HOW INFILL PERCENTAGE AFFECTS THE ULTIMATE STRENGTH OF A 3D-PRINTED TRANSTIBIAL SOCKET
Notice bibliographique
Résumé
INTRODUCTION 3D printing for non‐weight‐bearing upper extremity prostheses is becoming increasingly popular as a method of fabrication.1 Some clinics in North America have begun using 3D printing to fabricate lower extremity diagnostic sockets (Figure 1). The strength requirements for upper extremity prostheses are not as rigorous as the strength requirements for lower extremity prostheses. Therefore, strength testing on 3D-printed lower extremity sockets is one of the first steps that needs to be conducted to ensure patient safety. 3D-printed prosthetic sockets are becoming an alternative option to traditional methods because it is possible to customize different parameters to create a strong structure. Infill percentage is an important parameter to research as this can have an influence on the strength of 3D printed sockets.2 As both prosthetists and healthcare professionals, there is a need to become more involved in the process of designing and testing 3D printed sockets. The purpose of this study is to test how changing the infill percentage affects the ultimate strength of a 3D printed transtibial socket during initial contact. Abstract PDF Link: https://jps.library.utoronto.ca/index.php/cpoj/article/view/32038/24453 How to cite: Campbell L, Lau A, Pousett B, Janzen E, Raschke S.U. HOW INFILL PERCENTAGE AFFECTS THE ULTIMATE STRENGTH OF A 3D-PRINTED TRANSTIBIAL SOCKET. CANADIAN PROSTHETICS & ORTHOTICS JOURNAL, VOLUME 1, ISSUE 2, 2018; ABSTRACT, POSTER PRESENTATION AT THE AOPA’S 101ST NATIONAL ASSEMBLY, SEPT. 26-29, VANCOUVER, CANADA, 2018. DOI: https://doi.org/10.33137/cpoj.v1i2.32038 Abstracts were Peer-reviewed by the American Orthotic Prosthetic Association (AOPA) 101st National Assembly Scientific Committee. http://www.aopanet.org/
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».