完美的假心:使用机器学习,建模和优化进行生成设计
Viacheslav V Danilov1,2, Kirill Y Klyshnikov3, Pavel S Onishenko3
1Politecnico di Milano, Milan, Italy.
Frontiers in bioengineering and biotechnology
|October 2, 2023
概括
这项研究引入了一种使用机器学习和优化算法的生成性设计方法,以创建比传统方法更快的更好的医疗设备,如假体心脏门.
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.
