Title
Surogat modeli mišića zasnovani na veštačkim neuronskim mrežama sa primenom u analizi metodom konačnih elemenata
Creator
Milićević, Bogdan, 1992-
CONOR:
24209511
Copyright date
2022
Object Links
Select license
Autorstvo-Deliti pod istim uslovima 3.0 Srbija (CC BY-SA 3.0)
License description
Dozvoljavate umnožavanje, distribuciju i javno saopštavanje dela, i prerade, ako se navede ime autora na način odredjen od strane autora ili davaoca licence i ako se prerada distribuira pod istom ili sličnom licencom. Ova licenca dozvoljava komercijalnu upotrebu dela i prerada. Slična je softverskim licencama, odnosno licencama otvorenog koda. Osnovni opis Licence: http://creativecommons.org/licenses/by-sa/3.0/rs/deed.sr_LATN Sadržaj ugovora u celini: http://creativecommons.org/licenses/by-sa/3.0/rs/legalcode.sr-Latn
Language
Serbian
Cobiss-ID
Inventory ID
050003622
Theses Type
Doktorska disertacija
description
Datum odbrane: 26.06.2023.
Other responsibilities
Academic Expertise
Tehničko-tehnološke nauke
University
Univerzitet u Kragujevcu
Faculty
Fakultet inženjerskih nauka
Alternative title
Surrogate muscle models based on artificial neural networks with applications in finite element analysis
Publisher
[B. Ž. Milićević]
Format
118 str.
Abstract (sr)
Biofizički modeli mišića, zasnovani na fiziološkim principima funkcionisanja
mišića, se mogu koristiti da odrede mehanički odziv mišića preciznije nego
fenomenološki modeli, koji su zasnovani na eksperimentalnim merenjima. Međutim,
za razliku od fenomenoloških, biofizički modeli mišića su računski veoma
zahtevni, što otežava njihovu upotrebu u višeskalnim simulacijama. Tipičan
primer biofizičkog modela mišića je Hakslijev model. U ovoj disertaciji, da bi se
omogućila efikasnija upotreba biofizičkih modela, kreirani su surogat modeli
zasnovani na veštačkim neuronskim mrežama takvi da oni imitiraju originalni
Hakslijev model, ali koriste manju količinu memorije i drugih računarskih resursa.
Najbolji rezultati su postignuti zatvorenim rekurentnim jedinicama, koje su dale
najtačnije napone u mišiću od svih konstruisanih mreža. U različitim numeričkim
eksperimentima je pokazano da su predviđeni naponi i trenutna krutost skoro
potpuno isti kao originalni. Pokazano je da je konstruisani surogat model za red
veličine brži od Hakslijevog modela rešavanog klasičnim numeričkim postupkom i
da troši manju količinu memorije. Pored toga, u ovoj disertaciji su prikazane
neuronske mreže podržane fizičkim zakonima, koje su obučavane tako da
aproksimiraju rešenje Hakslijeve jednačine za mišićnu kontrakciju. Pokazano je da
višeslojni perceptron, podržan fizičkim zakonima, bolje generalizuje ponašanje
mišića 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 analizu
metodom konačnih elemenata. Da bi potencijal surogat modela za korišćenje u
zahtevnim višeskalnim simulacijama bio demonstriran u punom obimu, simuliran je
srčani ciklus leve komore, što bi bilo značajno teže uraditi sa originalnim
Hakslijevim modelom.
Abstract (en)
Biophysical muscle models, which are based on the underlying physiology of the muscles,
can evaluate the mechanical response of the muscles more accurately than phenomenological
muscle models, which are based on experimental measurements. On the other hand,
biophysical muscle models are much more computationally intensive. Biophysical muscle
models are often called Huxley-type muscle models. In this dissertation, to enable the
efficient 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 use
less memory and processing power. The best results were achieved with the gated recurrent
units, which produced the most accurate stresses. Stresses and instantaneous stiffnesses
produced by the surrogate model were almost indistinguishable from the original values. The
constructed surrogate model was an order of magnitude faster than Huxley’s muscle model
and used less memory. Additionally, in this dissertation, physics-informed neural networks
were trained to approximately solve Huxley’s muscle contraction equation. It was shown that
the generalization of the physics-informed multilayer perceptron is greater than that of the
ordinary multilayer perceptron.
The procedures for the creation of the surrogate muscle models were introduced in this
dissertation, along with the procedures for the integration of the surrogate models into a finite
element analysis framework. To show the potential of the surrogate models in larger-scale
simulations, the cardiac cycle of the left ventricle model was simulated, which would be much
higher to do with the original Huxley’s muscle model.
Authors Key words
veštačke neuronske mreže, rekurentne neuronske mreže, neuronske
mreže podržane fizičkim zakonima, surogat modeli, Hakslijev model mišića, metod
konačnih elemenata, model leve komore
Authors Key words
artificial neural networks, recurrent neural networks, physics-informed neural
networks, surrogate models, Huxley muscle model, finite element method, left ventricle
model
Classification
004.832.3(043.3)
Type
Tekst
Abstract (sr)
Biofizički modeli mišića, zasnovani na fiziološkim principima funkcionisanja
mišića, se mogu koristiti da odrede mehanički odziv mišića preciznije nego
fenomenološki modeli, koji su zasnovani na eksperimentalnim merenjima. Međutim,
za razliku od fenomenoloških, biofizički modeli mišića su računski veoma
zahtevni, što otežava njihovu upotrebu u višeskalnim simulacijama. Tipičan
primer biofizičkog modela mišića je Hakslijev model. U ovoj disertaciji, da bi se
omogućila efikasnija upotreba biofizičkih modela, kreirani su surogat modeli
zasnovani na veštačkim neuronskim mrežama takvi da oni imitiraju originalni
Hakslijev model, ali koriste manju količinu memorije i drugih računarskih resursa.
Najbolji rezultati su postignuti zatvorenim rekurentnim jedinicama, koje su dale
najtačnije napone u mišiću od svih konstruisanih mreža. U različitim numeričkim
eksperimentima je pokazano da su predviđeni naponi i trenutna krutost skoro
potpuno isti kao originalni. Pokazano je da je konstruisani surogat model za red
veličine brži od Hakslijevog modela rešavanog klasičnim numeričkim postupkom i
da troši manju količinu memorije. Pored toga, u ovoj disertaciji su prikazane
neuronske mreže podržane fizičkim zakonima, koje su obučavane tako da
aproksimiraju rešenje Hakslijeve jednačine za mišićnu kontrakciju. Pokazano je da
višeslojni perceptron, podržan fizičkim zakonima, bolje generalizuje ponašanje
mišića 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 analizu
metodom konačnih elemenata. Da bi potencijal surogat modela za korišćenje u
zahtevnim višeskalnim simulacijama bio demonstriran u punom obimu, simuliran je
srčani ciklus leve komore, što bi bilo značajno teže uraditi sa originalnim
Hakslijevim modelom.
“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.