Paper über Anwendung von Machine-Learning zur Modellierung von 3D-Blutströmen
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.
Schlussfolgerungen: Machine Learning-basierte Modellierung als Zukunft
Die Forscher*innen sehen die Modellierung von physikalischen Systemen mittels physik-basierten Machine-Learning Methoden als aktives Forschungsfeld und erwarten, dass zukünftige Netzwerkarchitekturen, die physikalische Eigenschaften und Symmetrien intrinsisch berücksichtigen, das Potenzial haben, aktuelle Ansätze sogar zu übertreffen. In vielen Teilen der Wissenschaft ist die Modellierung von Strömungen von zentraler Rolle. So stellt z.B. die akurate Simulation von Blutflüssen ein wichtiges Element für die Risikoanalyse von zerebralen Aneurysmen dar.
Forschungsteam
Das Paper wurde von Forscher*innen der Forschungsabteilung Medical Informatics verfasst und im Journal Fluids veröffentlicht. Das Paper wird aus Mitteln der Forschungsförderung des Landes Oberösterreich im Rahmen der Forschungsprojekte MIMAS.ai, MEDUSA (FFG Förderungsnummer 872604) und ARES (FFG Förderungsnummer 892166) finanziert. Die RISC Software GmbH ist Mitglied im UAR (Upper Austrian Research) Innovation Network.
Moser, P.; Fenz, W.; Thumfart, S.; Ganitzer, I.; Giretzlehner, M. Modeling of 3D Blood Flows with Physics-Informed Neural Networks: Comparison of Network Architectures. Fluids 2023, 8, 46. https://doi.org/10.3390/fluids8020046
Ansprechperson
Dr. Michael Giretzlehner
Head of Research Department Medical Informatics