Zobrazeno 1 - 10
of 192
pro vyhledávání: '"Smirnov Artem"'
Autor:
Sun Xiaojing, Wang Dedong, Drozdov Alexander, Lin Ruilin, Smirnov Artem, Shprits Yuri, Liu Siqing, Luo Bingxian, Luo Xi
Publikováno v:
Journal of Space Weather and Space Climate, Vol 14, p 25 (2024)
In this study, we develop models to predict the log10 of ≥2 MeV electron fluxes with 5-minute resolution at the geostationary orbit using the Long Short-Term Memory (LSTM) and transformer neural networks for the next 1-hour, 3-hour, 6-hour, 12-hour
Externí odkaz:
https://doaj.org/article/3fb1762872b0461b98200954e7d8d80c
Autor:
Ivanchenko Daniil, Smirnov Artem
Publikováno v:
E3S Web of Conferences, Vol 140, p 04007 (2019)
The paper deals with experimental identification of transformer internal faults, an important factor in reliability and sustainability of power supply systems. Task of identification of transformer internal faults requires increasing sensitivity of r
Externí odkaz:
https://doaj.org/article/7d4f2e715fa94219807d469ea1b37eb0
Autor:
Croce, Danilo, Smirnov, Artem, Tiburzi, Luigi, Travaglini, Serena, Costa, Roberta, Calabrese, Armando, Basili, Roberto, Levialdi Ghiron, Nathan, Melino, Gerry
Publikováno v:
In Expert Systems With Applications 15 December 2024 258
Autor:
Giovannini, Sara1 (AUTHOR), Smirnov, Artem1,2 (AUTHOR), Concetti, Livia1 (AUTHOR), Scimeca, Manuel1 (AUTHOR), Mauriello, Alessandro1 (AUTHOR), Bischof, Julia3 (AUTHOR), Rovella, Valentina1 (AUTHOR), Melino, Gerry1 (AUTHOR), Buonomo, Claudio Oreste1 (AUTHOR) o.buonomo@inwind.it, Candi, Eleonora1,2 (AUTHOR) candi@uniroma2.it, Bernassola, Francesca1 (AUTHOR) bernasso@uniroma2.it
Publikováno v:
Biology Direct. 8/16/2024, Vol. 19 Issue 1, p1-13. 13p.
Autor:
Kronberg, Elena A., Hannan, Tanveer, Huthmacher, Jens, Münzer, Marcus, Peste, Florian, Zhou, Ziyang, Berrendorf, Max, Faerman, Evgeniy, Gastaldello, Fabio, Ghizzardi, Simona, Escoubet, Philippe, Haaland, Stein, Smirnov, Artem, Sivadas, Nithin, Allen, Robert C., Tiengo, Andrea, Ilie, Raluca
The spatial distribution of energetic protons contributes towards the understanding of magnetospheric dynamics. Based upon 17 years of the Cluster/RAPID observations, we have derived machine learning-based models to predict the proton intensities at
Externí odkaz:
http://arxiv.org/abs/2105.15108
Autor:
Pignalberi, Alessio, Bilitza, Dieter, Coïsson, Pierdavide, Haralambous, Haris, Nava, Bruno, Pezzopane, Michael, Prol, Fabricio, Smirnov, Artem, Themens, David R., Xiong, Chao
Publikováno v:
In Advances in Space Research May 2024
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.