基于 FEM 模拟的皮肤粘合界面脱落力预测神经网络
医学物理
2025-06-26 v1 机器学习
摘要
研究皮肤粘合剂的脱落行为对于推进生物医学应用至关重要，例如医学粘合剂和经皮贴片。传统方法如实验测试和有限元方法（FEM），虽被视为金标准，但资源消耗大、计算成本高昂且耗时，尤其在分析广泛材料参数空间时。本研究提出一种基于神经网络的方法，用于预测从皮肤组织脱离所需的最小脱落力（F_min），显著减少对重复 FEM 模拟的需求，大幅降低计算成本。我们利用来自 90 度脱落测试中、包含不同粘合剂和断裂力学参数的 FEM 模拟数据集训练了神经网络模型，通过严格的 5 折交叉验证实现了高精度。最终模型能够预测各种皮肤-粘合剂脱落行为，在测试集上实现均方误差（MSE）为 3.66×10^-7，R² 为 0.94，显示出稳健的性能。该工作引入了一种可靠、计算高效的粘合行为预测方法，显著缩短仿真时间，同时保持准确性。将机器学习与高保真生物力学仿真相结合，为皮肤-粘合剂系统的高效设计和优化提供了可扩展框架，为计算皮肤力学和生物粘合材料设计的未来研究提供了支持。
引用
@article{arxiv.2506.19855,
title = {Neural networks for the prediction of peel force for skin adhesive interface using FEM simulation},
author = {Ashish Masarkar and Rakesh Gupta and Naga Neehar Dingari and Beena Rai},
journal= {arXiv preprint arXiv:2506.19855},
year = {2025}
}