在人类大脑组织的逆粘弹性参数识别中使用基于学的积极学习和代用模型

科学领域:

• 计算力学 计算力学 计算力学
• 材料科学 材料科学 材料科学
• 生物物理学的生物物理.

背景情况:

• 鉴定超软材料的特征是具有挑战性的,因为难以实现均变形.
• 传统的反向机械参数识别依赖于计算上昂贵的前模型,例如有限元模型 (FEM).
• 训练代孕模型的高保真模拟是耗时的,需要有效的数据生成策略.

研究的目的:

• 开发一条计算效率高的管道,用于对超软材料的反向机械参数识别.
• 利用机器学习,特别是循环神经网络 (RNN),作为复杂FEM模拟的替代模型.
• 采用主动学习技术来优化训练数据的选择,以提高模型准确性和减少计算负担.

主要方法:

• 利用循环神经网络 (RNN) 来近似粘弹性有限元素模拟的输出.
• 实施了基于蒙特卡洛学者的积极学习,以确定最有信息的培训数据点.
• 开发了一个管道,将RNN代理建模与主动学习集成在一起,以有效识别参数.

主要成果:

• RNN成功地近似了粘弹性FEM模拟的输出,实现了评估时间的显著加快.
• 积极学习有效地识别了关键的培训数据,提高了代用模型的准确性和效率.
• 开发的管道证明了对人类大脑组织粘弹性材料参数的成功识别.

结论:

• 循环神经网络与积极学习相结合,为超软材料的反向表征提供了一种强大而有效的方法.
• 这种方法大大降低了与材料参数识别相关的计算成本.
• 该管道显示了对复杂生物组织的特征的巨大潜力,例如人类大脑组织,从而推进生物力学理解.