Modélisation dynamique des effets de l'explosion d'une mine anti-véhicule sur le corps humain
Bibliographic record
Abstract
e projet a permis de créer un modèle dynamique permettant d'observer les effets de l'accélération provenant de l'explosion d'une mine Anti-Véhicule (AV) sur les occupants de véhicule blindé léger. Le but du modèle est de prédire les lésions issues de ces accélérations. Ces prédictions permettent de tester et de mettre au point différents systèmes de protection pour les occupants. Il a tout d'abord été démontré que l'utilisation d'une tour de chute verticale permettait de reproduire les accélérations globales subies par le véhicule lors de l'explosion. Différents modèles dynamiques ont démontré qu'avec ces données d'accélération, un modèle à segments corporels rigides est suffisant pour représenter grossièrement la cinématique de chacun des segments lors de l'explosion. Les efforts internes aux segments, provoquant de toute évidence les lésions, calculés à l'aide du type de modèle mentionné plus haut semblent erronés. Par conséquent, une deuxième phase du projet a consisté à améliorer un modèle simple à segments corporels rigides par une représentation anatomique plus réaliste. Étant donné l'ampleur d'un tel travail, les travaux se sont concentrés sur le cou, apparemment plus susceptible aux lésions. Le modèle est basé sur LS-Dyna (v971, Livermore Software Technology Corporation, Livermore, CA, USA) et a été exécuté sur le système de calcul sériel Mammouth du Réseau québécois de calcul de haute performance afin d'accélérer le temps de calcul. Les résultats démontrent des déformations et des taux de déformation très élevés pour les muscles, ligaments et fasciae du cou. De plus, le modèle nous a permis d'identifier une séquence de lésion particulière. La première structure lésée est le ligament nucal, suivi du ligament antérieur. Les lésions arrivent plus spécifiquement au niveau CO-C1, à la base du crâne.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".