利用物理信息神经网络从稀疏数据揭示近壁血流
流体动力学
2021-07-28 v2 计算物理
摘要
近壁血流与壁面切应力(WSS)调控着主要类型的心血管疾病,然而它们难以高保真地量化。患者特异性的 WSS 计算与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,将支配血流的数学方程与测量数据相融合。通过利用关于控制方程(此处为 Navier-Stokes 方程)的知识,PINN 克服了深度学习中大量数据需求的问题。本研究表明了如何使用 PINN 来改善病变动脉流中的 WSS 量化。具体而言,通过同化极少的测量点,求解了入口和出口边界条件未知的血流量问题。边界条件的不确定性是患者特异性计算流体动力学模型的常见特征。研究表明,即便不完全知晓边界条件,PINN 也能利用远离壁面的稀疏速度测量以非常高精度量化 WSS。我们考虑了理想化狭窄和动脉瘤模型的例子,展示了如何将关于流动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与基于物理的深度学习框架在变革心血管疾病中的高保真近壁血流动力学建模方面具有很高潜力。
引用
@article{arxiv.2104.08249,
title = {Uncovering near-wall blood flow from sparse data with physics-informed neural networks},
author = {Amirhossein Arzani and Jian-Xun Wang and Roshan M. D'Souza},
journal= {arXiv preprint arXiv:2104.08249},
year = {2021}
}