Machine Learning Assisted Investigation of High-Strength Biocompatible and Biodegradable Magnesium Alloy

Abstract

Over the last few years, there has been a growing interest in the development of biodegradable implants that can provide temporary support until bones heal and degrade gradually, eliminating the need for additional surgical interventions. Magnesium (Mg) alloys have emerged as promising candidates for biodegradable implants due to their biocompatible and biodegradable properties, as well as their physical characteristics similar to human bone, which reduce stress shielding during load transfer at the bone-implant interface. However, the low mechanical strength of these alloys remains a significant challenge, limiting their use as bone substitutes and cardiovascular stents. Optimizing the mechanical properties of biocompatible Mg alloys through experimental methods can be time-consuming and costly. Therefore, machine learning models offer a unique advantage in understanding the complex relationship between different alloy features and mechanical properties. In this study, a three-step method was proposed to design new alloys. In the first step, various machine learning models were used to analyze the relationship between microstructure, composition, heat treatment, and mechanical properties of biocompatible Mg alloys. A dataset of literature data and thermodynamics simulation data from FactSage ⃝c software were utilized to conduct the analyses. The results demonstrated that the random forest model was the most accurate model for predicting ultimate tensile strength (UTS) and yield strength (YS) with 90% and 91% R², respectively. The use of thermodynamic data, along with appropriate data preprocessing techniques, resulted in acceptable model accuracy. In the second step, the model was validated through CALPHAD technique simulations, and good agreement was observed between the model predictions and the results obtained from the simulations. In the final step, the genetic algorithm was employed in conjunction with the random forest model to identify the most promising candidate alloys for use as biodegradable implants with optimized composition to have the highest mechanical properties. Following this methodology, the proposed candidate alloys were synthesized, cast, and tested, offering high strength, biocompatibility, and biodegradability. The use of machine learning in combination with thermodynamic simulations and genetic algorithms demonstrates the feasibility of designing advanced biodegradable implants with optimized mechanical properties. By utilizing this methodology, researchers can efficiently design and test new alloys, potentially accelerating the development of biodegradable implants and improving patient outcomes.

Alternate abstract:

Au cours des dernières années, un intérêt croissant s'est manifesté pour le développement d'implants biodégradables pouvant fournir un support temporaire jusqu'à la guérison des os pour ensuite se dégrader progressivement, éliminant ainsi la nécessité d'interventions chirurgicales supplémentaires. Les alliages de magnésium (Mg) se sont révélés être des candidats prometteurs pour les implants biodégradables en raison de leurs propriétés biocompatibles et biodégradables, ainsi que de leurs caractéristiques physiques similaires à celles de l'os humain, qui réduisent le stress de blindage lors du transfert de charge à l'interface os-implant. Cependant, la faible résistance mécanique de ces alliages reste un défi important, limitant leur utilisation en tant que substituts osseux et endoprothèses cardiovasculaires. L'optimisation des propriétés mécaniques des alliages de Mg biocompatibles par des méthodes expérimentales peut être longue et coûteuse. Par conséquent, les modèles d'apprentissage automatique offrent un avantage unique pour comprendre la relation complexe entre les différentes caractéristiques des alliages et leurs propriétés mécaniques. Dans cette étude, une méthode en trois étapes a été proposée pour concevoir de nouveaux alliages. Dans la première étape, différents modèles d'apprentissage automatique ont été utilisés pour analyser la relation entre la microstructure, la composition, le traitement thermique et les propriétés mécaniques des alliages de Mg biocompatibles. Un ensemble de données de données de la littérature et de données de simulation thermodynamique du logiciel FactSage ont été utilisées pour mener les analyses. Les résultats ont démontré que le modèle de forêt aléatoire était le modèle le plus précis pour prédire la résistance ultime à la traction (UTS) et la limite d'élasticité (YS) avec des R²de 90% et 91%, respectivement. L'utilisation de données thermodynamiques, ainsi que des techniques appropriées de prétraitement des données, ont donné une précision de modèle acceptable. Dans la deuxième étape, le modèle a été validé par des simulations de la technique CALPHAD, et une bonne concordance a été observée entre les prévisions du modèle et les résultats obtenus à partir des simulations. Dans la dernière étape, l'algorithme génétique a été utilisé en conjonction avec le modèle de forêt aléatoire pour identifier les alliages candidats les plus prometteurs pour une utilisation en tant qu'implants biodégradables avec une composition optimisée pour avoir les meilleures propriétés mécaniques. En suivant cette méthodologie, les alliages candidats proposés ont été synthétisés, coulés et testés, offrant une résistance élevée, une biocompatibilité et une biodégradabilité. L'utilisation de l'apprentissage automatique en combinaison avec des simulations thermodynamiques et des algorithmes génétiques démontre la faisabilité de concevoir des implants biodégradables avancés avec des propriétés mécaniques optimisées. En utilisant cette méthodologie, les chercheurs peuvent concevoir et tester efficacement de nouveaux alliages, accélérant potentiellement le développement d'implants biodégradables et améliorant les résultats pour les patients