Heat Treatment of Multi-Material Additively Manufactured Maraging Steel and Co-Cr-Mo Alloy
Notice bibliographique
Résumé
The prospect of converting an entire assembly of parts with challenging geometry to a single part with sectional variation of properties has stimulated a growing interest in multi-material Additive Manufacturing (AM). Accordingly, the present work utilized a dual-metal Laser Powder Bed Fusion (LPBF) technique to manufacture a multi-material component, consisting of Co-Cr-Mo alloy (MP1) and maraging steel (MS1) in a single manufacturing process. The research also attempted to establish a heat treatment strategy compatible with these alloys. The resulting heat treatment effects on the microstructure, texture, and microhardness were investigated. Diffusion calculation results suggested an overall diffusion depth of 120 μm in the interface after heat treatment, which can increase the resulting joint strength if intermetallic precipitation is avoided. Electron Backscatter Diffraction (EBSD) analysis of the heat-treated samples showed that both the base metal regions retained the dominant fiber textures after printing, which is the <110> || building direction (BD) fiber texture for the MP1 region and the <111> || BD and <100> || BD fiber textures for the MS1 region. Nanoindentation tests also revealed a considerably higher hardness in the MS1 region and a slight reduction of hardness in the MP1 region after heat treatment, which can be early evidence of the successful application of the heat treatment strategy to both base metals. Future work will investigate the mechanical properties of the as-printed and heat-treated samples and verify if any precipitates formed in the MS1-MP1 interface.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| 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 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 ».