Modelado inteligente y optimización del grabado de superficies de titanio para aplicaciones de implantes dentales

Jun 04, 2023

Scientific Reports volumen 12, número de artículo: 7184 (2022) Citar este artículo

1715 Accesos

1 Citas

1 altmétrica

Detalles de métricas

El grabado ácido es uno de los procesos más populares para el tratamiento superficial de implantes dentales. En este artículo se investiga el grabado ácido de titanio comercialmente puro (cpTi) en una solución de H2SO4 al 48%. Se supone que el tiempo del proceso de grabado (0–8 h) y la temperatura de la solución (25–90 °C) son las condiciones operativas más efectivas para afectar los parámetros de rugosidad de la superficie, como la desviación media aritmética del perfil evaluado en la superficie (Ra). y promedio de la altura máxima de pico a valle de la superficie sobre el perfil de longitud considerado (Rz), así como la pérdida de peso (WL) de los implantes dentales en el proceso de grabado. Por primera vez, se optimizó una red neuronal artificial de perceptrones multicapa (MLP-ANN) con dos capas ocultas para predecir Ra, Rz y WL. MLP es una clase de avance de ANN y modelo ANN que involucra cálculos y matemáticas que simulan los procesos del cerebro humano. Los modelos ANN pueden predecir adecuadamente las variaciones de Ra, Rz y WL durante el grabado en función de la temperatura y el tiempo del proceso. Además, la WL se puede aumentar para lograr un Ra elevado. En WL = 0, se obtiene Ra de 0,5 μm, mientras que Ra aumenta a 2 μm en WL = 0,78 μg/cm2. Además, el modelo ANN se introdujo en un algoritmo genético de clasificación no lineal (NSGA-II) para establecer el proceso de optimización y se ha demostrado la capacidad de este método para predecir las condiciones de grabado optimizadas.

Se ha demostrado que la creación de superficies rugosas en implantes médicos mejora su biointegración como resultado del aumento de la producción de tejido óseo en las superficies modificadas1,2,3,4. Muchos estudios han demostrado que los tejidos fibrosos indeseables tienden a formarse en superficies lisas, mientras que las superficies más rugosas promueven la formación de tejido óseo sólido5,6 realizaron un estudio a largo plazo sobre la integración ósea con implantes7,8. El hueso se genera en un proceso de varios pasos en el que las células de osteoclastos eliminan tejido selectivamente para formar fosas (lagunas) y las células de osteoblastos, a su vez, recolectan y forman los tejidos de la matriz ósea9. Como los osteoclastos no pueden interactuar con los materiales del implante, como el titanio (Ti), la unión de los osteoblastos puede inhibirse si la superficie de un implante no posee estructuras de micro, meso y nanoescala similares a las creadas por los osteoclastos10.

Generalmente, la rugosidad de la superficie se verifica con algunos parámetros como Ra, Rz y Sa. Ra es un parámetro unidimensional y se define como la desviación media aritmética del perfil evaluado11. Para medir Ra, una punta de detector muy delgada se mueve en una dirección lineal horizontal sobre la superficie de la muestra (en modo de contacto o sin contacto), y se informarán los movimientos verticales12,13. Rz es la altura máxima entre pico y valle del mismo perfil, que se estudia para la medición de Ra12. Sa es un parámetro de rugosidad de área que se detecta desde una superficie 2-D (a diferencia de Ra que se detecta desde una trayectoria lineal)11. Según las definiciones, Ra y Sa están muy cerca uno del otro y la elección de uno de ellos se basa en los equipos de medición (algunos reportan Ra y otros reportan Sa)11,12.

El grabado es uno de los procesos más populares que se utilizan para mejorar la rugosidad de la superficie y mejorar otras propiedades de la superficie. Es responsable de mejorar el contacto de un implante dental con el hueso y puede especificar la fuerza del contacto del implante con la superficie11,12,13,14,15 y la respuesta ósea16,17,18,19,20. Actualmente, se encuentra disponible en el mercado una amplia gama de implantes dentales comerciales. Estos implantes tienen diferentes propiedades, como el núcleo del implante, las especificaciones geométricas y las características de la superficie. Algunas marcas comerciales, como Ospol (Hollviken, Suecia), con Sa = 0,26 μm, tienen una superficie lisa (Sa < 1 μm se considera lisa)21. Por otro lado, otros implantes comerciales, como SLA (Standard Plus; ITI Straumann, Basel, Suiza; Sa = 1,7 μm), Ankylos (DentsplyFriadent, Menheim, Alemania; Sa = 1,55 μm), Frialit (DentsplyFriadent, Menheim, Alemania ; Sa = 1,79 μm) y Promote (Screwline, calmog, Basilea, Suiza; Sa = 1,30 μm), son moderadamente rugosos (con Sa en el rango de 1 a 2 μm)22,23. Además, algunas otras superficies, como Kohno HRPS y Kohno DES HRPS (Suecia y Martina, Due Carrare, Italia; Sa = 3,11 y 3,16 respectivamente), tienen el mayor grado de rugosidad (las superficies con Sa > 2 se consideran máximamente rugosas). 22,23.

En 2010, Elias24 informó que los implantes grabados con ácido tienen una superficie más homogénea en comparación con las superficies mecanizadas. Además, el proceso de grabado ácido, cuando se aplica como pretratamiento para anodizar los implantes dentales (u otros procesos), proporciona una rugosidad homogénea, una gran superficie activa y mejora la bioadhesión. Grizon y colaboradores25 realizaron un estudio a largo plazo para investigar la mejora de la integración hueso-implante con una mayor rugosidad de la superficie. No se observaron diferencias significativas para los dos tipos de implantes entre 3 y 6 meses. A los 12 y 18 meses, el volumen óseo y la interfaz de contacto seguían aumentando, y los implantes con Ra = 0,206 µm se asociaron con valores más altos que los implantes más lisos (Ra = 0,160). Muchos estudios similares, como uno de Fouziya et al.26, informaron que las superficies más lisas requieren más tiempo para la osteointegración y la carga protésica.

Las tendencias en las modificaciones de la superficie de los implantes dentales se pueden clasificar en las cinco generaciones que se muestran en la Fig. 1a. El grabado formó parte de la primera generación de métodos para mejorar las superficies mecanizadas con tratamiento mecánico. A pesar de todas las mejoras en los métodos de modificación de superficies, el grabado todavía se utiliza ampliamente en sistemas comerciales, ya sea directamente como modificación final de la superficie o en combinación con otros métodos. Según la Fig. 1b, después del proceso de recubrimiento por pulverización de plasma, el grabado, con una tasa de uso de más del 15 %, es el segundo método más utilizado según los informes publicados. Además, varios de los otros métodos, como el arenado y el arenado más grabado ácido (SLA), utilizan el grabado como método de tratamiento27.

