Bayesian uncertainty quantification in pore-scale imaging: how to robustly infer porous media morphological properties through reactive inverse problems ? - Archive ouverte HAL
Communication Dans Un Congrès Année : 2023

Bayesian uncertainty quantification in pore-scale imaging: how to robustly infer porous media morphological properties through reactive inverse problems ?

Sarah Perez
Laboratoire de Mathématiques et de leurs Applications [Pau]
CV
Philippe Poncet
Laboratoire de Mathématiques et de leurs Applications [Pau]
CV

Domaines

Analyse numérique [math.NA] Biomécanique [physics.med-ph] Mécanique des fluides [physics.class-ph] Bio-Informatique, Biologie Systémique [q-bio.QM] Milieux fluides et réactifs
Fichier principal
Vignette du fichier
shortAbstractsIAMG2023.pdf (699.06 Ko) Télécharger le fichier
Origine Accord explicite pour ce dépôt

Philippe Poncet  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-04161896

Soumis le : jeudi 18 juillet 2024-10:43:18

Dernière modification le : mercredi 2 octobre 2024-03:18:37

Télécharger pour visualiser

Dates et versions

hal-04161896 , version 1 (18-07-2024)

Identifiants

  • HAL Id : hal-04161896 , version 1

Citer

Sarah Perez, Philippe Poncet. Bayesian uncertainty quantification in pore-scale imaging: how to robustly infer porous media morphological properties through reactive inverse problems ?. 22st Annual Conference of the International Association for Mathematical Geosciences (IAMG 2023), Aug 2023, Trondheim, Norway. ⟨hal-04161896⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CNRS UNIV-PAU LMA-PAU INSMI TDS-MACS
21 Consultations
2 Téléchargements

Partager

More