レーザー粉末床溶融結合：技術、材料、性能と欠陥、数値シミュレーションに関する最近のレビュー（5）

レーザー粉末床溶融結合：技術、材料、性能と欠陥、数値シミュレーションに関する最近のレビュー（5）
出典: 揚子江デルタG60レーザーアライアンス

はじめに: このレビューでは、主に LPBF プロセスの基本原理、いくつかの相互に関連するパラメータの科学的および技術的進歩、原料、生産パフォーマンス/欠陥、およびプロセスの動作を仮想的に理解するための数値シミュレーションからの洞察について説明します。この記事は第5部です。

6.2. 多孔性 LPBF では金属粉末を完全に溶融するため、不安定な溶融プールが生成されます。さらに、適切なパラメータが選択されないと、多孔性などの多くの欠陥が発生する可能性があります。 LPBF プロセスで形成される気孔には、溶融気孔、空気気孔、収縮気孔の 3 種類があります。レーザーエネルギー密度が不十分な場所に溶融穴が形成されます。この欠陥により熱の浸透が悪くなり、すでに溶融して固化した層の最上層を再び溶融できなくなります。その結果、新しい層との接着が不十分になります。つまり、基本的には、トラックの重複と浅い貫通が主な原因です。この欠陥は、レーザーエネルギー密度が低い、電力が低い、速度が速い、スキャンスペースが大きい、層の厚さが厚いなどの理由で発生します。これらの細孔は主にプロセスパラメータによって制御され、層境界に沿った部分的または不完全な溶融の影響を受けます。これらの気孔は主に部分溶融が支配的な領域に集中しています。

対照的に、層間がしっかりと結合している領域では、多孔性が大幅に最小限に抑えられます。溶融孔も粉末の間に閉じ込められたガスによって発生します。これらのガスが漏れると、危険な走査経路が形成されます。プロセスが継続して空洞が形成されると、流体の力が蒸気圧とバランスを取り、液相が崩壊して気孔が形成されます。

ある層に重大な球状化欠陥がある場合、連鎖反応、つまり次の層に気孔と球状化が発生する可能性が高くなります。その結果、部品のパフォーマンスが低下し、密度も低くなります。十分な量の溶融金属があり、流動性が良く、溶融池が長く持続し、凝固が遅い場合、気孔を埋めることができ、気孔率を減らすことができます。水素の場合、吸水性が非常に高く、液体アルミニウムと固体アルミニウムでは水素の溶解度が異なります。したがって、水素多孔性を確認するには、アルミニウム粉末をアプリケーションで使用する前に完全に乾燥させる必要があります。溶融プール内の水素溶解により深刻な多孔性が生じる可能性があるため、粉末床の予熱も役立ちます。 LPBFed Ti6-Al-4Vトップ層の細孔を図36に示します。


図36 (a) LPBFed Ti6-Al-4Vの最上層の多孔性、(b) 開いた気孔の拡大画像、(c) 洞窟気孔の拡大画像。

表面粗さ

LPBF プロセスで製造された部品の場合、表面仕上げは常に懸念事項でした。これは AM プロセスにおける大きな欠点でもあります。さまざまな AM プロセスの中で、表面仕上げに関しては DED が最も優れており、次いで LPBF、EBM の順でした。表面粗さの主な原因は、大気中のガスの存在による酸化と、部品の表面への部分的に溶融した粉末の付着であることが指摘されました。 LPBF プロセスと同様に、未使用の粉末はプロセス領域から出ることはなく、常に粉末ベッド自体に残ります。これらの粒子は部品の表面に付着したままになる可能性があります。表面に付着した粒子によって生じる粗さの平均サイズは、粉末の直径とほぼ同じです。

溶融池の流れ内部の表面張力勾配により、溶融池内に形成された小さな球は溶融池の周囲に引き寄せられます。するとエッジが固まり、表面が粗くなります。したがって、高エネルギー密度、低速での高いレーザー出力、薄い層厚、および不適切なパターン充填間隔を提供することで、表面粗さを低減できます。さらに、粒子サイズが大きいと完全に溶解することが難しくなり、最終部品の表面仕上げが低下します。


