ЗАСТОСУВАННЯ НЕЙРОННОЇ МЕРЕЖІ ПРИ КОНТРОЛІ ТЕПЛОВОГО СТАНУ БІОЛОГІЧНОЇ ТКАНИНИ В ЗОНІ ЗВАРЮВАННЯ

В. Г. Соловйов; Ю. М. Ланкін; І. Ю. Романова

doi:10.11603/mie.1996-1960.2023.3-4.14469

Автор(и)

В. Г. Соловйов Інститут електрозварювання ім. Є.О. Патона НАН України https://orcid.org/0000-0002-1454-7520
Ю. М. Ланкін Інститут електрозварювання ім. Є.О. Патона НАН України https://orcid.org/0000-0001-6306-8086
І. Ю. Романова Інститут електрозварювання ім. Є.О. Патона НАН України https://orcid.org/0000-0001-7154-1830

DOI:

https://doi.org/10.11603/mie.1996-1960.2023.3-4.14469

Ключові слова:

штучний інтелект, зварювання біологічних тканин, контроль теплового стану, нейронна мережа

Анотація

У статті розглянуто сучасні методи регулювання процесу зварювання м'яких біологічних тканин (МБТ), засновані на вимірюванні електричних параметрів струму високої частоти та контролі часу зварювання. Однак ці методи не враховують таких вхідних параметрів, як ступінь стиснення МБТ і температура МБТ у зоні зварювання, що постійно змінюються та можуть призвести до проблем при реальному хірургічному зварюванні. Використання термопар має свої складності. У статті запропоновано використання нейронної мережі (НМ) як елементу штучного інтелекту для вирішення завдання контролю температури в зоні зварювання МБТ. Для перевірки працездатності в додатку Neural Network Toolbox MatLab було побудовано двошаровий персептрон із десятьма нейронами в кожному шарі, три входи та один вихід, що створював «віртуальний датчик температури» між електродами в зоні зварювання МБТ без проведення фізичних експериментів. Нейронна мережа має бути навчена на адекватній моделі, отриманій методом скінченних елементів, або на основі даних фізичного експерименту.

Посилання

Lebedev, O. V., Dubko, A. G., Chvertko, N. A. (2023). Fundamentals of computer multiphysics modelling of resistance welding of live tissues. Avtomatychne Zvaryuvannya, 5, 44-47. doi: 10.37434/as2023.05.05. [In Ukrainian].

Lankin, Yu. N., Sushy, L. F., Bajshtruk, E. N. (2014). System for measurement of temperature of biological tissues in bipolar high-frequency welding. The Paton Welding Journal, 11, 32-35. doi: 10.15407/tpwg2014.11.06. [In Russian].

Paton, B. E., Krivtsun, I. V., Lankin, Yu. N. et al. (2013). Contact welding of soft biological tissues as an object of automatic control. Welding and heat treatment of living tissues. Theory. Practice. Perspectives: Proceedings of the Eighth Intern. scientific-practical. conf., Ed. by G. S. Marinskiy, K.: E.O. Paton Electric Welding Institute of the NAS of Ukraine, 32. [In Russian].

Ledesma, S., Ibarra-Manzano, M. A., Garcia-Hernandez, M. G., Almanza-Ojeda, D. L. (2017). Neural lab a simulator for artificial neural networks. Computing Conference, 18-20 July 2017, London: UK. doi: 10.1109/SAI.2017.8252175.

Wang, H., Yang, X., Madeniyeti, N. et al. (2022). Temperature distribution of vessel tissue by high frequency electric welding with combination optical measure and simulation. Biosensors, 12(4), 209. doi: 10.3390/bios12040209.

Tran, N.-H., Bui, V.-H., Hoang, V.-T. (2023). Development of an artificial intelligence-based system for predicting weld bead geometry. Appl. Sci., 13(7). doi: 10.3390/app13074232.

Sacks, M. S., Motiwale, S., Goodbrake, C., Zhang, W. (2022). Neural network approaches for soft biological tissue and organ simulations. Journal of biomechanical engineering, 144(12). doi: 10.1115/1.4055835.

Lankin, Yu. N., Soloviev, V. G., Romanova., I. Yu. (2021). Modeling of the anisotropy of the specific electrical conductivity of biological tissue arising at local compression by bipolar welding electrodes. Tekhnichna Elektrodynamika, 2, 13-19. doi: 10.15407/techned2021.02.013. [In Ukrainian].

Lankin, Yu. M., Solovyov, V. G., Romanovа, I. Yu. (2021). Study of change in specific electrical conductivity of biological tissues as a result of local compression by electrodes in bipolar welding. The Paton Welding Journal, 1, 35-39. doi: 10.37434/tpwg2021.01.07.

Gukhman, A. A. (1973). Introduction to the theory of similarity. 2nd ed. M.: Higher school, 296 p. [In Russian].

Beale, M. H., Hagan, M. T., Demuth, H. B. (2010). Neural network toolbox user's guide. Version 7. The Math Works, Inc.: USA. Retrieved from: http://www.mathworks.com/help/pdf_doc/nnet/nnet.pdf.