基于LSTM的预测,在各种方法下对3D打印的修复材料的磨损进行预测
Anastasiia Grymak1, Alexander Hui Xiang Yang2, Kai Chun Li1
1Sir John Walsh Research Institute, Faculty of Dentistry, University of Otago, New Zealand.
Dental materials : official publication of the Academy of Dental Materials
|September 25, 2025
概括
这项研究开发了一种长期短期记忆 (LSTM) 模型,以准确预测增材制造的牙树脂的磨损损失. 该模型预测了长期的磨损进展,减少了对广泛物理测试的需求.
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
- 机器学习应用 机器学习应用
背景情况:
- 增材制造 (AM) 牙树脂需要对临床寿命进行准确的磨损预测.
- 传统的磨损测试是耗时和资源密集的.
- 机器学习为高效的磨损预测提供了一个潜在的解决方案.
研究的目的:
- 开发和验证一种机器学习模型,用于预测AM牙树脂材料的磨损损失.
- 为了利用长短期记忆 (LSTM) 循环神经网络进行磨损预测.
- 评估模型在长期磨损的早期预测中的准确性.
主要方法:
- 收集了来自Ball-on-Disc,Block-on-Ring和互换测试的磨损数据.
- 使用标准化的时间序列磨损数据与LOMO和LOGO交叉验证训练了一个LSTM模型.
- 使用RMSE,MSE和MAE评估模型性能,预测窗口在10%,20%和30%的磨损序列.
主要成果:
- 在所有测试方法中,LSTM模型准确地预测了磨损进展 (82%-97%的准确性).
- 模型解释了82%-97%的磨损变化,当预测从30%的磨损开始时,可以更好地概括.
- 通过50点的输入窗口和步骤大小实现了最佳性能,证明了强度.
结论:
- LSTM模型可用于早期和准确的预测AM牙科材料的磨损.
- 这种方法可以减少物理测试的持续时间和成本.
- 该研究增强了牙科应用的数据驱动材料评估框架.
