Base de datos sobre fatiga de aleaciones fabricadas aditivamente

Jun 10, 2023

Datos científicos volumen 10, número de artículo: 249 (2023) Citar este artículo

1593 Accesos

1 Citas

1 altmétrica

Detalles de métricas

La fatiga es un proceso de degradación mecánica que suele evaluarse en base a reglas empíricas y datos experimentales obtenidos de pruebas estandarizadas. Los datos de fatiga de los materiales de ingeniería se reportan comúnmente en SN (la relación tensión-vida), ε-N (la relación deformación-vida) y da/dN-ΔK (la relación entre la tasa de crecimiento de grietas por fatiga y el rango del factor de intensidad de tensión). ) datos. Las propiedades mecánicas estáticas y de fatiga de las aleaciones fabricadas aditivamente (AM), así como los tipos de materiales, los parámetros de AM, el procesamiento y las pruebas, se recopilan de miles de artículos científicos hasta finales de 2022 utilizando procesamiento de lenguaje natural, aprendizaje automático y Técnicas de visión por computadora. Los resultados muestran que el rendimiento de las aleaciones AM podría alcanzar el de las aleaciones convencionales, aunque están presentes la dispersión de los datos y la desviación del sistema. La base de datos (FatigueData-AM2022) está formateada en estructuras compactas, alojada en un repositorio abierto y analizada para mostrar sus patrones y estadísticas. La calidad de los datos recopilados de la literatura se mide definiendo puntuaciones de calificación para los conjuntos de datos informados en estudios individuales y mediante las tasas de cumplimiento de las entradas de datos en todos los conjuntos de datos. La base de datos también sirve como un conjunto de capacitación de alta calidad para el procesamiento de datos utilizando modelos de aprendizaje automático. Se describen los procedimientos de extracción y análisis de datos y las herramientas se hacen públicas. Se sugiere un lenguaje unificado de datos de fatiga para regular la presentación de datos sobre el rendimiento de fatiga de los materiales para facilitar el intercambio de datos y el desarrollo de la ciencia abierta.

La fatiga es un proceso perjudicial de degradación mecánica que experimentan los materiales y componentes estructurales en servicio a largo plazo en, por ejemplo, la industria aeroespacial, la energía nuclear, el petróleo y el gas1. El diseño de la integridad estructural teniendo en cuenta el daño por fatiga se puede realizar en principios de vida segura o tolerancia al daño. En el diseño de vida segura, los defectos no se consideran explícitamente y los productos deben retirarse del servicio después de la vida útil de diseño. La filosofía del diseño se basa en datos experimentales de muestras estándar probadas bajo condiciones de carga específicas, que pueden extenderse a componentes estructurales. En la práctica, los espectros de carga arbitrarios se manejan considerando el daño acumulativo, por ejemplo, utilizando la regla lineal de Miner2. También se pueden incluir los efectos del tamaño de las muestras, la tensión media, la multiaxialidad y el medio ambiente. Los datos de vida-esfuerzo (SN) producidos por pruebas controladas por esfuerzo (controladas por fuerza) y los datos de vida-deformación (ε-N) por pruebas controladas por deformación son los dos conjuntos fundamentales de datos experimentales para el diseño de vida segura, que describen la relación entre el máximo (σmax, εmax) o amplitud (σa, εa) de tensión/deformación y el número de ciclos de carga (N) y se utilizan comúnmente para fatiga de ciclo alto (HCF)/fatiga de ciclo bajo (LCF) diseño, respectivamente (Fig. 1a). En el diseño de tolerancia al daño, se considera que un componente estructural es capaz de soportar fallas (por ejemplo, grietas) de manera segura antes del siguiente punto de inspección, y luego el componente se repara o reemplaza2. El crecimiento de grietas por fatiga (FCG) puede racionalizarse en la teoría de la mecánica de fracturas y evaluarse experimentalmente utilizando muestras de tensión compacta (CT). Por lo tanto, en el monitoreo y mantenimiento de la salud estructural se hace referencia a la dependencia de la tasa de FCG (da / dN) del rango del factor de intensidad de estrés (SIF) (ΔK) (Fig. 1a). Los datos SN, ε-N y da/dN-ΔK ofrecen medidas estándar para la degradación de la resistencia mecánica bajo cargas cíclicas, lo cual es una característica única que puede explotarse en la investigación centrada en datos.

Diseño de integridad estructural de componentes estructurales de fabricación aditiva (AM) utilizando datos de fatiga de pruebas estandarizadas. (a) Condiciones de carga representativas, tipos de especímenes y datos obtenidos de ensayos de fatiga. (b) Procedimientos y parámetros de AM ilustrados mediante la técnica de fusión láser en lecho de polvo (L-PBF).

En comparación con el módulo de Young y la resistencia a la tracción, el comportamiento a la fatiga de los materiales es susceptible a sus microestructuras, condiciones de la superficie, así como a las condiciones ambientales y de carga2,3. El proceso de fatiga implica una evolución microestructural desde escalas nano y micro hasta escalas estructurales, y la predicción teórica del rendimiento sigue siendo un desafío4. Por tanto, las bases de datos de fatiga adquieren una importancia crucial para el diseño estructural. El inicio del Programa de Integridad Estructural de Aeronaves (ASIP) en la década de 1950 condujo a un gran éxito en la prevención de fallas catastróficas y la prolongación de la vida útil de los componentes estructurales. Sin embargo, sólo unas pocas bases de datos se hacen públicas, generalmente por parte de instituciones de investigación autorizadas para aleaciones convencionales, y están limitadas en tipos de materiales y número de registros de datos. Por ejemplo, el manual de Estandarización y Desarrollo de Propiedades de Materiales Metálicos (MMPDS) incluye cifras de 213 SN, 15 ε-N y 39 da/dN-ΔK para 62 tipos de materiales metálicos, que están aceptados para su uso en la Administración Federal de Aviación (FAA). ), el Departamento de Defensa (DoD) y la Administración Nacional de Aeronáutica y del Espacio (NASA)5. La Hoja de Datos de Fatiga del Instituto Nacional de Ciencia de Materiales (NIMS) que comenzó en 1978 en Japón alberga 126 hojas de propiedades de fatiga para 59 tipos de materiales metálicos6.

Las condiciones de prueba y preparación de muestras estandarizadas suprimen la mayoría de las fuentes externas de incertidumbres en los datos de fatiga y retienen gran parte de la correlación entre el rendimiento del material y los tipos de materiales, así como las condiciones ambientales y de carga. Sin embargo, los datos de fatiga reportados todavía muestran un carácter muy disperso de las variaciones en las microestructuras de los materiales. Desde una perspectiva complementaria, el análisis estadístico de esta naturaleza dispersa basado en un gran volumen de datos puede ofrecer información clave sobre el desempeño del material que no se puede alcanzar por otros medios7.

La fabricación aditiva (AM) es una técnica sencilla para fabricar componentes estructurales con flexibilidad en el diseño estructural y beneficios en el costo y el tiempo de entrega8 (Fig. 1b). El control microestructural ofrece una ruta excelente para explorar la relación procesamiento-microestructuras-rendimiento (PMP)9,10. En las últimas décadas, se han realizado importantes esfuerzos para explorar los límites de rendimiento de las aleaciones AM, especialmente en su comportamiento a la fatiga11. Es bien sabido que las condiciones de la superficie, los defectos internos y otras características microestructurales afectan fuertemente el comportamiento a la fatiga de las aleaciones AM, pero la comprensión de la relación PMP sigue siendo en gran medida cualitativa12,13. Se desarrollaron enfoques basados ​​en la física14,15 y el aprendizaje automático (ML)16,17 para resolver este problema, que exige datos de fatiga confiables para la verificación y validación del modelo (V&V). Aunque el volumen de datos es mucho menor que el reportado para aleaciones producidas mediante técnicas convencionales como fundición y forja, se han publicado miles de artículos sobre el comportamiento a la fatiga de las aleaciones AM, que proporcionan un subconjunto completo de datos para el análisis. Estudios recientes recopilaron y analizaron datos de fatiga de AM de aleaciones de AM seleccionadas (por ejemplo, Ti-6Al-4V, AlSi10Mg/AlSi7Mg, 316 L) de la literatura18,19,20,21. Sin embargo, no se publicaron conjuntos de datos para el procesamiento y análisis de datos de seguimiento. Además, la calidad de los resultados resumidos está limitada por el alcance específico de los estudios, y existe la necesidad de estándares o normas para informar el comportamiento de los materiales ante la fatiga.

La ciencia abierta, incluidas las publicaciones, los datos y los recursos relacionados, se ha convertido recientemente en un consenso global para acelerar la investigación científica, promover la colaboración y beneficiar a la comunidad22,23. La digitalización y el desarrollo del acceso abierto ofrecen oportunidades completamente nuevas para estudios centrados en datos basados ​​en datos bibliográficos, que pueden compilarse en bases de datos estructuradas y utilizarse, por ejemplo, en la selección de materiales y el diseño de ingeniería. En comparación con los datos publicados por instituciones autorizadas, los datos abiertos tienen su riqueza en las microestructuras materiales y las condiciones de las pruebas, lo que puede ser útil para obtener más información sobre la correlación PMP. Sin embargo, se espera heterogeneidad de datos al menos en la calidad de las muestras de prueba y el diseño de las pruebas de fatiga, que deben evaluarse para producir registros confiables. Los artículos de revistas, las actas de congresos y los informes técnicos forman un corpus vasto y en continuo crecimiento de información no estructurada, que puede procesarse mediante técnicas de última generación de procesamiento del lenguaje natural (NLP), ML y visión por computadora (CV). Se han observado avances en esta dirección, donde se publicaron bases de datos para recetas de síntesis de materiales24 y propiedades25,26,27.

En este trabajo, recopilamos datos de fatiga y datos relacionados informados para aleaciones de AM, incluidos titanio, níquel, aluminio y acero, de 3415 artículos científicos (hasta finales de 2022). Se utilizan códigos internos y de fuente abierta para la extracción de datos de figuras, tablas y texto. Se describen la descripción de la investigación y los datos SN, ε-N y da/dN-ΔK informados. Para ilustrar el uso de datos, se analiza el comportamiento a la fatiga de las aleaciones AM, lo que ofrece sugerencias para futuras investigaciones y publicaciones de datos más efectivas.

Nuestro flujo de trabajo incluye adquisición de contenido (búsqueda y descarga), extracción de datos (de figuras, tablas y texto) y construcción de bases de datos (Fig. 2). La base de datos contiene metadatos de artículos y datos científicos. Los metadatos incluyen información como autores, agencias de financiación y el año de publicación, que describen la historia del desarrollo, el estado del arte y la ciencia de la ciencia (SciSci)28. Los datos científicos describen el contenido de la investigación, como los tipos de materiales, los parámetros de AM, el procesamiento y las pruebas, la fatiga y las propiedades mecánicas estáticas, y su relación. Los datos científicos de cada artículo están organizados en conjuntos de datos de fatiga separados para los datos SN, ε-N o da/dN-ΔK.

Flujo de trabajo para construir la base de datos de fatiga de aleaciones AM. Los artículos de AM se buscan en Web of Science (WoS) y se accede a ellos a través de sus identificadores de objetos digitales (DOI). Los tipos de materiales, los parámetros de AM, el procesamiento, las pruebas, así como las propiedades mecánicas estáticas y de fatiga se extraen de figuras, tablas y texto, y se estructuran en una base de datos jerárquica.

Los artículos que se centran en la fatiga de AM se identifican en las bases de datos de citas y el texto completo se descarga de los editores. Las palabras clave para la fatiga de AM se resumen y compilan en fórmulas de búsqueda (Tabla 1). En ciencia de materiales o mecánica de materiales, "fatiga" generalmente abarca estudios sobre el comportamiento bajo cargas cíclicas y se utiliza como palabra clave de búsqueda. Para AM se utilizan una serie de sinónimos, ramas y sus abreviaturas, según la terminología encontrada en los estándares de AM29,30 y artículos de revisión31,32,33,34,35. La búsqueda se realiza en la base de datos de citas autorizada, Web of Science Core Collection (WoS), a través de los campos de "título", "resumen" y "palabras clave del autor". WoS devuelve 3.415 registros de artículos y sus metadatos se obtienen mediante la función 'exportar'. Se aplica un modelo de PNL para la clasificación de artículos según sus resúmenes36. Se descartan artículos como aquellos sobre "fatiga" fisiológica o temas de investigación en campos irrelevantes. Tras la clasificación de la PNL y el examen manual, se identifican 2.001 artículos candidatos.

Los identificadores de objetos digitales (DOI) en los metadatos proporcionan enlaces al texto completo. 104 de los 2001 artículos sobre fatiga AM no tienen DOI en los registros de WoS. Además, 22 artículos no están escritos en inglés y 27 artículos pertenecen a editoriales con menos de 10 publicaciones. Estos registros se descartan. Se descargan 1.848 artículos para su análisis y se utilizan para construir la base de datos. Los estudios sobre el comportamiento a la fatiga de las aleaciones AM comenzaron después del año 2000, y la mayoría de los artículos se publican tanto en formato de documento portátil (PDF) como en formato de lenguaje de marcado extensible (XML)/lenguaje de marcado de hipertexto (HTML). Los archivos PDF y XML/HTML son más fáciles de examinar manualmente y analizar automáticamente el código, respectivamente. Para Elsevier, se recuperan 1122 archivos PDF de artículos a través de la interfaz de programación de aplicaciones (API), lo que representa el 60 % de los artículos descargados sobre fatiga de AM. Los archivos PDF de otras fuentes se recuperan a través del descargador de artículos en código37 (24%), Scopus Document Download Manager (12%) o manualmente desde los sitios de los editores (4%). La API de Elsevier proporciona acceso a archivos XML (60% de artículos). Los archivos HTML, si están disponibles, se recuperan de otros editores mediante el descargador de artículos de código (37% de artículos).

Los datos de fatiga (SN, ε-N y da/dN-ΔK) presentados como diagramas de dispersión en figuras o entradas en tablas se extraen y almacenan como pares de datos. Los diagramas de dispersión son más legibles y concisos que las tablas y se adoptan ampliamente en la literatura, aunque esta última presentación proporciona valores numéricos directos. Las figuras se extraen de los documentos PDF utilizando PyMuPDF. Las figuras que contienen datos de fatiga se filtran y aquellas con múltiples gráficos se segmentan manualmente en gráficos únicos. Los puntos de datos dispersos se extraen mediante un código MATLAB IMageEXtractor (IMEX) interno. El código permite la extracción automática y manual de datos y permite la posterior corrección manual. La función de extracción automática incluye calibración de ejes, análisis de leyendas y reconocimiento de datos mediante el empleo de técnicas CV.

Las figuras (98% publicadas en color) se procesan previamente en imágenes en escala de grises y se binarizan utilizando un umbral de escala de grises del 80% para mejorar la eficiencia del procesamiento de imágenes en la extracción automática (Fig. 3a). Las versiones en color, escala de grises y binarizada de las figuras se almacenan y seleccionan para su uso en condiciones específicas. Los grupos de píxeles negros conectados en las imágenes binarizadas se encuentran y almacenan como componentes de figuras (FC). El cuadro delimitador (BB) de un FC se define como una región rectangular definida por sus píxeles más a la izquierda, más a la derecha, más arriba y más abajo (Fig. 3a).

Extracción de datos de figuras y textos. (a) Las figuras de color RGB se convierten a escala de grises y luego se binarizan, donde se detectan grupos de píxeles negros conectados como componentes de figuras (FC). Sus cuadros delimitadores (BB) se muestran con cuadros verdes. (b) Los ejes se detectan en las figuras y las leyendas se analizan para obtener los símbolos y etiquetas de datos. Los símbolos de las leyendas se utilizan como plantillas para el reconocimiento de datos. Los cuadros rojos en cada panel indican los objetos que se reconocerán en los pasos del procesamiento de datos. (c) Diagrama de flujo de clasificación y extracción de datos de texto.

La calibración de ejes genera las posiciones de los ejes, las etiquetas de los ejes, las escalas de los ejes, los ticks y las etiquetas de los ticks. El sistema de coordenadas xy (CS) constituye el FC más grande, medido por el área bajo su BB. Los ejes x e y se identifican como líneas de más del 70 % de la figura al escanear el FC más grande en las direcciones vertical y horizontal. Las líneas perpendiculares a los ejes se reconocen como marcas. Las etiquetas se extraen mediante reconocimiento óptico de caracteres (OCR)38 y se asignan a los ejes y ticks según sus posiciones. Las escalas de los ejes (lineal/log) se determinan según la posición y la etiqueta de los ticks.

