Meta-PINNs: Meta-Learning Enhanced Physics-Informed Machine Learning Framework for Turbomachinery Flow Predictions under Varying Operation Conditions

本文提出了一种融合元学习策略的元物理信息神经网络(Meta-PINNs)框架,通过自动适应不同物理流态显著提升了训练效率与泛化能力,在圆筒非定常流及压气机叶栅湍流等变工况预测任务中,相比传统方法实现了精度提升一至两个数量级且计算成本降低超 90% 的突破性进展。

Yuling Han, Zhihui Li, Zhibin YuTue, 10 Ma🔬 physics

Unified Structural-Hydrodynamic Modeling of Underwater Underactuated Mechanisms and Soft Robots

本文提出了一种基于轨迹驱动的全局优化框架,能够同时识别水下欠驱动机构与软体机器人的耦合内部结构及外部水动力参数,从而实现了高保真的统一建模,并在从单臂到整体制动机器人的多种场景下验证了其准确性与可扩展性。

Chenrui Zhang, Yiyuan Zhang, Yunfei Ye, Junkai Chen, Haozhe Wang, Cecilia LaschiTue, 10 Ma🔬 physics

Manifold-Adapted Sparse RBF-SINDy: Unbiased Library Construction and Unsupervised Discovery of Dynamical States in Turbulent Wall Flows

该论文提出了一种基于流形适应的稀疏 RBF-SINDy 方法,通过弧长重采样和基于局部协方差的马氏距离度量来消除标准库构建中的结构性偏差,从而仅利用壁面压力与剪切应力数据,在无监督条件下成功重构了湍流壁面流动的内在几何骨架并识别出稳定的条纹态与失稳爆发态。

Miguel Perez-Cuadrado, Giorgio Maria Cavallazzi, Alfredo PinelliTue, 10 Ma🔬 physics

Nonlinear evolution of unstable solar inertial modes: The case of viscous modes on a differentially rotating sphere

该研究通过数值模拟和理论分析,揭示了太阳球面上由较差自转驱动的高纬度 m=1m=1 惯性模在非线性演化中经历超临界 Hopf 分岔并达到饱和,其饱和速度可达 28 m/s 且与观测值相当,尽管三维情况下的物理机制可能有所不同。

Muneeb Mushtaq, Damien Fournier, Rama Ayoub, Peter J. Schmid, Laurent GizonTue, 10 Ma🔭 astro-ph

Glassy phase transition in immiscible steady-state two-phase flow in porous media

该研究利用最大熵原理和机器学习,将非平衡态的两相渗流问题映射为平衡态自旋玻璃模型,成功揭示了多孔介质中两相流从线性到非线性转变的临界点与自旋玻璃相变之间的对应关系,并指出玻璃相态对应于具有强滞后和宽时间尺度波动的动态玻璃态流动机制。

Santanu Sinha, Humberto Carmona, José S. Andrade Jr., Alex HansenTue, 10 Ma🔬 physics

Waves in a shear flow: transition between the KH, Holmboe and Miles instability

该研究通过指数速度剖面和尖锐密度界面模型,揭示了在低弗劳德数和高邦德数条件下,随着密度比从 0.9 降至 0.001,剪切流界面处的最快增长模态如何从开尔文 - 亥姆霍兹不稳定性过渡到霍尔姆博不稳定性,最终演变为迈尔斯临界层不稳定性,并首次在同一背景流态下统一展示了这三种经典不稳定性。

Anil Kumar, S. Ravichandran, Ratul DasguptaThu, 12 Ma🔬 physics