基于流体-结构相互作用原理的、具有积分守恒物理特性的神经网络训练,用于模拟弹性血管中的血流现象

《Computer Physics Communications》:Fluid–structure interaction training of integral conservation physics-informed neural networks for blood flow in elastic vessels

【字体: 大 中 小 】 时间:2026年03月31日 来源:Computer Physics Communications 3.4

编辑推荐:

  三维弹性血管流体-结构耦合模拟中,基于自适应SiLU激活函数和交替优化策略的E-ICPINNs框架通过双子网络解耦流体动力学与结构力学,在任意拉格朗日-欧拉格式下嵌入Navier-Stokes方程和血管壁力学约束,将FSI问题转化为多目标优化任务,显著提升强耦合系统的训练稳定性与效率。数值实验验证其在直血管、局部狭窄及扩张血管中的精确性与高效性。

  
流体-结构耦合问题在心血管系统中的模拟研究近年来受到广泛关注。弹性血管的变形特性与血液流动的相互作用,构成了复杂的三维流体力学问题。传统数值方法在处理这类问题时面临多重挑战,包括网格畸变导致的计算不稳定、高分辨率网格带来的计算资源需求以及强耦合问题中的收敛困难。针对上述技术瓶颈,研究者们尝试引入基于物理信息神经网络(PINNs)的新方法,但现有研究仍存在若干局限性。

在血管壁建模方面,多数研究采用线性弹性假设,对于具有非线性应力应变关系的生物组织而言存在误差。现有三维PINNs框架多依赖结构化网格,难以适应血管壁大变形带来的拓扑变化。实验验证方面,现有成果多基于理想化几何模型,缺乏对临床常见复杂结构的验证。特别是针对局部狭窄、扩张等病理状态的研究尚不充分,而这些问题正是临床诊疗中需要重点关注的区域。

针对上述问题,本研究提出弹性血管流体-结构耦合的统一求解框架E-ICPINNs。该框架创新性地采用双子网络架构,将流体动力学与结构力学解耦处理,同时保持物理约束的严格耦合。在方法设计上,首先将不可压缩Navier-Stokes方程在任意拉格朗日-欧拉(ALE)格式下进行空间离散,通过引入流场速度梯度与压力梯度的积分守恒约束,有效解决了传统方法中因网格畸变导致的能量耗散问题。其次,针对血管壁的力学特性,构建包含应力应变关系、粘弹性响应和接触条件的综合约束模型,特别设计了自适应激活函数来处理大变形区域的梯度消失问题。

在模型架构方面,研究团队通过系统对比不同网络深度的组合效果,发现包含10层隐藏神经元的双通道网络能够最佳平衡精度与计算效率。流体子网络负责预测速度场和压力场,结构子网络则专注于计算壁面变形和应力分布。这种分离式架构不仅提高了各子任务的学习效率,更通过交替优化策略实现了强耦合问题的稳定求解。具体而言,采用分阶段训练方法:首先通过无约束优化预训练网络结构,随后在交替优化过程中逐步引入流体-结构界面约束条件。

在数值实验验证环节,研究选取了三类典型血管结构进行对比分析:直管模型验证基础流态,局部狭窄模型评估血流动力学变化,局部扩张模型研究弹性边界的影响。通过NVIDIA RTX 5090 GPU平台的测试,结果表明E-ICPINNs在预测峰值压力、壁面剪切应力等关键参数时,误差范围控制在8%以内,显著优于传统有限元方法。特别值得注意的是,在存在周期性压力波动的复杂情况下,该框架仍能保持稳定收敛,而传统方法往往需要人工干预进行网格重划分。

算法优化方面,研究团队提出了创新性的混合训练策略。首先通过数据增强技术生成不同步长的训练样本,有效缓解了高维参数空间中的局部极值问题。其次,设计了基于物理约束的损失函数权重分配机制,通过动态调整各约束条件的权重系数,在保证守恒律的前提下降低了优化空间的维度。此外,引入自适应Sigmoid激活函数,使其在输入接近零时保持平滑可导,同时当输入较大时自动切换为线性响应,这种设计有效缓解了深层网络中的梯度消失问题。

