-
题名材料数据共享现状综述及区块链应用前景探讨
被引量：4
- 1
-
-
作者
王畅畅
苏航
段琳娜
杨骄一
侯雅青
-
机构
钢铁研究总院
北京钢研新材科技有限公司
中国钢研科技集团有限公司数字化研发中心
-
出处
《材料导报》
EI
CAS
CSCD
北大核心
2022年第24期1-9,共9页
-
基金
国家重点研发计划材料基因工程专项(2017YFB070302)。
-
文摘
在材料领域,大数据逐渐成为新的资源,在材料研发过程中扮演着重要的角色。目前国内外有诸多材料数据库,科学数据的开放和共享逐步成为国际共识,欧洲学术界开展了开放科学运动并提出了科学数据FAIR原则。然而,数据共享过程中仍存在一些技术挑战,如材料数据共享技术、知识产权与数据安全问题以及材料数据共享生态的建设问题。区块链由于具有去中心化、可追溯等特点,为材料数据共享提供了新的解决思路。本文调研了材料数据库的共享现状,论述了数据开放科学运动的发展和FAIR原则,提出了目前材料数据管理与共享所面临的挑战,并通过区块链的应用原理和案例探讨了区块链在材料数据共享中的应用前景。
-
关键词
材料大数据
数据共享
FAIR原则
区块链
-
Keywords
material big data
data sharing
FAIR principles
blockchain
-
分类号
TB30
[一般工业技术—材料科学与工程]
G250.74
[文化科学—图书馆学]
-
-
题名金属材料多尺度高通量制备研究进展
被引量：1
- 2
-
-
作者
侯雅青
苏航
张浩
王畅畅
-
机构
钢铁研究总院
中国钢研科技集团有限公司数字化研发中心
重庆安德瑞源科技有限公司
北京钢研新材科技有限公司
-
出处
《材料导报》
EI
CAS
CSCD
北大核心
2022年第1期164-173,共10页
-
基金
国家重点研发计划项目-材料基因工程关键技术与支撑平台(SQ2017YFGX090031)
国家自然科学基金(51701044)。
-
文摘
材料高通量实验是在短时间内完成大量样品的制备与表征,可帮助研究者快速筛选新材料的成分和工艺组合,高效探索材料创新的“基因”,从而促进自主创新迭代能力,是材料基因组工程的关键技术之一。高通量制备技术是高通量实验的基石,其技术发展方向可归纳为两类,第一类是通过并行试验的方法提高制备效率,第二类是在同一样品上实现成分或工艺参数梯度变化。按照制备样品单元的尺度可分为纳微观样品制备方法和宏观样品制备方法,以界面法、薄膜法为代表的纳微观尺度高通量制备技术已被广泛用于各类新材料的成分设计。目前该领域的重要发展方向之一是块体样品的高通量制备技术,用以实现对样品宏观力学性能的直接表征。发展中的宏观尺度样品的高通量制备方法总体上可分为成分高通量制备和工艺高通量制备两大类。本文按照样品尺度归纳了各类高通量制备方法的优缺点及应用特点,特别是高通量方法与激光增材制造技术结合制备块体材料的思路,重点介绍了高通量制备技术在高熵合金、非晶合金和新型结构材料设计开发中的应用案例,分析了高通量制备技术未来发展的重点和趋势,包括均匀块体样品的高效高通量制备、高通量制备与表征的一体化协同以及发展高通量数据采集管理学习的一体化云数据平台,以期为金属新材料成分及工艺设计提供技术思路。
-
关键词
高通量制备
高通量实验
材料基因工程
激光增材制造
块体金属样品
高熵合金
-
Keywords
high throughput synthesis
high throughput experiment
material genome engineering
laser additive manufacture
bulk metallic samples
high entropy alloys
-
分类号
TB31
[一般工业技术—材料科学与工程]
-
-
题名基于机器学习的超导临界温度预测
被引量：1
- 3
-
-
作者
刘城城
王炫东
蔡味东
杨佳慧
苏航
-
机构
钢铁研究总院工程用钢研究所
中国钢研科技集团有限公司数字化研发中心
-
出处
《材料导报》
CSCD
北大核心
2023年第S02期485-491,共7页
-
基金
国家科技攻关计划(2021YFB3701201)。
-
文摘
过低的超导临界温度(T_(c))一直是限制超导材料广泛应用的主要原因,因此如何设计出具有较高T_(c)的合金是超导材料发展的关键步骤。本工作以机器学习算法为工具,基于两种特征生成器和九种回归算法,建立了预测T_(c)的数据驱动模型,提高了新型超导合金的研发效率。结果表明,极端随机树算法(etr)和Magpie规则的预测效果最好,决定系数(R^(2))和平均绝对误差(MAE)在测试集上分别能达到0.88和2.21 K。为降低模型的复杂程度,对生成的特征通过过滤法和穷举法进行特征筛选,再结合特征的重要性排序,得到对T_(c)影响最大的三种特征分别是电负性的平均绝对偏差、平均未填充电子数和平均s层未填充电子数。以三种特征为变量,建立T_(c)的预测图谱,发现在平均s层未填充电子数为0.2~0.6,电负性的平均绝对偏差为0.5~1.2,平均未填充电子数为0~5时,材料有着大于50 K的T_(c),为新型超导合金的成分设计提供方向。
-
关键词
超导临界温度
机器学习
特征选择
-
Keywords
superconducting critical temperature
machine learning
feature selection
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
