Zugriff

    Zugriff prüfen

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Enhancing generalizability of machine-learning turbulence models


    Beteiligte:
    Li, Jiaqi (Autor:in) / Bin, Yuanwei (Autor:in) / Huang, George (Autor:in) / Yang, Xiang I. (Autor:in)

    Kongress:

    AIAA SCITECH 2024 Forum



    Erscheinungsdatum :

    01.01.2024




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Elektronische Ressource


    Sprache :

    Englisch



    Interpretability and Generalizability of Constitutive Models using Symbolic Regression

    Jacob Hochhalter / Karl Garbrecht / Donovan Birky et al. | NTRS


    Generalizability of Code Clone Detection on CodeBERT

    Sonnekalb, Tim / Gruner, Bernd / Brust, Clemens-Alexander et al. | Deutsches Zentrum für Luft- und Raumfahrt (DLR) | 2022

    Freier Zugriff

    Applicability of machine learning in uncertainty quantification of turbulence models

    Matha, Marcel / Kucharczyk, Karsten | Deutsches Zentrum für Luft- und Raumfahrt (DLR) | 2022

    Freier Zugriff

    Augmentation of Turbulence Models Using Field Inversion and Machine Learning

    Singh, Anand Pratap / Duraisamy, Karthikeyan / Zhang, Ze Jia | AIAA | 2017


    Applicability of machine learning in uncertainty quantification of turbulence models

    Matha, Marcel / Kucharczyk, Karsten | Deutsches Zentrum für Luft- und Raumfahrt (DLR) | 2022

    Freier Zugriff