Page 181 - Дисертаця Венгринюк

181

Ю. В. Токового. Львів: Інститут прикладних проблем механіки і математики

ім. Я. С. Підстригача НАН України. 2024. Вип. 6. С. 213–214.

214. Венгринюк О. І., Демянчук Д. О., Бартошевський Д. П.,

Штойко І. П., Курнат І. М. Вплив наводнювання на розподіл концентрації

водню по товщині стінки труби з урахуванням деградації металу. Актуальні

проблеми інженерної механіки: матеріали Х Міжнародної науково-технічної

конференції, 5–7 червня 2024 р., м. Одеса, Україна. За заг. ред.
М. Г. Сур’янінова. Одеса: ОДАБА, 2024. C. 33.

215. Benitez J. M., Castro J. L., Requena I. Are artificial neural networks

black boxes? IEEE Transactions on Neural Networks. 1997. Vol. 8, No. 5.
P. 1156–1164.

216. Behler J., Parrinello M. Generalized neural-network representation of

high-dimensional potential-energy surfaces. Physical Review Letters. 2007. Vol. 98,

No. 146. Article No. 401.

217. Guo K., Yang Z., Yu C. H., Buehler M. J. Artificial intelligence and

machine learning in design of mechanical materials. Materials Horizons. 2021.

Vol. 8, No. 4. P. 1153–1172.
218. Yarotsky D. Error bounds for approximations with deep ReLU networks.

Neural Networks. 2017. Vol. 94. P. 103–114.
219. Rao C., Sun H., Liu Y. Physics-informed deep learning for computational

elastodynamics without labeled data. Journal of Engineering Mechanics. 2021.
Vol. 147, No. 8. Article No. 04021043.

220. Haghighat E., Raissi M., Moure A., Gomez H., Juanes R. A physics-

informed deep learning framework for inversion and surrogate modeling in solid

mechanics. Computer Methods in Applied Mechanics and Engineering. 2021.

Vol. 379. Article No. 113741.

221. Zhang E., Dao M., Karniadakis G. E., Suresh S. Analyses of internal

structures and defects in materials using physics-informed neural networks. Science

Advances. 2022. Vol. 8, No. 7. Article No. eabk0644.

222. Henkes A., Wessels H., Mahnken R. Physics informed neural networks