Greiner 经典力学(多体系统和哈密顿力学)第一章 学习笔记

devtools/2024/10/18 18:21:02/

第一章题目为 “Newton’s Equations in a Rotating Coordinate System”。这一章内容比较简单。这里只对一些书上没有交待,但是容易混淆的知识点做一些澄清。

一个位置变量 A ( t ) A(t) A(t) 表示的是空间的一个点。这个点在不同的坐标系下表现形式是不同的。但是我们写 A ( t ) A(t) A(t) 时不用说明 A ( t ) A(t) A(t) 是在哪个坐标系下的。因为无论在哪个坐标系下都表示的是同一个点。
A ( t ) = A ′ ( t ) = A 1 e ^ 1 + A 2 e ^ 2 + A 3 e ^ 3 = A 1 ′ e ^ 1 ′ + A 2 ′ e ^ 2 ′ + A 3 ′ e ^ 3 ′ \mathbf A(t) = \mathbf A'(t)= A_1 \mathbf{\hat e}_1 + A_2 \mathbf{\hat e}_2 + A_3 \mathbf {\hat e}_3 = A_1' \mathbf{\hat e_1'} + A_2' \mathbf{\hat e_2'} + {A_3'} \mathbf{\hat e_3'} A(t)=A(t)=A1e^1+A2e^2+A3e^3=A1e^1+A2e^2+A3e^3
一个速度变量 v ( t ) = d A ( t ) / d t \mathbf v(t) = d \mathbf A(t)/dt v(t)=dA(t)/dt 是与坐标系直接关联的。不同坐标系下速度是不同的。所以我们写速度时需要指明所在的坐标系,例如 d A ( t ) d t ∣ M \left . \frac{dA(t)}{dt} \right \vert_M dtdA(t) M 或者 d A ( t ) d t ∣ L \left . \frac{dA(t)}{dt} \right \vert_L dtdA(t) L。 前面式子中 L L L 表示实验室坐标系(静止坐标系), M M M 表示运动坐标系。

d A ( t ) d t ∣ L = d A ( t ) d t ∣ M + A 1 ′ d e ^ 1 ′ d t + A 2 ′ d e ^ 2 ′ d t + A 3 ′ d e ^ 3 ′ d t \left . \frac{d \mathbf A(t)}{dt} \right \vert_L = \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + A_1' \frac{d \mathbf{\hat e_1'}}{dt} + A_2' \frac{d \mathbf{\hat e_2'}}{dt} + A_3' \frac{d \mathbf{\hat e_3'}}{dt} dtdA(t) L=dtdA(t) M+A1dtde^1+A2dtde^2+A3dtde^3
单位坐标向量求导后与原坐标向量还是有联系的:
( e ^ ˙ 1 ′ e ^ ˙ 2 ′ e ^ ˙ 3 ′ ) = ( 0 a 12 a 13 a 21 0 a 23 a 31 a 32 0 ) ( e ^ 1 ′ e ^ 2 ′ e ^ 3 ′ ) \begin{pmatrix} \mathbf{\dot{\hat e}_1'} \\ \mathbf{\dot{\hat e}_2'} \\ \mathbf{\dot{\hat e}_3'} \end{pmatrix} = \begin{pmatrix} 0 & a_{12} &a_{13}\\ a_{21} & 0 & a_{23}\\ a_{31} & a_{32} & 0 \end{pmatrix} \begin{pmatrix} \mathbf{\hat e}_1' \\ \mathbf{\hat e}_2' \\ \mathbf{\hat e}_3' \end{pmatrix} e^˙1e^˙2e^˙3 = 0a21a31a120a32a13a230 e^1e^2e^3

