Skip to content

Joyful Physics

格软物质 推硬物理

菜单1 菜单1
  • 首页
  • 关于
  • 连载
  • 友链
  • 导航
Expand Search Form

高分子理想链的随机行走模型

瞿立建 2016-10-10

原文:M. Doi, Introduction to Polymer Physics, 1.1.1 The random walk model

1.1.1 随机行走模型

高分子链有大量的内部自由度,例如,聚乙烯分子中绕每个C-C键的都有一个转动自由度,所以高分子能够取很多种不同的构象,具有很高的柔顺性,因此我们可以将一根高分子链模型化成一根长线,如图1.1所示。


图1.1 (a)聚乙烯分子的原子结构. (b) 聚乙烯分子整体全貌。高分子链非常柔软,整体就像一条柔软长线

我们首先从图1.2所示的简单模型开始研究高分子链。我们假设高分子链位于一个规则格子中。高分子位于格点上的部分被称为“链节”(segment),连接链段之间的小棒被称为“键”。设每根键的键长为$b$,格子的配位数为$z$。


图1.2 高分子的随机行走模型。白色圆圈代表链节,粗线段代表键。

我们假设不同键的取向之间没有相关性,而且各个取向具有相同的概率。在这种情况下,高分子的构象就等价于在格子上随机行走所留下的轨迹。我们下面的推导也适用于随机行走的统计性质。

我们考察高分子链的末端距矢量\[\mathbf{R}\]$\mathbf{R}$。末端距矢量的大小是高分子链两末端之间的直线距离,方向是从一端指向另一端。末端距的平均大小可以表示高分子链伸展程度和高分子链尺寸。设高分子由$N$条键组成,第$n$条键的键矢量为$\mathbf r_n$,则有

\begin{equation}
\mathbf{R}=\sum_{n=1}^N \mathbf r_n
\tag{1.1}\label{1.1}
\end{equation}

显然,末端距矢量$\mathbf{R}$的平均值$\langle \mathbf{R} \rangle =0 $,因为末端距矢量取$\mathbf{R}$和$-\mathbf{R}$的概率一样大,二者正好抵消。因此我们改计算方均末端距$\langle \mathbf{R}^2 \rangle $,用末端距的方均根表征高分子链的尺寸。由\eqref{1.1}式,有

\begin{equation}
\langle \mathbf{R}^2 \rangle=\sum_{n=1}^N\sum_{m=1}^N\langle \mathbf{r}_n\cdot \mathbf{r}_m \rangle
\tag{1.2}\label{1.2}
\end{equation}

由于不同的键矢量之间无相关性,则若$n \neq m$,有$\langle \mathbf{r}_n\cdot \mathbf{r}_m \rangle=\langle\mathbf{r}_n \rangle\cdot \langle\mathbf{r}_m \rangle=0$,因此由\eqref{1.2}式可得

\begin{equation}
\langle \mathbf{R}^2 \rangle=\sum_{n=1}^N\langle \mathbf{r}_n^2\rangle =Nb^2
\tag{1.3}\label{1.3}
\end{equation}

可见,高分子的尺寸正比于$N^{1/2}$。

下面我们计算$\mathbf{R}$的概率分布函数。假设高分子链含有$N$根键,一端位于坐标原点。将高分子看成从原点出发的一次随机行走所留下的轨迹。每根键就相当于一个步长。设$P(\mathbf R,N)$为另一端位于$\mathbf R$处的概率。设$\mathbf b_i(i=1,2,\cdots,z)$为一根键的第$i$个可能的取向。如果无规行走了$N$步,到达$\mathbf{R}$处,那么第$N-1$步处链节位置矢量为$\mathbf R-\mathbf b_i$其中之一,任一情况出现的概率都相等,为$1/z$。因此,高分子末端位于$\mathbf R$处的概率为

\begin{equation}
P(\mathbf R,N) =\frac{1}{z}\sum_{i=1}^zP(\mathbf R-\mathbf b_i,N-1)
\tag{1.4}\label{1.4}
\end{equation}

如果高分子链很长,$N\gg 1$,$|\mathbf R|\gg |\mathbf b_i| $,\eqref{1.4}式右边可以对$N$和$\mathbf R$展开:

\begin{equation}
P(\mathbf R-\mathbf b_i,N) = P(\mathbf R,N)-\frac{\partial P}{\partial N}-\frac{\partial P}{\partial R_{\alpha}}b_{i\alpha}+\frac{1}{2}\frac{\partial^2 P}{\partial R_{\alpha}\partial R_{\beta}}b_{i\alpha}b_{i\beta}
\tag{1.5}\label{1.5}
\end{equation}

