CN115599761A - 数据库、材料数据处理系统以及数据库的制作方法 - Google Patents

数据库、材料数据处理系统以及数据库的制作方法 Download PDF

Info

Publication number
CN115599761A
CN115599761A CN202210837515.1A CN202210837515A CN115599761A CN 115599761 A CN115599761 A CN 115599761A CN 202210837515 A CN202210837515 A CN 202210837515A CN 115599761 A CN115599761 A CN 115599761A
Authority
CN
China
Prior art keywords
data
database
data processing
characteristic
variable
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.)
Granted
Application number
CN202210837515.1A
Other languages
English (en)
Other versions
CN115599761B (zh
Inventor
西内武司
古泽大介
大矢麻美
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.)
Proterial Ltd
Original Assignee
Hitachi Metals Ltd
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 Hitachi Metals Ltd filed Critical Hitachi Metals Ltd
Publication of CN115599761A publication Critical patent/CN115599761A/zh
Application granted granted Critical
Publication of CN115599761B publication Critical patent/CN115599761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/14—Details of searching files based on file metadata
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2291—User-Defined Types; Storage management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供数据库、材料数据处理系统以及数据库的制作方法。数据库对抑制与材料组织相关的数据的质量的变动，利用了信息科学的新材料/替代材料的开发有帮助。数据库储存与各个试样所固有的识别符对应起来的数据，数据包含：第一数据，其表示各个试样的组分数据、工艺数据以及特性数据中的至少1个；以及第二数据，其表示各个试样的组织数据。组织数据包含各个试样的基于磁化温度依赖性的特征量。

