Maximum Likelihood Particle Tracking in Turbulent Flows via Sparse Optimization
本文提出了一种基于稀疏优化和迭代重加权最小二乘算法的最大似然粒子追踪框架，通过显式建模非高斯间歇性，有效克服了传统方法对湍流中极端加速度的抑制，从而在降低误差的同时精准恢复了加速度及其差值的重尾统计特性。
🔬 Category
physics.flu-dyn
1274 篇论文
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。
Kelvin wave and soliton propagation in classical viscous vortex filaments
本文通过数值模拟三维不可压缩纳维 - 斯托克斯方程，研究了经典粘性涡丝中凯尔文波的传播及其与原始预测的一致性，证实了涡丝上孤子的存在与碰撞特性，并提出了在实验室中生成和观测涡丝孤子的实验方案。
Viscous vortex crystals
本文利用对称性和稳定性分析，研究了由正多边形涡晶（含或不含中心涡）构成的初始 Dirac 质量分布在二维不可压缩 Navier-Stokes 方程中的演化，并在涡旋合并发生前的亚扩散时间尺度上对解进行了描述与控制。
Rheological properties and shear-induced structures of ferroelectric nematic liquid crystals
本文研究了三种铁电向列相液晶（RM734、DIO 和 FNLC919）的流变特性及剪切诱导结构，揭示了其粘度随温度变化的阿伦尼乌斯行为、不同相态下的剪切变稀特性，以及铁电向列相在流动中因避免展曲变形而保持极化方向不倾斜的独特取向机制。
On the spatial structure and intermittency of soot in a lab-scale gas turbine combustor: Insights from large-eddy simulations
本文通过大涡模拟研究了剑桥实验室燃气轮机燃烧器中乙炔火焰的烟尘空间结构与间歇性，揭示了回流区主导的烟尘积聚机制，并对比评估了在线计算与全预表两种烟尘建模方法在预测性能与计算成本上的差异。
From synthetic turbulence to true solutions: A deep diffusion model for discovering periodic orbits in the Navier-Stokes equations
该研究提出了一种基于深度扩散模型的生成式人工智能方法，通过在训练数据中不存在周期性轨迹的情况下合成并优化出 111 条新的二维纳维 - 斯托克斯方程周期轨道，揭示了非线性动力学系统解空间中前所未有的丰富结构。
Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation
本文提出了一种结合变分自编码器与 Transformer 网络的参数化降阶模型，通过仅针对编码器进行轻量级重训练并利用集合卡尔曼滤波同化稀疏数据，实现了针对非定常流场的高效实时适应与不确定性量化。
A co-kurtosis based dimensionality reduction method for combustion datasets
本文提出了一种基于共峰度张量的降维方法（CoK-PCA），旨在克服传统主成分分析（PCA）在捕捉燃烧数据中局部化学动力学（如点火核形成）方面的不足，并通过合成及真实燃烧数据集验证了该方法在重构热化学状态及反应速率方面比 PCA 具有更高的精度。
Dimensionality Reduction and Dynamical Mode Recognition of Circular Arrays of Flame Oscillators Using Deep Neural Network
本研究提出了一种结合双向长短期记忆变分自编码器（Bi-LSTM-VAE）降维与二维 Wasserstein 距离分类器的新方法，通过数值模拟圆形层流火焰振荡器阵列数据，实现了对复杂燃烧系统中高维时空数据的有效降维及振荡模式的无监督识别与分类，其性能优于传统的 VAE 和 PCA 方法。
Using Physics Informed Neural Network (PINN) and Neural Network (NN) to Improve a Turbulence Model
本文提出了一种结合物理信息神经网络（PINN）与神经网络（NN）改进的湍流模型（k-omega-PINN-NN），通过修正湍流扩散项并优化模型系数，显著提升了该模型在通道流、平板边界层及周期山丘流动中对湍流动能及速度分布的预测精度，并展示了利用符号回归将模型转化为可嵌入商业 CFD 代码的 Python 形式。