Low‐Roughness 3D‐Printed Surfaces by Ironing for the Integration with Printed Electronics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The roughness of 3D‐printed surfaces poses a challenge when integrating fused filament fabrication (FFF) printing with printed electronics, leading to inconsistencies and breaks in the circuit traces. To improve the surface roughness, an ironing toolpath is proposed. The ironing toolpath involves the hot nozzle going over the printed surface with finer line spacing, remelting the surface to fill gaps, and creating a smooth finish. For further optimization, various ironing parameters are investigated including flow, speed, line spacing, and temperature. A wide range of materials is tested, including commonly used low‐temperature filaments (polylactic acid, polyethylene terephthalate, acrylonitrile butadiene styrene) and high‐temperature filaments (polysulfone, polyetherimide, polyether ether ketone) suitable for integration with printed electronics and medical applications. To collect the extensive datasets, an automated measurement system is deployed. With this method, surface roughness reductions of up to 96.6% are achieved and significant trends are identified. Lastly, the integration of 3D printing with electronics is demonstrated by printing a high‐resolution strain gauge structure on top of an ironed surface and embedding it into fully printed tweezers which can be used in medical robotics. The insights on ironing extend beyond electronics and can also be valuable in other areas where low surface roughness of FFF‐printed parts is required.
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.
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 découle