基于仿真和智能算法骨骼肌超弹性本构参数的反演方法研究

从事高强度的体力工作者经常会发生肌肉软组织的损伤, 因此对骨骼肌的变形特性和应力分布的研究受到了越来越多的重视. 获取正确的本构参数对于生物软组织的力学行为的研究至关重要, 而本构参数的确定本质上是一个逆过程, 具有很大的挑战性. 本文分别采用K近邻(K-nearest neighbor, KNN)模型和支持向量机回归(support vector machine regression, SVR)模型并结合非线性有限元仿真, 提出了两种确定骨骼肌本构参数的反演方法. 首先建立了骨骼肌压缩的有限元模型, 对其压缩条件下的变形特性进行了有限元仿真, 得到了相应的变形特性及应力分布规律, 同时也建立了骨骼肌组织的名义应力和主伸长之间非线性关系的数据集. 其次, 分别利用KNN模型和SVR模型搭建了针对骨骼肌组织进行本构参数反演的机器学习智能算法, 对相应的数据集进行训练, 结合单轴压缩实验的实验数据预测了材料的本构参数. 最后, 对分别基于KNN模型和SVR模型对骨骼肌超弹性本构参数的误差结果进行了分析, 通过引入相关系数$R$和决定系数$R^{2}$对采用两种反演方法的有效性进行数值上的验证. 结果表明, 利用KNN模型和SVR模型结合有限元仿真是确定骨骼肌超弹性本构参数的有效、准确的方法, 该方法也可进一步推广到其他类型的非线性软组织的本构参数反演.      

基于机器学习软骨细胞的时间依赖性力学行为及本构参数反演

探究软骨细胞机械负载下的力学特性对于理解软骨细胞的正常和病理状态以及骨性关节炎的病因至关重要. 基于软骨细胞有限元计算模型的力学响应与其本构参数之间的高度复杂非线性, 本文提出了分别利用双向深度神经网络TW-Deepnets模型和随机森林RF模型并结合有限元方法来识别软骨细胞本构参数的两种反演方法. 首先, 建立了软骨细胞的无侧限压缩实验有限元模型, 收集MSnHS本构参数空间点与对应的有限元计算模型的压缩反作用力响应数据集. 其次, 结合贝叶斯超参数优化算法搭建了用于软骨细胞本构参数反求的TW-Deepnets模型和RF模型, 对有限元收集的数据进行训练, 并利用单个软骨细胞受到50%压缩程度下的实验数据对软骨细胞的MSnHS本构参数进行了反求. 最后, 通过与实验曲线的对比验证了所提出的反演方法的有效性, 并引入决定系数R2对两种模型的预测准确性进行了对比评估, 检验了模型对各本构参数的预测性能, 分析了MSnHS本构模型中各参数影响软骨细胞力学响应的重要性占比. 结果表明, 本研究提出的本构参数反演方法能够有效获取软骨细胞的本构参数值, 从而准确描述软骨细胞的时间依赖性力学特性, 该方法也可进一步推广到生物细胞在静态或动态负载条件下的复杂参数反演问题.      

非线性载荷作用下圆形薄膜的有限变形分析

利用修改后的应变能函数分析了作为细胞层载体的超弹性薄膜在非线性载荷作用下的有限变形问题.运用打靶法对控制方程进行了求解,讨论了本构参数n和α对薄膜变形的影响.计算结果表明:本构参数的增大会对材料产生强化作用;由于非线性载荷的影响,本构参数在n=1附近,薄膜曲率的变化趋势会相反;随着本构参数的减小,薄膜的不稳定点会在薄膜达到较小膨胀体积时出现.