🔬 Category

physics.flu-dyn

1224 papers

Deze collectie duikt in de fascinerende wereld van fluïdynamica, het wetenschappelijk onderzoek naar hoe vloeistoffen en gassen stromen en interageren. Van de subtiele beweging van water in een rivier tot de complexe luchtstromen rondom een vliegtuigvleugel, dit veld verklaart de krachten die onze fysieke omgeving vormgeven. Het is een gebied waar wiskundige theorie en praktische toepassing samenkomen om de dynamiek van onze natuur te doorgronden.

Op Gist.Science volgen wij elke nieuwe voorgepubliceerde studie die via arXiv in deze categorie verschijnt. Voor elk artikel bieden wij zowel een toegankelijke uitleg in gewone taal als een gedetailleerde technische samenvatting, zodat onderzoekers en geïnteresseerden de inhoud snel kunnen doorlopen zonder vast te lopen in complex jargon. Hieronder vindt u de meest recente papers uit dit dynamische vakgebied.

Towards Gravitational Wave Turbulence within the Hadad-Zakharov metric

Dit artikel onderzoekt gravitatiegolf-turbulentie binnen het Hadad-Zakharov-metrickader door zowel analytisch als numeriek (met de nieuwe GPU-code TIGER) aan te tonen dat de Einstein-vergelijkingen compatibel zijn en dat het systeem een dubbele cascade, een Kolmogorov-Zakharov-spectrum en monofractaal gedrag vertoont, hoewel de numerieke resultaten met voorzichtigheid moeten worden geïnterpreteerd vanwege de moeilijkheid om alle vergelijkingen gelijktijdig nauwkeurig te voldoen.

Benoît Gay, Eugeny Babichev, Sébastien Galtier, Karim Noui2026-04-01🌀 nlin

Learning the Exact Flux: Neural Riemann Solvers with Hard Constraints

Deze paper introduceert een hard-beperkt neuronaal Riemann-oplosser (HCNRS) die vijf fysische constraints oplegt om de nauwkeurigheid en stabiliteit van numerieke stromingsberekeningen te waarborgen, waardoor het de exacte Riemann-oplosser nauwkeurig nabootst zonder de rekenkosten of de conservatie- en symmetriefouten die bij ongecontroleerde neurale benaderingen optreden.

Yucheng Zhang, Chayanon Wichitrnithed, Shukai Cai, Sourav Dutta, Kyle Mandli, Clint Dawson2026-04-01✓ Author reviewed ⓘ🔬 physics

Flow field tomography with uncertainty quantification using a Bayesian physics-informed neural network

Deze studie presenteert een nieuwe aanpak voor stromingstomografie die gebruikmaakt van een Bayesiaanse, fysisch geïnformeerde neurale netwerken om 2D-stromingsvelden uit schaarse metingen te reconstrueren en onzekerheden te kwantificeren, waardoor superieure resultaten worden behaald ten opzichte van bestaande methoden en het probleem van semi-convergentie bij ruis wordt aangepakt.

Joseph P. Molnar, Samuel J. Grauer2026-03-31🔬 physics

Estimating density, velocity, and pressure fields in supersonic flow using physics-informed BOS

De auteurs presenteren een nieuwe "physics-informed BOS"-werkstroom die gebruikmaakt van physics-informed neural networks om uit twee afbeeldingen nauwkeurige dichtheids-, snelheids- en drukvelden te reconstrueren voor supersonische stromingen, waarbij de meetgegevens en de stromingsfysica (Euler-vergelijkingen) gelijktijdig worden bevredigd.

Joseph P. Molnar, Lakshmi Venkatakrishnan, Bryan E. Schmidt, Timothy A. Sipkens, Samuel J. Grauer2026-03-31🔬 physics

Stochastic particle advection velocimetry (SPAV): theory, simulations, and proof-of-concept experiments

Dit artikel introduceert Stochastic Particle Advection Velocimetry (SPAV), een statistisch kader dat de nauwkeurigheid van deeltjestracking in stromingsmetingen aanzienlijk verbetert door een probabilistisch verliesmodel te combineren met fysisch geïnformeerde neurale netwerken, wat resulteert in een foutreductie van bijna 50% vergeleken met conventionele methoden.

Ke Zhou, Jiaqi Li, Jiarong Hong, Samuel J. Grauer2026-03-31🔬 physics

Forward and inverse modeling of depth-of-field effects in background-oriented schlieren

Deze studie presenteert een nieuw 'cone-ray'-model voor background-oriented schlieren (BOS) dat diepteveld-effecten in rekening brengt en, in tegenstelling tot traditionele methoden, aanzienlijk robuustere en nauwkeurigere reconstructies van dichtheidsvelden mogelijk maakt, zelfs bij grote camera-openingen.

Joseph P. Molnar, Elijah J. LaLonde, Christopher S. Combs, Olivier Léon, David Donjat, Samuel J. Grauer2026-03-31🔬 physics

Binned Spectral Power Loss for Improved Prediction of Chaotic Systems

Deze paper introduceert de Binned Spectral Power (BSP) Loss, een frequentiedomein-verliesfunctie die het spectrale bias-probleem in diepe leermodellen voor chaotische systemen oplost door de energie-verdeling over verschillende schalen te straffen, wat leidt tot stabielere en fysiek consistenter langetermijnvoorspellingen zonder architecturale aanpassingen.

Dibyajyoti Chakraborty, Arvind T. Mohan, Romit Maulik2026-03-31🔬 physics