جلسه دفاع پایان نامه کارشناسی ارشد (آقای عرفان عزیزی)

موضوع:  بررسی اثرات افزایش سن بر رفتار شکستگی استخوان کورتیکال با استفاده از یادگیری ماشینی

ارائه دهنده: عرفان عزیزی

استادان راهنما: دکتر محمد سیلانی

استادان داور: دکتر مهدی سلمانی تهرانی- دکتر مهران مرادی

چکیده:

بافت استخوان کورتیکال توانایی منحصر به فردی برای مقاومت در برابر شکستگی دارد که به‌طور قابل توجهی تحت تأثیر توزیع و خواص ریزساختار آن است. بنابراین، درک فرآیند شکستگی استخوان برای پیش‌بینی خطر شکستگی مرتبط با سن ضروری است. افزایش خطر شکستگی با افزایش سن، با کاهش توده‌ی استخوانی و کیفیت آن مرتبط است. در مقیاس میکرو، کیفیت استخوان بیشتر به تخلخل، خواص ذاتی مواد و ویژگی‌های ریزساختاری بستگی دارد. با این حال، رابطه‌ی بین این ویژگی‌ها و رفتار شکستگی استخوان در هاله‎ای از ابهام قرار دارد. از آن جایی که، بافت استخوان ساختار پیچیده‌ای دارد و تغییرات ساختاری مرتبط با سن در تمام مقیاس‌های طولی رخ می‌دهد، شناسایی و تشخیص هر مکانیزم به‌صورت تجربی دشوار است. بنابراین، هدف این پژوهش استفاده از مدل‌های محاسباتی برای تجزیه و تحلیل اثرات ویژگی‌های ریزساختار بر رفتار مکانیکی استخوان کورتیکال و سپس پیش‌بینی این رفتار با استفاده روش یادگیری ماشینی است. در این پژوهش تمامی مدل‌ها در مقیاس میکرو، در نرم‌افزار آباکوس و با استفاده از روش اجزای محدود توسعه یافته به‌صورت دوبعدی مدل‌سازی شدند. ابتدا مدل ساده شده‌ی استخوان (تک استئون در ماتریس بینابینی) برای استئون با سه جهت‌گیری طولی، شعاعی و عرضی ایجاد شد که در آن خطوط سیمانی با قانون آسیب فصل مشترک (رابط) مدل‌سازی شدند. این کار با ترکیب معیار کرنش اصلی بیشینه با معیار کرنش اسمی درجه دوم در خط سیمان صورت گرفت تا انحراف‌های ترک در مرزهای استئون مطابق با نتایج آزمایشگاهی ثبت شود. این مدل جهت ارزیابی چگونگی تأثیر کانال هاورسین و استحکام خط سیمان بر مسیر ترک مورد استفاده قرار گرفت. استحکام کم خط سیمان باعث انحراف ترک در راستای خط سیمانی و استحکام زیاد باعث نفوذ ترک در خط سیمانی و استئون شد. همچنین، وجود کانال هاورسین ریزساختار را به‌شدت تصعیف کرد. جهت بررسی تأثیر افزایش سن بر رفتار مکانیکی استخوان کورتیکال، ریزساختار استخوان واقعی انسان مدل‌سازی شد. تغییرات مرتبط با افزایش سن با تغییر در کسر حجمی تخلخل و مقادیر انرژی شکست اجزای ریزساختاری بر مدل ریزساختار استخوان واقعی انسان اعمال شد. افزایش سن با افزایش تخلخل و کاهش انرژی شکست همراه است که هر دو منجر به مسیرهای ترک مستقیم‌تر می‌شوند که به داخل استئون نفوذ می‌کنند و شکست زودتر رخ می‌دهد. با توجه به منحنی‌های نیرو-جابجایی به‌دست‌آمده، می‌توان گفت که انرژی شکست بیش‌ترین تأثیر را بر پاسخ مکانیکی استخوان دارد و رفتار شکستگی شکننده‌تری را پیش‌بینی می‌کند. در نتیجه، تغییرات مربوط به افزایش سن بر رفتار مکانیکی استخوان و مسیر ترک تأثیر می‌گذارد. در پژوهش حاضر، از مدل‌های یادگیری ماشینی برای پیش‌بینی رفتار مکانیکی استخوان کورتیکال استفاده شده است. جهت ایجاد مجموعه‌ی داده برای به‌کارگیری روش یادگیری ماشینی، طراحی آزمایش فاکتوریل کامل صورت گرفت و 20 داده ایجاد شد. مدل‌های مختلف یادگیری ماشینی مانند نزدیک‌ترین همسایه، رگرسیون بردار پشتیبان، درخت‌ تصمیم، جنگل تصادفی برای ارائه‌ی یک مدل پیش‌بینی‌کننده‌ی قوی ایجاد و مقایسه شدند. ورودی‌های مدل شامل تخلخل و انرژی شکست هر فاز و خروجی‌های مدل شامل نیروی بیشینه و انرژی شکست کل بودند. عملکرد مدل‌های مختلف یادگیری ماشینی با استفاده از معیارهای خطای میانگین مطلق، خطای جذر میانگین مربعات و ضریب تعیین ارزیابی شد. الگوریتم جنگل تصادفی برای داده‌های آزمایش و آموزش بهترین عملکرد (بیش‌ترین دقت و کم‌ترین خطا) را در مقایسه با سایر الگوریتم‌های یادگیری ماشینی داشت. از این رو، این الگوریتم، بهترین گزینه جهت پیش‌بینی رفتار مکانیکی استخوان کورتیکال با افزایش سن می‌باشد. همچنین، با استفاده از روش یادگیری فعال و پیاده‌سازی آن در یادگیری ماشینی، سعی شده است تا خطای مدل تا حد امکان کاهش یابد و مدلی با عملکرد بالاتر ایجاد شود.