An important perspective on the fat

An important perspective on the fatigue studies of SLM steels is to transform the experimental results into some empirical parametric equations predicting the fatigue behaviour of SLM steels. Although this kind of equations have been presented and successfully applied for traditionally manufactured steels since a long time ago, studies thus far failed to provide/modify such equations considering specifically the SLM steels, or even other AM materials. Thus, further studies should be focused on recognizing and arranging the SLM effective parameters according to their influence on the fatigue life of SLM steels

Results (Thai) 1:

มุมมองที่สำคัญในการศึกษาความเมื่อยล้าของเหล็ก SLM คือการแปลงผลการทดลองลงในสมการตัวแปรบางเชิงประจักษ์ทำนายพฤติกรรมความเมื่อยล้าของเหล็ก SLM แม้ว่าชนิดของสมการนี้ได้รับการนำเสนอและนำไปใช้สำหรับการผลิตเหล็กแบบดั้งเดิมตั้งแต่เวลานานที่ผ่านมาประสบความสำเร็จในการศึกษาป่านนี้ล้มเหลวในการให้ / แก้ไขสมการดังกล่าวเมื่อพิจารณาเฉพาะเหล็ก SLM หรือแม้กระทั่งวัสดุนอื่น ๆ ดังนั้นการศึกษาต่อไปควรจะมุ่งเน้นไปที่การรับรู้และการจัด SLM พารามิเตอร์ที่มีประสิทธิภาพเป็นไปตามอิทธิพลของพวกเขาในชีวิตความเมื่อยล้าของเหล็ก SLM

Results (Thai) 2:

มุมมองที่สำคัญในการศึกษาความเมื่อยล้าของเหล็ก SLM คือการแปลงผลการทดลองเป็นสมการเชิงประจักษ์บางอย่างทำนายพฤติกรรมความเมื่อยล้าของเหล็ก SLM. แม้ว่าชนิดของสมการนี้ได้รับการนำเสนอและประสบความสำเร็จในการนำมาใช้สำหรับเหล็กที่ผลิตแบบดั้งเดิมตั้งแต่เป็นเวลานานที่ผ่านมา, การศึกษาจึงไม่สามารถให้/แก้ไขสมการดังกล่าวพิจารณาโดยเฉพาะเหล็ก SLM, หรือแม้กระทั่งวัสดุอื่นๆ AM. ดังนั้น, การศึกษาเพิ่มเติมควรมุ่งเน้นการรับรู้และการจัดเรียงพารามิเตอร์ที่มีประสิทธิภาพ SLM ตามอิทธิพลของพวกเขาในชีวิตความเมื่อยล้าของเหล็ก SLM

Results (Thai) 3:

มันเป็นสิ่งสำคัญที่จะเปลี่ยนผลการทดลองเป็นพารามิเตอร์เชิงประจักษ์สมการทำนายพฤติกรรมความล้าของ SLM เหล็ก ถึงแม้ว่าสมการดังกล่าวได้รับการเสนอและใช้เรียบร้อยแล้วในการผลิตเหล็กแบบดั้งเดิมการศึกษาเพื่อให้ห่างไกลได้ให้ปรับเปลี่ยนสมการดังกล่าวโดยเฉพาะ SLM เหล็กและแม้แต่วัสดุอื่นๆเป็น ดังนั้นการรับรู้และการจัดเรียงของพารามิเตอร์ที่มีประสิทธิภาพสำหรับ SLM เป็นสิ่งสำคัญมากสำหรับการวิจัยในอนาคต