MétaCan
Menu
Retour à la cohorte
Enregistrement W4386053896 · doi:10.4203/ccc.3.17.2

Discrete Element Method framework to simulate metallic Laser Powder-Bed Fusion additive manufacturing process

2023· article· en· W4386053896 sur OpenAlexaff
W. Leclerc, Aya Chams

Notice bibliographique

RevueCivil-comp conferences · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMetal powder3D printingDiscrete element methodProcess (computing)ExploitFinite element methodFusionMechanical engineeringThermalSelective laser meltingLaserResidualComputer scienceResidual stressMaterials scienceWork (physics)AlgorithmEngineeringStructural engineeringMechanicsComposite materialOpticsMetalMetallurgyPhysics

Résumé

récupéré en direct d'OpenAlex

The present work introduces a Discrete Element Method (DEM) framework to simulate metallic Laser Powder-Bed Fusion (L-PBF) additive manufacturing process.This latter is expected to take into account the main steps of additive manufacturing from the 3D printing G-code to the characterization of printed parts before postprocessing through the simulation of laser/powder bed thermo-mechanical interaction and the determination of residual stresses and distortions.In this paper, a 3-step investigation is led to validate and exploit the developed DEM-based methodology.For validation purposes, we first consider a reference problem to compare melt pool geometrical and thermal characteristics given by Gusarov radiation model with finite element results coming from the literature.Then, we simulate the 3D printing of a simple geometric part.Finally, we exploit the developed approach to determine the influence of laser parameters in this case and more complex configurations.Results highlight the ability of DEM to reproduce L-PBF process and provide crucial information as temperature fields for optimisation purposes.

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 candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,886
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0020,000

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 Opus0,023
Tête enseignante GPT0,293
Écart entre enseignants0,270 · 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.

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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCivil-comp conferencesMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207