当前位置: 首页 > news >正文

【高等数学】第十一章 曲线积分与曲面积分——第二节 对坐标的曲线积分

上一节【高等数学】第十一章 曲线积分与曲面积分——第一节 对弧长的曲线积分
总目录【高等数学】 目录

文章目录

  • 1. 对坐标的曲线积分的概念与性质

1. 对坐标的曲线积分的概念与性质

  • 变力沿曲线所作的功
    先用曲线 LLL 上的点 M1(x1,y1),M2(x2,y2),…,Mn(xn,yn)M_{1}(x_{1}, y_{1}), M_{2}(x_{2}, y_{2}), …, M_{n}(x_{n}, y_{n})M1(x1,y1),M2(x2,y2),,Mn(xn,yn)LLL 分成 nnn 个小弧段,
    取其中一个有向小弧段Mi−1Mi^\widehat{M_{i-1}M_{i}}Mi1Mi,由于Mi−1Mi^\widehat{M_{i-1}M_{i}}Mi1Mi光滑而且很短,可以用有向线段Mi−1Mi→=(Δxi)i+(Δyi)j\overrightarrow{M_{i-1}M_{i}}=(\Delta x_{i})\mathbf{i}+(\Delta y_{i})\mathbf{j}Mi1Mi=(Δxi)i+(Δyi)j来近似代替它,其中Δxi=xi−xi−1\Delta x_{i}=x_{i}-x_{i-1}Δxi=xixi1Δyi=yi−yi−1\Delta y_{i}=y_{i}-y_{i-1}Δyi=yiyi1
    F(x,y)=P(x,y)i+Q(x,y)j\mathbf{F}(x,y)=P(x,y)\mathbf{i}+Q(x,y)\mathbf{j}F(x,y)=P(x,y)i+Q(x,y)j
    由于函数 P(x,y)P(x,y)P(x,y)Q(x,y)Q(x,y)Q(x,y)LLL 连续,可以用 Mi−1Mi^\widehat{M_{i-1}M_i}Mi1Mi 上任意取定的一点 (ξi,ηi)(\xi_i, \eta_i)(ξi,ηi) 处的力F(ξi,ηi)=P(ξi,ηi)i+Q(ξi,ηi)j\mathbf{F}(\xi_i, \eta_i) = P(\xi_i, \eta_i)\mathbf{i} + Q(\xi_i, \eta_i)\mathbf{j}F(ξi,ηi)=P(ξi,ηi)i+Q(ξi,ηi)j来近似代替这小弧段上各点处的力。
    变力 F(x,y)\mathbf{F}(x,y)F(x,y) 沿有向小弧段 Mi−1Mi^\widehat{M_{i-1}M_i}Mi1Mi 所作的功 ΔWi\Delta W_iΔWi,可以认为近似地等于恒力 F(ξi,ηi)\mathbf{F}(\xi_i, \eta_i)F(ξi,ηi) 沿 Mi−1Mi^\widehat{M_{i-1}M_i}Mi1Mi 所作的功:ΔWi≈F(ξi,ηi)⋅Mi−1Mi→=P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi\Delta W_i \approx \mathbf{F}(\xi_i, \eta_i) \cdot \overrightarrow{M_{i-1}M_{i}}=P(\xi_i, \eta_i) \Delta x_i + Q(\xi_i, \eta_i) \Delta y_iΔWiF(ξi,ηi)Mi1Mi=P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi于是W=∑i=1nΔWi=∑i=1n[P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi].W = \sum_{i=1}^{n} \Delta W_{i} = \sum_{i=1}^{n} [P(\xi_{i}, \eta_{i}) \Delta x_{i} + Q(\xi_{i}, \eta_{i}) \Delta y_{i}]. W=i=1nΔWi=i=1n[P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi].λ\lambdaλ 表示 nnn 个小弧段的最大长度,令 λ→0\lambda \to 0λ0 取上述和的极限,所得到的极限自然地被认作变力 F\mathbf{F}F 沿有向曲线弧所作的功,即W=lim⁡λ→0∑i=1n[P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi].W = \lim_{\lambda \to 0} \sum_{i=1}^{n} [P(\xi_{i}, \eta_{i}) \Delta x_{i} + Q(\xi_{i}, \eta_{i}) \Delta y_{i}]. W=λ0limi=1n[P(ξi,ηi)Δxi+Q(ξi,ηi)Δyi].
  • 对坐标的曲线积分定义
    LLLxOyxOyxOy平面内从点 AAA 到点 BBB 的一条有向光滑曲线弧,
    函数 P(x,y)P(x,y)P(x,y)Q(x,y)Q(x,y)Q(x,y)LLL 上有界。
