Articles de revues sur le sujet « Multifidelity models »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Multifidelity models ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Molléro, Roch, Xavier Pennec, Hervé Delingette, Alan Garny, Nicholas Ayache et Maxime Sermesant. « Multifidelity-CMA : a multifidelity approach for efficient personalisation of 3D cardiac electromechanical models ». Biomechanics and Modeling in Mechanobiology 17, no 1 (11 septembre 2017) : 285–300. http://dx.doi.org/10.1007/s10237-017-0960-0.
Texte intégralJacobs, Ryan, Philip E. Goins et Dane Morgan. « Role of multifidelity data in sequential active learning materials discovery campaigns : case study of electronic bandgap ». Machine Learning : Science and Technology 4, no 4 (1 décembre 2023) : 045060. http://dx.doi.org/10.1088/2632-2153/ad1627.
Texte intégralNarayan, Akil, Claude Gittelson et Dongbin Xiu. « A Stochastic Collocation Algorithm with Multifidelity Models ». SIAM Journal on Scientific Computing 36, no 2 (janvier 2014) : A495—A521. http://dx.doi.org/10.1137/130929461.
Texte intégralPeng, Yijie, Jie Xu, Loo Hay Lee, Jianqiang Hu et Chun-Hung Chen. « Efficient Simulation Sampling Allocation Using Multifidelity Models ». IEEE Transactions on Automatic Control 64, no 8 (août 2019) : 3156–69. http://dx.doi.org/10.1109/tac.2018.2886165.
Texte intégralJasa, John, Pietro Bortolotti, Daniel Zalkind et Garrett Barter. « Effectively using multifidelity optimization for wind turbine design ». Wind Energy Science 7, no 3 (11 mai 2022) : 991–1006. http://dx.doi.org/10.5194/wes-7-991-2022.
Texte intégralRumpfkeil, Markus P., et Philip Beran. « Construction of Dynamic Multifidelity Locally Optimized Surrogate Models ». AIAA Journal 55, no 9 (septembre 2017) : 3169–79. http://dx.doi.org/10.2514/1.j055834.
Texte intégralZhu, Xueyu, Akil Narayan et Dongbin Xiu. « Computational Aspects of Stochastic Collocation with Multifidelity Models ». SIAM/ASA Journal on Uncertainty Quantification 2, no 1 (janvier 2014) : 444–63. http://dx.doi.org/10.1137/130949154.
Texte intégralKeshavarzzadeh, Vahid, Robert M. Kirby et Akil Narayan. « Convergence Acceleration for Time-Dependent Parametric Multifidelity Models ». SIAM Journal on Numerical Analysis 57, no 3 (janvier 2019) : 1344–68. http://dx.doi.org/10.1137/18m1170339.
Texte intégralHoward, Amanda, Yucheng Fu et Panos Stinis. « A multifidelity approach to continual learning for physical systems ». Machine Learning : Science and Technology 5, no 2 (16 mai 2024) : 025042. http://dx.doi.org/10.1088/2632-2153/ad45b2.
Texte intégralPienaar, Elsje. « Multifidelity Analysis for Predicting Rare Events in Stochastic Computational Models of Complex Biological Systems ». Biomedical Engineering and Computational Biology 9 (janvier 2018) : 117959721879025. http://dx.doi.org/10.1177/1179597218790253.
Texte intégralAhmed, Shady E., Omer San, Kursat Kara, Rami Younis et Adil Rasheed. « Multifidelity computing for coupling full and reduced order models ». PLOS ONE 16, no 2 (11 février 2021) : e0246092. http://dx.doi.org/10.1371/journal.pone.0246092.
Texte intégralDhulipala, Somayajulu L. N., Wen Jiang, Benjamin W. Spencer, Jason D. Hales, Michael D. Shields, Andrew E. Slaughter, Zachary M. Prince, Vincent M. Labouré, Chandrakanth Bolisetti et Promit Chakroborty. « Accelerated statistical failure analysis of multifidelity TRISO fuel models ». Journal of Nuclear Materials 563 (mai 2022) : 153604. http://dx.doi.org/10.1016/j.jnucmat.2022.153604.
Texte intégralSrivastava, Shobhit, et Nathan Michael. « Efficient, Multifidelity Perceptual Representations via Hierarchical Gaussian Mixture Models ». IEEE Transactions on Robotics 35, no 1 (février 2019) : 248–60. http://dx.doi.org/10.1109/tro.2018.2878363.
