Muchos problemas de ingeniería exigen encontrar el mejor diseño o la mejor estrategia de control para sistemas cuya simulación es costosa. Desarrollamos métodos de optimización adjunta y bayesiana, modelos de orden reducido que capturan la dinámica esencial con una fracción del coste, y herramientas de aprendizaje automático para la detección y la monitorización.

Temas

• Optimización adjunta y paralela en el tiempo de flujos no estacionarios
• Optimización bayesiana para el control de flujos
• Reducción de modelos no lineales
• Redes neuronales para la monitorización de sensores

Miembros

Miguel Ángel Fosas de Pando, Luis Lafuente Molinero

Publicaciones seleccionadas

• S. Costanzo, T. Sayadi, M. Fosas de Pando, P. J. Schmid, P. Frey (2022). Parallel-in-time adjoint-based optimization – application to unsteady incompressible flows. Journal of Computational Physics. doi:10.1016/j.jcp.2022.111664
• A. Larroque, M. Fosas de Pando, L. Lafuente (2022). Cylinder drag minimization through wall actuation: A Bayesian optimization approach. Computers & Fluids. doi:10.1016/j.compfluid.2022.105370
• L. J. Muñoz-Molina, I. Cazorla-Piñar, J. P. Domínguez-Morales, L. Lafuente, F. Pérez-Peña (2022). Real-time detection of uncalibrated sensors using neural networks. Neural Computing and Applications. doi:10.1007/s00521-021-06865-z
• D. Sipp, M. Fosas de Pando, P. J. Schmid (2020). Nonlinear model reduction: A comparison between POD-Galerkin and POD-DEIM methods. Computers & Fluids. doi:10.1016/j.compfluid.2020.104628