{rfName}
Mo

Indexado en

APC

3 110,00 Euros
Elsevier
Transformative agreement with library

Licencia y uso

Icono OpenAccess

Citaciones

21

Altmetrics

Investigadores/as Institucionales

Ian Hetherington, AshtonAutor o CoautorCorrochano, AdrianAutor o CoautorAbadia-Heredia, RodrigoAutor o CoautorLazpita, EnekoAutor o CoautorLe Clainche, SoledadAutor (correspondencia)

Compartir

18 de junio de 2024
Publicaciones
>
Artículo
Sí

ModelFLOWs-app: Data-driven post-processing and reduced order modelling tools

Publicado en: COMPUTER PHYSICS COMMUNICATIONS. 301 109217- - 2024-08-01 301(), DOI: 10.1016/j.cpc.2024.109217

Autores:

Hetherington, A; Corrochano, A; Abadía-Heredia, R; Lazpita, E; Muñoz, E; Díaz, P; Maiora, E; López-Martín, M; Le Clainche, S
[+]

Afiliaciones

Univ Libre Bruxelles, Aerothermo Mech Dept, B-1000 Brussels, Belgium - Autor o Coautor
Univ Libre Bruxelles, Brussels Inst Thermal Fluid Syst & clean Energy BR, B-1000 Brussels, Belgium - Autor o Coautor
Univ Politecn Madrid, ETSI Aeronaut & Espacio, Plaza Cardenal Cisneros, 3, Madrid 28040, Spain - Autor o Coautor
Vrije Univ Brussel, B-1000 Brussels, Belgium - Autor o Coautor
Ver más

Resumen

This article presents an innovative open -source software named ModelFLOWs-app, 1 written in Python, which has been created and tested to generate precise and robust hybrid reduced order models (ROMs) fully data -driven. By integrating modal decomposition and deep learning in diverse ways, the software uncovers the fundamental patterns in dynamic systems. This acquired knowledge is then employed to enrich the comprehension of the underlying physics, reconstruct databases from limited measurements, and forecast the progression of system dynamics. The hybrid ROMs produced by ModelFLOWs-app combine experimental and numerical databases, serving as highly accurate alternatives to numerical simulations. As a result, computational expenses are significantly reduced, and the models become powerful tools for optimization and control in various applications. The exceptional capability of ModelFLOWs-app in developing reliable data -driven hybrid ROMs has been demonstrated across a wide range of applications, making it a valuable resource for understanding complex nonlinear dynamical systems and providing insights in diverse domains. This article presents the mathematical background, as well as a review of some examples of applications. Program summary Program title: ModelFLOWs-app CPC Library link to program files: https://doi .org /10 .17632 /49tzcc8sf3 .1 Developer's repository link: github.com/modelflows/ModelFLOWs-app Licensing provisions: MIT license Programming language: Python Supplementary material: Tutorial, example datasets. Nature of problem: ModelFLOWs-app is an open -source Software for data post -processing, patterns identification and development of reduced order models using modal decomposition and deep learning architectures. ModelFLOWs-app provides its users with a user-friendly interface to efficiently identify patterns in data, reconstruct data by repairing or enhancing it, and make predictions based on the available data. Solution method: ModelFLOWs-app methodological framework is formed by two big modules: Module 1 uses modal decomposition methods, and Module 2 is formed by hybrid machine learning tools, which combine modal decomposition with deep learning architectures. Each module solves three different applications: (1) patterns identification, suitable to study the physics behind the data analysed; (2) data reconstruction, capable to reconstruct two- or three- dimensional databases from a set of selected points, using data from sensors, or repairing missing data; (3) data forecasting, which builds reduced order models (ROMs) to predict the spatiotemporal evolution of the signal analysed.
[+]

Palabras clave

Application programsComputer aided software engineeringCylinderData analysisData drivenData reductionData-driven methodsDatabase systemsDecompositionDeep learningDeep-learningDesignDynamical systemsDynamicsLearning architecturesLearning systemsManifoldModal decompositionNonlinear dynamical systemsOpen source softwareOpen systemsOpen-source softwareOpen-source softwaresPattern identificationPatterns identificationPoPost-processingReconstructionReduced order modelReduced order modellingReduced order modelsReduced-order modelRepairSoftware testingThree dimensional computer graphicsVortex

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista COMPUTER PHYSICS COMMUNICATIONS debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 4/61, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Physics, Mathematical. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-04-09:

  • Google Scholar: 8
  • WoS: 3
  • Scopus: 7
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-09:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 26 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/84339/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 194
  • Descargas: 126
[+]

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Belgium.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (Hetherington, Ashton) y Último Autor (LE CLAINCHE MARTINEZ, SOLEDAD).

el autor responsable de establecer las labores de correspondencia ha sido LE CLAINCHE MARTINEZ, SOLEDAD.

[+]

Reconocimientos ligados al ítem

The authors would like to acknowledge the collaboration of the following researchers, who have contributed by sharing databases, writing articles, providing new ideas, and engaging in fruitful discussions. The collective work carried out with these researchers over the past years has greatly enhanced the robustness of the current codes. These re-searchers are: Prof. J.M. Vega (UPM) , Dr. R. Vinuesa (KTH) , Prof. A. Parente (ULB) , Prof. L. Brant (KTH) , Dr. M. Rosti (OIST) , Prof. O. Tam-misola (KTH) , and Prof. J. Soria (Monash Uni.) . The authors would also like to express their gratitude to the research group ModelFLOWs for their valuable discussions, assistance in generating new databases, and for their support in testing some of the developed tools. S.L.C., A.C. and S.R.A. acknowledge the grant PID2020-114173RB-I00 funded by MCIN/AEI/10.13039/501100011033 and the support of Comunidad de Madrid through the call Research Grants for Young Investigators from Universidad Politecnica de Madrid. A.C. also acknowledges the support of Universidad Politecnica de Madrid, under the programme 'Programa Propio'. E.L. and S.L.C. acknowledge the support provided by Grant No. TED2021-129774B-C21 and by Grant No. PLEC2022-009235, funded by MCIN/AEI/10.13039/501100011033 and by the European Union "NextGenerationEU"/PRTR.
[+]