1224 artigos
A fluídina, ou dinâmica dos fluidos, é o ramo da física que estuda como líquidos e gases se comportam enquanto fluem e interagem com seu entorno. Desde o movimento suave de um rio até a turbulência complexa nas asas de um avião, esse campo revela os princípios ocultos que governam o movimento da matéria ao nosso redor, conectando fenômenos cotidianos a leis fundamentais do universo.
Nesta seção, o Gist.Science processa e organiza sistematicamente cada novo pré-impresso de física enviado ao arXiv nesta categoria. Nossa equipe transforma esses documentos técnicos em resumos detalhados e versões em linguagem acessível, permitindo que tanto especialistas quanto curiosos compreendam as descobertas mais recentes sem barreiras linguísticas.
Abaixo, você encontrará os artigos mais recentes publicados nessa área, selecionados e resumidos para facilitar sua exploração das fronteiras atuais da dinâmica dos fluidos.
Este trabalho propõe uma rede neural de base tensorial autoescalável (STBNN) que, ao incorporar uma normalização invariante do gradiente de velocidade, supera as limitações de robustez dos modelos anteriores para prever tensões de Reynolds em escoamentos turbulentos com paredes, demonstrando alta precisão e capacidade de generalização para diferentes números de Reynolds e geometrias.
Este estudo apresenta simulações numéricas e análises de estabilidade linear de fluxo viscoso em torno de um arranjo circular de cilindros, identificando três regimes distintos de instabilidade e início de formação de vórtices em função da densidade do conjunto e do número de Reynolds.
Este artigo investiga a turbulência de ondas gravitacionais no contexto da métrica Hadad-Zakharov, utilizando simulações numéricas e análise teórica para demonstrar a compatibilidade das equações de Einstein no regime fracamente não linear e confirmar a existência de um duplo cascata de energia e ação de onda, incluindo o espectro de Kolmogorov-Zakharov e estruturas coerentes intermitentes.
Este artigo propõe um solver de Riemann neural com restrições rígidas (HCNRS) que impõe cinco leis físicas fundamentais para garantir conservação, simetria e invariância, superando as limitações de abordagens puramente baseadas em dados e reproduzindo com precisão os resultados de solvers exatos em equações de fluidos complexas.
Os autores apresentam uma nova abordagem para a tomografia de campos de fluxo que utiliza uma Rede Neural Informada por Física Bayesiana para regularizar reconstruções com base nas equações de Navier-Stokes e de advecção-difusão, permitindo a inferência de estruturas fluidas a partir de medições integradas escassas com quantificação abrangente de incertezas e superando os métodos de estado da arte.
Este artigo apresenta um novo fluxo de trabalho de "BOS informado por física" que utiliza redes neurais informadas por física (PINN) para reconstruir com maior precisão os campos de densidade, velocidade e pressão em escoamentos supersônicos a partir de dados experimentais, superando as limitações dos métodos convencionais ao garantir que as soluções satisfaçam simultaneamente os dados de medição e as equações governantes do fluxo.
Este artigo apresenta a Velocimetria de Advecção Estocástica de Partículas (SPAV), uma abordagem baseada em modelos estatísticos e redes neurais com física incorporada que melhora significativamente a precisão da velocimetria por rastreamento de partículas ao reduzir o erro de reconstrução em cerca de 50% ao lidar com incertezas de localização e efeitos não ideais.
Este estudo apresenta um método numérico para investigar chamas de difusão em escoamento transônico com grandes gradientes de pressão, revelando que a reação química intensifica o transporte turbulento e demonstrando a viabilidade do conceito de turbina-combustor tanto em camadas de mistura quanto em cascatas de turbinas.
Este artigo apresenta um novo modelo de "raio cônico" para a técnica de Schlieren Orientado a Fundo (BOS) que, ao incorporar efeitos de profundidade de campo, supera as limitações de modelos convencionais e permite reconstruções robustas e precisas de campos de densidade em escoamentos hipersônicos e de empuxo, mesmo com grandes aberturas de câmera.
Este artigo apresenta o Fluxo Óptico Neural (NOF), um método inovador que utiliza representações implícitas contínuas para melhorar a precisão e a robustez na medição de velocidade por imagem de partículas (PIV) em configurações planares e estéreo, permitindo compressão de dados, inferência direta de pressão e análise de fluxos estáveis e instáveis com superioridade em relação às técnicas tradicionais.