CN112912523A - 材料探索装置、方法及程序 - Google Patents

材料探索装置、方法及程序 Download PDF

Info

Publication number
CN112912523A
CN112912523A CN201980070300.8A CN201980070300A CN112912523A CN 112912523 A CN112912523 A CN 112912523A CN 201980070300 A CN201980070300 A CN 201980070300A CN 112912523 A CN112912523 A CN 112912523A
Authority
CN
China
Prior art keywords
composition
manufacturing
characteristic
determined
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980070300.8A
Other languages
English (en)
Inventor
奥野克树
奥野好成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Resonac Holdings Corp
Original Assignee
Showa Denko KK
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Showa Denko KK filed Critical Showa Denko KK
Publication of CN112912523A publication Critical patent/CN112912523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C1/00—Making non-ferrous alloys
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C21/00—Alloys based on aluminium
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

将材料探索进行高效化。本发明的一实施方式涉及的材料探索装置具有：组成取得部，所述组成取得部取得判定对象的组成；热力学计算部，所述热力学计算部对于上述判定对象的组成，执行热力学计算；制造判定部，所述制造判定部基于对于规定的组成的上述热力学计算的结果，与表示是否能够通过上述规定的组成制造材料的制造可能性的对应关系，通过上述判定对象的组成判定是否能够制造材料；以及输出部，所述输出部输出通过上述制造判定部判定为能够进行制造的组成。

