Stiffness prediction of 3D printed fiber-reinforced thermoplastic composites
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 The purpose of this study is to confirm that the stiffness of fused filament fabrication (FFF) three-dimensionally (3D) printed fiber-reinforced thermoplastic (FRP) materials can be predicted using classical laminate theory (CLT), and to subsequently use the model to demonstrate its potential to improve the mechanical properties of FFF 3D printed parts intended for load-bearing applications. Design/methodology/approach The porosity and the fiber orientation in specimens printed with carbon fiber reinforced filament were calculated from micro-computed tomography (µCT) images. The infill portion of the sample was modeled using CLT, while the perimeter contour portion was modeled with a rule of mixtures (ROM) approach. Findings The µCT scan images showed that a low porosity of 0.7 ± 0.1% was achieved, and the fibers were highly oriented in the filament extrusion direction. CLT and ROM were effective analytical models to predict the elastic modulus and Poisson’s ratio of FFF 3D printed FRP laminates. Research limitations/implications In this study, the CLT model was only used to predict the properties of flat plates. Once the in-plane properties are known, however, they can be used in a finite element analysis to predict the behavior of plate and shell structures. Practical implications By controlling the raster orientation, the mechanical properties of a FFF part can be optimized for the intended application. Originality/value Before this study, CLT had not been validated for FFF 3D printed FRPs. CLT can be used to help designers tailor the raster pattern of each layer for specific stiffness requirements.
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) | 0,001 | 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 découle