目前从煤直接液化油中，分离酚类化合物的过程，需要解决产生含酚废水，以及产品中中性油含量不达标的紧迫问题。北京化工大学与太原师范大学合作研究中，使用 AMS 软件中的 COSMO-SAC 模型来预测深共晶溶剂（DES）对酚类化合物的分离性能，并根据固液相图确定了潜在的萃取剂及其液相操作窗口。
采用低成本、稳定、高效的萃取剂 LC:TEG（1:3.3）DES 进行实验，探索实验条件的影响。通过量子化学和分子动力学模拟的可视化方法，探索了结构-活性关系，提出了一种多级闪蒸联合蒸馏去除中性油的方法。建立了萃取与蒸馏相结合的工艺，得到中性油含量仅为0.31%的间甲酚产品，中性油含量首次降至1%以下，满足工业要求。
最近捷克共和国布拉格化工大学Michal Fulem课题组，使用 AMS 软件的 COSMO-RS 模块预测 10 种活性药物成分（API）与聚合物聚乙烯吡咯烷酮（PVP）K12 的固液平衡（SLE）曲线。作者采用两种基于 COSMO RS 的方法，即“传统方法”和“快速方法”，并对二者的性能进行了比较。通过逐步溶解（S-WD）方法获得的各自 SLE 数据集进行比较，评估预测 SLE 曲线的准确性。
牙种植体必须承受施加在天然牙齿上的咀嚼负荷，这些重复的力可能会导致种植体松动或失败。在牙种植体中加入孔隙可增加与骨骼的接触表面积和作为药物输送装置，从而改善长期稳定性和降低失效风险。
加入多孔特征会削弱种植体的机械能力，但必须确保足够的疲劳强度，而根据 ISO 14801 测试各种多孔结构的成本高昂且耗时。本研究对 3D 打印多孔钛牙种植体试样进行机械性能测试，建立耐久极限（即无限疲劳寿命）与单调荷载至失效之间的关系，开发和校准有限元模型预测给定多孔结构的疲劳寿命。
在细观尺度上，混凝土是一种多相异质材料，全面了解底层力学并充分考虑微观结构的异质性对于更好地设计混凝土等下一代复合材料至关重要。本研究结合细观建模、原位 X 射线计算机断层扫描成像（XRCT）和原位 3D X 射线衍射（3DXRD）测量研究异质性（微米级骨料、水泥浆、界面过渡区、高密度相和气孔）对混凝土宏观和微观响应的影响。
从核磁共振图像（MRI）对整个头部进行精准的分割为个性化的有限元计算模型奠定了基础，提供非侵入性脑刺激（NIBS）等领域的计算机辅助解决方案。
本研究提出一种名为 GRACE 的深度学习方法，在一个新数据集上进行训练和验证，该数据集包含 177 个经过细致人工审查的手动校正 MRI 衍生基准分割。
研究背景 氨燃料作为一种清洁能源具有广阔的应用前景，但其在实际应用中存在着燃烧速度慢、点火困难等问题。为提高氨的燃烧效率，研究人员提出通过加入二甲醚（DME）等反应性较强的组分来改善其燃烧特性。DME作为一种高质量的清洁能源，具有较高的热值和绝热燃烧温度，能够显著提高氨的反应活性，同时还能够有效减少NOx排放。这一研究的重点是通过先进的分子动力学模拟和密度泛函理论（DFT）方法，深入探讨DME/NH3混合燃料的燃烧机制，为未来绿色能源的开发提供理论依据。 研究方法 为揭示DME/NH3混合燃料在燃烧过程中的反应路径和化学机制，研究团队采用反应力场分子动力学（ReaxFF-MD）与密度泛函理论（DFT）相结合的数值模拟方法。ReaxFF-MD能够在原子尺度上模拟复杂的化学反应，为我们呈现分子之间的相互作用和化学键的演变过程。与此同时，DFT方法则用于计算分子反应的能垒、键解离能及反应位点。这种方法的结合不仅能够精确模拟燃烧过程中的微观机制，还能为实验结果提供有力的理论支持。 图1 DME/NH3 分子动力学模拟系统及分子结构示意图 主要研究结论 通过对DME/NH3混合燃料的深入研究，研究团队为理解这种混合燃料的燃烧机制提供了新的视角： ① 温度对燃烧过程的影响： 研究发现，随着系统温度的增加，燃烧反应的速率显著加快，氧气的消耗量也随之增加。这表明温度的提升能够显著增强燃烧反应的活跃度。此外，在各种温度条件下，氨分子总是先于二甲醚分子被完全消耗。温度越高，二甲醚的消耗速度越快。 ② 主要产物生成规律： 随着温度的升高，二氧化碳和水的生成量显著增加。氮元素在燃烧过程中主要形成氮气（N2）、一氧化氮（NO）和二氧化氮（NO2）等产物。随着温度的升高，氮气的生成量减少，而NO和NO2的生成量增加。这表明温度升高有助于NOx的生成。 ③ 化学键的演变： 研究通过分析燃烧过程中化学键的变化，发现C-H、C-O和N-H键在反应过程中逐渐减少。随着温度的升高，C-H键完全消耗的时间显著缩短。N-H键的数量在反应过程中没有完全消失，部分以中间产物的形式存在。这表明在燃烧过程中，一些中间产物较为稳定，尤其是在较低温度下。 ④ 初始反应路径分析： 二甲醚（DME）的初始反应路径主要以裂解反应为主，生成甲氧基（CH3O）和甲基（CH3）自由基。这一反应占据了所有初始反应中的49.06%，表明其在燃烧反应中占据主导地位。对于氨分子（NH3），初始反应路径则以氧化反应为主，生成H2O2和HO2等产物。这表明氨的燃烧主要通过氧化反应进行。 图2 二甲醚分子的初始反应路径和反应频率 图3 氨分子的初始反应路径和反应频率 ⑤ NOx排放的反应机制： 研究还发现，自由基（如羟基）在NOx的生成过程中扮演了重要角色。具体而言，羟基通过与HNO和HNO2分子的反应生成NO和NO2。这一反应途径在所有NOx相关反应中占据主导地位，尤其是NO的生成反应发生频率高达183次。 参考文献 Atomic insights into the combustion mechanism of DME/NH3 mixtures: A combined ReaxFF-MD and DFT study, International Journal of Hydrogen Energy, Volume 80, 28 August 2024, Pages 743-753 感谢重庆大学李海涛教授供稿，ReaxFF 分子动力学模拟采用 […]
