ISSN: 2168-9717

Tecnología de ingeniería arquitectónica

Acceso abierto

Nuestro grupo organiza más de 3000 Series de conferencias Eventos cada año en EE. UU., Europa y América. Asia con el apoyo de 1.000 sociedades científicas más y publica más de 700 Acceso abierto Revistas que contienen más de 50.000 personalidades eminentes, científicos de renombre como miembros del consejo editorial.

Revistas de acceso abierto que ganan más lectores y citas
700 revistas y 15 000 000 de lectores Cada revista obtiene más de 25 000 lectores

Indexado en
  • Índice Copérnico
  • Google Académico
  • sherpa romeo
  • Abrir puerta J
  • Revista GenámicaBuscar
  • Claves Académicas
  • Biblioteca de revistas electrónicas
  • Búsqueda de referencia
  • Universidad Hamdard
  • EBSCO AZ
  • OCLC-WorldCat
  • Catálogo en línea SWB
  • Biblioteca Virtual de Biología (vifabio)
  • publones
  • Pub Europeo
Comparte esta página

Abstracto

An Examination of Physics-based Machine Learning in Civil Engineering

Michael Baxter

The potential are expanding across all industries thanks to the recent advancements in machine learning (ML) and deep learning (DL). Although ML is a useful tool that may be used in many different fields, it can be difficult to directly apply it to civil engineering issues. Lab-simulated ML for civil engineering applications frequently fails in real-world assessments. This is typically linked to a phenomenon known as data shift, which occurs when the data used to train and test the ML model differ from the data it meets in the real world. To address data shift issues, a physics-based ML model integrates data, partial differential equations (PDEs), and mathematical models. In order to accomplish supervised learning problems while adhering to any given laws, physics-based ML models are trained. Physics-based Fluid dynamics, quantum physics, computational resources, and data storage are among the many scientific fields where machine learning (ML) is taking centre stage. This essay examines the development of physics-based machine learning and its use in civil engineering.

Descargo de responsabilidad: este resumen se tradujo utilizando herramientas de inteligencia artificial y aún no ha sido revisado ni verificado.