基于深度学习和遗传算法的仿调幅分解超材料骨支架反向设计

目的随着骨病和创伤的增加,骨支架被广泛应用于骨科领域的骨组织修复和再生。受到设计与制造的限制,大多骨支架都会产生植入后应力集中、应力遮挡等问题。因此,如何设计出与天然骨组织性能相似的骨支架以完美解决骨缺损修复问题仍具有一定的挑战性。方法本文结合深度学习和遗传算法反向设计出了仿调幅分解(spinodoid)超材料仿生骨支架。采用数值均一化方法计算出spinodoid超材料刚度矩阵以生成深度学习所需要的数据集。利用神经网络建立结构设计参数与刚度矩阵参数的映射关系。训练好的神经网络和遗传算法结合进行骨支架的反向设计。结果Spinodoid超材料骨支架具有良好的各向异性力学性能,其弹性模量与人体骨组织非常相似,骨支架刚度参数与目标骨组织相比的最大误差仅为4.57%,这能有效减少植入后的应力遮挡等问题;新型骨支架具有良好的可生产性,采用选择性激光熔融技术制造出来的样品在扫描电子显微镜下呈现出了较高的打印质量。结论通过结合深度学习和遗传算法反向设计出的新型结构具有良好的力学性能和可生产性,能促进骨细胞的生长和再生,可在医疗植入物和骨修复等生物医学工程领域发挥重要作用。因此,本研究可为骨支架设计开辟一条新的道路。