引言：从一杯热咖啡开始
想象一下，你刚泡好一杯热咖啡。咖啡的温度大约是 90°C，而周围的室温是 20°C。随着时间的推移，咖啡会慢慢变凉——这是每个人每天都在经历的现象。但你是否想过，这背后隐藏着怎样的数学规律？
如果我用温度计每隔一段时间测量咖啡的温度，会发现温度不是突然跳变的，而是平滑地、连续地下降。这种变化不是线性的——刚开始降得快，后来降得慢。为什么？
答案就隐藏在热传导方程中。这个方程不仅描述了咖啡的冷却，还描述了热量如何在金属棒中传播、如何从太阳内部传到表面，甚至描述了气体分子的扩散、股票价格的波动，以及宇宙中星系的分布。它可能是物理学中应用最广的偏微分方程之一。
让我们从傅里叶的实验开始，一步步揭开这个方程的面纱。
第一章：热传导的物理本质
什么是热量？
在开始推导方程之前，我们需要明确几个概念。热量不是温度，而是能量的传递。温度是物质内部粒子平均动能的量度——温度越高，粒子运动越剧烈。当两个物体接触时，能量会从高温区域流向低温区域，直到两处温度相同。这就是热传导的物理本质。
早在 19 世纪初，法国数学家让·巴普蒂斯特·约瑟夫·傅里叶（Jean-Baptiste Joseph Fourier） 就开始系统研究这种现象。傅里叶原本是拿破仑时代的数学家，但对热的本质有着浓厚的兴趣。他在 1807 年提出了一个大胆的猜想：
热流与温度梯度成正比。
这句话听起来很简单，但它是整个热传导理论的基石。让我们翻译成数学语言。
傅里叶定律
设 $\mathbf{q}$ 表示热流密度（单位时间内通过单位面积的热量），$T(x, t)$ 表示在位置 $x$、时间 $t$ 时的温度。那么傅里叶定律可以写成：
$$ \mathbf{q} = -k \nabla T $$
其中 $k$ 是热导率（thermal conductivity），负号表示热量从高温流向低温。
在一维情况下，这个公式简化为：
$$ q = -k \frac{\partial T}{\partial x} $$
这里的 $\frac{\partial T}{\partial x}$ 是温度对位置的偏导数，也就是温度梯度。如果温度随位置的变化率越大（梯度越大），热流就越大。
傅里叶定律的一个直观理解是：温度的差异驱动热量的流动，就像电压的差异驱动电流的流动、水位的高低差驱动水的流动一样。这三种现象背后有着深刻的数学相似性。
第二章：从傅里叶定律到热传导方程
傅里叶定律告诉我们热流与温度梯度的关系，但它还不够——我们想知道温度本身随时间如何变化。这需要将傅里叶定律与另一个物理原理结合：能量守恒。
能量守恒定律
考虑一段细长的金属棒，横截面积为 $A$，热导率为 $k$，密度为 $\rho$，比热容为 $c$。我们要分析从位置 $x$ 到 $x + \Delta x$ 这一小段在时间 $\Delta t$ 内的热量变化。
根据能量守恒，热量的变化等于流入的热量减去流出的热量：
$$ \text{热量变化} = \text{流入热量} - \text{流出热量} $$
用数学表示：
$$ \rho c A \Delta x \frac{\partial T}{\partial t} \Delta t = q(x, t) A \Delta t - q(x + \Delta x, t) A \Delta t $$
这里 $\rho c A \Delta x$ 是这一段金属棒的热容，$\frac{\partial T}{\partial t}$ 是温度随时间的变化率。
消去 $A \Delta t$：
$$ \rho c \Delta x \frac{\partial T}{\partial t} = q(x, t) - q(x + \Delta x, t) $$
引入傅里叶定律
现在用傅里叶定律 $q = -k \frac{\partial T}{\partial x}$ 替换 $q$：
$$ \rho c \Delta x \frac{\partial T}{\partial t} = -k \frac{\partial T}{\partial x}(x, t) + k \frac{\partial T}{\partial x}(x + \Delta x, t) $$
右边可以写成：
$$ k \left[ \frac{\partial T}{\partial x}(x + \Delta x, t) - \frac{\partial T}{\partial x}(x, t) \right] $$
