پیش‌بینی طول عمر عملکردی و پایداری مکانیکی داربست‌های بیوپرینت شده با استفاده از شبکه‌های عصبی فیزیک‌محور (PINNs)

پیش‌بینی طول عمر عملکردی و پایداری مکانیکی داربست‌های بیوپرینت شده با استفاده از شبکه‌های عصبی فیزیک‌محور (PINNs)

فاطمه السادات میر باقری فیروز آباد1

1) کارشناس ارشد مهندسی پزشکی دانشگاه علم و تکنولوژی تهران

کد IOI مقاله : ABEB-ACZGCK
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    پیش‌بینی طول عمر عملکردی و پایداری مکانیکی داربست‌های بیوپرینت شده برای موفقیت در کاربردهای مهندسی بافت امری حیاتی است. رویکردهای مدل‌سازی سنتیِ داده‌محور، اگرچه قدرتمند هستند، اغلب به عنوان جعبه‌سیاه عمل می‌کنند که قادر به ارضای قوانین فیزیکی بنیادی مانند بقای جرم و تعادل مکانیکی نیستند و این امر منجر به برون‌یابی‌های غیرقابل‌اعتماد می‌شود. برای رفع این محدودیت، این مطالعه یک چارچوب شبکه عصبی فیزیک‌محور (PINN) را برای مدل‌سازی رفتارِ توأمِ تخریب و مکانیک داربست‌های بیوپرینت شده پیشنهاد می‌کند. با کدگذاری معادلات دیفرانسیل حاکم بر سینتیک تخریب و تعادل تنش مکانیکی مستقیماً در تابع زیان (Loss Function) شبکه، این مدل سازگاری فیزیکی را در طول فرآیند تضمین می‌کند. مدل PINN پیشنهادی، در برابر مجموعه‌داده‌های سنتتیک اعتبارسنجی شد و دقت برتر R2>0.95 و استحکام بالاتری را نسبت به مدل‌های رگرسیونی سنتی نشان داد. نتایج حاکی از آن است که تلفیق قیود مبتنی بر فیزیک، به‌طور مؤثری مدل را قادر می‌سازد تا پروفایل‌های تخریب مکانیکی بلندمدت را با دقت بالا پیش‌بینی کند. این چارچوب یک ابزار محاسباتی قابل‌اعتماد برای بهینه‌سازی طراحی داربست فراهم می‌کند و پیشرفت‌ها در ارزیابی یکپارچگی ساختاری و توسعه بیوپرینتینگ پایدار در چارچوب اقتصاد چرخشی را تسهیل می‌نماید.

کلمات کلیدی : شبکه‌های عصبی فیزیک‌محور (pinns) داربست‌های بیوپرینت شده تخریب داربست پایداری مکانیکی مهندسی بافت مدل‌سازی محاسباتی