横方向速度 500 cm/s での DLD 中の溶融プールの温度コンター (a) - (b): XY (ビルド) 平面における類似の形状、(c) - (d): 異なる溶融プールの深さを示す対応する XZ (セクション) 平面図。

6.4. 亀裂と残留応力

LPBF プロセス中に、主に 2 種類の亀裂を識別できます。これらは冷間亀裂と熱間亀裂です。高温割れは凝固割れとも呼ばれ、通常は凝固プロセスの最終段階で発生します。熱亀裂は主に、凝固プロセス中に部品の固体構造が変形することによって発生します。さらに、液体領域での対流が不十分な場合、熱亀裂が発生する可能性があります。

構造的応力は、相変化中に部分的に発生する体積膨張によって生じます。部品内部の残留応力が降伏応力よりも大きい場合、部品は変形したり、亀裂が生じて応力を解放します。 LPBF 部分のひび割れは、液化ひび割れと凝固ひび割れの 2 つの部分に分けられます。堆積層は、凝固収縮と熱条件によるサイクルにより収縮します。しかし、ベース/基板または以前に固化した層の温度は、新しく溶けた層よりもはるかに低くなります。したがって、新しい層の収縮は、以前に敷設された層の収縮よりもはるかに大きく、この差によって新しい層の圧縮も妨げられる傾向があります。これにより、凝固および亀裂発生時に新しく溶融した層に応力が発生します。これは凝固割れです。液化割れは、粉末が部分的に溶融した部分で発生します。これらの領域では、急速な加熱により、一部の粒子、特に低融点炭化物が溶融します。部品が冷えると引張力が生じ、この力により溶融炭化物が亀裂発生箇所として機能します。


(a–b) は、それぞれ 3D プリントされた Zr ベース BMG の SEM-BSE 顕微鏡写真の側面図と上面図です。(b) の挿入図は、気孔の分布を示しています。(c–d) は、腐食後の 3D プリントされた Zr ベース BMG の側面図と上面図です。挿入図は、溶融池と熱影響部を示しています。

6.5. 合金元素の損失

揮発性金属、主に Mg、Zn、Al などは、非常に高い温度のため、溶融池から非常に簡単に蒸発します。レーザーが金属に接触すると、これらの元素の蒸気圧が高く沸点が低いため、金属が蒸発します。溶融池の温度は元素の沸点よりもはるかに高くなります。これらの元素が蒸発すると、製造された部品の組成が変化し、機械的特性が変わります。変化する特性は主に、微細構造の強度、耐食性、クリープ、伸びです。

蒸発のほとんどは溶融池の過熱によって起こります。したがって、この場合、レーザーエネルギー密度が重要な要素となります。蒸発により溶融プールが不安定になり、堆積層の組成が変化します。蒸発により溶融池内に反動圧力も生じます。この圧力により溶融ゾーンの液体が押し出され、「キーホール効果」と呼ばれる欠陥が発生します。蒸発により多孔性が増加するため、最終部品の密度も低下します。特定の元素の蒸発を観察するためにさまざまな実験が行われてきました。 TiAl サンプルを LPBF で処理すると、大幅なアルミニウム損失が観察されました。 Cu-4SnのLPBFedは蒸発により部分的にSnを失います。この蒸発は性能に影響を与え、溶融軌道の不安定性を高める可能性があります。しかし、蒸発と損失は制御可能です。これは、溶融プールの温度とレーザーエネルギー密度を監視することで最小限に抑えることができます。ただし、エネルギー密度が低いと要素の損失が減少するため、部品の不均一性も引き起こされ、特性が望ましい特性セットから逸脱する可能性があります。

6.6. 酸化物介在物

酸化物介在物は、製造された部品の性能を低下させる可能性のある避けられない欠陥の 1 つです。前の層の上に酸化物層が存在する場合、新しく堆積された層と結合することができます。結合は酸化層の影響を受けるため、球状化にも役立ちます。キャンベル氏は、合金元素が一次操作中に溶接プールに酸化物を導入するのに役立つと指摘しています。 Si や Mg などの特定の元素をアルミニウム合金に添加すると、形成される酸化物の特性が変化することが観察されています。アルミニウムは酸素との親和性が高く、低酸素濃度でも酸化物を形成するため、多くの研究者がアルミニウム合金の酸化を防ぐ解決策を模索しています。


