A Comprehensive Approach to Powder Feedstock Characterization for Powder Bed Fusion Additive Manufacturing: A Case Study on AlSi7Mg
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In powder bed fusion additive manufacturing, the powder feedstock quality is of paramount importance; as the process relies on thin layers of powder being spread and selectively melted to manufacture 3D metallic components. Conventional powder quality assessments for additive manufacturing are limited to particle morphology, particle size distribution, apparent density and flowability. However, recent studies are highlighting that these techniques may not be the most appropriate. The problem is exacerbated when studying aluminium powders as their complex cohesive behaviors dictate their flowability. The current study compares the properties of three different AlSi7Mg powders, and aims to obtain insights about the minimum required properties for acceptable powder feedstock. In addition to conventional powder characterization assessments, the powder spread density, moisture sorption, surface energy, work of cohesion, and powder rheology, were studied. This work has shown that the presence of fine particles intensifies the pick-up of moisture increasing the total particle surface energy as well as the inter-particle cohesion. This effect hinders powder flow and hence, the spreading of uniform layers needed for optimum printing. When spherical particles larger than 48 µm with a narrow particle distribution are present, the moisture sorption as well as the surface energy and cohesion characteristics are decreased enhancing powder spreadability. This result suggest that by manipulating particle distribution, size and morphology, challenging powder feedstock such as Al, can be optimized for powder bed fusion additive manufacturing.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle