使用正确的直角分解和神经网络,减少了内动脉瘤流动的顺序建模
Michael MacRaild1,2,3, Ali Sarrami-Foroushani1,4, Toni Lassila5
1Centre for Computational Imaging and Modelling in Medicine (CIMIM), University of Manchester, Manchester, UK.
概括
本研究介绍了复杂流体动态的机器学习增强的减少顺序模型 (ML-ROM). 这种新的方法显著提高了在内动脉瘤中模拟血液流动的准确性和速度.
科学领域:
- 计算流体动力学 计算流体动力学
- 科学机器学习科学机器学习
- 生物医学工程 生物医学工程
背景情况:
- 减少订单模型 (ROM) 通过减少模型复杂性来加快模拟.
- 传统的ROM与非线性问题作斗争.
- 机器学习 (ML) 集成为增强ROM性能提供了潜力.
研究的目的:
- 对非线性流体动力学的非侵入性参数ML-ROM进行评估.
- 调查复杂3D几何形状的最佳ML-ROM设计.
- 应用ML-ROM来模拟内动脉瘤中的血液流动.
主要方法:
- 使用正确的直角分解 (POD) 来减少维度.
- 使用神经网络来插入ROM系数.
- 为了性能和准确性,比较了三个不同的神经网络架构.
主要成果:
- 达到高测试准确度的98.6% (母血管) 和97.6% (动脉瘤).
- 证明了模拟的显著加速度因素.
- 确定了两阶段的POD减少作为优越的网络设计.
结论:
- ML-ROM提供了一个强大的工具来模拟复杂的,非线性流体动力学问题.
- 拟议的ML-ROM方法对于内动脉瘤流量分析是有效的.
- 优化的ML-ROM设计可以带来大量的计算收益和高精度.
