Vor Ort
Merkzettel Warenkorb
  • Produktbild: Data-Driven Fluid Mechanics
  • Produktbild: Data-Driven Fluid Mechanics

Data-Driven Fluid Mechanics Combining First Principles and Machine Learning

141,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

21.10.2024

Herausgeber

Mendez Miguel A. + weitere

Verlag

Cambridge Academic

Seitenzahl

470

Maße (L/B/H)

25/17,5/3 cm

Gewicht

1020 g

Sprache

Englisch

ISBN

978-1-108-84214-3

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

21.10.2024

Herausgeber

Verlag

Cambridge Academic

Seitenzahl

470

Maße (L/B/H)

25/17,5/3 cm

Gewicht

1020 g

Sprache

Englisch

ISBN

978-1-108-84214-3

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Data-Driven Fluid Mechanics
  • Produktbild: Data-Driven Fluid Mechanics
  • Part I. Motivation: 1. Analysis, modeling and control of the cylinder wake B. R. Noack, A. Ehlert, C. N. Nayeri and M. Morzynski; 2. Coherent structures in turbulence: a data science perspective J. Jiménez; 3. Machine learning in fluids: pairing methods with problems S. Brunton; Part II. Methods from Signal Processing: 4. Continuous and discrete LTI systems M. A. Mendez; 5. Time-frequency analysis and wavelets S. Discetti; Part III. Data-Driven Decompositions: 6. The proper orthogonal decomposition S. Dawson; 7. The dynamic mode decomposition: from Koopman theory to applications P. J. Schmid; 8. Generalized and multiscale modal analysis M. A. Mendez; 9. Good practice and applications of data-driven modal analysis A. Ianiro; Part IV. Dynamical Systems: 10. Linear dynamical systems and control S. Dawson; 11. Nonlinear dynamical systems S. Brunton; 12. Methods for system identification S. Brunton; 13. Modern tools for the stability analysis of fluid flows P. J. Schmid; Part V. Applications: 14. Machine learning for reduced-order modeling B. R. Noack, D. Fernex and R. Semaan; 15. Advancing reacting flow simulations with data-driven models K. Zdybal, G. D'Alessio, G. Aversano, M. R. Malik, A. Coussement, J. C. Sutherland and A. Parente; 16. Reduced-order modeling for aerodynamic applications and multidisciplinary design optimization S. Görtz, P. Bekemeyer, M. Abu-Zurayk, T. Franz and M. Ripepi; 17. Machine learning for turbulence control B. R. Noack, G. Y. Cornejo Maceda, F. Lusseyran; 18. Deep reinforcement learning applied to active flow control J. Rabault and A. Kuhnle; Part VI. Perspectives: 19. The Computer as scientist J. Jiménez; References.