Machine Learning, Low-Rank Approximations and Reduced Order Modeling in Computational Mechanics
Wykorzystanie uczenia maszynowego w mechanice kwitnie. Algorytmy inspirowane rozwojem w dziedzinie sztucznej inteligencji obejmują dziś coraz bardziej zróżnicowane obszary zastosowań.
Niniejsza książka ilustruje najnowsze wyniki dotyczące łączenia uczenia maszynowego z mechaniką obliczeniową, w szczególności w celu budowy modeli zastępczych lub modeli zredukowanego rzędu. Artykuły zawarte w tej kompilacji zostały zaprezentowane na kolokwium EUROMECH 597, "Reduced Order Modeling in Mechanics of Materials", które odbyło się w Bad Herrenalb w Niemczech w dniach od 28 do 31 sierpnia 2018 roku. W tej książce sztuczne sieci neuronowe są połączone z modelami opartymi na fizyce.
Format tensorowy danych symulacyjnych jest wykorzystywany w modelach zastępczych lub do przycinania danych. Różne modele zredukowanego rzędu są proponowane poprzez strategie uczenia maszynowego stosowane do danych symulacyjnych.
Ponieważ modele zredukowanego rzędu mają określone błędy aproksymacji, w tej książce zaproponowano również estymatory błędów. Proponowane przykłady numeryczne są bardzo zbliżone do problemów inżynierskich.
Czytelnik może uznać tę książkę za przydatne źródło informacji na temat postępów w uczeniu maszynowym i modelowaniu zredukowanego rzędu dla mechaniki obliczeniowej.