(a) Diferentes generaciones de modificaciones de la superficie de implantes dentales, y (b) métodos de modificación de superficie comúnmente utilizados para implantes dentales a base de titanio.

El grabado ácido tiene un menor riesgo de contaminación de la superficie del implante que el granallado, ya que no quedan restos de partículas en la superficie28. Esta superficie mejora la migración y retención de células osteogénicas. Existen variaciones en los métodos de grabado con ácido entre los diferentes fabricantes según la concentración de ácido, el tiempo del proceso y las temperaturas. El grabado ácido forma micropicaduras en la superficie del implante29 e hidruros de titanio que son reemplazados por oxígeno, lo que ralentiza la transformación de la superficie del implante. Además, en la superficie se forman partículas de titanio de tamaño nanométrico que favorecen la adhesión de proteínas a través de características de nanorugosidad superficial30. Las superficies grabadas con ácido muestran una mayor aposición ósea, lo que aumenta la resistencia interfacial calculada mediante el torque de eliminación31,32,33 o las pruebas de expulsión14,34. Además, el grabado de las superficies de los implantes dentales conduce a una reducción del tiempo de curación en la mandíbula y el maxilar a las 6-8 semanas (de 3-6 meses)35,36,37,38.

Los modelos matemáticos para el proceso de grabado pueden llevar a elegir las condiciones de operación adecuadas y tener una superficie deseable para los implantes dentales. Entre los diferentes métodos de modelado, las redes neuronales artificiales (RNA) tienen muchas ventajas sobre otras y el modelado inteligente que utiliza conjuntos de datos experimentales para la configuración del modelo tiene más confiabilidad. Las RNA son una tecnología basada en los estudios del sistema nervioso y el cerebro. Estas redes emulan una red neuronal biológica pero utilizan un conjunto reducido de conceptos de sistemas neuronales biológicos. En concreto, los modelos ANN simulan la actividad eléctrica del cerebro y del sistema nervioso. Los elementos de procesamiento (también conocidos como neurona o perceptrón) están conectados a otros elementos de procesamiento. Normalmente, la neurona está dispuesta en una capa o vector con la salida de una capa, que sirve como entrada para la siguiente capa y posiblemente para otras capas. Una neurona puede estar conectada a toda o a un subconjunto de la neurona en la capa siguiente. Las señales de datos ponderados que ingresan a una neurona simulan la excitación eléctrica de una célula nerviosa y, en consecuencia, la transferencia de información dentro de la red o del cerebro. La salida de esta transferencia de datos entre neuronas es el procesamiento de los datos y la predicción de la salida. El modelo ANN debe optimizarse mediante entrenamiento, validación y pruebas39,40,41,42. A pesar de todas las ventajas de las RNA, se necesita un modelo confiable para corregir conjuntos de datos experimentales y recopilar datos adecuados en la cantidad adecuada, lo cual es costoso y requiere mucho tiempo.

El estudio numérico de las características de la superficie para la aplicación de implantes dentales es un campo de estudio relativamente nuevo. En 2020, Kohler et al.43 informaron sobre un modelo numérico para el grabado con ácido de titanio. Su modelo asumió que Ra era el único parámetro determinante. La pérdida de peso como parámetro de limitaciones geométricas debe fijarse en un rango aceptable (basado en protocolos de control de calidad). El modelado inteligente con redes neuronales artificiales (RNA) puede abordar los inconvenientes de otros métodos de modelado, como la incapacidad de ajustar grandes cantidades de datos. Por lo tanto, se utiliza ANN de perceptrón multicapa (MLP) para modelar el proceso de grabado en una solución de H2SO4 al 48%. A continuación, se utiliza el método de optimización del algoritmo genético de clasificación no lineal (NSGA-II) para llegar a las condiciones óptimas para el proceso.

En este estudio, se utilizó MLP-ANN para investigar las características de la superficie, incluidos Ra, Rz y WL, cuando la temperatura de la solución de grabado y el tiempo del proceso de grabado varían. Se utilizó una MLP-ANN con dos capas ocultas para lograr la topología optimizada de ANN; se probaron de 1 a 5 neuronas en cada capa oculta. Finalmente, se propuso la estructura de ANN con el MSE más bajo como el mejor modelo de ANN y se alimentó al NSGA-II para la optimización del proceso.

Ban et al.44 investigaron los efectos del tiempo de grabado y de la temperatura del medio de la solución de grabado sobre las características de la superficie. Los datos se estaban incorporando a los modelos ANN. La siguiente ecuación [Ec. (1)] se utilizó para normalizar las variables de entrada en el rango de [–1, + 1]:

donde Xi es un valor normalizado de la variable de entrada xi, xmin es el valor mínimo de las funciones objetivo y xmax es el máximo39,45.

En este estudio se desarrolló un código computacional interno que puede buscar conceptualmente las mejores configuraciones de ANN dividiendo los datos en conjuntos de "entrenamiento", "validación" y "prueba". En consecuencia, se seleccionó aleatoriamente el 70% de los datos para entrenar el modelo. Por otro lado, el 15% de los datos se introdujeron en el modelo ANN para su validación. Finalmente, el resto de los datos se utilizó para probar la estructura ANN configurada. Aunque no existe una regla rígida para encontrar el número adecuado de neuronas en las capas ocultas, la complejidad de la relación entre entradas y salidas juega un papel clave46,47. Se probaron diferentes combinaciones de neuronas (de una a cinco neuronas en cada capa oculta) en dos capas ocultas para elegir la mejor configuración con un error minimizado. La función definida mediante la Ec. (2) se aplicó en la salida y se utilizaron capas ocultas como función de transferencia de activación40,48:

Se utilizó un código interno bien organizado basado en el diagrama de flujo ilustrado en la Fig. 2 para modelar Ra, Rz y WL (tres modelos diferentes). Se utilizó un método de descenso de gradiente (GD) para modelar los parámetros de optimización y encontrar los mejores sesgos y ponderaciones para coincidir con las variables de entrada y salida.

Diagrama de flujo de modelado basado en el método ANN.

El número de neuronas en la capa oculta 1 y la capa oculta 2 varió en un rango de 1 a 5 (el NH1 máximo y el NH2 máximo son iguales a 5). La precisión del modelo para la predicción de la respuesta se midió mediante el criterio de error al cuadrado (MSE)49,50 como se indica en la ecuación. (3)39,46,47,51.

donde n es el número de muestras, Yi y \(\overline{{\mathrm{Y} }_{\mathrm{i}}}\) son el valor de respuesta experimental y predicho para la muestra i.

Para alcanzar el modelo deseable, las entradas deben normalizarse y también debe usarse la función de transferencia de activación para las capas ocultas y de salida. Se utilizan varios tipos de función de transferencia de activación. Tres de estas funciones son más importantes y aplicables que las que se muestran en la Fig. 3; Línea pura [Ec. (4)], Logsig [Ec. (5)], y Tansig [Ec. (7)].

