剪切流中血小板几何与应力的神经算子建模

血栓形成涉及从大规模流体流动到血小板激活等亚细胞事件的一系列过程。传统的计算流体力学（CFD）方法通常将血液视为连续介质，这可能限制其捕捉这些微观现象的能力。在本文中，我们提出了一种基于神经算子的替代模型来弥合这一差距。我们的方法采用 DeepONet，在 LAMMPS 中单一切变流条件下进行的高保真粒子动力学模拟上进行训练。该模型同时预测血小板膜变形和随时间累积的应力，在较大的空间滤波半径下实现了约 0.3% 的模态误差。在更精细的尺度上，误差增大，表明 DeepONet 架构的容量与其能准确学习的空间分辨率之间存在关联。这些发现强调了优化主干网络以捕捉应力数据中局部不连续性的重要性。潜在策略包括使用更深的主干网络或针对图结构网格进行优化的替代架构，从而进一步提高对高频特征的精度。总体而言，结果表明基于神经算子的替代模型在多尺度血小板建模方面具有前景。通过在保持精度的同时降低计算开销，我们的框架可作为未来血栓模拟及其他微观-宏观流固耦合问题模拟的关键组成部分。