在核反应堆物理和中子物理学中，快中子和慢中子是根据中子能量（或速度）分类的两种主要中子类型。它们的能量范围、行为特点以及在核反应中的作用有显著差异。

1. 快中子（Fast Neutrons）

定义

快中子是指能量较高（通常 > 0.1 MeV，约对应速度 > 1.4×10⁷ m/s）的中子。

典型能量范围

• 0.1 MeV – 10 MeV（裂变中子平均能量约 2 MeV）
• 某些场景下（如聚变反应），能量可达 14 MeV 以上

特点

• 产生来源：
  • 核裂变（如铀-235、钚-239裂变时直接释放的快中子）
  • 聚变反应（如D-T反应释放的14.1 MeV中子）
• 相互作用：
  • 与原子核的相互作用以非弹性散射和弹性散射为主
  • 由于能量高，不易被大多数核素直接吸收，但可能引发阈能反应
• 应用：
  • 快中子反应堆（如钠冷快堆）
  • 中子活化分析、材料辐照测试等

2. 慢中子（Slow Neutrons）

定义

慢中子指能量较低（通常 < 1 eV）的中子，根据具体能量进一步分为：

分类

• 热中子（Thermal Neutrons）：
  • 能量 ≈ 0.025 eV（速度约 2200 m/s）
• 超热中子（Epithermal Neutrons）：
  • 能量 0.1 eV – 1 eV
• 冷中子（Cold Neutrons）：
  • 能量 < 0.025 eV

特点

• 产生来源：
  • 快中子通过慢化剂（如水、石墨、重水）的弹性散射逐渐减速而来
• 相互作用：
  • 与核素的吸收截面显著增大
  • 易引发裂变反应或俘获反应
• 应用：
  • 热中子反应堆（如压水堆、沸水堆）
  • 中子衍射、医学治疗（如硼中子俘获疗法BNCT）

3. 快中子 vs. 慢中子对比

4. 中子慢化过程

快中子通过弹性散射（与轻核如氢、氘、碳碰撞）逐渐损失能量，最终变为热中子：

• 平均对数能降（ξ）：每次碰撞的平均能量损失
• 慢化长度：快中子减速为热中子所需的平均距离

5. 实际意义

• 反应堆设计：
  • 热中子堆需优化慢化剂与燃料比例
  • 快中子堆需避免慢化，使用高密度燃料
• 屏蔽设计：
  • 快中子屏蔽需先慢化，再用吸收剂捕获热中子

期望和方差定义

设整体样本数为\(N\), 则期望定义为

\[\begin{equation}\label{eq:qiwang} E(x)=\overline{x}=\frac{1}{N}\sum_{i=1}^Nx_i \end{equation}\]

方差定义为

\[\begin{equation}\label{eq:fangcha} Var(x)=\frac{1}{N}\sum_{i=1}^N(x_i-\overline{x})^2 \end{equation}\]

基本关系

方差与期望的关系

仍然取任意的两个常数\(a\)和\(b\), 则

\[\begin{equation}\label{eq:fangcha0} Var(x)=\frac{1}{N}\sum_{i=1}^N(x_i-\overline{x})^2=\frac{1}{N}\sum_{i=1}^Nx_i^2-2\frac{1}{N}\sum_{i=1}^Nx_i\overline{x}+\overline{x}^2 =E(x^2)-[E(x)]^2 \end{equation}\]

期望线性关系

取任意的两个常数\(a\)和\(b\), 则

\[\begin{equation}\label{eq:qiwang0} E(ax+b)=\frac{1}{N}\sum_{i=1}^N (ax_i+b)=a(\frac{1}{N}\sum_{i=1}^N x_i)+b=aE(x)+b \end{equation}\]

方差线性关系

取任意的两个常数\(a\)和\(b\), 则

\[\begin{equation}\label{eq:fangcha1} Var(ax+b)=\frac{1}{N}\sum_{i=1}^N \{(ax_i+b)-(a\overline{x}+b)\}^2 =a^2\frac{1}{N}\sum_{i=1}^N(x_i-\overline{x})^2=a^2Var(x) \end{equation}\]

独立分布的期望

取任意的一个变量\(x_i\), 它的期望等于无穷次取样后的平均值，即\(E(x_i)=\overline{x}\), 于是可得

\[\begin{equation}\label{eq:dlqw} E(\sum_{i=1}^nx_i)=\sum_{i=1}^nE(x_i)=n\overline{x} \end{equation}\]

