Gaetan Raynaud, Sebastien Houde et Frederick Gosselin
Article de revue (2022)
Un lien externe est disponible pour ce documentDépartement: | Département de génie mécanique |
---|---|
Centre de recherche: | LM2 - Laboratoire de Mécanique Multi-échelles |
URL de PolyPublie: | https://publications.polymtl.ca/50915/ |
Titre de la revue: | Journal of Computational Physics (vol. 464) |
Maison d'édition: | Academic Press Inc. |
DOI: | 10.1016/j.jcp.2022.111271 |
URL officielle: | https://doi.org/10.1016/j.jcp.2022.111271 |
Date du dépôt: | 18 avr. 2023 14:59 |
Dernière modification: | 05 avr. 2024 11:54 |
Citer en APA 7: | Raynaud, G., Houde, S., & Gosselin, F. (2022). ModalPINN: An extension of physics-informed Neural Networks with enforced truncated Fourier decomposition for periodic flow reconstruction using a limited number of imperfect sensors. Journal of Computational Physics, 464, 18 pages. https://doi.org/10.1016/j.jcp.2022.111271 |
---|---|
Statistiques
Dimensions