【连续介质力学】变形梯度

news2025/1/20 6:00:03

变形梯度

简介

本节讨论两个不同质点P和Q的之间的相对运动变化

拉伸比和相对伸长

d X ⃗ d\vec X dX : 在参考构形连接质点P和Q的向量,线单元

M ^ \hat M M^: d X ⃗ d\vec X dX 方向的单位向量

d x ⃗ d\vec x dx : 在当前构形连接质点P’和Q‘的向量,线单元

m ^ \hat m m^: d x ⃗ d\vec x dx 方向的单位向量

d S dS dS: d X ⃗ d\vec X dX 的大小, d S = ∣ ∣ d X ⃗ ∣ ∣ = ∣ ∣ P Q ⃗ ∣ ∣ dS = ||d \vec X||=||\vec {PQ}|| dS=∣∣dX ∣∣=∣∣PQ ∣∣

d s ds ds: d x ⃗ d\vec x dx 的大小, d s = ∣ ∣ d x ⃗ ∣ ∣ = ∣ ∣ P ′ Q ′ ⃗ ∣ ∣ ds = ||d \vec x||=||\vec {P'Q'}|| ds=∣∣dx ∣∣=∣∣PQ ∣∣

在这里插入图片描述

  • 拉伸比 λ m ^ \lambda_{\hat m} λm^ , 沿着 m ^ \hat m m^方向:

在这里插入图片描述
范围: 0 < λ m ^ < ∞ 0 < \lambda_{\hat m} < \infty 0<λm^< , 当 d s → 0 , λ m ^ → 0 当 ds \to 0, \lambda_{\hat m}\to 0 ds0,λm^0
当 d s → 0 , λ m ^ → 0 当 ds \to 0, \lambda_{\hat m}\to 0 ds0,λm^0
当 d s → ∞ , λ m ^ → ∞ 当 ds \to \infty, \lambda_{\hat m}\to \infty ds,λm^

不可穿透原理: d s ≠ 0    ⟹    λ m ^ ≠ 0 ds \neq 0 \implies \lambda_{\hat m} \neq 0 ds=0λm^=0
如果不是的话,那么将会同时有两个质点占据着相同的位置

λ m ^ = 1 \lambda_{\hat m}=1 λm^=1: 没有伸长
0 < λ m ^ < 1 0<\lambda_{\hat m}<1 0<λm^<1: P Q ⃗ \vec {PQ} PQ 缩短
λ m ^ > 1 \lambda_{\hat m} > 1 λm^>1: 两个质点之间距离变大

  • 相对伸长 ϵ m ^ \epsilon_{\hat m} ϵm^
    在这里插入图片描述

范围: − 1 < ϵ m ^ < ∞ -1 < \epsilon_{\hat m} < \infty 1<ϵm^<

在这里插入图片描述

物质和空间的变形梯度

运动的质点描述: x ⃗ = x ⃗ ( X ⃗ , t ) \vec x = \vec x(\vec X, t) x =x (X ,t)

根据下图,有:
在这里插入图片描述

在这里插入图片描述
如果将 x ⃗ Q ( X ⃗ Q , t ) \vec x^Q(\vec X^Q, t) x Q(X Q,t)表示成:
在这里插入图片描述
那么,当前构形的向量场 d x ⃗ d \vec x dx 表示为:

在这里插入图片描述
应用泰勒展开:

在这里插入图片描述
由于P和Q离得足够近,所以高阶项可以去掉:
d x ⃗ = ∂ x i ∂ X k d X k e ^ i = F i k d X k e ^ i d\vec x=\frac{\partial x_i}{\partial X_k}dX_k\hat e_i=F_{ik}dX_k\hat e_i dx =XkxidXke^i=FikdXke^i

or:
d x ⃗ = F ⋅ d X ⃗ \boxed{d\vec x=F\cdot d\vec X} dx =FdX

其中 F F F 是二阶张量,被称为物质变形梯度

是从 d X ⃗ d\vec X dX (未变形构形)到 d x ⃗ d\vec x dx (变形构形)的一个线性变换

也可以从梯度的定义出发得到:
标量场: ϕ = ϕ ( x ⃗ , t ) \phi = \phi(\vec x, t) ϕ=ϕ(x ,t)

