1273 Arbeiten
Die Strömungsmechanik untersucht, wie sich Flüssigkeiten und Gase bewegen und auf Kräfte reagieren, von den sanften Wellen eines Flusses bis zu den komplexen Turbulenzen in der Atmosphäre. Auf Gist.Science haben wir diesen Bereich unter „Physics — Flu-Dyn" zusammengefasst, um die faszinierenden Mechanismen unserer dynamischen Umwelt verständlich zu machen.
Jeder neue Preprint in diesem Feld wird direkt von arXiv bezogen und von uns sorgfältig verarbeitet. Wir bieten Ihnen zu jedem Eintrag sowohl eine leicht verständliche Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse für Fachleute. So wird komplexes Wissen aus der Forschung für jeden zugänglich.
Im Folgenden finden Sie die aktuellsten Beiträge aus diesem spannenden Bereich der Physik, die Sie direkt zu den neuesten Erkenntnissen führen.
Diese Studie erweitert die Feature-Enhanced Neural Network (FENN)-Methode erfolgreich auf die Lösung der kompressiblen Navier-Stokes-Gleichungen für viskose Strömungen und demonstriert damit erstmals den Erfolg eines PINN-ähnlichen Ansatzes bei Vorwärts- und Parametrisierungsproblemen in diesem bisher schwer zugänglichen Bereich.
Diese Studie demonstriert erstmals die Erzeugung und Untersuchung von topologisch robusten, skyrmionischen Wasserwellen in verdrehten mehrschichtigen Moiré-Superlattices, wobei dreischichtige Konfigurationen eine höhere Stabilität und Energiekonzentration aufweisen und so Wasserwellen als makroskopische Plattform für die Erforschung von Moiré-Physik und topologischen Quantenphänomenen etablieren.
Diese Studie nutzt die datengetriebene Methode der dynamischen Modenzerlegung (DMD), um anhand von Bewegungsdaten von Falken ein interpretierbares, lineares Modell zu entwickeln, das verschiedene Flugmanöver wie Flattern, Wenden und Gleiten durch eine Kombination weniger gemeinsamer dynamischer Modi präzise beschreibt und dabei effiziente Fortbewegungsmechanismen offenlegt.
Die Studie stellt ein einheitliches SPH-Rahmenwerk vor, das mithilfe von imaginären Kontaktpartikeln und einer neuartigen Kontaktformulierung effizient und stabil Wechselwirkungen zwischen dünnen Schalen und Fluiden sowie zwischen verschiedenen Schalen simuliert.
Diese Studie nutzt eine auf dynamischen und statistischen Analysen basierende Ensemble-Machine-Learning-Methode, um verschiedene Flammenregime in mesoskaligen Verbrennungskammern anhand von OH*-Chemilumineszenz- und Schalldruckdaten zu klassifizieren und zu charakterisieren.
Die Studie zeigt, dass stochastische Subgrid-Closures im Gegensatz zu deterministischen Ansätzen für reduzierte Turbulenzmodelle unerlässlich sind, um das korrekte Wachstum von Unsicherheiten und damit die Vorhersagbarkeit chaotischer Strömungen über verschiedene Skalen hinweg zu gewährleisten.
Diese Studie entwickelt ein minimales Modell für wandernde aktive Tropfen, um zu zeigen, dass die Morphodynamik von Zellaggregaten bei der Chemotaxis durch proliferationsgetriebene, kontinuierliche oder diskontinuierliche Übergänge bestimmt wird, die von zwei dimensionslosen Parametern für innere Spannungen und die Kopplung an das chemische Feld abhängen.
Die Studie zeigt experimentell und theoretisch, dass chaotische Kapillarwellen auf einer Flüssigkeitsfläche einen effektiven dynamischen Oberflächendruck erzeugen, der die Schrumpfung eines stabilen Lochs in einem Film quantitativ erklärt und durch eine effektive Kapillarlänge im Young-Laplace-Gesetz beschrieben werden kann.
Diese Arbeit stellt ein physik-informiertes Graph-Neurales-Netzwerk vor, das auf 4D-Flow-MRT-Daten trainiert wird, um hämodynamische Strömungsfelder in Karotisarterien effizient und präzise zu schätzen und dabei auf große CFD-Datensätze verzichtet.
Die Studie zeigt, dass Marangoni-Kräfte in koaxialen Ouzo-Strömungen dazu führen können, dass sich Öltropfen entgegen der Strömungsrichtung bewegen, obwohl Auftrieb und hydrodynamischer Widerstand sie stromabwärts drücken.