Description

材料探索装置、方法及程序
技术领域
本发明涉及材料探索装置、方法以及程序。
背景技术
以往，在大多数的领域中，进行了探索新材料、作为代替材料的材料探索。例如，在合金的开发中，以合金的各种组成(例如，各成分的质量百分率)进行材料的试制。而且，对于材料的试制成功的材料，采用了实施该材料的特性的测定，探索满足所要求的特性的材料这样的方法。
此外，最近，还使用了基于利用被称为材料情报科学(Materials Informatics)的计算机进行的解析的材料探索(专利文献1、专利文献2等)。
现有技术文献
专利文献
专利文献1:(日本)特开2001-220638号公报
专利文献2:(日本)特开2004-149859号公报
发明内容
发明所要解决的课题
然而，现状是是否能够制造材料取决于人的经验。因此，例如即使尝试了试制，基于某种理由(例如，在铸造阶段形成空洞等)，有时不能制造能够测定特性那样的材料。此外，在材料情报科学的情况下，即使是满足所要求的特性的材料，实际上也存在不能制造材料的情况。
因此，本发明的目的在于将材料探索高效化。
用于解决课题的手段
本发明具备以下所示的构成。
[1]一种材料探索装置，其具有：
组成取得部，所述组成取得部取得判定对象的组成；
热力学计算部，所述热力学计算部对于上述判定对象的组成，执行热力学计算；
制造判定部，所述制造判定部基于对于规定的组成的上述热力学计算的结果与表示是否能够通过上述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过上述判定对象的组成来制造材料；以及
输出部，所述输出部输出判定为能够进行上述制造的组成。
[2]根据[1]所述的材料探索装置，上述热力学计算的结果为各温度下的平衡状态下的化合物的相分率。
[3]根据[1]或[2]所述的材料探索装置，上述对应关系通过制造可能性学习完成模型或规则库来规定，所述制造可能性学习完成模型通过将对于上述规定的组成的热力学计算的结果和用于表示是否能够通过上述规定的组成来制造材料的制造可能性作为监督数据，进行机器学习而得到，所述规则库为用于由对于上述规定的组成的热力学计算的结果来导出制造可能性。
[4]根据[1]～[3]中任一项所述的材料探索装置，
上述组成取得部进一步取得判定对象的制造条件，
所述材料探索装置具有：
特性预测部，所述特性预测部基于规定的组成和制造条件与通过上述规定的组成和制造条件制造的材料的特性的对应关系，预测通过判定对象的组成和制造条件制造的材料的特性；
要求特性取得部，所述要求特性取得部取得对于上述通过判定对象的组成和制造条件制造的材料的要求特性；以及
特性判定部，所述特性判定部判定预测的上述特性是否满足取得的上述要求特性。
[5]根据[4]所述的材料探索装置，规定的组成和制造条件，与通过上述规定的组成和制造条件制造的材料的特性的对应关系通过特性预测学习完成模型或规则库来规定，所述特性预测学习完成模型通过将上述规定的组成和制造条件和通过上述规定的组成和制造条件来制造的材料的特性作为监督数据进行机器学习而得到，所述规则库为基于统计分析的规则库。
[6]根据[4]所述的材料探索装置，上述制造判定部对于由上述特性判定部判定为上述预测的特性满足上述要求特性的组成，判定是否能够利用上述组成进行材料的制造。
[7]根据[4]所述的材料探索装置，上述特性判定部对于由上述制造判定部判定为能够利用上述组成进行材料的制造的组成，判定上述预测的特性是否满足上述要求特性，
上述输出部输出判定为能够进行上述制造并且满足上述要求特性的组成。
[8]根据[4]所述的材料探索装置，是否能够利用上述组成进行材料的制造的判定与上述预测的特性是否满足上述要求特性的判定以并行处理的方式实施，
上述输出部输出判定为能够进行上述制造并且满足上述要求特性的组成。
[9]一种方法，其包含下述步骤：
取得判定对象的组成的步骤；
对于上述判定对象的组成，执行热力学计算的步骤；
基于对于规定的组成的上述热力学计算的结果与表示是否能够通过上述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过上述判定对象的组成来制造材料的步骤；以及
输出判定为能够进行上述制造的组成的步骤。
[10]一种程序，其使计算机起到以下功能：
组成取得部，所述组成取得部取得判定对象的组成；
热力学计算部，所述热力学计算部对于上述判定对象的组成，执行热力学计算；
制造判定部，所述制造判定部基于对于规定的组成的上述热力学计算的结果与表示是否能够通过上述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过上述判定对象的组成来制造材料；以及
输出部，所述输出部输出判定为能够进行上述制造的组成。
发明的效果
本发明中，能够将材料探索高效化。
附图说明
图1为表示包含本发明的一实施方式涉及的材料探索装置的整体的系统构成的图。
图2为表示本发明的一实施方式涉及的材料探索装置的硬件构成的图。
图3为用于将本发明的一实施方式涉及的材料探索的处理在各阶段进行说明的图。
图4为用于说明本发明的一实施方式涉及的材料探索的处理的制造可能性学习阶段的图。
图5为用于说明本发明的一实施方式涉及的材料探索的处理的特性预测学习阶段的图。
图6为表示本发明的一实施方式涉及的材料探索装置的功能块的图。
图7为表示本发明的一实施方式涉及的筛选处理的流程的流程图。
图8为表示本发明的一实施方式涉及的筛选处理的流程的流程图。
图9为表示本发明的一实施方式涉及的筛选处理的流程的其它流程图。
图10为表示本发明的一实施方式涉及的筛选处理的流程的其它流程图。
图11为用于说明本发明的一实施方式涉及的筛选的效果的图。
具体实施方式
以下，对于各实施方式，一边参照附图一边进行说明。另外，在本说明书和附图中，对于实质上具有同一功能构成的构成要素，通过附上同一符号，从而省略重复的说明。
另外，本说明书中，将铝合金的开发作为一例，进行说明，但是本发明能够适用于Fe合金、Cu合金、Ni合金、Co合金、Ti合金、Mg合金、Mn合金、Zn合金等各种合金材料全部。进一步，本发明能够适用于由多个组成形成的合金材料，或者通过多个制造条件、处理(温度、压力、加工等)的组合制造的合金材料全部。
图1为表示包含本发明的一实施方式涉及的材料探索装置101的整体的系统构成的图。本系统能够包含材料探索装置101、机器学习用终端102、探索用终端103。材料探索装置101能够介由任意的网络104与机器学习用终端102收发数据。此外，材料探索装置101能够介由任意的网络104与探索用终端103收发数据。以下，分别进行说明。
材料探索装置101为基于材料的组成，用于判定是否能够通过该组成制造材料的装置。此外，材料探索装置101优选为基于材料的组成和制造条件，用于判定通过该组成和制造条件制造的材料的特性是否满足对于材料所要求的特性(以下，也称为要求特性)的装置。
具体而言，材料探索装置101判定是否能够通过由探索用终端103指定的组成制造材料。此外，材料探索装置101也能够采用通过由探索用终端103指定的组成和制造条件制造的材料的特性判定是否满足由探索用终端103指定的要求特性的构成。