Las regiones de las leyendas se seleccionan manualmente en el estudio actual ya que las posiciones y diseños de las leyendas varían de una figura a otra. En la región seleccionada, los símbolos de los puntos de datos se reconocen y almacenan como plantillas, y las etiquetas de las leyendas se marcan. Los píxeles que contienen puntos de datos en el CS se reconocen según los códigos de color de las plantillas. Los datos informados en la representación binarizada se reconocen mediante las formas. En el 55% de los datos da/dN-ΔK, los símbolos están densamente dispuestos y no se pueden distinguir sus formas. En consecuencia, sólo se almacenan los píxeles extraídos mediante códigos de color. Todos los datos SN, ε-N y el 45% restante de da/dN-ΔK se extraen según el color y la forma que sean consistentes. Los píxeles extraídos se hacen coincidir con las formas de las plantillas para detectar los tipos de símbolos. Luego, los centroides de estos símbolos se extraen como puntos de datos. El método de extracción de datos ("color y forma", "color" o "forma") se registra en la base de datos. Los ejes, leyendas y datos extraídos se visualizan y corrigen manualmente en IMEX. Los datos extraídos de las figuras se convierten de unidades de píxeles a unidades físicas según la posición y escala de los ticks. Las marcas en dos extremos de los ejes se eligen como referencias para minimizar el error al determinar las ubicaciones.

El rendimiento de la extracción de datos de figuras se puede evaluar mediante métricas.

donde TP denota el verdadero positivo o el número de datos extraídos correctamente, FP es el falso positivo o el número de datos extraídos incorrectamente y FN es el falso negativo o el número de datos que no se extraen. La puntuación F1 es la media armónica de precisión y recuperación. Las métricas de calibración de ejes, análisis de leyendas y reconocimiento de datos se resumen en la Tabla 2. Encontramos que el reconocimiento de datos tiene un rendimiento inferior a la calibración de ejes y el análisis de leyendas debido a las dificultades técnicas para analizar puntos de datos superpuestos.

Los datos de fatiga en menos del 5% de los artículos se presentan en tablas. Por lo tanto, en este trabajo las tablas se utilizan únicamente para verificar los datos extraídos de las figuras. Son de interés las tablas que contienen parámetros de AM, procesamiento, pruebas, así como propiedades mecánicas estáticas y de fatiga, que se pueden identificar en los títulos de las tablas. Las tablas en archivos XML/HTML se analizan mediante un extractor de tablas39, mientras que las incrustadas en los archivos PDF se procesan manualmente. Las métricas de evaluación de la extracción de datos de la tabla se resumen en la Tabla 2. La puntuación F1 es del 60 %, lo cual no es alto ya que se incluyen datos de aleaciones que no son AM o datos de referencias externas. Combinar información de texto en el procesamiento de datos en las tablas podría mejorar el rendimiento.

El procesamiento de texto incluye clasificación de texto y extracción de datos (Fig. 3b). Los archivos de texto estructurado en formato XML/HTML se procesan utilizando nuestros códigos de análisis internos TEXTract (adaptados a los estilos estándar proporcionados por los editores) y en combinación con los paquetes Python xml.dom.minidom para XML y BeautifulSoup para HTML. PDFDataExtractor40 extrae el texto de los archivos PDF si los archivos XML/HTML no están disponibles.

La clasificación de texto se realiza para resúmenes y párrafos utilizando la biblioteca de PNL Simple Transformer. El enfoque de preentrenamiento BERT robustamente optimizado (RoBERTa)36, un modelo mejorado de la representación de codificador bidireccional previamente entrenado de Transformers (BERT)41, se utiliza para transformar secuencias de texto en vectores de incrustación de resúmenes o párrafos. Los vectores de incrustación se pasan a una red neuronal completamente conectada con una capa lineal y neuronas de salida correspondientes a etiquetas de clase. Los modelos RoBERTa y de clasificación están integrados en un módulo de clasificación en Simple Transformer. El modelo se entrena en artículos de fatiga AM con el optimizador AdamW42 utilizando una función de pérdida de entropía cruzada y una tasa de aprendizaje de 4 × 10−5. La clasificación de resúmenes identifica artículos sobre fatiga AM a partir de los resultados de búsqueda de WoS basándose en un conjunto de datos etiquetados manualmente de 500 resúmenes, con etiquetas de clase de "fatiga AM" y "fatiga no AM". Los párrafos se clasifican en clases de 'Método' y 'Sin método' y se pasan a la extracción de datos. Los párrafos de 'Método' incluyen información de materiales, parámetros de AM, procesamiento y pruebas. El conjunto de capacitación que consta de 3.350 párrafos de 82 artículos se construye a partir de secciones con las palabras clave "método", "fabricación", "proceso", "prueba" y "experimento" en sus títulos. Tanto los conjuntos de datos de resúmenes como de párrafos se dividen en conjuntos de entrenamiento/pruebas/validación con una proporción de 0,8:0,1:0,1.

Los datos que incluyen los tipos de materiales, parámetros de AM, procesamiento, pruebas y propiedades mecánicas estáticas se extraen del texto. Para identificar los tipos de materiales se aplica el reconocimiento de entidad nombrada química (NER) de ChemDataExtractor 2.043 junto con un diccionario de nombres comerciales de aleaciones, elaborado según MMPDS-175 y el conocimiento del dominio. El alcance del reconocimiento de materiales AM contiene párrafos de título, resumen y método. Para las entradas de datos de AM, procesamiento y pruebas, las palabras clave se resumen y organizan en expresiones regulares (RE) para extraer datos de los párrafos de 'Método'. En un dominio específico como la fatiga de AM, donde las variantes de palabras clave y patrones de oraciones para los datos objetivo son limitadas, es relativamente fácil construir los RE. En la práctica, una cantidad física puede estar asociada a varias entradas de datos. Por ejemplo, las "temperaturas" son relevantes para las especificaciones de los procedimientos de AM, el tratamiento térmico y las pruebas de fatiga. Por lo tanto, los datos extraídos se asignan a las entradas según palabras clave definidas manualmente en las oraciones actuales y anteriores, como "fabricar" para los procedimientos de AM, "tratamiento térmico" para el tratamiento térmico y "prueba" para las pruebas de fatiga. Las propiedades mecánicas estáticas como el módulo de Young, el límite elástico (YS), la resistencia máxima a la tracción (UTS) y el alargamiento se identifican mediante RE en los párrafos del 'Método' y en las secciones posteriores. Las métricas de evaluación de la clasificación de textos y la extracción de datos se resumen en la Tabla 2. Tanto la clasificación de resúmenes como de párrafos obtienen una puntuación F1 superior al 80%. La puntuación F1 de extracción de datos es del 63%, lo cual no es alto ya que es difícil introducir de manera efectiva la información de contexto en el enfoque de RE basado en reglas. El procesamiento de figuras, tablas y texto consigue así un buen rendimiento en las tareas de calibración de ejes, análisis de leyendas y clasificación de textos. El rendimiento de la extracción de datos se puede mejorar refinando las reglas de análisis, empleando análisis de dependencias o utilizando modelos avanzados de PNL como el Transformador Generativo Pre-entrenado (GPT). GPT-3 es un gran modelo de lenguaje previamente entrenado con 175 mil millones de parámetros con un rendimiento mejorado de aprendizaje en pocas oportunidades44, lo que reduce la necesidad de datos específicos de tareas y experiencia en PNL. Con un ajuste fino, GPT-3 tiene el potencial de extraer datos estructurados de textos científicos complejos con una puntuación F1 >80%45. La capacidad de GPT-4 se eleva aún más, especialmente en tareas complejas46. Sus aplicaciones a los datos de fatiga aún están por explorar.

Para construir la base de datos, los datos de fatiga extraídos de las figuras deben correlacionarse con las entradas de datos de materiales, AM, procesamiento, pruebas y propiedades mecánicas estáticas extraídas de textos y tablas. La mayoría de las entradas de datos no varían en investigaciones específicas reportadas en un artículo. Los valores únicos extraídos para una entrada de datos específica se asignan a todos los conjuntos de datos relacionados con el artículo. Para entradas de datos con múltiples valores, la asignación se realiza según las etiquetas de la leyenda.

A diferencia de las propiedades mecánicas estáticas, los datos de fatiga son más sensibles a las condiciones de fabricación, procesamiento y prueba, lo que genera dispersión de datos. En consecuencia, aunque las puntuaciones F1 de extracción de datos se pueden mejorar mediante el uso de técnicas avanzadas, el rendimiento aún puede ser insuficiente para establecer bases de datos de alta calidad para el análisis de fatiga en ingeniería. En este trabajo, abordamos este problema mediante el examen y la corrección manual. Para los datos de fatiga, primero corregimos los datos usando nuestra interfaz IMEX y luego imprimimos los datos para compararlos con los de las cifras originales. Para entradas relacionadas con materiales, AM, procesamiento, pruebas y propiedades mecánicas estáticas, exportamos los datos a un archivo EXCEL y los comparamos con los archivos PDF. Además del examen y corrección de datos, el trabajo manual también implica la selección y segmentación de figuras y la selección de regiones de leyenda. Extraemos el tamaño y la forma de las muestras durante el examen manual, ya que la mayoría de ellas se presentan en figuras en lugar de texto. Examinar el texto es la parte dominante del trabajo manual y un experto en el campo puede procesar de 4 a 8 artículos por hora. Un sistema automatizado de anotación y corrección de datos multimodal (figuras, tablas y textos) podría reducir la carga de trabajo. La presentación de informes de datos estandarizados coordinados por los autores, editores y usuarios de datos también puede facilitar la construcción de bases de datos.

