Sie sind auf Seite 1von 3

Quantenpraktikum

Übungsblatt 1: Kontinumsmechanik
• Physik: Kontinumsmechanik
• Mathematik:
– Vektoren und Matrizen
– Eigenwerte und Eigenvektoren
• Programmieren: SymPy, NumPy
1. Löse folgende Aufgaben unter Verwendung
von NumPy- oder SymPy-Funktionen.
Auf einen elastischen Körper wirken
die Normalspannungen
sigma(x,x) = 3 N mm**(-2)
sigma(y,y) = 2 N mm**(-2)
sigma(z,z) = 4 N mm**(-2)
und die Schubspannungen
sigma(x,y) = 1 N mm**(-2)
sigma(x,z) = 1 N mm**(-2)
sigma(y,z) = 0 N mm**(-2)
• 1.1 Gib den Spannungstensor an.
Welche Dimensionen hat er?
• 1.2 Bestimme Eigenwerte und Eigenvektoren dieses Tensors.
• 1.3 Welche physikalische Bedeutung haben die
Eigenwerte/Eigenvektoren des Spannungstensors?

• 1.4 Bestimme das charakteristische Polynom des Tensors.

• 1.5 Überprüfe, ob die in 1.2 ermittelten Eigenwerte Lösungen dieses


charakteristischen Polynoms sind.
• 1.6 Überprüfe, ob die in 1.2 ermittelten Eigenvektoren das folgende
lineare Gleichungssystem lösen:
(M - lambda*I)x = 0.
Wie heißt der Raum, der von den Eigenvektoren für die zugehörige
Matrix (M - lambda*I) aufgespannt wird?
# Null space in NumPy ans SciPy
import numpy

1
from scipy.linalg import null_space
M = numpy.array([[1, 2, 3], [4, 10, 0]])
null_space(M)
# Null space in SymPy
import sympy
M = sympy.Matrix([[1, 2, 3], [4, 10, 0]])
M.nullspace()
• 1.7 Teste die Eigenvektoren auf Orthogonalität.
2. Gegeben sei folgende Drehmatrix:
Az(phi) = [[cos(phi),-sin(phi),0],[sin(phi),cos(phi),0],[0,0,1]]
• 2.1 Bestimme für die Drehachsen C(n) mit n = 2,3,4,6
die Eigenwerte und Eigenvektoren der Drehmatrix.
• 2.2 Welcher Zusammenhang besteht zwischen dem Argument phi
und den Drehachsen?
• 2.3 Welche dieser Drehmatrizen besitzen reelle Eigenwerte und warum?
3. Gegeben seien
ein Tensor 1. Stufe, d.h. ein Vektor:
b = [1, 2, 1]
und ein Tensor 2. Stufe, d.h. eine Matrix:
T = [[1,0,1],[0,2,0],[1,0,3]]
• 3.1 Bestimme daraus den Vektor:
c_i = T_ij b_j
• 3.2 Bestimme die folgenden Tensoren 0. Stufe bzw. Skalare:
b_i b_i
b_i T_ij b_j
tr(T)
det(T)
# Scalar product NumPy
import numpy
M1 = numpy.array([1, 2, 3])
res1 = numpy.dot(M1.T,M1)
M2 = numpy.array([[1, 2, 3]])
res2 = numpy.dot(M2,M2.T)
print(res1, res2)
# Scalar product SymPy
import sympy
M1 = sympy.Matrix([1, 2, 3])
res1 = M1.T*M1

2
M2 = sympy.Matrix([[1, 2, 3]])
res2 = M2*M2.T
print(res1, res2)