【连续介质力学】变形梯度

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:/a/29143.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

简要介绍 | 计算机视觉中的开放词汇:挑战与未来

注1&#xff1a;本文系“简要介绍”系列之一&#xff0c;仅从概念上对计算机视觉中的开放词汇(open vocabulary)进行非常简要的介绍&#xff0c;不适合用于深入和详细的了解。 注2&#xff1a;"简要介绍"系列的所有创作均使用了AIGC工具辅助 计算机视觉中的开放词汇&…

深入理解Java虚拟机jvm-对象的内存布局

对象的内存布局 对象头&#xff08;Header&#xff09;实例数据&#xff08;Instance Data&#xff09;对齐填充&#xff08;Padding&#xff09; 在HotSpot虚拟机里&#xff0c;对象在堆内存中的存储布局可以划分为三个部分&#xff1a;对象头&#xff08;Header&#xff09;、…

jenkins用户权限管理

环境准备: 登录jenkins: http://192.168.9.190:8091/ admin asdwhl@0 一、用户权限插件安装 1、Dashboard > Manage Jenkins > Manage Plugins > Available(可选插件) 依次安装: Role-based Authorization Strategy Authorize Project

【Git】git push origin master时发生的各类错误汇总

文章目录 一、常见的git命令二、错误一三、错误二四、错误三五、问题解决 一、常见的git命令 使用 git 命令时&#xff0c;您可以执行一系列操作来管理代码仓库。下面是一些常用的 git 命令及其功能&#xff1a; git init: 在当前目录初始化一个新的 git 仓库。git clone <…

stm32超声波测距代码

操作思路&#xff1a; 初始化时将trig和echo端口都置低&#xff0c;首先向给trig 发送至少10 us的高电平脉冲&#xff08;模块自动向外发送8个40K的方波&#xff09;&#xff0c;然后等待&#xff0c;捕捉 echo 端输出上升沿&#xff0c;捕捉到上升沿的同时&#xff0c;打开定时…

Spark大数据处理学习笔记(3.2.2)掌握RDD算子

衔接上文&#xff1a;http://t.csdn.cn/Z0Cfj 文章目录 三、掌握行动算子3.1 归约算子 - reduce()3.2 采集算子 - collect()3.3 首元素算子 - first()3.4 计数算子 - count()3.5 按键计数算子 - countByKey()3.6 前截取算子 - take(n)3.7 排序前截取算子 - takeOrdered(n)[(ord…

vim实用功能汇总

文章目录 1. 读代码1.1 vim中文件跳转1.2 语法高亮模式1.3 Visual 模式 2. 配置vim成为python的IDE 1. 读代码 1.1 vim中文件跳转 vim中文件跳转 这个其实不是靠什么插件完成的&#xff0c;而是vim编辑器自带的功能把光标放在要跳转的文件上&#xff0c;按下gf&#xff0c;即…

加速应用迭代与更新:Weex与小程序容器的快速开发之道

Weex是一个跨平台的移动应用开发框架&#xff0c;由阿里巴巴旗下的阿里巴巴前端团队开发。它允许开发者使用单一的代码库来构建同时适用于iOS和Android平台的移动应用。Weex使用基于Vue.js的声明式语法来描述应用程序的界面&#xff0c;并通过JavaScript运行时引擎在移动设备上…

2023年中职组“网络安全”赛项南昌市竞赛任务书

2023年中职组“网络安全”赛项 南昌市竞赛任务书 网络空间安全赛项规程 一、赛项名称 赛项名称&#xff1a;网络空间安全 赛项组别&#xff1a;中职组 二、竞赛目的 通过竞赛&#xff0c;检验参赛选手对网络、服务器系统等网络空间中各个信息系统的安全防护能力&#xff0…

Python学了基本语法 下一步该干什么 ?

