

مقدمه
ویژگیهای سطحی ایمپلنتهای دندانی یکی از عوامل مهم در طراحی و عملکرد این تجهیزات پزشکی محسوب میشوند. در ایمپلنتهای ساختهشده از تیتانیوم خالص تجاری (Commercially Pure Titanium)، علاوه بر خواص مکانیکی و زیستسازگاری ماده، ویژگیهایی مانند زبری سطح و ساختار میکروسکوپی آن نیز اهمیت زیادی دارند.
اصلاح سطح ایمپلنت با هدف ایجاد ویژگیهای مناسبتر برای تعامل با محیط بیولوژیکی اطراف انجام میشود. یکی از روشهای پرکاربرد در این زمینه، اچینگ اسیدی (Acid Etching) است. این فرآیند با استفاده از محلولهای شیمیایی، ساختار سطح تیتانیوم را تغییر میدهد و میتواند بر پارامترهای زبری سطح تأثیر بگذارد.
با این حال، کنترل دقیق فرآیند اچینگ اهمیت زیادی دارد؛ زیرا تغییر زمان و دمای فرآیند میتواند علاوه بر زبری سطح، میزان کاهش وزن ماده را نیز تحت تأثیر قرار دهد. به همین دلیل، استفاده از روشهای هوشمند محاسباتی برای پیشبینی و بهینهسازی این فرآیند مورد توجه پژوهشگران قرار گرفته است.
اهمیت اصلاح سطح تیتانیوم در ایمپلنتهای دندانی
تیتانیوم و آلیاژهای آن به دلیل زیستسازگاری مناسب، مقاومت در برابر خوردگی و خواص مکانیکی مطلوب، از مواد اصلی مورد استفاده در ساخت ایمپلنتهای دندانی هستند.
با وجود عملکرد مطلوب این مواد در کاربردهای بالینی، اصلاح ویژگیهای سطحی میتواند نقش مهمی در توسعه نسلهای پیشرفتهتر ایمپلنت داشته باشد. زبری سطح، توپوگرافی و ویژگیهای فیزیکوشیمیایی از جمله پارامترهایی هستند که در بررسی تعامل سطح ایمپلنت با محیط اطراف مورد توجه قرار میگیرند.
در فرآیندهای اصلاح سطح، دستیابی به زبری مناسب باید همراه با حفظ ویژگیهای مطلوب ماده انجام شود. بنابراین، کنترل همزمان میزان زبری و مقدار ماده ازدسترفته در فرآیند اچینگ اهمیت ویژهای دارد.
فرآیند اچینگ اسیدی (Acid Etching)
اچینگ اسیدی یکی از روشهای رایج برای اصلاح سطح ایمپلنتهای دندانی است. در این روش، سطح تیتانیوم در معرض یک محلول اسیدی قرار میگیرد تا تغییرات موردنظر در ساختار سطحی ایجاد شود.
در پژوهش منتشرشده در مجله Scientific Reports در سال 2022، فرآیند اچینگ تیتانیوم خالص تجاری با استفاده از محلول اسید سولفوریک 48 درصد (H2SO4) مورد بررسی قرار گرفت.
در این مطالعه، دو پارامتر عملیاتی اصلی یعنی زمان اچینگ و دمای محلول بهعنوان عوامل مؤثر بر ویژگیهای نهایی سطح انتخاب شدند. محدوده زمانی فرآیند بین صفر تا 8 ساعت و محدوده دمایی محلول بین 25 تا 90 درجه سانتیگراد در نظر گرفته شد.
هدف اصلی این بررسی، ارزیابی ارتباط میان شرایط عملیاتی فرآیند و تغییرات زبری سطح و کاهش وزن نمونههای تیتانیومی بود.
پارامترهای ارزیابی زبری سطح
برای بررسی تغییرات ایجادشده در سطح تیتانیوم، دو پارامتر مهم زبری سطح در این پژوهش مورد توجه قرار گرفتند:
1. میانگین انحراف مطلق پروفیل سطح (Ra)
پارامتر Ra یکی از شاخصهای متداول برای اندازهگیری زبری سطح است و میانگین انحرافات مطلق پروفیل سطح را نسبت به خط میانگین آن نشان میدهد. این پارامتر برای مقایسه میزان زبری نمونههای مختلف و بررسی تأثیر شرایط فرآیند اچینگ کاربرد دارد.
2. میانگین بیشینه ارتفاع قله تا دره (Rz)
پارامتر Rz اختلاف ارتفاع میان قلهها و درههای پروفیل سطح را در طول ارزیابیشده نشان میدهد. این شاخص اطلاعات تکمیلی درباره تغییرات توپوگرافی سطح فراهم میکند و در کنار Ra برای تحلیل دقیقتر ساختار سطحی استفاده میشود.
علاوه بر این دو پارامتر، میزان کاهش وزن نمونه (Weight Loss یا WL) نیز اندازهگیری شد تا تأثیر فرآیند اچینگ بر مقدار ماده ازدسترفته مشخص شود.
استفاده از شبکه عصبی مصنوعی برای پیشبینی فرآیند
یکی از بخشهای مهم این پژوهش، استفاده از هوش مصنوعی برای مدلسازی رفتار فرآیند اچینگ بود. پژوهشگران سه مدل شبکه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Artificial Neural Network یا MLP-ANN) را با دو لایه پنهان توسعه و بهینهسازی کردند.
شبکه عصبی MLP یکی از معماریهای پرکاربرد در یادگیری ماشین است که با استفاده از ساختار لایهای و محاسبات ریاضی، ارتباط میان ورودیها و خروجیهای یک سیستم را یاد میگیرد.
