Ermüdungsdatenbank additiv gefertigter Legierungen

Jun 10, 2023

Scientific Data Band 10, Artikelnummer: 249 (2023) Diesen Artikel zitieren

1593 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Ermüdung ist ein mechanischer Abbauprozess, der üblicherweise auf der Grundlage empirischer Regeln und experimenteller Daten aus standardisierten Tests beurteilt wird. Ermüdungsdaten technischer Materialien werden üblicherweise in SN (Beziehung zwischen Spannung und Lebensdauer), ε-N (Beziehung zwischen Dehnung und Lebensdauer) und da/dN-ΔK (Beziehung zwischen der Ermüdungsrisswachstumsrate und dem Spannungsintensitätsfaktorbereich) angegeben ) Daten. Ermüdung und statische mechanische Eigenschaften von additiv gefertigten (AM) Legierungen sowie die Materialarten, Parameter von AM, Verarbeitung und Prüfung werden bis Ende 2022 aus Tausenden wissenschaftlichen Artikeln mithilfe natürlicher Sprachverarbeitung, maschinellem Lernen usw. gesammelt Computer-Vision-Techniken. Die Ergebnisse zeigen, dass die Leistung von AM-Legierungen die von herkömmlichen Legierungen erreichen könnte, obwohl Datenstreuung und Systemabweichung vorhanden sind. Die Datenbank (FatigueData-AM2022) ist in kompakten Strukturen formatiert, in einem offenen Repository gehostet und analysiert, um ihre Muster und Statistiken anzuzeigen. Die Qualität der aus der Literatur gesammelten Daten wird durch die Definition von Bewertungswerten für in einzelnen Studien gemeldete Datensätze und durch die Füllraten der Dateneinträge in allen Datensätzen gemessen. Die Datenbank dient auch als hochwertiges Trainingsset für die Datenverarbeitung mithilfe von Machine-Learning-Modellen. Die Verfahren zur Datenextraktion und -analyse werden beschrieben und die Tools öffentlich zugänglich gemacht. Es wird eine einheitliche Sprache für Ermüdungsdaten vorgeschlagen, um die Datenberichterstattung für die Ermüdungsleistung von Materialien zu regeln und so den Datenaustausch und die Entwicklung offener Wissenschaft zu erleichtern.

Ermüdung ist ein nachteiliger Prozess der mechanischen Zersetzung, dem strukturelle Materialien und Komponenten im Langzeitbetrieb ausgesetzt sind, beispielsweise in der Luft- und Raumfahrt-, Kernenergie-, Öl- und Gasindustrie1. Die Bemessung der strukturellen Integrität unter Berücksichtigung der Ermüdungsschäden kann nach den Grundsätzen der sicheren Lebensdauer oder der Schadenstoleranz erfolgen. Beim Design mit sicherer Lebensdauer werden Mängel nicht explizit berücksichtigt und Produkte sollen nach Ablauf der Designlebensdauer außer Betrieb genommen werden. Die Designphilosophie basiert auf experimentellen Daten von Standardproben, die unter bestimmten Belastungsbedingungen getestet wurden, die auf Strukturbauteile ausgeweitet werden können. In der Praxis werden beliebige Belastungsspektren durch die Berücksichtigung kumulativer Schäden, beispielsweise durch die Verwendung der linearen Miner-Regel2, gehandhabt. Die Auswirkungen der Probengröße, der mittleren Spannung, der Multiaxialität und der Umgebung können ebenfalls berücksichtigt werden. Die Spannungs-Lebensdauer-Daten (SN), die durch spannungsgesteuerte (kraftgesteuerte) Tests erzeugt werden, und die Dehnungs-Lebensdauer-Daten (ε-N) durch dehnungsgesteuerte Tests sind die beiden grundlegenden experimentellen Datensätze für die sichere Lebensdauergestaltung, die beschreiben die Beziehung zwischen dem Maximum (σmax, εmax) oder der Amplitude (σa, εa) der Spannung/Dehnung und der Anzahl der Belastungszyklen (N) und werden üblicherweise für Ermüdung bei hoher Lastspielzahl (HCF)/Ermüdung bei niedriger Lastspielzahl (LCF) verwendet. Design (Abb. 1a). Bei der Schadenstoleranzkonstruktion wird davon ausgegangen, dass eine Strukturkomponente in der Lage ist, Fehler (z. B. Risse) bis zum nächsten Inspektionspunkt sicher zu überstehen, und die Komponente wird dann repariert oder ersetzt2. Das Wachstum von Ermüdungsrissen (FCG) kann in der Theorie der Bruchmechanik rationalisiert und experimentell anhand von Proben mit kompakter Spannung (CT) bewertet werden. Die Abhängigkeit der FCG-Rate (da/dN) vom Bereich des Stressintensitätsfaktors (SIF) (ΔK) wird daher in der strukturellen Gesundheitsüberwachung und -wartung berücksichtigt (Abb. 1a). Die SN-, ε-N- und da/dN-ΔK-Daten bieten Standardmaße für die Verschlechterung des mechanischen Widerstands unter zyklischen Belastungen, was ein einzigartiges Merkmal ist, das in der datenzentrierten Forschung genutzt werden kann.

Strukturintegritätsentwurf von Strukturbauteilen für die additive Fertigung (AM) unter Verwendung von Ermüdungsdaten aus standardisierten Tests. (a) Repräsentative Belastungsbedingungen, Probentypen und Daten aus Ermüdungstests. (b) Verfahren und Parameter der AM, dargestellt durch die Laser-Pulverbett-Fusion-Technik (L-PBF).

Im Vergleich zum Elastizitätsmodul und der Zugfestigkeit hängt die Ermüdungsleistung von Materialien von deren Mikrostrukturen, Oberflächenbedingungen sowie den Belastungs- und Umgebungsbedingungen ab2,3. Der Ermüdungsprozess beinhaltet eine mikrostrukturelle Entwicklung von Nano-, Mikro- bis hin zu Strukturmaßstäben, und die theoretische Vorhersage der Leistung bleibt eine Herausforderung4. Damit werden Ermüdungsdatenbanken für die Tragwerksplanung von entscheidender Bedeutung. Die Einführung des Aircraft Structural Integrity Program (ASIP) in den 1950er Jahren führte zu großen Erfolgen bei der Verhinderung katastrophaler Ausfälle und der Verlängerung der Lebensdauer von Strukturbauteilen. Allerdings sind nur wenige Datenbanken öffentlich zugänglich, in der Regel von maßgeblichen Forschungseinrichtungen für konventionelle Legierungen, und die Datenbanken sind hinsichtlich der Materialarten und der Anzahl der Datensätze begrenzt. Beispielsweise enthält das MMPDS-Handbuch (Metallic Materials Properties Development and Standardization) 213 SN-, 15 ε-N- und 39 da/dN-ΔK-Werte für 62 Arten metallischer Materialien, die zur Verwendung durch die Federal Aviation Administration (FAA) zugelassen sind ), Verteidigungsministerium (DoD) und National Aeronautics and Space Administration (NASA)5. Das Ermüdungsdatenblatt des National Institute for Materials Science (NIMS) enthält seit 1978 in Japan 126 Blätter mit Ermüdungseigenschaften für 59 Arten metallischer Werkstoffe6.

Standardisierte Probenvorbereitungs- und Testbedingungen unterdrücken die meisten externen Unsicherheitsquellen in den Ermüdungsdaten und behalten einen Großteil der Korrelation zwischen der Materialleistung und den Materialtypen sowie den Belastungs- und Umgebungsbedingungen bei. Die gemeldeten Ermüdungsdaten zeigen jedoch immer noch eine stark streuende Natur der Variationen in der Mikrostruktur von Materialien. Aus einer ergänzenden Perspektive kann eine statistische Analyse dieser verstreuten Art auf der Grundlage einer großen Datenmenge wichtige Erkenntnisse über die Materialleistung liefern, die mit anderen Mitteln nicht erreicht werden können7.

Additive Fertigung (AM) ist eine einfache Technik zur Herstellung von Strukturbauteilen mit Flexibilität im Strukturdesign und Vorteilen bei Kosten und Durchlaufzeit8 (Abb. 1b). Die mikrostrukturelle Kontrolle bietet eine hervorragende Möglichkeit, die Beziehung zwischen Verarbeitung, Mikrostrukturen und Leistung (PMP) zu untersuchen9,10. In den letzten Jahrzehnten wurden erhebliche Anstrengungen unternommen, um die Leistungsgrenzen von AM-Legierungen zu erkunden, insbesondere hinsichtlich ihres Ermüdungsverhaltens11. Es ist bekannt, dass die Oberflächenbedingungen, inneren Defekte und andere mikrostrukturelle Merkmale die Ermüdungsleistung von AM-Legierungen stark beeinflussen, das Verständnis der PMP-Beziehung bleibt jedoch weitgehend qualitativ12,13. Zur Lösung dieses Problems, das zuverlässige Ermüdungsdaten für die Modellverifizierung und -validierung (V&V) erfordert, wurden sowohl physikalische14,15 als auch auf maschinellem Lernen (ML) basierende Ansätze16,17 entwickelt. Obwohl das Datenvolumen viel kleiner ist als das für Legierungen, die mit herkömmlichen Verfahren wie Gießen und Schmieden hergestellt wurden, wurden Tausende von Artikeln über das Ermüdungsverhalten von AM-Legierungen veröffentlicht, die einen vollständigen Teilsatz der Daten für die Analyse liefern. Aktuelle Studien sammelten und analysierten AM-Ermüdungsdaten ausgewählter AM-Legierungen (z. B. Ti-6Al-4V, AlSi10Mg/AlSi7Mg, 316 L) aus der Literatur18,19,20,21. Es wurden jedoch keine Datensätze zur weiteren Datenverarbeitung und -analyse freigegeben. Darüber hinaus ist die Qualität der zusammengefassten Ergebnisse durch den spezifischen Umfang der Studien begrenzt, und es besteht ein Bedarf an Standards oder Normen zur Berichterstattung über das Ermüdungsverhalten von Materialien.

