Semplificare i modelli per simulazioni in tempo reale.
Per quanto potenti, gli algoritmi di calcolo numerico possono richiedere tempi significativi per simulare fenomeni di grande complessità. Tuttavia, in molti casi è fondamentale poter contare su simulazioni in tempo reale: per esempio, negli interventi chirurgici. Per trasformare questa esigenza in una possibilità concreta, la comunità scientifica fa ricorso a tecniche di riduzione dell’ordine del modello (Model Order Reduction, MOR): strumenti matematici che permettono di semplificare i modelli, rendendo i calcoli molto più rapidi, pur mantenendo un buon grado di accuratezza. Il Research Topic 2 (RT2) esplora l’applicazione della MOR nel campo della fluidodinamica computazionale, disciplina cruciale per la simulazione di fenomeni industriali, fisiologici e ambientali. Poiché ogni semplificazione comporta inevitabilmente l’introduzione di approssimazioni, e quindi di piccoli margini di errore, il RT2 si affida alla scienza della quantificazione dell’incertezza per stimare, contenere e ridurre le incertezze nei risultati.
Insieme di tecniche per semplificare i modelli matematici, basate sul principio di mantenere solo i parametri più rilevanti al loro interno.
Fluidodinamica computazionale
Branca della fisica che studia e simula il modo in cui i fluidi si muovono e interagiscono, con altri corpi o tra di loro, attraverso algoritmi di calcolo numerico.
Quantificazione dell’incertezza
Disciplina matematica dedicata allo studio e alla stima delle incertezze all’interno di simulazioni e modelli matematici.
Task e risultati
Il Research Topic 2 è organizzato in quattro task, ciascuno dei quali corrisponde a una diversa fase del flusso di ricerca, dalla revisione delle tecniche attuali alla progettazione e allo sviluppo di applicazioni in tempo reale basate su modelli ridotti.
Ogni prodotto scientifico del Research Topic 2 è associato a uno specifico task e a una milestone che lo colloca all’interno del progetto iNEST, lungo la timeline del progetto (2022, 2023, 2024, 2025) oppure nell’ambito di specifiche attività progettuali (per esempio quelle legate ai Young Researcher Grants).
1 – Revisione della MOR
Il task RT2.1 si concentra sulla revisione delle attuali tecniche per la riduzione d’ordine e la quantificazione dell’incertezza.
Sparse Identification of Bifurcating CFD Phenomena
Tomada, L., Khamlich, M., Pichi, F., & Rozza, G. (2025). Sparse Identification for bifurcating phenomena in Computational Fluid Dynamics. Computers & Fluids, 302, 106841. https://doi.org/10.1016/j.compfluid.2025.106841
SISSA
Young Researchers
Articolo su rivista
2 – Progettazione in tempo reale
Il task RT2.2 ha a che fare con la progettazione di una o più applicazioni in tempo reale, utilizzando sia modelli completi che ridotti.
Generative Models for Constrained Shape Deformation
Padula, G., Romor, F., Stabile, G., & Rozza, G. (2024). Generative models for the deformation of industrial shapes with linear geometric constraints: Model order and parameter space reductions. Computer Methods in Applied Mechanics and Engineering, 423.
SISSA
2023
Articolo su rivista
Deep Kalman Filtering for Partially Unknown Systems
Chinellato, E., Marcuzzi, F. (2024). State Estimation of Partially Unknown Dynamical Systems with a Deep Kalman Filter. Computational Science – ICCS 2024, Lecture Notes in Computer Science, International Conference on Computational Science (ICCS) 2024. https://dx.doi.org/10.1007/978-3-031-63775-9_22
Università di Padova
2023
Articolo di conferenza
Optimal Transport-Driven Deep Learning for Model Reduction
Khamlich, M., Pichi, F., & Rozza, G. (2025). Optimal Transport-Inspired Deep Learning Framework for Slow-Decaying Kolmogorov n-Width Problems: Exploiting Sinkhorn Loss and Wasserstein Kernel. SIAM Journal on Scientific Computing, C235–C264. https://doi.org/10.1137/23M1604680
SISSA
2024
Articolo su rivista
Graph Networks for Resolution-Invariant Operator Learning
Morrison, O. M., Pichi, F., & Hesthaven, J. S. (2024). GFN: A graph feedforward network for resolution-invariant reduced operator learning in multifidelity applications. Computer Methods in Applied Mechanics and Engineering, 432, 117458. https://doi.org/10.1016/j.cma.2024.117458
SISSA
2024
Articolo su rivista
Space-Dependent Aggregation for Non-Intrusive ROMs
Ivagnes, A., Tonicello, N., Cinnella, P., & Rozza, G. (2024). Enhancing non-intrusive reduced-order models with space-dependent aggregation methods. Acta Mechanica, 1-30.
