Naslov (srp)

Surogat modeli mišića zasnovani na veštačkim neuronskim mrežama sa primenom u analizi metodom konačnih elemenata

Autor

Milićević, Bogdan, 1992-

Doprinosi

Filipović, Nenad, 1970-
Milošević, Miljan, 1984-
Ranković, Vesna, 1967-
Ivanović, Miloš, 1978-
Stojanović, Boban, 1977-
Ćulibrk, Dubravko, 1976-

Opis (srp)

Biofizički modeli mišića, zasnovani na fiziološkim principima funkcionisanjamišića, se mogu koristiti da odrede mehanički odziv mišića preciznije negofenomenološki modeli, koji su zasnovani na eksperimentalnim merenjima. Međutim,za razliku od fenomenoloških, biofizički modeli mišića su računski veomazahtevni, što otežava njihovu upotrebu u višeskalnim simulacijama. Tipičanprimer biofizičkog modela mišića je Hakslijev model. U ovoj disertaciji, da bi seomogućila efikasnija upotreba biofizičkih modela, kreirani su surogat modelizasnovani na veštačkim neuronskim mrežama takvi da oni imitiraju originalniHakslijev model, ali koriste manju količinu memorije i drugih računarskih resursa.Najbolji rezultati su postignuti zatvorenim rekurentnim jedinicama, koje su dalenajtačnije napone u mišiću od svih konstruisanih mreža. U različitim numeričkimeksperimentima je pokazano da su predviđeni naponi i trenutna krutost skoropotpuno isti kao originalni. Pokazano je da je konstruisani surogat model za redveličine brži od Hakslijevog modela rešavanog klasičnim numeričkim postupkom ida troši manju količinu memorije. Pored toga, u ovoj disertaciji su prikazaneneuronske mreže podržane fizičkim zakonima, koje su obučavane tako daaproksimiraju rešenje Hakslijeve jednačine za mišićnu kontrakciju. Pokazano je davišeslojni perceptron, podržan fizičkim zakonima, bolje generalizuje ponašanjemišića nego standardni višeslojni perceptron.U ovoj disertaciji su predstavljene procedure za kreiranje surogat modela mišića,zajedno sa procedurama za integraciju surogat modela u softverski okvir za analizumetodom konačnih elemenata. Da bi potencijal surogat modela za korišćenje uzahtevnim višeskalnim simulacijama bio demonstriran u punom obimu, simuliran jesrčani ciklus leve komore, što bi bilo značajno teže uraditi sa originalnimHakslijevim modelom.

Opis (srp)

-

Opis (eng)

Biophysical muscle models, which are based on the underlying physiology of the muscles,can evaluate the mechanical response of the muscles more accurately than phenomenologicalmuscle models, which are based on experimental measurements. On the other hand,biophysical muscle models are much more computationally intensive. Biophysical musclemodels are often called Huxley-type muscle models. In this dissertation, to enable theefficient use of Huxley-type muscle models in multi-scale simulations of the cardiac cycle,surrogate models were created such that they mimic the original Huxley muscle model but useless memory and processing power. The best results were achieved with the gated recurrentunits, which produced the most accurate stresses. Stresses and instantaneous stiffnessesproduced by the surrogate model were almost indistinguishable from the original values. Theconstructed surrogate model was an order of magnitude faster than Huxley’s muscle modeland used less memory. Additionally, in this dissertation, physics-informed neural networkswere trained to approximately solve Huxley’s muscle contraction equation. It was shown thatthe generalization of the physics-informed multilayer perceptron is greater than that of theordinary multilayer perceptron.The procedures for the creation of the surrogate muscle models were introduced in thisdissertation, along with the procedures for the integration of the surrogate models into a finiteelement analysis framework. To show the potential of the surrogate models in larger-scalesimulations, the cardiac cycle of the left ventricle model was simulated, which would be muchhigher to do with the original Huxley’s muscle model.

Jezik

srpski

Datum

2022

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-SA 3.0 AT - Creative Commons Autorstvo - Deliti pod istim uslovima 3.0 Austria License.

http://creativecommons.org/licenses/by-sa/3.0/at/legalcode