1229 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.
Deze paper introduceert een nieuwe, kernelgebaseerde operatorleermethode die analytisch de oncompressibiliteit en andere fysische eigenschappen van incompressibele stromingen garandeert, wat leidt tot aanzienlijk lagere fouten en snellere trainingstijden dan bestaande neurale operators.
Deze paper introduceert een fysisch geïnformeerd video-diffusieframework dat de tweedimensionale ondiepe watervergelijkingen direct in het generatieve proces integreert om tegelijkertijd fysisch plausibele toestanden en realistische video's te genereren, waardoor het zowel sneller is dan traditionele simulaties en fysisch consistenter dan puur datagedreven modellen.
Dit artikel introduceert een uniek raamwerk dat ruimteafhankelijke aggregatie en niet-intrusieve gereduceerde orde-modellen combineert met een door een neurale netwerk geleerde weging om nauwkeurige en efficiënte surrogaatmodellen voor turbulente stromingen te creëren die de prestaties van individuele RANS-modellen overtreffen tegen een bijna real-time rekentijd.
Deze studie toont aan dat visco-elastische turbulentie in microfluidische Y-kanaalsystemen de menging van zowel kleine moleculen als macromoleculen bij lage Reynolds-getallen aanzienlijk versnelt, waardoor een efficiënt alternatief voor diffusie-gedreven menging wordt geboden voor toepassingen zoals chemische synthese en biomedische assays.
Dit onderzoek toont aan hoe de grootte, dichtheid en benatbaarheid van drijvende microplastic-rafts de dynamiek van druppelimpact bepalen en daarmee de overdracht van microplastics van de oceaan naar de atmosfeer via spatten en Worthington-jets reguleren.
Deze studie presenteert een door data gedreven, fysisch beperkte neurale sluiting voor Large-Eddy Simulation in de rooster-Boltzmann-methode die, getraind op DNS-gegevens van isotrope turbulentie, de subgrid-schaalspanningen nauwkeuriger voorspelt dan traditionele modellen en zowel backscatter als anisotrope effecten behoudt bij een hoge doorvoersnelheid.
Dit artikel presenteert een algemeen raamwerk voor het ontleden van input-outputsystemen en het kwantificeren van energietransfer in een Mach 6-grenslaag, waarbij wordt aangetoond dat niet-lineaire interacties tussen meerdere primaire instabiliteiten leiden tot vroege overgang en een ongelijkmatige energieoverdracht via driehoekige krachten die afwijken van traditionele secundaire instabiliteitsanalyses.
Dit artikel onderzoekt de stroming van een Bingham-vloeistof met vloeigrens in een poreus netwerk met geblokkeerde grote stralen en identificeert twee stromingsregimes: een deterministisch regime boven de percolatiedrempel en een niet-zelfgemiddeld regime op de drempel waarbij de schaling wordt bepaald door het kritische percolatieruggengraat.
Dit artikel introduceert een fysica-geïntegreerd, differentieerbaar neuraal kader dat door middel van een hybride architectuur met een geleerde drukprojectie en een sub-iteratiestrategie stabiele, nauwkeurige en 200 keer snellere langdurige voorspellingen van ingebedde grenslaagstromingen mogelijk maakt op grove roosters.
Dit paper introduceert UrbanFlow-3K, een open-source dataset van 3.000 tweedimensionale stromingssimulaties rondom willekeurige gebouwindelingen, die is ontwikkeld om de schaarste aan trainingsdata voor machine learning-modellen in de stedelijke stromingsdynamica aan te vullen.