此外，材料探索装置101也能够采用基于由机器学习用终端102取得的数据进行机器学习，生成用于判定是否能够制造材料的学习完成模型(以下，也称为制造可能性学习完成模型)的构成。此外，材料探索装置101也能够采用基于由机器学习用终端102取得的数据进行机器学习，生成用于预测材料的特性的学习完成模型(以下，也称为特性预测学习完成模型)的构成。后述段落中，一边参照图2和图6，一边对于材料探索装置101进行详细地说明。
在材料探索装置101使用上述制造可能性学习完成模型的情况下，机器学习用终端102为输入用于生成制造可能性学习完成模型的监督数据的人所利用的终端。此外，机器学习用终端102可以为输入用于生成特性预测学习完成模型的监督数据的人所利用的终端。具体而言，机器学习用终端102能够将输入至机器学习用终端102的监督数据(后述段落中，详细地说明)发送至材料探索装置101。机器学习用终端102例如，为个人计算机等计算机。
探索用终端103为要进行材料探索的人所利用的终端。具体而言，探索用终端103能够将输入至探索用终端103的组成的数据发送至材料探索装置101。此外，探索用终端103能够将输入至探索用终端103的制造条件的数据发送至材料探索装置101。此外，探索用终端103能够将输入至探索用终端103的要求特性的数据发送至材料探索装置101。此外，探索用终端103能够将判定为能够制造的组成的数据从材料探索装置101接收。此外，探索用终端103能够将判定为满足要求特性的组成的数据从材料探索装置101接收。此外，探索用终端103能够将判定为能够制造并且满足要求特性的组成的数据从材料探索装置101接收。探索用终端103例如，为个人计算机等计算机。
另外，在本说明书中，将机器学习用终端102和探索用终端103作为分开的计算机，进行说明，可以将机器学习用终端102和探索用终端103用1台计算机进行安装。此外，材料探索装置101能够具有机器学习用终端102的部分或全部的功能。此外，材料探索装置101能够具有探索用终端103的部分或全部的功能。
＜材料探索装置101的硬件构成＞
图2为表示本发明的一实施方式涉及的材料探索装置101的硬件构成的图。材料探索装置101具有CPU(中央处理单元(Central Processing Unit))201、ROM(只读储存器(Read Only Memory))202、RAM(随机存取存储器(Random Access Memory))203。CPU201、ROM202、RAM203形成所谓计算机。
此外，材料探索装置101具有辅助存储装置204、显示装置205、操作装置206、I/F(Interface)装置207、驱动装置208。另外，材料探索装置101的各硬件介由总线209相互地连接。
CPU201为执行安装于辅助存储装置204的各种程序的运算器件。
ROM202为非易失性存储器。ROM202作为将CPU201用于执行安装于辅助存储装置204的各种程序所需要的各种程序、数据等进行存储的主存储器件起作用。具体而言，ROM202作为将BIOS(基本输入输出系统(Basic Input/Output System))、EFI(可扩展固件接口(Extensible Firmware Interface))等引导程序等进行存储的主存储器件起作用。
RAM203为DRAM(动态随机存取存储器(Dynamic Random Access Memory))、SRAM(静态随机存取存储器(Static Random Access Memory))等易失性存储器。RAM203作为提供安装于辅助存储装置204的各种程序通过CPU201被执行时展开的操作区域的主存储器件起作用。
辅助存储装置204为存储各种程序、执行各种程序时所使用的信息的辅助存储器件。
显示装置205为显示材料探索装置101的内部状态等的显示器件。
操作装置206为材料探索装置101的管理者对于材料探索装置101输入各种指示的输入器件。
I/F装置207为与网络104连接，用于与机器学习用终端102、探索用终端103进行通信的通信器件。
驱动装置208为用于放置存储介质210的器件。这里所谓存储介质210，包括CD-ROM、软盘、光盘等那样的将信息进行光学、电或磁性记录的介质。此外，存储介质210可以包含EPROM(可擦可编程只读存储器(Erasable Programmable Read Only Memory))、闪存等那样的将信息电记录的半导体存储器等。
另外，安装于辅助存储装置204的各种程序例如，散布的存储介质210放置于被驱动装置208，被记录于该存储介质210的各种程序通过利用驱动装置208读出来安装。或者安装于辅助存储装置204的各种程序可以介由I/F装置207，通过由与网络104不同的其它网络下载来安装。
＜材料探索的处理的概要＞
图3为用于在各阶段说明本发明的一实施方式涉及的材料探索的处理的图。如图3所示那样，材料探索装置101的处理能够分为4个阶段。具体而言，材料探索装置101的处理能够分为“制造可能性学习阶段10”、“特性预测学习阶段20”、“第1筛选阶段30”、“第2筛选阶段40”的阶段。另外，各阶段的顺序能够在对于阶段的准备和处理的顺序不带来障碍的范围内被替换。在仅判定为制造可能性的情况下，进行第1筛选阶段，在进行制造可能性判定和特性预测判定这两者的判定的情况下，进行第2筛选阶段。以下，对于各个阶段进行说明。
＜制造可能性学习阶段＞
对于制造可能性学习阶段进行说明。
·在步骤11(S11)中，机器学习用终端102能够将输入至机器学习用终端102的材料的组成的数据发送至材料探索装置101。铝合金材料的组成为例如，各成分(例如Si、Fe、Cu、Mn、Mg、Cr、Ni、Zn、Ti、Na、V、Pb、Sn、B、Bi、Zr、O等元素种类)的质量百分率(wt％)。另外，铝的质量百分率(wt％)通过100-(上述元素的质量百分率之和)来表示。
·在步骤12(S12)中，材料探索装置101能够对于S11中取得的组成执行热力学计算。材料探索装置101例如，能够通过CALPHAD(CALculation of PHAse Diagrams)方法来执行热力学计算。在CALPHAD方法中，在上述组成的合金中，能够计算各温度下到达的平衡状态，作为热力学计算的结果，例如，为各温度下的平衡状态下所包含的化合物的相分率。
此外，在利用上述CALPHAD方法进行的热力学计算中，也能够使用Scheil-Gulliver(SG)模型来执行热力学计算。在SG模型的近似式中，假定固相内无扩散和液相内均匀组成。通过使用SG模型，从而能够在将上述组成的合金材料由高温的液相进行冷却时，计算凝固过程的各温度下存在的液相组成、凝固析出的固相成分的种类、量。热力学计算的结果例如，为反映凝固过程中析出的固相成分的、各温度下所包含的化合物的相分率。
