Polymer blends as a tool to improve mechanical properties and printability of metal-filled polymer filaments for material extrusion additive manufacturing in the context of sustainable manufacturing
Notice bibliographique
Résumé
This study reports the development and optimization of highly metal-loaded thermoplastic composite filaments for material extrusion additive manufacturing of metallic components. Nickel (Ni) and iron (Fe) powders with varying particle sizes and morphologies were combined with polyethylene (PE), polylactic acid (PLA), and PE/PLA blends as binders. The influence of particle characteristics and binder composition on filament morphology, mechanical properties, porosity, thermal behavior, and printability was systematically investigated. Composite filaments containing up to 90 wt% Ni and 80 wt% Fe were successfully extruded. Scanning electron microscopy revealed that fine Ni particles improved dispersion and reduced porosity, whereas coarse Fe particles resulted in heterogeneous packing. Thermal analyses guided debinding and sintering conditions, while mechanical testing demonstrated that PE enhanced flexibility, PLA contributed to strength, and blended systems offered a balanced compromise with good printability. Optimized 3D printing parameters enabled the fabrication of high-quality green parts, which were successfully debound and sintered using graphite powder to suppress oxidation. Dense metallic structures with controlled shrinkage and minimal residual porosity were obtained. Ni-based samples exhibited greater shrinkage and cracking due to finer particle size and higher thermal expansion. The results demonstrate a robust materials–process design strategy for FFF of metals. Unlike conventional multi-step solvent-based methods, this work employs a simple dry-mixing route and standard laboratory furnace processing without vacuum or inert atmospheres. This streamlined approach provides an environmentally friendly and scalable pathway for additive manufacturing of high-performance metallic parts.
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 | 0,000 |
| 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) | 0,001 | 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 ».