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。

本研究利用延迟分离涡模拟（DDES）和非定常压力敏感喷漆测量技术，表征了超高涵道比风帽安装对 Airbus XRF-1 诱发的抖振动力学特性，揭示了在 $St \in [0.1,0.3]$ 范围内的主导激波振荡起源于吊柱-机翼交汇处并向内翼传播，其驱动力为非定常流动分离和剪切层不稳定性。

本文提出了一种实用的工作流，该工作流将基于实验流变数据训练的神经网络作为粘度闭合项集成到 Cahn–Hilliard–Navier–Stokes 有限元求解器中，通过在无需修改求解器的情况下准确模拟非牛顿硅胶墨水的上升动力学和形状，成功验证了该方法。

本文通过在虚节点上更新序参数，为颜色梯度格子玻尔兹曼法中的弯曲固体表面引入了一种润湿边界条件，该方案已在 GPU 硬件上得到验证，能够有效处理巨大的密度和粘度差异，同时最大限度地减少伪电流，并准确重现静态和动态接触线行为。

本综述探讨了由超材料增强的流固耦合这一新兴交叉学科领域，梳理了相关理论框架，并讨论了理性设计的复合材料如何精确调控耦合的流体、声学和弹性动力学响应，从而提升从航空航天工程到生物医学设备等各类技术的性能。

本研究证明，基于液滴断裂高速图像训练的机器学习模型能够准确预测粘度、表面张力等关键流体属性，为传统测量技术提供了一种简化的自动化替代方案。

本文提出了一种稀疏监督混合参数化物理信息神经网络框架，该框架通过在低雷诺数下采用纯物理学习与最小化稀疏计算流体力学监督相结合，并辅以迁移学习，以克服对流主导的高雷诺数区域中的精度局限，从而有效求解跨多种雷诺数的不可压缩纳维 - 斯托克斯流动。

本文证明，随机洛伦兹系统通过复现长时数值模拟与实验室实验中观测到的多重分形统计特征及非高斯间歇性，成为瑞利 - 贝纳德对流中平均风逆转的忠实低维代理模型。

本文表明，物理信息神经网络中 BGK 正激波的准确宏观剖面并不能保证四阶闭合精度，这是因为对尾部加权分布函数的可观测性较弱，并据此提出了一种激波局部闭合修正方法，通过显式针对这些缺失的投影显著降低了四阶误差。

本文荣获2025年APS流体运动画廊奖，研究了射流加冕中可压缩与不可压缩动力学的共存现象。

本文综述了近期实验，这些实验展示了定制的微流控通道如何实现对所输送软颗粒在不同时间尺度上的精确流变学测量，并概述了未来的研究方向，包括润滑膜研究、快速界面动力学以及微观软物质系统的高通量表征。