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。

Physics-guided laminar flame speed correlation for methane-hydrogen-air mixtures with varying dilution

本文提出了一种基于物理机制的层流火焰速度关联式,能够准确预测不同稀释条件下甲烷/氢气/空气混合物的燃烧特性,其精度媲美机器学习方法,同时具备物理一致性、可微性及良好的外推能力,适用于燃料灵活燃烧系统的计算流体动力学模拟与控制。

Raik Hesse, Christian Schwenzer, Roman Glaznev, Florence Cameron, Heinz Pitsch, Joachim Beeckmann2026-03-30🔬 physics

Stability of nonlinear dissipative systems with applications in fluid dynamics

本文通过建立连接线性耗散算子、二次非线性项与外部强迫的显式不等式,提出了一个确保具有二阶非线性耗散偏微分方程(如 Burgers、KPP-Fisher 及 Kuramoto-Sivashinsky 方程)在索伯列夫空间中稳定性的充分条件,从而为流体动力学等非线性系统的长期行为预测提供了理论依据。

Javier Gonzalez-Conde, Daniel Isla, Sergiy Zhuk, Mikel Sanz2026-03-30⚛️ quant-ph

A meshless data-tailored approach to compute statistics from scattered data with adaptive radial basis functions

本文提出了一种基于各向异性、梯度感知及自适应采样的约束径向基函数(RBF)回归新方法,通过利用局部梯度信息优化采样密度、构建各向异性度量并引入梯度正则化,在无需网格的情况下显著提升了散乱数据(如湍流速度场)重构的精度与物理一致性,同时大幅减少了基函数数量。

Damien Rigutto, Manuel Ratz, Miguel A. Mendez2026-03-27🔬 physics

Learning Mesh-Free Discrete Differential Operators with Self-Supervised Graph Neural Networks

该论文提出了一种利用自监督图神经网络学习无网格离散微分算子的参数化框架,该方法通过多项式矩约束实现了对不规则邻域几何的鲁棒性,在保持分辨率无关性和可重用性的同时,在精度与计算成本之间取得了优于传统无网格方法的平衡,并成功应用于弱可压缩纳维 - 斯托克斯方程的求解。

Lucas Gerken Starepravo, Georgios Fourtakas, Steven Lind, Ajay B. Harish, Tianning Tang, Jack R. C. King2026-03-27🤖 cs.LG