Influence of Selective Laser Melting Process and Heat Treatment Parameters on the Corrosion Resistance of 17-4 Precipitation Hardening Stainless Steel
Notice bibliographique
Résumé
Selective laser melting (SLM) is an advanced additive manufacturing technique that enables the fabrication of complex metal components with high precision. However, inadequate parameter optimization can lead to defects that compromise the corrosion resistance of fabricated parts. Therefore, optimizing both SLM and heat treatment parameters is essential for enhancing electrochemical properties. The present work aims to determine the effect of the SLM process and heat treatment parameters on the corrosion resistance of SLM-made 17-4 PH stainless steel. A set of SLM and heat treatment parameters (laser power, scanning speed, aging time, and aging temperature) was determined by employed Taguchi method and a set of cyclic potentiodynamic polarization and electrochemical impedance experiments was performed in 3.5 wt% NaCl solution to generate corrosion data. The Taguchi method and statistical analysis of variance reveal the effect of laser power, scanning speed, aging time, and aging temperature on corrosion current density and passive film resistance of the SLM-made 17-4 PH samples. Laser power and aging temperature had the most significant effects, with lower laser power and higher aging temperature leading to decreased corrosion resistance, as indicated by higher corrosion current density and lower passive film resistance. Additionally, this study proposes empirical predictive models to estimate the electrochemical properties of SLM-made 17-4 PH stainless steel.
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 ».