Paper über Anwendung von Machine Learning zur Modellierung von 3D-Blutströmen
06.03.2023
In dem Paper geht es um die Anwendung von Machine Learning-basierten Ansätzen in der physikalischen Modellierung von Fluiden. Insbesondere wird die komplexe Strömung von Blut betrachtet.
Im Vergleich zu konventionellen, numerischen Methoden der Strömungsmechanik bieten physics-informed neural networks, kurz PINNs (physikbasierte neuronale Netzwerke), Vorteile wie die Vermeidung von diskretisierten Simulationsgeometrien und die mögliche Integration von (Mess-)Daten in die Modellierung. Das Paper untersucht verschiedene Netzwerkarchitekturen bezüglich ihrer Performance und Genauigkeit im Vergleich zu numerischen Referenzsimulationen. Dabei wurden Blutflüsse sowohl durch einfache zylindrische Geometrien als auch komplexe Aneurysmen betrachtet. Es wurde festgestellt, dass fully-connected neural networks (vollständig verbundene Netzwerke) zwar eine attraktive Balance zwischen Trainingszeit und Genauigkeit bieten, jedoch komplexere Architekturen (wie z.B. die Deep Galerkin-Methode) genauere Ergebnisse erzielen können. Das Paper bietet damit eine quantitative Vergleichsübersicht über aktuell verfügbare Machine Learning-basierte Strömungsmodellierungen.
>> Lesen Sie mehr