🔬 Category

physics.flu-dyn

967 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.

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks

Dieser Beitrag stellt WellPINN vor, einen neuartigen Workflow, der sequentiell trainierte physikbasierte neuronale Netze auf schrumpfenden Teilbereichen einsetzt, um die Fluiddruckdiffusion um Bohrungen herum während des gesamten Injektionszeitraums präzise zu modellieren und damit frühere Einschränkungen bei der Erfassung der Druckdynamik in der Frühphase zu überwinden.

Linus Walter, Qingkai Kong, Sara Hanson-Hedgecock, Víctor Vilarrasa2026-05-25🤖 cs.LG

Error Estimation for Adaptive Mesh Refinement in Droplet Simulations

Dieser Beitrag stellt ein eindimensionales Modell zur tropfenförmigen Bildung unter Scherkraft vor, das einen auf gemischten Finite-Elemente-Gradienten basierenden, flussbasierten Fehlerabschätzer nutzt, um einen adaptiven Gitterverfeinerungsalgorithmus zu steuern, wodurch die Rechenkosten erheblich gesenkt werden, während die Genauigkeit bei der Erfassung der Tropfenoberflächendynamik erhalten bleibt.

Darsh Nathawani, Matthew Knepley2026-05-25🔬 physics

An octree-based sampling algorithm for analyzing big simulation data

Dieser Beitrag stellt einen verbesserten, auf Octrees basierenden Sampling-Algorithmus (S3S^3) vor, der den Speicherbedarf von großskaligen CFD-Simulationsdaten um 35 % bis 95 % signifikant reduziert, während die dominierenden Strömungsdynamiken erhalten bleiben, wodurch eine effiziente Nachverarbeitung auf lokalen Workstations anstelle der Notwendigkeit von Hochleistungsrechnern ermöglicht wird.

Janis Geise, Sebastian Spinner, Richard Semaan, Andre Weiner2026-05-25🔬 physics

Resolving Cryogenic and Hypersonic Rarefied Flows via Deep Learning-Accelerated Lennard-Jones DSMC

Diese Studie stellt ein durch Deep Learning beschleunigtes Lennard-Jones-DSMC-Framework vor, das ein viskositätskonsistentes Modell zur Auswahl der Kollisionen mit einem variablen effektiven Durchmesser mit einem DeepONet-Surrogat für die schnelle Vorhersage von Streuwinkeln kombiniert, wodurch komplexe verdünnte Strömungen in kryogenen und hypersonischen Regimen erfolgreich aufgelöst und gleichzeitig die Rechenkosten erheblich gesenkt werden.

Ahmad Shoja Sani, Ehsan Roohi, Stefan Stefanov2026-05-25🔬 physics

Transient and asymptotic Taylor--Aris dispersion of Brownian rods in arbitrary regular-polygonal ducts

Diese Arbeit formuliert und löst das Taylor-Aris-Dispersionsproblem für Brownsche Stäbchen in beliebigen Kanälen mit regelmäßigen Polygonquerschnitten durch die Kopplung von schervermittelter Ausrichtung unter Druckantrieb mit einem tensoriellen Diffusionsmodell und zeigt, dass die Ausrichtung der Stäbchen zwar nur geringfügige Verschiebungen der mittleren Geschwindigkeit bewirkt, die Dispersion jedoch erheblich verstärkt, indem sie die transversale Durchmischung reduziert, wobei die Dynamik endlicher Zeiten durch eine biorthogonale Spektralzerlegung des daraus resultierenden Zellproblems bestimmt wird.

Jingsen Feng, Xu Chu2026-05-25🔬 physics

Full-component reconstruction of three-dimensional fluid stress tensors

Dieser Beitrag stellt U-FlowPET vor, ein unüberwachtes, physikinformiertes Framework, das die unterbestimmte Natur der optischen Tomographie überwindet, um alle sechs Komponenten des dreidimensionalen Fluidspannungstensors ohne Rückgriff auf konstitutive Annahmen oder gelabelte Trainingsdaten zu rekonstruieren und damit eine direkte Quantifizierung von Kräften in komplexen Fluidsystemen ermöglicht.

Shunsuke Kumagai, Shun Miyatake, Ryusuke Cho, William Kai Alexander Worby, Masanori Naito, Takahiro Ushioku, Masanobu Horie, Yoshiyuki Tagawa2026-05-25🔬 physics

Real time monitoring of pressure-induced deformation of PDMS to evaluate pressure distribution in microfluidic channels

Diese Arbeit stellt eine nicht-invasive, Echtzeit-Druckmessmethode für mikrofluidische Kanäle vor, die quantitative Phasenbildgebung zur Messung der PDMS-Verformung nutzt und eine präzise Kartierung der Druckverteilung ermöglicht, ohne dass eingebettete Sensoren oder Änderungen am Gerät erforderlich sind.

Kiran Acharya, Serge Monneret, Martin Brandenbourger, Thomas Chaigne2026-05-25🔬 physics.optics

Particle Image Velocimetry of 3D printed vascular fluidic phantom devices

Diese Studie zeigt, dass transparente, 3D-gedruckte Gefäßmodelle in Kombination mit der Mikro-Partikelbildvelocimetrie (MicroPIV) ein robustes experimentelles Rahmenwerk zur Untersuchung der mikroskaligen hämodynamischen Strömung in zerebralen Gefäßen bieten, das Strömungsmerkmale und die Wandschubspannung in Geometrien mit einer Größe von bis zu 500 Mikrometern mit hoher Genauigkeit im Vergleich zu analytischen Vorhersagen erfolgreich erfasst.

Job van Essen, Ahmed Sharaf, Denzel Hopman, Selene Pirola, Paola Fanzio2026-05-25🧬 q-bio

Analysis of heat transfer and water flow with phase change in saturated porous media by bond-based peridynamics

Dieser Beitrag stellt ein bond-basiertes Peridynamik-Framework vor und validiert dieses zur präzisen Modellierung der gekoppelten Wärmeübertragung und druckgetriebenen Wasserströmung mit Phasenwechsel in gesättigten porösen Medien und bietet einen robusten nicht-lokalen Ansatz zur Vorhersage von Phasengrenzen und thermodynamischen Verteilungen in komplexen Szenarien wie dem Gefrieren und Tauen von Böden.

Petr Nikolaev, Majid Sedighi, Andrey P Jivkov, Lee Margetts2026-05-22🔬 physics.app-ph