Texte intégralVo, Huy D., Zachary Fox, Ania Baetica et Brian Munsky. « Bayesian Estimation for Stochastic Gene Expression Using Multifidelity Models ». Journal of Physical Chemistry B 123, no 10 (19 février 2019) : 2217–34. http://dx.doi.org/10.1021/acs.jpcb.8b10946.
Texte intégralPeherstorfer, Benjamin. « Multifidelity Monte Carlo Estimation with Adaptive Low-Fidelity Models ». SIAM/ASA Journal on Uncertainty Quantification 7, no 2 (janvier 2019) : 579–603. http://dx.doi.org/10.1137/17m1159208.
Texte intégralDu, Xiaosong, Jie Ren et Leifur Leifsson. « Aerodynamic inverse design using multifidelity models and manifold mapping ». Aerospace Science and Technology 85 (février 2019) : 371–85. http://dx.doi.org/10.1016/j.ast.2018.12.008.
Texte intégralZeng, Xiaoshu, Gianluca Geraci, Michael S. Eldred, John D. Jakeman, Alex A. Gorodetsky et Roger Ghanem. « Multifidelity uncertainty quantification with models based on dissimilar parameters ». Computer Methods in Applied Mechanics and Engineering 415 (octobre 2023) : 116205. http://dx.doi.org/10.1016/j.cma.2023.116205.
Texte intégralMu, Weiyan, Qiuyue Wei, Dongli Cui et Shifeng Xiong. « Best Linear Unbiased Prediction for Multifidelity Computer Experiments ». Mathematical Problems in Engineering 2018 (7 juin 2018) : 1–7. http://dx.doi.org/10.1155/2018/8525736.
Texte intégralRumpfkeil, Markus P., et Philip S. Beran. « Multifidelity Sparse Polynomial Chaos Surrogate Models Applied to Flutter Databases ». AIAA Journal 58, no 3 (mars 2020) : 1292–303. http://dx.doi.org/10.2514/1.j058452.
Texte intégralSingh, Gulshan, et Ramana V. Grandhi. « Mixed-Variable Optimization Strategy Employing Multifidelity Simulation and Surrogate Models ». AIAA Journal 48, no 1 (janvier 2010) : 215–23. http://dx.doi.org/10.2514/1.43469.
Texte intégralXing, W., M. Razi, R. M. Kirby, K. Sun et A. A. Shah. « Greedy nonlinear autoregression for multifidelity computer models at different scales ». Energy and AI 1 (août 2020) : 100012. http://dx.doi.org/10.1016/j.egyai.2020.100012.
Texte intégralPerry, Daniel J., Robert M. Kirby, Akil Narayan et Ross T. Whitaker. « Allocation Strategies for High Fidelity Models in the Multifidelity Regime ». SIAM/ASA Journal on Uncertainty Quantification 7, no 1 (janvier 2019) : 203–31. http://dx.doi.org/10.1137/17m1144714.
Texte intégralYin, Faliang, Xiaoming Xue, Chengze Zhang, Kai Zhang, Jianfa Han, BingXuan Liu, Jian Wang et Jun Yao. « Multifidelity Genetic Transfer : An Efficient Framework for Production Optimization ». SPE Journal 26, no 04 (21 janvier 2021) : 1614–35. http://dx.doi.org/10.2118/205013-pa.
Texte intégralShi, Yan, Zhiqiang Wan, Zhigang Wu et Chao Yang. « Nonlinear Unsteady Aerodynamics Reduced Order Model of Airfoils Based on Algorithm Fusion and Multifidelity Framework ». International Journal of Aerospace Engineering 2021 (16 septembre 2021) : 1–26. http://dx.doi.org/10.1155/2021/4368104.
Texte intégralSeo, Jongmin, Casey Fleeter, Andrew M. Kahn, Alison L. Marsden et Daniele E. Schiavazzi. « MULTIFIDELITY ESTIMATORS FOR CORONARY CIRCULATION MODELS UNDER CLINICALLY INFORMED DATA UNCERTAINTY ». International Journal for Uncertainty Quantification 10, no 5 (2020) : 449–66. http://dx.doi.org/10.1615/int.j.uncertaintyquantification.2020033068.
Texte intégralRoderick, Oleg, Mihai Anitescu et Yulia Peet. « Proper orthogonal decompositions in multifidelity uncertainty quantification of complex simulation models ». International Journal of Computer Mathematics 91, no 4 (20 janvier 2014) : 748–69. http://dx.doi.org/10.1080/00207160.2013.844431.
