一种新型混合水凝生物墨的特征和机器学习驱动的属性预测,考虑基于挤出的3D生物打印
Rokeya Sarah1, Kory Schimmelpfennig2, Riley Rohauer3
1Sustainable Product Design and Architecture, Keene State College, Keene, NH 03431, USA.
Gels (Basel, Switzerland)
|January 24, 2025
概括
机器学习模型预测生物墨水粘度,考虑剪切率和组件度. 随机森林算法为优化组织工程中的生物墨水配方提供了最准确的预测.
科学领域:
- 生物材料科学 生物材料科学
- 组织工程是组织工程.
- 类风病学 类风病学 类风病学
背景情况:
- 基于挤出的生物打印对于创建复杂的组织结构至关重要.
- 在成功的生物打印中,生物油墨的形学,特别是粘度,至关重要.
- 现有的模型往往忽略了剪切速率对生物墨水粘度的重大影响.
研究的目的:
- 开发和评估用于预测生物墨水粘度的机器学习模型.
- 将剪切率作为粘度预测中的关键参数.
- 为增强组织工程应用优化生物墨水配方.
主要方法:
- 使用多项式合适 (PF),决策树 (DT) 和随机森林 (RF) 机器学习算法.
- 测试了具有不同度的酸盐,凝和TEMPO-Nano纤维化纤维素的新型生物墨水.
- 分析了从0.1到100s-1.1的切割速率的169个学测量结果.
主要成果:
- 随机森林 (RF) 模型表现出优异的性能,R2 = 0.99和MAE = 0.09.
- 实现了多项式匹配 (PF),R2 = 0.95和MAE = 0.28.
- 决策树 (DT) 表示R2 = 0.98和MAE = 0.13.
结论:
- 机器学习模型,特别是射频模型,可以准确预测生物墨水粘度.
- 这些模型通过减少实验试验,使有效的生物墨水配方成为可能.
- 开发的预测工具加速了组织工程的进步.
