Steady-State Tissue Oxygen Distributions Calculated by a Green’s Function Method and a Finite Difference Method: A Comparison
Notice bibliographique
Résumé
Simulations that are meant to determine the steady-state distribution of a diffusible solute such as oxygen in tissues have typically used finite difference methods to solve the diffusion equation. Finite difference methods require a tissue mesh with enough points to resolve oxygen gradients near and between discrete blood vessels. The large number of points that are typically required can make these calculations very slow. In this paper, we investigate a numerical method known as the Green’s function method which is not bound by the same constraint. The Green’s function method is expected to yield an accurate oxygen distribution more quickly by requiring fewer mesh points. Both methods were applied to calculate the steady state oxygen distribution in a model simulation region. When the Green’s function calculation used meshes with 1⁄2, 1⁄4 and, 1⁄8 of the resolution required for the finite-difference mesh, there was good agreement with the finite difference calculation in all cases. When the volume of the domain was increased 8-fold the Green’s function method was able to calculate the O <inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</inf> field in 22 minutes, whereas the finite difference calculation is expected to take approximately 1 week. The number of steps required for the Green’s function calculation increases quadratically with the number of points in the tissue mesh. As a result, small meshes are calculated very quickly using Green’s functions, while for larger mesh sizes this method experiences a significant decrease in efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».