🔬 Category

physics.flu-dyn

1229 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.

A framework for diagnosing inertial lift generation in wall-bounded flows: application to eccentric rotating cylinders in Newtonian and shear-thinning fluids

Diese Studie stellt einen auf dem verallgemeinerten Reziprozitätstheorem basierenden Rahmen zur Diagnose der stationären Trägheitsliftkraft in wandbegrenzten Strömungen vor, der durch Zerlegung in Wirbelkraft- und viskose Spannungsbeiträge die Mechanismen für Liftumkehrungen bei exzentrisch rotierenden Zylindern in Newtonschen und scherverdünnenden Fluiden aufklärt.

Masafumi Hayashi, Kazuyasu Sugiyama2026-04-01🔬 physics

Towards Gravitational Wave Turbulence within the Hadad-Zakharov metric

Diese Arbeit untersucht die Gravitationswellenturbulenz im Hadad-Zakharov-Metrik-Rahmen durch eine analytische Untersuchung der Einstein-Gleichungen und numerische Simulationen mit dem GPU-basierten Code TIGER, die das Auftreten eines dualen Kaskadenprozesses, eines Kolmogorov-Zakharov-Spektrums sowie intermittierender kohärenter Strukturen bestätigen.

Benoît Gay, Eugeny Babichev, Sébastien Galtier, Karim Noui2026-04-01🌀 nlin

Learning the Exact Flux: Neural Riemann Solvers with Hard Constraints

Die Studie stellt einen neuronalen Riemann-Löser mit harten physikalischen Randbedingungen vor, der die Genauigkeit exakter Löser bei der Berechnung von Strömungsproblemen bewahrt und gleichzeitig die numerischen Fehler sowie Symmetriebrüche vermeidet, die bei unbeschränkten datengetriebenen Ansätzen auftreten.

Yucheng Zhang, Chayanon Wichitrnithed, Shukai Cai, Sourav Dutta, Kyle Mandli, Clint Dawson2026-04-01✓ Author reviewed ⓘ🔬 physics

Flow field tomography with uncertainty quantification using a Bayesian physics-informed neural network

Die Studie stellt einen neuartigen Ansatz zur Strömungsfeldtomographie vor, der Bayes'sche, physik-informierte neuronale Netze nutzt, um aus spärlichen Messungen realistische Rekonstruktionen mit umfassender Unsicherheitsquantifizierung zu erzeugen und dabei die physikalischen Gesetze der Strömungsmechanik direkt in den Lernprozess integriert.

Joseph P. Molnar, Samuel J. Grauer2026-03-31🔬 physics

Estimating density, velocity, and pressure fields in supersonic flow using physics-informed BOS

Die Autoren stellen einen neuartigen, physik-informierten Workflow für die Hintergrund-Schlieren-Verfahren (BOS) vor, der mithilfe von physik-informierten neuronalen Netzen (PINNs) Dichte-, Geschwindigkeits- und Druckfelder in Überschallströmungen präziser rekonstruiert als herkömmliche Methoden und erstmals experimentelle Daten für diese Anwendung nutzt.

Joseph P. Molnar, Lakshmi Venkatakrishnan, Bryan E. Schmidt, Timothy A. Sipkens, Samuel J. Grauer2026-03-31🔬 physics

Stochastic particle advection velocimetry (SPAV): theory, simulations, and proof-of-concept experiments

Die vorgestellte Arbeit entwickelt die stochastische Partikeladvektionsvelocimetrie (SPAV), eine auf einem physikalischen Advektionsmodell und einem statistischen Datenverlust basierende Methode, die mithilfe von physik-informierten neuronalen Netzen die Genauigkeit von Partikelverfolgungsvelocimetrie-Messungen durch Berücksichtigung von Lokalisierungsunsicherheiten und nicht-idealen Effekten signifikant verbessert.

Ke Zhou, Jiaqi Li, Jiarong Hong, Samuel J. Grauer2026-03-31🔬 physics

Forward and inverse modeling of depth-of-field effects in background-oriented schlieren

Die Autoren stellen ein neues „Kegelstrahl"-Modell für die Hintergrundscherenbildgebung (BOS) vor, das durch die Berücksichtigung von Schärfentiefeffekten im Vergleich zu herkömmlichen „Dünne-Strahl"-Ansätzen deutlich robustere und genauere Rekonstruktionen von Dichtefeldern ermöglicht, unabhängig von der Blendenöffnung der Kamera.

Joseph P. Molnar, Elijah J. LaLonde, Christopher S. Combs, Olivier Léon, David Donjat, Samuel J. Grauer2026-03-31🔬 physics