D8 Modelagem Computacional

Tópico

A modelagem computacional integra as equações físicas de todos os subsistemas descritos até agora em ambientes de simulação que permitem prever o comportamento biomecânico, otimizar projetos e testar hipóteses que seriam impossíveis de verificar experimentalmente. Esses modelos variam desde a simulação direta, que integra numericamente as equações de movimento do sistema, até o aprendizado de máquina, que, em vez de partir dessas equações, extrai padrões diretamente de grandes conjuntos de dados experimentais.

As simulações biomecânicas musculoesqueléticas resolvem, usando essas equações de movimento, o problema de calcular o movimento produzido por certas forças musculares ou, inversamente, as forças musculares que produzem um determinado movimento. Elas tratam o corpo como um sistema de segmentos rígidos articulados entre si e representam cada músculo como a combinação de um elemento em contração ativa com elementos puramente elásticos dispostos em série e em paralelo com ele. Como o corpo tem mais músculos do que graus de liberdade de movimento, existem infinitas combinações de ativação muscular capazes de produzir o mesmo movimento. Este problema de redundância é resolvido encontrando, dentre todas as combinações possíveis, aquela que minimiza alguma medida de custo, como gasto metabólico, estresse muscular ou uma combinação ponderada da ativação de cada músculo. Para avançar essas equações ao longo do tempo, são necessários métodos numéricos que ajustem automaticamente o tamanho de cada passo de tempo, pois diferentes partes do sistema mudam em taxas muito diferentes, e somente um passo que se adapte à parte que muda mais rapidamente garante que o cálculo permaneça preciso durante toda a simulação.

Além das simulações musculoesqueléticas que modelam o movimento de todo o corpo, a modelagem computacional também é usada para modelar como um osso ou tecido se deforma sob carga: o osso ou tecido é dividido em muitos pequenos elementos volumétricos, e as equações que relacionam a força aplicada à deformação resultante são resolvidas elemento por elemento, seja em sua forma proporcional mais simples, seja em uma forma mais abrangente que capture comportamentos não proporcionais. Essa resolução elemento por elemento fornece os campos completos de tensão e deformação dentro do osso ou tecido sob as cargas fisiológicas aplicadas.

O aprendizado de máquina mencionado no início, em sua variante supervisionada, treina redes que processam informações em camadas sucessivas e são especialmente capazes de reconhecer padrões espaciais. Essas redes demonstraram a capacidade de prever variáveis ​​biomecânicas, como momentos articulares ou forças musculares, com uma precisão comparável à obtida pelo cálculo do movimento inverso a partir de forças medidas, mas partindo de sinais muito mais baratos de obter, como um vídeo do animal em movimento ou um sinal elétrico muscular registrado na pele.

Quando, em vez de um único custo a ser minimizado, como no problema da redundância muscular, vários objetivos concorrentes coexistem — por exemplo, maximizar a velocidade de movimento e, simultaneamente, minimizar o custo metabólico —, a otimização não produz mais uma única solução ótima, mas sim um conjunto de soluções igualmente válidas, nenhuma das quais pode melhorar um objetivo sem piorar o outro. Algoritmos inspirados pela seleção natural exploram o espaço de soluções possíveis até encontrarem esse conjunto completo.

O comportamento esperado de todos esses modelos, a partir da modelagem computacional com a qual esta descrição começou, é que eles reproduzam os padrões cinemáticos e de força de reação do solo com erros inferiores a cinco a dez por cento quando comparados a medições reais em condições normais de caminhada. Esse erro aumenta, no entanto, em situações extremas ou patológicas, precisamente porque muitos desses modelos simplificam o comportamento do corpo ao assumirem relações proporcionais que deixam de ser válidas quando o sistema se desvia das condições para as quais o modelo foi calibrado.

ID:2633