XiaoMi-AI文件搜索系统
World File Search System增材
增材制造解决方案助力国际盟友……
行业合作伙伴同样在通用电气 (GE) F414 发动机的 HUD 论坛中发挥了关键作用，该发动机是美国海军双引擎 F/A-18E/F 超级大黄蜂和 EA-18G 咆哮者的动力。从 2019 年到 2023 年，F414 生态系统经历了发动机模块短缺，因为它难以实现 341 架可执行任务的超级大黄蜂的目标。F414 HUD 促进了所有利益相关者之间的合作，并让 GE 深入了解了发动机短缺如何影响舰队。2023 年 11 月，东南舰队战备中心、F/A-18 和 EA-18G 项目办公室、海军供应系统司令部、国防后勤局、GE 和其他组织共同超越了 1,451 台待发 F414 发动机的目标，这是自 2018 年以来的首次——比计划的恢复时间表提前了 8 个月。
最终技术报告：通过 3D 打印制造和增材设计电机（MADE3D）
缩略词列表 2D 二维 3D 三维 BAAM 大面积增材制造 BJAT 粘合剂喷射增材技术 CAD 计算机辅助设计 DIW 直接墨水书写 EDM 电火花加工 FEA 有限元分析 FFF 熔融长丝制造 HEC 羟乙基纤维素 HREE 重稀土元素 IACS 国际退火铜标准 IEA 国际能源署 kW 千瓦 LPBF 激光粉末床熔合 MADE3D 通过 3D 打印制造和增材设计电机 MADE3D-AML TM MADE3D-高级机器学习 TMs MDF 制造示范设施 MW 兆瓦 NASA Glenn 美国国家航空航天局格伦研究中心 NGO 非晶粒取向 NOES 非晶粒取向电工钢 NREL 国家可再生能源实验室 OEM 原始设备制造商 ORNL 橡树岭国家实验室 REE 稀土元素 SEM 扫描电子显微镜 SLM 选择性激光熔化 TRL 技术就绪水平
生物医学金属增材制造的进展
1 西安科技大学机电工程学院，西安 710054，中国 2 上海交通大学材料科学与工程学院金属基复合材料国家重点实验室，上海市东川路 800 号，200240，中国 3 上海交通大学国家转化医学基地，上海 200240，中国 4 上海电力学院数理学院、能源与机电工程学院，上海 201306，中国 5 右江民族医学院附属医院，百色 533000，中国 6 埃迪斯科文大学工程学院先进材料与制造中心，270 Joondalup Drive, Joondalup, Perth, 6027 WA，澳大利亚
熔盐环境中增材制造 316H 不锈钢的腐蚀测试
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
电子束金属增材制造中空间微结构控制的轨迹优化
摘要 — 金属增材制造 (AM) 为空间控制制造后的微观结构和性能提供了可能性。然而，由于驱动微观结构结果的固态扩散转变在温度方面由非线性 ODE 控制，而温度本身又由整个零件域上的 PDE 控制，因此求解实现所需微观结构分布所需的系统输入已被证明是困难的。在这项工作中，我们提出了一种用于金属 AM 中微观结构空间控制的轨迹优化方法，我们通过控制电子束粉末床熔合 (EB-PBF) 中低合金钢的硬度来证明这一点。为此，我们提出了热和微观结构动力学模型。接下来，我们使用实验数据来识别微观结构转变动力学的参数。然后，我们将空间微观结构控制作为有限时域最优控制问题。使用具有 GPU 加速的增强拉格朗日微分动态规划 (AL-DDP) 方法计算最佳功率场轨迹。然后通过近似方案在 EB-PBF 机器上实现所产生的随时间变化的功率场。对所得硬度的测量表明，优化的功率场轨迹能够紧密产生所需的硬度分布。
第 13 部分：增材制造
根据欧洲铝业协会 [1] 开展的一项研究，欧洲乘用车的铝含量将从 2022 年的 205 公斤增加到 2030 年的 256 公斤。对美国汽车也做出了非常相似的预测 [2] 。因此，内燃机相关铸件需求的下降将在很大程度上被电动汽车对新型铝基部件的需求所抵消，例如电机外壳、BEV 和 PHEV 电池外壳组件和不同的结构件。预计对压铸制造的汽车结构件的需求将从 2021 年的 820 万件大幅增加到 2030 年的 2500 万件 [3] 。所引用的研究一致认为，预计超过 50% 的铝基零件将通过压铸方法成型，特别是高压压铸 (HPDC)。这些研究并未考虑到巨型和千兆高压压铸的快速普及。因此，未来几年对 HPDC 零件的需求预计会比预测值高得多。
用于增材制造过程监控的量子机器学习
数据驱动的方法（如机器学习）可用于分析和监控复杂的制造过程，在这种过程中，仅依靠基于物理的模型进行预测的成本非常高。机器学习已被用于监控增材制造过程[21]。支持向量机（SVM）[28]、隐马尔可夫模型[29]、卷积神经网络（CNN）[6,14]和字典学习[17]等方法都得到了应用。然而，机器学习在制造应用中有几个局限性。首先，用于预测复杂系统的机器学习需要大量的训练数据，而制造业的数据收集成本高昂。其次，制造过程中收集的数据不平衡。制造过程通常在正常情况下进行，而数据收集的成本很高。
AM（增材制造）材料的疲劳评估
比在空气中的要短。一般来说，由于应变速率较低和温度较高，疲劳寿命会降低。 环境修正系数 ( F en ) 定义为 LWR 环境 ( NW ) 中的疲劳寿命与空气中 ( NA ) 中的疲劳寿命之比，环境中的疲劳使用量 ( U en ) 为 F en 与空气中的疲劳使用量 ( U f ) 相乘所得。 包括环境在内的疲劳数据