Open Science, einschließlich offener Veröffentlichungen, Daten und verwandter Ressourcen, ist in letzter Zeit zu einem globalen Konsens geworden, um die wissenschaftliche Forschung zu beschleunigen, die Zusammenarbeit zu fördern und der Gemeinschaft zu helfen22,23. Digitalisierung und Open-Access-Entwicklung bieten völlig neue Möglichkeiten für datenzentrierte Studien auf der Grundlage von Literaturdaten, die in strukturierten Datenbanken zusammengestellt und beispielsweise für Materialscreening und Ingenieurdesign verwendet werden können. Im Vergleich zu den von maßgeblichen Institutionen veröffentlichten Daten weisen offene Daten eine Fülle von Materialmikrostrukturen und Testbedingungen auf, die hilfreich sein können, um mehr Einblicke in die PMP-Korrelation zu gewinnen. Zumindest bei der Qualität der Testproben und der Gestaltung der Ermüdungstests ist jedoch mit Datenheterogenität zu rechnen, die bewertet werden sollte, um zuverlässige Aufzeichnungen zu erstellen. Zeitschriftenartikel, Konferenzberichte und technische Berichte bilden einen riesigen und ständig wachsenden Korpus unstrukturierter Informationen, der mit modernsten Techniken der Verarbeitung natürlicher Sprache (NLP), ML und Computer Vision (CV) verarbeitet werden kann. In dieser Richtung wurden Fortschritte erzielt, indem Datenbanken für Materialsyntheserezepte24 und Eigenschaften25,26,27 veröffentlicht wurden.

In dieser Arbeit sammeln wir Ermüdungsdaten und zugehörige Daten für AM-Legierungen einschließlich Titan, Nickel, Aluminium und Stahl aus 3.415 wissenschaftlichen Artikeln (bis Ende 2022). Für die Datenextraktion aus Abbildungen, Tabellen und Texten werden Open-Source- und firmeneigene Codes verwendet. Die Beschreibung der Forschung und die gemeldeten SN-, ε-N- und da/dN-ΔK-Daten werden umrissen. Um die Verwendung von Daten zu veranschaulichen, wird die Ermüdungsleistung von AM-Legierungen analysiert und Vorschläge für zukünftige Forschung und effektivere Datenveröffentlichungen gemacht.

Unser Workflow umfasst die Inhaltserfassung (Suche und Download), die Datenextraktion (aus Abbildungen, Tabellen und Text) und den Datenbankaufbau (Abb. 2). Die Datenbank enthält Metadaten von Artikeln und wissenschaftlichen Daten. Zu den Metadaten gehören Informationen wie Autoren, Fördergeber und Erscheinungsjahr, die die Entwicklungsgeschichte, den Stand der Technik und die Wissenschaft der Wissenschaft (SciSci) beschreiben28. Wissenschaftliche Daten beschreiben die Forschungsinhalte wie Materialtypen, AM-Parameter, Verarbeitung und Prüfung, Ermüdung und statische mechanische Eigenschaften sowie deren Beziehung. Die wissenschaftlichen Daten in jedem Artikel sind in getrennten Ermüdungsdatensätzen für die SN-, ε-N- oder da/dN-ΔK-Daten organisiert.

Arbeitsablauf zum Aufbau der Ermüdungsdatenbank von AM-Legierungen. AM-Artikel werden im Web of Science (WoS) gesucht und über ihre digitalen Objektidentifikatoren (DOIs) abgerufen. Materialarten, AM-Parameter, Verarbeitung, Prüfung sowie statische mechanische und Ermüdungseigenschaften werden aus Abbildungen, Tabellen und Texten extrahiert und in einer hierarchischen Datenbank strukturiert.

Artikel zum Thema AM-Müdigkeit werden in den Zitatdatenbanken identifiziert und der vollständige Text kann von den Verlagen heruntergeladen werden. Schlüsselwörter für AM-Müdigkeit werden zusammengefasst und in Suchformeln zusammengestellt (Tabelle 1). In der Materialwissenschaft oder Werkstoffmechanik umfasst „Ermüdung“ im Allgemeinen Untersuchungen zum Verhalten unter zyklischen Belastungen und wird als Suchbegriff verwendet. Für AM werden eine Reihe von Synonymen, Zweigen und deren Abkürzungen verwendet, entsprechend der Terminologie in den AM-Standards29,30 und Übersichtsartikeln31,32,33,34,35. Die Suche erfolgt in der maßgeblichen Zitierdatenbank Web of Science Core Collection (WoS) über die Felder „Titel“, „Zusammenfassung“ und „Autorenschlüsselwörter“. WoS gibt 3.415 Datensätze von Artikeln zurück und ihre Metadaten werden über die Funktion „Export“ abgerufen. Für die Klassifizierung von Artikeln nach ihren Abstracts wird ein NLP-Modell angewendet36. Artikel wie solche über physiologische „Müdigkeit“ oder Forschungsthemen in irrelevanten Bereichen werden verworfen. Nach NLP-Klassifizierung und manueller Prüfung werden 2.001 Kandidatenartikel identifiziert.

Die Digital Object Identifier (DOIs) in den Metadaten stellen Links zum Volltext bereit. 104 der 2.001 AM-Ermüdungsartikel haben keine DOIs in WoS-Datensätzen. Darüber hinaus sind 22 Artikel nicht auf Englisch verfasst und 27 Artikel stammen von Verlagen mit weniger als 10 Veröffentlichungen. Diese Datensätze werden verworfen. 1.848 Artikel werden zur Analyse heruntergeladen und zum Aufbau der Datenbank verwendet. Studien zur Ermüdungsleistung von AM-Legierungen begannen nach dem Jahr 2000 und die meisten Artikel werden sowohl im Portable Document Format (PDF) als auch im Extensible Markup Language (XML)/Hypertext Markup Language (HTML)-Format veröffentlicht. PDF- und XML/HTML-Dateien eignen sich besser für die manuelle Prüfung bzw. die automatisierte Code-Analyse. Für Elsevier werden 1.122 Artikel-PDFs über die Anwendungsprogrammierschnittstelle (API) abgerufen, was 60 % der heruntergeladenen AM-Ermüdungsartikel ausmacht. PDFs aus anderen Quellen werden über den Code Article-Downloader37 (24 %), den Scopus Document Download Manager (12 %) oder manuell von den Websites der Herausgeber (4 %) abgerufen. Die Elsevier-API bietet Zugriff auf XML-Dateien (60 % der Artikel). HTML-Dateien werden, sofern verfügbar, von anderen Herausgebern mithilfe des Codes „article-downloader“ abgerufen (37 % der Artikel).

Die als Streudiagramme in Abbildungen oder Einträge in Tabellen dargestellten Ermüdungsdaten (SN, ε-N und da/dN-ΔK) werden extrahiert und als Datenpaare gespeichert. Streudiagramme sind lesbarer und prägnanter als Tabellen und werden in der Literatur häufig verwendet, obwohl die letztere Darstellung direkte numerische Werte liefert. Die Zahlen werden mit PyMuPDF aus den PDF-Dokumenten extrahiert. Abbildungen, die Ermüdungsdaten enthalten, werden gescreent und diejenigen mit mehreren Diagrammen werden manuell in einzelne Diagramme segmentiert. Verstreute Datenpunkte werden durch einen hauseigenen MATLAB-Code IMageEXtractor (IMEX) extrahiert. Der Code ermöglicht die automatische und manuelle Datenextraktion und ermöglicht eine anschließende manuelle Korrektur. Die automatische Extraktionsfunktion umfasst Achsenkalibrierung, Legendenanalyse und Datenerkennung mithilfe von CV-Techniken.

Die Zahlen (98 % in Farbe veröffentlicht) werden in Graustufenbilder vorverarbeitet und unter Verwendung eines Graustufenschwellenwerts von 80 % binarisiert, um die Effizienz der Bildverarbeitung bei der automatischen Extraktion zu verbessern (Abb. 3a). Die Farb-, Graustufen- und binärisierten Versionen der Figuren werden gespeichert und für die Verwendung unter bestimmten Bedingungen ausgewählt. Cluster verbundener schwarzer Pixel in den binarisierten Bildern werden gefunden und als Figurkomponenten (FCs) gespeichert. Der Begrenzungsrahmen (BB) eines FC ist als rechteckiger Bereich definiert, der durch die Pixel ganz links, ganz rechts, ganz oben und ganz unten definiert wird (Abb. 3a).

Extraktion von Bild- und Textdaten. (a) RGB-Farbfiguren werden in Graustufen umgewandelt und anschließend binarisierte Figuren, wobei Cluster verbundener schwarzer Pixel als Figurenkomponenten (FCs) erkannt werden. Ihre Bounding Boxes (BBs) werden durch grüne Kästchen angezeigt. (b) Die Achsen werden in den Abbildungen erkannt und die Legenden werden analysiert, um die Datensymbole und Beschriftungen zu erhalten. Die Symbole aus den Legenden dienen als Vorlagen für die Datenerkennung. Rote Kästchen in jedem Panel zeigen die Objekte an, die in den Schritten der Datenverarbeitung erkannt werden sollen. (c) Flussdiagramm der Klassifizierung und Extraktion von Textdaten.

Die Achsenkalibrierung gibt die Achsenpositionen, Achsenbeschriftungen, Achsenskalen, Teilstriche und Teilstrichbeschriftungen aus. Das xy-Koordinatensystem (CS) stellt das größte FC dar, gemessen an der Fläche unter seinem BB. Die x- und y-Achse werden als Linien identifiziert, die länger als 70 % der Figur sind, indem der größte FC in vertikaler und horizontaler Richtung gescannt wird. Linien senkrecht zu den Achsen werden als Striche erkannt. Die Beschriftungen werden mittels optischer Zeichenerkennung (OCR)38 extrahiert und entsprechend ihrer Position den Achsen und Teilstrichen zugeordnet. Die Achsenskalen (linear/logarithmisch) werden anhand der Position und Beschriftung der Teilstriche bestimmt.

