دانلود کتاب تجزیه و تحلیل داده ها برای شبیه سازی عددی مستقیم احتراق آشفته: از تجزیه و تحلیل مبتنی بر معادلات تا یادگیری ماشین بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Data Analysis for Direct Numerical Simulations of Turbulent Combustion: From Equation-Based Analysis to Machine Learning
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : تجزیه و تحلیل داده ها برای شبیه سازی عددی مستقیم احتراق آشفته: از تجزیه و تحلیل مبتنی بر معادلات تا یادگیری ماشین
سری :
نویسندگان : Heinz Pitsch, Antonio Attili
ناشر : Springer International Publishing;Springer
سال نشر : 2020
تعداد صفحات : 294
ISBN (شابک) : 9783030447175 , 9783030447182
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 15 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب روشهایی را برای تجزیه و تحلیل مجموعه دادههای بزرگ تولید شده توسط شبیهسازی عددی مستقیم (DNS) آشفتگی و احتراق ارائه میکند. این توسعه مدلهایی را توصیف میکند که میتوانند برای تجزیه و تحلیل شبیهسازیهای گردابی بزرگ مورد استفاده قرار گیرند، و هم رایجترین تکنیکها و هم تکنیکهای جدید را برجسته میکند.
فصل ها که توسط کارشناسان معتبر بین المللی نوشته شده اند، از خوانندگان دعوت می کنند تا DNS تلاطم و احتراق را از دیدگاهی رسمی و مبتنی بر داده ها در نظر بگیرند، نه از دیدگاه تجربه و شهود. این دیدگاه به خوانندگان اجازه می دهد تا کاستی های مدل های موجود را با هدف نهایی کمی سازی و کاهش عدم قطعیت مبتنی بر مدل تشخیص دهند. علاوه بر این، پیشرفتهای اخیر در یادگیری ماشین و استنباطهای آماری، بینشهای جدیدی را در مورد تفسیر دادههای DNS ارائه میدهد.
This book presents methodologies for analysing large data sets produced by the direct numerical simulation (DNS) of turbulence and combustion. It describes the development of models that can be used to analyse large eddy simulations, and highlights both the most common techniques and newly emerging ones.
The chapters, written by internationally respected experts, invite readers to consider DNS of turbulence and combustion from a formal, data-driven standpoint, rather than one led by experience and intuition. This perspective allows readers to recognise the shortcomings of existing models, with the ultimate goal of quantifying and reducing model-based uncertainty. In addition, recent advances in machine learning and statistical inferences offer new insights on the interpretation of DNS data.