h1

000837241 001__ 837241
000837241 005__ 20230411161715.0
000837241 020__ $$a978-3-9821703-2-9
000837241 0247_ $$2HBZ$$aHT021187854
000837241 0247_ $$2Laufende Nummer$$a40858
000837241 037__ $$aRWTH-2021-11875
000837241 041__ $$aEnglish
000837241 082__ $$a620
000837241 1001_ $$0P:(DE-82)IDM00133$$aHillgärtner, Markus$$b0$$urwth
000837241 245__ $$aModeling of soft biological tissues by micro-mechanically motivated and data-driven approaches$$cMarkus Hillgärtner$$hprint
000837241 246_3 $$aModellierung weicher biologischer Gewebe mit mikromechanisch motivierten und datengetriebenen Ansätzen$$yGerman
000837241 260__ $$aAachen$$bRWTH Aachen University, Lehr- und Forschungsgebiet Kontinuumsmechanik$$c2021
000837241 300__ $$axxiii, 222 Seiten : Illustrationen, Diagramme
000837241 3367_ $$02$$2EndNote$$aThesis
000837241 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000837241 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000837241 3367_ $$2BibTeX$$aPHDTHESIS
000837241 3367_ $$2DRIVER$$adoctoralThesis
000837241 3367_ $$2DataCite$$aOutput Types/Dissertation
000837241 3367_ $$2ORCID$$aDISSERTATION
000837241 4900_ $$aBericht / RWTH Aachen University, Lehr- und Forschungsgebiet Kontinuumsmechanik$$v13
000837241 502__ $$aDissertation, RWTH Aachen University, 2021$$bDissertation$$cRWTH Aachen University$$d2021$$gFak04$$o2021-09-17
000837241 5203_ $$aDie 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.$$lger
000837241 520__ $$aThe 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.$$leng
000837241 588__ $$aDataset connected to Lobid/HBZ
000837241 591__ $$aGermany
000837241 653_7 $$aartificial neural network
000837241 653_7 $$aconstitutive modeling
000837241 653_7 $$afatigue
000837241 653_7 $$amachine learning
000837241 653_7 $$asoft biological tissue
000837241 653_7 $$atropocollagen
000837241 7001_ $$0P:(DE-82)IDM01157$$aItskov, Mikhail$$b1$$eThesis advisor$$urwth
000837241 7001_ $$0P:(DE-82)IDM03985$$aTrimpe, Johann Sebastian$$b2$$eThesis advisor$$urwth
000837241 909CO $$ooai:publications.rwth-aachen.de:837241$$pVDB
000837241 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00133$$aRWTH Aachen$$b0$$kRWTH
000837241 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01157$$aRWTH Aachen$$b1$$kRWTH
000837241 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03985$$aRWTH Aachen$$b2$$kRWTH
000837241 9141_ $$y2021
000837241 9201_ $$0I:(DE-82)418220_20140620$$k418220$$lLehr- und Forschungsgebiet Kontinuumsmechanik$$x0
000837241 961__ $$c2022-02-17T12:08:15.108643$$x2021-12-18T16:01:24.528454$$z2022-02-17T12:08:15.108643
000837241 980__ $$aI:(DE-82)418220_20140620
000837241 980__ $$aUNRESTRICTED
000837241 980__ $$aVDB
000837241 980__ $$abook
000837241 980__ $$aphd