Machine Learning, Low-Rank Approximations and Reduced Order Modeling in Computational Mechanics
Der Einsatz des maschinellen Lernens in der Mechanik boomt. Algorithmen, die von Entwicklungen auf dem Gebiet der künstlichen Intelligenz inspiriert sind, decken heute immer vielfältigere Anwendungsbereiche ab.
Dieses Buch veranschaulicht die jüngsten Ergebnisse bei der Kopplung von maschinellem Lernen mit Computational Mechanics, insbesondere bei der Konstruktion von Ersatzmodellen oder Modellen reduzierter Ordnung. Die in diesem Sammelband enthaltenen Beiträge wurden auf dem EUROMECH-Kolloquium 597 "Reduced Order Modeling in Mechanics of Materials" vorgestellt, das vom 28. bis 31.
August 2018 in Bad Herrenalb stattfand. In diesem Buch werden Künstliche Neuronale Netze mit physikbasierten Modellen gekoppelt.
Das Tensorformat von Simulationsdaten wird in Surrogatmodellen oder für das Data Pruning ausgenutzt. Verschiedene Modelle reduzierter Ordnung werden durch maschinelle Lernstrategien vorgeschlagen, die auf Simulationsdaten angewendet werden. Da Modelle reduzierter Ordnung spezifische Approximationsfehler aufweisen, werden in diesem Buch auch Fehlerschätzer vorgeschlagen.
Die vorgeschlagenen numerischen Beispiele sind sehr nah an technischen Problemen. Für den Leser ist dieses Buch ein nützliches Nachschlagewerk, um Fortschritte im Bereich des maschinellen Lernens und der Modellierung reduzierter Ordnung für die Computermechanik zu erkennen.
| ISBN: | 9783039214099 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