Die Legendenbereiche werden in der aktuellen Studie manuell ausgewählt, da die Positionen und Layouts der Legenden von Abbildung zu Abbildung variieren. Im ausgewählten Bereich werden Symbole von Datenpunkten erkannt und als Vorlagen gespeichert und die Legendenbeschriftungen werden markiert. Pixel, die Datenpunkte im CS enthalten, werden anhand der Farbcodes der Vorlagen erkannt. Die in der binarisierten Darstellung gemeldeten Daten werden anhand der Formen erkannt. In 55 % der da/dN-ΔK-Daten sind die Symbole dicht angeordnet und ihre Formen können nicht unterschieden werden. Folglich werden nur Pixel gespeichert, die mithilfe der Farbcodes extrahiert wurden. Alle SN-, ε-N- und die restlichen 45 % der da/dN-ΔK-Daten werden entsprechend der Konsistenz von Farbe und Form extrahiert. Die extrahierten Pixel werden an die Formen der Vorlagen angepasst, um die Symboltypen zu erkennen. Die Schwerpunkte dieser Symbole werden dann als Datenpunkte extrahiert. Die Methode der Datenextraktion („Farbe und Form“, „Farbe“ oder „Form“) wird in der Datenbank aufgezeichnet. Die extrahierten Achsen, Legenden und Daten werden in IMEX visualisiert und manuell korrigiert. Aus Zahlen extrahierte Daten werden entsprechend der Position und Skala der Teilstriche von Pixeleinheiten in physikalische Einheiten umgewandelt. Als Referenzen werden Teilstriche an den beiden Enden der Achsen gewählt, um den Fehler bei der Standortbestimmung zu minimieren.

Die Leistung der Zahlendatenextraktion kann anhand der Metriken beurteilt werden

Dabei bezeichnet TP das wahre Positive oder die Anzahl der korrekt extrahierten Daten, FP das falsch positive oder die Anzahl der falsch extrahierten Daten und FN das falsch negative oder die Anzahl der nicht extrahierten Daten. Der F1-Score ist das harmonische Mittel aus Präzision und Erinnerung. Die Metriken der Achsenkalibrierung, Legendenanalyse und Datenerkennung sind in Tabelle 2 zusammengefasst. Wir stellen fest, dass die Datenerkennung aufgrund der technischen Schwierigkeiten bei der Analyse überlappender Datenpunkte schlechter als die Achsenkalibrierung und Legendenanalyse ist.

Ermüdungsdaten für weniger als 5 % der Artikel werden in Tabellen angegeben. Tabellen werden in dieser Arbeit daher nur zur Überprüfung der aus Zahlen extrahierten Daten verwendet. Von Interesse sind Tabellen mit Parametern zu AM, Verarbeitung, Prüfung sowie statischen mechanischen und Ermüdungseigenschaften, die anhand der Tabellenüberschriften erkennbar sind. Tabellen in XML-/HTML-Dateien werden vom Tabellenextraktor39 analysiert, während die in den PDFs eingebetteten Tabellen manuell verarbeitet werden. Die Bewertungsmetriken der Tabellendatenextraktion sind in Tabelle 2 zusammengefasst. Der F1-Score beträgt 60 %, was nicht hoch ist, da die Daten von Nicht-AM-Legierungen oder Daten von externen Referenzen enthalten sind. Die Kombination von Textinformationen bei der Verarbeitung von Daten in den Tabellen könnte die Leistung verbessern.

Die Textverarbeitung umfasst die Textklassifizierung und Datenextraktion (Abb. 3b). Strukturierte Textdateien im XML/HTML-Format werden mit unserem hauseigenen Parsing-Code TEXTract (angepasst an die von den Herausgebern bereitgestellten Standardstilen) und in Kombination mit den Python-Paketen xml.dom.minidom für XML und BeautifulSoup für HTML verarbeitet. Text wird von PDFDataExtractor40 aus PDFs extrahiert, wenn die XML/HTML-Dateien nicht verfügbar sind.

Die Textklassifizierung für Abstracts und Absätze erfolgt mithilfe der NLP-Bibliothek Simple Transformer. Der Robustly Optimized BERT Pretraining Approach (RoBERTa)36, ein verbessertes Modell der vorab trainierten bidirektionalen Encoderdarstellung von Transformers (BERT)41, wird verwendet, um Textsequenzen in Einbettungsvektoren von Zusammenfassungen oder Absätzen umzuwandeln. Die Einbettungsvektoren werden an ein vollständig verbundenes neuronales Netzwerk mit einer linearen Schicht und Ausgabeneuronen weitergeleitet, die den Klassenbezeichnungen entsprechen. Die RoBERTa- und Klassifizierungsmodelle sind in ein Klassifizierungsmodul in Simple Transformer integriert. Das Modell wird an AM-Ermüdungsartikeln mit dem AdamW42-Optimierer unter Verwendung einer Kreuzentropieverlustfunktion und einer Lernrate von 4 × 10−5 trainiert. Die abstrakte Klassifizierung identifiziert AM-Müdigkeitsartikel aus den Suchausgaben von WoS basierend auf einem manuell beschrifteten Datensatz von 500 Abstracts mit den Klassenbezeichnungen „AM-Müdigkeit“ und „Nicht-AM-Müdigkeit“. Absätze werden in die Klassen „Methode“ und „Nicht-Methode“ klassifiziert und an die Datenextraktion übergeben. Die Abschnitte „Methode“ enthalten Informationen zu Materialien, AM-Parametern, Verarbeitung und Prüfung. Der Trainingssatz besteht aus 3.350 Absätzen aus 82 Artikeln und besteht aus Abschnitten mit den Schlüsselwörtern „Methode“, „Herstellung“, „Prozess“, „Test“ und „Experiment“ in ihren Überschriften. Sowohl Abstract- als auch Absatzdatensätze werden in Trainings-/Test-/Validierungssätze mit einem Verhältnis von 0,8:0,1:0,1 aufgeteilt.

Aus dem Text werden Daten extrahiert, darunter Materialtypen, AM-Parameter, Verarbeitung, Prüfung und statische mechanische Eigenschaften. Um die Materialtypen zu identifizieren, wird die chemische Namenserkennung (NER) von ChemDataExtractor 2.043 zusammen mit einem Wörterbuch der Handelsnamen von Legierungen, erstellt gemäß MMPDS-175 und dem Domänenwissen, angewendet. Der Umfang der AM-Materialerkennung umfasst Titel-, Zusammenfassungs- und Methodenabsätze. Für die Dateneingabe in den Bereichen AM, Verarbeitung und Testen werden Schlüsselwörter zusammengefasst und in regulären Ausdrücken (REs) organisiert, um Daten aus den „Methoden“-Absätzen zu extrahieren. In einem bestimmten Bereich wie AM-Müdigkeit, wo die Varianten von Schlüsselwörtern und Satzmustern für Zieldaten begrenzt sind, ist es relativ einfach, die REs zu konstruieren. In der Praxis können einer physikalischen Größe mehrere Dateneinträge zugeordnet sein. „Temperaturen“ sind beispielsweise für Spezifikationen von AM-Verfahren, Wärmebehandlung und Ermüdungstests relevant. Daher werden die extrahierten Daten Einträgen entsprechend manuell definierter Schlüsselwörter im aktuellen und vorherigen Satz zugeordnet, z. B. „fabrizieren“ für AM-Verfahren, „Wärmebehandlung“ für Wärmebehandlung und „Test“ für Ermüdungstests. Statische mechanische Eigenschaften wie Elastizitätsmodul, Streckgrenze (YS), Zugfestigkeit (UTS) und Dehnung werden in den Absätzen der „Methode“ und den folgenden Abschnitten durch REs identifiziert. Die Bewertungsmetriken der Textklassifizierung und Datenextraktion sind in Tabelle 2 zusammengefasst. Sowohl die Zusammenfassung als auch die Absatzklassifizierung erreichen einen F1-Wert von mehr als 80 %. Der F1-Wert der Datenextraktion beträgt 63 %, was nicht hoch ist, da es schwierig ist, die Kontextinformationen effektiv in den regelbasierten RE-Ansatz einzuführen. Die Verarbeitung von Abbildungen, Tabellen und Texten erreicht somit eine gute Performance bei den Aufgaben Achsenkalibrierung, Legendenparsing und Textklassifizierung. Die Leistung der Datenextraktion kann verbessert werden, indem die Parsing-Regeln verfeinert, Abhängigkeitsparsing eingesetzt oder erweiterte NLP-Modelle wie der Generative Pre-trained Transformer (GPT) verwendet werden. GPT-3 ist ein großes vorab trainiertes Sprachmodell mit 175 Milliarden Parametern und einer verbesserten Leistung des Wenig-Schuss-Lernens44, was den Bedarf an aufgabenspezifischen Daten und Fachwissen im NLP reduziert. Durch Feinabstimmung hat GPT-3 das Potenzial, strukturierte Daten aus komplexen wissenschaftlichen Texten mit einem F1-Score von >80 %45 zu extrahieren. Die Leistungsfähigkeit von GPT-4 wird insbesondere bei komplexen Aufgaben weiter gesteigert46. Ihre Anwendungen auf Ermüdungsdaten müssen noch untersucht werden.

Um die Datenbank aufzubauen, sollten aus Zahlen extrahierte Ermüdungsdaten mit aus Texten und Tabellen extrahierten Dateneinträgen zu Materialien, additiver Fertigung, Verarbeitung, Prüfung und statischen mechanischen Eigenschaften korreliert werden. Die meisten Dateneinträge variieren nicht in der spezifischen Forschung, über die in einem Artikel berichtet wird. Für einen bestimmten Dateneintrag extrahierte Einzelwerte werden allen Datensätzen zugeordnet, die sich auf den Artikel beziehen. Bei Dateneinträgen mit mehreren Werten erfolgt die Zuordnung entsprechend der Legendenbeschriftung.

Im Gegensatz zu statischen mechanischen Eigenschaften reagieren Ermüdungsdaten empfindlicher auf Herstellungs-, Verarbeitungs- und Testbedingungen, was zu einer Datenstreuung führt. Obwohl die F1-Ergebnisse der Datenextraktion durch den Einsatz fortschrittlicher Techniken verbessert werden können, reicht die Leistung daher möglicherweise immer noch nicht aus, um hochwertige Datenbanken für die Ermüdungsanalyse im Ingenieurwesen zu erstellen. In dieser Arbeit gehen wir dieses Problem durch manuelle Prüfung und Korrektur an. Bei Ermüdungsdaten korrigieren wir zunächst die Daten über unsere IMEX-Schnittstelle und drucken die Daten dann zum Vergleich mit denen in den Quellzahlen aus. Für Einträge zu Materialien, AM, Verarbeitung, Prüfung und statischen mechanischen Eigenschaften exportieren wir die Daten in eine Excel-Datei und vergleichen sie mit den PDF-Dateien. Neben der Datenprüfung und -korrektur umfasst die manuelle Arbeit auch die Auswahl und Segmentierung von Figuren sowie die Auswahl des Legendenbereichs. Bei der manuellen Untersuchung extrahieren wir die Größe und Form der Proben, da die meisten von ihnen in Zahlen statt in Texten dargestellt werden. Die Prüfung des Textes ist der dominierende Teil der manuellen Arbeit, und ein Fachexperte kann 4–8 Artikel pro Stunde bearbeiten. Ein automatisiertes multimodales (Abbildungen, Tabellen und Texte) Datenanmerkungs- und Korrektursystem könnte den Arbeitsaufwand reduzieren. Auch eine standardisierte Datenberichterstattung, die von den Autoren, Herausgebern und Datennutzern koordiniert wird, kann den Aufbau von Datenbanken erleichtern.

In den experimentellen Tests zur Messung der SN- und ε-N-Daten werden die Amplitude (σa oder εa) und die maximale Spannung/Dehnung (σmax oder εmax) verwendet, die durch in Beziehung gesetzt werden können

In der aktuellen Studie werden die Maxima (35 % der Gesamtdatenbank) über das Lastverhältnis in Amplituden umgerechnet

Für die da/dN-ΔK-Daten beträgt der SIF-Bereich

Zur Analyse werden verstreute Ermüdungsdaten der SN- und ε-N-Beziehungen angepasst, indem eine logarithmische Normalverteilung mit konstanter Varianz gemäß ASTM E739-1047 angenommen wird

wobei A und B die Anpassungsparameter sind. Die SN-Beziehung kann in die Form der Basquin-Gleichung umgewandelt werden

wobei A1 und B1 die Anpassungsparameter sind.

Die da/dN-ΔK-Daten werden durch die Paris-Gleichung angepasst

wobei C und m die Anpassungsparameter sind.

Die Datenbank FatigueData-AM202248 sammelt experimentelle SN-, ε-N- und da/dN-ΔK-Daten von AM-Legierungen. Die Studien zu Strukturbauteilen oder Architekturmaterialien sind nicht enthalten49,50. Es werden Daten für Ermüdungsversuche unter einachsigen oder Biegebedingungen erhoben. Über die Ermüdungsleistung unter variablen, torsionalen und mehrachsigen Belastungen wird zum jetzigen Zeitpunkt nur in wenigen Studien berichtet und sie werden zur Wahrung der Datenintegrität nicht berücksichtigt. Die FatigueData-AM2022-Datenbank48 ist als MAT- (MATLAB-), JSON- und EXCEL-Dateien unter https://doi.org/10.6084/m9.figshare.22337629 verfügbar. Die MAT- und JSON-Dateien werden in einer hierarchischen Baumstruktur formatiert. Die Baumknoten, die Datenwerte direkt speichern, werden als Dateneinträge bezeichnet. Zu den Dateneinträgen gehören Zeichenfolgen- und numerische Datentypen. Textdaten wie Titel, AM-Typen und Ermüdungstests werden als Zeichenfolgen gespeichert. Daten mit mehreren Strings wie Autoren, Länder und Institutionen werden als String-Arrays gespeichert. Das Erscheinungsjahr wird als numerische Zahl definiert und andere numerische Daten wie Ermüdungsdaten, AM-Parameter und Belastungsverhältnisse werden in Form von numerischen Arrays gespeichert. Die Baumknoten, die zum Gruppieren von Dateneinträgen verwendet werden, werden Datenstrukturen genannt. Mehrere Strukturen wie Artikel oder Ermüdungsdatensätze werden in Strukturarrays angeordnet. Um die Programmierimplementierung und Datenerfassung zu erleichtern, werden Schlüssel für Dateneinträge, Strukturen und Strukturarrays definiert (Abb. 4 und Tabellen 3–5).

Die Struktur der FatigueData-AM2022-Datenbank. Die FatigueData-AM2022-Datenbank ist in einer hierarchischen Baumstruktur formatiert. Der Name jedes Baumknotens wird gelb hervorgehoben. Schlüssel sind für den einfachen Zugriff durch Skripte definiert. Jeder Knoten hat seinen spezifischen Datentyp. Zwei Kreisdiagramme zeigen die Statistiken heruntergeladener Artikel und Arten von Ermüdungsdatensätzen.

Die Struktur der FatigueData-AM2022-Datenbank48 ist in Abb. 4 zusammengefasst. Der Wurzelknoten ist die Datenbank, die untergeordnete Knoten von Artikeln und ein Standardeinheitensystem enthält (z. B. MPa für Spannung, °C für Temperatur, μm für Schichtdicke, W für). Leistung). Rohe numerische Daten werden in die Standardeinheiten der Dateneingaben konvertiert. Artikel werden als Strukturarray gespeichert und jeder Artikel enthält zwei Strukturen mit Metadaten und wissenschaftlichen Daten. Metadaten enthalten Dateneinträge wie Titel und Autoren von Artikeln. Wissenschaftliche Daten speichern eine Reihe von Ermüdungsdatensätzen, die jeweils aus experimentellen Tests unter verschiedenen Bedingungen stammen. Ein Ermüdungsdatensatz enthält 6 Strukturen (Ermüdung, Materialien, AM, Verarbeitung, Prüfung und statische mechanische Eigenschaften), unter denen mehrere Dateneinträge, Strukturen oder Strukturarrays definiert sind (Tabelle 3). Jedem Ermüdungsdatensatz wird ein Bewertungswert zugewiesen, um die Qualität der Daten zu messen, was im nächsten Abschnitt erläutert wird. Die Struktur der AM-Parameter und Verarbeitungsparameter hängt von ihrem Typ ab, wie in den Tabellen 4 bzw. 5 dargestellt. Die Verarbeitungsparameter sind als Strukturarray „proc_para“ organisiert, da es mehrere Schritte enthalten kann. Die Verarbeitungsreihenfolge wird im Array „proc_seq“ aufgezeichnet. Die Verarbeitungsparameter können im Array „proc_para“ durch den Indexeintrag in „proc_seq“ identifiziert werden.

Die Terminologie der Datentypen wird größtenteils von MATLAB (der MAT-Datei) übernommen. Ausnahmen bilden String-Arrays und das Struktur-Array der Verarbeitungsparameter, die Zell-Arrays in der MAT-Datei entsprechen. Für die JSON-Datei wird die Struktur als Wörterbuch definiert und alle Arten von Arrays werden als Listen definiert. Die FatigueData-AM2022-Datenbank48 ist ebenfalls in eine EXCEL-Datei komprimiert, einschließlich 4 Arbeitsblättern. Die Arbeitsblätter „S-N“, „e-N“ und „dadn“ speichern SN-, ε-N- bzw. da/dN-ΔK-Daten. In diesen drei Arbeitsblättern speichert jede Zeile den Index eines Ermüdungsdatensatzes und einen Datendeskriptor (S/ε, N und das Auslaufkennzeichen für „S-N“/„e-N“, da/dN und ΔK für 'Papa'). Die nach Farbe extrahierten da/dN-ΔK-Daten speichern alle übereinstimmenden Pixel. Die Anzahl der Datenpunkte überschreitet die von EXCEL maximal zulässige Anzahl von Zeilen (1.048.576). Als Ergebnis werden aus jedem Datensatz 500 Datenpunkte abgetastet und dann aufgezeichnet. Im 4. Arbeitsblatt „Parameter“ speichert jede Zeile den Index eines Ermüdungsdatensatzes und dessen Inhalt. Jede Spalte entspricht einem Dateneintrag. Die Daten im Arbeitsblatt „Parameter“ sind über den Index der Ermüdungsdatensätze mit den anderen drei verknüpft.

Mit der oben skizzierten Datenbankstruktur werden hier die Dateneingaben im Detail erläutert. Das Array „Ermüdungsdaten“ speichert N oder ΔK in der ersten Spalte und die Werte von σa, εa oder da/dN in der zweiten Spalte. εa steht für die Amplitude der Gesamtdehnung einschließlich der elastischen bzw. plastischen Anteile. In der dritten Spalte wird das Auslaufflag für SN- und ε-N-Daten gespeichert, wobei „1“ angibt, dass der Test vor dem Ausfall (Auslaufen) stoppt und „0“ einen Ausfall angibt. Die Ermüdungslebensdauer und die FCG-Rate hängen empfindlich von der Materialanisotropie ab. In dieser Arbeit wird die Richtung der Proben anhand eines Winkels zwischen der Bauplattform in AM und der Belastungsrichtung51 gemessen. Der Größeneffekt von AM-Proben könnte aufgrund der begrenzten Genauigkeit des Drucks, des Vorhandenseins von Fehlern und der Eigenspannung erheblich sein52,53,54. Die Größe des kritischen Querschnitts speichert den Durchmesser für Proben mit kreisförmigem Querschnitt, den Außen- und Innendurchmesser für Proben mit ringförmigem Querschnitt und die Breite und Dicke für diese rechteckigen Querschnitte. Die Formen der Querschnitte werden in der Probenbeschreibung ('spec_desc') hinterlegt. In den numerischen Arrays anderer Dateneinträge steht ein einzelner Wert für einen bestimmten Wert oder den Mittelwert und zwei Werte für die Unter- bzw. Obergrenze.

