Publication

Constraint-aware neural networks for Riemann problems

Jan Sickmann Hesthaven
2020
Journal Articles

Résumé

Neural networks are increasingly used in complex (data-driven) simulations as surrogates or for accelerating the computation of classical surrogates. In many applications physical constraints, such as mass or energy conservation, must be satisfied to obtain reliable results. However, standard machine learning algorithms are generally not tailored to respect such constraints.

Source officielle

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Constraint-aware neural networks for Riemann problems

Chattez avec Graph Search

Transfer learning-based approach for evaluating residual stiffness in carbon fiber reinforced composites and adhesives

Development of a blind control occupant behaviour model (BC-OBM) based on contextual and time-related factors through supervised machine learning approaches

A smoothed particle hydrodynamics framework for fluid simulation in robotics