 垂直的平面是八面体的(偏的),并且经过原点的八面体平面为 Π \Pi Π, 最后,直线 O A ‾ \overline{OA} OA 被称为球轴(净水轴)

考虑一个偏平面穿过点P,标记为 Π ′ \Pi' Π, 定义三个向量 O P ⃗ , O A ⃗ , A P ⃗ \vec {OP}, \vec {OA}, \vec {AP} OP ,OA ,AP

O P ⃗ \vec {OP} OP 可以表示成T的主值:
O P ⃗ = T 1 e ^ 1 ′ + T 2 e ^ 2 ′ + T 3 e ^ 3 ′ \vec {OP} = T_1 \hat e_1'+T_2 \hat e_2'+T_3 \hat e_3' OP =T1e^1+T2e^2+T3e^3

根据上面的图像, O A ⃗ \vec {OA} OA 的大小表示为:
在这里插入图片描述

p = 3 T m = 3 T N o c t \boxed{p=\sqrt{3}T_m=\sqrt{3}T_N^{oct}} p=3 Tm=3 TNoct

因此,向量 O A ⃗ \vec {OA} OA 表示为:
在这里插入图片描述
那么就可以求出 A P ⃗ \vec {AP} AP :
A P ⃗ = O P ⃗ − O A ⃗ \vec {AP} = \vec {OP} - \vec {OA} AP =OP OA
由于:
O P ⃗ = T 1 e ^ 1 ′ + T 2 e ^ 2 ′ + T 3 e ^ 3 ′ \vec {OP} = T_1 \hat e_1'+T_2 \hat e_2'+T_3 \hat e_3' OP =T1e^1+T2e^2+T3e^3
所以,有:
在这里插入图片描述

利用定义 T i j d e v = T i j − T m δ i j T_{ij}^{dev} = T_{ij}-T_m \delta_{ij} Tijdev=TijTmδij,有:
在这里插入图片描述
AP的分量表示的是主值的偏部分 T i j d e v T_{ij}^{dev} Tijdev

A P ⃗ \vec {AP} AP 的大小为:
在这里插入图片描述
考虑 2 I I T d e v = − ( T 1 d e v ) 2 − ( T 2 d e v ) 2 − ( T 3 d e v ) 2 2II_{T^{dev}}=-(T_1^{dev})^2-(T_2^{dev})^2-(T_3^{dev})^2 2IITdev=(T1dev)2(T2dev)2(T3dev)2

有:
q = − 2 I I T d e v = 3 T S o c t \boxed{q = \sqrt{-2II_{T^{dev}}}=\sqrt{3}T_S^{oct}} q=2IITdev =3 TSoct

根据毕达哥拉斯定理,也可以得到:
在这里插入图片描述
q: 表示张量状态距离球面状态的距离

考虑将主空间投影到 Π \Pi Π 平面
在这里插入图片描述
单位向量 e ^ 1 ′ ′ = a 1 e ^ 1 ′ + a 2 e ^ 2 ′ + a 3 e ^ 3 ′ \hat e_1''=a_1 \hat e_1'+a_2 \hat e_2'+a_3 \hat e_3' e^1′′=a1e^1+a2e^2+a3e^3
其中: cos ⁡ β = sin ⁡ α = 2 3 = a 1 \cos \beta=\sin \alpha=\frac{\sqrt{2}}{\sqrt{3}}=a_1 cosβ=sinα=3 2 =a1, a 2 = a 3 a_2 = a_3 a2=a3
在这里插入图片描述

如果净水轴与偏平面是正交的,那么:
在这里插入图片描述

解得:
在这里插入图片描述
因此:
在这里插入图片描述

那么, O P ⃗ \vec {OP} OP e ^ 1 ′ ′ \hat e_1'' e^1′′ 的投影如下所示:
在这里插入图片描述
如果考虑 T 1 d e v + T 2 d e v + T 3 d e v = 0 T_1^{dev}+T_2^{dev}+T_3^{dev}=0 T1dev+T2dev+T3dev=0 , 那么 − T 1 d e v = T 2 d e v + T 3 d e v -T_1^{dev}=T_2^{dev}+T_3^{dev} T1dev=T2dev+T3dev, 则上式变为:
在这里插入图片描述

