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。

本文提出了一种自适应物理信息神经网络框架，通过混合形式编码双孔隙度/渗透率模型的控制方程并采用自适应加权策略，实现了对复杂多孔介质中流体流动的高效正向模拟、无网格求解及关键参数的稳健反演分析。

该研究提出了一种基于图神经网络（GNN）的模型，用于在复杂非均匀网格上预测大涡模拟（LES）中的亚网格尺度物种生成率，实验表明该模型在跨组分泛化、不同滤波宽度适应性及复杂几何结构下，均比未闭合参考模型和传统卷积神经网络基线具有更低的误差和更强的鲁棒性。

该研究通过数值模拟和实验证实，聚焦冲击波在亚毫米级全氟己烷液滴内因古伊相移（Gouy phase shift）可将纯压缩波转化为负压，从而在不依赖外部稀疏波的情况下引发空化，为提升生物医学治疗的安全性与精度提供了新的声学驱动策略。

本文通过二维数学模型模拟了非均匀加热液膜蒸发过程中的热毛细流，揭示了重力与阻力之比决定胶体粒子是否聚集，并发现随着体积热通量增加，热毛细流增强导致小浓度粒子进入聚集体比例下降。

本研究提出了一种基于卷积神经网络的代理模型，能够利用隐式大涡模拟数据实时预测可变流向射流阵列的努塞尔数分布，并通过相关性缩放方法外推至高雷诺数工况，从而为先进热管理中的模型预测控制提供了高效解决方案。

本文提出了一种基于物理增强自编码器低维潜在空间与集合卡尔曼滤波的序列数据同化框架，能够利用稀疏表面压力测量快速、实时且具备不确定性感知地重构强 gust 干扰下的非定常气动流场与载荷，并在传感器失效时通过自适应重加权保持估计精度。

该研究利用 OpenFOAM 数值模拟与实验验证，揭示了旋转角度如何改变方形棒状填充床的流道结构（通道型或晶格型）及摩擦系数，并提出基于角度相关润湿表面积的等效直径模型，成功将摩擦系数关联至 Ergun 方程并准确预测晶格型结构的渗透率。

该论文提出了一种连续时间 Koopman 自编码器，通过在潜在空间引入参数条件线性生成器实现精确的矩阵指数演化，从而在流体动力学预测中同时实现了极高的计算效率、长期稳定性以及具有竞争力的短期生成精度。

本文提出利用正弦表示网络（SIREN）的残差误差作为诊断工具，通过捕捉其因无法表征非光滑特征而产生的局部化误差，成功检测了三维纳维 - 斯托克斯方程解的奇异性及正则性丧失现象。

本文提出了一种基于 HHL 算法与切比雪夫多项式近似量子态层析技术的混合量子 - 经典求解器，成功解决了不可压缩纳维 - 斯托克斯方程中的压力泊松瓶颈，并通过 IBM Qiskit 框架在盖驱动腔流和泰勒 - 格林涡等基准问题上验证了其捕捉全局涡动力学的能力。