P220 Evaluating the influence of method, seat positioning, and anthropometric scaling on mobile machinery visibility profiles obtained using computer simulation
Notice bibliographique
Résumé
ISO 5006–1 describes specific methods for evaluating visibility on large mobile machinery. The specifications of the ISO 5006–1 have however received criticism for its inability to allow evaluation of differing types of machinery, practical applicability in field settings, and assumptions surrounding eye point spacing. Field practitioners have struggled to determine a method that retains the accuracy of the standard while being feasible for rapid completion in difficult environments. The purpose of this research was to quantify differences in masking widths obtained using variations on the standard method of measurement, as well as anthropometric variables such as operator height and seat location. A computer simulation (Jack 8.0) version of the ISO 5006–1 was completed on an industrial forklift (Toyota 25) and a larger haul truck (TORO 40D). Masking widths and percent visibility were compared to assess measurement variability. Percent visibility estimations using binocular and monocular methods varied <1% across both small and large machinery. This finding is advantageous as it provides support for use of the more pragmatic monocular method in field assessments. Additionally, variation resulting from modelling operators of differing heights was also <1%, indicating that the evaluation method can be applied without necessarily knowing operator anthropometrics. Deviation of seat position from a neutral position also produced estimates of visibility with <1% variation in both small and large machinery. Variation due to operator height and seat positioning varied less among the tested conditions than between measurement methods. Depending on the accuracy required for given applications, the observed variation in measurements may be considered acceptable or unacceptable. The most accurate and reliable measures should be used in controlled conditions, such as those involved in the initial design of machinery. However, for field practitioners the observed variability in measures may be justifiable given field measurement constraints.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».