Gépi tanulás, alacsony rangú közelítések és csökkentett rendű modellezés a számítási mechanikában

Eredeti címe:

Machine Learning, Low-Rank Approximations and Reduced Order Modeling in Computational Mechanics

Könyv tartalma:

A gépi tanulás alkalmazása a mechanikában virágzik. A mesterséges intelligencia fejlődése által inspirált algoritmusok ma már egyre változatosabb alkalmazási területeket fednek le.

Ez a könyv a gépi tanulás és a számításos mechanika összekapcsolásának legújabb eredményeit mutatja be, különösen a helyettesítő modellek vagy csökkentett rendű modellek felépítésére. Az ebben az összeállításban szereplő cikkek a 2018. augusztus 28.

és augusztus 31. között Bad Herrenalbban (Németország) megrendezett EUROMECH 597., " Reduced Order Modeling in Mechanics of Materials című kollokviumon hangzottak el. Ebben a könyvben a mesterséges neurális hálózatok fizikai alapú modellekkel vannak összekapcsolva.

A szimulációs adatok tenzorformátumát helyettesítő modellekben vagy az adatok metszésére használják ki. A szimulációs adatokra alkalmazott gépi tanulási stratégiákon keresztül különböző csökkentett rendű modelleket javasolnak. Mivel a redukált rendű modellek sajátos közelítési hibákkal rendelkeznek, ebben a könyvben hibabecslőket is javasolnak.

A javasolt numerikus példák nagyon közel állnak a mérnöki problémákhoz. Az olvasó ezt a könyvet hasznos referenciának találja a gépi tanulás és a csökkentett sorrendű modellezés terén elért fejlődés azonosításában a számítási mechanika számára.