فلزات و آلیاژها

img-mv26vzqu-97da5861

توضیحات


ترکیبات آلیاژ را با پیش بینی جستجو کنید - آلیاژهای با آنتروپی بالا، سوپرآلیاژها و فلزات کاربردی. MatterSeek خواص را از ترکیب پیش بینی می کند.

 

6 25

فلزات و آلیاژها - سیستم مواد / عملکرد قابل پیش بینی / مسیر اعتبار سنجی

 

 

 

 

 

هوش مصنوعی برای طراحی آلیاژ - ترکیبات با آنتروپی بالا و سوپرآلیاژ را با پیش بینی جستجو کنید

 

 

1. MatterSeek یک پلت فرم تحقیق و توسعه مواد هوش مصنوعی برای توسعه آلیاژ است.

از آنجایی که ویژگی‌ها را مستقیماً از ترکیب با یک تا چهار عنصر پایه با دقت دوپینگ 0.02 پیش‌بینی می‌کند، برای مشکل جستجوی ترکیب که آلیاژها، سوپرآلیاژها و فلزات کاربردی با آنتروپی بالا را تعریف می‌کند ساخته شده است.

2. طراحی آلیاژ همیشه یک مشکل ترکیب بندی بوده است و فضای جستجو سریعتر از توانایی کشف آن رشد کرده است.

یک آلیاژ چند جزئی مدرن را می توان در طیف وسیعی از نسبت ها و ردیابی ها تغییر داد، در حالی که صلاحیت نیاز به قرار گرفتن در معرض حرارتی طولانی مدت و آزمایش مکانیکی دارد. نتیجه عملی این است که توسعه به جای کاوش سیستماتیک فضا بر روی ترکیبات آشنا همگرا می شود.

3. فضای ترکیب بندی را در نرم افزار جستجو کنید.

شما مجموعه عنصر پایه و پنجره ویژگی مورد نیاز خود را توصیف می کنید - یک نقطه ذوب هدف، یک نیاز حرارتی یا ترموالکتریک، یک هدف مغناطیسی یا ساختاری - و MatterSeek ترکیبات نامزد رتبه بندی شده را با خواص و عدم قطعیت پیش بینی شده برمی گرداند. مدیریت ترکیب یک تا چهار عنصر پایه را با دقت سطح دوپینگ 0.02 پوشش می دهد، که مطابق با نحوه مشخص شدن مطالعات آلیاژی و میکروآلیاژی است. پیش‌بینی برای دو عنصر پایه تقریباً در یک دقیقه، برای سه عنصر دو دقیقه و برای چهار عنصر در هفت دقیقه تکمیل می‌شود. نتایج به‌عنوان نمودارهای راداری برای مقایسه چند ویژگی، نقشه‌های حرارتی دوبعدی و سه‌بعدی که شیب ویژگی‌ها را در محدوده ترکیب‌بندی نشان می‌دهند، و جداول داده‌های قابل صادرات نشان داده می‌شوند.

4. خواص در محدوده.

این موتور خانواده هایی از جمله رفتار الکتروشیمیایی، دی الکتریک، حرارتی، ترمودینامیکی، مغناطیسی، نوری و مکانیکی - از جمله ثابت دی الکتریک، نقطه ذوب، دمای بحرانی ابررسانا، ضریب سیبک، ضریب قدرت و شکل ترموالکتریک شایستگی را پوشش می دهد. نتایج به‌عنوان نمودارهای رادار برای مقایسه چند ویژگی، نقشه‌های حرارتی دوبعدی و سه بعدی برای مناظر ترکیب-ویژگی، و جداول داده‌های قابل صادرات برگردانده می‌شوند.

5. خواص مربوط به توسعه آلیاژ.

این موتور خانواده‌های ترمودینامیکی، حرارتی، الکتروشیمیایی و الکترونیکی را پوشش می‌دهد، از جمله نقطه ذوب، نرخ خنک‌کننده بحرانی برای آمورفیزاسیون، ضریب Seebeck، ضریب قدرت و رقم شایستگی ترموالکتریک. این پارامترها مستقیماً روی توسعه آلیاژ آمورف و نانوبلور، مواد ترموالکتریک و محدودیت‌های حرارتی حاکم بر خدمات سوپرآلیاژ نگاشت می‌شوند.

6. اعتبار سنجی با مسیرهایی که آلیاژها در واقع توسط ساخته می شوند.

ترکیبات پیش‌بینی‌شده به آزمایشگاه خودمختار 1200 متر مربعی MatterSeek منتقل می‌شوند، که اولین خوشه فرآیند آن برای فلزات ساخته شده است: بچینگ در جو بی‌اثر، ذوب القایی خلاء، ذوب مجدد قوس، ریسندگی مذاب یا اتمیزه کردن پودر، تف جوشی پلاسمای جرقه‌ای، بازپخت خلاء و ماچی. خصوصیات خودکار شامل XRD، XRF و تجزیه و تحلیل حرارتی همزمان است. دقت پیش‌بینی در برابر اندازه‌گیری فیزیکی 95.7 درصد است و هر نتیجه اندازه‌گیری شده، دور بعدی را تغذیه می‌کند. پوشش خانواده شامل آلیاژهای با آنتروپی بالا، سوپرآلیاژها، آلیاژهای آمورف و نانوکریستالی، مواد مغناطیسی، مواد ترموالکتریک، آلیاژهای سبک وزن و مقاوم در برابر خوردگی و ترکیبات متالورژی پودری است.

 

سوالات متداول

 

 

س: آیا MatterSeek می تواند آلیاژهای با آنتروپی بالا طراحی کند؟

ج: بله. این پلت فرم از یک تا چهار عنصر پایه با دقت دوپینگ 0.02 پشتیبانی می کند، که مطالعات آلیاژ چند جزئی دانه بندی نیاز دارد، و نامزدهای رتبه بندی شده را با ویژگی های پیش بینی شده برمی گرداند.

س: کدام خواص آلیاژ را می توان پیش بینی کرد؟

A: خانواده های ترمودینامیکی، حرارتی، الکتروشیمیایی و الکترونیکی، از جمله نقطه ذوب، نرخ خنک کننده بحرانی برای آمورفیزاسیون، ضریب Seebeck، ضریب توان و شکل ترموالکتریک شایستگی.

س: کاندیداها چگونه تایید می شوند؟

A: از طریق خوشه مسیر فلزی آزمایشگاه خودمختار - ذوب القایی خلاء، ذوب مجدد قوس، چرخش مذاب یا اتمیزه کردن، تف جوشی پلاسمای جرقه ای و بازپخت خلاء - به دنبال آنالیز حرارتی، XRD خودکار، XRF و.

Yuyao (Beijing) Technology Co., Ltd. یک شرکت حرفه ای متخصص در تقاطع هوش مصنوعی و مواد پیشرفته فلزات و آلیاژها است. این شرکت به طور مستقل MatterSeek را توسعه داده است - یک مدل بزرگ اساسی که برای بخش مواد طراحی شده است - و الگوریتم HNN (شبکه عصبی سلسله مراتبی) را پیشگام کرده است، در حالی که یک پایگاه داده آزمایشی مواد قابل کنترل و اختصاصی ساخته است.