Estimation of Injury Limits at Vulnerable Impact Locations Along the Forearm Via THUMS AM50 Finite Element Model at Airbag Loading Rates
Notice bibliographique
Résumé
Side and frontal airbag deployment represents the main injury mechanism to the upper extremity during automotive collisions. Previous dynamic injury limit research has been limited to testing the forearm at either the assumed most vulnerable location to fracture, the distal 1/3rd, or the midpoint. Studies have varied the surface to which impacts were applied, with no clear consensus on the site of greatest vulnerability. The unpredictability of airbag impact location, especially with altered hand positioning, limits the effectiveness of existing forearm injury limits determined from impacts at only one location. The current study quantified the effect of impacts at alternative locations on injury risk along the forearm using the THUMS FE model. Airbag-level impacts were simulated along the forearm on all four anatomical surfaces. Results showed the distal 1/3rd is not the most vulnerable location (for any side), indicating forearm fracture is not solely driven by area moment of inertia (as previously assumed). The posterior forearm was the weakest, suggesting that current test standards underestimate the fracture risk of the forearm. Linear regression models showed strong correlation between forearm fracture risk and bone geometry (cross-sectional area and area moment of inertia) as well as soft-tissue depth, potentially providing the ability to predict forearm injury tolerances for any location or forearm size. This study demonstrated the forearm's vulnerability to fracture from airbag deployments, indicating the need for safety systems to better address injury mechanisms for the upper limb to effectively protect drivers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».