MétaCan
Menu
Retour à la cohorte
Enregistrement W3137109358 · doi:10.23967/wccm-eccomas.2020.120

Development of a Thermomechanical Model for Prediction of Residual Stress during Laser Powder-Bed Fusion: Evaluation of Inherent Strain Approach

2021· article· en· W3137109358 sur OpenAlexaff
Jean‐Philippe Marcotte, Kalonji K. Kabanemi, Marjan Molavi‐Zarandi, F. Ilinca, Jean‐Sébastien Cagnone

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésResidual stressDistortion (music)Materials scienceResidualProcess (computing)Finite element methodFusionWork (physics)Stress (linguistics)FabricationComputer scienceMechanical engineeringStructural engineeringAlgorithmComposite materialEngineering

Résumé

récupéré en direct d'OpenAlex

The build-up of residual stresses in a part during laser powder-bed fusion (LPBF) provides a significant limitation to the adoption of this process. These residual stresses may cause a part to fail during a build or fall outside the specified tolerances after fabrication. Defectfree production of metallic parts using LPBF requires process optimization, as a crucial step, for effective usage of the process. Development of a numerical model to accurately predict the induced residual stresses and distortion during the LPBF process is of great interest as it allows to effectively investigate the influence of processing parameters on the quality of the parts. In this work, we developed a novel high-fidelity finite element (FE) model based on the inherent strain (local-global) approach to simulate the build process and calculate the residual stress and distortion for Hastelloy X specimens built with a continuous scan strategy. Conclusions from the thermomechanical simulations showed good agreement with X-ray diffraction measurements and 3D scanning data used to determine the residual stresses and distortions in the parts.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,325

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,260
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207