Перейти к основному содержанию
Библиотечно-издательский комплекс СФУ
Toggle navigation
Ресурсы
Библиотечный поиск
Каталог изданий университета
Университетские информационные ресурсы
Российские информационные ресурсы
Мировые информационные ресурсы
Периодические издания
Тематические путеводители
Книгообеспеченность учебного процесса
Приобретение литературы
Читателю
Регистрация читателей
Получение и возврат литературы
Межбиблиотечный абонемент
Тематические путеводители
Обучение работе с ресурсами
Доступная среда библиотеки
Детская развивающая площадка
Подарить книгу библиотеке
Автору
Правила издания рукописей
План выпуска изданий
Размещение публикаций в библиотеке, репозитории, РИНЦ
Проверка
журнала
Служба поддержки публикационной
активности
Учёт публикаций в АИС
«Прометей»
Услуги
Справочник услуг и сервисов БИК
Новая заявка на услугу
Бронирование помещений
Контакты
Адреса и режим работы
Контакты
Вопрос-Ответ
Отправить отзыв
Ещё
О Научной библиотеке
Об Издательстве
Дилерство «САБ ИРБИС»
Красноярский ИРБИС-клуб
Литературный клуб «Высокий берег»
Подкаст «Пища для ума»
Вакансии
Часто задаваемые вопросы
Мобильное приложение
Карта сайта и поиск по сайту
Онлайн-медиа Научной библиотеки
Личный кабинет
Главная
Ресурсы
Библиотечный поиск
Physics-informed
neural networks: A
deep learning
framework for solving
forward and inverse
problems involving
nonlinear partial
differential
equations
Maziar Raissi
Paris Perdikaris
George Em Karniadakis
2018 год
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations
статья из журнала
Полный текст
Страница публикации
Публикация в OpenAlex
Год издания:
2018
Авторы:
Maziar Raissi
,
Paris Perdikaris
,
George Em Karniadakis
Издательство:
Elsevier BV
Источник:
Journal of Computational Physics
Ключевые слова:
Model Reduction and Neural Networks, Fluid Dynamics and Turbulent Flows, Meteorological Phenomena and Simulations
Другие ссылки:
Journal of Computational Physics
(PDF)
Journal of Computational Physics
(HTML)
OSTI OAI (U.S. Department of Energy Office of Scientific and Technical Information)
(PDF)
OSTI OAI (U.S. Department of Energy Office of Scientific and Technical Information)
(HTML)
OSTI OAI (U.S. Department of Energy Office of Scientific and Technical Information)
(HTML)
Показать дополнительные сведения
DOI:
https://doi.org/10.1016/j.jcp.2018.10.045
Открытый доступ:
bronze
Том:
378
Страницы:
686–707