交叉引用引用
以下出版物引用了这篇文章。此列表是根据提供的数据生成的交叉参考.
R·莫利克。和O·桑。2017湍流盲反褶积的神经网络方法.流体力学杂志,第831卷,问题,第页。151
Jean Rabault乔斯坦·科拉斯和亚特兰大延森2017使用人工神经网络进行粒子图像测速:概念验证.测量科学与技术,第28卷,发布。12,第页。125301
B.L.R.里贝罗。洛佩斯,L.B.F。J.F.米特雷。和汤普森,R.L。2018收敛-发散通道和球体周围湍流的模型分析.巴西机械科学与工程学会杂志,第40卷,发布。8,
王卓罗坤李、董谭俊华和范建仁2018大涡模拟中桥下尺度应力的数据驱动闭合研究.流体物理学,第30卷,发布。12,第页。125101
R·莫利克。O·桑。拉希德,A。和维杜拉,P。2018Kraichnan湍流大涡模拟的数据驱动反褶积.流体物理学,第30卷,发布。12,第页。125109
朱银浩和尼古拉斯·扎巴拉斯2018用于代理建模和不确定性量化的贝叶斯深度卷积编解码网络.计算物理杂志,第366卷,问题,第页。415
温,辛刘英正李子燕陈宇佳和彭迪2018基于压缩数据融合的高噪声数据中干净信号的数据挖掘:一种快速响应的压敏涂料应用.流体物理学,第30卷,发布。9,
颜兴辉朱继红匡,敏池和王向阳2018基于强化学习和转移学习的导弹气动设计.科学中国信息科学,第61卷,发布。11,
马杰迪·查里Abdennour C.塞比。贾勒·本·赫米达和费基,阿费夫2018气液两相流稳态含液率估计的优化人工神经网络统一模型.流体工程杂志,第140卷,发布。10,
桑卡拉·桑德雷桑阿里·厄泽尔和贾里·科莱赫梅宁2018气体-颗粒流中动量、组分和能量传输的本构模型.化学和生物分子工程年鉴,第9卷,发布。1,第页。61
刘,杨越南丁优平佐藤和博扬·尼基诺2018沸腾传热的数据驱动建模:使用深度神经网络和高保真模拟结果.应用热工,第144卷,问题,第页。305
金晓伟程鹏陈文丽和李慧2018基于圆柱压力的不同雷诺数下圆柱绕流速度场融合卷积神经网络预测模型.流体物理学,第30卷,发布。4,
古斯塔沃·霍博尔德(Gustavo M.Hobold)。和亚历山大·K·达席尔瓦。2018具有低速、直接和间接可视化的沸腾状态的机器学习分类.国际传热传质杂志,第125卷,问题,第页。1296
Jean-Christophe Loiseau和史蒂文·L·布伦顿。2018约束稀疏Galerkin回归.流体力学杂志,第838卷,问题,第页。42
Nakai、Kengo和吉隆斋木2018利用油藏计算从数据中进行流体变量的机器学习推断.物理审查E,第98卷,发布。2,
林奇音洪骏刘、郑李宝通和王继红2018基于深度学习的导热拓扑优化研究.国际传热传质通讯,第97卷,问题,第页。103
斯里哈尔沙巴特和伊万·斯特纽斯2018水压试验:高效灵活欠驱动AUV的趋势、挑战和机遇综述.第页。1
Jean-Christophe Loiseau伯恩德·诺克。和史蒂文·L·布伦顿。2018稀疏降阶建模:基于传感器的动力学到全状态估计.流体力学杂志,第844卷,问题,第页。459
Wang,Z。肖,D。方,F。R·戈文丹。疼痛,C.C。和郭,Y。2018基于深度学习的降阶流体动力学系统模型辨识.国际流体数值方法杂志,第86卷,发布。4,第页。255
小泉、宏津津诚司和岛英治2018基于深度强化学习的圆柱卡门涡脱落反馈控制.