توصيفگر ها :
استخوان كورتيكال , خط سيماني , اجزاي محدود توسعه‌يافته , افزايش سن , يادگيري ماشيني
چكيده فارسي :
در اين پژوهش تمامي مدل‌ها در مقياس ميكرو، در نرم‌افزار آباكوس و با استفاده از روش اجزاي محدود توسعه يافته به‌صورت دوبعدي مدل‌سازي شدند. ابتدا مدل ساده شده‌ي استخوان (تك استئون در ماتريس بينابيني) براي استئون با سه جهت‌گيري طولي، شعاعي و عرضي ايجاد شد كه در آن خطوط سيماني با قانون آسيب فصل مشترك (رابط) مدل‌سازي شدند. اين كار با تركيب معيار كرنش اصلي بيشينه با معيار كرنش اسمي درجه دوم در خط سيماني صورت گرفت تا انحراف‌هاي ترك در مرزهاي استئون مطابق با نتايج آزمايشگاهي ثبت شود. اين مدل جهت ارزيابي چگونگي تأثير كانال هاورسين و استحكام خط سيماني بر مسير ترك مورد استفاده قرار گرفت. استحكام كم خط سيمان باعث انحراف ترك در راستاي خط سيماني و استحكام زياد باعث نفوذ ترك در خط سيماني و استئون شد. همچنين، وجود كانال هاورسين ريزساختار را به‌شدت تضعيف كرد. جهت بررسي تأثير افزايش سن بر رفتار مكانيكي استخوان كورتيكال، ريزساختار استخوان واقعي انسان مدل‌سازي شد. تغييرات مرتبط با افزايش سن با تغيير در كسر حجمي تخلخل و مقادير انرژي شكست اجزاي ريزساختاري بر مدل ريزساختار استخوان واقعي انسان اعمال شد. افزايش سن با افزايش تخلخل و كاهش انرژي شكست همراه است كه هر دو منجر به مسيرهاي ترك مستقيم‌تر مي‌شوند كه به داخل استئون نفوذ مي‌كنند و شكست زودتر رخ مي‌دهد. با توجه به منحني‌هاي نيرو-جابجايي به‌دست‌آمده، مي‌توان گفت كه انرژي شكست بيش‌ترين تأثير را بر پاسخ مكانيكي استخوان دارد و رفتار شكستگي شكننده‌تري را پيش‌بيني مي‌كند. در نتيجه، تغييرات مربوط به افزايش سن بر رفتار مكانيكي استخوان و مسير ترك تأثير مي‌گذارد. در پژوهش حاضر، از مدل‌هاي يادگيري ماشيني براي پيش‌بيني رفتار مكانيكي استخوان كورتيكال استفاده شده است. جهت ايجاد مجموعه‌ي داده براي به‌كارگيري روش يادگيري ماشيني، طراحي آزمايش فاكتوريل كامل صورت گرفت و 20 داده ايجاد شد. مدل‌هاي مختلف يادگيري ماشيني مانند نزديك‌ترين همسايه، رگرسيون بردار پشتيبان، درخت تصميم و جنگل تصادفي براي ارائه‌ي يك مدل پيش‌بيني‌كننده‌ي قوي ايجاد و مقايسه شدند. ورودي‌هاي مدل شامل تخلخل و انرژي شكست هر فاز و خروجي‌هاي مدل شامل نيروي بيشينه و انرژي شكست كل بودند. عملكرد مدل‌هاي مختلف يادگيري ماشيني با استفاده از معيارهاي خطاي ميانگين مطلق، خطاي جذر ميانگين مربعات و ضريب تعيين ارزيابي شد. الگوريتم جنگل تصادفي براي داده‌هاي آزمايش و آموزش بهترين عملكرد (بيش‌ترين دقت و كم‌ترين خطا) را در مقايسه با ساير الگوريتم‌هاي يادگيري ماشيني داشت. از اين رو، اين الگوريتم، بهترين گزينه جهت پيش‌بيني رفتار مكانيكي استخوان كورتيكال با افزايش سن مي‌باشد. همچنين، با استفاده از روش يادگيري فعال و پياده‌سازي آن در يادگيري ماشيني، سعي شده است تا خطاي مدل تا حد امكان كاهش يابد و مدلي با عملكرد بالاتر ايجاد شود.
چكيده انگليسي :
This research aims to use computational models to analyze the effects of microstructural characteristics on the mechanical behavior of cortical bone and predict this behavior using machine learning methods. In this study, microscale models were developed in Abaqus software using the extended finite element method (XFEM) in 2D. A simplified bone model (single osteon in the interstitial matrix) was created with three orientations: longitudinal, radial, and transverse. The cement lines were modeled with the interface damage law, combining the maximum principal strain criterion with the quadratic nominal strain criterion to record crack deflection at osteon boundaries. This model evaluated the effects of the Haversian channel and cement line strength on the crack path. Low cement line strength caused cracks to deviate along the cement line, while high strength caused cracks to penetrate the cement line and osteon. The presence of the Haversian channel significantly weakened the microstructure.To investigate the effect of aging on cortical bone's mechanical behavior, a real human bone microstructure was modeled. Age-related changes in porosity volume fraction and fracture energy values were applied to this model. Increased porosity and decreased fracture energy due to aging led to more direct crack paths penetrating the osteon and earlier failure. Force-displacement curves indicated that fracture energy has the most significant influence on bone's mechanical response, predicting more brittle fracture behavior. Machine learning models were used to predict the mechanical behavior of cortical bone. A full factorial experiment was designed, generating 20 data points for the machine learning dataset. Various models, including nearest neighbor, support vector regression, decision tree, and random forest, were developed and compared. Inputs included porosity and fracture energy of each phase, while outputs included maximum force and total fracture energy. Model performance was evaluated using mean absolute error (MAE), root mean square error (RMSE), and coefficient of determination (R2). The random forest algorithm showed the highest accuracy and lowest error; Thus, the random forest algorithm is the best option for predicting aging effects on cortical bone's mechanical behavior. Additionally, the active learning method was employed to minimize model error and enhance performance.