Description

数据库、材料数据处理系统以及数据库的制作方法
技术领域
本公开涉及数据库、材料数据处理系统以及数据库的制作方法。
背景技术
在材料开发的领域中，为了实现所希望的材料特性，根据理论预测和实验对材料的组分和制作条件进行优化。以往，这样的组分/制作条件的优化大多依赖于材料开发者的经验。但是，伴随着材料的高性能化的发展，构成材料的元素的种类增加，组织复杂化，因此，为了得到所希望的材料特性所需的实验次数增加，材料开发所需的时间、劳力、成本的增加变得显著。
针对这些课题，利用数据挖掘等信息科学高效地探索新材料、替代材料的材料信息学(Materials Informatics)备受关注。另外，在日本，正在研究基于材料集成(Materials Integration)的材料开发。所谓材料集成定义为以在材料科学的成果中融合理论、实验、解析、模拟、数据库等科学技术来辅助材料的研究开发为目标的综合的材料技术工具。
专利文献1公开了一种用于对设计对象材料进行设计的材料设计装置，所述设计对象材料包含由多个组分构成的材料、或通过多种制造条件的组合而制造的材料。该装置利用通过机器学习取得了包含设计对象材料的设计条件的输入信息与包含材料特性值的输出信息的对应关系的学习完成模型。
非专利文献1记载了一种系统，根据材料的组分和材料的制造条件(工艺)来预测材料的组织和特性，由此进一步预测材料的性能。在该系统中，储存有关于材料的“组分”、“工艺”、“组织”以及“特性”等一系列的数据、和对数据进行补充的元数据。
现有技术文献
专利文献1：国际公开第2020/090848号
非专利文献
非专利文献1：小关敏彦“材料数据与材料集成(「材料データとマテリアルズインテグレーション」)”信息管理Vol.59、No.3、p.165(2016).
发明内容
发明要解决的课题
在专利文献1所记载的装置中，制作用于根据材料的“组分”以及“工艺”来预测材料的“特性”的模型。非专利文献1记载了以下内容：着眼于材料的“特性”由材料的“组分”和材料的“组织”决定，将材料的“组织”的数据与“工艺”和“特性”的数据组合进行利用。与材料的“组织”相关的数据如后面详细说明那样，例如通过使用了X射线衍射法、光学显微镜或扫描电子显微镜的测定/观察而得到。
然而，在这样的与“组织”相关的数据中，存在数据的可靠性大幅依赖于测定/观察组织的人的技能而大幅变动这样的课题、以及难以机械地取得大量的数据这样的课题。
本公开的实施方式提供能够解决上述课题的数据库、材料数据处理系统以及数据库的制作方法。
用于解决课题的手段
本公开的数据库在非限定性地例示的方式中，是储存与各个试样所固有的识别符对应起来的数据的数据库，所述数据包含：第一数据，其表示所述各个试样的组分数据、工艺数据以及特性数据中的至少1个；以及第二数据，其表示所述各个试样的组织数据。所述组织数据包含所述各个试样的基于磁化温度依赖性的特征量。
在某实施方式中，所述基于磁化温度依赖性的特征量是与磁相变相关的特征量。
在某实施方式中，关于所述磁相变的特征量包含居里温度和奈尔温度中的至少一方。
在某实施方式中，所述第一数据包含所述各个试样中包含的元素的种类和所述元素的组分比率作为所述组分数据，包含规定在制造所述各个试样的工序中执行的热处理条件的参数作为所述工艺数据。
在某实施方式中，所述第一数据包含所述各个剩余磁通密度、矫顽力、饱和磁化以及磁导率中的至少一个作为所述特性数据。
在某实施方式中，所述第二数据包含规定所述各个试样中包含的主相的晶体构造的参数作为所述组织数据。
本公开的材料数据处理系统在非限定性地例示的方式中，具有：上述的至少1个数据库；以及数据处理装置，其能够访问所述数据库并读出储存的所述数据，所述数据处理装置接受包含材料的基于磁化温度依赖性的特征量的组织的变量的输入，输出规定所述材料的特性的变量、规定所述材料的组分的变量、和/或规定所述材料的工艺的变量。
本公开的其他材料数据处理系统在非限定性地例示的方式中，具有：上述的至少1个数据库；以及数据处理装置，其能够访问所述数据库并读出储存的所述数据，所述数据处理装置接受规定材料的特性的变量的输入，输出包含所述材料的基于磁化温度依赖性的特征量的组织的变量。
本公开的又一材料数据处理系统在非限定性地例示的方式中，具有：上述的至少1个数据库；以及数据处理装置，其能够访问所述数据库并读出储存的所述数据，所述数据处理装置接受规定材料的组分的变量和/或规定工艺的变量的输入，输出包含所述材料的基于磁化温度依赖性的特征量的组织的变量。
在某实施方式中，所述数据处理装置根据基于储存在所述数据库中的所述数据的数理模型，根据所述说明变量的输入值计算所述目标变量的输出值，所述数理模型包含所述基于磁化温度依赖性的特征量作为规定所述组织的说明变量，且包含所述组分、工艺以及性能中的至少一个作为目标变量。
在某实施方式中，所述数据处理装置根据基于储存在所述数据库中的所述数据的数理模型，根据目标变量的输入值计算说明变量的输出值，所述数理模型包含所述基于磁化温度依赖性的特征量作为规定所述组织的说明变量，且包含所述组分、工艺以及特性中的至少一个作为目标变量。
本公开的又一材料数据处理系统在非限定性地例示的方式中，具有：上述的至少1个数据库；以及数据处理装置，其能够访问所述数据库并读出储存的所述数据，所述数据处理装置具有：数理模型设定部，其根据作为目标变量的由所述第一数据的所述组分数据、所述工艺数据以及所述特性数据中的至少1个规定的第一变量、和由包含作为说明变量的所述第二数据的基于所述磁化温度依赖性的特征量的所述组织数据规定的第二变量，生成数理模型。
本公开的又一材料数据处理系统在非限定性地例示的方式中，是根据输入值基于数理模型生成输出值并输出的材料数据处理系统，所述数理模型包含：第一变量，其由材料的组分数据、工艺数据以及特性数据中的至少一个来规定；以及第二变量，其由组织数据来规定，所述第二变量包含基于磁化温度依赖性的特征量。
在某实施方式中，具有：处理器；以及存储器，其与所述处理器连接，储存规定所述处理器的动作的程序，所述处理器按照所述程序执行基于所述数理模型的运算，根据作为规定所述材料的组分、工艺、特性以及组织的至少一个变量的所述输入值，求出作为规定所述材料的组分、工艺、特性以及组织的至少一个变量的所述输出值。
本公开的数据库的制作方法在非限定性地例示的方式中，包含以下步骤：收集与各个试样所固有的识别符对应起来的数据，即针对所述各个试样取得的组分、工艺以及特性中的至少一个数据、以及针对所述各个试样取得的组织的数据的步骤；以及将收集到的所述数据存储在存储装置中的步骤，在所述数据包含针对所述试样取得的基于磁化温度依赖性的特征量的情况下，将所述特征量至少作为所述组织的数据与所述识别符对应起来。
发明效果
根据本公开的实施方式，与组织相关的数据的取得变得容易，能够抑制数据的质量因采集数据的人的技能而变动。另外，也能够机械地取得数据。
附图说明
图1是用于对登记在本公开的数据库中的数据的种类进行说明的示意图。
图2是表示对试样测定部赋予了磁场梯度的TG(Thermogravity)测定装置的一例的示意图。
图3是示意性地表示本公开的实施方式中的材料数据处理系统的结构例的图。
图4是表示数据处理装置200的硬件结构例的框图。
图5是表示云服务器300具有数据库100的结构例的框图。
图6是示意性地表示具有多个数据库100和多个数据处理装置200的材料数据处理系统1000的例子的图。
图7A是表示热重量测定装置的温度曲线(虚线)及测定值(实线)的图表的例子。
图7B是表示基于图7A的测定数据的TG测定值的温度依赖性的例子的图表。
图7C是表示图7B所示的TG测定值的曲线的温度下的1阶微分的图表。
图8A是表示针对制造工艺中的热处理条件不同的Y3.1 Sm5.3 Fe69.2 Co13.9 Ti4.1Cu4.5合金试样，用温度对TG测定值进行微分而得的值的温度依赖性的图表。
图8B是纵轴为产生箭头D的峰的温度(ThMn12型化合物相的居里温度TC)，横轴为热处理温度的图表。
图9A是表示示出登记在本公开的实施方式中的数据库中的项目的表的一部分的例子的图。
图9B是表示示出登记在本公开的实施方式中的数据库中的项目的表的一部分的例子的图。
图9C是表示示出登记在本公开的实施方式中的数据库中的项目的表的一部分的例子的图。
图9D是表示示出登记在本公开的实施方式中的数据库中的项目的表的一部分的例子的图。
图10是示意性地表示在本公开的实施方式中的数据库中登记各种数据的处理的例子的图。
图11是示意性地表示本公开的实施方式中的材料数据处理系统的基本结构例的图。
图12是表示本公开的实施方式的材料数据处理系统的第一例中的数据处理的例子的功能框图。
图13是表示本公开的实施方式的材料数据处理系统的第二例中的数据处理的例子的功能框图。
图14是表示本公开的实施方式的材料数据处理系统的第三例中的数据处理的例子的功能框图。
图15是表示本公开的实施方式的材料数据处理系统的第四例中的数据处理的例子的功能框图。
图16是表示本公开的实施方式的材料数据处理系统的第五例中的数据处理的例子的功能框图。
图17是表示本公开的实施方式的材料数据处理系统的第六例中的数据处理的例子的功能框图。
符号说明
100…数据库、200…数据处理装置、201…主体、220…显示装置、210…输入装置、220…显示装置、230…通信I/F、240…存储装置、250…处理器、260…ROM(Read OnlyMemory)、270…RAM(Random Access Memory)、280…总线、500…因特网、1000…材料数据处理系统。
具体实施方式
专利文献1所记载的装置具有相当于数据库的“设计条件～材料特性表”。在该表中储存铁合金延伸材料中的“C(碳)”、“B(硼)”、“N(氮)”、“Si(硅)”等组分相关的信息、“铸造”、“热加工”、“热处理”等制造方法中的各工序的条件、“奥氏体晶粒度”、“铁氧体晶粒度”等组织、“0.2％屈服强度”、“拉伸强度”等材料特性相关的数据。
以往，“组织”相关的数据例如在金属材料、陶瓷材料的情况下，包含存在于材料中的相(化合物)的种类、各相的比例、各相的尺寸、组分等信息。作为求出这些信息中的相的种类和比例的方法，使用X射线衍射法(XRD：X-Ray Diffraction)。关于各相的尺寸，对材料进行截面抛光，用光学显微镜或扫描电子显微镜(SEM：Scanning Electron Microscope)观察后，通过图像解析求出。各相的组分大多通过附属于SEM的能量色散分光装置(EDX：Energy Dispersive X-ray spectroscopy)或电子束探针显微分析仪(EPMA：ElectronProbe Micro Analyzer)等求出。