En las pruebas experimentales para medir los datos SN y ε-N se utiliza la amplitud (σa o εa) y la tensión/deformación máxima (σmax o εmax), las cuales pueden relacionarse mediante

En el estudio actual, los máximos (35% de la base de datos completa) se convierten en amplitudes a través de la relación de carga.

Para los datos da/dN-ΔK, el rango SIF es

Para el análisis, los datos de fatiga dispersa de las relaciones SN y ε-N se ajustan asumiendo una distribución log-normal con una varianza constante siguiendo la norma ASTM E739-1047, es decir

donde A y B son los parámetros de ajuste. La relación SN se puede convertir a la forma de la ecuación de Basquin.

donde A1 y B1 son los parámetros de ajuste.

Los datos da/dN-ΔK están ajustados por la ecuación de París

donde C y m son los parámetros de ajuste.

La base de datos FatigueData-AM202248 recopila datos experimentales SN, ε-N y da/dN-ΔK de aleaciones AM. No se incluyen los estudios sobre componentes estructurales o materiales arquitectónicos49,50. Los datos se recopilan para pruebas de fatiga en condiciones uniaxiales o de flexión. El comportamiento a la fatiga bajo cargas variables, torsionales y multiaxiales se informa en sólo unos pocos estudios en esta etapa y no se incorporan para mantener la integridad de los datos. La base de datos FatigueData-AM202248 está disponible como archivos MAT (MATLAB), JSON y EXCEL en https://doi.org/10.6084/m9.figshare.22337629. Los archivos MAT y JSON están formateados en una estructura de árbol jerárquica. Los nodos del árbol que almacenan directamente valores de datos se denominan entradas de datos. Las entradas de datos incluyen tipos de datos numéricos y de cadena. Los datos de texto, como títulos, tipos de AM y pruebas de fatiga, se almacenan como cadenas. Los datos con múltiples cadenas, como autores, países e instituciones, se almacenan como matrices de cadenas. El año de publicación se define como un número numérico y otros datos numéricos, como datos de fatiga, parámetros de AM y relaciones de carga, se almacenan en forma de matrices numéricas. Los nodos del árbol utilizados para agrupar entradas de datos se denominan estructuras de datos. Varias estructuras, como artículos o conjuntos de datos de fatiga, se organizan en matrices de estructuras. Para facilitar la implementación de la programación y la adquisición de datos, se definen claves para entradas de datos, estructuras y matrices de estructuras (Fig. 4 y Tablas 3-5).

La estructura de la base de datos FatigueData-AM2022. La base de datos FatigueData-AM2022 está formateada en una estructura de árbol jerárquica. El nombre de cada nodo del árbol está resaltado en color amarillo. Las claves están definidas para facilitar el acceso mediante scripts. Cada nodo tiene su tipo de datos específico. Dos gráficos circulares muestran las estadísticas de los artículos descargados y los tipos de conjuntos de datos sobre fatiga.

La estructura de la base de datos FatigueData-AM202248 se resume en la Fig. 4. El nodo raíz es la base de datos, que contiene nodos secundarios de artículos y un sistema de unidades predeterminado (por ejemplo, MPa para estrés, °C para temperatura, μm para espesor de capa, W para fuerza). Los datos numéricos sin procesar se convierten a las unidades predeterminadas de entrada de datos. Los artículos se almacenan como una matriz de estructuras y cada artículo contiene dos estructuras de metadatos y datos científicos. Los metadatos contienen entradas de datos como los títulos y autores de los artículos. Los datos científicos almacenan una matriz estructural de conjuntos de datos de fatiga, cada uno de los cuales se obtiene de pruebas experimentales en diferentes condiciones. Un conjunto de datos de fatiga contiene 6 estructuras (fatiga, materiales, AM, procesamiento, pruebas y propiedades mecánicas estáticas), bajo las cuales se definen múltiples entradas de datos, estructuras o matrices de estructuras (Tabla 3). Se asigna una puntuación a cada conjunto de datos de fatiga para medir la calidad de los datos, que se explicará en la siguiente sección. La estructura de los parámetros de AM y los parámetros de procesamiento depende de su tipo, como se muestra en las Tablas 4, 5, respectivamente. Los parámetros de procesamiento están organizados como una matriz de estructura, 'proc_para', ya que puede contener varios pasos. La secuencia de procesamiento se registra en la matriz 'proc_seq'. Los parámetros de procesamiento se pueden identificar en la matriz 'proc_para' a través de la entrada de índice en 'proc_seq'.

La terminología de los tipos de datos se hereda en gran medida de MATLAB (el archivo MAT). Las excepciones son las matrices de cadenas y la matriz estructural de parámetros de procesamiento, que corresponden a las matrices de celdas en el archivo MAT. Para el archivo JSON, la estructura se define como un diccionario y todos los tipos de matrices se definen como listas. La base de datos FatigueData-AM202248 también está comprimida en un archivo EXCEL, que incluye 4 hojas de trabajo. Las hojas de trabajo de 'S-N', 'e-N' y 'dadn' almacenan datos SN, ε-N y da/dN-ΔK, respectivamente. En estas 3 hojas de trabajo, cada fila almacena el índice de un conjunto de datos de fatiga y un descriptor de datos (S/ε, N, y el indicador de agotamiento para 'S-N'/'e-N', da/dN y ΔK para 'papá'). Los datos da/dN-ΔK extraídos por color almacenan todos los píxeles coincidentes. La cantidad de puntos de datos excede la cantidad máxima de filas permitidas por EXCEL (1,048,576). Como resultado, se toman muestras de 500 puntos de datos de cada conjunto de datos y luego se registran. En la cuarta hoja de trabajo de 'parámetro', cada fila almacena el índice de un conjunto de datos de fatiga y su contenido. Cada columna corresponde a una entrada de datos. Los datos de la hoja de trabajo de 'parámetros' están vinculados a los otros tres a través del índice de conjuntos de datos de fatiga.

Con la estructura de la base de datos descrita anteriormente, las entradas de datos se explican aquí en detalle. La matriz de 'datos de fatiga' almacena N o ΔK en la primera columna, y los valores de σa, εa o da/dN en la segunda columna. εa representa la amplitud de la deformación total, incluidos los componentes elásticos o plásticos. La tercera columna almacena el indicador de agotamiento para los datos SN y ε-N, donde '1' indica las paradas de la prueba antes del fallo (agotamiento) y '0' indica fallo. La vida a fatiga y la tasa de FCG son sensibles a la anisotropía del material. En este trabajo, la dirección de las muestras se mide mediante un ángulo entre la plataforma del edificio en AM y la dirección de carga51. El efecto del tamaño de las muestras de AM podría ser significativo debido a la precisión limitada de la impresión, la presencia de defectos y la tensión residual52,53,54. El tamaño de la sección transversal crítica almacena el diámetro para muestras con secciones transversales circulares, los diámetros exterior e interior para aquellas con secciones transversales anulares y el ancho y espesor para aquellas secciones transversales rectangulares, respectivamente. Las formas de las secciones transversales se almacenan en la descripción de las muestras ('spec_desc'). En las matrices numéricas de otras entradas de datos, un único valor representa un valor específico o la media, y dos valores representan el límite inferior y superior, respectivamente.

Para facilitar la comparación entre datos de cadenas, se utiliza una nomenclatura unificada para entradas de datos como tipos de AM, materiales, máquinas, afiliaciones y agencias de financiación. El 98% de los tipos de AM se pueden clasificar en cuatro categorías: fusión por láser en lecho de polvo (L-PBF), fusión por lecho de polvo con haz de electrones (E-PBF), deposición de energía dirigida basada en polvo (P-DED) y basada en alambre. Deposición de energía dirigida (W-DED). Otros tipos de AM se registran por sus nombres, como inyección de aglutinante y extrusión de metal. El tipo de materia prima predeterminado es "polvo" para L-PBF, E-PBF y P-DED, y "alambre" para W-DED.

