공업수학 완전정복 4: 벡터 미적분학

벡터 미적분학(Vector Calculus)은 물리학, 전자기학, 유체역학, 그리고 현대 머신러닝에 이르기까지 공학의 모든 분야에서 핵심적으로 사용되는 수학 도구입니다. 이 글에서는 기울기(gradient), 발산(divergence), 회전(curl)의 개념을 바탕으로 그린 정리, 가우스 발산 정리, 스토크스 정리까지 체계적으로 정리합니다.

1. 벡터 함수와 벡터장

벡터값 함수

벡터값 함수(vector-valued function)는 스칼라 매개변수 $t$ 를 입력받아 벡터를 출력하는 함수입니다.

$\mathbf{r}(t) = x(t)\,\mathbf{i} + y(t)\,\mathbf{j} + z(t)\,\mathbf{k}$

예를 들어 나선형 곡선(helix)은 다음과 같이 표현됩니다.

$\mathbf{r}(t) = \cos t\,\mathbf{i} + \sin t\,\mathbf{j} + t\,\mathbf{k}$

접선벡터와 법선벡터

곡선 $\mathbf{r}(t)$ 에서 접선벡터(tangent vector)는 미분으로 구합니다.

$\mathbf{r}'(t) = \frac{d\mathbf{r}}{dt} = \left(\frac{dx}{dt},\, \frac{dy}{dt},\, \frac{dz}{dt}\right)$

단위 접선벡터는 $\mathbf{T}(t) = \dfrac{\mathbf{r}'(t)}{|\mathbf{r}'(t)|}$ 이며, 주법선벡터(principal normal vector)는 $\mathbf{N}(t) = \dfrac{\mathbf{T}'(t)}{|\mathbf{T}'(t)|}$ 입니다.

벡터장

벡터장(vector field)은 공간의 각 점에 벡터를 대응시키는 함수입니다.

$\mathbf{F}(x, y, z) = P(x,y,z)\,\mathbf{i} + Q(x,y,z)\,\mathbf{j} + R(x,y,z)\,\mathbf{k}$

대표적 벡터장 예시:

중력장: $\mathbf{g} = -g\,\mathbf{k}$
전기장: $\mathbf{E} = k_e \dfrac{q}{r^2}\hat{\mathbf{r}}$
유체 속도장: $\mathbf{v}(x,y,z)$

import numpy as np
import matplotlib.pyplot as plt

# 2D 벡터장 시각화
x = np.linspace(-2, 2, 15)
y = np.linspace(-2, 2, 15)
X, Y = np.meshgrid(x, y)

# 회전 벡터장: F = (-y, x)
U = -Y
V = X

fig, ax = plt.subplots(figsize=(6, 6))
ax.quiver(X, Y, U, V, color='steelblue', alpha=0.8)
ax.set_title('Rotational Vector Field F = (-y, x)')
ax.set_xlabel('x')
ax.set_ylabel('y')
plt.tight_layout()
plt.show()

2. 스칼라장과 기울기 (Gradient)

방향 도함수

스칼라장 $f(x,y,z)$ 에서 단위벡터 $\hat{\mathbf{u}}$ 방향의 방향 도함수는 다음과 같습니다.

$D_{\hat{u}} f = \nabla f \cdot \hat{\mathbf{u}}$

기울기 벡터

기울기(gradient)는 스칼라장의 최대 증가 방향과 그 크기를 나타냅니다.

$\nabla f = \frac{\partial f}{\partial x}\,\mathbf{i} + \frac{\partial f}{\partial y}\,\mathbf{j} + \frac{\partial f}{\partial z}\,\mathbf{k}$

물리적 의미:

$\nabla f$ 방향: $f$ 가 가장 빠르게 증가하는 방향
$|\nabla f|$ : 그 방향의 변화율(기울기의 크기)
등위면(level surface)에 수직

예시: $f(x,y) = x^2 + y^2$ 이면 $\nabla f = (2x, 2y)$

import numpy as np
import matplotlib.pyplot as plt
import sympy as sp

# SymPy로 기울기 계산
x_s, y_s = sp.symbols('x y')
f = x_s**2 + y_s**2 + x_s * y_s

grad_x = sp.diff(f, x_s)
grad_y = sp.diff(f, y_s)
print("grad_x =", grad_x)  # 2x + y
print("grad_y =", grad_y)  # x + 2y

