计算生物学
右心室（RV）心肌的力学行为受其各向异性微观结构支配，然而，能够考虑纤维弥散并实现可靠参数辨识的本构模型仍然有限。在本研究中，我们提出了一种物理嵌入式本构神经网络框架，用于从实验数据中自动发现应变能函数和微观结构参数。该模型在不可压缩、正交各向异性超弹性设定下构建，并采用基于不变量的表征方式。纤维、层片和法向方向通过旋转的结构基底纳入模型，弥散效应则通过广义结构张量方法进行建模。
该框架基于绵羊右心室心肌的多轴力学实验数据进行训练，包括单轴拉伸-压缩和简单剪切试验。我们考察了两种训练情景：（i）包含拉伸和压缩区间的完整数据集；以及（ii）仅限于拉伸载荷的数据集。在这两种情况下，模型均能准确再现实测的应力-应变响应，并辨识出稀疏且具有可解释性的本构模型，其中涉及各向同性、各向异性及耦合不变量。然而，微观结构参数的可辨识性强烈依赖于可获得的加载条件。尽管仅含拉伸的数据可产生更高的预测精度，但其会导致纤维弥散估计出现非唯一性或偏差。
相比之下，纳入压缩数据能够通过分离纤维与基质的贡献，实现对弥散参数的一致性辨识。
这些结果凸显了多轴加载数据对于稳健参数辨识的重要性，并展示了基于本构神经网络的方法在各向异性软组织数据驱动建模中的能力。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.11.724139v1?rss=1
🏷️ 右心室心肌 本构神经网络 纤维弥散 超弹性力学 参数辨识