Sparse Surrogate Modeling for Combustion Chemistry via Time-Lag Autoencoders and Gradient-Based Clustering

Recherche avancée | Historique de recherche Mon DI-fusion | À propos de DI-fusion | Contact |

; [et al.]
Référence Chemical engineering science, 324, page (123323)
Publication Publié, 2026-01-20

Article révisé par les pairs

Titre:	Sparse Surrogate Modeling for Combustion Chemistry via Time-Lag Autoencoders and Gradient-Based Clustering
Auteur:	Castellanos, Luisa; et al.
Informations sur la publication:	Chemical engineering science, 324, page (123323)
Statut de publication:	Publié, 2026-01-20
Sujet CREF:	Chimie des combustibles
	Combustion
	Intelligence artificielle
Langue:	Anglais
Identificateurs:	urn:issn:0009-2509

Deep learning dynamical latencies for the analysis and reduction of combustion chemistry kinetics
par Castellanos, Luisa
Publication 2023-10-26
Enhancing chemical kinetic mechanism optimization using independent component analysis
par Murakami, Yuki , Bertolino, Andrea , Parente, Alessandro
Publication 2026-02-01
Stochastic reduced-order modeling for the forecast of noisy dynamical systems
par Procacci, Alberto , Iavarone, Salvatore , Coussement, Axel , Parente, Alessandro
Publication 2025-11-11
A latent variable framework for handling detailed chemistry in reacting flows
par Muñoz, Eva , Malik, Mohammad Rafi , Cuoci, Alberto , Im, Hong G. , Parente, Alessandro
Publication 2025-12-03
Pharmacologie computationnelle de la conception à l’évaluation du médicament
par Souard, Florence , Van Antwerpen, Pierre
Publication 2026-01-07

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.