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.

Uncovering bistability phenomena in two-layer Couette flow experiments using nonlocal evolution equations

Cet article démontre que des équations d'évolution non locales, dérivées des équations de Navier-Stokes, reproduisent avec une grande précision les phénomènes de bistabilité observés expérimentalement dans les écoulements de Couette à deux couches, tout en caractérisant les bassins d'attraction des ondes progressives stables et en identifiant de nouvelles branches de bifurcation.

Xingyu Wang, Pierre Germain, Demetrios T. Papageorgiou2026-02-17🔬 physics

Predicting liquid properties and behavior via droplet pinch-off and machine learning

Cette étude démontre que l'apprentissage machine peut prédire avec précision des propriétés physiques des fluides, tels que la viscosité et la tension superficielle, en analysant la géométrie des gouttes au moment de leur rupture, offrant ainsi une alternative automatisée et rapide aux méthodes de mesure conventionnelles.

Jingtao Wang, Qiwei Chen, C Ricardo Constante-Amores, Denise Gorse, Alfonso Arturo Castrejon-Pita, and Jose Rafael, Castrejon-Pitaa2026-02-17🔬 physics

LAViG-FLOW: Latent Autoregressive Video Generation for Fluid Flow Simulations

LAViG-FLOW est un cadre de génération vidéo par diffusion autoregressive dans l'espace latent qui modélise efficacement l'évolution couplée des champs de saturation et de pression pour les écoulements multiphasiques souterrains, offrant une précision temporelle cohérente et une accélération de deux ordres de grandeur par rapport aux solveurs numériques traditionnels.

Vittoria De Pellegrini, Tariq Alkhalifah2026-02-17🤖 cs.LG

Higher-order mean velocity profile in the convective atmospheric boundary layer

En utilisant la méthode des développements asymptotiques raccordés et des données de la campagne M²HATS, cette étude dérive un profil de vitesse moyen d'ordre supérieur pour la couche limite atmosphérique convective, offrant une précision améliorée par rapport aux lois empiriques et validant la loi de frottement logarithmique convective jusqu'au second ordre.

Chenning Tong, Davoud Pourabdollah, Kirill Barskov, Mengjie Ding2026-02-17🔬 physics

Leveling of MHD turbulence imbalance in shear flows

Cette étude démontre que le cisaillement de vitesse dans les écoulements de plasma super-Alfvéniques supprime le déséquilibre de la turbulence magnétohydrodynamique en égalisant les énergies des ondes d'Alfvén contre-propagatives grâce à une dynamique linéaire non modale, offrant ainsi une nouvelle perspective pour comprendre la turbulence dans le vent solaire.

M. Kavtaradze, G. Mamatsashvili, G. Chagelishvili, E. Uchava2026-02-17🔭 astro-ph

Resolving Cryogenic and Hypersonic Rarefied Flows via Deep Learning-Accelerated Lennard-Jones DSMC

Cet article présente un cadre d'écoulements raréfiés cryogéniques et hypersoniques accéléré par l'apprentissage profond, qui intègre un potentiel de Lennard-Jones réaliste dans la méthode DSMC via un modèle de diamètre effectif variable et un réseau d'opérateurs profonds pour remplacer les calculs de diffusion coûteux, permettant ainsi de capturer des effets physiques négligés par les modèles standards.

Ahmad Shoja Sani, Ehsan Roohi, Stefan Stefanov2026-02-17🔬 physics