989 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 stellt FlexPINN, eine modifizierte physik-informierte neuronale Netzarchitektur, vor, die zur effizienten und präzisen Simulation von Strömungsdynamik und Massentransfer in komplexen 3D-Mikromischern mit verschiedenen Flossenkonfigurationen verwendet wird und dabei Ergebnisse erzielt, die mit herkömmlichen CFD-Simulationen vergleichbar sind.
Dieser Artikel untersucht die Wechselwirkung zwischen Strömungsstrukturen und organisierten Polymer-Spannungsblättern in einer viskoelastischen Arrowhead-Struktur, indem er durch die Formulierung in einem mitbewegten Bezugssystem und die Einführung von Spannungsleitlinien einen neuen Zusammenhang zwischen der Krümmung dieser Leitlinien, der Spannungsvariation und der lokalen Strömungstopologie herleitet, der den beobachteten Druckanstieg erklärt.
Die Studie zeigt, dass osmotische Kräfte infolge der Membrandurchlässigkeit die thermischen Fluktuationen von Lipidmembranen einschränken, sodass der klassische Relaxationsmodus nur innerhalb eines begrenzten Wellenzahlbereichs existiert, der mit zunehmender Oberflächenspannung schrumpft und bei kritischer Spannung verschwindet.
Diese Arbeit stellt ein end-zu-end-Framework vor, das durch die Kombination eines differenzierbaren nicht-newtonschen Löser mit einem tensorbasierten neuronalen Netzwerk und symbolischer Regression eine geometrieunabhängige, interpretierbare Bestimmung von Stoffgesetzen komplexer Fluide direkt aus partiellen Strömungsmessungen ermöglicht.
Diese Studie untersucht die Koaleszenz von Flüssigkeitslinsen mit niedriger Viskosität mittels der Pseudopotential-Gitter-Boltzmann-Methode und zeigt, dass die theoretischen Dünn-Schicht-Gleichungen die Brückenwachstumsdynamik bis zu Kontaktwinkeln von etwa 40° genau beschreiben, während das dreidimensionale Brückenwachstum im Anfangsstadium unabhängig vom Gleichgewichtskontaktwinkel ist.
Die Studie zeigt, dass die Helizität in rotierender Turbulenz die Richtung des Energieflusses steuert, indem schnelle Inertialwellen durch helizitätserhaltende Wechselwirkungen eine inverse Energieübertragung zu großskaligen zweidimensionalen Strukturen fördern, während langsamere Moden eine Vorwärtsübertragung zu kleinen Skalen bewirken.
Diese Arbeit stellt WAKESET vor, einen neuartigen, groß angelegten Datensatz aus hochfideligen CFD-Simulationen turbulenter Strömungen bei hohen Reynolds-Zahlen, der speziell entwickelt wurde, um die Lücke in verfügbaren Trainingsdaten für maschinelles Lernen in der Strömungsmechanik zu schließen und Anwendungen wie die Vorhersage von Strömungsfeldern sowie die autonome Navigation zu ermöglichen.
Diese Studie nutzt eine auf dynamischen und statistischen Analysen basierende Ensemble-Machine-Learning-Methode, um verschiedene Flammenregime in mesoskaligen Verbrennungskammern anhand von OH*-Chemilumineszenz- und Schalldruckdaten zu klassifizieren und zu charakterisieren.
Diese Studie entwickelt ein minimales Modell für wandernde aktive Tropfen, um zu zeigen, dass die Morphodynamik von Zellaggregaten bei der Chemotaxis durch proliferationsgetriebene, kontinuierliche oder diskontinuierliche Übergänge bestimmt wird, die von zwei dimensionslosen Parametern für innere Spannungen und die Kopplung an das chemische Feld abhängen.
Diese Arbeit stellt ein physik-informiertes Graph-Neurales-Netzwerk vor, das auf 4D-Flow-MRT-Daten trainiert wird, um hämodynamische Strömungsfelder in Karotisarterien effizient und präzise zu schätzen und dabei auf große CFD-Datensätze verzichtet.