材料基因工程数据生态系统

在全球数字化飞速发展的时代,互联网、物联网和计算机技术使数据的获取、存储和分析变得非常高效便捷。数据科学作为科学发现的第四范式,进一步加快了数据在科学研究中的应用。政府、企业、科研院所甚至个人都积累了大量数据,越来越多的人充分认识到数据对社会经济和科技的推动作用,因此对数据生态系统的需求应运而生,需要从全生命周期的角度来构建从数据的生产到输出、应用的全过程的生态系统。对材料数据生态系统的七要素:材料数据分类、材料数据标准、数据采集、数据存储、材料数据知识产权保护、数据质量管控以及材料数据库的重要性和最新进展进行论述,描述了材料基因工程数据生态系统的建设情况。

机器学习在金属材料服役性能预测中的应用

在材料基因工程的背景下,数据驱动的机器学习技术推动着材料研究进入了新的范式.机器学习能够充分利用已有的实验数据,在不明晰机制原理的情况下实现对材料服役性能的准确预测,极大地减少了实验所需的时间与成本.本文以机器学习预测金属材料的典型服役性能为主题,总结并分析了四种预测金属材料服役性能的常用机器学习模型.以疲劳、蠕变、腐蚀这三种常见的服役性能为代表,介绍了机器学习在这三个性能方面的研究情况,并列举了几个具体的案例进行简要分析.最后,总结了机器学习预测金属材料服役性能的特点,分析了当下机器学习预测金属材料服役性能存在的一些科学问题,并对其发展前景进行了讨论和展望.

大模型及其在材料科学中的应用与展望

以大模型在材料科学中的应用为着眼点,首先综述了大模型,介绍了大模型的基本概念、发展过程、技术分类与特点等内容;其次从通用领域大模型和垂直领域大模型两个角度,总结了大模型的应用,列举分析了不同种类大模型的应用场景和功能.再次,结合材料科学领域中的具体需求研究现状,调研并综述了语言大模型、视觉大模型和多模态大模型在材料科学中的应用情况,以自然语言处理和计算机视觉中的具体任务为切入,参考典型应用案例,综合提示工程策略和零样本知识迁移学习,厘清了当前将大模型应用至材料科学的研究范式和制约因素,并利用改进SAM视觉大模型在四种材料显微图像数据上进行了验证性图像分割与关键结构提取实验,结果表明SAM带来的零样本分割能力对于材料微结构的精准高效表征具有巨大应用潜力.最后,提出了大模型相关技术、方法在材料科学中的未来研究机遇,从单模态到综合性多模态的大模型研发与调优,评估了可行性及技术难点.

电缆绝缘材料交联聚乙烯的老化及寿命调控

交联聚乙烯(cross-linked polyethylene,XLPE)因其优异的力学性能和绝缘性能广泛应用于电力电缆领域中,但在高压电缆的运行过程中XLPE不可避免会受到电老化、热老化和电-热联合老化的影响,使得材料的性能和寿命下降,因此需要对XLPE的老化性能和使用寿命进行调控.本文介绍了XLPE的结构特性和交联机理,系统分析了其老化过程及影响机制,并概述了接枝、共混和纳米粒子改性等调控策略,同时基于寿命评估模型探究了XLPE因老化而导致的寿命衰减问题.最后,展望了调控XLPE电缆绝缘材料使用寿命策略的未来方向,为XLPE电缆绝缘材料的进一步改进和长期稳定运行提供理论指导.

基于梯度提升决策树的材料计算时间预测模型

材料计算运行时间预测对提升作业调度效率和新材料研发有着至关重要的作用,传统集群作业运行时间预测模型的精度较差,在领域的可用性较低。为此,提出一种基于梯度提升决策树的作业预测模型,结合领域知识和相关文献对VASP作业日志数据进行清洗,对选择的特征进行重要性评估,然后在不同数据量、不同样本分布数据条件下进行实验,将该模型与使用传统机器学习方法的模型进行比较。实验表明,所提方法的平均绝对百分比误差在不同条件下均低于传统机器学习方法,且综合作业运行时间的预测误差为4.28%,优于RunningNet方法的10.3%,证明了所提模型对材料计算运行时间预测精度更高,对提升作业调度效率和加快新材料研发作用更大。