SISSA
2024
Articolo su rivista
Certified Greedy Methods for Bifurcating PDEs
Pichi, F., & Strazzullo, M. (2025). Deflation-based certified greedy algorithm and adaptivity for bifurcating nonlinear PDEs. Communications in Nonlinear Science and Numerical Simulation, 149, 108941. https://doi.org/10.1016/j.cnsns.2025.108941
SISSA
2025
Articolo su rivista
3 – Sviluppo del modello ridotto
Il task RT2.3 è la fase di sviluppo, in cui si analizza il problema in esame e si realizzano un modello completo e uno ridotto. I due tipi di modelli vengono messi a confronto, specialmente in termini di errori.
Accuracy and Efficiency of Reduced Order Models
Siena, P., Africa, P. C., Girfoglio, M., & Rozza, G. (2024). On the accuracy and efficiency of reduced order models: Towards real-world applications. In F. Chouly, S. P. A. Bordas, R. Becker, & P. Omnes (Eds.), Error control, adaptive discretizations, and applications, Part 2 (Vol. 59, pp. 245–288). Elsevier.
SISSA
2023
Contributo su libro
Reduced Order Control of Cardiovascular Flows
Rathore, S., Africa, P. C., Ballarin, F., Pichi, F., Girfoglio, M., & Rozza, G. (2025). Projection-based reduced order modelling for unsteady parametrized optimal control problems in 3D cardiovascular flows. Computer Methods and Programs in Biomedicine, 269, 108813. https://doi.org/10.1016/j.cmpb.2025.108813
SISSA
2024
Articolo su rivista
Mesh-Informed ROMs for Aneurysm Risk Prediction
D’Inverno, G. A., Moradizadeh, S., Salavatidezfouli, S., Africa, P. C., & Rozza, G. (2025). Mesh-informed Reduced Order Models for aneurysm rupture risk prediction. Journal of Computational and Applied Mathematics, 116727.
SISSA
2024
Articolo su rivista
Data-Driven Implicit LES with Spectral Difference Methods
Clinco, N., Tonicello, N., & Rozza, G. (2025). A data-driven study on Implicit LES using a spectral difference method. Journal of Computational Physics, 114302.
SISSA
2024
Articolo su rivista
Reduced Order Modeling: Intrusive and Non-Intrusive Review
Padula, G., Girfoglio, M., & Rozza, G. (2024). A brief review of reduced order models using intrusive and non‐intrusive techniques. Proceedings in Applied Mathematics.
SISSA
2024
Articolo di conferenza
Hybrid ROMs for Hemodynamic Boundary Conditions
Siena, P., Africa, P. C., Girfoglio, M., & Rozza, G. (2025). A hybrid reduced order model to enforce outflow pressure boundary conditions in computational hemodynamics. Biomechanics and Modeling in Mechanobiology.
SISSA
2025
Articolo su rivista
Transport-Based Interpolation for Nonlinear Reduced Models
Khamlich, M., Pichi, F., Girfoglio, M., Quaini, A., & Rozza, G. (2025). Optimal transport-based displacement interpolation with data augmentation for reduced order modeling of nonlinear dynamical systems. Journal of Computational Physics, 531, 113938. https://doi.org/10.1016/j.jcp.2025.113938
SISSA
Young Researchers
Articolo su rivista
4 –Quantificazione dell’incertezza e implementazione
Il task RT2.4 mira a implementare l’applicazione basata sul modello ridotto e a stabilire un approccio adatto per la quantificazione dell’incertezza.
Coordinamento
Il Research Topic 2 è guidato dalla Scuola Internazionale Superiore di Studi Avanzati (SISSA). L’Università di Padova (UniPD) e l’Istituto Nazionale di Oceanografia e Geofisica Sperimentale (OGS) sono a loro volta coinvolti nel RT2.
