新書推薦：
《
新伦巴第街：美联储如何成为最后交易商
》
售價：NT$
296.0
《
权力与财富 晚清时期的金融博弈（以金融视角重构晚清史，揭开晚清金融体系背后的权谋暗战）
》
售價：NT$
367.0
《
我们赖以生存的隐喻：修订译本
》
售價：NT$
367.0
《
微海幻境：神秘海洋生物微观之旅
》
售價：NT$
1015.0
《
企鹅海盗史
》
售價：NT$
454.0
《
镰仓幕府与外来冲击：蒙古袭来与日本历史的转型
》
售價：NT$
500.0
《
启功谈诗词
》
售價：NT$
275.0
《
中华药商：中国和东南亚的消费文化
》
售價：NT$
296.0
|
| 內容簡介： |
|
《数据驱动流体力学基础与实践》围绕高端装备设计与制造中面临的基础流体力学问题，应用人工智能和大数据时代的数据驱动研究新范式，从人工智能技术与流体力学深度交叉融合视角出发，介绍数据驱动流体力学的基本原理、基础方法和典型案例。《数据驱动流体力学基础与实践》第一部分（第1～4章）介绍数据驱动流体力学研究**的机器学习算法、Python编程基础、数据集构造等底层基础技术；第二部分（第5～9章）介绍面向复杂流动应用场景的数据驱动建模技术；第三部分（第10和11章）介绍流体力学领域偏微分方程神经网络智能求解及深度强化学习优化技术。
|
| 目錄：
|
|
目录丛书序前言第1章 绪论 0011.1 引言 0011.1.1 科学研究范式的演进 0011.1.2 深度学习与科学发现 0021.1.3 数据驱动流体力学的提出 0041.2 研究现状 0051.3 小结 009参考文献 009第2章 Python编程基础 0132.1 Python语言 0132.1.1 安装与设置 0132.1.2 编写规范 0152.1.3 常用语句 0172.1.4 数据结构和操作 0182.1.5 文件处理 0212.1.6 面向对象编程 0222.2 典型人工智能框架 0242.2.1 TensorFlow 0242.2.2 PyTorch 0272.2.3 MindSpore 0302.3 小结 036参考文献 036第3章 神经网络算法基础 0373.1 神经网络算法概述 0373.2 神经网络算法 0383.2.1 前馈神经网络 0383.2.2 反向传播算法 0413.2.3 网络优化算法 0443.3 深度神经网络模型 0503.3.1 全连接深度神经网络 0503.3.2 卷积深度神经网络 0513.3.3 生成对抗网络 0533.3.4 长短期记忆网络 0543.3.5 Transformer网络 0563.3.6 图神经网络 0583.4 小结 059参考文献 059第4章 流体数据集生成 0614.1 流体样本生成 0614.1.1 试验设计方法 0614.1.2 数据生成方法 0624.2 神经网络数据集构造方法 0644.2.1 无量纲化与归一化 0644.2.2 流场数据格式转换 0654.3 公开数据集介绍 0674.3.1 定常数据集 0674.3.2 非定常数据集 0684.3.3 流固耦合数据集 0704.3.4 典型流动与湍流数据集 0744.4 小结 076参考文献 076第5章 气动特性数据驱动建模 0775.1 定常气动力预示建模 0775.1.1 样本库构造 0775.1.2 模型架构 0785.1.3 模型训练与分析 0795.2 非定常气动力预示建模 0815.2.1 样本库构造 0815.2.2 模型架构 0815.2.3 模型训练与分析 0825.3 多精度数据融合预示模型 0835.3.1 样本库构造 0835.3.2 模型架构设计 0845.3.3 模型训练与分析 0885.4 基于D*优试验设计的数据融合建模方法 0885.4.1 样本库构造 0885.4.2 模型架构 0895.4.3 模型训练与分析 0915.5 小结 093参考文献 093第6章 定常流动深度学习建模 0946.1 变工况翼型绕流流场预示模型 0946.1.1 样本库构造 0946.1.2 模型架构 0966.1.3 模型训练与分析 0976.2 基于迁移学习的流场融合预示模型 1006.2.1 样本库构造 1006.2.2 模型架构 1016.2.3 模型训练与分析 1036.3 变几何翼型绕流流场预示模型 1056.3.1 样本库构造 1066.3.2 模型架构 1086.3.3 模型训练与分析 1096.4 基于深度投影的形状感知气动热预示模型 1146.4.1 样本库构造 1146.4.2 模型架构 1146.4.3 模型训练与分析 1166.5 基于三维点云的端到端气动热预示模型 1176.5.1 样本库构造 1176.5.2 模型架构 1176.5.3 模型训练与分析 1196.6 小结 119参考文献 120第7章 非定常流动深度学习建模 1217.1 二维圆柱绕流深度学习模型 1217.1.1 样本库构造 1227.1.2 模型架构 1227.1.3 模型训练与分析 1247.2 跨声速抖振深度学习模型 1277.2.1 样本库构造 1277.2.2 模型架构 1287.2.3 模型训练与分析 1297.3 基于POD降阶的LSTM 深度学习模型 1337.3.1 POD降阶方法 1337.3.2 样本库构造 1347.3.3 模型架构 1357.3.4 模型训练与分析 1367.4 面向高雷诺数湍流预测的深度学习模型 1387.4.1 样本库构造 1387.4.2 模型架构 1407.4.3 模型训练与分析 1417.5 基于实验数据的流场时空重构方法 1447.5.1 样本库构造 1457.5.2 模型架构 1457.5.3 模型训练与分析 1477.6 三维圆球非定常流动深度学习模型 1487.6.1 网格变换拼接技术 1497.6.2 样本库构造 1507.6.3 模型架构 1517.6.4 模型训练与分析 1527.7 小结 155参考文献 156第8章 流固耦合系统数据驱动建模 1578.1 含运动边界的圆柱绕流深度学习模型 1578.1.1 样本库构造 1588.1.2 模型架构 1588.1.3 模型训练与分析 1618.2 圆柱涡激振动流固耦合深度学习模型 1638.2.1 样本库构造 1648.2.2 模型架构 1658.2.3 模型训练与分析 1678.3 翼型流固耦合深度学习模型 1728.3.1 样本库构造 1728.3.2 模型架构 1728.3.3 模型训练与分析 1738.4 基于图神经网络的降落伞充气过程深度学习模型 1768.4.1 样本库构造 1778.4.2 模型架构 1778.4.3 模型训练与分析 1808.5 小结 181参考文献 182第9章 湍流神经网络模型 1839.1 湍流神经网络建模概述 1839.1.1 数据集构造 1849.1.2 与RANS求解器结合方法 1869.2 张量基神经网络雷诺应力模型 1879.2.1 雷诺应力模型 1879.2.2 神经网络建模方法 1889.2.3 模型改进与发展 1899.3 可压缩湍流神经网络模型 1909.3.1 可压缩湍流建模概述 1919.3.2 可压缩湍流模型 1929.3.3 模型效果 1969.4 小结 200参考文献 200第10章 面向偏微分方程求解的神经网络模型 20410.1 神经网络求解偏微分方程概述 20410.2 物理信息嵌入的神经网络求解模型 20710.2.1 PINNs的基本思想 20710.2.2 PDEs的数据驱动求解 20810.2.3 PDEs的参数辨识 21510.2.4 PINNs的局限性 21710.3 基于深度算子神经网络的偏微分方程求解 21710.3.1 DeepONet与FNO 21810.3.2 基于FNO的二维N S 方程求解 22010.4 偏微分方程智能求解的新进展 22210.4.1 PINNs的衍生新框架 22210.4.2 PINNs对于特定流动情况的求解及策略创新 22510.4.3 基于深度算子神经网络方法 22810.5 小结 230参考文献 230第11章 基于深度强化学习的气动优化？控制与决策模型 23211.1 深度强化学习算法理论 23211.1.1 强化学习基本理论 23211.1.2 深度强化学习算法 23411.2 基于深度强化学习的气动外形优化设计 23511.2.1 优化设计算例 23611.2.2 优化设计模型 23611.2.3 优化策略学习与应用 23911.3 基于深度强化学习的流动控制 24211.3.1 流动控制算例 24211.3.2 流动控制模型 24411.3.3 主动流动控制策略学习与应用 24511.4 基于强化学习的飞行器变形决策模型 24611.4.1 变形决策算例介绍 24611.4.2 决策任务模型 24711.4.3 决策任务策略训练与应用 24911.5 小结 250参考文献 250
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
