Interlacing Infills for Multi-Material Fused Filament Fabrication Using Layered Depth Material Images
Notice bibliographique
Résumé
One major concern regarding multi-material additive manufacturing (MMAM) is the strength at the interface between materials. Based on the observation of how nature puts materials together, this paper hypothesizes that overlapping and interlacing materials with each other enhance the interface bonding strength. To test this hypothesis, this research develops a new slicing framework that can efficiently identify the multi-material regions and develop interlaced infills. Based on a ray-tracing technology, we develop layered depth material images (LDMI) to process the material information of digital models for toolpath planning. Each sample point in the LDMI has an associated material and geometric properties that are used to recover the material distribution in each slice. With this material distribution, this work generates an interlocking joint and an interlacing infill in the regions with multiple materials. The experiments include comparisons between similar materials and different materials. Tensile tests have shown that our proposed infill outperforms the interlocking joint in all cases. Fractures occur even outside the interlacing area, meaning that the joint is at least as strong as the materials. The experimental results verify the enhancement of interface strength by overlapping and interlacing materials. In addition, existing computational tools have limitations in full use of material information. To the best of our knowledge, this is the first time a slicer can process overlapped material regions and create interlacing infills. The interlacing infills improve the bonding strength, making the interface no longer the weakest area. This enables MMAM to fabricate truly functional parts. In addition, the new LDMI framework has rich information on geometry and material, and it allows future research in multi-material modeling.
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 ».