麻省理工-通过SLM原位形成纳米碳化物和硅化物强化In718合金

本文主要是介绍麻省理工-通过SLM原位形成纳米碳化物和硅化物强化In718合金,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击上方「增材制造技术前沿」快速关注

专注于3D打印技术硬知7识分享

近日,麻省理工学院核科学与工程系,材料科学与工程系和伊斯坦布尔技术大学冶金与材料工程系的研究人员报道了用激光粉末床熔合(LPBF)增材制造镍高温合金金属基复合材料。采用高速球磨法制备了含纳米陶瓷的复合粉体,并对SiC+Inconel 718合金粉末进行了处理,在Inconel718颗粒表面形成了均匀的SiC装饰。对打印样品研究表明在激光熔化7过程中,SiC溶解,导致原位形成Nb和Ti基硅化物和碳化物纳米颗粒。这些原位形成的纳米颗粒使增材制造的Inconel718具有更理想的凝固微观组织结构,具有更少的打印缺陷(裂纹和孔隙)和略微细化的晶粒尺寸。力学性能表明,与未添加SiC的样品相比,复合材料的硬度、屈服强度和极限抗拉强度分别提高了16%和12%。经过热处理后,相同的复合材料试样的极限抗拉强度比相同处理的未增强材料高10%,而总伸长率保持在14%左右。这种原位沉淀形成为增强增材制造的高温材料提供了一种简单有效的方法,可以用于日益恶劣的能源和推进应用环境。相关研究发表在增材制造顶刊《Additive manufacturing》,论文通讯作者为麻省理工学院材料科学与工程系李巨教授。

11682f9d2fe31337cd0658390797212a.png

原文链接:https://www.sciencedirect.com/science/article/pii/S221486042300091X


Inconel718是一类通过时效处理沉淀硬化的γ双素体(γ”)Ni-Cr高温合金,由于其优异的高温蠕变和抗疲劳性能以及优异的抗氧化性能,是极端条件下应用的主要材料。然而,随着技术的进步,在这些应用中进一步提高性能将需要在更高的温度和应力下运行,从而超越当前高温合金的极限。近年来,提高镍基高温合金性能其中一种技术是陶瓷增强,制备出金属基复合材料。通过将陶瓷纤维或颗粒加入到镍基合金基体中,可以定制晶粒尺寸和形态,增强晶界,在某些情况下,还可以改善高温力学性能。因此这项研究探究了使用激光粉末床熔融(L-PBF)制备添加SiC纳米增强的In718复合材料。SiC是一种很有前途的金属基复合材料添加相,因为它在高温下具有优异的硬度和强度,以及良好的抗氧化性和耐热性。这项研究采用高速共混后球磨法制备了2%的SiC纳米线增强In718以下简称(In718+SiC)复合粉体。使用商用3D打印机(EOSM290)通过激光粉末床熔融制备了非增强In718和In718+SiC复合材料的体块试样。研究结果表明这项工作通过扩大增强材料库和引入一种新的复合材料,特别是实现热处理后拉伸强度和延展性的最佳组合,对目前镍基复合材料的研究产生了积极的影响。更重要的是,这项工作为增强激光增材制造合金提供了一种新的直接和可扩展的途径,通过原位化学反应生产增强碳化物和硅化物,预计将有很大的潜力扩展到新的金属基复合材料和应用于寻求改进高温结构部件的行业。

b8944d89a4b8196eca68330704f5da2a.png

图1 球磨后获得了In718+SiC粉末的SEM图像和EDX元素分析

a29e5790bd1ac562e16dcd761d58d4e9.png

图2 (a) TEM 图像;(b) 复合EDX元素分析和 (c-g)从球磨后单个SiC+In718颗粒的横截面获得的单个元素EDX

6ec011d764172342153707f56c657cac.png

图3 (a) 经过和不经过热处理的In718和In718+SiC的XRD 分析,以及 (b-k) 从经过热处理的In718+SiC样品获得的STEM图像和相应的EDX元素分析,揭示了In718基体中的沉淀物

