以数据为导向的模拟无异型软生物组织的机械行为
Vahidullah Tac1, Vivek D Sree1, Manuel K Rausch2
1School of Mechanical Engineering, Purdue University, West Lafayette, IN, USA.
Engineering with computers
|November 30, 2023
概括
深度神经网络 (DNN) 现在模拟软组织机制,克服了传统构成模型的局限性. 这些以物理学为基础的DNN准确地预测组织行为,进步医疗器械设计.
科学领域:
- 计算力学 计算力学 计算力学
- 生物材料科学 生物材料科学
- 在工程领域的机器学习.
背景情况:
- 软组织力学传统的封闭形式构成模型具有局限性,包括不良的数据拟合,非唯一的解决方案和参数灵敏度.
- 现有的模型很难捕捉到生物组织中观察到的复杂的,异型的机械行为.
研究的目的:
- 开发深度神经网络 (DNN),结合物理约束,作为软组织力学先进的构成模型.
- 从实验数据中证明DNN在学习和预测异型组织行为的能力.
主要方法:
- 设计的DNN接受应变不变作为输入和输出应变能量及其衍生物,确保应力客观性.
- 在DNN的损失函数中强制多凸拉伸能量.
- 采用多忠度学习方案,将高忠度实验数据与低忠度分析近似数据相结合.
主要成果:
- 从双轴测试数据中,DNN成功地学习了猪和小鼠皮肤的异构机械行为.
- 多忠实性方法显著提高了模型性能.
- 来自DNN的弹性张量使得组织扩张的精确有限元模拟成为可能.
结论:
- 物理限制的DNN为软组织力学的传统构成模型提供了一个强大的数据驱动的替代方案.
- 这种方法在改善医疗器械设计方面具有显著的潜力,特别是在皮肤治疗方面.
- 开放数据和软件将有助于在生物力学研究中更广泛地采用数据驱动的构成模型.
