XiaoMi-AI文件搜索系统
World File Search Systemmicrostructure
长期运动学习引起的人脑皮质微观结构的变化
1人类科学学院，III研究所，体育科学系，奥托·冯·吉里克大学，玛格德堡39104，德国，2，麦克斯·普朗克人类认知和脑科学研究所2神经退行性疾病（DZNE），德国Magdeburg 39120，5行为和脑科学中心（CBBS），奥托·冯·吉里克大学，德国39106，德国39106，6莱布尼兹 - 玛格尼尼兹·纳斯特斯 - 纳斯特斯·纳神经生物学（林），德国39118，德国，7个研究所，研究所研究，研究。 Guericke University，Magdeburg 39120，德国和8学院认知神经科学研究所，伦敦大学学院，伦敦WC1N 3AZ，英国
增材制造 Hastelloy-X：后处理热处理对微观结构和机械性能的影响
本研究研究了后处理热处理对通过两种不同的增材制造技术（即激光束粉末床熔合 (LB-PBF) 和激光粉末定向能量沉积 (LP-DED)）制备的 Hastelloy-X 高温合金的微观结构和力学性能的影响。使用扫描电子显微镜 (SEM) 和电子背散射衍射 (EBSD) 分析检查微观结构，同时使用洛氏 B 法通过宏观硬度测试评估力学性能。在经过几次热处理后彻底研究了合金的微观结构，这些热处理包括应力消除（在 1066°C 下持续 1.5 小时）、热等静压（在 103 MPa 压力下在 1163°C 下持续 3 小时）和/或固溶处理（在 1177°C 下持续 3 小时）。结果表明，对于 LB-PBF 和 LP-DED Hastelloy-X，后处理热处理可产生均匀的晶粒结构以及碳化物的部分溶解，尽管它们的晶粒尺寸不同。关键词：增材制造、Hastelloy-X、微观结构、晶粒尺寸、宏观硬度。
原位 TiB 2 颗粒增强铝基复合材料的组织与力学性能
研究了铸态和T6态金属盐反应制备的TiB2颗粒增强A356基复合材料的组织与力学性能。对制备的复合材料的显微组织观察表明，原位生长的TiB2颗粒形状规则，在A356基体中分布均匀，A356基体与TiB2颗粒之间有清晰的界面。对铸态和T6态制备的复合材料的力学性能进行详细分析表明，随着A356基体中原位TiB2颗粒质量分数(wt%)的增加，制备的复合材料的极限拉伸强度和杨氏模量增大，但随着TiB2颗粒质量分数的增加，制备的复合材料的泊松比减小。与A356合金相比，随着TiB 2 颗粒质量分数的增加，复合材料的杨氏模量提高了10.8%，泊松比降低了3.2%；随着TiB 2 颗粒质量分数的增加，复合材料的屈服强度先降低（当TiB 2 颗粒质量分数小于1%时）后升高，而伸长率和断面收缩率则先升高后降低。此外，T6热处理可以细化晶粒，有效提高复合材料的力学性能。
高频LTCC应用的铜硼酸盐的烧结，微观结构和介电性能
摘要：通过固态合成和烧结，基于两个铜硼酸盐和Cu 3 b 2 O 6的新陶瓷材料，并将其表征为低介电介电介电常数的有希望的候选者，用于很高的频率电路。使用加热显微镜，X射线衍射测量法，扫描电子显微镜，能量分散光谱镜检查和Terahertz时间域光谱研究了陶瓷的烧结行为，构成，显微结构和介电特性。研究表明，频率范围为0.14–0.7 THz的介电介电常数为5.1-6.7，介电损失低。由于低烧结温度为900–960℃，基于铜硼酸盐的材料适用于LTCC（低温涂层陶瓷）应用。
拓扑优化增材制造 SS316L 部件的实验验证和微观结构表征
