ISBN13: | 9781032782799 |
ISBN10: | 103278279X |
Kötéstípus: | Keménykötés |
Terjedelem: | 343 oldal |
Méret: | 229x152 mm |
Nyelv: | angol |
Illusztrációk: | 45 Illustrations, black & white; 1 Halftones, black & white; 44 Line drawings, black & white; 85 Tables, black & white |
700 |
Valószínűségelmélet és matematikai statisztika
Optimalizáció, lineáris programozás, játékelmélet
A mérnöki tudományok általános kérdései
Gépészmérnöki tudományok
Adatkezelés a számítógépes rendszerekben
Mesterséges intelligencia
Környezetmérnöki tudományok
Terméktervezés
Valószínűségelmélet és matematikai statisztika (karitatív célú kampány)
Optimalizáció, lineáris programozás, játékelmélet (karitatív célú kampány)
A mérnöki tudományok általános kérdései (karitatív célú kampány)
Gépészmérnöki tudományok (karitatív célú kampány)
Adatkezelés a számítógépes rendszerekben (karitatív célú kampány)
Mesterséges intelligencia (karitatív célú kampány)
Környezetmérnöki tudományok (karitatív célú kampány)
Terméktervezés (karitatív célú kampány)
An Integrated Approach to Modeling and Optimization in Engineering and Science
GBP 76.99
Kattintson ide a feliratkozáshoz
An Integrated Approach to Modeling and Optimization in Engineering and Science is a technical book written with the aim to evaluate the modeling and design processes of engineering systems with an integrated approach.
An Integrated Approach to Modeling and Optimization in Engineering and Science examines the effects of experimental design, mathematical modeling, and optimization processes for solving many different problems. The Experimental Design Method, Central Composite, Full Factorial, Taguchi, Box-Behnken, and D-Optimal methods are used, and the effects of the datasets obtained by these methods on mathematical modeling are investigated.
This book will help graduates and senior undergraduates in courses on experimental design, modeling, optimization, and interdisciplinary engineering studies. It will also be of interest to research and development engineers and professionals working in scientific institutions based on design, modeling, and optimization.
1. Introduction. 2. Design of Experiment, Mathematical Modeling, and Optimization. 3. Comparison of ANN and Neuro Regression Methods in Mathematical Modeling. 4. Evaluation of R2 as a Model Assessment Criterion. 5. Questioning the Adequacy of Using Polynomial Structures. 6. The Effect of Using the Taguchi Method in Experimental Design on Mathematical Modeling. 7. Comparison of Different Test and Validation Methods Used in Mathematical Modeling. 8. Comparison of Different Model Assessment Criteria Used in Mathematical Modeling. 9. Comparison of the Effects of Experimental Design Methods on Mathematical Modeling. 10. Special Functions in Mathematical Modeling. 11. Conclusion.