注意到这实际上是 $\Delta x$ 乘以 $\frac{\partial}{\partial x}\left(\frac{\partial T}{\partial x}\right) = \frac{\partial^2 T}{\partial x^2}$ 的近似。更严格地说，我们有：
$$ \frac{\partial T}{\partial x}(x + \Delta x, t) - \frac{\partial T}{\partial x}(x, t) = \frac{\partial^2 T}{\partial x^2} \Delta x $$
因此：
$$ \rho c \Delta x \frac{\partial T}{\partial t} = k \frac{\partial^2 T}{\partial x^2} \Delta x $$
两边除以 $\rho c \Delta x$，令 $\Delta x \to 0$，得到：
$$ \frac{\partial T}{\partial t} = \frac{k}{\rho c} \frac{\partial^2 T}{\partial x^2} $$
定义热扩散系数 $\alpha = \frac{k}{\rho c}$，我们就得到了著名的一维热传导方程：
$$ \boxed{\frac{\partial T}{\partial t} = \alpha \frac{\partial^2 T}{\partial x^2}} $$
第三章：扩展到三维空间
在三维空间中，推导的思路完全相同，只是梯度变成了三维的 $\nabla T$。傅里叶定律为：
$$ \mathbf{q} = -k \nabla T $$
在三维中，散度定理（也叫高斯定理）告诉我们：
$$ \iiint_V \nabla \cdot \mathbf{q} , dV = \iint_{\partial V} \mathbf{q} \cdot \mathbf{n} , dS $$
右边是流出体积 $V$ 的热流，左边是热流的散度。对于一个小体积元，能量守恒给出：
$$ \rho c \frac{\partial T}{\partial t} = -\nabla \cdot \mathbf{q} $$
代入傅里叶定律：
$$ \rho c \frac{\partial T}{\partial t} = -\nabla \cdot (-k \nabla T) = k \nabla^2 T $$
其中 $\nabla^2 = \nabla \cdot \nabla$ 是拉普拉斯算子（Laplacian）。在笛卡尔坐标系中：
$$ \nabla^2 T = \frac{\partial^2 T}{\partial x^2} + \frac{\partial^2 T}{\partial y^2} + \frac{\partial^2 T}{\partial z^2} $$
因此三维热传导方程为：
$$ \boxed{\frac{\partial T}{\partial t} = \alpha \nabla^2 T} $$
这是整个热传导理论的基石。从微积分的角度看，二阶空间导数表示温度的"弯曲程度"，而时间导数表示温度的变化率。方程告诉我们：温度越弯曲的地方，变化越快。
第四章：如何求解这个方程？
有了方程，下一步就是求解。但在解之前，我们必须明确初始条件和边界条件。
初值问题和边值问题
假设我们有一根长度为 $L$ 的金属棒，初始时刻（$t=0$）各处的温度分布是已知的，记为 $f(x)$。这给出了初始条件：
$$ T(x, 0) = f(x), \quad 0 \leq x \leq L $$
此外，金属棒两端的温度如何随时间变化也需要指定，这就是边界条件。常见的情况有：
Dirichlet 边界条件：两端温度固定 $$ T(0, t) = T_0, \quad T(L, t) = T_L $$
Neumann 边界条件：两端绝热（没有热量流入或流出） $$ \frac{\partial T}{\partial x}(0, t) = 0, \quad \frac{\partial T}{\partial x}(L, t) = 0 $$
混合边界条件：一端固定温度，另一端绝热
分离变量法
对于线性偏微分方程，分离变量法是最经典的解法之一。我们假设解可以写成空间部分和时间部分的乘积：
$$ T(x, t) = X(x) \cdot \Theta(t) $$
