Machine Learning in Geohazard Risk Prediction and Assessment
From Microscale Analysis to Regional Mapping
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 163.99
-
69 564 Ft (66 251 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (cc. 6 956 Ft off)
- Discounted price 62 607 Ft (59 626 Ft + 5% áfa)
69 564 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Elsevier
- Megjelenés dátuma 2025. július 1.
- ISBN 9780443236631
- Kötéstípus Puhakötés
- Terjedelem434 oldal
- Méret 234x190 mm
- Nyelv angol 700
Kategóriák
Hosszú leírás:
Machine Learning in Geohazard Risk Prediction and Assessment: From Microscale Analysis to Regional Mapping presents an overview of the most recent developments in machine learning techniques that have reshaped our understanding of geo-materials and management protocols of geo-risk. The book covers a broad category of research on machine-learning techniques that can be applied, from microscopic modeling to constitutive modeling, to physics-based numerical modeling, to regional susceptibility mapping. This is a good reference for researchers, academicians, graduate and undergraduate students, professionals, and practitioners in the field of geotechnical engineering and applied geology.
TöbbTartalomjegyzék:
Part 1: Machine learning methods and connections between different parts.
1. Machine learning methods
2. Connections between studies across different scales
3. Summary and outlook
Part 2: Machine learning in microscopic modelling of geo-materials.
4. Machine-learning-enabled discrete element method
5. Machine learning in micromechanics based virtual laboratory testing
6. Integrating X-ray CT and machine learning for better understanding of granular materials
7. Summary and outlook
Part 3: Machine learning in constitutive modelling of geo-materials.
8. Thermodynamics-driven deep neural network as constitutive equations
9. Deep active learning for constitutive modelling of granular materials
10. Summary and outlook
Part 4: Machine learning in design of geo-structures.
11. Deep learning for surrogate modelling for geotechnical risk analysis
12. Deep learning for geotechnical optimization of designs
13. Deep learning for time series forecasting in geotechnical engineering
14. Summary and outlook
Part 5: Machine learning in geo-risk susceptibility mapping for regions of various sizes.
15. Deep learning and ensemble modeling of debris flows, mud flows and rockfalls.
16. Integrating machine learning and physical-based models in landslide susceptibility and hazard mapping.
17. Explainable AI (XAI) in landslide susceptibility, hazard, vulnerability and risk assessment.
18. New approaches for data collection for susceptibility mapping
19. Summary and outlook