上面的变换矩阵是反对称矩阵,因为单位向量互相有正交关系:
e ^ m ′ ⋅ e ^ n ′ = 0 , m ≠ n d ( e ^ m ′ ⋅ e ^ n ′ ) d t = e ^ ˙ m ′ e ^ n ′ + e ^ m ′ e ^ ˙ n ′ = 0 \mathbf{\hat e}_m' \cdot \mathbf{\hat e}_n' = 0 , m \neq n\\ \frac{d (\mathbf{\hat e}_m' \cdot \mathbf{\hat e}_n')}{dt} = \mathbf{\dot{\hat e}}_m' \mathbf{\hat e}_n' + \mathbf{\hat e}_m' \mathbf{ \dot {\hat e}}_n' = 0 e^me^n=0,m=ndtd(e^me^n)=e^˙me^n+e^me^˙n=0
所有有如下关系:
d A ( t ) d t ∣ L = d A ( t ) d t ∣ M + A 1 ′ d e ^ 1 ′ d t + A 2 ′ d e ^ 2 ′ d t + A 3 ′ d e ^ 3 ′ d t = d A ( t ) d t ∣ M + A 1 ′ ( a 12 e ^ 2 ′ + a 13 e ^ 3 ′ ) + A 2 ′ ( a 21 e ^ 1 ′ + a 23 e ^ 3 ′ ) + A 3 ′ ( a 31 e ^ 1 ′ + a 32 e ^ 2 ′ ) = d A ( t ) d t ∣ M + ( A 2 ′ a 21 + A 3 ′ a 31 ) e ^ 1 ′ + ( A 1 ′ a 12 + A 3 ′ a 32 ) e ^ 2 ′ + ( A 1 ′ a 13 + A 2 ′ a 23 ) e ^ 3 ′ = d A ( t ) d t ∣ M + ( − A 2 ′ a 12 − A 3 ′ a 13 ) e ^ 1 ′ + ( A 1 ′ a 12 − A 3 ′ a 23 ) e ^ 2 ′ + ( A 1 ′ a 13 + A 2 ′ a 23 ) e ^ 3 ′ = d A ( t ) d t ∣ M + ( e ^ 1 ′ e ^ 2 ′ e ^ 3 ′ a 23 − a 13 a 12 A 1 ′ A 2 ′ A 3 ′ ) = d A ( t ) d t ∣ M + ω × A \begin{equation} \begin{aligned} \left . \frac{d \mathbf A(t)}{dt} \right \vert_L &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + A_1' \frac{d \mathbf{\hat e_1'}}{dt} + A_2' \frac{d \mathbf{\hat e_2'}}{dt} + A_3' \frac{d \mathbf{\hat e_3'}}{dt} \\ &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + A_1' (a_{12} \mathbf{\hat e_2'} + a_{13} \mathbf{\hat e_3'}) + A_2'(a_{21} \mathbf{\hat e_1'} + a_{23} \mathbf{\hat e_3'}) + A_3' (a_{31} \mathbf{\hat e_1'} + a_{32} \mathbf{\hat e_2'}) \\ &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + (A_2' a_{21} + A_3' a_{31}) \mathbf{\hat e_1'} + (A_1' a_{12} + A_3' a_{32}) \mathbf{\hat e_2'} + (A_1' a_{13} + A_2' a_{23}) \mathbf{\hat e_3'} \\ &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M+ (- A_2' a_{12} - A_3' a_{13}) \mathbf{\hat e_1'} + (A_1' a_{12} - A_3' a_{23}) \mathbf{\hat e_2'} + (A_1' a_{13} + A_2' a_{23}) \mathbf{\hat e_3'} \\ &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + \begin{pmatrix} \mathbf{\hat e_1'} & \mathbf{\hat e_2'} & \mathbf{\hat e_3'} \\ a_{23} & -a_{13} & a_{12}\\ A_1' & A_2' & A_3' \end{pmatrix} \\ &= \left . \frac{d \mathbf A(t)}{dt} \right \vert_M + \mathbf {\omega} \times \mathbf A \end{aligned} \end{equation} dtdA(t) L=dtdA(t) M+A1dtde^1+A2dtde^2+A3dtde^3=dtdA(t) M+A1(a12e^2+a13e^3)+A2(a21e^1+a23e^3)+A3(a31e^1+a32e^2)=dtdA(t) M+(A2a21+A3a31)e^1+(A1a12+A3a32)e^2+(A1a13+A2a23)e^3=dtdA(t) M+(A2a12A3a13)e^1+(A1a12A3a23)e^2+(A1a13+A2a23)e^3=dtdA(t) M+ e^1a23A1e^2a13A2e^3a12A3 =dtdA(t) M+ω×A
上面推导过程中定义了一个新的量: ω = ( a 23 − a 13 a 12 ) \omega = \begin{pmatrix} a_{23} & -a_{13} & a_{12}\end{pmatrix} ω=(a23a13a12) 。 我们研究一下这个 ω \omega ω 的物理意义。

a 23 a_{23} a23 对应的是单位矢量 e ^ 2 ′ \mathbf{\hat e}_2' e^2 运动时速度矢量在 e ^ 3 ′ \mathbf{\hat e}_3' e^3 方向上的分量。以我们常见的 x , y , z x,y,z x,y,z 坐标系为例,这个就是 y y y 轴上单位矢量向上运动的速度分量。这个速度其实就是沿 x x x 轴逆时针旋转角速度。所以 a 23 a_{23} a23 就是 x x x 方向的角速度的值。

a 13 a_{13} a13 对应的是单位矢量 e ^ 1 ′ \mathbf{\hat e}_1' e^1 运动时速度矢量在 e ^ 3 ′ \mathbf{\hat e}_3' e^3 方向上的分量。这个就是 x x x 轴上单位矢量向上运动的分量。这个运动其实就是沿 y y y 轴顺时针旋转角速度。也就是 y y y 方向角速度的负值。

