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.

Analysis of complex systems with CFD and Machine Learning

Schillaci, Andrea
2023/2024

Abstract

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.
MASARATI, PIERANGELO
AUTERI, FRANCO
BORACCHI, GIACOMO
4-mar-2024
Analysis of complex systems with CFD and Machine Learning
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.
File allegati
File Dimensione Formato  
Tesi_Schillaci.pdf

accessibile in internet solo dagli utenti autorizzati

Dimensione 18.92 MB
Formato Adobe PDF
18.92 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/216953