CN113420504B - 一种基于机器学习的可降解金属骨植入物设计方法 - Google Patents

一种基于机器学习的可降解金属骨植入物设计方法 Download PDF

Info

Publication number
CN113420504B
CN113420504B CN202110694232.1A CN202110694232A CN113420504B CN 113420504 B CN113420504 B CN 113420504B CN 202110694232 A CN202110694232 A CN 202110694232A CN 113420504 B CN113420504 B CN 113420504B
Authority
CN
China
Prior art keywords
degradation
bone implant
porous structure
structural design
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110694232.1A
Other languages
English (en)
Other versions
CN113420504A (zh
Inventor
温鹏
秦瑜
代家宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Tsinghua University
Peking University Third Hospital Peking University Third Clinical Medical College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Tsinghua University
Priority to CN202110694232.1A priority Critical patent/CN113420504B/zh
Publication of CN113420504A publication Critical patent/CN113420504A/zh
Application granted granted Critical
Publication of CN113420504B publication Critical patent/CN113420504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/30—Process control
    • B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Abstract

本发明提供了一种基于机器学习的可降解金属骨植入物设计方法，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；结合体内外实验和数值模拟获得大量设计方案的力学性能和降解率随时间变化的数据标签，建立相对密度空间矩阵对应的力学和降解行为的数据库；利用深度神经网络对上述数据库进行训练和机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型；该模型既可预测不同设计方案骨植入物的降解行为和力学性能，也可根据特定的力学和降解需求，预测优化的骨植入物结构设计方案。

