Ottimizzazione Multi-Obiettivo di strutture tripli periodiche di scaffold per il tessuto osseo

Due to the various challenges associated with bone tissue and the limited effectiveness of traditional techniques in addressing these issues, TPMS structures have been introduced, with their topology optimized to assess and minimize errors arising from the use of Machine Learning (ML). This optimization is achieved through the implementation of undesirability functions and Pareto optimization. In this context, a novel undesirability function has been developed, overcoming limitations of previous approaches by addressing the non-linear relationships between responses and desirability functions. However, challenges persist in managing trade-offs between different properties, a aspect tackled through the application of Pareto optimization. The research has resulted in the creation of a new dataset comprising optimized scaffolds, highlighting the significance of optimal undesirability ranges in maximizing ML effectiveness. Derived from the Pareto front, this dataset stands as a valuable resource for clinical investigations, featuring exclusively structures with desirable properties. The analysis underscores the relevance of optimization through undesirability functions and the use of Pareto methodology as complementary elements, with ML facilitating the generation of predictive structures.

A causa delle varie sfide associate al tessuto osseo e alla limitata efficacia delle tecniche tradizionali nel risolvere tali problematiche, sono state introdotte delle strutture TPMS la cui topologia è stata ottimizzata per valutare e minimizzare gli errori derivanti dall'uso del Machine Learning (ML) attraverso l'implementazione di funzioni di indesiderabilità e l'ottimizzazione di Pareto. In questo contesto, è stata sviluppata una nuova funzione di indesiderabilità che supera le limitazioni di approcci precedenti, focalizzandosi sull'affrontare le relazioni non lineari tra le risposte e le funzioni di desiderabilità. Nonostante ciò, restano sfide nella gestione dei compromessi tra diverse proprietà, aspetto che è stato affrontato attraverso l'applicazione dell'ottimizzazione di Pareto. La ricerca ha condotto alla creazione di un nuovo set di dati, costituito da scaffold ottimizzati, sottolineando l'importanza dei range ottimali di indesiderabilità per massimizzare l'efficacia del ML. Questo dataset, derivato dal fronte di Pareto, rappresenta una risorsa significativa per indagini cliniche, caratterizzandosi per la presenza esclusiva di strutture con proprietà desiderabili. L'analisi sottolinea la rilevanza dell'ottimizzazione mediante funzioni di indesiderabilità e dell'utilizzo della metodologia di Pareto come elementi complementari, mentre il ML permette la generazione di nuove strutture predittive.