其中,$b_{i\alpha}$和$R_{\alpha}$为矢量$\mathbf b_i$和$\mathbf R$的分量,并且上式用到了爱因斯坦求和约定,即对重复下标求和。将\eqref{1.5}式带入\eqref{1.4}式,并利用以下关系:

\begin{equation}
\frac{1}{z}\sum_{i=1}^zb_{i\alpha}=0
\tag{1.6}\label{1.6}
\end{equation}

以及

\begin{equation}
\frac{1}{z}\sum_{i=1}^zb_{i\alpha}b_{i\beta}=\frac{\delta_{\alpha \beta}b^2}{3}
\tag{1.7}\label{1.7}
\end{equation}

得

\begin{equation}
\frac{\partial P}{\partial N}=\frac{b^2}{6}\frac{\partial^2 P}{\partial \mathbf R^2}
\tag{1.8}\label{1.8}
\end{equation}

结合$N=0$时$\mathbf R=0$的初始条件,解方程\eqref{1.8},得

\begin{equation}
P(\mathbf R,N) = \left ( \frac{3}{2\pi Nb^2} \right )^{2/3} \exp\left (- \frac{3\mathbf R^2}{2 Nb^2} \right )
\tag{1.9}\label{1.9}
\end{equation}

即$\mathbf R$的概率分布为高斯分布。其实,\eqref{1.3}和\eqref{1.9}式为随机行走理论中的已知结果。

分类目录 Doi高分子物理导论, 软物质物理 标签 random walk, 无规行走, 末端距, 概率分布, 爱因斯坦求和约定, 理想链, 随机行走, 高分子, 高斯分布
Previous: 创新,创新性的人,创新性的研究——蒲慕明所长在神经所2010年会上的讲话
Next: DNA解链统计物理

功能

  • 登录
  • 项目feed
  • 评论feed
  • WordPress.org

近期文章

  • 美国物理学会流体视频大赛获胜视频 2017-10-03
  • 薄膜干涉 2017-04-10
  • 最速降线gif图片 2017-02-19
  • DNA 解链 2016-12-26
  • 生物化学机器DNA 2016-12-26

分类目录

  • Matlab (1)
  • Todd讲Matlab (6)
  • 博客教程 (3)
  • 备课讲义 (27)
    • 光学近代物理备课讲义 (7)
    • 电磁学备课讲义 (20)
  • 教学笔记 (23)
  • 未分类 (2)
  • 物理之外 (2)
  • 物理科普 (3)
  • 理论物理极础 (16)
  • 科学史哲 (6)
  • 科学时评 (31)
  • 科研笔记 (12)
  • 软物质物理 (7)
    • Doi高分子物理导论 (3)
  • 软物质科普 (9)

标签

latex PI random walk 世界一流 人物 假说 偏倚随机行走 凝胶 创新 加速度 势能 吉尔伯特 奥斯特 富兰克林 对称性 导体 导数 库仑定律 感应电动势 拉格朗日量 数学 无规行走 标度理论 梯度 泊松括号 法拉第 波 浓度梯度 理想链 电场 相空间 研究生 科学 科学家 简谐振动 能量守恒 蒲慕明 连续带电体 迭代 随机行走 静电屏蔽 非线性方程 高分子 高斯分布 高斯定理

近期评论

  • 蒲慕明所长在中科院神经科学研究所历年年会上的讲话 – Joyful Physics发表在《论研究生教育——蒲慕明所长在神经所2005年会上的讲话》
  • 术索发表在《磁介质》
  • 瞿立建发表在《友链》
  • taho发表在《磁介质》
  • taho发表在《友链》
2022年八月
日 一 二 三 四 五 六
 123456
78910111213
14151617181920
21222324252627
28293031  
« 10月    

文章归档

  • 2017年十月 (1)
  • 2017年四月 (1)
  • 2017年二月 (1)
  • 2016年十二月 (4)
  • 2016年十一月 (3)
  • 2016年十月 (10)
  • 2016年九月 (10)
  • 2016年八月 (10)
  • 2016年七月 (7)
  • 2016年六月 (8)
  • 2016年五月 (9)
  • 2016年四月 (7)
  • 2016年三月 (6)
  • 2016年二月 (7)
  • 2016年一月 (8)
  • 2015年十二月 (6)
  • 2015年十一月 (6)
  • 2015年十月 (10)
  • 2015年九月 (9)
  • 2015年八月 (9)
  • 2015年七月 (7)
  • 2015年六月 (7)

Joyful Physics © 2022