Description

一种基于机器学习的可降解金属骨植入物设计方法
技术领域
本发明属于医疗器械领域，尤其涉及一种基于机器学习的可降解金属骨植入物设计方法。
背景技术
随着经济增长、技术进步和人口老化，我国骨科医用器械的研究、生产和应用迎来快速发展。骨科医疗器械是医疗器械行业中最大的子行业之一，而其中骨科植入物又是骨科器械中最重要的门类。全世界每年有数以千万的患者由于创伤、肿瘤切除和关节翻修等原因造成骨缺损，而大范围的骨缺损导致骨骼难以自我修复，是骨科临床常见和棘手的问题。增材制造的惰性金属骨科植入物，如钛合金和不锈钢等，已经很好的满足力学和结构的个性化要求，获得了临床应用，但是其阻碍了骨骼的完全愈合，长期植入或二次手术取出的副作用不容忽视，尤其对于生长发育的青少年。以生物可降解镁合金和锌合金为材料的可降解金属骨植入物具有良好的生物相容性和力学性能，有望随着骨重建逐渐降解消失，不仅有利于加快骨重建速度，而且可形成完全的骨愈合，被誉为“革命性的医用金属材料”。
近些年，以激光粉末床熔融为代表的增材制造技术在生物可降解金属上的成功应用使其满足了骨缺损修复植入物的个性化结构需求。然而，与钛合金等生物惰性金属相比，可降解金属多孔支架的形状和性能随降解变化，是时间的函数，其结构设计是个崭新课题。生物惰性金属骨修复用多孔结构的结构设计原则基本适用于可降解金属，但不能保证降解过程中的性能，需要量化降解行为对多孔结构性能的影响。金属在体液中降解本质上是一种腐蚀过程，主要通过电化学法、体液浸泡法和动物试验法进行实验评价，基于物理过程的数值建模能够在不同尺度揭示降解机制和预测降解行为，但实验或物理建模均存在周期长、成本高等问题，难以适用于个性化骨植入物结构设计。基于数据驱动的机器学习避免了复杂的物理过程分析和数学建模，如果结构A与性能B之间存在内在联系，只要有足够的数据支撑，那么就可以建立由A预测B或由B预测A的双向模型，为性能预测和结构优化提供一种优化的便捷的解决方案。
综上所述，如何满足骨愈合过程中对植入物材料承载的功能需求，够刺激骨细胞生长的同时也为骨骼的生长提供空间，提升骨重建效果，已经成为亟需解决的问题。
发明内容
为了克服现有技术存在的一系列缺陷，本发明的目的在于针对上述问题，提供一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，该设计方法所设计的可降解金属骨植入物具有与骨缺损解剖形态贴合的宏观外形，以及内部连通的多孔结构，设计方法包括以下步骤：
步骤1，通过医学影像手段获得与骨缺损解剖形态贴合的骨植入物的宏观外形，多孔结构由周期或随机排列的孔隙单元堆叠组成，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；
步骤2，通过旋转或翻折的重构方式，在指定空间区域内随机生成一定数量的孔隙单元堆叠，采用可降解材料，即相对密度空间矩阵决定的结构设计方案，通过激光粉末床熔融增材制造方法制备所设计的个性化多孔结构；
步骤3，通过体内外实验和数值模拟获得通过步骤2所制备的多孔结构的力学性能和降解率随时间变化的数据标签，建立结构设计方案对应的力学和降解性能数据库，作为机器学习的样本；
步骤4，通过深度神经网络对步骤3所建立的数据库进行机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型，预测多孔结构设计对骨植入物降解行为和力学性能的影响；
步骤5，输入骨植入物所需的力学和降解需求，优化出最逼近目标值的多孔结构设计方案，实现可降解金属骨植入物的性能预测和快速设计。
优选的，步骤1中，所述孔隙单元采用三重周期极小曲面(TPMS)方法生成，具体为：
将孔隙单元固定为边长为a的由TPMS函数生成的立方体元胞，每个单元的相对密度由形状参数c决定，则可由形状参数c(x,y,z)的空间矩阵表示单元相对密度ρ(x,y,z)空间分布，(x,y,z)∈Ω，Ω为植入物宏观外形定义的空间区域。
优选的，步骤1中，骨植入物的力学性能和降解行为由基体材料以及孔隙形状和分布所决定，对于指定的材料和孔隙单元，若每个孔隙单元的形状由可编程参数化方法生成，则在计算机内获得孔隙单元相对密度空间分布矩阵，填充宏观外形定义的空间，作为多孔结构的设计方案。
优选的，步骤2中，所述多孔结构骨植入物由可降解镁合金或锌合金构成，具体为：
