Bis zu 50 % günstiger als neu 3 Jahre rebuy Garantie Professionelles Refurbishment
ElektronikMedien
Tipps & News
AppleAlle anzeigen
TabletsAlle anzeigen
HandyAlle anzeigen
Fairphone
AppleAlle anzeigen
iPhone Air Generation
GoogleAlle anzeigen
Pixel Fold
HonorAlle anzeigen
NothingAlle anzeigen
OnePlusAlle anzeigen
OnePlus 11 GenerationOnePlus 12 GenerationOnePlus 5 GenerationOnePlus 6 GenerationWeitere Modelle
SamsungAlle anzeigen
Galaxy XcoverWeitere Modelle
SonyAlle anzeigen
Weitere ModelleXperia LXperia MXperia X
XiaomiAlle anzeigen
Weitere Modelle
Tablets & eBook ReaderAlle anzeigen
Google
AppleAlle anzeigen
Zubehör
HuaweiAlle anzeigen
MatePad Pro Serie
XiaomiAlle anzeigen
Kameras & ZubehörAlle anzeigen
Kamera Bundles
ObjektiveAlle anzeigen
ZEISS
System & SpiegelreflexAlle anzeigen
Leica
WearablesAlle anzeigen
SmartwatchesAlle anzeigen
LGMotorolaSonyXiaomi
Konsolen & ZubehörAlle anzeigen
Lenovo Legion GoMSI Claw
NintendoAlle anzeigen
Nintendo Game Boy ClassicNintendo Switch Lite
PlayStationAlle anzeigen
XboxAlle anzeigen
Audio & HiFiAlle anzeigen
Zubehör
iPodAlle anzeigen
Zubehör

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Emulation of Complex Fluid Flows

Xingjian Wang, Vigor Yang (Gebundene Ausgabe, Englisch)

Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
While artificial intelligence has made significant strides in imaging and natural language processing, its utilization in engineering science remains relatively new. This book aims to introduce machine learning techniques to facilitate the emulation of complex fluid flows. The work focuses on projection-based reduced-order models (ROMs) that condense high-dimensional data into a low-dimensional subspace by leveraging principal components. Techniques like proper orthogonal decomposition (POD) and convolutional autoencoder (CAE) are utilized to configure this subspace, establishing a functional mapping between input parameters and solution fields. The applicability of POD-based ROMs for spatial and spatiotemporal problems are explored across various engineering scenarios, including flow past a cylinder, supercritical turbulent flows, and hydrogen-blended combustion. To capture intricate dynamics, common POD, kernel-smoothed POD, and common kernel-smoothed POD methods are developed in sequence. Additionally, the effectiveness of POD and CAE in capturing nonlinear features are compared. This book is designed to benefit graduate students and researchers interested in the intersection of data and engineering sciences.
Dieses Produkt haben wir gerade leider nicht auf Lager.
ab 49,99 €
Derzeit nicht verfügbar
Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Technische Daten


Erscheinungsdatum
21.11.2025
Sprache
Englisch
EAN
9783111631356
Herausgeber
De Gruyter
Serien- oder Bandtitel
Machine Learning in Science, Technology, Engineering and Mathematics
Sonderedition
Nein
Autor
Xingjian Wang, Vigor Yang
Seitenanzahl
112
Auflage
1
Einbandart
Gebundene Ausgabe

Hersteller: De Gruyter GmbH, Genthiner Straße 13, Berlin, Deutschland, 10785, productsafety@degruyterbrill.com

Warnhinweise und Sicherheitsinformationen

Informationen nach EU Data Act

-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!