Towards sustainable additive manufacturing: Enhanced productivity via numerical-experimental melt pool engineering in laser powder bed fusion of Ti-alloy
Notice bibliographique
Résumé
Laser Powder Bed Fusion (LPBF) offers a promising approach for creating metallic components with tailored properties. However, low production speed and high manufacturing costs remain challenges. Enhancing the building rate improves economic efficiency and reduces energy consumption, contributing to a greener environment. This study proposes a numerical-experimental approach to increase the LPBF build rate for Ti-5553 while maintaining part quality and performance. High-speed scanning parameters that produce parts with high density, low surface roughness, and sufficiently large melt pools were chosen from the optimized process parameters. A time-efficient and cost-effective simulation, developed by the authors, was used to predict the effects of process parameters on melt pool geometry and the possibility of lack-of-fusion defect formation due to increased hatch distance and layer thickness. This predictive analysis led to the selection of two parameter sets for fast and dense sample printing. The results indicate that increasing the hatch distance and the layer thickness enhances productivity by approximately 54 % and 104 %, respectively, compared to the original optimized parameters. The printed samples with fast-print parameters exhibit an excellent density (>99.98 %) and a favorable surface roughness (<17 μm). While these samples demonstrate a slightly finer grain size than the reference, their tensile strength, elongation, and hardness differ by less than 4 %, confirming negligible mechanical impact. These findings demonstrate a viable strategy for significantly improving LPBF efficiency while maintaining part quality.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».