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.

A Study of Improved Limiter Formulations for Second-Order Finite Volume Schemes Applied to Unstructured Grids

Diese Studie untersucht das Verhalten und die dissipativen Eigenschaften des ursprünglichen Venkatakrishnan-Limiters, einer von Wang modifizierten Version sowie des neu eingeführten R3-Limiters bei der Anwendung auf zweite Ordnung Finite-Volumen-Schemata für die Simulation turbulenter Strömungen um die NACA-0012-Profil auf unstrukturierten Gittern und zeigt, dass alle drei Formulierungen bei geeigneter Wahl der Konstanten vergleichbare Ergebnisse liefern, die gut mit experimentellen Daten übereinstimmen.

Frederico Bolsoni Oliveira, João Luiz F. Azevedo2026-02-13🔬 physics

The search for the gust-wing interaction "textbook"

Die Studie zeigt, dass durch die Kombination von automatisierten Hochvolumen-Experimenten zur Untersuchung der unsteady Aerodynamik von Flügel-Böen-Interaktionen und einer datenreduzierenden Methode, die einen repräsentativen „Lehrbuch"-Datensatz identifiziert, maschinelle Lernmodelle mit deutlich weniger Trainingsdaten eine vergleichbare Vorhersagegenauigkeit wie Modelle mit um zwei Größenordnungen größeren zufälligen Datensätzen erreichen.

Paolo Olivucci, David E. Rival2026-02-13🔬 physics

ArGEnT: Arbitrary Geometry-encoded Transformer for Operator Learning

Die Arbeit stellt ArGEnT vor, einen auf Transformatoren basierenden Ansatz zur Operator-Lernung, der komplexe Geometrien direkt aus Punktwolken encodiert und so die Genauigkeit und Generalisierungsfähigkeit von Surrogatmodellen für physikalische Systeme mit variierenden Domänen im Vergleich zu bestehenden Methoden wie DeepONet signifikant verbessert.

Wenqian Chen, Yucheng Fu, Michael Penwarden, Pratanu Roy, Panos Stinis2026-02-13🤖 cs.AI