玻尔百科当你拉伸一根橡皮筋或揉捏面团时，你正在见证两种基本类型的变形：体积变化和形状变化。在物理学和工程学中，几乎每一种材料变形都是这两种作用的复杂组合。这提出了一个关键问题：我们如何能从数学上解开这种混合，以理解材料如何分别抵抗压缩与剪切？答案在于一个强大而优雅的概念，即体积-等容拆分。
尽管总变形由一个单一的数学对象——变形梯度——来捕捉，但其原始形式将这些截然不同的物理响应混杂在一起。本文将剖析这一概念，提供一条从基础理论到实际应用的清晰路径。我们将首先探讨该拆分背后的“原理与机制”，详细介绍用于将体积变化与形状扭曲分离的数学工具，以及这种分解如何让我们能够对材料的内能和应力进行建模。随后，“应用与跨学科联系”部分将揭示为何这不仅仅是一种数学上的便利。我们将看到该原理如何对现代计算模拟至关重要，如何将力学与热力学、塑性力学等领域联系起来，甚至为构建面向材料科学的、基于物理知识的人工智能提供一个稳健的框架。
想象一下你在拉伸一根橡皮筋。它当然会变长，但同时也会变细。你正在同时改变它的形状和尺寸（即体积）。或者想象一下揉面团：你不断地改变它的形状，但其总体积或多或少保持不变。事实证明，几乎所有你能想象到的变形——从汽车轮胎的充气到软生物组织的轻微肿胀——都是这两种基本效应的混合：体积变化（膨胀）和形状变化（扭曲或剪切）。
对于物理学家或工程师来说，这提出了一个绝妙的难题。我们如何能用一种数学方式来描述变形，从而清晰地分离这两种作用？如果我们能做到这一点，我们就可以开始理解材料如何分别抵抗每一种作用。仅仅压缩一种材料需要多少能量，而仅仅剪切它又需要多少能量？探寻这个问题的答案揭示了数学物理学中一个优美的部分——体积-等容拆分。
我们描述任何变形的主要工具是一个称为变形梯度的数学对象，用符号 表示。你可以把 看作是变形的完整说明书。它作用于原始未变形体中的任意无穷小纤维，并精确地告诉你它如何被拉伸和旋转，从而达到其在变形体中的新状态。原始物体中的一个微小线元 在新物体中变为 。
虽然 包含了所有信息，但这些信息都混合在一起。旋转、剪切和体积变化都捆绑在其中。我们的首要任务是找到一种仅分离出体积变化的方法。你可能首先会猜测，一个简单的度量，比如坐标轴的平均伸长（矩阵的迹，），可以告诉我们体积的变化。这看似合理，但事实证明是错误的。完全有可能构造出两种不同的变形，它们具有完全相同的迹，但产生完全不同的体积变化。其中一种可能完全保持体积不变，而另一种则可能导致显著的膨胀。这告诉我们需要一个更复杂的工具。
这个工具就是变形梯度的行列式，一个我们称之为雅可比的单一数值，用 表示。事实证明，这个数值是局部体积变化的唯一真实度量。
想象一下材料变形前的一个极小立方体，其体积我们称之为 。变形后，这个立方体会被挤压和拉伸成一个小小的平行六面体，新体积为 。这些体积之间的基本关系异常简单：
如果一个变形使材料局部体积膨胀到原来的两倍，那么 。如果它被压缩到一半的体积，则 。而如果形状改变但体积完全保持不变——就像我们揉面团一样——这被称为等容变形，它对应于 的特殊情况。
如果我们考虑一个沿主轴方向的简单拉伸，拉伸因子分别为 , 和 ，那么单位立方体的新体积就是 。这个乘积恰好是对角变形梯度矩阵的行列式，因此我们可以直观地理解为什么 能够捕捉体积变化。雅可比 揭示了压缩的秘密。
