Defect detection in additively manufactured AlSi10Mg and Ti6Al4V samples using laser ultrasonics and phase shift migration
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
Laser ultrasonics (LU) is a non-contact and non-destructive method with a high data acquisition rate, making it a promising candidate for in-situ monitoring of defects in different additive manufacturing (AM) processes, including laser powder bed fusion (LPBF) and directed energy deposition, as well as final part inspection. In order to see the effect of various artificial defect types on an LU sub-surface reconstruction, AlSi10Mg samples with side through-holes, as well as Ti6Al4V samples with bottom blind holes and trapped powder were printed using LPBF, and then ultrasound B-scans of the samples were obtained using an LU system. The resulting scan data was processed using a custom frequency domain phase shift migration (PSM) algorithm, to reconstruct the defects and their locations. Novel ways of pre-processing the B-scan, used as an input to PSM, and taking advantage of its frequency representation, are demonstrated. Newton's method was used to find a stationary phase approximation, used to account in the frequency domain for the fixed offset emitter-receiver arrangement within the PSM calculation. The Newton's method calculation time was reduced by 33%, by using an approximation of the phase function to find an initial guess. The smallest defects that were detected using this method were in the size range between 200 to 300μm for the bottom hole defects, using an 8 ns laser pulse duration. The effect of the laser on the surface of a part being built, and the challenges and further work needed to integrate LU in a LPBF machine for in-situ inspection are discussed.
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