Séance de cours

Vecteurs et Tenseurs: Préliminaires mathématiques et décomposition spectrale

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

ME-331: Solid mechanics III

Fundamental understanding and analysis of the mechanical behavior of engineering materials and their use in mechanical design based on the continuum mechanics of solids. ...

Description

Cette séance de cours couvre les préliminaires mathématiques liés aux vecteurs propres et aux valeurs propres, en mettant l'accent sur la décomposition spectrale des matrices. Il traite également des champs vectoriels et tenseurs, y compris les quantités variant avec la position spatiale et le besoin de dérivées spatiales et temporelles. La séance de cours explore en outre l'orthogonalité des vecteurs propres et la représentation des matrices dans un ensemble de base aligné avec les vecteurs propres.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e·s (3)

John Martin Kolinski

Dr. Kolinski studied Applied Mathematics (Sc.M.) and Applied Physics (Ph.D.) at Harvard University, completing a PhD under the supervision of L. Mahadevan and Shmuel Rubinstein on the role of air in droplet impact. John did his post-doc at the Hebrew University of Jerusalem in Israel supported by the Fulbright post-doctoral fellowship. At HUJI, he worked on interfacial instabilities in soft matter in the labs of Eran Sharon and Jay Fineberg. John continues his research into interfacial mechanics at EPFL in EMSI, his newly founded laboratory for the study of Engineering Mechanics of Soft Interfaces.

John Botsis

John (Ioannis) Botsis obtained his diplôme in civil engineering at the University of Patras, Greece in 1979. He continued his education at Case Institute of Technology in Cleveland Ohio/USA, where he received his MS and Ph.D. in 1984. After two years at the research center for national defense in Athens he was nominated assistant professor at the University of Illinois in Chicago, associate in 1991 and full professor in 1995. In 1996, he was nominated professor of solids and structural mechanics at the EPFL. At EPFL he teaches mechanics of structures and mechanics of continuous media´ at the bachelors level and Fracture mechanics at the masters and doctoral levels. His research covers the mechanics of solids and structures, fracture mechanics and micromechanics of polymers, metals and their composites as well as biomechanics. He is also actively involved in full-filed optical methods for surface strain measurements as well as internal strain measurements using fiber Bragg grating sensors, aimed at characterizing micromechanics of fracture, residual strains and strain distribution in composite laminates for structural monitoring. Funding for his research comes from the Swiss National Science Foundation, State Secretariat for Education and Research and Swiss industry. He retired on February 28, 2020.

William Curtin

Source officielle

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

En mathématiques, et plus particulièrement en algèbre linéaire, le concept de vecteur propre est une notion algébrique s'appliquant à une application linéaire d'un espace dans lui-même. Il correspond à l'étude des axes privilégiés, selon lesquels l'application se comporte comme une dilatation, multipliant les vecteurs par une même constante. Ce rapport de dilatation est appelé valeur propre, les vecteurs auxquels il s'applique s'appellent vecteurs propres, réunis en un espace propre.

Décomposition d'une matrice en éléments propres

En algèbre linéaire, la décomposition d'une matrice en éléments propres est la factorisation de la matrice en une forme canonique où les coefficients matriciels sont obtenus à partir des valeurs propres et des vecteurs propres. Un vecteur non nul v à N lignes est un vecteur propre d'une matrice carrée A à N lignes et N colonnes si et seulement si il existe un scalaire λ tel que : où λ est appelé valeur propre associée à v. Cette dernière équation est appelée « équation aux valeurs propres ».

Generalized eigenvector

In linear algebra, a generalized eigenvector of an matrix is a vector which satisfies certain criteria which are more relaxed than those for an (ordinary) eigenvector. Let be an -dimensional vector space and let be the matrix representation of a linear map from to with respect to some ordered basis. There may not always exist a full set of linearly independent eigenvectors of that form a complete basis for . That is, the matrix may not be diagonalizable.

Algorithme de recherche de valeur propre

Un problème important en analyse numérique consiste à développer des algorithmes efficaces et stables pour trouver les valeurs propres d'une matrice. Ces algorithmes de recherche de valeurs propres peuvent être étendus pour donner les vecteurs propres associés. Valeur propre, vecteur propre et espace propre Pour une matrice carrée A de taille n × n réelle ou complexe, une valeur propre λ et son vecteur propre généralisé associé v sont un couple vérifiant la relation où v est un vecteur colonne n × 1 non nul, I la matrice identité de taille n × n, k un entier positif.

Décomposition de Schur

En algèbre linéaire, une décomposition de Schur (nommée après le mathématicien Issai Schur) d'une matrice carrée complexe M est une décomposition de la formeoù U est une matrice unitaire (U*U = I) et A une matrice triangulaire supérieure. On peut écrire la décomposition de Schur en termes d'applications linéaires : Dans le cas où est l'application nulle, l'énoncé est directement vérifié, on peut donc se contenter de traiter le cas où est différente de l'application nulle.

Afficher plus

Séances de cours associées (64)

Décomposition des valeurs propres et des vecteurs propres

Couvre la décomposition d'une matrice dans ses valeurs propres et ses vecteurs propres, l'orthogonalité des vecteurs propres et la normalisation des vecteurs.

Valeurs propres et séquence de Fibonacci

Couvre les valeurs propres, les vecteurs propres et la séquence de Fibonacci, en explorant leurs propriétés mathématiques et leurs applications pratiques.

Diagonalisation des matrices symétriques

Couvre la diagonalisation des matrices symétriques et du théorème spectral.

Équations canoniques et systèmes intégrables

Explore les équations canoniques, les systèmes intégrables, les trajectoires et la matrice symplectique dans la compréhension de la dynamique des systèmes.

Diagonalisation des matrices symétriques

Explore la diagonalisation des matrices symétriques et l'importance de la décomposition des valeurs singulières.

Afficher plus

Concepts associés (32)

Valeur propre, vecteur propre et espace propre

Décomposition d'une matrice en éléments propres

Generalized eigenvector

Algorithme de recherche de valeur propre

Décomposition de Schur

Afficher plus