Статистические подходы к анализу шероховатости вертикальных поверхностей образцов, изготовленных по технологии СЛС из порошка AlSi10Mg

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Технология селективного лазерного сплавления получила широкое распространение в различных отраслях промышленности, однако заметной проблемой селективного лазерного сплавления, которая сохраняется до настоящего времени, является высокая шероховатость поверхностей, создаваемых деталей, что препятствует их последующему применению. Проведен анализ работ, посвященных исследованию и минимизации шероховатости, как на горизонтальных, вертикальных, так и на поверхностях, выращенных под различными углами к платформе построения. В настоящем исследовании сделан упор на статистическую обработку с использованием матрицы корреляции результатов влияния мощности, скорости и линейного энерговклада (linear energy density — LED) на шероховатость вертикально растущих поверхностей. Для определения влияния величины LED на шероховатость вертикальных поверхностей использовались четыре параметра: Ra, Rz, Sa, Sz. Полученные результаты показали, что при использовании определенной величины линейного энерговклада вертикальную шероховатость Ra поверхности образцов можно уменьшить с 15 до 2.5 мкм.

Full Text

Restricted Access

About the authors

К. С. Коробов

Московский авиационный институт

Author for correspondence.
Email: korobovks@mai.ru
Russian Federation, Москва

А. В. Рипецкий

Московский авиационный институт

Email: korobovks@mai.ru
Russian Federation, Москва

И. А. Николаев

Московский авиационный институт

Email: korobovks@mai.ru
Russian Federation, Москва

Л. Н. Лесневский

Московский авиационный институт

Email: korobovks@mai.ru
Russian Federation, Москва

References

  1. Lehmhus D., Rahn T., Struss A. et al. High-temperature mechanical properties of stress-relieved AlSi10Mg produced via laser powder bed fusion additive manufacturing // Materials, 2022. V. 15 (20). P. 7386.
  2. Kan W. H., Nadot Y., Foley M. et al. Factors that affect the properties of additively-manufactured AlSi10Mg: Porosity versus microstructure // Additive Manufacturing. 2019. V. 29. P. 100805.
  3. Jia YD, Zhang LB, Ma P. et al. Thermal expansion behavior of Al–x Si alloys fabricated using selective laser melting // Progress in additive manufacturing. 2020. V. 5. P. 247.
  4. Galy C., Le Guen E., Lacoste E., Arvieu C. Main defects observed in aluminum alloy parts produced by SLM: from causes to consequences // Additive Manufacturing. 2018. V. 22. Р. 165.
  5. Yang T., Liu T., Liao W., MacDonald E. et al. Laser powder bed fusion of AlSi10Mg: Influence of energy intensities on spatter and porosity evolution, microstructure and mechanical properties // J. of Alloys and Compounds. 2020. V. 849. P. 156300.
  6. Subramaniyan A. K., Reddy A. S., Mathias S. et. al. Influence of post-processing techniques on the microstructure, properties and surface integrity of AlSi10Mg alloy processed by laser powder bed fusion technique // Surface and Coatings Technology. 2021. V. 425. P. 127679.
  7. Olakanmi E. O., Cochrane R. F., Dalgarno K. W. A review on selective laser sintering/melting (SLS/SLM) of aluminium alloy powders: Processing, microstructure, and properties // Progress in materials science. 2015. Т. 74. С. 401.
  8. Дынин Н. В., Иванова А. О., Хасиков Д. В., Оглодков М. С. Селективное лазерное сплавление алюминиевых сплавов (обзор) // Труды ВИАМ. 2017. № 8 (56). С. 10.
  9. Горбатов И. В., Орлов Ю. А., Антюфеев В. А. и др. Определение геометрической точности и шероховатости поверхности малогабаритных деталей круглого и квадратного сечения, получаемых в зависимости от расположения в рабочем пространстве принтера по технологии селективного лазерного плавления из стали марки 12Х18Н10Т // Вестник концерна ВКО «Алмаз-Антей». 2019. № 1 (28). С. 59.