Función de transferencia lineal (Purelin)

Esta función de transferencia se emplea regularmente en la capa de salida. El interés principal de los MLP reside en su función sigmoidea no lineal (como logsig y tansig) utilizada principalmente en sus capas ocultas.

Función de transferencia log-sigmoidea (Logsig)

que es fácilmente diferenciable y se utiliza con frecuencia como función de transferencia no lineal para aplicaciones de ingeniería. Sin embargo, debido a que está limitado entre 0 y 1, en su lugar se utiliza su tipo transformado linealmente. Se reconoce como la función de transferencia bipolar [Ec. (6)]:

Tangente hiperbólica sigmoidea (Tansig)

que es muy similar y comparte muchas propiedades matemáticas con la función de transferencia bipolar y está limitada entre − 1 y + 1. Se emplea con demasiada frecuencia en aplicaciones de ingeniería.

Funciones de transferencia típicas (a) Logsig, (b) Tansig y (c) Pureline.

A la luz del procedimiento anterior, se optimizaron tres modelos ANN para investigar los parámetros efectivos en las propiedades de la superficie (Ra, Rz y WL). En el siguiente paso, para la optimización multiobjetivo del proceso de grabado en una solución de H2SO4 al 48%, se utilizó un algoritmo genético de clasificación no dominado II (NSGA-II). Para la producción de cromosomas, el valor de cada gen se eligió aleatoriamente en vista de los valores de las variables que figuran en la Tabla 1. Luego se implementó el código para encontrar la aptitud de cada cromosoma para optimizar las propiedades de la superficie simultáneamente. Después de comparar los pares de cromosomas entre sí, se aislaron del resto, como el primer frente de Pareto. Esta operación se encuestó para obtener los frentes de Pareto 2, 3, etc. El frente de Pareto n se asignó al cromosoma que ha sido dominado (n − 1) veces. También utilizamos valores de distancia de apiñamiento (CD), ya que el segundo criterio para la optimización fue ordenar los frentes de Pareto [Ec. (8)]:

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

En la ecuación. (8), N es el número de funciones objetivo, CD (i) es la distancia de apiñamiento del cromosoma i, y dx (i) y Δx (i) se basan en la función objetivo x, como se muestra en la Fig. 4a. Después de estimar el grado de aptitud basándose en restricciones primarias y secundarias, los cromosomas se clasificaron según su preferencia. Los mejores cromosomas se eligieron como el primer frente de Pareto, seguido de la selección, el emparejamiento, la reproducción y el silenciamiento. Se revisó la aptitud de los padres y de los hijos de la nueva generación utilizando un algoritmo de clasificación no dominado. La Tabla 1 proporciona los valores de los parámetros empleados para optimizar las propiedades de la superficie según el algoritmo evolutivo NSGA-II (Fig. 4b).

(a) Parámetros de cálculo de la distancia de aglomeración para la muestra i, y (b) diagrama de flujo de optimización basada en NSGA-II.

La evaluación del modelo basado en ANN para Ra se completó en el primer paso. Como se muestra en la Fig. 5, un modelo de ANN con dos capas ocultas (tres neuronas en la primera capa oculta y una neurona en la segunda capa oculta) fue la mejor estructura para la predicción de Ra basada en la temperatura (°C) y el tiempo (h). variación. Se aprobaron diferentes combinaciones de funciones de transferencia Tansig y Logsig y los resultados mostraron que la función de transferencia Tansig para ambas capas ocultas funcionó mejor. El coeficiente de correlación (R) para el modelo de RNA fija fue de 0,9892, que es muy cercano a 1; esto indicó que el modelo es confiable.

Un esquema de la estructura del modelo ANN para la predicción de Ra basada en el tiempo de grabado y la temperatura ambiente de grabado.

A continuación, la línea de calidad estudió la precisión del modelo. Como se ilustra en la sección (a) de la Fig. 6, el ajuste del modelo es perfecto si todos los datos predichos son iguales a los datos experimentales. Por lo tanto, el modelo tiene alta precisión si todos los datos caen cerca de la línea y = x. El modelo ANN predijo los datos experimentales con menos del 10% de error (ver Fig. 6). Como resultado, el modelo configurado se utilizó para predecir Ra bajo diferentes condiciones operativas en el rango de tiempo de 0 a 8 h y diferentes temperaturas (25, 30, 40, 50, 60, 70, 80 y 90 °C), como presentado en la Fig. 6c.

(a) Línea de calidad, (b) los valores de error para los datos experimentales y las salidas de Ra del modelo ANN (R = 0,9892), y (c) el efecto del tiempo y la temperatura sobre el Ra de la superficie de titanio después del grabado con un grabador de H2SO4 solución.

El segundo modelo ANN se configuró para predecir Rz en la superficie de titanio durante el grabado ácido con H2SO4 al 48% con variación del tiempo de grabado y la temperatura de la solución. La mejor estructura de ANN se obtuvo mediante un modelo de ANN con dos neuronas y cuatro neuronas en la primera y segunda capa oculta, respectivamente. La mejor función de transferencia para la primera capa oculta fue Logsig, mientras que Tansig surgió como la mejor función de transferencia para la segunda capa oculta. En la Fig. 7 se presenta una estructura esquemática del modelo ANN optimizado.

Una estructura esquemática del modelo ANN para la predicción de Rz basada en el tiempo de grabado y la temperatura de la solución.

La precisión del modelo ANN para la predicción de Rz se evaluó adicionalmente calculando R, el error y la línea de calidad. El modelo ANN optimizado para la predicción de Rz tenía un coeficiente de correlación de aproximadamente 0,9970. La línea de calidad y el diagrama de error mostraron que el modelo ANN elegido predijo los datos experimentales con una precisión adecuada (ver Fig. 8a, b). Como se muestra en el diagrama de error, todos los datos se predijeron con un error mínimo (menos del 10%). Luego se utilizó el modelo validado para calcular Rz en diferentes condiciones. El patrón de variación de Rz basado en el tiempo de grabado en diferentes temperaturas de los medios de grabado (25, 30, 40, 50, 60, 70, 80 y 90 ° C) se muestra en la Fig. 8c.

(a) Línea de calidad, (b) los valores de error para los datos experimentales y los resultados del modelo ANN (R = 9970) de Rz, y (c) el efecto de la variación del tiempo y la temperatura en el Rz de la superficie de titanio después del grabado con H2SO4 solución grabadora.

El modelo ANN se configuró para datos experimentales de WL durante el grabado de titanio en H2SO4 al 48%. En este paso, un modelo de ANN con cuatro neuronas en la capa oculta 1 y una neurona en la capa oculta 2 logró la mejor topología, donde Tansig-Tansig era la combinación de funciones de transferencia para la primera y segunda capas ocultas. En la Fig. 9 se ilustra un esquema de la topología optimizada de ANN. La comparación de datos experimentales con predicciones de WL basadas en ANN mostró una buena precisión con un coeficiente de correlación de 0,9991. La línea de calidad y el error de predicción se presentan en las figuras 10a,b. Finalmente, en la Fig. 10c se muestra la variación de la WL de titanio en el proceso de grabado basado en H2SO4 bajo diferentes tiempos de grabado y temperaturas de solución.

Una estructura esquemática del modelo ANN para la predicción de WL basada en el tiempo de grabado y la temperatura de la solución.

(a) Línea de calidad, (b) los valores de error para los datos experimentales y los resultados del modelo ANN (R = 0,9991) de WL (el error en algunos puntos no fue explicable debido a los valores experimentales cero), y (c) el efecto del tiempo y la temperatura en la WL de la superficie de titanio después de grabar con una solución grabadora de H2SO4.

Como se señaló anteriormente, WL y Ra son las dos respuestas principales al proceso de grabado. La WL debe minimizarse debido a limitaciones geométricas. Por otro lado, los estudios demostraron que un Ra más alto puede mejorar la tasa de supervivencia de un implante. Se puede acceder a un par de eliminación más alto52 a través de un Ra más alto, mientras que una mayor rugosidad de la superficie es el principal factor responsable de mejorar el área de la superficie. Las áreas de superficie más altas pueden mejorar las posibilidades de crecimiento de células óseas en las superficies de los implantes de titanio27,53. Por lo tanto, el objetivo principal del proceso de grabado es aumentar la rugosidad de la superficie y disminuir la WL simultáneamente. Desafortunadamente, existe un equilibrio entre WL y rugosidad de la superficie. Se logra una mayor rugosidad superficial con tiempos de grabado más prolongados y temperaturas de grabado más altas, pero estas mismas condiciones pueden aumentar la WL. Las altas temperaturas y los tiempos prolongados de grabado pueden dañar el sustrato y cambiar sus parámetros geométricos.

Las superficies de los implantes dentales comerciales tienen diferentes rugosidades superficiales en el rango de 0,5 a menos de 4 µm21,54,55. Las superficies con un nivel de rugosidad superior a 2 µm son muy limitadas y comúnmente se producen mediante procesos especiales, como los métodos de tratamiento de superficies basados ​​en láser55,56. Por otro lado, las superficies mecanizadas de los implantes a base de titanio no son perfectamente lisas. Las superficies mecanizadas tienen una rugosidad de aproximadamente 0,5 µm. A escala comercial, son comunes rugosidades superficiales en el rango de 0,5 a 2 µm. Por lo tanto, se realizó una optimización multiobjetivo para minimizar WL y maximizar Ra (Fig. 11a), Ra = 0,5 (Fig. 11b), Ra = 1 (Fig. 11c), Ra = 1,5 (Fig. 11d) y Ra = 2 µm (Figura 11e). En todos los casos, la compensación entre Ra y WL es evidente: valores más altos de Ra conducen a una WL más alta, y una WL más baja se logra con un Ra más bajo.

Optimización multiobjetivo de Ra y WL en el grabado de titanio para (a) Ra maximizado y WL minimizado, (b) Ra fijo = 0,5 y WL minimizado, (c) Ra fijo = 1 y WL minimizado, (d) Ra fijo = 1,5 y WL minimizado, y (e) Ra fijo = 2 µm y WL minimizado.

El grabado ácido es un método base común para procesos posteriores de tratamiento de superficies, como el anodizado. Estudios anteriores han demostrado que la rugosidad de las superficies grabadas es eficaz en la superficie final tratada del titanio53,57. Por lo tanto, la mejor condición para el proceso de grabado depende de los procesos de tratamiento que le siguen. Sin embargo, algunos puntos con CD infinito se presentan en la Tabla 2.

Como se observa en la Tabla 2, se requieren temperaturas más altas y tiempos de grabado más prolongados para lograr valores de Ra más altos. Por otro lado, el WL más bajo se logra con las temperaturas de proceso más bajas y los tiempos de grabado más cortos. Por lo tanto, objetos con CD infinito pueden conducir a un punto con Ra alto y WL alto y otro punto con WL minimizado y rugosidad muy baja (ver Tabla 2). Como se señaló en las secciones anteriores, los sustratos de titanio mecanizados tienen un Ra de aproximadamente 0,5 µm. La optimización del modelo ANN a Ra = 0,5 µm para el valor WL más bajo conduce a condiciones de funcionamiento con la temperatura más baja y un tiempo de proceso cercano a 0 h. Además, la mejor ruta para lograr un valor Ra de 2 µm fue una temperatura de funcionamiento de 54,12 °C y un tiempo de grabado de 3,62 h. En estas condiciones, el WL más bajo alcanzado es de aproximadamente 1,96 µg/cm2.

La homogeneidad es un parámetro objetivo para las superficies en la producción de implantes dentales. La homogeneidad tiene varios efectos sobre las caracterizaciones de las superficies de los implantes dentales y el proceso de producción58,59. Lograr un producto perfectamente reproducible depende de la producción de superficies homogéneas. La variación de características de un punto a otro o de un producto a otro es muy alta en superficies heterogéneas. Un elemento de homogeneidad de la superficie es acercar Rz a Ra. Está claro que Rz suele ser mucho mayor que Ra. Por otro lado, la diferencia entre Ra y Rz no es un factor de reconocimiento superficial como heterogéneo. Sin embargo, una superficie con Rz cercano al valor de Ra se considera más homogénea que una superficie con Rz muy alejado del valor de Ra. Todas las superficies en este estudio tienen un Rz superior a 3 µm, que es superior a los valores de Ra. La Figura 12a muestra que el Rz de la superficie de titanio grabada con H2SO4 se alteró de menos de 4 a aproximadamente 18. El primer objetivo fue minimizar el Rz y maximizar el Ra (Fig. 12a). La optimización para minimizar Rz en Ra = 0,5, Ra = 1, Ra = 1,5 y Ra = 2 se presenta en las figuras 12b-e. Algunos puntos con CD infinito y sus condiciones de funcionamiento se indican en la Tabla 3. En la Tabla 3, podemos ver que el Rz más bajo alcanzable es un poco inferior a 4 µm. En este punto, se obtendrá un Ra minimizado. Por otro lado, se obtiene un Rz maximizado (superior a 18 µm) en condiciones de proceso duras que conducen al Ra más alto (aproximadamente 3,5 µm).

Optimización multiobjetivo de Ra y Rz en el grabado de titanio para lograr (a) Ra maximizado y Rz minimizado, (b) Ra fijo = 0,5 y Rz minimizado, (c) Ra fijo = 1 y Rz minimizado, (d) fijo Ra = 1,5 y Rz minimizado, y (e) Ra fijo = 2 µm y Rz minimizado.

