Mechanical Behavior of Oil-Saturated Silicone Membranes for Adipose Tissue Synthesis in Clinical and Theatrical Prosthesis
Notice bibliographique
Résumé
Emulating very soft tissues with synthetic materials is important for clinical prosthetists who want to improve compliance in maxillofacial and breast prosthesis. It is equally important for theatrical prosthetists wanting to model bariatric conditions and soft organs for surgical or palpation training. Polydimethylsiloxane (PDMS) gels, which are often used in medical model construction, are stiff and highly elastic compared to the friable soft tissues found in the body. Silicone oil is known to soften PDMS gels, but it is not known precisely how oil dispersal affects these gels and what proportion of oil is needed to simulate very soft tissue membranes like adipose tissue. In this work, internationally agreed test standards were used to mechanically characterize a range of PDMS gel membranes saturated with different amounts of silicone oil to determine whether materials with behavioral similarities to adipose tissue could be created. Mechanical properties like hardness, elasticity, strength, viscoelastic behavior and cure-time are presented in this study, which are all key factors required by the creators of such membranes. Results were compared to identical tests on porcine fat and data in the literature for porcine and human fat. The data revealed a strong correlation between increases in oil content and decreases in membrane hardness, strength and elastic modulus. It was also found that increases in oil content caused proportional increases in cure time, while membranes with equal amounts of oil and gel were best at mimicking characteristics of human and porcine fat, like hardness and elasticity.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».