  10. Лаптева М. А., Белова Н. А., Раевских А. Н., Филонова Е. В. Исследование зависимости шероховатости, морфологии поверхности и количества дефектов структуры от мощности лазера, скорости сканирования и типа штриховки в жаропрочном сплаве, синтезированном методом СЛС // Труды ВИАМ. 2016. № 9 (45). С. 70.
  11. Сухов Д. И., Неруш С. В., Беляков С. В., Мазалов П. Б. Исследование параметров шероховатости поверхностного слоя и точности изготовления изделий аддитивного производства // Известия высших учебных заведений. Машиностроение. 2017. № 9 (690). С. 73.
  12. Балякин А. В., Жученко Е. И., Смирнов Г. В., Проничев Н. Д. Исследование проблем появления негативной технологической наследственности при изготовлении деталей ГТД методом селективного лазерного сплавления // Известия Самарского научного центра Российской академии наук. 2019. Т. 21. № 1. С. 61.
  13. Сапрыкина Н. А. Анализ, моделирование и прогнозирование шероховатости поверхности меди, полученной методом селективного лазерного плавления // Обработка металлов: технология, оборудование, инструменты. 2017. № 3 (76). С. 6.
  14. Yang T., Liu T., Liao W. et al. The influence of process parameters on vertical surface roughness of the AlSi10Mg parts fabricated by selective laser melting // J. of Mater. Proces. Technol. 2019. Т. 266. С. 26.
  15. Riener K., Albrecht N., Ziegelmeier S. et al. Influence of particle size distribution and morphology on the properties of the powder feedstock as well as of AlSi10Mg parts produced by laser powder bed fusion (LPBF) //Additive Manufacturing. 2020. Т. 34. С. 101286.
  16. Masiagutova E., Cabanettes F., Sova A. et al. Side surface topography generation during laser powder bed fusion of AlSi10Mg // Additive Manufacturing. 2021. Т. 47. С. 102230.
  17. Yang T., Liu T., Liao W. et al. Effect of processing parameters on overhanging surface roughness during laser powder bed fusion of AlSi10Mg // J. of Manuf. Proces. 2021. Т. 61. С. 440.
  18. Гончаров Е. С., Балякин А. В., Носова Е. А. Исследование поверхности образцов из титанового сплава, полученных селективным лазерным сплавлением и гидроабразивной полировкой // Проблемы и перспективы развития двигателестроения: Материалы докл.: сб. докл. Междунар. науч.-техн. конф. 23–25 июня 2021 г., в 2 т., 2021. С. 295.
  19. Hyndman R. J., Fan Y. Sample quantiles in statistical packages // The American Statistician. 1996. V. 50 (4). P. 361.
  20. Dekking F. M. et al. A Modern Introduction to Probability and Statistics: Understanding why and how. Springer Science & Business Media, 2006.
  21. Ахиезер Н. И. Лекции по теории аппроксимации. М.: Наука, 1965. 407 с.
  22. Harris C. R. et al. Array programming with NumPy // Nature. 2020. Т. 585. № 7825. С. 357.
  23. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. М.: Финансы и статистика, 1983. 302 с.
  24. Zayatzev A. N., Shoucheng J. I., Alexandrova Y. P. An Experimental Study of Tribological Properties of Threaded Joints Inconel 718 — Grade 660 with a Solid Lubricant Based on MoS2 // In Book: Proceedings of the 9th Int. Conf. on Industrial Engineering. ICIE-2023. 28 July 2023. Р. 489.https://doi.org/10.1007/978-3-031-38126-3_49

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Schematic of fusion of (a) the “core” in cross section and (b) the contours of the specimen.

Download (113KB)
Indexing metadata
3. Fig. 2. Results of roughness measurement on the confocal microscope with three lines (a), surface roughness profiles based on the results of measurements on the microscope (b) and profilometer (c).

Download (262KB)
Indexing metadata
4. Fig. 3. Scatter plot of the Ra parameter with annotations of quartiles (Q0-Q4) and intra-quartile interval IQR [23].

Download (88KB)
Indexing metadata
5. Fig. 4. Distribution of surface roughness parameters Ra (a), Rz (b), Sa (c) and Sz (d) as a function of linear LED energy input and calculated approximation functions.

Download (183KB)
Indexing metadata
6. Fig. 5. Correlation matrix of the experiment parameters.

Download (144KB)
Indexing metadata

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».