然而，在材料中所关注的相的尺寸极小的情况下，若想要利用SEM/EDX或EPMA来评价组分，则因入射的电子束的扩展，存在于关注的相的周围的其他相的组分的信息会重叠，难以得到准确的信息。另外，SEM/EDX和EPMA除了观察试样的预处理和观察花费时间，还存在数据的质量因试样预处理和观察中的观察者的技能和主观(评价哪个区域)而大幅变动的情况。并且，为了根据得到的数据求出相比率、各相的组分，需要图像处理等繁杂的手续，因此，难以得到数据科学的利用所需的大量的数据。
另一方面，能够根据通过XRD得到的衍射峰求出晶格常数，或通过里特维尔德(Rietveld)解析等精密的测定得到晶体构造的详细信息。但是，例如，在磁性材料的情况下，存在于相同材料中的不同相的晶体构造的差异有时仅反映在特定的超晶格反射的有无中，在关注的相仅存在微量的情况下，难以进行检测。另外，在具有相同晶体构造但组分不同的多个相共存于材料中的情况下，难以将它们分离。
这样，在特性因微细的结构相而敏感地受到影响的材料，特别是磁性材料的情况下，存在难以不大幅依赖于测定者的技能、主观地高效且灵敏度良好地取得与组织有关的数据这样的课题。这特别是在磁性材料的领域中，可能非常难以运用材料信息学来探索新材料、替代材料。
本公开的数据库、材料数据处理系统以及数据库的制作方法能够解决上述的课题。以下，对这一点进行说明。
<数据库中的数据的种类>
首先，参照图1，对在本公开的数据库的实施方式中使用的数据的种类进行说明。本公开的数据库储存与各试样所固有的识别符对应起来而得的数据。该数据库储存的数据包含第一数据和第二数据。第一数据包含组分数据、工艺数据(制作条件)及特性数据中的至少1个。在图1的例子中，第一数据包含组分数据、工艺数据以及特性数据的全部，但不需要包含它们的全部。另外，第一数据也可以包含组分数据、工艺数据以及特性数据以外的数据。
如图1所示，第二数据包含组织数据。在本公开的数据库中，该第二数据(组织数据)的内容具有特征。
以下，对“组分数据”、“工艺数据”、“特性数据”以及“组织数据”进行说明。
“组分数据”是规定材料的“组分”的信息，包含结构元素的种类和组分比率。另外，“组分数据”能够包含规定不可避免的杂质或含量被控制的微量元素(除了有意添加的元素以外，还包含杂质)的种类和组分的信息。
“工艺数据”是规定材料的“工艺”的信息，包含与制造材料的工序中的各种制造条件(温度、气氛、热历程、施加压力等)相关的信息。
“特性数据”是规定材料的“特性”的信息，包含材料的机械特性、物理/化学性质等。在此，将“特性数据”与材料的“性能”进行区别。“性能”是与材料作为部件使用的情况下所示的耐候性、可靠性相关的性质，是依赖于材料的使用环境的评价项目。在本说明书中，有时将规定“特性”的信息和/或特征量称为“材料特性”。
“组织数据”是规定材料的“组织”的信息，一般情況下，能够包含与构成材料的各相的比例、晶体构造、分子构造、单晶/多晶/非晶的区别、多晶的情况下的晶粒的形状和尺寸、晶体取向、晶界、孪晶或堆垛层错、转变等缺陷的种类和密度、晶界和粒内的溶质元素的偏析等相关的信息。在本说明书中，有时将规定“组织”的信息和/或特征量称为“组织特征”。
<基于磁化温度依赖性的特征量>
在本公开的数据库中，将以往作为规定材料的“特性”的信息(特性数据)来处理的与“磁相变”相关的信息作为规定材料的“组织”的指标(组织数据)来有效利用。具体而言，以组织数据包含各个试样的基于磁化温度依赖性的特征量的方式构成数据库。由此实现的优点如下。
首先，对作为与磁相变相关的信息的“基于磁化温度依赖性的特征量”进行说明。磁相变的代表例为“强磁性-顺磁性转变”。发生这样的磁相变的温度称为居里温度(TC)或居里点。材料的居里温度强烈依赖于构成材料的相的晶体构造和组分等。如上所述，以往，居里温度用作表示磁性材料的“特性”的指标。例如，在永磁材料的情况下，一般在居里温度高的一方能够稳定地使用至高温这一点上判断为优异的材料。另外，在热敏磁性材料或磁制冷材料中，要求将居里温度设定为想要发挥功能的温度。
与这样的以往的技术常识相反，本发明人着眼于磁相变本身是反映材料中的磁性相的晶体构造、组分的固有的物性，想到了并非判断材料的“特性”的优劣的指标(特性数据)，而作为反映了晶体构造以及组分那样的“组织”的指标(组织数据)，有效利用磁相变的测定值。如后面叙述那样，关于“磁相变”的信息，即“基于磁化温度依赖性的特征量”的取得，数据的质量因采集数据的人的个人技能而变动的情况少，也能够机械地取得数据。通过将这样的测定值用作“组织”的特征量，能够构建无法根据以往的数据库来构建的数理模型，推进基于材料信息学的材料开发备受期待。
在本公开的数据库、材料数据处理系统以及数据库的制作方法的实施方式中，作为对象的材料并不限定于永磁铁以及软磁性材料等磁性材料。例如，在材料中生成的相的至少一个能够产生磁相变的情况下，也能够有效地应用本公开的数据库、材料数据处理系统以及数据库的制作方法。另外，“在材料中无法确认具有磁相变的相的存在”这样的信息也能够成为规定材料的组织的有益的信息。
<基于磁化温度依赖性的特征量的提取>
对基于磁化温度依赖性的特征量为与磁相变相关的特征量的例子进行说明。在该例子中，与磁相变相关的特征量是表示由“强磁性-顺磁性转变”产生的组织特征的特征量，能够由居里温度规定。此外，本公开中的“强磁性”除了“铁磁”，还包含“亚铁磁”。也可以利用表示由“反强磁性-顺磁性转变”产生的组织特征的特征量。这样的特征量由奈尔温度规定。
“强磁性-顺磁性转变”或“居里温度”的检测例如能够通过使用试样振动型磁通计(VSM)求出从成为试样的材料产生的磁通量的温度依赖性来执行。另外，也能够通过如热磁天平那样求出材料因从外部赋予的磁场而受到的力的大小的温度依赖性的方法、或者使用差示扫描量热计(DSC)测定伴随着磁相变的熵的变化的方法来执行。在这些方法中，使用热磁天平，特别是热重量测定装置(TG：Thermogravity)的测定方法在能够实现简便且高灵敏度的测定这一点上是有用的。以下，对使用TG装置提取与磁相变相关的特征量的例子进行说明。
图2是表示对试样测定部赋予了磁场梯度的TG装置的一例的示意图。图2的TG装置10具有：梁部16，其在一端具有保持测定试样12的保持器14；电炉20，其具有对测定试样12进行加热的加热器18；以及重量测定部22，其与梁部16的另一端连接而检测测定试样12的重量变化。梁部16由作为支点发挥功能的支承部24支承。
在一般的TG装置中，重量测定部22测定伴随着对测定试样12进行了加热时在测定试样12中发生的热分解等反应的重量变化。在提取与磁相变相关的特征量的情况下，在测定时从测定试样12的外部赋予磁场梯度。由此，如图2的白色箭头所示，能够对测定试样12施加磁吸引力。结果是，磁吸引力与测定试样12的重量重叠，在重量测定部22测定的“重量”的值中也包含施加于测定试样12的磁吸引力。磁吸引力与测定试样12的“磁化”的大小对应。因此，当在测定试样12中产生从强磁性向顺磁性的相变时，测定试样12的磁化急剧变化，因此，能够作为由重量测定部22测定的“重量”的变化而检测相变。
在图2的例子中，测定试样12和重量测定部22在水平方向上配置，但也可以在铅垂方向上配置。在TG装置10中能够附加能够同时进行差示热分析(DTA)或差示扫描量热分析(DSC)的功能。该情况下，有时将测定试样12和参照试样设置于装置来进行测定。作为本实施方式中的参照试样，优选使用氧化铝等顺磁性材料(在测定温度范围的整个区域未表现出强磁性的材料)。
对测定试样12赋予磁场梯度的磁场外加的结构只要能够确保各个试样的测定间的再现性，则是任意的。这样的磁场外加能够通过将稀土类磁铁等永磁铁设置于装置而容易地实现。磁场梯度的大小根据测定试样12的量等适当选定。在某实施方式中，能够为0.1mT/mm左右。磁场梯度大的一方能够以高灵敏度检测相变。因此，磁场梯度优选为0.5mT/mm以上，进一步优选为1mT/mm以上。
测定试样12例如能够放入氧化铝制的容器(盘)而设置于TG装置10的保持器14中。例如如Nd-Fe-B系烧结磁铁那样，若在块状体的状态下测定具有磁各向异性的测定材料，则磁吸引力能够根据设置的方向而变动。为了抑制这样的变动，优选将测定试样12粉碎，使用筛子回收特定的粒度范围的粉末粒子，将粉末作为测定试样12。粉碎粒度根据测定材料适当选定，在某实施方式中为500μm以下。在测定易氧化性材料的情况下，为了能够抑制测定时的惰性气体中所含的微量的氧引起的测定试样的氧化导致的重量增加，可以使粉碎粒度粗糙。
磁吸引力的温度变化能够在使测定试样的温度上升时和降低时的至少一方进行测定。测定时的气氛根据测定试样适当选择。在测定试样为例如稀土类磁铁那样的易氧化性的材料的情况下，为了避免测定中的氧化反应导致的重量变化、反应造成的新的强磁性相的产生，能够采用氩气等惰性气体。另外，也可以将用于除去惰性气体中的杂质的吸气材料等组装到装置中。
此外，在TG装置等热磁天平中能够附加公知的试样自动更换功能。在这样的方式下，通过预先登记测定试样名和测定条件等信息，能够使测定自动化，能够高效地进行大量的测定。这样，基于磁化温度依赖性的特征量的提取与基于光学显微镜、SEM/EDX、EPMA或XRD的自衍射峰起的晶体构造的解析等以往的组织数据取得方法相比，容易进行不依赖于测定者的技能、主观的数据的取得。
<实施方式>
以下，对本公开的实施方式进行说明。其中，有时省略不必要的详细说明。例如，有时省略已经知晓的事项的详细的说明以及与实质上相同的结构相关的重复的说明。这是为了避免以下的说明不必要地变得冗长，使本领域技术人员容易理解。此外，发明人为了使本领域技术人员充分理解本公开而提供附图以及以下的说明，并不意图通过附图以及以下的说明来限定请求专利保护范围所记载的主题。在以下的说明中，对具有相同或类似的功能的构成要素标注相同的参照符号。
以下的实施方式是例示，本公开的技术并不限定于以下的实施方式。例如，以下的实施方式所示的数值、形状、材料、步骤、步骤的顺序、显示画面的布局等只不过是一例，只要在技术上不产生矛盾，就能够进行各种改变。另外，只要在技术上不产生矛盾，就能够组合一个方式和其他方式。
[数据库的基本结构]
本公开的数据库是储存与各个试样所固有的识别符对应起来的数据的数据库。数据库是具有计算机能够按照程序进行处理的构造的数据的集，利用计算机等硬件资源进行处理。数据库将储存在存储装置中的各种数据作为构成要素，因此，以下，为了简单，有时将储存数据库的数据的存储装置称为数据库。本公开中的数据库的构造构成为，储存的数据包含表示各个试样的组分数据、工艺数据以及特性数据中的至少1个的第一数据、和表示各个试样的组织数据的第二数据(参照图1)。各数据具有数字数据的格式，但该格式的内容没有特别限定。本实施方式中的组织数据包含各个试样中的基于磁化温度依赖性的特征量，至少在这一点上，与以往的数据库完全不同。该特征量例如能够通过参照图2的同时说明的装置来测定。如上所述，与以往的组织数据的取得相比，关于基于磁化温度依赖性的特征量，不依赖于测定者的技能、主观，容易大量地取得所需的数据。
