La dinámica de fluidos explora cómo se mueven los líquidos y los gases, desde el flujo suave de un río hasta las turbulencias complejas que afectan el clima o el diseño de aviones. En Gist.Science, seleccionamos cuidadosamente cada nuevo preprint que llega desde arXiv en esta área, transformando investigaciones técnicas en contenido comprensible para todos. Nuestro equipo genera tanto resúmenes técnicos detallados como explicaciones en lenguaje llano, asegurando que la ciencia más reciente sea accesible sin sacrificar el rigor.

Estos estudios revelan secretos fundamentales sobre el movimiento de la materia, conectando fenómenos cotidianos con avances de vanguardia en ingeniería y física. Al procesar automáticamente cada nueva entrada de arXiv, garantizamos que usted tenga acceso inmediato a las ideas más frescas del campo. A continuación, encontrará los últimos artículos en dinámica de fluidos, listos para ser explorados según su nivel de interés.

Influence of Turbulence Length Scale and Platform Surge Motion on Wake Dynamics in Tandem Floating Wind Turbines

Este estudio demuestra mediante simulaciones de dinámica de fluidos computacional que el aumento de la escala de longitud de la turbulencia de entrada es el factor principal que acelera la recuperación de la estela en turbinas eólicas flotantes en tándem, al desestabilizar los vórtices de punta y mejorar la mezcla, lo que resulta en una mayor potencia para la turbina aguas abajo.

Ahmad Nabhani, Josep M. Bergada2026-03-03🔬 physics

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

Este estudio numérico mediante el modelo de filamentos de vórtices demuestra que, a temperatura cero, el flujo turbulento de helio-4 superfluido a través de un canal con paredes rugosas genera tangles de vórtices sostenidos por encima de una velocidad crítica, caracterizados por un perfil de velocidad parabólico con deslizamiento, una fuerza de fricción proporcional a la velocidad y un estado de turbulencia ultraquántica polarizada alimentado por reconexiones de vórtices.

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

Upscaling the Navier-Stokes-Cahn-Hilliard model for incompressible multiphase flow in inhomogeneous porous media

Este trabajo presenta un modelo macroscópico riguroso para el flujo bifásico en medios porosos inhomogéneos, derivado mediante promediado volumétrico de las ecuaciones de Navier-Stokes y Cahn-Hilliard, que incorpora formalmente el comportamiento de mojado en el potencial químico promediado y valida su capacidad mediante simulaciones numéricas.

Chunhua Zhang, Peiyao Liu, Cheng Peng, Lian-Ping Wang, Zhaoli Guo2026-03-02🔢 math-ph

Studying propagating turbulent structures in the near wake of a sphere using Hilbert proper orthogonal decomposition

Este estudio demuestra que es posible identificar de manera eficiente los pares de modos POD que representan estructuras turbulentas propagantes en la estela de una esfera aplicando la transformada de Hilbert directamente a los modos POD, evitando así los artefactos de filtrado inherentes al método de descomposición ortogonal propia de Hilbert (HPOD).

Shaun Davey, Callum Atkinson, Julio Soria2026-03-02🔬 physics

Physics-based modelling of wind-turbine wakes turbulence in neutral atmospheric boundary layers

Este trabajo presenta un modelo físico basado en el presupuesto de energía cinética turbulenta y el esfuerzo de Reynolds para predecir la intensidad de turbulencia añadida por las estelas de turbinas eólicas en capas límite atmosféricas neutras, ofreciendo una herramienta más precisa y coherente que los enfoques empíricos existentes.

Frédéric Blondel, Erwan Jézéquel, Helen Schottenhamml, Majid Bastankhah2026-03-02🔬 physics

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

Este estudio valida la hipótesis de Kassinos et al. de que los modelos de cierre RANS mejoran al describir el estado estadístico de la turbulencia mediante tensores de estructura, demostrando que las redes neuronales equivarientes pueden aprender relaciones de alto orden con una precisión órdenes de magnitud superior a los modelos existentes para la correlación rápida de presión-deformación.

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