Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems

Autor Qiang Ren, Yinpeng Wang

Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems - Qiang Ren,Yinpeng Wang

Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems

Autor Qiang Ren, Yinpeng Wang

0.0 z 5 hvězdiček 0 hodnocení čtenářů

Kniha ( pevná vazba )

Do košíku

2 970 Kč s DPH
Jsme transparentní

E-shopové listy

Při zaslání zboží balíčkem

K nákupu nad 99 Kč dárek zdarma v hodnotě 19 Kč

E-shopové listy

Gump: Jsme dvojka

Při zaslání zboží balíčkem

K nákupu nad 499 Kč dárek zdarma v hodnotě 299 Kč

Gump: Jsme dvojka

This book investigates in detail the emerging deep learning (DL) technique in computational physics, assessing its promising potential to substitute conventional numerical solvers for calculating the fields in real-time. After good training, the proposed architecture can resolve both the forward computing and the inverse retrieve problems… Přejít na celý popis

Na zlaté hraně Katarina a Heath byli na ledě neporazitelní a mimo něj to mezi nimi jen jiskřilo. Pak přišel moment, který všechno utnul. Po letech Katarina konečně odhaluje, jak to tehdy bylo. Více informací

K tomuto produktu zákazníci kupují

Popis Hodnocení 0.0 z 5 hvězdiček 0 Vývoj ceny

Popis

This book investigates in detail the emerging deep learning (DL) technique in computational physics, assessing its promising potential to substitute conventional numerical solvers for calculating the fields in real-time. After good training, the proposed architecture can resolve both the forward computing and the inverse retrieve problems.Pursuing a holistic perspective, the book includes the following areas. The first chapter discusses the basic DL frameworks. Then, the steady heat conduction problem is solved by the classical U-net in Chapter 2, involving both the passive and active cases. Afterwards, the sophisticated heat flux on a curved surface is reconstructed by the presented Conv-LSTM, exhibiting high accuracy and efficiency. Additionally, a physics-informed DL structure along with a nonlinear mapping module are employed to obtain the space/temperature/time-related thermal conductivity via the transient temperature in Chapter 4. Finally, in Chapter 5, a series of the latest advanced frameworks and the corresponding physics applications are introduced.

As deep learning techniques are experiencing vigorous development in computational physics, more people desire related reading materials. This book is intended for graduate students, professional practitioners, and researchers who are interested in DL for computational physics.

Sdílet

autoři
Qiang Ren | Yinpeng Wang
kategorie
Knihy » Cizojazyčná literatura » English literature » Nonfiction » Information Technology
Nakladatel
Taylor & Francis Ltd
Rozměr
241 x 162 x 17
jazyk
angličtina
Vazba
pevná vazba
Hmotnost
452 g
isbn
978-1-03-250298-4
Počet stran
180
datum vydání
6.07.2023
ean
9781032502984

Hodnocení a recenze čtenářů Nápověda

0.0 z 5 0 hodnocení čtenářů

0× 5 hvězdiček 0× 4 hvězdičky 0× 3 hvězdičky 0× 2 hvězdičky 0× 1 hvezdička

Přidejte své hodnocení knihy

Načíst další hodnocení

Zobrazit všechna hodnocení

Přidat hodnocení

Vývoj ceny

Vývoj ceny Nápověda

Získejte přehled o vývoji ceny za posledních 60 dní.

Maloobchodní cena Minimální prodejní cena: 2 970 Kč Nápověda

Články, které stojí za pozornost

Zobrazit blog

Články, které stojí za pozornost