钒钛科技数据资源标准化数字化建设

近年来,随着计算机技术的蓬勃发展,各行业或多或少的走上了信息化发展道路,科学研发领域更是迅速借助大数据的作用,进行着“数据创新驱动”的改革,不断整合数据资源提取有效信息,进而指导科学研究。与此同时,大数据时代也为钒钛产业的发展提供了契机。钒钛作为国家重要的战略资源,广泛应用于我国国防军工、航海航天和新能源等领域,其快速发展的同时也产生了体量巨大的各类数据资源。然而,由于没有统一的标准和规范,数据之间传输方式不固定、各自为营的现象比较普遍,导致工作人员对数据资源的查询和共享较为困难,需要耗费大量的时间和精力,再加之在现阶段的网络环境下,数据资源可能存在内容加密、收取费用等问题不便于让个人直接使用,数量庞大且多源异构的数据资源成为实现信息共享、交互的“绊脚石”,这也为高效统一管理数据、共享资源服务提出了更高的要求和挑战,如何有效解决这一系列问题对钒钛行业的数字化研究具有深远的影响。

材料信息学及其在材料研究中的应用

2011年美国奥巴马总统提出的材料基因组计划(MGI),旨在以比原先至少快两倍的速度开发和制造先进材料,且成本仅为原先的几分之一,这促使了材料信息学的快速发展。材料信息学是信息学技术在材料学中的应用,通过建设材料信息数据库、集成材料研究设计平台和材料数据挖掘方法对材料大数据进行分析和预测,快速发现决定材料性能的"基因",也就是材料成分-工艺-组织-性能之间的定量关系,可以有效地加快材料研发设计。介绍了材料信息学的基本概念和主要研究领域,描述了材料信息学中的3个主要组成部分:材料信息数据库、集成材料设计平台和材料数据挖掘技术的主要内容和应用实例。材料信息数据库储存和管理各类材料数据,包括材料基础性能、晶体结构数据、模拟计算数据、试验与工艺数据、专利数据和各类出版物等;集成材料设计平台提供各种模拟计算方法,如第一性原理、分子动力学、CALPHAD方法、相场模拟和有限元分析;数据挖掘是统计学、机器学习、信息学、可视化技术等学科的交叉领域,是从大数据中发现知识的实用方法。并介绍了成都材智科技搭建的"材智云"集成材料设计平台的框架和功能。思考了材料信息学在材料领域中应用时所面临的难题。

钒钛产业大数据创新平台设计

在信息技术蓬勃发展的时代背景下,互联网大数据在科技创新和产业发展中的作用日益凸显,各行业纷纷加入“数据创新驱动”的改革潮流中,不断深化行业内与大数据的融合,想要乘时代东风在行业快速发展进程中提高自身的市场竞争力,这也为钒钛产业的发展提供了新的契机。金属钒作为“现代工业味精”在钢铁、化工、航空航天等领域广泛应用,而金属钛则作为“战略金属”在太空和海洋领域大展宏图。

核电材料数字化平台的开发及应用

作为在科学第四范式下的全新的材料科学研究方式,快速发展的材料基因工程相关技术,构成了新型材料数字化平台的重要技术基础。针对材料数据呈现的海量、复杂、碎片化及分散等特点,材料数字化平台需要具备数据采集、数据管理、数据可视化及其他数据应用等功能。机器学习、人工智能等技术与材料数字化平台的深度结合将为材料数据在核反应堆数字化协同设计中的应用提供新的思路。在材料基因工程框架下,构建了适用于核电材料(尤其是金属结构材料)的数字化平台。详细介绍了该材料数字化平台的功能及应用,展示了平台在核反应堆设计过程中的重要价值。

