相关实验视频
Updated: Aug 4, 2026
15:21
Microfabricated Platforms for Mechanically Dynamic Cell Culture
Published on: December 26, 2010
13.7K
深度学习用于生物反应器中的应变场定制,具有介电弹性体执行器阵列
Jue Wang1, Dhirodaatto Sarkar1, Atulya Mohan1
1School of Mechanical Engineering, College of Engineering, Purdue University, West Lafayette, IN, USA.
Cyborg and bionic systems (Washington, D.C.)
|August 15, 2024
概括
这项研究引入了一种具有独立控制的介电弹性体执行器 (DEA) 的新型生物反应器,用于精确的生物力学应变场定制. 机器学习能够快速复制和预测复杂的菌株场,推进组织工程和瘤生物力学研究.
科学领域:
- 生物力学 生物力学
- 生物反应器技术技术
- 材料科学 材料科学 材料科学
背景情况:
- 在生物反应器中定制复杂的应变场是具有挑战性的,因为合,非线性执行器阵列.
- 精确控制应变场对于先进的生物研究和组织工程应用至关重要.
研究的目的:
- 开发一种能够精确定制复杂应变场的生物反应器系统.
- 利用机器学习来控制生物反应器中的介电弹性体执行器 (DEAs) 的反向和前向控制.
- 为了证明生物反应器的实用性作为瘤生物力学研究的平台.
主要方法:
- 设计了一个带有9x9组独立可控制的介电弹性体执行器 (DEA) 的生物反应器.
- 有限元分析 (FEA) 产生了1万张应变场图像,用于训练机器学习模型.
- 基于图像回归的机器学习,包括多层感知器 (MLP) 和超分辨率生成对抗网络 (SRGAN),用于应变场控制和预测.
主要成果:
- 机器学习模型成功地复制了目标生物力学上显著的菌株场.
- 该系统展示了快速预测生物反应器产生的可行应变场的能力.
- 生物反应器成功地根据瘤-瘤介面输入量身定制了菌株场,验证了其研究潜力.
结论:
- 开发的生物反应器系统有效地解决了使用DEA精确应变场定制的挑战.
- 机器学习显著提高了生物反应器的控制和预测能力.
- 这项技术为研究复杂的生物力学现象提供了一个有前途的平台,特别是在瘤微环境研究中.
