Intelligente Modellierung und Optimierung der Titanoberflächenätzung für die Anwendung im Zahnimplantat

May 31, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 7184 (2022) Diesen Artikel zitieren

1668 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Das Säureätzen ist eines der beliebtesten Verfahren zur Oberflächenbehandlung von Zahnimplantaten. In dieser Arbeit wird das Säureätzen von kommerziell reinem Titan (cpTi) in einer 48 %igen H2SO4-Lösung untersucht. Es wird davon ausgegangen, dass die Ätzprozesszeit (0–8 Stunden) und die Lösungstemperatur (25–90 °C) die effektivsten Betriebsbedingungen sind, um die Oberflächenrauheitsparameter wie die arithmetische mittlere Abweichung des bewerteten Profils auf der Oberfläche (Ra) zu beeinflussen. und Durchschnitt der maximalen Spitze-Tal-Höhe der Oberfläche über das betrachtete Längenprofil (Rz) sowie Gewichtsverlust (WL) der Zahnimplantate im Ätzprozess. Zum ersten Mal wurde ein dreischichtiges künstliches neuronales Perzeptron-Netzwerk (MLP-ANN) mit zwei verborgenen Schichten optimiert, um Ra, Rz und WL vorherzusagen. MLP ist eine Feedforward-Klasse von KNN und KNN-Modellen, die Berechnungen und Mathematik umfasst, die die Prozesse zwischen Mensch und Gehirn simulieren. Die ANN-Modelle können Ra-, Rz- und WL-Variationen während des Ätzens als Funktion der Prozesstemperatur und -zeit richtig vorhersagen. Darüber hinaus kann WL erhöht werden, um einen hohen Ra zu erreichen. Bei WL = 0 wird ein Ra von 0,5 μm erreicht, wohingegen Ra bei WL = 0,78 μg/cm2 auf 2 μm ansteigt. Außerdem wurde das ANN-Modell in einen nichtlinearen genetischen Sortieralgorithmus (NSGA-II) eingespeist, um den Optimierungsprozess zu etablieren, und es wurde nachgewiesen, dass diese Methode in der Lage ist, die optimierten Ätzbedingungen vorherzusagen.

Es hat sich gezeigt, dass die Schaffung rauer Oberflächen auf medizinischen Implantaten deren Biointegration verbessert, was auf eine erhöhte Knochengewebeproduktion an den modifizierten Oberflächen zurückzuführen ist1,2,3,4. Viele Studien haben gezeigt, dass sich auf glatten Oberflächen unerwünschtes faseriges Gewebe bildet, während rauere Oberflächen die Bildung von festem Knochengewebe fördern5,6 führte eine Langzeitstudie zur Knochenintegration mit Implantaten durch7,8. Knochen wird in einem mehrstufigen Prozess erzeugt, bei dem Osteoklastenzellen selektiv Gewebe entfernen, um Vertiefungen (Lakunen) zu bilden, und die Osteoblastenzellen wiederum sammeln und das Knochenmatrixgewebe bilden9. Da Osteoklasten nicht mit Implantatmaterialien wie Titan (Ti) interagieren können, kann die Osteoblastenbindung gehemmt werden, wenn die Oberfläche eines Implantats keine mikro-, meso- oder nanoskaligen Strukturen aufweist, die denen ähneln, die von Osteoklasten erzeugt werden10.

Normalerweise wird die Oberflächenrauheit anhand einiger Parameter wie Ra, Rz und Sa überprüft. Ra ist ein 1-D-Parameter und wird als arithmetische mittlere Abweichung des bewerteten Profils definiert11. Zur Messung von Ra bewegt sich eine sehr dünne Detektorspitze in horizontaler linearer Richtung über die Oberfläche der Probe (im Kontakt- oder Nichtkontaktmodus), wobei vertikale Bewegungen gemeldet werden12,13. Rz ist die maximale Spitze-Tal-Höhe desselben Profils, die für die Ra-Messung untersucht wird12. Sa ist ein Flächenrauheitsparameter, der von einer zweidimensionalen Oberfläche erfasst wird (im Gegensatz zu Ra, der von einem linearen Pfad erfasst wird)11. Basierend auf den Definitionen liegen Ra und Sa sehr nahe beieinander und die Auswahl eines von ihnen basiert auf der Messausrüstung (einige von ihnen geben Ra an, andere geben Sa an)11,12.

Ätzen ist eines der beliebtesten Verfahren zur Verbesserung der Oberflächenrauheit und anderer Eigenschaften der Oberfläche. Es ist für die Verbesserung des Kontakts eines Zahnimplantats mit dem Knochen verantwortlich und kann die Stärke des Kontakts des Implantats mit der Oberfläche11,12,13,14,15 und die Reaktion des Knochens16,17,18,19,20 bestimmen. Derzeit ist eine breite Palette kommerzieller Zahnimplantate auf dem Markt erhältlich. Diese Implantate haben unterschiedliche Eigenschaften, wie z. B. den Implantatkern, geometrische Spezifikationen und Oberflächeneigenschaften. Einige Handelsmarken wie Ospol (Hollviken, Schweden) mit Sa = 0,26 μm haben eine glatte Oberfläche (Sa < 1 μm gilt als glatt)21. Andererseits auch andere kommerzielle Implantate, wie SLA (Standard Plus; ITI Straumann, Basel, Schweiz; Sa = 1,7 μm), Ankylos (DentsplyFriadent, Menheim, Deutschland; Sa = 1,55 μm), Frialit (DentsplyFriadent, Menheim, Deutschland). ; Sa = 1,79 μm) und Promote (Screwline, Calmog, Basel, Schweiz; Sa = 1,30 μm) sind mäßig rau (mit Sa im Bereich von 1–2 μm)22,23. Darüber hinaus weisen einige andere Oberflächen, wie Kohno HRPS und Kohno DES HRPS (Schweden und Martina, Due Carrare, Italien; Sa = 3,11 bzw. 3,16), den höchsten Rauheitsgrad auf (Oberflächen mit Sa > 2 gelten als maximal rau). 22,23.

Im Jahr 2010 berichtete Elias24, dass säuregeätzte Implantate im Vergleich zu maschinell bearbeiteten Oberflächen eine homogenere Oberfläche aufweisen. Darüber hinaus sorgt das Säureätzverfahren, wenn es als Vorbehandlung zum Anodisieren von Zahnimplantaten (oder anderen Verfahren) angewendet wird, für eine homogene Rauheit, eine große aktive Oberfläche und verbessert die Bioadhäsion. Grizon und Mitarbeiter25 führten eine Langzeitstudie durch, um die Verbesserung der Knochen-Implantat-Integration bei erhöhter Oberflächenrauheit zu untersuchen. Für die beiden Implantattypen wurden zwischen 3 und 6 Monaten keine signifikanten Unterschiede beobachtet. Nach 12 und 18 Monaten nahmen das Knochenvolumen und die Kontaktschnittstelle immer noch zu, und die Implantate mit Ra = 0,206 µm waren mit höheren Werten verbunden als die glatteren Implantate (Ra = 0,160). Viele ähnliche Studien, wie beispielsweise eine von Fouziya et al.26, berichteten, dass glattere Oberflächen eine längere Zeit für die Osseointegration und prothetische Belastung benötigen.

Die Trends bei Oberflächenmodifikationen von Zahnimplantaten lassen sich in die fünf Generationen einteilen, die in Abb. 1a dargestellt sind. Das Ätzen gehörte zur ersten Generation von Methoden zur Verbesserung bearbeiteter Oberflächen durch mechanische Bearbeitung. Trotz aller Verbesserungen bei Methoden zur Oberflächenmodifizierung wird das Ätzen in kommerziellen Systemen immer noch häufig eingesetzt, entweder direkt als abschließende Oberflächenmodifizierung oder in Kombination mit anderen Methoden. Basierend auf Abb. 1b ist das Ätzen nach dem Plasmaspritzbeschichtungsverfahren mit einer Nutzungsrate von mehr als 15 % laut veröffentlichten Berichten die am zweithäufigsten verwendete Methode. Darüber hinaus verwenden mehrere andere Methoden, wie Sandstrahlen und Sandstrahlen plus Säureätzen (SLA), Ätzen als Behandlungsmethode27.

