Primena veštačke neuronske mreže i fraktala u predikciji ponašanja površina biomedicinskih materijala

Abstract

Primer biomedicinske površine, koji je predmet istraživanja opisan u ovom radu, je unutrašnja površina gas-propusnog sočiva obrađena struganjem na mikro-strugu sa alatom sa dijamantskim vrhom i polirana pastom koja sadrži granule aluminijum oksida. Na uzorku od šesnaest sočiva sa različitim trajanjem procesa poliranja, na dva različita mesta na unutrašnjoj površini, su metodom skenirajuće mikroskopije dobijena ukupno trideset i dva topografska snimka. Rad se bazira na kvantifikaciji teksture obrađene površine primenom 'metode nebodera' za određivanje fraktalne dimenzije. U slučaju kada se tekstura biomedicinskih površina opisuju, i dalje, standardnim parametrima hrapavosti, dodatni fraktalni parametar može biti primenljiv u predikciji funkcionalnog ponašanja. U radu se predlaže primena veštačkih neuronskih mreža za procenu vrednosti fraktalne dimenzije biomedicinskih površina na osnovu vrednosti standardnih parametara. Predložena struktura neuronske mreže uspešno preslikava grupu standardnih parametara u vrednost fraktalne dimenzije, koja je zatim osnova za predikciju funkcionalnog ponašnja, u smislu ostvarenja adekvatne adhezione sile između unutrašnje površine kontaktnog sočiva i rožnjače.

This paper focuses on the quantification of the textures of contact lens inner surface, applying a 'skyscrapers' method for fractal dimension determination. Fractal dimension, as intrinsic surface property, is different from the standard parameters, because single standard parameter fails to describe the surface's functional nature. Additionally, the use of more than one roughness parameter exhibits more shortcomings. In cases when scanned images were already characterized with standard parameters, additional fractal parameter could be useful for functional behavior prediction. Given that standard roughness parameters are still in wide use, this paper proposes an artificial neural network for fractal dimension estimation based on standard roughness parameters. Mapping complex nonlinear relations among standard and fractal roughness parameters are useful for prediction of adequate surface adhesion force between inner surface of contact lens and tissue that is based on fractal dimension value.