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.

Sub-Kolmogorov Intermittency and Multifractal Dissipation in Multiphase Turbulence

Através de simulações numéricas diretas, este estudo revela que, na turbulência multifásica, a quebra e a coalescência de interfaces impulsionam uma organização multifractal distinta da dissipação, fazendo com que eventos de dissipação intensa se estendam profundamente para o intervalo sub-Kolmogorov e ampliem significativamente o corte dissipativo local em comparação com a turbulência monofásica.

Marco Crialesi-Esposito, Alienor Riviere, Sergio Chibbaro2026-06-05🔬 physics

Deep reinforcement learning with spatial and temporal awareness for active boundary control of buoyancy-driven convection

Este artigo propõe um framework de aprendizado por reforço profundo que supera os problemas de atuação degenerada de métodos anteriores ao integrar redes convolucionais, memória recorrente, treinamento off-policy e restrições de suavidade de ação, alcançando com sucesso uma redução significativa na transferência de calor em convecção de Rayleigh–Bénard e o aumento adaptativo da mistura em convecção de dupla difusão sem exigir o aumento de dados de campo total.

Giorgio Maria Cavallazzi, Miguel Pérez Cuadrado, Alfredo Pinelli2026-06-05🔬 physics

Flapping instability of elastic disks in Stokes flows

Através de uma combinação de experimentos e simulações, este estudo revela que um disco elástico livremente suspenso em um escoamento de cisalhamento de baixo número de Reynolds sofre uma instabilidade de batimento subcrítica impulsionada pela extensibilidade finita, exibindo dinâmicas oscilatórias ricas com implicações para a compreensão do comportamento de partículas do tipo folha, como polímeros 2D.

Yijiang Yu, Hugo Perrin, Michael D. Graham, Lorenzo Botto2026-06-05🔬 physics

Drag reduction or reward hacking? Recurrent multi-agent reinforcement learning that earns its reward

Este artigo identifica e retifica três falhas específicas no aprendizado por reforço multiagente para redução de arrasto em turbulência de parede — perda de atribuição de crédito, políticas sem memória e recompensas desalinhadas — ao implementar uma projeção diferenciável, políticas recorrentes e uma recompensa real baseada em potência, alcançando, em última análise, uma economia de energia genuína de 17% que evita as armadilhas do "reward hacking".

Giorgio Maria Cavallazzi, Miguel Pérez-Cuadrado, Alfredo Pinelli2026-06-05🔬 physics

A high-order Fourier Continuation (FC)-based spectral incompressible Smoothed Particle Hydrodynamics (ISPH) scheme for general boundary conditions in wall-bounded domains

Este artigo apresenta um esquema de Hidrodinâmica de Partículas Suavizadas Incompressível (ISPH) de alta ordem baseado em Continuação de Fourier (FC) que estende o método para domínios limitados por paredes com condições de contorno gerais, permitindo convergência de alta ordem e simulação precisa de dinâmicas de vórtices complexas através da discretização no espaço de frequências em uma extensão periódica do domínio.

Meixuan Lin, Georgios Fourtakas, Benedict D. Rogers2026-06-05🔬 physics

Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

Este estudo demonstra que, embora as Redes Neurais Informadas pela Física (PINNs) possam reconstruir a tensão de cisalhamento na parede apenas quando medições próximas à parede estão disponíveis, um framework de física diferenciável baseado em otimização restrita por EDP recupera com sucesso a tensão de cisalhamento na parede de forma precisa em diversos cenários de medição, tanto em fluxos canônicos quanto em fluxos cardiovasculares específicos de pacientes.

Mahmoud Elhadidy, Siva Viknesh, Roshan M. D'Souza, Amirhossein Arzani2026-06-05🔬 physics

Flow-priority optimization of additively manufactured variable-TPMS lattice heat exchanger based on macroscopic analysis

Este estudo propõe uma estrutura de modelagem macroscópica e otimização baseada na teoria de Darcy–Forchheimer para projetar trocadores de calor de treliça TPMS variável com larguras de canal não uniformes, a qual a validação experimental confirma alcançar uma melhoria de desempenho de 28,7% em relação às configurações de treliça uniforme.

Kazutaka Yanagihara, Jun Iwasaki, Kiyoto Saso, Taichi Yamashita, Shomu Murakoshi, Akihiro Takezawa2026-06-04🔬 physics

Hydrodynamic Behavior of Non-spherical Particles in Confined Vertical Flows: A Resolved CFD-DEM Study

Este estudo emprega simulações CFD-DEM resolvidas para demonstrar que nódulos polimetálicos não esféricos experimentam um arrasto significativamente aumentado e velocidades terminais reduzidas em comparação com esferas de volume equivalente devido à assimetria da esteira induzida pela forma, ao mesmo tempo em que revela como o tamanho da partícula e o confinamento governam comportamentos distintos de variância de arrasto durante o transporte hidráulico vertical.

Amiya Prakash Das, Shakti Swaroop Choudhury, Sujith Reddy Jaggannagari, Amudha Krishnan, Gopkumar Kuttikrishnan, Balaji Ramakrishnan, Ratna Kumar Annabattula2026-06-04🔬 physics.app-ph

Turbulence teaches equivariance to neural networks

Este artigo demonstra que a natureza rotacional da turbulência ensina inerentemente a equivalência a redes neurais por meio de aumento de dados implícito, e que impor explicitamente essa simetria como um viés indutivo arquitetural melhora significativamente a generalização através de diferentes condições de fluxo ao mesmo tempo em que reduz a complexidade do modelo.

Ryley McConkey, Julia Balla, Jeremiah Bailey, Ali Backour, Elyssa Hofgard, Tommi Jaakkola, Abigail Bodner, Tess Smidt2026-06-04🔬 physics