(a) Verschiedene Generationen von Oberflächenmodifikationen für Zahnimplantate und (b) häufig verwendete Oberflächenmodifikationsmethoden für Zahnimplantate auf Titanbasis.

Beim Säureätzen besteht ein geringeres Risiko einer Kontamination der Implantatoberfläche als beim Strahlen, da keine Partikelreste auf der Oberfläche zurückbleiben28. Diese Oberfläche fördert die Migration und Retention osteogener Zellen. Es gibt Unterschiede bei den Säureätzmethoden zwischen den verschiedenen Herstellern, basierend auf Säurekonzentration, Prozesszeit und Temperaturen. Durch das Säureätzen entstehen Mikrogruben auf der Implantatoberfläche29 und Titanhydride, die durch Sauerstoff ersetzt werden, wodurch die Umwandlung der Implantatoberfläche verlangsamt wird. Darüber hinaus bilden sich auf der Oberfläche nanoskalige Titanpartikel, die durch Nanorauheitsmerkmale der Oberfläche die Adhäsion von Proteinen begünstigen30. Mit Säure geätzte Oberflächen weisen eine stärkere Knochenapposition auf, wodurch sich die Grenzflächenfestigkeit erhöht, wie durch Entfernungsdrehmoment31,32,33 oder Push-out-Tests14,34 berechnet. Darüber hinaus führt das Ätzen der Zahnimplantatoberflächen zu einer Verkürzung der Heilungszeit im Unter- und Oberkiefer auf 6–8 Wochen (von 3–6 Monaten)35,36,37,38.

Mathematische Modelle für den Ätzprozess können zur Auswahl geeigneter Operationsbedingungen und zur Schaffung einer gewünschten Oberfläche für Zahnimplantate führen. Unter den verschiedenen Modellierungsmethoden haben künstliche neuronale Netze (KNN) viele Vorteile gegenüber anderen und intelligente Modellierungen unter Verwendung experimenteller Datensätze zur Modellkonfiguration sind zuverlässiger. ANNs sind eine Technologie, die auf Studien des Nervensystems und des Gehirns basiert. Diese Netzwerke emulieren ein biologisches neuronales Netzwerk, verwenden jedoch einen reduzierten Satz von Konzepten biologischer neuronaler Systeme. Konkret simulieren ANN-Modelle die elektrische Aktivität des Gehirns und des Nervensystems. Verarbeitungselemente (auch Neuron oder Perzeptron genannt) sind mit anderen Verarbeitungselementen verbunden. Typischerweise ist das Neuron in einer Schicht oder einem Vektor angeordnet, wobei der Ausgang einer Schicht als Eingang für die nächste Schicht und möglicherweise auch für andere Schichten dient. Ein Neuron kann mit allen Neuronen oder einer Teilmenge davon in der nachfolgenden Schicht verbunden sein. Gewichtete Datensignale, die in ein Neuron gelangen, simulieren die elektrische Erregung einer Nervenzelle und damit die Übertragung von Informationen innerhalb des Netzwerks oder Gehirns. Die Ausgabe dieser Datenübertragung zwischen Neuronen erfolgt in der Verarbeitung der Daten und der Vorhersage der Ausgabe. Das KNN-Modell sollte durch Training, Validierung und Tests optimiert werden39,40,41,42. Trotz aller Vorteile von ANN ist ein zuverlässiges Modell erforderlich, um experimentelle Datensätze zu korrigieren und geeignete Daten in angemessener Anzahl zu sammeln, was kostspielig und zeitaufwändig ist.

Die numerische Untersuchung von Oberflächeneigenschaften für die Anwendung von Zahnimplantaten ist ein relativ neues Forschungsgebiet. Im Jahr 2020 berichteten Kohler et al.43 über ein numerisches Modell für das Ätzen von Titansäure. Ihr Modell ging davon aus, dass Ra der einzige bestimmende Parameter ist. Der Gewichtsverlust als Parameter geometrischer Einschränkungen sollte in einem akzeptablen Bereich liegen (basierend auf Qualitätskontrollprotokollen). Durch intelligente Modellierung mit künstlichen neuronalen Netzen (KNN) können die Nachteile der anderen Modellierungsmethoden behoben werden, beispielsweise die Unfähigkeit, große Datenmengen anzupassen. Daher wird Multilayer-Perceptron (MLP) ANN verwendet, um den Ätzprozess in 48 % H2SO4-Lösung zu modellieren. Im Folgenden wird die Optimierungsmethode des nichtlinearen genetischen Sortieralgorithmus (NSGA-II) verwendet, um die optimalen Bedingungen für den Prozess zu ermitteln.

In dieser Studie wurde MLP-ANN verwendet, um die Oberflächeneigenschaften einschließlich Ra, Rz und WL zu untersuchen, wenn die Temperatur der Ätzlösung und die Zeit des Ätzvorgangs variieren. Um die optimierte Topologie von ANN zu erreichen, wurde ein MLP-ANN mit zwei verborgenen Schichten verwendet. In jeder verborgenen Schicht wurden 1 bis 5 Neuronen getestet. Schließlich wurde die ANN-Struktur mit dem niedrigsten MSE als bestes ANN-Modell vorgeschlagen und dem NSGA-II zur Prozessoptimierung zugeführt.

Ban et al.44 untersuchten die Auswirkungen der Ätzzeit und der Temperatur des Ätzlösungsmediums auf die Oberflächeneigenschaften. Die Daten wurden in ANN-Modelle eingespeist. Die folgende Gleichung [Gl. (1)] wurde verwendet, um Eingabevariablen im Bereich von [–1, + 1] zu normalisieren:

Dabei ist Xi ein normalisierter Wert der Eingabevariablen xi, xmin der Minimalwert der Zielfunktionen und xmax der Maximalwert39,45.

In dieser Studie wurde ein interner Rechencode entwickelt, der konzeptionell nach den besten ANN-Konfigurationen suchen kann, indem er Daten in „Trainings-“, „Validierungs“- und „Test“-Sets unterteilt. Dementsprechend wurden 70 % der Daten zufällig ausgewählt, um das Modell zu trainieren. Andererseits wurden 15 % der Daten zur Validierung dem ANN-Modell zugeführt. Abschließend wurden die restlichen Daten zum Testen der konfigurierten ANN-Struktur verwendet. Obwohl es keine starre Regel gibt, um die geeignete Anzahl von Neuronen in den verborgenen Schichten zu finden, spielt die Komplexität der Beziehung zwischen Eingaben und Ausgaben eine Schlüsselrolle46,47. Verschiedene Kombinationen von Neuronen (ein bis fünf Neuronen in jeder verborgenen Schicht) in zwei verborgenen Schichten wurden getestet, um die beste Konfiguration mit einem minimierten Fehler auszuwählen. Die durch Gl. definierte Funktion. (2) wurde in der Ausgabe angewendet und verborgene Schichten wurden als Aktivierungsübertragungsfunktion verwendet40,48:

Zur Modellierung von Ra, Rz und WL (drei verschiedene Modelle) wurde ein gut organisierter interner Code basierend auf dem in Abb. 2 dargestellten Flussdiagramm verwendet. Eine Gradientenabstiegsmethode (GD) wurde verwendet, um Optimierungsparameter zu modellieren und die besten Verzerrungen und Gewichte zu finden, die den Eingabe- und Ausgabevariablen entsprechen.

Modellierungsflussdiagramm basierend auf der ANN-Methode.

Die Anzahl der Neuronen in der verborgenen Schicht 1 und der verborgenen Schicht 2 variierte im Bereich von 1 bis 5 (maximaler NH1- und maximaler NH2-Wert beträgt 5). Die Modellgenauigkeit für die Antwortvorhersage wurde anhand des Kriteriums des mittleren quadratischen Fehlers (MSE) gemessen49,50 wie in Gleichung angegeben. (3)39,46,47,51.

