• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International journal of numerical methods for heat & fluid flow >Deep learning or interpolation for inverse modelling of heat and fluid flow problems?
【24h】

Deep learning or interpolation for inverse modelling of heat and fluid flow problems?

机译：深度学习或插值，用于发热和流体流动问题的逆建模？

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Purpose-The purpose of this study is to compare interpolation algorithms and deep neural networks for inverse transfer problems with linear and nonlinear behaviour. Design/methodology/approach-A series of runs were conducted for a canonical test problem. These were used as databases or "learning sets" for both interpolation algorithms and deep neural networks. A second set of runs was conducted to test the prediction accuracy of both approaches. Findings-The results indicate that interpolation algorithms outperform deep neural networks in accuracy for linear heat conduction, while the reverse is true for nonlinear heat conduction problems. For heat convection problems, both methods offer similar levels of accuracy. Originality/value-This is the first time such a comparison has been made.
机译：目的 - 本研究的目的是比较插值算法和深度神经网络，以实现线性和非线性行为的逆传递问题。 设计/方法/方法 - 为规范测试问题进行了一系列运行。 这些被用作数据库或“学习集”，用于插值算法和深神经网络。 进行了第二组运行以测试两种方法的预测准确性。 结果 - 结果表明，插值算法以线性导热的准确性优于深度神经网络，而非线性导热问题的反向是正确的。 对于热对流问题，两种方法都提供了类似的准确度。 原创性/值 - 这是第一次进行了这样的比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号