Gast ::
Physics-Informed Neural Networks for Predicting Particle Properties in Plasma Spraying
; ; ;
In
18. Aachener Oberflächentechnik Kolloquium / Kirsten Bobzin (Hrsg.)
2024
Online
URL: https://publications.rwth-aachen.de/record/1012440/files/1012440.pdf
URL: https://doi.org/10.2370/9783844098181
Einrichtungen
- Lehrstuhl und Institut für Oberflächentechnik im Maschinenbau (419010)
- Lehrstuhl für Gießereiwesen und Gießerei-Institut (526110)
- Fachgruppe Materialwissenschaft und Werkstofftechnik (520000)
Projekte
- WS-B2.II - Discontinuous Production (X080067-WS-B2.II) (X080067-WS-B2.II)
- DFG project G:(GEPRIS)390621612 - EXC 2023: Internet of Production (IoP) (390621612) (390621612)
Inhaltliche Beschreibung (Schlagwörter)
Atmospheric plasma spraying (APS) (frei) ; Neural Networks (frei) ; Physics-Informed (frei) ; Plasma Spray (frei) ; artificial neural networks (ANNs) (frei) ; computational fluid dynamics (CFD) (frei) ; grey box model (frei) ; machine learning (ML) (frei) ; physics-informed neural networks (PINNs) (frei)
Restricted: 
PDF
Externer link: 
Homepage of book
Dokumenttyp
Contribution to a book/Contribution to a conference proceedings
Format
online, print
Sprache
English
Anmerkung
No peer reviewed article
Interne Identnummern
RWTH-2025-04993
Datensatz-ID: 1012440
Beteiligte Länder
Germany
Related:
Proceedings/Book
18. Aachener Oberflächentechnik Kolloquium
18. Aachener Oberflächentechnik Kolloquium, IOT-Kolloquium, AachenAachen, Germany, 6 Dec 2024 - 6 Dec 2024
Düren : Shaker, Schriftenreihe Oberflächentechnik 80, : 1. Auflage, 118 Seiten (2024) [10.2370/9783844098181]
BibTeX |
EndNote:
XML,
Text |
RIS
