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.

Sub-Kolmogorov Intermittency and Multifractal Dissipation in Multiphase Turbulence

Par des simulations numériques directes, cette étude révèle que dans la turbulence multiphasique, la rupture et la coalescence des interfaces induisent une organisation multifractale distincte de la dissipation, provoquant une extension des événements de dissipation d'énergie intense profondément dans la gamme sous-Kolmogorov et élargissant considérablement la coupure dissipative locale par rapport à la turbulence monophasique.

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

Cet article propose un cadre d'apprentissage par renforcement profond qui surmonte les problèmes d'action dégénérée des méthodes antérieures en intégrant des réseaux convolutionnels, une mémoire récurrente, un entraînement hors politique et des contraintes de lissage d'action, réussissant ainsi une réduction significative du transfert de chaleur dans la convection de Rayleigh–Bénard et une amélioration du mélange adaptatif dans la convection double diffusive sans nécessiter d'augmentation de données en champ complet.

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

Flapping instability of elastic disks in Stokes flows

Grâce à une combinaison d'expériences et de simulations, cette étude révèle qu'un disque élastique suspendu librement dans un écoulement de cisaillement à faible nombre de Reynolds subit une instabilité de battement subcritique pilotée par l'extensibilité finie, présentant une dynamique oscillatoire riche avec des implications pour la compréhension du comportement des particules en forme de feuillets telles que les polymères 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

Cet article identifie et rectifie trois défauts spécifiques de l'apprentissage par renforcement multi-agents pour la réduction de la traînée dans la turbulence de paroi — perte d'attribution de crédit, politiques sans mémoire et récompenses mal alignées — en implémentant une projection différentiable, des politiques récurrentes et une véritable récompense basée sur la puissance, atteignant ainsi une économie d'énergie réelle de 17 % qui évite les pièges du détournement de récompense.

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

Cet article introduit un schéma de SPH incompressible (ISPH) spectral basé sur la continuation de Fourier (FC) d'ordre élevé qui étend la méthode aux domaines à parois avec des conditions aux limites générales, permettant une convergence d'ordre élevé et une simulation précise de la dynamique complexe des vortex grâce à une discrétisation dans l'espace fréquentiel sur un prolongement périodique du domaine.

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

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

Cette étude démontre que si les réseaux de neurones informés par la physique (PINN) ne peuvent reconstruire la contrainte de cisaillement pariétal à partir de données de scalaires passifs que lorsque des mesures à proximité de la paroi sont disponibles, un cadre de physique différentiable basé sur l'optimisation sous contraintes d'EDP parvient à récupérer avec précision la contrainte de cisaillement pariétal dans divers scénarios de mesure, tant pour les écoulements canoniques que pour les écoulements cardiovasculaires spécifiques aux patients.

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

Cette étude propose un cadre de modélisation et d'optimisation macroscopique basé sur la théorie de Darcy–Forchheimer pour concevoir des échangeurs de chaleur à réseaux TPMS variables avec des largeurs de canaux non uniformes, dont la validation expérimentale confirme une amélioration de performance de 28,7 % par rapport aux configurations de réseaux uniformes.

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

Cette étude emploie des simulations CFD-DEM résolues pour démontrer que les nodules polymétalliques non sphériques subissent une traînée considérablement accrue et des vitesses terminales réduites par rapport aux sphères de volume équivalent en raison de l'asymétrie du sillage induite par la forme, tout en révélant comment la taille des particules et le confinement régissent des comportements distincts de variance de la traînée lors du transport hydraulique 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

Cet article démontre que la nature rotationnelle de la turbulence enseigne intrinsèquement l'équivariance aux réseaux de neurones par le biais d'une augmentation de données implicite, et que l'imposition explicite de cette symétrie en tant que biais inductif architectural améliore significativement la généralisation à travers différentes conditions d'écoulement tout en réduisant la complexité du modèle.

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