多目标机器学习优化用于骨植入物的圆柱形TPMS格子
Mansoureh Rezapourian1, Ali Cheloee Darabi2, Mohammadreza Khoshbin3
1Department of Mechanical and Industrial Engineering, Tallinn University of Technology, 19086 Tallinn, Estonia.
Biomimetics (Basel, Switzerland)
|July 25, 2025
概括
这项研究优化了使用人工神经网络和多目标优化进行骨植入的三次周期性最小表面 (TPMS) 格子. 开发了尺寸特定的设计,平衡机械性能和表面效率,以实现个性化医疗应用.
科学领域:
- 生物材料工程 生物材料工程
- 计算生物学 计算生物学
- 机械工程 机械工程
背景情况:
- 三次周期最小表面 (TPMS) 格子为骨植入物提供了有前途的机械性能.
- 优化TPMS格子设计需要平衡多个性能目标,并考虑解剖学变化.
- 现有的设计框架往往缺乏针对不同植入物大小的具体性.
研究的目的:
- 开发一个多目标优化框架,用于设计特定尺寸的TPMS晶格,用于骨植入物.
- 使用人工神经网络 (ANN) 替代模型预测关键的机械和表面性能.
- 根据小型,中型和大型解剖学变异量身定制格子设计.
主要方法:
- 使用了使用NSGA-II算法的多目标优化框架.
- 人工神经网络 (ANN) 被训练来预测最终的压力,能量吸收,表面积与体积的比率和相对密度.
- 设计被分类并优化为小型,中型和大型植入物大小,相对密度过在20-40%之间.
主要成果:
- 确定了105个帕雷托最佳设计,其中75个在过后保留了生物学相关的相对密度.
- 沙普利添加式扩展 (SHAP) 分析表明格子厚度和单元细胞大小是主要的设计参数.
- 在不同植入物大小组中观察到明显的性能趋势.
结论:
- 开发的框架有效地平衡了TPMS网格的竞争性设计目标.
- 特定尺寸的优化使得能够为骨植入物应用选择量身定制的格子.
- 这种方法为优化生物架构提供了一条可重复的途径,在植入物开发中推进个性化医学.