13ce71c254767a87e7ca61d703319b80.jpeg

图4 微观组织SEM图像:(a, c) 直接打印的In718;(b, d)热处理态的In718, (e, g) 直接打印的In718+SiC;(f, h) 热处理态的In718+SiC

e818fece43b575ab29551fcc872c3eab.png图5 EBSD分析:(a) 打印态In718 ;(b)热处理的In718;(c)打印态In718+SiC;(d)热处理态In718+SiC

be0d1cdb82a1c796caec6c8e853acc02.png图6 In718 和 In718+SiC 打印态和热处理条件下的晶粒尺寸分布和取向角分布图

6359bf638ac0f08e64e501e31d142067.jpeg图7 从以下位置获得的STEM图像和相应的EDX元素分析:(a-l)打印的In718+SiC 和 (m-w) 热处理的In718+SiC

f168bd33c068247817d8dc3b7322fc51.jpeg图8 打印和热处理的 In718 和 In718+SiC室温拉伸应力-应变曲线

总之,这项研究制备了一种SiC纳米线增强的新型In718金属基复合材料。基于LPBF制备的样品的截面分析,SiC纳米线的溶解导致(Nb,Ti)基硅化物和碳化物的原位形成。虽然纳米线的几何形状最初被认为是理想的,因为它在打印后的大表面积有预期的强化作用,但理论上认为,纳米线的溶解过程与新形成的纳米颗粒的晶粒钉住效应相结合,对晶粒几何形状和缺陷的预防有积极的贡献。与未增强的In718相比,增强In718的打印微观结构也减少了缺陷,平均晶粒尺寸更小。

基于硬度和拉伸测试数据得出打印过程中原位形成的硅化物和碳化物及其相关的显微组织变化对In718材料有显著的强化作用。与未增强材料相比,SiC增强In718的屈服强度和抗拉强度分别提高了16%和12%。采用标准热处理工艺对打印试样进行热处理后,增强和未增强试样的屈服强度几乎相同。此外,经SiC增强的金属基复合材料的应变硬化显著增强,抗拉强度提高了10%,同时保持了均匀的延展性,总拉伸伸长率保持了~14%。这些结果表明,这种增强方法作为一种通用的、可扩展的方法,在核反应堆或高温燃气轮机等极端环境中提高In718材料的负载能力和整体寿命,前景广阔。作者还表明了原位反应在激光增材制造过程中形成增强颗粒的价值,并且相信在不久的将来,将该方法扩展到更直接的Si和C微合金化以及新的复合材料组合中会有很大的优点。

欢迎转发

主编微信:2396747576; 硕博千人交流Q群:248112776;网址:www.amreference.com

延伸阅读:

1.金属3D打印专家铂力特与西门子签署战略合作协议

2.SLM-3D打印一体化多金属材料散热器,揭示未来应用潜力

3.SLM-在传统加工零件上高精度3D打印,为整体制造降本增效

4.八校联合-重磅综述:场辅助金属增材制造技术应用潜力巨大

3ee1ae543b8bb5987f905c9bb6097075.gif

f7c6ad2f737c4066c1b29a85d994aea3.gif

这篇关于麻省理工-通过SLM原位形成纳米碳化物和硅化物强化In718合金的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/525129

相关文章

7. 深度强化学习:智能体的学习与决策

引言 深度强化学习结合了强化学习与深度学习的优势,通过智能体与环境的交互,使得智能体能够学习最优的决策策略。深度强化学习在自动驾驶、游戏AI、机器人控制等领域表现出色,推动了人工智能的快速发展。本篇博文将深入探讨深度强化学习的基本框架、经典算法(如DQN、策略梯度法),以及其在实际应用中的成功案例。 1. 强化学习的基本框架 强化学习是机器学习的一个分支,专注于智能体在与环境的交互过程中,学

强化网络安全:通过802.1X协议保障远程接入设备安全认证

随着远程办公和移动设备的普及,企业网络面临着前所未有的安全挑战。为了确保网络的安全性,同时提供无缝的用户体验,我们的 ASP 身份认证平台引入了先进的 802.1X 认证协议,确保只有经过认证的设备才能接入您的网络。本文档将详细介绍我们的平台如何通过 802.1X 协议实现高效、安全的远程接入认证。 产品亮点 1. 无缝集成 我们的 ASP 身份认证平台支持无缝集成到现有的网络基础设施中

