Key points are not available for this paper at this time.
ديناميكا السوائل الحسابية (CFD) هي أداة قيمة لتشخيص وتوقع الأمراض القلبية الوعائية الخاصة بالمرضى، لكن متطلباتها الحسابية العالية تعوق اعتمادها في الممارسة العملية. يمكن أن تسرع طرق التعلم الآلي التي تقدر تدفق الدم لدى المرضى الأفراد أو تحل محل محاكاة CFD للتغلب على هذه القيود. في هذا العمل، نعتبر تقدير الكميات ذات القيم المتجهة على جدار نماذج الشرايين الهندسية ثلاثية الأبعاد. نستخدم التكدس المتوافق مع المجموعة في شبكة عصبية متوافقة مع SE(3) تعمل مباشرة على شبكة سطح مثلثية وتستفيد بكفاءة من بيانات التدريب. نجري تجارب على مجموعة بيانات كبيرة من الشرايين التاجية الاصطناعية ونجد أن طريقتنا تقدر إجهاد قص الجدار الاتجاهي (WSS) بدقة تقريبية قدرها 7.6% وخطأ مطلق متوسط طبيعي (NMAE) قدره 0.4% بينما تكون أسرع بمقدار يصل إلى مرتبتين من CFD. علاوة على ذلك، نظهر أن طريقتنا قوية بما يكفي للتنبؤ بدقة بإجهاد قص الجدار الاتجاهي المتغير خلال دورة القلب مع اعتمادها على مجموعة من ظروف حدود التدفق المختلفة. تظهر هذه النتائج إمكانيات طريقتنا المقترحة كاستبدال إضافي لـ CFD في التنبؤ المخصص لمجالات الديناميكا الدموية المتجهة والعددية.
درس سوك وزملاؤه (ثلاثاء) هذا السؤال.