Manifold learning based data-driven modeling for soft biological tissues.
Manifold learning based data-driven modeling for soft biological tissues.
复制标题
DOI：
10.1016/j.jbiomech.2020.110124
复制
发表时间：
2021-03-05
影响因子：
2.4
通讯作者：
Chen JS
中科院分区：
文献类型：
--
作者：
He Q;Laurence DW;Lee CH;Chen JS
数据驱动建模直接利用实验数据和机器学习技术来预测材料的响应，而不需要使用现象学本构模型。虽然数据驱动建模提出了一个很有前途的新方法，但它还没有扩展到大变形生物组织的建模。在此，我们扩展了我们最近的局部凸性数据驱动（LCDD）框架（来模拟猪心脏二尖瓣后小叶的机械响应）。研究了双轴和纯剪切训练方案的不同组合对LCDD框架的可预测性，并将其有效性与改进的全结构现象学模型和连续统现象学fung型模型进行了比较。我们表明，所提出的LCDD非线性解算器的预测性通常对数据集中使用的加载协议类型（双轴和纯剪切）不太敏感，而与两种选择的现象学模型的预测性相比，对实验数据的覆盖范围不足更为敏感。虽然材料模型中没有预定义的功能形式在LCDD中是必要的，但本研究重申了在数据驱动和机器学习类型的方法中具有足够丰富的数据覆盖的重要性。研究还表明，所提出的LCDD方法是对噪声数据的距离最小化数据驱动（DMDD）方法的改进。这项研究表明，当有足够的数据可用时，数据驱动计算可以成为复杂生物材料建模的替代方法。
Data-driven modeling directly utilizes experimental data with machine learning techniques to predict a material’s response without the necessity of using phenomenological constitutive models. Although data-driven modeling presents a promising new approach, it has yet to be extended to the modeling of large-deformation bio-tissues. Herein, we extend our recent local convexity data-driven (LCDD) framework ( to model the mechanical response of a porcine heart mitral valve posterior leaflet. The predictability of the LCDD framework by using various combinations of biaxial and pure shear training protocols are investigated, and its effectiveness is compared with a full structural phenomenological model modified from and a continuum phenomenological Fung-type model. We show that the predictivity of the proposed LCDD nonlinear solver is generally less sensitive to the type of loading protocols (biaxial and pure shear) used in the data set, while more sensitive to the insufficient coverage of the experimental data when compared to the predictivity of the two selected phenomenological models. While no pre-defined functional form in the material model is necessary in LCDD, this study reinstates the importance of having sufficiently rich data coverage in the date-driven and machine learning type of approaches. It is also shown that the proposed LCDD method is an enhancement over the earlier distance-minimization data-driven (DMDD) against noisy data. This study demonstrates that, when sufficient data is available, data-driven computing can be an alternative method for modeling complex biological materials.
登录
查看更多内容
DOI：
10.1016/j.cma.2016.02.001
发表时间：
2016-06-01
影响因子：
7.2
作者：
Kirchdoerfer, T.;Ortiz, M.
通讯作者：
Ortiz, M.
DOI：
10.1016/s0045-7825(96)01083-3
发表时间：
1996-12-15
影响因子：
7.2
作者：
Chen, JS;Pan, CH;Liu, WK
通讯作者：
Liu, WK
影响因子：
2
作者：
Holzapfel, GA;Gasser, TC;Ogden, RW
通讯作者：
Ogden, RW
DOI：
10.1016/j.cma.2017.11.013
发表时间：
2018-04-01
影响因子：
7.2
作者：
Leygue, Adrien;Coret, Michel;Verron, Erwan
通讯作者：
Verron, Erwan
DOI：
10.1002/nme.5716
发表时间：
2018-03-16
影响因子：
2.9
作者：
Kirchdoerfer, T.;Ortiz, M.
通讯作者：
Ortiz, M.