一个生物格子深度学习框架,用于建模离散的生物材料
Manik Kumar1, Nilay Upadhyay1, Shishir Barai1
1Department of Engineering Science and Mechanics, Pennsylvania State University, University Park, State College, PA, 16802, USA.
Journal of the mechanical behavior of biomedical materials
|February 1, 2025
概括
这项研究引入了一种新的机器学习框架,用于模拟复杂的生物组织. 该方法准确地预测了跨多种微观结构的组织行为,推进了多尺度建模能力.
科学领域:
- 计算力学是计算力学.
- 生物材料科学是生物材料的科学.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 生物组织表现出动态的微观机械适应.
- 格子弹建模 (LSM) 捕捉了离散的材料单位.
- 生物物质中的异质性挑战了多尺度建模.
研究的目的:
- 开发一种基于机器学习的新型多尺度框架,用于模拟异质生物组织.
- 集成深度神经网络 (DNN),有限元方法 (FEM) 和LSM,以准确地预测材料反应.
- 为离散的交互单位创建一个多功能,无假设的格子框架.
主要方法:
- 开发了一个结合DNN,FEM和LSM启发的微结构的多尺度框架.
- 为离散的交互单位创建了一个无假设的格子框架.
- 训练了一个单一的DNN来学习各种粒子配置和边界条件的组成方程.
主要成果:
- 该框架准确地预测了异质生物组织的机械反应.
- 在基准案例和不断增加的微观结构复杂性中证明了有效性.
- 成功建模了具有软/硬入,梯度变化和随机配置的材料.
结论:
- 拟议的机器学习框架为研究复杂的生物材料提供了一个强大的工具.
- 这种方法可以快速准确地预测空间变化的材料反应.
- 这项工作通过有效处理微尺度异质性来推进多尺度建模.
