19103

16563

كارشناسي ارشد

ريخته گري

اصفهان : دانشگاه صنعتي اصفهان

1402

سيزده، 92ص. : مصور، جدول، نمودار

1402/09/20

كتابنامه

مهندسي مواد

مهندسي مواد

1402/09/28

2995521

امروزه روش¬هاي مبتني بر ساخت افزودني به‌دليل توليد قطعات با هندسه از اهميت بالايي در صنعت برخوردار هستند. با اين وجود انتخاب پارامترهاي بهينه فرايند جزو چالش¬هاي اساسي اين روش به¬شمار مي¬رود. تعيين پارامتر بهينه با آزمايش و خطا به¬دليل اتلاف زياد ماده و انرژي راه حل مناسبي نبوده و امروزه از شبيه‌سازي‌هاي كامپيوتري براي انتخاب پارامترهاي بهينه فرايند استفاده مي¬شود. در اين پژوهش به شبيه‌سازي اثر پارامترهاي فرايند ذوب گزينشي با ليزر همچون سرعت روبش و توان ليزر بر رفتار حرارتي و شكل حوضچه مذاب و فولاد زنگ نزن 316 كم كربن پرداخته شد. شبيه‌سازي با استفاده از نرم‌افزار كامسول و با فرض دانسيته بستر پودر نصف دانسيته آلياژ و وابسته به دما و ضريب جذب ليزر 7/0 انجام شد. ابتدا مدلي بر اساس منابع موجود به‌صورت آناليز حرارتي سه بعدي در نظر گرفته شد و تاثير همرفت بر انتقال حرارت به آن اضافه شد. سپس مدل استفاده شده براي آناليز حرارتي سه بعدي در طول يك تك مسير براي فولاد 316 به كار گرفته شد. نتايج شبيه‌سازي‌ها نشان داد كه ميانگين دماي بستر پودر به تدريج در طول فرايند SLM، به‌دليل اثر انباشت گرما افزايش يافته است. براي يك فرايند موفق SLM، حداكثر دماي حوضچه مذاب 2900 درجه كلوين، طول حوضچه مذاب 282 ميكرومتر، عرض حوضچه مذاب 154 و عمق حوضچه مذاب 70 ميكرومتر در تركيبي از توان ليزر 100 وات، سرعت روبش ليزري 250 ميلي‌متر بر ثانيه و نرخ خنك‌كنندگي حدود يك ميليون درجه كلوين بر ثانيه به¬دست آمد. نتايج نشان داد كه تاثير توان ليزر بر ابعاد و بيشينه دمايي حوضچه مذاب بيشتر از تاثير سرعت حركت ليزر است. در يك دانسيته انرژي خطي ثابت، با تغيير توان و سرعت، حوضچه‌هاي مذاب يكساني تشكيل نمي‌شود و تاثير توان در تغيير اين ابعاد بيشتر از تاثير سرعت حركت ليزر است. نتايج شبيه¬سازي با نتايج آزمايشگاهي ساير محققين مقايسه شد و ابعاد حوضچه مذاب اختلافي كمتر از 10 درصد را از خود نشان داد. همچنين اختلاف اين نتايج با نتايج حاصل از روابط به‌دست آمده توسط آموزش‌ماشيني كمتر از 4 درصد بود.

Additive manufacturing methods have found high importance in the industry in recent years due to their ease of production of geometricaly complex objects, high quality and reasonable price. However, selecting optimal processing parameters is one of the main challenges of these methods. Obviously, trial and error for determining optimal processing parameters is not a suitable solution due to the high material and energy costs. Nowadays, computer simulations are used to select optimal processing parameters. In this study, the effects of selective laser melting process parameters such as scanning speed and laser power on the thermal behavior and shape of the molten pool of low-carbon stainless steel 316 were simulated using CAMSOL software assuming a half-density powder bed density of the alloy and laser absorption coefficient of 0.7. First, based on the available sources, a three-dimensional thermal analysis model was selected and the effect of convection was added to it. Then, the model was employed for three-dimensional thermal analyses along a single path selective laser melted steel 316 alloy. The simulation results showed that the average temperature of the powder bed gradually increased during the SLM process due to the heat accumulation. A successful SLM process was achived at the maximum temperature of the molten pool of 2900 K, the molten pool length, width, and depth of of 282, 154, and 70 micrometers, respectively, with a combination of laser power of 100 w, laser scanning speed of 250 mm/s, and cooling rate of about 1 million K/s. The results showed that the effect of laser power on the dimensions and maximum temperature of the molten pool was greater than those of the laser scanning speed. At a given linear energy density, changes in laser power and scaning speed would result in dissimilar melt pools, and the effect of laser power on the pool dimensions is greater than that of the laser scanning speed. The simulation results were compared with the laboratory results of other researchers, and the dimensions of the molten pool showed less than 10% difference. The differences of the current simulation results with those base on Machin Learning studies was found to be less than 4%.

بهزاد نيرومند , محمدرضا طرقي نژاد

عبدالله صبوري

ابوذر طاهري زاده , مهدي علي زاده