MARC

 008260126s2025        us                              c    eng  d
■001000017360315
■00520260202105505
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263326265
■035    ▼a(MiAaPQ)AAI32308023
■035    ▼a(MiAaPQ)GeorgiaTech78744
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530.41
■1001  ▼aAdapa,  Venkata  Surya  Karthik  Adapa.
■24510▼aHigh  Throughput  Process-Materials  Framework  for  Repairing  Ni-Based  Superalloys
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a194  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Saldana,  Christopher;Melkote,  Shreyes.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThis  dissertation  presents  a  high-throughput  experimental  and  data-driven  modeling  framework  to  guide  the  repair  and  design  of  Ni-based  superalloys  using  directed  energy  deposition.  By  leveraging  compositionally  graded  IN625-IN100  alloy  mixtures,  the  study  systematically  investigates  cracking,  microstructure  evolution,  and  mechanical  performance  across  varied  compositions  and  processing  conditions.  The  rationale  for  blending  these  alloys  lies  in  their  differing  concentrations  of  γ'-forming  elements  Al  and  Ti  in  IN625  and  IN100,  which  enables  tuning  of  the  γ'  volume  fraction  and  thus  the  resulting  mechanical  behavior  and  crack  susceptibility.  A  high-throughput  design  of  experiments  efficiently  identified  crack-prone  regimes,  revealing  that  crack  susceptibility  is  strongly  influenced  by  both  composition  and  thermal  boundary  conditions,  which  vary  with  part  geometry  and  inter-layer  timing.  To  support  process-structure  analysis,  CALPHAD-based  thermodynamic  simulations  were  used  to  estimate  phase  stability  and  γ'  solvus  behavior  across  the  varied  compositions.Recognizing  the  virtually  limitless  design  space  of  compositional  and  processing  combinations,  this  work  employs  machine  learning  models  to  predict  mechanical  properties  based  on  alloy  chemistry,  processing  conditions,  and  microstructural  features.  Small  punch  testing  and  SEM  image  analysis,  coupled  with  advanced  segmentation  methods,  provide  high-throughput  material  data  to  train  Gaussian  Process  Regression  (GPR)  models.  Additionally,  Principal  Component  Analysis  (PCA)  of  in-situ  thermal  histories  enabled  interpretable  classification  of  cracking  behavior  under  different  compositions  and  conditions.  The  resulting  CPSP  models  capture  latent  thermal  and  microstructural  descriptors  that  govern  property  variation,  enabling  real-time  process  optimization.  Altogether,  this  framework  supports  scalable,  physics-aware  process  mapping  and  lays  the  foundation  for  accelerated  qualification  of  complex  AM  components.
■590    ▼aSchool  code:  0078.
■650  4▼aSolidification
■650  4▼aMotion  control
■650  4▼aPowder  metallurgy
■650  4▼aEnergy
■650  4▼aMicrostructure
■650  4▼aScanning  electron  microscopy
■650  4▼aRaw  materials
■650  4▼aCooling
■650  4▼aLasers
■650  4▼aDuctility
■650  4▼aSupport  vector  machines
■650  4▼aStainless  steel
■650  4▼aAnalytical  chemistry
■650  4▼aIndustrial  engineering
■650  4▼aMaterials  science
■650  4▼aOptics
■690    ▼a0791
■690    ▼a0486
■690    ▼a0800
■690    ▼a0546
■690    ▼a0794
■690    ▼a0752
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360315▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서