研究人员开发了一种新颖的混合图神经网络(GNN)框架来预测股骨应力,解决了传统有限元分析(FEA)的计算限制。提出的GCN-SAGE-Residual架构有效地模拟了网格元素内的空间依赖性和应力传播,其性能优于评估的其他14个模型。该方法为骨科分析和骨折风险评估提供了一种计算效率高的替代方案,实现了0.8022的R^2得分和2.879 MPa的平均绝对误差。相关代码可在GitHub上获取。 AI
影响 这种混合GNN方法为生物力学分析提供了一种计算效率高的替代方案,有望加速骨科研究和骨折风险评估。
排序理由 详细介绍新模型架构及其评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- finite element analysis
- GCN-SAGE-Residual
- GitHub
- Gotit.pub
- graph neural network
- Hugging Face
- IArxiv Recommender
- Influence Flower
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →