Publication: การศึกษาอิทธิพลของขนาดและทิศทางของแรงต่อการแตกหักที่ปลายกระดูกแขนท่อนล่างด้วยวิธีไฟไนต์เอลิเมนต์
0
0
Issued Date
2025
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
65
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
เนตรนภา ห้วยหงษ์ทอง (2025). การศึกษาอิทธิพลของขนาดและทิศทางของแรงต่อการแตกหักที่ปลายกระดูกแขนท่อนล่างด้วยวิธีไฟไนต์เอลิเมนต์. สืบค้นจาก: https://hdl.handle.net/20.500.14740/55635
Alternative Title(s)
Influence of load magnitude and direction on distal forearm fracture_ finite element analysis
Author(s)
Advisor(s)
Abstract
Distal forearm fractures are common injuries caused by falls on an outstretched hand
(FOOSH), in which loading magnitude and direction affect strain distribution and fracture
risk. This study investigated the effects of loading magnitude and direction on distal
forearm fractures using Finite Element Analysis (FEA) combined with Machine Learning. A
three-dimensional model of the distal forearm was developed from CT scan images,
including the radius, ulna, carpal bones, interosseous membrane, articular cartilage, and
wrist ligaments. Heterogeneous material properties were assigned based on Hounsfield
Unit (HU) values and Young’s modulus relationships. Different FOOSH loading conditions
were simulated to evaluate principal strain distribution within the distal forearm. The
results showed that increasing loading magnitude increased tensile and compressive strain
values, while loading direction and wrist posture significantly influenced strain distribution.
Extension combined with radial deviation and ulnar deviation produced higher strain
concentrations than other loading conditions. Variations in Young’s modulus also affected
fracture risk. In addition, the CatBoost regression model demonstrated acceptable
performance in predicting strain distribution, particularly for compressive strain, and
generated contour patterns similar to FEA results. These findings demonstrate the
potential of Machine Learning to reduce computational time and support biomechanical
analysis in the future.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2568