10.3778/j.issn.1002-8331.1809-0197
基于周期性校正神经网络的血流血管壁耦合
针对传统的血流血管壁耦合难以兼顾计算效率和视觉真实感的问题,提出了一种基于周期性校正神经网络(Periodic-corrected Network,PcNet)的血流血管壁耦合数据驱动仿真方法.设计基于平滑粒子流体动力学(SPH)的血流粒子状态特征向量,对邻域血流粒子和血管壁代理粒子的混合贡献进行建模.提出一种半监督的神经网络——改进的周期性校正神经网络,预测每个粒子在下一帧的加速度.实验结果表明该仿真方法实现了快速、稳定、逼真的血流血管壁耦合.
流固耦合、血管壁、数据驱动、周期性校正、平滑粒子流体动力学(SPH)
55
TP391.9(计算技术、计算机技术)
2020-01-03(万方平台首次上网日期,不代表论文的发表时间)
共6页
178-183