独立分布的方差

\[\begin{align} Var(\sum_{i=1}^nx_i) &=\frac{1}{N}\sum_{k=1}^N (\sum_{i=1}^nx_{ki} -n\overline{x})^2 \notag \\ &=\frac{1}{N}\sum_{k=1}^N [\sum_{i=1}^n(x_{ki} -\overline{x})]^2 \notag \\ &=\sum_{i=1}^n\frac{1}{N}\sum_{k=1}^N (x_{ki} -\overline{x})^2+\frac{1}{N}\sum_{k=1}^N\sum_{j=1}^N(x_{ki} -\overline{x})(x_{ji} -\overline{x}) \notag \\ &=\sum_{i=1}^n\frac{1}{N}\sum_{k=1}^N (x_{ki} -\overline{x})^2 \notag \\ &=nVar(x) \label{eq:dlfc} \end{align}\]

样本方差与整体方差的关系

取样本数\(n\), 记样本期望记为\(\overline{x}\), 整体期望记为\(\mu\), 样本方差记为\(s^2\), 整体方差记为\(\sigma^2\), 则

\[\begin{equation} \sum_{i=1}^n(x_i-\overline{x})^2 =\sum_{i=1}^nx_i^2-n\overline{x}^2 \label{eq:ybzt} \end{equation}\]

对式\(\eqref{eq:ybzt}\)求期望得 \[\begin{equation}\label{eq:ybzt1} E[\sum_{i=1}^n(x_i-\overline{x})^2] =E[\sum_{i=1}^nx_i^2]-nE[\overline{x}^2] \end{equation}\]

由式\(\eqref{eq:fangcha0}\)和式\(\eqref{eq:dlfc}\)可得 \[\begin{equation}\label{eq:ybzt2} E[\sum_{i=1}^nx_i^2]=nE(x_i^2)=n\sigma^2+n\mu^2 \end{equation}\]

再由式\(\eqref{eq:fangcha0}\)和式\(\eqref{eq:dlqw}\)可得 \[\begin{equation}\label{eq:ybzt3} E[\overline{x}^2]=Var(\overline{x})+[E(\overline{x})]^2=\frac{1}{n}\sigma^2+\mu^2 \end{equation}\]

将式\(\eqref{eq:ybzt2}\)与式\(\eqref{eq:ybzt3}\)代入到式\(\eqref{eq:ybzt1}\)得 \[\begin{equation}\label{eq:ybzt4} E[\sum_{i=1}^n(x_i-\overline{x})^2] =(n-1)\sigma^2 \end{equation}\]

进一步可以写为 \[\begin{equation}\label{eq:ybzt5} \sigma^2=E[\frac{1}{n-1}\sum_{i=1}^n(x_i-\overline{x})^2] \end{equation}\]

式\(\eqref{eq:ybzt5}\)表明，总体方差\(\sigma^2\)可以由样本方差\(s^2\)求期望获得。

随着存储技术的不断发展，硬盘的存储密度和性能也在不断提升。垂直盘（CMR，Conventional Magnetic Recording）和叠瓦盘（SMR，Shingled Magnetic Recording）是两种常见的硬盘存储技术。本文将详细介绍这两种技术，并通过对比列表帮助读者更好地理解它们的区别。

什么是垂直盘（CMR）？

垂直盘，即传统磁记录（Conventional Magnetic Recording），是一种经典的硬盘存储技术。在这种技术中，数据以垂直方向写入磁盘表面，每个磁道之间保持一定的间隔，避免数据之间的干扰。

特点：

• 独立磁道：每个磁道是独立的，读写操作不会影响相邻磁道。
• 高性能：由于磁道之间无重叠，随机写入和改写速度较快。
• 高可靠性：数据修改时无需重新整理邻近磁道的数据，降低了出错概率。
• 适用场景：适合需要频繁读写操作的场景，如数据库、虚拟机和视频编辑。

什么是叠瓦盘（SMR）？

叠瓦盘，即叠瓦式磁记录（Shingled Magnetic Recording），是一种提高存储密度的技术。在这种技术中，数据磁道像瓦片一样部分重叠，从而在相同物理空间内存储更多的数据。

特点：

• 高存储密度：通过磁道重叠显著提升了单位面积的存储容量。
• 写入性能较低：由于磁道重叠，改写数据时需要先将受影响的邻近磁道数据迁移到缓存，再重新写入，导致写入速度较慢。
• 成本较低：相比垂直盘，叠瓦盘在相同容量下成本更低。
• 适用场景：适合以顺序写入为主的场景，如冷数据存储、备份和归档。

垂直盘（CMR）与叠瓦盘（SMR）对比

总结

垂直盘（CMR）和叠瓦盘（SMR）各有优劣，选择哪种技术取决于具体的应用场景。如果您的需求是高性能和高可靠性，例如运行数据库或虚拟机，那么垂直盘是更好的选择。如果您更关注存储密度和成本，且主要进行顺序写入操作，例如数据备份或归档，那么叠瓦盘会更适合。

希望本文能帮助您更好地理解这两种硬盘技术，并根据实际需求做出明智的选择！

在不同的物理学研究领域中，往往使用的符号不太一致，这对于理解某一项技术有些困难。因此，本文总结三种内积的表示方法：标准矢量分析、矩阵转置和狄拉克符号法。

标准矢量分析

在经典矢量分析、物理学、理论物理中使用标准矢量分析表示内积：

\[\begin{equation}\label{eq:dianji} A\cdot{}B=\sum_{i}A_iB_i \end{equation}\]

此公式明确表示了两个向量的投影关系。

矩阵转置

此法一般在线性代数和数值计算中采用矩阵形式，其特点是：将向量视为列矩阵，通过转置(T),将其变为行矩阵，然后利用矩阵乘法的实现点积的表达, 但是在解析推导中较少使用，而在代码中更直观.

\[\begin{equation}\label{eq:jvzhen} A^TB = \begin{bmatrix} A_1 , A_2, \cdots , A_n \end{bmatrix} \begin{bmatrix} B_1 \\ B_2 \\ \vdots \\ B_n \end{bmatrix} =\sum_{i}A_iB_i \end{equation}\]

狄拉克符号法

狄拉克符号法主要使用在量子力学、泛函分析等领域。一般情况下，它和点积是等价的，即

\[\begin{equation}\label{eq:dirac} <A,B>=\sum_iA_iB_i \end{equation}\]

但是如果向量是复数，则稍有不同，即

\[\begin{equation}\label{eq:dirac0} <A,B>=\sum_iA_i^{*}B_i \end{equation}\]

注意：在严格的标准矢量分析时应当优先使用\(A\cdot{}B\)的形式，而其他形式需结合上下文明确含义。

爱因斯坦约定

爱因斯坦提出了一种上下标相同表示对全部指标求和的方法，我们补充在最后。其定义为

\[\begin{equation}\label{eq:einstein} A^iB_i=\sum_i A^iB_i \end{equation}\]

这里的自动求各指标\(i\)称为哑标。矢量的分\(B_i\)表示协变分量，\(A^i\)表示逆变分量。协变分量和逆变分量是对偶基底下的两个表示，这是最大程度的普遍形式，它在相对论中使用广泛。

菲克定律（Fick's laws of diffusion）是描述扩散过程的两个基本定律，广泛应用于物理学、化学以及生物学等领域。这些定律是由德国生理学家阿道夫·菲克（Adolf Fick）在19世纪中叶提出的。

菲克第一定律

菲克第一定律描述了物质沿浓度梯度方向上的扩散通量。它表明，在单位时间内通过垂直于扩散方向的单位面积的物质流量（即扩散通量，$ J $）与该方向上的浓度梯度成正比。数学表达式为：

\[ J = -D \frac{dC}{dx} \]

其中：

• $ J $ 是扩散通量，单位通常为 \(mol/m^2s\)；
• $ D $ 是扩散系数，表示物质扩散能力的大小，单位通常为 \(m^2/s\)；
• $ C $ 是溶质的浓度，单位为 \(mol/m^3\)；
• $ x $ 是位置坐标；
• 负号表示扩散方向与浓度梯度方向相反，即物质从高浓度区向低浓度区扩散。

菲克第二定律

菲克第二定律是基于第一定律推导出来的，用于描述浓度随时间和空间的变化情况。它说明了在没有其他作用力的情况下，溶质浓度的变化率等于扩散通量的散度。在一维情况下，其数学表达式为：

\[ \frac{\partial C}{\partial t} = D \frac{\partial^2 C}{\partial x^2} \]

其中：

• $ $ 表示浓度随时间的变化率；
• $ $ 表示浓度分布的二阶导数，反映了浓度梯度的变化。

这两个定律对于理解各种自然现象中的扩散过程至关重要，如气体在空气中的扩散、溶液中溶质的扩散等。

布丰投针（Buffon's Needle）是一种通过概率实验估算圆周率 \(\pi\) 的方法。这种方法基于几何概率模型，属于蒙特卡罗方法的一种应用。

实验设定

• 平面上画有许多平行线，这些线之间的距离为 \(d\)。
• 针的长度为 \(l\)，并且假设 \(l \leq d\)（即针的长度不超过平行线间的距离）。
• 当针被随机投掷到平面上时，考虑以下变量：
  • \(x\)：针的中点到最近一条线的距离，取值范围为 \([0, d/2]\)。
  • \(\theta\)：针与线的夹角，取值范围为 \([0, \pi]\)。

相交条件

针与线相交的条件是：针的一个端点到底边界的垂直距离小于等于 \((l/2)\sin(\theta)\)。换句话说，如果针的中点到最近线的距离满足以下关系，则针会与至少一条线相交：

\[ x \leq \frac{l}{2} \sin(\theta) \]

概率计算

1. 确定相交区域

对于任意给定的 \(\theta\)，当 \(x\) 在 \(0\) 到 \((l/2)\sin(\theta)\) 之间时，针与线相交。因此，对于每个固定的 \(\theta\)，针与线相交的概率为：

\[ P_{\text{single}} = \frac{\frac{l}{2} \sin(\theta)}{\frac{d}{2}} = \frac{l \sin(\theta)}{d} \]

2. 积分求平均概率

由于 \(\theta\) 在 \([0, \pi]\) 范围内均匀分布，我们需要对所有可能的 \(\theta\) 进行积分，并取平均值得到总的相交概率：

\[ P = \frac{2}{\pi} \int_{0}^{\pi} \frac{l \sin(\theta)}{d} \, d\theta \]

3. 解积分

上述积分可以简化为：

\[ P = \frac{2l}{\pi d} \int_{0}^{\pi} \sin(\theta) \, d\theta \]

该积分的结果为：

\[ \int_{0}^{\pi} \sin(\theta) \, d\theta = [-\cos(\theta)]_{0}^{\pi} = -\cos(\pi) + \cos(0) = 2 \]

4. 代入结果

将积分结果代回原公式，得到针与线相交的概率：

\[ P = \frac{2l}{\pi d} \times 2 = \frac{2l}{\pi d} \]

圆周率估算

通过大量实验，记下针与线相交的次数 \(N_{\text{hit}}\) 和总的投针次数 \(N_{\text{total}}\)。根据大数定律，可以用频率估计概率：

\[ P \approx \frac{N_{\text{hit}}}{N_{\text{total}}} \]

结合概率公式 \(P = \frac{2l}{\pi d}\)，我们可以解出 \(\pi\) 的近似值：

\[ \pi \approx \frac{2l N_{\text{total}}}{d N_{\text{hit}}} \]

总结

布丰投针实验通过简单的几何概率模型和随机实验，提供了一种估算圆周率 \(\pi\) 的方法。随着实验次数的增加，估算结果的精度也会提高。

在编写 Shell 脚本时，参数扩展是一个非常实用的功能。本文将详细讲解 ${1:-} 的含义、使用场景以及实际应用中的注意事项。

语法解析

${1:-} 是一种参数扩展的语法，具体含义如下：

• ${1}：引用第一个位置参数（$1），即脚本或函数的第一个命令行参数。
• :-：这是一个默认值操作符，表示如果 ${1} 为空或者未设置，则使用 : 后面的值作为默认值。

因此，${1:-} 的作用可以总结为：

• 如果 $1 已被设置且非空，则直接使用 $1 的值。
• 如果 $1 未被设置或为空，则使用一个空字符串作为默认值。

使用场景

在实际脚本中，${1:-} 常用于处理用户的输入参数。例如，在 case 语句中，它可以帮助我们优雅地处理未提供参数的情况：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

#!/bin/bash

case ${1:-} in
    start)
        echo "Starting the service..."
        ;;
    stop)
        echo "Stopping the service..."
        ;;
    *)
        echo "Usage: $0 {start|stop}"
        exit 1
        ;;
esac

解释

用户提供了参数：

如果用户运行脚本时提供了参数（如 ./script.sh start），${1:-} 会使用提供的参数值。 在这种情况下，case 语句会匹配到 start 分支并执行相应的代码。

用户未提供参数：

如果用户未提供任何参数（如直接运行 ./script.sh），${1:-} 会返回空字符串。 此时，case 语句会匹配到 * 分支，并提示用户正确的用法。

通过这种方式，我们可以确保脚本在没有参数的情况下不会报错，同时还能给出友好的提示信息。

总结

通过使用 ${1:-}，我们可以确保脚本更加健壮和容错。这种参数扩展方式不仅适用于 $1，还可以扩展到其他变量，例如 ${var:-default}，用来为任意变量设置默认值。

优点

• 提高脚本的健壮性：避免因未定义变量而导致的错误。
• 简化逻辑：无需额外检查变量是否为空。
• 增强用户体验：当用户未提供参数时，能够给出清晰的提示。

注意事项

• 如果需要为变量设置非空的默认值，可以直接在 :- 后面指定，例如 ${1:-default_value}。
• 如果只想在变量未定义时设置默认值，而不包括变量为空的情况，可以使用 ${1-default_value}。

在 LaTeX 中，文档组织是提高效率、维护清晰结构的关键。本文将详细讲解五种常见的文档组织方式（\input、import 宏包、\include、\subfile 和 standalone 宏包），并按功能和使用便捷程度进行综合评价排名，帮助你选择最适合的方法。

1. \input

功能

• \input{filename} 将指定文件的内容直接插入到当前文档中。
• 文件名不需要扩展名（默认是 .tex）。

优点

• 简单易用：适合将小段内容或代码片段嵌入主文档。
• 灵活轻便：不会引入额外的结构，适用于任何规模的文档。
• 无额外开销：不会生成额外的辅助文件，也不会影响编译流程。

使用场景

• 插入公式、表格、代码片段等较小的内容。
• 将章节或部分拆分为多个文件以便于管理，但不涉及复杂的文档结构。

推荐目录结构

1
2
3
4
5
6
7

project/
│
├── main.tex                # 主文档文件
├── introduction.tex         # 引言部分
├── methods.tex              # 方法论部分
├── results.tex              # 结果分析部分
└── conclusion.tex           # 结论部分

2. import 宏包

功能

• import 宏包提供了更强大的文件包含功能，尤其是对于嵌套目录结构的支持。
• 提供了两个主要命令：\import{path}{filename} 和 \subimport{path}{filename}。

优点

• 支持相对路径引用：使得在复杂的项目中管理不同目录下的文件更加方便。
• 自动调整路径：\subimport 命令会自动调整路径，使其相对于当前文件而不是主文档。

使用场景

• 当项目中有多个层次的子目录时，使用 import 可以简化文件路径的管理。
• 在团队合作或者大型项目中，有助于维护清晰的文档结构。

示例目录结构

1
2
3
4
5
6
7
8
9

project/
│
├── main.tex                # 主文档文件
├── sections/               # 存放章节文件的目录
│   ├── chapter1/           # 章节1的目录
│   │   ├── section1.tex    # 章节1的部分1
│   │   └── section2.tex    # 章节1的部分2
│   └── chapter2.tex        # 章节2
└── images/                 # 图片资源目录（可选）

在 main.tex 中使用：

1
2
3

\usepackage{import}
...
\import{sections/chapter1/}{section1}

3. 使用 \include

功能

• \include{filename} 用于将指定文件的内容插入到主文档中，同时强制分页（会自动在插入点开始新一页）。
• 需要配合 \includeonly 使用来选择性编译某些部分。

好处

• 模块化管理：适合将文档按章节或部分划分为独立的文件。
• 选择性编译：通过 \includeonly{filename1, filename2} 可以只编译指定的部分，从而加快编译速度。
• 自动生成辅助文件：每个 \include 的文件都会生成独立的 .aux 文件，便于管理交叉引用和书签。

