Additive manufacturing: a tool for engineering microstructures and mechanical behavior
Notice bibliographique
Résumé
Laser Powder Bed Fusion (L-PBF) is a versatile metal additive manufacturing technique that not only enables the creation of intricate geometries but also allows for precise control over microstructural properties. By adjusting processing parameters, L-PBF facilitates the engineering of crystallographic textures and grain orientations, enhancing the mechanical performance of metallic parts. Austenitic steels exhibit Transformation Induced Plasticity (TRIP) and Twinning Induced Plasticity (TWIP) effects under deformation, which are influenced by crystallographic texture. Therefore, this contribution will provide an overview of a project on the utilization of L-PBF to produce austenitic stainless steels with tailored crystallographic textures, optimized for specific load states to improve their mechanical behavior. The study requires identifying optimal microstructures and L-PBF processing routes using machine learning methods, that enhance these effects under complex stress states. The findings are leveraged to produce site-specific, texture-optimized components with superior mechanical responses compared to conventionally manufactured parts. Co-funded by the European Union (Horizon Europe, FLEETfor55, GA no. 101192661). Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union (EU) or the European Climate, Infrastructure and Environment Executive Agency (CINEA). Neither the European Union nor the granting authority can be held responsible for them.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».