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.

Non-reciprocal Binary-fluid Turbulence

Il paper introduce un modello bidimensionale di turbolenza binaria non reciproca (NRCHNS) che rivela un nuovo tipo di turbolenza caratterizzato da una cascata inversa di energia e uno spettro E(k)k5/3E(k)\sim k^{-5/3}, distinto dalla turbolenza fluida classica per la presenza di un flusso non reciproco che viene soppresso all'aumentare del numero di Reynolds.

Biswajit Maji, Nadia Bihari Padhan, Axel Voigt, Rahul Pandit2026-02-26🔬 cond-mat

Conservation laws, fluxes, and symmetries: lessons from a perturbative approach for self-organized turbulence

Questo articolo presenta un quadro teorico perturbativo per descrivere la turbolenza auto-organizzata, evidenziando come la conservazione di due quantità definite in segno guidi la formazione di strutture a larga scala (condensati) in diversi modelli fluidodinamici, inclusi la turbolenza bidimensionale, le equazioni quasi-geostrofiche e la turbolenza tridimensionale rotante.

Anna Frishman, Sébastien Gomé, Anton Svirsky2026-02-26🔬 physics

Physics Constrained Neural Collision Operators for Variable Hard Sphere Surrogates and Ab Initio Angle Prediction in Direct Simulation Monte Carlo

Questo lavoro presenta un quadro unificato di operatori neurali vincolati dalla fisica che accelera il metodo DSMC sostituendo il modello VHS con un kernel neurale stocastico per la conservazione degli invarianti fisici e sviluppando un operatore dedicato per la previsione degli angoli di scattering \emph{ab initio}, garantendo così una simulazione ad alta fedeltà con una riduzione dei costi computazionali.

Ehsan Roohi, Ahmad Shoja-Sani, Stefan Stefanov2026-02-26🔬 physics

Chapman-Enskog expansion for chirally colliding disks

Lo studio dimostra che un fluido bidimensionale di dischi rigidi con collisioni chirali, pur violando la simmetria di inversione temporale a livello microscopico, rispetta il teorema H e permette di derivare analiticamente, tramite l'espansione di Chapman-Enskog, le proprietà di trasporto come la viscosità dispari e la conduttività termica, confermate successivamente da simulazioni di dinamica molecolare.

Ruben Lier, Paweł Matus2026-02-26🔬 cond-mat

Unstable magnetic reconnection self-generates turbulence

Utilizzando simulazioni numeriche dirette tridimensionali ad alta risoluzione, lo studio dimostra come l'instabilità di uno strato di corrente in un getto magnetizzato inneschi una riconnessione stocastica che, in assenza di forzatura esterna, genera autonomamente e sostiene la turbolenza attraverso un accoppiamento dominante tra la forza elettromotrice turbolenta e il taglio magnetico medio.

Nick Williams, Alessandro De Rosis, Alex Skillen2026-02-26🔬 physics

Frequency-Dependent Magnetic modulation of deposition morphology

Questo studio presenta un approccio innovativo che dimostra come un campo magnetico periodico possa modulare la morfologia di deposizione di una goccia di ferrofluido evaporante, inducendo la formazione di anelli concentrici a basse frequenze e sopprimendo l'effetto anello di caffè a frequenze superiori a una soglia critica di 0,2 Hz, grazie alla competizione tra forzamento magnetico, flusso capillare e diffusione delle particelle.

S. K. Saroj, P. K. Panigrahi2026-02-26🔬 physics

Surrogate models for Rock-Fluid Interaction: A Grid-Size-Invariant Approach

Questo lavoro sviluppa otto modelli surrogati per l'interazione roccia-fluido, dimostrando che un approccio basato su reti neurali con invarianza alla dimensione della griglia riduce i costi computazionali e supera le prestazioni dei modelli di ordine ridotto, con l'architettura UNet++ che si rivela superiore a UNet.

Nathalie C. Pinheiro, Donghu Guo, Hannah P. Menke, Aniket C. Joshi, Claire E. Heaney, Ahmed H. ElSheikh, Christopher C. Pain2026-02-26🤖 cs.AI