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.

Boiling flow parameter estimation from boundary layer data

In dieser Arbeit wird eine Methode vorgestellt, um die Parameter des „Boiling Flow“-Algorithmus aus gemessenen aero-optischen Phasenaberrationsdaten zu schätzen, wobei die Ergebnisse zeigen, dass die Methode zwar die zeitlichen Statistiken gut abbildet, jedoch die komplexen räumlichen Strukturen der aero-optischen Effekte nicht präzise erfassen kann.

Jeffrey W. Utley, Gregery T. Buzzard, Charles A. Bouman, Matthew R. Kemnetz2026-02-12⚡ eess

Experimental measurement of the vorticity-strain alignment around extreme energy transfer events

Diese Arbeit untersucht experimentell die Ausrichtung von Wirbelstärke und Dehnungstensor in einer von Karman-Strömung und zeigt, dass extreme Energietransferereignisse durch spezifische geometrische Strukturen und die Selbstverstärkung der Dehnung charakterisiert sind.

Benjamin Musci, Berengere Dubrulle, Jean LeBris, Damien Geneste, Pierre Braganca, Jean-Marc Foucaut, Christophe Cuvier, Adam Cheminet2026-02-11🔬 physics

A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems

Diese Arbeit präsentiert ein neuartiges, physik-informiertes spatiotemporales Deep-Learning-Modell für die Rayleigh-Bénard-Konvektion, das durch die Kombination von Convolutional Neural Networks, einer LLM-inspirierten rekurrenten Architektur und Conformal Prediction eine recheneffiziente und physikalisch konsistente Simulation turbulenter Strömungen ermöglicht.

Luca Menicali, Andrew Grace, David H. Richter, Stefano Castruccio2026-02-11📊 stat