    LLL 上沿着 LLL 的方向任意插入一列点 M1(x1,y1)M_{1}(x_{1},y_{1})M1(x1,y1), M2(x2,y2)M_{2}(x_{2},y_{2})M2(x2,y2), …\ldots, Mn−1(xn,yn−1)M_{n-1}(x_{n},y_{n-1})Mn1(xn,yn1), 把 LLL 分成 nnn 个有向弧段 Mi−1Mi^\widehat{M_{i-1}M_{i}}Mi1Mi (i=1,2,…,ni=1,2,\ldots,ni=1,2,,nM0=AM_{0}=AM0=A, Mn+1=BM_{n+1}=BMn+1=B)。
    Δxi=xi−xi−1\Delta x_{i}=x_{i}-x_{i-1}Δxi=xixi1, Δyi=yi−yi−1\Delta y_{i}=y_{i}-y_{i-1}Δyi=yiyi1, (i=1,2,…,ni=1,2,\ldots,ni=1,2,,n),点 (ξi,ηi)(\xi_{i},\eta_{i})(ξi,ηi)Mi−1Mi^\widehat{M_{i-1}M_{i}}Mi1Mi 上任意取定的点,
    作积 P(ξi,ηi)ΔxiP(\xi_{i},\eta_{i})\Delta x_{i}P(ξi,ηi)Δxi, (i=1,2,…,ni=1,2,\ldots,ni=1,2,,n),并作和 ∑i=1nP(ξi,ηi)Δxi\displaystyle\sum_{i=1}^n P(\xi_{i},\eta_{i})\Delta x_{i}i=1nP(ξi,ηi)Δxi
    如果当各小段弧度的最大值 λ→0\lambda \rightarrow 0λ0 时,这和的极限总存在,且与曲线弧 LLL 的分点及点 (ξi,ηi)(\xi_{i},\eta_{i})(ξi,ηi) 的取法无关,
    那么此极限称为函数 P(x,y)P(x,y)P(x,y) 在有向曲线弧 LLL对坐标 xxx 的曲线积分,记作∫LP(x,y)dx\displaystyle\int_{L}P(x,y)\mathrm{d}xLP(x,y)dx
    类似地,如果 lim⁡λx→0∑i=1nQ(ξi,ηi)Δyi\displaystyle\lim_{\lambda x\rightarrow 0}\sum_{i=1}^n Q(\xi_{i},\eta_{i})\Delta y_{i}λx0limi=1nQ(ξi,ηi)Δyi 总存在,并且与曲线弧 LLL 的分法及点 (ξi,ηi)(\xi_{i},\eta_{i})(ξi,ηi) 的取法无关,
    那么此极限称为函数 Q(x,y)Q(x,y)Q(x,y) 在有向曲线弧 LLL对坐标 yyy 的曲线积分,记作∫LQ(x,y)dy\displaystyle\int_{L}Q(x,y)\mathrm{d}yLQ(x,y)dy。即∫LP(x,y)dx=lim⁡λ→0∑i=1nP(ξi,ηi)Δxi,∫LQ(x,y)dy=lim⁡λ→0∑i=1nQ(ξi,ηi)Δyi,\int_{L} P(x,y) \mathrm{d}x = \lim_{\lambda \to 0} \sum_{i=1}^{n} P(\xi_i, \eta_i) \Delta x_i,\\\int_{L} Q(x,y) \mathrm{d}y = \lim_{\lambda \to 0} \sum_{i=1}^{n} Q(\xi_i, \eta_i) \Delta y_i,LP(x,y)dx=λ0limi=1nP(ξi,ηi)Δxi,LQ(x,y)dy=λ0limi=1nQ(ξi,ηi)Δyi,其中 P(x,y),Q(x,y)P(x,y), Q(x,y)P(x,y),Q(x,y) 叫做被积函数,LLL 叫做积分弧段
    以上两个积分也称为第二类曲线积分
  • 存在性
    P(x,y)P(x,y)P(x,y)Q(x,y)Q(x,y)Q(x,y)在有向光滑曲线弧LLL上连续时,对坐标的曲线积分∫LP(x,y)dx\displaystyle\int_{L}P(x,y)\mathrm{d}xLP(x,y)dx∫LQ(x,y)dy\displaystyle\int_{L}Q(x,y)\mathrm{d}yLQ(x,y)dy都存在。
  • 推广到三维
    积分弧段为空间有向曲线弧 Γ\GammaΓ ∫ΓP(x,y,z)dx=lim⁡λ→0∑i=1nP(ξi,ηi,ζi)Δxi,∫ΓQ(x,y,z)dy=lim⁡λ→0∑i=1nQ(ξi,ηi,ζi)Δyi,∫ΓR(x,y,z)dz=lim⁡λ→0∑i=1nR(ξi,ηi,ζi)Δzi,\int_{\Gamma} P(x, y, z) \mathrm{d}x = \lim_{\lambda \to 0} \sum_{i=1}^{n} P(\xi_i, \eta_i, \zeta_i) \Delta x_i,\\ \int_{\Gamma} Q(x, y, z) \mathrm{d}y = \lim_{\lambda \to 0} \sum_{i=1}^{n} Q(\xi_i, \eta_i, \zeta_i) \Delta y_i,\\ \int_{\Gamma} R(x, y, z) \mathrm{d}z = \lim_{\lambda \to 0} \sum_{i=1}^{n} R(\xi_i, \eta_i, \zeta_i) \Delta z_i, ΓP(x,y,z)dx=λ0limi=1nP(ξi,ηi,ζi)Δxi,ΓQ(x,y,z)dy=λ0limi=1nQ(ξi,ηi,ζi)Δyi,ΓR(x,y,z)dz=λ0limi=1nR(ξi,ηi,ζi)Δzi,
