Prediction and control of structured porosity in laser powder bed fusion (LPBF) additive manufacturing using multi-scale modeling
Notice bibliographique
Résumé
This study presents a comprehensive multi-scale modeling framework for predicting and controlling process-induced porosity in Laser Powder Bed Fusion (LPBF) additive manufacturing. Three numerical approaches are developed and evaluated: a conduction-based finite element model, a hybrid geometric model with melt pool dimensions, and a multiphysics model. The use of partially molten powder particles is a significant innovation that improves prediction accuracy for porosity and surface morphology, especially under low-energy and high-hatch-spacing conditions. Model validation is carried out using high-resolution CT scans, SEM imaging, and buoyancy-based porosity measurements. The conduction and hybrid models offer computational efficiency and are appropriate for macro- to meso -scale investigations, but they have limited ability to capture precise pore morphology. The multiphysics model, incorporating melt pool fluid flow, surface tension effects, and partially molten powder particles, achieved porosity prediction within 5 % deviation of CT-based experimental values and closely matches observed pore structures across a range of laser energy densities (11.6–28.5 J/mm 3 ). The study also maps process-structure interactions, emphasizing the impact of laser energy density and hatch spacing on pore properties. Overall, the proposed novel framework serves as a prediction and design tool for adjusting porosity in LPBF components to meet application-specific performance requirements.
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 ».