增材制造的元材料的机器学习辅助有限元建模

科学领域:

• 生物材料科学 生物材料科学
• 机械工程 机械工程
• 计算机建模 计算建模

背景情况:

• 对3D打印的元生物材料的机械表征对于医疗设备至关重要.
• 有限元模拟为实验测试提供了替代方案,但在复杂的材料中存在精度限制.
• 精确的模拟依赖于精确识别材料特性和边界条件.

研究的目的:

• 开发一种基于机器学习的策略,用于识别模型参数,用于精确的3D打印元生物材料的有限元模拟.
• 为了使新的医疗器械概念能够精确地进行宏观的机械行为预测.
• 为了克服当前有限元素建模方法的复杂性和精度限制.

主要方法:

• 开发了一个基于物理的人工神经网络模型 (PIANN).
• 使用自动化有限元素建模工作流程的数据训练PIANN.
• 通过对3D打印结构的实验力位移数据进行测试,验证了PIANN.

主要成果:

• PIANN成功地确定了模型参数,使得精确的有限元模拟成为可能.
• 使用PIANN识别的参数进行的模拟显示,与实验数据有很强的一致性.
• 开发的有限元模型在定量和定性准确性方面都超过了最先进的模型.

结论:

• 拟议的机器学习工作流有效地识别模型参数,用于准确的有限元模拟.
• 这一策略提高了对3D打印元生物材料和其他3D打印部件的模拟的可靠性.
• 该方法有可能在评估3D打印医疗设备时显著推进模拟的应用.