MARC

 008260126s2025        us                              c    eng  d
■001000017360193
■00520260202105319
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297663886
■035    ▼a(MiAaPQ)AAI32289473
■035    ▼a(MiAaPQ)PennState29628clw5756
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aWilliams,  Colin  L.
■24510▼aUnderstanding  Microstructure-ultrasound  Relationships  in  Additively  Manufactured  Materials:  Experiments  and  Numerical  Simulations
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a206  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Lear,  Matthew  H.;Shokouhi,  Parisa.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2025.
■520    ▼aDue  to  their  sensitivities  to  microstructural  evolution  during  processes  including  heat  treatment  and  plastic  deformation,  ultrasonic  parameters  including  the  acoustic  nonlinearity  parameter  (β)  and  resonance  frequency  are  useful  nondestructive  evaluation  (NDE)  tools  for  monitoring  microstructural  changes  in  metals,  ceramics,  and  other  engineered  materials  relevant  to  the  growing  utilization  of  additive  manufacturing  (AM).  Despite  their  diagnostic  capabilities,  the  competing  contributions  of  different  microstructural  features  to  the  measured  ultrasonic  response  render  the  interpretation  of  received  ultrasonic  signals  a  nontrivial  task.  The  primary  objective  of  this  dissertation  is  to  utilize  experimental  and  modeling-based  approaches  to  advance  the  capabilities  of  ultrasonic  testing  for  the  characterization  and  quality  assurance  of  metallic  and  ceramic  components,  emphasizing  AM  parts.  Two  sample  sets  are  investigated:  316L  stainless  steel  (SS)  plates  manufactured  by  laser  powder  bed  fusion,  and  alumina  cylinders  with  complex  internal  geometries  manufactured  by  direct  material  jetting.For  metallic  samples,  two  studies  are  described:  An  experimental  investigation  of  the  microstructure-ultrasound-property  relationships  in  AM  316L  stainless  steel  focused  on  Second  Harmonic  Generation  (SHG)  testing  to  measure  β,  and  a  numerical  study  where  3D  Dislocation  Dynamics  (DD)  simulations  are  developed  to  elucidate  the  relationship  between  β  and  specific  dislocation  characteristics  (e.g.,  length,  density,  and  orientation).  In  the  former,  ultrasonic  testing,  microstructural  characterization,  and  mechanical  testing  are  combined  to  create  a  more  complete  picture  of  microstructure-ultrasound-property  relationships  in  AM  316L  SS  as  they  evolve  with  heat  treatment.  The  results  indicate  that  measurable  variations  in  β  from  SHG  testing  scale  with  heat  treatment-induced  microstructure  changes,  such  as  dislocation  density  and  the  volume  fraction  of  oxide  inclusions.  These  observations  are  considered  alongside  the  trends  in  tensile  strength  with  heat  treatment,  where  an  inverse  relationship  between  β  and  these  strength  properties  is  measured  that  coincides  with  an  increase  in  the  presence  of  detrimental  oxide  inclusions.  The  numerical  modeling  investigation  focuses  on  DD  simulations  of  many  differently-oriented  dislocations  within  one  domain  -  an  advancement  from  prior  analytical  and  numerical  models  concerning  a  single  dislocation.  The  multi-dislocation  framework  is  tested  on  several  parametric  studies  of  dislocation  length  and  density,  and  compared  extensively  to  canonical  analytical  modeling  results.  The  DD  predictions  indicate  a  more  complex  relationship  between  dislocation  morphology,  applied  stress,  and  β  than  the  prior  models,  particularly  for  cases  involving  edge  dislocations.  The  competing  effects  of  edge  and  screw  dislocations  on  β  are  investigated  within  the  same  crystal  for  the  first  time,  and  unique  behaviors  are  predicted  that  are  unrepresented  in  existing  models.  The  DD  simulations  are  used  to  recreate  SHG  results  in  fatigued  copper  using  published  microstructural  data,  and  to  aid  in  the  validation  of  a  recent,  contradictory  experimental  observation  in  316L  SS,  where  an  anomalous  decrease  in  β  was  measured  despite  increasing  plastic  deformation.Finally,  an  application-focused  study  is  presented,  in  which  machine  learning  and  finite  element  analysis  are  combined  to  evaluate  subtle  geometric  variations  in  AM  ceramic  cylinders  using  their  resonant  ultrasonic  signatures.  NDE  studies  are  often  constrained  by  small  sample  sizes  -  this  limitation  is  even  more  prohibitive  in  the  context  of  training  machine  learning  models  to  interpret  the  data.  To  address  this  data  scarcity,  high-fidelity  finite  element  simulations  are  employed  to  generate  synthetic  training  data,  which  is  used  to  train  a  Random  Forest  model  for  binary  classification  of  the  experimental  samples.  Notable  efficacy  of  the  synthetic  data  is  observed:  A  model  trained  on  50  simulated  and  three  experimental  frequency  spectra  has  a  testing  accuracy  ∼20%  higher  than  a  model  trained  on  the  same  three  experiments  alone.  Further  improvements  in  accuracy  are  achievable  with  a  careful  and  interpretable  feature  selection  process,  informed  by  simulation  results  and  feature  importance  rankings  from  the  Random  Forest  model.  Classification  accuracies  greater  than  75%  are  obtained  using  the  described  transfer  learning  approach.  While  this  specific  study  involves  Resonant  Ultrasound  Spectroscopy  and  finite  element  analysis,  the  concept  of  using  synthetic  data  to  improve  machine  learning  model  accuracy  for  real  samples  is  broadly  applicable  to  the  NDE  field.
■590    ▼aSchool  code:  0176.
■650  4▼aTomography
■650  4▼aHeat  treating
■650  4▼aSpectrum  analysis
■650  4▼aGrain  size
■650  4▼aDeformation
■650  4▼aAcoustics
■650  4▼aRadiation
■650  4▼aMaterials  fatigue
■650  4▼aAnalytical  chemistry
■650  4▼aIndustrial  engineering
■650  4▼aMedical  imaging
■650  4▼aOptics
■650  4▼aThermodynamics
■690    ▼a0986
■690    ▼a0486
■690    ▼a0546
■690    ▼a0574
■690    ▼a0752
■690    ▼a0348
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360193▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서