論文の概要: Deep learning-based surrogate model for 3-D patient-specific computational fluid dynamics

• arxiv url: http://arxiv.org/abs/2204.08939v1
• Date: Mon, 11 Apr 2022 17:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 17:53:51.612335
• Title: Deep learning-based surrogate model for 3-D patient-specific computational fluid dynamics
• Title（参考訳）: 深層学習に基づく3次元患者特異的流体力学のための代理モデル
• Authors: Pan Du, Xiaozhi Zhu, Jian-Xun Wang
• Abstract要約: 任意の複雑な3次元幾何学の入力空間をパラメータ化することは、非常に難しい。 本稿では,これらの課題に対処し,迅速な血行動態予測を可能にするための新しいディープラーニング・サロゲート・モデリング・ソリューションを提案する。
• 参考スコア（独自算出の注目度）: 6.905238157628892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization and uncertainty quantification have been playing an increasingly important role in computational hemodynamics. However, existing methods based on principled modeling and classic numerical techniques have faced significant challenges, particularly when it comes to complex 3D patient-specific shapes in the real world. First, it is notoriously challenging to parameterize the input space of arbitrarily complex 3-D geometries. Second, the process often involves massive forward simulations, which are extremely computationally demanding or even infeasible. We propose a novel deep learning surrogate modeling solution to address these challenges and enable rapid hemodynamic predictions. Specifically, a statistical generative model for 3-D patient-specific shapes is developed based on a small set of baseline patient-specific geometries. An unsupervised shape correspondence solution is used to enable geometric morphing and scalable shape synthesis statistically. Moreover, a simulation routine is developed for automatic data generation by automatic meshing, boundary setting, simulation, and post-processing. An efficient supervised learning solution is proposed to map the geometric inputs to the hemodynamics predictions in latent spaces. Numerical studies on aortic flows are conducted to demonstrate the effectiveness and merit of the proposed techniques.
• Abstract（参考訳）: 最適化と不確かさの定量化は、計算の血行動態においてますます重要な役割を担っている。 しかし,特に実世界の複雑な3D患者特有の形状に関して,原理モデリングや古典的数値手法に基づく既存手法は重大な課題に直面している。 まず、任意に複雑な3次元幾何学の入力空間をパラメータ化することは、非常に難しい。 第二に、このプロセスは、しばしば大規模なフォワードシミュレーションを伴い、非常に計算的に要求されるか、あるいは不可能である。 本稿では,これらの課題に対処し,迅速な血行動態予測を可能にするための,新しい深層学習サーロゲートモデリングソリューションを提案する。 具体的には,3次元患者特異的な形状の統計的生成モデルを開発した。 幾何学的モーフィングとスケーラブルな形状合成を統計的に可能にするために教師なし形状対応解を用いる。 さらに、自動メッシュ、境界設定、シミュレーション、後処理による自動データ生成のためのシミュレーションルーチンを開発した。 幾何学的入力を潜伏空間内のヘモダイナミックス予測にマッピングするために,効率的な教師付き学習ソリューションを提案する。 大動脈血流の数値的研究を行い,提案手法の有効性と有用性を示す。

関連論文リスト

• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Learning Reduced-Order Models for Cardiovascular Simulations with Graph Neural Networks [1.2643625859899612]
  三次元血行シミュレーションデータに基づいて学習したグラフニューラルネットワークを用いて,血流動態をシミュレートする1次元還元次モデルを構築した。 提案手法は,物理に基づく一次元モデルよりも優れた性能を示しながら,推論時の高効率性を保っている。
  論文  参考訳（メタデータ） (2023-03-13T17:32:46Z)
• Data-driven reduced-order modelling for blood flow simulations with geometry-informed snapshots [0.0]
  類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。 幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。 ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
  論文  参考訳（メタデータ） (2023-02-21T21:18:17Z)
• Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model [0.0]
  複雑な合成血管形状の高分解能(空間および時間)速度場を予測できるアーキテクチャを提案する。 CFDシミュレーションと比較して、速度場は平均絶対誤差0.024m/sで推定できるのに対し、実行時間は高性能クラスタでは数時間からコンシューマグラフィカル処理ユニットでは数秒に短縮される。
  論文  参考訳（メタデータ） (2023-02-13T17:56:00Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• End-to-end neural network approach to 3D reservoir simulation and adaptation [0.0]
  貯留層シミュレーションと適応問題に対する統一的なアプローチを提示する。 単一のニューラルネットワークモデルは、3D貯留層モデルの初期地質パラメータから前方通過を可能にする。 提案手法は,数桁のシミュレーション速度アップの利点を生かして,正確な貯留層シミュレーションと履歴マッチングを提供する。
  論文  参考訳（メタデータ） (2021-02-20T10:03:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。