Comparison of numerical methods for cerebrospinal fluid representation and <scp>fluid–structure</scp> interaction during transverse impact of a finite element spinal cord model
Notice bibliographique
Résumé
Spinal cord impacts can have devastating consequences. Computational models can investigate such impacts but require biofidelic numerical representations of the neural tissues and fluid-structure interaction with cerebrospinal fluid. Achieving this biofidelity is challenging, particularly for efficient implementation of the cerebrospinal fluid in full computational human body models. The goal of this study was to assess the biofidelity and computational efficiency of fluid-structure interaction methods representing the cerebrospinal fluid interacting with the spinal cord, dura, and pia mater using experimental pellet impact test data from bovine spinal cords. Building on an existing finite element model of the spinal cord and pia mater, an orthotropic hyperelastic constitutive model was proposed for the dura mater and fit to literature data. The dura mater and cerebrospinal fluid were integrated with the existing finite element model to assess four fluid-structure interaction methods under transverse impact: Lagrange, pressurized volume, smoothed particle hydrodynamics, and arbitrary Lagrangian-Eulerian. The Lagrange method resulted in an overly stiff mechanical response, whereas the pressurized volume method over-predicted compression of the neural tissues. Both the smoothed particle hydrodynamics and arbitrary Lagrangian-Eulerian methods were able to effectively model the impact response of the pellet on the dura mater, outflow of the cerebrospinal fluid, and compression of the spinal cord; however, the arbitrary Lagrangian-Eulerian compute time was approximately five times higher than smoothed particle hydrodynamics. Crucial to implementation in human body models, the smoothed particle hydrodynamics method provided a computationally efficient and representative approach to model spinal cord fluid-structure interaction during transverse impact.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».