Um den Vergleich zwischen String-Daten zu erleichtern, wird eine einheitliche Nomenklatur für Dateneinträge wie AM-Typen, Materialien, Maschinen, Zugehörigkeiten und Finanzierungsagenturen verwendet. 98 % der AM-Typen können in vier Kategorien eingeteilt werden: Laser-Pulverbettfusion (L-PBF), Elektronenstrahl-Pulverbettfusion (E-PBF), pulverbasierte gerichtete Energieabscheidung (P-DED) und drahtbasiert gerichtete Energiedeposition (W-DED). Andere AM-Typen werden mit ihren Namen erfasst, z. B. Binder Jetting und Metal Extrusion. Der Standard-Rohstofftyp ist „Pulver“ für L-PBF, E-PBF und P-DED und „Draht“ für W-DED.

In unserer Datenbank werden Dateneinträge, die nicht explizit gemeldet werden, als leere Arrays (MAT), Listen (JSON), Zeichenfolgen (MAT und JSON) oder Zellen (EXCEL) aufgezeichnet. „As-built“ wird der Oberflächenbehandlung zugewiesen, „NHT“ wird der Wärmebehandlung zugewiesen und „25 °C“ wird der Vorwärmtemperatur zugewiesen, wenn sie nicht angewendet werden (NA). Wir gehen außerdem davon aus, dass die Tests einachsig sind und in einer Umgebung (25 °C, Luft) mit einem Spannungskonzentrationsfaktor Kt = 1 durchgeführt werden, sofern nicht anders angegeben. Die Standardlaststeuerung ist „Kraft“ für SN, „Dehnung“ für ε-N, „Last“ für da/dN-ΔK und „Verschiebung“ für Ermüdung bei sehr hoher Lastspielzahl (VHCF), unabhängig vom Datentyp. Es wird empfohlen, optionale Verfahren oder Einstellungen in der Meldung von Ermüdungsdaten als NA anzugeben, sofern dies nicht ausdrücklich angegeben ist.

Zusammenfassend deckt die Datenbank FatigueData-AM202248 insgesamt 116 Arten von AM-Legierungen ab. 459 Artikel berichten über 1.610 SN-Datensätze mit 15.146 Datenpunkten, 79 Artikel berichten über 236 ε-N-Datensätze mit 1.840 Datenpunkten und 135 Artikel berichten über 614 da/dN-ΔK-Datensätze (Abb. 4). 65 % der Daten sind SN-Daten, die zur Messung der Ermüdungslebensdauer im HCF-Bereich und für die sichere Lebensdauerbemessung verwendet werden55,56,57. Kritische Komponenten in der Luft- und Raumfahrt- und Energieindustrie unter rauen Bedingungen erfordern ebenfalls ε-N- und da/dN-ΔK-Daten.

Die Leistungsmetriken der Abbildungs-, Tabellen- und Textverarbeitung zeigen, dass die F1-Werte der automatisierten Extraktion bei ~60–90 % liegen (Tabelle 2). Alle Datensätze werden manuell überprüft und korrigiert, um eine qualitativ hochwertige Datenbank zu erstellen. Die anschließende Prüfung von 50 zufällig ausgewählten Artikeln ergab eine Verbesserung der Präzision auf >98 %.

Eines der praktischen Probleme beim Extrahieren von Daten aus Figuren ist die Verzerrung von Symbolen und Achsenstricheln nach der Pixelierung, die es schwierig macht, die Positionen von Schwerpunkten mit hoher Genauigkeit zu bestimmen. Der Vergleich der SN- und ε-N-Daten aus den Abbildungen und denen aus den Tabellen (falls beide veröffentlicht wurden) zeigt Inkonsistenzen in weniger als 5 % der 40 Artikel aufgrund der Unsicherheiten bei der Lokalisierung der Datenpunkte. Die Anpassungsparameter von Daten mit Gl. 8 werden mit den in Artikeln angegebenen Werten verglichen und weisen ebenfalls eine Inkonsistenz von <5 % auf.

Repräsentative Daten und ihre Statistiken sind zur Veranschaulichung in Abb. 5 dargestellt und die Qualität der Daten wird anhand des Domänenwissens bewertet. SN-Daten für die vier am häufigsten genannten AM-Legierungen (Ti-6Al-4V, 316 L, AlSi10Mg und IN718) sind in Abb. 5a enthalten und die Ermüdungslebensdauer nimmt mit zunehmender Spannungsamplitude ab. Die Dauerfestigkeit der Legierungen Ti-6Al-4V und IN718 ist überlegen, gefolgt von 316 L und AlSi10Mg (Abb. 5a). Die Statistik der Materialien, AM-Typen und Oberflächenbehandlung der SN-Datensätze ist in Abb. 5b zusammengefasst. Ti-6Al-4V belegt 90 % der Daten für AM-Titanlegierungen und IN718 belegt 77 % für AM-Nickellegierungen. Der hohe Anteil der Berufe ist auf ihre Dominanz bei herkömmlichen Titan- und Nickellegierungen für hohe Festigkeit und ausgereifte Herstellungsverfahren zurückzuführen58,59. Obwohl AlSi10Mg bei herkömmlichen Aluminiumlegierungen nicht sehr beliebt ist, macht es aufgrund seiner guten Druckbarkeit 66 % der AM-Aluminiumlegierungen aus60. 316 L macht nur 43 % der AM-Stähle aus, aber auch andere Typen nehmen einen Anteil ein, was die Vielfalt der Einsatzmöglichkeiten von Stählen verdeutlicht61. Es ist anzumerken, dass die meisten Ermüdungsproben mit PBF hergestellt werden, insbesondere mit L-PBF (83 %), der ausgereiftesten und kommerzialisierten AM-Technik (Abb. 5b)61. Der schichtweise Druckprozess und die Ungleichgewichtsnatur von AM können zu einer schlechten Oberflächenqualität führen, wofür die SN-Daten anfällig sind. Es werden verschiedene Arten der Oberflächenbehandlung untersucht (Abb. 5b).

Repräsentative Daten. (a) Repräsentative SN-Datensätze der vier wichtigsten AM-Legierungen, Ti-6Al-4V, IN718, 316 L und AlSi10Mg. (b) Statistik der AM-Legierungen, die für die SN-Daten untersucht wurden. Auf der x-Achse ist das Hauptelement der Legierungen bzw. deren Typen markiert. „MPEA“ bezeichnet Legierungen mit mehreren Hauptelementen. „Hybrid“ bezeichnet hybride oder abgestufte Materialien. Der Einschub zeigt Kreisdiagramme der AM-Typen und Oberflächenbedingungen, wobei „PBF“ die Pulverbettfusion, „L-PBF“ die Laser-PBF, „E-PBF“ die Elektronenstrahl-PBF und „DED“ die gerichtete Energieabscheidung bezeichnet. Repräsentative (c) ε-N- und (d) da/dN-ΔK-Daten der wichtigsten AM-Legierungen.

Repräsentative ε-N- und da/dN-ΔK-Daten sind in Abb. 5c, d dargestellt. Die Ermüdungslebensdauer nimmt mit zunehmender Dehnungsamplitude ab (Abb. 5c) und die FCG-Rate steigt mit dem SIF-Bereich (Abb. 5d). Die Qualität der Daten wird weiter anhand des Zusammenhangs zwischen Ermüdungsdaten und anderen Eigenschaften der Legierungen beurteilt, was hier am Beispiel der SN-Daten demonstriert wird. Der Zusammenhang zwischen Ermüdungsfestigkeit (σf) und UTS (σu) sowie die Auswirkungen von Belastungs- und Verarbeitungsbedingungen sind für herkömmliche Legierungen gut bekannt2,62,63. Abb. 6a bestätigt die positive Korrelation zwischen σf und σu, d. h. ein hoher σu weist auf eine hohe Ermüdungsbeständigkeit hin, indem die Schadensanhäufung unterdrückt wird. Das Verhältnis zwischen σf und σu (0,2–0,7) für AM-Legierungen liegt nahe an dem für herkömmliche Legierungen (0,25–0,65)2.

Datenvalidierung. (a) Beziehung zwischen der nach 106 Zyklen gemessenen Ermüdungsfestigkeit, σf, und der Zugfestigkeit (UTS), σu. Die Referenzen σf = 0,2σu und σf = 0,7σu werden als gestrichelte Linien hinzugefügt. (b) Die Auswirkung des Spannungsverhältnisses R auf die SN-Beziehungen von AM Ti-6Al-4V.

SN-Tests werden üblicherweise bei bestimmten Spannungsverhältnissen Rσ durchgeführt, was den Effekt der Mittelspannung σm = (σmax + σmin)/2 hervorrufen könnte. Der Zusammenhang zwischen Rσ und σm lässt sich aus Gl. 5, also \({R}_{\sigma }=1-\frac{2{\sigma }_{{\rm{a}}}}{{\sigma }_{{\rm{m}} }+{\sigma }_{{\rm{a}}}}\). Abbildung 6b zeigt die Leistung von AM Ti-6Al-4V, getestet unter Rσ = −1 (σm = 0) und 0,1 (σm = 0,55σmax). Die mittlere Zugspannung verschlechtert die Ermüdungsfestigkeit selbst bei starker Datenstreuung, was auch mit dem Domänenwissen konventioneller Legierungen übereinstimmt.