全微分: d ϕ ( x ⃗ , t ) = ∇ ϕ ⋅ d x ⃗ = ∂ ϕ ( x ⃗ , t ) ∂ x ⃗ ⋅ d x ⃗ d\phi(\vec x, t)=\nabla\phi\cdot d\vec x= \frac{\partial \phi(\vec x, t)}{\partial \vec x}\cdot d\vec x dϕ(x ,t)=ϕdx =x ϕ(x ,t)dx

x ⃗ ( X ⃗ , t ) \vec x(\vec X, t) x (X ,t), 则:
在这里插入图片描述
直角坐标系下的 d x ⃗ d\vec x dx 的分量可以通过以下点乘得到:
在这里插入图片描述

张量 F表示成:
在这里插入图片描述

在这里插入图片描述

可以用下标大写表示:
∗ i , J ≡ ∂ ∗ i ∂ X j ≠ ∗ i , j ≡ ∂ ∗ i ∂ x j *_{i,J}\equiv\frac{\partial *_i}{\partial X_j} \neq *_{i,j} \equiv \frac{\partial *_i}{\partial x_j} i,JXji=i,jxji

用大写Grad表示:

G r a d ( ∗ ) = ∇ X ⃗ ( ∗ ) = ∂ ( ∗ ) ∂ X i ⨂ e ^ i Grad(*)=\nabla_{\vec X}(*)=\frac{\partial (*)}{\partial X_i} \bigotimes \hat e_i Grad()=X ()=Xi()e^i

g r a d ( ∗ ) = ∇ x ⃗ ( ∗ ) = ∂ ( ∗ ) ∂ x i ⨂ e ^ i grad(*)=\nabla_{\vec x}(*)=\frac{\partial (*)}{\partial x_i} \bigotimes \hat e_i grad()=x ()=xi()e^i

方程的逆变换:
d X ⃗ = F − 1 ⋅ d x ⃗ \boxed{d \vec X = F^{-1} \cdot d \vec x} dX =F1dx

其中 F − 1 F^{-1} F1空间变形梯度

在这里插入图片描述
在这里插入图片描述
矩阵的逆的分量可由下式求得:

在这里插入图片描述
J J J 关于 F F F 的导数如下:
在这里插入图片描述

在这里插入图片描述
根据代数余子式和逆矩阵的定义:
在这里插入图片描述
用张量的第三主不变量表示上述方程:
在这里插入图片描述
方程的逆:

在这里插入图片描述
所以:

在这里插入图片描述
证明如下:
在这里插入图片描述
在kq , 张量 ϵ q j k = ϵ j k q = − ϵ j q k \epsilon_{qjk}=\epsilon_{jkq}=-\epsilon_{jqk} ϵqjk=ϵjkq=ϵjqk 是反对称的,然而 x n , k q x_{n, kq} xn,kq是对称的, 所以 ϵ q j k x n , k q = 0 j n \epsilon_{qjk}x_{n,kq}=0_{jn} ϵqjkxn,kq=0jn

所以可以证明 ( J − 1 x q , p ) , q = 0 (J^{-1}x_{q,p})_{,q}=0 (J1xq,p),q=0

如果 u ⃗ ( x ⃗ , t ) \vec u(\vec x, t) u (x ,t) σ ( x ⃗ , t ) \sigma (\vec x, t) σ(x ,t) 分别是向量和二阶张量,满足以下关系:

在这里插入图片描述
下标形式:
在这里插入图片描述
在这里插入图片描述

问题2.5 ϕ ( X ⃗ , t ) \phi(\vec X, t) ϕ(X ,t) 是一个拉格朗日描述的标量场

在这里插入图片描述

位移梯度张量(物质和空间描述)

位移 u ⃗ \vec u u 的拉格朗日和欧拉描述:

在这里插入图片描述
对位移 u i ( X ⃗ , t ) = x i ( X ⃗ , t ) − X i u_i(\vec X, t)=x_i(\vec X, t)-X_i ui(X ,t)=xi(X ,t)Xi 关于 X ⃗ \vec X X 求偏导:

在这里插入图片描述
J \mathcal J J物质位移梯度张量

对位移 u i ( x ⃗ , t ) = x i − X i ( x ⃗ , t ) u_i(\vec x, t)=x_i - X_i(\vec x, t) ui(x ,t)=xiXi(x ,t) 关于 X ⃗ \vec X X 求偏导:

在这里插入图片描述

j \mathcal j j空间位移梯度张量

在这里插入图片描述

由于:

在这里插入图片描述

可以得到 j 和 J \mathcal j 和 \mathcal J jJ之间的关系:

在这里插入图片描述

问题2.6 位移场

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

在这里插入图片描述

变形梯度的物质时间导数和雅可比行列式的物质时间导数

F F F 的物质时间导数——空间速度梯度

F F F 的物质时间导数:

在这里插入图片描述
将速度表示成欧拉形式, v i ( X ⃗ ( x ⃗ , t ) , t ) v_i(\vec X(\vec x, t), t) vi(X (x ,t),t) , 应用链式法则:

在这里插入图片描述
张量表示:

F ˙ = l ⋅ F \boxed{\dot F = \mathcal l \cdot F} F˙=lF

其中 l \mathcal l l 是空间速度梯度,定义为:

l ( x ⃗ , t ) = ∇ x ⃗ v ⃗ ( x ⃗ , t ) = F ˙ ⋅ F − 1 空间速度梯度 \boxed{\mathcal l(\vec x, t)=\nabla_{\vec x}\vec v(\vec x, t)=\dot F \cdot F^{-1}} 空间速度梯度 l(x ,t)=x v (x ,t)=F˙F1空间速度梯度

问题2.7 令 d x ⃗ d\vec x dx 是一个在当前构形下的微分线单元, 求 d x ⃗ d\vec x dx 的物质时间导数

在这里插入图片描述
D D t d x ⃗ = ∇ x ⃗ v ⃗ ⋅ d x ⃗ \frac{D}{Dt}d\vec x=\nabla_{\vec x}\vec v\cdot d \vec x DtDdx =x v dx

变形率和自旋张量

张量 l \mathcal l l 可以分解成对称部分和反对称部分:

在这里插入图片描述
由此,可以定义以下张量:

l s y m = D ( x ⃗ , t ) \mathcal l^{sym}=D(\vec x, t) lsym=D(x ,t)- 变形率张量
l s k e w = W ( x ⃗ , t ) \mathcal l^{skew}=W(\vec x, t) lskew=W(x ,t)-自旋、旋转率张量或涡量张量

D D D W W W 的分量分别是:

在这里插入图片描述
自旋张量有三个独立的分量:

在这里插入图片描述

可以定义涡度向量场 ω ⃗ = 2 w ⃗ \vec \omega=2 \vec w ω =2w

另外,根据反对称张量定义:

在这里插入图片描述
并且已经证明过 : 2 w ⃗ = r o t ( v ⃗ ) = ∇ ⃗ x ⃗ ∧ v ⃗ 2 \vec w=rot(\vec v)= \vec \nabla_{\vec x} \wedge \vec v 2w =rot(v )= x v

其中 w ⃗ \vec w w 是反对称张量 ( ∇ x ⃗ v ⃗ ) s k e w (\nabla_{\vec x}\vec v)^{skew} (x v )skew 关联的轴向量, 因此涡度向量表示为:

ω ⃗ = 2 w ⃗ = r o t ( v ⃗ ) = ∇ ⃗ x ⃗ ∧ v ⃗ 涡度向量 \boxed{\vec \omega=2\vec w = rot(\vec v)=\vec \nabla_{\vec x}\wedge \vec v} 涡度向量 ω =2w =rot(v )= x v 涡度向量

由于下式成立:

