Fatigue life assessment of endodontic instruments subjected to multi planar curvature

This present study aimed to investigate the fatigue life of unused (new) endodontic instruments made of NiTi with control memory by Coltene™ and subjected to the multi curvature of a mandibular first molar root canal. Additionally, the instrument‟s structural behaviour was analysed through non-linear finite element analysis (FEA). The fatigue life of twelve Hyflex™ CM files was assessed while were forced to adopt a stance with multiple radius of curvature, similar to the ones usually found in a mandibular first molar root canal; nine of them were subjected to Pecking motion, a relative movement of axial type. To achieve this, it was designed an experimental setup with the aim of timing the instruments until fracture while worked inside a stainless steel mandibular first molar model with relative axial motion to simulate the pecking motion. Additionally, the model‟s root canal multi-curvature was confirmed by radiography. The non-linear finite element analysis was conducted using the computer aided design software package SolidWorks™ Simulation, in order to define the imposed displacement required by the FEA, it was necessary to model an endodontic instrument with simplified geometry using SolidWorks™ and subsequently analyse the geometry of the root canal CAD model. The experimental results shown that the instruments subjected to pecking motion displayed higher fatigue life values and higher lengths of fractured tips than those with only rotational relative movement. The finite element non-linear analyses shown, for identical conditions, maximum values for the first principal stress lower than the yield strength of the material and those were located in similar positions to the instrument‟s fracture location determined by the experimental testing results.

From user browsing behaviour to user demographics

A Internet conta hoje com mais de 3 mil milhões de utilizadores e esse valor não para de aumentar. Desta forma, proporcionar uma experiência online agradável aos seus utilizadores é cada vez mais importante para as empresas. De modo a tirar partido dos benefícios deste crescimento, as empresas devem ser capazes de identificar os seus clientes-alvo dentro do total de utilizadores; e, subsequentemente, personalizar a sua experiência online. Existem diversas formas de estudar o comportamento online dos utilizadores; no entanto, estas não são ideais e existe uma ampla margem para melhoria. A inovação nesta área pode comportar um grande potencial comercial e até ser disruptiva. Com isto em mente, proponho-me a estudar a possível criacão de um sistema de aprendizagem automática (machine learning) que permita prever informa ações demográficas dos utilizadores estritamente com base no seu comportamento online. Tal sistema poderia constituir uma alternativa às atuais opções, que são mais invasivas; mitigando assim preocupações ao nível da proteção de dados pessoais. No primeiro capítulo (Introdução) explico a motivação para o estudo do comportamento dos utilizadores online por parte de empresas, e descrevo as opções disponíveis atualmente. Apresento também a minha proposta e o contexto em que assenta. O capítulo termina com a identicação de limitações que possam existir a priori. O segundo capítulo (Machine Learning) fornece uma introdução sobre machine learning, com o estudo dos algoritmos que vão ser utilizados e explicando como analisar os resultados. O terceiro capítulo (Implementação) explica a implementação do sistema proposto e descreve o sistema que desenvolvi no decorrer deste estudo, e como integra-lo em sistemas já existentes. No quarto capítulo (Análise e manipulação dos dados), mostro os dados compilados e explico como os recolhi e manipulei para testar a hipótese. No quinto capítulo (Análise de dados e discussão) vemos como e que os dados recolhidos foram usados pelos vários algoritmos para descobrir como se correlacionam com dados dos utilizadores e analiso e discuto os resultados observados. Por fim, o sexto e último capítulo apresenta as conclusões. Dependendo dos resultados, mostro como a hipótese poderia ser melhor testada, ou então discuto os próximos passos para tornar o sistema realidade.