.png){kind=icon}
返回
Computational metrology for materials
.png){kind=icon}
OA
AI
DOI：10.1557/s43578-025-01651-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
先进材料具有巨大的应用前景，但其推广受到开发、表征和建模等挑战的阻碍，随后是使用这些材料进行设计、加工和生产产品的挑战。即使研究结果公开，完成这些步骤的每种方法通常仍是专有且隔离的。我们展示了开源软件和硬件的原则如何用于开发材料科学领域的开源仪器，从而使一项测量能够附带完整的计算描述，说明如何重现该测量。随后，我们展示了这种方法如何扩展，以有效测量预测性计算模型，而不仅仅是模型参数。我们称这些相互关联的概念为“计算计量学”。这些概念通过包括一台能够表征陌生和可变材料流变特性的3D打印机的实例进行说明。通过开发一种结合了现成打印机组件和定制仪器的Rheoprinter（左）来展示计算计量学。右侧展示的是由Rheoprinter构建的模型，用于预测相对喷嘴压力作为材料流动速率和喷嘴温度的函数。
Keyword:
3D printing
Additive manufacturing
Machine learning
Extrusion
Materials genome
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
745
被引数:
2.0W
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏分享收藏Open-source controller for low-cost and high-speed atomic force microscopy imaging of skin corneocyte nanotextures.png)
HardwareXOAAI
HardwareXIF0
OAAI分享收藏
查看更多内容