Heat treatment for metal additive manufacturing
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
Metal additive manufacturing (AM) refers to any process of making 3D metal parts layer-upon-layer via the interaction between a heating source and feeding material from a digital design model. The rapid heating and cooling attributes inherent to such an AM process result in heterogeneous microstructures and the accumulation of internal stresses. Post-processing heat treatment is often needed to modify the microstructure and/or alleviate residual stresses to achieve properties comparable or superior to those of the conventionally manufactured (CM) counterparts. However, the optimal heat treatment conditions remain to be defined for the majority of AM alloys and are becoming another topical issue of AM research due to its industrial importance. Existing heat treatment standards for CM metals and alloys are not specifically designed for AM parts and may differ in many cases depending on the initial microstructures and desired properties for specific applications. The purpose of this paper is to critically review current knowledge and discuss the influence of post-AM heat treatment on microstructure, mechanical properties, and corrosion behavior of the major categories of AM metals including steel, Ni-based superalloys, Al alloys, Ti alloys, and high entropy alloys. This review clarifies significant differences between heat treating AM metals and their CM counterparts. The major sources of differences include microstructural heterogeneity, internal defects, and residual stresses. Understanding the influence of such differences will benefit industry by achieving AM metals with consistent and superior balanced performance compared to as-built AM and CM metals.
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 | 0,000 | 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) | 0,001 | 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