Zobrazeno 1 - 10
of 143
pro vyhledávání: '"DeepONet"'
Autor:
Waleed Diab, Mohammed Al Kobaisi
Publikováno v:
Scientific Reports, Vol 14, Iss 1, Pp 1-12 (2024)
Abstract Learning operators with deep neural networks is an emerging paradigm for scientific computing. Deep Operator Network (DeepONet) is a modular operator learning framework that allows for flexibility in choosing the kind of neural network to be
Externí odkaz:
https://doaj.org/article/5b4ebe4bf3be492aadf2bbd3b525d581
Publikováno v:
Engineering, Vol 39, Iss , Pp 94-103 (2024)
Reactive transport equations in porous media are critical in various scientific and engineering disciplines, but solving these equations can be computationally expensive when exploring different scenarios, such as varying porous structures and initia
Externí odkaz:
https://doaj.org/article/d2c9803091c649838ca34383e4221c8d
Publikováno v:
Applied Sciences, Vol 14, Iss 18, p 8154 (2024)
Traditional femtosecond laser modeling relies on the iterative solution of the Nonlinear Schrödinger Equation (NLSE) using the Split-Step Fourier Method (SSFM). However, SSFM’s high computational complexity leads to significant time consumption, p
Externí odkaz:
https://doaj.org/article/9cdffeaf40154a09877c7463538927af
Publikováno v:
Advanced Modeling and Simulation in Engineering Sciences, Vol 10, Iss 1, Pp 1-21 (2023)
Abstract In the present work, we introduce a novel approach to enhance the precision of reduced order models by exploiting a multi-fidelity perspective and DeepONets. Reduced models provide a real-time numerical approximation by simplifying the origi
Externí odkaz:
https://doaj.org/article/c02ce668480c4d2d9e1e52a62c37228b
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Zifeng Zhao, Xuesong Yang, Ding Ding, Qiangyong Wang, Feiran Zhang, Zhicheng Hu, Kaikai Xu, Xuelin Wang
Publikováno v:
Applied Sciences, Vol 14, Iss 6, p 2615 (2024)
Physics-informed DeepONet (PI_DeepONet) is utilized for the reconstruction task of structural displacement based on measured strain. For beam and plate structures, the PI_DeepONet is built by regularizing the strain–displacement relation and bounda
Externí odkaz:
https://doaj.org/article/e9b7e0a76b2b4b729407ebccbcf01b26
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.