Dabei ist n die Anzahl der Proben, Yi und \(\overline{{\mathrm{Y} }_{\mathrm{i}}}\) sind experimentelle und vorhergesagte Antwortwerte für Probe i.

Um das gewünschte Modell zu erreichen, müssen die Eingaben normalisiert werden und auch die Aktivierungsübertragungsfunktion sollte für die Ausgabe und die verborgenen Schichten verwendet werden. Es werden verschiedene Arten von Aktivierungsübertragungsfunktionen verwendet. Drei dieser Funktionen sind wichtiger und anwendbarer als die in Abb. 3 gezeigten; Reinlinie [Gl. (4)], Logsig [Gl. (5)] und Tansig [Gl. (7)].

Lineare Übertragungsfunktion (Purelin)

Diese Übertragungsfunktion wird regelmäßig in der Ausgabeschicht verwendet. Das Hauptinteresse von MLPs liegt in ihrer nichtlinearen Sigmoidfunktion (wie Logsig und Tansig), die hauptsächlich in ihren verborgenen Schichten verwendet wird.

Log-Sigmoid-Übertragungsfunktion (Logsig)

die leicht differenzierbar ist und häufig als nichtlineare Übertragungsfunktion für technische Anwendungen verwendet wird. Da er jedoch zwischen 0 und 1 begrenzt ist, wird stattdessen sein linear transformierter Typ verwendet. Sie wird als bipolare Übertragungsfunktion bezeichnet [Gl. (6)]:

Hyperbolischer Tangens Sigmoid (Tansig)

Sie ist ihrer Art nach sehr ähnlich, hat viele mathematische Eigenschaften mit der bipolaren Übertragungsfunktion gemeinsam und liegt zwischen − 1 und + 1. Sie wird in technischen Anwendungen zu oft eingesetzt.

Typische Übertragungsfunktionen (a) Logsig, (b) Tansig und (c) Pureline.

Im Lichte des obigen Verfahrens wurden drei ANN-Modelle optimiert, um die effektiven Parameter für Oberflächeneigenschaften (Ra, Rz und WL) zu untersuchen. Im nächsten Schritt wurde für die multiobjektive Optimierung des Ätzprozesses in 48 %iger H2SO4-Lösung ein Non-Dominated Sorting Genetic Algorithm-II (NSGA-II) verwendet. Für die Produktion von Chromosomen wurde der Wert jedes Gens zufällig unter Berücksichtigung der in Tabelle 1 angegebenen Werte der Variablen ausgewählt. Der Code wurde dann implementiert, um die Eignung jedes Chromosoms für die gleichzeitige Optimierung der Oberflächeneigenschaften zu ermitteln. Nachdem die Chromosomenpaare miteinander verglichen worden waren, wurden sie vom Rest als erste Pareto-Front isoliert. Diese Operation wurde untersucht, um die Pareto-Fronten 2, 3 usw. zu erhalten. Pareto-Front n wurde dem Chromosom zugeordnet, das (n − 1)-mal dominiert wurde. Wir verwendeten auch Crowding-Distance-Werte (CD), da das zweite Kriterium für die Optimierung darin bestand, Pareto-Fronten zu sortieren [Gl. (8)]:

wobei \({\text{d}}_{{\text{x}}} {\text{(i)}} = {\text{| F}}_{{\text{x}}} {\ text{ (i}} + {1)} - {\text{F}}_{{\text{x}}} {\text{(i}} - {1) |}\) und \({\ Delta }_{{\text{x}}} {\text{ (i)}} = {\text{| max F}}_{{\text{x}}} - {\text{min F}} _{{\text{x}}} { |}\).

In Gl. (8), N ist die Anzahl der Zielfunktionen, CD (i) ist der Überfüllungsabstand des Chromosoms i und dx (i) und Δx (i) basieren auf der Zielfunktion x, wie in Abb. 4a gezeigt. Nach der Schätzung des Fitnessgrades anhand primärer und sekundärer Einschränkungen wurden die Chromosomen nach ihrer Günstigkeit sortiert. Die besten Chromosomen wurden als erste Pareto-Front ausgewählt, gefolgt von Selektion, Paarung, Reproduktion und Stummschaltung. Die Fitness der Eltern und der Kinder der neuen Generation wurde mithilfe eines nicht-dominierten Sortieralgorithmus überprüft. Tabelle 1 gibt die Werte der Parameter an, die zur Optimierung der Oberflächeneigenschaften basierend auf dem NSGA-II-Evolutionsalgorithmus verwendet werden (Abb. 4b).

(a) Berechnungsparameter für den Crowding-Abstand für Probe i und (b) Flussdiagramm der NSGA-II-basierten Optimierung.

Im ersten Schritt wurde die KNN-basierte Modellbewertung für den Ra abgeschlossen. Wie in Abb. 5 dargestellt, war ein ANN-Modell mit zwei verborgenen Schichten (drei Neuronen in der ersten verborgenen Schicht und ein Neuron in der zweiten verborgenen Schicht) die beste Struktur für die Ra-Vorhersage basierend auf Temperatur (°C) und Zeit (h). Variation. Es wurden verschiedene Kombinationen von Tansig- und Logsig-Übertragungsfunktionen genehmigt, und die Ergebnisse zeigten, dass die Tansig-Übertragungsfunktion für beide verborgenen Schichten die beste Leistung erbrachte. Der Korrelationskoeffizient (R) für das feste ANN-Modell betrug 0,9892, was sehr nahe bei 1 liegt; Dies deutete darauf hin, dass das Modell zuverlässig ist.

Ein Schema der ANN-Modellstruktur für die Ra-Vorhersage basierend auf der Ätzzeit und der Ätzumgebungstemperatur.

Im Folgenden wurde die Genauigkeit des Modells anhand der Qualitätslinie untersucht. Wie in Abschnitt (a) von Abb. 6 dargestellt, ist die Modellanpassung perfekt, wenn alle vorhergesagten Daten mit den experimentellen Daten übereinstimmen. Daher weist das Modell eine hohe Genauigkeit auf, wenn alle Daten nahe an der Linie y = x liegen. Das ANN-Modell sagte die experimentellen Daten mit einem Fehler von weniger als 10 % voraus (siehe Abb. 6). Infolgedessen wurde das konfigurierte Modell verwendet, um Ra unter verschiedenen Betriebsbedingungen im Zeitbereich von 0 bis 8 Stunden und verschiedenen Temperaturen (25, 30, 40, 50, 60, 70, 80 und 90 °C) vorherzusagen dargestellt in Abb. 6c.

(a) Qualitätslinie, (b) die Fehlerwerte für experimentelle Daten und ANN-Modell-Ausgaben (R = 0,9892) von Ra und (c) die Auswirkung von Zeit und Temperatur auf den Ra der Titanoberfläche nach dem Ätzen mit einem H2SO4-Ätzmittel Lösung.

Das zweite ANN-Modell wurde konfiguriert, um Rz auf der Titanoberfläche während des Säureätzens mit 48 % H2SO4 mit Ätzzeit und Lösungstemperaturschwankungen vorherzusagen. Die beste KNN-Struktur wurde durch ein KNN-Modell mit zwei Neuronen und vier Neuronen in der ersten bzw. zweiten verborgenen Schicht erhalten. Die beste Übertragungsfunktion für die erste verborgene Schicht war Logsig, während sich Tansig als beste Übertragungsfunktion für die zweite verborgene Schicht herausstellte. Eine schematische Struktur des optimierten ANN-Modells ist in Abb. 7 dargestellt.

Eine schematische ANN-Modellstruktur zur Rz-Vorhersage basierend auf Ätzzeit und Lösungstemperatur.

