基于深度学习和4D Flow MRI的血流压力测量方法

目的目前利用人工智能方法对患者进行血流压力测量的研究大多只能计算某一固定边界条件下稳态流场血流压力参数,从而无法计算瞬态流场,也无法考虑不同患者不同边界条件对血液流场造成的影响。本研究提出一种基于深度神经网络和4D Flow MRI的方法实现患者血流压力的测量,能够根据不同患者不同边界条件计算患者特异性血流压力。方法利用4D Flow MRI获得患者血流速度数据,根据待测量点及其邻域内速度梯度数据,利用深度神经网络获取邻域内速度梯度、黏性项与压力梯度的特征关系,从而实现待测点血流压力的计算。结果通过与计算流体力学结果相比较,利用归一化平均绝对误差NMAE评估本研究所提出的方法,准确率达到了96.28%以上。结论本研究提出了一种新的预测患者血流压力的机器学习方法,相比于先前研究,本研究所提出方法可以将不同患者不同时刻的流场边界条件作为输入特征,为之后机器学习预测血流压力的研究提供新的思路。

电动汽车储电站储能系统容量配置优化设计

21世纪以来,燃油汽车数量急剧增长,能源消耗加剧,石油消耗量中汽车燃料消耗所占比重越来越大,目前已居于首位,严重的环境污染随之产生。因此,电动汽车开始被人们关注,一些公司开始批量生产电动汽车,其自上市伊始便受到广泛欢迎,电动汽车有朝一日将取代燃油汽车。但是,电动汽车也存在弊端。为了分析和研究如何使充电站更加经济地运行,论文对电动汽车储能系统容量优化进行研究,研究结果对电动汽车充电站运行的经济性具有重要的现实意义。