由于 q = − 2 I I T d e v q = \sqrt{-2II_{T^{dev}}} q=2IITdev , 有:
在这里插入图片描述
同样地,可以求出 T 2 d e v T_2^{dev} T2dev T 3 d e v T_3^{dev} T3dev

那么,可以将主值表示为, T i j = T m δ i j + T i j d e v T_{ij}=T_m\delta_{ij}+T_{ij}^{dev} Tij=Tmδij+Tijdev

在这里插入图片描述
其中 0 ≤ θ ≤ π / 3 0 \le \theta \le \pi / 3 0θπ/3

所以,张量可以表示成 ( p , q , θ ) (p, q, \theta ) (p,q,θ)

在这里插入图片描述
由于:
在这里插入图片描述
且有: cos ⁡ 3 θ = 4 cos ⁡ 3 θ − 3 cos ⁡ θ \cos 3\theta=4\cos^3 \theta -3\cos \theta cos3θ=4cos3θ3cosθ, 代入可得:
在这里插入图片描述
并且有: I I T d e v = ( T 1 d e v T 2 d e v + T 2 d e v T 3 d e v + T 1 d e v T 3 d e v ) II_{T^{dev}}=(T_1^{dev}T_2^{dev}+T_2^{dev}T_3^{dev}+T_1^{dev}T_3^{dev}) IITdev=(T1devT2dev+T2devT3dev+T1devT3dev)

那么:
在这里插入图片描述
由于 I I T d e v II_{T^{dev}} IITdev I I I T d e v III_{T^{dev}} IIITdev是不变量,所以 cos ⁡ 3 θ \cos 3\theta cos3θ也是不变量

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/617741.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

指针(三)

文章内容 1. 字符指针 2. 数组指针 3. 指针数组 文章内容 1. 字符指针 指针的概念: 1. 指针就是个变量,用来存放地址,地址唯一标识一块内存空间。 2. 指针的大小是固定的4/8个字节(32位平台/64位平台)。 3. 指针…

适配器stack和queue

目录 什么是适配器 模拟实现stack stack的特性 STL中stack的基本框架 接口实现 模拟实现queue queue的特性 STL中queue的框架 什么是适配器 适配器:所谓适配,适配的是容器(vector,list,deque....) 也就是不管是什么容器,都可以套用适…

chatgpt赋能python:Python如何设置输入的SEO

Python如何设置输入的SEO Python是一种高级的编程语言,具有容易上手、可扩展和开源等特点,因此在软件开发过程中得到广泛的应用。然而,如果您想让您的Python项目在搜索引擎上获得更好的排名和流量,您需要考虑如何设置输入的SEO。…

二叉搜索树(Binary Seach Tree)模拟实现

目录 二叉搜索树的性质 二叉搜索树的实现 结点类 接口类(BSTree) 二叉搜索树的插入(insert) 二叉搜索树的查找(find) 二叉搜索树删除(erase) 第二种、删除的结点右子树为空 第三种、删除的结点左子树为空 第四种、删除的结点左右都不为空 实现 二叉搜索树模拟实现代…

基于jupyter的轮廓检测及功能

文章目录 一、实验介绍二、实验步骤三、实验任务任务一:轮廓特征练习一: 找到每个轮廓的方向任务二:边界矩形练习二: 围绕轮廓裁剪图像 总结 一、实验介绍 1. 实验内容 本实验将学习轮廓检测及功能。 2. 实验要点 生成二进制图像来查找轮廓找到并画出…

kotlin函数返回函数

kotlin函数返回函数 https://blog.csdn.net/zhangphil/category_12220817.htmlhttps://blog.csdn.net/zhangphil/category_12220817.html 例1: // func返回匿名函数 fun func(msg: String): (String, Int) -> String {println("func函数 msg:$msg")/…

电能管理系统多功能电力仪表的应用 安科瑞 许敏

摘 要:基于车间用电设备的电能管理系统架构思路及实施方法,从硬件和软件方面对此方法进行了阐述。对车间旧设备改造以及新的电能管理系统提供一种思路和便捷的方法。 关键词:电能管理系统;多功能电力仪表;PLC&#x…

Azure Log Analytics:与Power BI集成

注:本文最初发布于https://d-bi.gitee.io, 2023年6月迁移至CSDN 前述 Azure Log Analytics是Azure Monitor中的一项分析服务。本文将讲述通过Log Analytics与Power BI集成的方式,获取Power BI工作区内的日志信息,包括各PBI数据集的CPU消耗&a…

