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.

Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions

Diese Arbeit stellt einen vollständig datenfreien PINN-Ansatz für kompressible Strömungen vor, der durch eine hybride Faltungsarchitektur, eine machzahlgesteuerte Reskalierung der Verluste und die Einbettung analytischer Stagnationspunkt-Lösungen spektrale Verzerrungen und Gradientenpathologien überwindet, um stabile und physikalisch korrekte Lösungen für hypersonische Strömungen um einen Zylinder zu ermöglichen.

Ryosuke Yano2026-03-03🤖 cs.AI

Modelling turbulent flow of superfluid 4^4He past a rough solid wall in the T=0T = 0 limit

Diese numerische Studie modelliert turbulente Strömungen von supraflüssigem Helium-4 bei Temperatur null durch einen rauen Kanal und zeigt, dass oberhalb einer kritischen Geschwindigkeit ein polarisierter Vortex-Tangle entsteht, der ein parabolisches Geschwindigkeitsprofil mit Wandgleiten und eine viskositätsähnliche Reibung aufweist.

Matthew J Doyle, Andrei I Golov, Paul M Walmsley, Andrew W Baggaley2026-03-02⚛️ quant-ph

Structure tensor Reynolds-averaged Navier-Stokes turbulence models with equivariant neural networks

Diese Studie validiert die Hypothese von Kassinos et al., dass unzureichende Turbulenzbeschreibungen für die Unzuverlässigkeit von RANS-Modellen verantwortlich sind, indem sie äquivariante neuronale Netze nutzt, um auf Struktur-Tensoren basierende, physikalisch konsistente Schließungsmodelle für die schnelle Druck-Dehnungs-Korrelation zu entwickeln, die eine um Größenordnungen höhere Genauigkeit als bestehende Modelle erreichen.

Aaron Miller, Sahil Kommalapati, Robert Moser, Petros Koumoutsakos2026-03-02🤖 cs.LG