MétaCan
Menu
← Back to cohort
Record 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 on OpenAlexfundno aff

Bibliographic record

Venuenot available
Typeother
Languagefr
FieldPhysics and Astronomy
TopicAstrophysical Phenomena and Observations
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of Canada
KeywordsFabricationManufacturing processInertial confinement fusionMetal powder
DOInot available

Abstract

fetched live from 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.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.004
Threshold uncertainty score0.013

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0010.000
Science and technology studies0.0010.000
Scholarly communication0.0010.001
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.018
GPT teacher head0.248
Teacher spread0.230 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same topicAstrophysical Phenomena and Observations→French-language works237,207→