計算生物學
右心室（RV）心肌的力學行為受其各向異性微觀結構支配，然而，能夠考慮纖維彌散並實現可靠參數辨識的本構模型仍然有限。在本研究中，我們提出了一種物理嵌入式本構神經網絡框架，用於從實驗數據中自動發現應變能函數和微觀結構參數。該模型在不可壓縮、正交各向異性超彈性設定下構建，並採用基於不變量的表徵方式。纖維、層片和法向方向通過旋轉的結構基底納入模型，彌散效應則通過廣義結構張量方法進行建模。
該框架基於綿羊右心室心肌的多軸力學實驗數據進行訓練，包括單軸拉伸-壓縮和簡單剪切試驗。我們考察了兩種訓練情景：（i）包含拉伸和壓縮區間的完整數據集；以及（ii）僅限於拉伸載荷的數據集。在這兩種情況下，模型均能準確再現實測的應力-應變響應，並辨識出稀疏且具有可解釋性的本構模型，其中涉及各向同性、各向異性及耦合不變量。然而，微觀結構參數的可辨識性強烈依賴於可獲得的加載條件。儘管僅含拉伸的數據可產生更高的預測精度，但其會導致纖維彌散估計出現非唯一性或偏差。
相比之下，納入壓縮數據能夠通過分離纖維與基質的貢獻，實現對彌散參數的一致性辨識。
這些結果凸顯了多軸加載數據對於穩健參數辨識的重要性，並展示了基於本構神經網絡的方法在各向異性軟組織數據驅動建模中的能力。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.11.724139v1?rss=1
🏷️ 右心室心肌 本構神經網絡 纖維彌散 超彈性力學 參數辨識