Zobrazeno 1 - 10
of 34
pro vyhledávání: '"deep generative network"'
Publikováno v:
Petroleum Exploration and Development, Vol 51, Iss 5, Pp 1287-1300 (2024)
This paper proposes a novel intelligent method for defining and solving the reservoir performance prediction problem within a manifold space, fully considering geological uncertainty and the characteristics of reservoirs performance under time-varyin
Externí odkaz:
https://doaj.org/article/d6514f4b1eb049fda95d68bdf30f8eab
Publikováno v:
Heritage Science, Vol 11, Iss 1, Pp 1-14 (2023)
Abstract Generally applied to a painting for protection purposes, a varnish layer becomes yellow over time, making the painting undergo an appearance change. Upon this change, the conservators start a process that entails removing the old layer of va
Externí odkaz:
https://doaj.org/article/51de9a28c8924689bc8ad0f5d3e0ba2f
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.
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.
Publikováno v:
Entropy, Vol 23, Iss 12, p 1640 (2021)
Neural networks play a growing role in many scientific disciplines, including physics. Variational autoencoders (VAEs) are neural networks that are able to represent the essential information of a high dimensional data set in a low dimensional latent
Externí odkaz:
https://doaj.org/article/580de6c6095743fb95f740d62546605e