Die Genauigkeit des ANN-Modells für die Rz-Vorhersage wurde durch Berechnung von R, Fehler und der Qualitätslinie weiter bewertet. Das optimierte ANN-Modell für die Rz-Vorhersage hatte einen Korrelationskoeffizienten von etwa 0,9970. Das Qualitätslinien- und Fehlerdiagramm zeigte, dass das gewählte ANN-Modell die experimentellen Daten mit angemessener Genauigkeit vorhersagte (siehe Abb. 8a, b). Wie im Fehlerdiagramm dargestellt, wurden alle Daten mit minimalem Fehler (weniger als 10 %) vorhergesagt. Das validierte Modell wurde dann zur Berechnung von Rz unter verschiedenen Bedingungen verwendet. Das Muster der Rz-Variation basierend auf der Ätzzeit bei verschiedenen Ätzmedientemperaturen (25, 30, 40, 50, 60, 70, 80 und 90 ° C) ist in Abb. 8c dargestellt.

(a) Qualitätslinie, (b) die Fehlerwerte für experimentelle Daten und ANN-Modell-Ausgaben (R = 9970) von Rz und (c) die Auswirkung von Zeit- und Temperaturschwankungen auf den Rz der Titanoberfläche nach dem Ätzen mit H2SO4 Ätzlösung.

Das ANN-Modell wurde für experimentelle WL-Daten beim Ätzen von Titan in 48 % H2SO4 konfiguriert. In diesem Schritt erreichte ein KNN-Modell mit vier Neuronen in der verborgenen Schicht 1 und einem Neuron in der verborgenen Schicht 2 die beste Topologie, wobei Tansig-Tansig die Kombination von Übertragungsfunktionen für die erste und zweite verborgene Schicht war. Ein Schema der optimierten ANN-Topologie ist in Abb. 9 dargestellt. Der Vergleich experimenteller Daten mit ANN-basierten WL-Vorhersagen zeigte eine gute Genauigkeit mit einem Korrelationskoeffizienten von 0,9991. Die Qualitätslinie und der Vorhersagefehler sind in Abb. 10a, b dargestellt. Schließlich ist die Variation des Titan-WL im H2SO4-basierten Ätzprozess bei unterschiedlichen Ätzzeiten und Lösungstemperaturen in Abb. 10c dargestellt.

Eine schematische ANN-Modellstruktur zur WL-Vorhersage basierend auf Ätzzeit und Lösungstemperatur.

(a) Qualitätslinie, (b) die Fehlerwerte für experimentelle Daten und ANN-Modell-Ausgaben (R = 0,9991) von WL (der Fehler für einige Punkte war nicht erklärbar, da die experimentellen Werte null waren) und (c) die Auswirkung von Zeit und Temperatur auf dem WL der Titanoberfläche nach dem Ätzen mit einer H2SO4-Ätzlösung.

Wie bereits erwähnt, sind WL und Ra die beiden Hauptreaktionen auf den Ätzprozess. Aufgrund geometrischer Einschränkungen sollte WL minimiert werden. Andererseits haben Studien gezeigt, dass ein höherer Ra die Überlebensrate eines Implantats verbessern kann. Ein höheres Abtragsdrehmoment52 ist durch einen höheren Ra erreichbar, während eine höhere Oberflächenrauheit der Hauptfaktor ist, der für die Vergrößerung der Oberfläche verantwortlich ist. Größere Oberflächen können die Chancen des Knochenzellwachstums auf den Titanimplantatoberflächen verbessern27,53. Daher besteht das Hauptziel des Ätzprozesses darin, die Oberflächenrauheit zu erhöhen und gleichzeitig den WL zu verringern. Leider gibt es einen Kompromiss zwischen WL und Oberflächenrauheit. Bei längeren Ätzzeiten und höheren Ätztemperaturen wird eine höhere Oberflächenrauheit erreicht, aber dieselben Bedingungen können den WL erhöhen. Hohe Temperaturen und längere Ätzzeiten können das Substrat beschädigen und seine geometrischen Parameter verändern.

Die Oberflächen kommerzieller Zahnimplantate weisen unterschiedliche Oberflächenrauheiten im Bereich von 0,5 bis weniger als 4 µm21,54,55 auf. Oberflächen mit einer Rauheit von mehr als 2 µm sind sehr begrenzt und werden häufig durch spezielle Verfahren wie laserbasierte Oberflächenbehandlungsmethoden hergestellt55,56. Andererseits sind die bearbeiteten Oberflächen von Implantaten auf Titanbasis nicht vollkommen glatt. Bearbeitete Oberflächen haben eine Rauheit von etwa 0,5 µm. Im kommerziellen Maßstab sind Oberflächenrauheiten im Bereich von 0,5–2 µm üblich. Daher wurde eine Mehrzieloptimierung durchgeführt, um WL zu minimieren und Ra (Abb. 11a), Ra = 0,5 (Abb. 11b), Ra = 1 (Abb. 11c), Ra = 1,5 (Abb. 11d) und Ra = zu maximieren 2 µm (Abb. 11e). In allen Fällen ist der Kompromiss zwischen Ra und WL offensichtlich: Höhere Ra-Werte führen zu höherem WL und niedrigere WL werden bei niedrigerem Ra erreicht.

Multiobjektive Optimierung von Ra und WL beim Ätzen von Titan auf (a) maximierten Ra und minimierten WL, (b) festen Ra = 0,5 und minimierten WL, (c) festen Ra = 1 und minimierten WL, (d) festen Ra = 1,5 und WL minimiert, und (e) fester Ra = 2 µm und WL minimiert.

Säureätzen ist eine gängige Basismethode für nachfolgende Oberflächenbehandlungsprozesse, wie zum Beispiel Eloxieren. Frühere Studien haben gezeigt, dass sich die Rauheit geätzter Oberflächen auf die endgültig behandelte Titanoberfläche auswirkt53,57. Die optimalen Bedingungen für den Ätzprozess hängen daher von den darauffolgenden Behandlungsprozessen ab. Einige Punkte mit unendlicher CD sind jedoch in Tabelle 2 aufgeführt.

Wie in Tabelle 2 angegeben, sind höhere Temperaturen und längere Ätzzeiten erforderlich, um höhere Ra-Werte zu erreichen. Andererseits wird der niedrigste WL bei niedrigsten Prozesstemperaturen und kürzesten Ätzzeiten erreicht. Daher können Objekte mit unendlicher CD zu einem Punkt mit hohem Ra und hohem WL und einem anderen Punkt mit minimiertem WL und sehr geringer Rauheit führen (siehe Tabelle 2). Wie in den vorherigen Abschnitten erwähnt, haben bearbeitete Titansubstrate einen Ra von etwa 0,5 µm. Die Optimierung des ANN-Modells bei Ra = 0,5 µm für den niedrigsten WL-Wert führt zu Betriebsbedingungen mit der niedrigsten Temperatur und einer Prozesszeit nahe 0 Stunden. Darüber hinaus war der beste Weg, einen Ra-Wert von 2 µm zu erreichen, eine Betriebstemperatur von 54,12 °C und eine Ätzzeit von 3,62 Stunden. Unter diesen Bedingungen beträgt der niedrigste erreichte WL etwa 1,96 µg/cm2.

Homogenität ist ein Zielparameter für Oberflächen bei der Herstellung von Zahnimplantaten. Homogenität hat mehrere Auswirkungen auf die Charakterisierung von Zahnimplantatoberflächen und den Produktionsprozess58,59. Voraussetzung für die Erzielung eines perfekt reproduzierbaren Produkts ist die Herstellung homogener Oberflächen. Die Variation der Eigenschaften von Punkt zu Punkt oder von Produkt zu Produkt ist bei heterogenen Oberflächen sehr groß. Ein Element der Oberflächenhomogenität ist die Annäherung von Rz an Ra. Es ist klar, dass Rz normalerweise viel größer ist als Ra. Andererseits ist der Unterschied zwischen Ra und Rz kein Faktor für die Erkennung der Oberfläche als heterogen. Allerdings gilt eine Oberfläche, deren Rz nahe am Ra-Wert liegt, als homogener als eine Oberfläche, deren Rz weit vom Ra-Wert entfernt ist. Alle Oberflächen in dieser Studie haben einen Rz von mehr als 3 µm, was höher ist als die Ra-Werte. Abbildung 12a zeigt, dass sich der Rz-Wert der mit H2SO4 geätzten Titanoberfläche von weniger als 4 auf etwa 18 verändert hat. Das erste Ziel bestand darin, den Rz zu minimieren und den Ra zu maximieren (Abb. 12a). Die Optimierung zur Minimierung von Rz bei Ra = 0,5, Ra = 1, Ra = 1,5 und Ra = 2 ist in Abb. 12b–e dargestellt. Einige Punkte mit unendlicher CD und ihre Betriebsbedingungen sind in Tabelle 3 aufgeführt. Aus Tabelle 3 können wir ersehen, dass der niedrigste erreichbare Rz-Wert etwas unter 4 µm liegt. An diesem Punkt wird ein minimierter Ra erhalten. Andererseits wird unter rauen Prozessbedingungen ein maximiertes Rz (höher als 18 µm) erreicht, das zum höchsten Ra (ca. 3,5 µm) führt.

