다중스케일 신경망·동질화 접근법을 통한 피질골 탄성계수 예측

초록

본 연구는 콜라겐‑물, 미네랄‑물 복합체의 Hill 상한·하한을 이용해 기초 탄성 상수를 구하고, 3차원 유한요소 시뮬레이션으로 만든 데이터베이스를 학습한 인공신경망으로 미세섬유(microfibril)의 탄성계수를 예측한다. 이후 10단계에 걸친 동질화( homogenization ) 절차를 적용해 미세섬유 → 섬유 → 섬유다발 → 라멜라 → 골소관 → 골소공 → 골단위 → 피질골 전체까지의 유효 탄성 상수를 순차적으로 계산한다. 예측값은 기존 실험·수치 자료와 높은 일치도를 보이며, 미세구조 파라미터 변화가 전체 골역학에 미치는 영향을 정량적으로 분석할 수 있음을 보여준다.

상세 분석

이 논문은 골 조직의 복합적인 계층구조를 0단계부터 10단계까지 체계적으로 연결한 ‘하이브리드 멀티스케일 모델’을 제시한다. 첫 번째 핵심은 Hill 상한·하한을 이용해 콜라겐‑물과 미네랄‑물 복합체의 등방성 탄성 상수를 빠르게 추정한다는 점이다. 이는 기존에 복잡한 미세구조 모델링에 소요되던 계산량을 크게 줄이며, 이후 단계에서 사용할 기본 물성값을 일관되게 제공한다.

두 번째 핵심은 미세섬유 수준에서 인공신경망(ANN)을 활용한 탄성 예측이다. 저자들은 3차원 유한요소(FE) 모델을 통해 다양한 크로스링크 수, 콜라겐·미네랄 비율, 물 함량 등을 변형시킨 데이터베이스를 구축하고, 이를 학습시킨 ANN이 입력 파라미터(예: 미네랄 부피분율, 크로스링크 강도, 물 함량)와 출력(탄성계수) 사이의 비선형 관계를 빠르게 매핑한다. ANN은 전통적인 동질화 방정식이 다루기 어려운 비선형 효과와 파라미터 상호작용을 포착할 수 있어, 미세섬유 단계에서의 물성 변화를 손쉽게 탐색할 수 있다.

이후 단계 2~10에서는 Nemat‑Nasser와 Hori가 제시한 주기적 인클루전 동질화 이론, Chou의 라미네이트 혼합법, Mori‑Tanaka 및 자기일관성(self‑consistent) 스킴 등을 순차적으로 적용한다. 각 단계는 실제 골 조직의 구조적 특징을 반영한다. 예를 들어, 단계 5·6에서는 골소관(canaliculi)과 골소공(lacunae)을 원통형·구형 공극으로 단순화하고, 라미네이트 이론을 통해 방향성(방사형, 종축형, 원주형) 별 기계적 영향을 고려한다. 단계 8에서는 원통형 골단위(osteon)의 전이등방성(transversely isotropic) 특성을 대칭화(symmetrization) 기법으로 추정하고, 단계 9·10에서는 골 재형성(remodeling) 과정에서 발생하는 미네랄 함량 차이와 혈관공극을 각각 자기일관성 및 Mori‑Tanaka 모델로 포함한다.

전체 모델은 미세구조 파라미터(예: 크로스링크 수, 미네랄 부피분율, 물 함량)와 매크로 스케일 탄성계수 사이의 정량적 연계를 제공한다. 결과적으로 예측된 탄성 모듈러스와 전단계수는 문헌에 보고된 실험값(예: nano‑indentation, 마이크로‑압축 시험)과 5~10% 이내의 오차를 보이며, 모델의 타당성을 입증한다. 또한, ANN 기반 미세섬유 단계가 동질화 연쇄에 자연스럽게 통합됨으로써, 기존 전적으로 동질화에 의존하던 모델보다 파라미터 스페이스 탐색이 훨씬 효율적이며, 비선형 상호작용을 반영할 수 있다는 장점을 강조한다.

이 연구는 (1) 미세구조 수준에서 물성 변화를 빠르게 예측할 수 있는 ANN 도입, (2) 단계별 물리적 현실성을 유지하면서도 전체 골 조직의 탄성 거동을 일관되게 연결한 다단계 동질화 프레임워크, (3) 모델 검증을 위한 풍부한 문헌 데이터와의 비교를 통해 신뢰성을 확보한 점에서 기존 연구와 차별화된다. 향후 골질환(예: 골다공증) 모델링이나 개인 맞춤형 임플란트 설계에 적용할 경우, 파라미터 변화를 즉시 반영해 전체 골역학을 재계산할 수 있는 효율적인 도구로 활용될 가능성이 크다.