Las características de la superficie de los implantes dentales afectan el proceso de osteointegración y la tasa de supervivencia del implante. En este contexto, un proceso de tratamiento de superficie que afecte la composición de la superficie del implante, la rugosidad y la homogeneidad de la superficie es vital para desarrollar nuevas superficies que faciliten la osteointegración. Este estudio proporciona un enfoque novedoso para utilizar ANN y NSGA-II para modelar y optimizar el proceso de grabado de implantes dentales. Las optimizaciones ANN, como la utilizada en este estudio, se han utilizado previamente en otros campos, como la optimización de la rugosidad de la superficie del mecanizado de aleaciones de magnesio60 y el torneado final de acero endurecido AISI 414061.

Se desarrollaron tres modelos ANN para predecir Ra, Rz y WL en función de la temperatura del H2SO4 y la duración del grabado. De acuerdo con estudios anteriores, todos los coeficientes de correlación estuvieron por encima de 0,98. Por lo tanto, los modelos ANN predijeron los datos experimentales con un alto grado de precisión. Abbas et al.60 demostraron que cuando el coeficiente de correlación del modelo ANN era 0,986, se lograba una alta precisión de su modelo en la predicción de la rugosidad de la superficie. En otro estudio, Meddour et al.61 utilizaron un modelo ANN con un coeficiente de correlación de 0,99 para predecir Ra. Por lo tanto, los modelos de ANN configurados para Ra (R = 0,9892), Rz (R = 0,9970) y WL (R = 0,9991) son confiables. Los resultados de este estudio mostraron que el proceso de grabado puede aumentar la rugosidad de la superficie. Lazzara et al.62 compararon la respuesta ósea de una superficie de doble grabado con implantes mecanizados en el maxilar posterior humano. Después de un tiempo de curación de seis meses, el contacto óseo en la superficie grabada y en la superficie mecanizada fue del 72,96 % y 33,98 % respectivamente. Además, se detectó una característica única en la superficie grabada: el hueso se arrastra a lo largo de la superficie. El efecto osteoconductor de la superficie texturizada sobre la superficie mecanizada fue particularmente pronunciado en el hueso trabecular más blando. En este tipo de hueso, la cantidad de aposición ósea aumentó de 6,5 ± 10,8 % para la superficie mecanizada a 59,1 ± 25,3 % para la superficie grabada.

El bajo torque de extracción es un problema fundamental en algunos implantes dentales con superficies relativamente lisas. Un torque de extracción bajo puede provocar la rotación del implante dental en su lugar durante la carga protésica. Una mayor rugosidad puede aumentar el torque de eliminación necesario que se puede lograr mediante el proceso de grabado en las condiciones resultantes de este estudio. Klokkevold et al.52 investigaron el anclaje de las superficies grabadas y mecanizadas en la tibia de conejo después de uno, dos y tres meses. Después de un mes, el par de eliminación medio de la superficie mecanizada fue de 6,00 ± 0,64 N cm, mientras que fue 3,6 veces mayor para la superficie grabada con 21,86 ± 1,37 N cm. Después de dos meses, la diferencia fue de 3,0 veces, y después de tres meses, la superficie grabada requirió un torque de eliminación de 27,40 ± 3,89 N cm versus 6,73 ± 0,95 N cm para la superficie mecanizada.

Para lograr una superficie homogénea, se necesitaban condiciones de optimización para minimizar Rz y maximizar Ra. Se consideraron las condiciones para lograr un Rz mínimo en Ra = 2 µm. La superficie más homogénea (una relación Ra a Rz de aproximadamente 0,2) se logró a 90 °C después de 6,26 h de grabado. El grabado a aproximadamente 48 °C durante 6,75 h también podría dar como resultado una superficie homogénea con una relación Ra a Rz de 0,17. Carvalho et al. demostró que el grabado de cpTi en H2SO4 al 60 % a 60 °C durante 1 h aumentó la isotropía de la superficie de las superficies mecanizadas del 17,4 al 91,5 %63.

En esta investigación se ha estudiado la rugosidad de la superficie como uno de los parámetros más importantes que son efectivos en el rendimiento de los implantes dentales. Los informes sugieren que la rugosidad de la superficie no es el único parámetro eficaz de la superficie que determina la tasa de supervivencia y el contacto óseo del implante. Según los experimentos clínicos, el titanio grabado con ácido (SLA) promueve un contacto óseo mayor y más rápido cuando se utilizan implantes pulverizados con plasma de titanio33,64. La concentración de hidrógeno en la superficie y la formación de hidruro de titanio65, la topología de la superficie44,66 y la humectabilidad de la superficie67 son algunos otros parámetros que se mejoran mediante el proceso de grabado ácido.

En los métodos avanzados de tratamiento de superficies de implantes dentales como SLA, una combinación de parámetros de abrasión por aire y variables de grabado ácido puede especificar las propiedades finales de la superficie. Tras optimizar la rugosidad superficial variando los parámetros de grabado ácido, estudiaremos el proceso de arenado. En estudios futuros, estamos interesados ​​en explorar el efecto de diferentes formas de partículas de arena en las configuraciones superficiales de los implantes dentales. Además, la velocidad del flujo de gas, la presión, la temperatura, el tamaño de las partículas, la distribución de tamaños y la naturaleza de las partículas también pueden influir en las características finales de la superficie. Sin embargo, dado que las propiedades de la superficie pueden alterarse en el paso de grabado, es necesario considerar los resultados de ambos tratamientos para lograr los resultados más favorables.

Evaluamos el impacto de la temperatura de la solución de grabado y el tiempo del proceso de grabado en las características de la superficie (Ra, Rz y WL) de implantes dentales en una solución ácida que contiene 48% de H2SO4. Los resultados mostraron que aumentar tanto la temperatura como el tiempo del proceso puede mejorar Ra, Rz y WL. Además, los resultados confirmaron la capacidad de un modelo MLP-ANN para predecir las características de la superficie en función de los parámetros de grabado. El aumento del tiempo del proceso de grabado conduce a valores más altos de Ra, Rz y WL. Según las predicciones de MLP-ANN, aumentar el tiempo de grabado a temperaturas más altas de la solución de grabado es más efectivo para mejorar las características de la superficie. A continuación, se utilizó la optimización multiobjetivo basada en NSGA-II para obtener el tiempo óptimo de grabado y la temperatura de la solución de grabado con el objetivo de minimizar WL y Rz y maximizar Ra. Finalmente, los resultados mostraron que la optimización basada en NSGA-II podría aplicarse con éxito al proceso de grabado modelado basado en MLP-ANN que podría usarse en el tratamiento de superficies de implantes dentales. Respecto a los resultados obtenidos, los modelos basados ​​en ANN se pueden utilizar para próximos estudios de modelado de características de superficies. Además, la optimización multiobjetivo basada en NSGA-II se puede aplicar con éxito para predecir la condición de operación ideal, teniendo la mejor superficie.

Murr, LE Principios de metalurgia aplicados a la impresión 3D por fusión de lecho de polvo/fabricación aditiva de implantes biomédicos de aleaciones y metales personalizados y optimizados: una descripción general. J. Mater. Res. Tecnología. 9, 1087-1103 (2020).

Artículo CAS Google Scholar

Priyadarshini, B. et al. Evaluaciones estructurales, morfológicas y biológicas de recubrimientos sol-gel de hidroxiapatita incorporados en cerio sobre Ti-6Al-4V para aplicaciones ortopédicas. J. Mater. Res. Tecnología. 12, 1319-1338 (2021).

Artículo CAS Google Scholar

Nazir, F., Iqbal, M., Khan, AN, Mazhar, M. & Hussain, Z. Fabricación de mezclas robustas de ácido poli l-láctico/copolímero olefínico cíclico (PLLA/COC): estudio de propiedades físicas, estructura y Citocompatibilidad para la ingeniería de tejido óseo. J. Mater. Res. Tecnología. 13, 1732-1751 (2021).

Artículo CAS Google Scholar

Ansari, M., Naghib, S., Moztarzadeh, F. & Salati, A. Síntesis y caracterización de hidróxido de hidroxiapatito de calcio para compuestos dentales. Cerámica. Silikaty 55, 123-126 (2011).

CAS Google Académico

Duyck, J., Slaets, E., Sasaguri, K., Vandamme, K. y Naert, I. Efecto de la carga intermitente y la rugosidad de la superficie sobre la formación de hueso periimplantario en un modelo de cámara ósea. J.Clin. Periodontol. 34, 998–1006 (2007).

Artículo PubMed Google Scholar

Samavedi, S., Whittington, AR y Goldstein, AS Cerámicas de fosfato de calcio en ingeniería de tejido óseo: una revisión de las propiedades y su influencia en el comportamiento celular. Acta Biomater. 9, 8037–8045 (2013).

Artículo CAS PubMed Google Scholar

Balshe, AA, Eckert, SE, Koka, S., Assad, DA y Weaver, AL Los efectos del tabaquismo en la supervivencia de los implantes dentales de superficie lisa y rugosa. En t. J. Maxilofac Oral. Implantes 23, 1117–1122 (2008).

PubMed Google Académico

Balshe, AA, Assad, DA, Eckert, SE, Koka, S. & Weaver, AL Un estudio retrospectivo de la supervivencia de implantes dentales de superficie lisa y rugosa. En t. J. Maxilofac Oral. Implantes 24, 1113–1118 (2009).

PubMed Google Académico

Boyle, WJ, Simonet, WS y Lacey, DL Diferenciación y activación de osteoclastos. Naturaleza 423, 337–342 (2003).

Artículo ADS CAS PubMed Google Scholar

Gittens, RA y cols. Los efectos de la rugosidad superficial combinada a escala micrométrica y submicrónica y las características de nanoescala sobre la proliferación y diferenciación celular. Biomateriales 32, 3395–3403 (2011).

Artículo CAS PubMed Google Scholar

Azzola, F. et al. Formación de biopelículas en la superficie de implantes dentales tratados mediante implantoplastia: un estudio in situ. Mella. J. 8, 40 (2020).

Artículo de Google Scholar

Buser, D. y col. Influencia de las características de la superficie en la integración ósea de implantes de titanio. Un estudio histomorfométrico en cerdos miniatura. J. Biomed. Madre. Res. 25, 889–902 (1991).

Artículo CAS PubMed Google Scholar

Szmukler-Moncler, S., Reingewirtz, Y. & Weber, HP Respuesta ósea a la carga temprana: el efecto del estado de la superficie. Biol. Mec. Movimiento de dientes. Adaptación craneofacial. Bost. Sociedad de Harvard. Adv. Ortodoncia. 611, 616 (1996).

Google Académico

Szmukler-Moncler, S., Perrin, D., Ahossi, V. & Pointaire, P. Evaluación de BONIT®, un recubrimiento de CaP totalmente reabsorbible obtenido por deposición electroquímica, después de 6 semanas de curación: un estudio piloto en el maxilar porcino. Ing. clave. Madre. 192, 395–398 (2001).

Google Académico

Zabala, A. et al. Cuantificación del desgaste superficial de implantes dentales y modificación topográfica generada durante la inserción. Navegar. Topogr. Metrol. Proposición 8, 15002 (2020).

Artículo CAS Google Scholar

da Silva Brum, I. et al. Caracterización ultraestructural de la superficie de titanio grado IV en implantes dentales libres de aluminio (ataque ácido). J. Biomater. Nanobiotecnología. 11, 151 (2020).

Artículo CAS Google Scholar

Isler, SC y cols. Los efectos de los métodos de descontaminación de la superficie de los implantes dentales sobre el análisis de la expresión de citocinas en el tratamiento quirúrgico reconstructivo de la periimplantitis. Odontología 109, 1-11 (2020).

Google Académico

Nicolás-Silvente, AI et al. Influencia del tratamiento superficial del implante de titanio sobre la rugosidad superficial y la composición química. Materiales (Basilea). 13, 314 (2020).

Artículo ADS CAS PubMed Central Google Scholar

Pintão, CAF, Correa, DRN & Grandini, CR Módulo de torsión como herramienta para evaluar el papel del tratamiento termomecánico y la composición de aleaciones dentales Ti-Zr. J. Mater. Res. Tecnología. 8, 4631–4641 (2019).

Artículo CAS Google Scholar

Elias, CN, Fernandes, DJ, de Souza, FM, dos Monteiro, ES & de Biasi, RS Propiedades mecánicas y clínicas del titanio y aleaciones a base de titanio (Ti G2, Ti G4 nanoestructurado trabajado en frío y Ti G5) para aplicaciones biomédicas. J. Mater. Res. Tecnología. 8, 1060–1069 (2019).

Artículo CAS Google Scholar

Ehrenfest, DMD y cols. Tarjeta de identificación y codificación de las características químicas y morfológicas de 62 superficies de implantes dentales. Parte 1: Descripción del sistema de codificación del Implant Surface Identification Standard (ISIS). POSEIDO 2, 7-22 (2014).

Google Académico

Chrcanovic, BR, Albrektsson, T. & Wennerberg, A. Calidad y cantidad de hueso y fracaso de los implantes dentales: una revisión sistemática y un metanálisis. En t. J. Prostodoncista. 30, 219–237 (2017).

Artículo PubMed Google Scholar

Chrcanovic, BR, Kisch, J., Albrektsson, T. y Wennerberg, A. Factores que influyen en los fallos tempranos de los implantes dentales. J. Dent. Res. 95, 995–1002 (2016).

Artículo CAS PubMed Google Scholar

Elías, CN Superficies de implantes dentales de titanio. Matéria (Río Janeiro) 15, 138-142 (2010).

