通过物理信息的神经网络识别生物组织的异质微机械性质
Wensi Wu1,2, Mitchell Daneker3,4, Kevin T Turner5
1Department of Anesthesiology and Critical Care Medicine, Children's Hospital of Philadelphia, Philadelphia, PA, 19104, USA.
Small methods
|August 2, 2024
概括
这项研究引入了一种基于物理的机器学习方法,用于绘制软生物组织的异质弹性特性,即使在较大的变形下. 该方法准确地识别了复杂材料 (如大脑和癌症组织) 的弹性,为生物医学工程提供了重大进步.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 计算力学 计算力学 计算力学
背景情况:
- 生物组织的异质微机械性质在医学和工程中至关重要.
- 传统的方法很难识别软材料的全场弹性特性,特别是具有很大的变形.
- 数据驱动模型对机械响应学习有希望,但推断弹性特性仍然具有挑战性.
研究的目的:
- 提出一种基于物理的机器学习方法,用于识别非线性,大变形超弹性材料中的弹性图.
- 评估物理信息神经网络 (PINNs) 的预测准确度和计算效率.
- 证明该方法对复杂的生物组织和各种构成模型的适用性.
主要方法:
- 使用神经网络开发和应用基于物理的机器学习框架.
- 在类似于大脑,三管和乳腺癌组织的微观结构复杂性的材料上训练和测试模型.
- 在新胡金,穆尼-里夫林和根特超弹性构成模型中验证.
主要成果:
- 基于物理学的神经网络 (PINNs) 准确地预测复杂软材料中的异质弹性图.
- 该方法证明了推断材料属性的计算效率.
- 即使在培训数据中噪声高达10%,也可以获得准确的估计.
结论:
- 拟议的基于物理的机器学习方法有效地识别了大变形超弹性材料中的弹性图.
- 这种技术为表征复杂生物组织的机械性质提供了可靠的解决方案.
- 这些发现推动了人工智能在理解和工程软物质方面的应用.
