Architecture of a neural network for finding initial approximation in hydrodynamic problems

Olexiy Glazok

Конференції Національного Авіаційного Університету, AVIATION IN THE XXI-st CENTURY 2018

Olexiy Glazok

Остання редакція: 2018-09-25

Ключові файли

architecture; neural network; hydrodynamic problem; machine learning

Посилання

1. Глазок О.М., Квач М.М. Розв’язання гідродинамічної задачі за методом багатоточкового пошуку у розподіленому обчислювальному середовищі/ О.М.Глазок, М.М.Квач. //Проблеми інформатизації та управління: зб. наук. праць. – К.: НАУ. – 2015. – Вип. 4(52). – С. 9-16.

2. S.Raschka, V.Mirjalili. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd ed. – Packt Publishing, 2017. – 622 p.

3. Combining machine learning with computational hydrodynamics for prediction of tidal surge inundation at estuarine ports. /Jon French, Robert Mawdsley, Taku Fujiyama, Kamal Achuthanb. //UITАМ Symposium on Storm Surge Modelling and Forecasting Procedia: IUTAM No.25 (2017). – Pp 28-35. doi:10.1016/j.piutam.2017.09.005

4. Weymouth G.D., Dick K.P. Physics-Based Learning Models for Ship Hydrodynamics. //Journal of Ship Research, Vol. 57, no. 1 (March 1, 2013). – 1–12.

5. A. Alibakshi. Strategies to develop robust neural network models: prediction of flash point as a case study //Analytica Chimica Acta, 2018. – 34 p. doi:10.1016/j.aca.2018.05.015.

6. Advantages of Radial Basis Function Networks for Dynamic System Design /Hao Yu; T. Xie, S. Paszczynski; B. M. Wilamowski. //IEEE Transactions on Industrial Electronics. Vol. 58, Issue 12, Dec. 2011. – P. 5438-5450. doi:10.1109/TIE.2011.2164773.

7. Mahmoud S., Miles S., Luck M.. Cooperation emergence under resource-constrained peer punishment. //Proc. of the 2016 Int. Conf. on Autonomous Agents & Multiagent Systems. P. 900-908.