刚入门Python,学习了基本语法后&#xff0c;你可以开始编写简单的程序了。接下来&#xff0c;你可以学习Python的标准库和第三方库&#xff0c;掌握更多的编程技巧和知识&#xff0c;提高自己的编程能力。同时&#xff0c;也可以通过实践项目来巩固所学知识&#xff0c;提高自己…

接口测试和功能测试的区别

目录 前言&#xff1a; 一、测试目的不同 二、测试内容不同 三、测试重点不同 四、总结 前言&#xff1a; 接口测试和功能测试是软件测试中的两种不同类型。接口测试侧重于测试不同模块之间的接口&#xff0c;而功能测试则注重测试完整的业务功能。 一、测试目的不同 接…

【实战】minigpt4的体验和微调

MiniGPT-4 https://github.com/vision-cair/minigpt-4 1 环境配置 1.1 安装环境 git lfs install //如果报错 &#xff1a;git: lfs is not a git command. See git --help. //尝试使用&#xff1a; sudo apt-get install git-lfs git lfs install1.2 准备Vicuna权重 &…

专访泛境科技:如何借助3DCAT实时云渲染打造元宇宙解决方案

随着5G、VR/AR等技术的发展&#xff0c;元宇宙&#xff08;Metaverse&#xff09;这一概念越来越受到关注。元宇宙是一个由虚拟世界构成的网络空间&#xff0c;其中人们可以通过数字化的身份和形象进行各种社交、娱乐、创作和商业活动。元宇宙的核心是虚拟场景&#xff0c;它是…

高考答题卡怎么被机器识别?基于OpenCV答题卡识别模拟-米尔ARM+FPGA异构开发板

本篇测评由优秀测评者“筑梦者与梦同行”提供。 01. 前言MYD-JX8MMA7SDK发布说明 根据下图文件内容可以知道myir-image-full系统支持的功能&#xff0c;其支持OpenCV&#xff0c;也就不用在格外安装相关驱动包等&#xff0c;省了很多事情。 02. MYD-JX8MMA7软件评估指南 本文…

【C语言复习】第一篇、关于我的C语言的复习路线

目录 第一部分、前言 第二部分、学习视频 第三部分、我的建议 第一部分、前言 首先想谈一下为啥都读研究生的我还在学习C语言&#x1f602;&#xff0c;说起来我认为挺搞笑的&#xff0c;一句话解释就是&#xff1a;本科上课的时候&#xff0c;耳朵打苍蝇去&#xff0c;哈哈。…

solr快速上手:常用查询语法(八)

0. 引言 solr作为搜索引擎&#xff0c;就像我们使用mysql一样&#xff0c;在日常业务中&#xff0c;更多接触的则是各类操作语法&#xff0c;所以今天&#xff0c;我们再来学习solr的常用查询语法&#xff0c;为大家在工作中最基本的solr查询打下基础。 solr快速上手&#xff…

NLP学习笔记六-lstm模型

NLP学习笔记六-lstm模型 上一篇我们讲的是simple RNN模型&#xff0c;那么其实lstm模型更像是simple RNN模型的改进或者变种。 对于lstm模型&#xff0c;先看一下总的网络结构图&#xff1a; 我们再看下面一张图&#xff1a; 其实lstm模型的思想是建立在simple RNN模型上的…

【SpringBoot】整合Elasticsearch 快速入门操作索引

官网操作文档&#xff1a;Elasticsearch Clients | Elastic 踩坑太多了。。。这里表明一下Spring Boot2.4以上版本可能会出现问题&#xff0c;所以我降到了2.2.1.RELEASE。对于现在2023年6月而言&#xff0c;Es版本已经到了8.8&#xff0c;而SpringBoot版本已经到了3.x版…

Vue配置proxy代理,但接口报错2007 bad domain

1、排查proxy代理配置是否有误 排查 proxyTable 对象中配置的 target 是否正确。若正确&#xff0c;那可能就是请求头的问题。 无特殊配置的情况下&#xff0c;请求头是这样子的&#xff1a; Host 和 Referer 是本地地址&#xff0c;如果后端增加 CSRF 防御机制&#xff0c;…

to be delete

一、grafana版本升级 1.1 还是先跟着官网简单走一波 建议经常升级Grafana&#xff0c;以获取最新的修补程序和增强功能。 为了实现这一点&#xff0c;Grafana升级向后兼容&#xff0c;并且升级过程简单快捷。升级通常是安全的&#xff08;在许多次要版本和一个主要版本之间&a…