可以向机器学习用终端102中输入材料的组成和制造条件的数据。在该情况下，也能够与利用上述CALPHAD方法进行的热力学计算联合，进一步执行利用Phase Field法进行的模拟。材料的制造条件例如，为铸造中的冷却速度、调质(制造中的处理的图案)、各处理(退火、固溶处理、人工老化、自然老化、热加工处理、冷加工处理、稳定化处理)的温度和保持时间、加工条件(加工率、挤压比、断面减少率、制品形状等)。在Phase Field法中，例如，能够计算相对于上述组成的合金材料反映了上述制造条件的温度和时间的相变和晶粒生长。热力学计算的结果例如，为上述相变过程后所包含的化合物的相分率、化合物的数均粒径。
·在步骤13(S13)中，材料探索装置101能够将S12所执行的热力学计算的结果的数据发送至机器学习用终端102。热力学计算的结果例如，为各温度下的平衡状态下所包含的化合物的相分率。
·在步骤14(S14)中，机器学习用终端102能够将由S13取得的热力学计算的结果显示于机器学习用终端102的显示装置上。
·在步骤15(S15)中，机器学习用终端102能够将输入至机器学习用终端102的监督数据发送至材料探索装置101。监督数据是输入数据为热力学计算的结果，输出数据为制造可能性。制造可能性例如，可以表示是否能够制造，或者可以表示制造可能的概率。
·在步骤16(S16)中，材料探索装置101能够将由S15取得的数据作为监督数据，进行机器学习。
这样，通过将热力学计算的结果和制造可能性作为监督数据，进行机器学习，从而生成制造可能性学习完成模型S17。
在对于机器学习用终端102输入材料的组成和制造条件的数据的情况下，监督数据是输入数据为热力学计算的结果和制造条件，输出数据为制造可能性。在该情况下，通过将热力学计算的结果和制造条件与制造可能性作为监督数据，进行机器学习，从而生成制造可能性学习完成模型S17。作为输入至机器学习用终端102的数据，材料的组成的数据、或材料的组成和制造条件的数据的任一者是否被输入在后述的第1筛选阶段或第2筛选阶段中，根据输入至探索用终端103的数据进行选择。
＜特性预测学习阶段＞
对于特性预测学习阶段进行说明。
·在步骤21(S21)中，机器学习用终端102能够将输入至机器学习用终端102的监督数据发送至材料探索装置101。监督数据是输入数据为材料的组成和制造条件，输出数据为材料的特性。材料的组成与上述制造可能性学习阶段中所使用的材料的组成同样。材料的制造条件为例如，铸造中的冷却速度、调质(制造中的处理的图案)、各处理(退火、固溶处理、人工老化、自然老化、热加工处理、冷加工处理、稳定化处理)的温度和保持时间、加工条件(加工率、挤压比、断面减少率、制品形状等)。此外，材料的特性为例如，抗拉强度、0.2％安全应力、伸长、线膨胀系数、杨氏模量、泊松比、疲劳特性、硬度、蠕变强度、蠕变应变、剪切强度、比热、导热率、电阻率、密度、固相线、液相线等。
·在步骤22(S22)中，材料探索装置101能够将由S21取得的数据作为监督数据，进行机器学习。
这样，通过将材料的组成和制造条件与材料的特性作为监督数据，进行机器学习，从而生成特性预测学习完成模型S23。
作为监督数据，输入数据可以采用材料的组成，输出数据可以采用材料的特性。在该情况下，通过将材料的组成和材料的特性作为监督数据，进行机器学习，从而生成特性预测学习完成模型S23。作为输入至机器学习用终端102的数据，材料的组成的数据、或材料的组成和制造条件的数据的任一者是否被输入在后述第1筛选阶段或第2筛选阶段中，根据输入至探索用终端103的数据分别进行选择。
＜第1筛选阶段＞
对于第1筛选阶段进行说明。在第1筛选阶段中，筛选被判定为能够进行制造的组成。
·在步骤31(S31)中，探索用终端103能够将输入至探索用终端103的材料的组成的数据发送至材料探索装置101。判定通过该组成是否能够制造材料。
·在步骤32(S32)中，材料探索装置101能够判定通过由S31取得的组成是否能够制造材料，筛选被判定为能够进行制造的组成。另外，材料探索装置101能够使用制造可能性学习完成模型S17，判定是否能够通过由S31取得的组成来制造材料。
可以向机器学习用终端102中输入材料的组成和制造条件的数据。
＜第2筛选阶段＞
对于第2筛选阶段进行说明。在第2筛选阶段中，筛选出被判定为能够制造，并且被判定为满足要求特性的组成。
·在步骤41(S41)中，探索用终端103能够将输入至探索用终端103的材料的组成和制造条件的数据发送至材料探索装置101。判定通过该组成和制造条件制造的材料的特性是否满足要求特性。
·在步骤42(S42)中，探索用终端103能够将输入至探索用终端103的要求特性的数据发送至材料探索装置101。要求特性为对于材料所要求的特性。另外，S41和S42可以同时进行，也可以在S42之后进行S41。
·在步骤43(S43)中，材料探索装置101能够判定通过由S41取得的组成和制造条件制造的材料的特性是否满足S42所取得的要求特性。此外，材料探索装置101与第1筛选阶段30同样，能够判定是否能够通过由S41取得的组成来制造材料。而且，材料探索装置101能够筛选出被判定为能够制造，并且被判定为满足要求特性的组成。另外，材料探索装置101能够使用特性预测学习完成模型S23，预测通过由S41取得的组成来制造的材料的特性。
输入至探索用终端103的数据可以为材料的组成。
如上述那样，可以基于材料的组成来判定是否能够制造，或者可以基于材料的组成和制造条件来判定是否能够制造。此外，可以基于材料的组成和制造条件来判定是否满足要求特性，或者可以基于材料的组成来判定是否满足要求特性。
＜制造可能性学习阶段的具体例＞
图4为用于说明本发明的一实施方式涉及的材料探索的处理的制造可能性学习阶段10的图。在制造可能性学习阶段10中，生成相对于规定的组成的热力学计算的结果、与表示通过该规定的组成是否能够制造材料的制造可能性的对应关系。首先，材料探索装置101相对于各组成(例如，组成(A1、B1、C1)、组成(A2、B2、C2)、组成(A3、B3、C3)···等)执行热力学计算。热力学计算的结果401例如，为如图4所示那样的、各温度下的平衡状态下的化合物的相分率。接下来，材料探索装置101使用输入数据为热力学计算的结果，输出数据为制造可能性(例如，○、×、△···等)的监督数据进行机器学习，生成制造可能性学习完成模型S17。或者材料探索装置101不是机器学习，而能够使用规则库(例如，基于被状态图的液相线和固相线夹持的固液共存温度范围成为40℃以上，则发生铸造开裂而不能制造、这样的由熟练技术人员得到的经验的知识的规则)。即，材料探索装置101还能够基于通过机器学习生成的制造可能性学习完成模型S17来判定制造可能性，或者还能够基于规则库来判定制造可能性。
＜特性预测学习阶段的具体例＞
图5为用于说明本发明的一实施方式涉及的材料探索的处理的特性预测学习阶段20的图。在特性预测学习阶段20，生成规定的组成和制造条件、与通过该规定的组成和制造条件制造的材料的特性的对应关系。材料探索装置101使用输入数据为组成(例如，组成(A1、B1、C1)、组成(A2、B2、C2)、组成(A3、B3、C3)···等)和制造条件(例如，(制造条件11、制造条件12)、(制造条件21、制造条件22)、(制造条件31、制造条件32)···等)、输出数据为特性(例如，特性α、特性β、特性γ···等)的监督数据进行机器学习，生成特性预测学习完成模型S23。或者材料探索装置101不是机器学习，而能够使用规则库(例如，基于统计分析的规则)。即，材料探索装置101还能够基于通过机器学习生成的特性预测学习完成模型S23来预测特性，或者还能够基于规则库来预测特性。