En nuestra base de datos, las entradas de datos que no se informan explícitamente se registran como matrices vacías (MAT), listas (JSON), cadenas (MAT y JSON) o celdas (EXCEL). 'As-built' se asigna al tratamiento de superficie, 'NHT' se asigna al tratamiento térmico y '25 °C' se asigna a la temperatura de precalentamiento si no se aplican (NA). También asumimos que las pruebas son uniaxiales y se realizan en un ambiente ambiente (25 °C, aire) con un factor de concentración de tensión, Kt = 1 si no se especifica. El control de carga predeterminado es 'fuerza' para SN, 'deformación' para ε-N, 'carga' para da/dN-ΔK y 'desplazamiento' para fatiga de ciclo muy alto (VHCF) independientemente de los tipos de datos. Se sugiere que los procedimientos o configuraciones opcionales se indiquen como NA al informar los datos de fatiga si no se indican específicamente.

En resumen, la base de datos FatigueData-AM202248 cubre 116 tipos de aleaciones AM en total. 459 artículos informan 1610 conjuntos de datos SN con 15146 puntos de datos, 79 artículos informan 236 conjuntos de datos ε-N con 1840 puntos de datos y 135 artículos informan conjuntos de datos 614 da/dN-ΔK (Fig. 4). El 65 % de los datos son datos SN utilizados para medir la vida a fatiga en el régimen HCF y para el diseño de vida segura55,56,57. Los componentes críticos de la industria aeroespacial y energética en condiciones difíciles también requieren datos ε-N y da/dN-ΔK.

Las métricas de rendimiento del procesamiento de figuras, tablas y textos muestran que las puntuaciones F1 de la extracción automatizada son de ~60% a 90% (Tabla 2). Todos los registros de datos se examinan y corrigen manualmente para producir una base de datos de alta calidad. La inspección posterior de 50 artículos elegidos al azar muestra que la precisión ha mejorado hasta alcanzar >98%.

Uno de los problemas prácticos al extraer datos de figuras es la distorsión de los símbolos y los ejes después de la pixelación, lo que dificulta determinar las posiciones de los centroides con alta precisión. La comparación de los datos SN y ε-N extraídos de las figuras y los de las tablas, si ambos fueron publicados, muestra inconsistencia en menos del 5% de los 40 artículos debido a las incertidumbres en la ubicación de los puntos de datos. Los parámetros de ajuste de datos usando la ecuación. 8 se comparan con valores reportados en artículos, mostrando también inconsistencia <5%.

Los datos representativos y sus estadísticas se representan en la Fig. 5 a modo ilustrativo y la calidad de los datos se evalúa según el conocimiento del dominio. Los datos SN para las 4 aleaciones AM más reportadas (Ti-6Al-4V, 316 L, AlSi10Mg e IN718) se incluyen en la Fig. 5a y la vida a la fatiga disminuye a medida que aumenta la amplitud de la tensión. La resistencia a la fatiga de las aleaciones Ti-6Al-4V e IN718 es superior, seguidas de 316 L y AlSi10Mg (Fig. 5a). Las estadísticas de materiales, tipos de AM y tratamiento de superficie de conjuntos de datos SN se resumen en la Fig. 5b. Ti-6Al-4V ocupa el 90% de los datos para las aleaciones de titanio AM y el IN718 ocupa el 77% para las aleaciones de níquel AM. El alto porcentaje de ocupaciones se debe a su predominio en las aleaciones convencionales de titanio y níquel para los procedimientos de fabricación maduros y de alta resistencia58,59. Aunque AlSi10Mg no es muy popular entre las aleaciones de aluminio convencionales, representa el 66 % de las aleaciones de aluminio AM debido a su buena imprimibilidad60. 316 L representa sólo el 43% de los aceros AM y otros tipos también participan, lo que indica la diversidad en las aplicaciones de los aceros61. Cabe señalar que la mayoría de las muestras de fatiga se preparan con PBF, especialmente L-PBF (83%), que es la técnica de AM más madura y comercializada (Fig. 5b)61. El proceso de impresión capa por capa y la naturaleza de desequilibrio de la AM pueden dar como resultado una mala calidad de la superficie, a la que son susceptibles los datos SN. Se investigan diferentes tipos de tratamiento superficial (Fig. 5b).

Datos representativos. (a) Conjuntos de datos SN representativos de las 4 aleaciones AM principales, Ti-6Al-4V, IN718, 316 L y AlSi10Mg. (b) Estadísticas de aleaciones AM investigadas para los datos SN. El eje x está marcado por el elemento principal de las aleaciones o sus tipos. 'MPEA' denota aleaciones de elementos multiprincipales. 'Híbrido' denota materiales híbridos o clasificados. El recuadro muestra gráficos circulares de tipos de AM y condiciones de la superficie, donde 'PBF' denota fusión de lecho de polvo, 'L-PBF' denota PBF láser, 'E-PBF' denota PBF de haz de electrones y 'DED' denota deposición de energía dirigida. Datos representativos (c) ε-N y (d) da/dN-ΔK de las principales aleaciones AM.

Los datos representativos de ε-N y da / dN-ΔK se muestran en la Fig. 5c, d. La vida por fatiga disminuye a medida que aumenta la amplitud de la deformación (Fig. 5c) y la tasa de FCG aumenta con el rango SIF (Fig. 5d). La calidad de los datos se evalúa además mediante la relación entre los datos de fatiga y otras propiedades de las aleaciones, lo que se demuestra aquí utilizando los datos SN como ejemplo. La relación entre la resistencia a la fatiga (σf) y UTS (σu), y los efectos de las condiciones de carga y procesamiento son bien conocidos para las aleaciones convencionales2,62,63. La figura 6a confirma la correlación positiva entre σf y σu, es decir, una σu alta indica una alta resistencia a la fatiga al suprimir la acumulación de daños. La relación entre σf y σu (0,2–0,7) para las aleaciones AM es cercana a la de las aleaciones convencionales (0,25–0,65)2.

Validación de datos. (a) Relación entre la resistencia a la fatiga medida después de 106 ciclos, σf, y la resistencia máxima a la tracción (UTS), σu. Las referencias σf = 0,2σu y σf = 0,7σu se añaden como líneas discontinuas. (b) El efecto de la relación de tensiones, R, sobre las relaciones SN de AM Ti-6Al-4V.

Las pruebas SN se realizan comúnmente con relaciones de tensión específicas, Rσ, lo que podría introducir el efecto de la tensión media, σm = (σmax + σmin)/2. La relación entre Rσ y σm se puede derivar de la ecuación. 5, que es \({R}_{\sigma }=1-\frac{2{\sigma }_{{\rm{a}}}}{{\sigma }_{{\rm{m}} }+{\sigma }_{{\rm{a}}}}\). La Figura 6b muestra el rendimiento de AM Ti-6Al-4V probado bajo Rσ = −1 (σm = 0) y 0,1 (σm = 0,55σmax). La tensión de tracción media degrada la resistencia a la fatiga incluso bajo una fuerte dispersión de datos, lo que también concuerda con el conocimiento del dominio de las aleaciones convencionales.

Existen limitaciones en las aplicaciones de bases de datos sobre fatiga construidas a partir de fuentes abiertas en comparación con los conjuntos de datos publicados por instituciones autorizadas. Además de la diversidad en la fabricación de materiales, preparación de muestras y acabado de superficies de las muestras, la incompatibilidad en los estándares de prueba y el carácter incompleto de los registros también conducen a dificultades para mejorar la calidad de los datos, así como la integración con bases de datos autorizadas o datos nuevos. reportado en la literatura. Se introduce un sistema de calificación para los datos que se utilizarán en el diseño de integridad estructural. A las entradas de datos se les pueden asignar ponderaciones según el conocimiento del dominio o su covarianza con los datos de fatiga. También podrían introducirse medidas adicionales como el número de datos sobre fatiga47, el número de citas de la publicación y la precisión de la extracción de datos. Para cada conjunto de datos de fatiga, se calcula una puntuación entre 0 y 1 como la suma ponderada de las entradas no vacías. El algoritmo de puntuación es subjetivo y dejamos este trabajo a los usuarios de datos. Aquí, en aras de la simplicidad, asumimos pesos iguales para todas las entradas (Fig. 7a). El tratamiento superficial y térmico (incluidos HIP y NHT) se consideran dos entradas separadas de parámetros de procesamiento. Descubrimos que la mayoría de los conjuntos de datos se califican con puntuaciones que oscilan entre 0,5 y 0,9, ya que no todas las entradas de datos están documentadas. El 87% de los conjuntos de datos tienen puntuaciones superiores a 0,6, que contienen información esencial como tipos de materiales, tipos de AM y pruebas de fatiga. Las tasas de llenado (FR) de las entradas de datos contadas en todos los conjuntos de datos miden la calidad de la base de datos (Fig. 7b), que se espera que no sea alta para la diversidad de fuentes de datos. Los tipos de materiales (p. ej., Ti-6Al-4V, IN718), AM (p. ej., PBF, DED), pruebas de fatiga (p. ej., uniaxial, flexión) y relaciones de carga son información esencial y se proporcionan en la mayoría de los artículos sobre fatiga de AM. Para las entradas de datos relacionadas con AM y procesamiento, los FR de la máquina AM, el espesor de la capa, la dirección de las muestras, el tratamiento térmico y el tratamiento de superficie son superiores al 70%, mientras que otras entradas están menos llenas. Para las pruebas de fatiga, el 80% de los artículos informaron la frecuencia de carga, ya que en la práctica podría variar en 4 órdenes de magnitud. Los efectos de la frecuencia podrían ser significativos ya que el efecto de calentamiento se introduce, por ejemplo, mediante disipación plástica en LCF o vibración en VHCF. Además, la tasa de deformación es proporcional a la frecuencia a la que los procesos de daño podrían ser susceptibles, y en un ambiente corrosivo, la degradación del material también depende de la tasa64,65. Sorprendentemente, sólo el 40% de los artículos informaron el estándar de pruebas de fatiga que siguieron. Teniendo en cuenta la variación en las microestructuras y las condiciones de la superficie (conforme a la construcción), se debe evaluar la implementación de estándares tradicionales de pruebas de fatiga para la investigación de fatiga AM66. También merecen un debate más a fondo los nuevos diseños de muestras, por ejemplo, en tipos miniatura67, y las técnicas de ensayo como el VHCF. Los FR de propiedades mecánicas estáticas no superan el 50% ya que la dispersión de los datos no es alta.

Calidad de los datos medida por puntuaciones de calificación y tasas de cumplimiento. (a) El histograma de las puntuaciones de calificación para los conjuntos de datos de fatiga, donde todas las entradas de datos tienen la misma ponderación. (b) Las tasas de llenado (FR) de los tipos de materiales, parámetros de AM, procesamiento, pruebas y propiedades mecánicas estáticas. (c) El lenguaje unificado de datos sobre fatiga (ULFD).

Nuestros resultados resaltan la necesidad de estándares para las pruebas de fatiga de AM, así como normas para la presentación de datos en revistas, actas de congresos e informes técnicos, que son cruciales para el desarrollo de bases de datos de alta calidad y la investigación centrada en datos. Aquí se sugiere un lenguaje unificado de datos de fatiga (ULFD) de acuerdo con estándares relacionados para AM, procesamiento y pruebas68. La base de datos actual se puede exportar utilizando ULFD (Fig. 7c), que no solo describe el flujo de trabajo de la construcción de la base de datos sino que también guía el análisis de datos y la planificación experimental.

Se debe tener en cuenta la dispersión de los datos y la desviación del sistema al analizar los datos de fatiga informados en la literatura. Por ejemplo, la resistencia a la fatiga de AM Ti-6Al-4V no solo es inferior a la de su contraparte convencional, como se informa en la base de datos NIMS, sino que también muestra una dispersión mayor (Fig. 8a). La comparación con los datos del MMPDS lleva a la misma conclusión. Para cuantificar el grado de dispersión, se utiliza la función de densidad de probabilidad log-normal \({p}_{{\rm{f}}}\left(x\right)=\frac{1}{s\sqrt{2\pi }}\exp \left[-\frac{1}{2}{\left(\frac{ln(x)-\mu}{s}\right)}^{2}\right]\) se supone y ajustado usando la Ec. 9 para calcular la media, μ y la varianza, s de la resistencia a la fatiga después de 106 ciclos (Fig. 8b). Los valores de s para los conjuntos de datos oscilan entre 1,6 × 10−4 y 45,1 × 10−4, la mayoría de los cuales son superiores a los valores de la clase NIMS 1100 (3,1 × 10−4) y la clase 900 para Ti-6Al-4V ( 1,7 × 10−4). Los datos AM están más dispersos que los datos NIMS independientemente de los tipos de materiales, lo que puede atribuirse a la diversidad en las microestructuras de los materiales, incluidos los defectos. La optimización de los parámetros de AM o los procedimientos de posprocesamiento podría reducir la dispersión del rendimiento de la fatiga y servir mejor a las aplicaciones críticas. Aunque muestran una naturaleza más dispersa en comparación con las bases de datos autorizadas, los datos de AM recopilados de la literatura aún brindan información clave sobre las propiedades del material y pautas para el diseño de fatiga (Fig. 5).

Dispersión de datos y desviación del sistema. (a) La comparación entre los datos SN de aleaciones AM extraídos de la literatura y los datos NIMS publicados para Ti-6Al-4V bajo la relación de tensión R = −1. La 'clase 1100' indica que el UTS está en el nivel de 1100 MPa y la 'clase 900' indica 900 MPa. (b) La función de densidad de probabilidad, pf, de la resistencia a la fatiga, σf, después de 106 ciclos para los conjuntos de datos en (a), normalizada por los máximos. Los datos NIMS se muestran en el panel superior y los datos AM en el panel inferior. Para los datos de AM, las líneas indican los datos ajustados a partir de conjuntos de datos independientes y el área sombreada recopila todos los datos. (c) La comparación entre los datos SN para aleaciones Ti-6Al-4V tratadas térmicamente (HT) y prensadas isostáticamente en caliente (HIP). Los conjuntos de datos se escalan en (d) de acuerdo con los datos de referencia (Ec. 11).

Además de la dispersión de los datos, la Fig. 8b muestra que existe una desviación del sistema entre los datos de fatiga de diferentes estudios. Por ejemplo, el prensado isostático en caliente (HIP) es un procedimiento eficaz de alta presión y alta temperatura para reducir los defectos internos (porosos) en las aleaciones, lo que mejora su rendimiento HCF al suprimir la iniciación de grietas. El efecto de HIP sobre el rendimiento ante la fatiga se compara con el del tratamiento térmico ordinario que opera a temperaturas más bajas sin presurización (Fig. 8c). Los dos conjuntos de datos difícilmente se pueden distinguir debido no sólo a la dispersión de los datos, sino también a la desviación del sistema resultante de las diferencias en la preparación de las muestras y los procedimientos de prueba. Para resolver este problema, se selecciona como referencia uno de los datos de fatiga HIP publicados. Luego, todos los datos de fatiga HIP se ajustan mediante la ecuación de Basquin (Ec. 9) y se escalan a la referencia. El factor de escala para σa en ciclos específicos N se calcula como

donde el superíndice 'ref' indica los datos de referencia. Luego, los datos del tratamiento térmico (HT) se escalan utilizando el valor de α para los datos de HIP informados en los mismos artículos, es decir, \({\sigma }_{{\rm{a}}}^{{\rm{ HT}},{\rm{escalado}}}=\alpha {\sigma }_{{\rm{a}}}^{{\rm{HT}}}\). Los resultados muestran claramente que HIP supera a HT en la mejora del rendimiento de HCF, donde la vida a la fatiga se controla mediante el inicio de grietas (Fig. 8d). Sin embargo, HT parece ser superior para LCF (N <104), donde la deformación plástica es crucial. Esto puede explicarse por el proceso de engrosamiento del grano en HIP, que debilita la resistencia de las aleaciones a la deformación plástica69.

Nuestra base de datos sienta las bases para la detección de materiales basada en datos y la estimación de la vida útil de los componentes de AM, ofreciendo soluciones rentables para el diseño de ingeniería. El análisis crítico de las entradas de la base de datos ofrece información clave sobre la hoja de ruta técnica70, que podría optimizar la estrategia de inversión en investigación y desarrollo. Nuestra base de datos también puede servir como conjunto de datos de entrenamiento para modelos NLP, ML y CV para mejorar el rendimiento de las predicciones del modelo. Además, el enfoque actual se puede ampliar a otra información sobre aleaciones AM y datos de fatiga de otras aleaciones. Sin embargo, la extracción de datos de literatura anterior para aleaciones convencionales podría presentar desafíos en el procesamiento de archivos PDF basados ​​en imágenes, donde tanto el texto como las figuras/tablas son de baja calidad y difíciles de extraer. El trabajo futuro se centrará en mejorar el nivel de automatización del flujo de trabajo actual y abordar los problemas de análisis de documentos iniciales.

