Υποκατάστατα μοντέλα ροής αίματος σε αγγειακές γεωμετρίες με χρήση τεχνητών νευρωνικών δικτύων καθοδηγουμένων από τη φυσική

Αθανασίου, Μιχαήλ; Athanasiou, Michail

dc.contributor.author	Αθανασίου, Μιχαήλ	el
dc.contributor.author	Athanasiou, Michail	en
dc.date.accessioned	2025-02-18T10:49:43Z
dc.date.available	2025-02-18T10:49:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61123
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28819
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Αγγειακές Στενώσεις	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα Ενημερωμένα από τη Φυσική	el
dc.subject	Vessel Geometries	en
dc.subject	Hemodynamic Simulation	en
dc.subject	Surrogate models	en
dc.subject	Deep Learning	en
dc.subject	Physics Informed Neural Networks	en
dc.subject	Αιμοδυναμική Προσομοίωση	el
dc.subject	Υποκατάστατα μοντέλα	el
dc.title	Υποκατάστατα μοντέλα ροής αίματος σε αγγειακές γεωμετρίες με χρήση τεχνητών νευρωνικών δικτύων καθοδηγουμένων από τη φυσική	el
dc.title	Surrogate models of blood flow in vessel geometries using Physics-Informed Neural Networks	en
heal.type	bachelorThesis
heal.classification	Βιορευστομηχανική	el
heal.classification	Βαθιά Μάθηση	el
heal.classification	Biofluid Mechanics	en
heal.classification	Deep Learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-26
heal.abstract	Simulating fluid dynamics in tube-like structures is an essential component of computational biomedical engineering, having important applications in vascular and airway fluid dynamics. Accurate fluid dynamics computations are necessary to comprehend disease severity, perfusion and transport physiology, and the biomechanical triggers that cause diseases to start and progress. Typically, this process entails extracting anatomical geometry from medical imaging and conducting computational fluid dynamics simulations. However, despite its efficiency, this process still requires a considerable amount of computational time, which can range from hours to days. Additionally, this procedure is repeated for anatomically similar geometries, resulting in an increase in the overall computational cost. Accelerating fluid dynamics simulations to provide real-time solutions may encourage clinical usage and lead to advancements in disease assessment and decision-making. Physics-informed neural networks (PINNs) have recently attracted attention for their ability to approximate the behavior of intricate, non-linear physical systems. These networks utilize the fundamental principles of physics and the governing equations of a system, enabling them to approximate solutions with low errors. Nevertheless, single case vanilla PINN requires separate training for every new case, resulting in a more time-intensive process compared to conventional fluid dynamics simulations. In order to tackle this issue, a multi-case PINN strategy has been suggested. This approach involves parameterizing different geometry and flow cases and pre-training them on the PINN. This enables rapid production of flow solutions in new case studies.This thesis aims to analyze and compare different network architectures so as to optimize the multi-case PINN through experiments conducted on idealized 2D stenotic tubes.	en
heal.abstract	Η προσομοίωση της ροής ρευστού σε σωληνοειδείς γεωμετρίες είναι μια απαραίτητη συνιστώσα της υπολογιστικής βιοϊατρικής μηχανικής, έχοντας εφαρμογή στη ρευστομηχανική ανάλυση αγγειακών και αναπνευστικών οδών. Ακριβείς αιμοδυναμικοί υπολογισμοί είναι αναγκαίοι για την κατανόηση της σοβαρότητας των ασθενειών, της φυσιολογίας των φαινομένων μεταφοράς και της αιμάτωσης καθώς και των αιτιών που προκαλούνται και εξελίσσονται οι ασθένειες. Συνήθως, η διαδικασία αυτή περιλαμβάνει την εξαγωγή της ανατομικής γεωμετρίας από ιατρικές απεικονίσεις και τη διενέργεια προσομοιώσεων υπολογιστικής ρευστοδυναμικής. Ωστόσο, παρά την αποδοτικότητα της, η διαδικασία αυτή εξακολουθεί να απαιτεί σημαντικό χρόνο υπολογισμού, ο οποίος μπορεί να κυμαίνεται από ώρες έως ημέρες. Επιπλέον, αυτή η διαδικασία επαναλαμβάνεται για γεωμετρίες με ανατομική ομοιότητα, με αποτέλεσμα την περαιτέρω αύξηση του συνολικού υπολογιστικού κόστους. ΄Ετσι, η επιτάχυνση των προσομοιώσεων για την παροχή λύσεων σε πραγματικό χρόνο μπορεί να ενθαρρύνει τη χρήση τους στην κλινική εφαρμογή. Τα Νευρωνικά Δίκτυα ενημερωμένα από την φυσική (Physics-Informed Neural Networks - PINNs) έχουν πρόσφατα τραβήξει την προσοχή λόγω της ικανότητάς τους να προσεγγίζουν τη συμπεριφορά πολύπλοκων, μη γραμμικών φυσικών συστημάτων. Αυτά τα δίκτυα χρησιμοποιούν τις θεμελιώδεις αρχές της φυσικής και τις συνοριακές συνθήκες ενός συστήματος, επιτρέποντάς τους να προσεγγίζουν λύσεις με χαμηλά σφάλματα. Παρόλα αυτά, το απλό PINN απαιτεί ξεχωριστή εκπαίδευση για κάθε νέο σύστημα, με αποτέλεσμα μια διαδικασία που είναι πιο χρονοβόρα σε σύγκριση με τις συμβατικές ρευστομηχανικές προσομοιώσεις. Για να αντιμετωπιστεί αυτό το ζήτημα, έχει προταθεί μια στρατηγική πολλαπλών περιπτώσεων PINN (multi-case PINN). Αυτή η προσέγγιση περιλαμβάνει την παραμετροποίηση διαφορετικών περιπτώσεων γεωμετρίας και ροής και την προ-εκπαίδευση τους στο PINN, επιτρέποντας την ταχεία παραγωγή λύσεων σε νέες μελέτες. Αυτή η διπλωματική εργασία στοχεύει να αναλύσει και να συγκρίνει διαφορετικές αρχιτεκτονικές δικτύων με σκοπό τη βελτιστοποίηση του multi-case PINN μέσω πειραμάτων που θα διεξαχθούν σε ιδεατές 2D στενώσεις.	el
heal.advisorName	Μανόπουλος, Χρήστος	el
heal.committeeMemberName	Αναγνωστόπουλος, Ιωάννης	el
heal.committeeMemberName	Ριζιώτης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Βιορευστομηχανικής και Βιοϊατρικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	152 σ.	el
heal.fullTextAvailability	false