967 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.
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.
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.
Les auteurs proposent une nouvelle méthode de « BOS à base physique » utilisant des réseaux de neurones informés par la physique (PINN) pour reconstruire avec précision les champs de densité, de vitesse et de pression d'écoulements supersoniques à partir de données expérimentales, surmontant ainsi les limitations des approches traditionnelles de schlieren orienté par fond.
Cet article présente la vélocimétrie par advection stochastique de particules (SPAV), une nouvelle approche statistique intégrant un modèle d'advection et des réseaux de neurones informés par la physique qui améliore significativement la précision de la vélocimétrie par suivi de particules (PTV) en réduisant les erreurs de reconstruction d'environ 50 % par rapport aux méthodes conventionnelles.
Les auteurs proposent et valident un nouveau modèle de « rayon conique » pour la schlieren orientée vers l'arrière (BOS) qui, contrairement aux approches traditionnelles, intègre les effets de la profondeur de champ pour améliorer considérablement la précision et la robustesse des reconstructions de champs de densité, y compris dans des écoulements hypersoniques, quelle que soit l'ouverture de l'appareil photo.
Ce papier présente la Neural Optical Flow (NOF), une méthode innovante utilisant des représentations implicites neuronales continues pour améliorer la précision et la robustesse de la vélocimétrie par images de particules (PIV) en plan et stéréo, tout en permettant l'inférence de pression et l'analyse d'écoulements instationnaires grâce à une formulation spatio-temporelle et des contraintes physiques intégrées.