Progettazione automatica di scaffold a struttura tripli-periodica per la riparazione di difetti ossei

Due to their structural characteristics, triply periodic minimal surface (TPMS) scaffolds are of great interest in bone tissue engineering. Additive manufacturing techniques, commonly known as 3D printing, make their realization possible. The study involves the development of a machine learning algorithm that allows to estimate the geometric parameters from the scaffolds’ properties. Specifically, the former are defined within the mathematical function describing a TPMS surface. The properties of the three dimensional porous structure are represented by physical, mechanical and morphometric parameters. "In silico" experiments, including finite element simulations (FEM), were conducted in order to create a dataset for the machine learning model. Amongst the multiple TPMS topologies, three have been selected: diamond, gyroid and I-WP. For each of these, different designs have been obtained according to the combinations of the two design parameters of the TPMS. An algorithm, known as "greedy feedforward feature selection", has been implemented for the determination of the most suitable number and type of properties to be considered in the prediction process. It is based on the choice of descriptors that determine the lower root mean square error between the true value of the design parameter and the estimated one. A multiple linear regression model was used for prediction. Since the selected features are not always known in reality or may not be of primary interest, a combined approach was adopted. The algorithm was forced to choose some of the descriptors decided by the user. The case of prediction with arbitrarily selected characteristics has also been addressed. The comparison amongst the various models showed that the greedy algorithm is characterized by the best performance.

Per via delle loro caratteristiche strutturali, gli scaffold definiti da una superficie minima tripli-periodica (TPMS) risultano di grande interesse nell’ingegneria del tessuto osseo. Le tecniche di manifattura additiva, comunemente nota come stampa 3D, ne rendono possibile la realizzazione. Lo studio prevede lo sviluppo di un algoritmo di machine learning che consente di stimare i parametri geometrici di progetto a partire dalle caratteristiche dello scaffold. Nello specifico, i primi sono definiti all’interno della funzione matematica che descrive una superficie TPMS. Le proprietà della struttura porosa tridimensionale sono rappresentate da parametri fisici, meccanici e morfometrici. Per la costituzione del dataset ai fini del training del modello e della valutazione delle prestazioni, sono stati condotti esperimenti "in silico", tra cui le simulazioni agli elementi finiti (FEM). Tra le molteplici topologie di TPMS, ne sono state selezionate tre (diamante, giroide e I-WP). Per ciascuna di questa sono stati ottenuti diversi design in funzione delle combinazioni dei due parametri di progetto. Per la determinazione del numero più adatto e della tipologia di proprietà da considerare, è stato implementato un algoritmo denominato "greedy feedforward feature selection". Si basa sulla scelta dei descrittori a cui è associato il minore errore quadratico medio (RMSE) tra il valore vero del parametro di progetto e quello stimato. Le feature selezionate per la predizione, svolta mediante un modello di regressione lineare multipla, non sempre risultano note nella realtà oppure possono non essere di interesse primario. Per tale motivo è stato adottato un aproccio combinato: nell’algoritmo è stato imposto il vincolo dell’introduzione di alcune feature scelte dall’utente. È stato affrontato anche il caso della predizione con le caratteristiche selezionate in modo arbitrario. Dal confronto tra i vari modelli è emerso che l’algoritmo greedy è caratterizzato dalle prestazioni migliori.