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.

Addressing bedload flux variability due to grain shape effects and experimental channel geometry

Die Studie entwickelt eine universelle Methode zur Bestimmung der Bett-Schubspannung, die durch eine granularphysikalische Definition der Bett-Oberfläche und eine turbulenzbasierte Seitenwandkorrektur die Variabilität von Bettlastflüssen in Abhängigkeit von Kanalgeometrie und Kornform aufklärt und damit experimentelle sowie simulierte Daten über ein breites Spektrum an Transportbedingungen hinweg konsistent beschreibt.

Thomas Pähtz, Yulan Chen, Jiafeng Xie, Rémi Monthiller, Raphaël Maurin, Katharina Tholen, Yen-Cheng Lin, Hao-Che Ho, Peng Hu, Zhiguo He, Orencio Durán2026-03-17🔬 physics

Symplectic Neural Flows for Modeling and Discovery

Die Arbeit stellt SympFlow vor, eine zeitabhängige symplektische neuronale Flussmethode, die auf parametrisierten Hamiltonschen Strömungskarten basiert, um physikalische Systeme präzise zu modellieren und unbekannte Hamiltonsche Systeme aus Trajektoriendaten zu entdecken, wobei sie durch den Erhalt der symplektischen Struktur und eine verbesserte Energieerhaltung im Vergleich zu herkömmlichen numerischen Verfahren überzeugt.

Priscilla Canizares, Davide Murari, Carola-Bibiane Schönlieb, Ferdia Sherry, Zakhar Shumaylov2026-03-17🔬 physics

Machine-learning-based simulation of turbulent flows over periodic hills using a hybrid U-Net and Fourier neural operator framework

Die Studie stellt ein hybrides U-Net- und Fourier-Neural-Operator-Framework (HUFNO) vor, das Large-Eddy-Simulationen turbulenter Strömungen über periodische Hügel mit höherer Genauigkeit und deutlich geringerem Rechenaufwand als traditionelle Modelle ermöglicht und dabei robust gegenüber neuen Anfangsbedingungen, Reynolds-Zahlen und Hügelgeometrien bleibt.

Yunpeng Wang, Huiyu Yang, Zelong Yuan, Zhijie Li, Wenhui Peng, Jianchun Wang2026-03-17🔬 physics

A systematic characterisation of canopy density based on turbulent-structure penetration

Diese Studie charakterisiert systematisch verschiedene Dichteregime von Vegetationskronen, indem sie zeigt, dass die traditionelle Frontaldichte für nicht-isotrope Anordnungen unzureichend ist und stattdessen ein neuer Ansatz vorgeschlagen wird, der auf dem Verhältnis der effektiven spanweitenbezogenen Lücken zur Größe der eindringenden turbulenten Wirbel basiert, um das Durchdringungstiefenverhalten in Abhängigkeit von der Reynolds-Zahl zu bestimmen.

Zishen Chen, Ricardo García-Mayoral2026-03-17🔬 physics

Surrogate normal-forms for the numerical bifurcation and stability analysis of navier-stokes flows via machine learning

Dieses Papier stellt einen „embed-learn-lift"-Framework vor, der mithilfe von Diffusionskarten und Gauß-Prozess-Regression niedrigdimensionale Surrogatmodelle für die Navier-Stokes-Gleichungen erstellt, um eine effiziente numerische Bifurkations- und Stabilitätsanalyse im latenten Raum durchzuführen und die Ergebnisse präzise in den physikalischen Raum zurückzuführen.

Alessandro Della Pia, Dimitrios G. Patsatzis, Gianluigi Rozza, Lucia Russo, Constantinos Siettos2026-03-17🔬 physics