流体力学是研究流体如何流动、变形以及与其他物质相互作用的迷人领域。从日常的气流到浩瀚的星系演化,这一学科无处不在。在本分类中,我们聚焦于该领域的核心动态,用通俗的语言解读那些看似复杂的物理现象,让非专业读者也能领略流体世界的奇妙逻辑。

Gist.Science 每日从 arXiv 收录并处理所有流体力学相关的新预印本。我们不仅提供详尽的技术摘要,更提炼出通俗易懂的通俗解读,确保每一位访客都能无障碍地获取前沿科学成果。

以下是该领域最新的预印论文列表,涵盖了从基础理论到工程应用的最新发现。

Structure tensor Reynolds-averaged Navier-Stokes turbulence models with equivariant neural networks

该研究通过引入基于结构张量且具备对称性等变性的神经网络(ENN)来构建雷诺平均纳维 - 斯托克斯(RANS)湍流模型,利用快速畸变理论数据验证了 Kassinos 等人关于结构张量能更充分描述湍流统计状态的假设,并证明此类模型在预测快速压力 - 应变关联项时比现有模型精度高出数个数量级。

Aaron Miller, Sahil Kommalapati, Robert Moser, Petros Koumoutsakos2026-03-02🤖 cs.LG

Acoustic Signatures of Pinch-Off Cavities During Water-Entry

本研究通过实验、数值模拟与理论分析相结合的方法,揭示了厘米级圆锥头圆柱体入水时空腔闭合模式与辐射声学的关联,证实了数值模型的有效性,并建立了考虑边界效应的半理论模型,阐明了空腔振荡频率随弗劳德数线性下降的规律及其显著高于等效体积气泡 Minnaert 频率的物理机制。

Zirui Liu, Tongtong Ding, Mingyue Kuang, Zimeng Li, Junyi Zhao, A-Man Zhang, Shuai Li2026-03-02🔬 physics

Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks

本文提出了一种神经集合卡尔曼滤波方法,通过将含激波的流场预报集合映射至深度神经网络参数空间并利用物理信息迁移学习确保参数平滑变化,从而有效解决了传统方法在处理可压缩流激波时产生的非物理振荡问题。

Xu-Hui Zhou, Lorenzo Beronilla, Michael K. Sleeman, Hangchuan Hu, Matthias Morzfeld, Andrew M. Stuart, Tamer A. Zaki2026-03-02🤖 cs.LG

Revisiting the Frictional Control of the Antarctic Circumpolar Current From the Energy Diagram

该研究通过理想化数值模拟揭示了南极绕极流中摩擦对传输量的控制机制,指出在考虑不同摩擦 regime 下斜压与正压能量转换差异的基础上,提出了一种不依赖特定涡参数化的广义摩擦控制框架,表明涡耗散率是决定斜压性并进而控制南极绕极流动力学的关键因素。

Takuro Matsuta, Yuki Tanaka, Atsushi Kubokawa2026-03-02🔬 physics