《Engineering Applications of Artificial Intelligence》:Artificial neural network-assisted optimization of slippery boundaries on the fluid transport in permeable renal tubules
编辑推荐:
本研究探讨了渗透性生物通道(如肾小管)中的流体输运问题,该过程在多种生理过程中具有关键作用,因此需要精确的预测建模。研究人员结合理论建模与基于人工神经网络(Artificial Neural Network, ANN)的预测方法,研究了代表肾小管结构的渗透性通
本研究探讨了渗透性生物通道(如肾小管)中的流体输运问题,该过程在多种生理过程中具有关键作用,因此需要精确的预测建模。研究人员结合理论建模与基于人工神经网络(Artificial Neural Network, ANN)的预测方法,研究了代表肾小管结构的渗透性通道中的流体输运。通过建立描述壁面渗透性影响下牛顿流体(Newtonian fluid)流动的非线性数学模型并进行求解,生成用于ANN训练的数据集。网络参数采用Levenberg-Marquardt反向传播技术进行优化,并应用早停法(early stopping)以避免过拟合并保持稳定的学习行为。模型性能通过回归分析和误差直方图分布进行评估,结果表明ANN预测与解析解之间存在高度一致性。训练后的ANN模型成功预测了速度分量、压力变化及壁面剪切应力(wall shear stress),其相关系数接近1。研究结果显示,主导滑移系数(slip coefficient, ?)和重吸收系数(reabsorption coefficient, α)对渗透性肾小管内的速度场、压力分布及剪切应力行为具有显著影响。隐藏层中10个和15个神经元的网络结构比较表明,两种配置均能提供可靠的预测性能,仅在收敛速度和误差分布上存在微小差异。尽管验证阶段因样本变异性受限而出现轻微不规则性,但测试阶段证实了训练模型的稳健性和可靠性。总体而言,该解析方法与基于ANN的联合框架表明,机器学习技术能够有效辅助传统计算方法,用于研究渗透性生物通道中的生理流体输运。
本研究旨在利用人工神经网络辅助优化渗透性肾小管滑移边界对流体输运的影响,为生理流体动力学建模提供新的分析框架。研究背景源于肾小管等生物通道中流体输运的复杂性,壁面渗透性与滑移效应对流动特征具有显著调控作用,传统数值方法在处理高度非线性问题时存在计算效率与精度的局限,因此引入机器学习方法以提升预测能力并建立高效的数据驱动模型。
目前研究领域存在以下关键问题:其一,壁面渗透性沿管道的变化如何影响轴向压力降及生理输运系统中的流动行为;其二,在多孔边界引入滑移速度对微观生物通道中流体运动预测精度的提升程度;其三,管壁处不同重吸收机制(线性、指数或周期性吸收)对肾结构中整体流体输运的改变效应;其四,Adomian分解法(Adomian Decomposition Method, ADM)能否可靠处理具有非均匀几何形状的渗透性通道中非线性控制方程;其五,当出现多参数影响时,人工神经网络模型能否有效捕捉并预测渗透性降低及相应流动行为。基于上述问题,研究人员开展了本项研究,旨在建立理论建模与机器学习相结合的预测框架,为肾小管生理流动研究提供新工具。该研究具有重要理论与实践意义,既可深化对肾小管流体动力学机制的理解,又能为相关疾病的临床诊断与治疗提供计算支持,论文发表于Engineering Applications of Artificial Intelligence期刊。
本研究采用的主要关键技术方法包括:基于连续性方程与动量方程建立牛顿流体在渗透性通道中的非线性数学模型;利用Adomian分解法求解控制方程以生成训练数据集;采用Levenberg-Marquardt优化算法训练前馈人工神经网络;引入早停法防止模型过拟合;通过回归分析与误差直方图评估模型性能并与解析解进行对比验证。
研究结果部分按以下结构展开:
问题建模与方程建立。研究人员考虑半宽度为a、长度为L的渗透性通道,假设流体为粘性、不可压缩的牛顿流体,建立了描述流体运动的连续性方程与动量方程,其中U*和V*分别表示轴向与垂直速度分量,
ν=
μ/
ρ为运动粘度,P*为压力,
ρ为流体密度。通过无量纲化与流函数表述,将问题转化为四阶偏微分方程进行求解。
Adomian分解法求解。研究人员采用Adomian分解法求解控制方程,定义线性算子L=
?2/
?y2,将流函数
ψ(
x,
y)分解为无限级数
ψ=∑
n=0∞ψn,通过四重积分算子L
-2进行迭代求解,该方法能够直接处理非线性项并获得计算高效的精确解。
人工神经网络模型构建与优化。研究人员采用Levenberg-Marquardt反向传播技术优化网络参数,通过10个和15个神经元两种隐藏层配置进行训练,并应用早停策略维持稳定学习行为,避免过拟合现象。
模型性能评估。回归分析与误差直方图分布显示ANN预测与解析解具有高度一致性,速度分量、压力变化及壁面剪切应力的预测相关系数接近1;10神经元与15神经元网络均表现出可靠预测性能,收敛速度与误差分布仅存在微小差异。
参数敏感性分析结果。主导滑移系数
?(取值范围0.1–0.4)和重吸收系数
α(取值范围1.0–2.0)对速度场、压力分布及剪切应力行为具有显著影响;在极限情况下,研究结果可退化为已有文献(Acharya等,1981;Chaturani和Ranganatha,1991)的结论。
验证与测试分析。验证阶段因样本变异性受限出现轻微不规则性,但测试阶段确认了训练模型的稳健性与可靠性;误差分布集中于零附近,表明ANN框架具有良好的泛化能力。
研究讨论与结论部分指出,本项研究描述了粘性不可压缩流体在具有重吸收和滑移效应的渗透性通道中的流动行为。训练基于Levenberg-Marquardt优化方案的人工神经网络能够成功学习渗透性生物通道(类似于肾小管)中控制流体运动的非线性关系。ANN模型表现出强大的预测能力,高相关值和集中于零附近的误差分布证实了这一点。早停法的实施确保了训练稳定性并有助于维持模型性能。当前预测的局限在于数据来源于数学模型,未来研究可纳入实验或临床观测以增强实际验证。该联合解析与ANN框架表明,机器学习技术能够有效补充传统计算方法,用于研究渗透性生物通道中的生理流体输运。尽管验证样本的有限变异性导致验证阶段出现轻微异常,但测试阶段充分证实了训练模型的稳健性与可靠性。该研究凸显了人工神经网络在估算所提出的血流动力学模型流动特性方面的有效性,为生理流体动力学研究提供了令人满意的精度保证。