ORNL erhält sechs R&D 100 Research Awards für 2023

24. August 2023

Teilen Sie es mit Ihrem Netzwerk:

Forscher des Oak Ridge National Laboratory (ORNL) des Energieministeriums mit Sitz in Oak Ridge, Tennessee, USA, haben sechs 2023 R&D 100 Awards erhalten. Die Gewinner des renommierten Wissenschafts- und Innovationswettbewerbs wurden von der Zeitschrift R&D World bekannt gegeben, deren Jury aus 45 Fachleuten aus aller Welt bestand. Beiträge zum Wettbewerb gingen aus fünfzehn verschiedenen Ländern und Regionen ein.

„ORNL ist bestrebt, technologische Lösungen für die schwierigsten Probleme des Landes bereitzustellen“, sagte Jeff Smith, Interimsdirektor des ORNL. „Die diesjährigen R&D 100 Awards sind eine Erinnerung daran, wie hart unsere Wissenschaftler und Ingenieure daran arbeiten, dieses Kunststück zu vollbringen.“

Zu den Gewinnern bei ORNL gehörten eine Reihe additiver Fertigungsverfahren sowie andere Technologien. Dazu gehörten Folgendes:

Additiv gefertigte wärmeleitende Kollimatoren für die Neutroneninstrumentierung–ORNL und PolarOnyx

Forscher von ORNL und PolarOnyx, Inc. haben 2D- und 3D-Kollimatoren und -Teile mithilfe eines Herstellungsverfahrens auf Basis eines Aluminium-Borcarbid-Matrix-Verbundwerkstoffs entwickelt. Kollimatoren sind wesentliche Komponenten für Neutronen- und Röntgenexperimente, da sie den Hintergrund reduzieren und sicherstellen, dass nur von einer Probe gestreute Neutronen und Röntgenstrahlen gemessen werden. Das Metallmatrix-Komposit-Additiv (MMC) kombiniert den großen Neutronenabsorptionsquerschnitt und die Härte von Borcarbid mit der hohen Wärmeleitfähigkeit von Aluminium, um robuste Neutronenstreuungsmessungen mit minimalem Rauschen zu ermöglichen.

Diese komplexen Kollimatoren bieten erhebliche Verbesserungen gegenüber herkömmlich hergestellten Kollimatoren. Die additive Fertigungstechnik von MMC ermöglicht reduzierte Wartungskosten und Produktionszeiten und bietet gleichzeitig eine beispiellose Leistung bei Neutronenstreutests.

Das DOE Office of Science stellte die Finanzierung für diese Forschung bereit.

Die Entwicklung wurde gemeinsam von Matthew Stone, Jeff Bunn, Andrew May von ORNL und Jian Liu und Shuang Bai von PolarOnyx geleitet. Alexander Kolesnikov und Victor Fanelli vom ORNL trugen zur Entwicklung bei.

OpeN-AM: Eine Plattform für Operando-Neutronenbeugungsmessungen der additiven Fertigung–ORNL

ORNL-Forscher haben OpeN-AM entwickelt, eine Plattform zur Durchführung von Operando-Neutronenbeugungsstudien an Metallen während der additiven Fertigung. Die Plattform umfasst einen Abscheidekopf, Bearbeitungsmöglichkeiten und Infrarotüberwachung (IR). All dies kann mit Operando-Engineering-Neutronenbeugungsmessungen mithilfe der VULCAN-Strahllinie an der Spallations-Neutronenquelle (SNS) am ORNL koordiniert werden.

Diese Kombination von Fähigkeiten bietet beispiellose Einblicke in die Entwicklung von Phasentransformationen und Stressfaktoren, die während des AM-Prozesses auftreten. Diese neuen Erkenntnisse ermöglichen eine kontinuierliche Verbesserung der AM-Verarbeitung, um Stressfaktoren zu mildern und die Entwicklung neuer Materialien und Prozessstrategien zu beschleunigen.

Die Finanzierung der Forschung erfolgte durch DOE Laboratory Directed Research and Development, Digital Metallurgy Initiative.

Alex Plotkowski vom ORNL leitete die Entwicklung zusammen mit Chris Fancher, Kyle Saleeby, James Haley, Ke An, Dunji Yu, Tom Feldhausen, Guru Madireddy, Yousub Lee, Joshua Vaughan, Suresh Babu, Jessie Heineman, Clay Leach, Wei Tang und Amit Shyam vom ORNL bei der Entwicklung mithelfen.

Physikinformierte, aktive, lerngesteuerte autonome Mikroskopie für wissenschaftliche Entdeckungen–ORNL

Forscher des ORNL und der University of Tennessee haben eine physikbasierte, aktive Lernmethode für autonome Experimente entwickelt. Diese Software-Suite umfasst aktive Lernalgorithmen sowie Steuerungssoftware für Mikroskope und andere experimentelle Werkzeuge, die wissenschaftliche Entdeckungen beschleunigen.

Die Weiterentwicklung der Mikroskopie hat die Art und Weise, wie Wissenschaftler und Forscher Materialien und biologische Systeme untersuchen, verändert. Allerdings bringt die Entwicklung autonomer Mikroskopie mehrere Herausforderungen mit sich, wie etwa die Automatisierung von Datenerfassungs- und Übertragungsprotokollen, die Entwicklung aufgabenspezifischer Methoden des maschinellen Lernens, das Verständnis des Zusammenspiels zwischen physikalischer Entdeckung und maschinellem Lernen sowie die Definition von End-to-End-Arbeitsabläufen.

Diese Forschung zielt darauf ab, die aktuellen Herausforderungen bei der Ermöglichung autonomer Mikroskopie-Arbeitsabläufe zu bewältigen. Dies geschieht durch die Herstellung eines Gleichgewichts zwischen der notwendigen physischen Intuition, dem Vorwissen der Wissenschaftler und den experimentellen Zielen mithilfe von Algorithmen für maschinelles Lernen, die diese Faktoren in spezifische experimentelle Protokolle umsetzen können.

Die Finanzierung dieses Projekts erfolgte durch das DOE Office of Science.

Die gemeinsame Entwicklung wurde von Yongtao Liu und Maxim Ziatdinov von ORNL mit Sergei Kalinin von UT Knoxville geleitet. Kevin Roccapriore, Rama Vasudevan, Kyle Kelley und Stephen Jesse von ORNL trugen zur Entwicklung bei.

Präzise, ​​kontinuierliche und schnelle Herstellung thermoplastischer Verbundwerkstoffe mittels Additive Manufacturing-Compression Moulding (AM-CM)–ORNL

Forscher am ORNL haben einen hochautomatisierten Prozess für die Herstellung thermoplastischer Verbundwerkstoffe entwickelt. Dieses Verfahren kombiniert die Vorteile der additiven Fertigung und des Formpressens (CM), um leistungsstarke, funktionale Verbundstrukturen mit Produktionsraten für die Automobilindustrie herzustellen.

Das AM-CM-Verfahren vereint die besten Eigenschaften herkömmlicher Verfahren zur Herstellung von Verbundbauteilen. AM lagert verstärkte Polymere ab, in denen die Fasern gleichmäßig verteilt und in die optimale Richtung ausgerichtet sind, und CM entfernt Hohlräume und sorgt gleichzeitig für eine glatte Oberfläche.

Dieser Prozess behebt die Mängel bestehender additiver und traditioneller Fertigungsverfahren und integriert gleichzeitig deren wünschenswerte Eigenschaften. Ihm wird das Potenzial zugesprochen, zum dominierenden Herstellungsverfahren für Polymere und Verbundwerkstoffe zu werden.

Das Office of Energy Efficiency and Renewable Energy, Advanced Materials and Manufacturing Technologies Office (AMMTO) des DOE stellte die Finanzierung für diese Forschung bereit.

Die Entwicklung wurde von Vipin Kumar vom ORNL geleitet, wobei Vlastimil Kunc, Ahmed Hassen, David Nuttall, Seokpum Kim, Deepak Kumar Pokkalla, Paritosh Mhatre, Bill Peter, Craig Blue und Joshua Vaughan bei der Entwicklung mitwirkten.

SuperNeuro: Ein beschleunigter neuromorpher Computersimulator–ORNL

Um die aktuellen Einschränkungen und Ineffizienzen anzugehen, die neuromorphes Computing im großen Maßstab behindern, haben Forscher am ORNL SuperNeuro entwickelt. Diese auf Python basierende offene Software bietet KI-Anwendern gehirnähnliche Simulatoren, die schnell und auf Zentral- und Grafikverarbeitungsplattformen skalierbar sind. SuperNeuro verwendet Matrix- und Agenten-basierte Modellierungsansätze, die unterschiedliche Arbeitslasten ermöglichen und die Möglichkeit bieten, die Spike-Mechanismen des Benutzers auf eine für den Menschen interpretierbare Weise zu simulieren.

Im Vergleich zu bestehenden Simulationsplattformen bietet SuperNeuro eine wesentliche neuromorphe Software mit verbesserter Anpassungsfähigkeit. Es nutzt GPU-Computing, um überlegene Leistung für Neurowissenschaften, Spiking Neural Networks (SNNs) und allgemeine Computing-Workloads bereitzustellen. Darüber hinaus eröffnet die einfache Integration mit anderen Tools zur SNN-Optimierung Möglichkeiten für die gemeinsame Gestaltung neuromorpher Schaltkreise. SuperNeuro kann bis zu 300-mal schneller als andere Simulatoren für kleine, dünn besetzte Netzwerke und bis zu 3,4-mal schneller für große, dünn besetzte und dichte Netzwerke sein.

Die Finanzierung dieses Projekts erfolgte durch das DOE Office of Science.

Prasanna Date, Shruti Kulkarni und Chathika Gunaratne vom ORNL leiteten gemeinsam die Entwicklung. Zu den Forschungsmitarbeitern gehörten Robert Patton, Mark Coletti und Thomas Potok vom ORNL.

CANDLE (Distributed Learning Environment von CANcer)

ORNL unterstützte auch die Entwicklung von CANDLE (CANcer Distributed Learning Environment), das einen 2023 R&D 100 Award in der Kategorie Software/Services gewann. CANDLE ist eine Zusammenarbeit mit mehreren DOE-Laboren und dem Federick National Laboratory for Cancer Research für eine Open-Source-Softwareplattform, die Deep-Learning-Methoden zur Weiterentwicklung der Krebsforschung bereitstellt.

https://www.ornl.gov/

30. August 2023

31. August 2023

31. August 2023

25. August 2023