  • 简化写法、
    • 二维
      应用上经常出现的是∫LP(x,y)dx+∫LQ(x,y)dy\int_{L} P(x, y) \mathrm{d}x + \int_{L} Q(x, y) \mathrm{d}y LP(x,y)dx+LQ(x,y)dy这种合并起来的形式,为简便起见,上式写成∫LP(x,y)dx+Q(x,y)dy,\int_{L} P(x, y) \mathrm{d}x + Q(x, y) \mathrm{d}y, LP(x,y)dx+Q(x,y)dy,也可写成向量形式∫LF(x,y)⋅dr,\int_{L} \boldsymbol{F}(x, y) \cdot \mathrm{d}\boldsymbol{r}, LF(x,y)dr,其中 F(x,y)=P(x,y)i+Q(x,y)j\boldsymbol{F}(x, y) = P(x, y) \boldsymbol{i} + Q(x, y) \boldsymbol{j}F(x,y)=P(x,y)i+Q(x,y)jdr=dxi+dyj\mathrm{d}\boldsymbol{r} = \mathrm{d}x \boldsymbol{i} + \mathrm{d}y \boldsymbol{j}dr=dxi+dyj.
    • 三维
      ∫ΓP(x,y,z)dx+∫ΓQ(x,y,z)dy+∫ΓR(x,y,z)dz\int_{\Gamma} P(x,y,z) \mathrm{d}x + \int_{\Gamma} Q(x,y,z) \mathrm{d}y + \int_{\Gamma} R(x,y,z) \mathrm{d}zΓP(x,y,z)dx+ΓQ(x,y,z)dy+ΓR(x,y,z)dz简写成∫ΓP(x,y,z)dx+Q(x,y,z)dy+R(x,y,z)dz,\int_{\Gamma} P(x,y,z) \mathrm{d}x + Q(x,y,z) \mathrm{d}y + R(x,y,z) \mathrm{d}z,ΓP(x,y,z)dx+Q(x,y,z)dy+R(x,y,z)dz,∫ΓA(x,y,z)⋅dΓ,\int_{\Gamma} \mathbf{A}(x,y,z) \cdot \mathrm{d}\mathbf{\Gamma},ΓA(x,y,z)dΓ,其中 A(x,y,z)=P(x,y,z)i+Q(x,y,z)j+R(x,y,z)k\mathbf{A}(x,y,z) = P(x,y,z)\mathbf{i} + Q(x,y,z)\mathbf{j} + R(x,y,z)\mathbf{k}A(x,y,z)=P(x,y,z)i+Q(x,y,z)j+R(x,y,z)k, dΓ=dxi+dyj+dzk\mathrm{d}\mathbf{\Gamma} = \mathrm{d}x\mathbf{i} + \mathrm{d}y \mathbf{j} + \mathrm{d}z \mathbf{k}dΓ=dxi+dyj+dzk.
  • 分段光滑
    如果LLL(或Γ\GammaΓ)是分段光滑的,
    规定函数在有向曲线弧LLL(或Γ\GammaΓ)对坐标的曲线积分等于在光滑的各段上对坐标的曲线积分之和。
  • 性质
    • 线性性
      α\alphaαβ\betaβ 为常数,则∫L[αF1(x,y)+βF2(x,y)]⋅dr=α∫LF1(x,y)⋅dr+β∫LF2(x,y)⋅dr.\int_{L} \left[ \alpha \mathbf{F}_{1}(x, y) + \beta \mathbf{F}_{2}(x, y) \right] \cdot \mathrm{d}\mathbf{r} = \alpha \int_{L} \mathbf{F}_{1}(x, y) \cdot \mathrm{d}\mathbf{r} + \beta \int_{L} \mathbf{F}_{2}(x, y) \cdot \mathrm{d}\mathbf{r}. L[αF1(x,y)+βF2(x,y)]dr=αLF1(x,y)dr+βLF2(x,y)dr.
    • 分段光滑
      若有向曲线弧 LLL 可分成两段光滑的有向曲线弧 L1L_1L1L2L_2L2,则∫LF(x,y)⋅dr=∫L1F(x,y)⋅dr+∫L2F(x,y)⋅dr.\int_{L} \mathbf{F}(x, y) \cdot \mathrm{d}\mathbf{r}= \int_{L_{1}} \mathbf{F}(x, y) \cdot \mathrm{d}\mathbf{r} + \int_{L_{2}} \mathbf{F}(x, y) \cdot \mathrm{d}\mathbf{r}. LF(x,y)dr=L1F(x,y)dr+L2F(x,y)dr.
    • 方向性
      LLL是有向光滑曲线弧,L−L^{-}LLLL的反向曲线弧,则∫LF(x,y)⋅dr=−∫L−F(x,y)⋅dr\int_{L} \mathbf{F}(x,y) \cdot \mathrm{d}\mathbf{r} = -\int_{L^{-}} \mathbf{F}(x,y) \cdot \mathrm{d}\mathbf{r} LF(x,y)dr=LF(x,y)dr

