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.

Sub-Kolmogorov Intermittency and Multifractal Dissipation in Multiphase Turbulence

Mediante simulaciones numéricas directas, este estudio revela que en la turbulencia multifásica, la ruptura y la coalescencia de la interfaz impulsan una organización multifractal distintiva de la disipación, causando que los eventos de disipación intensa de energía se extiendan profundamente hacia el rango sub-Kolmogorov y ensanchen significativamente el corte disipativo local en comparación con la turbulencia de fase única.

Marco Crialesi-Esposito, Alienor Riviere, Sergio Chibbaro2026-06-05🔬 physics

Deep reinforcement learning with spatial and temporal awareness for active boundary control of buoyancy-driven convection

Este artículo propone un marco de aprendizaje por refuerzo profundo que supera los problemas de actuación degenerada de métodos anteriores mediante la integración de redes convolucionales, memoria recurrente, entrenamiento fuera de política y restricciones de suavidad de la acción, logrando con éxito una reducción significativa de la transferencia de calor en la convección de Rayleigh–Bénard y una mejora de la mezcla adaptativa en la convección de doble difusión sin requerir el aumento de datos de campo completo.

Giorgio Maria Cavallazzi, Miguel Pérez Cuadrado, Alfredo Pinelli2026-06-05🔬 physics

Flapping instability of elastic disks in Stokes flows

A través de una combinación de experimentos y simulaciones, este estudio revela que un disco elástico suspendido libremente en un flujo de cizalla de bajo número de Reynolds experimenta una inestabilidad de aleteo subcrítica impulsada por la extensibilidad finita, exhibiendo una rica dinámica oscilatoria con implicaciones para comprender el comportamiento de partículas similares a láminas, tales como los polímeros 2D.

Yijiang Yu, Hugo Perrin, Michael D. Graham, Lorenzo Botto2026-06-05🔬 physics

Drag reduction or reward hacking? Recurrent multi-agent reinforcement learning that earns its reward

Este artículo identifica y rectifica tres fallos específicos en el aprendizaje por refuerzo multiagente para la reducción de la resistencia en la turbulencia de pared —pérdida de asignación de crédito, políticas sin memoria y recompensas desalineadas— mediante la implementación de una proyección diferenciable, políticas recurrentes y una verdadera recompensa basada en la potencia, logrando finalmente un ahorro energético genuino del 17 % que evita las trampas del hackeo de recompensas.

Giorgio Maria Cavallazzi, Miguel Pérez-Cuadrado, Alfredo Pinelli2026-06-05🔬 physics

A high-order Fourier Continuation (FC)-based spectral incompressible Smoothed Particle Hydrodynamics (ISPH) scheme for general boundary conditions in wall-bounded domains

Este artículo presenta un esquema de Hidrodinámica de Partículas Suavizadas Incompresible (ISPH) de alto orden basado en la Continuación de Fourier (FC) que extiende el método a dominios limitados por paredes con condiciones de contorno generales, permitiendo una convergencia de alto orden y la simulación precisa de dinámicas de vórtices complejos mediante la discretización en el espacio de frecuencias sobre una extensión periódica del dominio.

Meixuan Lin, Georgios Fourtakas, Benedict D. Rogers2026-06-05🔬 physics

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Este estudio demuestra que, si bien las Redes Neuronales Informadas por la Física (PINNs) pueden reconstruir el esfuerzo cortante de pared únicamente cuando se dispone de mediciones cerca de la pared, un marco de física diferenciable basado en la optimización con restricciones de EDP recupera con éxito un esfuerzo cortante de pared preciso en diversos escenarios de medición, tanto en flujos cardiovasculares canónicos como específicos de pacientes.

Mahmoud Elhadidy, Siva Viknesh, Roshan M. D'Souza, Amirhossein Arzani2026-06-05🔬 physics

Flow-priority optimization of additively manufactured variable-TPMS lattice heat exchanger based on macroscopic analysis

Este estudio propone un marco de modelado y optimización macroscópico basado en la teoría de Darcy–Forchheimer para diseñar intercambiadores de calor de red TPMS variable con anchos de canal no uniformes, lo cual, según confirma la validación experimental, logra una mejora del rendimiento del 28.7% sobre las configuraciones de red uniforme.

Kazutaka Yanagihara, Jun Iwasaki, Kiyoto Saso, Taichi Yamashita, Shomu Murakoshi, Akihiro Takezawa2026-06-04🔬 physics

Hydrodynamic Behavior of Non-spherical Particles in Confined Vertical Flows: A Resolved CFD-DEM Study

Este estudio emplea simulaciones CFD-DEM resueltas para demostrar que los nódulos polimetálicos no esféricos experimentan una resistencia significativamente mayor y velocidades terminales reducidas en comparación con esferas de volumen equivalente debido a la asimetría de la estela inducida por la forma, al tiempo que revela cómo el tamaño de la partícula y el confinamiento gobiernan comportamientos distintos de la varianza de la resistencia durante el transporte hidráulico vertical.

Amiya Prakash Das, Shakti Swaroop Choudhury, Sujith Reddy Jaggannagari, Amudha Krishnan, Gopkumar Kuttikrishnan, Balaji Ramakrishnan, Ratna Kumar Annabattula2026-06-04🔬 physics.app-ph

Turbulence teaches equivariance to neural networks

Este artículo demuestra que la naturaleza rotacional de la turbulencia enseña inherentemente la equivariancia a las redes neuronales mediante el aumento de datos implícito, y que imponer explícitamente esta simetría como un sesgo inductivo arquitectónico mejora significativamente la generalización a través de diferentes condiciones de flujo al tiempo que reduce la complejidad del modelo.

Ryley McConkey, Julia Balla, Jeremiah Bailey, Ali Backour, Elyssa Hofgard, Tommi Jaakkola, Abigail Bodner, Tess Smidt2026-06-04🔬 physics