MétaCan
Menu
Retour à la cohorte
Enregistrement W4412462828 · doi:10.1016/j.addlet.2025.100301

A new approach to laser DED as a repair technology with laser mesh deposition

2025· article· en· W4412462828 sur OpenAlexaff
Thomas Girerd, Andres Gameros, Marco Simonelli, Andy Norton, Adam T. Clare

Notice bibliographique

RevueAdditive Manufacturing Letters · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesUniversity of NottinghamRolls-Royce
Mots-clésLaserMaterials scienceDeposition (geology)Computer scienceOpticsGeologyPhysics

Résumé

récupéré en direct d'OpenAlex

Controlling the heat input and exploring alternate feedstocks for DED is necessary to improve the versatility of DED as a repair technique. In this research, a new DED method using metallic mesh feedstocks and laser beam oscillations. This method is shown to have good stability, repeatability and good bonding with the substrate comparable to other DED processes. The best depositions show a dilution above 40% and a height of more than 1.2 mm. The deposits show similar results to wire DED and powder DED with low dilution levels producing dense clads with no large pores and some grain refinements at the edges of the tracks. This then manifests as a potentially viable repair process with the advantage of a more flexible material input facilitating the delivering of the feedstock material for hard to access repair operations. Furthermore, this process has shown its capability to be used with various energy profiles and mesh density paving the way for a better control of the microstructure for complex repair operations. This new DED alternative method has shown its capability to run efficiently with various scan strategies and feedstocks. Hence, laser mesh deposition could be used to deposit material on inhomogeneous surfaces by using carefully designed scanning strategies and mesh density during the process increasing the repair capabilities of DED.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,903
Score d'incertitude au seuil1,000

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 Opus0,005
Tête enseignante GPT0,196
Écart entre enseignants0,191 · 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.

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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdditive Manufacturing LettersMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207