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。

Fluid-Structure Interaction and Scaling Laws for Deterministic Encapsulation of Hyperelastic Cells in Microfluidic Droplets

该研究通过耦合 Cahn-Hilliard 相场模型与 ALE 方法的数值框架,揭示了微流控液滴中超弹性细胞确定性封装的流体 - 结构相互作用机制,提出了预测封装操作窗口的统一无量纲标度律,并阐明了细胞几何阻塞效应对液滴生成流态转变及周期非单调依赖性的影响,从而为优化无损细胞封装系统提供了定量指导。

Andi Liu, Guohui Hu2026-03-18🔬 physics

Addressing bedload flux variability due to grain shape effects and experimental channel geometry

该研究提出了一种结合颗粒物理定义与柯尔莫哥洛夫湍流理论的通用床面切应力确定方法,不仅消除了不同实验几何条件对球体输沙率数据的影响,还通过引入颗粒形状效应修正,成功将涵盖多种复杂输运条件的广泛实验与模拟数据统一在误差因子仅为 1.3 的单一物理模型之下。

Thomas Pähtz, Yulan Chen, Jiafeng Xie, Rémi Monthiller, Raphaël Maurin, Katharina Tholen, Yen-Cheng Lin, Hao-Che Ho, Peng Hu, Zhiguo He, Orencio Durán2026-03-17🔬 physics

Machine-learning-based simulation of turbulent flows over periodic hills using a hybrid U-Net and Fourier neural operator framework

本文提出了一种结合 U-Net 与傅里叶神经算子的混合框架(HUFNO),用于高效模拟周期性山丘上的湍流,该模型在预测精度和计算效率上均优于传统大涡模拟模型,并展现出对未见初始条件、雷诺数及山丘形状的优异泛化能力。

Yunpeng Wang, Huiyu Yang, Zelong Yuan, Zhijie Li, Wenhui Peng, Jianchun Wang2026-03-17🔬 physics

Surrogate normal-forms for the numerical bifurcation and stability analysis of navier-stokes flows via machine learning

本文提出了一种受“无方程”范式启发的“嵌入 - 学习 - 提升”框架,利用流形学习(特别是扩散映射)构建最小维度的降阶模型,从而在保持对称性的同时,高效且准确地对高保真纳维 - 斯托克斯流动进行数值分岔与稳定性分析。

Alessandro Della Pia, Dimitrios G. Patsatzis, Gianluigi Rozza, Lucia Russo, Constantinos Siettos2026-03-17🔬 physics