2023年 第25卷 第3期
《中国工程科学》 >> 2023年 第25卷 第3期 doi: 10.15302/J-SSCAE-2023.03.014
高端新材料智能制造的发展机遇与方向
1. 上海市先进高温材料及其精密成形重点实验室，上海 200240；
2. 上海交通大学材料科学与工程学院，上海 200240；
3. 北京材料基因工程高精尖创新中心，北京 100083；
4. 轻合金精密成型国家工程研究中心，上海 200240；
5. 材料成形与模具技术国家重点实验室，武汉 430074；
6. 大型金属构件增材制造国家工程实验室，北京 100083
下一篇 上一篇
摘要
发展智能制造是我国制造业创新升级的主攻方向，高端新材料是支撑高端装备和重大工程需求的核心材料，推动智能制造与高端新材料制造紧密结合，对提升高端新材料制造能力，满足重大装备对高端新材料的需求，具有重要意义。本文深入分析了高端新材料智能制造的必要性，在分析面向高端新材料的高性能制造、复杂构件的整体化与轻量化制造、高端构件的一体化与低成本绿色制造等特征基础上，总结了传统“试错法”研发模式在材料制造领域遇到的主要问题与挑战，分析了数据驱动的高端新材料智能制造研发模式带来的重大变革与机遇，并以材料智能加工成形为例，全面梳理了亟需发展的共性关键技术及其发展方向。本文从加强关键技术研究、构建创新体系、创新学科交叉人才培养和加快成果转化等方面，提出了加快发展高端新材料智能制造的对策建议，以缩短与国外先进水平的差距，支撑我国材料产业的升级换代和跨越式发展。
参考文献
[ 1 ]
谢曼 , 干勇 , 王慧 . 面向2035的新材料强国战略研究 [J]. 中国工程科学 , 2020 , 22 5 : 1 ‒ 9 .
Xie M , Gan Y , Wang H . Research on new material power strategy by 2035 [J]. Strategic Study of CAE , 2020 , 22 5 : 1 ‒ 9 .
[ 2 ]
中国工程院化工、冶金与材料工程学部 , 中国材料研究学会 编. 中国新材料产业发展报告2021 [M]. 北京 : 化学工业出版社 , 2022 .
Chemical, Metallurgical and Materials Engineering Academic Division of Chinese Academy of Engineering, Chinese Materials Research Society . Development of advanced materials industry in China: Annual report 2021 [M]. Beijing : Chemical Industry Press , 2022 .
[ 3 ]
钟志华 , 臧冀原 , 延建林 , 等 . 智能制造推动我国制造业全面创新升级 [J]. 中国工程科学 , 2020 , 22 6 : 136 ‒ 142 .
Zhong Z H , Zang J Y , Yan J L , et al . Intelligent manufacturing promotes the comprehensive upgrading and innovative growth of China´s manufacturing industry [J]. Strategic Study of CAE , 2020 , 22 6 : 136 ‒ 142 .
[ 4 ]
李元元 . 新形势下我国新材料发展的机遇与挑战 [J]. 中国军转民 , 2022 1 : 22 ‒ 23 .
Li Y Y . Opportunities and challenges for the development of new materials in China under the new situation [J]. Defense Industry Conversion in China , 2022 1 : 22 ‒ 23 .
[ 5 ]
郭东明 . 高性能精密制造 [J]. 中国机械工程 , 2018 , 29 7 : 757 ‒ 765 .
Guo D M . High-performance precision manufacturing [J]. China Mechanical Engineering , 2018 , 29 7 : 757 ‒ 765 .
[ 6 ]
孙宝德 , 王俊 , 康茂东 , 等 . 高温合金超限构件精密铸造技术及发展趋势 [J]. 金属学报 , 2022 , 58 4 : 412 ‒ 427 .
Sun B D , Wang J , Kang M D , et al . Investment casting technology and development trend of superalloy ultra limit components [J]. Acta Metallurgica Sinica , 2022 , 58 4 : 412 ‒ 427 .
[ 7 ]
王华明 . 高性能大型金属构件激光增材制造: 若干材料基础问题 [J]. 航空学报 , 2014 , 35 10 : 2690 ‒ 2698 .
Wang H M . Materials´ fundamental issues of laser additive manufacturing for high-performance large metallic components [J]. Acta Aeronautica et Astronautica Sinica , 2014 , 35 10 : 2690 ‒ 2698 .
[ 8 ]
谢建新 . 材料加工技术的发展现状与展望 [J]. 机械工程学报 , 2003 , 39 9 : 29 ‒ 34 .
Xie J X . Developing situation and prospects of materials processing technologies [J]. Chinese Journal of Mechanical Engineering , 2003 , 39 9 : 29 ‒ 34 .
[ 9 ]
潘健生 , 王婧 , 顾剑锋 . 我国高性能化智能制造发展战略研究 [J]. 金属热处理 , 2015 , 40 1 : 1 ‒ 6 .
Pan J S , Wang J , Gu J F . Study on the development strategy of high performance intelligent manufacturing in China [J]. Heat Treatment of Metals , 2015 , 40 1 : 1 ‒ 6 .
[10] Wadley H N G, Vancheeswaran R. The intelligent processing of materials: An overview and case study [J]. JOM, 1998, 50(1): 19‒30.
[11] Wadley H N G, Eckhart W E. The intelligent processing of materials for design and manufacturing [J]. JOM, 1989, 41(10): 10‒16.
[12] Parrish P A, Barker W G. The basics of the intelligent processing of materials [J]. JOM, 1990, 42(7): 14‒16.
[13]
宿彦京 , 付华栋 , 白洋 , 等 . 中国材料基因工程研究进展 [J]. 金属学报 , 2020 , 56 10 : 1313 ‒ 1323 .
Su Y J , Fu H D , Bai Y , et al . Progress in materials genome engineering in China [J]. Acta Metallurgica Sinica , 2020 , 56 10 : 1313 ‒ 1323 .
[14] Wang H, Xiang X D, Zhang L T. On the data-driven materials innovation infrastructure [J]. Engineering, 2020, 6: 609‒611.
[15] Agrawal A, Choudhary A. Perspective: Materials informatics and big data: Realization of the "fourth paradigm" of science in materials science [J]. APL Materials, 2016, 4: 053208.
[16]
谢建新 , 宿彦京 , 薛德祯 , 等 . 机器学习在材料研发中的应用 [J]. 金属学报 , 2021 , 57 11 : 1343 ‒ 1361 .
Xie J X , Su Y J , Xue D Z , et al . Machine learning for materials research and development [J]. Acta Metallurgica Sinica , 2021 , 57 11 : 1343 ‒ 1361 .
[17] Fang S F, Wang M P, Song M. An approach for the aging process optimization of Al-Zn-Mg-Cu series alloys [J]. Materials & Design, 2009, 30(7): 2460‒2467.
[18] Chen Y, Tian Y, Zhou Y, et al. Machine learning assisted multi-objective optimization for materials processing parameters: A case study in Mg alloy [J]. Journal of Alloys and Compounds, 2020, 844: 156159.
[19] Batra R, Song L, Ramprasad R. Emerging materials intelligence ecosystems propelled by machine learning [J]. Nature Reviews Materials, 2021, 6: 655‒678.
京公网安备 11010502051620号
