Data-driven Modelling and Scientific Machine Learning in Continuum Physics
Lingua: inglese
Editore: Springer International Publishing, Springer Nature Switzerland Aug 2025, 2025
- Brossura
- Nuovo
Da: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, GermaniaBuchWeltWeit Ludwig Meier e.K.
Venditore AbeBooks dal 11 gennaio 2012
Condizione: Nuovo
EUR 139,09
Quantità: 2 disponibili
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
This item is printed on demand - it takes 3-4 days longer - Neuware -This monograph takes the reader through recent advances in data-driven methods and machine learning for problems in science-specifically in continuum physics. It develops the foundations and details a number of scientific machine learning approaches to enrich current computational models of continuum physics, or to use the data generated by these models to infer more information on these problems. The perspective presented here is drawn from recent research by the author and collaborators. Applications drawn from the physics of materials or from biophysics illustrate each topic. Some elements of the theoretical background in continuum physics that are essential to address these applications are developed first. These chapters focus on nonlinear elasticity and mass transport, with particular attention directed at descriptions of phase separation. This is followed by a brief treatment of the finite element method, since it is the most widely used approach to solve coupled partial differential equations in continuum physics.With these foundations established, the treatment proceeds to a number of recent developments in data-driven methods and scientific machine learning in the context of the continuum physics of materials and biosystems. This part of the monograph begins by addressing numerical homogenization of microstructural response using feed-forward as well as convolutional neural networks. Next is surrogate optimization using multifidelitylearning for problems of phase evolution. Graph theory bears many equivalences to partial differential equations in its properties of representation and avenues for analysis as well as reduced-order descriptions--all ideas that offer fruitful opportunities for exploration. Neural networks, by their capacity for representation of high-dimensional functions, are powerful for scale bridging in physics--an idea on which we present a particular perspective in the context of alloys.One of the most compelling ideas in scientific machine learning is the identification of governing equations from dynamical data--another topic that we explore from the viewpoint of partial differential equations encoding mechanisms. This is followed by an examination of approaches to replace traditional, discretization-based solvers of partial differential equations with deterministic and probabilistic neural networks that generalize across boundary value problems. The monograph closes with a brief outlook on current emerging ideas in scientific machine learning. 244 pp. Englisch.…
Codice articolo 9783031633645
- Titolo
- Data-driven Modelling and Scientific Machine Learning in Continuum Physics
- Autore
- Krishna Garikipati
- Editore
- Springer International Publishing, Springer Nature Switzerland Aug 2025
- Anno di pubblicazione
- 2025
- Condizione
- Neu
- Rilegatura
- Taschenbuch
- Lingua
- inglese
- ISBN 10
- 3031633644
- ISBN 13
- 9783031633645
- Peso dell'articolo
- 376 grammi
- Dimensioni
- 235x155x14 mm
This monograph takes the reader through recent advances in data-driven methods and machine learning for problems in science—specifically in continuum physics. It develops the foundations and details a number of scientific machine learning approaches to enrich current computational models of continuum physics, or to use the data generated by these models to infer more information on these problems. The perspective presented here is drawn from recent research by the author and collaborators. Applications drawn from the physics of materials or from biophysics illustrate each topic. Some elements of the theoretical background in continuum physics that are essential to address these applications are developed first. These chapters focus on nonlinear elasticity and mass transport, with particular attention directed at descriptions of phase separation. This is followed by a brief treatment of the finite element method, since it is the most widely used approach to solve coupled partial differential equations in continuum physics.
With these foundations established, the treatment proceeds to a number of recent developments in data-driven methods and scientific machine learning in the context of the continuum physics of materials and biosystems. This part of the monograph begins by addressing numerical homogenization of microstructural response using feed-forward as well as convolutional neural networks. Next is surrogate optimization using multifidelity learning for problems of phase evolution. Graph theory bears many equivalences to partial differential equations in its properties of representation and avenues for analysis as well as reduced-order descriptions--all ideas that offer fruitful opportunities for exploration. Neural networks, by their capacity for representation of high-dimensional functions, are powerful for scale bridging in physics--an idea on which we present a particular perspective in the context of alloys.
One of the most compelling ideas in scientific machine learning is the identification of governing equations from dynamical data--another topic that we explore from the viewpoint of partial differential equations encoding mechanisms. This is followed by an examination of approaches to replace traditional, discretization-based solvers of partial differential equations with deterministic and probabilistic neural networks that generalize across boundary value problems. The monograph closes with a brief outlook on current emerging ideas in scientific machine learning.
"Riassunto" può appartenere a un’altra edizione di questo titolo.
Informazioni sull’autore
Krishna Garikipati obtained his PhD at Stanford University in 1996, and after a few years of post-doctoral work, he joined the University of Michigan in 2000, rising to Professor in the Departments of Mechanical Engineering and Mathematics. Between 2016 and 2022, he served as the Director of the Michigan Institute for Computational Discovery & Engineering (MICDE). In January 2024 he moved to a a new position as Professor of Aerospace and Mechanical Engineering at University of Southern California. His research is in scientific machine learning and computational science, with applications drawn from biophysics, materials physics, mechanics and mathematical biology. He has been awarded the DOE Early Career Award for Scientists and Engineers, the Presidential Early Career Award for Scientists and Engineers (PECASE), and a Humboldt Research Fellowship. He is a fellow of the US Association for Computational Mechanics, and the International Association for Computational Mechanics, a Life Member of Clare Hall at University of Cambridge, and a visiting scholar in Computational Biology at the Flatiron Institute of the Simons Foundation.
"Descrizione articolo" può appartenere a un’altra edizione di questo titolo.
BuchWeltWeit Ludwig Meier e.K.
Bergisch Gladbach, Germania
Venditore AbeBooks dal 11 gennaio 2012
Tariffe di spedizione da Germania a U.S.A.
| Articolo | Da 5 a 15 giorni lavorativi | Da 5 a 15 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 23,00 | EUR 23,00 |
Metodi di pagamento
- Assegno
- Bonifico bancario
- PayPal
Informazioni sull’azienda del venditore
BuchWeltWeit Ludwig Meier e.K.
Germania
Condizioni di vendita
BuchWeltWeit Inh. Ludwig Meier e.K.
Inhaber: Ludwig Meier
De-Gasperi-Str. 8
51469 Bergisch Gladbach
Deutschland
Tel.: +49(0)22028659300
Fax: +49(0)22028659301
E-Mail: info@buchweltweit.de
Registergericht: Amtsgericht Köln
Registernummer: HRA 28253
Umsatzsteuer-Identifikationsnummer: DE815259907
Wir sind zur Teilnahme an einem Streitbeilegungsverfahren vor einer Verbraucherschlichtungsstelle weder verpflichtet noch bereit.
Diritto di recesso
Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.
Informazioni sul diritto di recesso
Diritto legale di recesso
Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.
Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.
Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).
Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.
Effetti del recesso
In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).
Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.
Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.
Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.
Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.
Dovrai rispedire i beni o consegnarli a BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Germany, senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.
Eccezioni al diritto di recesso
Il diritto di recesso non si applica a:
- La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
- La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.
Condizioni di spedizione
Der Versand ins Ausland findet IMMER mit DHL statt. Auch nach Österreich verschicken wir nur mit DHL! Daher Standardversand == Luftpost!