ModalPINN: An extension of physics-informed Neural Networks with enforced truncated Fourier decomposition for periodic flow reconstruction using a limited number of imperfect sensors

Gaetan Raynaud, Sebastien Houde et Frederick Gosselin

Article de revue (2022)

Un lien externe est disponible pour ce document

Département:	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
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Répertoire des publications (EndNote)Simple Metadata

Statistiques

Dimensions

Actions réservées au personnel

Afficher document