Los scripts utilizados para extraer información de figuras, tablas y texto se basan principalmente en códigos de fuente abierta como ChemDataExtractor 2.043, table extractor39 y Simple Transformer (https://simpletransformers.ai/), respectivamente. Los scripts internos para la extracción y el análisis de datos se publican en el repositorio de GitHub (https://github.com/xuzpgroup/ZianZhang/tree/main/FatigueData-AM2022), que se pueden utilizar reconociendo el artículo actual y en la licencia MIT71. Estos scripts incluyen un tutorial detallado paso a paso para cargar y analizar el conjunto de datos en el repositorio.

Suresh, S. Fatiga de los materiales (Cambridge University Press, 1998).

Stephens, RI, Fatemi, A., Stephens, RR y Fuchs, HO Fatiga del metal en ingeniería (John Wiley & Sons, 2000).

Agrawal, A. et al. Exploración de técnicas de ciencia de datos para predecir la resistencia a la fatiga del acero a partir de parámetros de composición y procesamiento. Integral Madre. Fabricante. Innovación. 3, 90-108 (2014).

Artículo de Google Scholar

Yaghoobi, M. y col. Marco computacional de fatiga PRISMS para análisis de fatiga en aleaciones y metales policristalinos. npj Computación. Madre. 7, 38 (2021).

Artículo ADS CAS Google Scholar

Instituto Conmemorativo Battelle. Desarrollo y estandarización de propiedades de materiales metálicos (MMPDS-17) (Battelle Memorial Institute, 2022).

Furuya, Y., Nishikawa, H., Hirukawa, H., Nagashima, N. y Takeuchi, E. Catálogo de hojas de datos de fatiga NIMS. Ciencia. Tecnología. Adv. Madre. 20, 1055-1072 (2019).

Artículo PubMed PubMed Central Google Scholar

Kononova, O. y col. Oportunidades y desafíos de la minería de textos en la investigación de materiales. iCiencia 24, 102155 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Herzog, D., Seyda, V., Wycisk, E. y Emmelmann, C. Fabricación aditiva de metales. Acta Mater. 117, 371–392 (2016).

Artículo ADS CAS Google Scholar

Nadammal, N. y col. Papel fundamental de las estrategias de escaneo en el desarrollo de microestructura, textura y tensiones residuales durante la fabricación aditiva por fusión de lechos de polvo láser. Añadir. Fabricante. 38, 101792 (2021).

CAS Google Académico

Li, Y., Liang, X., Yu, Y., Wang, D. y Lin, F. Revisión sobre la fabricación aditiva de superaleaciones monocristalinas a base de níquel. Mentón. J. Mech. Ing.: Addit. Fabricante. Frente. 1, 100019 (2022).

Google Académico

Sanaei, N. & Fatemi, A. Defectos en metales fabricados con aditivos y su efecto sobre el rendimiento ante la fatiga: una revisión de los últimos avances. Prog. Madre. Ciencia. 117, 100724 (2021).

Artículo CAS Google Scholar

Shao, S., Khonsari, MM, Guo, S., Meng, WJ y Li, N. Descripción general: la fabricación aditiva permitió un diseño acelerado de aleaciones a base de Ni para mejorar la vida útil de la fatiga. Añadir. Fabricante. 29, 100779 (2019).

CAS Google Académico

Zhao, L. y col. Revisión de la correlación entre la microestructura y el rendimiento mecánico de la fusión láser en lecho de polvo AlSi10Mg. Añadir. Fabricante. 56, 102914 (2022).

CAS Google Académico

Molaei, R. y col. Fatiga del Ti-6Al-4V fabricado aditivamente, Parte II: La relación entre la microestructura, las propiedades cíclicas del material y el rendimiento de los componentes. En t. J. Fatiga 132, 105363 (2020).

Artículo CAS Google Scholar

Cao, M., Liu, Y. & Dunne, FP Un enfoque de plasticidad cristalina para comprender la respuesta a la fatiga con respecto a los poros en aleaciones de aluminio fabricadas con aditivos. En t. J. Fatiga 161, 106917 (2022).

Artículo CAS Google Scholar

Zhan, Z. & Li, H. Predicción de la vida por fatiga basada en el aprendizaje automático con efectos de los parámetros del proceso de fabricación aditiva para SS 316L impreso. En t. J. Fatiga 142, 105941 (2021).

Artículo CAS Google Scholar

Maleki, E. y col. Sobre la eficiencia del aprendizaje automático para la evaluación de la fatiga del AlSi10Mg postprocesado fabricado aditivamente. En t. J. Fatiga 160, 106841 (2022).

Artículo CAS Google Scholar

Li, P., Warner, D., Fatemi, A. y Phan, N. Evaluación crítica del rendimiento a la fatiga del Ti-6Al-4V fabricado aditivamente y perspectivas para futuras investigaciones. En t. J. Fatiga 85, 130-143 (2016).

Artículo CAS Google Scholar

Chern, AH y cols. Una revisión del comportamiento a fatiga del Ti-6Al-4V fabricado mediante fabricación aditiva por fusión por haz de electrones. En t. J. Fatiga 119, 173–184 (2019).

Artículo CAS Google Scholar

Afkhami, S., Dabiri, M., Piili, H. & Björk, T. Efectos de los parámetros de fabricación y el posprocesamiento mecánico en acero inoxidable 316L procesado mediante fusión láser en lecho de polvo. Madre. Ciencia. Ing., A 802, 140660 (2021).

Artículo CAS Google Scholar

Lesperance, X., Ilie, P. & Ince, A. Caracterización de fatiga de ciclo muy alto de aleaciones de aluminio AlSi10Mg y AlSi7Mg fabricadas aditivamente según pruebas de fatiga ultrasónica. Fractura de fatiga. Ing. Madre. Estructura. 44, 876–884 (2021).

Artículo CAS Google Scholar

UNESCO. Recomendación de la UNESCO sobre ciencia abierta https://doi.org/10.54677/MNMH8546 (2021).

Woelfle, M., Olliaro, P. y Todd, MH La ciencia abierta es un acelerador de la investigación. Nat. Química. 3, 745–748 (2011).

Artículo CAS PubMed Google Scholar

Kononova, O. y col. Conjunto de datos extraídos de texto de recetas de síntesis de materiales inorgánicos. Ciencia. Datos 6, 203 (2019).

Artículo PubMed PubMed Central Google Scholar

Court, CJ & Cole, JM Base de datos de materiales generada automáticamente de las temperaturas de Curie y Néel mediante extracción de relaciones semisupervisada. Ciencia. Datos 5, 180111 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Kumar, P., Kabra, S. & Cole, JM Generación automática de bases de datos de límite elástico y tamaño de grano utilizando ChemDataExtractor. Ciencia. Datos 9, 292 (2022).

Artículo CAS PubMed Central Google Scholar

Chen, S. y col. Conjunto de datos de fatiga de aleaciones de alta entropía. Ciencia. Datos 9, 381 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Fortunato, S. et al. Ciencia de la ciencia. Ciencia 359, eaao0185 (2018).

Artículo PubMed PubMed Central Google Scholar

ISO/ASTM 52900:2015. Fabricación aditiva–Principios generales–Terminología (ISO/ASTM International, 2015).

ASTM F3413–19. Guía para la fabricación aditiva: diseño y deposición de energía dirigida (ASTM International, 2019).

Thompson, SM, Bian, L., Shamsaei, N. y Yadollahi, A. Una descripción general de la deposición directa por láser para la fabricación aditiva; Parte I: Fenómenos de transporte, modelización y diagnóstico. Añadir. Fabricante. 8, 36–62 (2015).

Google Académico

Gu, DD, Meiners, W., Wissenbach, K. & Poprawe, R. Fabricación aditiva por láser de componentes metálicos: materiales, procesos y mecanismos. En t. Madre. Rev. 57, 133–164 (2012).

Artículo CAS Google Scholar

Frazier, WE Fabricación aditiva de metales: una revisión. J. Mater. Ing. Llevar a cabo. 23, 1917-1928 (2014).

Artículo CAS Google Scholar

Murr, LE y cols. Fabricación de metales mediante fabricación aditiva utilizando tecnologías de fusión por láser y haz de electrones. J. Mater. Ciencia. Tecnología. 28, 1-14 (2012).

Artículo CAS Google Scholar

Suwanpreecha, C. & Manonukul, A. Una revisión sobre la fabricación aditiva de metal por extrusión de materiales y cómo se compara con el moldeo por inyección de metal. Metales 12, 429 (2022).

Artículo CAS Google Scholar

Liu, Y. et al. RoBERTa: un enfoque de preentrenamiento BERT sólidamente optimizado. Preimpresión en https://arxiv.org/abs/1907.11692 (2019).

