Prediction of the rupture risk of a neo-hookean material submitted to an inflation test

Abstract

Thoracic aortic aneurysm (TAA) is a disease with an incidence of about 5-10/100,000 persons per year. The treatment of TAA has significantly evolved since the develop- ment of modern surgical techniques and functional imaging, with a significant social and economic impact. However, despite well established guidelines, the diagnosis and treatment are not completely effective and reliable. Typically, the two approaches to treat an aneurysm are either surveillance or surgery. Currently, the guideline for surgery involves, among other factors, the evaluation of the maximum diameter and its rate of growth. Nevertheless, the exact evaluation of the risk of rupture of an aneurysm is contro- versial, since patients suffering aortic dissection may have an aortic diameter considered normal at the time of the event, and therefore with no indication of surgery. On the other hand, it has been shown that computational models of TAA can bring biomechanical and hemodynamic complementary analyses, that can provide additional insights in risk management. One important scientific question is related to the definition of quantitative criteria to evaluate the rupture risk of an aneurysm. In this thesis, a study is proposed to evaluate the risk of rupture of a hyperelastic material submitted to an inflation test using a linear regression supervised machine learning approach. To start with, a finite element model of an inflation test was built, assuming a neo-hookean material. The simulations pro- vided data evidence regarding the material deformation and stress. Using the numerical simulation of a bulge inflation test, data was collected to train a machine learning model that is capable of predicting the local tension and predict the possible location of rupture.

O aneurisma da aorta torácica (TAA) é uma doença com uma incidência de cerca de 5-10/100.000 pessoas por ano. O tratamento do TAA tem evoluído significativamente desde o desenvolvimento de técnicas cirúrgicas modernas e de imagiologia funcional, com um impacto social e económico significativo. No entanto, apesar de diretrizes bem estabelecidas, o diagnóstico e o tratamento não são completamente eficazes e fiáveis. Tipicamente, as duas abordagens para tratar um aneurisma são ou a vigilância ou a cirurgia. Atualmente, as orientações para a cirurgia envolvem, entre outros fatores, a avaliação do diâmetro máximo e a sua taxa de crescimento. No entanto, a avaliação exata do risco de rutura de um aneurisma é controversa, uma vez que os pacientes que sofrem de dissecção da aorta podem ter um diâmetro aórtico considerado normal no momento do evento, e portanto sem indicação de cirurgia. Por outro lado, foi demonstrado que modelos computacionais de TAA podem trazer uma análise complementar nas avaliações biomecânicas e hemodinâmicas que podem fornecer conhecimentos adicionais na gestão do risco. Uma questão científica importante está relacionada com a definição de critérios quan- titativos para avaliar o risco de ruptura de um aneurisma. Nesta tese, é proposto um estudo para avaliar o risco de ruptura de um material hiperelástico submetido a um teste de inflação, utilizando uma abordagem de aprendizagem mecânica supervisionada por regressão linear. Para começar, foi construído um modelo de elementos finitos de um teste de insuflação, assumindo um material neo-hookean. As simulações forneceram provas de dados relativos à deformação e à tensão do material. Utilizando a simulação numérica de um teste de insuflação, foram recolhidos dados para treinar um modelo de machine learning capaz de prever a tensão local e, mais ainda, de prever o possível ponto de ruptura.