以人体含量较多的生命元素镁或锌作为基体，添加生物相容性好的元素如钙、锶、锂等起到合金强化作用，利用气体雾化等方式制备成平均粒径在15～60μm，球形度好，内部致密的粉体材料。
优选的，步骤2中，采用激光粉末床熔融增材制造方法制备具有个性化宏细观结构的多孔骨植入物，具体为：
通过商用软件对多孔结构的三维数字模型进行切片分层，获得各截面的轮廓数据后，利用高能量激光束根据轮廓数据逐层选择性地熔化可降解金属粉末，通过逐层铺粉，逐层熔化凝固堆积的方式，制造具有个性化宏细观结构的多孔骨植入物。
优选的，步骤3中，采用体内外试验和数值模拟获得不同结构设计方案对应的力学性能和降解行为，具体为：通过步骤1和步骤2设计并制造出多孔结构实体，采用模拟体液浸泡或动物体内植入试验方法，测试不同浸泡或植入时间后多孔结构的降解率和力学性能，获得基础的材料降解和力学参数；采用基于连续介质损伤的有限元模型，根据实验得到的材料降解和力学参数，计算不同设计方案对应的多孔结构的力学性能和降解率随时间变化函数，建立批处理程序随机生成一定数量的结构设计方案，并计算其对应的力学性能和降解率随时间变化函数，构建不同结构设计方案对应的力学和降解性能数据库。
优选的，步骤4中，采用深度神经网络生成由结构设计方案预测降解行为和力学性能的数据驱动模型，具体为：以步骤3所建立的数据库提供的数据标签为训练样本，采用惩罚因子的加速算法，构建结构设计方案和降解行为及力学性能的人工神经网络特征映射，将孔隙单元相对密度空间分布矩阵即某一特定的结构设计方案作为输入，预测其在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化，推算降解产物质量和承载能力变化；同样地，如果将多孔结构在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化作为输入，预测最优的结构设计方案。
与现有技术相比，本发明具备以下有益效果：
本发明提供一种基于机器学习的可降解金属骨植入物设计方法，能够快速实现由性能生成结构或由结构预测性能的双向模型，为可降解金属骨植入物的性能预测和结构优化提供一种优化的便捷的解决方案；多孔结构设计方案满足激光粉末床熔融增材制造工艺要求，利用可降解镁合金或锌合金粉末进行高可靠性、高精度的成形制造。
附图说明
图1为本发明设计方法的实现逻辑流程图；
图2为本发明中TPMS螺旋结构示意图；
图3为本发明中降解和力学的数值模型；
图4为本发明中基于需求得到的多孔结构设计方案；
图5为本发明中基于需求得到的多孔结构的制造样品。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明的一个宽泛实施例中，一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，该设计方法所设计的可降解金属骨植入物具有与骨缺损解剖形态贴合的宏观外形，以及内部连通的多孔结构，设计方法包括以下步骤：
步骤1，通过医学影像手段获得与骨缺损解剖形态贴合的骨植入物的宏观外形，多孔结构由周期或随机排列的孔隙单元堆叠组成，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；
步骤2，通过旋转或翻折的重构方式，在指定空间区域内随机生成一定数量的孔隙单元堆叠，采用可降解材料，即相对密度空间矩阵决定的结构设计方案，通过激光粉末床熔融增材制造方法制备所设计的个性化多孔结构；
步骤3，通过体内外实验和数值模拟获得通过步骤2所制备的多孔结构的力学性能和降解率随时间变化的数据标签，建立结构设计方案对应的力学和降解性能数据库，作为机器学习的样本；
步骤4，通过深度神经网络对步骤3所建立的数据库进行机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型，预测多孔结构设计对骨植入物降解行为和力学性能的影响；
步骤5，输入骨植入物所需的力学和降解需求，优化出最逼近目标值的多孔结构设计方案，实现可降解金属骨植入物的性能预测和快速设计。
优选的，步骤1中，所述孔隙单元采用三重周期极小曲面(TPMS)方法生成，具体为：
