Fugu-MT 論文翻訳(概要): Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data

論文の概要: Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data

arxiv url: http://arxiv.org/abs/2101.11712v1
Date: Sat, 23 Jan 2021 23:52:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-19 10:39:00.548036
Title: Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data
Title（参考訳）: 離散ファイバーネットワークデータを用いたニューラルネットワークによるフィブリンの力学特性予測
Authors: Yue Leng, Sarah Calve, Adrian Buganza Tepole
Abstract要約: 本稿では,RVEモデルの動作を効率的に捉えるために,人工完全連結ニューラルネットワーク(FCNN)を提案する。 FCNNは121の二軸変形を受ける1100の繊維ネットワークで訓練された。我々のUMATを用いてフィブリンゲルの有限要素シミュレーションに利用した。
参考スコア（独自算出の注目度）: 0.8812900098821118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fibrin is a structural protein key for processes such as wound healing and thrombus formation. At the macroscale, fibrin forms a gel and has a mechanical response that is dictated by the mechanics of a microscale fiber network. Hence, accurate description of fibrin gels can be achieved using representative volume elements (RVE) that explicitly model the discrete fiber networks of the microscale. These RVE models, however, cannot be efficiently used to model the macroscale due to the challenges and computational demands of multiscale coupling. Here, we propose the use of an artificial, fully connected neural network (FCNN) to efficiently capture the behavior of the RVE models. The FCNN was trained on 1100 fiber networks subjected to 121 biaxial deformations. The stress data from the RVE, together with the total energy on the fibers and the condition of incompressibility of the surrounding matrix, were used to determine the derivatives of an unknown strain energy function with respect to the deformation invariants. During training, the loss function was modified to ensure convexity of the strain energy function and symmetry of its Hessian. A general FCNN model was coded into a user material subroutine (UMAT) in the software Abaqus. The UMAT implementation takes in the structure and parameters of an arbitrary FCNN as material parameters from the input file. The inputs to the FCNN include the first two isochoric invariants of the deformation. The FCNN outputs the derivatives of the strain energy with respect to the isochoric invariants. In this work, the FCNN trained on the discrete fiber network data was used in finite element simulations of fibrin gels using our UMAT. We anticipate that this work will enable further integration of machine learning tools with computational mechanics. It will also improve computational modeling of biological materials characterized by a multiscale structure.
Abstract（参考訳）: フィブリンは創傷治癒や血栓形成などのプロセスのための構造タンパク質キーである。マクロスケールでは、フィブリンはゲルを形成し、マイクロスケールファイバーネットワークのメカニズムによって引き起こされる機械的応答を持つ。したがって、マイクロスケールの離散ファイバーネットワークを明示的にモデル化する代表体積要素(RVE)を用いて、フィブリンゲルの正確な記述を行うことができる。しかし、これらのRVEモデルは、マルチスケール結合の課題や計算要求のために、マクロスケールを効率的にモデル化することはできない。本稿では,完全結合型人工ニューラルネットワーク(fcnn)を用いて,rveモデルの挙動を効率的に把握する手法を提案する。 fcnnは121の2軸変形を受ける1100のファイバーネットワークで訓練された。 RVEからの応力データは, 繊維の総エネルギーと周囲マトリックスの非圧縮性の条件とともに, 変形不変量に関して未知のひずみエネルギー関数の導関数を決定するために利用した。訓練中、損失関数はひずみエネルギー関数の凸性とヘッセンの対称性を保証するために修正された。一般的なFCNNモデルは、ソフトウェアAbaqusのユーザマテリアルサブルーチン(UMAT)にコード化された。 UMATの実装は、任意のFCNNの構造とパラメータを入力ファイルから材料パラメータとして取り込む。 FCNNへの入力は、変形の最初の2つの等方的不変量を含む。 fcnnはイソコリック不変量に関してひずみエネルギーの導関数を出力する。本研究では, 離散ファイバネットワークデータを用いたfcnnを用いて, umatを用いたフィブリンゲルの有限要素シミュレーションを行った。この研究により、機械学習ツールと計算力学のさらなる統合が期待できる。マルチスケール構造を特徴とする生体材料の計算モデリングも改善する。