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。

A Residual Guided strategy with Generative Adversarial Networks in training Physics-Informed Transformer Networks

该论文提出了一种结合生成对抗网络(GAN)的残差引导训练策略,通过引入解码器仅 Transformer 架构、因果惩罚项及自适应采样机制,有效解决了物理信息神经网络在处理非线性偏微分方程时面临的残差未收敛及时序因果性违反问题,并在多个基准测试中实现了显著精度提升。

Ziyang Zhang, Feifan Zhang, Weidong Tang, Lei Shi, Tailai Chen2026-04-03🔬 physics

Spontaneous Emergence of Solitary Waves in Active Flow Networks with Elastic Elements

该研究通过建立由主动泵送单元和弹性储容单元构成的最小化活性流动网络模型,从第一性原理出发揭示了压力场中孤波从无序初始条件中自发涌现的机制,阐明了这些孤波如何作为物理信息包在系统中形成、传播并受耦合弹性元件调控,从而为理解及工程化活性流动系统的信息处理奠定了理论基础。

Rodrigo Fernández-Quevedo García, Gonçalo Cruz Antunes, Jens Harting, Holger Stark, Chantal Valeriani, Martin Brandenbourger, Juan José Mazo, Paolo Malgaretti, Miguel Ruiz-García2026-04-03🌀 nlin

Deep learning accelerated solutions of incompressible Navier-Stokes equations on non-uniform Cartesian grids

本文提出了一种基于网格卷积(MConv)算子的混合深度学习加速框架(HyDEA),通过引入多尺度距离矢量图策略将网格间距信息融入神经网络,成功解决了非均匀笛卡尔网格上不可压缩 Navier-Stokes 方程压力泊松方程的求解瓶颈,并实现了对复杂浸没边界流动的高效、泛化模拟。

Heming Bai, Dong Zhang, Shengze Cai, Xin Bian2026-04-03🔬 physics