MétaCan
Menu
Retour à la cohorte
Enregistrement W4402667585 · doi:10.1016/j.jmatprotec.2024.118603

A 3D simulation of grain structure evolution during powder bed fusion additive manufacturing and subsequent laser rescanning process

2024· article· en· W4402667585 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueJournal of Materials Processing Technology · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFusionMaterials scienceProcess (computing)LaserProcess engineeringMechanical engineeringMetallurgyComputer scienceEngineeringOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

Laser rescanning is often used as a post-process treatment during Laser Powder Bed Fusion (LPBF) processes to improve product quality. Taking AlSi10Mg material as a case, this study presents a 3D mesoscopic Cellular Automaton (CA) model coupled with Finite Element Analysis (FEA) to simulate grain structure evolution during the Laser Powder Bed Fusion process and its subsequent laser rescanning treatments incorporating non-equilibrium effects under rapid solidification conditions. A key focus of our investigation centers on exploring the potential origins of grain refinement during the laser rescanning process, and the subsequent impact on the resultant grain structure. Our model introduces two key innovations: (i) a diffusion-based grain growth function that tracks composition redistribution during solidification, enhancing the accuracy of grain structure prediction, and (ii) a novel fusion boundary nucleation model that accounts for local composition variations, providing deeper insights into grain refinement mechanisms. By incorporating epitaxial growth, bulk nucleation and fusion boundary nucleation models, we have observed a mixed grain structure in the melt pool, mirroring experimental findings in other studies, delineated into three zones: fine grains at the melt pool boundary (Zone I), long columnar grains (Zone II), and fine equiaxed grains (Zone III). Two factors contributing to grain refinement in our model are presented: (i) Columnar to equiaxed transition (CET) and elevated cooling rate within the rescan melt pool; (ii) Extending volume of fine grains near the rescan melt pool boundary due to fusion boundary nucleation. As a result, laser rescanning treatments, notably, yielded a refined grain structure with approximately 20% reduction in grain dimensions and a pronounced texture under current process parameters. The implications of these findings hold potential for optimized Laser Powder Bed Fusion processes and grain refinement control in future applications. • Development of a 3D CA model with FEA integration for LPBF simulation and rescanning. • Simulation of microstructure evolution and composition redistribution. • Incorporation of bulk, fusion boundary nucleation, and epitaxial growth for accuracy. • Investigation of laser rescanning effects on LPBF grain structure and refinement. • Quantitative grain refinement analysis using Principal Component Analysis.

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 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 enseignants0,031
Score d'incertitude au seuil0,898

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,006
Tête enseignante GPT0,238
Écart entre enseignants0,232 · 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