类似的分析过程 a 12 a_{12} a12 就是 z z z 方向角动量值。 所以 ω \omega ω 就是角速度矢量 :
ω = ( a 23 − a 13 a 12 ) = ( ω x ω y ω z ) \omega=\begin{pmatrix} a_{23} & -a_{13} & a_{12}\end{pmatrix} = \begin{pmatrix} \omega_x & \omega_y & \omega_z \end{pmatrix} ω=(a23a13a12)=(ωxωyωz)
其实我们也可以把 ω = ( a 23 − a 13 a 12 ) \omega = \begin{pmatrix} a_{23} & -a_{13} & a_{12}\end{pmatrix} ω=(a23a13a12) 作为角速度矢量的定义式。当然这样定义后需要我们去验证这个矢量是否满足矢量的运算律,也就是是否满足矢量加法的平行四边形法则。

这里还可以多说几句,角速度是矢量这个结论不是显而易见的。角位移不是矢量,不满足加法的交换律。无限小的角位移可以定义为矢量,因为无限小的角位移满足矢量加法定律。角速度是与无限小角位移相关联的,所以也是矢量。

Introduction of the operator D ^ \widehat D D

定义两个算符,分别表示在两个坐标系下的求导操作:
D ^ L = ∂ ∂ t ∣ L D ^ M = ∂ ∂ t ∣ M \widehat D_L = \left .\frac{\partial}{\partial t} \right |_L \\ \widehat D_M = \left .\frac{\partial}{\partial t} \right |_M D L=t LD M=t M
则有:
D ^ L A = D ^ M A + ω × A \widehat D_L \mathbf A = \widehat D_M \mathbf A + \omega \times \mathbf A D LA=D MA+ω×A
注意这里的 A \mathbf A A 是任意的矢量。如果 r \mathbf r r 表示位置矢量。那么有:
a ∣ L = r ¨ ∣ L = D ^ L r ˙ = D ^ L ( D ^ L r ) = ( D ^ M + ω × ) ( D ^ M r + ω × r ) = D ^ M 2 r + D ^ M ( ω × r ) + ω × ( D ^ M r ) + ω × ω × r = D ^ M 2 r + ( D ^ M ω ) × r + 2 ω × ( D ^ M r ) + ω × ω × r \mathbf a |_L = \ddot{ \mathbf{r}} |_L= \widehat D_L \dot{\mathbf{r}}=\widehat D_L{(\widehat D_L \mathbf r)} = (\widehat D_M+\omega \times) {(\widehat D_M \mathbf r + \omega \times \mathbf r)} \\ = \widehat D_M^2 \mathbf r + \widehat D_M (\omega \times \mathbf r) + \omega \times (\widehat D_M \mathbf r)+ \omega \times \omega \times \mathbf r \\ = \widehat D_M^2 \mathbf r + (\widehat D_M \omega) \times \mathbf r +2 \omega \times (\widehat D_M \mathbf r)+ \omega \times \omega \times \mathbf r aL=r¨L=D Lr˙=D L(D Lr)=(D M+ω×)(D Mr+ω×r)=D M2r+D M(ω×r)+ω×(D Mr)+ω×ω×r=D M2r+(D Mω)×r+2ω×(D Mr)+ω×ω×r

Formulation of Newton’s equation in the rotating coordinate system

牛顿第二定律可以表示为:
F = m a ∣ L = m r ¨ ∣ M + ω ˙ ∣ M × r + 2 ω × r ˙ ∣ M + ω × ω × r m r ¨ ∣ M = F − ω ˙ ∣ M × r − 2 ω × r ˙ ∣ M − ω × ω × r \mathbf F = m \ \mathbf a|_L = m \ \ddot{\mathbf r}|_M + \dot{\omega}|_M \times \mathbf r + 2 \omega \times \dot{\mathbf r}|_M + \omega \times \omega \times \mathbf r \\ m \ \ddot{\mathbf r}|_M = \mathbf F - \dot{\omega}|_M \times \mathbf r - 2 \omega \times \dot{\mathbf r}|_M - \omega \times \omega \times \mathbf r F=m aL=m r¨M+ω˙M×r+2ω×r˙M+ω×ω×rm r¨M=Fω˙M×r2ω×r˙Mω×ω×r
需要注意的是所有的速度和加速度都要标明是在哪个坐标系,但是位置矢量是与坐标系无关的。

Newton’s equations in systems with arbitrary relative motion

上面我们说过一个矢量 A \mathbf A A 在不同坐标系下表现形式不同,但是都是同一个矢量。其实这个说法是不完全准确的。只有当两个坐标系的原点是重合的时候上述结论是正确的。之所以会这样就是因为单位矢量本身不含有这个矢量的起点所在位置的任何信息。

