Parameteric Optimization of Tensile strength and flexural strength in 3-D Printed components
Notice bibliographique
Résumé
Additive manufacturing the most widely and commonly used technologies of manufacturing. One of the methods of additive manufacturing is Fused Deposition Modelling (FDM). FDM printed parts are being used in various application nowadays such as Aircraft parts, Automobile parts and many more. In every application, these parts have to undergo various mechanical stresses such tension, compression and flexural, etc., strength of these parts majorly depends on the various input parameters using which these parts are printed. So here we have selected some of the parameters which can have impact on the tension and flexural strength of the parts. To study the impact, we selected three parameters which are Layer Thickness, Infill Density, Feed rate and we used the material Polylactic Acid (PLA) to print the parts. Further using Taguchi's L9 algorithm we developed a DOE of Nine experiments which included various combination of those parameters, through that DOE parts were printed for both tension and Flexural strength test. Later with using those parts we performed two tests respectively for both Tension and Flexural Strength. Universal testing Machine (UTM) was used for both the tests. Finally, after performing experiments following result was obtained optimum combination of input parameters for Tension Strength is 0.2mm Layer Thickness, 75% Infill Density and 10mm/s Feed Rate which had highest value of S/N ratio 31.0290, while for the flexural optimum combination of parameters are 0.3mm Layer Thickness,50% Infill Density, 10mm/s Feed Rate whose value of S/N ratio is 38.8501.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».