浅谈牛顿-欧拉方程及其推导

这篇具有很好参考价值的文章主要介绍了浅谈牛顿-欧拉方程及其推导。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前文

最近阅读课题论文时看到采用牛顿-欧拉方程来建立动力学方程,尝试系统学习一下这一知识,发现网上资源推导说明不清晰不利于新手入门理解,此文用于记录推导过程以加深理解。
若文中出现错误或误导内容,欢迎指正!



为何物(背景)

描述刚体的力学变化和运动过程有很多种方法,例如基于能量的拉格朗日公式、牛顿力学法以及现在讨论的牛顿-欧拉方程。不同的方法以不同的基本定理和角度来描述刚体运动过程(能量守恒,动量守恒等)。牛顿-欧拉方程则是从刚体的转动和平动两个运动类型来描述力学与运动之间的关系。
刚体的平动描述的是描述对象的运动轨迹,刚体的转动描述的是描述对象自身的转动过程。在实际生活中,刚体的运动往往是平动和转动的复合过程。并且,刚体运动的描述是基于参考系下的,此处要引入惯性坐标系和非惯性坐标系的概念。

惯性坐标系即绝对坐标系,常说的地球坐标系就是典型的惯性坐标系。
非惯性坐标系就是基于运动描述对象建立的坐标系。
举个栗子(故意不小心打错的)
一辆火车上,你坐在座位上静止不动,在火车的坐标系上,你的运动速度就是为0。但是从地面坐标系来看,你跟着火车以一个非常快的速度运动着。因此基于不同的参考系,你的运动描述是不同的。
这里要埋个伏笔,由于非惯性系的与惯性系之间关于运动描述的差别,在进行力学分析时,引入了惯性力的概念。后续在进行推导时会提到这一概念
再举一个栗子(肥肠自信.jpg)
根据牛顿第一定理,如果物体上没有受力,它将一直保持当前的运动状态,这种运动状态也称作惯性。
假设游乐园的旋转木马匀速的旋转着。在旋转木马的坐标系中,它相对地面坐标系进行旋转运动。当你坐到木马上之后,在旋转木马的坐标系中,你就是静止不动的,但是在地面坐标系中,你就是在转圈。
你的转圈运动不是惯性运动,你的运动速度一直被改变,存在一个看不见的力持续的改变你的运动状态。这个就是因为非惯性坐标系的缘故产生的一个改变运动状态的力,称作惯性力。

从何来(公式推导)

线运动推导

根据一个图来讲解,惯性坐标系及非惯性坐标系的描述。
浅谈牛顿-欧拉方程及其推导
此图摘自https://blog.csdn.net/huangjunsheng123/article/details/110249073,侵删!
对于旋转过程的描述,通常采用的是旋转矩阵的形式来描述,关于坐标系旋转变换的知识,可以参考我之前写过的这篇博客 坐标系旋转变换。
图纸 U U U为惯性坐标系, B B B为非惯性坐标系, A A A为空间中一点, r ⃗ A \vec{r}_{A} r A表示该点在惯性坐标系下的位置矢量, r ⃗ A ∣ B \vec{r}_{A|B } r AB表示非惯性坐标系下该点的位置矢量。 r ⃗ B \vec{r}_{B} r B为非惯性坐标系在惯性坐标系中的位置矢量。
从简单的矢量运算开始
r A ⃗ = r B ⃗ + r A ∣ B ⃗ \vec{r_{A}}=\vec{r_{B}} + \vec{r_{A|B}} rA =rB +rAB
这里就涉及到一个问题, r ⃗ A ∣ B \vec{r}_{A|B } r AB是基于 B B B坐标系的向量,它的向量值不是基于惯性坐标系的,因此做矢量相加时,需要将这个向量变换到惯性坐标系中,才可以做相加。这里把 r ⃗ A ∣ B \vec{r}_{A|B } r AB平移到惯性坐标系原点,设旋转矩阵为 C B U C^{U}_{B} CBU表示从非惯性坐标系变换到惯性坐标系。
则对上面的公式进行修正
r A ⃗ = r B ⃗ + C B U ⋅ r A ∣ B ⃗ \vec{r_{A}}=\vec{r_{B}} + C^{U}_{B}\cdot \vec{r_{A|B}} rA =rB +CBUrAB
这里的修正很重要,我看到很多帖子上都是按照未修正的公式进行推导的,看的我一脸懵。我觉得这些细节是需要明确指出,否则无法快速理解后续的推导。
——
这里要做一个强调,后面的推导是统一在惯性坐标系下进行的。
——
对两边求导,得到
d r A ⃗ d t = d r B ⃗ d t + d C B U ⋅ r A ∣ B ⃗ d t \frac{d\vec{r_{A}}}{dt}=\frac{d\vec{r_{B}}}{dt} + \frac{dC^{U}_{B}\cdot \vec{r_{A|B}}}{dt} dtdrA =dtdrB +dtdCBUrAB