基于磁化温度依赖性的特征量的例子包含与磁相变相关的特征量。基于磁化温度依赖性的特征量的具体例为居里温度和奈尔温度中的至少一方。
在某方式中，第一数据包含各个试样中所含的元素的种类及元素的组分比率作为组分数据。另外，第一数据能够包含规定在制造各个试样的工序中执行的热处理条件的参数作为工艺数据。并且，第一数据也可以包含各个剩余磁通密度、矫顽力、饱和磁化以及磁导率中的至少一个作为特性数据。另一方面，第二数据能够包含规定各个试样中所含的主相的晶体构造的参数作为组织数据。
[材料数据处理系统的结构]
图3是用于对本公开的材料数据处理系统的概要进行说明的示意图。本实施方式中的材料数据处理系统1000具有数据库100和数据处理装置200。数据处理装置200能够访问数据库100，读出储存在数据库100中的数据。另外，数据处理装置200构成为接受用户的各种输入，提供对新材料或替代材料的开发有用的输出。
数据库100储存在半导体存储器、磁存储装置或光学存储装置等1个或多个存储装置中，具有上述的数据构造。构成数据库100的存储装置也可以分散于多个不同的位置。数据库100中所含的数据包含图1的第一数据和第二数据。储存在数据库100中的数据例如能够使用测定器或试验机等装置从实际制作出的各个材料取得。另外，这些数据也可以经由后述的网络从存储在其他存储装置中的各种信息(文献信息等)收集。
数据库100能够蓄积例如在数年、10年、20年或其以上的长的年月的期间，在设计、开发以及制造的阶段取得的庞大的数据。如果设立了由材料制造商或试验装置制造商等组成的联盟，许多企业能够访问数据库100，则从许多企业收集的庞大的数据的集合能够作为大数据来管理。
数据处理装置200例如具有主体201以及显示装置220。在数据处理装置的主体201中，也可以安装软件(或者固件)，所述软件(或者固件)用于从蓄积在数据库100中的庞大的数据中检索例如与具有与作为目标的所希望的材料特性类似的材料特性的材料关联起来的数据。这样的软件例如能够记录在光盘等计算机可读取的记录介质中而作为打包软件来销售，或经由因特网来提供。此外，关于数据处理装置200执行的动作的例子，在后面详细说明。
显示装置220例如能够是液晶显示器或有机EL(Electro-Luminescence)显示器。显示装置220能够根据从主体201输出的数据来显示各种信息。
数据处理装置200的一例是个人计算机或平板终端。数据处理装置200也可以是作为材料数据处理系统发挥功能的专用的装置。
图4是表示数据处理装置200的硬件结构例的框图。数据处理装置200具有：输入装置210、显示装置220、通信I/F230、存储装置240、处理器250、ROM(Read Only Memory：只读存储器)260以及RAM(Random Access Memory：随机存取存储器)270。这些构成要素经由总线280相互连接。
输入装置210是用于将来自用户的指示转换为数据并输入到计算机的装置。输入装置210例如是键盘、鼠标或触摸面板。
通信I/F230是用于数据处理装置200与数据库100之间进行数据通信的接口。例如，通信I/F230能够进行基于USB、IEEE1394(注册商标)或以太网(注册商标)等的有线通信。通信I/F230能够进行基于Bluetooth(注册商标)标准和/或Wi-Fi(注册商标)标准的无线通信。任一标准均包含利用了2.4GHz频带的频率的无线通信标准。
存储装置240例如是半导体存储器、磁存储装置、或光学存储装置、或它们的组合。光学存储装置的例子是光盘驱动器。磁存储装置的例子是硬盘驱动器(HDD)或磁带记录装置。
处理器250是1个或多个半导体集成电路，也称为中央运算处理装置(CPU)或微处理器。处理器250逐次执行储存在ROM260中的记述有用于检索最佳材料的命令组的计算机程序，实现所希望的处理。处理器250被广泛解释为包含搭载了CPU的FPGA(FieldProgrammable Gate Array：现场可编程门阵列)、GPU(Graphic Processer Unit：图形处理单元)、ASIC(Application Specific Integrated Circuit：专用集成电路)、或ASSP(Application Specific Standard Product：专用标准产品)的用语。
ROM260例如是能够写入的存储器(例如PROM)、能够改写的存储器(例如闪存)、或者读出专用的存储器。ROM260存储控制处理器的动作的程序。ROM260不需要是单一的记录介质，能够是多个记录介质的集合。多个集合体的一部分也可以是能够拆卸的存储器。
RAM270提供用于在启动时暂时展开储存在ROM260中的控制程序的作业区域。RAM270不需要是单一的记录介质，能够是多个记录介质的集合。
在图3的例子中，数据库100是与数据处理装置200不同的其他硬件。但是，通过将存储了庞大的数据的存储介质读入到数据处理装置200的主体201，也能够使该存储介质作为数据库100发挥功能。
另外，数据库100也可以包含在云服务器中。图5是表示云服务器300具有数据库100的结构例的框图。在图5所示的例子中，材料数据处理系统1000具有多个数据处理装置200和云服务器300的数据库100。云服务器300具有：处理器310、存储器320、通信I/F330以及数据库100。所述的第一数据以及第二数据能够储存在云服务器300上的数据库100中。多个数据处理装置200例如能够经由在公司内构建的局域网(LAN)400相互连接。局域网400经由因特网提供商服务(IPS)与因特网500连接。各个数据处理装置200能够经由因特网500访问云服务器300的数据库100。
在图5的例子中，也可以代替数据处理装置200具有的处理器250(参照图4)，或者与该处理器协作，云服务器300具有的处理器310执行处理所需的运算。另外，也可以是，与同一LAN连接的多个数据处理装置200协作来执行数据的处理。
这样，实施方式中的材料数据处理系统1000不需要通过置于1个用地内的硬件来实现，数据库100以及数据处理装置200也可以分别通过分散配置于不同的位置的多个硬件资源来实现。图6示意性地表示具有多个数据库100和多个数据处理装置200的材料数据处理系统1000的例子。在该例子中，分散配置的数据库100和数据处理装置200经由因特网500连接。也可以代替因特网500或者与因特网500一起使用其他网络。
本公开的实施方式中的数据库100的制作方法的一例包含以下步骤：首先，收集针对各个试样取得的组分、工艺以及特性中的至少一个数据、以及针对各个试样取得的组织的数据的步骤；以及将收集到的所述数据存储在存储装置中的步骤。这些数据与各个试样所固有的识别符对应起来。本公开的特征点在于，在该数据包含针对试样取得的基于磁化温度依赖性的特征量的情况下，将该特征量至少作为组织的数据与识别符对应起来。
此外，基于磁化温度依赖性的特征量在取入到数据库中时，必须作为组织的数据与识别符对应起来，但这并不排除作为特性数据等其他数据与识别符对应起来。
[基于磁化温度依赖性的特征量的提取例1]
接着，一边参照图7A至图7C，一边针对具体的材料，对基于磁化温度依赖性的特征量的提取例进行说明。在此，在某制造条件下制作出的Ca-La-Co系六方晶系铁氧体磁铁用预烧体为测定对象的试样。该试样(预烧体)通过将Fe2O3、CaO、Co3O4等原料混合并烧成而得。
图7A是表示TG测定中的温度曲线(虚线)和TG测定值(实线)的图表的例子。图表的横轴为测定时间t[秒]，左纵轴为TG测定值w[mg(毫克)]，右纵轴为温度T[℃]。使用图2所示那样的装置进行测定。在此，温度T由TG装置的加热器控制。图7A的数据以如下方式取得：将试样以10℃/分钟从50℃升温至750℃后，在750℃下保持5分钟，然后以-10℃/分钟降温至50℃。图7A所示的温度T(虚线)是TG测定装置中的试样设置部的温度实测值。TG测定值w具有作为试样的预烧体的重量、氧化铝制的容器(盘)的重量、磁吸引力重叠的大小。盘和试样的重量不会因温度而变化。因此，TG测定值w的变化与试样受到的磁力的大小的变化，即试样的磁化的大小的变化对应。
由图7A可知，关于TG测定值w，在升温过程中，在温度T超过约300℃而上升的过程中急剧降低。在升温过程中，温度T达到约500℃后，TG测定值w的降低收敛，表示大致恒定的值。这表示因温度T的上升，作为试样的预烧体的磁化降低。关于温度曲线，自测定开始起的时间(测定时间)为约4100秒之前处于升温的过程，但之后转移到降温。在降温过程中，当温度T低于约500℃时，观察到TG测定值w的增加。这表示因温度T的降低，作为试样的预烧体的磁化上升。
图7B是表示基于图7A的测定数据的TG测定值的温度依赖性的图表。在该图表中，示出了测定时的升温过程的一部分(温度T为从室温到约760℃的范围)。图表的横轴为温度T，纵轴为TG测定值w。在图7B的图表中，TG测定值w在箭头A和箭头B所示的位置(温度)急剧变化。该TG测定值(重量)的急剧变化起因于试样中所含的相(强磁性相)的强磁性-顺磁性转变。TG测定值(重量)的变化量反映试样中的强磁性相的磁化和体积比率。
图7C是表示图7B所示的曲线的温度T下的1阶微分的图表。图7C所示的曲线是从基于测定装置的1次数据通过计算而得的2次数据，通过解析该曲线而提取的特征量也相当于2次数据。以下，对这样的特征量的例子进行说明。
在图7C中，在相同的位置(温度)示出了与图7B的箭头A以及箭头B相当的箭头A以及箭头B。能够将在图7C的箭头A以及箭头B的位置处取极小值的温度规定为居里温度(TC)。此外，居里温度(TC)也可以通过其他方法来决定。根据基于XRD等其他方法的解析结果，确认了在箭头A的位置产生了磁铅石型相的强磁性-顺磁性转变，在箭头B的位置产生了尖晶石相的强磁性-顺磁性转变。
在本公开的实施方式中，将居里温度TC用作“特征量”，因此，优选根据各种数据取得居里温度TC的过程统一。例如，可以将取图7C的箭头A、箭头B的位置所示的峰值的极值的温度作为居里温度TC，也可以采用其他的解析方法来决定居里温度TC。根据某过程得到的居里温度TC的值有时在测定时的试样的升温侧和降温侧不同，或因升温速度的不同而使得值不同。在将居里温度TC等各个试样中的基于磁化温度依赖性的特征量作为规定材料的“组织”的信息登记在数据库中，该情况下，唯一地决定测定条件和/或解析中使用的部分(特别是升温时还是降温时)是有用的。另外，也可以将与测定条件相关的信息作为元数据存储在数据库中。
