1229 articles
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.
Cet article présente une méthode non invasive utilisant des tuiles piézoélectriques pour mesurer la vitesse d'écoulement turbulent de fluides (eau et air) dans des conduites en détectant les vibrations induites par les fluctuations de pression, ouvrant ainsi la voie à des applications de navigation et de surveillance de flux externes.
Ce papier présente le réseau de générateur de Lie (LGN-KM), une architecture d'opérateur neuronal qui apprend un générateur de Koopman continu et stable pour les équations aux dérivées partielles non linéaires, permettant une analyse spectrale interprétable et une prédiction à long terme garantie sans supervision physique.
Cet article propose LGFNet, un réseau de fusion locale-globale intégrant une stratégie d'apprentissage des écarts de fidélité, pour fusionner avec précision les données de dynamique des fluides computationnelle, de soufflerie et de vol afin de capturer simultanément les structures d'écoulement locales et les tendances aérodynamiques globales.
En se basant sur une description hydrodynamique du liquide de Hall quantique, cette étude démontre qu'une relation non linéaire entre le courant et la tension de Hall peut émerger en présence d'un champ électrique spatialement inhomogène, en raison de la force centrifuge agissant sur un écoulement courbe et du gradient de densité induit par la vorticité.
Cette étude propose un cadre d'analyse basé sur le théorème de réciprocité généralisé pour diagnostiquer la portance inertielle dans les écoulements confinés, démontrant notamment comment l'augmentation de l'excentricité ou du comportement rhéofluidifiant peut inverser cette portance sur un cylindre intérieur en rotation au sein de fluides newtoniens ou rhéofluidifiants.
Cette étude propose un réseau de neurones à base de tenseurs auto-ajustable (STBNN) qui, grâce à une normalisation invariante du gradient de vitesse, améliore la modélisation de la turbulence pariétale en assurant une généralisation robuste aux différents nombres de Reynolds et géométries sans recourir à des coefficients empiriques ou à la distance aux parois.
Cette étude présente des simulations numériques directes et des analyses de stabilité linéaire globale d'un écoulement visqueux incompressible autour d'un arrangement circulaire de six cylindres, révélant trois régimes d'instabilité distincts liés à la densité du patch et caractérisant le seuil d'apparition du détachement tourbillonnaire.
Cet article étudie la turbulence des ondes gravitationnelles dans le cadre de la métrique Hadad-Zakharov en démontrant la compatibilité de ses équations d'Einstein dans le régime faiblement non linéaire et en validant, grâce à des simulations numériques GPU, l'émergence d'une cascade double et d'un spectre de Kolmogorov-Zakharov, tout en révélant une distribution statistique quasi gaussienne ponctuée de structures cohérentes.
Cet article propose un solveur de Riemann neuronal à contraintes rigides (HCNRS) qui, en imposant la positivité, la consistance, la symétrie miroir, l'invariance galiléenne et l'invariance d'échelle, permet d'apprendre avec précision le flux exact des équations d'Euler et des eaux peu profondes tout en évitant les erreurs de conservation et les bris de symétrie observés dans les approches non contraintes.
Les auteurs proposent une nouvelle approche de tomographie de champ d'écoulement utilisant un réseau de neurones physique bayésien pour régulariser les reconstructions à partir de mesures intégrées le long de la ligne de visée, permettant ainsi une quantification complète de l'incertitude et une meilleure gestion du bruit par rapport aux méthodes existantes.