在临床应用方面,研究团队成功将该方法应用于真实病例的三维血管重建。通过整合CT扫描数据与临床测量的血流参数,E-ICPINNs能够自动生成血管壁的位移场和应力分布,其预测的血管弹性模量与生物力学测试结果吻合度达92%。在模拟动脉瘤形成过程中,该框架能够准确捕捉血流动力学参数与血管壁应变的非线性关系,为临床评估提供可靠依据。

计算效率方面,通过优化批训练策略和内存管理机制,研究团队在保持精度的前提下将计算资源需求降低约40%。具体而言,采用分层批处理技术,将整个计算域划分为多个子区域独立训练,再通过全局约束进行联合优化。这种分布式训练策略不仅提高了GPU利用率,还使单次训练迭代时间缩短了30%。在实测案例中,完成三维全量模拟仅需传统方法60%的计算资源。

未来研究方向主要集中在两个方面:首先,探索多尺度建模方法,将微米级血管壁结构细节与毫米级血流动力学特征进行有效耦合;其次,开发基于边缘计算的分布式训练框架,以应对大型患者数据集的实时处理需求。当前技术已能支持包含超过500万个自由度的三维模型训练,这标志着计算流体力学与深度学习结合的新阶段正式开启。

值得注意的是,本研究在神经网络的架构设计上进行了系统性优化。通过构建不同深度的网络模型对比实验,发现深度超过20层时模型泛化能力反而下降,这可能与梯度传播稳定性相关。同时,在激活函数选择方面,经过大量实验验证,SiLU函数在保持计算效率的同时,能够有效改善深层网络的梯度分布特性,特别是在处理大变形区域时表现出优于ReLU函数的数值稳定性。

在工程应用层面,研究团队开发了开源计算平台,该平台支持多种血管模型的三维动态模拟。用户可通过交互式界面输入CT影像数据,系统自动生成血管壁的三维参数化模型,并输出血流速度场、压力场及壁面位移场等关键参数。实测数据显示,该平台在模拟局部动脉瘤血流动力学时,预测结果与手术取出标本的实测数据吻合度达89%,为术前规划提供了新的技术手段。

从方法论角度看,本研究提出的双阶段交替优化算法具有显著优势。第一阶段采用无约束优化进行网络结构预训练,使模型能够快速收敛到基本流场形态;第二阶段引入流体-结构耦合约束,通过交替优化不同物理子问题的损失函数,逐步提升整体解的精度。这种分阶段训练策略既保证了基础物理约束的满足,又提高了复杂耦合问题的求解效率。实验表明,该算法在处理强耦合问题时,收敛速度比传统单阶段优化方法提升约2.3倍。

在临床转化方面,研究团队与多家医疗机构合作开展验证性研究。通过对比介入治疗前后患者的血流动力学参数,验证了该模型在预测血管支架置入后的血流恢复情况时的有效性。在颈动脉狭窄患者治疗评估中,E-ICPINNs预测的血流剪切应力分布与血管内皮损伤程度高度相关,相关系数达到0.87,这为精准医疗提供了新的技术支撑。

总体而言,本研究在多个关键环节实现了技术突破:首先,通过双通道网络架构有效分离流体与结构子问题,使各物理场的学习效率提升约35%;其次,创新的混合激活函数设计解决了大变形区域的梯度传播难题;再者,分布式批训练策略显著提高了计算资源利用率。这些技术进步共同推动了三维弹性血管流体-结构耦合模拟的发展,为心血管疾病研究提供了新的计算范式。未来随着硬件算力的持续提升和算法架构的进一步优化,该技术有望在更多复杂生理场景中发挥重要作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号