A comparison of neural network architectures for data-driven reduced-order modeling

The popularity of deep convolutional autoencoders (CAEs) has engendered new and effective reduced-order models (ROMs) for the simulation of large-scale dynamical systems. Despite this, it is still unknown whether deep CAEs provide superior performance over established linear techniques or other netw...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Computer methods in applied mechanics and engineering Ročník 393; s. 114764
Hlavní autoři:	Gruber, Anthony, Gunzburger, Max, Ju, Lili, Wang, Zhu
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Amsterdam Elsevier B.V 01.04.2022 Elsevier BV Elsevier
Témata:	Computer architecture Convolutional autoencoder ENGINEERING Graph convolution Modelling Neural networks Nonlinear dimensionality reduction Parametric PDEs Reduced order models Reduced-order modeling System effectiveness Reduced-order modeling Parametric PDEs 65M60 Graph convolution 65M22 Convolutional autoencoder Nonlinear dimensionality reduction
ISSN:	0045-7825, 1879-2138
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!