論文の概要: Model Order Reduction of Cerebrovascular Hemodynamics Using POD_Galerkin and Reservoir Computing_based Approach

• arxiv url: http://arxiv.org/abs/2603.18837v1
• Date: Thu, 19 Mar 2026 12:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.14519
• Title: Model Order Reduction of Cerebrovascular Hemodynamics Using POD_Galerkin and Reservoir Computing_based Approach
• Title（参考訳）: POD_GalerkinとReservoir Computing_basedアプローチを用いた脳血管循環動態のモデル秩序化
• Authors: Rahul Halder, Arash Hajisharifi, Kabir Bakhshaei, Gianluigi Rozza,
• Abstract要約: 脳血管系における非定常血行動態をシミュレーションするためのモデルオーダー削減戦略について検討した。 理想的基底動脈分岐の高速3次元計算流体力学(CFD)スナップショットをまず低次元潜在空間に圧縮する。 係数の時間的進化を学習するPOD-Reservoir Computing(POD-RC)モデルに対して,Navier-Stokes方程式を還元基底に投影するPOD-Galerkin(POD-G)モデルの性能を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate model order reduction (MOR) strategies for simulating unsteady hemodynamics within cerebrovascular systems, contrasting a physics-based intrusive approach with a data-driven non-intrusive framework. High-fidelity 3D Computational Fluid Dynamics (CFD) snapshots of an idealised basilar artery bifurcation are first compressed into a low-dimensional latent space using Proper Orthogonal Decomposition (POD). We evaluate the performance of a POD-Galerkin (POD-G) model, which projects the Navier-Stokes equations onto the reduced basis, against a POD-Reservoir Computing (POD-RC) model that learns the temporal evolution of coefficients through a recurrent architecture. A multi-harmonic and multi-amplitude training signal is introduced to improve training efficiency. Both methodologies achieve computational speed-ups on the order of 10^2 to 10^3 compared to full-order simulations, demonstrating their potential as efficient and accurate surrogates for predicting flow quantities such as wall shear stress.
• Abstract（参考訳）: 我々は,脳血管系における非定常血行動態をシミュレーションするためのモデル順序減少(MOR)戦略について検討し,物理に基づく侵入的アプローチとデータ駆動型非侵入的フレームワークを対比した。 Proper Orthogonal Decomposition (POD) を用いて, 理想的基底動脈分岐の高速3次元計算流体力学(CFD)スナップショットを低次元潜在空間に圧縮する。 繰り返しアーキテクチャを用いて係数の時間的進化を学習するPOD-Reservoir Computing(POD-RC)モデルに対して,Navier-Stokes方程式を還元基底に投影するPOD-Galerkin(POD-G)モデルの性能を評価する。 トレーニング効率を向上させるために、マルチハーモニック及びマルチ振幅トレーニング信号を導入する。 いずれの手法も, 壁せん断応力などの流動量を予測するために, 実時間シミュレーションに比べて10^2から10^3の計算速度向上を実現している。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison [50.0791489606211]
  我々は、最先端の非線形モデルオーダー削減手法についてレビューする。 本稿では,(化学)プロセスシステムのための汎用的手法と適合したアプローチについて論じる。
  論文  参考訳（メタデータ） (2025-06-15T11:39:12Z)
• 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)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• 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)
• CD-ROM: Complemented Deep-Reduced Order Model [2.02258267891574]
  本稿では,古典的POD-Galerkinリミットオーダーモデル(ROM)に対するディープラーニングに基づくクロージャモデリング手法を提案する。 提案手法は、ニューラルネットワークを用いてよく研究された演算子を近似して理論的に基礎づけられている。 CD-ROMアプローチの能力は、計算流体力学(英語版)の古典的な2つの例とパラメトリックなケースである倉本-シヴァシンスキー方程式(英語版)で実証される。
  論文  参考訳（メタデータ） (2022-02-22T09:05:06Z)
• 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)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)

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。