Par fiziku informētu neironu tīklu pielietojums nepārtraukta plūsmas lauka un šūnu virsmas topogrāfijas rekonstruēšanai "orgāna-uz-čipa" mikrokanālos

Abstract

Precīza šķidruma radītā bīdes sprieguma noteikšana uz šūnu virsmas ir būtiska orgānu-uz-čipa (OUČ) ierīču darbībā, taču praksē izmantotie vienkāršotie pieņēmumi par gludām virsmām un Ņūtona šķidruma modeli rada būtiskas kļūdas. Šajā darbā izstrādāta jauna pieeja, kurā par fiziku informēts neironu tīkls (FINT) tiek apvienots ar zīmes attāluma funkcijas (ZAF) nerionu tīklu, lai precīzi rekonstruētu OUČ mikrokanāla sarežģīto virsmas ģeometriju un ne-Ņūtona šķidruma plūsmas lauku no diskrētiem, trokšņainiem mērījumiem. Rezultāti rāda, ka šāda pieeja ļauj iegūt ticamu šķidruma plūsmas lauku un palīdzēt uzlabot virsmas struktūras topogrāfiju, tādējādi nodrošinot precīzāku OUČ ierīču darbības kalibrāciju.

Accurate determination of fluid-induced shear stress on cell surfaces is essential for the operation of organ-on-chip (OoC) devices, yet the simplified assumptions commonly used in practice—smooth walls and a Newtonian fluid model—lead to substantial errors. This study introduces a new approach that couples a physics-informed neural network (PINN) with a signed-distance-function (SDF) neural network to precisely reconstruct the complex microchannel surface geometry and non-Newtonian flow field of an OoC device from sparse, noisy measurements. The results show that this method delivers a trustworthy flow field and enhances the recovered surface topography, thereby enabling more accurate calibration of OoC devices.