电子束3D打印,熔池如何影响材料的性能和表面质量

a5caf051341848178f882adfb0fd610a.png

熔池是金属的液态。在电子束粉末床熔融工艺中,当电子束的能量击中金属粉末的表面,电子的能量转化为热量。这种产生的热量融化了靠近光束位置的金属颗粒,随后将金属变成液体熔池。当光束从熔池中移开时,液体再次凝固成固体金属,这样粉末颗粒就熔合在了一起。在增材制造中,粉末床上的熔池(以及随后的熔合)面积非常小,通常深度小于0.5mm,面积小于1mm2。当电子束在粉末床上移动时,熔池也以同样的速度移动。当电子束移动时,可以实现点、线、面的熔,电子束通常以1米/秒或更高的速度移动。熔池尺寸不会因打印而有很大的变化,但根据不同的设置,可以在不同的材料和不同的工艺设置中获得不同的熔池尺寸(如改变层厚度)。

01

熔池大小如何影响最终零件的质量

工程师通常希望根据需要的最终零件性能来优化熔池的大小。如果对熔池控制不好,优化的过程可能会失败。如果熔池太小,如小于粉末颗粒,那么一次只能熔化一个粉末颗粒,粉末颗粒之间甚至不能彼此熔合在一起,便无法得到致密的零件,这会导致零件内产生孔隙和不完全熔化的区域增加,从而导致较差的机械性能。如果熔池太大,会导致表面质量不好,或者零件微观结构不佳。当熔池非常大时,会产生液体波,当该区域冷却时,会产生波浪状的表面。此外,如果熔池太大,熔化的粉末太多,在零件下表面将非常糟糕。电子束3D打印工艺的优化要兼顾零件性能、表面质量以及系统的生产效率。

6bef5cd3892e4b49a0891cac4196883f.jpeg

EBM制造的汽车零件展示典型的支撑结构

02

冷却速度如何影响零件的微观组织

冷却速度非常重要。当光束击中熔池时,熔池处于液态,当光束离开时,液体冷却并凝固成为固体金属。熔池的大小、形状和凝固是由能量束的能量分布和用于熔化零件的扫描路径控制的。通过优化光束参数和扫描路径,可以获得致密的材料。如果熔体冷却得太快,那么液体就没有足够的时间来填充所有的空间,从而导致裂缝、易碎的材料或错误的微观结构——例如,不希望的枝晶微观结构。如果熔池太大,它将需要很长时间来冷却,微观结构将变得太粗大。越快的冷却会得到越精细的微观结构,所以需要优化冷却速度来得到想要的微观结构。

a3d60802c532d3d8609e010de265503f.jpeg

电子束一次熔化多个区域的纯铜粉末

0d775393c14ac32c51fef26723165276.jpeg

电子束3D打印的铜结构

对于不同的材料来说这是不同的,因为有些材料对如何冷却熔体非常敏感,而其他材料则不然,通过改变熔体的冷却来实现不同的微观结构对于某些应用来说是有益的,因为每种类型的微观结构给零件带来了不同的机械性能。

03

熔池对使用的材料有影响

EBM技术的熔池与其他增材技术有所不同。尽管原理相似,但基本的物理原理是不同的。这是因为电子被用作能量源——它们几乎可被任何材料吸收,可以与通常反射光的材料一起使用(与其他工艺不同),并且电子被吸收的深度比其他3D打印工艺略深。

c946fbcea19bba90994ef0a2dc642bab.jpeg

EBM唯一不适用的是打印非导电材料。所以,物理原理是不同的。在EBM中可以将熔池控制在比其他方法更高的温度,这有利于设计用于高温应用的材料,如飞机发动机叶片。对于Ti64来说,因为可以在更高的温度下控制熔池,所以不会因为快速冷却而在零件中产生热应力——但这更多地是基于整体构建温度,而不是熔池本身。此外,熔池会影响零件的微观结构以及零件中孔隙和裂纹的水平。由于整体构建温度较高,EBM中的熔池冷却速度比其他3D打印技术慢一些,而且通常会获得稍微粗大的晶粒结构——这对某些应用有利,但有时却也不利。跟其他增材制造工艺一样,EBM技术的熔池应根据应用进行定制。

04

熔池对EBM打印TiAl合金的影响

对于像TiAl这样的高温材料,熔池的控制并不是唯一需要优化的部分。在整个构建过程中保持高且均匀的温度是非常重要的。否则,熔池的冷却速率和随后形成的显微组织可能在整个零件中不同。这可能导致不均匀材料特性。对于TiAl合金,必须考虑的另一个方面是,熔池会影响构建的性能,合金中的铝达到了沸点,从而减少了零件中的铝含量。这会影响零件的材料性能,但这可以通过从一开始就在合金中添加更多的铝来防止

65e46ea77409c2bf2efabb198d8774e6.jpeg

EBM 3D打印的TiAl合金叶片

EBM使用磁线圈来控制光束轨迹,光束可以在任意方向上偏转,并在粉末床的不同区域进行跳跃。因此,可以使用EBM创建许多不同的“熔池策略”。例如,可以用图案填充来熔化零件的内部区域,可以用线熔化策略熔化轮廓。

每一种策略都集中在控制熔化上。如果在一个特定的方向熔化,也在那个方向移动熔池(并且在一个特定的方向凝固);如果你在一条线上熔化,可以在一个方向上有一个拉长的熔体池,或者也可以有一系列较小的“点”熔化。

注:本文内容由3D打印技术参考整理编辑,转载请点击转载须知

欢迎转发

51f9267853216ad3a4713ff665a0f5a5.gif

主编微信:2396747576(请注明身份); 硕博千人交流Q群:248112776;网址:www.amreference.com

延伸阅读:

