航空航天金屬材料基因工程

目錄
前言
第1章 緒論 1
1.1 金屬材料簡介 1
1.1.1 金屬材料的發(fā)展歷程 1
1.1.2 航空航天金屬材料 2
1.2 金屬材料的研發(fā) 5
1.2.1 基于經(jīng)驗的材料研發(fā) 6
1.2.2 基于理論計算的材料研發(fā) 7
1.2.3 基于數(shù)據(jù)驅(qū)動的高通量材料研發(fā) 8
參考文獻 9
第2章 材料基因工程關(guān)鍵技術(shù) 11
2.1 高通量計算模擬技術(shù) 11
2.1.1 電子結(jié)構(gòu)計算 12
2.1.2 原子尺度材料設計與模擬方法的發(fā)展 13
2.1.3 分子尺度材料設計與模擬方法的發(fā)展 16
2.1.4 多尺度高通量的材料設計 20
2.2 高通量實驗 23
2.2.1 高通量實驗的發(fā)展歷程 24
2.2.2 高通量實驗流程 24
2.2.3 高通量制備 26
2.2.4 高通量表征 27
2.3 材料數(shù)據(jù)庫與大數(shù)據(jù)技術(shù) 32
2.3.1 材料數(shù)據(jù)庫概述 32
2.3.2 大數(shù)據(jù)技術(shù) 36
參考文獻 44
第3章 金屬材料的高通量計算模擬 47
3.1 **性原理計算 47
3.1.1 多體薛定諤方程 47
3.1.2 從頭計算方法 48
3.1.3 密度泛函理論基礎 50
3.1.4 科恩-沈方程求解 53
3.1.5 **性原理在金屬材料中的應用 57
3.2 金屬材料的介觀尺度模擬與設計 66
3.2.1 介觀結(jié)構(gòu)的相場模擬與設計 66
3.2.2 介觀結(jié)構(gòu)的有限元模擬與設計 85
參考文獻 106
第4章 金屬材料的高通量制備 109
4.1 高通量制備實驗的設計 109
4.2 薄膜和塊體樣本的高通量制備 110
4.2.1 薄膜沉積工藝 110
4.2.2 塊體樣本 115
4.3 增材制造技術(shù) 122
4.3.1 電子束增材制造技術(shù) 123
4.3.2 激光增材制造技術(shù) 127
4.3.3 增材制造技術(shù)在高通量制備和表征上面臨的問題 132
4.4 其他高通量制備方法 132
4.4.1 納米尖端熔化法 132
4.4.2 微流體控制法 133
4.4.3 高通量工藝法 135
4.5 金屬材料高通量制備的發(fā)展現(xiàn)狀 135
4.5.1 磁控濺射共沉積法的應用 136
4.5.2 掩模法的應用 138
4.5.3 噴印法的應用 140
4.5.4 擴散多元節(jié)的應用 140
4.5.5 蜂窩陣列的應用 142
4.5.6 增材制造技術(shù)的應用 143
參考文獻 157
第5章 金屬材料的高通量表征 166
5.1 高通量表征方法及原理 166
5.1.1 同步輻射光源 167
5.1.2 散裂中子源 170
5.1.3 基于原位實驗的高通量表征原理 175
5.2 高通量表征在材料領域的應用 183
5.2.1 同步輻射光源的應用 184
5.2.2 散裂中子源的應用 199
5.2.3 原位電子顯微鏡的應用 203
參考文獻 211
第6章 機器學習在金屬材料中的應用 217
6.1 機器學習方法簡介 217
6.1.1 監(jiān)督學習 218
6.1.2 無監(jiān)督學習 220
6.1.3 性能評估 221
6.2 金屬材料的性能預測與成分設計 223
6.2.1 成分與性能的定量預測 223
6.2.2 成分的高效設計 231
6.3 金屬材料的結(jié)構(gòu)預測與工藝優(yōu)化 237
6.3.1 結(jié)構(gòu)的高效預測 237
6.3.2 工藝的高效優(yōu)化 242
6.4 金屬材料微觀結(jié)構(gòu)的預測與重構(gòu) 244
6.4.1 基于深度學習的材料微觀結(jié)構(gòu)表征與性能預測 244
6.4.2 基于深度學習的材料微觀結(jié)構(gòu)重構(gòu)與生成 249
6.5 金屬材料的服役壽命評估 252
6.5.1 基于傳統(tǒng)經(jīng)驗及理論的服役壽命評估 253
6.5.2 基于機器學習的服役壽命評估 258
參考文獻 279