Simulación numérica del índice de lesión encefálica provocado por un accidente vehicular en diferentes escenarios de colisión
Bibliographic record
Abstract
Este trabajo se centra en el estudio de los efectos resultantes tras un accidente automovilístico y específicamente en el Criterio de Lesión Encefálica (HIC, por sus siglas en ingles). Utilizando dos modelos numéricos diferentes de maniquí y representados en condiciones diferentes de acuerdo a las características propias para cada evento. Para el primer caso, se tiene un infante de 6 años bajo el efecto de una colisión vehicular frontal empleando un asiento porta infante en dirección del sentido de la marcha del vehículo. Para tal efecto, se incluyó un cinturón de seguridad del automóvil y el pretensor de 5 puntos que incluye la silla porta infante para visualizar los efectos de la silla perfectamente instalada y cuando no está adecuadamente anclada al vehículo. Para el segundo escenario, se busca evaluar la agresividad de los frontales de los vehículos de acuerdo a su geometría y composición. Donde la obtención de parámetros biomecánicos, como: fuerza, velocidad y aceleración son fundamentales para determinar el daño producido en el peatón. Los análisis numéricos presentados en este trabajo se desarrollaron bajo las directivas establecidas por la Canadian Motor Vehicle Safety Standard 208 y la United States Federal Motors Vehicle Safety Standard. Con valores de HIC obtenidos, es posible establecer las bases y teorías capaces de predecir los daños que sufrirá cada uno de los casos estudiados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".