Development of Intertwined Infills to Improve Multi-Material Interfacial Bond Strength
Notice bibliographique
Résumé
Abstract Recently, the availability of various materials and ongoing research in developing advanced systems for multi-material additive manufacturing (MMAM) have opened doors for innovation in functional products. One major concern of MMAM is the strength at the interface between materials. This article hypothesizes overlapping and interlacing materials to enhance the bonding strength. To test this hypothesis, we need a computer-aided manufacturing (CAM) tool that can process the overlapped material regions. However, existing computational tools lack key multi-material design processing features and have certain limitations in making full use of the material information, which restricts the testing of our hypothesis. Therefore, this research also develops a new MMAM slicing framework that efficiently identifies the boundaries for materials to develop different advanced features. By modifying a ray tracing technology, we develop layered-depth material images (LDMI) to process the material information from computer-aided design (CAD) models for slicing and process planning. Each sample point in the LDMI has associated material and geometric properties that are used to identify the multi-material regions. Based on the material information in each slice, interlocking joint (T-Joint) and interlacing infill are generated in the regions with multiple materials. Tensile tests have been performed to verify the enhancement of mechanical properties by the use of overlapping and interlacing materials.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».