6/5~6/6总结

创建存储过程 DELIMITER // CREATE PROCEDURE usingid() BEGIN SELECT AVG(id) FROM user; END // DELIMITER ; 要用DELIMITER //指定结束符为 "//", 要调用该存储过程: CAll usingid; 创建成功后在navicat里面的函数界面可以看见刚刚创建的存储过程…

【TCP/IP】IP地址与域名之间的转换 - gethostbyname 和 gethostbyaddr函数

目录 域名系统 DNS服务器 IP地址和域名之间的转换 通过域名获取IP地址 通过IP地址获取域名 域名系统 域名系统(英文:Domain Name System,缩写:DNS)是互联网的一项服务。它作为将域名和IP地址相互映射的一个分布式…

chatgpt赋能python:Python如何竖直输出?

Python如何竖直输出? Python作为一种功能强大的编程语言,在数据分析、人工智能、Web开发等领域得到广泛应用。不过,对于一些初学者或者日常编程较少的开发者来说,可能会遇到一些问题,例如如何竖直输出。 在Python中&…

软件过程与管理——民宿管理系统的项目实践报告(文档+ppt+图表源文件)

目录 一、题目分析与设计 二、评分标准 三、文档目录 四、文档下载 一、题目分析与设计 1、团队组织建设 同学们以3-5人为一组,最多5人一组,每组选择一个具体的软件项目,如现进行的个人毕业设计题目等为主题,要求项目的工作…

量子模拟器中的“弯曲时空”

光子盒研究院出品 当你想解释宇宙尺度的现象时,相对论很有效:比如黑洞碰撞时产生的引力波;量子理论在描述粒子尺度的现象时效果很好(比如原子中单个电子的行为)。但是,将这两者以一种完全令人满意的方式结合…

【SpinalHDL快速入门】4.6、复合类型之Vec

文章目录 1.1、描述1.2、声明1.2.1、实例 1.3、运算符1.3.1、比较(Comparison)1.3.2、类型转换(Type cast)1.3.3、杂项(Misc)1.3.4、Lib辅助函数(Lib helper functions) 1.1、描述 …

直播签到功能(互动功能发起端JS-SDK)

功能概述 本功能只支持角色为讲师/嘉宾/助教/管理员的用户进行发起和停止等操作。发起签到时可自定义设置签到时长和签到提示语。 图 / 讲师在直播客户端软件f中操作界面 图 / 学员直播观看页弹出签到界面 代码示例 注意,在开始以下步骤前需要先进行全局初始化设置…

chatgpt赋能python:Python-如何快速高效地求两数之和

Python - 如何快速高效地求两数之和 介绍 Python 是一种高级编程语言,适用于各种领域的软件开发。本文将介绍使用 Python 完成两个数字之和的操作。Python 以其清晰、简洁、易于学习和使用的特性闻名于世,既能作为脚本语言,又能进行面向对象…

基于stm32的超声波测距

文章目录 一、HC-SR04超声波测距模块说明1、产品特点2、电气参数3、HC-SR04超声波测距模块4、超声波时序图 二、 CUBEMX配置三、keil配置代码 模块选择: stm32f103c8芯片 HC-SR04超声波测距模块 一、HC-SR04超声波测距模块说明 1、产品特点 HC-SR04 超声波测距模块…

chatgpt赋能python:Python如何将两张图片叠加

Python如何将两张图片叠加 介绍 图像处理是计算机视觉领域的重要应用,而Python已经成为了图像处理中最流行的编程语言之一。在图像处理的过程中,有时需要将两张图片叠加在一起,这就需要用到Python中的图像叠加技术。 本文将介绍Python中如…

chatgpt赋能python:Python如何空一行:介绍

Python如何空一行:介绍 在Python编程中,经常需要在输出文字或代码时进行空行分隔。一个常用的场景就是在代码中加入注释,将注释与代码分开,使代码逻辑更加清晰易懂。在某些情况下,也需要在输出文字时进行空行分割&…

一次方维o2o商城PHP审计学习

PHP审计源码学习 一、渗透测试 起因是朋友问fanwei o2o源码搭建的站后台能不能拿shell,于是我进后台进行了一番尝试,各功能点没什么进展,好多地方过滤了,上传也是白名单,编辑器的1day修了,万幸的是有个拿…