MétaCan
Menu
Retour à la cohorte
Enregistrement W3128595983 · doi:10.1115/1.4050036

Quasi-Linear Viscoelastic Characterization of Soft Tissue-Mimicking Materials

2021· article· en· W3128595983 sur OpenAlexafffund
Hamed Helisaz, Mattia Bacca, Mu Chiao

Notice bibliographique

RevueJournal of Biomechanical Engineering · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueElasticity and Material Modeling
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésOgdenViscoelasticityElastic modulusNonlinear systemCharacterization (materials science)Linear elasticityMaterials scienceRelaxation (psychology)Stress relaxationMaterial propertiesElasticity (physics)MechanicsStatistical physicsPhysicsComposite materialNanotechnologyThermodynamicsFinite element methodCreep

Résumé

récupéré en direct d'OpenAlex

We present a novel method based on the quasi-linear viscoelastic (QLV) theory to describe the time-dependent behavior of soft materials. Unlike previous methods for deriving QLV parameters, we characterize the elastic and viscous behavior of materials separately by using two different sets of experiments. To model the nonlinear elastic behavior, we fit the elastic stress response with a one-term Ogden model. Then, we model the relaxation behavior with a Prony series to compare the stress relaxation of the material at different timescales. This new method allows us to characterize materials with narrow confidence intervals (high accuracy), independently from the loading conditions. We validate our model using samples made of phantom materials that mimic normal and cancerous prostate tissues in terms of Young's modulus. Our model is shown to distinguish materials with similar elastic (viscous) properties but different viscous (elastic) properties. Drawing a precise distinction between the phantoms, this method could be useful for prostate cancer (PCa) diagnosis; but significant clinical studies will be needed in the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,490
Score d'incertitude au seuil0,660

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,010
Tête enseignante GPT0,214
Écart entre enseignants0,204 · 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 tête enseignante, 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

Citations13
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Biomechanical EngineeringMême sujetElasticity and Material ModelingTravaux en français237 207