Optimising the fused filament fabrication process employing the experimental design approach: An expository paradigm under cold weather conditions and lightweight specimens
Notice bibliographique
Résumé
Among all 3D printing technologies , open chamber filament material extrusion (ME) is a rapidly growing technique to many extents. Despite the benefits, various topics concerning the robustness and quality of the 3D−printed parts remain vague, especially when operating in cold weather conditions. An engineering polymer , acrylonitrile−butadiene−styrene (ABS), has been utilised due to its immense applicability in automotive industries and its low cost. However, different process parameters, their correlation, and various environmental factors affect the enactment of filament ME components. In the current research, the effect of ME 3D printing process parameters such as layer thickness, extrusion temperature , and raster angle were selected after preliminary testing and optimised for surface roughness and tensile strength for ABS under cold weather conditions for 60 % infill rate lightweight specimens by using response surface methodology (RSM). It has been observed that mean surface roughness decreases as layer thickness and raster angle decrease and extrusion temperature increases (close to 4.24 µm). Maximum tensile strength is also reported at minimum layer thickness and higher extrusion temperature. Furthermore, the tensile fractured surface morphology has revealed the close packing of layers at 0º/90º raster angle, 240 ºC extrusion temperature, and 0.1 mm layer thickness (about 31 MPa). The study outcomes can assist industries operating in cold weather conditions in their pursuit of achieving high mechanical performance and superior surface finish. Beyond optimizing print quality, the study highlights the need for developing more resilient printing methodologies that can adapt to environmental fluctuations. Furthermore, this research offers a valuable contribution to sustainability efforts, as achieving high performance with lightweight materials can reduce material waste and energy consumption.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».