Dimensional Deviation Prediction Model Based on Scale and Material Concentration Effects for LPBF Process
Notice bibliographique
Résumé
Abstract Additive Manufacturing (AM) processes generate parts layer-by-layer without using formative tools. The resulting advantages highlight the capability of AM to become an inherent part of product development. However, process-specific challenges such as high surface roughness, the stair-stepping effect, or dimensional deviations inhibit the establishment of AM at the industrial scale. Thus, AM parts often need to be post-processed using established manufacturing processes. Many process parameters and geometrical factors influence the dimensional accuracy in AM. Published results relating to these deviations are also difficult to compare because they are based on several geometries that are manufactured using different processes, materials, and machine settings. Laser Powder Bed Fusion (LPBF) is gaining in popularity, but one of the obstacles facing its larger industrial use is the limited knowledge of its dimensional and geometrical performances. Therefore, using it requires studying the process and improving the accuracy of the parts involved. This paper represents a new attempt to predict dimensional deviations of LPBF parts. During the project, the scale- and material concentration-related phenomena were implemented in a new image analysis model and applied to the as-built part. We carried out a comparison between the results of the proposed model with those obtained from numerical analyses and experiments. The model does not use finite element analysis, takes less time to compute, and provides reasonable prediction accuracy.
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 ».