guest ::
Generating Input Data for Microstructure Modelling : A Deep Learning Approach Using Generative Adversarial Networks
; ; ; ;
In
Materials 13(19), Seiten/Artikel-Nr.:4236
2020
Online
DOI: 10.18154/RWTH-2020-11475
DOI: 10.3390/ma13194236
URL: https://publications.rwth-aachen.de/record/807596/files/807596.pdf
Einrichtungen
- Lehr- und Forschungsgebiet für Werkstoff- und Bauteilintegrität (522520)
- Fachgruppe Materialwissenschaft und Werkstofftechnik (520000)
Thematische Einordnung (Klassifikation)
DDC: 600
OpenAccess: 
PDF
Dokumenttyp
Journal Article
Format
online
Sprache
English
Anmerkung
Peer reviewed article
Externe Identnummern
SCOPUS: SCOPUS:2-s2.0-85092427016
WOS Core Collection: WOS:000586521900001
Interne Identnummern
RWTH-2020-11475
Datensatz-ID: 807596
Beteiligte Länder
Germany
Related:
Dissertation / PhD Thesis
A simulative approach to efficient microstructure optimisation: identifying microstructural influences on the damage properties of dualphase steels
Aachen : RWTH Aachen University 1 Online-Ressource : Illustrationen (2023) [10.18154/RWTH-2023-12291] = Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023, Kumulative Dissertation
Files
BibTeX |
EndNote:
XML,
Text |
RIS
; 
; 
; 
; Article Processing Charges ; Article Processing Charges ; Clarivate Analytics Master Journal List ; Current Contents - Engineering, Computing and Technology ; DOAJ Seal ; Ebsco Academic Search ; Essential Science Indicators ; Fees ; Fees ; IF < 5 ; IF < 5 ; JCR ; PubMed Central ; SCOPUS ; Science Citation Index Expanded ; Web of Science Core Collection
PDF