Nuevo artículo: Castillón, M., Segurado, J. and Romero, I. (2026). A correction method for crack area overestimation in phase-field fracture, Computational Mechanics. (link).

Los modelos de fractura por campo de fase sobreestiman sistemáticamente el área de fisura, como consecuencia de la representación difusa de la grieta y de artefactos numéricos como la localización de deformaciones, en la que la variable de campo de fase satura de forma artificial a lo largo de los elementos finitos. En este artículo proponemos un método de corrección basado en el principio de equipartición de la energía: cuando el parámetro de longitud tiende a cero, las contribuciones del campo de fase y de su gradiente a la energía de fractura se igualan. Dado que los artefactos numéricos afectan principalmente al término del campo de fase y apenas perturban el término del gradiente, el área de fisura puede aproximarse como el doble de la energía dependiente del gradiente. La estimación resultante es independiente de la malla, se aplica a todo el dominio y se extiende de forma natural a tres dimensiones. El método se valida frente a problemas de referencia con solución analítica, se compara con algoritmos de esqueletización y se aplica a geometrías complejas con trayectorias de fisura curvilíneas y a una simulación tridimensional.

Nuevo artículo: Romero, I. and Ortiz, M. (2026). Identification of optimal history variables and corresponding hereditary laws in linear viscoelasticity, Computer Methods in Applied Mechanics and Engineering, 461, 119122. (link).

En este artículo, desarrollamos una formulación basada en la teoría de operadores de modelos constitutivos hereditarios lineales y caracterizamos aproximaciones óptimas de rango finito mediante variables internas en el sentido de los 𝑁-anchos de Kolmogorov. Se demuestra que el operador de historia es compacto bajo hipótesis naturales sobre el núcleo de relajación, lo que permite aproximaciones óptimas de bajo rango. Los modelos reducidos resultantes heredan la consistencia termodinámica, la estabilidad y cotas de aproximación demostrables. El análisis esclarece la relación estructural entre las representaciones hereditarias y las teorías de variables internas, y proporciona una base rigurosa para la modelización de orden reducido en mecánica computacional. Una selección de ejemplos numéricos ilustra la convergencia óptima de las aproximaciones con respecto al rango y al muestreo.

Nuevo artículo: Schenk, C. y Romero, I. (2026). A Framework for the Bayesian Calibration of Complex and Data-Scarce Models in Applied Sciences, Archives of Computational Methods in Engineering. (enlace).

En este artículo de revisión presentamos un marco unificado para la calibración bayesiana de modelos computacionales, con especial énfasis en aplicaciones con simulaciones costosas computacionalmente y datos experimentales escasos. El artículo describe cuatro estrategias de calibración de complejidad creciente — que cubren modelos simples y costosos, con y sin discrepancia de modelo — e introduce ACBICI, una nueva librería Python de código abierto que las implementa. La librería admite calibración con una o múltiples salidas mediante modelos sustitutos basados en procesos gaussianos, inferencia MCMC y variacional, y proporciona directrices prácticas para realizar calibraciones bayesianas fiables en ingeniería y ciencias aplicadas.

Nuevo artículo: Kaleem, A., Gebhardt, C. y Romero, I. (2026). On the pure traction problem of linear elasticity: A regularized formulation and its robust approximation, Computer Methods in Applied Mechanics and Engineering, 459, 119105. (enlace)

Un problema clásico en elasticidad y en otros problemas variacionales es encontrar una solución cuando solo se imponen condiciones de contorno de Neumann —de tracción— en el dominio de la solución. Tradicionalmente, este problema, muy habitual, se ha resuelto seleccionando algunos nodos especiales e imponiéndoles condiciones de contorno específicas para eliminar los movimientos de sólido rígido. Alternativamente, se pueden emplear multiplicadores de Lagrange con el mismo propósito, aunque con un coste mucho mayor.

Nuevo artículo: Romero, I. and Ortiz, M. (2026). A note on data-driven methods for mechanical problems with non-unique solutions, Meccanica, 61. (link).

En este artículo mostramos que la mayoría de los modelos habituales de aprendizaje automático presentan una seria desventaja cuando se emplean en mecánica no lineal: no pueden predecir la bifurcación de soluciones y, por tanto, pueden incurrir en representaciones erróneas incluso para el problema más sencillo.

Nuevo artíulo: Portillo, D. and Romero, I. (2026). Embedding structures in continua: linear models and finite element discretizations, /Computer Methods in Applied Mechanics and Engineering/, 451, 118683. (link)

Nuevo artículo: Castillón, M. and Romero, I. and Segurado, J. (2026). A phase-ield approach to fracture and fatigue analysis: bridging theory and simulation, International Journal of Fatigue, 205, 109397. (link)

Nuevo artículo del grupo: Cantón-Sánchez, R. and Romero, I. (2025). Fluid-structure interaction between dimensionally-reduced nonlinear dragged solids and incompressible flows, Computer Methods in Applied Mechanics and Engineering, 446, 118211 (link)

Nuevo artículo del grupo: E. Bell-Navas, D. Portillo, I. Romero (2025). A fully variational numerical method for structural topology optimization based on a Cahn-Hilliard model. Computer Methods in Applied Mechanics and Engineering (445) (enlace)

Nuevo artículo del grupo: Romero, I. and Ortiz, M. (2025). An energy-stepping Markov Monte Carlo method. Meccanica (60), pg. 1411-1436 (enlace)

Nuevo artículo donde se propone un método para el modelado de la difusión de masa empleando teoría del transporte óptimo.

Nuevo artículo del grupo: Ortiz-Toranzo, Á. and Romero, I. (2024). Finite Element Discretization of the Thermo-Diffusive-Mechanical Problem with Large Deformations, Revista Internacional de Métodos Numéricos para Cálculo y Diseño en Ingeniería, 40. (enlace)

Check our new article describing new numerical methods for the simulation of hydrogen diffusion in metals. The method, extremely robust and efficient, will be the starting point for future studies of the effect of hydrogen in metals.

Check our new article based on the collaboration with IMDEA Materials: Model-based reinforcement learning control of reaction-diffusion problems (2024) Christina Schenk, Aditya Vasudevan, Maciej Haranczyk, Ignacio Romero in the Journal of Optimal Control, Application and Methods.