MétaCan
Menu
← Retour à la cohorte
Enregistrement W3111504688 · doi:10.1016/j.jmbbm.2020.104253

Evaluation of experimental, analytical, and computational methods to determine long-bone bending stiffness

2020· article· en· W3111504688 sur OpenAlexafffund
Caitlyn J. Collins, Baixuan Yang, Thomas D. Crenshaw, Heidi‐Lynn Ploeg

Notice bibliographique

RevueJournal of the mechanical behavior of biomedical materials/Journal of mechanical behavior of biomedical materials · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueBone health and osteoporosis research
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Wisconsin-MadisonWisconsin Alumni Research Foundation
Mots-clésFinite element methodStiffnessStructural engineeringIsotropyFlexural rigidityBendingFlexural strengthBending stiffnessThree point flexural testCortical boneComputer scienceMaterials scienceBiomedical engineeringMathematicsEngineeringPhysicsMedicine

Résumé

récupéré en direct d'OpenAlex

Methods used to evaluate bone mechanical properties vary widely depending on the motivation and environment of individual researchers, clinicians, and industries. Further, the innate complexity of bone makes validation of each method difficult. Thus, the purpose of the present research was to quantify methodological error of the most common methods used to predict long-bone bending stiffness, more specifically, flexural rigidity (EI). Functional testing of a bi-material porcine bone surrogate, developed in a previous study, was conducted under four-point bending test conditions. The bone surrogate was imaged using computed tomography (CT) with an isotropic voxel resolution of 0.625 mm. Digital image correlation (DIC) of the bone surrogate was used to quantify the methodological error between experimental, analytical, and computational methods used to calculate EI. These methods include the application of Euler Bernoulli beam theory to mechanical testing and DIC data; the product of the bone surrogate composite bending modulus and second area moment of inertia; and finite element analysis (FEA) using computer-aided design (CAD) and CT-based geometric models. The methodological errors of each method were then compared. The results of this study determined that CAD-based FEA was the most accurate determinant of bone EI, with less than five percent difference in EI to that of the DIC and consistent reproducibility of the measured displacements for each load increment. CT-based FEA was most accurate for axial strains. Analytical calculations overestimated EI and mechanical testing was the least accurate, grossly underestimating flexural rigidity of long-bones.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,027
score de la tête « metaresearch » (Gemma)0,074
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,141

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0270,074
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,434
Écart entre enseignants0,326 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the mechanical behavior of biomedical materials/Journal of mechanical behavior of biomedical materials→Même sujetBone health and osteoporosis research→Travaux en français237 207→