Manifold Learning (eBook)

Manifold Learning (eBook)

Ryckelynck DavidCasenave FabienAkkari Nissrine
Ryckelynck DavidCasenave FabienAkkari Nissrine
Prezzo:
Omaggio
Compra EPUB
Prezzo:
Omaggio
Compra EPUB

Formato

:
EPUB
Cloud: Scopri di più
Lingua: en
Editore: Springer
Collana: SpringerBriefs in Computer Science
Codice EAN: 9783031527647
Anno pubblicazione: 2024
Scopri QUI come leggere i tuoi eBook

Note legali

NOTE LEGALI

a) Garanzia legale, Pagamenti, Consegne, Diritto di recesso
b) Informazioni sul prezzo
Il prezzo barrato corrisponde al prezzo di vendita al pubblico al lordo di IVA e al netto delle spese di spedizione
Il prezzo barrato dei libri italiani corrisponde al prezzo di copertina.
I libri in inglese di Libraccio sono di provenienza americana o inglese.
Libraccio riceve quotidianamente i prodotti dagli USA e dalla Gran Bretagna, pagandone i costi di importazione, spedizione in Italia ecc.
Il prezzo in EURO è fissato da Libraccio e, in alcuni casi, può discostarsi leggermente dal cambio dollaro/euro o sterlina/euro del giorno. Il prezzo che pagherai sarà quello in EURO al momento della conferma dell'ordine.
In ogni caso potrai verificare la convenienza dei nostri prezzi rispetto ad altri siti italiani e, in moltissimi casi, anche rispetto all'acquisto su siti americani o inglesi.
c) Disponibilità
I termini relativi alla disponibilità dei prodotti sono indicati nelle Condizioni generali di vendita.

Disponibilità immediata
L'articolo è immediatamente disponibile presso Libraccio e saremo in grado di procedere con la spedizione entro un giorno lavorativo.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Disponibile in giorni o settimane (ad es. "3-5-10 giorni", "4-5 settimane" )
L'articolo sarà disponibile entro le tempistiche indicate, necessarie per ricevere l'articolo dai nostri fornitori e preparare la spedizione.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Prenotazione libri scolastici
Il servizio ti permette di prenotare libri scolastici nuovi che risultano non disponibili al momento dell'acquisto.

Attualmente non disponibile
L'articolo sarà disponibile ma non sappiamo ancora quando. Inserisci la tua mail dalla scheda prodotto attivando il servizio Libraccio “avvisami” e sarai contattato quando sarà ordinabile.

Difficile reperibilità
Abbiamo dei problemi nel reperire il prodotto. Il fornitore non ci dà informazioni sulla sua reperibilità, ma se desideri comunque effettuare l'ordine, cercheremo di averlo nei tempi indicati. Se non sarà possibile, ti avvertiremo via e-mail e l'ordine verrà cancellato.
Chiudi

Descrizione

This Open Access book reviews recent theoretical and numerical developments in nonlinear model order reduction in continuum mechanics, being addressed to Master and PhD students, as well as to researchers, lecturers and instructors. The aim of the authors is to provide tools for a better understanding and implement reduced order models by using: physics-based models, synthetic data forecast by these models, experimental data and deep learning algorithms. The book involves a survey of key methods of model order reduction applied to model-based engineering and digital twining, by learning linear or nonlinear latent spaces. Projection-based reduced order models are the projection of mechanical equations on a latent space that have been learnt from both synthetic data and experimental data. Various descriptions and representations of structured data for model reduction are presented in the applications and survey chapters. Image-based digital twins are developed in a reduced setting. Reduced order models of as-manufactured components predict the mechanical effects of shape variations. A similar workflow is extended to multiphysics or coupled problems, with high dimensional input fields. Practical techniques are proposed for data augmentation and also for hyper-reduction, which is a key point to speed up projection-based model order reduction of finite element models. The book gives access to python libraries available on gitlab.com, which have been developed as part of the research program [FUI-25] MORDICUS funded by the French government. Similarly to deep learning for computer vision, deep learning for model order reduction circumvents the need to design parametric problems prior reducing models. Such an approach is highly relevant for image-base modelling or multiphysics modelling.