Es gibt Einschränkungen bei der Anwendung von Ermüdungsdatenbanken, die aus offenen Quellen erstellt wurden, im Vergleich zu den Datensätzen, die von maßgeblichen Institutionen veröffentlicht wurden. Neben der Vielfalt bei der Materialherstellung, der Probenvorbereitung und der Oberflächenveredelung der Proben führen auch die Inkompatibilität der Prüfstandards und die Unvollständigkeit der Aufzeichnungen zu Schwierigkeiten bei der Verbesserung der Datenqualität sowie der Integration in maßgebliche Datenbanken oder neue Daten in der Literatur berichtet. Es wird ein Bewertungssystem für die Daten eingeführt, die bei der Bemessung der strukturellen Integrität verwendet werden sollen. Den Dateneinträgen können Gewichtungen entsprechend dem Domänenwissen oder ihrer Kovarianz mit Ermüdungsdaten zugewiesen werden. Zusätzliche Messgrößen wie die Anzahl der Ermüdungsdaten47, die Anzahl der Zitierungen der Veröffentlichung und die Genauigkeit der Datenextraktion könnten ebenfalls eingeführt werden. Für jeden Ermüdungsdatensatz wird ein Bewertungswert zwischen 0 und 1 als gewichtete Summe nicht leerer Einträge berechnet. Der Bewertungsalgorithmus ist subjektiv und wir überlassen diese Arbeit den Datennutzern. Der Einfachheit halber gehen wir hier von gleichen Gewichtungen für alle Einträge aus (Abb. 7a). Oberflächen- und Wärmebehandlung (einschließlich HIP und NHT) werden als zwei separate Eingaben von Verarbeitungsparametern betrachtet. Wir stellen fest, dass die meisten Datensätze mit Werten zwischen 0,5 und 0,9 bewertet werden, da nicht alle Dateneinträge dokumentiert sind. 87 % der Datensätze weisen Werte über 0,6 auf, die wesentliche Informationen wie Materialtypen, AM-Typen und Ermüdungstests enthalten. Die Füllraten (FRs) der über alle Datensätze gezählten Dateneinträge messen die Qualität der Datenbank (Abb. 7b), die angesichts der Vielfalt der Datenquellen voraussichtlich nicht hoch sein dürfte. Die Materialtypen (z. B. Ti-6Al-4V, IN718), AM (z. B. PBF, DED), Ermüdungstests (z. B. einachsig, Biegung) und Lastverhältnisse sind wichtige Informationen und werden in den meisten AM-Ermüdungsartikeln bereitgestellt. Bei den Dateneinträgen im Zusammenhang mit AM und Verarbeitung liegen die FRs der AM-Maschine, der Schichtdicke, der Richtung der Proben, der Wärmebehandlung und der Oberflächenbehandlung über 70 %, während andere Einträge weniger gefüllt sind. Bei Ermüdungstests gaben 80 % der Artikel die Belastungshäufigkeit an, da diese in der Praxis um vier Größenordnungen variieren kann. Die Auswirkungen der Frequenz könnten erheblich sein, da der Erwärmungseffekt beispielsweise durch plastische Dissipation bei LCF oder Vibration bei VHCF entsteht. Darüber hinaus ist die Dehnungsrate proportional zur Frequenz, für die die Schadensprozesse anfällig sein könnten, und in einer korrosiven Umgebung ist die Materialdegradation ebenfalls geschwindigkeitsabhängig64,65. Überraschenderweise berichteten nur 40 % der Artikel über den Standard der Ermüdungstests, denen sie folgten. Unter Berücksichtigung der Variationen in Mikrostrukturen und (im Bauzustand) Oberflächenzuständen sollte die Umsetzung traditioneller Ermüdungsteststandards für die AM-Ermüdungsforschung bewertet werden66. Auch neue Probenentwürfe, z. B. in Miniaturausführung67, und Prüftechniken wie VHCF sind einer weiteren Diskussion wert. Die FRs der statischen mechanischen Eigenschaften betragen nicht mehr als 50 %, da die Datenstreuung nicht hoch ist.

Datenqualität gemessen anhand von Bewertungswerten und Ausführungsraten. (a) Das Histogramm der Bewertungswerte für die Ermüdungsdatensätze, wobei alle Dateneinträge gleich gewichtet sind. (b) Die Füllraten (FRs) der Materialtypen, AM-Parameter, Verarbeitung, Prüfung und statische mechanische Eigenschaften. (c) Die einheitliche Sprache der Ermüdungsdaten (ULFD).

Unsere Ergebnisse unterstreichen die Notwendigkeit von Standards für AM-Ermüdungstests sowie von Normen für die Berichterstattung von Daten in Fachzeitschriften, Konferenzberichten und technischen Berichten, die für die Entwicklung hochwertiger Datenbanken und datenzentrierter Forschung von entscheidender Bedeutung sind. Hier wird eine einheitliche Sprache für Ermüdungsdaten (ULFD) gemäß verwandten Standards für AM, Verarbeitung und Prüfung vorgeschlagen68. Die aktuelle Datenbank kann mit dem ULFD exportiert werden (Abb. 7c), das nicht nur den Arbeitsablauf der Datenbankkonstruktion beschreibt, sondern auch die Datenanalyse und experimentelle Planung leitet.

Bei der Analyse der in der Literatur angegebenen Ermüdungsdaten sollten Datenstreuung und Systemabweichung beachtet werden. Beispielsweise ist die Ermüdungsfestigkeit von AM Ti-6Al-4V nicht nur schlechter als die seines herkömmlichen Gegenstücks, wie in der NIMS-Datenbank angegeben, sondern weist auch eine größere Streuung auf (Abb. 8a). Ein Vergleich mit den MMPDS-Daten führt zu derselben Schlussfolgerung. Um den Grad der Streuung zu quantifizieren, wird die logarithmische Wahrscheinlichkeitsdichtefunktion \({p}_{{\rm{f}}}\left(x\right)=\frac{1}{s\sqrt{2\pi }}\exp \left[-\frac{1}{2}{\left(\frac{ln(x)-\mu }{s}\right)}^{2}\right]\) wird angenommen und angepasst mit Gl. 9, um den Mittelwert μ und die Varianz s der Ermüdungsfestigkeit nach 106 Zyklen zu berechnen (Abb. 8b). Die Werte von s für die Datensätze reichen von 1,6 × 10−4 bis 45,1 × 10−4, wobei die meisten davon höher sind als die Werte in der NIMS 1100-Klasse (3,1 × 10−4) und 900-Klasse für Ti-6Al-4V ( 1,7 × 10−4). AM-Daten sind unabhängig von der Materialart stärker verstreut als die NIMS-Daten, was auf die Vielfalt der Materialmikrostrukturen einschließlich der Defekte zurückzuführen ist. Die Optimierung von AM-Parametern oder Nachbearbeitungsverfahren könnte die Streuung der Ermüdungsleistung verringern und kritische Anwendungen besser bedienen. Auch wenn die in der Literatur gesammelten AM-Daten im Vergleich zu maßgeblichen Datenbanken verstreuter sind, liefern sie dennoch wichtige Einblicke in die Materialeigenschaften und Richtlinien für die Ermüdungskonstruktion (Abb. 5).

Datenstreuung und Systemabweichung. (a) Der Vergleich zwischen den SN-Daten von AM-Legierungen aus der Literatur und den NIMS-Daten, die für Ti-6Al-4V unter dem Spannungsverhältnis R = −1 veröffentlicht wurden. „Klasse 1100“ gibt an, dass die UTS auf dem Niveau von 1100 MPa liegt, und „Klasse 900“ gibt 900 MPa an. (b) Die Wahrscheinlichkeitsdichtefunktion pf der Ermüdungsfestigkeit σf nach 106 Zyklen für Datensätze in (a), normalisiert durch die Maxima. Die NIMS-Daten werden im oberen Bereich und die AM-Daten im unteren Bereich angezeigt. Bei den AM-Daten zeigen Linien die aus unabhängigen Datensätzen angepassten Daten an, und der schattierte Bereich sammelt alle Daten. (c) Der Vergleich zwischen den SN-Daten für wärmebehandelte (HT) und heißisostatisch gepresste (HIP) Ti-6Al-4V-Legierungen. Die Datensätze werden in (d) entsprechend den Referenzdaten (Gl. 11) skaliert.

Zusätzlich zur Datenstreuung zeigt Abb. 8b, dass zwischen Ermüdungsdaten aus verschiedenen Studien eine Systemabweichung besteht. Beispielsweise ist heißisostatisches Pressen (HIP) ein wirksames Hochdruck- und Hochtemperaturverfahren zur Reduzierung interner (poröser) Defekte in Legierungen, das deren HCF-Leistung durch Unterdrückung der Rissbildung verbessert. Die Auswirkung von HIP auf die Ermüdungsleistung wird mit der einer gewöhnlichen Wärmebehandlung verglichen, die bei niedrigeren Temperaturen ohne Druckbeaufschlagung durchgeführt wird (Abb. 8c). Die beiden Datensätze können kaum unterschieden werden, nicht nur aufgrund der Datenstreuung, sondern auch aufgrund der Systemabweichung aufgrund von Unterschieden bei der Probenvorbereitung und den Testverfahren. Um dieses Problem zu beheben, wird einer der veröffentlichten HIP-Ermüdungsdaten als Referenz ausgewählt. Alle HIP-Ermüdungsdaten werden dann mit der Basquin-Gleichung (Gleichung 9) angepasst und auf die Referenz skaliert. Der Skalierungsfaktor für σa bei bestimmten Zyklen N wird berechnet als:

wobei das hochgestellte „ref“ die Referenzdaten bezeichnet. Die Wärmebehandlungsdaten (HT) werden dann mit dem Wert von α für die in denselben Artikeln angegebenen HIP-Daten skaliert, d. h. \({\sigma }_{{\rm{a}}}^{{\rm{ HT}},{\rm{scaled}}}=\alpha {\sigma }_{{\rm{a}}}^{{\rm{HT}}}\). Die Ergebnisse zeigen deutlich, dass HIP HT bei der Verbesserung der HCF-Leistung übertrifft, wobei die Ermüdungslebensdauer durch die Rissinitiierung gesteuert wird (Abb. 8d). Allerdings scheint HT für LCF (N < 104) überlegen zu sein, wo plastische Verformung entscheidend ist. Dies kann durch den Prozess der Kornvergröberung im HIP erklärt werden, der die Widerstandsfähigkeit von Legierungen gegenüber plastischer Verformung schwächt69.

