【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

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.pswp.cn/web/95575.shtml
繁体地址,请注明出处:http://hk.pswp.cn/web/95575.shtml

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email:809451989@qq.com,一经查实,立即删除!

相关文章

解析SQL Server核心服务与功能

SQL Server 安装后会在 Windows 系统中注册多个服务&#xff0c;每种服务负责不同的功能。主要服务类型包括&#xff1a; &#x1f4cc; 核心服务 (必须或常用)SQL Server Database Engine (数据库引擎服务) 服务名称格式&#xff1a; MSSQL$<InstanceName> (命名实例) 或…

专项智能练习(计算机动画基础)

1.小明在制作Flash作品时&#xff0c;舞台及库中素材如第下图所示&#xff0c;把“马”元件插入到“马”图层第1帧并放在舞台的草地位置&#xff0c;发现舞台中并无马图像显示&#xff0c;下列情形中最有可能的是&#xff08; &#xff09;。A.“马”图层已被锁定 B.“马”图层…

第三方库集成:结合 Express.js 构建本地服务器

引言&#xff1a;Express.js 在 Electron 第三方库集成中的本地服务器构建价值 在 Electron 框架的第三方库集成生态中&#xff0c;Express.js 作为 Node.js 的经典 Web 框架&#xff0c;扮演着构建本地服务器的关键角色。它不仅仅是一个路由和中间件工具&#xff0c;更是 Elec…

百度地图+vue+flask+爬虫 推荐算法旅游大数据可视化系统Echarts mysql数据库 带沙箱支付+图像识别技术

F012 百度地图vueflask爬虫 推荐算法旅游大数据可视化系统Echarts mysql数据库 带沙箱支付图像识别技术 &#x1f4da;编号&#xff1a; F012 文章结尾部分有CSDN官方提供的学长 联系方式名片 博主开发经验15年,全栈工程师&#xff0c;专业搞定大模型、知识图谱、算法和可视化…

# 开发中使用——鸿蒙CoreSpeechKit让文字发声后续

开发中使用——鸿蒙CoreSpeechKit让文字发声后续 设置音量大小 volume// 设置播报相关参数this.extraParam {"queueMode": 0, "speed": AppModel.speed, "volume": AppModel.volume, "pitch": 1, "languageContext": zh-CN,…

Java全栈开发面试实录:从基础到微服务的深度探索

Java全栈开发面试实录&#xff1a;从基础到微服务的深度探索 面试官与应聘者的初次见面 面试官&#xff1a;你好&#xff0c;很高兴见到你。请先做个自我介绍吧。 应聘者&#xff1a;您好&#xff0c;我叫李明&#xff0c;今年28岁&#xff0c;是南京大学计算机科学与技术专业的…

前端路由切换不再白屏:React/Vue 实战优化全攻略(含可运行 Demo)

摘要 在单页应用&#xff08;SPA&#xff09;开发中&#xff0c;React、Vue、Angular 这些主流框架都依赖前端路由来完成页面切换。好处是显而易见的&#xff1a;首屏资源一次加载&#xff0c;后续页面切换靠前端路由完成&#xff0c;体验比传统的多页应用要顺畅很多。 但是在实…

C#之LINQ

文章目录前言LINQ一、LINQ1一、LINQ2一、LINQ3Where方法&#xff1a;每一项数据都会进过predicate的测试&#xff0c;如果针对一个元素&#xff0c;predicate执行的返回值为true&#xff0c;那么这个元素就会放到返回值中。获取一条数据&#xff08;是否带参数的两种写法&#…

第 2 讲:Kafka Topic 与 Partition 基础

课程概述 在第一篇课程中&#xff0c;我们了解了 Kafka 的基本概念和简单的 Producer/Consumer 实现。 本篇课程将深入探讨 Kafka 的核心机制&#xff1a;Topic 和 Partition。 学习目标 通过本课程&#xff0c;您将掌握&#xff1a; Topic 和 Partition 的设计原理&#x…

三阶Bezier曲线曲率极值及对应的u的计算方法

三阶&#xff08;三次&#xff09;Bezier曲线的曲率极值及其对应的参数 u 的计算是一个复杂的非线性优化问题。由于三阶Bezier曲线是参数化曲线&#xff0c;其曲率表达式较为复杂&#xff0c;通常无法通过解析方法直接求得所有极值点&#xff0c;但可以通过求解曲率导数为零的方…

