Influence of thermal properties on residual stresses in SLM of aerospace alloys
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
Purpose Residual stresses are induced during selective laser melting (SLM) because of rapid melting, solidification and build plate removal. This paper aims to examine the thermal cycle, residual stresses and part distortions for selected aerospace materials (i.e. Ti-6Al-4V, stainless steel 316L and Invar 36) using a thermo-mechanical finite element model. The numerical results are validated and compared to experimental data. Design/methodology/approach The model predicts the residual stress and part distortion after build plate removal. The residual stress field is validated using X-ray diffraction method and the part distortion is validated using dimensional measurements. Findings The trends found in the numerical results agree with those found experimentally. Invar 36 had the lowest tensile residual stresses because of its lowest coefficient of thermal expansion. The residual stresses of stainless steel 316L were lower than those of Ti-6Al-4V because of its high thermal diffusivity. Research limitations/implications The model predicts residual stresses at the optimal SLM process parameters. However, using any other process conditions could cause void formation and/or alloying element vaporization, which would require the inclusion of melt pool physics in the model. Originality/value The paper explains the influence of the coefficient of thermal expansion and thermal diffusivity on the induced thermal stresses using experimental and numerical results. The methodology can be used to predict the part distortions and residual stresses in complex designs of any of the three materials under optimal SLM process parameters.
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