EUVIMEDEUVIMED entdecken
Crossref

Empirical uncertainty quantification in deep learning: Applications to fluid dynamics

Enrico Foglia, Benjamin Bobbia, Michael Bauerheim, Thierry Jardin, Stéphane Moreau, Pascal Fua

Computers & Fluids · 2026-07 · 315 · 107117

DOI: 10.1016/j.compfluid.2026.107117 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Computers & Fluids, 2026-07. Verfasst von Enrico Foglia und 5 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 59 Literaturangaben. Gefördert von: Natural Sciences and Engineering Research Council of Canada.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Förderung

  • Natural Sciences and Engineering Research Council of Canada

Zitieren

APA

Foglia, E., Bobbia, B., Bauerheim, M., Jardin, T., Moreau, S., & Fua, P. (2026). Empirical uncertainty quantification in deep learning: Applications to fluid dynamics. Computers & Fluids, 315, 107117. https://doi.org/10.1016/j.compfluid.2026.107117

Vancouver

Foglia E, Bobbia B, Bauerheim M, Jardin T, Moreau S, Fua P. Empirical uncertainty quantification in deep learning: Applications to fluid dynamics. Computers & Fluids. 2026;315:107117. doi:10.1016/j.compfluid.2026.107117

BibTeX
@article{Foglia2026,
  author = {Foglia, Enrico and Bobbia, Benjamin and Bauerheim, Michael and Jardin, Thierry and Moreau, Stéphane and Fua, Pascal},
  title = {Empirical uncertainty quantification in deep learning: Applications to fluid dynamics},
  journal = {Computers & Fluids},
  year = {2026},
  volume = {315},
  pages = {107117},
  doi = {10.1016/j.compfluid.2026.107117}
}
Kostenlos starten →