MétaCan
Menu
Retour à la cohorte
Enregistrement W4391030599 · doi:10.3390/ma17020471

Modeling of Effect of Infill Density Percentage on Rotating Bending Fatigue Behavior of Additive-Manufactured PLA Polymers

2024· article· en· W4391030599 sur OpenAlexaff
Ezzeddine Ftoutou, Lamis Allègue, Haykel Marouani, Tarek Hassine, Yasser Fouad, Hatem Mrad

Notice bibliographique

RevueMaterials · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesKing Saud University
Mots-clésInfillMaterials scienceFused filament fabricationBendingComposite materialFabricationPolymerStructural engineeringProtein filamentEngineering

Résumé

récupéré en direct d'OpenAlex

Nowadays, 3D PLA-printed parts are widely used in many applications, essentially using the fused filament fabrication technique. While the influence of printing parameters on quasi-static mechanical characterization has been extensively considered within the literature, there are limited accounts of this effect on fatigue performance. The two main aims of this research are first to investigate the effects of the infill density percentage on the fatigue life of dog-bone samples under rotating bending cycling loads, and second to model the fatigue life using Wöhler and Basquin models. The experiments exhibit a high variability of results, especially for low cyclic loads. The S-N curves show that the number of cycles at failure increases with the increase in the infill density percentage and decreases with the increase in loads. Investigations allow the formulation of each constant model as a function of the infill density percentage. The new fatigue model formulations exhibit good agreement with the experimental data. As an outcome of this study, the fatigue model for 3D-printed parts may be expressed as a function of the infill density percentage using fewer tests in the future and for other polymers used in fused filament fabrication.

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 enseignants0,042
Score d'incertitude au seuil0,740

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 Opus0,016
Tête enseignante GPT0,255
Écart entre enseignants0,239 · 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

Citations9
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

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