A geometry-based comprehensive heat source model for FE thermal simulation of laser directed energy deposition
Notice bibliographique
Résumé
Laser Directed Energy Deposition (L-DED) is a distinctive manufacturing process known for its relatively high deposition rate, minimal waste, and ability to make complex geometries. Accurate prediction of the temperature distribution and thermal history during L-DED is crucial for estimating the microstructure, porosity, and mechanical properties of the fabricated parts. However, existing analytical and numerical models often fall short in accuracy due to overlooking the geometrical characteristics and shape of the deposition. To address this issue, a multi-step statistical/numerical analysis workflow is proposed to elucidate the thermal responses in L-DED deposited tracks. First, a data-driven predictive model using statistical methods was used to estimate the deposition geometry based on the key process parameters which are laser power (P), powder feed rate (F), and scanning speed (V). Next, the prediction results were implemented in a dynamic hybrid quiet/inactive elemental control scheme to capture the deposition process. Further, activated elements are subsequently analyzed thermally through a transient 3-D finite element (FE) heat source model accounting for heat flux from conduction, convection, and radiation. The laser beam’s energy follows a two-dimensional Gaussian distribution, while the heat flux over the actual deposition region, modeled as a quarter-ellipsoid with the predicted geometrical characteristics. This representation captures the actual projection of the laser beam on the deposition. The simulated melt pool depths and temperature showed excellent agreement with experimental measurements for L-DED depositions of Inconel 625 superalloy, exhibiting less than 10% deviation, thereby validating the proposed heat source model.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».