(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110694232.1 (22)申请日 2021.06.22 (65)同一申请的已公布的文献号 申请公布号 CN 113420504 A (43)申请公布日 2021.09.21 (73)专利权人 清华大学 地址 100084 北京市海淀区清华园 专利权人 北京大学第三医院 （北京大 学第 三临床医学院） (72)发明人 温鹏　秦瑜　代家宝　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 李全旺 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) B22F 10/28(2021.01) B22F 10/38(2021.01) B22F 10/80(2021.01) B33Y 10/00(2015.01) B33Y 50/00(2015.01) G06F 111/10(2020.01) G06F 119/14(2020.01) G06F 113/10(2020.01) (56)对比文件 CN 109472096 A,2019.0 3.15 US 20183261 17 A1,2018.1 1.15 CN 112382352 A,2021.02.19 CN 105997306 A,2016.10.12 审查员 董刚 (54)发明名称 一种基于机器学习的可降解金属骨植入物 设计方法 (57)摘要 本发明提供了一种基于机器学习的可降解 金属骨植入物设计方法， 通过对多孔结构的相对 密度分布进行数值化重构得到孔隙单元相对密 度的空间矩阵， 作为骨植入物的多孔结构设计方 案； 结合体内外实验和数值模拟获得大量设计方 案的力学性能和降解率随时间变化的数据标签， 建立相对密度空间矩 阵对应的力学和降解行为 的数据库； 利用深度神经网络对 上述数据库进行 训练和机器学习， 生成由结构设计方案预测降解 速率和等效刚度的数据驱动模型； 该模型既可预 测不同设计方案骨植入物的降解行为和力学性 能， 也可根据特定的力学和降解需求， 预测优化 的骨植入物结构设计方案 。 权利要求书2页 说明书5页 附图3页 CN 113420504 B 2022.11.04 CN 113420504 B 1.一种基于机器学习的可降解金属骨植入物设计方法， 其特征在于， 该设计方法所设 计的可降解金属骨植入物具有与骨缺损解剖形态贴合的宏观外形， 以及内部连通的多孔结 构， 设计方法包括以下步骤： 步骤1， 所述多孔结构由周期或随机排列的孔隙单元堆叠组成， 通过对多孔结构的相对 密度分布进行数值化重构得到孔隙单元相对密度的空间矩阵， 作为骨植入物的多孔结构设 计方案； 步骤2， 通过旋转或翻折的重构方式， 在指定空间区域内随机生成一定数量的孔隙单元 堆叠， 采用可降解材料， 即相对密度空间矩阵决定的结构设计方案， 通过激光粉末床熔融增 材制造方法制备 所设计的个性 化多孔结构； 步骤3， 通过体 内外实验和数值模拟获得通过步骤2所制备的多孔结构的力学性能和降 解率随时间变化的数据标签， 建立结构设计方案对应的力学和降解性能数据库， 作为机器 学习的样本； 步骤4， 通过深度神经网络对步骤3所建立的数据库进行机器学习， 生成由结构设计方 案预测降解速率和等效刚度的数据驱动模型， 预测多孔结构设计对骨植入物降解行为和力 学性能的影响； 步骤5， 输入骨植入物所需的力学和降解需求， 优化出最逼近目标值的多孔结构设计方 案， 实现可降解金属骨植入物的性能预测 和快速设计。 2.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 步骤1中， 所述 孔隙单元采用三重周期极小曲面方法生成， 具体为： 将孔隙单元固定为边长为a的由TPMS函数生成的立方体元胞， 每个单元的相对密度由 形状参数c决定， 则可由形状参数c(x,y,z)的空间矩阵表示单元相对密度ρ(x,y,z)空间分 布， (x,y,z)∈Ω， Ω为 植入物宏观外形定义的空间区域。 3.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 骨植入物的力学性能和降解行为由基体材料以及孔隙形状和分布所决定， 对于指定 的材料和 孔隙单元， 若每个孔隙单元 的形状由可编程参数化方法生成， 则在计算机内获得 孔隙单元相对密度空间分布 矩阵， 填充宏观外形定义的空间， 作为多孔结构的设计方案 。 4.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 步骤2中， 所述多孔结构骨植入物由可降解镁合金或锌合金构成， 具体为： 以人体含量较多的生命元素镁或锌作为基体， 添加生物相容性好的元素如钙、 锶、 锂起 到合金强化作用， 利用气 体雾化方式制备成平均粒径在15～60 μm， 球形度好， 内部致密的粉 体材料。 5.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 步骤2中， 采用激光粉末床熔融增材制造方法制备具有个性化宏细观结构的多孔骨植 入物， 具体为： 对多孔结构的三维数字模型进行切片分层， 获得各截面的轮廓数据后， 利用高能量激 光束根据轮廓数据逐层选择性地熔化可降解金属粉末， 通过逐层铺粉， 逐层熔化凝固堆积 的方式， 制造具有个性 化宏细观结构的多孔骨植入物。 6.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 步骤3中， 采用体内外试验和数值模拟获得不同结构设计方案对应的力学性能和降解权　利　要　求　书 1/2 页 2 CN 113420504 B 2行为， 具体为： 通过步骤1和步骤2设计并制造出多孔结构实体， 采用模拟 体液浸泡 或动物体 内植入试验方法， 测试不同浸泡或植入时间后多孔结构的降解率和力学性能， 获得基础的 材料降解和力学参数； 采用基于连续介质损伤的有限元模型， 根据实验得到的材料降解和 力学参数， 计算不同设计方案对应的多孔结构的力学性能和降解率 随时间变化函数， 建立 批处理程序随机生成一定数量的结构设计方案， 并计算其对应的力学性能和降解率随时间 变化函数， 构建不同结构设计方案对应的力学和降解 性能数据库。 7.根据权利要求1所述的一种基于机器学习的可降解金属骨植入物设计方法， 其特征 在于， 步骤4中， 采用深度神经网络生成由结构设计方案预测降解行为和力学性能的数据驱 动模型， 具体为： 以步骤3所建立的数据库提供 的数据标签为训练样本， 采用惩罚因子的加 速算法， 构建结构设计方案和降解行为及力学性能的人工神经网络特征映射， 将孔隙单元 相对密度空间分布矩阵即某一特定的结构设计方案作为输入， 预测其在模拟 体液或动物体 内中降解一定时间后的体积或质量损失以及等效刚度变化， 推算降解产 物质量和承载能力 变化； 同样地， 如果将多孔结构在模拟体液或动物体内中降解一定时间后的体积或质量损 失以及等效刚度变化作为输入， 预测最优的结构设计方案 。权　利　要　求　书 2/2 页 3 CN 113420504 B 3