[et_pb_section fb_built=\u00bb1″ _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_row _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_text _builder_version=\u00bb4.27.4″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
<\/p>\n
Presentamos un algoritmo num\u00e9rico eficiente y robusto para resolver problemas bidimensionales de elasticidad lineal que combina el formato Quantized Tensor Train (QTT) con una estrategia de partici\u00f3n del dominio. Este m\u00e9todo reduce significativamente el uso de memoria y logra una disminuci\u00f3n notable del rango en comparaci\u00f3n con implementaciones consolidadas de elementos finitos como la plataforma FEniCS. Sin embargo, este rendimiento requiere replantear de forma fundamental c\u00f3mo se implementan las operaciones b\u00e1sicas del m\u00e9todo de elementos finitos, lo que incluye cambios en la discretizaci\u00f3n de la malla, el orden de los nodos y grados de libertad, la matriz de rigidez, el ensamblaje de fuerzas nodales internas y la ejecuci\u00f3n de operaciones algebraicas matriz-vector. En este trabajo se analizan todos estos aspectos en detalle y se eval\u00faa el rendimiento del m\u00e9todo en la aproximaci\u00f3n num\u00e9rica de tres casos de prueba representativos.<\/p>\n
<\/p>\n
Ref: https:\/\/doi.org\/10.1016\/j.cma.2025.118276<\/a><\/p>\n