＜材料探索装置101的功能块＞
图6为表示本发明的一实施方式涉及的材料探索装置101的功能块的图。材料探索装置101包含组成取得部601、热力学计算部602、制造判定部603、制造可能性存储部604、输出部609。材料探索装置101进一步能够包含特性预测部605、要求特性取得部606、特性判定部607、特性预测存储部608。此外，材料探索装置101通过执行程序，从而作为组成取得部601、热力学计算部602、制造判定部603、输出部609起作用。材料探索装置101可以进一步作为特性预测部605、要求特性取得部606、特性判定部607起作用。以下，分别进行说明。
组成取得部601取得作为判定对象的材料被输入的组成。此外，组成取得部601能够取得作为判定对象的材料的制造条件。具体而言，组成取得部601将输入至探索用终端103的组成的数据从探索用终端103接收。如上述那样，铝合金材料的组成例如，为各成分(Si、Fe、Cu、Mn、Mg、Cr、Ni、Zn、Ti、Na、V、Pb、Sn、B、Bi、Zr、O等元素种类)的质量百分率(wt％)。另外，铝的质量百分率(wt％)通过100-(上述元素的质量百分率之和)来表示。此外，组成取得部601能够将输入至探索用终端103的制造条件的数据从探索用终端103接收。如上述那样，材料的制造条件例如，为铸造中的冷却速度、调质(制造中的处理的图案)、各处理(退火、固溶处理、人工老化、自然老化、热加工处理、冷加工处理、稳定化处理)的温度和保持时间、加工条件(加工率、挤压比、断面减少率、制品形状等)。另外，材料的组成的值(例如，质量百分率)可以作为最大值和最小值等的范围被指定，可以作为特定的值被指定。在材料的组成的值被指定作为最大值和最小值等的范围的情况下，可以对于被指定的范围内随机地产生的组成进行判定，也可以对于处于被指定的范围的格子点的组成进行判定。组成取得部601能够以热力学计算部602能够参照取得的数据的方式存储于存储器中。
热力学计算部602对于组成取得部601所取得的组成执行热力学计算。具体而言，热力学计算部602例如，能够通过CALPHAD(CALculation of PHAse Diagrams)方法来执行热力学计算。热力学计算的结果为例如，各温度下的平衡状态下的化合物的相分率。在CALPHAD方法中，在上述组成的合金中，能够计算各温度下到达的平衡状态，作为热力学计算的结果，例如，为各温度下的平衡状态下所包含的化合物的相分率。
此外，在利用上述CALPHAD方法进行的热力学计算中，还能够使用Scheil-Gulliver(SG)模型来执行热力学计算。在SG模型的近似式中，假定固相内无扩散和液相内均匀组成。通过使用SG模型，从而在将上述组成的合金材料由高温的液相冷却时，能够计算凝固过程的各温度下存在的液相组成、凝固析出的固相成分的种类、量。热力学计算的结果例如，为反映凝固过程中析出的固相成分的、各温度下所包含的化合物的相分率。
在组成取得部601取得材料的组成和制造条件的数据的情况下，还能够与利用上述CALPHAD方法进行的热力学计算联合，进一步执行利用Phase Field法进行的模拟。在Phase Field法中，例如，能够对于上述组成的合金材料，计算反映了上述制造条件的温度和时间的相变和晶粒生长。热力学计算的结果例如，为上述相变过程后所包含的化合物的相分率、化合物的数均粒径。
热力学计算部602能够以制造判定部603能够参照热力学计算结果的方式存储于存储器中。
制造判定部603判定是否能够通过组成取得部601所取得的组成来制造材料。具体而言，制造判定部603基于存储于制造可能性存储部604的“相对于规定的组成的热力学计算的结果与显示是否能够通过该规定的组成来制造材料的制造可能性的对应关系”，以及热力学计算部602执行的热力学计算的结果，判定通过组成取得部601所取得的组成是否能够制造材料。另外，制造判定部603可以判定作为制造可能的概率(例如，制造可能性高、低这样的水平等)。制造判定部603能够以输出部609能够参照判定为能够制造的材料的组成的方式存储于存储器中。
制造可能性存储部604能够存储“相对于规定的组成的热力学计算的结果，与表示是否能够通过该规定的组成来制造材料的制造可能性的对应关系”。具体而言，制造可能性存储部604能够存储图3和图4中说明的制造可能性学习完成模型S17。此外，制造可能性存储部604能够存储图4中说明的规则库。
这样，在本发明的一实施方式中，通过使用不是组成其自身，而是由组成算出的信息，即能否制造的判定所需要的信息(例如，相对于组成的热力学计算的结果)与制造可能性的对应关系，从而判定是否能够通过其组成来制造材料。
特性预测部605能够预测通过组成取得部601所取得的组成和制造条件来制造的材料的特性。具体而言，特性预测部605能够基于存储于特性预测存储部608的“规定的组成和制造条件与通过该规定的组成和制造条件制造的材料的特性的对应关系”，以及组成取得部601所取得的组成和制造条件，预测通过组成取得部601所取得的组成和制造条件来制造的材料的特性。如上述那样，材料的特性为例如，抗拉强度、0.2％安全应力、伸长、线膨胀系数、杨氏模量、泊松比、疲劳特性、硬度、蠕变强度、蠕变应变、剪切强度、比热、导热率、电阻率、密度、固相线、液相线等。特性预测部605能够以特性判定部607能够参照预测的特性的方式存储于存储器中。
特性预测存储部608能够存储“规定的组成和制造条件与通过该规定的组成和制造条件制造的材料的特性的对应关系”。具体而言，特性预测存储部608能够存储图3和图5中说明的特性预测学习完成模型S23。此外，特性预测存储部608能够存储图5中说明的规则库。
要求特性取得部606能够取得要求特性。具体而言，要求特性取得部606能够将对于通过组成取得部601所取得的组成和制造条件来制造的材料所要求的特性的数据从探索用终端103进行接收。如上述那样，材料的特性为例如，抗拉强度、0.2％安全应力、伸长、线膨胀系数、杨氏模量、泊松比、疲劳特性、硬度、蠕变强度、蠕变应变、剪切强度、比热、导热率、电阻率、密度、固相线、液相线等。要求特性取得部606能够以特性判定部607能够参照取得的数据的方式存储于存储器中。
特性判定部607能够判定通过特性预测部605预测的特性是否满足通过要求特性取得部606取得的要求特性。具体而言，特性判定部607能够判定通过特性预测部605预测的特性是否满足要求特性的一部分或全部。特性判定部607能够以输出部609能够参照判定为满足要求特性的材料的组成的方式存储于存储器中。
输出部609输出通过制造判定部603判定为能够进行制造的组成。此外，输出部609能够输出通过特性判定部607判定为满足要求特性的组成。此外，输出部609能够输出判定为通过制造判定部603能够制造，并且判定为通过特性判定部607满足要求特性的组成。具体而言，输出部609能够将1个或多个组成的数据发送至探索用终端103。
＜筛选处理的详细情况＞