Mehrobjektive Optimierung von Ra und Rz beim Ätzen von Titan, um (a) maximiertes Ra und minimiertes Rz, (b) festes Ra = 0,5 und minimiertes Rz, (c) festes Ra = 1 und minimiertes Rz, (d) festes zu erreichen Ra = 1,5 und minimiertes Rz und (e) festes Ra = 2 µm und minimiertes Rz.

Die Oberflächeneigenschaften von Zahnimplantaten beeinflussen den Osseointegrationsprozess und die Überlebensrate des Implantats. In diesem Zusammenhang ist ein Oberflächenbehandlungsprozess, der die Oberflächenzusammensetzung, Oberflächenrauheit und Oberflächenhomogenität des Implantats beeinflusst, von entscheidender Bedeutung für die Entwicklung neuer Oberflächen, die die Osseointegration erleichtern. Diese Studie bietet einen neuartigen Ansatz zur Verwendung von ANN und NSGA-II zur Modellierung und Optimierung des Ätzprozesses für Zahnimplantate. ANN-Optimierungen, wie sie in dieser Studie verwendet wurden, wurden zuvor in anderen Bereichen eingesetzt, beispielsweise zur Optimierung der Oberflächenrauheit bei der Bearbeitung von Magnesiumlegierungen60 und beim Fertigdrehen von gehärtetem AISI 4140-Stahl61.

Drei ANN-Modelle wurden entwickelt, um Ra, Rz und WL basierend auf der H2SO4-Temperatur und der Ätzdauer vorherzusagen. In Übereinstimmung mit früheren Studien lagen alle Korrelationskoeffizienten über 0,98. Daher haben die ANN-Modelle die experimentellen Daten mit einem hohen Maß an Genauigkeit vorhergesagt. Abbas et al.60 zeigten, dass bei einem Korrelationskoeffizienten des ANN-Modells von 0,986 eine hohe Genauigkeit ihres Modells bei der Vorhersage der Oberflächenrauheit erreicht wurde. In einer anderen Studie verwendeten Meddour et al.61 ein ANN-Modell mit einem Korrelationskoeffizienten von 0,99 für die Ra-Vorhersage. Daher sind die konfigurierten ANN-Modelle für Ra (R = 0,9892), Rz (R = 0,9970) und WL (R = 0,9991) zuverlässig. Die Ergebnisse dieser Studie zeigten, dass der Ätzprozess die Oberflächenrauheit erhöhen kann. Lazzara et al.62 verglichen die Knochenreaktion einer doppelt geätzten Oberfläche mit maschinell bearbeiteten Implantaten im hinteren Oberkiefer des Menschen. Nach einer Einheilzeit von sechs Monaten betrug der Knochenkontakt an der geätzten Oberfläche und der bearbeiteten Oberfläche 72,96 % bzw. 33,98 %. Darüber hinaus wurde an der geätzten Oberfläche ein einzigartiges Merkmal entdeckt, nämlich das entlang der Oberfläche kriechende Knochenmaterial. Der osteokonduktive Effekt der geätzten Oberfläche gegenüber der bearbeiteten Oberfläche war im weicheren Trabekelknochen besonders ausgeprägt. Bei diesem Knochentyp wurde das Ausmaß der Knochenapposition von 6,5 ± 10,8 % bei der bearbeiteten Oberfläche auf 59,1 ± 25,3 % bei der geätzten Oberfläche erhöht.

Bei einigen Zahnimplantaten mit relativ glatten Oberflächen ist ein niedriges Ausdrehmoment ein grundlegendes Problem. Ein niedriges Entfernungsdrehmoment kann bei der prothetischen Belastung zu einer Rotation des Zahnimplantats führen. Eine höhere Rauheit kann das erforderliche Abtragsdrehmoment erhöhen, das durch den Ätzprozess unter den in dieser Studie ermittelten Bedingungen erreicht werden kann. Klokkevold et al.52 untersuchten die Verankerung der geätzten und bearbeiteten Oberflächen an der Tibia von Kaninchen nach einem, zwei und drei Monaten. Nach einem Monat betrug das mittlere Abtragsdrehmoment der bearbeiteten Oberfläche 6,00 ± 0,64 N cm, während es bei der geätzten Oberfläche mit 21,86 ± 1,37 N cm 3,6-mal höher war. Nach zwei Monaten betrug der Unterschied das 3,0-fache, und nach drei Monaten erforderte die geätzte Oberfläche ein Abtragsdrehmoment von 27,40 ± 3,89 N cm gegenüber 6,73 ± 0,95 N cm für die bearbeitete Oberfläche.

Um eine homogene Oberfläche zu erreichen, waren die Optimierungsbedingungen erforderlich, um Rz zu minimieren und Ra zu maximieren. Die Bedingungen zum Erreichen eines minimalen Rz bei Ra = 2 µm wurden berücksichtigt. Die homogenste Oberfläche (ein Verhältnis von Ra zu Rz von etwa 0,2) wurde bei 90 °C nach 6,26 Stunden Ätzen erreicht. Ätzen bei etwa 48 °C für 6,75 Stunden könnte ebenfalls zu einer homogenen Oberfläche mit einem Verhältnis von Ra zu Rz von 0,17 führen. Carvalho et al. zeigten, dass das einstündige Ätzen von cpTi in 60 % H2SO4 bei 60 °C die Oberflächenisotropie der bearbeiteten Oberflächen von 17,4 auf 91,5 % erhöhte63.

In dieser Forschung wurde die Oberflächenrauheit als einer der wichtigsten Parameter für die Leistung von Zahnimplantaten untersucht. Berichten zufolge ist die Oberflächenrauheit nicht der einzige wirksame Oberflächenparameter, der die Überlebensrate und den Knochenkontakt des Implantats bestimmt. Basierend auf klinischen Experimenten fördert säuregeätztes Titan (SLA) einen größeren und schnelleren Knochenkontakt, wenn mit Titanplasma besprühte Implantate verwendet werden33,64. Die Oberflächenwasserstoffkonzentration und die Bildung von Titanhydrid65, die Oberflächentopologie44,66 und die Oberflächenbenetzbarkeit67 sind einige weitere Parameter, die durch den Säureätzprozess verbessert werden.

Bei fortschrittlichen Oberflächenbehandlungsmethoden für Zahnimplantate wie SLA kann eine Kombination aus Luftabriebparametern und Säureätzvariablen die endgültigen Eigenschaften der Oberfläche bestimmen. Nachdem wir die Oberflächenrauheit durch Variation der Säureätzparameter optimiert haben, werden wir den Sandstrahlprozess untersuchen. In zukünftigen Studien sind wir daran interessiert, die Wirkung verschiedener Sandpartikelformen auf die Oberflächenkonfiguration von Zahnimplantaten zu untersuchen. Darüber hinaus können auch Gasströmungsgeschwindigkeit, Druck, Temperatur, Partikelgröße, Größenverteilung und Partikelnatur die endgültigen Oberflächeneigenschaften beeinflussen. Da jedoch die Oberflächeneigenschaften im Ätzschritt verändert werden können, müssen die Ergebnisse beider Behandlungen berücksichtigt werden, um die günstigsten Ergebnisse zu erzielen.

