Investigating Process Parameters and Microhardness Predictive Modeling Approaches for Single Bead 420 Stainless Steel Laser Cladding
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Laser cladding is a novel process of surface coating, and researchers in both academia and industry are developing additive manufacturing solutions for large, metallic components. There are many interlinked process parameters associated with laser cladding, which may have an impact on the resultant microhardness profile throughout the bead zone. A set of single bead laser cladding experiments were done using a 4 kW fiber laser coupled with a 6-axis robotic arm for 420 martensitic stainless steel powder. A design of experiments approach was taken to explore a wide range of process parameter settings. The goal of this research is to determine whether robust predictive models for hardness can be developed, and if there are predictive trends that can be employed to optimize the process settings for a given set of process parameters and microhardness requirements. In this study, statistical correlations are made between the process parameters and the microhardness using the analysis of variance (ANOVA), multiple regressions analysis, 3D surface mapping regression, contour plot regression equipped with statistical software SPSS and Minitab. Selected microhardness experimental data are used to run multiple regressions to determine the optimum predictive microhardness model for a wide range of settings. The regression model shows that the predicted microhardness results are in good agreement with the experimental values of within the acceptable range of cladding parameters. The individual effects for each process parameter were determined quantitatively and qualitatively. This research will provide a platform for a laser cladding process parameter selection and optimization.</div></div>
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».