CN116013438A - 基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 - Google Patents
基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 Download PDFInfo
- Publication number
- CN116013438A CN116013438A CN202310047307.6A CN202310047307A CN116013438A CN 116013438 A CN116013438 A CN 116013438A CN 202310047307 A CN202310047307 A CN 202310047307A CN 116013438 A CN116013438 A CN 116013438A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- defect
- laser cladding
- life prediction
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 238000004372 laser cladding Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 title claims abstract description 24
- 238000009661 fatigue test Methods 0.000 claims abstract description 58
- 239000000654 additive Substances 0.000 claims abstract description 54
- 230000000996 additive effect Effects 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 229910000856 hastalloy Inorganic materials 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005253 cladding Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004506 ultrasonic cleaning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Abstract
本发明公开了基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统，包括：对制备的激光熔覆增材构件进行疲劳试验，采集疲劳试验曲线数据，获取激光熔覆增材构件在疲劳试验下的第一指标；对疲劳试验后的激光熔覆增材构件的断口进行显微观察获得，获取激光熔覆增材构件在疲劳试验下的第二指标；基于改进的SWT模型和应力强度因子模型，根据第一指标和第二指标，生成损伤参数；基于损伤参数，构建疲劳寿命预测模型，用于对激光熔覆增材构件进行寿命预测；本发明准确量化了增材缺陷的几何参数，包括尺寸，形状和位置因素对疲劳寿命的影响，其预测结果能够反映增材制造特征对疲劳寿命的影响。
Description
技术领域
本发明涉及增材制造材料的疲劳寿命预测领域，具体而言，涉及基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统。
背景技术
增材制造技术以其冷却速度快、涂层稀释率低、热变形小及易实现自动化控制等优势在机械、汽车、航空航天及石油化工等领域具有广阔的应用前景。目前，增材增材制造已成为新材料制备的研究热点。但增材制造增材工艺在实际应用中仍存在一些问题，如熔覆层易产生孔隙、裂纹、熔覆层组织，使增材构件试样的疲劳寿命大大减低，这极大地阻碍了该技术在工业化应用中的推广。
目前，增材制造技术在广泛生产应用中，其构件在常常在疲劳载荷的服役条件，因此，其增材构件在疲劳服役载荷状态下的寿命预测显得尤为重要。应变控制的疲劳条件，其在生产服役中占据绝大多数，而经典的应变控制的疲劳寿命预测方法，在增材构件的疲劳寿命的预测应用中表现欠佳，改进的SWT模型更进一步的引入疲劳过程中晶粒尺寸的损伤因子，而未考虑到对疲劳寿命重要影响的增材缺陷。因此，急需一种新的激光熔覆增材疲劳寿命预测技术，凭借疲劳断口微观显微图像和二分法图像二次处理程序，以实现对出缺陷参数的统计计算，并将增材缺陷特征和疲劳试验参数结合，实现对应变控制的疲劳寿命的预测。
发明内容
为了解决上述问题，本发明的目的是提供一种基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统，通过对增材构件的疲劳试样的断口显微观察，拍摄断口图像，利用二分法图像二次处理程序统计计算缺陷分布特征参数，包括尺寸，圆度和位置后，将缺陷分布特征参数与疲劳试验参数相结合，并利用新提出的缺陷损伤参数，最终实现对疲劳寿命的预测。
为了实现上述技术目的，本申请提供了基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，包括以下步骤：
对制备的激光熔覆增材构件进行疲劳试验，采集疲劳试验曲线数据，获取激光熔覆增材构件在疲劳试验下的第一指标，其中，第一指标包括疲劳形变幅，最大疲劳应力和平均应力；
对疲劳试验后的激光熔覆增材构件的断口进行显微观察获得，获取激光熔覆增材构件在疲劳试验下的第二指标，其中，第二指标包括缺陷位置系数，缺陷圆度,缺陷尺寸和缺陷位置；
基于改进的SWT模型和应力强度因子模型，根据第一指标和第二指标，生成损伤参数；
基于损伤参数，构建疲劳寿命预测模型，用于对激光熔覆增材构件进行寿命预测。
优选地，在获取第二指标的过程中，采用超声波清洗的方法对断口进行表面清洗，去除由于疲劳试验过程中产生的杂质；
通过扫描电子显微镜，观察清洗干净的断口的疲劳断口特征，并以50-500倍放大倍数对疲劳断口进行图像拍摄，根据拍摄的图像，获取第二指标。
优选地，在获取第二指标的过程中，将通过疲劳试验形成疲劳断口的激光熔覆增材构件，作为疲劳试样，根据疲劳试样的缺陷位置，获取缺陷位置系数，其中，当缺陷为内部缺陷时，Y＝0.5，当缺陷为表面缺陷时，Y＝0.65。
优选地，在获取第二指标的过程中，根据缺陷的投影面积的算术平方根，获取缺陷尺寸。
优选地，在获取损伤参数的过程中，损伤参数表示为：
其中，
为疲劳应变幅，σmax为最大应力，σa为平均应力,Y为缺陷位置系数，π是圆周率，√area表示缺陷尺寸，Dd表示缺陷位置，Cd表示缺陷圆度，D表示疲劳试样直径。
优选地，在获取缺陷圆度的过程中，缺陷圆度表示为：
其中，C为缺陷周长，S缺陷的面积。
优选地，在构建疲劳寿命预测模型的过程中，疲劳寿命预测模型表示为：
Nf＝α(ΔΩ)β
其中，Nf为预测寿命，α和β为拟合参数。
本发明还提供了基于微缺陷分布的激光熔覆增材疲劳寿命预测系统，包括：
第一数据采集模块，用于对制备的激光熔覆增材构件进行疲劳试验，采集疲劳试验曲线数据，获取激光熔覆增材构件在疲劳试验下的第一指标，其中，第一指标包括疲劳形变幅，最大疲劳应力和平均应力；
第二数据采集模块，用于对疲劳试验后的激光熔覆增材构件的断口进行显微观察获得，获取激光熔覆增材构件在疲劳试验下的第二指标，其中，第二指标包括缺陷位置系数，缺陷圆度,缺陷尺寸和缺陷位置；
数据处理模块，用于基于改进的SWT模型和应力强度因子模型，根据第一指标和第二指标，生成损伤参数；
寿命预测模块，用于基于损伤参数，构建疲劳寿命预测模型，用于对激光熔覆增材构件进行寿命预测。
优选地，损伤参数表示为：
其中，
为疲劳应变幅，σmax为最大应力，σa为平均应力,Y为缺陷位置系数，π是圆周率，√area表示缺陷尺寸，Dd表示缺陷位置，Cd表示缺陷圆度，D表示疲劳试样直径。
优选地，疲劳寿命预测模型表示为：
Nf＝α(ΔΩ)β
其中，Nf为预测寿命，α和β为拟合参数。
本发明还公开了一种计算机程序，用于实现激光熔覆增材疲劳寿命预测方法的逻辑过程，并形成可运行程序，嵌入到智能装置上，使得该智能装置具备激光熔覆增材疲劳寿命预测功能。
本发明还公开了一种可移动存储装置，用于承载激光熔覆增材疲劳寿命预测系统，并获得激光熔覆增材疲劳寿命预测系统的系统功能，通过与智能设备进行数据交互，作为该智能设备的外设，使得该智能设备具备了激光熔覆增材疲劳寿命预测系统的寿命预测功能。
本发明公开了以下技术效果：
本发明设计的疲劳寿命预测模型，与经典模型相比，准确量化了增材缺陷的几何参数，包括尺寸，形状和位置因素对疲劳寿命的影响，其预测结果能够反映增材制造特征对疲劳寿命的影响；
本发明将增材缺陷特征和疲劳试验参数结合，利用缺陷损伤参数，实现对应变控制的疲劳寿命的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述的方法原理示意图，其中，1为增材制造构架，2为疲劳试样，3为疲劳断口，4为疲劳断口显微组织图像，5为断口缺陷；
图2是本发明实施例所述的制备哈氏合金X后的试样缺陷统计图；
图3是本发明实施例所述的制备哈氏合金X后的疲劳寿命预测图；
图4是本发明实施例所述的制备GH4169后的试样缺陷统计图；
图5是本发明实施例所述的制备GH4169后的疲劳寿命预测图；
图6是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-6所示，本发明基于改进的Smith-Watson-Topper(SWT)模型和应力强度因子模型，提出了一种新的损伤参数ΔΩ，利用该方法实现对增材制造应变控制疲劳寿命的预测。该方法通过对进行疲劳试验后的增材制造试样，获取疲劳试验设备获取试样疲劳行为曲线和疲劳试验相关参数，包括疲劳应变幅，疲劳应力等；进行显微断口分析以获得增材制造试样在疲劳条件下的断口形貌；利用电子显微镜对疲劳试样断口出进行断口分析观察，并拍摄显微断口图像，利用本发明中包含的图像处理程序对断口图像进行二次处理，以获取疲劳断口的疲劳缺陷相关参数，包括缺陷尺寸，缺陷圆度和缺陷位置等；并通过数学统计分析各个试样的疲劳断口特征参数；利用本发明包含的提出新型的基于缺陷损伤参数ΔΩ的疲劳寿命预测模型，实现对增材制造构件的疲劳寿命预测，具体包括以下技术过程：
步骤(1)、以改进的SWT模型和应力强度因子模型为基础，本发明提出的基于缺陷的损伤参数ΔΩ的计算，如式(1)所示:
其中，
为疲劳应变幅，σmax为最大应力，σa为平均应力,Y为缺陷位置系数，π是圆周率，√area是缺陷的投影面积的算术平方根，Dd是缺陷到表面的距离，Cd是缺陷的圆度，D是疲劳试样直径。
步骤(2)、损伤参数ΔΩ的各个参数值的确定，须通过相应的疲劳试验获取。其中与疲劳试验相关的参数，包括疲劳形变幅
最大疲劳应力σmax和平均应力σa，可以直接通过疲劳试验机中的记录疲劳试验曲线数据获得；与疲劳试样相关的参数D，可以通过对疲劳试样的直径测量得到；而与增材制造特征相关的参数，包括缺陷位置系数Y，缺陷圆度Cd,缺陷尺寸√area和缺陷位置Dd，则可以通过对疲劳试样的断口进行显微观察获得，具体方法如下步所示。
步骤(3)、将已经进行过疲劳试验的增材制造疲劳试样，采用超声波清洗的方法对其断口进行表面清洗，去除由于疲劳试验过程中产生的杂质；将清洗干净的疲劳断口试样并放置于扫描电子显微镜下，观察疲劳断口特征，寻找断口中疲劳源特征，并以50～500倍放大倍数对疲劳断口进行图像拍摄。
(4)对已经拍摄好疲劳断口的疲劳试样，即清晰展示增材制造疲劳试样断口疲劳源的显微组织图像，利用本发明包括的编程程序进行二次处理，以得到缺陷特征分布参数，包括尺寸参数√area，位置参数Dd和形状参数Cd。当缺陷为内部缺陷时，Y＝0.5，当缺陷为表面缺陷时Y＝0.65。其中Cd的计算公式如式(2)所示。
其中，C为缺陷的周长，S为缺陷的面积。
(5)、将通过编程程序计算获得的缺陷的特征分布参数和疲劳试验参数，带入本发明提出的新的疲劳损伤参数ΔΩ的计算公式中，以计算增材制造应变控制疲劳损伤参数ΔΩ。根据本发明提出的新的疲劳损伤参数而建立的新的疲劳寿命预测模型(3)，利用计算好的损伤参数对疲劳寿命进行预测。
Nf＝α(ΔΩ)β (3)
其中，Nf为预测寿命，α和β为拟合参数。
步骤(1)中损伤参数ΔΩ是本发明新提出的疲劳损伤参数。
步骤(2)中疲劳源的特征参数值为缺陷损伤参数ΔΩ的缺陷参数值
步骤(4)中编程程序是适配于图像二次处理的编程程序。
步骤(5)新的疲劳寿命预测模型(2)为基于本发明提出的疲劳损伤参数ΔΩ建立的新的疲劳寿命预测模型。该模型与经典模型相比，准确量化了增材缺陷的几何参数，包括尺寸，形状和位置因素对疲劳寿命的影响，其预测结果能够反映增材制造特征对疲劳寿命的影响。
实施例1：选取合适的增材工艺制造路线，将增材制造哈氏合金X是样块加工成标准的单轴疲劳试样将标准疲劳试样进行标准的应变控制疲劳试验，其中疲劳应变幅范围在控制在0.25％-0.5％之间，并依据疲劳试样设备记录疲劳行为曲线行为和疲劳寿命N。
观察一组标准疲劳试样2的疲劳断口3，并拍摄显微组织图像4，进而获取断口缺陷5。
对一组显微组织图像进行二次处理，得到缺陷特征分布参数：缺陷位置Dd和缺陷尺寸√area，并利用式(2)计算缺陷圆度Cd。
将缺陷的特征分布参数和疲劳试验参数带入式(1)中计算损伤参数ΔΩ。
利用式(3)计算好的损伤参数ΔΩ对疲劳寿命进行预测。
完成后试样缺陷统计如图2所示，疲劳寿命预测如图3所示。图2中，图例的大小与缺陷的尺寸参数√area成正比。
实施例2：选取合适的增材工艺制造路线，将增材制造GH4169是样块加工成标准的单轴疲劳试样将标准疲劳试样进行标准的应变控制疲劳试验，其中疲劳应变幅范围在控制在0.25％-0.5％之间，并依据疲劳试样设备记录疲劳行为曲线行为和疲劳寿命N。
观察一组标准疲劳试样2的疲劳断口3，并拍摄显微组织图像4，进而获取断口缺陷5。
对一组显微组织图像进行二次处理，得到缺陷特征分布参数：缺陷位置Dd和缺陷尺寸√area并利用式(2)计算缺陷圆度Cd。
将缺陷的特征分布参数和疲劳试验参数带入式(1)中计算损伤参数ΔΩ。
利用式(3)计算好的损伤参数ΔΩ对疲劳寿命进行预测。
完成后试样缺陷统计如图4所示，疲劳寿命预测如图5所示。图4中，图例的大小与缺陷的尺寸参数√area成正比。
本发明采用可提高增材制造应变控制的疲劳寿命预测方法，采用显微组织观察并拍摄，利用二分法图像程序二次处理方法获得疲劳断口缺陷分布参数，结合疲劳试验参数值，利用本发明提出的缺陷损伤参数，并实现预测疲劳寿命。本发明用于对疲劳寿命预测并促进激光熔覆技术在工业化中大面积应用。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，其特征在于，包括以下步骤：
对制备的激光熔覆增材构件进行疲劳试验，采集疲劳试验曲线数据，获取所述激光熔覆增材构件在疲劳试验下的第一指标，其中，所述第一指标包括疲劳形变幅，最大疲劳应力和平均应力；
对疲劳试验后的所述激光熔覆增材构件的断口进行显微观察获得，获取所述激光熔覆增材构件在疲劳试验下的第二指标，其中，所述第二指标包括缺陷位置系数，缺陷圆度,缺陷尺寸和缺陷位置；
基于改进的SWT模型和应力强度因子模型，根据所述第一指标和所述第二指标，生成损伤参数；
基于所述损伤参数，构建疲劳寿命预测模型，用于对所述激光熔覆增材构件进行寿命预测。
2.根据权利要求1所述基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，其特征在于：
在获取第二指标的过程中，将通过疲劳试验形成疲劳断口的激光熔覆增材构件，作为疲劳试样，根据所述疲劳试样的缺陷位置，获取所述缺陷位置系数，其中，当所述缺陷为内部缺陷时，Y＝0.5，当所述缺陷为表面缺陷时，Y＝0.65。
3.根据权利要求2所述基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，其特征在于：
在获取第二指标的过程中，根据所述缺陷的投影面积的算术平方根，获取所述缺陷尺寸。
4.根据权利要求3所述基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，其特征在于：
在获取损伤参数的过程中，所述损伤参数表示为：
其中，
为疲劳应变幅，σmax为最大应力，σa为平均应力,Y为缺陷位置系数，π是圆周率，√area表示缺陷尺寸，Dd表示缺陷位置，Cd表示缺陷圆度，D表示疲劳试样直径。
5.根据权利要求4所述基于微缺陷分布的激光熔覆增材疲劳寿命预测方法，其特征在于：
在获取缺陷圆度的过程中，所述缺陷圆度表示为：
其中，C为缺陷周长，S缺陷的面积；
在构建疲劳寿命预测模型的过程中，所述疲劳寿命预测模型表示为：
Nf＝α(ΔΩ)β
其中，Nf为预测寿命，α和β为拟合参数。
6.基于微缺陷分布的激光熔覆增材疲劳寿命预测系统，其特征在于，包括：
第一数据采集模块，用于对制备的激光熔覆增材构件进行疲劳试验，采集疲劳试验曲线数据，获取所述激光熔覆增材构件在疲劳试验下的第一指标，其中，所述第一指标包括疲劳形变幅，最大疲劳应力和平均应力；
第二数据采集模块，用于对疲劳试验后的所述激光熔覆增材构件的断口进行显微观察获得，获取所述激光熔覆增材构件在疲劳试验下的第二指标，其中，所述第二指标包括缺陷位置系数，缺陷圆度,缺陷尺寸和缺陷位置；
数据处理模块，用于基于改进的SWT模型和应力强度因子模型，根据所述第一指标和所述第二指标，生成损伤参数；
寿命预测模块，用于基于所述损伤参数，构建疲劳寿命预测模型，用于对所述激光熔覆增材构件进行寿命预测。
7.根据权利要求6所述基于微缺陷分布的激光熔覆增材疲劳寿命预测系统，其特征在于：
所述损伤参数表示为：
其中，
为疲劳应变幅，σmax为最大应力，σa为平均应力,Y为缺陷位置系数，π是圆周率，√area表示缺陷尺寸，Dd表示缺陷位置，Cd表示缺陷圆度，D表示疲劳试样直径。
8.根据权利要求7所述基于微缺陷分布的激光熔覆增材疲劳寿命预测系统，其特征在于：
所述疲劳寿命预测模型表示为：
Nf＝α(ΔΩ)β
其中，Nf为预测寿命，α和β为拟合参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047307.6A CN116013438A (zh) | 2023-01-31 | 2023-01-31 | 基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047307.6A CN116013438A (zh) | 2023-01-31 | 2023-01-31 | 基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116013438A true CN116013438A (zh) | 2023-04-25 |
Family
ID=86019099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310047307.6A Pending CN116013438A (zh) | 2023-01-31 | 2023-01-31 | 基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116013438A (zh) |
-
2023
- 2023-01-31 CN CN202310047307.6A patent/CN116013438A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9335277B2 (en) | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method | |
| CN111108368B (zh) | 教学数据制作方法及装置以及缺陷检查方法及装置 | |
| JP2010535430A5 (zh) | ||
| KR20030086346A (ko) | 검사 시 결함 데이터의 인시츄 통계적 분석을 이용한 결함검사 효율성의 개선 | |
| US7646476B2 (en) | Process excursion detection | |
| JP2021190716A (ja) | 弱いラベル付けを使用した半導体試料内の欠陥の検出 | |
| Paciornik et al. | Measurement of void content and distribution in composite materials through digital microscopy | |
| Li et al. | Defect criticality analysis on fatigue life of L-PBF 17-4 PH stainless steel via machine learning | |
| Saada et al. | Sub-boundaries induced by dislocational creep in uranium dioxide analyzed by advanced diffraction and channeling electron microscopy | |
| CN116013438A (zh) | 基于微缺陷分布的激光熔覆增材疲劳寿命预测方法及系统 | |
| JP2009270976A (ja) | 欠陥レビュー方法および欠陥レビュー装置 | |
| CA2604101C (en) | Method of analyzing cell structures and their components | |
| JPH11228283A (ja) | 石英ルツボの光学的非破壊検査方法とその装置 | |
| Wrzochal et al. | Industrial experimental research as a contribution to the development of an experimental model of rolling bearing vibrations | |
| Blachnio et al. | A non-destructive method to assess condition of gas turbine blades, based on the analysis of blade-surface images | |
| US20020196968A1 (en) | Review work supporting system | |
| Chou et al. | Characterization of low-cycle fatigue damage in Inconel 718 by laser light scanning | |
| US8712140B2 (en) | Method of analyzing cell structures and their components | |
| JP2012013644A (ja) | マクロ検査方法および検査システム、上記マクロ検査方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| CN111982946A (zh) | 一种测定高碳钢盘条珠光体球团及领域尺寸的方法 | |
| JP3624553B2 (ja) | 塑性変形による各種損傷の特定法 | |
| KR100194212B1 (ko) | 반도체 제조 설비용 가스 배관의 성능 평가 방법 | |
| WO2022196292A1 (ja) | 炭化珪素単結晶ウェーハの結晶欠陥評価方法 | |
| Kabaldin et al. | Damage assessment of materials at low temperatures using the parameter of the fractal dimension of the microstructure | |
| Wagner et al. | Thermomechanical Fatigue of Lost Foam Cast Cylinder Heads-Statistical and Numerical Studies on Crack Initiation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |