从实验设计到数据驱动的预测:模拟结解PVA基水凝的刚性可调性
Ashraf M Al-Goraee1, Ali S Alshami2, Maysara Ghaly2
1Biomedical Engineering Department, University of North Dakota, Grand Forks, ND, 58202, USA.
概括
我们开发了一个数据驱动的框架,将实验设计和机器学习结合起来,准确预测冷解聚乙醇 (PVA) 水凝的刚度,从而实现更好的体外模型.
科学领域:
- 生物材料科学 生物材料科学
- 聚合物化学 聚合物化学
- 计算建模 计算建模
背景情况:
- 机械调节的生物材料对于模拟细胞外矩阵特性的体外模型至关重要.
- 生物相容的水凝提供了可适应的,类似组织的平台,但控制它们的可调性是具有挑战性的.
- 基于冷解聚乙醇 (PVA) 的水凝具有复杂的,难以预测的多变量机械行为.
研究的目的:
- 建立对水凝刚性的预测建模框架.
- 为了准确预测,将实验设计 (DoE) 与机器学习 (ML) 结合起来.
- 克服控制水凝可性方面的局限性,并改善体外模型开发.
主要方法:
- 采用统计结构化的实验设计 (DoE) 来指导数据收集.
- 研究了聚合物度,结/解温度和周期数对刚性的影响.
- 训练,测试和交叉验证机器学习模型使用DoE生成的数据,包括高斯过程回归 (GPR).
主要成果:
- 综合的DoE-ML框架产生了高质量的数据集,并提高了对水凝硬度的预测准确性.
- 整体ML模型的性能优于传统的回归,特别是在更高的刚度值.
- 高斯过程回归 (GPR) 在实验和合成数据上显示出优异的R平方值和预测性能.
结论:
- 开发的框架使得水凝硬度的数据效率预测成为可能,减少了实验负担.
- 这种方法支持创建可复制和强大的基于水凝的体外模型.
- 先进的ML技术,特别是GPR,对于建模复杂的水凝特性是有效的.