将孔隙单元固定为边长为a的由TPMS函数生成的立方体元胞，每个单元的相对密度由形状参数c决定，则可由形状参数c(x,y,z)的空间矩阵表示单元相对密度ρ(x,y,z)空间分布，(x,y,z)∈Ω，Ω为植入物宏观外形定义的空间区域。
优选的，步骤1中，骨植入物的力学性能和降解行为由基体材料以及孔隙形状和分布所决定，对于指定的材料和孔隙单元，若每个孔隙单元的形状由可编程参数化方法生成，则在计算机内获得孔隙单元相对密度空间分布矩阵，填充宏观外形定义的空间，作为多孔结构的设计方案。
优选的，步骤2中，所述多孔结构骨植入物由可降解镁合金或锌合金构成，具体为：
以人体含量较多的生命元素镁或锌作为基体，添加生物相容性好的元素如钙、锶、锂等起到合金强化作用，利用气体雾化等方式制备成平均粒径在15～60μm，球形度好，内部致密的粉体材料。
优选的，步骤2中，采用激光粉末床熔融增材制造方法制备具有个性化宏细观结构的多孔骨植入物，具体为：
通过商用软件对多孔结构的三维数字模型进行切片分层，获得各截面的轮廓数据后，利用高能量激光束根据轮廓数据逐层选择性地熔化可降解金属粉末，通过逐层铺粉，逐层熔化凝固堆积的方式，制造具有个性化宏细观结构的多孔骨植入物。
优选的，步骤3中，采用体内外试验和数值模拟获得不同结构设计方案对应的力学性能和降解行为，具体为：通过步骤1和步骤2设计并制造出多孔结构实体，采用模拟体液浸泡或动物体内植入试验方法，测试不同浸泡或植入时间后多孔结构的降解率和力学性能，获得基础的材料降解和力学参数；采用基于连续介质损伤的有限元模型，根据实验得到的材料降解和力学参数，计算不同设计方案对应的多孔结构的力学性能和降解率随时间变化函数，建立批处理程序随机生成一定数量的结构设计方案，并计算其对应的力学性能和降解率随时间变化函数，构建不同结构设计方案对应的力学和降解性能数据库。
优选的，步骤4中，采用深度神经网络生成由结构设计方案预测降解行为和力学性能的数据驱动模型，具体为：以步骤3所建立的数据库提供的数据标签为训练样本，采用惩罚因子的加速算法，构建结构设计方案和降解行为及力学性能的人工神经网络特征映射，将孔隙单元相对密度空间分布矩阵即某一特定的结构设计方案作为输入，预测其在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化，推算降解产物质量和承载能力变化；同样地，如果将多孔结构在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化作为输入，预测最优的结构设计方案。
下面结合附图，列举本发明的优选实施例，对本发明作进一步的详细说明。
优选实施例1
在边长为6mm的立方体对设计的螺旋锌多孔结构的性能进行快速预测。
如图2，设计了TPMS中的螺旋单元结构，每个单元边长2mm、相对密度都为20％。6mm的立方体内有3*3*3个单元。希望能够快速获得其整体结构的弹性模量和3个月时间的降解率。
首先，进行相对密度矩阵构建，根据空间坐标，该结构的矩阵应为A,其中
Figure BDA0003127377940000061
A＝[B B B]z
通过对增材制造的一种结构的锌支架进行体外浸泡实验，获得锌支架的稳定腐蚀速率为0.04mm-1/year。
将实验测得的腐蚀速率带入商用软件ABAQUS中，对大量不同的设计的结构参数运行基于连续介质损伤的有限元金属降解模型，同步仿真该结构力学性能，如图3所示。进一步分析不同结构的力学性能和三个月的降解率，生成由结构设计参数预测降解速率和等效刚度的深度人工神经网络特征映射。
将矩阵A输入神经网络中，通过机器学习得到该结构等效弹性模量为2.6GPa,3个月降解率为40％。
优选实施例2
在边长为6mm的立方体快速设计满足等效弹性模量为2.5GPa，三个月降解率为50％的可降解多孔锌结构。
如实施例一种的方式，在建立神经网络的基础上，直接输入等效弹性模量为2.5GPa，三个月降解率为50％的需求。分析得到对应的螺旋结构矩阵为C，其中
Figure BDA0003127377940000062
C＝[C1C2C3]z
在通过逆向设计得出改具体结构如图4所示。通过激光粉末床熔融增材制造出对应的结构如图5所示，通过压缩试验测试得到其等效弹性模量为2.35GPa，与预测值误差仅为6％。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。。

