Maraging Steel Powder Recycling Effect on the Tensile and Fatigue Behavior of Parts Produced Through the Laser Powder Bed Fusion (L-PBF) Process
Notice bibliographique
Résumé
Abstract Additive manufacturing (AM) has advanced the manufacturing industry and has been employed in a wide range of industrial applications, including in aerospace, automotive, medical and die-casting equipment. To ensure the cost-effectiveness of the AM process, unfused powder must be recycled even if its characteristics may change after each cycle, making essential the validation of powder quality and component mechanical performances. Despite the research published to date, predicting the mechanical performance of printed parts issued from reused powder remains challenging since it is dependent on many AM process variables. Until now, no research has looked at the impact of powder recycling on the fatigue behavior of maraging steel components. This study investigates the impact of maraging steel powder reuse on powder characteristics, as well as on the tensile and fatigue properties of printed components. Our results indicate that the powder particle size distribution increased after eight powder recycling, particle morphology showed the presence of aggregates, broken particles, shattered and deformed particles, while powder apparent density remained constant. Powder reusing had no significant impact on the surface roughness of as-built specimens. Although there was a slight decrease in mechanical properties over reuse cycles, tensile and fatigue performance remained globally stable, while the standard deviation of fatigue stress became narrower after eight cycles. Finally, fractography revealed that the fatigue fracture surfaces of components manufactured from an eight-time recycled powder have more fusion defects and carbon inclusions than the parts made from virgin powder.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».