使用场景

• 编写长篇文档（如书籍、论文、报告），需要按章节划分文件。
• 需要频繁修改某一部分内容时，可以通过 \includeonly 提高编译效率。

注意事项

• 强制分页可能不适合某些布局需求。
• 不能在 \input 文件中嵌套使用 \include。

推荐目录结构

1
2
3
4
5
6
7
8
9

project/
│
├── main.tex                # 主文档文件
├── chapters/               # 存放章节文件的目录
│   ├── introduction.tex    # 引言部分
│   ├── methods.tex         # 方法论部分
│   ├── results.tex         # 结果分析部分
│   └── conclusion.tex      # 结论部分
└── images/                 # 图片资源目录（可选）

4. 使用 \subfile

功能

• \subfile{filename} 是 subfiles 宏包提供的命令，允许子文件既可以作为独立文档编译，也可以被主文档包含。
• 子文件需要使用 \documentclass[main]{subfiles} 来指定主文档。

优点

• 独立编译：子文件可以单独编译，方便调试和查看效果。
• 统一管理：子文件继承主文档的设置（如页眉、页脚、宏包等），无需重复定义。
• 灵活性高：既能作为整体的一部分，又能独立运行，适合团队协作或复杂文档。

使用场景

• 多人协作编写文档，每个人负责一个子文件。
• 需要频繁单独查看某个部分的效果（如单个章节或附录）。

注意事项

• 需要加载 subfiles 宏包。
• 子文件需要正确配置 \documentclass[main]{subfiles}，否则无法正常编译。

推荐目录结构

1
2
3
4
5
6
7
8
9

project/
│
├── main.tex                # 主文档文件
├── subfiles/               # 存放子文件的目录
│   ├── introduction.tex    # 引言部分
│   ├── methods.tex         # 方法论部分
│   ├── results.tex         # 结果分析部分
│   └── conclusion.tex      # 结论部分
└── preamble.tex            # 预定义宏包、设置等（可选）

5. standalone 宏包

功能

• standalone 宏包允许你创建独立编译的小文档，并且这些小文档可以被包含到更大的文档中。
• 它与 \subfile 类似，但提供了更多的选项来控制输出格式和内容。

优点

• 独立编译：小文档可以单独编译成 PDF 或者 PNG 等格式，方便快速查看效果。
• 灵活输出：可以通过设置选项来决定是否包含前言、页眉页脚等元素。

使用场景

• 当你需要生成单个图形、表格或其他元素作为独立文件时非常有用。
• 对于需要频繁预览特定部分结果的工作流程来说，standalone 提供了极大的便利。

示例目录结构

1
2
3
4
5
6
7

project/
│
├── main.tex                # 主文档文件
├── figures/                # 存放图表文件的目录
│   ├── figure1.tex         # 图表1
│   └── figure2.tex         # 图表2
└── preamble.tex            # 预定义宏包、设置等（可选）

在 figure1.tex 中：

1
2
3
4

\documentclass[beamer,convert={density=300,size=1080x800,outext=.png}]{standalone}
\begin{document}
% Your TikZ or other drawing code here
\end{document}

然后，在 main.tex 中包含：

1
2
3

\usepackage{standalone}
...
\includestandalone{figures/figure1}

综合排名

总结

尽管 \input、\include 和 \subfile 是最常用的三种组织 LaTeX 文档的方式，但在某些特定情况下，import 和 standalone 宏包也能够提供独特的解决方案，帮助更好地管理和组织文档。选择哪种方法取决于你的具体需求，包括项目的规模、复杂性以及是否需要对部分内容进行独立编译等。

希望这篇文章能帮助你找到最适合自己的 LaTeX 文档组织方式！

1. 基本假设

为了推导平均自由程 \(\lambda\)，我们采用理想气体模型，并做以下假设：

• 气体分子是刚性球体，直径为 \(d\)。
• 分子之间的碰撞是完全弹性碰撞。
• 气体分子均匀分布，且运动方向随机。
• 只考虑两个分子之间的二体碰撞。

2. 碰撞截面

当一个气体分子与其他分子发生碰撞时，分子的有效碰撞范围可以看作一个圆柱体，其横截面面积称为碰撞截面 \(\sigma\)。对于直径为 \(d\) 的分子，碰撞截面为： \[ \sigma = \pi d^2 \]

3. 单位时间内碰撞次数（初步推导）

假设一个目标分子以速度 \(v\) 运动，则在单位时间内，该分子扫过的体积是一个圆柱体，其底面积为 \(\sigma\)，高为 \(v\)，因此扫过的体积为： \[ V_{\text{collision}} = \sigma v \]