(a–b) 側面図と上面図から見た溶融池周囲の熱応力場の有限要素シミュレーション。(c) 溶融池付近の細孔に応力集中が発生します。

6.7. AM部品の認証

疲労荷重を受けた部品の「適合性」を評価することは、製造プロセス中に導入される微細構造と欠陥に直接関係する基本的な課題です。マイクロコンピュータ断層撮影は、表面近くや薄くて複雑な形状の欠陥を検出するための最も効果的な技術の 1 つです。コンポーネント評価の文脈で X 線 CT スキャン測定を分析するために極値統計を使用する利点と限界について説明しました。

ここでは、タイムラプスシンクロトロンX線マイクロコンピュータ断層撮影（SR-CT）を使用して、250°Cでその場で引張-引張サイクル荷重（180～38,000サイクル）を受けたLPBF製造AlSi10Mg試験片の疲労寿命にわたる損傷の蓄積を追跡しました。 Patriarca らは、複合サイクル疲労環境における設計応力と許容破損を決定するための確率論的手法を提供しました。これらのデータは、材料パラメータの平均と変動を決定するために使用され、その後、モンテカルロ シミュレーションで使用され、目標の破損確率に基づいて設計応力を決定します。この研究は、機械部品の損傷の蓄積に影響を与える要素の固有の変動性のみに依存する安全マージンを決定することに焦点を当てています。

7. 数値モデリング、最適化、機械学習技術

7.1. 熱伝達解析の支配方程式

熱伝達解析は Shiva らによって発表されました。一般的に、熱入力はガウス分布に基づいて実行され、対流と放射による損失も考慮されました。過渡熱解析では、基板上および粉末床上の堆積材料の各特定ポイントの温度履歴を決定する必要があります。

7.2. LPBFプロセスの数値シミュレーション

AM は、設計の開始から部品が使用されるまで、そしてイノベーションの分野において、物事のやり方に変化をもたらします。 AM はコストを削減し、複雑な部品の製造を可能にすることで、多くの業界に革命をもたらしました。設計段階では、設計者は市場にある最新のソフトウェアにアクセスできます。このソフトウェアは、特定のパラメータを使用して構築された部品の特性とパフォーマンスを予測できます。コストと時間の削減に役立ちます。しかし、この技術では、あらゆる部品の物理的な印刷中に発生するすべての物理的現象を詳細に理解する必要があります。主な障害は、材料ごとに異なるパラメータと出力特性の関係を理解することです。 LPBF は、粉末を溶かして 3D 部品を形成するレイヤーごとのアプローチを使用して部品を構築します。このような複雑なプロセスが完璧に完璧になることは決してないと言っても過言ではありません。製造業者にとっての課題は、プロセスパラメータの最適化を含め、欠陥が最小限の製品を作成することです。

研究者は、プロセスパラメータを最適化するために、数値シミュレーションなどの新しい方法を開発しています。実際に数十個の部品を製造し、段階的に改善することでプロセスパラメータを最適化するための反復には、多くの時間とリソースが必要です。数値モデリングの主な利点は、調査のために物理的な製品の製造を必要としないことです。したがって、時間、原材料、コストが節約されます。基本モデルの 1 つは、すべての熱履歴と残留応力を考慮した熱機械モデルです。実験に基づく最適化が必要であることはよく知られていますが、数値モデリングにより、研究者は複雑なプロセスを通じて部品の製造を安定して開始できるようになります。彼らは早い段階でプロセスに関する洞察を得て、最良の結果を得るためにプロセスを最適化できるようになりました。

多くの研究者によって研究されているように、LPBF プロセスにおける熱入力は、出力製品の特性に影響を与える主要なパラメータの 1 つです。ただし、パラメータと目的に応じて、さまざまな研究で多少の差異が見られました。 Tanらは、非対称ガウス分布を仮定して、LPBFでレーザービームを使用しました。さらに、LPBF を受けている固体モデル内の温度分布を理解するために、移動点ガウスレーザースキャンがモデル化されます。他の多くの研究では、レーザー光源はガウス分布としてモデル化されています。 LPBF では、レーザー エネルギーはレーザー スポットと呼ばれる特定の領域を通じて送信され、レーザーの中心と周辺の熱強度を再現するようにモデル化されます。

