967 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.
Dit artikel introduceert Lie Generator Network--Koopman (LGN-KM), een neurale operator die niet-lineaire dynamica opheft naar een lineaire latente ruimte om een stabiele en interpreteerbare continue-tijd Koopman-generator te leren die spectrale structuren van complexe systemen zoals turbulente Navier-Stokes-stromingen direct uit trajectdata kan onthullen zonder fysische supervisie.
Deze studie introduceert een zelf-schaling tensorbasis-neuraal netwerk (STBNN) dat, dankzij een invariante normalisatie van de snelheidsgradiënt, nauwkeurige en generaliseerbare Reynolds-spanningsmodellen voor wandgebonden turbulentie levert zonder empirische coëfficiënten of wandafstandsinformatie.
Dit artikel presenteert twee-dimensionale directe numerieke simulaties en globale lineaire stabiliteitsanalyses van viskeus incompressibele stroming rond een cirkelvormig array van cilinders met zesvoudige rotatiesymmetrie, waarbij drie verschillende regimes worden geïdentificeerd die variëren van onafhankelijk gedrag bij lage dichtheid tot gedrag dat lijkt op een massieve cilinder bij hoge dichtheid.
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.
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.
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.
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.
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.
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.
Dit artikel introduceert Neural Optical Flow (NOF), een methode die een continue neurale impliciete representatie gebruikt om de nauwkeurigheid en robuustheid van PIV-metingen te verbeteren, effectieve regularisatie voor stereoscopische stromingen mogelijk maakt en directe drukafleiding toelaat door Navier-Stokes-residuen als zachte constraints te integreren.