使用随机森林机器学习模型早期预测牙科植入物材料的三角腐蚀率

科学领域:

• 生物材料科学 生物材料科学
• 机械工程 机械工程
• 计算科学 计算科学

背景情况:

• 生物腐蚀是牙科植入物的一个重大问题,可能导致机械降解和修复手术的需要.
• 早期发现和预测这种退化对于改善植入物寿命和患者结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于分类和预测由于生物腐蚀的牙植入物材料的机械降解.
• 通过分析关键 tribocorrosion 指标,评估 ML 在识别潜在植入物失效方面的有效性.

主要方法:

• 利用机器学习 (ML) 模型来分析纯和-合金 (5,10,15重%Zr) 的数据.
• 关键特征包括腐蚀潜力,声辐射 (AE) 绝对能量,硬度和体重损失估计.
• 评估了开发的ML模型的预测准确性.

主要成果:

• ML原型模型证明了对 tribocorrosion 预测具有很高的适用性,其准确性超过了 90%.
• 这些模型有效地分类并预测了测试的牙科植入物合金中机械降解的可能性.

结论:

• 拟议的ML系统提供了一种可靠的预测建模技术,用于监测牙植入物的健康状况.
• 这种方法可以进一步发展为牙科植入物的持续结构健康监测系统,提高安全性并降低修复手术率.