如果气体分子数密度为 \(n\)（即单位体积内的分子数），那么单位时间内与目标分子发生碰撞的分子数为： \[ Z = n V_{\text{collision}} = n \sigma v \] 其中，\(Z\) 表示单位时间内的碰撞次数。

4. 平均自由程的定义

平均自由程 \(\lambda\) 定义为分子在两次连续碰撞之间移动的平均距离。根据定义，平均自由程等于分子的总路程除以碰撞次数。在单位时间内，分子的总路程为 \(v\)，而碰撞次数为 \(Z\)，因此： \[ \lambda = \frac{\text{总路程}}{\text{碰撞次数}} = \frac{v}{Z} \]

将 \(Z = n \sigma v\) 代入上式，得到： \[ \lambda = \frac{v}{n \sigma v} = \frac{1}{n \sigma} \]

进一步代入碰撞截面 \(\sigma = \pi d^2\)，最终得到： \[ \lambda = \frac{1}{n \pi d^2} \]

5. 考虑分子间的相对运动

上述推导假设目标分子静止，而其他分子以速度 \(v\) 运动。实际上，所有分子都在运动，因此需要考虑分子之间的相对速度。

5.1 平均相对速度的推导

假设两个分子的速度分别为 \(\vec{v}_A\) 和 \(\vec{v}_B\)，它们的相对速度为： \[ \vec{v}_{rel} = \vec{v}_A - \vec{v}_B \]

我们需要计算的是这些相对速度的大小 \(v_{rel} = |\vec{v}_{rel}|\) 的平均值 \(\langle v_{rel} \rangle\)。

由于分子的速度遵循麦克斯韦-玻尔兹曼分布，且每个方向上的速度分量独立同分布，可以通过统计力学的方法得出： \[ \langle v_{rel} \rangle = \sqrt{\langle (\vec{v}_A - \vec{v}_B)^2 \rangle} \]

展开后，利用 \(\langle \vec{v}_A \cdot \vec{v}_B \rangle = 0\)（因为不同分子的速度不相关）以及 \(\langle v_A^2 \rangle = \langle v_B^2 \rangle = \frac{3kT}{m}\) （麦克斯韦分布的结果），可得： \[ \langle v_{rel} \rangle = \sqrt{2 \langle v \rangle^2} = \sqrt{2} \langle v \rangle \]

其中，单个分子的平均速度 \(\langle v \rangle\) 为： \[ \langle v \rangle = \sqrt{\frac{8kT}{\pi m}} \]

因此，平均相对速度为： \[ \langle v_{rel} \rangle = \sqrt{2} \cdot \sqrt{\frac{8kT}{\pi m}} \]

5.2 修正后的碰撞频率

由于分子间的相对速度为 \(\sqrt{2} \langle v \rangle\)，碰撞频率 \(Z\) 应修正为： \[ Z = n \sigma \langle v_{rel} \rangle = n \sigma \sqrt{2} \langle v \rangle \]

将 \(\langle v \rangle = \sqrt{\frac{8kT}{\pi m}}\) 代入，得到： \[ Z = n \sigma \sqrt{2} \sqrt{\frac{8kT}{\pi m}} \]

6. 最终平均自由程公式

根据平均自由程的定义 \(\lambda = \frac{v}{Z}\)，并用相对速度代替单个分子的速度，得到修正后的平均自由程： \[ \lambda = \frac{\langle v \rangle}{Z} = \frac{\langle v \rangle}{n \sigma \sqrt{2} \langle v \rangle} = \frac{1}{\sqrt{2} n \sigma} \]

代入碰撞截面 \(\sigma = \pi d^2\)，最终得到： \[ \lambda = \frac{1}{\sqrt{2} n \pi d^2} \]

总结

通过以上推导，我们得到了考虑分子间相对运动后的平均自由程公式： \[ \lambda = \frac{1}{\sqrt{2} n \pi d^2} \] 其中：

• \(n\) 是气体分子数密度；
• \(d\) 是分子的有效直径；
• \(\pi d^2\) 是碰撞截面；
• \(\sqrt{2}\) 来源于分子间的平均相对速度。

这个公式表明，平均自由程与气体分子数密度成反比，与分子直径的平方成反比。