A tribological perspective on friction and performance in Olympic snow and ice sports
Notice bibliographique
Résumé
Abstract With 62% of medals at the upcoming 2026 Winter Olympics in Milano-Cortina to be awarded in skiing disciplines and the remaining 38% in ice-based events, understanding the determinants of performance is critical. Despite extensive examination of athletes’ physiological, biomechanical, and psychological attributes, the role of tribology—particularly in understanding friction on snow and ice—has received less attention. This is a scientific perspective article outlining key tribological factors and highlighting their importance in Olympic winter sports. In skiing, optimising the ski–snow interaction requires a comprehensive understanding of how friction is influenced by snow crystal morphology, temperature, ski base material and structure, ski stiffness, skier technique, and environmental conditions. For ice-based events, friction is determined by a combination of ice surface roughness, temperature, and sport-specific preparation techniques, as well as equipment design (e.g. blade material and geometry, the running surface finish of curling stones) and athlete technique (e.g. angle of attack in speed skating, sweeping in curling). Ice preparation techniques further influence friction, with specific conditions tailored to each sport. In conclusion, advancements in Olympic winter sports have been significant. However, future breakthroughs in performance may lie in applying tribological insights to optimise the complex interactions between athletes, equipment, and the unique properties of snow and ice. This perspective article aims to guide future research by synthesising current understanding and identifying emerging challenges in winter sports tribology.
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 ».