深度神经网络混合模拟以评估Poynting效应在3D Ogden超弹性模型中对大脑白物质进行评估
M Agarwal1, Assimina A Pelegri1
1Mechanical and Aerospace Engineering, Rutgers University-New Brunswick, Piscataway, NJ 08854, USA; Advanced Materials & Structures Laboratory, Rutgers University-New Brunswick, Piscataway, NJ 08854, USA.
Computer methods and programs in biomedicine
|July 23, 2025
概括
这项研究开发了一个新的计算模型来模拟大脑白质的复杂机械反应,显著减少创伤性脑损伤研究的模拟时间.
科学领域:
- 计算生物力学计算力学
- 神经科学是一个神经科学.
- 材料科学 是一种材料科学.
背景情况:
- 大脑白质 (BWM) 为建模提出了复杂的异构型微型架构挑战.
- 剪切生物力学对于理解创伤性脑损伤 (TBI) 至关重要,剪切力导致波因廷效应 (PE).
- 模拟BWM的异构超弹性 (HE) 行为的有限元素方法 (FEM) 是计算密集的.
研究的目的:
- 开发一个高效的计算工作流程来模拟BWM中的Poynting效应.
- 利用机器学习 (ML) 和深度学习 (DL) 来为BWM的超弹性行为创建替代模型.
- 为了降低模拟BWM机械响应的计算成本.
主要方法:
- 建议采用混合工作流,结合FEM和ML/DL模型.
- 使用具有详细微型架构的代表体积元素 (RVE) 来训练代用模型.
- 深度3D卷积神经网络 (ResNet) 处理了微架构数据来预测应力和刚性张量.
主要成果:
- 3D ResNet 架构准确地预测了 HE 应力和刚性张量,捕捉了波因廷效应.
- 波因廷效应在切削垂直于轴突截面时最显著.
- 与二相模型相比,三相RVE显示PE高达四倍.
结论:
- 一个新的混合型,受微架构启发的模型使BWM中近乎实时的PE模拟成为可能.
- 这种方法显著降低了计算成本,提高了可扩展性,并简化了参数化.
- 该框架有可能改善医学成像解释和指导先进的医疗干预.