现在我们有了一个可以调节体积的“旋钮” ，我们如何从总变形 中“分解出”它的影响呢？这个绝妙而优雅的想法不是通过相加，而是通过相乘来拆分 。我们提出，任何变形都可以看作是两个更简单变形的序列：
这里， 是一个只改变体积的变形，而 是一个只改变形状（等容）的变形。 应该是什么样的？一个纯粹的体积变化，没有形状变化，是所有方向上等量的拉伸——即各向同性膨胀。为了正确表示总体积变化，这个缩放因子必须是 。 次幂来源于我们在三维空间中，体积与长度的立方成正比。所以，。
有了这个，我们现在可以求解改变形状的部分。我们定义一个新的、修正的变形梯度，通常写为 ：
根据其构造， 的行列式保证为 1，这意味着它代表一个纯粹的等容（保持体积）变换。我们已成功将总变形拆分为纯膨胀（）和纯扭曲（）。
这种拆分自然地延伸到我们在实践中使用的应变张量。例如，右柯西-格林张量 ，它度量长度的平方变化，并且巧妙地不受刚体旋转的影响，它也可以进行拆分。它的等容对应部分 被发现为：
指数 直接来自于对 定义中 因子的平方。就像 一样， 的行列式也总是 1，表明其纯粹的扭曲性质。
这种数学分解可能看起来像一个巧妙的形式技巧，但其真正的力量在于物理层面。它使我们能够建立反映材料行为深层真理的模型。
想象一个装满水的气球。要将气球压缩到更小的体积是极其困难的，因为水几乎是不可压缩的。这是对体积变化的高度抵抗（高的体积模量）。然而，通过在一个方向上挤压气球，让它在其他方向上鼓起，来改变它的形状是相当容易的。这是对形状变化的低抵抗（低的剪切模量）。
大多数软材料，从橡胶到生物组织，都表现出这种行为。为了准确地描述它们，我们储存能量的理论需要尊重这种分裂的特性。我们假设总应变能密度 可以写成纯体积部分和纯等容部分之和：
在此， 是体积能，它仅依赖于体积比 。它像一个强大的惩罚项，如果 偏离 1，其值会急剧上升，从而捕捉到材料对压缩的巨大抵抗。 是等容能，描述在恒定体积下形状扭曲过程中能量是如何储存的。这种表述不仅是一个优雅的选择；它对于防止我们的模型预测非物理行为至关重要，例如纯剪切变形产生压力，或者纯体积膨胀产生剪切应力。
这种优美的能量分离直接导致了应力的分离。材料内部的总应力 也巧妙地分为两部分。一部分是静水压力 ，它完全由体积能 产生。另一部分是偏应力，它解释了剪切作用，并完全由等容能 产生。压力是材料对被压缩的响应，而偏应力是其对被扭曲的响应。
值得注意的是，体积-等容拆分并不是分解变形梯度的唯一方法。另一种著名的方法是极分解，。这种拆分是不同的：它将局部的刚体旋转（）与纯拉伸（）分离开来。在这种情况下，拉伸张量 仍然混合包含着形状变化和体积变化。
这两种分解回答了不同的问题：
这凸显了连续介质力学的丰富性。我们甚至可以将这些思想结合成一个三部分分解，，它分离出变形的所有三个基本组成部分：纯体积变化（）、纯旋转（）和纯粹的、保持体积的形状变化（）。
然而，对于软性、近不可压缩材料力学中的大多数问题，体积-等容拆分占据了中心位置。它在我们能看到的变形几何学与我们试图理解和预测的材料能量和应力响应之间，提供了一座必要的概念和数学桥梁。它是一个完美的例子，说明选择正确的数学描述可以揭示物理世界内在的美和统一性。对于各向异性材料，这种清晰的分离通常是一种建模假设，即选择构建一个以这种解耦方式行为的材料模型。
