深度神经网络和有限元法与非线性大变形生物力学应用的协同集成
Liang Liang1, Minliang Liu2, John Elefteriades3
1Department of Computer Science, University of Miami, Coral Gables, FL.
Computer methods in applied mechanics and engineering
|February 19, 2024
概括
这项研究将深度神经网络 (DNN) 与心血管生物力学有限元分析 (FEA) 集成在一起. 结合DNN-FEA方法显著提高了患者特异性压力和物质参数预测的准确性和速度.
科学领域:
- 生物医学工程 生物医学工程
- 计算力学 计算力学 计算力学
- 心血管疾病研究研究
背景情况:
- 特定于患者的有限元素分析 (FEA) 为心血管疾病预后提供了详细的生物力学见解.
- 传统的FEA对于复杂的3D几何形状来说是耗时的,限制了临床应用.
- 机器学习 (ML),特别是深度神经网络 (DNN),显示出作为更快的替代方案的希望,但面临着泛化问题.
研究的目的:
- 协同整合DNN和FEA,以克服生物力学分析中的个体限制.
- 为患者特异性心血管生物力学开发一个计算效率高,准确的框架.
- 提高生物机械建模中的前向和反向问题解决能力.
主要方法:
- 开发了具有先进架构的DNN,用于预测前进问题的节点位移场.
- 实施了基于FEM的改进过程,以更新最初的DNN解决方案,创建一个混合前期解决方案.
- 利用DNN作为材料参数分布的调节器,用于异质材料识别的反向问题.
主要成果:
- 与仅使用DNN的模型相比,综合DNN-FEA方法显著降低了应力误差 (仅使用DNN的峰值应力误差>50%).
- 混合DNN-FEA框架比传统的仅使用FEA的方法快很多.
- 对于反向问题,DNN-FEA将材料参数识别误差降低到不到1%,这与仅使用FEA的方法相比是显著的改善 (>50%的误差).
结论:
- DNN和FEA的协同集成为患者特异性心血管生物力学提供了一个强大而高效的计算框架.
- 拟议的DNN-FEA方法克服了独立ML或FEA方法的局限性,提供了高精度和速度.
- 这种综合方法有可能推进需要快速可靠的生物力学分析的临床应用.
