结合CFD和机器学习来评估组织工程的多孔支架中的流动特性
Jennifer Rodríguez-Guerra1, Pedro González-Mederos1, Nicolás Amigo2
1Departamento de Biomateriales Cerámicos y Metálicos, Centro de Biomateriales, Universidad de La Habana, Ave. Universidad s/n entre G y Ronda, Vedado, La Habana 10400, Cuba.
Micromachines
|October 29, 2025
概括
机器学习模型有效地使用拓特征预测脚手架的透性和平均墙壁剪切应力. 这些模型可以通过将结构与关键流量条件联系起来,指导骨和软骨再生的脚手架设计.
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
- 流体动力学 流体动力学
背景情况:
- 脚手架设计对于组织工程至关重要,通过机械和流体线索影响细胞反应.
- 了解脚手架拓和流体流动之间的关系对于优化组织再生,特别是骨和软骨的再生至关重要.
- 计算流体动力学 (CFD) 和机器学习 (ML) 提供了强大的工具来研究这些复杂的关系.
研究的目的:
- 为了研究脚手架拓与关键流体流量参数之间的关系:透性 (k),平均墙面剪切应力 (WSSa) 和WSS百分位数 (WSS25%,WSS75%).
- 评估ML模型在将支架拓与与骨质生成相关的流量特征相关的预测能力.
- 评估孔隙形状对透性和墙壁剪切应力的影响.
主要方法:
- 使用计算流体动力学 (CFD) 模拟来分析脚手架内的流体流动.
- 利用机器学习 (ML) 模型在六个拓和流量输入上进行训练.
- 进行统计和相关性分析,以确定脚手架拓和流量参数之间的关系.
主要成果:
- 基于脚手架拓的ML模型实现了高预测性能 (R2 > 0.9) 对于透度 (k) 和平均墙面剪切应力 (WSSa).
- 在k和WSSa上没有发现毛孔形状的显著影响.
- 透度 (k) 与拓特征呈正相关性,而WSS指标呈负相关性.
- 预测性能下降了WSS25%和WSS75%,表明捕捉特定剪切事件的挑战.
结论:
- 机器学习模型显示出从脚手架拓学中预测关键流量参数的巨大潜力.
- 这些发现表明,ML可以通过优化流量条件来指导支架设计,以增强组织再生.
- 这项研究强调了将脚手架拓与流体力学联系起来对于骨质生成等应用的重要性.