a 威斯康星大学麦迪逊分校机械工程系，美国威斯康星州麦迪逊 53706 b 威斯康星大学麦迪逊分校材料科学与工程系，美国威斯康星州麦迪逊 53706 c 威斯康星大学麦迪逊分校格兰杰工程研究所，美国威斯康星州麦迪逊 53706 ⸸ 通讯作者 摘要 拓扑优化 (TO) 与增材制造 (AM) 的结合有可能彻底改变现代设计和制造。然而，制造优化设计的实例很少，而经过实验测试的设计实例就更少了。缺乏验证再加上 AM 工艺对材料性能的影响，使我们对工艺-微观结构-性能关系的理解存在差距，而这对于开发整体设计优化框架至关重要。在这项工作中，使用定向能量沉积 (DED) 和选择性激光熔化 (SLM) 方法对功能设计进行了拓扑优化和制造。这是首次在 TO 背景下直接比较这些 AM 方法。在单轴位移控制拉伸载荷下，研究了 SS316L 和优化部件在制造和热处理条件下的机械性能，并与有限元建模 (FEM) 预测进行了比较。优化样品在试件中提供了压缩和拉伸载荷区域。实验结果表明 FEM 预测较为保守。微观结构分析表明，这种差异是由于增材制造过程中形成的细化微观结构，可增强高应力区域的材料强度。此外，由于晶粒尺寸更细化和位错结构更密集，SLM 样品表现出比 DED 样品更高的屈服强度。TO 结果对 AM 方法、后处理条件和机械性能差异很敏感。因此，通过结合微观结构特征来考虑制造部件中的局部微观结构变化，可以最好地优化用于 AM 框架的 TO。
层间停留时间对 Inconel 718 激光熔覆部件微观结构的影响
用高科技合金制造结构件的成本很高，因此，缺陷或磨损的修复对工业生产来说是一项重要的资产[1]。在众多新技术中，激光熔覆（又称直接能量沉积）正处于新兴领先地位。与其他修复工艺相比，熔覆中的能量输入是空间局部的，受热影响区较小[2–4]。在激光熔覆修复的部件中，基材和熔覆区之间会形成一个具有微观结构梯度的界面。它决定了修复部件的内聚力和寿命[5, 6]。工艺参数和部件的具体几何形状共同控制着热输入、熔池形状、空间温度梯度和冷却速度，而这些因素决定着材料的微观结构。材料体积可以经过多次凝固-再熔化循环，打印上述各层，具体取决于熔池深度和形状，熔池深度和形状可能非常复杂，正如 Biegler 等人在 [7] 中通过实验展示的那样。材料随后也会经历退火，因为部件一直处于高温下，直到工艺结束 [8, 9]。
粉末熔合金属增材制造工艺中粉末尺寸驱动的简便微观结构控制
© 2024 作者。开放存取。本文根据知识共享署名 4.0 国际许可协议授权，允许以任何媒介或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。
培训数据分布通过机器学习
目的：监督机器学习（ML）为定量MRI中的参数映射提供了一种令人信服的替代方法。这项工作的目的是证明和量化不同训练数据分布对超级访问的ML用于拟合时的准确性和精度的影响。方法：我们使用传统的模型拟合和监督ML拟合了两个和三校区的生物物理模型以及模拟的扩散数据的扩散测量。对于监督的ML，我们培训了几个人工神经网络以及随机的森林回归器，以不同的地面真相参数分布。我们比较了使用合成测试数据从不同估计中获得的参数估计值的准确性和精度。结果：当训练集中参数组合的分布与在健康人类数据集中观察到的参数组合匹配时，我们观察到高精度，但对非典型参数组合的估计值不准确。相反，当从整个合理参数空间中统一采样训练数据时，对于非典型参数组合，估计值往往更准确，但对于典型的参数组合可能具有较低的精度。结论：这项工作强调，使用监督ML对模型参数的估计在很大程度上取决于训练集分布。我们表明，使用ML获得的高精度可能会掩盖强偏置，并且参数图的视觉评估不足以评估估计值的质量。
“我的数据组织和您的数据组织一样好”谬误
基于先前工作中开发的热模型，并在参考文献中呈现。[4]，已经确定，由于预热，可以将奥氏体阶段保留在激光处理过程中的整个存款步骤中。基于计算的材料点历史，在样品，LPF1和LPF2的制造中也实现了相同的结果。因此，在最后冷却阶段关闭激光器后，马氏体转化才发生。这样的转化产生了扩张菌株，可以促进沉积物内“拉伸”残留应力。但同时，冷却阶段本身会导致样品内收缩。现在考虑参考的工作。[5]，取决于关键马氏体转化点（MS和MF）的位置，可能会出现“热”残留应力的暂时放松，这是由于所谓的超塑性效应在Martensite Transformation的时刻出现。在LFP2样品中获得的较高热量积累（见图7C）以及同一样品中较高的同质性水平可以被认为是该样品中获得的更好的超塑性效应的原因，从而避免了随后的冷裂裂纹现象，从而避免了更好的压力缓解。这些条件在CP和LFP1的两个样本中都无法存在，因此导致它们随后的冷裂。