Texte intégralSinsbeck, Michael, et Daniel M. Tartakovsky. « Impact of Data Assimilation on Cost-Accuracy Tradeoff in Multifidelity Models ». SIAM/ASA Journal on Uncertainty Quantification 3, no 1 (janvier 2015) : 954–68. http://dx.doi.org/10.1137/141001743.
Texte intégralNagawkar, Jethro, Jie Ren, Xiaosong Du, Leifur Leifsson et Slawomir Koziel. « Single- and Multipoint Aerodynamic Shape Optimization Using Multifidelity Models and Manifold Mapping ». Journal of Aircraft 58, no 3 (mai 2021) : 591–608. http://dx.doi.org/10.2514/1.c035297.
Texte intégralAmrit, Anand, Leifur Leifsson et Slawomir Koziel. « Fast Multi-Objective Aerodynamic Optimization Using Sequential Domain Patching and Multifidelity Models ». Journal of Aircraft 57, no 3 (mai 2020) : 388–98. http://dx.doi.org/10.2514/1.c035500.
Texte intégralClare, Mariana C. A., Tim W. B. Leijnse, Robert T. McCall, Ferdinand L. M. Diermanse, Colin J. Cotter et Matthew D. Piggott. « Multilevel multifidelity Monte Carlo methods for assessing uncertainty in coastal flooding ». Natural Hazards and Earth System Sciences 22, no 8 (3 août 2022) : 2491–515. http://dx.doi.org/10.5194/nhess-22-2491-2022.
Texte intégralRobinson, T. D., M. S. Eldred, K. E. Willcox et R. Haimes. « Surrogate-Based Optimization Using Multifidelity Models with Variable Parameterization and Corrected Space Mapping ». AIAA Journal 46, no 11 (novembre 2008) : 2814–22. http://dx.doi.org/10.2514/1.36043.
Texte intégralChan, F. T. S., A. Chaube, V. Mohan, V. Arora et M. K. Tiwari. « Operation allocation in automated manufacturing system using GA-based approach with multifidelity models ». Robotics and Computer-Integrated Manufacturing 26, no 5 (octobre 2010) : 526–34. http://dx.doi.org/10.1016/j.rcim.2010.04.002.
Texte intégralAllaire, Douglas, et Karen Willcox. « A MATHEMATICAL AND COMPUTATIONAL FRAMEWORK FOR MULTIFIDELITY DESIGN AND ANALYSIS WITH COMPUTER MODELS ». International Journal for Uncertainty Quantification 4, no 1 (2014) : 1–20. http://dx.doi.org/10.1615/int.j.uncertaintyquantification.2013004121.
Texte intégralKontaxoglou, Anastasios, Seiji Tsutsumi, Samir Khan et Shinichi Nakasuka. « Towards a Digital Twin Enabled Multifidelity Framework for Small Satellites ». PHM Society European Conference 6, no 1 (29 juin 2021) : 10. http://dx.doi.org/10.36001/phme.2021.v6i1.2801.
Texte intégralMessina, Luca, Alessio Quaglino, Alexandra Goryaeva, Mihai-Cosmin Marinica, Christophe Domain, Nicolas Castin, Giovanni Bonny et Rolf Krause. « A DFT-driven multifidelity framework for constructing efficient energy models for atomic-scale simulations ». Nuclear Instruments and Methods in Physics Research Section B : Beam Interactions with Materials and Atoms 483 (novembre 2020) : 15–21. http://dx.doi.org/10.1016/j.nimb.2020.09.011.
Texte intégralGruber, Anthony, Max Gunzburger, Lili Ju, Rihui Lan et Zhu Wang. « Multifidelity Monte Carlo estimation for efficient uncertainty quantification in climate-related modeling ». Geoscientific Model Development 16, no 4 (21 février 2023) : 1213–29. http://dx.doi.org/10.5194/gmd-16-1213-2023.
Texte intégralBerci, Marco, et Francesco Torrigiani. « Multifidelity Sensitivity Study of Subsonic Wing Flutter for Hybrid Approaches in Aircraft Multidisciplinary Design and Optimisation ». Aerospace 7, no 11 (12 novembre 2020) : 161. http://dx.doi.org/10.3390/aerospace7110161.
