通过物理信息神经网络识别生物组织的异质微力学特性
数值分析
2025-07-09 v3 计算工程、金融与科学
数值分析
生物物理
摘要
生物组织的异质微力学特性在众多医学和工程领域具有深远意义。然而，由于局部应力场估计困难，使用传统工程方法识别软材料的全场异质弹性特性面临根本性挑战。近年来，利用数据驱动模型从实验或合成数据学习全场力学响应（如位移和应变）的兴趣日益增长。然而，关于推断材料全场弹性特性（一个更具挑战性的问题）的研究很少，特别是对于大变形超弹性材料。在此，我们提出一种物理信息机器学习方法，用于识别非线性大变形超弹性材料的弹性图。我们通过推断三种结构复杂度接近真实组织模式（如脑组织和三尖瓣组织）的材料的异质弹性图，评估了物理信息神经网络（PINN）的预测精度和计算效率。我们进一步将改进的架构应用于另外三个乳腺癌组织示例，并将分析扩展到三种超弹性本构模型：Neo-Hookean、Mooney Rivlin和Gent。我们选定的网络架构始终产生高度准确的异质弹性图估计，即使在训练数据中存在高达10%的噪声时也是如此。
引用
@article{arxiv.2402.10741,
title = {Identifying heterogeneous micromechanical properties of biological tissues via physics-informed neural networks},
author = {Wensi Wu and Mitchell Daneker and Kevin T. Turner and Matthew A. Jolley and Lu Lu},
journal= {arXiv preprint arXiv:2402.10741},
year = {2025}
}