Predicción y optimización de la viscosidad de composites de resina dental con regresión de procesos gaussianos y...

Área de la Ciencia:

• Ciencia de Materiales
• Ciencia de Datos
• Ingeniería de Biomateriales

Sus antecedentes:

• Los composites de resina dental requieren propiedades de manipulación específicas, como una viscosidad óptima, para la aplicación clínica.
• Los métodos tradicionales para optimizar las formulaciones de composites suelen consumir mucho tiempo y pueden no explorar eficientemente todo el espacio de formulación.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático que utilice la Regresión de Procesos Gaussianos (GPR) y la Optimización Bayesiana (BO).
• Predecir y optimizar la viscosidad de los composites de resina en dos velocidades de cizallamiento distintas (0,0106 s⁻¹ y 74,4 s⁻¹).

Principales métodos:

• Se prepararon cincuenta y cuatro formulaciones de composites de resina con composiciones de relleno variables (dos rellenos principales, sílice pirogénica).
• La viscosidad se midió mediante reometría; se utilizaron valores transformados logarítmicamente como objetivos para los modelos GPR entrenados con validación cruzada de 10 pliegues.
• Se empleó Optimización Bayesiana (BO) con Probabilidad de Mejora para identificar formulaciones óptimas de un gran grupo de candidatos (67.140).
• Se utilizó el análisis de Explicaciones Aditivas de Shapley (SHAP) para la interpretación de características.

Principales resultados:

• Los modelos GPR mostraron una correlación significativa entre los valores de viscosidad predichos y experimentales (p < 0,001).
• El análisis SHAP identificó parámetros clave de formulación que influyen en la viscosidad: contenido de sílice pirogénica a bajas velocidades de cizallamiento, y tamaño de partícula del relleno principal/tratamiento superficial a altas velocidades de cizallamiento.
• La BO optimizó con éxito la viscosidad, logrando los valores objetivo en siete iteraciones, lo que demuestra una navegación eficiente del espacio de formulación.

Conclusiones:

• La Regresión de Procesos Gaussianos (GPR) y la Optimización Bayesiana (BO) ofrecen un potente enfoque basado en datos para el diseño de composites de resina dental.
• Este marco permite la optimización racional de las propiedades reológicas, crucial para las características de manipulación clínica como la maleabilidad y la extrudabilidad.
• El trabajo futuro debería incluir la ampliación de los conjuntos de datos y la incorporación de la optimización multiobjetivo para equilibrar la viscosidad con otras propiedades críticas del material.