Wir haben den Einfluss der Ätzlösungstemperatur und der Ätzprozesszeit auf die Oberflächeneigenschaften (Ra, Rz und WL) von Zahnimplantaten in einer sauren Lösung mit 48 % H2SO4 bewertet. Die Ergebnisse zeigten, dass eine Erhöhung sowohl der Temperatur als auch der Prozesszeit Ra, Rz und WL verbessern kann. Darüber hinaus bestätigten die Ergebnisse die Fähigkeit eines MLP-ANN-Modells, die Oberflächeneigenschaften als Funktion der Ätzparameter vorherzusagen. Eine Verlängerung der Ätzprozesszeit führt zu höheren Ra-, Rz- und WL-Werten. Basierend auf den MLP-ANN-Vorhersagen ist eine längere Ätzzeit bei höheren Temperaturen der Ätzlösung wirksamer für die Verbesserung der Oberflächeneigenschaften. Im Folgenden wurde eine NSGA-II-basierte Mehrzieloptimierung verwendet, um die optimale Ätzzeit und Temperatur der Ätzlösung zu erhalten, mit dem Ziel, WL und Rz zu minimieren und Ra zu maximieren. Schließlich zeigten die Ergebnisse, dass die NSGA-II-basierte Optimierung erfolgreich auf einen MLP-ANN-basierten modellierten Ätzprozess angewendet werden konnte, der bei der Oberflächenbehandlung von Zahnimplantaten eingesetzt werden könnte. In Bezug auf die erzielten Ergebnisse können ANN-basierte Modelle für weitere Studien zur Modellierung von Oberflächeneigenschaften verwendet werden. Darüber hinaus kann die NSGA-II-basierte Mehrzieloptimierung erfolgreich zur Vorhersage des idealen Betriebszustands mit der besten Oberfläche eingesetzt werden.

Murr, LE Metallurgieprinzipien angewendet auf Pulverbettfusion, 3D-Druck/additive Fertigung personalisierter und optimierter biomedizinischer Metall- und Legierungsimplantate: Ein Überblick. J. Mater. Res. Technol. 9, 1087–1103 (2020).

Artikel CAS Google Scholar

Priyadarshini, B. et al. Strukturelle, morphologische und biologische Bewertungen von cerhaltigen Hydroxylapatit-Sol-Gel-Beschichtungen auf Ti-6Al-4V für orthopädische Anwendungen. J. Mater. Res. Technol. 12, 1319–1338 (2021).

Artikel CAS Google Scholar

Nazir, F., Iqbal, M., Khan, AN, Mazhar, M. & Hussain, Z. Herstellung robuster Poly-L-Milchsäure/zyklisches Olefin-Copolymer (PLLA/COC)-Mischungen: Untersuchung der physikalischen Eigenschaften, Struktur und Zytokompatibilität für das Knochengewebe-Engineering. J. Mater. Res. Technol. 13, 1732–1751 (2021).

Artikel CAS Google Scholar

Ansari, M., Naghib, S., Moztarzadeh, F. & Salati, A. Synthese und Charakterisierung von Hydroxylapatitcalciumhydroxid für Dentalkomposite. Ceram. Silikaty 55, 123–126 (2011).

CAS Google Scholar

Duyck, J., Slaets, E., Sasaguri, K., Vandamme, K. & Naert, I. Einfluss intermittierender Belastung und Oberflächenrauheit auf die periimplantäre Knochenbildung in einem Knochenkammermodell. J. Clin. Parodontologie. 34, 998–1006 (2007).

Artikel PubMed Google Scholar

Samavedi, S., Whittington, AR & Goldstein, AS Calciumphosphatkeramik in der Knochengewebetechnik: Ein Überblick über Eigenschaften und ihren Einfluss auf das Zellverhalten. Acta Biomater. 9, 8037–8045 (2013).

Artikel CAS PubMed Google Scholar

Balshe, AA, Eckert, SE, Koka, S., Assad, DA & Weaver, AL Die Auswirkungen des Rauchens auf das Überleben von Zahnimplantaten mit glatter und rauer Oberfläche. Int. J. Oral Maxillofac. Implantate 23, 1117–1122 (2008).

PubMed Google Scholar

Balshe, AA, Assad, DA, Eckert, SE, Koka, S. & Weaver, AL Eine retrospektive Studie über die Überlebensfähigkeit von Zahnimplantaten mit glatter und rauer Oberfläche. Int. J. Oral Maxillofac. Implantate 24, 1113–1118 (2009).

PubMed Google Scholar

Boyle, WJ, Simonet, WS & Lacey, DL Differenzierung und Aktivierung von Osteoklasten. Natur 423, 337–342 (2003).

Artikel ADS CAS PubMed Google Scholar

Gittens, RA et al. Die Auswirkungen der kombinierten Oberflächenrauheit im Mikrometer-/Submikronbereich und nanoskaliger Merkmale auf die Zellproliferation und -differenzierung. Biomaterialien 32, 3395–3403 (2011).

Artikel CAS PubMed Google Scholar

Azzola, F. et al. Biofilmbildung auf der durch Implantoplastik behandelten Zahnimplantatoberfläche: Eine In-situ-Studie. Delle. J. 8, 40 (2020).

Artikel Google Scholar

Buser, D. et al. Einfluss von Oberflächeneigenschaften auf die Knochenintegration von Titanimplantaten. Eine histomorphometrische Studie an Miniaturschweinen. J. Biomed. Mater. Res. 25, 889–902 (1991).

Artikel CAS PubMed Google Scholar

Szmukler-Moncler, S., Reingewirtz, Y. & Weber, HP Knochenreaktion auf frühe Belastung: Die Auswirkung des Oberflächenzustands. Biol. Mech. Zahnbewegung. Kraniofaziale Anpassung. Bost. Harvard Soc. Adv. Orthod. 611, 616 (1996).

Google Scholar

Szmukler-Moncler, S., Perrin, D., Ahossi, V. & Pointaire, P. Bewertung von BONIT®, einer vollständig resorbierbaren CaP-Beschichtung, die durch elektrochemische Abscheidung erhalten wird, nach 6 Wochen Heilung: eine Pilotstudie im Oberkiefer von Schweinen. Schlüssel-Ing. Mater. 192, 395–398 (2001).

Google Scholar

Zabala, A. et al. Quantifizierung des Oberflächenverschleißes und der topografischen Veränderung von Zahnimplantaten während des Einsetzens. Surfen. Topogr. Metrol. Prop. 8, 15002 (2020).

Artikel CAS Google Scholar

da Silva Brum, I. et al. Ultrastrukturelle Charakterisierung der Titanoberfläche Grad IV in Zahnimplantaten ohne Aluminium (Säureangriff). J. Biomater. Nanobiotechnologie. 11, 151 (2020).

Artikel CAS Google Scholar

Isler, SC et al. Die Auswirkungen von Dekontaminationsmethoden der Zahnimplantatoberfläche auf die Zytokinexpressionsanalyse bei der rekonstruktiven chirurgischen Behandlung von Periimplantitis. Odontology 109, 1–11 (2020).

Google Scholar

Nicolas-Silvente, AI et al. Einfluss der Oberflächenbehandlung von Titanimplantaten auf die Oberflächenrauheit und die chemische Zusammensetzung. Materialien (Basel). 13, 314 (2020).

Artikel ADS CAS PubMed Central Google Scholar

Pintão, CAF, Correa, DRN & Grandini, CR Torsionsmodul als Werkzeug zur Bewertung der Rolle der thermomechanischen Behandlung und Zusammensetzung von Dental-Ti-Zr-Legierungen. J. Mater. Res. Technol. 8, 4631–4641 (2019).

Artikel CAS Google Scholar

Elias, CN, Fernandes, DJ, de Souza, FM, dos Monteiro, ES & de Biasi, RS Mechanische und klinische Eigenschaften von Titan und Titanlegierungen (Ti G2, Ti G4 kaltverformt, nanostrukturiert und Ti G5) für biomedizinische Anwendungen. J. Mater. Res. Technol. 8, 1060–1069 (2019).