Artículo de Google Scholar

Grizon, F., Aguado, E., Huré, G., Baslé, MF & Chappard, D. Integración ósea mejorada de implantes con mayor rugosidad superficial: un estudio a largo plazo en ovejas. J. Dent. 30, 195-203 (2002).

Artículo CAS PubMed Google Scholar

Fouziya, B. y col. Modificaciones de superficie de implantes de titanio: opciones nuevas, antiguas y de las que nunca se ha oído hablar. J. Adv. Clínico. Res. Perspectivas 3, 215–219 (2016).

Artículo de Google Scholar

Jemat, A., Ghazali, MJ, Razali, M. & Otsuka, Y. Modificaciones de la superficie y sus efectos sobre los implantes dentales de titanio. Biomédica. Res. En t. 2015, 1-11 (2015).

Artículo CAS Google Scholar

Braceras, I., De Maeztu, MA, Alava, JI & Gay-Escoda, C. Aposición ósea de baja densidad in vivo sobre diferentes materiales de superficie de implantes. En t. J. Maxilofac Oral. Cirugía. 38, 274–278 (2009).

Artículo CAS PubMed Google Scholar

Patil, PS y Bhongade, ML Modificaciones de la superficie de los implantes dentales: una revisión. IOSR-JDMS 15, 132-141 (2016).

Google Académico

Wennerberg, A. & Albrektsson, T. Sobre las superficies de los implantes: una revisión de los conocimientos y opiniones actuales. En t. J. Maxilofac Oral. Implantes 25, 63–74 (2010).

PubMed Google Académico

Marín, C. et al. Torque de extracción y evaluación histomorfométrica de superficies de implantes biocerámicos granallados/grabados con ácido y grabados con ácido dual: un estudio experimental en perros. J. Periodontología. 79, 1942-1949 (2008).

Artículo PubMed Google Scholar

Klokkevold, PR, Nishimura, RD, Adachi, M. & Caputo, A. Osteointegración mejorada mediante grabado químico de la superficie de titanio. Un estudio de eliminación de torsión en el conejo. Clínico. Implantes Orales Res. 8, 442–447 (1997).

Artículo CAS PubMed Google Scholar

Cho, S.-A. y Park, K.-T. El torque de extracción del tornillo de titanio insertado en la tibia de un conejo se trató mediante grabado ácido dual. Biomateriales 24, 3611–3617 (2003).

Artículo CAS PubMed Google Scholar

Baker, D., London, RM y O'Neal, R. Tasa de ganancia de fuerza de extracción de implantes de titanio de doble grabado: un estudio comparativo en conejos. En t. J. Maxilofac Oral. Implantes 14, 722–728 (1999).

CAS PubMed Google Académico

Cochran, DL y cols. El uso de tiempos de curación reducidos en implantes ITI® con una superficie arenada y grabada con ácido (SLA): primeros resultados de ensayos clínicos con implantes ITI® SLA. Clínico. Implantes Orales Res. 13, 144-153 (2002).

Artículo PubMed Google Scholar

Roccuzzo, M., Bunino, M., Prioglio, F. & Bianchi, SD Carga temprana de implantes arenados y grabados con ácido (SLA): un estudio comparativo prospectivo de boca dividida: resultados a 1 año. Clínico. Implantes Orales Res. 12, 572–578 (2001).

Artículo CAS PubMed Google Scholar

Testori, T. y col. Una evaluación prospectiva multicéntrica de implantes Osseotite® cargados durante 2 meses colocados en los maxilares posteriores: resultados de seguimiento a 3 años. Clínico. Implantes Orales Res. 13, 154-161 (2002).

Artículo PubMed Google Scholar

Lazzara, RJ, Porter, SS, Testori, T., Galante, J. & Zetterqvist, L. Un estudio multicéntrico prospectivo que evalúa la carga de implantes de oseotita dos meses después de su colocación: resultados al año. J. Estet. Restaurador. Mella. 10, 280–289 (1998).

Artículo CAS Google Scholar

Esfe, MH & Tilebon, SMS Optimización estadística y artificial de las propiedades termofísicas de un nanofluido híbrido a base de aceite utilizando NSGA-II y RSM. Física. Una estadística. Mec. Aplica. 537, 122126 (2020).

Artículo CAS Google Scholar

Salehi, MM, Hakkak, F., Tilebon, SM, Ataeefard, M. & Rafizadeh, M. Nanofibras de poliacrilonitrilo/poli (fluoruro de vinilideno) electrohiladas inteligentemente optimizadas: uso de redes neuronales artificiales. Polimero expreso. Letón. 14, 1003-1017 (2020).

Artículo CAS Google Scholar

Ataeefard, M., Tilebon, SMS, Etezad, SM & Mahdavi, S. Modelado inteligente y optimización del destintado enzimático verde respetuoso con el medio ambiente del papel impreso. Reinar. Ciencia. Contaminación. Res. 29, 1-14 (2022).

Artículo de Google Scholar

Ataeefard, M. & Tilebon, SMS Buscando un papel para impresión digital con el máximo volumen de gama: una lección de inteligencia artificial. J. abrigo. Tecnología. Res. 19, 285–293 (2022).

Artículo CAS Google Scholar

Kohler, R., Sowards, K. y Medina, H. Modelo numérico para grabado ácido de titanio: ingeniería de rugosidad de la superficie de implantes dentales. J. Manuf. Proceso. 59, 113-121 (2020).

Artículo de Google Scholar

Ban, S., Iwaya, Y., Kono, H. y Sato, H. Modificación de la superficie del titanio mediante grabado en ácido sulfúrico concentrado. Mella. Madre. 22, 1115-1120 (2006).

Artículo CAS PubMed Google Scholar

Ataeefard, M., Sadati Tilebon, SM & Saeb, MR Modelado inteligente y optimización del método de agregación de emulsión para producir tinta de impresión ecológica. Proceso Verde. Sintetizador. 8, 703–718 (2019).

Artículo CAS Google Scholar

Hekmatjoo, N. y col. Modelado de la glucólisis de residuos de espuma de poliuretano flexible mediante metodología de redes neuronales artificiales. Polimero. En t. 64, 1111-1120 (2015).

Artículo CAS Google Scholar

Xu, Y., Zhu, Y., Xiao, G. & Ma, C. Aplicación de redes neuronales artificiales para predecir el comportamiento de la corrosión de recubrimientos compuestos de Ni-SiC depositados mediante electrodeposición ultrasónica. Cerámica. En t. 40, 5425–5430 (2014).

Artículo CAS Google Scholar

Tilebon, SMS y Norouzbeigi, R. Humectabilidad de la superficie metálica recubierta con nano SnO2 anticongelante: optimización mediante diseño estadístico. Navegar. Interfaces 21, 100720 (2020).

