ORNL recebe seis prêmios de pesquisa R&D 100 para 2023

24 de agosto de 2023

Compartilhe na sua rede:

Pesquisadores do Laboratório Nacional Oak Ridge (ORNL) do Departamento de Energia, com sede em Oak Ridge, Tennessee, EUA, receberam seis prêmios 2023 R&D 100. Os vencedores do renomado concurso de ciência e inovação foram anunciados pela revista R&D World, cujo painel de jurados foi composto por 45 profissionais de todo o mundo. As inscrições para a competição foram recebidas de quinze países e regiões diferentes.

“O ORNL se esforça para fornecer soluções tecnológicas para os problemas mais difíceis do país”, disse o diretor interino do ORNL, Jeff Smith. “Os Prémios R&D 100 deste ano são um lembrete de quão arduamente os nossos cientistas e engenheiros trabalham para alcançar esse feito.”

Os vencedores do ORNL incluíram vários processos de Fabricação Aditiva, bem como outras tecnologias. Estes incluíram o seguinte:

Colimadores termicamente condutivos fabricados aditivamente para instrumentação de nêutrons–ORNL e PolarOnyx

Pesquisadores da ORNL e PolarOnyx, Inc. desenvolveram colimadores e peças 2D e 3D usando um processo de fabricação baseado em compósito de matriz de carboneto de alumínio-boro. Os colimadores são componentes essenciais para experimentos de nêutrons e raios X, pois reduzem o ruído de fundo e garantem que apenas nêutrons e raios X espalhados por uma amostra sejam medidos. O aditivo de compósito de matriz metálica (MMC) combina a grande seção transversal de absorção de nêutrons e a dureza do carboneto de boro com a alta condutividade térmica do alumínio para fornecer medições robustas de dispersão de nêutrons com ruído mínimo.

Esses colimadores complexos oferecem melhorias significativas em relação aos colimadores fabricados tradicionalmente. A técnica de Fabricação Aditiva MMC permite custos de manutenção e tempos de produção reduzidos, ao mesmo tempo que fornece desempenho de teste de dispersão de nêutrons sem precedentes.

O DOE Office of Science forneceu financiamento para esta pesquisa.

O desenvolvimento foi co-liderado por Matthew Stone da ORNL, Jeff Bunn, Andrew May e Jian Liu e Shuang Bai da PolarOnyx. Alexander Kolesnikov e Victor Fanelli do ORNL contribuíram para o desenvolvimento.

OpeN-AM: Uma plataforma para medições de difração de nêutrons operando na Manufatura Aditiva–ORNL

Pesquisadores do ORNL desenvolveram OpeN-AM, uma plataforma para realizar estudos de difração de nêutrons operando de metais durante a Manufatura Aditiva. A plataforma inclui um cabeçote de deposição, recursos de usinagem e monitoramento infravermelho (IR). Tudo isso pode ser coordenado com medições de difração de nêutrons de engenharia operando usando a linha de luz VULCAN na Fonte de Nêutrons de Espalação (SNS) no ORNL.

Essa combinação de recursos fornece uma visão incomparável sobre a evolução das transformações de fase e dos estressores que ocorrem durante o processo AM. Esses novos insights permitem a melhoria contínua do processamento AM para mitigar os estressores e acelerar o desenvolvimento de novos materiais e estratégias de processo.

O financiamento para a pesquisa foi fornecido pelo DOE Laboratory Directed Research and Development, Digital Metallurgy Initiative.

Alex Plotkowski do ORNL liderou o desenvolvimento com 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 e Amit Shyam do ORNL ajudando no desenvolvimento.

Microscopia autônoma baseada em física e baseada em aprendizado ativo para descoberta científica–ORNL

Pesquisadores do ORNL e da Universidade do Tennessee desenvolveram um método de aprendizagem ativo e baseado em física para experimentos autônomos. Este conjunto de software inclui algoritmos de aprendizagem ativa, bem como software de controle para microscópios e outras ferramentas experimentais, que aceleram a descoberta científica.

O avanço da microscopia transformou a forma como cientistas e pesquisadores estudam materiais e sistemas biológicos. No entanto, o desenvolvimento da microscopia autônoma apresenta vários desafios, como automatizar protocolos de aquisição e transferência de dados, desenvolver métodos de aprendizado de máquina específicos para tarefas, compreender a interação entre descoberta física e aprendizado de máquina e definir fluxos de trabalho de ponta a ponta.