-
Patent Agency Ranking
公开(公告)号：CN118627403B
公开(公告)日：2024-11-26
申请号：CN202411106775.7
申请日：2024-08-13
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中国核动力研究设计院
Abstract: 本发明建立一种掺杂二氧化铀陶瓷燃料力学性能的计算方法。主要通过模型计算不同二氧化锆掺杂量和不同燃耗深度条件下的掺杂二氧化铀陶瓷燃料的组成成分；根据计算的组成成分结果，制备一系列模拟不同二氧化锆掺杂量和不同燃耗深度的二氧化锆掺杂二氧化铀燃料；然后测量模拟不同二氧化锆掺杂量和不同燃耗深度掺杂二氧化铀材料的杨氏模量、硬度、断裂韧性、断裂强度力学性能数据；然后基于机器学习方法，建立一种不同二氧化锆掺杂量和不同燃耗深度条件下二氧化铀陶瓷燃料力学性能的计算模型和方法。本发明方法可以定量预测二氧化锆掺杂二氧化铀陶瓷燃料的力学性能，有助于准确评估掺杂二氧化铀陶瓷燃料的堆内反应行为。
-
公开(公告)号：CN117910282B
公开(公告)日：2024-05-28
申请号：CN202410315133.1
申请日：2024-03-19
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中国核动力研究设计院
IPC: G06F30/20 , G06F17/10 , G16C60/00 , G01N25/20 , G06F119/08 , G06F119/14
Abstract: 本发明提出一种掺杂氧化物核燃料的热导率计算方法，包括：步骤1，建立掺杂材料对热传导过程中声子的散射系数计算模型；掺杂材料形成AxBy型固溶体材料；步骤2，分别建立掺杂材料中A类点阵缺陷和B类点阵缺陷所产生的声子散射系数计算模型；步骤3，建立计算替代原子导致的声子散射系数模型；步骤4，建立前述步骤中各声子散射系数模型中各参数的计算方法；步骤5，根据前述步骤中的结果计算掺杂材料的热导率。本发明基于掺杂前氧化物材料的热导率数据，经过计算即可直接获得掺杂后材料的热导率，无需额外单独制备热导率实验测量所需的标准尺寸样品，从而能够快速反映被研究材料产品的热物理性能状态，降低新材料的研发成本，缩短研发周期。
-
公开(公告)号：CN118627403A
公开(公告)日：2024-09-10
申请号：CN202411106775.7
申请日：2024-08-13
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中国核动力研究设计院
Abstract: 本发明建立一种掺杂二氧化铀陶瓷燃料力学性能的计算方法。主要通过模型计算不同二氧化锆掺杂量和不同燃耗深度条件下的掺杂二氧化铀陶瓷燃料的组成成分；根据计算的组成成分结果，制备一系列模拟不同二氧化锆掺杂量和不同燃耗深度的二氧化锆掺杂二氧化铀燃料；然后测量模拟不同二氧化锆掺杂量和不同燃耗深度掺杂二氧化铀材料的杨氏模量、硬度、断裂韧性、断裂强度力学性能数据；然后基于机器学习方法，建立一种不同二氧化锆掺杂量和不同燃耗深度条件下二氧化铀陶瓷燃料力学性能的计算模型和方法。本发明方法可以定量预测二氧化锆掺杂二氧化铀陶瓷燃料的力学性能，有助于准确评估掺杂二氧化铀陶瓷燃料的堆内反应行为。
-
公开(公告)号：CN117910282A
公开(公告)日：2024-04-19
申请号：CN202410315133.1
申请日：2024-03-19
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中国核动力研究设计院
IPC: G06F30/20 , G06F17/10 , G16C60/00 , G01N25/20 , G06F119/08 , G06F119/14
Abstract: 本发明提出一种掺杂氧化物核燃料的热导率计算方法，包括：步骤1，建立掺杂材料对热传导过程中声子的散射系数计算模型；掺杂材料形成AxBy型固溶体材料；步骤2，分别建立掺杂材料中A类点阵缺陷和B类点阵缺陷所产生的声子散射系数计算模型；步骤3，建立计算替代原子导致的声子散射系数模型；步骤4，建立前述步骤中各声子散射系数模型中各参数的计算方法；步骤5，根据前述步骤中的结果计算掺杂材料的热导率。本发明基于掺杂前氧化物材料的热导率数据，经过计算即可直接获得掺杂后材料的热导率，无需额外单独制备热导率实验测量所需的标准尺寸样品，从而能够快速反映被研究材料产品的热物理性能状态，降低新材料的研发成本，缩短研发周期。
-
公开(公告)号：CN119811563A
公开(公告)日：2025-04-11
申请号：CN202510287607.0
申请日：2025-03-12
Applicant: 西安交通大学 , 中国核动力研究设计院
IPC: G16C60/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084
Abstract: 本申请涉及计算材料科学技术领域，特别涉及一种基于生成式深度学习模型的燃料微观结构预测方法，包括以下步骤：获取数据集；数据集包括不同工艺条件下的SEM照片；对数据集进行预处理，并基于预处理后的数据集，得到训练集；基于条件变分自编码器模型，构建生成式深度学习模型；并将训练集的数据输入至生成式深度学习模型，进行模型训练，得到训练完成的生成式深度学习模型；将工艺条件输入至训练完成的生成式深度学习模型，生成特定燃料微观结构。本申请借助生成式深度学习模型直接由化学成分和工艺制备参数生成微观组织图像，摆脱专业限制，能够直接输出和微观检测结果一致的图像，解决传统实验及模拟计算成本高、耗时长、过程复杂等问题。
-
-
-
-
Search Results
5
records
(took 0.056 seconds)
