論文の概要: Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots
- arxiv url: http://arxiv.org/abs/2302.11006v1
- Date: Tue, 21 Feb 2023 21:18:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 17:13:49.583841
- Title: Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots
- Title（参考訳）: 幾何変形スナップショットを用いた血流シミュレーションのためのデータ駆動低次モデル
- Authors: Dongwei Ye, Valeria Krzhizhanovskaya, Alfons G. Hoekstra
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational fluid dynamics is a common tool in cardiovascular science and
engineering to simulate, predict and study hemodynamics in arteries. However,
owing to the complexity and scale of cardiovascular flow problems, the
evaluation of the model could be computationally expensive, especially in those
cases where a large number of evaluations are required, such as uncertainty
quantification and design optimisation. In such scenarios, the model may have
to be repeatedly evaluated due to the changes or distinctions of simulation
domains. In this work, a data-driven surrogate model is proposed for the
efficient prediction of blood flow simulations on similar but distinct domains.
The proposed surrogate model leverages surface registration to parameterise
those similar but distinct shapes and formulate corresponding hemodynamics
information into geometry-informed snapshots by the diffeomorphism constructed
between the reference domain and target domain. A non-intrusive reduced-order
model for geometrical parameters is subsequently constructed using proper
orthogonal decomposition, and a radial basis function interpolator is trained
for predicting the reduced coefficients of the reduced-order model based on
reduced coefficients of geometrical parameters of the shape. Two examples of
blood flowing through a stenosis and a bifurcation are presented and analysed.
The proposed surrogate model demonstrates its accuracy and efficiency in
hemodynamics prediction and shows its potential application toward real-time
simulation or uncertainty quantification for complex patient-specific
scenarios.
- Abstract（参考訳）: 計算流体力学は、動脈内の血行動態をシミュレートし、予測し、研究する、心臓血管科学と工学において一般的なツールである。
しかし,特に不確実性定量化や設計最適化など,多数の評価が必要な場合において,心血管フロー問題の複雑さとスケールのため,モデルの評価は計算コストがかかる可能性がある。
このようなシナリオでは、モデルはシミュレーション領域の変更や区別のために繰り返し評価されなければならない。
本研究では,類似する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のために,データ駆動サーロゲートモデルを提案する。
提案するサロゲートモデルでは, 類似する形状をパラメータ化し, 対応する血行力学情報を, 参照領域と対象領域の間で構築された微分同相写像によって幾何に変形したスナップショットに定式化する。
その後、適切な直交分解を用いて幾何学的パラメータの非侵入的還元次数モデルを構築し、形状の幾何学的パラメータの縮小係数に基づいて還元次モデルの還元係数を予測するための放射状基底関数補間器を訓練する。
狭窄と分岐を流れる血液の2つの例を提示し、分析する。
提案するサーロゲートモデルは,血行動態予測の精度と効率を示し,複雑な患者特有のシナリオに対するリアルタイムシミュレーションや不確実性定量化への可能性を示す。
関連論文リスト
- Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Deep learning-based surrogate model for 3-D patient-specific
computational fluid dynamics [6.905238157628892]
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。
論文 参考訳（メタデータ） (2022-04-11T17:34:51Z) - 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) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z)
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。