ORNL은 2023년 6개의 R&D 100 연구상을 수상했습니다.

2023년 8월 24일

네트워크에 공유:

미국 테네시주 오크리지에 위치한 에너지부 오크리지 국립연구소(ORNL)의 연구원들은 6개의 2023년 R&D 100상을 수상했습니다. 유명한 과학 및 혁신 대회의 우승자는 R&D World 매거진에서 발표되었으며, 심사위원단은 전 세계 45명의 전문가로 구성되었습니다. 대회 참가작은 15개 국가 및 지역에서 접수되었습니다.

임시 ORNL 이사인 Jeff Smith는 "ORNL은 미국의 가장 어려운 문제에 대한 기술 솔루션을 제공하기 위해 노력하고 있습니다."라고 말했습니다. "올해의 R&D 100 어워드는 우리 과학자와 엔지니어가 그 위업을 달성하기 위해 얼마나 열심히 노력했는지를 상기시켜줍니다."

ORNL의 우승자에는 다양한 적층 제조 공정과 기타 기술이 포함되었습니다. 여기에는 다음이 포함됩니다.

중성자 계측용으로 적층 제조된 열 전도성 콜리메이터–ORNL 및 PolarOnyx

ORNL과 PolarOnyx, Inc.의 연구원들은 알루미늄-붕소 매트릭스 복합재 기반 제조 공정을 사용하여 2D 및 3D 콜리메이터와 부품을 개발했습니다. 콜리메이터는 배경을 줄이고 샘플에서 산란된 중성자와 X선만 측정하므로 중성자와 X선 실험에 필수적인 구성 요소입니다. MMC(금속 매트릭스 복합재) 첨가제는 탄화붕소의 큰 중성자 흡수 단면적과 경도를 알루미늄의 높은 열 전도성과 결합하여 소음을 최소화하면서 강력한 중성자 산란 측정을 제공합니다.

이러한 복잡한 콜리메이터는 기존에 제조된 콜리메이터에 비해 크게 향상된 기능을 제공합니다. MMC 적층 제조 기술은 유지 관리 비용과 생산 시간을 줄이는 동시에 전례 없는 중성자 산란 테스트 성능을 제공합니다.

DOE Office of Science는 이 연구에 자금을 지원했습니다.

개발은 ORNL의 Matthew Stone, Jeff Bunn, Andrew May, PolarOnyx의 Jian Liu 및 Shuang Bai가 공동으로 주도했습니다. ORNL의 Alexander Kolesnikov와 Victor Fanelli가 개발에 기여했습니다.

OpenN-AM: 적층 가공의 피연산자 중성자 회절 측정을 위한 플랫폼–ORNL

ORNL 연구원들은 적층 제조 과정에서 금속의 오페란도 중성자 회절 연구를 수행하기 위한 플랫폼인 OpeN-AM을 개발했습니다. 플랫폼에는 증착 헤드, 가공 기능 및 적외선 모니터링(IR)이 포함됩니다. 이들 모두는 ORNL의 SNS(Spallation Neutron Source)에서 VULCAN 빔라인을 사용하여 Operando 엔지니어링 중성자 회절 측정과 조정할 수 있습니다.

이러한 기능의 조합은 AM 프로세스 중에 발생하는 상 변환 및 스트레스 요인의 진화에 대한 탁월한 통찰력을 제공합니다. 이러한 새로운 통찰력을 통해 AM 처리의 지속적인 개선을 통해 스트레스 요인을 완화하고 새로운 재료 및 공정 전략 개발을 가속화할 수 있습니다.

연구 자금은 DOE 연구소 주도 연구 개발, 디지털 야금 이니셔티브(Digital Metallurgy Initiative)에서 제공했습니다.

ORNL의 Alex Plotkowski는 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 및 Amit Shyam과 함께 ORNL의 개발을 이끌었습니다. 개발을 지원합니다.

과학 발견을 위한 물리학 기반의 능동 학습 기반 자율 현미경–ORNL

ORNL과 테네시 대학의 연구원들은 자율 실험을 위한 물리학 기반의 능동 학습 방법을 개발했습니다. 이 소프트웨어 제품군에는 능동 학습 알고리즘뿐만 아니라 과학적 발견을 촉진하는 현미경 및 기타 실험 도구용 제어 소프트웨어도 포함되어 있습니다.

현미경의 발전은 과학자와 연구자들이 재료와 생물학적 시스템을 연구하는 방식을 변화시켰습니다. 그러나 자율 현미경을 개발하려면 데이터 수집 및 전송 프로토콜 자동화, 작업별 기계 학습 방법 개발, 물리학 발견과 기계 학습 간의 상호 작용 이해, 엔드투엔드 워크플로 정의 등 여러 가지 과제가 있습니다.