930 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.
Diese Arbeit entwickelt und analysiert ein neuartiges entropiekompatibles Diskretisierungsschema für FENE-Typus-diffusive Strömungen, das die endliche Dehnbarkeit der Spur-Barriere rigoros bewahrt, die Freie-Energie-Abnahme sicherstellt und die numerische Robustheit bei hohen Weissenberg-Zahlen aufrechterhält.
Durch direkte numerische Simulationen zeigt diese Studie, dass in Mehrphasenturbulenz Grenzflächenbruch und Koaleszenz eine ausgeprägte multifraktale Organisation der Dissipation vorantreiben, was dazu führt, dass intensive Energiedissipationsereignisse tief in den Sub-Kolmogorov-Bereich hineinreichen und den lokalen Dissipations-Cutoff im Vergleich zu einphasiger Turbulenz signifikant verbreitern.
Dieses Paper schlägt ein Deep-Reinforcement-Learning-Framework vor, das die Probleme degenerierter Aktuierung früherer Methoden durch die Integration von Convolutional Networks, rekurrentem Gedächtnis, Off-Policy-Training und Aktions-Glattheitsbeschränkungen überwindet und erfolgreich eine signifikante Reduktion des Wärmetransports in der Rayleigh–Bénard-Konvektion sowie eine adaptive Mischungsverbesserung in der doppelt-diffusiven Konvektion erreicht, ohne eine Vollfeld-Datenaugmentation zu erfordern.
Durch eine Kombination aus Experimenten und Simulationen zeigt diese Studie, dass eine frei hängende elastische Scheibe in einer Scherstromströmung niedriger Reynoldszahl eine subkritische Flatterinstabilität erfährt, die durch endliche Dehnbarkeit angetrieben wird und eine reiche oszillatorische Dynamik aufweist, was Implikationen für das Verständnis des Verhaltens von blattartigen Partikeln wie 2D-Polymeren hat.
Diese Arbeit identifiziert und behebt drei spezifische Mängel im Multi-Agenten-Reinforcement-Learning zur Widerstandsreduzierung in Wandturbulenzen – Credit-Assignment-Verlust, gedächtnislose Strategien und falsch ausgerichtete Belohnungen – durch die Implementierung einer differenzierbaren Projektion, rekurrenten Strategien und einer echten leistungsbasierten Belohnung, wodurch letztlich eine echte Energieeinsparung von 17 % erreicht wird, die die Fallstricke des Reward-Hackings vermeidet.
Diese Arbeit stellt ein hochgeordnetes, auf Fourier-Kontinuation (FC) basierendes spektrales inkompressibles Smoothed Particle Hydrodynamics (ISPH)-Schema vor, das die Methode auf wandgebundene Gebiete mit allgemeinen Randbedingungen erweitert und somit eine hohe Konvergenzordnung sowie die präzise Simulation komplexer Wirbeldynamiken durch Frequenzraum-Diskretisierung auf einer periodischen Erweiterung des Gebiets ermöglicht.
Diese Studie zeigt, dass Physics-Informed Neural Networks (PINNs) zwar die Wandschubspannung aus passiven Skalardaten nur dann rekonstruieren können, wenn Messungen nahe der Wand vorliegen, ein auf PDE-gestützter Optimierung basierendes differenzierbares Physik-Framework jedoch in der Lage ist, eine genaue Wandschubspannung über verschiedene Messszenarien hinweg sowohl in kanonischen als auch in patientenspezifischen kardiovaskulären Strömungen wiederherzustellen.
Diese Studie schlägt ein auf der Darcy–Forchheimer-Theorie basierendes makroskopisches Modellierungs- und Optimierungsframework vor, um Wärmetauscher mit variablen TPMS-Gitterstrukturen mit nicht gleichmäßigen Kanalbreiten zu entwerfen, deren Leistungssteigerung gegenüber einheitlichen Gitterkonfigurationen durch experimentelle Validierung mit 28,7 % bestätigt wurde.
Diese Studie verwendet aufgelöste CFD-DEM-Simulationen, um zu zeigen, dass nicht-sphärische polymetallische Knollen aufgrund der forminduzierten Wirbelasymmetrie einen signifikant erhöhten Strömungswiderstand und reduzierte Sinkgeschwindigkeiten im Vergleich zu volumenäquivalenten Kugeln erfahren, während gleichzeitig aufgezeigt wird, wie Partikelgröße und Einschluss unterschiedliche Verhaltensweisen der Widerstandsabweichung während des vertikalen hydraulischen Transports steuern.
Diese Arbeit zeigt, dass die rotatorische Natur der Turbulenz neuronale Netze durch implizite Datenaugmentation inhärent Äquivarianz lehrt und dass die explizite Durchsetzung dieser Symmetrie als architektonischer induktiver Bias die Generalisierung über verschiedene Strömungsbedingungen hinweg signifikant verbessert, während gleichzeitig die Modellkomplexität reduziert wird.