面向材料基因工程的人工智能课程体系教学改革

材料基因工程技术对人工智能技术具有较大的依赖性,但现有人工智能课程体系并未对材料基因工程课程作出适应性调整。面向材料基因工程领域,设计了全新的人工智能课程体系,包含以材料领域实际需求为导向的“基础-进阶-应用”BAA递进式培养方案,以材料领域实际案例为基础的“听-学-做-讲”4A立体化教学模式,以国内外多领域专家为依托的高水平师资队伍,以及“随堂-课后-上机-答辩”CHCR多元化考核体系,并通过实践对教学效果进行评估。教学结果表明,在该教学模式下,研究生对本课程的接受度较高,科研潜力被激发,科研水平得到有效提升。

非线性电导聚合物材料研究进展

空间复杂辐射环境料可以保证正常情况(弱带电时)下的高绝缘性能,又能在高场强下以暂态高电导释放介质内部危险电下,高能带电粒子引起的航天器介质深层充放电效应是导致航天器故障的主要因素之一。研究表明,具有非线性I-U特性的复合材料可有效抑制航天器介质深层充放电。为此分析了非线性电导复合材料用于抑制航天器介质深层充放电的可行性,并从导电机理、改性方法、应用现状等方面阐述研究进展,并对非线性电导航天器介质的发展方向进行展望。分析结果表明:复合材料的非线性电导受多种电荷输运机制影响,非线性电导复合材料的制备工艺逐渐完善,并实现了从简单材料制备向仿真计算、空间环境地面模拟试验的突破。下一步的研究重点在于空间环境下的导电机理,材料制备和仿真计算、试验的协同性,仿真模型和多源模拟试验条件的优化。

时速350km高速列车用铜基闸片材料的摩擦性能

闸片是高速列车制动系统的核心部件,本文设计了350 km·h^(-1)高速列车用铜基闸片材料,对闸片进行了1∶1台架实验考核,重点分析了摩擦膜的性质及闸片的摩擦磨损性能.结果表明,研制闸片不仅具有优异的摩擦系数稳定性和低的磨耗,还具有不伤盘的特点.瞬时摩擦系数和平均摩擦系数均满足TJCL/307—2019标准的要求,摩擦系数稳定性为0.0015,250~380 km·h^(-1)制动速率范围内的摩擦系数热衰退仅0.027,在380 km·h^(-1)下的平均摩擦系数仍维持在0.35,平均磨耗仅0.06 cm^(3)·MJ^(–1).闸片优异的摩擦制动性能归因于形成了高强韧、低转移速率的摩擦膜.利用大粒径摩擦组元作为外部运动障碍钉扎摩擦膜.摩擦膜中的亚微米磨屑作为摩擦膜与对偶盘的啮合点,提供摩擦阻力,以保持高速制动时的摩擦系数.添加的易氧化组元为摩擦膜源源不断提供氧化物,研磨生成的纳米氧化物作为弥散相强化摩擦膜.通过多尺度颗粒的协同增强,实现了摩擦膜的动态稳定化,赋予了闸片优异的摩擦磨损性能.

聚偏氟乙烯基复合材料储能特性优化策略

介质电容器具有充放电速率快、低损耗以及柔性易加工等优点,广泛应用于电子电力系统中的关键储能器件,但介质电容器储能密度较低,难以适用于现阶段电气工程更高的应用需求,聚偏氟乙烯(PVDF)基聚合物因具有较高的介电常数与较高的击穿强度得到广泛关注,因此本文着重介绍了以PVDF为基体的储能复合材料,归纳和讨论包括介电常数、击穿强度和充放电效率3个提高储能密度的机理及其优化策略.最后对高储能PVDF基复合材料现阶段存在的问题以及将来所需要研究的重点进行总结与展望.

氮化硼改性聚合物基高导热复合材料研究进展

电气、电子装备中器件的微型化、高功率化发展使得散热成为关键,以氮化硼(boron nitride,BN)为填料制备的导热复合材料是改善这一问题的有效方式。为此在阐述BN结构特点的基础上,从单一填料处理包括BN的剥离以及BN表面改性、复合填料协同作用、导热网络的构建这3个角度出发,分析了提升BN改性聚合物材料导热性能的途径。最后,对当前BN改性聚合物导热复合材料研究存在的问题进行总结,并对导热复合材料未来发展方向做出展望,以期望实现有限空间内的高效散热。

新型快速高精度主动学习算法的开发:以MAX相晶体的材料力学性能预测为例

近年来,MAX相晶体由于独特的纳米层状的晶体结构具有自润滑、高韧性、导电性等优点,成为全球的研究热点之一.其中M2AX相晶体兼具陶瓷和金属化合物的性能,同时具有抗热震性、高韧性、导电性和导热性,但是由于该类材料的单相样品实验制备比较困难,从而限制了其发展.主动学习是一种利用少量标记样本可以达到较好预测性能的机器学习方法,本文将高效全局优化算法与残差主动学习回归算法相结合,提出了一种改良的主动学习选择策略RS-EGO,基于169个M2AX相晶体的数据集,对M2AX相晶体的体模量、杨氏模量与剪切模量进行建模与预测寻优,通过计算模拟的方式来探索材料性能从而减少无效的验证实验.结果发现,RS-EGO在快速寻找最优值的同时具有较好的预测能力,综合性能要优于两种原始选择策略,也更适合样本量较少的材料性能预测问题,同时选择不同的结合参数会影响改良算法的优化方向.通过在两个公开数据集上运用改良算法证明了其有效性,并给出了结合参数的选择,设计不同结合参数下的模型实验,进一步探究不同参数对模型优化方向的影响.

高端新材料智能制造的发展机遇与方向

发展智能制造是我国制造业创新升级的主攻方向,高端新材料是支撑高端装备和重大工程需求的核心材料,推动智能制造与高端新材料制造紧密结合,对提升高端新材料制造能力,满足重大装备对高端新材料的需求,具有重要意义。本文深入分析了高端新材料智能制造的必要性,在分析面向高端新材料的高性能制造、复杂构件的整体化与轻量化制造、高端构件的一体化与低成本绿色制造等特征基础上,总结了传统“试错法”研发模式在材料制造领域遇到的主要问题与挑战,分析了数据驱动的高端新材料智能制造研发模式带来的重大变革与机遇,并以材料智能加工成形为例,全面梳理了亟需发展的共性关键技术及其发展方向。本文从加强关键技术研究、构建创新体系、创新学科交叉人才培养和加快成果转化等方面,提出了加快发展高端新材料智能制造的对策建议,以缩短与国外先进水平的差距,支撑我国材料产业的升级换代和跨越式发展。

新材料研发智能化技术发展研究

新材料研发智能化技术发展迅速,显著增强了材料研发效率及工程化应用水平,获得国际性的高度关注。我国在此领域发展相对滞后,基础设施条件面临缺口,制约着新材料原始创新及产业发展质量。本文总结了新材料研发智能化涉及的关键技术,从技术角度梳理了国内外发展现状,分析了我国新材料研发智能化面临的挑战;阐述了新材料研发智能化技术体系框架,包括材料智能计算设计技术与核心软件、材料自主/智能实验技术与高端装置、材料人工智能基础算法及关键技术、材料数字孪生、材料智能化研发平台与协同创新网络等。提出了创新生态构建及保障、产业化发展环境、数据底座与标准体系、人才培养与国际合作方面的举措建议,以期推动新材料研发智能化技术体系的发展与应用。

碳纤维/铝基复合材料的制备与性能

电磁发射具有隐蔽性好、发射速度快等特点,近年来得到快速发展,具有成为新一代远程精确打击武器的巨大潜力,但是在电磁场、热力场等多场耦合的极端环境下,目前所使用的电枢难以满足服役要求。为此,以长径比为10∶1的碳纤维和气雾化的纯铝粉为原料,结合冷等静压成形、烧结及热挤压工艺制备了碳纤维/铝基自润滑复合材料电枢,对比了不同碳纤维含量的复合材料的微观组织、力电性能及摩擦磨损性能。结果表明:当碳纤维含量≤8 wt%时,碳纤维均匀分布于铝基体中,且平行于挤压方向排布,具有明显方向性;碳纤维的添加提升了基体的强度,并且使复合材料的摩擦系数和磨损量明显低于纯铝基体,对摩副的粘铝量也随之减少;当碳纤维含量达到10 wt%,复合材料的力电性能明显下降;当碳纤维含量为8 wt%时,复合材料的综合性能最好,抗拉强度为219 MPa,导电率为49.2%IACS,摩擦系数为0.22。

材料高通量试验及表征技术研究进展

随着美国于2011年率先提出材料基因组计划(materials genome initiative,MGI),为了解决传统材料研发“试错法”耗时长、成本高、效率低的问题,加速新材料的研发及应用,降低材料研发成本,近年来世界各国均开展了大量材料基因组计划相关研究。作为材料基因组计划的三大重要组成部分之一,材料高通量实验(试验及表征)技术已成为各国研究学者的重点关注对象。首先对材料高通量试验设计原理、实现思路及发展现状进行了梳理,分析了高通量试验在金属、非金属等材料体系制备及试验评价中的发展;同时总结了材料高通量表征技术的发展,根据表征参量不同,分析介绍了多种高通量表征技术;最后根据材料高通量试验及表征技术现状,对当前高通量试验及表征技术进行了总结及展望。

基于数据增广的小样本材料属性预测

如何提升数据可用性是机器学习应用在材料属性预测任务中的一大挑战。对此,提出了一种基于数据增广的小样本材料属性预测方法。针对公开发布的Matbench屈服强度属性预测任务,仅使用312个数据样本,应用全连接神经网络对属性进行预测。首先,去除降低模型性能的元素,提高数据质量;然后,使用线性插值扩充数据集;最后,对神经网络进行建模和训练,预测屈服强度属性。相比于最优基线模型MODNet,该方法的平均绝对误差降低了4.97%。

动态可持续聚酰亚胺电介质材料应用与进展

聚酰亚胺(PI)电介质兼具优异的电气和机械性能以及高热、化学稳定性,被广泛应用于电力、电子设备的生产制造,是绝缘材料的重要组成部分。近年来,随着绿色能源和可持续发展的需求,社会发展更加需要材料在损伤后能够修复、回收等,以实现再利用。然而,由于PI自身分子结构具有超强的稳定性,分子链在低温条件下难运动,难以实现损伤后的主动修复、回收。因此,必须从本征分子结构角度出发,设计开发适用于PI的新型可逆分子结构来实现材料的动态特性。基于此,本文综述了以PI为基体的回收、修复等动态问题的研究,重点介绍目前动态PI的制备方法、发生动态反应的条件及评估多种损伤形式之间的关系;总结了自修复PI电介质材料,包括共混、共聚及设计制备新型结构单体等工艺手段实现材料的修复特性,以及自修复PI当前的发展现状及面临的困难与挑战;概述了可降解、可回收PI材料的设计制备,通过动态共价键和动态交联网络择优实现PI电介质的回收,对于目前动态PI体系中存在的问题及未来研究方向进行了总结和展望:可以使用新型动态交联剂结合微量有机或无机物料的复合实现PI材料的动态特性和综合性能的协同提升;通过改善工艺或选择动态交联剂实现PI单体和交联剂粉末级别回收,有效避免降解催化剂的影响;需要进一步设计新型功能性单体,从分子结构水平实现可逆以解决PI修复、降解、回收难的问题。

机器学习辅助预测铜铝复合材料界面结构与性能

采用支持向量回归、人工神经网络和随机森林三种机器学习算法,建立了铜铝复合材料在连铸复合(固/液扩散)和退火(固/固扩散)时工艺参数与界面层厚度、界面结合强度的关系模型,为铜铝复合材料的界面调控提供了新方法。基于界面结合强度预测模型,采用遗传算法优化连铸复合工艺,得到的优化参数为:铝液温度θ_(Al)=799℃,铜液温度θ_(Cu)=1220℃,拉坯速度v=83 mm/min,一次冷却水流量Q1=576 L/h,二次冷却水流量Q2=716 L/h。相关性计算以及界面剪切实验表明,Al_(2)Cu层对断裂过程和界面结合强度有较大影响。

250 km/h动车组用闸片制动摩擦及噪声特性

利用1∶1台架试验探究了250 km/h城际动车组闸片-盘紧急制动过程中的摩擦及噪声特性。结果表明当速度为50~250 km/h时,摩擦系数受制动速度增长影响较小,而制动压力的增加仅在250 km/h时诱导摩擦系数下降,表明该型闸片具有优异的摩擦系数稳定性。对于噪声特征,5000 Hz以下的噪声占主导地位,而更高频噪声只出现在某些特定的频率段。制动速度的增加会增加制动初期的噪声强度和频率范围,而压力提高则带来相反的抑制作用。高制动压力会促使制动后期高频啸叫的产生。因此,在制动时采用先高压力后低压力的变压力制动方式可能是降低高频制动噪声的方法。

深度学习在材料显微图像分析中的应用与挑战

材料的组织结构主要受成分和制备加工工艺的影响,是决定材料性能的关键因素,在材料研发的全周期内具有重要作用。材料组织结构以非结构化图像数据的形式呈现,利用人工经验性的手段进行分析和信息抽取,遗漏了大量的材料学信息和隐含知识。深度学习技术的发展和应用,为材料显微图像中信息的精准、快速、自动获取提供了重要的研究手段。本文从图像处理、图像分析和图像理解3个方面概述了材料显微图像处理与信息挖掘的主要研究内容和关键技术,详细介绍了深度学习在图像分析中的图像识别、图像分割和图像生成3个任务中的研究进展,讨论了深度学习在材料显微图像分析和信息挖掘中的发展方向和挑战。