Q-学习:强化学习

原文地址:http://mnemstudio.org/path-finding-q-learning-tutorial.htm 这篇教程通过简单且易于理解的实例介绍了Q-学习的概念知识,例子描述了一个智能体通过非监督学习的方法对未知的环境进行学习。 假设我们的楼层内共有5个房间,房间之间通过一道门相连,正如下图所示。我们将房间编号为房间0到房间4,楼层的外部可以被看作是一间大房间,编号为

LeetCode题解:2341. 数组能形成多少数对,哈希表,详细注释

原题链接 LeetCode题解:2341. 数组能形成多少数对 解题思路: 遍历数组,并使用Map缓存数字出现的次数关系 如果出现偶数次,map.set(num, true)如果出现奇数次,map.set(num, false) 剩余数字的数量为nums.length - 2 * pairCount /*** @param {number[]} nums* @return {number[

强化学习和监督学习的一些区别

强化学习要求agent去探索环境,然后对状态进行evaluate,在每一个状态下agent可以选择多种action,每次选择的依据可以是贪婪或者softmax等,但是得到的reward是无法表明当前的选择是正确的还是错误的,得到的只是一个score,监督学习的labels可以给agent简洁明了的correct or wrong,并且在agent 在对环境充分的探索前即在每一种状态下选择的每个ac

强化学习深入学习(一):价值函数和贝尔曼方程

文章目录 0. 引言1. 回报(Return)2. 价值函数(Value Function)3. 贝尔曼期望方程(Bellman Expectation Equation)4. 贝尔曼最优方程(Bellman Optimality Equation)总结 0. 引言 强化学习(Reinforcement Learning, RL)是一种机器学习方法,通过与环境的交互来学习如何

有temp表包含A,B两列,使用SQL,对B列进行处理,形成C列,按A列顺序,B列值不变,则C列累计技术,B列值变化,则C列重新开始计数

有temp表,使用SQL,对B列进行处理,形成C列,按A列顺序,B列值不变,则C列累计技术,B列值变化,则C列重新开始计数 建表语句如下 CREATE TABLE temp(A STRING ,B STRING );INSERT INTO TABLE temp VALUES('2010','1'),('2011','1'),('2012','1'),('2013','0'),('2014',

微软发布Phi-3.5 SLM,附免费申请试用

Phi-3 模型系列是Microsoft 小型语言模型 (SLM) 系列中的最新产品。 它们旨在具有高性能和高性价比,在语言、推理、编码和数学等各种基准测试中的表现均优于同类和更大规模的模型。Phi-3 模型的推出扩大了 Azure 客户的高质量模型选择范围,为他们编写和构建生成式 AI 应用程序时提供了更多实用的选择。 参考链接:微软 Azure AI 、Phi-3等免费试用申请 自 20

数学建模强化宝典(10)多元线性回归模型

一、介绍        多元线性回归模型(Multiple Linear Regression Model)是一种用于分析多个自变量(解释变量、预测变量)与单个因变量(响应变量、被预测变量)之间线性关系的统计模型。这种模型假设因变量的变化可以通过自变量的线性组合来近似地表示,同时考虑了一个误差项来捕捉模型未能解释的变异性。 二、模型形式 多元线性回归模型的一般形式可以表示为: Y=β

​如何通过Kimi强化论文写作中的数据分析?

在学术研究领域,数据分析是验证假设、发现新知识和撰写高质量论文的关键环节。Kimi,作为一款先进的人工智能助手,能够在整个论文写作过程中提供支持,从文献综述到数据分析,再到最终的论文修订。本文将详细介绍如何将Kimi的数据分析功能融入论文写作的各个阶段,以提高研究的准确性和论文的学术质量。 Kimi在论文写作中的作用 1. Kimi能够快速扫描和分析大量文献,提取关键信息,帮助研究者构建全面且