MétaCan
Menu
Retour à la cohorte
Enregistrement W4391783463 · doi:10.1177/17543371241231358

Synthetic turf finite element model development and validation

2024· article· en· W4391783463 sur OpenAlexaff
Michael Bustamante, Brock Watson, Matheus A. Correia, Aleksander Rycman, Jared Yoder, Cody M. O’Cain, Gwansik Park, Philipe Aldahir, Duane S. Cronin

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part P Journal of Sports Engineering and Technology · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueComputational Fluid Dynamics and Aerodynamics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésFinite element methodModel validationComputer scienceEngineeringStructural engineeringData science

Résumé

récupéré en direct d'OpenAlex

Assessment of synthetic turf performance has been undertaken using a variety of experimental methods but is limited in understanding the complex physics of cleat-turf interaction. Computational models could provide insight, but there is currently no validated model of synthetic turf available. The scope of this study was to develop a Finite Element (FE) model of synthetic turf using a hierarchical approach and validate the model using independent test data. A physical third-generation synthetic turf comprising slit-film fibers with sand and rubber crumb infill was constructed. Experiments were conducted using a direct impact (Clegg) device and an artificial cleat-form. Material characterization tests were performed on the individual turf components, integrated into constitutive models, and a full turf FE model was constructed. The carpet was modeled with shell elements while the granular infill was modeled using smoothed-particle hydrodynamics (SPH) elements. A method to simulate the physical pre-conditioning performed on the experimental turf was developed. Both unconditioned and pre-conditioned turfs were assessed using Clegg tests. The re-created Clegg tests on the turf model demonstrated good agreement with the physical tests, with higher acceleration for the pre-conditioned turf. The turf model was validated using experiments with a turf test apparatus including dynamic translation and rotation of a cleat-form. The model predicted results in good agreement with the experiments (average CORA rating of 0.863) on pre-conditioned turf. The resulting model and methods can be expanded to synthetic turf of different constituent materials, to investigate their effects on cleat-surface interaction, optimizing performance, and reducing injury risk.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,005
Tête enseignante GPT0,182
Écart entre enseignants0,177 · 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'étudeSimulation ou modélisation
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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part P Journal of Sports Engineering and TechnologyMême sujetComputational Fluid Dynamics and AerodynamicsTravaux en français237 207