Zugriff

    Zugriff prüfen

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Data-driven Surrogate Modeling using Deep Learning for Uncertainty Quantification of Random Fields


    Beteiligte:

    Kongress:

    AIAA SCITECH 2023 Forum



    Erscheinungsdatum :

    01.01.2023




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Elektronische Ressource


    Sprache :

    Englisch




    Surrogate model uncertainty quantification for active learning reliability analysis

    PANG, Yong / ZHANG, Shuai / LIANG, Pengwei et al. | Elsevier | 2024

    Freier Zugriff

    UNCERTAINTY QUANTIFICATION IN VISCOUS HYPERSONIC FLOWS USING GRADIENT INFORMATION AND SURROGATE MODELING

    Lockwood, B. / Rumpfkeil, M. / Yamazaki, W. et al. | British Library Conference Proceedings | 2011


    Uncertainty Quantification in Viscous Hypersonic Flows using Gradient Information and Surrogate Modeling

    Lockwood, Brian / Rumpfkeil, Markus / Yamazaki, Wataru et al. | AIAA | 2011


    Uncertainty Quantification of Material Mechanical Properties Using Surrogate Models

    Smith, C. Frederic / Lapp, Braden / Glavicic, Michael | AIAA | 2016