设 M 系的原点在 L系的坐标为 R \mathbf R R,这里的 M 系的原点指的是 M 系的旋转中心。那么 M 系的任意点 r ’ \mathbf r’ r 在 L 系中的位置矢量为 r = R + r ′ \mathbf r = \mathbf R + \mathbf r' r=R+r 。 注意式子中的矢量都是位置矢量,与坐标系是无关的。带入牛顿第二定律。
F = m r ¨ ∣ L = m R ¨ ∣ L + m r ′ ¨ ∣ L = m R ¨ ∣ L + m r ′ ¨ ∣ M + ω ˙ ∣ M × r ′ + 2 ω × r ′ ˙ ∣ M + ω × ω × r ′ \begin{aligned} \mathbf F &= m \ \ddot{\mathbf r}|_L \\ &= m \ \ddot{\mathbf R}|_L + m \ \ddot{\mathbf r'}|_L \\ &= m \ \ddot{\mathbf R}|_L + m \ \ddot{\mathbf r'}|_M + \dot{\omega}|_M \times \mathbf r' + 2 \omega \times \dot{\mathbf r'}|_M + \omega \times \omega \times \mathbf r' \end{aligned} F=m r¨L=m R¨L+m r¨L=m R¨L+m r¨M+ω˙M×r+2ω×r˙M+ω×ω×r
整理一下,可以得到:
m r ′ ¨ ∣ M = F − m R ¨ ∣ L − ω ˙ ∣ M × r ′ − 2 ω × r ′ ˙ ∣ M − ω × ω × r ′ m \ \ddot{\mathbf r'}|_M = \mathbf F - m \ \ddot{\mathbf R}|_L - \dot{\omega}|_M \times \mathbf r' - 2 \omega \times \dot{\mathbf r'}|_M - \omega \times \omega \times \mathbf r' m r¨M=Fm R¨Lω˙M×r2ω×r˙Mω×ω×r


http://www.ppmy.cn/devtools/115281.html

相关文章

滑动窗口算法专题(1)

找往期文章包括但不限于本期文章中不懂的知识点: 个人主页:我要学编程(ಥ_ಥ)-CSDN博客 所属专栏: 优选算法专题 目录 滑动窗口算法的简介 209. 长度最小的子数组 3.无重复字符的最长子串 1004. 最大连续1的个数III 1658. 将减到0的最小…

【路径规划】 红嘴蓝鹊优化器:一种用于2D/3D无人机路径规划和工程设计问题的新型元启发式算法

摘要 本文提出了一种新型元启发式算法——红嘴蓝鹊优化器(RBMO),用于解决2D和3D无人机路径规划以及复杂工程设计问题。RBMO灵感来源于红嘴蓝鹊的群体合作行为,包括搜索、追逐、捕猎和食物储藏。该算法通过模拟这些行为&#xff0…

引领长期投资新篇章:价值增长与财务安全的双重保障

随着全球金融市场的不断演变,长期投资策略因其稳健性和对价值增长的显著推动作用而日益受到投资者的重视。在这一背景下,Zeal Digital Shares(ZDS)项目以其创新的数字股票产品,为全球投资者提供了一个全新的长期投资平…

基于stm32物联网身体健康检测系统

在当今社会,由于经济的发展带来了人们生活水平不断提高,但是人们的健康问题却越来越突出了,各种各样的亚健康随处可在,失眠、抑郁、焦虑症,高血压、高血糖等等侵袭着人们的健康,人们对健康的关注达到了一个…

【Kubernetes】常见面试题汇总(十七)

目录 51.简述 Kubernetes 网络策略? 52.简述 Kubernetes 网络策略原理? 53.简述 Kubernetes 中 flannel 的作用? 54.简述 Kubernetes Calico 网络组件实现原理? 51.简述 Kubernetes 网络策略? - 为实现细粒度的容器…

mongoDB-1

文章目录 一、疑似坑1.11.2 mongo ops manager1.3 mongo features视图固定大小集合(有点类似ringbuffer数据结构,capped collections)(聚簇集合)clustered collection(类比到Mysql的聚簇索引)聚合管道 aggregation pipelineWiredTiger (默认存…

深度学习-图像处理篇1.3pytorch神经网络例子

batch:一批图像数量 官方例子 #model import torch.nn as nn import torch.nn.functional as Fclass LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()self.conv1 nn.Conv2d(3,16,5)self.pool1 nn.MaxPool2d(2, 2)self.conv2 nn.Conv2d(16, 32, 5)self.…

使用注意力机制可以让你的模型更加灵活,但是需要额外的计算资源。rnn lstm bilstm attension

确实,使用注意力机制可以使模型更加灵活,但也确实需要额外的计算资源。注意力机制允许模型在处理序列数据时,能够动态地关注不同位置的重要性,从而更好地捕捉长依赖关系。下面是一个简单的注意力机制实现示例,可以帮助…