On the Effect of Process Parameters on Manganese Content and Shape Memory Behavior of LPBF-Fabricated Fe-Based Alloys
Notice bibliographique
Résumé
In this study, the effect of laser process parameters on Mn content and the shape memory behavior of Fe-20Mn-5Si-5Ni-9Cr-0.8V-0.2C-0.1N were studied. Laser Powder Bed Fusion (LPBF) method was employed to fabricate the parts using an EOS M290 system. The process aimed to achieve fully dense parts (>99.9%) with different Mn contents (between 15 to 20 wt%). Mn content measurements done with XRF revealed that scanning strategy (including stripe width, strip overlap, scan length, and rotation angle) significantly influence the Mn content in a part, despite being printed with identical power, speed, hatch spacing and layer thickness. The underlying causes were analyzed in the context of melt pool dynamics and vaporization tendencies of Mn during repeated scan path exposures. Next, differential scanning calorimetry (DSC) was employed to study the influence of Mn variation on shape memory transformation temperatures. Clear shifts in martensitic start (Ms), finish (Mf) and austenitic start (As), and finish (Af) temperatures were observed, with higher Mn content lowering the transformation range. Mechanical properties assessment showed that high-Mn samples had slightly reduced the strength, but improved ductility compared to low-Mn samples. Hardness measurements showed minor variation but aligned with the observed microstructural differences. Finally, the shape memory effect (SME) was assessed using a three-point bending recovery test. High-Mn samples exhibited significantly different behavior compared to low Mn samples, owing higher stability of Austenite in the high Mn samples. Moreover, in-situ heat treatment occurring due to high energy input in low-Mn samples resulted in formation of carbides and affected the shape memory behavior in the low Mn sample as compared to carbide free high Mn sample. This study highlights the sensitivity of Fe-Mn-Si shape memory alloys to Mn content and demonstrates how LPBF process parameters can be utilized to tailor chemical composition and mechanical behavior of this group of 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 | 0,000 | 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 ».