MétaCan
Menu
Retour à la cohorte
Enregistrement W4382369685 · doi:10.3390/ma16134654

Effect of Strain Rates and Heat Exposure on Polyamide (PA12) Processed via Selective Laser Sintering

2023· article· en· W4382369685 sur OpenAlexaff
Chiara Morano, Marco Alfano, Leonardo Pagnotta

Notice bibliographique

RevueMaterials · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSelective laser sinteringMaterials sciencePolyamideDifferential scanning calorimetryComposite materialContext (archaeology)Polymer3D printingMicrostructureFabricationSintering

Résumé

récupéré en direct d'OpenAlex

The use of polymers in the transportation industry represents a great opportunity to meet the growing demand for lightweight structures and to reduce polluting emissions. In this context, additive manufacturing represents a very effective fabrication route for mechanical components with sophisticated geometry that cannot be pursued by conventional methods. However, understanding the mechanical properties of 3D-printed polymers plays a crucial role in the performance and durability of polymer-based products. Polyamide is a commonly used material in 3D printing because of its excellent mechanical properties. However, the layer-by-layer deposition process and ensuing auxiliary steps (e.g., post-processing heating) may affect the microstructure and mechanical properties of 3D-printed nylon with respect to the bulk counterpart. In this work, we explore the effect of displacement rate and heat exposure on the mechanical properties of 3D-printed polyamide (PA12) specimens obtained by selective laser sintering (SLS). Moreover, the thermal characteristics of the powders and sintered material were evaluated using differential scanning calorimetry (DSC). Our results highlight the expected rate dependency of mechanical properties and show that a post-processing heat treatment partly affects mechanical behavior.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,532

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,231
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207