一种基于机器学习的网格收敛性预测方法及系统

本发明涉及智慧医疗系统，特别是指一种基于机器学习的网格收敛性预测方法及系统。

背景技术：

1、有限元仿真是工程分析与生物医学研究中的核心数值分析工具，在智慧医疗领域被广泛用于模拟人体组织、骨骼及植入物的力学行为，为疾病诊断、手术规划与植入物设计提供量化依据，而网格剖分的尺寸选择直接决定了仿真结果的精度与计算成本，是有限元分析流程中的关键环节。

2、目前行业内普遍采用人工试错法确定收敛网格尺寸，即依次设置多组由粗到细的网格尺寸进行反复仿真，观察应力、位移等关键指标随网格细化的变化趋势，当指标波动幅度低于预设阈值时判定达到收敛状态，以此筛选出满足精度要求的网格尺寸。

3、然而，现有方法依赖人工反复调试与经验判断，不同几何模型与材料属性均需重新试错，整体流程耗时费力效率低下，同时由于个体解剖结构与材料特性存在显著差异，人工选定的阈值与网格序列难以普遍适配，易出现仿真精度不稳定或资源过度消耗的问题。

技术实现思路

1、为了解决现有方法依赖人工反复调试与经验判断，不同几何模型与材料属性均需重新试错，整体流程耗时费力效率低下，同时由于个体解剖结构与材料特性存在显著差异，人工选定的阈值与网格序列难以普遍适配，易出现仿真精度不稳定或资源过度消耗的技术问题，本发明提供了一种基于机器学习的网格收敛性预测方法及系统。

2、本发明实施例提供的技术方案如下：

3、本发明实施例的第一方面提供的一种基于机器学习的网格收敛性预测方法，包括：

4、s1：获取待处理的目标几何模型的几何属性和材料属性；

5、s2：对目标几何模型进行有限元仿真，确定多个仿真数据组；

6、s3：将多个仿真数据组、几何属性以及材料属性输入至网格收敛预测模型，预测目标几何模型的目标收敛网格尺寸。

7、本发明实施例的第二方面提供的一种基于机器学习的网格收敛性预测系统，包括：

8、属性获取单元，用于获取待处理的目标几何模型的几何属性和材料属性；

9、有限元仿真单元，用于对目标几何模型进行有限元仿真，确定多个仿真数据组；

10、收敛网格预测单元，用于将多个仿真数据组、几何属性以及材料属性输入至网格收敛预测模型，预测目标几何模型的目标收敛网格尺寸。

11、本发明实施例提供的技术方案带来的有益效果至少包括：

12、在本发明实施例中，通过对目标几何模型执行多组网格尺寸下的有限元仿真以获取对应的仿真数据组，并将仿真数据组结合几何属性、材料属性共同输入网格收敛预测模型，由模型直接输出目标收敛网格尺寸，从而替代人工逐次试错调参的操作流程，实现网格收敛尺寸的自动化预测，有效提升仿真前处理环节的整体效率；同时通过将目标几何模型的几何属性与材料属性纳入模型输入特征维度，结合多组不同网格尺寸下的仿真数据共同作为预测依据，使模型能够依据个体特性输出相适配的收敛网格尺寸，由此规避统一判定阈值与固定网格序列所导致的适配性不足问题，保障不同个体仿真结果的精度稳定性，同时避免不必要的计算资源消耗。

1.一种基于机器学习的网格收敛性预测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的网格收敛性预测方法，其特征在于，所述几何属性包含几何对象体积和几何对象尺寸；

3.根据权利要求1所述的基于机器学习的网格收敛性预测方法，其特征在于，所述s2具体包括：

4.根据权利要求3所述的基于机器学习的网格收敛性预测方法，其特征在于，所述s203具体为：

5.根据权利要求1所述的基于机器学习的网格收敛性预测方法，其特征在于，所述网格收敛预测模型具体包括：输入层、特征提取模块、特征融合模块、自适应注意力模块以及输出层。

6.根据权利要求5所述的基于机器学习的网格收敛性预测方法，其特征在于，所述输入层具体用于：

7.根据权利要求5所述的基于机器学习的网格收敛性预测方法，其特征在于，所述特征提取模块具体包括：第一多层感知器、第二多层感知器以及卷积层；

8.根据权利要求5所述的基于机器学习的网格收敛性预测方法，其特征在于，所述特征融合模块具体用于：通过多层融合网络，对仿真指标高阶特征、材料高阶特征以及几何高阶特征进行加权融合，得到融合特征表示。

9.根据权利要求5所述的基于机器学习的网格收敛性预测方法，其特征在于，所述自适应注意力模块具体用于：

10.一种基于机器学习的网格收敛性预测系统，其特征在于，应用于权利要求1至9中任一项所述的基于机器学习的网格收敛性预测方法，包括：