Luo らは、LPBF で行われたモデリング作業のほとんどが、溶融プールの輪郭をモデル化するために移動するガウス熱源を使用していることを指摘しました。明らかに、このモデルは多くの時間と計算コストを必要とし、より低いレベルでは使用できません。計算時間とコストを削減するために、時間ステップを増やして要素数を減らすことで LPBF プロセスにおける熱伝達シミュレーションを高速化する線状熱源が提案されています。移動するレーザー源の代わりに線形熱源を使用します。シミュレーション結果によると、置換によって開発に大きな影響はありませんが、計算時間が大幅に短縮されることがわかりました。


370 W、1300 mm/s における (a) 3、(b) 4、(c) 5 の領域中央の温度分布。

モデリングとシミュレーションを通じて LPBF プロセスを最適化するための研究が数多く行われてきました。しかし、プロセスが非常に複雑なため、結果には常に何らかのギャップが生じます。現在、多くの研究者が、可能な限り最高の精度を達成するためにさまざまなシミュレーション方法を試しています。

LPBF の主な障害の 1 つは、加工パラメータと最終部品のパフォーマンスとの関係を理解することです。そのため、研究者はプロセスパラメータを最適化するための反復としてプロセスシミュレーションを開発しました。支配方程式は、あらゆるシミュレーション作業の数学的背景となります。目標が異なれば、異なるモデルの使用が必要になる場合があります。モデルではプロセスの温度依存性を考慮する必要があります。熱機械モデルと熱流体モデルは、現実世界との類似性から研究者の間で人気があります。熱源モデリングも非常に重要です。レーザーの最大エネルギー強度はレーザーの中心に集中し、レーザースポットの周辺に沿って徐々に減少することに注意してください。したがって、ガウス分布は、中心に最大強度を持つ熱源をシミュレートします。ほとんどのモデルの解は有限要素法を使用して抽出されます。多くの研究者は、熱方程式を解くための主なアプローチとして有限要素法を選択します。しかし、シミュレーションは計算された数値に基づいた結果しか提供しないため、シミュレーション結果を実験結果で検証する必要があります。

7.3. LPBFプロセス特性を予測するための機械学習手法

LPBF は、複雑な部品形状を製造できるため、最も人気のある金属積層造形プロセスです。その背後には多くの学術研究と産業投資があります。有限要素解析を使用した LPBF の広範な数値シミュレーションにもかかわらず、信頼性の高い部品製造を確保し、製造後の品質評価を削減するには、プロセス監視が依然として必要です。 LPBF プロセスを効率的にするには、AI ベースの機械学習とディープラーニング技術が必要です。図37は機械学習ベースの予測モデルを実装する方法を示しています。


図37 順次決定分析ニューラルネットワーク（SeDANN）の概略図。上記のセンサー データと高さマップは、線エネルギー密度 (EL) 0.33、つまりボール形成条件で堆積された単一のトラックのものです。高温計から抽出された統計的確率分布の特徴は、第 1 レベルの人工ニューラル ネットワーク (ANN) で使用され、レーザー プロセス パラメータ (P および V) を予測します。その後、高速カメラから抽出された溶融プールの特徴を使用して、上位層の平均幅と標準偏差、およびシングル パスの連続性を予測します。

この論文では、品質管理を改善するために LPBF プロセス チェーンの複数の段階に ML を組み込む問題を調査します。 ML は、L-PBF の前の部品設計とファイル準備に使用できます。機械学習技術を使用してプロセスパラメータを最適化し、リアルタイムで監視することができます。最後に、機械学習を後処理に組み込むことができます。 Okaro らは、AM 製品の欠陥/欠陥を自動的に予測するために ML システムを適用することを提案しました。生成されたコンポーネントが認証され、トレーニング中に生成されたコンポーネントの品質が不確実な両方のビルドからのデータを使用する半教師あり学習アプローチが使用されました。これにより、特に部品認証に費用と時間がかかる場合に、この方法は費用対効果に優れています。

Ogokeらは、図38に示すように、LPBFプロセスの熱特性を予測し、欠陥の可能性を最小限に抑えるための深層強化学習を提案しました。開発された制御アルゴリズムは、溶融プロセス中にレーザーの速度または出力を変化させ、溶融プールの一貫性を確保し、形成された製品の過熱を最小限に抑えます。制御アルゴリズムは、さまざまなレーザー経路下での粉末床の連続温度分布を正確にシミュレートすることによってトレーニングおよび検証されました。


