Computational turf model validation with Clegg Impact Soil Tester experimental impacts on a wide range of synthetic turf constructions
Notice bibliographique
Résumé
The use of synthetic turf has been increasing in professional sports, where evaluation of novel turf designs for mechanical response, consistency, and athlete playability currently requires time-consuming and complex physical testing on physical turf, and more efficient drop-weight impact testing. A variety of drop tests are used to measure the impact response and surface stiffness of synthetic turf, including the Clegg Impact Soil Tester (CIST). Finite element computational models offer an opportunity to assess new turf designs prior to the construction of physical turfs but require validation for a range of turf constructions. In the present study, 14 different synthetic turf designs with varying infill and fibers were constructed and experimentally evaluated using the CIST device. Peak accelerations and acceleration-versus-time responses were measured. The turf constituent materials were mechanically characterized, FE models of all the turfs were created, and the CIST tests were simulated. The peak acceleration from the simulation followed the experimental trend for the wide range of turf designs, with an average difference of 9.7%. When considering conventional turf constructions, the average difference in peak acceleration was 8.8%, indicating the models provided a good prediction of turf impact response and can be used to assess new turf designs virtually, potentially reducing design times and physical test requirements.
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 | 0,000 |
| 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 ».