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.

Small-scale turbulent dynamo for low-Prandtl number fluid: comparison of the theory with results of numerical simulations

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.

A. V. Kopyev, A. S. Il'yn, V. A. Sirota, K. P. Zybin2026-03-16🔭 astro-ph

Learning Pore-scale Multiphase Flow from 4D Velocimetry

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.

Chunyang Wang, Linqi Zhu, Yuxuan Gu, Robert van der Merwe, Xin Ju, Catherine Spurin, Samuel Krevor, Rex Ying, Tobias Pfaff, Martin J. Blunt, Tom Bultreys, Gege Wen2026-03-16🤖 cs.LG

Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems

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.

Dibyajyoti Chakraborty, Hojin Kim, Romit Maulik2026-03-16🌀 nlin