Claims (7)

1.一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，该设计方法所设计的可降解金属骨植入物具有与骨缺损解剖形态贴合的宏观外形，以及内部连通的多孔结构，设计方法包括以下步骤：
步骤1，所述多孔结构由周期或随机排列的孔隙单元堆叠组成，通过对多孔结构的相对密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵，作为骨植入物的多孔结构设计方案；
步骤2，通过旋转或翻折的重构方式，在指定空间区域内随机生成一定数量的孔隙单元堆叠，采用可降解材料，即相对密度空间矩阵决定的结构设计方案，通过激光粉末床熔融增材制造方法制备所设计的个性化多孔结构；
步骤3，通过体内外实验和数值模拟获得通过步骤2所制备的多孔结构的力学性能和降解率随时间变化的数据标签，建立结构设计方案对应的力学和降解性能数据库，作为机器学习的样本；
步骤4，通过深度神经网络对步骤3所建立的数据库进行机器学习，生成由结构设计方案预测降解速率和等效刚度的数据驱动模型，预测多孔结构设计对骨植入物降解行为和力学性能的影响；
步骤5，输入骨植入物所需的力学和降解需求，优化出最逼近目标值的多孔结构设计方案，实现可降解金属骨植入物的性能预测和快速设计。
2.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，步骤1中，所述孔隙单元采用三重周期极小曲面方法生成，具体为：
将孔隙单元固定为边长为a的由TPMS函数生成的立方体元胞，每个单元的相对密度由形状参数c决定，则可由形状参数c(x,y,z)的空间矩阵表示单元相对密度ρ(x,y,z)空间分布，(x,y,z)∈Ω，Ω为植入物宏观外形定义的空间区域。
3.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，骨植入物的力学性能和降解行为由基体材料以及孔隙形状和分布所决定，对于指定的材料和孔隙单元，若每个孔隙单元的形状由可编程参数化方法生成，则在计算机内获得孔隙单元相对密度空间分布矩阵，填充宏观外形定义的空间，作为多孔结构的设计方案。
4.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，步骤2中，所述多孔结构骨植入物由可降解镁合金或锌合金构成，具体为：
以人体含量较多的生命元素镁或锌作为基体，添加生物相容性好的元素如钙、锶、锂起到合金强化作用，利用气体雾化方式制备成平均粒径在15～60μm，球形度好，内部致密的粉体材料。
5.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，步骤2中，采用激光粉末床熔融增材制造方法制备具有个性化宏细观结构的多孔骨植入物，具体为：
对多孔结构的三维数字模型进行切片分层，获得各截面的轮廓数据后，利用高能量激光束根据轮廓数据逐层选择性地熔化可降解金属粉末，通过逐层铺粉，逐层熔化凝固堆积的方式，制造具有个性化宏细观结构的多孔骨植入物。
6.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，步骤3中，采用体内外试验和数值模拟获得不同结构设计方案对应的力学性能和降解行为，具体为：通过步骤1和步骤2设计并制造出多孔结构实体，采用模拟体液浸泡或动物体内植入试验方法，测试不同浸泡或植入时间后多孔结构的降解率和力学性能，获得基础的材料降解和力学参数；采用基于连续介质损伤的有限元模型，根据实验得到的材料降解和力学参数，计算不同设计方案对应的多孔结构的力学性能和降解率随时间变化函数，建立批处理程序随机生成一定数量的结构设计方案，并计算其对应的力学性能和降解率随时间变化函数，构建不同结构设计方案对应的力学和降解性能数据库。
7.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法，其特征在于，步骤4中，采用深度神经网络生成由结构设计方案预测降解行为和力学性能的数据驱动模型，具体为：以步骤3所建立的数据库提供的数据标签为训练样本，采用惩罚因子的加速算法，构建结构设计方案和降解行为及力学性能的人工神经网络特征映射，将孔隙单元相对密度空间分布矩阵即某一特定的结构设计方案作为输入，预测其在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化，推算降解产物质量和承载能力变化；同样地，如果将多孔结构在模拟体液或动物体内中降解一定时间后的体积或质量损失以及等效刚度变化作为输入，预测最优的结构设计方案。
CN202110694232.1A 2021-06-22 2021-06-22 一种基于机器学习的可降解金属骨植入物设计方法 Active CN113420504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694232.1A CN113420504B (zh) 2021-06-22 2021-06-22 一种基于机器学习的可降解金属骨植入物设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694232.1A CN113420504B (zh) 2021-06-22 2021-06-22 一种基于机器学习的可降解金属骨植入物设计方法

Publications (2)

Publication Number Publication Date
CN113420504A CN113420504A (zh) 2021-09-21
CN113420504B true CN113420504B (zh) 2022-11-04

Family

ID=77716136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694232.1A Active CN113420504B (zh) 2021-06-22 2021-06-22 一种基于机器学习的可降解金属骨植入物设计方法

Country Status (1)