# NumPy로 시각화
x = np.linspace(-2, 2, 20)
y = np.linspace(-2, 2, 20)
X, Y = np.meshgrid(x, y)

f_val = X**2 + Y**2
U = 2 * X   # df/dx
V = 2 * Y   # df/dy

fig, axes = plt.subplots(1, 2, figsize=(12, 5))
c = axes[0].contourf(X, Y, f_val, 20, cmap='viridis')
axes[0].contour(X, Y, f_val, 10, colors='white', alpha=0.5)
plt.colorbar(c, ax=axes[0])
axes[0].set_title('f(x,y) = x² + y² (Level Curves)')

axes[1].quiver(X, Y, U, V, color='red', alpha=0.7)
axes[1].set_title('Gradient ∇f = (2x, 2y)')
plt.tight_layout()
plt.show()

3. 발산 (Divergence)

발산의 정의

벡터장 $\mathbf{F} = (P, Q, R)$ 의 발산(divergence)은 스칼라값입니다.

$\text{div}\,\mathbf{F} = \nabla \cdot \mathbf{F} = \frac{\partial P}{\partial x} + \frac{\partial Q}{\partial y} + \frac{\partial R}{\partial z}$

물리적 의미

발산은 단위 체적당 유체가 흘러나오는(또는 빨려 들어가는) 양을 나타냅니다.

$\nabla \cdot \mathbf{F} > 0$ : 해당 점이 소스(source) — 유체가 밖으로 나감
$\nabla \cdot \mathbf{F} < 0$ : 해당 점이 싱크(sink) — 유체가 안으로 들어감
$\nabla \cdot \mathbf{F} = 0$ : 비압축성 유동(incompressible flow) — 유체가 보존됨

예시: $\mathbf{F} = (x^2, y^2, z^2)$ 이면

$\nabla \cdot \mathbf{F} = 2x + 2y + 2z$

비압축성 유동의 대표 예시: $\mathbf{F} = (-y, x, 0)$ 이면 $\nabla \cdot \mathbf{F} = 0$

import sympy as sp

x, y, z = sp.symbols('x y z')

# 벡터장 F = (x^2, y^2, z^2)
P = x**2
Q = y**2
R = z**2

divergence = sp.diff(P, x) + sp.diff(Q, y) + sp.diff(R, z)
print("div F =", divergence)  # 2x + 2y + 2z

4. 회전 (Curl)

회전의 정의

벡터장 $\mathbf{F} = (P, Q, R)$ 의 회전(curl)은 벡터값입니다.

$\text{curl}\,\mathbf{F} = \nabla \times \mathbf{F} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ \partial/\partial x & \partial/\partial y & \partial/\partial z \\ P & Q & R \end{vmatrix}$

전개하면

$\nabla \times \mathbf{F} = \left(\frac{\partial R}{\partial y} - \frac{\partial Q}{\partial z}\right)\mathbf{i} - \left(\frac{\partial R}{\partial x} - \frac{\partial P}{\partial z}\right)\mathbf{j} + \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right)\mathbf{k}$

물리적 의미와 보존장

회전은 유체 입자의 국소적 회전(rotation) 또는 **소용돌이(vorticity)**를 나타냅니다.
$\nabla \times \mathbf{F} = \mathbf{0}$ 이면 비회전(irrotational) 또는 보존장(conservative field)
보존장이면 퍼텐셜 함수 $\phi$ 가 존재하여 $\mathbf{F} = \nabla \phi$

Maxwell 방정식과의 관계

패러데이 법칙:

$\nabla \times \mathbf{E} = -\frac{\partial \mathbf{B}}{\partial t}$

앙페르-맥스웰 법칙:

$\nabla \times \mathbf{B} = \mu_0 \mathbf{J} + \mu_0 \varepsilon_0 \frac{\partial \mathbf{E}}{\partial t}$

import sympy as sp

x, y, z = sp.symbols('x y z')

# 벡터장 F = (y*z, x*z, x*y)
P = y * z
Q = x * z
R = x * y

curl_x = sp.diff(R, y) - sp.diff(Q, z)
curl_y = sp.diff(P, z) - sp.diff(R, x)
curl_z = sp.diff(Q, x) - sp.diff(P, y)

print("curl F =", (curl_x, curl_y, curl_z))
# 결과: (0, 0, 0) => 보존장

5. 선적분 (Line Integrals)