Unsere Datenbank bildet die Grundlage für die datengesteuerte Materialprüfung und Lebensdauerabschätzung von AM-Komponenten und bietet kostengünstige Lösungen für das technische Design. Die kritische Analyse der Einträge in der Datenbank bietet wichtige Erkenntnisse für das technische Roadmapping70, das die Investitionsstrategie in Forschung und Entwicklung optimieren könnte. Unsere Datenbank kann auch als Trainingsdatensatz für NLP-, ML- und CV-Modelle dienen, um die Leistung von Modellvorhersagen zu verbessern. Darüber hinaus kann der aktuelle Ansatz auf weitere Informationen zu AM-Legierungen und Ermüdungsdaten anderer Legierungen ausgeweitet werden. Das Extrahieren von Daten aus früherer Literatur für konventionelle Legierungen könnte jedoch unter Schwierigkeiten bei der Verarbeitung bildbasierter PDFs leiden, bei denen sowohl Text als auch Abbildungen/Tabellen von schlechter Qualität und schwer zu extrahieren sind. Zukünftige Arbeiten werden sich auf die Verbesserung des Automatisierungsgrads des aktuellen Arbeitsablaufs und die Lösung der Probleme beim Parsen früher Dokumente konzentrieren.

Die zum Extrahieren von Informationen aus Abbildungen, Tabellen und Texten verwendeten Skripte basieren hauptsächlich auf Open-Source-Codes wie ChemDataExtractor 2.043, Table Extractor39 bzw. Simple Transformer (https://simpletransformers.ai/). Die internen Skripte zur Datenextraktion und -analyse werden im GitHub-Repository (https://github.com/xuzpgroup/ZianZhang/tree/main/FatigueData-AM2022) öffentlich veröffentlicht und können unter Beachtung des aktuellen Artikels und unten verwendet werden die MIT-Lizenz71. Diese Skripte enthalten eine detaillierte Schritt-für-Schritt-Anleitung zum Laden und Analysieren des Datensatzes im Repository.

Suresh, S. Materialermüdung (Cambridge University Press, 1998).

Stephens, RI, Fatemi, A., Stephens, RR & Fuchs, HO Metal Fatigue in Engineering (John Wiley & Sons, 2000).

Agrawal, A. et al. Erforschung datenwissenschaftlicher Techniken zur Vorhersage der Ermüdungsfestigkeit von Stahl anhand von Zusammensetzungs- und Verarbeitungsparametern. Integr. Mater. Hersteller Innov. 3, 90–108 (2014).

Artikel Google Scholar

Yaghoobi, M. et al. PRISMS-Ermüdungsberechnungsrahmen für die Ermüdungsanalyse in polykristallinen Metallen und Legierungen. npj-Berechnung. Mater. 7, 38 (2021).

Artikel ADS CAS Google Scholar

Battelle Memorial Institute. Entwicklung und Standardisierung der Eigenschaften metallischer Werkstoffe (MMPDS-17) (Battelle Memorial Institute, 2022).

Furuya, Y., Nishikawa, H., Hirukawa, H., Nagashima, N. & Takeuchi, E. Katalog der NIMS-Ermüdungsdatenblätter. Wissenschaft. Technol. Adv. Mater. 20, 1055–1072 (2019).

Artikel PubMed PubMed Central Google Scholar

Kononova, O. et al. Chancen und Herausforderungen des Text Mining in der Materialforschung. iScience 24, 102155 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Herzog, D., Seyda, V., Wycisk, E. & Emmelmann, C. Additive Fertigung von Metallen. Acta Mater. 117, 371–392 (2016).

Artikel ADS CAS Google Scholar

Nadammal, N. et al. Entscheidende Rolle von Scan-Strategien für die Entwicklung von Mikrostruktur, Textur und Eigenspannungen während der additiven Fertigung durch Laser-Pulverbettschmelzen. Zusatz. Hersteller 38, 101792 (2021).

CAS Google Scholar

Li, Y., Liang, X., Yu, Y., Wang, D. & Lin, F. Übersicht über die additive Fertigung einkristalliner Superlegierungen auf Nickelbasis. Kinn. J. Mech. Eng.: Addit. Hersteller Vorderseite. 1, 100019 (2022).

Google Scholar

Sanaei, N. & Fatemi, A. Defekte in additiv gefertigten Metallen und ihre Auswirkung auf die Ermüdungsleistung: Ein Überblick über den neuesten Stand der Technik. Prog. Mater. Wissenschaft. 117, 100724 (2021).

Artikel CAS Google Scholar

Shao, S., Khonsari, MM, Guo, S., Meng, WJ & Li, N. Überblick: Die additive Fertigung ermöglichte ein beschleunigtes Design von Ni-basierten Legierungen für eine verbesserte Ermüdungslebensdauer. Zusatz. Hersteller 29, 100779 (2019).

CAS Google Scholar

Zhao, L. et al. Übersicht über den Zusammenhang zwischen Mikrostruktur und mechanischer Leistung beim Laser-Pulverbettschmelzen AlSi10Mg. Zusatz. Hersteller 56, 102914 (2022).

CAS Google Scholar

Molaei, R. et al. Ermüdung von additiv gefertigtem Ti-6Al-4V, Teil II: Die Beziehung zwischen Mikrostruktur, zyklischen Materialeigenschaften und Komponentenleistung. Int. J. Fatigue 132, 105363 (2020).

Artikel CAS Google Scholar

Cao, M., Liu, Y. & Dunne, FP Ein Kristallplastizitätsansatz zum Verständnis der Ermüdungsreaktion in Bezug auf Poren in additiv gefertigten Aluminiumlegierungen. Int. J. Fatigue 161, 106917 (2022).

Artikel CAS Google Scholar

Zhan, Z. & Li, H. Auf maschinellem Lernen basierende Vorhersage der Ermüdungslebensdauer mit Auswirkungen additiver Fertigungsprozessparameter für gedruckten SS 316L. Int. J. Fatigue 142, 105941 (2021).

Artikel CAS Google Scholar

Maleki, E. et al. Zur Effizienz des maschinellen Lernens zur Ermüdungsbewertung von nachbearbeitetem additiv gefertigtem AlSi10Mg. Int. J. Fatigue 160, 106841 (2022).

Artikel CAS Google Scholar

Li, P., Warner, D., Fatemi, A. & Phan, N. Kritische Bewertung der Ermüdungsleistung von additiv gefertigtem Ti-6Al-4V und Perspektive für zukünftige Forschung. Int. J. Fatigue 85, 130–143 (2016).

Artikel CAS Google Scholar

Chern, AH et al. Ein Überblick über das Ermüdungsverhalten von Ti-6Al-4V, hergestellt durch additive Fertigung durch Elektronenstrahlschmelzen. Int. J. Fatigue 119, 173–184 (2019).

Artikel CAS Google Scholar

Afkhami, S., Dabiri, M., Piili, H. & Björk, T. Auswirkungen von Herstellungsparametern und mechanischer Nachbearbeitung auf Edelstahl 316L, verarbeitet durch Laser-Pulverbettschmelzen. Mater. Wissenschaft. Eng., A 802, 140660 (2021).

Artikel CAS Google Scholar

Lesperance, Ermüdungsfraktion. Ing. Mater. Struktur. 44, 876–884 (2021).

Artikel CAS Google Scholar

UNESCO. UNESCO-Empfehlung zu Open Science https://doi.org/10.54677/MNMH8546 (2021).

Woelfle, M., Olliaro, P. & Todd, MH Open Science ist ein Forschungsbeschleuniger. Nat. Chem. 3, 745–748 (2011).

Artikel CAS PubMed Google Scholar

Kononova, O. et al. Textbasierter Datensatz mit Syntheserezepten für anorganische Materialien. Wissenschaft. Daten 6, 203 (2019).

Artikel PubMed PubMed Central Google Scholar

Court, CJ & Cole, JM Automatisch generierte Materialdatenbank der Curie- und Néel-Temperaturen durch halbüberwachte Beziehungsextraktion. Wissenschaft. Daten 5, 180111 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Kumar, P., Kabra, S. & Cole, JM Automatische Generierung von Datenbanken für Streckgrenze und Korngröße mit ChemDataExtractor. Wissenschaft. Daten 9, 292 (2022).

Artikel CAS PubMed Central Google Scholar

Chen, S. et al. Ermüdungsdatensatz von Legierungen mit hoher Entropie. Wissenschaft. Daten 9, 381 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Fortunato, S. et al. Wissenschaft der Wissenschaft. Wissenschaft 359, eaao0185 (2018).

Artikel PubMed PubMed Central Google Scholar

ISO/ASTM 52900:2015. Additive Fertigung – Allgemeine Grundsätze – Terminologie (ISO/ASTM International, 2015).

ASTM F3413–19. Leitfaden für additive Fertigung – designgesteuerte Energieabscheidung (ASTM International, 2019).

Thompson, SM, Bian, L., Shamsaei, N. & Yadollahi, A. Ein Überblick über Direct Laser Deposition für die additive Fertigung; Teil I: Transportphänomene, Modellierung und Diagnostik. Zusatz. Hersteller 8, 36–62 (2015).

Google Scholar

Gu, DD, Meiners, W., Wissenbach, K. & Poprawe, R. Laseradditive Fertigung metallischer Komponenten: Materialien, Prozesse und Mechanismen. Int. Mater. Rev. 57, 133–164 (2012).

Artikel CAS Google Scholar

Frazier, WE Metalladditive Fertigung: Ein Rückblick. J. Mater. Ing. Ausführen. 23, 1917–1928 (2014).

