meta data for this page
  •  

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

两侧同时换到之前的修订记录前一修订版
zh:computational_fluid_dynamics:reynolds_transport_theorem:start [2026/07/29 08:11] – [推导] tomzh:computational_fluid_dynamics:reynolds_transport_theorem:start [2026/07/29 08:12] (当前版本) – [推导] tom
行 56: 行 56:
 + \frac{\mathrm{d}^2\phi}{\mathrm{d}^2t} \frac{\Delta^2 t}{2!}+...+\frac{\mathrm{d}^n\phi}{\mathrm{d}^nt} \frac{\Delta^n t}{n!} + \frac{\mathrm{d}^2\phi}{\mathrm{d}^2t} \frac{\Delta^2 t}{2!}+...+\frac{\mathrm{d}^n\phi}{\mathrm{d}^nt} \frac{\Delta^n t}{n!}
 \end{equation} \end{equation}
-当前,我们关注的是函数 $\phi$,但它的函数表达式是未知的。我们可能仅知道该函数在一系列离散点上的值(例如在 $t$ 时刻),但我们希望预测未来某一时刻 $t+\Delta t$ 的函数值。一个经典示例是:假设 $\phi$ 代表温度,我们已知当前时刻的温度(即已知 $\phi(t)$),并希望预测明天(即 $t+\Delta t$ 时刻)的温度。 
  
-如果我们完全不知道明天的温度会是多少,但拥有今天的测量值,那么我们能做出的最佳猜想就是明天的温度与今天相同。这种估算虽不能做到 100% 精确,但也相差无几。这正是泰勒级数的第一项;也就是说,如果我们想获得 $\phi(t+\Delta t)$ 的近似值,可以假设它等于 $\phi(t)$(暂且忽略所有其他项)。 
- 
-然而,如果我们同时还掌握昨天的温度,就能观察出温度是在上升还是在下降。换言之,我们知道了温度曲线的斜率——这无非就是导数,也就是泰勒级数的第二项。将第二项与第一项结合起来,我们便得到了: 
-\begin{equation} 
-\phi(t+\Delta t) \approx \phi(t)+\frac{\mathrm{d}\phi}{\mathrm{d}t} \frac{\Delta t}{1!} 
-\end{equation} 
- 
-如果我们拥有更多关于过去测量数据的信息,只要时间步长 $\Delta t$ 足够小,我们就可以引入越来越多的高阶导数,从而获得不断提升的精度。不过,即便我能得到所有的各阶导数,如果尝试提前几年去预测温度,恐怕依然无法得出准确的结果。但如果是预测未来几天,我们就能得到相当不错的估计。通常情况下,我们会将泰勒级数在保留前几项后进行截断,并将舍弃的那些项(及其最高指数)用 $\mathcal{O}(\Delta x^n)$ 来表示,其中 $n$ 是我们所舍弃的最低阶项的阶数。对于理解整体概念而言,这一项并不至关重要;如果你看到它,只需明白它代表我们省略了一些额外的项即可。毕竟泰勒级数是一个无穷级数,我们必须对其进行截断!下图展示了随着高阶导数的引入,对指数函数 $f(x) = \mathrm{e}^x$ 的近似程度是如何逐步改善的(其中 $n$ 的数值对应泰勒级数中的导数阶数 
  
 ===== 历史背景 ===== ===== 历史背景 =====