张量和矩阵是什么关系
热爱生活的李小白
2022年08月30日 14:28
收录于文集
共11篇

在我刚开始学弹性力学的时候,我对张量和矩阵之间的关系理解是这样的:张量就是矩阵,矩阵就是张量。

但是经过我多年的潜心研究,我现在对张量和矩阵之间的关系理解是这样的:张量是张量,矩阵是矩阵。

听起来好像一句废话,那为什么张量可以用矩阵来进行表达呢?


我们以 2 阶张量为例,来探究为什么张量可以用矩阵的形式进行表达。

如下是一个二阶应力张量的一般表达形式:

  •  代表并失,其他文献中没有加下划线,我这里加下划线是为了避免和内积混淆,同时也强调了整体性。

从 %5Cboldsymbol%7B%5Csigma%7D 的表达式可以看出,应力空间的基有9个,所以应力张量的空间的维度是 9 。

若我取一个空间,这个空间里的量是 3%20%5Ctimes%203 矩阵,那这个空间的维度是多少呢?维度也是9 。为什么呢? 可以想象一下,任何一个 3%20%5Ctimes%203 的矩阵都可以用9个%7BA_j%5Ei%7D%3D1,的矩阵的线性组合进行表达。

应力张量所组成的空间和 3%20%5Ctimes%203 的矩阵所组成的空间的为度相等,说明什么呢?说明应力张量所组成的空间和 3%20%5Ctimes%203  矩阵所组成的空间同构。(域 F 上两个有限维线性空间同构的充分必要条件是它们的维数相等,丘维声,高等代数下册,P206)

既然应力张量所组成的空间和 3%20%5Ctimes%203 矩阵所组成的空间同构,那必然存在从%5Cboldsymbol%7B%5Csigma%7D%20%5Cto%20M 的一个双射(即是单射又是满射),也就是说3维矢量上的一个二阶张量必然和唯一的对应于一个 3%20%5Ctimes%203 的矩阵。

同时,若张量对于加法构成一个群,矩阵对于加法构成一个群,这两个群之间存在一个同态。就是说在同态映射的规则下,我把张量加起来后对应成一个矩阵和 把两个张量先对应成矩阵,再把这两个矩阵加起来的到的矩阵 结果是相同的。(群同态可参考:丘维声,群表示论,P9)

同理,张量对于乘法构成一个群,矩阵对于乘法也构成一个群,这两群之间也存在一个同态。若定义张量的乘法为:%5Cboldsymbol%7BTP%7D(w)%20%3D%20%5Cboldsymbol%7BT%7D(%5Cboldsymbol%7BP%7D(w)),矩阵的乘法大家都听熟悉了。张量相乘后对应于一个矩阵,和先把这两个张量对应成两个矩阵,再把这两个矩阵相乘后的到的矩阵 是同一个矩阵,这类映射就是群的同态。

现在应该清楚张量和矩阵是什么关系了,张量是张量,矩阵是矩阵,但二阶张量和矩阵之间有一个同态,所以可以用一个矩阵唯一的代表一个张量,并且张量间的运算法则在矩阵上也是保持的。


有点抽象,来举个具体的例子。以应力张量为例:

%5Cboldsymbol%7B%5Csigma%7D%20%3D%20%5Csigma_%7B11%7D%5Cunderline%7B%20%5Cboldsymbol%7Be_1%7D%5Cboldsymbol%7Be_1%7D%7D%20%2B%20%5Csigma_%7B12%7D%5Cunderline%7B%5Cboldsymbol%7Be_1%7D%5Cboldsymbol%7Be_2%7D%7D%2B%5Csigma_%7B13%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_1%7D%5Cboldsymbol%7Be_3%7D%7D%2B%5Csigma_%7B21%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_2%7D%5Cboldsymbol%7Be_1%7D%7D%20%2B%20%5Csigma_%7B22%7D%5Cunderline%7B%5Cboldsymbol%7Be_2%7D%5Cboldsymbol%7Be_2%7D%7D%2B%5Csigma_%7B23%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_2%7D%5Cboldsymbol%7Be_3%7D%7D%2B%5Csigma_%7B31%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_3%7D%5Cboldsymbol%7Be_1%7D%7D%2B%5Csigma_%7B32%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_3%7D%5Cboldsymbol%7Be_2%7D%7D%2B%5Csigma_%7B33%7D%20%5Cunderline%7B%5Cboldsymbol%7Be_3%7D%5Cboldsymbol%7Be_3%7D%7D

还记得上一篇中关于并失和矩阵表达式之间关系的推导吗?%5Cunderline%7B%5Cboldsymbol%7Buv%7D%7D%20%5Cto%20%5Cboldsymbol%7Bu%7D%5Cboldsymbol%7Bv%7D%5ET 第二项的运算规则式将向量看作一个 3%20%5Ctimes%201 的矩阵,按照矩阵的乘法进行相乘。那我们来看看应力张量基的矩阵是什么?

%5Cunderline%7B%5Cboldsymbol%7Be_1%20e_1%7D%7D%20%3D%20%5Cbegin%7Bbmatrix%7D%201%5C%5C0%5C%5C0%5Cend%7Bbmatrix%7D%20%5Cbegin%7Bbmatrix%7D%201%260%260%5Cend%7Bbmatrix%7D%20%3D%20%5Cbegin%7Bbmatrix%7D%201%260%260%5C%5C0%260%260%5C%5C0%260%260%5Cend%7Bbmatrix%7D

同理,可计算出其他基的矩阵表达式,然后把系数乘进去,再把矩阵按照矩阵的加法加起来。

这下是不是就很清楚为什么%5Cboldsymbol%7B%5Csigma%7D%20%5Csim%20%5Cbegin%7Bbmatrix%7D%5Csigma_%7B11%7D%26%5Csigma_%7B12%7D%20%26%5Csigma_%7B13%7D%5C%5C%5Csigma_%7B21%7D%26%5Csigma_%7B22%7D%26%5Csigma_%7B23%7D%5C%5C%5Csigma_%7B31%7D%20%20%26%5Csigma_%7B32%7D%20%20%26%5Csigma_%7B33%7D%20%20%20%5Cend%7Bbmatrix%7D

顺便说一句,这里若熟悉矩阵分解的同学可能会发现,这个过程很类似于将一个秩为 3 的矩阵分解为秩为 1 的矩阵的线性组合。


上篇末尾的结论中,%5Cunderline%7B%5Cboldsymbol%7Buv%7D%7D%20%5Cto%20%5Cboldsymbol%7Bu%7D%5Cboldsymbol%7Bv%7D%5ET 可能有同学也发现了,并失按照所定义的规则对应成的矩阵是一个秩 1 矩阵,为什么呢,矩阵的秩是矩阵中线性无关的行向量或列向量的个数,明显上述矩阵中线性无关的行向量和列向量的个数为1,同时矩阵的秩也是矩阵所代表的线性映射值域的维数,所以一个并失会将3维空间中任意一个向量映射到一个特定的直线上,这个从并失的定义也能看出来,%5Cunderline%7B%5Cboldsymbol%7Buv%7D%7D(%5Cboldsymbol%7Bw%7D)%20%3D%20%5Cboldsymbol%7Bu%7D(%5Cboldsymbol%7Bv%7D%20%5Ccdot%20%5Cboldsymbol%7Bw%7D),所有作用后的结果都和 %5Cboldsymbol%7Bu%7D 平行。


这次先写到这,若点赞量高的话,我会给出同态的具体证明过程。下次见。