Artículo CAS Google Scholar

Yousefi, H. & Fallahnezhad, M. Redes polinómicas de orden superior multiobjetivo para modelar la fuerza de inserción de agujas de punta biselada. En t. J. Nat. Computadora. Res. 5, 54–70 (2015).

Artículo de Google Scholar

Fallahnezhad, M. & Yousefi, H. Modelado de la fuerza de inserción de agujas utilizando una red neuronal polinómica de orden superior de programación genética. En Redes neuronales artificiales de orden superior para modelado y simulación (ed. Zhang, M.) 58–76 (IGI Global, 2013).

Capítulo Google Scholar

Ataeefard, M., Tilebon, SMS & Saeb, MR Modelado inteligente y optimización del método de agregación de emulsión para producir tinta de impresión ecológica. Proceso Verde. Sintetizador. 8, 703–718 (2019).

Artículo CAS Google Scholar

Klokkevold, PR et al. Integración endoósea temprana mejorada mediante grabado ácido dual de titanio: un estudio de eliminación de torque en conejos. Clínico. Implantes Orales Res. 12, 350–357 (2001).

Artículo CAS PubMed Google Scholar

Matos, GRM Rugosidad superficial del implante dental y osteointegración. J. Maxilofac. Cirugía Bucal. 20, 1–4 (2021).

Artículo PubMed Google Scholar

Ehrenfest, DMD y cols. Tarjeta de identificación y codificación de las características químicas y morfológicas de 62 superficies de implantes dentales. Parte 3: Superficies arenadas/decapadas con ácido (tipo SLA) y afines (grupo 2A, proceso sustractivo principal). POSEIDO 2, 37–55 (2014).

Google Académico

Dohan Ehrenfest, DM, Vázquez, L., Park, Y.-J., Sammartino, G. y Bernard, J.-P. Tarjeta de identificación y codificación de las características químicas y morfológicas de 14 superficies de implantes dentales. J. Implantol oral. 37, 525–542 (2011).

Artículo PubMed Google Scholar

Kalemaj, Z., Scarano, A., Valbonetti, L., Rapone, B. & Grassi, FR Respuesta ósea a cuatro implantes dentales con diferentes topografías de superficie: un estudio histológico e histométrico en Minipigs. En t. J. Periodonte. Restaurador. Mella. 36, 745–754 (2016).

Artículo de Google Scholar

Alla, RK y cols. Rugosidad superficial de los implantes: una revisión. Tendencias Biomater. Artif. Órganos 25, 112-118 (2011).

Google Académico

Mendonça, G., Mendonça, DBS, Aragao, FJL & Cooper, LF Avances en la tecnología de superficies de implantes dentales: desde el micrón hasta la nanotopografía. Biomateriales 29, 3822–3835 (2008).

Artículo PubMed CAS Google Scholar

Peláez-Vargas, A. et al. Los recubrimientos de sílice isotrópicos con micromodelos sobre circonio inducen el crecimiento celular guiado para implantes dentales. Mella. Madre. 27, 581–589 (2011).

Artículo CAS PubMed Google Scholar

Abbas, AT y cols. Optimización de la rugosidad de la superficie ANN del torneado de acabado de aleación de magnesio AZ61: tiempos de mecanizado mínimos con costes de mecanizado óptimos. Materiales (Basilea). 11, 808 (2018).

Artículo ADS PubMed Central CAS Google Scholar

Meddour, I., Yallese, MA, Bensouilah, H., Khellaf, A. y Elbah, M. Predicción de la rugosidad de la superficie y las fuerzas de corte utilizando RSM, ANN y NSGA-II en el torneado final de acero endurecido AISI 4140 con cerámica mixta herramienta. En t. J. Adv. Fabricante. Tecnología. 97, 1931-1949 (2018).

Artículo de Google Scholar

Lazzara, RJ, Testori, T., Trisi, P., Porter, SS y Weinstein, RL Un análisis histológico humano de oseotitas y superficies mecanizadas utilizando implantes con 2 superficies opuestas. En t. J. Periodonte. Restaurador. Mella. 19, 117-129 (1999).

CAS Google Académico

de Carvalho, DR et al. Caracterización y citocompatibilidad in vitro de una superficie de titanio grabada con ácido. Braz. Mella. J. 21, 3-11 (2010).

Artículo MathSciNet PubMed Google Scholar

Ogawa, T. y col. Evaluación biomecánica de implantes óseos con diferentes topografías superficiales en ratas. J. Dent. Res. 79, 1857–1863 (2000).

Artículo CAS PubMed Google Scholar

Conforto, E., Caillard, D., Aronsson, BO & Descouts, P. Microscopía electrónica sobre implantes de titanio para reemplazo óseo después del tratamiento de superficie “SLA”. EUR. Células Mater. 3, 9-10 (2002).

Google Académico

Perrin, D., Szmukler-Moncler, S., Echikou, C., Pointaire, P. y Bernard, J.-P. Respuesta ósea a la alteración de la topografía de la superficie y la composición de la superficie de implantes arenados y grabados con ácido (SLA). Clínico. Implantes Orales Res. 13, 465–469 (2002).

Artículo PubMed Google Scholar

Ponsonnet, L. et al. Relación entre las propiedades superficiales (rugosidad, humectabilidad) del titanio y aleaciones de titanio y el comportamiento celular. Madre. Ciencia. Ing. C 23, 551–560 (2003).

Artículo CAS Google Scholar

Descargar referencias

Unidad de ingeniería de superficies, AVITA Dental System, KFP-Dental Company, Teherán, Irán

Seyyed Mohamad Sadati Tilebon

Unidad de Investigación y Desarrollo, AVITA Dental System, KFP-Dental Company, Teherán, Irán

Seyed Amirhossein Emamian, Hosseinali Ramezanpour y Hashem Yousefi

División de Biomateriales Dentales, Centro de Medicina Dental y Bucal, Clínica de Odontología Reconstructiva, Universidad de Zürich, Zurich, Suiza

Mutlu Özcan

Departamento de Nanotecnología, Escuela de Tecnologías Avanzadas, Universidad de Ciencia y Tecnología de Irán, PO Box 16846-13114, Teherán, Irán

Seyed Morteza Naghib

Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Universidad Kyung Hee, Yongin, 446-701, República de Corea

Yasser Zare y Kyong Yop Rhee

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

SMST realizó los análisis. SAES, HR, HY, MO y SMN establecieron la idea principal y escribieron y editaron el texto principal del manuscrito. YZ y KYR editaron el manuscrito.

Correspondencia a Seyed Morteza Naghib.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Sadati Tilebon, SM, Emamian, SA, Ramezanpour, H. et al. Modelado inteligente y optimización del grabado de superficies de titanio para aplicación de implantes dentales. Representante científico 12, 7184 (2022). https://doi.org/10.1038/s41598-022-11254-0

Descargar cita

Recibido: 30 de agosto de 2021

Aceptado: 14 de abril de 2022

Publicado: 03 de mayo de 2022

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

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.