guest ::
Modeling of soft biological tissues by micro-mechanically motivated and data-driven approaches = Modellierung weicher biologischer Gewebe mit mikromechanisch motivierten und datengetriebenen Ansätzen
2021
Dissertation, RWTH Aachen University, 2021
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2021-09-17
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
artificial neural network (frei) ; constitutive modeling (frei) ; fatigue (frei) ; machine learning (frei) ; soft biological tissue (frei) ; tropocollagen (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Die vorliegende Arbeit befasst sich mit der Frage, wie die konstitutive Modellierung von weichen biologischen Geweben und anderen hyperelastischen Materialien durch die Verwendung zusätzlicher Materialdaten erweitert und verbessert werden kann. Klassischerweise werden gemessene experimentelle Kurven, wie beispielsweise Zugversuche, an bestehende Materialmodelle, die meist phänomenologisch sind, angepasst. Während diese Art der Modellierung zu einer guten Übereinstimmung mit dem mechanischen Verhalten des betrachteten Materials führen kann, versagen solche Ansätze bei der Vorhersage des Verhaltens von bisher nicht getesteten Materialien. Die phänomenologische Modellierung erweist sich als besonders unpraktikabel im Bereich der Biomechanik, wo das Materialverhalten sehr patientenspezifisch ist und Experimente am betrachteten lebenden Material oft nicht möglich sind. Daher besteht ein Bedarf an Modellierungskonzepten, die auf der Basis zusätzlicher Informationen genaue Vorhersagen über das mechanische Verhalten von Materialien liefern können. In dieser Arbeit werden zwei unterschiedliche Ansätze dieser Art vorgestellt. Der erste Ansatz befasst sich mit der mikromechanisch motivierten Modellierung weicher biologischer Gewebe, bei der Materialinformationen aus minimalinvasiven Untersuchungen einbezogen werden können. Das vorgestellte Multiskalenmodell baut auf einzelnen Tropokollagenmolekülen mit unterschiedlichen Längen und Vorzugsrichtungen innerhalb eines statistischen Rahmenwerks auf. Es wird ein kraft- und zeitabhängiger Schädigungsmechanismus, basierend auf dem Ablösen adhäsiver Bindungen, implementiert, der sowohl die Modellierung von Ermüdungsphänomenen als auch von Inelastizität ermöglicht. Dies wird durch einen belastungsabhängigen Abbau der Kollagenmoleküle und der interfibrillären Matrix erreicht. Das zweite Konzept verwendet künstliche neuronale Netze für einen invariantenbasierten Ansatz zur Modellierung von hyperelastischen Materialien. Die vorgeschlagene Methode kann die Anisotropie erfassen, indem sie verallgemeinerte Strukturtensoren verwendet und eine beliebige Menge an zusätzlichen Materialinformationen verarbeitet. In der Netzwerkarchitektur werden allgemeine Teile der mathematischen Formulierung strikt von materialspezifischen Teilen getrennt, um eine hohe Flexibilität in Verbindung mit einem mechanisch konsistenten Rahmenwerk zu erreichen. Dieser allgemeine Ansatz erlaubt auch die Vorhersage des Verhaltens unbekannter Materialien, wenn das Netzwerk zuvor mit einer ausreichenden Menge ähnlicher Materialien trainiert wurde. Beide Ansätze wurden mit verschiedenen experimentellen und künstlichen Datensätzen validiert und zeigten ein hohes Maß an Übereinstimmung.The present work deals with the question of how constitutive modeling of soft biological tissues and other hyperelastic materials can be extended and improved by utilizing additional material data. Classically, measured experimental curves, such as tensile tests, are fitted to existing material models that are mostly phenomenological. While this kind of modeling can lead to a good agreement with the considered material's mechanical behavior, approaches of this kind fail to predict the behavior of previously untested materials. Phenomenological modeling proves to be particularly impracticable in the field of biomechanics, where the material behavior is highly patient-specific, and experiments on the living material under consideration are often not possible. Hence, there is a need for modeling concepts that can deliver accurate predictions of the mechanical behavior of materials based on additional information. In this thesis, two different approaches of this kind are presented. The first approach deals with micro-mechanically motivated modeling of soft biological tissues, where material information from minimally invasive testing can be incorporated. The presented multi-scale model builds up from single tropocollagen molecules with different lengths and preferred directions within a statistical framework. A damage mechanism that depends on force and time, based on the dissociation of adhesive bonds, is implemented, which enables modeling of both fatigue phenomena and inelasticity. This is achieved by a load-dependent degradation of the collagen molecules and the interfibrillar matrix. The second concept uses artificial neural networks for an invariant-based approach of modeling of hyperelastic materials. The proposed method can capture anisotropy by utilizing generalized structure tensors and processing any amount of additional material information. In the network architecture, general parts of the mathematical formulation are strictly separated from material-specific parts to achieve high flexibility in conjunction with a mechanically consistent framework. This general approach also allows predicting the behavior of unknown materials if the network has been previously trained with a sufficient amount of similar materials. Both approaches were validated with different experimental and artificial data sets and showed a high degree of agreement.
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
print
Sprache
English
Externe Identnummern
HBZ: HT021187854
Interne Identnummern
RWTH-2021-11875
Datensatz-ID: 837241
Beteiligte Länder
Germany
|
The record appears in these collections: |