在使用物理信息的神经网络的生物材料支架的冷造中预测定向固化
Amir Rouhollahi1, Milad Rismanian2, Amin Ebrahimi3
1Department of Surgery, Brigham and Women's Hospital, Harvard Medical School, Boston, United States of America.
Biomedical physics & engineering express
|September 11, 2024
概括
基于物理学的神经网络 (PINNs) 准确预测结造固化动态,克服生物材料支架制造传统方法的局限性. 这种方法为组织工程提供了对支架微结构的高效和精确的控制.
科学领域:
- 生物材料工程 生物材料工程
- 计算建模 计算建模
- 组织工程是组织工程.
背景情况:
- 结造是制造生物材料支架的关键技术,但由于复杂的非线性行为和参数相互作用,预测定向固化具有挑战性.
- 传统的计算流体动力学 (CFD) 方法需要广泛的边界条件数据,限制它们在现实世界的短暂固化过程中的应用.
研究的目的:
- 开发和验证基于物理学的神经网络 (PINNs) 模型,用于预测结造过程中的定向固化.
- 证明PINNs在克服传统数值方法的边界条件限制方面的有效性.
主要方法:
- 开发一个物理信息神经网络 (PINNs) 模型,将物理定律与神经网络预测集成在一起.
- 将PINNs模型预测与计算流体动力学 (CFD) 模拟进行准确性评估.
- 用5000个空间和时间数据点 (相当于25万个时间步骤) 的数据集进行模型训练和验证.
主要成果:
- 在预测温度分布和固化模式方面,PINNs模型的准确性与CFD相当.
- 与CFD相比,PINN需要预先确定的边界条件要少得多,从而提高了其适用性.
- 该模型在减少数据集的情况下实现了高预测准确性,表明了计算效率.
结论:
- PINNs提供了一种强大而高效的工具,用于预测结造中的固化动态,为生物材料脚手架设计提供了关键的见解.
- 这种方法促进了生物材料支架的创建,具有精确控制的微观结构,用于先进的组织工程应用.
- 由于PINNs的计算需求降低,在脚手架制造研发中节省成本和时间的巨大潜力.
