استفاده از شبکه عصبی و الگوریتم ژنتیک در تشخیص مرتبه در مدلسازی مرتبه ناصحیح بافت نرم

مدلسازی بافت نرم یک موضوع چالشی در مهندسی بافت است. بافت محیط پیچیده‌ای است و خواص ویسکوالاستیک دارد و توصیف رابطه تنش-کرنش آن ساده نیست. رویکرد اصلی این مقاله لحاظ کردن مدل مرتبه ناصحیح برای رابطه تنش-کرنش بافت ویسکوالاستیک است. این رابطه با استفاده از داده‌های حاصل از یک چیدمان آزمایشی و گردآوری داده‌های واقعی طی یک مطالعه تجربی راستی آزمایی شده است. هدف این مقاله آن است که مرتبه در رابطه توصیف کننده تنش به عنوان تابعی از تنش و کرنش لحظه‌ای بیان شود. در این راستا از شبکه عصبی پرسپترون چند لایه استفاده خواهد شد. در واقع مقادیر لحظه‌ای تنش و کرنش به عنوان ورودی این شبکه در نظر گرفته شده و خروجی شبکه مقادیر لحظه‌ای مرتبه است که قبلاً با استفاده از بهینه سازی با الگوریتم ژنتیک به دست آمده است. داده‌ها حاوی 47 مورد آزمایش با اعمال پروفایل‌های مختلف تنش است که هر بار که شبکه استفاده می‌شود یکی به عنوان نمونه آزمایشی و بقیه به عنوان نمونه آموزشی به شبکه داده می‌شود. شبکه پرسپترون چند لایه با داشتن تعداد کافی نورون در لایه پنهان -در مواردی که یک تابعیت قطعی بین ورودی‌ها و خروجی باشد- یک تخمینگر عمومی تابع است. نتایج مشخص می‌کند که فرض کردن یک تابعیت بین مرتبه و زوج تنش و کرنش یک فرض صحیح است و شبکه عصبی به خوبی این تابع را تخمین می‌زند.