这里要补充一个内容点——旋转矩阵同样是关于时间的函数,因此对时间求导时需要对其一并计算。

  • 对于旋转矩阵的求导公式,可以参考这个博客 https://blog.csdn.net/weixin_38632538/article/details/106085426
  • 对向量求导存在以下公理
    d r ⃗ d t = ω ⃗ × r ⃗ \frac{d\vec{r}}{dt}=\vec{\omega} \times \vec{r} dtdr =ω ×r
    这个公式很好理解,即坐标系只进行旋转运动时,向量的大小不会改变,只会改变其角度,改变的趋势与坐标系的旋转角速度有关。
  • 假设向量 r ⃗ \vec{r} r 在非惯性坐标系内,随着非惯性坐标系做旋转运动,其中 ω U ⃗ \vec{\omega_{U}} ωU 表示该向量在惯性坐标系下的角速度, ω B ⃗ \vec{\omega_{B}} ωB 表示该向量在非惯性坐标系下的角速度。设旋转矩阵是惯性坐标系下任意三个线性无关列向量组合成的矩阵,则有
    d C B U d t = d [ b 1 U ⃗ b 2 U ⃗ b 3 U ⃗ ] d t = [ ω U ⃗ × b 1 U ⃗ ω U ⃗ × b 2 U ⃗ ω U ⃗ × b 3 U ⃗ ] \frac{dC^{U}_{B}}{dt}= \frac{d\begin{bmatrix} \vec{b^{U}_{1}} & \vec{b^{U}_{2}} &\vec{b^{U}_{3}} \end{bmatrix}}{dt} = \begin{bmatrix} \vec{\omega_{U}} \times \vec{b^{U}_{1}} & \vec{\omega_{U}} \times \vec{b^{U}_{2}} & \vec{\omega_{U}} \times \vec{b^{U}_{3}} \end{bmatrix} dtdCBU=dtd[b1U b2U b3U ]=[ωU ×b1U ωU ×b2U ωU ×b3U ]
    又根据坐标系旋转变换规律
    ω U ⃗ = C B U ⋅ ω B ⃗ \vec{\omega_{U}} = C_{B}^{U} \cdot \vec{\omega_{B}} ωU =CBUωB
    并且满足矩阵计算满足以下规律
    b 1 U ⃗ = C B U ⋅ [ 1 0 0 ] = C B U ⋅ e 1 ⃗ b 2 U ⃗ = C B U ⋅ [ 0 1 0 ] = C B U ⋅ e 2 ⃗ b 3 U ⃗ = C B U ⋅ [ 0 0 1 ] = C B U ⋅ e 3 ⃗ \vec{b^{U}_{1}}= C_{B}^{U} \cdot \begin{bmatrix} 1\\0\\0\end{bmatrix}=C_{B}^{U} \cdot \vec{e_{1}}\\ \vec{b^{U}_{2}}= C_{B}^{U} \cdot \begin{bmatrix} 0\\1\\0\end{bmatrix}=C_{B}^{U} \cdot \vec{e_{2}}\\ \vec{b^{U}_{3}}= C_{B}^{U} \cdot \begin{bmatrix} 0\\0\\1\end{bmatrix}=C_{B}^{U} \cdot \vec{e_{3}} b1U =CBU 100 =CBUe1 b2U =CBU 010 =CBUe2 b3U =CBU 001 =CBUe3
    联立上述三个式子可以得到
    d C B U d t = [ ( C B U ⋅ ω B ⃗ ) × ( C B U ⋅ e 1 ⃗ ) ( C B U ⋅ ω B ⃗ ) × ( C B U ⋅ e 2 ⃗ ) ( C B U ⋅ ω B ⃗ ) × ( C B U ⋅ e 3 ⃗ ) ] ⇒ d C B U d t = C B U [ ω B ⃗ × e 1 ⃗ ω B ⃗ × e 2 ⃗ ω B ⃗ × e 3 ⃗ ] \frac{dC^{U}_{B}}{dt}=\begin{bmatrix} (C_{B}^{U} \cdot \vec{\omega_{B}}) \times (C_{B}^{U} \cdot \vec{e_{1}}) & (C_{B}^{U} \cdot\vec{\omega_{B}}) \times (C_{B}^{U} \cdot \vec{e_{2}}) & (C_{B}^{U} \cdot \vec{\omega_{B}}) \times (C_{B}^{U} \cdot \vec{e_{3}}) \end{bmatrix}\\ \Rightarrow \frac{dC^{U}_{B}}{dt}=C_{B}^{U} \begin{bmatrix} \vec{\omega_{B}} \times\vec{e_{1}} & \vec{\omega_{B}} \times \vec{e_{2}} &\vec{\omega_{B}} \times \vec{e_{3}} \end{bmatrix} dtdCBU=[(CBUωB )×(CBUe1 )(CBUωB )×(CBUe2 )(CBUωB )×(CBUe3 )]dtdCBU=CBU[ωB ×e1 ωB ×e2 ωB ×e3 ]
  • 这里就是涉及到一个如何将叉乘变化为点乘的知识点——反对称矩阵
    设任意三维列向量 A ⃗ B ⃗ \vec{A} \vec{B} A B ,则满足以下关系
    A ⃗ × B ⃗ = [ a 2 b 3 − a 3 b 2 a 3 b 1 − a 1 b 3 a 1 b 2 − a 2 b 1 ] = S ( A ⃗ ) ⋅ B ⃗ \vec{A} \times \vec{B} = \begin{bmatrix} a_2b_3-a_3b_2 &a_3b_1-a_1b_3 & a_1b_2-a_2b_1\end{bmatrix}=S(\vec{A}) \cdot \vec{B} A ×B =[a2b3a3b2a3b1a1b3a1b2a2b1]=S(A )B
    其中 S ( A ⃗ ) S(\vec{A}) S(A )为反对称矩阵,其表达式为
    S ( A ⃗ ) = [ 0 − a 3 a 2 a 3 0 − a 1 − a 2 a 1 0 ] S(\vec{A}) = \begin{bmatrix} 0 & -a_3& a_2 \\ a3& 0 & -a_1 \\ -a_2 & a_1 & 0\end{bmatrix} S(A )= 0a3a2a30a1a2a10
    将上式重新代入求导公式可得
    d C B U d t = C B U [ S ( ω B ⃗ ) ⋅ e 1 ⃗ S ( ω B ⃗ ) ⋅ e 2 ⃗ S ( ω B ⃗ ) ⋅ e 3 ⃗ ] ⇒ d C B U d t = C B U S ( ω B ⃗ ) ⋅ I = C B U S ( ω B ⃗ ) \frac{dC^{U}_{B}}{dt}=C_{B}^{U} \begin{bmatrix} S(\vec{\omega_{B}}) \cdot\vec{e_{1}} & S(\vec{\omega_{B}}) \cdot\vec{e_{2}} &S(\vec{\omega_{B}}) \cdot\vec{e_{3}} \end{bmatrix}\\ \Rightarrow \frac{dC^{U}_{B}}{dt}=C_{B}^{U} S(\vec{\omega_B})\cdot I=C_{B}^{U} S(\vec{\omega_B}) dtdCBU=CBU[S(ωB )e1 S(ωB )e2 S(ωB )e3 ]dtdCBU=CBUS(ωB )I=CBUS(ωB )

