基于Gyroid三周期极小曲面与机器学习的松质骨力学性能快速预测框架

《Frontiers in Bioengineering and Biotechnology》：A Gyroid TPMS-based machine learning framework for rapid prediction of cancellous bone mechanical properties

　　

目的： 高保真的松质骨有限元分析计算成本高昂，尤其是在需要探索大参数空间时。本研究开发了一个集成了参数化Gyroid建模、有限元分析和机器学习的快速代理建模框架，用于预测松质骨模型的表观力学性能。 方法： 研究人员将骨组织杨氏模量（Et）、组织失效应变（εt）、骨体积分数（BV/TV）和各向异性度（DA）作为输入。使用拉丁超立方采样生成了一个包含200组参数组合的数据库，并将从有限元模拟中获得的表观杨氏模量（Ec）和失效强度（σc）作为独立的输出变量。采用嵌套五折交叉验证对多元线性回归、二次多项式回归、支持向量回归（SVR）、克里金法和反向传播神经网络（BPNN）进行了评估。 结果： 该有限元模型复现了已发表的单轴压缩响应。BPNN在预测Ec方面表现最佳（R2 = 0.9993 ± 0.0003，NRMSE = 0.0256 ± 0.0027，MAPE = 1.68 ± 0.38%），而SVR在预测σc方面表现最优（R2 = 0.9987 ± 0.0004，NRMSE = 0.0352 ± 0.0030，MAPE = 2.23 ± 0.45%）。响应面分析表明，Et和BV/TV主要控制表观刚度，而失效强度对εt也较为敏感。 讨论： 所提出的框架提供了一种精确且计算高效的方法，可用于在所研究的Gyroid模型空间内进行快速预测、参数筛选、响应面分析和结构设计探索。

论文解读

研究背景与意义

松质骨是一种高度多孔的骨骼组织，其力学性能受组织级材料特性和介观结构（如骨小梁网络）的共同影响。传统的密度-力学性能经验关系（如Carter和Hayes的幂律关系）无法完全解释具有相似密度的样本间存在的巨大力学差异。虽然基于显微CT的高分辨率有限元分析能够提供精确的力学表征，但其建模和计算过程耗时费力，难以满足临床快速评估的需求。因此，开发一种既能捕捉复杂结构-性能关系，又具备高计算效率的替代方法具有重要意义。本研究旨在通过集成参数化Gyroid建模、有限元分析与机器学习技术，建立一个快速预测松质骨表观力学性能的框架，从而解决高保真模拟计算成本高昂的瓶颈问题。

主要研究方法概述

研究人员采用了以下关键技术方法：

1. 1.
   参数化Gyroid建模：利用三周期极小曲面的Gyroid结构作为松质骨的仿生模型，通过调整单元纵横比来控制各向异性度（DA），并通过改变水平集常数（C_P）来控制孔隙率（即骨体积分数BV/TV）。
2. 2.
   有限元仿真：使用LS-DYNA软件对生成的Gyroid模型进行准静态单轴压缩模拟，提取应力-应变曲线，进而计算出表观杨氏模量（E_c）和失效强度（σ_c）。
3. 3.
   机器学习代理模型：基于200组由拉丁超立方采样生成的参数组合及其对应的有限元结果，构建并比较了五种回归模型，包括多元线性回归、二次多项式回归、支持向量回归（SVR）、克里金法和反向传播神经网络（BPNN）。

研究结果

2.1 Gyroid基松质骨参数化建模

研究人员指出，松质骨的孔隙率变化范围很大（40%-84%），且其结构具有显著的各向异性。Gyroid型三周期极小曲面（TPMS）因其光滑表面、高比表面积和优异的孔连通性，能够很好地模拟天然骨小梁的形态。研究中，通过拉伸单元尺寸实现了对各向异性度（DA = l_z/l_x）的控制，并建立了孔隙率（P）与控制参数C_P之间的近似线性关系（P = 0.3495 C_P + 0.500）。

2.2 有限元建模

为了验证Gyroid结构的仿生有效性，研究人员复现了文献中的实验压缩测试。他们选取了与文献报道一致的骨体积分数（BV/TV = 33.3%, 37.7%, 39.4%）和各向异性度（DA_mean = 1.8）的Gyroid模型进行模拟。由于骨组织杨氏模量（E_t）的测量值范围很广（见表2），研究人员分别采用了15、20和25 GPa三种不同的E_t值进行模拟。结果显示，有限元模型能够成功再现文献中报告的单轴压缩响应，验证了该模型的有效性。

2.3 仿真数据集构建

研究人员明确了决定松质骨表观力学性能的四个关键输入参数：E_t、ε_t、BV/TV和DA，其取值范围均来自文献报道（见表3）。通过拉丁超立方采样生成了200组参数组合，并对每组组合都进行了完整的几何建模和有限元仿真，得到了对应的表观杨氏模量（E_c）和失效强度（σ_c）作为输出。研究人员详细描述了从力-位移数据计算工程应力和工程应变，并通过线性回归确定E_c，以及取最大应力作为σ_c的方法。

2.4 回归模型开发

研究人员基于200个仿真案例，建立了五种回归模型来逼近输入参数与输出响应之间的关系。他们定义了输入向量 x = [E_t, ε_t, BV/TV, DA]^T，并采用嵌套五折交叉验证来客观评估各模型的泛化性能。

2.5 回归模型评估

通过对比五种模型的表现，研究发现对于预测表观杨氏模量（E_c），反向传播神经网络（BPNN）表现最佳，其R2达到0.9993，归一化均方根误差（NRMSE）仅为0.0256，平均绝对百分比误差（MAPE）为1.68%。而对于预测失效强度（σ_c），支持向量回归（SVR）则是最优模型，其R2为0.9987，NRMSE为0.0352，MAPE为2.23%。

2.6 响应面分析

利用训练好的最优模型（E_c用BPNN，σ_c用SVR），研究人员绘制了响应面以可视化各输入参数的交互影响。结果表明，骨组织杨氏模量（E_t）和骨体积分数（BV/TV）是决定表观刚度（E_c）的主要因素，而失效强度（σ_c）除了受E_t和BV/TV影响外，还对组织失效应变（ε_t）表现出更高的敏感性。

2.7 计算成本分析

研究人员量化了整个流程的计算成本。结果显示，完成一次有限元仿真平均需要约28分钟，而一旦模型训练完成，进行一次机器学习预测的时间可以忽略不计（<0.01秒）。这突显了代理模型在计算效率上的巨大优势。

总结与讨论

本研究的讨论部分指出，所开发的框架能够精确且高效地预测Gyroid模型空间内的松质骨表观力学行为。该框架不仅适用于快速预测，还可用于参数筛选、灵敏度分析、响应面可视化和结构设计优化。通过结合可控的Gyroid模型、系统的模型比较和严格的验证，该研究提供了一种清晰且可重复的方法，用以考察组织属性和介观结构如何共同影响松质骨的力学性能。最终，研究结论如下：所提出的框架提供了一种精确且计算高效的方法，可用于在所研究的Gyroid模型空间内进行快速预测、参数筛选、响应面分析和结构设计探索。