스칼라 함수의 선적분

곡선 $C$ 를 $\mathbf{r}(t) = (x(t), y(t), z(t))$ , $a \le t \le b$ 로 매개변수화하면

$\int_C f\,ds = \int_a^b f(\mathbf{r}(t))\,|\mathbf{r}'(t)|\,dt$

벡터장의 선적분 (일)

벡터장 $\mathbf{F}$ 가 입자를 곡선 $C$ 를 따라 이동시킬 때 한 일(work):

$W = \int_C \mathbf{F} \cdot d\mathbf{r} = \int_a^b \mathbf{F}(\mathbf{r}(t)) \cdot \mathbf{r}'(t)\,dt$

경로 독립성

$\mathbf{F} = \nabla \phi$ 인 보존장에서는 경로에 무관하게

$\int_C \mathbf{F} \cdot d\mathbf{r} = \phi(\mathbf{r}(b)) - \phi(\mathbf{r}(a))$

즉, 출발점과 도착점만 알면 일을 계산할 수 있습니다.

import numpy as np
from scipy.integrate import quad

# F = (2x, 2y), 곡선: r(t) = (t, t^2), t in [0,1]
def work_integrand(t):
    x_t = t
    y_t = t**2
    # F(r(t)) = (2x, 2y) = (2t, 2t^2)
    Fx = 2 * x_t
    Fy = 2 * y_t
    # r'(t) = (1, 2t)
    dx = 1
    dy = 2 * t
    return Fx * dx + Fy * dy

work, _ = quad(work_integrand, 0, 1)
print(f"Work = {work:.4f}")  # = 2.0 (경로 무관: phi = x^2+y^2, phi(1,1)-phi(0,0) = 2)

6. 면적분 (Surface Integrals)

스칼라 함수의 면적분

매개변수 곡면 $\mathbf{r}(u,v)$ 에서

$\iint_S f\,dS = \iint_D f(\mathbf{r}(u,v))\,|\mathbf{r}_u \times \mathbf{r}_v|\,dA$

플럭스 (Flux)

벡터장 $\mathbf{F}$ 가 곡면 $S$ 를 통과하는 플럭스(flux):

$\Phi = \iint_S \mathbf{F} \cdot d\mathbf{S} = \iint_D \mathbf{F}(\mathbf{r}(u,v)) \cdot (\mathbf{r}_u \times \mathbf{r}_v)\,dA$

이는 단위 시간에 곡면을 통과하는 유체의 양(체적 유량)을 나타냅니다.

7. 그린 정리 (Green's Theorem)

정리

단순 닫힌 곡선 $C$ 와 그로 둘러싸인 영역 $D$ 에서, $P$ 와 $Q$ 가 연속 편도함수를 가지면

$\oint_C P\,dx + Q\,dy = \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right) dA$

(단, $C$ 는 $D$ 의 경계를 반시계 방향으로 순회)

면적 계산 응용

그린 정리를 이용하면 닫힌 곡선의 내부 면적을 선적분으로 구할 수 있습니다.

$A = \frac{1}{2} \oint_C (x\,dy - y\,dx)$

유체역학 응용

2D 유동에서 순환(circulation)과 플럭스를 정량화하는 데 활용됩니다.

import numpy as np
from scipy.integrate import dblquad

# Green's theorem 검증
# C: 원점 중심 반지름 1인 단위원
# P = -y, Q = x => dQ/dx - dP/dy = 1 + 1 = 2
# 이중적분: 2 * pi * 1^2 = 2*pi
# 선적분: ∮ (-y dx + x dy) = 2 * area = 2*pi

result, _ = dblquad(
    lambda y, x: 2.0,   # integrand = dQ/dx - dP/dy
    -1, 1,
    lambda x: -np.sqrt(1 - x**2),
    lambda x:  np.sqrt(1 - x**2)
)
print(f"Double integral = {result:.5f}")  # ≈ 6.28318 = 2*pi

8. 가우스 발산 정리 (Divergence Theorem)

정리

체적 $V$ 와 그 경계면 $S = \partial V$ 에서, $\mathbf{F}$ 가 연속 편도함수를 가지면

$\oiint_S \mathbf{F} \cdot \hat{\mathbf{n}}\,dS = \iiint_V (\nabla \cdot \mathbf{F})\,dV$

여기서 $\hat{\mathbf{n}}$ 은 외향 단위 법선벡터입니다.

