MétaCan
Menu
← Retour à la cohorte
Enregistrement W7065202527

Développement de poudres d'acier à outils S7 par atomisation à l'eau pour la fabrication additive par fusion laser sur lit de poudre (LPBF)

2023· other· fr· W7065202527 sur OpenAlexfundno aff

Notice bibliographique

Revuenon disponible
Typeother
Languefr
DomainePhysics and Astronomy
ThématiqueAstrophysical Phenomena and Observations
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFabricationManufacturing processInertial confinement fusionMetal powder
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Contrairement à la fabrication soustractive, la fabrication additive est un procédé permettant de produire des objets couche par couche. Ce processus permettrait de concevoir de nouveaux produits avec une géométrie complexe qui ne pourraient pas être fabriqués en utilisant des procédés traditionnels. Dans la majorité des cas, la fabrication additive demande des poudres aux propriétés très spécifiques afin d'obtenir des objets ayant les propriétés mécaniques souhaitées. C'est pourquoi l'atomisation au gaz est le procédé préférentiel pour produire des poudres. En effet, cette méthode permet d'obtenir des particules avec une géométrie régulière et exemptes d'oxyde conférant par la suite d'excellentes propriétés rhéologiques aux poudres produites. En revanche, d'un point de vue économique, l'utilisation de l'atomisation de l'eau pour produire des alliages ferreux pour le LPBF pourrait être très intéressante compte tenu de son taux de production beaucoup plus élevé et de ses coûts de production nettement inférieurs. Cette thèse s'attaque à l'utilisation de poudre d'acier à outil S7 produite par atomisation à l'eau pour la fabrication additive par fusion laser sur lit de poudre. Afin de pouvoir substituer l'atomisation au gaz par l'atomisation à l'eau pour produire ce type de poudre, cette thèse optimisera le processus d'atomisation de l'eau ainsi que la chimie des alliages d'origine afin de maximiser la sphéricité des particules (morphologie) tout en minimisant la teneur en oxygène. Ainsi, des poudres d'acier à outils adéquates à la fabrication additive par fusion laser sur lit de poudre pourraient être produites à une fraction du coût de celles obtenues par atomisation au gaz. De plus, afin de comprendre la relation entre l'écoulement de la poudre et les caractéristiques morphologiques des particules individuelles, l'intelligence artificielle est utilisée comme un outil afin d'établir des liens entre ces propriétés. Des micrographies des poudres produites ont été acquises en microscopie électronique à balayage pour être par la suite segmentées en particules individuelles. Les micrographies des particules individuelles où leurs paramètres morphologiques sont ensuite traités en utilisant l'intelligence artificielle pour corréler les informations collectées sur les particules individuelles avec les propriétés rhéologiques des poudres. Enfin, pour vérifier la pertinence de l'utilisation de poudre d'acier à outil S7 produite par atomisation à l'eau en fabrication additive par fusion laser sur lit de poudre, les poudres produites par atomisation à l'eau ont été utilisées pour produire des pièces et déterminer leurs propriétés mécaniques tels que la résistance en traction, la ductilité et la résistance aux chocs. Ces travaux apportent de nouvelles connaissances sur les relations entre les propriétés physiques des poudres et leurs propriétés rhéologiques mais également sur la faisabilité de l'utilisation de poudres atomisées à l'eau en fabrication additive sur lit de poudre.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,248
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAstrophysical Phenomena and Observations→Travaux en français237 207→