MétaCan
Menu
Retour à la cohorte
Enregistrement W4411212676 · doi:10.3390/met15060650

Microstructure, Porosity, and Bending Fatigue Behaviour of PBF-LB/M SS316L for Biomedical Applications

2025· article· en· W4411212676 sur OpenAlexfundno aff
C S Kirk, Weijie Xie, B. Lynn Ferguson, Chengliang Wu, H.C. Man, Chi-Wai Chan

Notice bibliographique

RevueMetals · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensnon disponible
Organismes subventionnairesHong Kong Polytechnic UniversityQueen's UniversityQueen's University Belfast
Mots-clésMicrostructureMaterials sciencePorosityBendingComposite material

Résumé

récupéré en direct d'OpenAlex

Bending fatigue significantly affects the mechanical stability and lifespan of biomedical implants, such as bone plates and orthopaedic fixation devices, which undergo cyclic loading in the human body. This study examines the microstructure, porosity, and bending fatigue properties of PBF-LB/M SS316L. Samples were analysed across three faces (top, front, and side) using optical microscopy (OM) and scanning electron microscopy (SEM) to observe microstructural features and porosity. Elemental composition was measured by energy-dispersive X-ray spectroscopy (EDX). Phase structures and grain orientations were characterised via X-ray diffraction (XRD) and electron backscatter diffraction (EBSD). Four-point bending fatigue tests, conducted under two loading conditions, below and slightly above the yield point, demonstrated that defects inherent to the PBF-LB/M process, particularly micropores and unmelted powder particles, strongly influence fatigue crack initiation. Real-time monitoring of crack initiation and propagation on the external sample surface was performed using a high-speed digital microscope. These findings indicate the influence of microstructural defects on fatigue performance in PBF-LB/M SS316L, supporting the design and development of more reliable patient-specific biomedical implants.

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 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 enseignants0,292
Score d'incertitude au seuil0,323

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,014
Tête enseignante GPT0,271
Écart entre enseignants0,257 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMetalsMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207