Estimating propulsive efficiency of bottlenose dolphins during steady-state swimming*
Notice bibliographique
Résumé
Cetaceans are phenomenal swimmers, but the marine environment makes it difficult to directly observe and quantify their dynamic swimming behavior. Biologging tags are often used to measure animal movement in the wild. But these embedded systems only measure movement kinematics where they are attached, and cannot measure the hydrodynamic forces the animals use to swim. Here, we present a framework that leverages a low-order model of dolphin swimming dynamics and kinematic data (orientation, depth, speed) collected from a biologging tag to: A) estimate the sagittal-plane body kinematics of swimming bottlenose dolphins (Tursiops truncatus); and B) estimate swimming kinetics and propulsive efficiency during steady-state swimming. Body kinematics for the segmented dolphin model were estimated from tag data using a temporal convolutional network that was trained using a synthetic data set. The estimated segment angles had errors of less than 2° from the true body joint angles. The measured and estimated kinematic data were used as inputs for the dolphin model to estimate the internal and external forces generated during swimming. The estimated kinematics and kinetics compare with published results, and the estimated propulsive efficiency were typically greater than 70% across the range of swimming speeds investigated. These results enable per stoke estimates of propulsive efficiency, and provide the foundation for an approach that can be used in the future to estimate the swimming biomechanics of dolphins in the wild.
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 | 0,001 |
| 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 ».