Unity:XML笔记(二)——Xml序列化、反序列化、IXmlSerializable接口

写在前面&#xff1a;写本系列(自用)的目的是回顾已经学过的知识、记录新学习的知识或是记录心得理解&#xff0c;方便自己以后快速复习&#xff0c;减少遗忘。三、Xml序列化序列化就是把想要存储的内容转换为字节序列用于存储或传递。1、序列化我们先创建一个类&#xff0c;之…

java注解、Lambda表达式、Servlet

一、Java注解注解的概念&#xff1a; Java注解是代码中的元数据&#xff0c;可以用于描述其他代码。注解在编译、类加载、运行时被处理&#xff0c;并且不会改变代码逻辑。注解的用途&#xff1a; 提供代码元信息&#xff0c;如 Override 表明一个方法覆盖了父类的方法。 编译检…

【单片机day02】

GPIO&#xff1a;Genral Purpose Input/Output&#xff0c;GPIO是51单片机和外界交互最基本的方式工作模式&#xff1a;输出模式&#xff1a;单片机给定引脚一个电平(高电平(5V) 低电平(0V)),控制引脚实现高低电平输入模式&#xff1a;检测引脚电平变化GPIO水龙头输出模式&…

Java中最常用的设计模式

Java设计模式之结构型—代理模式-CSDN博客 观察者模式详解-CSDN博客 单例模式详解-CSDN博客 Java设计模式之结构型—享元模式-CSDN博客 Java设计模式之创建型—建造者模式-CSDN博客 Java设计模式之结构型—工厂模式-CSDN博客 Java设计模式之结构型—适配器模式-CSDN博客 …

使用Axure动态面板制作轮播图案例详解

在现代网页设计中&#xff0c;轮播图&#xff08;Carousel&#xff09;是一种常见且高效的展示方式&#xff0c;用于在同一空间内循环展示多张图片或内容。Axure RP作为一款强大的原型设计工具&#xff0c;提供了动态面板和丰富的交互事件功能&#xff0c;使得制作轮播图变得简…

VUE的中 computed: { ...mapState([‘auditObj‘]), }写法详解

具体解析&#xff1a;computed&#xff1a;这是 Vue 组件选项中的计算属性&#xff0c;用于声明依赖于其他数据而存在的派生数据。计算属性会根据依赖进行缓存&#xff0c;只有当依赖的数据发生变化时才会重新计算。mapState&#xff1a;这是 Vuex 提供的一个辅助函数&#xff…

【ProtoBuf】以 “数据秘语” 筑联络:通讯录项目实战 1.0 启步札记

文章目录引言筑路之备&#xff1a;快速上手ProtoBuf步骤一&#xff1a;创建.proto文件⽂件规范添加注释指定 proto3 语法package 声明符定义消息&#xff08;message&#xff09;定义消息字段【定义联系人 message】字段唯一编号的范围步骤2&#xff1a;编译 contacts.proto ⽂…

在 macOS 下升级 Python 几种常见的方法

在 macOS 下升级 Python 有几种常见的方法&#xff0c;具体取决于你最初是如何安装 Python 的。了解你的安装方式是关键。 首先&#xff0c;你需要知道你当前 Python 版本以及它的安装路径。 检查 Python 版本&#xff1a; python --version # 可能指向 Python 2.x python3 …

Linux 入门到精通,真的不用背命令!零基础小白靠「场景化学习法」,3 个月拿下运维 offer,第二十五天

三、Shell脚本编程 Shell脚本语言的运算 算数运算 shell支持算术运算&#xff0c;但只支持整数&#xff0c;不支持小数 Bash中的算术运算 -- 加法运算 -- - 减法运算 -- * 乘法运算 -- / 除法运算 -- % 取模&#xff0c;即取余数 -- ** 乘方 ​ #乘法符号在有些场景需要转…

SpringAI系列---【多租户记忆和淘汰策略】

1.多租户工作原理 2.引入jdbc的pom spring官网链接&#xff1a;https://docs.spring.io/spring-ai/reference/api/chat-memory.html&#xff0c;推荐使用官网的jdbc。 阿里巴巴ai链接&#xff1a;https://github.com/alibaba/spring-ai-alibaba/tree/main/community/memories j…