physics.flu-dyn 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。

本文提出了一种基于物理信息神经网络（PINN）的新型背景纹影（BOS）工作流程，通过同时满足测量数据与欧拉方程等物理约束，显著提高了超音速流场密度重建的精度，并首次实现了从实验数据中直接获取速度和压力场。

本文提出了一种名为随机粒子平流测速（SPAV）的新方法，该方法通过结合显式粒子平流模型与统计数据损失函数，并利用物理信息神经网络同时优化流体物理约束，显著提高了粒子跟踪测速（PTV）在存在定位和跟踪误差时的重建精度，实验表明其误差较传统方法降低了近 50%。

本文通过开发一种针对刚性化学源项的稳态保持分裂格式有限体积法，数值研究了大压力梯度下转音速扩散火焰，揭示了化学反应通过增强速度梯度显著促进湍流输运的机制，并验证了燃气轮机燃烧器概念在湍流混合层及高负荷转音速涡轮叶栅中的可行性。

本文提出了一种考虑景深效应的新型“锥形光线”背景纹影成像模型，并将其嵌入神经重建算法中，显著提升了在不同光圈设置下对密度场（包括激波界面）的重建精度与鲁棒性。

该论文提出了一种基于神经隐式表示的神经光流（NOF）方法，通过连续参数化物理速度场、引入可微图像形变算子及物理约束（如 Navier-Stokes 方程），显著提升了平面和立体 PIV 测量的精度、鲁棒性与数据压缩效率，并展示了其在稳态与非稳态流场分析及压力反演中的优越性能。

本文提出了一种无需监督训练、仅依赖激光吸收层析测量数据的无监督神经隐式方法，通过坐标神经网络连续表征时空热化学状态，成功实现了对稀疏数据下非稳态火焰的定量成像。

本文提出了一种名为“分箱谱功率损失”（BSP Loss）的新型频域损失函数，通过自适应地权衡不同尺度预测误差并惩罚能量分布偏差，有效缓解了深度学习中抑制小尺度结构表征的谱偏差问题，从而显著提升了混沌系统（包括湍流）长期预测的稳定性与谱精度，且无需修改模型架构。

本文介绍了一种利用八相机环形布置的层析背景纹影技术（TBOS），成功测量并重构了浮力羽流（包括强制羽流和惰性羽流）三维密度场的方法，并通过与理论模型对比验证了其有效性，为污染物扩散及湍流流动研究提供了关键数据。

该研究通过数值模拟发现，虽然海豹胡须仿生波纹圆柱在零扫掠角下能显著降低阻力和升力脉动，但随着扫掠角增加，其抑制涡脱落和力波动的效果逐渐减弱并趋近于光滑圆柱，表明扫掠角是影响此类仿生几何水动力性能的关键参数。

本文发布了一个包含 70 视角的开源背景纹影高速流场数据集，并通过神经隐式重建与数据同化技术，首次实现了仅凭少量视角实验数据即可高精度重构激波结构、恢复未测量流场状态及进行不确定性量化的三维状态估计。