Towards the Determination of Machining Allowances and Surface Roughness of 3D-Printed Parts Subjected to Abrasive Flow Machining
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
Abrasive flow machining (AFM) is considered as one of the best-suited techniques for surface finishing of laser powder bed fused (LPBF) parts. In order to determine the AFM-related allowances to be applied during the design of LPBF parts, a numerical tool allowing to predict the material removal and the surface roughness of these parts as a function of the AFM conditions is developed. This numerical tool is based on the use of a simplified viscoelastic non-Newtonian medium flow model and calibrated using specially designed artifacts containing four planar surfaces with different surface roughnesses to account for the build orientation dependence of the surface finish of LPBF parts. The model calibration allows the determination of the abrasive medium-polished part slip coefficient, the fluid relaxation time and the abrading (Preston) coefficient, as well as of the surface roughness evolution as a function of the material removal. For model validation, LPBF parts printed from the same material as the calibration artifacts, but having a relatively complex tubular geometry, were polished using the same abrasive medium. The average discrepancy between the calculated and experimental material removal and surface roughness values did not exceed 25%, which is deemed acceptable for real-case applications. A practical application of the numerical tool developed was demonstrated using the predicted AFM allowances for the generation of a compensated computer-aided design (CAD) model of the part to be printed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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