|
Vyučující
|
|
|
|
Obsah předmětu
|
Týden 1: Úvod do ekosystému materiálových dat - Přehled krajiny materiálových dat: experimentální vs. výpočetní, strukturovaná vs. nestrukturovaná. Představení hlavních databází (Materials Project, AFLOW, OQMD, CSD). Týden 2: Příprava dat pro materiálový výzkum - Vytvoření datové sady pro vodíkové křehnutí, s využitím dat z literatury o složení ocelí a indexech křehnutí (EI). Týden 3: Predikce vlastností materiálů - Predikce vodíkového křehnutí v ocelích. S využitím datové sady z 2. týdne studenti natrénují modely k predikci indexu křehnutí na základě složení ocelí a procesních parametrů (např. tlak vodíku, mez kluzu). Vyhodnotí a porovnají výkonnost modelů. Týden 4: Mapování slitin s vysokou entropií - Slitiny s vysokou entropií (HEA). S využitím rozsáhlé datové sady složení a vlastností HEA z databáze AFLOW studenti provedou vizualizaci vysokodimenzionálního prostoru složení ve 2D/3D identifikující odlišné rodiny slitin na základě jejich vlastností, což může odhalit netriviální seskupení. Týden 5: Predikce vodíkové křehkosti - Vytvoření jednoduché neuronové sítě. Studenti sestaví a natrénují základní neuronovou síť pro predikci indexu EI, aby znovu vyřešili úlohu predikce vodíkového křehnutí z 3. týdne a porovnali její výkon s klasickými modely. Týden 6: Klasifikace defektů odlitků a výkovků - Analýza mikrostruktury, identifikace fází a detekce defektů v odlitcích, výkovcích a po tepelném zpracování. Týden 7: Klasifikace defektů v 3D tisku - Analýza mikrostruktury, identifikace fází a detekce defektů v aditivní výrobě, pro klasifikaci snímků na "defektní" a "bezdefektní". Možnost porovnat typy, velikosti a četnosti defektů aditivních a standardních metod výroby materiálů (viz. týden 6). Týden 8: Možnosti in-situ kontroly kvality v 3D tisku - Lokalizace defektů v práškovém loži aditivní výroby. S využitím anotované datové sady z aditivní výroby studenti natrénují model k vykreslování ohraničujících rámečků kolem specifických defektů (např. pórovitost, praskliny, delaminace) na snímcích jednotlivých vrstev 3D tisku. Týden 9: HEA slitiny II - Omezení ruční tvorby příznaků pro krystalové struktury. Koncept reprezentace krystalu jako grafu, kde atomy jsou uzly a vazby hrany. Tuto techniku aplikují studenti na struktury HEA z databáze AFLOW. Týden 10: Predikce vlastností slitin z atomární struktury (HEA III) - Predikce energie tvorby HEA. Studenti natrénují model na podmnožině databáze Materials Project nebo AFLOW k predikci energie tvorby komplexních slitin, čímž zopakují klíčový výsledek původní práce. Týden 11: Objevování nových/vhodných materiálů pro skladování vodíku - Screening nových materiálů pro skladování vodíku. Studenti aplikují svůj natrénovaný model z 10. týdne na rozsáhlý seznam kandidátních materiálů z Materials Project nebo podobné databáze. Předpoví stabilitu a/nebo skladovací kapacitu pro tisíce sloučenin a identifikují seznam nejvýkonnějších, dosud neprozkoumaných kandidátů. Týden 12: Těžba znalostí z literatury v materiálové vědě - Automatizovaná extrakce dat z vědeckých článků. Studenti dostanou sadu obrázků (např. křivky napětí-deformace, fázové diagramy) z článků o vodíkovém křehnutí. Napíšou detektor, který z těchto obrázků vytáhne hrubé klíčové datové body, vytvářejí strukturovanou datovou sadu z nestrukturovaných zdrojů. Týden 13: Shrnutí 1. semestru
|
|
Studijní aktivity a metody výuky
|
- Kontaktní výuka
- 52 hodin za semestr
- Vypracování seminární práce v bakalářském studijním programu [5-40]
- 38 hodin za semestr
- Příprava na zkoušku [10-60]
- 30 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Základní znalosti krystalografie, termodynamiky a mechanických vlastností materiálů (nutné pro interpretaci výsledků). Znalost lineární algebry a statistiky. Uživatelská znalost jazyka Python a knihoven pro zpracování dat (NumPy, Pandas) je vyžadována pro práci s výpočetními nástroji. |
| Odborné dovednosti |
|---|
| Analytické myšlení a schopnost propojovat fyzikální podstatu problému s datovým modelem. |
| Obecné způsobilosti |
|---|
| Schopnost samostatného učení a řešení problémů na základě rámcového zadání. |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| Vysvětlí potenciál datově řízeného přístupu ("čtvrté paradigma") pro urychlení vývoje nových materiálů a specifika práce s malými a řídkými materiálovými daty. Rozumí výběru vhodných algoritmů strojového učení pro různé typy materiálových úloh (např. regrese pro predikci meze kluzu, klasifikace pro identifikaci fází). Chápe principy pokročilých architektur pro analýzu struktury materiálu: konvoluční sítě (CNN) pro obrazovou analýzu mikrostruktury a grafové sítě (GNN) pro reprezentaci krystalové mřížky. Orientuje se v metodách pro virtuální screening nových sloučenin (např. pro skladování energie) a v možnostech automatizované těžby dat z odborné literatury. Zná kritéria pro vyhodnocení spolehlivosti prediktivních modelů v kontextu bezpečnosti a kvality materiálů. |
| Odborné dovednosti |
|---|
| Vytvářet materiálové datové sady extrakcí a čištěním dat z veřejných databází (Materials Project, AFLOW) či literatury, připravené pro trénování modelů vlastností. Navrhnout a natrénovat prediktivní modely pro řešení inženýrských problémů, konkrétně pro predikci mechanických vlastností (např. vodíková křehkost ocelí) na základě složení a zpracování. Aplikovat metody počítačového vidění pro automatickou detekci a klasifikaci výrobních vad (póry, trhliny) u aditivní výroby a klasických technologií. Využít grafové neuronové sítě k předpovědi stability a energie tvorby komplexních slitin (např. HEA) přímo z jejich atomární struktury. Vizualizovat a interpretovat vícerozměrná data o složení a vlastnostech materiálů pro odhalení nových souvislostí a rodin materiálů. |
| Obecné způsobilosti |
|---|
| bc. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| Aplikovat existující AI/ML modely na nové, ale dobře definované materiálové problémy. Kriticky posoudit vhodnost různých prediktivních modelů pro daný typ materiálových dat (numerická data, obrazy, grafy). Srozumitelně prezentovat výsledky své datové analýzy a modelování. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Interaktivní cvičení propojující teorii AI s příklady z materiálové praxe. Demonstrace reálných aplikací (např. ukázky analýzy mikrostruktury). |
| Odborné dovednosti |
|---|
| "Hands-on" cvičení na reálných datových sadách (oceli, HEA slitiny, 3D tisk). Projektová výuka simulující výzkumný úkol (od surových dat po predikci nového materiálu). |
| Obecné způsobilosti |
|---|
| Samostatné studium doporučených materiálů. Týmové konzultace (volitelně u projektů). |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Průběžné testy ověřující pochopení principů materiálové informatiky. Závěrečná zkouška. |
| Odborné dovednosti |
|---|
| Hodnocení praktických úloh (např. úspěšnost predikce vlastností oceli, přesnost detekce vad). Obhajoba semestrálního projektu zaměřeného na konkrétní materiálový problém. |
| Obecné způsobilosti |
|---|
| Schopnost řešit problémy, Prezentace výsledků menších úkolů. |
|
Doporučená literatura
|
-
Haiyang Yu, Andrés Díaz, Xu Lu, Binhan SunYu Ding, Motomichi Koyama, Jianying He, Xiao Zhou, Abdelali Oudriss, Xavier Feaugas, Zhiliang Zhang. Hydrogen Embrittlement as a Conspicuous Material Challenge?Comprehensive Review and Future Directions. 2024.
-
Kamal Choudhary & Brian DeCost. Atomistic Line Graph Neural Network for improved materials property predictions. 2021.
-
Kefan Chen, Peilei Zhang, Hua Yan, Guanglong Chen, Tianzhu Sun, Qinghua Lu, Yu Chen & Haichuan Shi. A review of machine learning in additive manufacturing: design and process. 2024.
-
Keith T. Butler, Felipe Oviedo, Pieremanuele Canepa. Machine Learning in Materials Science. 2022.
-
Mohamed Yasin Abdul Salam, Enoch Nifise Ogunmuyiwa, Victor Kitso Manisa, Abid Yahya, Irfan Anjum Badruddin. Effect of fabrication techniques of high entropy alloys: A review with integration of machine learning. 2025.
|