Experimental Investigation of Laser Surface Hardening of AISI 4340 Steel Using Different Laser Scanning Patterns
Notice bibliographique
Résumé
Laser surface transformation hardening becomes one of the most modern processes used to improve fatigue and wear properties of steel surfaces. In this process, the material properties and the heating parameters are the factors that present the most significant effects on the hardened surface attributes. The control of these factors using predictive modeling approaches to achieve desired surface properties leads to conclusive results. However, when the dimensions of the surface to be treated are larger than the cross-section of the laser beam, various laser-scanning patterns are involved. This paper presents an experimental investigation of laser surface hardening of AISI 4340 steel using different laser scanning patterns. This investigation is based on a structured experimental design using the Taguchi method and improved statistical analysis tools. Experiments are carried out using a 3 kW Nd: YAG laser source in order to evaluate the effects of the heating parameters and patterns design parameters on the physical and geometrical characteristics of the hardened surface. Laser power, scanning speed and scanning patterns (linear, sinusoidal, triangular and trochoid) are the factors used to evaluate the hardened depth and the hardened width variations and to identify the possible relationship between these factors and the hardened zone attributes. Various statistical tools such as ANOVA, correlations analysis and response surfaces are applied in order to examine the effects of the experimental factors on the hardened surface characteristics. The results reveal that the scanning patterns do not modify the nature of the laser parameters’ effects on the hardened depth and the hardened width. But they can accentuate or reduce these effects depending on the type of the considered pattern. The results show also that the sinusoidal and the triangular patterns are relevant when a maximum hardened width with an acceptable hardened depth is desired.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».