特征量的提取可以针对各个数据单独地进行，也可以使用解析用的程序自动地进行。另外，通过测定而得的1次数据(原始数据)、或者通过解析1次数据而得的居里温度TC等特征量，也可以有效利用自动地登记在后述的数据库中的工作流系统。另外，也可以通过来自终端装置的输入，个别地登记各个数据。
[基于磁化温度依赖性的特征量的提取例2]
接下来，参照图8A和图8B，对基于磁化温度依赖性的特征量的另一提取例进行说明。在此，对关于作为ThMn12型化合物的(Y、Sm)(Fe、Co、Ti)12系合金的测定和解析的例子进行说明。(Y、Sm)(Fe、Co、Ti)12系合金是作为具有低稀土类组分的高性能的永磁材料而被期待的材料。
图8A是表示针对制造工艺中的热处理条件不同的Y3.1 Sm5.3 Fe69.2 Co13.9 Ti4.1Cu4.5合金试样，用温度对TG测定值进行微分而得的值的温度依赖性的图表。该图表的横轴是测定中的试样温度，纵轴是用温度对TG测定值(重量)进行微分而得的值。为了容易地判别试样间的数据的差异，将各数据的原点的高度错开进行记载。在图8A的图表中，仅记载了试样温度为300℃至550℃的区域。
在图8A所示的曲线中，观察箭头C和箭头D所示的2个峰。箭头D的峰起因于作为主相的ThMn12型化合物相的强磁性-顺磁性转变。另一方面，根据文献等，认为箭头C的峰起因于Th2Ni17型化合物相和/或Nd3(Fe1-xTix)29型化合物相的强磁性-顺磁性转变。在此，Th2Ni17型化合物相能够包含Fe的哑铃构造的周期性崩溃的、所谓的“不规则2-17相”。这些相的XRD衍射峰与ThMn12型化合物相的XRD衍射峰非常相似，因此，例如在1100℃1h的试样中，有时仅通过通常的XRD测定难以确认存在。但是，如果根据图8A所示那样的磁化温度依赖性，则能够取得作为特征量能够清晰地观测的信息。
图8A的箭头C以及箭头D的峰的位置(温度)因热处理条件而不同。图8B是纵轴为产生箭头D的峰的温度(ThMn12型化合物相的居里温度TC)，横轴为热处理温度的图表。为了准确地决定峰位置(即TC)，优选除去测定时的微小的噪声的影响。为了允许这样的噪声的影响，例如，优选使用数据的移动平均值对图8A的各曲线进行平均。
由图8B可知，在未进行热处理的as-cast的试样与热处理后的各试样之间，居里温度TC大幅变化。针对as-cast的试样和热处理温度1100℃的试样进行SEM/EDX的分析。由此，求出ThMn12型化合物相的Ti相对于(Fe+Co+Ti+Cu)的摩尔比，在as-cast的试样中为0.048，与之相对地，在1100℃热处理后的试样中为0.060。这样，确认了两者的居里温度TC的差异反映了试样合金中所含的ThMn12型化合物相的组分比率。
这样，基于磁化温度依赖性的特征量作为表示组织的信息的数据是有效的。
此外，基于磁化温度依赖性的特征量并不限定于上述的例子所示那样的、包含居里温度和奈尔温度中的至少一方的“与磁相变相关的特征量”。例如，也可以采用对图7A至图7C以及图8A的图表所示的曲线的形状的整体或者一部分进行近似的函数作为“基于磁化温度依赖性的特征量”。
<数据库的制作方法>
本实施方式中的数据库的制作方法包含以下步骤：收集针对各个试样取得的组分、工艺以及特性中的至少一个数据(第一数据)和针对各个试样取得的组织的数据(第二数据)的步骤；以及将收集到的数据存储在存储装置中的步骤。在此，使收集到的数据存储在存储装置中的步骤相当于向数据库输入(登记)数据的行为。上述的数据均与识别符对应起来。特别是在本公开的实施方式中重要的点在于，在上述的数据包含针对试样取得的基于磁化温度依赖性的特征量的情况下，将该特征量至少作为组织的数据与识别符对应起来。
例如，在上述的数据包含居里温度TC等组织数据中所含的特征量的情况下，在将该特征量与其他数据一起登记到数据库时，作为组织的数据而与识别符对应起来。以下，对这一点进行具体说明。
图9A、图9B、图9C以及图9D作为整体记载了表示登记在数据库中的数据的构造例的表的一部分的一例。表具有多个行以及多个列。各个试样的数据被汇总成行单位。因此，随着登记在数据库中的试样的个数增加，表中所含的行数增加。此外，图9A至图9D所示的数据只不过表示数据库的结构例，记载的数值等并不表示通过实验测定出的值。
图9A的表中的右端的列，如黑色箭头所示，接着图9B的表中的左端的列。同样地，图9B的表中的右端的列，如黑色箭头所示，接着图9C的表中的左端的列。并且，图9C的表中的右端的列，如黑色箭头所示，接着图9D的表中的左端的列。这些图所示的表表示本实施方式中的数据库的构造的一例，并不限定本公开中的数据库的构造。
如图9A的表所示，对在数据库中登记有数据的各个试样赋予固有的识别符(ID)。在该例中，对各试样也赋予确定“实验No.”的编号。用作识别符的符号的形式是任意的。
各数据与识别符对应起来登记在数据库中。在本公开的实施方式中，如上所述，登记的数据能够分为“组分数据”、“工艺数据”、“组织数据”、“特性数据”等类别。具体而言，组分数据记录在图9A的表中的“组分”的列中。工艺数据记录在图9B的表中的“制作条件”的列中。组织数据记录在图9C的表中的“组织”的列中。特性数据记录在图9D的表中的“特性”的列中。
在“组分”和“工艺”的列中，能够根据实验或试制的实施内容，登记起始材料的组分和/或制造工艺中的各工序的设定条件等。在各工序的设定条件中，例如也能够设定陶瓷材料中的烧结助剂的种类和量等项目。
在“特性”的列中储存与成为产品规格的最终材料的特性相关的信息。例如，在永磁铁的情况下，符合剩余磁通密度Br、矫顽力HcJ、最大磁能积(BH)max等。此外，在本发明中，将居里温度TC作为表示“组织”的指标来有效利用，但这并不是必须从“材料特性”中排除居里温度TC。
如图9C所示，在“组织”的列中必须储存与磁相变相关的特征量。这意味着，例如在将居里温度TC等“与磁相变相关的特征量”输入到数据库时，数据库具有表示输入的“与磁相变相关的特征量”是“组织数据”这样的构造。
此外，在“组织”的列中还能够储存根据XRD测定结果求出的各相的种类、晶格常数、通过DTA或DSC观测的相变温度等。也可以储存从通过SEM/EDX取得的图像数据、组分数据得到的特征量等与“组织”关联的其他特征量。
此外，关于磁相变的特征量，针对各试样并不限定于1个。在图9C的例子中，关于磁相变的特征量包含第一居里温度Tc(1)和第二居里温度Tc(2)。
在本实施方式中，储存关于磁相变的特征量的“组织数据”的类别是必须的，但“组分数据”、“工艺数据”、“特性数据”的类别中的任一个未必是必须的。除了登记在这些类别中的数值等信息以外，例如也可以将从在试样制作时附属于装置的测量器的数据得到的信息作为与上述类别不同的其他类别的数据登记在数据库中。
此外，图9A至图9D所例示的表中所含的所有数据无需存储在1个存储装置中。各数据只要能够通过识别符等对应起来，则也可以存储在分散配置于多个位置的存储装置或数据服务器中。
接着，参照图10，对在本实施方式中的数据库100中登记各种数据的处理的例子进行说明。如图10所示，登记的数据的例子包含通过材料制作、组织评价、材料评价用的实验/试制而得的数据(测定数据)、或者从这样的测定数据提取的特征量。另外，登记的数据的例子还能够包含从文献得到的信息、基于模拟的结果。
在图10中，输入到数据库100的“组分数据”以及“工艺数据”的例子分别是执行上述的实验/试制等时的设定值。另一方面，输入到数据库100的“组织数据”以及“特性数据”的例子并不限定于通过实验/试制等得到的1次数据，能够包含通过数据预处理得到的2次数据。例如，在利用阿基米德法测定的密度等通过测定得到具体的数值的情况下，也可以将它们作为1次数据直接输入(登记)到数据库中。在此，“数据预处理”例如能够包含平滑处理、峰提取、基于解析的特征量的提取”等各种处理。另外，如参照图7C说明的那样，也可以将通过解析1次数据(原始数据)来提取特征量(2次数据)作为“数据预处理”来执行。该情况下，也可以将数据预处理后的2次数据输入(登记)到数据库中。
此外，在将2次数据输入到数据库100的情况下，将1次数据(原始数据)作为元数据关联起来储存到数据库中是有用的。并且，也可以将通过使用了多个1次数据和/或2次数据的计算而得的数据，例如根据尺寸和重量计算的密度等登记到数据库中。另外，也可以将规定通过测定而得的数据(图7A-图7C、图8A)的曲线的参数或参数的集作为组织数据的特征量登记在数据库中。在这样的特征量中，也能够包含例如“居里温度”等这样的无法采用公知的用语的特征量。
<材料数据处理系统的结构>
如参照图3、图5以及图6说明的那样，本公开的实施方式中的材料数据处理系统1000具有至少1个数据库100、能够访问这样的数据库100并读出储存的数据的数据处理装置200。并且，该数据处理装置200利用上述数据，如后述的例子所示，能够执行各种数据处理的动作。
通过针对登记在数据库100中的数据的数据处理，数据库100内的数据用于使用了可视化或机器学习那样的数据科学的方法的解析。在1次数据直接表示特征量的情况下，能够直接使用1次数据。也可以将根据不同的1次数据计算出的量，例如根据尺寸以及重量计算出的材料的密度作为特征量而用于解析。在1次数据为光谱、磁滞曲线的情况下，能够将从它们导出的居里温度TC等特征量有效利用于解析。
具体而言，本公开的实施方式中的材料数据处理系统1000构成为根据输入值并基于数理模型来生成输出值并输出。数理模型能够包含由材料的组分数据、工艺数据以及特性数据中的至少一个规定的第一变量和由组织数据规定的第二变量，第二变量能够包含基于磁化温度依赖性的特征量。
另外，如图11所示，这样的材料数据处理系统1000的功能块能够通过具有处理器420和与处理器420连接的存储器440来实现。存储器440存储规定处理器420的动作的程序。并且，处理器420按照存储器440存储的程序执行基于“数理模型”的运算。
针对关注的说明变量和目标变量，能够使用任意的算法来制作数理模型。作为生成数理模型的算法，能够应用局部回归、随机森林、支持向量机、神经网络等统计方法、机器学习方法等。数理模型可以使用储存在图3、图5以及图6所示的数据库100中的数据预先制作，也可以在选择输入数据和输出数据时制作。另外，数理模型也可以伴随着登记在数据库100中的数据的蓄积而适当修正。
此外，数理模型由图11的存储器440存储的程序(算法)和存储器440存储的数值参数(神经网络的加权系数等)的集来规定。这样的算法能够构成为，根据规定材料的组分、工艺、特性以及组织的至少一个变量即输入值，求出规定材料的组分、工艺、特性以及组织的至少一个变量即输出值。确定数理模型所需的数值参数的集能够经由通信线路或存储介质在多个计算机中展开。
这样的材料数据处理系统1000能够作为“材料特性预测装置”、“物性预测装置”、“材料设计装置”发挥功能。
