机器学习模型用于预测3DPoly (乳酸) 支架的打印参数和拉伸强度之间的关系,用于组织工程应用
Duygu Ege1, Seda Sertturk1, Berk Acarkan1
1Institute of Biomedical Engineering, Bogazici University, Kandilli Campus, Uskudar, 34684 Istanbul, Turkey.
Biomedical physics & engineering express
|August 31, 2023
概括
机器学习模型,包括XGBoost,可以根据3D打印参数准确地预测聚乳酸脚手架的拉伸强度. 这优化了组织工程的脚手架开发,降低了成本和时间.
科学领域:
- 生物材料科学 生物材料科学
- 材料工程 材料工程 材料工程
- 计算科学 计算科学
背景情况:
- 3D打印使得3D脚手架的创建成为组织工程的关键.
- 为所需的机械性能优化3D打印参数是资源密集的.
- 预测建模可以简化组织工程支架的开发.
研究的目的:
- 研究3D打印参数与聚乳酸 (PLA) 支架的抗拉强度之间的关系.
- 评估各种机器学习模型在预测PLA支架拉力强度方面的有效性.
- 确定影响脚手架机械性能的关键3D打印参数.
主要方法:
- 利用Python中的scikit-learn库用于机器学习模型开发.
- 应用普通最小平方 (OLS) 线性回归,随机森林 (RF),光梯度增强 (LGBM),极端梯度增强 (XGB) 和人工神经网络 (ANN).
- 在68个3D打印参数 (喷嘴温度,打印速度,层高度) 和拉伸强度的68个数据点上训练模型,与80/20的火车测试分割.
主要成果:
- 极端梯度增强 (XGB) 模型表现出卓越的性能,达到0.98 (火车) 和0.94 (测试) 的R2值.
- 训练和测试数据集的高R2值表明没有显著的过拟合.
- SHAP分析揭示了个别打印参数在预测抗拉强度方面的重要性.
结论:
- 机器学习,特别是XGBoost,提供了一种强大而准确的方法,可以根据3D打印参数预测PLA支架的拉力强度.
- 这种方法可以显著降低与优化组织工程支架开发相关的成本和时间.
- 未来的工作可以扩展模型,包括用于全面的脚手架设计的额外参数和机械性能.