基于机器学习算法的核电结构材料性能预测

核电作为我国能源的重要组成部分,显示出巨大的发展潜力。随着核电技术的不断提高、完善,各类核电结构材料层出不群,寻找性能优异的新型材料成为影响核电站安全性和经济性的重中之重。同时材料信息学的助力使得研究人员可以高效地得到大量试验与计算数据,基于以上数据通过机器学习算法即可预测材料的性能,为新材料的研发提供新的契机。对机器学习原理及方法进行了概述,基于核电合金结构材料数据库构建了适用于核电结构材料性能预测的机器学习系统,并对该系统进行流程介绍和具体示例演示。最后,结合对核电结构材料性能预测机器学习系统的研究,指出机器学习在材料领域存在的问题和未来研究方向,希望利用机器学习方法加速新材料的研发进程。

贵金属材料基因工程数据库建设策略

贵金属,尤其是其中的铂族金属因极度稀缺、价格昂贵,又具有难以替代的物理化学性能,被称为“第一高技术金属”和“工业维他命”,是国防军工高精尖领域不可替代、高新技术领域不可或缺的重要原材料。新材料研发主要采用传统的“试错法”依靠经验累积,存在贵金属消耗大、价格太高而“用不起”,应用性能要求太高、研发周期长而“效率低”两难问题。数据驱动的材料基因工程研究方法通过“大数据+人工智能”技术预测材料性能和设计新材料,再通过实验验证和开发新材料,可大幅缩短研发周期、降低研发成本,为有效解决贵金属新材料研发的两难问题提供了新思路。

基于机器学习算法的核电用奥氏体不锈钢力学性能预测

由于受到严苛的服役环境和中子辐照的影响,核动力装置用奥氏体不锈钢作为结构材料应用时对力学性能要求较高,因此对于奥氏体不锈钢力学性能的预测很值得关注和研究。将机器学习算法应用于材料信息学并对机器学习的方法和原理作了简要说明,重点介绍了基于奥氏体不锈钢力学性能数据库,以奥氏体不锈钢力学性能预测为应用实例建立了机器学习模型和系统平台,最后通过预测值与真实值的对比验证对模型进行了评估。研究结果表明,构建的相关模型可以对奥氏体不锈钢的抗拉强度和屈服强度进行有效预测,R^(2)均在0.90以上。对现阶段机器学习在性能预测和材料研发领域急需解决的问题进行了探讨,并对其未来的发展方向进行了展望。

小堆结构材料全生命周期数据管理系统设计研究

小型模块化反应堆(简称小堆)结构材料具有种类繁多、来源广泛和格式多样等特点。基于现代信息技术及大数据背景,结合小堆结构材料数据的特殊性,从材料数据管理角度出发,设计构建了一个覆盖小堆结构材料全生命周期的专用数据管理系统,实现从碎片化数据获取到海量数据集成、处理并融合的转变。整个系统不仅实现了自定义数据库设计,还实现了小堆结构材料全生命周期数据的管理和应用,满足用户数据查询、数据检索、可视化分析等多种需求,有利于推进小堆结构材料数据管理向规范化、智能化发展。同时该数据管理系统突破了多尺度材料数据管理技术瓶颈,增强了材料数据的安全性和可靠性,为数字化小堆研发设计提供了重要支持。

钢铁企业大数据研发平台的建设与思考

通过分析当代大数据背景环境下的钢铁企业研发面临的新特点、新问题,提出了建设有助于解决钢铁企业研发问题的大数据研发平台。简要说明了构成钢铁企业大数据研发平台的钢铁冶金研发大数据管理分析服务应用系统、集成计算平台系统和机器学习平台系统的主要功能,并重点阐述钢铁企业大数据研发平台建设所遵循的主要原则和思路方法。最后通过对钢铁企业大数据研发平台建设的研究,基本可以解决钢铁企业研发过程中在数据处理或分析方面面临的问题,帮助钢铁企业研发模式实现由"经验+试错"上升到"计算+验证"的转变,同时还可以有效降低研发成本、提高研发效率,对未来钢铁企业大数据的发展具有重要的指导作用。