Целью работы является комплексный анализ и практическая адаптация существующего алгоритма Лувена для выявления сообществ в мультиплексных и темпоральных научных сетях. В ходе исследования были систематизированы основные понятия и рассмотрены современные методы кластеризации сетевых структур. Для проведения экспериментов были собраны обширные данные об авторах, публикациях и тематиках исследований из открытой библиометрической платформы OpenAlex. С использованием средств языка программирования Python эти данные были преобразованы и подготовлены для построения специализированных сетевых моделей. Ключевым результатом работы стало применение модификаций алгоритма Лувена, предназначенных для работы с мультиплексными и темпоральными сетями. В мультиплексной сети разработанный модифицированный алгоритм Лувена сравнивался с алгоритмом ABACUS и Flattening. Для кластеризации темпоральных сетей были рассмотрены и протестированы алгоритмы Smoothed Graph, Iterative Match и Smoothed Louvain, в основе которых лежит классический алгоритм Лувена. Адаптированные алгоритмы продемонстрировали высокие показатели следующих метрик: модулярности, нормализованной взаимной информации, коэффициента Жаккара. Это подтверждает эффективность модифицированных методов и перспективность их использования в качестве базовых инструментов в будущих исследованиях.