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.
Diese Studie kombiniert analytische Modelle, Lattice-Boltzmann-Simulationen und Röntgenradiographie, um die kritischen Bedingungen für das Verstopfen und Entstopfen von Gasblasen in hochporösen Medien zu identifizieren und dabei neue Mechanismen wie hydrodynamisches Entstopfen und koaleszenzinduzierte Effekte aufzudecken.
Die Arbeit untersucht die Bifurkation von Solitonen-Familien in einem gekoppelten System aus der Korteweg-de-Vries-Gleichung und der linearen Schrödinger-Gleichung, wobei die ersten Mitglieder der Sequenz als energie-minimierende Zustände nachgewiesen und mit bekannten exakten Lösungen in Verbindung gebracht werden.
Die Studie zeigt anhand von direkten numerischen Simulationen, dass die Verteilung intensiver spektraler Energietransfers in homogener isotroper Turbulenz primär durch die spektrale Lage der energiehaltigen Skalen bestimmt wird und nicht durch den lokalen oder nichtlokalen Charakter der Triaden, wobei ein neu eingeführtes Potential die Intensität dieser Transfers erfolgreich vorhersagt.
Die Studie zeigt anhand direkter numerischer Simulationen, dass die Integration von Helizitätseffekten in das Smagorinsky-Modell notwendig ist, um die übermäßige Dissipation bei der großskaligen Simulation von Turbulenzen zu verringern und die Genauigkeit der Subgrid-Scale-Modelle zu verbessern.
Diese Arbeit stellt ein minimaleres Elastohydrodynamik-Modell vor, das auf der Mean-Field-Theorie basiert, um den Stribeck-Effekt bei rauen, mit Newtonschen Fluiden geschmierten Kontakten zu analysieren und dabei die Reibungsübergänge zwischen Grenz-, Misch- und Hydrodynamischer Schmierung in Abhängigkeit von Geschwindigkeit, Last und Rauheit in einem multidimensionalen Phasendiagramm zu beschreiben.
Diese Arbeit stellt eine physikbasierte Korrelation zur Vorhersage der laminaren Flammengeschwindigkeit von Methan-Wasserstoff-Luft-Gemischen unter variierenden Verdünnungsbedingungen vor, die sowohl die Genauigkeit von Machine-Learning-Methoden erreicht als auch physikalische Konsistenz und gute Extrapolierbarkeit für den Einsatz in CFD-Simulationen und der Regelung von Verbrennungssystemen bietet.
Die Studie untersucht das Gleiten zusammengesetzter Tropfen aus zwei nicht mischbaren Flüssigkeiten auf einer geneigten Oberfläche mittels eines mesoskopischen Zwei-Schichten-Modells, wobei der Einfluss von Neigung, Volumen- und Viskositätsverhältnis auf die Tropfenkonfiguration, Geschwindigkeit und dynamische Kontaktwinkel analysiert sowie das zeitlich periodische Verhalten außerhalb des stationären Existenzbereichs untersucht wird.
Diese Arbeit leitet ein explizites Stabilitätskriterium für dissipative nichtlineare partielle Differentialgleichungen her, das den Zusammenhang zwischen linearer Dissipation, quadratischen Nichtlinearitäten und äußerer Kraft beschreibt und erfolgreich auf fluiddynamische Modelle wie die Burgers-, KPP-Fisher- und Kuramoto-Sivashinsky-Gleichungen angewendet wird.
Diese Arbeit stellt einen meshlessen, gradientenbasierten Ansatz mit adaptiven, anisotropen Radial-Basis-Funktionen vor, der die Rekonstruktion von Strömungsfeldern aus verstreuten Daten durch gezielte Neustichprobenziehung und Regularisierung verbessert und dabei im Vergleich zu isotropen Methoden eine höhere Genauigkeit bei deutlich reduzierter Basisanzahl erreicht.
Die Autoren stellen ein selbstüberwachtes Graph-Neural-Network-Framework vor, das meshfreie diskrete Differentialoperatoren lernt, um durch lokale Geometrie-abhängige Gewichte eine hohe Genauigkeit bei geringem Rechenaufwand zu erreichen und dabei die Robustheit gegenüber unregelmäßigen Nachbarschaften sowie die Wiederverwendbarkeit über verschiedene Partikelkonfigurationen hinweg zu gewährleisten.