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, Sébastien Houde, Frederick Gosselin

Article de revue (2022)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel
Département:
Département de génie mécanique
Unité de recherche:
LM2 - Laboratoire de Mécanique Multi-échelles
Adresse 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
OAI:
oai:publications.polymtl.ca:50915
ORCID
Date du dépôt:
18 avr. 2023 14:59
Dernière modification:
14 oct. 2026 14:07
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

Actions réservées au personnel

Afficher document
Afficher document