Energy-efficient microwelding of copper by continuous-wave green laser: Insights into nanoparticle-assisted absorptivity enhancement
Notice bibliographique
Résumé
As a highly reflective material, copper has been difficult to weld with IR lasers. Short-wavelength (400–600 nm) lasers offer promising solutions to copper welding due to significant increases in absorptivity (to > 50 %). In this work, we present an experimental study on copper welding by CW green laser. We unveil that nanoparticles redeposited on the copper surface from the vaporized plume can strongly modify the surface condition and result in significant enhancement of the surface absorptivity. The absorptivity can be theoretically enhanced by nanoparticles up to 82 % compared to the polished copper surface. Assisted by this absorptivity enhancement, the threshold power density (critical laser intensity) for copper melting is reduced by more than 50 %, so that continuous and smooth conductive welding tracks can be generated in energy-efficient manner. In situ deposition of nanoparticles generated upon cooling and oxidation of the vapor plume in the vicinity of the melt zone has been identified as the key mechanism of absorptivity enhancement. XPS measurements of the nanoparticles indicated that Cu2O is the dominant species in the redeposited nanoparticles. This study provides novel insights into the fundamental mechanisms in highly-reflective material welding by short-wavelength lasers and offers an opportunity for energy-efficient high-quality welding of highly-reflective material thin films, which can find numerous applications in consumer electronics and electric vehicles, as well as battery industries. Moreover, it enables a new process-material-environment design route for laser additive manufacturing of nanoparticle-reinforced metal matrix composites.
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 | 0,000 | 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 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 ».