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。

该论文提出了一种名为 LGN-KM 的神经算子，通过将非线性偏微分方程动力学分解为保守耦合与耗散项来学习连续时间 Koopman 生成元，从而在无需物理监督的情况下实现对复杂流体系统（如二维 Navier-Stokes 湍流）的稳定、可解释且具备长时预测能力的线性化建模。

本文提出了一种基于速度梯度张量不变量归一化的自缩放张量基神经网络（STBNN），通过引入内在尺度机制解决了传统模型在壁面湍流中跨雷诺数和几何形状泛化能力不足的问题，显著提升了雷诺应力建模的精度及分离流预测效果。

该论文通过二维直接数值模拟和全局线性稳定性分析，研究了具有六重旋转对称性的圆柱阵列在低雷诺数下的粘性不可压缩流动，揭示了随固积分数变化而呈现的三种不同流动失稳与涡脱落机制。

本文利用 Hadad-Zakharov 度规和新型 GPU 代码 TIGER，在广义相对论框架下论证了引力波湍流的相容性，并通过数值模拟揭示了其双级联过程、Kolmogorov-Zakharov 谱以及规范不变量表现出的单分形特性。

本文提出了一种通过强制施加正定性、一致性、镜像对称性、伽利略不变性和缩放不变性等五个硬约束的神经黎曼求解器（HCNRS），有效解决了现有数据驱动方法在计算流体力学中常见的守恒误差、对称性破缺及平衡态保持问题，使其在浅水方程和欧拉方程的基准测试中能够像精确黎曼求解器一样准确捕捉复杂流场结构。

本文提出了一种基于贝叶斯物理信息神经网络（Bayesian PINN）的流场层析成像新方法，该方法利用纳维 - 斯托克斯方程和输运方程作为正则化约束，从稀疏线积分测量中重构流场并实现全面的量化不确定性分析，从而有效克服了传统算法在半收敛性和物理一致性方面的局限。

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。