MétaCan
Menu
Retour à la cohorte
Enregistrement W4414805184 · doi:10.1016/j.jmrt.2025.10.015

Simulating cast-like microstructure using laser powder directed energy deposition (LP-DED) – a critical step to enable LP-DED as a high-throughput screening tool for conventional Al alloy development

2025· article· en· W4414805184 sur OpenAlexaff
Qingyu Pan, Monica Kapoor, John E. Carsley, Xiaoyuan Lou

Notice bibliographique

RevueJournal of Materials Research and Technology · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensNovelis (Canada)
Organismes subventionnairesResearch and DevelopmentNovelis
Mots-clésMicrostructureAlloyHomogenization (climate)Recrystallization (geology)CastingLaser

Résumé

récupéré en direct d'OpenAlex

Laser powder directed energy deposition (LP-DED) additive manufacturing (AM) has been proposed as a high-throughput tool to support combinatorial alloy synthesis. However, this approach cannot directly inform alloy development for traditional cast and wrought Al alloys due to vastly different microstructure and mechanical properties from the laser produced materials. In the present work, we propose a new manufacturing route of LP-DED to simulate cast-like microstructure of Al-Mn-Fe-Si alloy made by direct chill (DC) casting. By utilizing substrate heating and grain refinement, the optimized LP-DED alloy exhibited similar microstructure and mechanical response as DC-cast counterpart, under both as-built and homogenization conditions. The alloy also showed similar recrystallization dynamics and microstructure as DC-cast alloy under the same thermomechanical treatment. The results showed that the optimized LP-DED process can produce materials that share the similar microstructural characteristics and properties as its DC-cast counterpart. This method bridges the gap between laser AM and conventional casting processes, and for the first time makes LP-DED a feasible high-throughput screening tool for DC-cast Al alloy development.

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)0,001
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 enseignants0,026
Score d'incertitude au seuil0,710

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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 Opus0,024
Tête enseignante GPT0,318
Écart entre enseignants0,294 · 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207