Review of Opportunities and Challenges for Additive Manufacturing of Steels in the Construction Industry
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
ABSTRACT Additive manufacturing (AM), or 3-D printing, encompasses a range of technologies that “print” material layer by layer to create the final part. Though there is significant interest in the AM of concrete in the construction sector, opportunities for the AM of steel still need to be explored. This review focuses on the AM of low-alloy steels, stainless steels, duplex stainless steels (DSSs), precipitation-hardened (PH) stainless steels, and tool steels, highlighting the challenges and opportunities of employing AM technology for construction applications. Fusion-based AM technologies, such as wire arc additive manufacturing (WAAM), laser powder bed fusion (LPBF), and laser-directed energy deposition (LDED), are the core technologies that have been tested in the industry so far. WAAM has seen the most exploration for construction applications because of its higher deposition rate, larger build volume, and lower cost than other AM technologies. The mechanical performance of low-alloy steel, stainless steel, and tool steel shows increased tensile strengths after AM processing compared with wrought counterparts. Although AM is not economical for geometrically simple metal components or geometries, there is potential for AM to fabricate unique structural connections or joints, optimized load-bearing columns, and even entire bridges, as highlighted in this paper. AM’s digital nature (i.e., using computer-aided design (CAD) to create G-code paths for printing) can increase structural efficiency if coupled with topology optimization methods and high-strength alloys. Currently, however, general applications of AM in the industry are limited because of barriers with structural codes and standards not incorporating AM parts and AM technology barriers (i.e., limited build volumes).
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