代入热传导方程 $\frac{\partial T}{\partial t} = \alpha \frac{\partial^2 T}{\partial x^2}$：
$$ X(x) \Theta’(t) = \alpha X’’(x) \Theta(t) $$
两边除以 $\alpha X(x) \Theta(t)$：
$$ \frac{\Theta’(t)}{\alpha \Theta(t)} = \frac{X’’(x)}{X(x)} $$
左边只依赖 $t$，右边只依赖 $x$，要使它们相等，必须都等于同一个常数。设这个常数为 $-\lambda$：
$$ \frac{\Theta’(t)}{\alpha \Theta(t)} = \frac{X’’(x)}{X(x)} = -\lambda $$
这给了我们两个常微分方程：
时间方程： $$ \Theta’(t) = -\alpha \lambda \Theta(t) \quad \Rightarrow \quad \Theta(t) = e^{-\alpha \lambda t} $$
空间方程： $$ X’’(x) + \lambda X(x) = 0 $$
空间方程的解取决于 $\lambda$ 的符号。为了得到有物理意义的解，我们取 $\lambda > 0$。令 $\lambda = \omega^2$，则：
$$ X(x) = A \cos(\omega x) + B \sin(\omega x) $$
现在应用边界条件。假设金属棒两端温度为零（Dirichlet 条件）：
$$ T(0, t) = 0 \quad \Rightarrow \quad X(0) = 0 \quad \Rightarrow \quad A = 0 $$
$$ T(L, t) = 0 \quad \Rightarrow \quad X(L) = 0 \quad \Rightarrow \quad B \sin(\omega L) = 0 $$
要得到非零解，必须有 $\sin(\omega L) = 0$，即：
$$ \omega L = n\pi \quad \Rightarrow \quad \omega_n = \frac{n\pi}{L}, \quad n = 1, 2, 3, \ldots $$
因此特征值和特征函数为：
$$ \lambda_n = \frac{n^2 \pi^2}{L^2}, \quad X_n(x) = \sin\left(\frac{n\pi x}{L}\right) $$
由于方程是线性的，叠加原理成立。一般解是这些特解的线性组合：
$$ T(x, t) = \sum_{n=1}^{\infty} B_n \sin\left(\frac{n\pi x}{L}\right) e^{-\alpha \frac{n^2 \pi^2}{L^2} t} $$
系数 $B_n$ 由初始条件 $T(x, 0) = f(x)$ 确定：
$$ f(x) = \sum_{n=1}^{\infty} B_n \sin\left(\frac{n\pi x}{L}\right) $$
这正是傅里叶的正弦级数展开。系数 $B_n$ 为：
$$ B_n = \frac{2}{L} \int_0^L f(x) \sin\left(\frac{n\pi x}{L}\right) dx $$
解的物理意义
观察解的形式：
$$ T(x, t) = \sum_{n=1}^{\infty} B_n \sin\left(\frac{n\pi x}{L}\right) e^{-\alpha \frac{n^2 \pi^2}{L^2} t} $$
指数项 $e^{-\alpha \frac{n^2 \pi^2}{L^2} t}$ 告诉我们：
- 高频模式衰减得更快：因为 $n^2$ 出现在指数中，$n$ 越大，衰减越快
- 长期趋于平衡：当 $t \to \infty$，所有项都趋于零，金属棒温度处处相同
- 时间尺度：特征时间 $\tau \sim \frac{L^2}{\alpha}$。金属棒越长，达到平衡需要的时间越长；热扩散系数越大，达到平衡越快
第五章：应用与推广
热传导方程的应用远不止于热力学。事实上，任何涉及扩散或传播的现象，都可以用类似的方程描述。
1. 扩散方程
气体或液体中的分子扩散，其数学描述与热传导完全相同。设 $C(x, t)$ 是浓度，$D$ 是扩散系数，则扩散方程为：
$$ \frac{\partial C}{\partial t} = D \nabla^2 C $$
这与热传导方程形式相同，只是物理意义不同：这里扩散的不是热量，而是粒子。著名的费克定律（Fick’s laws）与傅里叶定律是对应的。
2. 布朗运动与随机过程
在概率论中，热传导方程与布朗运动紧密相关。设 $p(x, t)$ 是粒子在时间 $t$ 位置 $x$ 的概率密度，则：
$$ \frac{\partial p}{\partial t} = D \frac{\partial^2 p}{\partial x^2} $$
这是福克-普朗克方程（Fokker-Planck equation）的简单形式。如果你知道初始粒子分布，这个方程可以预测粒子随时间的分布。
3. 金融数学：Black-Scholes 方程
你可能惊讶地发现，股票期权定价的核心方程——Black-Scholes 方程，本质上是热传导方程的一个变形。通过变量替换，可以将 Black-Scholes 方程转化为热传导方程，然后利用我们已知的解法。
4. 图像处理
在图像处理中，热传导方程用于图像去噪和图像分割。将灰度值看作温度，让图像"扩散"，高频噪声会像高频模式一样快速衰减，从而平滑图像。
5. 非线性热传导
如果热导率 $k$ 依赖于温度 $T$，方程变为非线性：
$$ \frac{\partial T}{\partial t} = \nabla \cdot (\alpha(T) \nabla T) $$
这种非线性方程在某些材料（如半导体）中出现，求解更加复杂，需要数值方法。
第六章：数值方法简介
对于复杂的几何形状或非线性问题，解析解很难找到，这时需要数值方法。
有限差分法
有限差分法是最直观的数值方法。将时间和空间离散化，用差分近似导数：
$$ \frac{\partial T}{\partial t} \approx \frac{T_{i}^{n+1} - T_i^n}{\Delta t} $$
$$ \frac{\partial^2 T}{\partial x^2} \approx \frac{T_{i+1}^n - 2T_i^n + T_{i-1}^n}{\Delta x^2} $$
代入热传导方程：
$$ \frac{T_{i}^{n+1} - T_i^n}{\Delta t} = \alpha \frac{T_{i+1}^n - 2T_i^n + T_{i-1}^n}{\Delta x^2} $$
整理得显式格式：
$$ T_{i}^{n+1} = T_i^n + \frac{\alpha \Delta t}{\Delta x^2}(T_{i+1}^n - 2T_i^n + T_{i-1}^n) $$
令 $r = \frac{\alpha \Delta t}{\Delta x^2}$，这个格式稳定的条件是 $r \leq \frac{1}{2}$。
其他方法
除了有限差分，还有：
- 有限元法（FEM）：适用于复杂几何
- 有限体积法（FVM）：守恒性质好
- 谱方法：高精度，适用于规则区域
结语：从微观到宏观
热传导方程的伟大之处在于，它用简洁的数学语言连接了微观的粒子运动和宏观的温度分布。每一个公式背后，都有着深刻的物理直觉。
从傅里叶在 19 世纪初的实验，到今天在气候模拟、材料科学、金融工程中的应用，这个方程已经走过了两百多年的历史。它告诉我们：自然界的许多现象，虽然看起来千差万别，但遵循着相同的数学规律。
下次当你端着一杯热咖啡，感受它慢慢变凉时，你可以自豪地说：“我知道这背后的方程——它描述的不仅仅是热量的流动，还有宇宙中无数类似的扩散过程。”
参考资料
- Fourier, J. (1822). Théorie analytique de la chaleur. Paris: Firmin Didot Père et Fils.
- Carslaw, H. S., & Jaeger, J. C. (1959). Conduction of Heat in Solids (2nd ed.). Oxford: Clarendon Press.
- Evans, L. C. (2010). Partial Differential Equations (2nd ed.). Providence, RI: American Mathematical Society.
- Strauss, W. A. (2007). Partial Differential Equations: An Introduction (2nd ed.). Hoboken, NJ: Wiley.