Optimization of surface texturing parameters in additively manufactured continuous fiber composites using abrasive waterjet technique for composite repair applications
Notice bibliographique
Résumé
• Abrasive waterjet and additive manufacturing provide novel solutions for texturation. • Waterjet pressure and traverse speed are key factors affecting surface texturation. • Cv and Sa are more reliable surface profile metrics than Ra, Rv, and Rz. • Texturation prediction models for Cv and Sa closely align with experimental results. • Microscopy reveals material removal mechanisms and abrasive particle embedment. Surface texturing is critical in adhesive bonding strength, hence crucial for composite repair. This study evaluates the influence of abrasive waterjet (AWJ) machining as a texturing technique for surface preparation of additively manufactured (AM) composite parts. Effects of waterjet pressure (WP) and traverse speed (TS) on crater volume (Cv) and arithmetic mean height (Sa) were studied. Digital and electron microscopy validated surface textures, observed damage patterns, and assessed contamination due to abrasive embedment. Increasing WP from 60 to 100 MPa significantly increased Cv by 179.6 % and Sa by 410.6 %, highlighting its strong influence. In contrast, TS showed a secondary effect when increased from 10 to 20 m/min, with higher speeds producing smoother surfaces and reducing Cv and Sa by 30.78 % and 28.59 % respectively. The findings, supported by statistical analysis and multi-objective optimization, show that Cv and Sa are effective metrics for surface texture quantification in AWJ textured AM composite specimens.
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 | 0,001 | 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 | 0,001 |
| 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 ».