論文の概要: Neural networks for the prediction of peel force for skin adhesive interface using FEM simulation

• arxiv url: http://arxiv.org/abs/2506.19855v1
• Date: Mon, 09 Jun 2025 12:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.861677
• Title: Neural networks for the prediction of peel force for skin adhesive interface using FEM simulation
• Title（参考訳）: FEMシミュレーションを用いた皮膚接着界面の剥離力予測のためのニューラルネットワーク
• Authors: Ashish Masarkar, Rakesh Gupta, Naga Neehar Dingari, Beena Rai,
• Abstract要約: 皮膚組織からの接着剥離に必要な最小剥離力を予測するために,ニューラルネットワークを用いたアプローチを提案する。 本モデルでは,厳密な5倍のクロスバリデーションによる精度の検証を行った。 本研究は, 粘着挙動を予測し, 精度を保ちながらシミュレーション時間を著しく短縮する信頼性, 計算効率のよい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.5731930593343312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Studying the peeling behaviour of adhesives on skin is vital for advancing biomedical applications such as medical adhesives and transdermal patches. Traditional methods like experimental testing and finite element method (FEM), though considered gold standards, are resource-intensive, computationally expensive and time-consuming, particularly when analysing a wide material parameter space. In this study, we present a neural network-based approach to predict the minimum peel force (F_min) required for adhesive detachment from skin tissue, limiting the need for repeated FEM simulations and significantly reducing the computational cost. Leveraging a dataset generated from FEM simulations of 90 degree peel test with varying adhesive and fracture mechanics parameters, our neural network model achieved high accuracy, validated through rigorous 5-fold cross-validation. The final architecture was able to predict a wide variety of skin-adhesive peeling behaviour, exhibiting a mean squared error (MSE) of 3.66*10^-7 and a R^2 score of 0.94 on test set, demonstrating robust performance. This work introduces a reliable, computationally efficient method for predicting adhesive behaviour, significantly reducing simulation time while maintaining accuracy. This integration of machine learning with high-fidelity biomechanical simulations enables efficient design and optimization of skin-adhesive systems, providing a scalable framework for future research in computational dermato-mechanics and bio-adhesive material design.
• Abstract（参考訳）: 皮膚への接着剤の剥離挙動の研究は, 医療用接着剤や経皮的パッチなどの生体医学的応用の進展に不可欠である。 実験試験や有限要素法(有限要素法、FEM)のような伝統的な手法は、特に幅広い物質パラメータ空間を分析する際には、資源集約的であり、計算コストが高く、時間を要する。 本研究では,皮膚組織からの接着剥離に必要な最小剥離力(F_min)をニューラルネットワークで予測し,繰り返しFEMシミュレーションの必要性を抑え,計算コストを大幅に削減する手法を提案する。 粘着パラメータや破壊力学パラメータの異なる90度剥離試験によるFEMシミュレーションから生成されたデータセットを応用し、厳密な5倍のクロスバリデーションにより精度の高いニューラルネットワークモデルを構築した。 最終アーキテクチャでは皮膚接着性の剥離挙動を予測でき、平均2乗誤差(MSE)は3.66*10^-7で、R^2スコアは0.94で、堅牢な性能を示した。 本研究は, 粘着挙動を予測し, 精度を保ちながらシミュレーション時間を著しく短縮する信頼性, 計算効率のよい手法を提案する。 この機械学習と高忠実度バイオメカニカルシミュレーションの統合により、皮膚接着システムの効率的な設計と最適化が可能となり、計算皮膚力学および生体接着材料設計における将来の研究のためのスケーラブルなフレームワークを提供する。

関連論文リスト

• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• Mechanics and Design of Metastructured Auxetic Patches with Bio-inspired Materials [0.5033155053523042]
  本研究は, 絹フィブロインから作製した正弦波状構造を有する触覚パッチのニューラルネットワークによる計算モデルに焦点をあてる。 提案する枠組みは, 医療用バイオインスパイアされた生体組織の設計において, 重要な進歩を示すものである。
  論文  参考訳（メタデータ） (2025-01-08T03:57:20Z)
• Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
  本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。 提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。 そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-16T18:01:40Z)
• Neural Network Surrogate and Projected Gradient Descent for Fast and Reliable Finite Element Model Calibration: a Case Study on an Intervertebral Disc [9.456474817418703]
  そこで本研究では,L4-L5 IVD FEモデルを用いた新しい,効率的かつ効果的なキャリブレーション手法を提案する。 NNサロゲートは、シミュレーション結果を高精度に予測し、他の機械学習モデルより優れ、計算コストを大幅に削減する。 このような効率性は、より複雑なFEモデルを適用する方法となり、IVDを超えて拡張される可能性がある。
  論文  参考訳（メタデータ） (2024-08-12T11:39:21Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。