图7为表示本发明的一实施方式涉及的筛选处理的流程的流程图。具体而言，在图7中，示出图3的S32的筛选处理(即，制造可能性判定处理)的流程。
在步骤701(S701)中，组成取得部601取得作为判定对象的材料的组成。
在步骤702(S702)中，热力学计算部602对于S701所取得的组成，执行热力学计算。
在步骤703(S703)中，制造判定部603基于S702中执行的热力学计算的结果，判定通过由S701取得的组成，是否能够制造材料。如果能够制造，则进入步骤704，如果不能制造，则进入步骤705。在步骤705(S705)中，制造判定部603向探索用终端103通知通过由S701取得的组成不能制造材料。
在步骤704(S704)中，输出部609输出判定为能够由S703进行制造的组成。
图8为表示本发明的一实施方式涉及的筛选处理的流程的流程图。具体而言，在图8中，示出图3的S43的筛选处理(即，制造可能性判定处理和特性判定处理)的流程。
在步骤801(S801)中，组成取得部601取得作为判定对象的材料的组成和制造条件。
在步骤802(S802)中，特性预测部605预测通过由S801取得的组成和制造条件来制造的材料的特性。
在步骤803(S803)中，要求特性取得部606取得要求特性。另外，S803只要与S801同时进行等，在S804之前，就可以在任意时刻来进行。
在步骤804(S804)中，特性判定部607判定由S802预测的特性是否满足由S803取得的要求特性。如果满足要求特性，则进入步骤805，如果不满足要求特性，则进入步骤808。在步骤808(S808)中，特性判定部607向探索用终端103通知由S801取得的组成不满足要求特性。
在步骤805(S805)中，热力学计算部602对于S804中判定为满足要求特性的组成，执行热力学计算。
在步骤806(S806)中，制造判定部603基于S805所执行的热力学计算的结果，判定是否能够由S801所取得的组成来制造材料。如果能够制造，则进入步骤807，如果不能制造，则进入步骤809。在步骤809(S809)中，制造判定部603向探索用终端103通知通过由S801取得的组成不能制造材料。
在步骤807(S807)中，输出部609输出判定为能够由S806进行制造的组成。
图9为表示本发明的一实施方式涉及的筛选处理的流程的其它流程图。具体而言，在图9中，示出图3的S43的筛选处理(即，制造可能性判定处理和特性判定处理)的流程。
在步骤901(S901)中，组成取得部601取得作为判定对象的材料的组成和制造条件。
在步骤902(S902)中，热力学计算部602对于由S901取得的组成，执行热力学计算。
在步骤903(S903)中，制造判定部603基于S902所执行的热力学计算的结果，判定是否能够通过由S901取得的组成来制造材料。如果能够制造，则进入步骤904，如果不能制造，则进入步骤908。在步骤908(S908)中，制造判定部603向探索用终端103通知通过由S901取得的组成不能制造材料。
在步骤904(S904)中，特性预测部605预测通过由S901取得的组成和制造条件制造的材料的特性。
在步骤905(S905)中，要求特性取得部606取得要求特性。另外，S905只要与S901同时进行等，在S906之前，则可以在任意时刻来进行。
在步骤906(S906)中，特性判定部607判定由S904预测的特性是否满足由S905取得的要求特性。如果满足要求特性，则进入步骤907，如果不满足要求特性，则进入步骤909。在步骤909(S909)中，特性判定部607向探索用终端103通知由S901取得的组成不满足要求特性。
在步骤907(S907)中，输出部609输出由S906判定为满足要求特性的组成。
另外，在图8和图9的处理中，可以在中途通知判定的结果。具体而言，特性判定部607可以输出由图8的S804判定为满足要求特性的组成。此外，制造判定部603可以输出由图9的S903判定为能够进行制造的组成。
图10为表示本发明的一实施方式涉及的筛选处理的流程的其它流程图。具体而言，在图10中，示出图3的S43的筛选处理(即，制造可能性判定处理和特性判定处理)的流程。
在步骤1001(S1001)中，组成取得部601取得作为判定对象的材料的组成和制造条件。然后，并行进行步骤1004的用于判定的处理和步骤1007的用于判定的处理。
在步骤1002(S1002)中，特性预测部605预测通过由S1001取得的组成和制造条件来制造的材料的特性。
在步骤1003(S1003)中，要求特性取得部606取得要求特性。另外，S1003只要与S1001同时进行等，在S1004之前，就可以在任意时刻进行。
在步骤1004(S1004)中，特性判定部607判定S1002所预测的特性是否满足由S1003取得的要求特性。如果满足要求特性，则进入步骤1009，如果不满足要求特性，则进入步骤1005。在步骤1005(S1005)中，特性判定部607向探索用终端103通知由S1001取得的组成不满足要求特性。
在步骤1006(S1006)中，热力学计算部602对于由S1001取得的组成，执行热力学计算。
在步骤1007(S1007)中，制造判定部603基于由S1006执行的热力学计算的结果，判定是否能够通过由S1001取得的组成来制造材料。如果能够制造，则进入步骤1009，如果不能制造，则进入步骤1008。在步骤1008(S1008)中，制造判定部603向探索用终端103通知通过由S1001取得的组成不能制造材料。
在步骤1009(S1009)中，输出部609输出由S1004判定为满足要求特性，并且由S1007判定为能够进行制造的组成。
图11为用于说明本发明的一实施方式涉及的筛选的效果的图。如图11所示那样，在本发明的一实施方式中，能够筛选出在组成的候选1101(即，通过探索用终端103指定的、作为判定对象的材料的组成群)中，能够进行制造的组成1102。此外，在本发明的一实施方式中，能够筛选出在组成的候选1101中，满足要求特性的组成1103。此外，在本发明的一实施方式中，能够筛选出在组成的候选1101中，能够制造并且满足要求特性的组成(图11中的带有点的、1102和1103这两者都包含在内的部分)。
这样，在本发明的一实施方式中，由于能够判定是否能够预先制造材料，因此能够减少材料的无用的试制。
另外，本发明并不限定于上述实施方式中举出的构成等，与其它要素的组合等本文所示出的构成。关于这一点，能够在不脱离本发明的主旨的范围内进行变更，能够根据其应用方式适当地确定。
本申请主张于2018年10月31日向日本特许厅申请的基础申请2018-206018号的优先权，将其全部内容通过参照援用至本申请中。
符号的说明
101 材料探索装置
102 机器学习用终端
103 探索用终端
104 网络
10 制造可能性学习阶段
20 特性预测学习阶段
30 第1筛选阶段
40 第2筛选阶段
S17 制造可能性学习完成模型
S23 特性预测学习完成模型
401 计算结果
601 组成取得部
602 热力学计算部
603 制造判定部
604 制造可能性存储部
605 特性预测部
606 要求特性取得部
607 特性判定部
608 特性预测存储部
609 输出部

