<th id="835mo"></th>
    <tbody id="835mo"></tbody>
  • <em id="835mo"></em>

      <rp id="835mo"></rp>
      電話:400-888-8888

      數據和模型驅動含能材料智能研火狐體育全站app下載發創新

      文章來源:未知時間:2022-05-01 點擊:

        火狐體育全站app含能材料的發展與國家進步、息息相關,含能材料領域要實現重大突破,需要強化基礎研究,推動科技創新。在國家“智能制造”的大環境下,工信部提出的,基于大數據進行建模、分析、優化,從而實現預測預警和輔助決策。因此,含能材料行業的領導者正在使用數字解決方案重新定義產品創新,通過引入信息化、人工智能、虛擬仿真等數字化手段,實現傳統經驗驅動到數字驅動的研發理念轉變,有效降低研發成本,提高研發效率,加快產品上市。

        創騰科技賦能企業數字化轉型,加速智能創新,提供整體的解決方案,幫助研發人員按特定應用場景獲取所需的研發數據集,實行自助式數據基因組模型的搭建,再利用AI技術構建智能知識預測模型,并通過工作流技術將知識模型進行分享的新型研發數據利用模式。

        本次講座將重點給大家介紹科學數據基因組平臺SDH和人工智能與分子模擬平臺MaXFlow助力含能材料的智能研發創新。

        企業組織、科研單位通過科學數據基因組平臺SDH可以對來自不同數據源的海量科學數據進行抽取、整合、清洗、索引,建立統一數據規范,靈活構建和管理主體庫,并按需抽提所需數據。為含能材料領域消除科研數據壁壘,打通科研業務間的科學數據通路來實現數據資產的整合和共享;對科學數據探索和智能分析提供了技術支撐。

        MaXFlow人工智能與分子模擬平臺,可以讓科研人員以更高效、靈活地方式將高通量虛擬篩選和人工智能手段應用于含能材料的研發,可以有目標的去發現一些新材料體系,同時研究這些新體系,進一步增加對含能材料的認識,從而形成不斷深入的研究和開發過程。助力科研人員更快的開發出滿足能量、安全性、起爆傳爆可靠性、熱穩定性、環境適應性等多方面要求的新型含能材料。

        加速發現具有高能量密度的新型材料一直是能量存儲和轉換領域的一個持續關注的問題,特別是高能材料,提出了一種先進的組合文庫設計和高通量篩選方法,通過基于碎片的設計,構建了一個分子結構庫,并且由根據氧氟平衡、爆轟速度、落錘沖擊高度和合成難度4個指標進行初步評判,對篩選出來的結構進行DFT進一步驗證,從而實現了加速尋找能量密度高的含能材料。

        在固體推進劑的裝藥中,增塑劑等液體組分可能會逐漸遷移到與推進劑接觸的襯里中,從而對推進劑的能量性能、力學性能、燃燒性能以及與襯里的界面粘附性能產生不利影響。通過分子動力學模擬的方法研究不同增塑劑的擴散性能,模擬結果與實驗結果一致,表明分子動力學模擬可以準確、方便地研究和預測增塑劑在不同襯里中的遷移。

        硝酸纖維素(NC)是一種含能材料粘結劑,已廣泛應用于復合改性雙基推進劑和聚合物粘結中。但由于六元環結構,導致NC分子間相互作用大,分子內旋轉困難,分子鏈柔韌性差,玻璃化轉變溫度(Tg)高,在低溫下容易脆化,從而限制了NC的應用溫度范圍。

        鄰苯二甲酸二丁酯(DBP)是一種常用的增塑劑,能顯著降低NC分子間相互作用,通過分子模擬方法研究不同組分體系對玻璃化轉變溫度的影響,從而對含能材料的加工有一定的指導意義。

        力學性能是推進劑最重要的性能之一,它主要由聚合物粘合劑決定。拉伸模量(E)、體積模量(K)和剪切模量(G)用來測量材料抵抗彈性變形的能力,通過分子模擬的方法可以獲得粘合劑含量對其力學性能的影響。

        通過嵌入含氫或含氮的氧化小分子,獲得新型的主-客體的高能分子,可以提高其爆炸能量。為了更好地理解反應中氧化小分子的作用機理,提高反應能量,采用反應力場ReaxFF研究了CL-20/H2O2在不同溫度下的燃燒分解反應。通過追蹤H2O2的H、O原子與CL-20的C、H、N、O原子之間的相互作用來研究H2O2在CL-20反應中的作用機理。

        大數據和人工智能技術快速推動著數據驅動的材料研發成為變革傳統試錯法的新模式——材料研發第四范式。含能材料的基因是其宏觀性能和微觀結構之間聯系的決定性因素, 發現決定含能材料的“基因組”, 結合理論建模計算與實驗技術的驗證,將各種數據進行有效管理,建立含能材料的“大數據”,進而嘗試使用數據驅動的方式研究含能材料,將大幅度提高含能材料的研制效率。

        通過分子枚舉方法將12種雜環結構和7種官能團創建了一個包含有3900多個分子含能材料分子結構庫;通過機器學習方法預測這些分子的密度,爆速,爆壓,熔點及熱分解溫度,從而確定了136個具有熔鑄潛力的含能化合物,進一步去重等處理最終獲得12個化合物;最后對其中的8中化合物進行合成與表征測試,機器學習方法預測結果與實驗結果有較好的一致性。進而證明機器學習方法能夠很好地指導新型含能分子結構的設計與合成。

        機器學習方法探究含能材料分子結構對體模量(bulk modulus)與撞擊靈敏度(impactsensitivity)的影響

        機器學習(ML)可以映射結構和性質之間的復雜關系,在各個領域都具有廣闊的應用前景。體模量和沖擊靈敏度對含能化合物至關重要,通過機器學習方法,結合選定的分子描述符,可對240種硝基芳烴化合物的關系模型進行研究。

        特性評估顯示:體積模量主要受平均分子量、不飽和的數量以及三維結構等因素影響;撞擊敏感性主要受到含氧基團結構特點和親水性的分布影響。結果表明:當體積模量較小時,沖擊靈敏度隨體積模量的增加而急劇下降,而體積模量較大時,沖擊靈敏度則相反。這些發現為提高含能材料的綜合性能提供了有用的結構信息。

      首頁
      電話
      聯系
      色老板精品无码免费视频_善良的翁熄日本中文字幕_日本少妇被爽到高潮动态图_又色又爽又黄的美女裸体
      <th id="835mo"></th>
      <tbody id="835mo"></tbody>
    1. <em id="835mo"></em>

        <rp id="835mo"></rp>