Compressive and Tensile Properties of ABS Material as a Function of 3D Printing Process Parameters
Notice bibliographique
Résumé
Additive Manufacturing (AM) technologies have been emerged as a fabrication method to obtain engineering components within a short span of time. 3D printing, also referred as additive layer manufacturing technology is one of the powerful methods of rapid prototyping (RP) technique that fabricates three-dimensional engineering components. fused deposition modelling (FDM) is one of the most commonly used additive manufacturing (AM) methods, with applications in modelling, prototyping, and production. Acrylonitrile–butadiene–styrene (ABS) is a widely used industrial thermoplastic that is also the most commonly used material in FDM technology. Understanding the impact of FDM build settings on material characteristics is essential for predicting the behaviour of ABS components. The purpose of this study is to determine the impact of specimen tensile and compressive behaviour on ABS components produced using FDM. The Ultimaker+2 printer is used to create ABS thermoplastic samples for the investigation. The samples are put through their tests using a modified form of ASTM D638 for tensile strength and ASTM D695 for compressive strength. An Instron testing machine is used to put the printed parts to the test. The approach employed was Design of Experiment (DOE). Three primary criteria are used in the plastics experiment: infill density, layer thickness, and infill pattern. We measured the tensile and compressive strengths of zigzag and gyroid specimens, as well as cross specimens. The highest compressive strength at break (25.01 MPa), Young's modulus (2.473 GPa), fracture strength (21.016 MPa), and ultimate tensile stress (23.1 MPa) were all discovered in a sample with 60% infill density, 0.05mm layer thickness, and a GYROID infill pattern.
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 ».