[材料数据处理系统的第一例]
首先，参照图12，对材料数据处理系统1000的第一例进行说明。图12是表示第一例中的数据处理的例子的功能框图。图12的数据库100是通过参照图10说明的数据的输入(登记)而制作的数据库。图12中的“数据输入”对应于将图10中的“设定值”、“1次数据”以及“2次数据”输入到数据库100中。
在第一例中，数据处理装置200从包含储存在数据库100中的数据的一部分或全部的数据集中，将例如包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为说明变量，将“特性”类别中登记的1个或多个特征量作为目标变量，导出/设定数理模型。因此，数据处理装置200也能够作为数理模型设定部发挥功能。
使用这样得到的数理模型，将通过实验等新得到的“组织特征”的值输入到数据处理装置200，由此，输出“材料特性”的预测值。具体而言，例如，在具有图4所示那样的硬件结构的数据处理装置200中，处理器250能够根据通过图4的输入装置210等输入的“组织特征”的值，进行使用了数理模型的运算，将作为其结果得到的“材料特性”的预测结果显示于例如显示装置220等。
在该例子中，图12的数据处理装置200灵活利用数据库100的数据导出数理模型，执行基于该数理模型的材料特性计算。但是，数据处理装置200也可以通过通信等取得其他数据处理装置200导出的数理模型，执行基于该数理模型的材料特性计算。
此外，在导出数理模型时使用的数据库100中的组织数据必须包含基于磁化温度依赖性的特征量，但在数据处理装置200使用利用这样的数据库100导出的数理模型进行材料特性计算时，输入的组织的特征量未必需要包含基于磁化温度依赖性的特征量。在通过学习来构建数理模型根据输入值推定输出值的模型的过程中，组织的特征量包含基于磁化温度依赖性的特征量，由此，期待数理模型的预测精度提高、或数理模型导出所需的数据量减少的效果。在使用这样导出的数理模型进行材料特性的计算时，期望输入的组织的特征量包含基于磁化温度依赖性的特征量，但即使缺少基于磁化温度依赖性的特征量，也能够进行材料特性的预测。
[材料数据处理系统的第二例]
接下来，参照图13，对材料数据处理系统1000的第二例进行说明。图13是表示第二例中的数据处理的例子的功能框图。在该例中，数据处理装置200从包含储存在数据库100中的数据的一部分或全部的数据集中，将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为说明变量，将“特性”类别中登记的1个或多个特征量作为目标变量，导出/设定数理模型。
使用这样得到的数理模型，输入要求的材料特性的值(要求值)，使用公知的方法等求解逆问题，由此，输出“组织特征”的候补。具体而言，数据处理装置200的处理器250能够根据通过输入装置210等输入的材料特性的要求值，进行利用了数理模型的运算，将作为其结果得到的“组织特征”的候补显示于显示装置220等。
此外，也可以代替求解逆问题，从储存在数据库100中的包含数据的一部分或全部的数据集中导出/设定将“特性”类别中登记的1个或多个特征量作为说明变量、将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为目标变量的数理模型。在导出/设定了这样的数理模型的情况下，通过求解正问题，能够根据想要得到的“特性”的输入，得到这样的特性实现所需的“组织”的候补的输出。
[材料数据处理系统的第三例]
接下来，参照图14，对材料数据处理系统1000的第三例进行说明。图14是表示第三例中的数据处理的例子的功能框图。在该例子中，数据处理装置200从包含储存在数据库100中的数据的一部分或全部的数据集中，将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为说明变量，将“特性”类别中登记的1个或多个特征量作为目标变量，导出/设定数理模型。
接着，针对包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个项目，生成组织特征的网罗预测点。并且，使用前述的数理模型，针对与生成的各预测点对应的“特性”类别中登记的项目的1个或多个，计算材料特性的被预测的值。
之后，若将想要实现的“材料特性”的值(要求值)输入到数据处理装置200，则从得到的一系列的“特性”类别中登记的1个或多个特征量的预测值中，提取与输入的要求值接近的预测值，作为成为候补的“组织”而输出到图4的显示装置220等。成为提取的判断基准的要求值与预测值的差值根据目标而适当设定。在该例中，图14的数据处理装置200有效利用数据库100的数据导出数理模型，执行基于该数理模型的组织特征的网罗预测点生成、材料特性(预测)计算、以及材料特性的要求值-预测值比较。此外，数据处理装置200也可以通过通信等取得其他数据处理装置200导出的数理模型，执行基于该数理模型的组织特征的网罗预测点生成、材料特性(预测)计算、以及材料特性的要求值-预测值比较。
此外，使用数理模型和组织特征的网罗预测点计算出的材料特性的预测值也可以预先由数据库100或其他存储装置存储。
[材料数据处理系统的第四例]
接下来，参照图15，对材料数据处理系统1000的第四例进行说明。图15是表示第四例中的数据处理的例子的功能框图。在该例中，数据处理装置200从包含储存在数据库100中的数据的一部分或全部的数据集中，将“组分”类别和/或“工艺”类别中登记的1个或多个特征量作为说明变量，将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为目标变量，导出/设定数理模型。
使用这样得到的数理模型，从通过实验等新设定的“组分/材料工艺”输出“组织”的预测值。具体而言，数据处理设备200的处理器250能够根据通过输入装置210等输入的组分/工艺的值，进行使用了数理模型的运算，将作为其结果获得的组织的预测值显示于显示装置220等。
在该例中，图15的数据处理装置200有效利用数据库100的数据导出数理模型，执行基于该数理模型的组织计算。此外，数据处理装置200也可以通过通信等取得其他数据处理装置200导出的数理模型，执行基于该数理模型的组织计算。
[材料数据处理系统的第五例]
接下来，参照图16，对材料数据处理系统1000的第五例进行说明。图16是表示第五例中的数据处理的例子的功能框图。在该例中，从包含储存在数据库100中的数据的一部分或全部的数据集中，将“组分”类别和/或“工艺”类别中登记的1个或多个特征量作为说明变量，将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为目标变量，导出/设定数理模型。
当使用这样得到的数理模型将求出的组织特征的值(要求值)输入到数据处理装置200时，数据处理装置200使用公知的方法等求解逆问题，由此，输出能够实现输入的组织特征的“组分”和/或“工艺”的候补。
此外，在该例中，想要得到的组织特征的值例如可以根据求出的材料特性的值通过参照图13或图14说明的数据处理求出。另外，在选择输出的“组分”和/或“工艺”的候补时，也可以预先设定将组分的范围或值固定等的边界条件。
在该例中，图16的数据处理装置200有效利用数据库100的数据导出数理模型，执行基于该数理模型的组分/工艺计算。此外，数据处理装置200也可以通过通信等取得其他数据处理装置200导出的数理模型，执行基于该数理模型的组分/工艺计算。
[材料数据处理系统的第六例]
接下来，参照图17，对材料数据处理系统1000的第六例进行说明。图17是表示第六例中的数据处理的例子的功能框图。在该例中，数据处理装置200从使用了储存在数据库中的数据的一部分或全部的数据集中，将“组分”类别和/或“工艺”类别中登记的1个或多个特征量作为说明变量，将包含居里温度TC等与磁相变相关的特征量的“组织”类别中登记的1个或多个特征量作为目标变量，导出和设定数理模型。
接着，针对“组分”类别和/或“工艺”类别中登记的1个或多个项目生成网罗预测点，使用所述的数理模型，针对与生成的各预测点对应的“组织”类别中登记的1个或多个项目，计算特征量的预测值。然后，当输入想要得到的“组织”的值(要求值)时，从得到的包含居里温度TC等与磁相变相关的特征量的一系列的“组织”类别中登记的1个或多个特征量的预测值中，提取与输入的要求值接近的预测值，作为“组分”和/或“工艺”的候补而输出。成为候补提取的判断基准的要求值与预测值的差分根据目标而适当设定。
在该例中，图17的数据处理装置200有效利用数据库100的数据导出数理模型，执行基于该数理模型的组分/工艺的网罗预测点生成、组织特征(预测)计算、以及材料特性的要求值-预测值比较。此外，数据处理装置200也可以通过通信等取得其他数据处理装置200导出的数理模型，执行基于该数理模型的组分/工艺的网罗预测点生成、组织特征(预测)计算、以及材料特性的要求值-预测值比较。
此外，在该例中，想要得到的组织特征的值例如也可以根据求出的材料特性的值通过参照图13或图14说明的数据处理来求出。另外，例如，在选择输出的“组分”和/或“工艺”的候补时，也可以预先设定将组分的范围或值固定等的边界条件。
使用数理模型和“组分”和/或“工艺”的网罗预测点计算出的“组织”的预测值也可以预先数据库化。
此外，为了得到参照图14或图17说明的“网罗预测点”，例如执行以下的处理即可。首先，针对图14中的“组织”、图17中的“组分/工艺”中登记的各项目的一部分或全部，设定认为能够实现的范围。之后，针对各个项目，以随机或者规定的步长设定多个数。并且，制作各项目的多个数值彼此的全部的组合。在图14或者图17的例子中，通过对设定的“组织”或者“组分/工艺”的网罗预测点应用数理模型而得的“材料特性”、“组织特征”的结果，可以储存在储存为了得到这样的“网罗预测点”而使用的数据的数据库中，也可以储存在其他数据库中，在需要时有效利用它们。
另外，也可以经由“组织特征”的数据，进行将“组分”、“工艺”和/或“材料特性”关联起来的解析。例如，可以有效利用第四例(图15)根据“组分”和“工艺”预测“组织特征”，并且根据通过第一例(图12)预测的“组织特征”预测“材料特性”。另外，也可以通过第二例(图13)，根据“材料特性”的要求值求出“组织特征”的候补，并且通过第六例(图17)，根据求出的“组织特征”得到“组分”“工艺”的候补。这些只不过是组合的例示的一部分，用于经由“组织特征”将“组分”、“工艺”和“材料特性”关联起来的第一至第五例的组合方式没有限制。
[工业上的可利用性]
本公开的数据库、材料数据处理系统以及数据库的制作方法适合用于利用数据挖掘等信息科学来高效地探索新材料、替代材料的材料信息学，能够用于新材料或者替代材料的开发。

Claims (15)

1.一种数据库，储存与各个试样所固有的识别符对应起来的数据，其特征在于，
所述数据包含：
第一数据，其表示所述各个试样的组分数据、工艺数据以及特性数据中的至少1个；以及
第二数据，其表示所述各个试样的组织数据，
所述组织数据包含所述各个试样的基于磁化温度依赖性的特征量。
2.根据权利要求1所述的数据库，其特征在于，
所述基于磁化温度依赖性的特征量是与磁相变相关的特征量。
3.根据权利要求2所述的数据库，其特征在于，
关于所述磁相变的特征量包含居里温度和奈尔温度中的至少一方。
4.根据权利要求1～3中任一项所述的数据库，其特征在于，
所述第一数据包含所述各个试样中包含的元素的种类和所述元素的组分比率作为所述组分数据，
所述第一数据包含规定在制造所述各个试样的工序中执行的热处理条件的参数作为所述工艺数据。
5.根据权利要求1～3中任一项所述的数据库，其特征在于，
所述第一数据包含所述各个剩余磁通密度、矫顽力、饱和磁化以及磁导率中的至少一个作为所述特性数据。
6.根据权利要求1～3中任一项所述的数据库，其特征在于，
所述第二数据包含规定所述各个试样中包含的主相的晶体构造的参数作为所述组织数据。
7.一种材料数据处理系统，其特征在于，具有：
权利要求1～6中任一项所述的至少1个数据库；以及
数据处理装置，其能够访问所述数据库并读出储存的所述数据，
所述数据处理装置接受包含材料的基于磁化温度依赖性的特征量的组织的变量的输入，输出规定所述材料的特性的变量、规定所述材料的组分的变量、和/或规定所述材料的工艺的变量。
8.一种材料数据处理系统，其特征在于，具有：
权利要求1～6中任一项所述的至少1个数据库；以及
数据处理装置，其能够访问所述数据库并读出储存的所述数据，
所述数据处理装置接受规定材料的特性的变量的输入，输出包含所述材料的基于磁化温度依赖性的特征量的组织的变量。
9.一种材料数据处理系统，其特征在于，具有：
权利要求1～6中任一项所述的至少1个数据库；以及
数据处理装置，其能够访问所述数据库并读出储存的所述数据，
所述数据处理装置接受规定材料的组分的变量和/或规定工艺的变量的输入，输出包含所述材料的基于磁化温度依赖性的特征量的组织的变量。
10.根据权利要求7～9中任一项所述的材料数据处理系统，其特征在于，
所述数据处理装置根据基于储存在所述数据库中的所述数据的数理模型，根据说明变量的输入值计算目标变量的输出值，
所述数理模型包含所述基于磁化温度依赖性的特征量作为规定所述组织的说明变量，且包含所述组分、工艺以及特性中的至少一个作为目标变量。
11.根据权利要求7～9中任一项所述的材料数据处理系统，其特征在于，
所述数据处理装置根据基于储存在所述数据库中的所述数据的数理模型，根据目标变量的输入值计算说明变量的输出值，
所述数理模型包含所述基于磁化温度依赖性的特征量作为规定所述组织的说明变量，且包含所述组分、工艺以及特性中的至少一个作为目标变量。
12.一种材料数据处理系统，其特征在于，具有：
权利要求1～6中任一项所述的至少1个数据库；以及
数据处理装置，其能够访问所述数据库并读出储存的所述数据，
所述数据处理装置具有：数理模型设定部，其根据由作为目标变量的所述第一数据的所述组分数据、所述工艺数据以及所述特性数据中的至少1个规定的第一变量以及由包含作为说明变量的所述第二数据的所述基于磁化温度依赖性的特征量的所述组织数据规定的第二变量，生成数理模型。
13.根据权利要求12所述的材料数据处理系统，其特征在于，
所述材料数据处理系统具有：
处理器；以及
存储器，其与所述处理器连接，存储规定所述处理器的动作的程序，
所述处理器按照所述程序执行基于所述数理模型的运算，根据规定所述材料的组分、工艺、特性以及组织的至少一个变量即输入值，求出规定所述材料的组分、工艺、特性以及组织的至少一个变量即输出值。
14.一种材料数据处理系统，根据输入值基于数理模型生成输出值并输出，其特征在于，
所述数理模型包含：
第一变量，其由材料的组分数据、工艺数据以及特性数据中的至少一个来规定；以及
第二变量，其由组织数据来规定，
所述第二变量包含基于磁化温度依赖性的特征量。
15.一种数据库的制作方法，其特征在于，包含以下步骤：
收集与各个试样所固有的识别符对应起来的数据，即针对所述各个试样取得的组分、工艺以及特性中的至少一个数据、以及针对所述各个试样取得的组织的数据的步骤；以及
将收集到的所述数据存储在存储装置的步骤，
在所述数据包含针对所述试样取得的基于磁化温度依赖性的特征量的情况下，将所述特征量至少作为所述组织的数据与所述识别符对应起来。
CN202210837515.1A 2021-08-05 2022-07-15 数据库、材料数据处理系统以及数据库的制作方法 Active CN115599761B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-128755 2021-08-05
JP2021128755A JP7188512B1 (ja) 2021-08-05 2021-08-05 データベース、材料データ処理システム、およびデータベースの作成方法

