Explore the vast range of titles available.

In metal fused deposition modeling (FDM), performance is governed by feedstock formulation, most critically the metal solid loading, while binder selection is constrained by environmental impacts and limited recyclability. This study investigates the development and performance of highly filled 17-4PH stainless steel (17-4PH) feedstocks formulated with a low-molecular-weight polymer binder system, specifically designed for FDM in metal additive manufacturing (AM). The binder system, composed of low-cost, recyclable paraffin wax and stearic acid, was used to prepare feedstocks containing 93.0–96.0 wt.% metal powder. Rheological analysis indicated that intermediate powder loadings (95.0–95.5 wt.%) yielded optimal shear-thinning behavior, essential for stable extrusion during printing. Printing trials identified 95.5 wt.% as the critical powder loading, delivering superior print fidelity and structural integrity relative to both under-filled (93.0–94.5 wt.%) and overfilled formulations. Green part characterization revealed increased density and flexural modulus with rising powder content, while thermal debinding and sintering trials indicated enhanced thermal stability and dimensional retention at higher loadings. The as-sintered specimens from the 95.5 wt.% feedstock achieved a relative density (RD) of 96.5% and significantly improved mechanical performance, including an ultimate tensile strength (UTS) of 758 MPa and 5.2% elongation, clearly outperforming the 95.0 wt.% variant. Tribocorrosion testing further validated these improvements, with the higher-density samples showing a lower coefficient of friction and a reduced wear coefficient of 2.1 × 10−5 mm3·(N·m)−1 in 3.5% NaCl solution.

The activities of the rotary axes of a five-axis machine tool generate heat causing temperature changes within the machine that contribute to tool center point (TCP) deviations. Real time prediction of these thermally induced volumetric errors (TVEs) at different positions within the workspace may be used for their compensation. A Stacked Long Short Term Memories (SLSTMs) model is proposed to find the relationship between the TVEs for different axis command positions and power consumptions of the rotary axes, machine’s linear and rotary axis positions. In addition, a Stacked Gated Recurrent Units (SGRUs) model is also used to predict some cases, which are the best and the worst predictions of SLSTMs to know the abilities of their predictions. Training data come from a long motion activity experiment lasting 132 h (528 measuring cycles). Adaptive moment with decoupled weight decay (AdamW) optimizer is used to strengthen the models and increase the quality of prediction. Multistep ahead prediction in the testing phase is applied to seven positions not used for training in the long activity sequence and 31 positions in a different short activity sequence of the rotary axes lasting a total of 40 h (160 cycles) to test the ability of the trained model. The testing phase with SLSTMs yields fittings between the predicted values and measured data (without using the measured values as targets) from 69.2% to 98.8%. SGRUs show performance similar to SLSTMs with no clear winner.

Les erreurs thermiques des machines-outils numériques à cinq-axes sont la cause principale des erreurs quasi-statiques qui limitent la précision d’usinage de ces machines. Ce travail de recherche présente la méthodologie adoptée pour mesurer, modéliser et compenser les erreurs thermiques d’un centre d’usinage dues à la variation de son état thermique et de l’historique de son activité. Une approche expérimentale est adoptée, qui consiste à varier l’état thermique de la machine en exerçant ses axes selon différents cycles de chauffage et de refroidissement. Les écarts volumétriques dans le volume de travail de la machine sont périodiquement mesurés, ainsi que la puissance réelle des 5 axes et de la broche. Plusieurs capteurs et accessoires sont spécialement conçus ou adaptés pour garantir une stabilité thermique et permettre une mesure rapide et nette de l’erreur thermique. Une analyse volumétrique détaillée des erreurs thermiques permet de comprendre le comportement thermique volumétrique de la machine-outil, en particulier les axes qui causent les erreurs les plus importantes, les effets observés sur le comportement volumétrique de la machine, ainsi que les interactions thermiques des axes voisins. L’analyse volumétrique a permis d’identifier les axes rotatifs comme étant les causes principales des erreurs thermiques de la machine. Une étude plus approfondie des erreurs géométriques paramétriques utilise la méthode SAMBA, qui modélise ces erreurs et permet leur estimation. Les résultats permettent d’identifier les paramètres dominants d’erreurs thermiques. La modélisation de ces paramètres dominants est faite en fonction de la mesure de la consommation de puissance des axes rotatifs par la superposition de fonctions de transfert de 1er ordre à une entrée et une sortie. L’efficacité du modèle thermique est validée par deux méthodes. La première validation est faite par la comparaison de la simulation du modèle avec les mesures obtenues par un nouveau test qui utilise des séquences de chauffage complètement différentes. La deuxième validation consiste en un test d’usinage exécuté à la suite d’une routine de chauffage aléatoire, où la comparaison des coupes compensées et non-compensées met en évidence l’efficacité du modèle thermique. En résumé, cette recherche a contribué à la compréhension du comportement thermique de la machine-outil. Elle a aussi définit une méthodologie efficace de mesure, de modélisation et de compensation des erreurs thermiques.