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.

Final states of two-dimensional turbulence above large-scale topography: stationary vortex solutions and barotropic stability

Die Studie identifiziert stationäre Wirbellösungen in zweidimensionaler Turbulenz über komplexer Topografie, die durch eine Kombination aus Hintergrundströmung und gaußförmigen Wirbeln beschrieben werden, und erklärt deren Stabilität sowie die beobachteten Korrelationen zwischen Wirbeln und Topografie durch eine energieabhängige barotrope Stabilitätsanalyse.

Jiyang He, Yan Wang2026-04-22🔬 physics

Localised Arrowheads: The building blocks of elastic turbulence in rectilinear, sheared polymer flows

Diese Studie identifiziert lokalisierte Pfeilspitzen-Wellen als fundamentale Bausteine der elastischen Turbulenz in geradlinigen, gescherten Polymerströmungen, die durch Bifurkationen und sekundäre Instabilitäten entstehen und zwar chaotisches Verhalten erzeugen, aber aufgrund geringer Quergeschwindigkeiten nur eine begrenzte Mischleistung aufweisen.

Theo A. Lewy, Rich R. Kerswell2026-04-22🔬 physics

Leveraging Scale Separation and Stochastic Closure for Data-Driven Prediction of Chaotic Dynamics

Die Studie stellt einen rein stochastischen Ansatz vor, der durch die Kombination eines VAE-Transformer-Autoregressionsmodells für großskalige kohärente Strukturen und einer Gauß-Prozess-basierten Schließung für hochauflösende statistische Daten die Vorhersage chaotischer Strömungsdynamiken verbessert und dabei die statistischen Momente sowie Konfidenzintervalle genauer erfasst als bestehende probabilistische Baseline-Modelle.

Ismaël Zighed, Nicolas Thome, Patrick Gallinari, Taraneh Sayadi2026-04-22🔬 physics

Effect of subgrid-scale anisotropy on wall-modeled large-eddy simulation of turbulent flow with smooth-body separation

Die Studie zeigt, dass die Berücksichtigung anisotroper subgrid-Spannungen in wandmodellierte Large-Eddy-Simulationen, insbesondere im Bereich eines starken günstigen Druckgradienten auf der Luvseite, entscheidend für die konsistente und genaue Vorhersage von Strömungsablösungen ist, da sie im Gegensatz zu reinen Wirbelviskositätsmodellen die realen Normalspannungsbeiträge und die Dissipation korrekt erfasst.

Di Zhou, H. Jane Bae2026-04-22🔬 physics

Stable self-adaptive timestepping for Reduced Order Models for incompressible flows

Die Arbeit stellt RedEigCD vor, eine neuartige selbstadaptive Zeitschritttechnik für reduzierte Ordnungsmodelle inkompressibler Strömungen, die durch die Nutzung exakter spektraler Informationen stabilere Zeitschritte ermöglicht und theoretisch sowie numerisch nachweist, dass diese im Vergleich zu Vollordnungsmodellen bis zu 40-mal größere Zeitschritte zulassen, ohne die Genauigkeit zu beeinträchtigen.

Josep Plana-Riu, Henrik Rosenberger, Benjamin Sanderse, F. Xavier Trias2026-04-22🔬 physics

Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models

Diese Studie stellt einen flexiblen Koopman-Autoencoder vor, der meteorologische Zwangsgrößen und Randbedingungen integriert und durch Eigenwertregularisierung sowie zeitliches Entrollen stabilere und genauere Vorhersagen für küstennahe Ozeanmodelle im Vergleich zu POD-basierten Surrogaten ermöglicht, wodurch bei akzeptablen Fehlern Geschwindigkeitssteigerungen von 300- bis 1400-fach für Anwendungen wie Ensemble-Prognosen erreicht werden.

Freja Høgholm Petersen, Jesper Sandvig Mariegaard, Rocco Palmitessa, Allan P. Engsig-Karup2026-04-22🔬 physics