ORNL получила шесть наград R&D 100 Research Awards за 2023 год

24 августа 2023 г.

Поделитесь в своей сети:

Исследователи Ок-Риджской национальной лаборатории (ORNL) Министерства энергетики США, расположенной в Ок-Ридже, штат Теннесси, США, получили шесть наград 2023 R&D 100 Awards. Победителей знаменитого конкурса науки и инноваций объявил журнал R&D World, в жюри которого вошли 45 профессионалов со всего мира. Заявки на конкурс поступили из пятнадцати разных стран и регионов.

«ORNL стремится предоставлять технологические решения для самых сложных проблем страны», — сказал временный директор ORNL Джефф Смит. «В этом году премия R&D 100 Awards является напоминанием о том, как усердно работают наши ученые и инженеры, чтобы достичь этого подвига».

В число победителей ORNL вошли ряд процессов аддитивного производства, а также другие технологии. В их число входило следующее:

Теплопроводящие коллиматоры аддитивного производства для нейтронной аппаратуры–ОРНЛ и ПоларОникс

Исследователи из ORNL и PolarOnyx, Inc. разработали 2D и 3D коллиматоры и детали, используя производственный процесс на основе композита с матрицей из карбида алюминия и карбида бора. Коллиматоры являются важными компонентами нейтронных и рентгеновских экспериментов, поскольку они уменьшают фон и обеспечивают измерение только нейтронов и рентгеновских лучей, рассеянных образцом. Композиционная добавка с металлической матрицей (MMC) сочетает в себе большое сечение поглощения нейтронов и твердость карбида бора с высокой теплопроводностью алюминия, что обеспечивает надежные измерения рассеяния нейтронов с минимальным шумом.

Эти сложные коллиматоры значительно превосходят коллиматоры традиционного производства. Технология аддитивного производства MMC позволяет снизить затраты на техническое обслуживание и время производства, а также обеспечивает беспрецедентные результаты испытаний по рассеянию нейтронов.

Научный отдел Министерства энергетики США предоставил финансирование для этого исследования.

Разработку возглавляли Мэтью Стоун из ORNL, Джефф Банн, Эндрю Мэй и Цзянь Лю и Шуан Бай из PolarOnyx. В разработке приняли участие Александр Колесников и Виктор Фанелли из ОРНЛ.

OpeN-AM: платформа для операндо нейтронографических измерений в аддитивном производстве.–ОРНЛ

Исследователи ORNL разработали OpeN-AM, платформу для проведения операндо-нейтронографических исследований металлов в ходе аддитивного производства. Платформа включает в себя осаждающую головку, возможности механической обработки и инфракрасный мониторинг (ИК). Все это можно скоординировать с операндо-инженерными измерениями дифракции нейтронов с использованием канала VULCAN на источнике расщепительных нейтронов (SNS) в ORNL.

Такое сочетание возможностей обеспечивает беспрецедентное понимание эволюции фазовых преобразований и факторов стресса, которые происходят в процессе АМ. Эти новые идеи позволяют постоянно совершенствовать обработку AM, чтобы смягчить стрессовые факторы и ускорить разработку новых материалов и стратегий обработки.

Финансирование исследования было предоставлено Департаментом исследований и разработок лаборатории Министерства энергетики США, Инициативой цифровой металлургии.

Алекс Плотковски из ORNL руководил разработкой вместе с Крисом Фанчером, Кайлом Салиби, Джеймсом Хейли, Ке Аном, Данджи Ю, Томом Фельдхаузеном, Гуру Мадиредди, Юсубом Ли, Джошуа Воганом, Сурешом Бабу, Джесси Хейнеман, Клэем Личем, Вэй Таном и Амитом Шьямом из ORNL. помощь в развитии.

Автономная микроскопия, основанная на физике и активном обучении, для научных открытий–ОРНЛ

Исследователи из ORNL и Университета Теннесси разработали основанный на физике метод активного обучения для автономных экспериментов. Этот пакет программного обеспечения включает в себя алгоритмы активного обучения, а также управляющее программное обеспечение для микроскопов и других экспериментальных инструментов, которые ускоряют научные открытия.

Развитие микроскопии изменило способы изучения материалов и биологических систем учёными и исследователями. Однако развитие автономной микроскопии сопряжено с рядом проблем, таких как автоматизация протоколов сбора и передачи данных, разработка методов машинного обучения для конкретных задач, понимание взаимодействия между физическими открытиями и машинным обучением, а также определение сквозных рабочих процессов.