1224 artículos
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.
Este trabajo presenta una red neuronal de base tensorial autoescalable (STBNN) que, mediante una normalización invariante de los gradientes de velocidad, mejora la precisión y la generalización en la modelización de la tensión de Reynolds para flujos turbulentos cerca de paredes en diferentes números de Reynolds y geometrías.
Este estudio presenta simulaciones numéricas y análisis de estabilidad lineal global de un flujo viscoso incompresible alrededor de una disposición circular de cilindros con simetría hexagonal, identificando tres regímenes distintos de inestabilidad y desprendimiento de vórtices en función de la densidad de la mancha y el número de Reynolds.
Este artículo investiga la turbulencia de ondas gravitacionales dentro de la métrica Hadad-Zakharov mediante análisis teórico y simulaciones numéricas, demostrando la compatibilidad de las ecuaciones de Einstein en el régimen débilmente no lineal y observando la emergencia de un espectro de Kolmogorov-Zakharov junto con estructuras coherentes intermitentes.
Este artículo presenta un solver de Riemann neuronal con restricciones duras (HCNRS) que garantiza propiedades físicas esenciales como la positividad, la simetría y la conservación, logrando reproducir con precisión los resultados de solvers exactos en ecuaciones de fluidos complejas sin los errores numéricos asociados a enfoques neuronales no restringidos.
Los autores presentan un nuevo enfoque de tomografía de campos de flujo que utiliza una red neuronal informada por la física bayesiana para regularizar las reconstrucciones mediante las ecuaciones de Navier-Stokes y de advección-difusión, logrando estimaciones superiores a los métodos actuales y cuantificando la incertidumbre para mitigar la semi-convergencia en presencia de ruido.
Este trabajo presenta un nuevo flujo de trabajo de "BOS informado por física" que utiliza redes neuronales informadas por física (PINN) para reconstruir con mayor precisión los campos de densidad, velocidad y presión en flujos supersónicos a partir de datos experimentales, superando las limitaciones de los métodos tradicionales al integrar directamente las ecuaciones de gobierno del flujo.
Este artículo presenta la velocimetría de advección estocástica de partículas (SPAV), un método basado en un modelo de advección explícito y una función de pérdida estadística que, al integrarse en una red neuronal informada por la física, mejora significativamente la precisión de la velocimetría por seguimiento de partículas (PTV) reduciendo el error de reconstrucción en aproximadamente un 50% en flujos laminares y turbulentos.
Este estudio presenta un método numérico para analizar llamas de difusión en flujos transónicos con grandes gradientes de presión, revelando que las reacciones químicas intensifican el transporte turbulento y validando la viabilidad del concepto de turbina-quemador tanto en capas de mezcla como en cascadas de turbinas.
Los autores presentan un nuevo modelo de "rayo cónico" para la técnica de schlieren orientado al fondo (BOS) que, al incorporar efectos de profundidad de campo, mejora drásticamente la precisión y robustez de las reconstrucciones de campos de densidad en comparación con los métodos tradicionales de "rayo delgado", validándose mediante simulaciones, experimentos y algoritmos de reconstrucción neuronal.
Este artículo presenta un método de flujo óptico neuronal que utiliza representaciones implícitas continuas para mejorar la precisión, la compresión de datos y la regularización en la velocimetría por imágenes de partículas (PIV) planar y estereoscópica, permitiendo además la inferencia directa de presión y la aplicación a otras técnicas de medición avanzadas.