当前位置: X-MOL 学术Phys. fluids › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Uncovering near-wall blood flow from sparse data with physics-informed neural networks
Physics of Fluids ( IF 4.6 ) Pub Date : 2021-07-12 , DOI: 10.1063/5.0055600
Amirhossein Arzani 1 , Jian-Xun Wang 2 , Roshan M. D'Souza 3
Affiliation  

Near-wall blood flow and wall shear stress (WSS) regulate major forms of cardiovascular disease, yet they are challenging to quantify with high fidelity. Patient-specific computational and experimental measurement of WSS suffers from uncertainty, low resolution, and noise issues. Physics-informed neural networks (PINNs) provide a flexible deep learning framework to integrate mathematical equations governing blood flow with measurement data. By leveraging knowledge about the governing equations (herein, Navier–Stokes), PINN overcomes the large data requirement in deep learning. In this study, it was shown how PINN could be used to improve WSS quantification in diseased arterial flows. Specifically, blood flow problems where the inlet and outlet boundary conditions were not known were solved by assimilating very few measurement points. Uncertainty in boundary conditions is a common feature in patient-specific computational fluid dynamics models. It was shown that PINN could use sparse velocity measurements away from the wall to quantify WSS with very high accuracy even without full knowledge of the boundary conditions. Examples in idealized stenosis and aneurysm models were considered demonstrating how partial knowledge about the flow physics could be combined with partial measurements to obtain accurate near-wall blood flow data. The proposed hybrid data-driven and physics-based deep learning framework has high potential in transforming high-fidelity near-wall hemodynamics modeling in cardiovascular disease.

中文翻译:

使用物理信息神经网络从稀疏数据中发现近壁血流

近壁血流和壁切应力 (WSS) 调节主要形式的心血管疾病,但它们很难以高保真度进行量化。WSS 的患者特定计算和实验测量存在不确定性、低分辨率和噪声问题。物理信息神经网络 (PINN) 提供了一个灵活的深度学习框架,可以将控制血流的数学方程与测量数据相结合。通过利用有关控制方程的知识(此处为 Navier-Stokes),PINN 克服了深度学习中的大数据要求。在这项研究中,展示了如何使用 PINN 来改善患病动脉血流中的 WSS 量化。具体来说,入口和出口边界条件未知的血流问题通过同化很少的测量点来解决。边界条件的不确定性是特定于患者的计算流体动力学模型的一个共同特征。结果表明,即使不完全了解边界条件,PINN 也可以使用远离壁面的稀疏速度测量来以非常高的精度量化 WSS。考虑了理想化狭窄和动脉瘤模型中的示例,展示了如何将有关血流物理的部分知识与部分测量相结合,以获得准确的近壁血流数据。所提出的混合数据驱动和基于物理的深度学习框架在改变心血管疾病中的高保真近壁血流动力学模型方面具有很大的潜力。结果表明,即使不完全了解边界条件,PINN 也可以使用远离壁面的稀疏速度测量来以非常高的精度量化 WSS。考虑了理想化狭窄和动脉瘤模型中的示例,展示了如何将有关血流物理的部分知识与部分测量相结合,以获得准确的近壁血流数据。所提出的混合数据驱动和基于物理的深度学习框架在改变心血管疾病中的高保真近壁血流动力学模型方面具有很大的潜力。结果表明,即使不完全了解边界条件,PINN 也可以使用远离壁面的稀疏速度测量值以非常高的精度量化 WSS。考虑了理想化狭窄和动脉瘤模型中的示例,展示了如何将有关血流物理的部分知识与部分测量相结合,以获得准确的近壁血流数据。所提出的混合数据驱动和基于物理的深度学习框架在改变心血管疾病中的高保真近壁血流动力学模型方面具有很大的潜力。考虑了理想化狭窄和动脉瘤模型中的示例,展示了如何将有关血流物理的部分知识与部分测量相结合,以获得准确的近壁血流数据。所提出的混合数据驱动和基于物理的深度学习框架在改变心血管疾病中的高保真近壁血流动力学模型方面具有很大的潜力。考虑了理想化狭窄和动脉瘤模型中的示例,展示了如何将有关血流物理的部分知识与部分测量相结合,以获得准确的近壁血流数据。所提出的混合数据驱动和基于物理的深度学习框架在改变心血管疾病中的高保真近壁血流动力学模型方面具有很大的潜力。
更新日期:2021-07-30
down
wechat
bug