Claims (10)

1.一种材料探索装置，其具有：
组成取得部，所述组成取得部取得判定对象的组成；
热力学计算部，所述热力学计算部对于所述判定对象的组成，执行热力学计算；
制造判定部，所述制造判定部基于对于规定的组成的所述热力学计算的结果与表示是否能够通过所述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过所述判定对象的组成来制造材料；以及
输出部，所述输出部输出判定为能够进行所述制造的组成。
2.根据权利要求1所述的材料探索装置，所述热力学计算的结果为各温度下的平衡状态下的化合物的相分率。
3.根据权利要求1或2所述的材料探索装置，所述对应关系通过制造可能性学习完成模型或规则库来规定，所述制造可能性学习完成模型通过将对于所述规定的组成的热力学计算的结果和用于表示是否能够通过所述规定的组成来制造材料的制造可能性作为监督数据进行机器学习而得到，所述规则库用于由对于所述规定的组成的热力学计算的结果来导出制造可能性。
4.根据权利要求1～3中任一项所述的材料探索装置，
所述组成取得部进一步取得判定对象的制造条件，
所述材料探索装置具有：
特性预测部，所述特性预测部基于规定的组成和制造条件与通过所述规定的组成和制造条件制造的材料的特性的对应关系，预测通过判定对象的组成和制造条件制造的材料的特性；
要求特性取得部，所述要求特性取得部取得对于所述通过判定对象的组成和制造条件制造的材料的要求特性；以及
特性判定部，所述特性判定部判定预测的所述特性是否满足取得的所述要求特性。
5.根据权利要求4所述的材料探索装置，规定的组成和制造条件与通过所述规定的组成和制造条件制造的材料的特性的对应关系通过特性预测学习完成模型或规则库来规定，所述特性预测学习完成模型通过将所述规定的组成和制造条件和通过所述规定的组成和制造条件制造的材料的特性作为监督数据进行机器学习而得到，所述规则库为基于统计分析的规则库。
6.根据权利要求4所述的材料探索装置，所述制造判定部对于由所述特性判定部判定为所述预测的特性满足所述要求特性的组成，判定是否能够利用所述组成进行材料的制造。
7.根据权利要求4所述的材料探索装置，所述特性判定部对于由所述制造判定部判定为能够利用所述组成进行材料的制造的组成，判定所述预测的特性是否满足所述要求特性，
所述输出部输出判定为能够进行所述制造并且满足所述要求特性的组成。
8.根据权利要求4所述的材料探索装置，是否能够利用所述组成进行材料的制造的判定与所述预测的特性是否满足所述要求特性的判定以并行处理的方式实施，
所述输出部输出判定为能够进行所述制造并且满足所述要求特性的组成。
9.一种方法，其包括下述步骤：
取得判定对象的组成的步骤；
对于所述判定对象的组成，执行热力学计算的步骤；
基于对于规定的组成的所述热力学计算的结果与表示是否能够通过所述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过所述判定对象的组成来制造材料的步骤；以及
输出判定为能够进行所述制造的组成的步骤。
10.一种程序，其使计算机起到以下功能：
组成取得部，所述组成取得部取得判定对象的组成；
热力学计算部，所述热力学计算部对于所述判定对象的组成，执行热力学计算；
制造判定部，所述制造判定部基于对于规定的组成的所述热力学计算的结果与表示是否能够通过所述规定的组成来制造材料的制造可能性的对应关系，判定是否能够通过所述判定对象的组成来制造材料；以及
输出部，所述输出部输出判定为能够进行所述制造的组成。
CN201980070300.8A 2018-10-31 2019-10-29 材料探索装置、方法及程序 Pending CN112912523A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018206018 2018-10-31
JP2018-206018 2018-10-31
PCT/JP2019/042331 WO2020090805A1 (ja) 2018-10-31 2019-10-29 材料探索装置、方法、およびプログラム

