无监督的Denoising和超分辨率的血管流量数据由物理信息机器学习
Théophile Sautory1,2, Shawn C Shadden1
1Department of Mechanical Engineering, University of California, Berkeley, CA 94501.
Journal of biomechanical engineering
|March 26, 2024
概括
本研究介绍了一种无监督的深度学习方法,用于流量消除和超分辨率. 该模型有效地重建复杂的3D流,增强没有高质量标签的分辨率.
科学领域:
- 流体动力学 流体动力学
- 机器学习是机器学习.
- 计算科学是一种计算科学.
背景情况:
- 精确的流场重建在流体动力学中至关重要.
- 现有的方法通常需要高分辨率数据或特定标签,限制了它们的适用性.
- 噪音和低分辨率数据是实验和模拟流程中常见的挑战.
研究的目的:
- 开发一种无监督的深度学习方法,用于同时进行流量消除和超分辨率.
- 为了证明模型在重建复杂的3D流动方面的能力,包括狭窄和动脉瘤病例.
- 为了实现高准确度的流量重建,而不依赖于地面真实高分辨率数据.
主要方法:
- 使用自动编码器来压缩流域几何和流域表示.
- 采用了基于物理学的神经网络,以这些压缩表示形式为条件.
- 实现了基于物理的损失函数,将纳维埃-斯托克斯方程纳入训练.
- 使用计算流体动力学生成地面真实数据并引入乘法高斯噪声.
主要成果:
- 在真实流量重建中,实现了O(1.0 × 10-4) 的平均平方误差.
- 获得的根平均平方余数O ((1.0 × 10-2) 对于动量和连续性方程.
- 已证明隐藏压力 (0.971) 和墙壁剪切应力 (0.82) 的高相关系数.
- 成功消除和超分辨的流量场高达输入分辨率的20倍.
结论:
- 无监督深度学习方法有效地拒绝和超级解决流域.
- 该模型可以概括为各种复杂的3D流动场景,具有不同的几何形状和边界条件.
- 这种方法提供了一个强大的工具,可以提高流数据质量,而不需要高分辨率标签.
