Recent advances in additive manufacturing of engineering thermoplastics: challenges and opportunities
Notice bibliographique
Résumé
There are many limitations within three-dimensional (3D) printing that hinder its adaptation into industries such as biomedical, cosmetic, processing, automotive, aerospace, and electronics. The disadvantages of 3D printing include the inability of parts to function in weight-bearing applications, reduced mechanical performance from anisotropic properties of printed products, and limited intrinsic material performances such as flame retardancy, thermal stability, and/or electrical conductivity. Many of these shortcomings have prevented the adaptation of 3D printing into product development, especially with few novel researched materials being sold commercially. In many cases, high-performance engineering thermoplastics (ET) provide a basis for increased thermal and mechanical performances to address the shortcomings or limitations of both selective laser sintering and extrusion 3D printing. The first strategy to combat these limitations is to fabricate blends or composites. Novel printing materials have been implemented to reduce anisotropic properties and losses in strength. Additives such as flame retardants generate robust materials with V0 flame retardancy ratings, and compatibilizers can improve thermal or dimensional stability. To serve the electronic industry better, the addition of carbon black at only 4 wt%, to an ET matrix has been found to improve the electrical conductivity by five times the magnitude. Surface modifications such as photopolymerization have improved the usability of ET in automotive applications, whereas the dynamic chemical processes increased the biocompatibility of ET for medical device materials. Thermal resistant foam from polyamide 12 and fly ash spheres were researched and fabricated as possible insulation materials for automotive industries. These works and others have not only generated great potential for additive manufacturing technologies, but also provided solutions to critical challenges of 3D printing.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».