按照上面的公式结论来继续求导。
d r A ⃗ d t = d r B ⃗ d t + d C B U ⋅ r A ∣ B ⃗ d t = v B ⃗ + C B U ⋅ v A ∣ B ⃗ + d C B U d t r A ∣ B ⃗ v A ⃗ = v B ⃗ + C B U ⋅ v A ∣ B ⃗ + C B U S ( ω B ⃗ ) r A ∣ B ⃗ v A ⃗ = v B ⃗ + C B U ⋅ ( v A ∣ B ⃗ + S ( ω B ⃗ ) r A ∣ B ⃗ ) ⇒ v A ⃗ = v B ⃗ + C B U ⋅ ( v A ∣ B ⃗ + ω B ⃗ × r A ∣ B ⃗ ) \frac{d\vec{r_{A}}}{dt}=\frac{d\vec{r_{B}}}{dt} + \frac{dC^{U}_{B}\cdot \vec{r_{A|B}}}{dt}=\vec{v_B}+C^U_B \cdot \vec{v_{A|B}}+ \frac{dC^{U}_{B}}{dt} \vec{r_{A|B}}\\ \vec{v_A}=\vec{v_B}+C^U_B \cdot \vec{v_{A|B}}+C^U_B S(\vec{\omega_B})\vec{r_{A|B}}\\ \vec{v_A}=\vec{v_B}+C^U_B \cdot (\vec{v_{A|B}}+S(\vec{\omega_B})\vec{r_{A|B}})\\ \Rightarrow\vec{v_A}=\vec{v_B}+C^U_B \cdot (\vec{v_{A|B}}+\vec{\omega_B} \times \vec{r_{A|B}}) dtdrA =dtdrB +dtdCBUrAB =vB +CBUvAB +dtdCBUrAB vA =vB +CBUvAB +CBUS(ωB )rAB vA =vB +CBU(vAB +S(ωB )rAB )vA =vB +CBU(vAB +ωB ×rAB )

注意这里括号内的向量 ( v A ∣ B ⃗ + ω B ⃗ × r A ∣ B ⃗ ) (\vec{v_{A|B}}+\vec{\omega_B} \times \vec{r_{A|B}}) (vAB +ωB ×rAB ),是基于非惯性坐标系的,经过旋转矩阵变换后才变换到惯性坐标系的。
这里是一个伏笔,后面会考!

接下来就是通过速度求导得到加速度方程,也就可以得到线运动的动力学方程。
如果前面看懂了的话,后面这一步就是高数里简单的复合函数求导题目,有手就行。
d v A ⃗ d t = d v B ⃗ d t + d C B U d t ( v A ∣ B ⃗ + ω B ⃗ × r A ∣ B ⃗ ) + C B U   d ( v A ∣ B ⃗ + ω B ⃗ × r A ∣ B ⃗ ) d t ⇒ a A ⃗ = a B ⃗ + C B U ( ω B ⃗ × ( v A ∣ B ⃗ + ω B ⃗ × r A ∣ B ⃗ ) ) + C B U ( a A ∣ B ⃗ + ω B ′ ⃗ × r A ∣ B ⃗ + ω B ⃗ × v A ∣ B ⃗ ) ⇒ a A ⃗ = a B ⃗ + C B U ( ω B ⃗ × v A ∣ B ⃗ ) + C B U ( ω B ⃗ × ω B ⃗ × r A ∣ B ⃗ ) + C B U a A ∣ B ⃗ + C B U ( ω B ′ ⃗ × r A ∣ B ⃗ ) + C B U ( ω B ⃗ × v A ∣ B ⃗ ) ⇒ a A ⃗ = a B ⃗ + C B U ⋅ 2 ( ω B ⃗ × v A ∣ B ⃗ ) + C B U ( ω B ⃗ × ω B ⃗ × r A ∣ B ⃗ ) + C B U a A ∣ B ⃗ + C B U ( ω B ′ ⃗ × r A ∣ B ⃗ ) \frac{d\vec{v_A}}{dt}=\frac{d\vec{v_B}}{dt}+\frac{dC^U_B}{dt}(\vec{v_{A|B}}+\vec{\omega_B} \times \vec{r_{A|B}})+C^U_B\ \frac{d(\vec{v_{A|B}}+\vec{\omega_B} \times \vec{r_{A|B}})}{dt}\\ \Rightarrow\vec{a_A}=\vec{a_B}+ C^U_B(\vec{\omega_B} \times (\vec{v_{A|B}}+\vec{\omega_B} \times \vec{r_{A|B}})) +C^U_B (\vec{a_{A|B}} + \vec{\omega_B'}\times\vec{r_{A|B}} + \vec{\omega_B}\times \vec{v_{A|B}})\\ \Rightarrow \vec{a_A}=\vec{a_B}+ C^U_B(\vec{\omega_B} \times \vec{v_{A|B}}) +C^U_B(\vec{\omega_B} \times \vec{\omega_B} \times \vec{r_{A|B}}) +C^U_B \vec{a_{A|B}} + C^U_B (\vec{\omega_B'}\times\vec{r_{A|B}}) + C^U_B (\vec{\omega_B}\times \vec{v_{A|B}})\\ \Rightarrow \vec{a_A}=\vec{a_B}+ C^U_B\cdot2(\vec{\omega_B} \times \vec{v_{A|B}}) +C^U_B(\vec{\omega_B} \times \vec{\omega_B} \times \vec{r_{A|B}}) +C^U_B \vec{a_{A|B}} + C^U_B (\vec{\omega_B'}\times\vec{r_{A|B}}) dtdvA =dtdvB +dtdCBU(vAB +ωB ×rAB )+CBU dtd(vAB +ωB ×rAB )aA =aB +CBU(ωB ×(vAB +ωB ×rAB ))+CBU(aAB +ωB ×rAB +ωB ×vAB )aA =aB +CBU(ωB ×vAB )+CBU(ωB ×ωB ×rAB )+CBUaAB +CBU(ωB ×rAB )+CBU(ωB ×vAB )aA =aB +CBU2(ωB ×vAB )+CBU(ωB ×ωB ×rAB )+CBUaAB +CBU(ωB ×rAB )

