La dynamique des fluides explore comment les liquides et les gaz se déplacent, des courants océaniques invisibles aux écoulements d'air autour d'une aile d'avion. Ce domaine fascinant révèle les lois qui régissent la matière en mouvement, reliant des phénomènes quotidiens comme la météo à des applications technologiques complexes. Sur Gist.Science, nous rendons ces découvertes accessibles à tous, sans barrières linguistiques ni jargon excessif.

Chaque nouveau prépublication arXiv dans cette catégorie est analysé par nos équipes pour vous offrir deux versions résumées : une explication simple pour les curieux et un aperçu technique détaillé pour les experts. Cette double approche garantit que la science reste compréhensible tout en conservant sa rigueur fondamentale.

Découvrez ci-dessous les dernières publications traitant de la dynamique des fluides, sélectionnées et résumées pour vous dès leur sortie sur arXiv.

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

Cette étude numérique modélise la turbulence ultraquantique polarisée d'hélium-4 superfluide à température nulle s'écoulant dans un canal à parois rugueuses, révélant l'existence d'un écoulement soutenu au-delà d'une vitesse critique caractérisé par un profil de vitesse parabolique avec glissement et une friction proportionnelle à la vitesse.

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

Cet article présente la dérivation rigoureuse d'un modèle macroscopique pour l'écoulement diphasique incompressible en milieu poreux hétérogène, obtenu par la méthode de moyenne volumique des équations de Navier-Stokes et de Cahn-Hilliard, intégrant formellement les effets de mouillage et validé par des simulations numériques.

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

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

En validant l'hypothèse de Kassinos et al. selon laquelle une description enrichie par des tenseurs de structure est nécessaire, cette étude démontre que les réseaux de neurones équivariants permettent de développer des modèles de turbulence RANS pour le terme de pression-déformation rapide qui sont d'une précision nettement supérieure aux modèles classiques.

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

Stability prediction of vortex induced vibrations of multiple freely oscillating bodies

Cette étude propose et valide une méthode d'impédance à faible coût de calcul pour prédire les seuils d'instabilité des vibrations induites par les tourbillons d'un système de corps multiples oscillant librement, en démontrant son accord avec une analyse de stabilité globale et son applicabilité à des configurations allant de deux à trois cylindres.

Théo Mouyen, Javier Sierra, David Fabre, Flavio Giannetti2026-03-02🔬 physics

Acoustic Signatures of Pinch-Off Cavities During Water-Entry

Cette étude combine des approches expérimentales, numériques et théoriques pour élucider la dynamique des cavités et leurs signatures acoustiques lors de l'entrée dans l'eau d'un projectile cylindrique, révélant notamment que l'effet de la frontière du projectile élève significativement la fréquence d'oscillation de la cavité au-delà de la fréquence de Minnaert.

Zirui Liu, Tongtong Ding, Mingyue Kuang, Zimeng Li, Junyi Zhao, A-Man Zhang, Shuai Li2026-03-02🔬 physics

Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks

Cet article propose une nouvelle méthode, le filtre de Kalman par ensemble neuronal, qui intègre des réseaux de neurones profonds pour assimiler des données dans des écoulements compressibles avec chocs, permettant ainsi d'éviter les oscillations parasites et les caractéristiques non physiques générées par les méthodes classiques grâce à une mise à jour lisse des paramètres du réseau via l'apprentissage par transfert informé par la physique.

Xu-Hui Zhou, Lorenzo Beronilla, Michael K. Sleeman, Hangchuan Hu, Matthias Morzfeld, Andrew M. Stuart, Tamer A. Zaki2026-03-02🤖 cs.LG