Artikel CAS Google Scholar

Murr, LE et al. Metallherstellung durch additive Fertigung unter Verwendung von Laser- und Elektronenstrahlschmelztechnologien. J. Mater. Wissenschaft. Technol. 28, 1–14 (2012).

Artikel CAS Google Scholar

Suwanpreecha, C. & Manonukul, A. Ein Überblick über die additive Fertigung von Metall durch Materialextrusion und deren Vergleich mit dem Metallspritzguss. Metalle 12, 429 (2022).

Artikel CAS Google Scholar

Liu, Y. et al. RoBERTa: Ein robust optimierter BERT-Pretraining-Ansatz. Vorabdruck unter https://arxiv.org/abs/1907.11692 (2019).

Kim, E. et al. Maschinell erlernte und kodifizierte Syntheseparameter von Oxidmaterialien. Wissenschaft. Daten 4, 170127 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Berchmans, D. & Kumar, S. Optische Zeichenerkennung: Ein Überblick und ein Einblick. 2014 Int. Konf. zu Steuerung, Instrumentierung, Kommunikation. Berechnen. Technol., 1361–1365 (2014).

Jensen, Z. et al. Ein maschineller Lernansatz zur Zeolithsynthese, der durch automatische Extraktion von Literaturdaten ermöglicht wird. ACS Cent. Wissenschaft. 5, 892–899 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Zhu, M. & Cole, JM PDFDataExtractor: Ein Tool zum Lesen wissenschaftlicher Texte und zur Interpretation von Metadaten aus der gesetzten Literatur im tragbaren Dokumentformat. J. Chem. Inf. Modell. 62, 1633–1643 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Devlin, J., Chang, MW, Lee, K. & Toutanova, K. BERT: Vortraining tiefer bidirektionaler Transformatoren für das Sprachverständnis. Vorabdruck unter https://arxiv.org/abs/1810.04805 (2018).

Loshchilov, I. & Hutter, F. Entkoppelte Regularisierung des Gewichtsabfalls. Vorabdruck unter https://arxiv.org/abs/1711.05101 (2017).

Mavracic, J., Court, CJ, Isazawa, T., Elliott, SR & Cole, JM ChemDataExtractor 2.0: Automatisch bestückte Ontologien für die Materialwissenschaft. J. Chem. Inf. Modell. 61, 4280–4289 (2021).

Artikel CAS PubMed Google Scholar

Brown, T. et al. Sprachmodelle sind Wenig-Schuss-Lernende. Adv. Neuronale Inf. Verfahren. Syst. 33, 1877–1901 (2020).

Google Scholar

Dunn, A. et al. Strukturierte Informationsextraktion aus komplexen wissenschaftlichen Texten mit fein abgestimmten großen Sprachmodellen. Vorabdruck unter https://arxiv.org/abs/2212.05238 (2022).

OpenAI. Technischer GPT-4-Bericht. Vorabdruck unter https://arxiv.org/abs/2303.08774 (2023).

ASTM E739–10. Standardpraxis für die statistische Analyse linearer oder linearisierter Spannungs-Lebensdauer- (S–N) und Dehnungs-Lebensdauer- (ε–N) Ermüdungsdaten (ASTM International, 2015).

Zhang, Z. & Xu, Z. Ermüdungsdatenbank additiv gefertigter Legierungen. Feigenaktie. https://doi.org/10.6084/m9.figshare.22337629 (2023).

Li, P., Warner, D. & Phan, N. Vorhersage der Ermüdungsleistung einer additiv gefertigten Ti-6Al-4V-Komponente anhand des Verhaltens von Zeugenproben. Zusatz. Hersteller 35, 101230 (2020).

CAS Google Scholar

Gu, D. et al. Material-Struktur-Leistung integrierte Laser-Metall-Additive Fertigung. Wissenschaft 372, eabg1487 (2021).

Artikel CAS PubMed Google Scholar

Xu, Z., Liu, A. & Wang, X. Ermüdungsverhalten und Rissausbreitungsverhalten von selektiv lasergeschmolzenem AlSi10Mg in den Baurichtungen 0°, 15°, 45° und 90°. Mater. Wissenschaft. Eng., A 812, 141141 (2021).

Artikel CAS Google Scholar

Murchio, S. et al. Additiv gefertigte dünne Ti-6Al-4V-Streben mittels Laser-Pulverbettschmelzen: Einfluss der Gebäudeausrichtung auf geometrische Genauigkeit und mechanische Eigenschaften. J. Mech. Verhalten. Biomed. Mater. 119, 104495 (2021).

Artikel CAS PubMed Google Scholar

Li, P. et al. Zur Vorhersage von Unterschieden in der Ermüdungsleistung von laserpulvergeschmolzenen Ti-6Al-4V-Coupons desselben Aufbaus. Int. J. Fatigue 126, 284–296 (2019).

Artikel CAS Google Scholar

Levkulich, N. et al. Die Auswirkung von Prozessparametern auf die Eigenspannungsentwicklung und den Verzug beim Laser-Pulverbettschmelzen von Ti-6Al-4V. Zusatz. Hersteller 28, 475–484 (2019).

CAS Google Scholar

Forschungskuratorium Maschinenbau (FKM). FKM-Guideline: Analytical Strength Assessment of Components in Mechanical Engineering (VDMA Verlag, 2003).

EN 1993–1–9. Eurocode 3: Entwurf von Stahlkonstruktionen – Teil 1–9: Ermüdung (Europäisches Komitee für Normung, 2005).

ANSI/ASME B106.1 M–1985. Design of Transmission Shafting (The American Society of Mechanical Engineers, 1985).

Leyens, C. & Peters, M. Titan und Titanlegierungen: Grundlagen und Anwendungen (John Wiley & Sons, 2003).

Paulonis, DF & Schirra, JJ Alloy 718 bei Pratt & Whitney: Historische Perspektive und zukünftige Herausforderungen. Superlegierungen 718, 625, 706 und verschiedene Derivate, 13–23 (2001).

Aboulkhair, NT et al. 3D-Druck von Aluminiumlegierungen: Additive Fertigung von Aluminiumlegierungen mittels selektivem Laserschmelzen. Prog. Mater. Wissenschaft. 106, 100578 (2019).

Artikel CAS Google Scholar

Narasimharaju, SR et al. Ein umfassender Überblick über das Laser-Pulverbettschmelzen von Stählen: Verarbeitung, Mikrostruktur, Defekte und Kontrollmethoden, mechanische Eigenschaften, aktuelle Herausforderungen und zukünftige Trends. J. Manufaktur Verfahren. 75, 375–414 (2022).

Artikel Google Scholar

Liu, R., Zhang, P., Zhang, Z., Wang, B. & Zhang, Z. Ein praktisches Modell für effizientes Design gegen Ermüdung und Auswahl metallischer Materialien: I. Modellbildung und Vorhersage der Ermüdungsfestigkeit. J. Mater. Wissenschaft. Technol. 70, 233–249 (2021).

Artikel Google Scholar

Liu, R., Zhang, P., Zhang, Z., Wang, B. & Zhang, Z. Ein praktisches Modell für effizientes Anti-Ermüdungsdesign und Auswahl metallischer Materialien: II. Parameteranalyse und Verbesserung der Dauerfestigkeit. J. Mater. Wissenschaft. Technol. 70, 250–267 (2021).

Artikel Google Scholar

Tahmasbi, K., Alharthi, F., Webster, G. & Haghshenas, M. Dynamische frequenzabhängige Ermüdungsschäden in Metallen: Eine Übersicht auf dem neuesten Stand der Technik. Kräfte Mech. 10, 100167 (2023).

Artikel Google Scholar

Milne, L., Gorash, Y., Comlekci, T. & MacKenzie, D. Frequenzeffekte bei der Ultraschallermüdungsprüfung (UFT) von Q355B-Baustahl. Procedia-Struktur. Integrität 42, 623–630 (2022).

Artikel Google Scholar

Hrabe, NW et al. Erkenntnisse aus dem NIST/ASTM-Workshop zum mechanischen Verhalten von Komponenten der additiven Fertigung. Advanced Manufacturing Series (NIST AMS), 1–13 (2016).

Nicoletto, G. Glatt- und Kerbermüdungsverhalten von selektiv lasergeschmolzenem Inconel 718 mit fertigen Oberflächen. Int. J. Fatigue 128, 105211 (2019).

Artikel CAS Google Scholar

Wang, Z. et al. ULSA: Einheitliche Sprache der Syntheseaktionen zur Darstellung anorganischer Syntheseprotokolle. Digitale Entdeckung 163, 313–324 (2022).

Artikel Google Scholar

Schijve, J. Ermüdung von Strukturen und Materialien (Springer, 2009).

De Weck, OL Technologie-Roadmapping und -Entwicklung: Ein quantitativer Ansatz für das Technologiemanagement (Springer Nature, 2022).

Saltzer, JH Der Ursprung der „MIT-Lizenz“. IEEE Ann. Hist. Berechnen. 42, 94–98 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Studie wurde von der National Natural Science Foundation of China durch die Zuschüsse 11825203, 11832010, 11921002, 52090032, 12122204 und 11872150 unterstützt.

Tsinghua-Universität, Labor für Angewandte Mechanik und Abteilung für Technische Mechanik, Peking, 100084, China

Zian Zhang & Zhiping Xu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

ZX konzipierte und überwachte die Forschung. ZZ hat die Arbeit ausgeführt. Beide Autoren beteiligten sich an der Diskussion der Ergebnisse und der Erstellung des Manuskripts.

Korrespondenz mit Zhiping Xu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zhang, Z., Xu, Z. Ermüdungsdatenbank additiv gefertigter Legierungen. Sci Data 10, 249 (2023). https://doi.org/10.1038/s41597-023-02150-x

Zitat herunterladen

Eingegangen: 4. Januar 2023

Angenommen: 12. April 2023

Veröffentlicht: 02. Mai 2023

DOI: https://doi.org/10.1038/s41597-023-02150-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Daten (2023)