Effect of support arrangements on 3D printing denture accuracy: An <i>in vitro</i> study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Supports are essential for ensuring dimensional accuracy in 3D printing; however, an excessive number of supports compromises printing efficiency. This study aimed to investigate how a varying number of support arrangements affects the precision and trueness of 3D-printed dentures. METHODS: Three denture base printing files were designed, each with different numbers of supports: 40 (group 40), 55 (group 55), and 70 (group 70). Thirty samples were printed and measured across the groups. Accuracy was evaluated by assessing trueness and precision using the root mean square error (RMSE). The error areas in each group were analyzed through micro-computed tomography (micro-CT) 3D imaging. RESULTS: Group 70 showed a significantly lower RMSE for trueness than Group 40 (P < 0.05), but showed no significant difference from Group 55 (P ≥ 0.05). For precision, Group 70 outperformed both Groups 40 and 55 (P < 0.05), which did not differ significantly (P ≥ 0.05). Micro-CT revealed no mismatches in the palatal region. Discrepancies-areas where the supports in Groups 40 and 55 did not accurately align with those in Group 70-were predominantly observed at initiation points of overhangs in thinner sections. CONCLUSIONS: Based on these results, this study recommends placing support structures strategically around overhangs and thin-walled areas to enhance the accuracy of 3D-printed denture fabrication. These findings indicate that optimizing support placement, rather than merely increasing the number of supports, is crucial in improving the quality and reliability of 3D-printed dental prostheses.
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.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle