Blog

Aug 31, 2023

ORNL gewinnt sechs R&D 100-Forschungspreise

Bild des DOE/Oak Ridge National Laboratory: Forscher von ORNL und PolarOnyx haben 2D- und 3D-Kollimatoren und Teile mithilfe einer auf Aluminium-Borcarbid-Matrixverbundwerkstoffen basierenden Fertigung entwickelt. mehr sehen

DOE/Oak Ridge National Laboratory

Bild: Forscher von ORNL und PolarOnyx haben 2D- und 3D-Kollimatoren und Teile mithilfe einer auf Aluminium-Borcarbid-Matrixverbundwerkstoffen basierenden Fertigung entwickelt.mehr sehen

Bildnachweis: PolarOnyx

Von Forschern des Oak Ridge National Laboratory des Energieministeriums entwickelte Technologien wurden mit sechs 2023 R&D 100 Awards ausgezeichnet.

Das Magazin R&D World gab die Gewinner aus der Auswahl der Finalisten bekannt, die letzte Woche bekannt gegeben wurden. Die Gewinner werden bei der Preisverleihung der Organisation am 16. November in San Diego, Kalifornien, geehrt.

„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.“

Die R&D 100 Awards werden oft als „Oscar der Innovation“ und „Nobelpreis der Technik“ bezeichnet und würdigen seit 60 Jahren wissenschaftliche und technologische Forschung und Entwicklung, die zu neuen kommerziellen Produkten, Technologien und Materialien führt, die zum Verkauf angeboten werden oder Lizenz. Die Gewinnertechnologien und ihre Entwickler sind die folgenden:

Additiv gefertigte wärmeleitende Kollimatoren für die Neutroneninstrumentierung, entwickelt von ORNL und PolarOnyx.

Forscher von ORNL und PolarOnyx, Inc. haben 2D- und 3D-Kollimatoren und Teile mithilfe einer auf Aluminium-Borcarbid-Matrixverbundwerkstoffen basierenden Fertigung entwickelt. Kollimatoren sind wesentliche Komponenten für Neutronen- und Röntgenexperimente, da sie den Hintergrund reduzieren, sodass nur von einer Probe gestreute Neutronen und Röntgenstrahlen gemessen werden. Das Metallmatrix-Komposit- oder MMC-Additiv kombiniert den großen Neutronenabsorptionsquerschnitt und die Härte von Borcarbid mit der hohen Wärmeleitfähigkeit von Aluminium, um robuste, rauscharme Neutronenstreuungsmessungen zu ermöglichen.

Diese komplexen Kollimatoren bieten erhebliche Verbesserungen gegenüber herkömmlich hergestellten Kollimatoren mit einer beispiellosen Leistung bei Neutronenstreutests, und die additive MMC-Fertigungstechnik ermöglicht reduzierte Wartungskosten und Produktionszeiten.

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 in der additiven Fertigung, entwickelt von ORNL.

ORNL-Forscher haben OpeN-AM entwickelt, eine Plattform zur Durchführung von Operando-Neutronenbeugungsstudien von Metallen während der additiven Fertigung (AM), auch bekannt als 3D-Druck.

Die Plattform besteht aus einem Abscheidekopf, Bearbeitungsmöglichkeiten und IR bzw. Infrarotüberwachung. All dies kann mit Operando-Engineering-Neutronenbeugungsmessungen mit der VULCAN-Beamline an der Spallation Neutron Source (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, durch aktives Lernen gesteuerte autonome Mikroskopie für wissenschaftliche Entdeckungen, entwickelt von ORNL.

Forscher des ORNL und der University of Tennessee, Knoxville, haben eine physikbasierte, aktive Lernmethode für autonome Experimente entwickelt. Diese Software-Suite besteht aus aktiven Lernalgorithmen, Steuerungssoftware für Mikroskope und anderen experimentellen Werkzeugen, die wissenschaftliche Entdeckungen vorantreiben.

Die Weiterentwicklung der Mikroskopie hat die Art und Weise, wie Wissenschaftler und Forscher Materialien und biologische Systeme untersuchen, verändert. Bei der Entwicklung autonomer Mikroskopie gibt es jedoch zahlreiche Herausforderungen, darunter die Automatisierung der Mikroskopie (z. B. 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 End-to-End-Definition von Arbeitsabläufe.

Die Forschung befasst sich mit aktuellen Herausforderungen bei der Ermöglichung autonomer Mikroskopie-Arbeitsabläufe, indem sie die erforderliche physische Intuition, das Vorwissen der Wissenschaftler und experimentelle Ziele mit Algorithmen für maschinelles Lernen in Einklang bringt, die in der Lage sind, diese in spezifische experimentelle Protokolle zu übersetzen.

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 additiver Fertigung – Formpressen, AM-CM,entwickelt von ORNL.

Forscher am ORNL haben einen hochautomatisierten Prozess für die Herstellung thermoplastischer Verbundwerkstoffe entwickelt, der die Vorteile der additiven Fertigung (AM) und des Formpressens (CM) kombiniert, um eine leistungsstarke funktionale Verbundstruktur 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.

Dieses Verfahren behebt Mängel bestehender fortschrittlicher additiver und traditioneller Verfahren unter Beibehaltung ihrer wünschenswerten Eigenschaften und hat das Potenzial, ein dominierendes 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,entwickelt von ORNL.

Um die aktuellen Einschränkungen und Ineffizienzen zu beseitigen, die das neuromorphe Computing in großem Maßstab einschränken, haben Forscher am ORNL SuperNeuro entwickelt, eine auf Python basierende offene Software, die KI-Praktikern gehirnähnliche Simulatoren bietet, die schnell und auf zentralen Plattformen und Grafikverarbeitungsplattformen skalierbar sind. Mithilfe von Matrix- und Agenten-basierten Modellierungsansätzen ermöglicht SuperNeuro unterschiedliche Arbeitslasten und bietet die Möglichkeit, die eigenen Spike-Mechanismen des Benutzers auf eine für den Menschen interpretierbare Weise zu simulieren.

Im Vergleich zu vorhandenen Simulationsplattformen bietet SuperNeuro eine unverzichtbare neuromorphe Software mit erhöhter Anpassungsfähigkeit, die GPU-Computing nutzt, um eine überlegene Leistung für Neurowissenschaften, Spiking Neural Networks (SNNs) und allgemeine Computer-Workloads bereitzustellen. Die einfache Integration mit anderen Tools zur SNN-Optimierung eröffnet Möglichkeiten für das Codesign 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.

ORNL unterstützte auch die Entwicklung vonCANDLE (Distributed Learning Environment von CANcer) , ein Gewinner des R&D 100 Award 2023 in der Kategorie Software/Services. 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.

UT-Battelle verwaltet ORNL für das Office of Science des Energieministeriums, den größten Einzelförderer der Grundlagenforschung in den Naturwissenschaften in den Vereinigten Staaten. Das Office of Science arbeitet an der Bewältigung einiger der dringendsten Herausforderungen unserer Zeit. Weitere Informationen finden Sie unter energy.gov/science. — Gabriela Vara

Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Nutzung jeglicher Informationen über das EurekAlert-System.