基于机器学习和再生遗传算法的异型骨架的反向设计
Wenhang Liu1, Youwei Zhang1, Yongtao Lyu1,2
1Department of Engineering Mechanics, Dalian University of Technology, Dalian, China.
Frontiers in bioengineering and biotechnology
|September 25, 2023
概括
本研究介绍了使用机器学习和遗传算法对骨架的反向设计方法. 新方法有效地创建了具有所需机械性能的三次周期性最小表面 (TPMS) 支架.
科学领域:
- 生物材料工程 生物材料工程
- 计算力学 计算力学 计算力学
- 人工智能在医学中的应用
背景情况:
- 三重周期性最小表面 (TPMS) 为骨架设计提供结构优势.
- 目前的TPMS脚手架设计仅限于前进的过程,预测结构的特性.
- 需要一种反向的设计方法,即根据机械性能量身定制结构.
研究的目的:
- 开发一个反向设计模型用于使用TPMS结构的异性质骨架.
- 建立基于目标机械性能设计骨架的方法.
- 为了提高骨架设计的效率和控制.
主要方法:
- 开发了一种结合机器学习 (反向传播神经网络 - BPNN) 和再生遗传算法 (RGA) 的新型反向设计模型.
- 使用有限元 (FE) 分析生成了BPNN数据集,将微结构参数与骨弹性矩阵相关联.
- 通过在不同方向调整细胞密度来模仿骨的异型机械特性.
主要成果:
- BPNN-RGA模型准确地预测了逆设计TPMS骨架的弹性矩阵.
- 三个机械性能目标的平均误差低于3.00%,六个目标的平均误差约为5.00%.
- 与传统的优化方法相比,该模型显示了高的设计效率.
结论:
- 结合机器学习和优化技术,可以实现具有特定机械性能的异型TPMS骨架的反向设计.
- BPNN-RGA模型为骨架提供了一个更有效和可控的设计过程.
- 这种方法在推进骨组织工程和再生医学方面具有重大潜力.
