Enhanced Near-Surface Flaw Detection in Additively Manufactured Metal Ti-5Al-5V-5Mo-3Cr Using the Total Focusing Method
Notice bibliographique
Résumé
Additive manufacturing (AM) enables the fabrication of complex components with high geometric freedom, but it can introduce near-surface flaws due to rapid solidification, resulting in porosity and lack of fusion. In addition, localized melting and steep thermal gradients favor the formation of micro-cracks. Conventional ultrasonic techniques have shortcomings in detecting such flaws because of front-wall interference, further affected by surface roughness and anisotropy. This study evaluates the effectiveness of the Total Focusing Method (TFM), an advanced ultrasonic imaging technique implemented in Full Matrix Capture (FMC), for near-surface flaw detection in Laser Powder Bed Fusion (LPBF) AM components. To assess TFM performance, subsurface side-drilled holes (SDHs) in AM Ti-5Al-5V-5Mo-3Cr (Ti-5553) material were used as the reference reflectors and compared with Phased Array Ultrasonic Testing (PAUT) under identical conditions. Results showed that TFM achieved higher spatial resolution and more reliable detection of shallow flaws, successfully detecting features as shallow as 0.40 ± 0.05 mm below the surface, whereas PAUT was limited to greater depths. These findings demonstrate TFM as a reliable non-destructive evaluation method for shallow flaws in AM parts, while contributing one of the first systematic comparative datasets of PAUT and TFM for shallow SDHs in LPBF titanium alloys.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».