Large-scale metal additive manufacturing: a holistic review of the state of the art and challenges
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
Additive Manufacturing (AM) has the potential to completely reshape the manufacturing space by removing the geometrical constraints of commercial manufacturing and reducing component lead time, especially for large-scale parts. Coupling robotic systems with direct energy deposition (DED) additive manufacturing techniques allow for support-free printing of parts where part sizes are scalable from sub-metre to multi-metre sizes. This paper offers a holistic review of large-scale robotic additive manufacturing, beginning with an introduction to AM, followed by different DED techniques, the compatible materials and their typical as-built microstructures. Next, the multitude of robotic build platforms that extend the deposition from the standard 2.5 degrees of freedom (DOF) to 6 and 8 DOF is discussed. With this context, the decomposition and slicing of the computerized model will be described, and the challenges of planning the deposition trajectory will be discussed. The different modalities to monitor and control the deposition in an attempt to meet the geometrical and performance specifications are outlined and discussed. A wide range of metals and alloys have been reported and evaluated for large-scale AM parts. These include steels, Ti, Al, Mg, Cu, Ni, Co–Cr and W alloys. Different post-processing steps, including heat treatments, are discussed, along with their microstructures. This paper finally addresses the authors' perspective on the future of the field and the largest knowledge gaps that need to be filled before the commercial implementation of robotic AM.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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