本课程与使用 NVIDIA Modulus 的 PINN 高级主题相关。我们将涵盖逆 PINN、使用 DeepONet 的深度神经算子网络、使用傅里叶神经算子 (FNO) 的深度神经算子网络、用于 3D 线性弹性问题的 PINN、用于多域计算的 PINN 以及使用 PINN 的几何优化等主题。
Published 4/2024
Created by Dr.Mohammad Samara
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz, 2 Ch
Genre: eLearning | Language: English | Duration: 66 Lectures ( 10h 5m ) | Size: 13.5 GB含工程源文件
你将学到哪些技能：
在本课程中，您将学习以下技能：
了解使用 PINN、I-PINN、DeepONet 的深度神经网络算子网络以及 FNO、多域计算和最终使用 PINN 的几何优化来解决偏微分方程 (PDE)背后的数学原理。
编写并构建机器学习算法，使用Nvidia Modulus解决 PINN 。
对结果进行后处理。
预处理数据并将其上传至Nvidia Modulus。
使用开源库。
我们将介绍：
- 二维散热器流动问题的逆物理信息神经网络(I-PINN)解决方案。
- 深度神经网络操作网络（DeepONet）解决 积分问题。
- 深度神经网络算子傅里叶神经算子(FNO)解决 达西问题。
- 物理信息神经网络(PINN)解决 3D 线性弹性问题。
- 用于 3D 流体/固体多域计算的物理信息神经网络(PINN)解决方案。
- 用于热交换器流动问题的 3D 几何优化的物理信息神经网络(PINN)解决方案 。
如果您之前没有机器学习或计算工程方面的经验，那也没问题。但是，建议您了解Nvidia Modulus 的使用和代码运行的基础知识。
让我们一起享受学习 Nvidia Modulus 的乐趣吧。
你将会学到的
- 用于二维散热器流动问题的 I-PINN。
- DeepONet 用于集成问题。
- 用于达西问题的傅里叶神经算子 FNO。
- 用于 3D 线性弹性问题的 PINN。
- 用于 3D 流体/固体多域计算的 PINN。
- 用于热交换器流动问题的 3D 几何优化的 PINN。
此课程面向哪些人：
- 想要学习 PINN 的工程师和程序员
- 学习高级主题 NVIDIA Modulus
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