در این مطالعه، زمان و دمای فرآیند بهعنوان متغیرهای عملیاتی مورد استفاده قرار گرفتند و سه خروجی اصلی شامل Ra، Rz و WL توسط مدلها پیشبینی شدند.
این مدلها توانستند تغییرات پارامترهای زبری سطح و میزان کاهش وزن را بر اساس تغییر شرایط دمایی و زمانی فرآیند پیشبینی کنند.
استفاده از چنین مدلهایی میتواند به درک بهتر روابط پیچیده میان متغیرهای فرآیند کمک کند و نیاز به بررسیهای تجربی متعدد برای ارزیابی شرایط مختلف را کاهش دهد.
بهینهسازی چندهدفه با الگوریتم NSGA-II
پس از توسعه مدلهای شبکه عصبی، پژوهشگران از الگوریتم ژنتیک مرتبسازی نامغلوب نسل دوم (Non-dominated Sorting Genetic Algorithm II یا NSGA-II) برای بهینهسازی شرایط اچینگ استفاده کردند.
این الگوریتم از روشهای شناختهشده بهینهسازی چندهدفه است و میتواند برای بررسی همزمان چند معیار عملکردی و شناسایی مجموعهای از راهحلهای بهینه مورد استفاده قرار گیرد.
در این پژوهش، مدل شبکه عصبی بهعنوان بخشی از فرآیند بهینهسازی مورد استفاده قرار گرفت تا شرایط مناسب اچینگ با توجه به پارامترهای مورد بررسی شناسایی شوند.
ترکیب شبکه عصبی مصنوعی و الگوریتم NSGA-II یک رویکرد محاسباتی برای پیشبینی رفتار فرآیند و انتخاب شرایط عملیاتی مناسب فراهم میکند.
نتایج مهم پژوهش
یکی از یافتههای قابل توجه این مطالعه، ارتباط میان میزان کاهش وزن تیتانیوم و افزایش زبری سطح بود. نتایج نشان داد که با افزایش کاهش وزن نمونه، امکان دستیابی به مقادیر بالاتر زبری سطح وجود دارد.
بر اساس نتایج گزارششده، در شرایطی که میزان کاهش وزن برابر صفر بود، مقدار Ra حدود 0.5 میکرومتر به دست آمد. در مقابل، با افزایش کاهش وزن به 0.78 میکروگرم بر سانتیمتر مربع، مقدار Ra به حدود 2 میکرومتر افزایش پیدا کرد.
همچنین مدلهای شبکه عصبی توانستند تغییرات Ra، Rz و WL را بر اساس زمان و دمای اچینگ پیشبینی کنند. این نتایج قابلیت استفاده از مدلهای هوش مصنوعی برای تحلیل و بهینهسازی فرآیندهای اصلاح سطح تیتانیوم را نشان میدهد.
البته افزایش زبری سطح بهتنهایی به معنای بهبود قطعی عملکرد بالینی ایمپلنت نیست و انتخاب شرایط مناسب باید با در نظر گرفتن سایر ویژگیهای فیزیکی، شیمیایی و زیستی سطح انجام شود.
کاربرد هوش مصنوعی در آینده تولید ایمپلنتهای دندانی
ورود روشهای هوش مصنوعی به مهندسی مواد و تولید تجهیزات پزشکی میتواند امکان کنترل دقیقتر فرآیندهای ساخت را فراهم کند. در حوزه ایمپلنتهای دندانی نیز مدلهای پیشبینیکننده میتوانند برای تحلیل ارتباط میان شرایط تولید و ویژگیهای نهایی محصول مورد استفاده قرار گیرند.
ترکیب دادههای آزمایشگاهی، شبکههای عصبی و الگوریتمهای بهینهسازی میتواند به تولیدکنندگان کمک کند تا فرآیندهای اصلاح سطح را با دقت بیشتری ارزیابی کنند و شرایط عملیاتی مناسبتری را انتخاب کنند.
این رویکرد همچنین ظرفیت توسعه سیستمهای کنترل هوشمند در خطوط تولید ایمپلنت را فراهم میکند؛ سیستمهایی که بتوانند بر اساس دادههای فرآیند، تغییرات احتمالی کیفیت سطح را پیشبینی کنند.
جمعبندی
اچینگ اسیدی یکی از روشهای مهم اصلاح سطح ایمپلنتهای تیتانیومی است که شرایط اجرای آن میتواند بر زبری سطح و میزان کاهش وزن ماده تأثیر بگذارد.
پژوهش منتشرشده در Scientific Reports در سال 2022 نشان داد که استفاده از شبکههای عصبی مصنوعی MLP-ANN و الگوریتم بهینهسازی NSGA-II میتواند برای پیشبینی و بهینهسازی شرایط این فرآیند مورد استفاده قرار گیرد.
این مطالعه نمونهای از ترکیب مهندسی سطح، هوش مصنوعی و بهینهسازی محاسباتی در توسعه فناوریهای مرتبط با ایمپلنتهای دندانی است و میتواند مسیرهای جدیدی برای کنترل دقیقتر فرآیندهای تولید و اصلاح سطح در صنعت تجهیزات دندانپزشکی ایجاد کند.
منبع علمی: Sadati Tilebon SM, Emamian SA, Ramezanpour H, Yousefi H, Özcan M, Naghib SM, Zare Y, Rhee KY. Intelligent modeling and optimization of titanium surface etching for dental implant application. Scientific Reports. 2022;12:7184. DOI: 10.1038/s41598-022-11254-0.