1230 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.
Die Autoren stellen eine neuartige, eigenschaftserhaltende kernelbasierte Operator-Learning-Methode für inkompressible Strömungen vor, die physikalische Eigenschaften wie die Inkompressibilität analytisch sicherstellt und dabei im Vergleich zu neuronalen Operatoren deutlich schnellere Trainingszeiten sowie erheblich geringere Fehler aufweist.
Die vorgestellte Arbeit entwickelt einen physik-informierten Video-Diffusionsrahmen, der auf den flachen Wasser-Gleichungen basiert und gleichzeitig physikalisch plausible Zustände sowie realistische Videos erzeugt, wodurch sie sowohl die physikalische Genauigkeit rein datengetriebener Modelle als auch die Rechengeschwindigkeit traditioneller Simulationspipelines übertrifft.
Diese Arbeit stellt ein einheitliches Framework vor, das verschiedene Turbulenzmodelle, raumabhängige Aggregation und nicht-intrusive reduzierte Ordnungsmodelle kombiniert, um mittels neuronaler Netze optimierte Gewichte zu lernen und so präzise, effiziente Surrogatmodelle für turbulente Strömungen zu erzeugen, die die Genauigkeit einzelner RANS- und ROM-Vorhersagen bei nahezu Echtzeit-Kosten übertreffen.
Die Studie demonstriert, dass viskoelastische Turbulenz in Y-förmigen Mikrofluidikkanälen bei niedrigen Reynoldszahlen eine effiziente Mischung sowohl kleiner Moleküle als auch von Makromolekülen ermöglicht und damit die Grenzen der reinen Diffusion überwindet.
Die Studie zeigt, dass die Benetzbarkeit, Dichte und Größe von Mikropartikel-Flößen die Spritzdynamik und die Bildung von Worthington-Jets bei Regentropfen-Einschlägen steuern, wodurch effiziente Aerosolpfade für den Transfer von Mikroplastik vom Meer in die Atmosphäre entstehen.
Diese Arbeit stellt einen physikbasierten, datengesteuerten Subgrid-Scale-Closure-Ansatz für Large-Eddy-Simulationen in der Gitter-Boltzmann-Methode vor, der mittels eines kompakten neuronalen Netzwerks trainiert wird, um sowohl dissipative als auch nicht-dissipative Effekte zu erfassen und dabei die physikalischen Erhaltungssätze sowie die Rotationsäquivarianz zu wahren, was zu verbesserten statistischen Ergebnissen und einer effizienten Produktionsimplementierung führt.
Diese Arbeit etabliert einen allgemeinen Rahmen zur Analyse nichtlinearer Wechselwirkungen zwischen mehreren Primärinstabilitäten in einer Hochgeschwindigkeits-Grenzschicht, der zeigt, dass die Energieübertragung und das Entstehen höherer Ordnungsmoden bereits vor dem eigentlichen Umschlag durch triadische Kräfte und einen modusabhängigen Resolventenoperator bestimmt werden, was die traditionellen Annahmen der sekundären Stabilitätsanalyse infrage stellt.
Die Studie untersucht die Strömung einer Bingham-Flüssigkeit in einem Porennetzwerk mit blockierten großen Poren und identifiziert zwei Regime: oberhalb der Perkolationsschwelle zeigen sich deterministische makroskopische Eigenschaften mit kleinen Fluktuationen, während genau an der Schwelle die Skalierung ausschließlich durch den kritischen Perkolationsskelett bestimmt wird und nicht-selbstmittelndes Verhalten auftritt.
Diese Studie stellt ein physikintegriertes, differentielles neuronales Modell vor, das durch die strukturelle Einbindung physikalischer Prinzipien und einen gelernten impliziten Korrekturschritt stabile Langzeitvorhersagen für Strömungen mit eingebetteten Grenzen auf groben Gittern ermöglicht und dabei die Genauigkeit rein datengetriebener Ansätze übertrifft sowie eine 200-fache Beschleunigung gegenüber hochauflösenden numerischen Lösern erreicht.
Die Studie stellt den „UrbanFlow-3K"-Datensatz vor, der 3.000 zweidimensionale Gitter-Boltzmann-Simulationen von Strömungen um zufällige Gebäudeanordnungen mit hoher geometrischer Vielfalt enthält, um die Entwicklung und Benchmarking von Machine-Learning-Modellen für urbane Strömungsfelder zu ermöglichen.