1.光束整形+优化球形粉末质量,使3D打印速度提升9倍

2.光束整形技术对提高金属3D打印质量、获得定制组织、降低成本具有重要价值

3.盘点:2023年值得关注的3D打印新材料、新工艺和新应用突破

4.发表于Nature:通过增材制造获得高强、高延展高熵合金

92f7d0d5d02b0b3abf39c2401be21849.gif

66657e642c6a4dc461bca1531394adb8.gif

内容概要:本文系统研究了基于W-GAN(Wasserstein生成对抗网络)的光伏出力场景生成方法,并提供了完整的Python代码实现。该方法充分利用W-GAN在捕捉复杂数据分布方面的优势,能够生成具有高度真实性与时序一致性的光伏发电功率场景,有效解决了传统场景生成方法在处理非线性、非平稳光伏数据时存在的模式坍塌与分布偏差问题。研究内容涵盖网络架构设计、梯度惩罚机制引入以保障训练稳定性、损失函数优化及生成样本质量评估等关键环节,生成的场景可用于电力系统规划、运行调度、储能配置及风险评估等任务,尤其适用于高比例可再生能源接入背景下的不确定性建模需求。; 适合人群:具备一定Python编程能力、深度学习基础理论知识的研究生、科研人员,以及从事新能源发电预测、电力系统优化调度等相关领域的工程技术人员。; 使用场景及目标:①实现光伏出力不确定性建模,生成满足统计特性的典型与极端功率场景;②支撑含光伏的微电网、主动配电网的优化调度、可靠性分析与韧性评估;③作为深度学习在能源时序数据生成领域的一个典型案例,服务于教学演示与学术研究。; 阅读建议:建议结合所提供的Python代码进行动手实践,重点理解W-GAN中判别器(Critic)结构、梯度惩罚项(Gradient Penalty)的实现原理,并通过可视化手段对比原始数据与生成数据的分布特征,进一步可尝试将其与传统GAN、VAE或DDPM等生成模型在场景多样性、保真度方面进行横向比较。
代码转载自:https://pan.quark.cn/s/a4b39357ea24 **C#反编译工具dnSpy的详细说明** dnSpy是一款专门用于C#编程语言的强效反编译器,其具备广泛的功能,涵盖了反编译、调试以及代码编辑等多个方面。这款工具凭借其便捷的操作性丰富的特性,广泛受到开发者逆向工程从业者的青睐。本文将详细研究dnSpy的关键功能、运作机制以及其在软件开发中的实际应用。 dnSpy的关键功能之一是反编译。它能够将已编译的.NET程序集(例如DLL或EXE文件)还原为源代码形态,从而让开发者得以审视并掌握应用程序的内部构造。借助IL(中间语言)反编译技术,dnSpy能够生成与原始C#代码高度相似的代码,以便用户进行阅读分析。不仅如此,dnSpy还兼容其他.NET语言,例如VB.NETF#。 dnSpy的调试功能是其另一显著优势。它内含了一个功能强大的调试器,使用户可以在反编译后的代码中设置断点,检查并调整变量值,以及追踪代码的执行路径等。这对于故障排除、学习他人代码或进行安全研究都极具帮助。同时,dnSpy支持模块程序集的热替换,即在调试期间可以即时更新代码,而无需重启应用程序。 另外,dnSpy提供了代码编辑功能,用户可以直接在反编译的代码上进行修改,并将这些更改保存回原始程序集。这种功能对于修正错误、优化代码或进行软件逆向工程研究都极为便利。 除了上述核心功能,dnSpy还拥有卓越的扩展性。它支持插件架构,允许开发者自定义并增加新的功能,如语法高亮显示、代码格式化工具等。这使得dnSpy能够根据用户的个性化需求进行定制,进一步提升了其灵活性实用性。 在提供的压缩文件中,我们可以发现若干配置文件(例如dnSpy.exe.confi...
内容概要:本报告系统分析了2026—2031年中国生成式AI行业的发展现状、竞争格局与未来趋势。中国生成式AI市场已从“百模大战”进入“应用与算力双轮驱动”阶段,2025年核心市场规模约1,200亿元,用户规模达5.15亿,预计2031年将突破8,000亿元,复合增速约37%。产业链呈现“上游算力与数据、中游模型、下游应用”的结构,价值分布向高毛利率的AI芯片垂类应用倾斜。DeepSeek、阿里通义等企业在开源、推理性能生态构建方面引领创新,推动API成本大幅下降。竞争格局形成以字节、阿里、百度、腾讯、DeepSeek为首的第一梯队,市场集中度高,C端CR3达72%。未来趋势指向AI Agent规模化、多模态融合、视频生成爆发及“水电煤”式基础设施化。; 适合人群:关注人工智能产业发展的政府决策者、企业战略负责人、投资机构分析师、科技创业者及高校研究人员。; 使用场景及目标:①把握中国生成式AI市场整体规模、增长潜力与结构性机会;②理解产业链价值分配与核心技术演进方向;③识别头部企业竞争策略与商业模式优劣;④制定投资、创业或企业数字化转型决策提供数据支持与战略参考。; 阅读建议:本报告数据截至2026年6月,2026—2031年数据为预测测算值,使用者应结合动态政策、技术突破与市场竞争变化审慎研判,重点关注风险提示与分主体落地建议,以提升决策前瞻性与可行性。
内容概要:本文档聚焦于将静态数字预失真(DPD)设计拓展为自适应DPD系统,深入研究并对比两种关键自适应算法——基于最小均方(LMS)算法与递归预测误差方法(RPEM)的实现机制与性能表现。通过Matlab与Simulink构建完整的仿真模型,系统地完成了算法建模、参数调优、迭代收敛分析及线性化效果验证,旨在提升射频功率放大器的线性度,降低带外辐射,增强现代通信系统的频谱效率与传输可靠性。文档还提供了丰富的配套代码资源与仿真案例,涵盖算法核心模块与实际应用场景,具有较强的工程复现价值与科研参考意义。; 适合人群:具备信号处理、通信工程或自动控制等相关专业背景的研究生、科研人员及通信领域工程师;熟悉Matlab/Simulink仿真环境,希望深入理解自适应DPD算法原理与实现细节的技术人员尤为适合;亦可作为高校相关课程的实践教学参考资料。; 使用场景及目标:① 掌握LMS与RPEM两类自适应滤波算法在非线性系统辨识中的建模流程与数学推导;② 通过仿真实验对比不同算法在收敛速度、稳态误差、抗噪能力及计算复杂度方面的性能差异;③ 实现DPD预失真器的搭建与参数优化,评估其对功放非线性失真的补偿效果,如ACPR改善与EVM降低;④ 为5G/6G通信系统中高效功放线性化设计提供理论支持与技术原型验证。; 阅读建议:建议结合提供的Matlab代码与Simulink模型进行同步仿真操作,重点关注输入激励信号设计、滤波器阶数选择、步长参数调节对算法性能影响;建议绘制误差信号收敛曲线、频谱对比图与星座图以直观评估效果;可在此基础上进一步探索其他先进自适应算法(如RLS、APA)或深度学习方法在DPD中的应用潜力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值