Pinning down the accuracy of physics-informed neural networks under laminar and turbulent-like aortic blood flow conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Physics-informed neural networks (PINNs) are increasingly being used to model cardiovascular blood flow. The accuracy of PINNs is dependent on flow complexity and could deteriorate in the presence of highly-dynamical blood flow conditions, but the extent of this relationship is currently unknown. Therefore, we investigated the accuracy and performance of PINNs under a range of blood flow conditions, from laminar to turbulent-like flows. METHODS: ) cases were trained in this study. The PINNs architecture and data have been made open-sourced. RESULTS: PINNs errors increased substantially for stenosis severity >50% (stenotic Reynolds numer > 2000) due to the presence of complex turbulent-like flow features. When using 400 sensor points, PINNs velocity magnitude errors ranged from 30% for no-stenosis model to 57% for the model with 70% stenosis, and dropped to 10% and 20%, respectively when the number of sensor points were increased to 1600. PINNs velocity magnitude errors increased monotonically with turbulent intensity, particularly beyond stenosis severity of 50%. CONCLUSIONS: Our findings indicate that the accuracy of PINNs is dependent on the complexity of blood flow conditions. Using conventional PINNs architecture, the errors in trained velocity can increase substantially in the presence of turbulent-like blood flows that are typically found in various vascular pathologies.
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.
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 découle