Artikel CAS Google Scholar

Ehrenfest, DMD et al. Identifikationskarte und Kodierung der chemischen und morphologischen Eigenschaften von 62 Oberflächen von Zahnimplantaten. Teil 1: Beschreibung des Kodifizierungssystems „Implant Surface Identification Standard“ (ISIS). POSEIDO 2, 7–22 (2014).

Google Scholar

Chrcanovic, BR, Albrektsson, T. & Wennerberg, A. Knochenqualität und -quantität und Zahnimplantatversagen: Eine systematische Überprüfung und Metaanalyse. Int. J. Prosthodont. 30, 219–237 (2017).

Artikel PubMed Google Scholar

Chrcanovic, BR, Kisch, J., Albrektsson, T. & Wennerberg, A. Faktoren, die das frühe Scheitern von Zahnimplantaten beeinflussen. J. Dent. Res. 95, 995–1002 (2016).

Artikel CAS PubMed Google Scholar

Elias, CN Zahnimplantatoberflächen aus Titan. Matéria (Rio Janeiro) 15, 138–142 (2010).

Artikel Google Scholar

Grizon, F., Aguado, E., Huré, G., Baslé, MF & Chappard, D. Verbesserte Knochenintegration von Implantaten mit erhöhter Oberflächenrauheit: Eine Langzeitstudie an Schafen. J. Dent. 30, 195–203 (2002).

Artikel CAS PubMed Google Scholar

Fouziya, B. et al. Oberflächenmodifikationen von Titanimplantaten – Die neuen, die alten und die noch nie dagewesenen Möglichkeiten. J. Adv. Klin. Res. Einblicke 3, 215–219 (2016).

Artikel Google Scholar

Jemat, A., Ghazali, MJ, Razali, M. & Otsuka, Y. Oberflächenmodifikationen und ihre Auswirkungen auf Zahnimplantate aus Titan. Biomed. Res. Int. 2015, 1–11 (2015).

Artikel CAS Google Scholar

Braceras, I., De Maeztu, MA, Alava, JI & Gay-Escoda, C. In-vivo-Knochenapposition geringer Dichte auf verschiedenen Implantatoberflächenmaterialien. Int. J. Oral Maxillofac. Surg. 38, 274–278 (2009).

Artikel CAS PubMed Google Scholar

Patil, PS & Bhongade, ML Oberflächenmodifikationen von Zahnimplantaten: Ein Rückblick. IOSR-JDMS 15, 132–141 (2016).

Google Scholar

Wennerberg, A. & Albrektsson, T. Über Implantatoberflächen: Ein Überblick über aktuelle Erkenntnisse und Meinungen. Int. J. Oral Maxillofac. Implantate 25, 63–74 (2010).

PubMed Google Scholar

Marin, C. et al. Ausziehdrehmoment und histomorphometrische Bewertung von biokeramischen sandgestrahlten/säuregeätzten und doppelt säuregeätzten Implantatoberflächen: Eine experimentelle Studie an Hunden. J. Parodontologie. 79, 1942–1949 (2008).

Artikel PubMed Google Scholar

Klokkevold, PR, Nishimura, RD, Adachi, M. & Caputo, A. Osseointegration verbessert durch chemisches Ätzen der Titanoberfläche. Eine Studie zur Drehmomententfernung beim Kaninchen. Klin. Orale Implantate Res. 8, 442–447 (1997).

Artikel CAS PubMed Google Scholar

Cho, S.-A. & Park, K.-T. Das Entfernungsdrehmoment einer Titanschraube, die in die Tibia von Kaninchen eingesetzt wurde, die durch zweifaches Säureätzen behandelt wurde. Biomaterialien 24, 3611–3617 (2003).

Artikel CAS PubMed Google Scholar

Baker, D., London, RM & O'Neal, R. Steigerung der Auszugsfestigkeit von doppelt geätzten Titanimplantaten: Eine Vergleichsstudie an Kaninchen. Int. J. Oral Maxillofac. Implantate 14, 722–728 (1999).

CAS PubMed Google Scholar

Cochran, DL et al. Die Nutzung verkürzter Heilungszeiten bei ITI®-Implantaten mit sandgestrahlter und säuregeätzter (SLA) Oberfläche: Erste Ergebnisse aus klinischen Studien mit ITI®-SLA-Implantaten. Klin. Orale Implantate Res. 13, 144–153 (2002).

Artikel PubMed Google Scholar

Roccuzzo, M., Bunino, M., Prioglio, F. & Bianchi, SD Frühzeitige Belastung sandgestrahlter und säuregeätzter (SLA) Implantate: Eine prospektive Split-Mouth-Vergleichsstudie: 1-Jahres-Ergebnisse. Klin. Orale Implantate Res. 12, 572–578 (2001).

Artikel CAS PubMed Google Scholar

Testori, T. et al. Eine multizentrische prospektive Bewertung von 2 Monate lang belasteten Osseotite®-Implantaten im Seitenkiefer: Ergebnisse der 3-Jahres-Nachuntersuchung. Klin. Orale Implantate Res. 13, 154–161 (2002).

Artikel PubMed Google Scholar

Lazzara, RJ, Porter, SS, Testori, T., Galante, J. & Zetterqvist, L. Eine prospektive multizentrische Studie zur Bewertung der Belastung von Osseotitimplantaten zwei Monate nach der Platzierung: 1-Jahres-Ergebnisse. J. Esthet. Restaurieren. Delle. 10, 280–289 (1998).

Artikel CAS Google Scholar

Esfe, MH & Tilebon, SMS Statistische und künstliche Optimierung der thermophysikalischen Eigenschaften eines ölbasierten Hybrid-Nanofluids unter Verwendung von NSGA-II und RSM. Physik. Eine Statistik. Mech. Appl. 537, 122126 (2020).

Artikel CAS Google Scholar

Salehi, MM, Hakkak, F., Tilebon, SM, Ataeefard, M. & Rafizadeh, M. Intelligent optimierte elektrogesponnene Polyacrylnitril/Poly(vinylidenfluorid)-Nanofasern: Verwendung künstlicher neuronaler Netze. Express Polym. Lette. 14, 1003–1017 (2020).

Artikel CAS Google Scholar

Ataeefard, M., Tilebon, SMS, Etezad, SM & Mahdavi, S. Intelligente Modellierung und Optimierung des umweltfreundlichen grünen enzymatischen Deinkings von bedrucktem Papier. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 29, 1–14 (2022).

Artikel Google Scholar

Ataeefard, M. & Tilebon, SMS Auf der Suche nach einem Papier für den Digitaldruck mit maximalem Farbumfang: Eine Lehre aus der künstlichen Intelligenz. J. Mantel. Technol. Res. 19, 285–293 (2022).

Artikel CAS Google Scholar

Kohler, R., Sowards, K. & Medina, H. Numerisches Modell für das Säureätzen von Titan: Technische Oberflächenrauheit für Zahnimplantate. J. Manufaktur Verfahren. 59, 113–121 (2020).

Artikel Google Scholar

Ban, S., Iwaya, Y., Kono, H. & Sato, H. Oberflächenmodifikation von Titan durch Ätzen in konzentrierter Schwefelsäure. Delle. Mater. 22, 1115–1120 (2006).

Artikel CAS PubMed Google Scholar

Ataeefard, M., Sadati Tilebon, SM & Saeb, MR Intelligente Modellierung und Optimierung der Emulsionsaggregationsmethode zur Herstellung grüner Drucktinte. Grüner Prozess. Synth. 8, 703–718 (2019).

Artikel CAS Google Scholar

Hekmatjoo, N. et al. Modellierung der Glykolyse von Abfällen aus flexiblem Polyurethanschaum durch die Methodik eines künstlichen neuronalen Netzwerks. Polym. Int. 64, 1111–1120 (2015).

Artikel CAS Google Scholar

Xu, Y., Zhu, Y., Xiao, G. & Ma, C. Anwendung künstlicher neuronaler Netze zur Vorhersage des Korrosionsverhaltens von Ni-SiC-Verbundbeschichtungen, die durch Ultraschall-Elektroabscheidung abgeschieden werden. Ceram. Int. 40, 5425–5430 (2014).

