一个机器学习模型探索牙复合材料的爬行性能
1Department of Prosthodontics, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University, School of Medicine, Shanghai, China; College of Stomatology, Shanghai Jiao Tong University, Shanghai, China; National Center for Stomatology, Shanghai, China; National Clinical Research Center for Oral Diseases, Shanghai, China; Shanghai Key Laboratory of Stomatology, Shanghai, China; Shanghai Research Institute of Stomatology, Shanghai, China; Dentistry, School of Medical Sciences, University of Manchester, Manchester, UK.
机器学习准确地预测红细胞 (RBC) 爬行行为,确定ORMOCER和SiO2作为关键因素. 这有助于设计更耐用的牙科复合材料.
科学领域:
- 材料科学 材料科学 材料科学
- 生物材料工程 生物材料工程
- 计算生物学 计算生物学
背景情况:
- 红细胞 (RBC) 粘弹性爬行对于维度稳定性和临床性能至关重要.
- 由于材料变化和测试协议,分析影响红细胞爬行因素是复杂的.
研究的目的:
- 开发一个强大的机器学习 (ML) 模型来预测RBC爬行行为.
- 确定影响RBC爬行性能的关键组成因素.
主要方法:
- 在干湿条件下测量了5个RBC的压力爬行变形和恢复.
- 将RBC组合数据编码为17个二进制索引,用于ML模型训练.
- 评估了40ML模型的预测准确性.
主要成果:
- 爬行依赖于组成,并且随着水的储存而显著增加.
- 额外树木ML模型在预测应变,永久设置和爬行恢复方面实现了R2=0.9999.
- ORMOCER和SiO2分别被确定为最有影响力的单体和填充成分.
结论:
- ML模型有效地预测RBC爬行性能,并确定关键的组成驱动因素.
- 这种方法可以指导先进的牙科复合材料的开发,以提高临床耐用性.
更多相关视频
05:30Roughness Impact of Piezoelectric Dental Scaler on Two Distinct Flowable Composite Filling Materials
Published on: January 10, 2025
07:42Quasistatic Mechanical Testing for Computer-Aided Design and Manufacturing Occlusal Veneers Cemented to Milled Dentin Analog Material
Published on: December 20, 2024
