989 articoli
La fluidodinamica esplora come i liquidi e i gas si muovono e interagiscono con il mondo che li circonda, dall'aria che scorre sulle ali di un aereo fino ai flussi sanguigni nel nostro corpo. Questo affascinante ramo della fisica unisce matematica complessa e osservazioni pratiche per decifrare i misteri del moto nei fluidi.
Su Gist.Science, analizziamo sistematicamente ogni nuovo preprint pubblicato su arXiv in questa categoria. Per ogni studio, offriamo sia una spiegazione chiara e semplice, accessibile a tutti, sia un riassunto tecnico dettagliato per chi desidera approfondire i modelli matematici. Di seguito trovate l'elenco dei più recenti articoli in questo campo.
Questo articolo presenta "The Closure Challenge", una nuova sfida di benchmark open-source che fornisce dataset standardizzati e metriche di valutazione per testare e migliorare i modelli di chiusura turbolenta basati sull'apprendimento automatico nella simulazione RANS.
Il paper introduce le Lie Generator Networks (LGN-KM), una rete neurale che mappando le dinamiche non lineari in uno spazio latente lineare e decomponendo il generatore di Koopman in componenti conservative e dissipative, permette di recuperare relazioni di dispersione e garantire stabilità a lungo termine per equazioni alle derivate parziali come le equazioni di Navier-Stokes, tutto ciò senza supervisione fisica.
Questo lavoro propone una rete neurale a base tensoriale auto-scalante (STBNN) che, integrando una normalizzazione invariante del gradiente di velocità, risolve i limiti di robustezza dei modelli esistenti per la turbolenza vicina alle pareti, garantendo un'eccellente generalizzazione a diversi numeri di Reynolds e geometrie senza ricorrere a coefficienti empirici o distanze dal muro.
Questo studio presenta simulazioni numeriche dirette e analisi di stabilità lineare globale del flusso viscoso incompressibile attorno a un array circolare di sei cilindri, identificando tre regimi distinti di instabilità e distacco dei vortici in funzione della densità dell'array e del numero di Reynolds.
Questo studio analizza la turbolenza delle onde gravitazionali nel contesto della metrica Hadad-Zakharov, combinando un'indagine analitica sulla compatibilità delle equazioni di Einstein con simulazioni numeriche GPU che rivelano la presenza di una cascata duale, dello spettro di Kolmogorov-Zakharov e di strutture coerenti intermittenti.
Questo paper propone un risolutore di Riemann neurale con vincoli rigidi (HCNRS) che impone cinque proprietà fisiche fondamentali per garantire conservazione, simmetria e invarianza, permettendo di riprodurre con alta precisione i risultati dei solutori esatti nelle equazioni di Eulero e delle acque basse senza gli errori tipici degli approcci puramente data-driven.
Gli autori presentano un nuovo approccio alla tomografia dei campi di flusso che utilizza una rete neurale fisica bayesiana per regolarizzare le ricostruzioni basate sulle equazioni di Navier-Stokes, permettendo di ottenere stime superiori e una quantificazione completa dell'incertezza anche in presenza di rumore elevato e senza conoscenza delle condizioni al contorno.
Il paper presenta un nuovo approccio denominato "BOS basato su fisica" che utilizza reti neurali informate dalla fisica (PINN) per ricostruire con maggiore accuratezza i campi di densità, velocità e pressione nei flussi supersonici, risolvendo i problemi inversi mal posti tipici delle tecniche BOS convenzionali e soddisfacendo simultaneamente i dati sperimentali e le equazioni governative.
Gli autori presentano la Stochastic Particle Advection Velocimetry (SPAV), un nuovo approccio statistico basato su un modello di avvezione delle particelle e reti neurali fisicamente informate che, confrontando le posizioni tracciate con quelle previste, riduce significativamente gli errori di localizzazione e tracking nelle misurazioni di velocimetria PTV, migliorando l'accuratezza delle ricostruzioni di campi di flusso laminari e turbolenti.
Gli autori presentano un innovativo modello "raggio-cono" per la schlieren orientata allo sfondo (BOS) che, integrando gli effetti della profondità di campo e un algoritmo di ricostruzione neurale, migliora drasticamente l'accuratezza e la robustezza delle ricostruzioni del campo di densità rispetto ai metodi tradizionali basati sull'approssimazione "raggio sottile", permettendo di risolvere con precisione le interfacce d'urto indipendentemente dall'apertura del diaframma della telecamera.