989 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 een nieuw CAE-NODE-framework dat convolutie-autoencoders en neurale ODE's combineert om een nauwkeurig verminderd orde-model te creëren voor de simulatie van de tijdsafhankelijke dynamica van tweedimensionale tegenstroomvlammen met een relatieve fout van minder dan 2%.
Dit artikel vergelijkt continu gestratificeerde modellen met bilayer-benaderingen voor oceanische stromingen, bewijst wiskundige convergentie naar bilayer-modellen en levert numeriek bewijs dat Kelvin-Helmholtz-instabiliteiten in aanwezigheid van schuifstroming de geldigheidsgebieden van deze vereenvoudigde modellen beperken.
Dit artikel presenteert synchrotron X-ray multi-projection imaging (XMPI) als een revolutionaire methode om 4D multiphase stroming en instabiliteiten in poreuze netwerken in real-time en zonder centrifugale verstoringen te visualiseren, waardoor een unieke brug wordt geslagen tussen experimenten en simulaties.
Dit onderzoek gebruikt directe numerieke simulatie om te tonen dat hoewel schaalgestandaardiseerde macroscopische grootheden van turbulente, voorverwarmde waterstofjetvlammen in gleuf- en ronde configuraties vergelijkbaar zijn, fundamentele verschillen ontstaan door de koppeling van schaal-effecten, waarbij geometrie en druk (via kromming en rek) de lokale reactiviteit en vlamvoortplanting sterk beïnvloeden.
Deze studie toont aan dat een unificerend model, gebaseerd op een vlamsnelheidsfactor en een vormfactor, de schaalwetten en geometrie van turbulente voorverwarmde vlammen van zowel waterstof als methaan succesvol kan beschrijven, ondanks de significante thermodiffusieve effecten van waterstof.
Dit onderzoek gebruikt directe numerieke simulaties om aan te tonen dat polydispersiteit en turbulentie de botsingskernen van druppels in de 'bottleneck'-range beïnvloeden, waardoor een nieuwe parameterisatie wordt voorgesteld die helpt het groeiprobleem bij regenformatie op te lossen.
Dit artikel toont aan dat door een grofkorrelige procedure toe te passen op de Madelung-vergelijkingen, kwantumvloeistoffen een eindige vorticiteit en een nieuwe spanningscomponent vertonen die analoog is aan kunstmatige viskeuze spanning in de numerieke stromingsleer.
Dit artikel toont aan dat het gebruik van een quasi-Lagrangische correlator in de Kazantsev-theorie leidt tot een goede overeenkomst met numerieke simulaties van kleine-schaal turbulente dynamo's bij lage Prandtl-getallen, en dat Reynolds-afhankelijke intermittentie de afname van de kritische magnetische Reynolds-getallen bij hoge Reynolds-getallen verklaart.
Deze studie introduceert een multimodaal leerframework dat 4D-microvelocimetrie-gegevens koppelt aan een grafnetwerksimulatie en een 3D U-Net om multiphase stroming in porieuze media op poreus schaal direct en snel te voorspellen, waardoor dure numerieke simulaties worden vervangen door efficiënte 'digitale experimenten' voor toepassingen zoals CO₂- en waterstofopslag.
Deze paper introduceert een adaptief diffusion-posterior-samplingkader dat generatieve machine learning combineert met data-assimilatie om probabilistische voorspellingen te doen, sensorplaatsing te optimaliseren en waarnemingen te integreren voor complexe, niet-lineaire dynamische systemen zonder het model opnieuw te hoeven trainen.