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

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

Yinpeng Wang, Qiang Ren

  1. 180 pagine
  2. English
  3. ePUB (disponibile sull'app)
  4. Disponibile su iOS e Android
eBook - ePub

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

Yinpeng Wang, Qiang Ren

Dettagli del libro
Indice dei contenuti
Citazioni

Informazioni sul libro

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.

Domande frequenti

Come faccio ad annullare l'abbonamento?
È semplicissimo: basta accedere alla sezione Account nelle Impostazioni e cliccare su "Annulla abbonamento". Dopo la cancellazione, l'abbonamento rimarrà attivo per il periodo rimanente già pagato. Per maggiori informazioni, clicca qui
È possibile scaricare libri? Se sì, come?
Al momento è possibile scaricare tramite l'app tutti i nostri libri ePub mobile-friendly. Anche la maggior parte dei nostri PDF è scaricabile e stiamo lavorando per rendere disponibile quanto prima il download di tutti gli altri file. Per maggiori informazioni, clicca qui
Che differenza c'è tra i piani?
Entrambi i piani ti danno accesso illimitato alla libreria e a tutte le funzionalità di Perlego. Le uniche differenze sono il prezzo e il periodo di abbonamento: con il piano annuale risparmierai circa il 30% rispetto a 12 rate con quello mensile.
Cos'è Perlego?
Perlego è un servizio di abbonamento a testi accademici, che ti permette di accedere a un'intera libreria online a un prezzo inferiore rispetto a quello che pagheresti per acquistare un singolo libro al mese. Con oltre 1 milione di testi suddivisi in più di 1.000 categorie, troverai sicuramente ciò che fa per te! Per maggiori informazioni, clicca qui.
Perlego supporta la sintesi vocale?
Cerca l'icona Sintesi vocale nel prossimo libro che leggerai per verificare se è possibile riprodurre l'audio. Questo strumento permette di leggere il testo a voce alta, evidenziandolo man mano che la lettura procede. Puoi aumentare o diminuire la velocità della sintesi vocale, oppure sospendere la riproduzione. Per maggiori informazioni, clicca qui.
Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems è disponibile online in formato PDF/ePub?
Sì, puoi accedere a Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems di Yinpeng Wang, Qiang Ren in formato PDF e/o ePub, così come ad altri libri molto apprezzati nelle sezioni relative a Technik & Maschinenbau e Elektrotechnik & Telekommunikation. Scopri oltre 1 milione di libri disponibili nel nostro catalogo.

Informazioni

Editore
CRC Press
Anno
2023
ISBN
9781000896671

Indice dei contenuti

  1. Cover Page
  2. Half-Title Page
  3. Title Page
  4. Copyright Page
  5. Dedication Page
  6. Contents
  7. Preface
  8. Symbols
  9. 1 Deep Learning Framework and Paradigm in Computational Physics
  10. 2 Application of U-Net in 3D Steady Heat Conduction Solver
  11. 3 Inversion of Complex Surface Heat Flux Based on ConvLSTM
  12. 4 Reconstruction of Thermophysical Parameters Based on Deep Learning
  13. 5 Advanced Deep Learning Techniques in Computational Physics
  14. Index