물리적 의미

체적 내의 총 발산(소스/싱크의 합) = 경계면을 통해 나가는 총 플럭스

전기장 가우스 법칙

$\oiint_S \mathbf{E} \cdot d\mathbf{A} = \frac{Q_{enc}}{\varepsilon_0}$

이는 발산 정리의 직접적인 응용으로, 전하 분포로부터 전기장을 계산하는 데 사용됩니다.

import sympy as sp

x, y, z = sp.symbols('x y z')

# F = (x^3, y^3, z^3), 구 r=1
P, Q, R = x**3, y**3, z**3
div_F = sp.diff(P, x) + sp.diff(Q, y) + sp.diff(R, z)
print("div F =", div_F)  # 3x^2 + 3y^2 + 3z^2

# 구 좌표로 적분: 구 내부 3*(x^2+y^2+z^2) dV = 3 * (4/5)*pi (반지름 1)
# 정답: 12*pi/5
print("Expected flux =", 12 * sp.pi / 5)

9. 스토크스 정리 (Stokes' Theorem)

정리

방향이 정해진 곡면 $S$ 와 그 경계 곡선 $C = \partial S$ 에서

$\oint_C \mathbf{F} \cdot d\mathbf{r} = \iint_S (\nabla \times \mathbf{F}) \cdot \hat{\mathbf{n}}\,dS$

좌변: $\mathbf{F}$ 의 $C$ 에 대한 선적분 (순환, circulation)
우변: $\mathbf{F}$ 의 컬(curl)의 $S$ 에 대한 면적분

그린 정리와의 관계

그린 정리는 스토크스 정리의 2차원 특수 경우입니다. $S$ 가 $xy$ -평면의 영역 $D$ 이고 $\hat{\mathbf{n}} = \mathbf{k}$ 이면

$\oint_C \mathbf{F} \cdot d\mathbf{r} = \iint_D (\nabla \times \mathbf{F}) \cdot \mathbf{k}\,dA = \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right) dA$

앙페르 법칙

$\oint_C \mathbf{B} \cdot d\mathbf{l} = \mu_0 I_{enc}$

스토크스 정리를 이용하면 이를 미분 형식인 $\nabla \times \mathbf{B} = \mu_0 \mathbf{J}$ 로 변환할 수 있습니다.

import numpy as np

# Stokes 정리 수치 검증
# F = (-y, x, 0), S: 반지름 R=1인 반구 (z >= 0), C: 단위원
# curl F = (0, 0, dQ/dx - dP/dy) = (0, 0, 2)
# 면적분: 2 * area(S 투영) = 2 * pi
# 선적분: ∮ F·dr = ∮ (-y dx + x dy) = 2 * 면적(원) = 2*pi

R = 1.0
# 선적분 (수치)
t = np.linspace(0, 2 * np.pi, 10000)
x_c = R * np.cos(t)
y_c = R * np.sin(t)
dx = np.gradient(x_c, t)
dy = np.gradient(y_c, t)
F_dot_dr = (-y_c) * dx + x_c * dy
line_integral = np.trapz(F_dot_dr, t)
print(f"Line integral ≈ {line_integral:.5f}")   # ≈ 2*pi ≈ 6.28318
print(f"2*pi = {2*np.pi:.5f}")

10. 공학 및 AI 응용

유체역학 (CFD)

계산 유체역학(Computational Fluid Dynamics)에서 나비에-스토크스(Navier-Stokes) 방정식은 발산과 회전을 핵심적으로 사용합니다.

$\rho\left(\frac{\partial \mathbf{v}}{\partial t} + (\mathbf{v} \cdot \nabla)\mathbf{v}\right) = -\nabla p + \mu \nabla^2 \mathbf{v} + \mathbf{f}$

비압축성 조건: $\nabla \cdot \mathbf{v} = 0$

Maxwell 방정식 (전자기학)

법칙	미분형	물리적 의미
가우스 전기 법칙	$\nabla \cdot \mathbf{E} = \rho/\varepsilon_0$	전하가 전기장의 소스
가우스 자기 법칙	$\nabla \cdot \mathbf{B} = 0$	자기 단극자 없음
패러데이 법칙	$\nabla \times \mathbf{E} = -\partial\mathbf{B}/\partial t$	변하는 자기장이 전기장 유도
앙페르-맥스웰	$\nabla \times \mathbf{B} = \mu_0\mathbf{J} + \mu_0\varepsilon_0\,\partial\mathbf{E}/\partial t$	전류와 변하는 전기장이 자기장 유도

컴퓨터 그래픽스

3D 렌더링에서 조명 계산을 위한 법선벡터(normal vector)는 면적분의 $\mathbf{r}_u \times \mathbf{r}_v$ 와 동일한 개념입니다. 퐁(Phong) 셰이딩, 범프 매핑 등에 직접 활용됩니다.

머신러닝의 Gradient Descent

경사 하강법(gradient descent)은 기울기 $\nabla \mathcal{L}$ 의 반대 방향으로 파라미터를 업데이트합니다.

$\theta_{n+1} = \theta_n - \eta\,\nabla_\theta \mathcal{L}(\theta_n)$

이는 벡터 미적분학의 기울기 개념을 고차원 파라미터 공간에 직접 적용한 것입니다.

Physics-Informed Neural Networks (PINNs)

PINNs는 손실 함수에 물리 방정식(편미분방정식)을 포함시켜 벡터 미적분 연산자(gradient, divergence, curl)를 자동 미분으로 계산합니다.

$\mathcal{L} = \mathcal{L}_{data} + \lambda\,\mathcal{L}_{physics}$

여기서 $\mathcal{L}_{physics}$ 는 예를 들어 $\|\nabla \cdot \mathbf{v}\|^2$ 같은 비압축 조건 위반 패널티입니다.

11. Python 종합 구현 예제

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import dblquad, quad
import sympy as sp

print("=== 벡터 미적분학 Python 계산 예제 ===\n")

# --- 1. 기울기 계산 ---
x_s, y_s, z_s = sp.symbols('x y z')
f = x_s**3 + y_s**2 * z_s - x_s * y_s

grad = [sp.diff(f, var) for var in (x_s, y_s, z_s)]
print("1. 기울기 (Gradient)")
print(f"   f = {f}")
print(f"   ∇f = {grad}\n")

# --- 2. 발산 계산 ---
P = x_s**2 * y_s
Q = y_s**2 * z_s
R = z_s**2 * x_s
divergence = sp.diff(P, x_s) + sp.diff(Q, y_s) + sp.diff(R, z_s)
print("2. 발산 (Divergence)")
print(f"   F = ({P}, {Q}, {R})")
print(f"   div F = {divergence}\n")

# --- 3. 회전 계산 ---
curl_x = sp.diff(R, y_s) - sp.diff(Q, z_s)
curl_y = sp.diff(P, z_s) - sp.diff(R, x_s)
curl_z = sp.diff(Q, x_s) - sp.diff(P, y_s)
print("3. 회전 (Curl)")
print(f"   curl F = ({sp.simplify(curl_x)}, {sp.simplify(curl_y)}, {sp.simplify(curl_z)})\n")

# --- 4. 그린 정리 수치 검증 ---
# P = -y, Q = x, 단위 원판
# 이중적분: ∬ (1 + 1) dA = 2 * pi
result, _ = dblquad(
    lambda y, x: 2.0,
    -1, 1,
    lambda x: -np.sqrt(max(0, 1 - x**2)),
    lambda x:  np.sqrt(max(0, 1 - x**2))
)
print("4. 그린 정리 검증")
print(f"   이중적분 ≈ {result:.5f}, 2π ≈ {2*np.pi:.5f}\n")

# --- 5. 시각화 ---
x_arr = np.linspace(-2, 2, 20)
y_arr = np.linspace(-2, 2, 20)
X, Y = np.meshgrid(x_arr, y_arr)

fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# 기울기장
U1 = 2 * X
V1 = 2 * Y
axes[0].quiver(X, Y, U1, V1, color='crimson', alpha=0.7)
axes[0].set_title('Gradient of x²+y²')

# 소용돌이장 (curl != 0)
U2 = -Y
V2 = X
axes[1].quiver(X, Y, U2, V2, color='steelblue', alpha=0.7)
axes[1].set_title('Rotational Field (-y, x)')

# 발산장 (source)
U3 = X
V3 = Y
axes[2].quiver(X, Y, U3, V3, color='forestgreen', alpha=0.7)
axes[2].set_title('Source Field (x, y)')

plt.tight_layout()
plt.savefig('vector_fields.png', dpi=120)
plt.show()

12. 퀴즈

Q1. 스칼라장 f의 기울기 벡터 ∇f는 등위면(level surface)에 대해 어떤 방향을 향합니까?

정답: 등위면에 수직(법선) 방향을 향합니다.

설명: 기울기 벡터 ∇f는 f가 가장 빠르게 증가하는 방향을 가리키며, 이 방향은 등위면 f = c에 항상 수직입니다. 방향 도함수 공식 D_u f = ∇f · u 에서, 등위면 위의 접선 방향 t에 대해서는 D_t f = 0 이므로 ∇f ⊥ t 임을 알 수 있습니다.

Q2. 벡터장 F의 발산이 모든 점에서 0이면 (div F = 0), 이 유동을 무엇이라 합니까?

정답: 비압축성 유동(incompressible flow) 또는 솔레노이달(solenoidal) 벡터장이라 합니다.

설명: div F = ∇·F = 0 은 단위 체적당 유체의 순 유출입이 없음을 의미합니다. 물과 같이 밀도가 거의 일정한 유체의 유동이 이에 해당하며, 이 조건은 연속 방정식(continuity equation)에서 비롯됩니다. 자기장 B 역시 ∇·B = 0 을 만족하여 솔레노이달 벡터장입니다.

Q3. 그린 정리에서 ∮C P dx + Q dy = ∬D (∂Q/∂x - ∂P/∂y) dA를 이용하여 폐곡선 C 내부의 면적을 어떻게 구합니까?

정답: P = -y/2, Q = x/2 로 설정하면 A = (1/2) ∮C (x dy - y dx) 로 면적을 구할 수 있습니다.

설명: P = -y/2, Q = x/2 로 놓으면 ∂Q/∂x - ∂P/∂y = 1/2 + 1/2 = 1 이 됩니다. 따라서 ∬D 1 dA = A 가 되어 면적이 직접 계산됩니다. 이 방법은 측량학(surveying)에서 다각형의 면적을 꼭짓점 좌표만으로 계산하는 신발끈 공식(shoelace formula)의 기초가 됩니다.

Q4. 스토크스 정리 ∮C F·dr = ∬S (∇×F)·n dS 에서 curl F = 0이면 선적분은 얼마입니까?

정답: 0입니다.

설명: curl F = ∇×F = 0 이면 우변의 면적분이 0이 되므로, 임의의 닫힌 경로에 대한 선적분도 0입니다. 이는 F가 보존장(conservative field)임을 의미하며, 퍼텐셜 함수 φ가 존재하여 F = ∇φ 가 됩니다. 따라서 일은 경로에 무관하고 시작점과 끝점에만 의존합니다 (∫C F·dr = φ(B) - φ(A)).

Q5. 가우스 발산 정리가 전자기학에서 어떻게 응용됩니까?

정답: 가우스 전기 법칙 ∯S E·dA = Q/ε₀ 의 유도에 사용됩니다.

설명: 발산 정리 ∯S E·dA = ∭V (∇·E) dV 와 미분형 가우스 법칙 ∇·E = ρ/ε₀ 를 결합하면 ∭V (ρ/ε₀) dV = Q_enc/ε₀ 가 됩니다. 즉, 닫힌 곡면을 통과하는 총 전기 플럭스는 내부 총 전하량을 ε₀으로 나눈 값과 같습니다. 이를 통해 고도의 대칭성을 가진 전하 분포(구, 원통, 평면)의 전기장을 손쉽게 계산할 수 있습니다.

참고 자료

Kreyszig, E. — Advanced Engineering Mathematics (10th ed.), Wiley. 벡터 미적분학 및 공업수학 표준 교재.
MIT OCW 18.02 — Multivariable Calculus (Denis Auroux). ocw.mit.edu
Stewart, J. — Calculus: Early Transcendentals (9th ed.), Cengage. 선적분, 면적분, 벡터 정리 챕터.
SciPy Documentation — scipy.integrate 모듈로 다중 적분 수치 계산. scipy.org
SymPy Documentation — 기호 미분·적분 라이브러리. sympy.org
Griffiths, D.J. — Introduction to Electrodynamics (4th ed.), Cambridge. Maxwell 방정식과 벡터 미적분학의 물리 응용.