沥青路面会出现诸如车辙、膨胀、推挤、开裂和坑洼等各种问题。准确评估卡车载荷对道路结构的影响，需要对产生的应力和应变进行深入分析。本研究开发了一个预测柔性路面行为的动态模型，不仅考虑到沥青层效应，还能准确表征路面结构内的所有层。将基于 Kelvin 粘弹性模型的用户自定义材料子程序（UMAT）集成到 ABAQUS 软件进行非线性粘弹性分析，结合由 Simpleware 软件基于真实扫描数据创建沥青混凝土结构的模拟与实验结果验证，比较 Simpleware 软件与 ABAQUS 生成网格模型质量对模拟精确度的影响。
本研究采用由 Xe 等离子聚焦离子束扫描电子显微镜（Xe PFIB-SEM）获取的大尺寸 3D 微观结构数据集，通过生成对抗网络（GAN）框架学习和生成固体氧化物燃料电池电极的 3D 微观结构。利用有限元分析进行电化学性能模拟，并与基于晶粒的生成算法（DREAM3D）进行对比。机器学习模型能够以高保真度重建微观结构，使其成为 ICME 工具集中有价值的补充。
骨缺损修复的复杂性和多维性是现代医学面临的重大挑战。本研究提出一种使用高分辨率（7500 × 3240 像素，1152 像素/英寸）液晶显示器（LCD）作为动态掩模发生器的桶式光聚合技术，可制造出孔隙率高于 90%、孔径低于 200 µm 且最小壁厚为 38 µm 的 TPMS 结构。
多尺度全功能的材料与化学模拟平台 AMS AMS 是一款历史悠久而又迅速发展的多尺度全功能的材料与化学模拟平台，目前包括以下功能与应用： 分子体系的量子化学计算：化学反应机理研究、丰富的光谱性质预测、发光、热力学性质、化学键的机理研究、重元素配合物与团簇、多金属氧酸盐、分子构象搜索等 晶体、低维材料：吸附、表面催化、单原子催化、化学反应机理、磁性质、材料电子学性质、化学键的机理研究、力学性能、热力学性质、光的吸收与折射等 介观体系：基于经典力场、反应力场、机器学习势、半经验量子化学方法的分子动力学与蒙特卡洛模拟，被广泛地应用于化学反应机理与预测研究，以及微细加工、燃烧、热解、催化，以及半导体、聚合物物性的研究 宏观物质：离子液体、溶液、气液平衡、液液平衡、共晶、低共熔溶剂等，采用UNIFAC、COSMO-RS/SAC/UNIFAC等方法进行研究，广泛应用于化工、制药领域的研究 更接近实验、工业研究实际：微观动力学、动力学蒙特卡洛 进一步了解，请参考 AMS 的详细介绍（链接）。 ReaxFF力场、机器学习势、DFTB参数的训练工具 AMS 最近几年在参数训练方面发展迅速，AMS2024 版的 ParAMS 功能已经完善，支持导入 ADF、BAND、Quantum Espresso 生成的 DFT 训练集，并方便地从作业中生成键长、能量、电荷、力、Hessian、应力张量、频率、势能面扫描数据，丰富训练集、验证集，甚至可以导入实验数据作为训练集。不仅仅支持训练 ReaxFF 力场，训练 DFTB 的GFN1-xTB、机器学习势 M3GNet 与 NequIP、Lennard Jones 势也大同小异。 训练方法包括：CMAES、Adaptive Rate Monte Carlo、Nevergrad、Scipy、Random Sampling、Grid Sampling。 在训练时，训练集的权重，对训练质量有非常强的影响，ParAMS 能够通过参数敏感度的计算，便于用户衡量需要优化的力场参数、以及训练集的权重。 目前我们提供了完善的训练教程，通过不同的训练方式，展示参数训练时的各方面的功能。 ParAMS 训练的工作思路 使用 DFT 方法，计算相关的体系的各种键长、键角等不同结构下的情况，包括能量、原子电荷、力等，导入 ParAMS 中，作为参考数据，俗称训练集，或者参考集。用户设定好一个初始力场，然后就可以使用 ParAMS 的训练算法，对力场进行训练，得到不同的力场。最终得到一个所谓损失函数最小的力场，就是最佳结果。损失函数用来描述使用力场计算这些体系，与 DFT 计算这些体系，二者之间的差异，差异越小表示力场越优秀。 在训练前，用户也可以根据自己的理解，选择力场中需要训练的参数，并通过 ParAMS 计算一个叫做敏感性的数值。这个数值描述力场参数跟训练集的相关性程度，用户训练时，可以只训练敏感性比较大的参数，敏感度非常小的参数，可以忽略掉，不去训练。并且真正训练时，也可以先训练敏感度最大的少数参数，收敛后固定这些参数，再去训练敏感度稍小一些的参数，这样能够更高效地得到一个优质的力场。 […]