Texte intégralHebert, James L., Thomas H. Holzer, Timothy J. Eveleigh et Shahryar Sarkani. « Use of Multifidelity and Surrogate Models in the Design and Development of Physics-Based Systems ». Systems Engineering 19, no 4 (juillet 2016) : 375–91. http://dx.doi.org/10.1002/sys.21346.
Texte intégralXu, C., Z. Liu, B. T. Cao, G. Meschke et X. Liu. « Multifidelity operator learning for predicting displacement fields of tunnel linings under external loads ». IOP Conference Series : Earth and Environmental Science 1333, no 1 (1 mai 2024) : 012045. http://dx.doi.org/10.1088/1755-1315/1333/1/012045.
Texte intégralAbraham, Troy, David Lazzara et Douglas Hunsaker. « Multifidelity Comparison of Supersonic Wave Drag Prediction Methods Using Axisymmetric Bodies ». Aerospace 11, no 5 (30 avril 2024) : 359. http://dx.doi.org/10.3390/aerospace11050359.
Texte intégralJiang, Zhenxiang, Jongeun Choi et Seungik Baek. « Machine learning approaches to surrogate multifidelity Growth and Remodeling models for efficient abdominal aortic aneurysmal applications ». Computers in Biology and Medicine 133 (juin 2021) : 104394. http://dx.doi.org/10.1016/j.compbiomed.2021.104394.
Texte intégralBerends, K. D., F. Scheel, J. J. Warmink, W. P. de Boer, R. Ranasinghe et S. J. M. H. Hulscher. « Towards efficient uncertainty quantification with high-resolution morphodynamic models : A multifidelity approach applied to channel sedimentation ». Coastal Engineering 152 (octobre 2019) : 103520. http://dx.doi.org/10.1016/j.coastaleng.2019.103520.
Texte intégralBerci, M., P. H. Gaskell, R. W. Hewson et V. V. Toropov. « Multifidelity metamodel building as a route to aeroelastic optimization of flexible wings ». Proceedings of the Institution of Mechanical Engineers, Part C : Journal of Mechanical Engineering Science 225, no 9 (5 juillet 2011) : 2115–37. http://dx.doi.org/10.1177/0954406211403549.
Texte intégralReed, John A., et Abdollah A. Afjeh. « Computational Simulation of Gas Turbines : Part 1—Foundations of Component-Based Models ». Journal of Engineering for Gas Turbines and Power 122, no 3 (15 mai 2000) : 366–76. http://dx.doi.org/10.1115/1.1287490.
Texte intégralNguyen, Vinh-Tan, Jason Yu Chuan Leong, Satoshi Watanabe, Toshimitsu Morooka et Takayuki Shimizu. « A Multi-Fidelity Model for Simulations and Sensitivity Analysis of Piezoelectric Inkjet Printheads ». Micromachines 12, no 9 (29 août 2021) : 1038. http://dx.doi.org/10.3390/mi12091038.
Texte intégralMarques, Simão, Lucas Kob, Trevor T. Robinson et Weigang Yao. « Nonintrusive Aerodynamic Shape Optimisation with a POD-DEIM Based Trust Region Method ». Aerospace 10, no 5 (17 mai 2023) : 470. http://dx.doi.org/10.3390/aerospace10050470.
Texte intégralCarpenter, Chris. « Digital-Twin Approach Predicts Fatigue Damage of Marine Risers ». Journal of Petroleum Technology 73, no 10 (1 octobre 2021) : 65–66. http://dx.doi.org/10.2118/1021-0065-jpt.
Texte intégralRehme, Michael, Stephen Roberts et Dirk Pflüger. « Uncertainty quantification for the Hokkaido Nansei-Oki tsunami using B-splines on adaptive sparse grids ». ANZIAM Journal 62 (29 juin 2021) : C30—C44. http://dx.doi.org/10.21914/anziamj.v62.16121.
Texte intégralAdjei, Richard Amankwa, Xinqian Zheng, Fangyuan Lou et Chuang Ding. « Multifidelity Optimization Under Uncertainty for Robust Design of a Micro-Turbofan Turbine Stage ». Journal of Engineering for Gas Turbines and Power, 16 août 2022. http://dx.doi.org/10.1115/1.4055231.
Texte intégralKontaxoglou, Anastasios, Seiji Tsutsumi, Samir Khan et Shinichi Nakasuka. « Multifidelity Framework for Small Satellite Thermal Analysis ». Journal of Spacecraft and Rockets, 13 septembre 2023, 1–11. http://dx.doi.org/10.2514/1.a35666.
Texte intégral