Application of composite models for the prediction of failure ofadditively manufactured polymers
Notice bibliographique
Résumé
The field of additive manufacturing (AM) has recently transitioned from a process used predominantly for prototyping and demonstration, into the production of end use components. This has created new pressures to improve the design of parts made from additively manufactured materials. Some of the additive manufacturing processes such as selective laser sintering, selective laser melting, and digital light projection create materials that are similar to their traditionally manufactured counterparts. Fused filament fabrication (FFF), also known as fused deposition modeling (FDM) creates materials with strong anisotropy and properties that are highly dependent on the process parameters. Attempts have been made over the past years to develop predictive models on the yield or ultimate tensile strengths of FFF produced materials from the input parameters. However, the application of these models has been limited in scope due to the data used to generate them. The most common approaches involved constitutive equations, machine learning/genetic programming, or curve fitting. These methods demonstrate an ability to predict the material properties, but usually only within the boundaries of the initial data used to train the model. For future improvement, a model that takes an analytical approach is required in order to account for all possible scenarios. In this paper, the application of composite models such as Tsai-Hill and inter-active polynomial theory (Tsai-Wu) in modeling FFF materials were analyzed . Experimentation performed showed that failure characteristics of FFF materials are to some extent similar to composite materials. If successfully implemented, these models can analytically predict the yield or ultimate tensile strength of AM part under any three dimensional stress scenario after a few calibration tests In this paper, validation tests were performed on polyethylene terephthalate-glycol (PETG) and polycarbonate (PC) samples and the results showed that the models were successful in predicting the yield strengths of AM materials.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».