Additive manufacturing infill optimization for automotive 3D-printed ABS components
Notice bibliographique
Résumé
Purpose Lightweighting of components in the automotive industry is a prevailing trend influenced by both consumer demand and government regulations. As the viability of additively manufactured designs continues to increase, traditionally manufactured components are continually being replaced with 3D-printed parts. The purpose of this paper is to present experimental results and design considerations for 3D-printed acrylonitrile butadiene styrene (ABS) components with non-solid infill sections, addressing a large gap in the literature. Information published in this paper will guide engineers when designing fused deposition modeling (FDM) ABS parts with infill regions. Design/methodology/approach Uniaxial tensile tests and three-point bend tests were performed on 12 different build configurations of 20 samples. FDM with ABS was used as the manufacturing method for the samples. Failure strength and elastic modulus were normalized on print time and specimen mass to quantify variance between configurations. Optimal infill configurations were selected and used in two automotive case study examples. Findings Results obtained from the uniaxial tensile tests and three-point bend tests distinctly showed that component strength is highly influenced by the infill choice selected. Normalized results indicate that solid, double dense and triangular infill, all with eight contour layers, are optimal configurations for component regions experiencing high stress, moderate stress and low stress, respectively. Implementation of the optimal infill configurations in automotive examples yielded equivalent failure strength without normalization and significantly improved failure strength on a print time and mass normalized index. Originality/value To the best of the authors’ knowledge, this is the first paper to experimentally determine and quantify optimal infill configurations for FDM ABS printed parts. Published data in this paper are also of value to engineers requiring quantitative material properties for common infill configurations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».