MétaCan
Menu
Retour à la cohorte
Enregistrement W3199809594 · doi:10.1109/icarm52023.2021.9536091

Design and Implement an Elastically Suspended Back Frame for Reducing the Burden of Carrier

2021· article· en· W3199809594 sur OpenAlexaff
Yuquan Leng, Xin Lin, Ranbao Deng, Jing Chang, Lianxin Yang, Kuangen Zhang, Chenglong Fu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOccupational Health and Performance
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesState Key Laboratory of RoboticsNational Natural Science Foundation of China
Mots-clésBackpackStiffnessWork (physics)Heavy loadStructural engineeringFrame (networking)Computer scienceMaterials scienceEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Previous work has proved that carrying an elastically suspended load can improve the biomechanics of human body and reduce the burden of human body compared with carrying a rigid load. However, how to design and implement an effective elastically suspended load has been less researched. In this paper, we firstly analyze the relationship between the elastic load force acting on the human body and the parameters (stiffness and damping) of the elastic system to guide the design. Then, our prototype which is an effective elastically suspended back frame and can bind loads of various shapes is realized. The mass of the whole prototype is 2.66 kg. Experiments were carried to test the effect of the system. Results show that an elastically suspended back frame with a load of 25.3 kg could reduce the amplitude of load by 30.2%, reduce maximal load force acting on the carrier by 16.6% compared with the rigid load with backpack. Compared with carrying the rigid load with backpack, the mechanical work is reduced by 56.5% and the maximal mechanical power is also reduced by 66.1%.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,138
Tête enseignante GPT0,476
Écart entre enseignants0,338 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOccupational Health and PerformanceTravaux en français237 207