Publications (1)

Publication Number Publication Date
CN112912523A true CN112912523A (zh) 2021-06-04

Family

ID=70463265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980070300.8A Pending CN112912523A (zh) 2018-10-31 2019-10-29 材料探索装置、方法及程序

Country Status (5)

Country Link
US (1) US20210357546A1 (zh)
EP (1) EP3875619A4 (zh)
JP (1) JP6912677B2 (zh)
CN (1) CN112912523A (zh)
WO (1) WO2020090805A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022080443A1 (ja) * 2020-10-16 2022-04-21 味の素株式会社 情報処理装置、情報処理方法、およびプログラム
KR20230110584A (ko) * 2020-11-27 2023-07-24 가부시끼가이샤 레조낙 정보 처리 시스템, 정보 처리 방법, 및 정보 처리 프로그램
JP7088399B1 (ja) * 2021-12-17 2022-06-21 Dic株式会社 ノボラック型フェノール樹脂の探索方法、情報処理装置、及びプログラム
CN114496125B (zh) * 2022-02-10 2023-05-02 西南交通大学 一种相似材料的制备方法、装置、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807220A (zh) * 2009-01-20 2010-08-18 通用汽车环球科技运作公司 用于评估铸件设计的可制造性的系统
CN105320804A (zh) * 2014-08-01 2016-02-10 通用汽车环球科技运作有限责任公司 用于铸造铝合金的材料性质预测器
CN105787144A (zh) * 2014-12-26 2016-07-20 北京有色金属研究总院 一种弹性铜合金的材料设计方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09259156A (ja) * 1996-03-21 1997-10-03 Hitachi Ltd 材料設計方法およびその方法を行う材料設計装置
JPH09264815A (ja) * 1996-03-28 1997-10-07 Chichibu Onoda Cement Corp 複合材料の強度測定方法及びその装置
JP2001220638A (ja) 2000-02-08 2001-08-14 Kobe Steel Ltd 表面品質に優れたアルミニウム合金およびその成分設計方法
JP4132719B2 (ja) * 2001-04-27 2008-08-13 みずほ情報総研株式会社 タスクフローを用いた解析支援システムおよび物質・材料設計支援システムおよび解析支援方法および物質・材料設計支援方法
JP4009670B2 (ja) * 2002-08-02 2007-11-21 独立行政法人科学技術振興機構 成分配合設計方法、成分配合設計プログラム及びそのプログラムを記録した記録媒体
JP2004149859A (ja) 2002-10-30 2004-05-27 National Institute For Materials Science γ’析出強化型白金族元素添加Ｎｉ基超合金設計支援プログラムおよびγ’析出強化型白金族元素添加Ｎｉ基超合金設計支援装置
JP2009116404A (ja) * 2007-11-01 2009-05-28 Nippon Light Metal Co Ltd 合金設計支援システム、合金設計支援用プログラム、および合金設計支援方法
US8655476B2 (en) * 2011-03-09 2014-02-18 GM Global Technology Operations LLC Systems and methods for computationally developing manufacturable and durable cast components
WO2015054637A1 (en) * 2013-10-10 2015-04-16 Scoperta, Inc. Methods of selecting material compositions and designing materials having a target property
US10830747B2 (en) * 2016-10-26 2020-11-10 Northwestern University System and method for predicting fatigue strength of alloys
JP6782194B2 (ja) 2017-06-02 2020-11-11 株式会社日立製作所 自動点検システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807220A (zh) * 2009-01-20 2010-08-18 通用汽车环球科技运作公司 用于评估铸件设计的可制造性的系统
CN105320804A (zh) * 2014-08-01 2016-02-10 通用汽车环球科技运作有限责任公司 用于铸造铝合金的材料性质预测器
CN105787144A (zh) * 2014-12-26 2016-07-20 北京有色金属研究总院 一种弹性铜合金的材料设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
沃尔夫冈•霍费尔纳著；上海核工程研究设计院译: "《核电厂材料》", 31 January 2017, 上海科学技术出版社 *
潘裕柏等编: "《稀土陶瓷材料》", 31 May 2016, 冶金工业出版社 *
王章忠, 武汉理工大学出版社 *
第五机械工业部七•二一工人大学教材选编小组: "《金属材料学》", 30 September 1978, 国防工业出版社 *

Also Published As

Publication number Publication date
US20210357546A1 (en) 2021-11-18
JP6912677B2 (ja) 2021-08-04
EP3875619A1 (en) 2021-09-08
JPWO2020090805A1 (ja) 2021-09-02
WO2020090805A1 (ja) 2020-05-07
EP3875619A4 (en) 2022-01-19

Similar Documents

Publication Publication Date Title
CN112912523A (zh) 材料探索装置、方法及程序
US20150213164A1 (en) Product design reliability with consideration of material property changes during service
Zhu et al. A unified criterion for fatigue–creep life prediction of high temperature components
US20160034614A1 (en) Materials property predictor for cast aluminum alloys
Hosseini et al. Stress regime-dependent creep constitutive model considerations in finite element continuum damage mechanics
Ayadi et al. Anisotropic (continuum damage mechanics)-based multi-mechanism model for semi-crystalline polymer
JP7390138B2 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
Vladimirov et al. Failure modelling in metal forming by means of an anisotropic hyperelastic-plasticity model with damage
Ruestes et al. Deformation response of high entropy alloy nanowires
Christopher et al. Prediction of long-term creep behaviour of Grade 91 steel at 873 K in the framework of microstructure-based creep damage mechanics approach
Verma et al. Crystal plasticity-based modelling of grain size effects in dual phase steel
Gosar et al. Dissipated energy-based fatigue lifetime calculation under multiaxial plastic thermo-mechanical loading
Roy et al. Simulation and quantification of creep damage
Ping et al. Dislocation damage and adiabatic shear mechanisms of 7055 aluminum alloy during cutting process
US20220382938A1 (en) Material Design System and Material Design Method
Buerstmayr et al. Investigation and simulation of the effects of nm-scale γ′ Precipitates on the recrystallization of Ni-based superalloys
Altenbach et al. Modeling creep damage of an aluminum–silicon eutectic alloy
Tinga et al. Incorporating strain gradient effects in a multiscale constitutive framework for nickel-base superalloys
Delprete et al. Proposal of a new low-cycle fatigue life model for cast iron with room temperature calibration involving mean stress and high-temperature effects
Samal Development of a model for simulation of micro-twin and corresponding asymmetry in high temperature deformation behavior of nickel-based superalloy single crystals using crystal plasticity-based framework
JP2011163923A (ja) ニッケル基合金材料劣化予測装置およびニッケル基合金材料劣化予測方法
González et al. Bilinear damage evolution in AA2011 wire drawing processes
Evans A new statistical framework for the determination of safe creep life using the theta projection technique
Messner et al. Evaluation of statistical variation of microstructural properties and temperature effects on creep fracture of Grade 91
Azadi et al. Thermo-mechanical behaviours of light alloys in comparison to high temperature isothermal behaviours

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Tokyo, Japan

Applicant after: Lishennoco Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: Showa electrical materials Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230630

Address after: Tokyo, Japan

Applicant after: Showa electrical materials Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: SHOWA DENKO Kabushiki Kaisha