16.01.2026; Одеса, Україна: X Міжнародна наукова конференція «Глобальні виклики та інновації: шляхи розвитку сучасної науки»
Роботи, що індексуються в Google Scholar

ПОРІВНЯННЯ РІВНІВ ФІЗИЧНОЇ ІНФОРМОВАНОСТІ НЕЙРОННИХ МЕРЕЖ У МЕХАНІЦІ ДЕФОРМОВНОГО ТІЛА

  • Богдан Петровський
DOI: https://doi.org/10.62731/mcnd-16.01.2026.007
PDF

Опубліковано 23.01.2026

Як цитувати

Петровський, Б. (2026). ПОРІВНЯННЯ РІВНІВ ФІЗИЧНОЇ ІНФОРМОВАНОСТІ НЕЙРОННИХ МЕРЕЖ У МЕХАНІЦІ ДЕФОРМОВНОГО ТІЛА. Матеріали конференцій МЦНД, (16.01.2026; Одеса, Україна), 366–367. https://doi.org/10.62731/mcnd-16.01.2026.007

Завантаження

Дані завантаження ще не доступні.

Авторське право (c) 2026 Богдан Петровський

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

Задачі механіки деформівного тіла відіграють ключову роль у машинобудуванні, авіаційній промисловості та матеріалознавстві. Традиційно для їх розв’язання використовуються чисельні методи, зокрема метод скінченних елементів (МСЕ) та метод граничних елементів (МГЕ).

PDF

Посилання

  1. 1. M.~M.~Bronstein, J.~Bruna, T.~Cohen, P.~Veličković, “Geometric deep learning: Grids, groups, graphs, geodesics, and gauges,” Nature, vol. 610, pp. 744–755, 2022.
  2. 2. M.Raissi,P.Perdikaris,andG.E.Karniadakis,“Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations,” Journal of Computational Physics, vol. 378, pp.686–707, 2019.
  3. 3. G. E. Karniadakis, I. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, and L. Yang, “Physics-informed machine learning,” Nature Reviews Physics, vol. 3, pp. 422–440, 2021.