Probability of fatigue failure and minimum sample size requirements for cyclically loaded bone
Notice bibliographique
Résumé
Fatigue-life measurements of bone exhibit a significant amount of scatter, which may be characterized probabilistically using a Weibull analysis. Despite an abundance of fatigue testing literature, a standard recommendation for the number of samples required to adequately characterize the probability of fatigue failure in bone does not exist. The primary objective of this work was to determine the minimum sample size required to fit a Weibull distribution to fatigue-life measurements of cyclically loaded bone. Two existing experimental datasets comprising cortical and subchondral bone samples were used in this work. Weibull parameters were estimated using both the maximum likelihood and rank regression methods. A Monte Carlo simulation was used to estimate Weibull parameters for different sample sizes and a convergence analysis was used to determine the minimum required sample size. A simulated dataset with known population parameters was also used to assess the accuracy of the estimated Weibull parameters and to compare the two estimation methods. Our findings suggest that as many as n = 11 samples may be required to adequately quantify Weibull parameters from fatigue tests of bone. At the converged sample size, Weibull parameters differed from true population-level parameters by 3 %-25 %, depending on the estimation method. The maximum likelihood method provided the most accurate and precise estimates of Weibull parameters. These findings provide a framework for future studies aimed at reliably quantifying the probability of fatigue failure in bone.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».