Country Link
CN (1) CN113420504B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230132546A1 (en) * 2021-11-03 2023-05-04 Lawrence Livermore National Security, Llc System and method for 3d printing porous zinc structures
WO2023113704A1 (en) * 2021-12-16 2023-06-22 Promoppatum Patcharapit Porous-based bone replacement materials formed by triply periodic minimal surface structure
CN114850469B (zh) * 2022-04-18 2023-03-24 北京科技大学 一种金属骨水泥及多孔金属微球及其制备方法
CN115024866A (zh) * 2022-06-15 2022-09-09 山东科技大学 一种低弹性模量高强度生物医用变梯度多孔支架结构及其构建方法
CN115737906A (zh) * 2022-10-10 2023-03-07 北京科技大学 一种可控降解骨填充材料及其增材制造方法
CN116636959B (zh) * 2023-07-26 2023-12-19 佛山科学技术学院 一种骨植入物制造方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105997306A (zh) * 2016-04-25 2016-10-12 北京工业大学 一种骨骼植入体内填充多孔网格结构的设计方法
CN109472096A (zh) * 2018-11-16 2019-03-15 山东大学 一种宏观与微观拓扑优化结合的植入体设计方法
CN112382352A (zh) * 2020-10-30 2021-02-19 华南理工大学 基于机器学习的金属有机骨架材料结构特征快速评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10994050B2 (en) * 2015-11-09 2021-05-04 The Regents Of The University Of California High yield and high precision bone graft substitute from stem cells

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105997306A (zh) * 2016-04-25 2016-10-12 北京工业大学 一种骨骼植入体内填充多孔网格结构的设计方法
CN109472096A (zh) * 2018-11-16 2019-03-15 山东大学 一种宏观与微观拓扑优化结合的植入体设计方法
CN112382352A (zh) * 2020-10-30 2021-02-19 华南理工大学 基于机器学习的金属有机骨架材料结构特征快速评估方法

Also Published As

Publication number Publication date
CN113420504A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113420504B (zh) 一种基于机器学习的可降解金属骨植入物设计方法
Chen et al. Porous scaffold design for additive manufacturing in orthopedics: a review
Zadpoor Mechanical performance of additively manufactured meta-biomaterials
Ma et al. Biological and mechanical property analysis for designed heterogeneous porous scaffolds based on the refined TPMS
Fantini et al. A method to design biomimetic scaffolds for bone tissue engineering based on Voronoi lattices
Egan Integrated design approaches for 3D printed tissue scaffolds: Review and outlook
Tan et al. Metallic powder-bed based 3D printing of cellular scaffolds for orthopaedic implants: A state-of-the-art review on manufacturing, topological design, mechanical properties and biocompatibility
Rodríguez-Montaño et al. Comparison of the mechanobiological performance of bone tissue scaffolds based on different unit cell geometries
Liu et al. Topological design, mechanical responses and mass transport characteristics of high strength-high permeability TPMS-based scaffolds
Imran et al. Review on computational modeling for the property, process, product and performance (PPPP) characteristics of additively manufactured porous magnesium implants
CN112966411B (zh) 一种基于体代表单元应力的医疗植入件及制备方法与应用
Vyavahare et al. Additively manufactured meta-biomaterials: A state-of-the-art review
Md Saad et al. Impacts of dynamic degradation on the morphological and mechanical characterisation of porous magnesium scaffold
Pugliese et al. Biomimetic scaffolds using triply periodic minimal surface-based porous structures for biomedical applications
Wang et al. Design and characterization of hydroxyapatite scaffolds fabricated by stereolithography for bone tissue engineering application
Lipowiecki et al. Design of bone scaffolds structures for rapid prototyping with increased strength and osteoconductivity
Rezapourian et al. Biomimetic design of implants for long bone critical-sized defects
Li et al. The design and evaluation of bionic porous bone scaffolds in fluid flow characteristics and mechanical properties
Zhang et al. Comparison of titanium dioxide scaffold with commercial bone graft materials through micro-finite element modelling in flow perfusion
CN112155794A (zh) 一种采用3d打印技术制备人体颈椎间盘的方法
Sadati et al. Investigation of porous cells interface on elastic property of orthopedic implants: Numerical and experimental studies
Pandithevan et al. Finite element analysis of a personalized femoral scaffold with designed microarchitecture
Ye et al. Mechanical properties directionality and permeability of fused triply periodic minimal surface porous scaffolds fabricated by selective laser melting
Sogutlu et al. Stochastic modeling of tissue engineering scaffolds with varying porosity levels
Elenskaya et al. Understanding of trabecular-cortical transition zone: numerical and experimental assessment of multi-morphology scaffolds

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant