Cuốn sách bao gồm một cuộc khảo sát về các phương pháp chính của việc giảm thứ tự mô hình được áp dụng cho kỹ thuật dựa trên mô hình và kỹ thuật số, bằng cách học các không gian tiềm ẩn tuyến tính hoặc phi tuyến tính. Các mô hình thứ tự giảm dựa trên phép chiếu là phép chiếu các phương trình cơ học trên một không gian tiềm ẩn đã được học từ cả dữ liệu tổng hợp và dữ liệu thực nghiệm. Các mô tả và biểu diễn khác nhau của dữ liệu có cấu trúc để giảm mô hình được trình bày trong các chương ứng dụng và khảo sát.

Abstract:

The book involves a survey of key methods of model order reduction applied to model-based engineering and digital twining, by learning linear or nonlinear latent spaces. Projection-based reduced order models are the projection of mechanical equations on a latent space that have been learnt from both synthetic data and experimental data. Various descriptions and representations of structured data for model reduction are presented in the applications and survey chapters.

Ngôn ngữ:	eng
Tác giả:	Ryckelynck, David, Casenave, Fabien, Akkari, Nissrine
Thông tin nhan đề:	Manifold Learning: Model Reduction in Engineering
Nhà xuất bản:	Springer Nature
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	http://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/88364
Mô tả vật lý:	107p.
Năm xuất bản:	2024