1259 artigos
A interseção entre física e computação, conhecida como física computacional, transforma equações complexas em simulações digitais que revelam os segredos do universo. Ao utilizar poderosos algoritmos, os pesquisadores exploram desde o comportamento de partículas subatômicas até a dinâmica de galáxias, preenchendo lacunas onde a teoria pura ou a experimentação direta encontram limites.
No Gist.Science, monitoramos diariamente os novos pré-prints dessa área publicados no arXiv. Para cada documento, oferecemos duas perspectivas essenciais: um resumo técnico detalhado para especialistas e uma explicação em linguagem acessível para quem busca compreender os conceitos sem barreiras matemáticas.
Abaixo, você encontrará os trabalhos mais recentes adicionados a esta categoria, prontos para serem explorados em diferentes níveis de profundidade.
Este estudo investiga os efeitos de diferentes esquemas numéricos e parâmetros de malha na resolução de ondas de choque em escoamentos supersônicos invíscidos bidimensionais, demonstrando que a formulação AUSM+ proposta oferece maior robustez na eliminação de perturbações não físicas e apresenta boa concordância com resultados experimentais.
Este trabalho investiga o desempenho de três esquemas de reconstrução de gradiente e diferentes limitadores na simulação de escoamentos viscosos em geometrias complexas, demonstrando que formulações mais sofisticadas garantem estabilidade e precisão, enquanto uma nova técnica de aceleração de convergência permite atingir o estado estacionário de forma eficiente.
Este estudo investiga o desempenho de três formulações de limitadores (Venkatakrishnan original, modificação de Wang e limitador R3 de Nishikawa) em esquemas de volumes finitos de segunda ordem para simulações de escoamentos turbulentos transônicos em malhas não estruturadas, concluindo que, embora apresentem características dissipativas distintas, todos produzem resultados consistentes com dados experimentais quando seus parâmetros de controle são adequadamente ajustados.
O pacote Python de código aberto \texttt{aurel} automatiza o cálculo de quantidades relativísticas, combinando capacidades simbólicas estendidas do \texttt{SymPy} com métodos numéricos de diferenças finitas para processar dados analíticos ou de simulações de Relatividade Numérica.
Este artigo apresenta um modelo estocástico de cinética pontual para reatores de combustível circulante sob a aproximação de mistura perfeita, derivando equações diferenciais estocásticas e simulando-as via métodos de Monte Carlo e Milstein para analisar a dinâmica de baixa população e o viés na estimativa de perda de reatividade.
Este artigo demonstra que as Redes Neurais Informadas por Física (PINNs) podem resolver com alta precisão o problema do estado fundamental do deuteron, utilizando interações nucleon-nucleon realistas e alcançando uma concordância excelente com métodos numéricos estabelecidos, o que abre caminho para a aplicação dessa técnica em núcleos atômicos mais complexos.
Este estudo demonstra que, para capturar com precisão tanto as regiões laminares quanto turbulentas em uma asa usando simulação de grandes vórtices com modelo de parede (WMLES), é necessário combinar um refinamento de malha adaptado à espessura da camada limite com a introdução de perturbações não estacionárias a montante para induzir a transição corretamente.
Este trabalho propõe e avalia três formulações de Modelos de Ordem Reduzida (MOR) não intrusivos adaptativos que atualizam online o subespaço latente e a dinâmica reduzida, demonstrando que abordagens híbridas oferecem maior robustez e precisão energética em regimes dinâmicos fora do conjunto de treinamento, superando as limitações de modelos estáticos.
Este estudo utiliza simulações de dinâmica molecular clássica com átomos de argônio para analisar as flutuações, correlações e distribuições de temperatura durante as fases intermediárias que antecedem o equilíbrio térmico entre corpos em contato, complementando a compreensão da Lei Zero da Termodinâmica.
O artigo propõe o ArGEnT, uma arquitetura baseada em Transformers que codifica geometrias arbitrárias a partir de nuvens de pontos para aprender operadores físicos em domínios complexos, superando as limitações de métodos tradicionais como o DeepONet ao oferecer maior precisão e generalização em problemas de dinâmica de fluidos, mecânica dos sólidos e sistemas eletroquímicos.