Additive Manufacturing of Negative Thermal Expansion Metamaterials Using Steels
Notice bibliographique
Résumé
Abstract Negative thermal expansion (NTE) materials are critical for applications sensitive to thermal expansion, such as precision instrumentation and aerospace systems, but their use is often limited by reliance on rare or expensive materials. Architected NTE metamaterials fabricated from ubiquitous structural alloys like steel present a transformative and scalable alternative. This study focuses on fabricating such metamaterials using laser powder bed fusion (LPBF) of AISI 304L stainless steel and SAE grade 300 maraging steel in bi‐material configurations. Initial efforts optimize LPBF parameters to optimize interfacial strength through detailed process‐structure‐property investigations. Mechanical properties across the interface are characterized using uniaxial tensile testing, nanoindentation, and scratch resistance measurements, while scanning electron microscopy (SEM), energy‐dispersive X‐ray spectroscopy (EDS), and electron backscatter diffraction (EBSD) are utilized to analyze interfacial microstructure and bonding. Multiple support‐free, thermally responsive bi‐material lattice topologies are computationally designed to ensure manufacturability using LPBF, with their selection informed by finite element simulations. Subsequently, lattices are fabricated using optimized LPBF parameters and experimentally evaluated for their thermal expansion performance using digital image correlation (DIC). All lattice variants demonstrate NTE behaviour, with octagonal and dodecagonal bipyramid configurations achieving the highest magnitudes of negative thermal expansion coefficient.
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 ».