Reduced order models for parameterized PDEs|| Neural network chemical kinetics || May 8, 2026

Valeur des informations & solidité de l’argumentation

Les deux présentations apportent des contributions méthodologiques intéressantes. La première propose une extension originale de la DMD aux problèmes paramétrés, avec une validation sur des équations classiques. L’argumentation est solide, s’appuyant sur des comparaisons avec des méthodes existantes (POD-NN) et des analyses d’erreur. La seconde présente une application concrète des réseaux de neurones à un problème complexe de combustion, avec une justification physique claire. Les limites des méthodes sont discutées, ce qui renforce la crédibilité.

Rigueur scientifique, qualité des sources, adéquation du titre

Les présentations s’appuient sur des méthodes bien établies (DMD, POD, DeepONet) et des modèles cinétiques validés (FFCM-2, HyChem). Les références sont mentionnées mais non détaillées dans la transcription. Le titre est fidèle au contenu. La rigueur scientifique est bonne, mais le format de séminaire ne permet pas une vérification complète des résultats.

Le titre reflète les deux présentations principales : modèles réduits pour EDP paramétrées et réseaux de neurones pour la cinétique chimique.

7/10

Exposés techniques de niveau recherche, avec présentations structurées et références à des méthodes établies (DMD, POD, DeepONet). Les résultats sont présentés sans détails complets de validation, mais la rigueur mathématique est apparente. Les questions du public montrent un engagement critique.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et présentation du premier orateur, Zhen Gao.
• 05:00Début de l'exposé sur les modèles réduits pour EDP paramétrées.
• 15:00Présentation de la méthode KNN-DMD et de ses motivations.
• 30:00Exemples numériques : équation de la chaleur, Burgers, Navier-Stokes.
• 45:00Introduction à la décomposition en tenseurs (TTD) et à la méthode TDMD.
• 1:00:00Amélioration avec DeepONet et intégration des conditions initiales.
• 1:15:00Transition vers le deuxième exposé sur la cinétique chimique par réseaux de neurones.
• 1:30:00Présentation des modèles cinétiques FFCM-2 et HyChem.
• 1:45:00Discussion sur l'utilisation de réseaux de neurones contraints par la physique.
• 2:00:00Questions du public et conclusion.

• Dynamic Mode Decomposition: Theory and Applications — Méthode de base pour la réduction de modèle, mentionnée par Zhen Gao.
• DeepONet: Learning nonlinear operators — Méthode d'apprentissage d'opérateurs, mentionnée par Zhen Gao.
• FFCM-2: A detailed chemical kinetic model — Modèle cinétique pour la combustion, mentionné par Lipman et Jayaraman.
• HyChem: A hybrid chemistry model for hydrocarbon fuels — Modèle cinétique pour les carburants, mentionné par Lipman et Jayaraman.

• Dynamic Mode Decomposition: Theory and Applications — Méthode de base pour la réduction de modèle, mentionnée par Zhen Gao.
• DeepONet: Learning nonlinear operators — Méthode d'apprentissage d'opérateurs, mentionnée par Zhen Gao.