你可能认为，将变形拆分为改变体积的部分和改变形状的部分这整套做法，只是一个相当巧妙的数学技巧。也许对于偏爱理论的人来说，这是一种不错的记账方式，但它到底有何用处？事实证明，这不仅仅是一个技巧，而是一种深刻的物理洞见。大自然本身似乎就采用了这种分工。一种机制负责抵抗压缩，比如原子间距离过近时产生的力；而另一种完全不同的机制负责抵抗形状变化，比如长聚合物链的解卷。通过在我们的理论中分离这两种效应，我们不仅简化了数学，而且开始像材料本身一样思考。当你这样做时，一个充满应用和联系的全新世界突然清晰起来，从制造更好的轮胎到用人工智能设计新材料。让我们一探究竟。
我们的拆分方法的首个也是最直接的用途在于*本构模型的构建——即写下描述特定材料的数学定律的艺术。当工程师观察一个变形体时，他们最想知道两件事：它内部的压力是多少，以及剪切应力是多少？压力，一种球应力，可以告诉你气球是否会爆裂或潜艇是否会内爆。剪切，或偏应力，可以告诉你梁是否会撕裂或轴是否会扭断。能量的体积-等容拆分的美妙之处在于，它优雅地将产生的应力分离成这两部分。能量的体积部分只产生类似压力的球应力，而等容部分只*产生引起形状扭曲的偏应力。这为我们提供了一个强大的工具箱。现在我们可以一步一步地为材料建立模型。
首先，它如何抵抗压缩？我们可以进行静水压缩试验，将材料浸入流体中并增加压力。通过测量其体积 如何随压力 变化，我们可以反向推导出体积能 的精确数学形式。模型的这一部分不是凭空猜测，而是实验数据的直接反映。
接下来是更微妙的部分：它如何抵抗形状变化？这正是不同材料物理特性的闪光之处。以软橡胶为例，其对形状变化的抵抗力来自于其缠结的长聚合物链网络的熵。当你拉伸橡胶时，你正在解开这些链条，使它们变得更有序，从而降低了它们的熵。这产生了一种恢复力。更高级的模型，如 Gent 模型，甚至考虑了这些链具有有限长度且不能无限拉伸的事实。当材料接近其最大伸长时，它会变得异常坚硬。这种“锁定”行为被完美且完全地捕捉在应变能的等容部分中，将宏观的硬化效应与聚合物链的微观物理学联系起来。对于其他材料，我们可能没有这样清晰的微观图像。在这些情况下，我们可以使用更通用的唯象形式，如 Ogden 模型。该模型使用一系列带有不同参数的项，这些参数可以调整以匹配材料在剪切下的实测响应。关键点在于，我们可以调整这些存在于等容能函数中的剪切参数，而不会干扰精心校准的体积响应，反之亦然。我们正在一次一个基本行为地构建材料的复合草图。
拥有一个好的材料模型是一回事；用它来预测一个复杂物体的行为，比如汽车轮胎撞上坑洼或支架在动脉中扩张，则是另一回事。这是计算力学的领域，特别是有限元法（FEM）。在这里，一个复杂的物体被分解成由更简单的“单元”组成的网格，并在该网格上求解物理定律。正是在这里，我们这个看似不起眼的拆分方法将工程师从一个臭名昭著的数值陷阱中拯救出来：体积锁定。
近不可压缩材料，如橡胶和生物组织，无处不在。它们的体积很难改变，但形状很容易改变。当你尝试用标准的低阶有限元来模拟这类材料时，你常会发现模型变得病态地、人为地僵硬。它会“锁死”并拒绝变形，即使是那些本应很容易的变形方式，比如简单的弯曲。这简直是场灾难！模拟会给出完全错误的结果。
体积-等容拆分是照亮这种病态现象原因的明灯。当数值方法被天真地应用时，它会无意中在每个小单元内部的太多点上施加不可压缩性约束。对于一个只有足够灵活性来产生线性体积变化的简单单元，模拟会试图在四个不同的点上强制使体积变化为零。满足这一条件的唯一方法是体积变化处处为零，这会过度约束单元，使其即使在纯剪切情况下也无法变形。
