Publicación: Predicción Mediante Redes Neuronales (ANN) de los Parámetros de Diseño y Fabricación por Estereolitografía Enmascarada (MSLA) de Scaffolds Sometidos a Cargas de Compresión
No hay miniatura disponible
Fecha
2024-10-22
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España), Universidad de Concepción - Chile. Departamento de Ingeniería Mecánica
Resumen
En el proceso de diseño de un scaffold se debe tener en cuenta que las propiedades físicas y mecánicas deben guardar similitud con respecto al tejido a reconstruir, sin embargo, estas propiedades presentan una gran dependencia con respecto al proceso de fabricación empleado. En el presente trabajo, se ha implementado un esquema predictivo inverso, mediante redes neuronales (ANN), con el propósito de predecir parámetros de proceso y diseño para la fabricación de scaffolds por estereolitografía enmascarada (MSLA), teniendo en cuenta la resistencia a fluencia y módulo elástico a compresión como variables de entrada al modelo predictivo. Se propusieron diferentes arquitecturas de ANN con ayuda de algoritmos de ajuste de hiperparámetros. Se determinaron las arquitecturas con la mejor capacidad predictiva, y finalmente, se realizó un entrenamiento exhaustivo del modelo para mejorar la calidad de las predicciones. Se lograron obtener modelos con un error absoluto medio (MAE) por debajo de 0.25.
In the scaffold design process, it is essential to consider that the physical and mechanical properties should be like those of the repaired tissue. However, these properties are highly dependent on the employed manufacturing process. In this study, an inverse predictive scheme using Artificial Neural Networks (ANN) was implemented to predict the process and design parameters for the additive manufacturing of scaffolds by masked stereolithography (MSLA), considering the required yield strength and compressive elastic modulus as input variables for the predictive model. Different ANN architectures were proposed with the help of hyperparameter tuning algorithms. The architectures with the best predictive capacity were determined, and exhaustive training of the model was conducted to improve the quality of the predictions. Models with a mean absolute error (MAE) below 0.27 were achieved.
In the scaffold design process, it is essential to consider that the physical and mechanical properties should be like those of the repaired tissue. However, these properties are highly dependent on the employed manufacturing process. In this study, an inverse predictive scheme using Artificial Neural Networks (ANN) was implemented to predict the process and design parameters for the additive manufacturing of scaffolds by masked stereolithography (MSLA), considering the required yield strength and compressive elastic modulus as input variables for the predictive model. Different ANN architectures were proposed with the help of hyperparameter tuning algorithms. The architectures with the best predictive capacity were determined, and exhaustive training of the model was conducted to improve the quality of the predictions. Models with a mean absolute error (MAE) below 0.27 were achieved.
Descripción
Organizado y patrocinado por: Federación iberoamericana de Ingeniería Mecánica y Universidad de Concepción - Chile. Departamento de Mecánica, FeIbIm – FeIbEM
Categorías UNESCO
Palabras clave
Estereolitografía enmascarada, manufactura aditiva, redes neuronales artificiales, resistencia a compresión, scaffolds, Masked stereolithography, additive manufacturing, artificial neural networks, compression strength, scaffolds
Citación
-
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica