Trabajamos con simulación avanzada para afianzar la seguridad nuclear.

La Cátedra UNESCO en Métodos Numéricos lidera la innovación de vanguardia en el Sur global.

Clúster de investigación

Modelos predictivos de alta fidelidad basados en datos

Persona de contacto
Matteo Giacomini
Líderes académicos
Pedro Díez, Alberto Garcia, Matteo Giacomini, Antonio Huerta, Ivan Markovsky, Sergio Zlotnik
Visión General
Investigación
Miembros
Proyectos
Publicaciones

Este grupo de investigación desarrolla modelos matemáticos y computacionales que integran la comprensión física con datos de simulaciones y experimentos, avanzando en técnicas de modelado sustituto para la optimización, problemas inversos y cuantificación de la incertidumbre en aplicaciones de ingeniería.

El grupo de investigación de Modelos Creíbles de Alta Fidelidad y Basados ​​en Datos del CIMNE desarrolla enfoques matemáticos y computacionales innovadores que impulsan las capacidades cuantitativas y predictivas en ciencia e ingeniería. El grupo integra modelos físicos rigurosos con ricas fuentes de datos provenientes de simulaciones numéricas, experimentos de laboratorio y observaciones del mundo real para crear marcos predictivos robustos.

Un enfoque central del clúster es el desarrollo de tecnología de vanguardia en la modelización de fenómenos complejos que surgen en la producción industrial y el desarrollo sostenible. Esto se logra mediante la formulación de modelos basados ​​en ecuaciones diferenciales parciales y descripciones basadas en datos, así como mediante el desarrollo de nuevos métodos computacionales para su simulación numérica. Esto incluye el diseño de nuevos paradigmas para la modelización de sustitutos, como el Diseño Directo Basado en Datos (D4), estrategias de multifidelidad que identifican de forma adaptativa instantáneas adecuadas, y métodos para evaluar y controlar la precisión y robustez de los sustitutos ante el ruido y la incertidumbre, garantizando al mismo tiempo el conocimiento del dominio.

El clúster aplica estas técnicas avanzadas de modelado a desafíos de optimización (incluida la multifidelidad, así como la optimización de forma y topología), problemas inversos (utilizando enfoques bayesianos y de cadena de Markov de Monte Carlo adaptativos) y cuantificación de incertidumbre, con especial atención al manejo de datos ruidosos e inciertos a través de estrategias de muestreo óptimas para sistemas complejos paramétricos.

Las aplicaciones de investigación abarcan cuatro áreas principales: (1) diseño, optimización y simulación de ingeniería automotriz, con énfasis en los campos en expansión de la electromovilidad y la seguridad vehicular; (2) energía geotérmica y explotación de recursos minerales estratégicos, con atención a los desafíos de la sostenibilidad; (3) modelado basado en datos y específico para cada paciente para la toma de decisiones sanitarias en medicina personalizada; (4) sistemas de microfiltración para el acceso a agua potable y la resiliencia ante eventos extremos. Mediante estas iniciativas, el clúster busca democratizar el acceso a tecnologías de modelado de alta fidelidad y soluciones de gemelos digitales de vanguardia, garantizando la eficiencia numérica, la robustez y la credibilidad en diversas aplicaciones científicas y de ingeniería.

Áreas de investigación

Modelización computacional y cuantificación de la incertidumbre en áreas de investigación

Desarrollo de herramientas numéricas para evaluar y controlar la credibilidad de las simulaciones. Esto abarca cuatro ideas fundamentales: controlar la precisión numérica (Verificación); mejorar la calidad de la aproximación (Adaptabilidad); supervisar la pertinencia del modelo (Validación); y tener en cuenta la aleatoriedad de los sistemas analizados (Cuantificación de la Incertidumbre).

Solucionadores robustos y de alta fidelidad para la ciencia computacional y la ingeniería

Desarrollo de herramientas de simulación de última generación diseñadas para abordar problemas físicos complejos de relevancia industrial con precisión y fiabilidad. Las metodologías abarcan desde esquemas de volumen finito centrado en las caras (FCFV) de bajo orden, conocidos por su robustez frente a la distorsión de malla, hasta métodos Galerkin discontinuos hibridizables (HDG) de alto orden y grado adaptativo, que ofrecen precisión y eficiencia incluso en mallas gruesas o no estructuradas. Esta línea de investigación también incluye el tratamiento de geometrías de alta fidelidad, donde los límites e interfaces se describen con precisión mediante NURBS, lo que permite que las simulaciones mantengan su precisión independientemente de la complejidad geométrica.

Aprendizaje automático científico para modelos sustitutos basados en la física

Desarrollo de modelos de orden reducido (ROM) basados ​​en física, intrusivos y no intrusivos, adaptados a ecuaciones diferenciales parciales paramétricas. El objetivo es crear modelos sustitutos eficientes, precisos e interpretables que preserven la física subyacente y permitan simulaciones rápidas en espacios de parámetros. Esta línea de investigación integra diversas estrategias numéricas con control de errores integrado, incluyendo: descomposición generalizada apropiada (PGD) para la aproximación en tiempo real con variables separadas, descomposición ortogonal apropiada (POD) y POD kernel (kPOD) para la reducción basada en proyecciones, sustitutos de redes neuronales (NN) para el aprendizaje de dependencias paramétricas no lineales, y métodos de multifidelidad que combinan simulaciones con diferentes resoluciones y precisiones para optimizar los costos computacionales. Esta línea conecta la reducción de modelos con el aprendizaje automático científico, proporcionando herramientas robustas para el diseño, control, optimización y cuantificación de la incertidumbre en la ciencia e ingeniería computacionales.

Diseño basado en datos y modelos híbridos que combinan datos y física

Desarrollo de herramientas numéricas para construir modelos de ingeniería a partir de datos y observaciones, en lugar de usar modelos físicos o analíticos. Las metodologías propuestas pertenecen al marco de diseño directo basado en datos (D4), incluyendo: aproximación estructurada de bajo rango (SLA), control directo e indirecto basado en datos, enfoque conductual para la teoría de sistemas y aprendizaje por refuerzo (RL). Además, esta línea busca conectar los modelos físicos (y sus aproximaciones) con los modelos basados ​​en datos. El objetivo es mejorar los modelos físicos utilizando datos de sensores y observaciones, y mejorar la interpretabilidad y explicabilidad de los datos mediante el conocimiento físico mediante la asimilación de datos, la actualización de modelos bayesianos, el aumento de datos basado en la física y los enfoques de Monte Carlo de cadenas de Markov. Esta línea de investigación se centra específicamente en metodologías robustas, con un enfoque en datos ruidosos, perturbaciones e incertidumbre del modelo.

Software de código abierto para la ciencia computacional y la ingeniería

Desarrollo de soluciones de código abierto que implementan herramientas numéricas de vanguardia, adecuadas para la práctica industrial y el desarrollo sostenible. El software relevante incluye solucionadores de simulación para sistemas que involucran fenómenos de fluidos, sólidos, electromagnetismo y multifísica, así como aplicaciones sustitutivas para el gemelo digital en escenarios de múltiples consultas (p. ej., diseño, optimización de forma y topología, control, monitorización, análisis inverso, cuantificación de incertidumbre, etc.).

 
Proyectos finalizados
 
Búsqueda
 

Notícias relacionadas

No se han encontrado resultados

La página solicitada no pudo encontrarse. Trate de perfeccionar su búsqueda o utilice la navegación para localizar la entrada.

Más noticias