A selective smoothed finite element method with visco‐hyperelastic constitutive model for analysis of biomechanical responses of brain tissues
Notice bibliographique
Résumé
Abstract Brain tissues are known for exhibiting complex nonlinear and time‐dependent properties, which require visco‐hyperelastic constitutive models for proper simulation. In this paper, a Total Lagrangian Explicit Selective Smoothed Finite Element Method (Selective S‐FEM) is formulated to analyze the dynamic behavior of incompressible brain tissues undergoing extremely large deformation. The proposed Selective S‐FEM deals with three‐dimensional problems using four‐node tetrahedron elements that can be automatically generated for geometrically complex soft tissues. It consists of the three key ingredients. (i) A visco‐hyperelastic constitutive model is developed within the framework of S‐FEM in the first time, allowing adequate modeling of the dynamic brain tissue behavior. (ii) Selective S‐FEM strategy is used for overcome the mesh distortion and the volumetric locking that often occurs in soft tissues. (iii) Total Lagrangian formulation is used in an explicit algorithm allowing rigorous simulation of extreme large deformation. (iv) A combined implementation of Selective S‐FEM with the visco‐hyperelastic constitutive model for dynamic simulations. The shear deformation is calculated by Face/Edge‐based S‐FEM, and the volume deformation is calculated by NS‐FEM. Numerical experiments show that Selective S‐FEM is a robust solver with good accuracy, and excellent ability to reduce element distortion effects in simulate time‐dependence behavior of bio‐tissues.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».