下一节
总目录【高等数学】 目录


文章转载自:

http://8WeMMJc4.mztyh.cn
http://gEgKtQTE.mztyh.cn
http://2i4OfM0f.mztyh.cn
http://7l55bqvs.mztyh.cn
http://9RsT1KiU.mztyh.cn
http://J4GlLi0L.mztyh.cn
http://DCxjDu1x.mztyh.cn
http://Nz0mRGeb.mztyh.cn
http://Cf5fsnPY.mztyh.cn
http://Ao1O9VW7.mztyh.cn
http://VSXC1qxk.mztyh.cn
http://3epUlBYq.mztyh.cn
http://f9PiBlJU.mztyh.cn
http://uHmtfe8T.mztyh.cn
http://RrchoC9R.mztyh.cn
http://hVmXGZVB.mztyh.cn
http://LxQE627s.mztyh.cn
http://wIVWxst2.mztyh.cn
http://sCIjk0yo.mztyh.cn
http://8kil4Pmc.mztyh.cn
http://xSc7fXc5.mztyh.cn
http://aIuyG6Ld.mztyh.cn
http://jx8tsC2l.mztyh.cn
http://hgFPegV0.mztyh.cn
http://Z1UpAHcX.mztyh.cn
http://qZplNCnD.mztyh.cn
http://zQxYXTFa.mztyh.cn
http://uzHdkLxX.mztyh.cn
http://bzpZLzUX.mztyh.cn
http://6e9p5OQn.mztyh.cn
http://www.dtcms.com/a/367401.html

相关文章:

  • 产品推荐|千眼狼宽光谱高速摄像机NEO系列
  • ECIES实现原理
  • Linux安装RTL8821CE无线网卡驱动
  • 下载及交叉编译libconfig
  • AutoLayout与Masonry:简化iOS布局
  • 《计算机网络安全》实验报告一 现代网络安全挑战 拒绝服务与分布式拒绝服务攻击的演变与防御策略(2)
  • upload-labs通关笔记-第17关文件上传关卡之二次渲染jpg格式
  • 人工智能机器学习——逻辑回归
  • Java Web 是技术与产业的 “交叉赋能点”
  • Linux笔记---UDP套接字实战:简易聊天室
  • 新增MCP工具管理,AI对话节点新增工具设置,支持对接企业微信机器人,MaxKB v2.1.0版本发布
  • 2025年数学建模国赛C题超详细解题思路
  • 【论文阅读】-《Besting the Black-Box: Barrier Zones for Adversarial Example Defense》
  • 小迪web自用笔记27
  • 不会战略、不会融资、不会搭团队?别叫自己 CTO
  • ⸢ 肆 ⸥ ⤳ 默认安全建设方案:b.安全资产建设
  • 【高分论文密码】大尺度空间模拟预测与数字制图
  • 机器翻译:腾讯混元团队开源的模型 Hunyuan-MT 详解
  • #数据结构----2.1线性表
  • IT需求提示未读信息查询:深度技术解析与性能优化指南【类似:钉钉已读 功能】
  • RAG(检索增强生成)-篇一
  • 解密注意力机制:为何它能在Transformer中实现高效并行计算?
  • 2025跨境独立站最新最完整的搭建流程
  • 2025年百度商业AI技术创新大赛赛道二:视频广告生成推理性能优化-初赛第五名,复赛第九名方案分享
  • VS code如何下载安装
  • 跨部门共享研发文档总是困难重重该如何改善
  • 关于如何在PostgreSQL中调整数据库参数和配置的综合指南
  • 若依微服务遇到的配置问题
  • Cadence OrCAD Capture绘制复用管脚封装的方法图文教程
  • LLM中的function call