Data-driven models and digital twins for sustainable combustion technologies

;Swaminathan, Nedunchezhian
Référence iScience, 27, 4, 109349
Publication Publié, 2024-04

Article révisé par les pairs

Machine Learning and Its Application to Reacting Flows:ML and Combustion
par Swaminathan, Nedunchezhian , Parente, Alessandro
Publication 2023-01-01
Timescales distribution and reactive structures in MILD reactors for different energy carriers
par Ariemma, Giovanni Battista , Sorrentino, Giancarlo , Sabia, Pino , Parente, Alessandro , Ragucci, Raffaele , de Joannon, Mariarosaria
Publication 2024-12
A data-driven, physics-informed framework for sub-grid combustion closure using artificial neural network.
par Iavarone, Salvatore , Pequin, Arthur , Swaminathan, Nedunchezhian , Parente, Alessandro
Publication 2023-01
Chemical timescale analysis of the Partially Stirred Reactor model for a hydrogen-fuelled scramjet
par Piscopo, Alessandro , De Paepe, Ward , Parente, Alessandro , Iavarone, Salvatore
Publication 2024-09
Challenges and opportunities for the application of digital twins in hard-to-abate industries: a review
par Hafeez, Muhammad Azam , Procacci, Alberto , Coussement, Axel , Parente, Alessandro
Publication 2024-07-09

Référencement	Visibilité	Pérennité	Facilité
Les publications encodées constituent la bibliographie académique de l'Université.	Les documents déposés sont indexés par les moteurs de recherche (Google Scholar,…).	Les documents déposés en open-access sont archivés au sein du réseau de préservation SAFE-PLN (www.safepln.org).	Les listes de publications sont compatibles avec le CV-ULB, le FNRS et accessibles sur le web.