Текущий выпуск Номер 5, 2024 Том 16

Все выпуски

Результаты поиска по 'источник ресурса':
Найдено статей: 7
  1. От редакции
    Компьютерные исследования и моделирование, 2019, т. 11, № 1, с. 5-7
    Просмотров за год: 27.
  2. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 2, с. 229-233
  3. От редакции
    Компьютерные исследования и моделирование, 2020, т. 12, № 6, с. 1261-1264
  4. От редакции
    Компьютерные исследования и моделирование, 2021, т. 13, № 4, с. 669-671
  5. От редакции
    Компьютерные исследования и моделирование, 2021, т. 13, № 6, с. 1097-1100
  6. Умановский А.В.
    Методика имитационного моделирования на основе обучающих данных для двухфазного течения в гетерогенной пористой среде
    Компьютерные исследования и моделирование, 2021, т. 13, № 4, с. 779-792

    Классические численные методы, применяемые для предсказания эволюции гидродинамических систем, предъявляют высокие требования к вычислительным ресурсам и накладывают ограничения на число вариантов геолого-гидродинамических моделей, расчет эволюции состояний которых возможно осуществлять в практических условиях. Одним из перспективных подходов к разработке эвристических оценок, которые могли бы ускорить рассмотрение вариантов гидродинамических моделей, является имитационное моделирование на основе обучающих данных. В рамках этого подхода методы машинного обучения используются для настройки весов искусственной нейронной сети (ИНС), предсказывающей состояние физической системы в заданный момент времени на основе начальных условий. В данной статье описаны оригинальная архитектура ИНС и специфическая процедура обучения, формирующие эвристическую модель двухфазного течения в гетерогенной пористой среде. Основанная на ИНС модель с приемлемой точностью предсказывает состояния расчетных блоков моделируемой системы в произвольный момент времени (с известными ограничениями) на основе только начальных условий: свойств гетерогенной проницаемости среды и размещения источников и стоков. Предложенная модель требует на порядки меньшего процессорного времени в сравнении с классическим численным методом, который послужил критерием оценки эффективности обученной модели. Архитектура ИНС включает ряд подсетей, обучаемых в различных комбинациях на нескольких наборах обучающих данных. Для обучения ИНС в рамках многоэтапной процедуры применены техники состязательного обучения и переноса весов из обученной модели.

    Ключевые слова: имитационное моделирование, нейросетевые модели физических процессов, суррогатное моделирование, гидродинамика, пористая среда, сверточные нейронные сети, состязательное обучение.
  7. Лотарев Д.Т.
    Размещение точек Штейнера в дереве Штейнера на плоскости средствами MatLab
    Компьютерные исследования и моделирование, 2015, т. 7, № 3, с. 707-713

    Рассматривается способ локализации точек Штейнера средствами MatLab в задаче Штейнера с потоком на евклидовой плоскости, когда соединяемые точки лежат в вершинах четырех-, пяти- или шестиугольника. Матрица смежности считается заданной. Метод использует способ решения трехточечной задачи Штейнера, в которой дерево Штейнера связывает три точки. Представлена визуализация най- денных решений.

    Ключевые слова: задача Штейнера, точка Штейнера, источник ресурса, потребитель ресурса, трехточечная задача Штейнера, задача для большего числа, понижение размерности.
    Просмотров за год: 4.

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал входит в систему  Российского индекса научного цитирования.

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.

Copyright © 2009–2024 Институт компьютерных исследований