PUMA

Akademisches Publikationsmanagement
Publikationen sammeln, verwalten und teilen.

( en | de )

 

Disambiguierung von "Praditia, Timothy"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Finite Volume Neural Networks: a Hybrid Modeling Strategy for Subsurface Contaminant Transport

, , und . (2021)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Keine Personen gefunden für den Autorennamen Praditia, Timothy
Eine Person hinzufügen mit dem Namen Praditia, Timothy
 

Weitere Publikationen von Autoren mit dem selben Namen

Prognosis of water levels in a moor groundwater system influenced by hydrology and water extraction using an artificial neural network, , , , , und . EGU General Assembly 2022, Seite EGU21-3013. Copernicus GmbH, (2021)Input-Output Dataset for Physics-inspired Artificial Neural Network for Dynamic System. Dataset, (2020)Related to: Praditia, T., Walser, T., Oladyshkin, S. and Nowak, W.: Improving Thermochemical Energy Storage dynamics forecast with Physics-Inspired Neural Network architecture. Energies 2020.Universal Differential Equation for Diffusion-Sorption Problem in Porous Media Flow, , und . EGU General Assembly 2022, Seite EGU21-49. Copernicus GmbH, (2021)Using physics-based regularization in Artificial Neural Networks to predict thermochemical energy storage systems, , , und . American Geophysical Union, Fall Meeting 2019, Seite IN32B-15. Smithsonian Astrophysical Observatory, (2019)The Deep Arbitrary Polynomial Chaos Neural Network or how Deep Artificial Neural Networks could benefit from Data-Driven Homogeneous Chaos Theory, , , , , und . Neural Networks, (2023 (accepted))Finite Volume Neural Networks: a Hybrid Modeling Strategy for Subsurface Contaminant Transport, , und . (2021)PDEBench: An Extensive Benchmark for Scientific Machine Learning, , , , , , und . 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks, (2022)Learning Groundwater Contaminant Diffusion-Sorption Processes With a Finite Volume Neural Network, , , , , und . Water resources research, 58 (12): e2022WR033149 (2022)PDEBench Pretrained Models : Pretrained models for "PDEBench: An Extensive Benchmark for Scientific Machine Learning", , , , , , und . Dataset, (2022)Related to: Takamoto, M., Praditia, T., Leiteritz, R., MacKinlay, D., Alesiani, F., Pflüger, D. and Niepert, M.: PDEBench: An Extensive Benchmark for Scientific Machine Learning. submitted to the 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks.Infering Boundary Conditions in Finite Volume Neural Networks, , , , , , und . Artificial Neural Networks and Machine Learning : ICANN 2022, Volume 1 von Lecture Notes in Computer Science, Seite 538-549. Cham, Springer, (2022)