Investigation into the Effects of Heat Treatment and Nanoparticles on the Microstructure and Mechanical Properties of LPBF'ed AlSi10MgAlloy
Notice bibliographique
Résumé
This thesis examines the additive manufacturing of aluminum alloys, particularly AlSi10Mg, using Laser Powder Bed Fusion (LPBF).It investigates methods to enhance mechanical properties for industrial applications, focusing on the interplay between process parameters, microstructure, and mechanical behavior.This includes postprocessing techniques like T6 heat treatment and the incorporation of ceramic nanoparticle reinforcements.The study on the effects of T6 heat treatments on the microstructure of LPBF'ed AlSi10Mg revealed that heat-treated specimens show a more homogenized microstructure, although it is impossible to completely eliminate all precipitates.The heat-treated samples exhibited significantly increased hardness values compared to as-built specimens, due to precipitation hardening and enhanced tensile properties.However, heat treatment procedures are often time-consuming, expensive, and industrially labor-intensive.Material-level modifications can also be achieved by incorporating nanoparticles into AlSi10Mg before the printing process.The study found that reinforcing AlSi10Mg with TiC and Yittria Stabilized ZrO2 (YSZ) nanoparticles improved mechanical properties compared to both as built and heat-treated variants without nanoparticles.The nanoparticles helped transform traditional columnar grains, which are prone to solidification cracking, into more equiaxed, strain-tolerant structures.The enhanced strength in as built parts was attributed to grain refinement, dislocation strengthening, and secondary-phase particle strengthening due to the addition of nanoparticles.
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 ».