不同类型的周期动态神经运算器:从数字图像中发现生物组织的构成规律和微观结构的相关性测量

科学领域:

• 计算力学 计算力学 计算力学
• 材料科学 材料科学 材料科学
• 生物物理学的生物物理.

背景情况:

• 生物组织表现出复杂的,异质的原纤维安排,对于它们的功能至关重要.
• 了解这些微观结构变异对于准确建模组织力学是必不可少的.
• 现有的方法很难从实验数据中捕获非局部的构成定律和异质的微观结构.

研究的目的:

• 开发一种以数据为导向的方法,用于构成型建模异质异质性材料,特别是生物组织.
• 从实验测量中同时学习非局部构成定律和异质纤维方向场.
• 为了能够准确地预测组织行为,包括大变形和取决于位置的异构性.

主要方法:

• 介绍了异质围动神经运算子 (HeteroPNO) 方法.
• 一个两阶段的学习策略:首先,学习一个同质的构成定律 (核心函数和非局部键力),然后结合一个光纤定向场.
• 利用基于状态的周动力学框架来确保客观性和保护法.
• 使用来自生物组织双轴测试的数字图像相关性 (DIC) 数据的应用.

主要成果:

• HeteroPNO成功地学习了材料的构成模型及其异质纤维方向场.
• 学习光纤架构与来自偏振空间频率域成像的实验观测相一致.
• 该框架准确地预测了新负载条件的位移和应力场,证明了预测能力.

结论:

• HeteroPNO提供了一个物理可解释和强大的框架,用于以数据为导向的异质异构性材料的构成模型.
• 这种方法有效地捕捉了复杂的行为,如生物组织中的大变形和位置依赖的异构性.
• 这种方法提升了基于实验数据建模和预测生物组织机械反应的能力.