図 38 深層強化学習フレームワーク。 (a) 強化学習では、エージェントは現在の状態sと各状態をアクションにマッピングするポリシーπに基づいてアクションを選択します。 (b) 状態は、シミュレーションの最初の 3 つの時間ステップにおけるレーザー位置付近の xy、yz、xz 平面の領域の断面によって表されます。 (c) ポリシーネットワークは、現在の状態の表現を取り込み、期待される報酬を最大化するためのアクションを予測する、完全に接続されたニューラルネットワークです。ポリシー ネットワークは、双曲正接活性化関数と各隠れ層に 64 個のニューロンを持つ 2 層の多層パーセプトロンとして実装されます。

Baumgartl らは、印刷欠陥の予測とプロセス監視 (溶融プールやオフ軸赤外線監視など) のためのデータ ソースとして、ニューラル ネットワークのディープラーニングと熱画像のオフ軸画像に基づく統合モデルの組み合わせを提案しました。提案された方法は、剥離と飛散の予測において 96.80% の精度を持っています。さらに、このモデルは非常に小さく、計算コストも低いため、性能の低いハードウェアでもリアルタイム操作に適しています。キーホール、細孔、ボール状欠陥などのほとんどの欠陥は、溶融プール自体のサイズと時間スケールに基づいて発生します。このような欠陥を監視することは重要です。 Scime 氏と Beuth 氏は、このような重要な欠陥をその場で検出できる可能性を高めるディープラーニングアプローチを提案しました。インコネル 718 材料システムの LPBF 溶融プールの形態を、固定視野の高速可視光カメラを使用して研究しました。

Sanchez らは、ML の可能性を利用してプロセス、構造、特性の関係を確立し、LPBF プロセスで製造された 78 個の合金ベース部品のクリープ速度を予測しました。 ML アルゴリズムは、LPBF プロセス パラメータや画像解析技術から得られた材料の幾何学的特徴 (多孔性画像) などの入力データを使用してトレーニングされました。このモデルは、LPBF の最小クリープ率を最大 98.60% まで有意かつ正確に予測しました。 Zhang らは、LPBF プロセスの製造可能性の予測評価のためのハイブリッド機械学習モデルを開発しました。設計側ではボクセルベースの畳み込みニューラルネットワーク (CNN) モデルが使用され、プロセス側ではニューラルネットワーク (NN) モデルが使用されます。次に、2 つのモデルを統合して、選択した LPBF プロセス パラメータに基づいてアーキテクチャの製造可能性を予測します。


より大きな「パンケーキ」欠陥の等価楕円体モデル: (a) 楕円体モデルの座標系は、z は試験片の軸方向の荷重方向に対応します。A、b、c は、楕円体の 3 つの主な半軸 (欠陥を表します) です。楕円体 c 軸の角度 θ は、試験片の荷重方向に対するものです。(b) さまざまな方向角度での欠陥の空間構成。

Peng らは、ML の機能を使用して、LPBF 処理された AlSi10Mg 合金の疲労寿命を予測しました。極限勾配強化モデルは疲労寿命を正確に予測できることがわかりました。疲労寿命を制限するこれらの変数の重要性は、上記の順序でランク付けされています。モデルは異なるサンプル寿命を予測し、微細構造が適度な役割を果たすことを示唆しています。施工方向と平行に試験を実施したところ、破断面における欠陥の投影面積が大きいことが、寿命短縮の主な原因であることが判明しました。より一般的な二変量村上モデルは疲労寿命を適切に予測しましたが、ML モデルは期待値に近い経験的モデルとの経験的相関関係を検証しました。

Zhang らは、ニューロファジーベースの機械学習アプローチを使用して、LPBF 処理された 316L ステンレス鋼の高サイクル疲労寿命を予測しました。複雑な非線形入出力環境をシミュレートするために、さまざまな処理条件、後処理、および周期的荷重を受けた試験片の疲労寿命データを含むトレーニング データセットが作成されました。 Bao らは、ML 技術の可能性を活用して、LPBF 処理されたコンポーネントの疲労性能に対する欠陥の位置、サイズ、形態の影響を調べました。高サイクル疲労破壊につながる重大な欠陥は、特性評価技術を使用して特定され、サポートベクターマシン (SVM) がトレーニングの入力データとして使用されます。最適化プロセスを高速化するために、モデル パラメーターを適合させるために、テスト データを使用したグリッド検索戦略が選択されました。 Moon らは、Ti-6Al-4V 合金ベースの試験片の疲労性能における表面粗さと気孔特性の関係を確立しました。このデータは、コンポーネントの疲労寿命を予測するための機械学習モデルのトレーニングにも使用されます。 Hassanin らは、LPBF 処理された Ti-6Al-2Sn-4Zr-6Mo 合金の緻密化と硬度を合理化し予測するためのディープラーニング ニューラル ネットワーク (DLNN) モデルを提案しました。プロセスパラメータと出力特性の関係が開発され、DLNN モデルのトレーニング用の入力データとして使用されました。作成されたモデルは検証され、プロセス マップの作成に使用されました。トレーニングされたディープラーニング ニューラル ネットワーク モデルは、多孔度と硬度についてそれぞれ平均パーセンテージ誤差が 3% と 0.2% と、最高の精度を達成しました。研究結果によると、ディープラーニングニューラルネットワークは、小さなデータセットから材料の品質を予測するための効果的な技術であることがわかりました。


すべての欠陥は、V-HCF および H-HCF 試験片の荷重方向に沿った平面に投影され、擬似カラー コーディングは明瞭性を向上させるためにのみ使用されます。

8. まとめ

付加製造は、産業界と学術界の両方で広く話題になっています。このレビューでは、LPBF プロセスの理解と最近のアップグレードについて説明します。 LPBF は、さまざまな金属やその合金に適用できる多目的な方法として広く注目を集めています。 LPBF プロセスの包括的なレビューが実施され、非常に重要ないくつかの重要なポイントが明らかになりました。最終製品の欠陥を最小限に抑えるためのさまざまなプロセスパラメータの重要性についても説明します。

•あらゆる材料に LPBF プロセスを適用する場合、LPBF 部品の可能な限り高い密度と望ましい機械的特性を実現するために、プロセス パラメータを正確に監視することが最も重要です。

• 金属/合金を LPBF プロセスにさらすことで、従来の製造プロセスに関連する多くの問題が解決されました。 LPBFed サンプルに継承された特性は、LPBF が従来の方法で生成されたサンプルよりも優れたパフォーマンスのサンプルを生成できることを示唆しています。

•金属の緻密化挙動は主にレーザーエネルギー密度の変化によって影響を受けますが、レーザーエネルギー密度は他のいくつかのプロセスパラメータによって制御および変化します。高密度化は、プロセスパラメータの変化によるレーザーエネルギー密度の変化に直接関係する可能性があります。

•LPBFでは、すべての粒子が完全に溶融するため、粉末の粒子サイズと分布の影響はそれほど重要ではないと考えられます。部分的な溶融が発生する SLS とは異なり、粉末パラメータが部品の緻密化に与える影響はごくわずかです。

•選択的レーザー溶融法で処理された部品の微細構造特性は、加熱速度と冷却速度、温度勾配、温度上昇などの変化を含む熱履歴によって大きく影響されます。製造後の処理方法は微細構造を改良するために非常に重要であり、標準的な処理には焼鈍処理と熱機械処理が含まれます。

•熱履歴、主に凝固速度、冷却速度、温度勾配も、LPBF 部品の機械的特性を決定します。機械的特性のほとんどは、粒子の微細構造の微細化に起因するため、熱履歴に依存します。

•LPBF では完全な溶融が重要な特徴であるため、プロセスは溶融プールの不安定性に非常に敏感です。プロセスパラメータが適切に選択されていない場合、微細構造の欠陥につながる可能性もあります。すべての欠陥は部品の性能に悪影響を及ぼします。さらに、粉末粒子が大きいと溶けにくくなります。したがって、LPBF に粗くて大きな粉末を使用した場合、表面仕上げが劣ることが観察されました。

•欠陥を決定する主な要因は、層数の増加に伴う「階段」効果です。つまり、欠陥、特に表面粗さは、層の厚さが増すにつれて増加します。したがって、表面粗さと製品の成形時間のバランスをとることが重要です。

•AI ベースの機械学習とディープラーニング技術は、プロセスの監視、製品品質の予測、プロセス制御の最適化に使用されます。

出典: レーザー粉末床融合: 技術、材料、特性と欠陥、数値モデリングの最新レビュー、Journal of Materials Research and Technology、doi.org/10.1016/j.jmrt.2022.07.121

出典: Beese, A. Wilson-Heid, A. De, W. Zhang, 金属部品の付加製造 - プロセス、構造、特性、Progress in Materials Science、92 (2018)、pp. 112-224、10.1016/j.pmatsci.2017.10.001
レーザー、粉末、焼結

<<:  eSUN 軽量 PLA が「消費者向け製品のアップグレードと革新に関するガイドライン (軽工業第 9 バッチ)」の推奨リストに選出されました。

>>:  3Dプリントサービスプロバイダー向け国産3Dソフトウェア「AMesh3D」が正式リリース

推薦する

自然！その場X線イメージングとマルチフィジックスモデリングにより、DEDの細孔進化メカニズムが明らかに

2024年2月28日、アンタークティックベアは、ロンドン大学クイーン・メアリー校、ユニバーシティ・...

サブミクロンスケールのマルチメタル電気油圧酸化還元3Dプリント

寄稿者: 王清瑞、田暁勇電気化学を利用すると、大量の金属を液体溶媒に溶解し、再沈殿させることができま...

レーザークラッディング法で堆積した Ti6Al4V-TiC 複合材料の微細構造と総合的な機械的特性に対する TiC 強化の影響

寄稿者: Li Qingyu、Li Dichen金属マトリックス複合材料 (MMC) は、ポリマーマ...

FAW R&D InstituteとStratasysが積層造形業界での協力を深めるための枠組み協定を締結

2022年5月27日午後、中国第一汽車有限公司研究開発研究所とストラタシスの調印式がオンラインで無...

デスクトップヘルスは、歯のない状態で生まれた子供のために、わずか4日間で完全に機能する美しい義歯を作成します。

この投稿は Bingdunxiong によって 2024-9-16 10:47 に最後に編集されまし...

吉華研究所の3D金属印刷技術がCCTVに登場

出典：CCTV4「中国ニュース」、文漢湖畔3D プリント技術として一般的に知られている付加製造技術は...

吊り下げられたサポートを外さない4S生物学的3D印刷方法

出典: EFL Bio3Dプリンティングとバイオ製造コラーゲン (Col) 異方性は、組織特有の細胞...

新製品の発売とDラウンドの資金調達後、Mofang Technologyの売上高は前年比30％増加しました。

この投稿は Bingdunxiong によって 2024-2-17 12:54 に最後に編集されまし...

広州雷佳金属3Dプリント：3Dプリントされたパーソナライズされた指輪を無料配送

最近、Leijia Additive Jewelry Taobaoオンラインストアの正式オープンを記...

在庫: 世界中の 3D プリントされた大規模住宅 10 事例

南極クマ紹介：海外では、装飾用ではなく実際に人が住んでいる3Dプリント住宅がすでに数多く存在します。...

3Dプリントされた人工空気圧筋肉は、自重の1000倍以上の重量を支えることができる

出典：科技日報イタリアの研究者らは、必要に応じて伸縮できる3Dプリント構造からなる人工空気圧筋肉を設...

AM: 3Dレーザープリントの「グリーン」材料

出典: EngineeringForLife微細藻類は光合成が可能で生物多様性を持つ単細胞微生物です...

メルティオは、金属3Dプリンターを500台以上販売し、2024年には収益が50%増加すると予想している。

この投稿は Bingdunxiong によって 2025-2-14 11:55 に最後に編集されまし...

2016 年の 4 つの主要分野における 3D プリント アプリケーションの一覧: 新しいトリックは何か

この投稿は、Little Soft Bear によって 2017-2-21 14:35 に最後に編集...

AREVO が 3D プリントしたカーボンファイバー製自転車フレームを数日で完成

複合材料の直接デジタル積層製造を専門とするシリコンバレーの企業 AREVO は、カリフォルニアのブテ...