神经网络代理与投影梯度下降用于快速可靠的有限元模型校准：人体椎间盘案例研究

有限元（FE）模型的精确校准对于各种生物力学应用至关重要，包括人体椎间盘（IVD），以确保其可靠性并用于诊断和制定治疗方案。然而，传统校准方法计算密集，需要迭代的无导数优化算法，通常需要数天才能收敛。本研究通过引入一种新颖、高效且有效的校准方法来解决这些挑战，以人体 L4-L5 IVD FE 模型为案例研究，使用神经网络（NN）代理。NN 代理以高精度预测仿真结果，优于其他机器学习模型，并显著降低了与传统 FE 仿真相关的计算成本。接下来，提出了一种由 NN 代理梯度引导的投影梯度下降（PGD）方法，用于高效校准 FE 模型。我们的方法通过投影步骤明确强制可行性，从而在整个优化过程中保持材料边界。将所提方法与最先进的遗传算法和逆模型基线在合成和体外实验数据集上进行评估。我们的方法在合成数据上表现出优越性能，平均绝对误差（MAE）为 0.06，而基线的 MAE 分别为 0.18 和 0.54。在实验样本上，我们的方法在 6 个案例中有 5 个优于基线。虽然我们的方法需要初始数据集生成和代理训练，但这些步骤仅执行一次，实际校准耗时不到三秒。相比之下，传统校准时间随样本数量线性增长，最坏情况下需要长达 8 天。这种效率为应用更复杂的 FE 模型铺平了道路，可能超越 IVD，并实现精确的患者特异性仿真。