Artikel CAS Google Scholar

Tilebon, SMS & Norouzbeigi, R. Anti-Icing-Nano-SnO2-beschichtete metallische Oberflächenbenetzbarkeit: Optimierung durch statistisches Design. Surfen. Schnittstellen 21, 100720 (2020).

Artikel CAS Google Scholar

Yousefi, H. & Fallahnezhad, M. Multiobjektive Polynomnetzwerke höherer Ordnung zur Modellierung der Einführkraft von Nadeln mit abgeschrägter Spitze. Int. J. Nat. Berechnen. Res. 5, 54–70 (2015).

Artikel Google Scholar

Fallahnezhad, M. & Yousefi, H. Modellierung der Nadelinsertionskraft mithilfe eines polynomialen neuronalen Netzwerks höherer Ordnung der genetischen Programmierung. In Artificial Higher Order Neural Networks for Modeling and Simulation (Hrsg. Zhang, M.) 58–76 (IGI Global, 2013).

Kapitel Google Scholar

Ataeefard, M., Tilebon, SMS & Saeb, MR Intelligente Modellierung und Optimierung der Emulsionsaggregationsmethode zur Herstellung grüner Drucktinte. Grüner Prozess. Synth. 8, 703–718 (2019).

Artikel CAS Google Scholar

Klokkevold, PR et al. Frühe enossale Integration verbessert durch zweifaches Säureätzen von Titan: Eine Studie zur Drehmomententfernung am Kaninchen. Klin. Orale Implantate Res. 12, 350–357 (2001).

Artikel CAS PubMed Google Scholar

Matos, GRM Oberflächenrauheit von Zahnimplantaten und Osseointegration. J. Maxillofac. Oralchirurgie. 20, 1–4 (2021).

Artikel PubMed Google Scholar

Ehrenfest, DMD et al. Identifikationskarte und Kodierung der chemischen und morphologischen Eigenschaften von 62 Oberflächen von Zahnimplantaten. Teil 3: Sandgestrahlte/säuregeätzte (SLA-Typ) und verwandte Oberflächen (Gruppe 2A, subtraktiver Hauptprozess). POSEIDO 2, 37–55 (2014).

Google Scholar

Dohan Ehrenfest, DM, Vazquez, L., Park, Y.-J., Sammartino, G. & Bernard, J.-P. Identifikationskarte und Kodierung der chemischen und morphologischen Eigenschaften von 14 Zahnimplantatoberflächen. J. Oral Implantol. 37, 525–542 (2011).

Artikel PubMed Google Scholar

Kalemaj, Z., Scarano, A., Valbonetti, L., Rapone, B. & Grassi, FR Knochenreaktion auf vier Zahnimplantate mit unterschiedlichen Oberflächentopografien: Eine histologische und histometrische Studie an Minischweinen. Int. J. Parodont. Restaurieren. Delle. 36, 745–754 (2016).

Artikel Google Scholar

Alla, RK et al. Oberflächenrauheit von Implantaten: Ein Rückblick. Trends Biomater. Artif. Organe 25, 112–118 (2011).

Google Scholar

Mendonça, G., Mendonça, DBS, Aragao, FJL & Cooper, LF Weiterentwicklung der Oberflächentechnologie für Zahnimplantate – vom Mikrometer bis zur Nanotopographie. Biomaterialien 29, 3822–3835 (2008).

Artikel PubMed CAS Google Scholar

Pelaez-Vargas, A. et al. Isotrope mikrostrukturierte Siliziumoxidbeschichtungen auf Zirkonoxid induzieren ein gesteuertes Zellwachstum für Zahnimplantate. Delle. Mater. 27, 581–589 (2011).

Artikel CAS PubMed Google Scholar

Abbas, AT et al. ANN-Oberflächenrauheitsoptimierung beim Schlichtdrehen der AZ61-Magnesiumlegierung: Minimale Bearbeitungszeiten bei erstklassigen Bearbeitungskosten. Materialien (Basel). 11, 808 (2018).

Artikel ADS PubMed Central CAS Google Scholar

Meddour, I., Yallese, MA, Bensouilah, H., Khellaf, A. & Elbah, M. Vorhersage der Oberflächenrauheit und Schnittkräfte mit RSM, ANN und NSGA-II beim Schlichtdrehen von gehärtetem AISI 4140-Stahl mit gemischter Keramik Werkzeug. Int. J. Adv. Hersteller Technol. 97, 1931–1949 (2018).

Artikel Google Scholar

Lazzara, RJ, Testori, T., Trisi, P., Porter, SS & Weinstein, RL Eine humanhistologische Analyse von Osseotit und maschinell bearbeiteten Oberflächen unter Verwendung von Implantaten mit zwei gegenüberliegenden Oberflächen. Int. J. Parodont. Restaurieren. Delle. 19, 117–129 (1999).

CAS Google Scholar

de Carvalho, DR et al. Charakterisierung und In-vitro-Zytokompatibilität einer säuregeätzten Titanoberfläche. Braz. Delle. J. 21, 3–11 (2010).

Artikel MathSciNet PubMed Google Scholar

Ogawa, T. et al. Biomechanische Bewertung von Knochenimplantaten mit unterschiedlichen Oberflächentopographien bei Ratten. J. Dent. Res. 79, 1857–1863 (2000).

Artikel CAS PubMed Google Scholar

Conforto, E., Caillard, D., Aronsson, BO & Descouts, P. Elektronenmikroskopie an Titanimplantaten für den Knochenersatz nach „SLA“-Oberflächenbehandlung. EUR. Zellen Mater. 3, 9–10 (2002).

Google Scholar

Perrin, D., Szmukler-Moncler, S., Echikou, C., Pointaire, P. & Bernard, J.-P. Knochenreaktion auf Veränderungen der Oberflächentopographie und Oberflächenzusammensetzung von sandgestrahlten und säuregeätzten (SLA) Implantaten. Klin. Orale Implantate Res. 13, 465–469 (2002).

Artikel PubMed Google Scholar

Ponsonnet, L. et al. Zusammenhang zwischen Oberflächeneigenschaften (Rauheit, Benetzbarkeit) von Titan und Titanlegierungen und Zellverhalten. Mater. Wissenschaft. Ing. C 23, 551–560 (2003).

Artikel CAS Google Scholar

Referenzen herunterladen

Abteilung für Oberflächentechnik, AVITA Dental System, KFP-Dental Company, Teheran, Iran

Seyyed Mohamad Sadati Tilebon

Forschungs- und Entwicklungseinheit, AVITA Dental System, KFP-Dental Company, Teheran, Iran

Seyed Amirhossein Emamian, Hosseinali Ramezanpour und Hashem Yousefi

Abteilung für Dentalbiomaterialien, Zentrum für Zahn- und Mundmedizin, Klinik für Rekonstruktive Zahnheilkunde, Universität Zürich, Zürich, Schweiz

Mutlu Ozcan

Abteilung für Nanotechnologie, School of Advanced Technologies, Iran University of Science and Technology, Postfach 16846-13114, Teheran, Iran

Seyed Morteza Naghib

Fakultät für Maschinenbau, College of Engineering, Kyung-Hee-Universität, Yongin, 446-701, Republik Korea

Yasser Zare & Kyong Yop Rhee

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SMST führte die Analysen durch. SAES, HR, HY, MO und SMN legten die Grundidee fest und verfassten und redigierten den Haupttext des Manuskripts. YZ und KYR haben das Manuskript bearbeitet.

Korrespondenz mit Seyed Morteza Naghib.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Sadati Tilebon, SM, Emamian, SA, Ramezanpour, H. et al. Intelligente Modellierung und Optimierung der Titanoberflächenätzung für die Anwendung im Zahnimplantat. Sci Rep 12, 7184 (2022). https://doi.org/10.1038/s41598-022-11254-0

Zitat herunterladen

Eingegangen: 30. August 2021

Angenommen: 14. April 2022

Veröffentlicht: 03. Mai 2022

DOI: https://doi.org/10.1038/s41598-022-11254-0

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.