Branschstyrd utnyttjande av de stora materialdata med maskininlärning

Syfte och mål

Beläggningsindustrin står inför behovet av material som har hög seghet för högprecisionsmetallbearbetning vid höga temperaturer eller hög korrosionsbeständighet för katodmaterial i moderna elektrolytbatterier och bränsleceller. En artificiell-intelligensbaserad metod kommer att användas för att skräddarsy sökningar av stora materialdata och påskynda sökningen efter multifunktionella beläggningar. Projektet involverar direkt två världsledande företag inom hårt beläggning, Sandvik och Seco Tools, som ger tillgång till beräkningsmässigt otillgänglig kunskap.

Resultat och förväntade effekter

I projektet har vi byggt en materialdatabas med industriellt relevanta nitrid, karbid, oxidmaterial. Vi har en mjukvara för att söka efter material i databasen och analysera deras elastiska egenskaper. Maskininlärningsalgoritmer har utvecklats och testats för två enkla deskriptorer. Förutom dessa resultat, som nu direkt utnyttjas i FunMat-II kompetenscenter, har en ny forskningsidé för maskininlärningshårdhet etablerats och överförts till FunMat-II.

Upplägg och genomförande

Resultaten har utvecklats vid Linköpings universitet främst av en doktorand. Seminarier, mötesdagar och långsiktiga utbyten har bidragit till projektets framgång. Personal från Sandvik har tillbringat en vecka vid Linköpings universitet, medan F.T har tillbringat tre månader i Moskva för att utvidga sin erfarenhet av maskininlärningstekniker.