A Manufacturability Evaluation of Complex Architectures by Laser Powder Bed Fusion Additive Manufacturing
Notice bibliographique
Résumé
Abstract Additive manufacturing (AM) enables new possibilities for the design and manufacturing of complex metal architectures. Incorporating lattice structures into complex part geometries can enhance strength-to-weight and surface area-to-volume ratios for valuable components, particularly in industries such as medical devices and aerospace. However, lattice structures and their interconnections may result in unsupported down-skin surfaces, potentially limiting their manufacturability by metal AM technologies, such as laser powder bed fusion (LPBF). This study aimed to examine the correlation between down-skin surface area and the manufacturability of lattice structures fabricated using LPBF. Image processing algorithms were used to analyze down-skin surface areas of seven unique lattice designs and to devise quantitative metrics (such as down-skin surface area, discrete surface count, surface interconnectivity, down-skin ratio, over-print/under-print volumes, etc.) to evaluate LPBF manufacturability. The seven lattice designs were subsequently manufactured using maraging steel via LPBF and then examined using imaging using X-ray micro-computed tomography (XCT). The geometric accuracy of the lattice designs was compared with XCT scans of the manufactured lattices by employing a voxel-based image comparison technique. The results indicated a strong relationship between down-skin surface area, surface interconnectivity, and the manufacturability of a given lattice design. The digital manufacturability evaluation workflow was also applied to a medical device design, further affirming its potential industrial utility for complex geometries.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».