到这里就已经推导完成,下面简单讨论上面各项的物理意义
a B ⃗ \vec{a_{B}} aB 是非惯性坐标系的加速度;
2 ( ω B ⃗ × v A ∣ B ⃗ ) 2(\vec{\omega_B} \times \vec{v_{A|B}}) 2(ωB ×vAB ) 是由于非惯性系旋转产生的惯性力,称作科氏力 (Coriolis Force)
ω B ⃗ × ω B ⃗ × r A ∣ B ⃗ \vec{\omega_B} \times \vec{\omega_B} \times \vec{r_{A|B}} ωB ×ωB ×rAB 法向加速度,可以把向量看成可以拉伸的弹力绳,在非惯性系旋转过程中,这跟绳子会被甩出去变长,使其变长的力。
a A ∣ B ⃗ \vec{a_{A|B}} aAB 是矢量 A A A在非惯性坐标系下的加速度,再经过坐标变换到惯性坐标系下。
ω B ′ ⃗ × r A ∣ B ⃗ \vec{\omega_B'}\times\vec{r_{A|B}} ωB ×rAB 是由于非惯性的变速旋转运动,导致矢量的切向方向运动变化的力。

角运动推导

角运动的过程与线运动本质上相同。直接给公式
ω A ⃗ = ω B ⃗ + C B U ⋅ ω A ∣ B ⃗ \vec{\omega_A}=\vec{\omega_B} + C^U_B \cdot \vec{\omega_{A|B}} ωA =ωB +CBUωAB
两边求导得到
α A ⃗ = d ω A ⃗ d t = α B ⃗ + C B U ( ω B ⃗ × ω A ∣ B ⃗ ) + C B U ⋅ α A ∣ B ⃗ \vec{\alpha_{A}} = \frac{d\vec{\omega_A}}{dt}=\vec{\alpha_{B}}+C^U_B (\vec{\omega_B} \times \vec{\omega_{A|B}} ) + C^U_B \cdot \vec{\alpha_{A|B}} αA =dtdωA =αB +CBU(ωB ×ωAB )+CBUαAB

总结

总体来说,整个推导过程相对简单,但是在我学习过程中查阅的资料里并没有对旋转变换过程进行描述,导致我自己推导过程遇到许多阻碍,希望这篇文章可以帮助到入门学习的同学。
若文中出现错误或者描述有误的地方,欢迎指正!文章来源地址https://www.toymoban.com/news/detail-511910.html

到了这里,关于浅谈牛顿-欧拉方程及其推导的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 欧拉角速率与机体角速度转换详细推导

    旋转矩阵还不清楚的同学去看我的另一篇博客,这里咱们废话不多说,旋转矩阵已知 大家一定要记住欧拉角是有顺序的!!!这是咱们推导出机体角速度的关键 这里按照比较常用的顺序,先绕 Z Z Z 轴旋转 q 6 q_6 q 6 ​ 度,再绕 Y Y Y 轴旋转 q 5 q_5 q 5 ​ 度,最后绕 X X X 轴旋转

    2023年04月08日
    浏览(49)
  • 牛顿-拉普森法求解线性方程组原理及matlab程序

      在多变量微积分和矩阵理论的交叉点是求解非线性代数方程的迭代方法。设是的 n n n 个未知向量 x ,有 F ( x ) = 0 ∈ R n mathbf{F}left( mathbf{x} right) =0in text{R}^{text{n}} F ( x ) = 0 ∈ R n 就是求解 x 的 n n n 个非线性方程组,其中向量函数具有连续导数,并且雅可比矩阵 F x ( x

    2024年02月05日
    浏览(41)
  • matlab实现牛顿迭代法求解非线性方程

    非线性方程是指含有未知数的方程,且方程中至少有一个未知数的次数大于一或者含有非一次幂的函数(如指数、对数、三角函数等)。例如,$f(x) = x^3 - 2x - 5 = 0$就是一个非线性方程。非线性方程通常没有显式的解析解,因此需要使用数值方法来近似求解。 牛顿迭代法(N

    2024年02月11日
    浏览(54)
  • Python调用二分法和牛顿法求方程的根

    二分法是最简单的求根算法。 对于方程 f ( x ) = 0 f(x)=0 f ( x ) = 0 ,如果 f ( a ) ⋅ f ( b ) 0 f(a)cdot f(b)0 f ( a ) ⋅ f ( b ) 0 ,则说明 a , b a,b a , b 之间必有根,如果按照某个步长对其进行搜索,那么最终一定能够不断缩小根的取值范围,不断精确化。 二分法就是基于这种思想的一种

    2024年02月02日
    浏览(71)
  • 坐标系变换推导(欧拉角、方向余弦矩阵、四元数)+代码解析

    描述两个坐标系之间的变换关系主要有几个方法 1、欧拉角法(存在奇异性和万向锁而且三个轴旋转的顺序不好定) 2、方向余弦矩阵法(翻译为Directional cosine matrix,简称DCM,也称为旋转矩阵,看了很多博客写的是C11-C33的那个矩阵,没明白为什么也称之为一个方法,有知道的指导

    2024年02月08日
    浏览(95)
  • C语言每日一练——第154天:牛顿迭代法求方程根

    🌟 前言 Wassup guys,我是Edison 😎 今天是C语言每日一练,第154天! Let’s get it! 编写用牛顿迭代法求方程根的函数。   方程为 a x 2 + b x 2 + c x + d = 0 ax^2+bx^2+cx+d=0 a x 2 + b x 2 + c x + d = 0 ,系数a,b,c,d 由主函数输入。   求 x x x 在 1 1 1 附近的一个实根。求出根后,由主函数输

    2024年01月23日
    浏览(47)
  • matlab解常微分方程常用数值解法1:前向欧拉法和改进的欧拉法

    总结和记录一下matlab求解常微分方程常用的数值解法,本文先从欧拉法和改进的欧拉法讲起。 d x d t = f ( x , t ) , x ( t 0 ) = x 0 frac{d x}{d t}=f(x, t), quad xleft(t_{0}right)=x_{0} d t d x ​ = f ( x , t ) , x ( t 0 ​ ) = x 0 ​ 前向欧拉法使用了泰勒展开的第一项线性项逼近。 x ( t 0 + h ) = x (

    2024年02月13日
    浏览(48)
  • 40.利用欧拉法求解微分方程组(matlab程序)

    1. 简述        求解微分方程的时候,如果不能将求出结果的表达式,则可以对利用数值积分对微分方程求解,获取数值解。欧拉方法是最简单的一种数值解法。前面介绍过MATLAB实例讲解欧拉法求解微分方程,今天实例讲解欧拉法求解一阶微分方程组。 本文理论部分来自知乎

    2024年02月14日
    浏览(58)
  • 一维热传导方程的推导

    考虑一根具有定横截面积 A A A 的杆,其方向为 x x x 轴的方向(由 x = 0 x=0 x = 0 至 x = L x=L x = L ),如图1所示。 设单位体积的热能量为未知变量,叫做热能密度: e ( x , t ) e(x,t) e ( x , t ) 。 假设通过截面的热量是恒定的,杆是一维的。做到这一点的最简单方法是将杆的侧面完

    2024年02月15日
    浏览(45)
  • 【雷达原理】基本雷达方程的推导

    雷达方程定量地描述了作用距离与雷达参数及目标特性之间的关系。 研究雷达方程主要有以下作用: (1)根据雷达参数来估算雷达的作用距离; (2)根据雷达的威力范围来估算雷达的发射功率; (3)分析雷达参数对雷达作用距离的影响,这对雷达系统设计中正确地选择系

    2024年02月10日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包