ORNL が 2023 年の R&D 100 Research Award を 6 件受賞

2023 年 8 月 24 日

ネットワークに共有:

米国テネシー州オークリッジに拠点を置くエネルギー省のオークリッジ国立研究所（ORNL）の研究者が、2023年R&D 100賞を6件受賞した。 有名な科学とイノベーションのコンテストの勝者は、世界中から 45 人の専門家で構成された審査員団である R&D World 誌によって発表されました。 コンテストには 15 の国と地域からエントリーが寄せられました。

「ORNLは、この国の最も困難な問題に対する技術的解決策を提供するよう努めています」とORNL暫定ディレクターのジェフ・スミス氏は述べた。 「今年のR&D 100 Awardsは、当社の科学者とエンジニアがその偉業を達成するためにどれだけ熱心に働いているかを思い出させるものです。」

ORNL の受賞者には、多数の積層造形プロセスやその他のテクノロジーが含まれていました。 これらには次のものが含まれます。

中性子計測用の積層造形熱伝導コリメータ–ORNL と PolarOnyx

ORNL と PolarOnyx, Inc. の研究者は、アルミニウム - 炭化ホウ素マトリックス複合材料ベースの製造プロセスを使用して、2D および 3D コリメータと部品を開発しました。 コリメータはバックグラウンドを低減し、サンプルから散乱した中性子と X 線のみが測定されるようにするため、中性子と X 線の実験に不可欠なコンポーネントです。 金属マトリックス複合材 (MMC) 添加剤は、炭化ホウ素の大きな中性子吸収断面積と硬度と、アルミニウムの高い熱伝導率を組み合わせて、ノイズを最小限に抑えた堅牢な中性子散乱測定を提供します。

これらの複雑なコリメータは、伝統的に製造されたコリメータに比べて大幅な改善をもたらします。 MMC 積層造形技術により、メンテナンス コストと製造時間の削減が可能になると同時に、前例のない中性子散乱試験パフォーマンスが得られます。

DOE 科学局はこの研究に資金を提供しました。

開発は、ORNL の Matthew Stone 氏、Jeff Bunn 氏、Andrew May 氏、PolarOnyx の Jian Liu 氏、Shuang Bai 氏が共同で主導しました。 ORNL の Alexander Kolesnikov と Victor Fanelli が開発に貢献しました。

OpeN-AM: 積層造形のオペランド中性子回折測定用プラットフォーム–ORNL

ORNL の研究者は、積層造形中に金属のオペランド中性子回折研究を実行するためのプラットフォームである OpeN-AM を開発しました。 このプラットフォームには、蒸着ヘッド、加工機能、赤外線モニタリング (IR) が含まれています。 これらはすべて、ORNL の核破砕中性子源 (SNS) にある VULCAN ビームラインを使用したオペランドエンジニアリング中性子回折測定と調整できます。

この機能の組み合わせにより、AM プロセス中に発生する相変態とストレッサーの進化について比類のない洞察が得られます。 これらの新しい洞察により、ストレス要因を軽減し、新しい材料とプロセス戦略の開発を加速するために AM プロセスを継続的に改善することが可能になります。

研究への資金提供は、DOE Laboratory Directed Research and Development, Digital Metallurgy Initiative によって提供されました。

ORNL の Alex Plotkowski が、ORNL の Chris Fancher、Kyle Saleeby、James Haley、Ke An、Dunji Yu、T​​om Feldhausen、Guru Madireddy、Yousub Lee、Joshua Vaughan、Suresh Babu、Jessie Heineman、Clay Leach、Wei Tang、Amit Shyam とともに開発を主導しました。開発を支援します。

物理学に基づいたアクティブラーニングを活用した科学発見のための自律型顕微鏡–ORNL

ORNL とテネシー大学の研究者は、自律実験のための物理学に基づいたアクティブ ラーニング手法を開発しました。 このソフトウェア スイートには、科学的発見を促進するアクティブ ラーニング アルゴリズムに加え、顕微鏡やその他の実験ツール用の制御ソフトウェアが含まれています。

顕微鏡法の進歩により、科学者や研究者が材料や生物学的システムを研究する方法が変わりました。 ただし、自律型顕微鏡の開発には、データ取得および転送プロトコルの自動化、タスク固有の機械学習手法の開発、物理発見と機械学習の間の相互作用の理解、エンドツーエンドのワークフローの定義など、いくつかの課題が伴います。