在这里插入图片描述
那么 D = 0 D = 0 D=0 表征为一个刚体运动,此外, D ( d x ⃗ ) D t = w ⃗ ∧ d x ⃗ \frac{D(d\vec x)}{Dt}=\vec w \wedge d \vec x DtD(dx )=w dx 成立,以下为证明:

在这里插入图片描述
为了证明 D = 0 D = 0 D=0 表征的是刚体运动,也就是说质点之间的距离是不发生改变的,也就是说 d x ⃗ d\vec x dx 的大小不随时间改变, 所以考察一下 ∣ ∣ d x ⃗ ∣ ∣ 2 ||d \vec x||^2 ∣∣dx 2 的物质时间导数:

在这里插入图片描述
其中,用到了 A s k e w : B s y m = 0    ⟹    W : ( d x ⃗ ⨂ d x ⃗ ) = 0 A^{skew}:B^{sym}=0 \implies W:(d \vec x \bigotimes d \vec x)=0 Askew:Bsym=0W:(dx dx )=0,所以 d x ⃗ d \vec x dx 的大小不随时间改变

如果自旋张量是一个零张量 W = 0 W = 0 W=0, 那么速度场被认为是无旋的, 因此 ∇ ⃗ x ⃗ ∧ v ⃗ = 0 ⃗ \vec \nabla_{\vec x} \wedge \vec v=\vec 0 x v =0

在问题2.3 中,以下的关系是成立的:

∇ x ⃗ v ⃗ ⋅ v ⃗ = ∇ x ⃗ ( v 2 2 ) + 1 2 ( ∇ ⃗ x ⃗ ∧ v ⃗ ) ∧ v ⃗ \nabla _{\vec x}\vec v \cdot \vec v=\nabla_{\vec x}(\frac{v^2}{2})+\frac{1}{2}(\vec \nabla_{\vec x}\wedge \vec v) \wedge \vec v x v v =x (2v2)+21( x v )v

推导:

在这里插入图片描述
2 ( ∇ x ⃗ v ⃗ ) T ⋅ v ⃗ 2 (\nabla_{\vec x} \vec v)^T\cdot \vec v 2(x v )Tv 可以写成下标形式 2 v j , i v j 2 v_{j,i} v_j 2vj,ivj, 等价于
( ∣ ∣ v ⃗ ∣ ∣ 2 ) , i = ( v 2 ) , i = ( v ⃗ ⋅ v ⃗ ) , i = ( v j v j ) , i = v j , i v j + v j v j , i = 2 v j v j , i (||\vec v||^2)_{,i}=(v^2)_{,i}=(\vec v \cdot \vec v)_{,i}=(v_jv_j)_{,i}=v_{j,i}v_j+v_jv_{j,i}=2v_jv_{j,i} (∣∣v 2),i=(v2),i=(v v ),i=(vjvj),i=vj,ivj+vjvj,i=2vjvj,i
因此:

在这里插入图片描述

F − 1 F^{-1} F1 的物质时间导数

空间变形梯度 F − 1 F^{-1} F1 的物质时间导数:

在这里插入图片描述
所以:

在这里插入图片描述

F ˙ − 1 = − F − 1 ⋅ l \boxed{\dot F^{-1}=-F^{-1}\cdot \mathcal l} F˙1=F1l

雅可比行列式的物质时间导数

雅可比行列式的物质时间导数:

在这里插入图片描述

以下关系成立:

在这里插入图片描述
将以上 x ˙ 1 , P , x ˙ 2 , Q , x ˙ 3 , R \dot x_{1,P}, \dot x_{2,Q}, \dot x_{3,R} x˙1,P,x˙2,Q,x˙3,R 代入到 D ( J ) D t \frac{D(J)}{Dt} DtD(J)

在这里插入图片描述

第一项表示为:

在这里插入图片描述
所以,同样地,可以得到:

在这里插入图片描述
那么:

在这里插入图片描述
其中用到了反对称张量的迹为零

T r ( l ) = T r ( D + W ) = T r ( D ) + T r ( W ) = T r ( D ) Tr(\mathcal l)=Tr(D + W)=Tr(D) + Tr(W) =Tr(D) Tr(l)=Tr(D+W)=Tr(D)+Tr(W)=Tr(D)

雅可比行列式的物质时间导数也可以表示成:

在这里插入图片描述

问题 2.8

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/625635.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

对象存储分布式代理-go初学者的开源练手项目

最近写了一个go语言练手项目osproxy和osproxy-grpc&#xff0c;代码已完全开源到github。 相信不少接触go语言的读者&#xff0c;都是被它"极简协程"&#xff0c;“高并发”&#xff0c;"高性能"的特性所吸引&#xff0c;我也不例外&#xff0c;想着学完之…

基于MATLAB涡度通量数据处理技术应用

点击查看原文 本文基于MATLAB语言、以实践案例为主&#xff0c;提供代码、原理与操作结合 1、以涡度通量塔的高频观测数据为例&#xff1a;基于MATLAB开展上机操作 2、涡度通量观测基本概况&#xff1a;观测技术方法、数据获取与预处理等 3、涡度通量数据质量控制&#xff1…

第3章 需求分析(上)

第3章 需求分析&#xff08;上&#xff09; 3.1 需求分析任务 3.1.1 确定对系统的综合要求 1. 功能需求 通过需求分析应该划分出必须完成的所有功能。 2. 性能需求 性能需求指定系统必须满足的定时约束或容量约束 3. 可靠性和可用性需求 可靠性需求定量地指定系统的可靠…

二叉树的最近公共祖先LCA

一、什么是最近公共祖先 LCA为最近公共祖先&#xff08;Lowest Common Ancestor&#xff09;的缩写。 对于一棵有根树T的两个节点u,v,最近公共祖先LCA(T,u,v)代表一个节点x。 LCA(5,6) 2 LCA(7,12) 3 LCA(2,1)1 二、公共祖先的朴素解法 两个节点先调整到相同的深度每一次…

Qt6使用cmake创建项目

目录 创建普通项目 创建qt项目 创建具有资源文件的qt项目 在QT6中&#xff0c;官方推荐在新的项目中使用CMake。 在Qt Creator中使用CMake构建系统时&#xff0c;与往常的qmake有一些不一样&#xff0c;因此写一篇文章来记录一下。 创建普通项目 我们先写一个最简单的项目…

chatgpt赋能python:Python的Unicode编码介绍

Python的Unicode编码介绍 什么是Unicode Unicode是一个字符集&#xff0c;它定义了世界上几乎所有的字符&#xff0c;包括字母、数字、符号和标点。Unicode使用唯一的数字编码来表示每个字符&#xff0c;这使得在不同的操作系统和编程语言中展示和处理字符非常方便。在Python…

chatgpt赋能python:Python怎样完成更新?

Python怎样完成更新&#xff1f; Python是一种非常流行的编程语言&#xff0c;由于它的简单易学和广泛的应用领域&#xff0c;许多程序员选择使用Python编写程序。但是&#xff0c;随着时间的推移和技术的不停发展&#xff0c;Python需要不断更新以保持全球开发者的使用体验。…

ES 如何重建索引

场景&#xff1a; ES索引中&#xff0c;为了效率和存储空间&#xff0c;有些字段可以设定为不被索引&#xff0c;然后某一天又需要改成能索引&#xff0c;此时就需要对ES进行重建索引&#xff0c;操作如下 1、修改 ES 索引模板文件 cd /data/elk/logstash/es-template/ vim e…

JavaSE笔记(七)

Java反射和注解 **注意&#xff1a;**本章节涉及到JVM相关底层原理&#xff0c;难度会有一些大。 反射就是把Java类中的各个成分映射成一个个的Java对象。即在运行状态中&#xff0c;对于任意一个类&#xff0c;都能够知道这个类所有的属性和方法&#xff0c;对于任意一个对象…

几十款游戏的简单分析

文章目录 一、 介绍二、 影响游戏体验的因素三、 游戏能爆火的因素1.影响游戏爆火因素的排名2.玩游戏的两种经典心理3.经典案例分析Qq农场植物大战僵尸水果忍者召唤神龙羊了个羊 4.游戏公司可借鉴的经验5.未来游戏面对的诸多挑战 四、 几十款游戏的多方面分析FC红白游戏机十二人…

chatgpt赋能python:Python中的import使用详解

Python中的import使用详解 介绍 在Python中&#xff0c;import是将一个模块引入到当前脚本中使用的关键字。Python中的模块是指一个包含所有定义、函数和变量等的Python文件&#xff0c;也可以包含其他模块&#xff0c;从而构成一个Python程序。在Python中&#xff0c;有很多…

spark相关理论

系列文章目录 ubuntu虚拟机下搭建zookeeper集群&#xff0c;安装jdk压缩包&#xff0c;搭建Hadoop集群与spark集群的搭建【上篇】_ubuntu搭建zookeeper集群 ubuntu虚拟机下搭建zookeeper集群&#xff0c;安装jdk压缩包&#xff0c;搭建Hadoop集群与spark集群的搭建【下篇】 …

Redux基本使用和实践

Redux的核心是store&#xff0c;store作为应用状态的容器&#xff0c;保存着这个页面的状态数据树。 store 但是store本质上是一个JavaScript对象&#xff0c;这个对象含有了dispatch以及获取页面状态数据的方法等等。 如上图所示&#xff0c;store提供几个方法给开发者调用&…

[论文阅读笔记75]P-Tuning v2

1. 基本信息 题目论文作者与单位来源年份P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and TasksXiao Liu等Tsinghua University清华大学2021 Citations, References 论文链接&#xff1a;https://arxiv.org/pdf/2110.07602.pdf…

chatgpt赋能python:Python的IDLE是什么?——初探IDLE的用途和功能

Python的IDLE是什么&#xff1f;——初探IDLE的用途和功能 Python的IDLE是一个Python集成开发环境(IDE)&#xff0c;可以简单地将其视为为开发者提供编写、调试和执行代码的工具。IDLE包括一个交互式解释器&#xff0c;使开发更加快速和简便。它还提供了代码编辑器、调试器和其…

chatgpt赋能python:Python技巧:一行代码实现所有数据的输出

Python技巧&#xff1a;一行代码实现所有数据的输出 Python是一种高级动态语言&#xff0c;因其简单易学和灵活性而广受欢迎。Python的语法简单明了&#xff0c;适合初学者学习、理解和实践&#xff0c;同时也是专业程序员的首选开发语言之一。 在实际的编程中&#xff0c;有…

k8s简单部署示例

1 部署yaml文件 1.1 Deployment部署 apiVersion: apps/v1 kind: Deployment metadata:name: zscorenamespace: wangzy-plabels:app: zscore-dep spec:replicas: 1selector:matchLabels:app: zscoretemplate:metadata:labels:app: zscoreannotations:sidecar.istio.io/inject:…

[工业互联-9]:EtherCAT(以太网控制自动化技术)+TwinCAT 在生产自动化控制中的应用 、

前言 EtherCAT&#xff08;以太网控制自动化技术&#xff09;是一个开放架构&#xff0c;以以太网为基础的现场总线系统&#xff0c;其名称的CAT为控制自动化技术&#xff08;Control Automation Technology&#xff09;字首的缩写。EtherCAT是确定性的工业以太网&#xff0c;…

Android 源码 AOSP版本– 下载[Ubuntu ]

Android 源码 AOSP版本– 下载[Ubuntu ] 前言配置下载源码前言 Android系统作为一个庞大的开源项目,除了一些谷歌自带服务之外,其他所有代码均以AOSP(Android Open Source Project)的形式开源。对于框架开发者来说,熟悉AOSP是必不可少的知识。即使是普通开发者,为了优化…

POSTGRES 多条件数量统计---CASE WHEN 妙用

创建表 create table tbl_user( id serial PRIMARY KEY, name varchar(256), addr varchar(256), age int, score int, fav varchar(256) ) 插入预置数据 INSERT INTO tbl_user (name, addr, age, score, fav) VALUES (aaa,aaa_addr,10, 23,aaa_fav_new), (bbb,ccc_addr,10, 23…