×

软组织力学总拉格朗日显式动力学的深度学习加速。 (英语) Zbl 1441.74263号

摘要:模拟复杂的软组织变形已成为计算机图形学或计算生理学等领域的一个热门研究领域。所需的特性是能够在物理精确的情况下进行快速(如果不是实时的话)模拟。已经探索了数值方案来加速有限元方法,如总拉格朗日显式动力学(TLED)。然而,实时应用程序仍然以准确性和保真度为代价。在这项工作中,我们探索使用神经网络作为函数逼近器来加速TLED的时间积分,同时具有足够的通用性,可以处理各种几何、运动和材料,而无需重新训练神经网络模型。该方法在一组实验中进行了评估,在时间步长大于“中断”时间步长20倍的情况下,以及在简单的医疗应用中,显示出良好的准确性。这种方法可以为计算生物力学的快速但准确的加速策略铺平道路。

理学硕士:

第74S05页 有限元方法在固体力学问题中的应用
65D18天 计算机图形学、图像分析和计算几何的数值方面
74升15 生物力学固体力学
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 泰勒,C.A。;Figueroa,C.,《特定患者心血管力学建模》,年。生物识别版本。工程,11,109-134(2009)
[2] 科廷,S。;Delingette,H。;Ayache,N.,手术模拟软组织的实时弹性变形,IEEE Trans。视觉。计算。图表。,5, 1, 62-73 (1999)
[3] 哈格曼,A。;Rohr,K。;施蒂尔,H.S。;斯佩茨格,美国。;Gilsbach,J.M.,基于物理的非刚性图像配准的人头生物力学建模,IEEE Trans。医学成像,18,10,875-884(1999)
[4] 齐恩基维茨,O.C。;泰勒,R.L。;Zhu,J.Z.,《有限元方法:基础和基础》(2005),爱思唯尔出版社·Zbl 1307.74005号
[5] 荣·德斯普勒(Roewer-Despres),F。;Khan,N。;Stavness,I.,《利用深度学习进行有限元模拟》(第15届生物力学和生物医学工程计算机方法国际研讨会(2018年))
[6] Miller,K。;Joldes,G。;兰斯,D。;Wittek,A.,计算软组织变形的Total lagrangian显式动力学有限元算法,Int.J.Numer。方法生物识别。工程,23,2,121-134(2007)·Zbl 1154.74045号
[7] Klawonn,A。;Rheinbach,O.,《生物力学应用的高度可扩展并行区域分解方法》,ZAMM-J.Appl。数学。机械。,90, 1, 5-32 (2010) ·Zbl 1355.65169号
[8] Rama,R.R。;Skatulla,S。;Sansour,C.,使用适当的正交分解和插值对心脏舒张充盈进行实时建模,国际固体结构杂志。,96, 409-422 (2016)
[9] Choi,M.G。;Ko,H.-S.,《模态翘曲:大旋转变形和操纵的实时模拟》,IEEE Trans。视觉。计算。图形,11,1,91-101(2005)
[10] 杨,Y。;李,D。;徐伟(Xu,W.)。;田,Y。;Zheng,C.,简化变形模拟的加速预计算,ACM Trans。图表。(TOG),34,6(2015)
[11] Voulodimos,A。;北卡罗来纳州杜拉米斯。;杜拉米斯,A。;Protopapadakis,E.,《计算机视觉的深度学习:简要回顾》,《计算机》。因特尔。神经科学。,2018 (2018)
[12] Young,T。;哈扎里卡,D。;波利亚,S。;Cambria,E.,基于深度学习的自然语言处理的最新趋势,IEEE计算。因特尔。Mag.,13,3,55-75(2018)
[13] 古德费罗,I。;Y.本吉奥。;A.Courville,《深度学习》(2016),麻省理工学院出版社,http://www.deeplearningbook.org ·兹比尔1373.68009
[14] Lin,H。;Tegmark,M。;Rolnick,D.,为什么深度和廉价的学习效果如此好?,《统计物理学杂志》。,168, 6, 1223-1247 (2017) ·Zbl 1373.82061号
[15] B.Kim,V.C.Azevedo,N.Thuerey,T.Kim,M.Gross,B.Solenthaler,《深层流体:参数化流体模拟的生成网络》,arXiv预印本arXiv:1806.02071。
[16] 是的,我。;塞迪尔尼克,N。;加里纳利,P。;Sermesant,M.,Ep-net:学习心脏电生理模型,用于数据驱动预测中基于生理学的约束(心脏功能成像和建模(2019))
[17] 莱斯,M。;Karniadakis,G.E.,《隐藏物理模型:非线性偏微分方程的机器学习》,J.Compute。物理。,357, 125-141 (2018) ·Zbl 1381.68248号
[18] 莱斯,M。;佩迪卡里斯,P。;Karniadakis,G.,《基于物理的神经网络:解决非线性偏微分方程正问题和逆问题的深度学习框架》,J.Compute。物理。,378, 686-707 (2019) ·Zbl 1415.68175号
[19] Oishi,A。;Yagawa,G.,通过深度学习增强的计算力学,计算。方法应用。机械。工程师,327327-351(2017)·Zbl 1439.74458号
[20] R.Luo,T.Shao,H.Wang,W.Xu,K.Zhou,Y.Yang,深度扭曲:基于DNN的非线性变形,arXiv预印本arXiv:1803.09109。
[21] A.Mendizabal,P.Márquez-Niela,S.Cotin,使用深度学习实时模拟超弹性材料,arXiv预印本arXiv:1904.06197。
[22] 富尔顿,L。;莫迪,V。;Duvenaud,D。;莱文,D.I.W。;雅各布森,A.,减少变形模拟的潜在空间动力学,计算。图表。论坛(2019)
[23] Ogden,R.W.,《非线性弹性变形》(1997),Courier Corporation
[24] Holzapfel,G.A。;Ogden,R.W.,《被动心肌的本构模型:基于结构的材料表征框架》,Phil.Trans。R.Soc.A,367,1902,3445-3475(2009),arXiv:http://rsta.royalsocietypublishing.org/content/367/1902/3445.full.pdf,URLhttp://rsta.royalsocietypublishing.org/content/367/1902/3445 ·Zbl 1185.74060号
[25] A.Hanson,H.Ma,《曲线框架的平行运输方法》,印第安纳大学,技术报告-TR425,11(1995)3-7。
[26] D.P.Kingma,J.Ba,Adam:随机优化方法,CoRR abs/1412.6980 arXiv:1412.6980。
[27] F.Cholet等人,Keras,https://keras.io网址, 2015.
[28] M.Abadi、A.Agarwal、P.Barham、E.Brevdo、Z.Chen、C.Citro、G.S.Corrado、A.Davis、J.Dean、M.Devin、S.Ghemawat、I.Goodfellow、A.Harp、G.Irving、M.Isard、Y.Jia、R.Jozefowicz、L.Kaiser、M.Kudlur、J.Levenberg、D.Mane、R.Monga、S.Moore、D.Murray、C.Olah、M.Schuster、J.Shlens、B.Steiner、I.Sutskever、K.Talwar、P.Tucker。Vanhoucke,V.Vasudevan,F.Viégas,O.Vinyals,P.Warden,M.Wattenberg,M.Wicke,Y.Yu,X.Zheng,TensorFlow:异构系统上的大规模机器学习,软件可从TensorFlow.org获得,http://tensorflow.org/2015
[29] 马萨,S.A。;埃利斯,B.J。;Ateshian,G.A。;Weiss,J.A.,Febio:生物力学有限元,J.Biomech。工程,134,1,011005(2012)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。