完美的假心:使用机器学习,建模和优化进行生成设计.

科学领域:

• 生物医学工程 生物医学工程
• 计算科学 计算科学
• 医疗器械设计 医疗器械设计

背景情况:

• 传统的医疗器械设计依赖于计算机辅助设计 (CAD) 和有限元素方法 (FEM),这些方法耗时且限制了设计探索.
• 优化医疗器械几何学对于性能和患者的结果至关重要,但也面临着计算方面的挑战.

研究的目的:

• 开发和评估一种新的生成设计方法,将机器学习 (ML) 和优化算法结合起来,以实现高效的医疗器械几何优化.
• 为了加快设计过程,并确定最优的设计在特定的约束范围内的设备,如假体心脏门 (PHVs).

主要方法:

• 评估了八种ML方法 (例如神经网络,集合) 和六种优化算法 (例如树结构的Parzen估计器,非主导排序遗传算法).
• 应用了生成方法来设计假体心脏门,使用设计约束作为输入.
• 通过评分系统和预测错误率评估设计有效性.

主要成果:

• 组合ML方法与树结构的Parzen估计器或非主导排序遗传算法的组合证明最有效.
• 获得的平均绝对百分比误差为光度的11.8%,峰值应力预测的10.2%.
• 优化的设计实现了大约95%的有效性得分.

结论:

• 与CAD-FEM方法相比,提出的生成设计方法显著加快了医疗器械的设计和优化.
• 这种基于机器学习的方法提供了一个强大的工具,可以在定义的约束范围内发现高效的几何形状,为改善医疗器械开发铺平道路.
• 该研究提供了一个公开可用的代码,数据集和模型存储库,以促进进一步的研究和应用.