Zugriff

    Zugriff prüfen

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Multiphysics-informed Machine Learning for Uncertainty Quantification on Si Anode Based Battery Performance


    Beteiligte:
    Bansal, Parth (Autor:in) / Li, Yumeng (Autor:in)

    Kongress:

    AIAA SCITECH 2024 Forum



    Erscheinungsdatum :

    2024-01-01



    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Elektronische Ressource


    Sprache :

    Englisch



    Flight Dynamic Uncertainty Quantification Modeling Using Physics-Informed Neural Networks

    Michek, Nathaniel / Mehta, Piyush / Huebsch, Wade | AIAA | 2024



    Machine Learning based Uncertainty Quantification for Wind- Tracking Algorithms

    Su, Hui / Posselt, Derek / Nguyen, Hai et al. | NTRS | 2019


    Multiphysics Modeling on the Capacity Degradation of Silicon Anode

    Bansal, Parth / Zhang, Zhuoyuan / Wang, Pingfeng et al. | TIBKAT | 2023


    Efficient Decoupling of Multiphysics Systems for Uncertainty Propagation

    Friedman, Sam / Isaac, Benson / Ghoreishi, Seyede Fatemeh et al. | AIAA | 2018