Kim, E. y col. Parámetros de síntesis codificados y aprendidos por máquina de materiales óxidos. Ciencia. Datos 4, 170127 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Berchmans, D. y Kumar, S. Reconocimiento óptico de caracteres: una descripción general y una visión. 2014 Internacional Conf. de Control, Instrumentación, Comunicaciones. Computadora. Tecnología, 1361-1365 (2014).

Jensen, Z. y col. Un enfoque de aprendizaje automático para la síntesis de zeolita habilitado por la extracción automática de datos de la literatura. Céntimo ACS. Ciencia. 5, 892–899 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Zhu, M. & Cole, JM PDFDataExtractor: una herramienta para leer textos científicos e interpretar metadatos de la literatura tipográfica en formato de documento portátil. J. química. inf. Modelo. 62, 1633–1643 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Devlin, J., Chang, MW, Lee, K. y Toutanova, K. BERT: Entrenamiento previo de transformadores bidireccionales profundos para la comprensión del lenguaje. Preimpresión en https://arxiv.org/abs/1810.04805 (2018).

Loshchilov, I. & Hutter, F. Regularización desacoplada de la caída del peso. Preimpresión en https://arxiv.org/abs/1711.05101 (2017).

Mavracic, J., Court, CJ, Isazawa, T., Elliott, SR y Cole, JM ChemDataExtractor 2.0: ontologías autocompletadas para ciencia de materiales. J. química. inf. Modelo. 61, 4280–4289 (2021).

Artículo CAS PubMed Google Scholar

Brown, T. y col. Los modelos de lenguaje son aprendices de pocas oportunidades. Adv. Inf. neuronal. Proceso. Sistema. 33, 1877-1901 (2020).

Google Académico

Dunn, A. y col. Extracción de información estructurada de textos científicos complejos con grandes modelos de lenguaje ajustados. Preimpresión en https://arxiv.org/abs/2212.05238 (2022).

OpenAI. Informe técnico GPT-4. Preimpresión en https://arxiv.org/abs/2303.08774 (2023).

ASTM E739–10. Práctica estándar para el análisis estadístico de datos de fatiga tensión-vida (S-N) y deformación-vida (ε-N) lineales o linealizados (ASTM International, 2015).

Zhang, Z. & Xu, Z. Base de datos sobre fatiga de aleaciones fabricadas aditivamente. higo compartido. https://doi.org/10.6084/m9.figshare.22337629 (2023).

Li, P., Warner, D. y Phan, N. Predicción del rendimiento ante la fatiga de un componente Ti-6Al-4V fabricado aditivamente a partir del comportamiento de los cupones testigo. Añadir. Fabricante. 35, 101230 (2020).

CAS Google Académico

Gu, D. y col. Fabricación aditiva láser-metal integrada material-estructura-rendimiento. Ciencia 372, eabg1487 (2021).

Artículo CAS PubMed Google Scholar

Xu, Z., Liu, A. & Wang, X. Rendimiento a la fatiga y comportamiento de propagación de grietas del AlSi10Mg fundido con láser selectivo en direcciones de construcción de 0°, 15°, 45° y 90°. Madre. Ciencia. Ing., A 812, 141141 (2021).

Artículo CAS Google Scholar

Murchio, S. et al. Puntales delgados de Ti-6Al-4V fabricados aditivamente mediante fusión de lecho de polvo por láser: efecto de la orientación del edificio sobre la precisión geométrica y las propiedades mecánicas. J. Mech. Comportamiento. Biomédica. Madre. 119, 104495 (2021).

Artículo CAS PubMed Google Scholar

Li, P. y col. Hacia la predicción de diferencias en el rendimiento de fatiga de cupones de Ti-6Al-4V fusionados con lecho de polvo láser de la misma construcción. En t. J. Fatiga 126, 284–296 (2019).

Artículo CAS Google Scholar

Levkulich, N. y col. El efecto de los parámetros del proceso sobre la evolución de la tensión residual y la distorsión en la fusión láser en lecho de polvo de Ti-6Al-4V. Añadir. Fabricante. 28, 475–484 (2019).

CAS Google Académico

Junta de Investigación de Ingeniería Mecánica (FKM). Directriz FKM: Evaluación de la resistencia analítica de componentes en ingeniería mecánica (VDMA Verlag, 2003).

EN 1993–1–9. Eurocódigo 3: Diseño de estructuras de acero – Parte 1 a 9: Fatiga (Comité Europeo de Normalización, 2005).

ANSI/ASME B106.1 M-1985. Diseño de ejes de transmisión (Sociedad Estadounidense de Ingenieros Mecánicos, 1985).

Leyens, C. y Peters, M. Titanio y aleaciones de titanio: fundamentos y aplicaciones (John Wiley & Sons, 2003).

Paulonis, DF & Schirra, JJ Alloy 718 en Pratt & Whitney: perspectiva histórica y desafíos futuros. Superaleaciones 718, 625, 706 y varios derivados, 13–23 (2001).

Aboulkhair, NT y cols. Impresión 3D de aleaciones de aluminio: Fabricación aditiva de aleaciones de aluminio mediante fusión selectiva por láser. Prog. Madre. Ciencia. 106, 100578 (2019).

Artículo CAS Google Scholar

Narasimharaju, SR y cols. Una revisión completa sobre la fusión de aceros en lecho de polvo por láser: procesamiento, microestructura, defectos y métodos de control, propiedades mecánicas, desafíos actuales y tendencias futuras. J. Manuf. Proceso. 75, 375–414 (2022).

Artículo de Google Scholar

Liu, R., Zhang, P., Zhang, Z., Wang, B. & Zhang, Z. Un modelo práctico para el diseño antifatiga eficiente y la selección de materiales metálicos: I. Construcción de modelos y predicción de la resistencia a la fatiga. J. Mater. Ciencia. Tecnología. 70, 233–249 (2021).

Artículo de Google Scholar

Liu, R., Zhang, P., Zhang, Z., Wang, B. & Zhang, Z. Un modelo práctico para el diseño antifatiga eficiente y la selección de materiales metálicos: II. Análisis de parámetros y mejora de la resistencia a la fatiga. J. Mater. Ciencia. Tecnología. 70, 250–267 (2021).

Artículo de Google Scholar

Tahmasbi, K., Alharthi, F., Webster, G. y Haghshenas, M. Daño por fatiga dinámico dependiente de la frecuencia en metales: una revisión del estado del arte. Fuerzas Mec. 10, 100167 (2023).

Artículo de Google Scholar

Milne, L., Gorash, Y., Comlekci, T. y MacKenzie, D. Efectos de frecuencia en pruebas de fatiga ultrasónica (UFT) de acero estructural Q355B. Estructura de procedimiento. Integridad 42, 623–630 (2022).

Artículo de Google Scholar

Hrabe, NW y col. Hallazgos del taller NIST/ASTM sobre comportamiento mecánico de componentes de fabricación aditiva. Serie de fabricación avanzada (NIST AMS), 1–13 (2016).

Nicoletto, G. Comportamiento de fatiga suave y con muescas de Inconel 718 fundido selectivamente con láser con superficies construidas. En t. J. Fatiga 128, 105211 (2019).

Artículo CAS Google Scholar

Wang, Z. y col. ULSA: Lenguaje unificado de acciones de síntesis para la representación de protocolos de síntesis inorgánica. Discoteca digital. 163, 313–324 (2022).

Artículo de Google Scholar

Schijve, J. Fatiga de estructuras y materiales (Springer, 2009).

De Weck, Hoja de ruta y desarrollo tecnológico de OL: un enfoque cuantitativo para la gestión de la tecnología (Springer Nature, 2022).

Saltzer, JH El origen de la “licencia MIT”. IEEE Ana. Historia. Computadora. 42, 94–98 (2020).

Artículo de Google Scholar

Descargar referencias

Este estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China a través de las subvenciones 11825203, 11832010, 11921002, 52090032, 12122204 y 11872150.

Universidad de Tsinghua, Laboratorio de Mecánica Aplicada y Departamento de Ingeniería Mecánica, Beijing, 100084, China

Zian Zhang y Zhiping Xu

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

ZX concibió y supervisó la investigación. ZZ realizó el trabajo. Ambos autores participaron en la discusión de los resultados y en la preparación del manuscrito.

Correspondencia a Zhiping Xu.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Zhang, Z., Xu, Z. Base de datos sobre fatiga de aleaciones fabricadas aditivamente. Datos de ciencia 10, 249 (2023). https://doi.org/10.1038/s41597-023-02150-x

Descargar cita

Recibido: 04 de enero de 2023

Aceptado: 12 de abril de 2023

Publicado: 02 de mayo de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Datos científicos (2023)