Publications (2)

Publication Number Publication Date
CN115599761A true CN115599761A (zh) 2023-01-13
CN115599761B CN115599761B (zh) 2024-04-16

Family

ID=84441436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210837515.1A Active CN115599761B (zh) 2021-08-05 2022-07-15 数据库、材料数据处理系统以及数据库的制作方法

Country Status (4)

Country Link
US (2) US11803522B2 (zh)
JP (1) JP7188512B1 (zh)
KR (1) KR20230021585A (zh)
CN (1) CN115599761B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983738A (zh) * 2023-03-21 2023-04-18 广东仁懋电子有限公司 一种用于提升氮化镓制备效率方法和装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7409464B1 (ja) 2022-11-01 2024-01-09 株式会社プロテリアル 材料データ処理装置及び方法
JP7409472B1 (ja) 2022-12-14 2024-01-09 株式会社プロテリアル 材料データ処理装置及び方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516701A (zh) * 2019-07-12 2019-11-29 上海大学 基于数据挖掘快速预测钙钛矿居里温度的方法
JP2021033964A (ja) * 2019-08-29 2021-03-01 トヨタ自動車株式会社 飽和磁化予測方法及び飽和磁化予測シミュレーションプログラム
JP2021047627A (ja) * 2019-09-18 2021-03-25 株式会社日立製作所 材料特性予測システムおよび材料特性予測方法
CN112912884A (zh) * 2018-10-30 2021-06-04 昭和电工株式会社 材料设计装置、材料设计方法和材料设计程序

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9120245B1 (en) * 2007-05-09 2015-09-01 The United States Of America As Represented By The Secretary Of The Air Force Methods for fabrication of parts from bulk low-cost interface-defined nanolaminated materials
US9765271B2 (en) * 2012-06-27 2017-09-19 James J. Myrick Nanoparticles, compositions, manufacture and applications
US20150266778A1 (en) * 2012-10-04 2015-09-24 Rutgers, The State University Of New Jersey Granite-like composite materials and methods of preparation thereof
GB2507571A (en) * 2012-11-05 2014-05-07 Element Six Abrasives Sa A polycrystalline superhard body with polycrystalline diamond (PCD)
AU2014342154A1 (en) * 2013-10-31 2016-06-02 Vermeer Manufacturing Company Hardfacing incorporating carbide particles
WO2017164376A1 (ja) * 2016-03-25 2017-09-28 国立研究開発法人産業技術総合研究所 磁性材料とその製造法
CN111386161B (zh) * 2017-09-25 2022-05-17 国立研究开发法人产业技术综合研究所 磁性材料及其制造法
US11575006B2 (en) * 2018-03-20 2023-02-07 The Regents Of The University Of California Van der Waals integration approach for material integration and device fabrication
US11427902B2 (en) * 2019-09-19 2022-08-30 Cornerstone Intellectual Property, Llc Additive manufacturing of iron-based amorphous metal alloys
US11127942B2 (en) * 2019-10-25 2021-09-21 Lyten, Inc. Systems and methods of manufacture of carbon based structures incorporated into lithium ion and lithium sulfur (li s) battery electrodes

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112912884A (zh) * 2018-10-30 2021-06-04 昭和电工株式会社 材料设计装置、材料设计方法和材料设计程序
CN110516701A (zh) * 2019-07-12 2019-11-29 上海大学 基于数据挖掘快速预测钙钛矿居里温度的方法
JP2021033964A (ja) * 2019-08-29 2021-03-01 トヨタ自動車株式会社 飽和磁化予測方法及び飽和磁化予測シミュレーションプログラム
JP2021047627A (ja) * 2019-09-18 2021-03-25 株式会社日立製作所 材料特性予測システムおよび材料特性予測方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU YIFEI 等: "Predicting the curie temperatures of LaxM1-x-zRzMnyN1-yO3 perovskites based on support vector Regression", COMPUTERS AND APPLIED CHEMISTRY, vol. 33, no. 6, pages 731 - 736 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983738A (zh) * 2023-03-21 2023-04-18 广东仁懋电子有限公司 一种用于提升氮化镓制备效率方法和装置

Also Published As

Publication number Publication date
US20230325365A1 (en) 2023-10-12
JP2023023329A (ja) 2023-02-16
KR20230021585A (ko) 2023-02-14
JP7188512B1 (ja) 2022-12-13
US11803522B2 (en) 2023-10-31
CN115599761B (zh) 2024-04-16
US11934360B2 (en) 2024-03-19
US20230041536A1 (en) 2023-02-09

Similar Documents

Publication Publication Date Title
CN115599761B (zh) 数据库、材料数据处理系统以及数据库的制作方法
Takahashi et al. Relationship between mechanical and magnetic properties in cold rolled low carbon steel
Franco et al. Predicting the tricritical point composition of a series of LaFeSi magnetocaloric alloys via universal scaling
Franco et al. Magnetocaloric effect and critical exponents of Fe77Co5. 5Ni5. 5Zr7B4Cu1: A detailed study
Ahamed Khan et al. Ferromagnetic shape memory Heusler materials: Synthesis, microstructure characterization and magnetostructural properties
Shih X-ray diffraction: Structure, principles and applications
Koblischka et al. Applications of the electron backscatter diffraction technique to ceramic materials
Herlitschke et al. Elasticity and magnetocaloric effect in MnFe 4 Si 3
Deng et al. Near-zero temperature coefficient of resistivity associated with magnetic ordering in antiperovskite Mn3+ xNi1− xN
JP2021033964A (ja) 飽和磁化予測方法及び飽和磁化予測シミュレーションプログラム
Zhang et al. Phase fraction and evolution of additively manufactured (AM) 15-5 stainless steel and Inconel 625 AM-Bench artifacts
JP7255741B2 (ja) 材料設計装置、およびマテリアルズインフォマティクスによる材料開発方法
Giménez et al. Effects of microstructural heterogeneity on the mechanical properties of pressed soft magnetic composite bodies
JP7409472B1 (ja) 材料データ処理装置及び方法
JP7409464B1 (ja) 材料データ処理装置及び方法
Szewieczek et al. Optimisation the magnetic properties of the (Fe
Gong et al. Micro-cantilever beam experiments and modeling in porous polycrystalline UO2
Greve et al. The geomagnetic field intensity in New Zealand: Palaeointensities from Holocene lava flows of the Tongariro Volcanic Centre
Morales et al. Influence of internal stresses on field-dependent elastic modulus and damping in pure nickel
Leoni et al. Annealing behavior of a nanostructured fe1. 5mo alloy
Ding et al. Several factors influencing energy‐loss near‐edge structure calculations using Wien2k
Mingard et al. Challenges in microstructural metrology for advanced engineered materials
JP3697549B2 (ja) 粒子線装置における試料物質同定装置
CN108398462B (zh) 合金中磁场诱导相变温度移动的测量计算方法
Fish et al. Finite-size effects at first-order isotropic-to-nematic transitions

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

Address after: Tokyo, Japan

Applicant after: Bomeilicheng Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: HITACHI METALS, Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant