Analysis of complex systems with CFD and Machine Learning

Computational Fluid Dynamics (CFD) provides detailed quantitative information in a wide range of applied fluid mechanics problems. However, sometimes CFD alone cannot predict high-level functional properties that do not descend directly from the equations of fluid motion. One such instance is the diagnosis of nasal breathing difficulties (NBD). While NBD affect a large fraction of the world population, to date the CFD-computed airflow in the nose is not enough to provide a satisfactory diagnosis. This Thesis introduces a data-driven framework for extracting a medical diagnostic output from a CFD solution. A data-driven approach requires a suitable training set. A robust and reliable CFD procedure to compute the flow solution must be set up; meaningful features must be extracted from the solution and fed to a machine-learning model. Large samples of annotated data are not available to train the model; in this work, a novel procedure is described to generate a large and consistent dataset containing arbitrary combinations of a set of well-defined pathologies. By using few informative features extracted from the CFD solution, a neural network is shown to be able to successfully classify nasal pathologies. Results are encouraging, and support the intuition that using CFD as a powerful feature extraction tool makes the ML problem more tractable, thanks to the non-linear Navier–Stokes equations, which act as a filter on the geometry.

La fluidodinamica computazionale fornisce informazioni quantitative in un'ampia gamma di problemi che riguardazione le applicazioni della meccanica dei fluidi. Tuttavia, la fluidodinamica computazionale da sola non è in grado di prevedere proprietà funzionali che non derivano direttamente dalle equazioni del moto dei fluidi. Uno di questi casi è la diagnosi delle difficoltà respiratorie nasali. Sebbene queste interessino un'ampia parte della popolazione mondiale, ad oggi la simulazione del flusso delle cavità nasali non è sufficiente a fornire una diagnosi soddisfacente. Questa tesi introduce un framework data-driven per estrarre un output diagnostico da una simulazione fluidodinamica. Un approccio data-driven richiede un dataset adeguato. È necessario impostare una simulazione fluidodinamica robusta e affidabile, per calcolare la soluzione del flusso; dalla soluzione vengono estratte delle features significative per addestrare una classificatore. Non essendo disponibili grandi campioni di dati annotati; in questo lavoro, viene descritta una procedura innovativa per generare un dataset ampio e coerente, contenente combinazioni arbitrarie di una serie di patologie ben definite. Utilizzando poche caratteristiche informative estratte dalla soluzione CFD, si dimostra che una rete neurale è in grado di classificare con successo le patologie nasali. I risultati sono incoraggianti e supportano l'intuizione che l'uso della fluidodinamica computazionale, come potente strumento di estrazione delle features, che rende il problema di classificazione facilmente gestibile, grazie alla non linearità delle equazioni di Navier-Stokes, che agiscono come un filtro sulla geometria.