Investigating Commercial Filaments for 3D Printing of Stiff and Elastic Constructs with Ligament-Like Mechanics
Notice bibliographique
Résumé
The current gold standard technique for treatment of anterior cruciate ligament (ACL) injury is reconstruction with autograft. These treatments have a relatively high failure and re-tear rate. To overcome this, tissue engineering and additive manufacturing are being used to explore the potential of 3D scaffolds as autograft substitutes. However, mechanically optimal polymers for this have yet to be identified. Here, we use 3D printing technology and various materials with the aim of fabricating constructs better matching the mechanical properties of the native ACL. A fused deposition modeling (FDM) 3D printer was used to microfabricate dog bone-shaped specimens from six different polymers-PLA, PETG, Lay FOMM 60, NinjaFlex, NinjaFlex-SemiFlex, and FlexiFil-at three different raster angles. The tensile mechanical properties of these polymers were determined from stress-strain curves. Our results indicate that no single material came close enough to successfully match reported mechanical properties of the native ACL. However, PLA and PETG had similar ultimate tensile strengths. Lay FOMM 60 displayed a percentage strain at failure similar to reported values for native ACL. Furthermore, raster angle had a significant impact on some mechanical properties for all of the materials except for FlexiFil. We therefore conclude that while none of these materials alone is optimal for mimicking ACL mechanical properties, there may be potential for creating a 3D-printed composite constructs to match ACL mechanical properties. Further investigations involving co-printing of stiff and elastomeric materials must be explored.
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 | 0,000 |
| 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 ».