一旦你从这个角度看待问题，解决方案就变得清晰了。错误在于我们如何处理体积部分，而不是等容部分。所以，我们区别对待它们！像选择性减缩积分（SRI）这样的技术，对等容（剪切）能使用精细、准确的数值方案，而对体积能则使用不那么严格的“减缩”方案（例如，仅在一个点上进行评估）。这实际上是在单元上以平均的方式而非逐点地施加不可压缩性约束，从而给予单元正确变形所需的自由度。这个直接源于能量拆分的思想，是现代软材料和结构模拟软件的基石。
体积-等容拆分的影响远远超出了橡胶和有限元。它提供了一条统一的线索，将力学与其他物理学分支联系起来。
考虑热力学。当你快速拉伸一根橡皮筋时会发生什么？如果你用嘴唇触摸它，你会感觉它变暖了。当你让它收缩时，它会变冷。这就是热弹性作用的体现。温度和变形之间的这种耦合从何而来？我们的拆分方法指明了方向。热膨胀是体积的变化，而不是形状的变化。因此，理所当然地，与温度的主要联系应该存在于能量的体积部分，即 中。例如，通过将材料的体积模量设定为温度的函数，我们可以模拟材料受热时如何膨胀。但其美妙之处不止于此。热力学定律允许我们推导出一个麦克斯韦关系，它直接将材料熵的变化与其体积的变化联系起来。这就解释了橡皮筋效应：拉伸它改变了它的形状（等容），但底层的微观结构重排也引起了微小的体积变化，通过热-体积耦合，改变了它的熵和温度。
现在，思考另一类材料：金属。当你弯曲一个回形针时，它会保持弯曲的状态。这种永久变形被称为塑性。在微观层面，晶体金属的塑性涉及到原子层之间的滑移。关键的是，这个滑移过程几乎完全保持体积不变。塑性是一种等容现象！这使得该拆分成为弹塑性理论的自然框架。材料的总变形被分为弹性部分和塑性部分。弹性部分可以接着用我们的体积-等容拆分进行进一步分析。塑性流动——即永久、不可逆的变形——仅由应力的偏量（等容）部分驱动。材料对体积压缩的抵抗力保持纯弹性，并且完全不受材料是否在剪切中屈服的影响。这不仅在物理上完全合理，而且极大地简化了高级塑性计算模型的数学结构。
我们现在正站在材料科学新时代的门槛上，一个由数据和机器学习驱动的时代。想象一下，进行复杂的实验并将结果输入神经网络，让它直接学习材料的行为。这是一个诱人的前景，但它伴随着一个危险：一个仅仅记忆数据而不理解物理的“黑箱”人工智能是脆弱且不可信的。它可能违反基本定律，如能量守恒或材料属性不应依赖于观察方式的原理（客观性）。
在这里，体积-等容拆分再次为构建更智能、更可靠的人工智能提供了指导原则。我们可以将物理原理直接构建到神经网络的架构中，而不是让它从零开始学习一切。这就是物理知识驱动的机器学习背后的思想。我们可以设计一个神经网络，其任务是只学习材料复杂的、非线性的、难以建模的等容响应。与此同时，体积响应可以由一个我们知道是物理上正确的简单经典方程来处理。通过将总能量构建为预设的体积部分和学习到的等容部分的显式和，我们从构造上保证了最终的模型是超弹性的、客观的，并且尊重体积与形状变化的基本解耦。
这种拆分充当了人工智能的护栏，使其能够在探索广阔的可能材料行为空间时，永远不会偏离物理现实的轨道。这是经典力学的深刻洞见与现代人工智能强大能力的完美结合。
从拉伸橡皮筋这个简单的动作到人工智能驱动的科学前沿，分离体积变化和形状变化的原理被证明是一个惊人地强大且具有统一性的概念。它优美地提醒我们，在科学中，最深刻的思想往往是最简单的——那些为我们提供一个全新、更清晰的视角来观察世界的思想。