Treballem amb simulació avançada per millorar la seguretat nuclear

Descobreix com la Càtedra UNESCO de Mètodes Numèrics lidera la innovació de frontera al Sud Global

Clúster de recerca

Models predictius d’alta fidelitat fonamentats en dades

Persona de contacte
Matteo Giacomini
Líders acadèmics
Pedro Díez, Alberto Garcia, Matteo Giacomini, Antonio Huerta, Ivan Markovsky, Sergio Zlotnik
Visió general
Recerca
Membres
Projectes
Publicacions

Aquest clúster de recerca desenvolupa models matemàtics i computacionals que integren la comprensió física amb dades de simulacions i experiments, avançant tècniques de modelització subrogada per a l’optimització, problemes inversos i quantificació d’incertesa en aplicacions d’enginyeria.

El clúster de recerca Credible High-Fidelity and Data-Driven Models de CIMNE desenvolupa enfocaments matemàtics i computacionals innovadors que avancen capacitats quantitatives i predictives en ciència i enginyeria. El clúster integra models físics rigorosos amb fonts de dades riques de simulacions numèriques, experiments de laboratori i observacions del món real per crear marcs predictius robustos.

Un focus central del clúster és avançar en l’estat de la tècnica en la modelització de fenòmens complexos sorgits en la producció industrial i el desenvolupament sostenible. Això s’aconsegueix mitjançant la formulació de models basats en equacions diferencials parcials i descripcions basades en dades i mitjançant el desenvolupament de nous mètodes computacionals per a la seva simulació numèrica. Això inclou el disseny de nous paradigmes per a la modelització de subrogats, com el Direct Data-Driven Design (D4), les estratègies de multifidelitat que identifiquen de manera adaptativa instantànies adequades, i els mètodes per avaluar i controlar la precisió i robustesa dels subrogats al soroll i la incertesa, alhora que es garanteix la consciència del domini.

El clúster aplica aquestes tècniques avançades de modelització als reptes d’optimització (incloent multifidelitat, així com optimització de formes i topologia), problemes inversos (utilitzant enfocaments Bayesians i adaptatius de Monte Carlo Markov Chain), i quantificació d’incertesa, amb especial atenció a la manipulació de dades sorolloses i incertes mitjançant estratègies de mostreig òptimes per a sistemes complexos paramètrics.

Les aplicacions de recerca abasten quatre dominis principals: (1) disseny d’enginyeria d’automoció, optimització i simulació, amb èmfasi en els camps de creixement de l’electromobilitat i la seguretat dels vehicles; (2) explotació de l’energia geotèrmica i els recursos minerals estratègics, amb atenció als reptes de la sostenibilitat; (3) modelització específica de pacients i basada en dades per a la presa de decisions sanitàries en medicina personalitzada; (4) sistemes de microfiltració per a l’accés a l’aigua neta i la resiliència en presència d’esdeveniments extrems. A través d’aquests esforços, el clúster pretén democratitzar l’accés a tecnologies de modelatge d’alta fidelitat i solucions digitals bessones frontereres, garantint l’eficiència numèrica, la robustesa i la credibilitat en diverses aplicacions científiques i d’enginyeria.

Àrees de recerca

Modelatge computacional creïble i quantificació d'incertesa

Desenvolupament d’eines numèriques per avaluar i controlar la credibilitat de les simulacions. Això inclou quatre idees subjacents: controlar la precisió numèrica (Verificació); millorar la qualitat de l’aproximació (Adaptivitat); monitoritzar la pertinència del model (Validació); tenir en compte la naturalesa aleatòria dels sistemes analitzats (Quantificació de la incertesa).

Solucionadors d'alta fidelitat i robustos per a la ciència i l'enginyeria computacional

Desenvolupament d’eines de simulació de nova generació dissenyades per abordar problemes físics complexos de rellevància industrial, amb precisió i fiabilitat. Les metodologies abasten des d’esquemes de volum finit centrat en cares (FCFV) de baix ordre, coneguts per la seva robustesa contra la distorsió de la malla, fins a mètodes de Galerkin discontinu hibriditzables (HDG) d’alt ordre i adaptatius al grau, que ofereixen precisió i eficiència fins i tot en malles gruixudes o no estructurades. Aquesta línia de recerca també inclou el tractament de geometries d’alta fidelitat, on els límits i les interfícies es descriuen exactament mitjançant NURBS, permetent que les simulacions segueixin sent precises independentment de la complexitat geomètrica.

Aprenentatge Automàtic Científic per a Models de Superrogació Basats en Física

Desenvolupament de models d’ordre reduït (ROM) basats en la física, intrusius i no intrusius, adaptats a equacions diferencials parcials paramètriques. L’objectiu és crear models substituts eficients, precisos i interpretables que preservin la física subjacent alhora que permetin simulacions ràpides a través d’espais de paràmetres. La línia de recerca integra diverses estratègies numèriques amb control d’errors integrat, incloent: descomposició generalitzada adequada (PGD) per a l’aproximació en temps real amb variables separades, descomposició ortogonal adequada (POD) i POD del nucli (kPOD) per a la reducció basada en projeccions, substituts de xarxes neuronals (NN) per a l’aprenentatge de dependències paramètriques no lineals i mètodes multifidelitat que combinen simulacions a diferents resolucions i precisions per optimitzar els costos computacionals. Aquesta línia uneix la reducció de models i l’aprenentatge automàtic científic, oferint eines robustes per al disseny, el control, l’optimització i la quantificació de la incertesa en la ciència i l’enginyeria computacionals.

Disseny basat en dades i models híbrids barrejant dades i física

Desenvolupament d’eines numèriques per construir models d’enginyeria a partir de dades i observacions, en lloc d’utilitzar models físics o analítics. Les metodologies proposades pertanyen al marc de disseny basat en dades directes (D4), que inclou: aproximació estructurada de baix rang (SLA), control basat en dades directe i indirecte, enfocament conductual de la teoria de sistemes i aprenentatge per reforç (RL). A més, aquesta línia pretén connectar els models físics (i les seves aproximacions) amb els models basats en dades. L’objectiu és millorar els models físics utilitzant dades de sensors i observacions i millorar la interpretabilitat i l’explicabilitat de les dades mitjançant el coneixement físic mitjançant l’assimilació de dades, l’actualització de models bayesians, l’augment de dades basat en la física i els enfocaments de Monte Carlo amb cadenes de Markov. Aquesta línia de recerca se centra específicament en metodologies robustes, amb un enfocament en dades sorolloses, pertorbacions i incertesa del model.

Programari de codi obert per a la ciència i l'enginyeria computacional

Desenvolupament de solucions de codi obert que implementin eines numèriques de frontera adequades per a la pràctica industrial i el desenvolupament sostenible. El programari rellevant inclou solucionadors de simulació per a sistemes que impliquen fluids, sòlids, electromagnètics i fenòmens multifísics, i aplicacions substitutives per a agermanament digital en escenaris de múltiples consultes (per exemple, disseny, optimització de forma i topologia, control, monitorització, anàlisi inversa, quantificació d’incertesa,…).

 
Projectes finalitzats
 
Cerca
 

Notícies relacionades

No s'han trobat resultats

The page you requested could not be found. Try refining your search, or use the navigation above to locate the post.

Més notícies