Ehsan Taghizadeh; Helen M. Byrne; Brian D. Wood · 2021 · Journal of Computational Physics

Metadata

Authors: Ehsan Taghizadeh; Helen M. Byrne; Brian D. Wood

DOI: 10.1016/j.jcp.2021.110781

Tags: #PINNs #neural-network #continuum-mechanics #reaction-diffusion

📄 Quick Note¶

摘要概述¶

本文针对生物组织中具有非线性反应的传质输运问题，提出将形式化多尺度上采样（volume averaging）与数据驱动深度学习相结合的"显式"闭合方法。作者采用经典的 effectiveness factor 模型刻画宏观反应动力学，并以微尺度直接数值模拟生成训练集，训练多层感知机（MLP）来学习 η(x) 这一非线性修正因子；训练特征空间显式包含宏观浓度及其梯度，从而保留质量守恒约束。所训练网络在脑组织和肝组织两类几何与尺度差异显著的真实组织上表现出良好泛化能力，可与后验平均的微观数值解高度吻合。该方法最终得到一个以神经网络隐式预测 effectiveness factor 的上采样 PDE，相较于"黑盒式"学习宏观方程的方法，保留了显式的宏观守恒形式。

关键图表¶

待精读时补充（Fig. 1 工作流程图：从微尺度物理/几何/反应到特征工程、训练数据生成、MLP 训练与上采样求解；以及脑、肝两类组织上的 effectiveness factor 与浓度场对比图）。

与我的关联¶

为血管生长与重塑（vascular G&R）等多尺度连续介质问题提供了"形式化上采样 + 神经网络闭合"的范式参考，可启发在组织尺度反应-扩散/力学耦合中引入 PINN 风格的显式闭合策略。