Filtern
Erscheinungsjahr
Dokumenttyp
Sprache
- Englisch (17)
- Deutsch (3)
- Mehrsprachig (1)
Schlagworte
- Nano (4)
- Guideline (3)
- OECD (3)
- Prüfrichtlinie (3)
- Bundesoberbehörden (2)
- Concrete (2)
- Forschungsstrategie (2)
- Self-healing (2)
- 3-dimensional microscopy (1)
- ADF test (1)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (7)
- 5 Werkstofftechnik (6)
- 5.3 Polymere Verbundwerkstoffe (6)
- 8.0 Abteilungsleitung und andere (6)
- 4 Material und Umwelt (3)
- 4.2 Material-Mikrobiom Wechselwirkungen (3)
- 8.5 Röntgenbildgebung (2)
- 7 Bauwerkssicherheit (1)
- 7.5 Technische Eigenschaften von Polymerwerkstoffen (1)
- 8.4 Akustische und elektromagnetische Verfahren (1)
Mit einer langfristigen Forschungsstrategie begleiten die für die Sicherheit von Mensch und Umwelt zuständigen Bundesoberbehörden (Umweltbundesamt, Bundesinstitut für Risikobe-wertung, Bundesanstalt für Arbeitsschutz und Arbeitsmedizin, Bundesanstalt für Materialfor-schung und -prüfung und Physikalisch-Technische Bundesanstalt) die rasch voranschreiten-de Entwicklung neuer Materialien unter den Gesichtspunkten des Arbeits-, Verbraucher- und Umweltschutzes. Die Strategie steht daher in enger Verbindung zu den öffentlichen Förder-programmen für Nanomaterialien und andere innovative Werkstoffe, z. B. des BMBF („Vom Material zur Innovation“) und der EU („Horizon 2020“).
Die Forschungsstrategie baut auf den bisherigen Ergebnissen der 2008 begonnenen und 2013 erstmals bilanzierten gemeinsamen Forschungsstrategie der Bundesoberbehörden „Nanotechnologie - Gesundheits- und Umweltrisiken von Nanomaterialien"1 auf und erweitert den Blickwinkel auch auf andere Materialinnovationen, bei denen vergleichbare Risiken für Mensch und Umwelt bestehen oder abgeklärt werden müssen. Darüber hinaus greift sie die Idee „anwendungssichere chemische Produkte“2 aus der Initiative „Neue Qualität der Arbeit“ (INQA) des Bundesministeriums für Arbeit und Soziales (BMAS) und das Konzept der nach-haltigen Chemie3 auf, das vom Bundesministerium für Umwelt, Naturschutz, Bau und Reak-torsicherheit (BMUB) unterstützt wird. Durch eine anwendungssichere und umweltverträgli-che Gestaltung innovativer Materialien und ihrer Folgeprodukte sollen nicht akzeptable Risi-ken für Mensch und Umwelt von Anfang an weitgehend ausgeschlossen werden. Dies kann erreicht werden durch
1.
die Verwendung sicherer Materialien ohne Gefahreneigenschaften für Mensch und Umwelt (direkte Anwendungssicherheit) oder
2.
eine Produktgestaltung, die über den gesamten Lebenszyklus emissionsarm und umweltverträglich ist (integrierte Anwendungssicherheit) oder
3.
eine Unterstützung des Anwenders (product stewardship) durch den Hersteller bei technischen, organisatorischen und persönlichen Schutzmaßnahmen zur sicheren Verwendung und Entsorgung des Produktes (unterstützte Anwendungssicherheit).
Die Fortschreibung der Forschungsstrategie soll als Bestandteil des Nanoaktionsplans 2020 der Bundesregierung Beiträge der Ressortforschung zu folgenden Schwerpunkten leisten:
•
Charakterisierung und Bewertung der Risiken von Materialinnovationen
•
Unterstützung von Forschungseinrichtungen und Unternehmen
•
Fortschreiben von Rechtsvorschriften und Praxisempfehlungen
1
http://www.baua.de/nn_47716/de/Themen-von-A-Z/Gefahrstoffe/Nanotechnologie/pdf/Forschungsstrategie.pdf
2 http://www.baua.de/de/Themen-von-A-Z/Gefahrstoffe/Nachhaltige-Chemie/Nachhaltige-Chemie.html
3
http://www.umweltbundesamt.de/themen/chemikalien/chemikalien-management/nachhaltige-chemie
2
•
Gesellschaftliche Akzeptanz
Die Forschungsstrategie soll mit Projekten und anderen forschungsnahen Aktivitäten umge-setzt werden. Dies umfasst die eigene Forschung der Häuser, die extramurale Ausschrei-bung und Vergabe von Forschungsdienstleistungen sowie die Beteiligung an vorwiegend öffentlich geförderten Drittmittelprojekten. Hinzu kommen Aktivitäten im Rahmen der Politik-beratung und der hoheitlichen Aufgaben. Mit inter- und transdisziplinären Ansätzen soll die Risiko- und Sicherheitsforschung enger mit der Innovationsforschung und Materialentwick-lung verknüpft werden. Die Forschungsstrategie ist aufgrund der raschen Entwicklungen auf diesem Gebiet für den Zeitraum bis 2020 angelegt. Die Forschungsziele adressieren die in diesem Zeitraum voraussichtlich umsetzbaren Forschungsansätze. Die Forschungsstrategie wird durch einen Arbeitskreis begleitet und spätestens mit Ablauf des Nanoaktionsplans 2020 evaluiert und angepasst.
Large-language models (LLMs) such as GPT-4 caught the interest of many scientists. Recent studies suggested that these models could be useful in chemistry and materials science. To explore these possibilities, we organized a hackathon. This article chronicles the projects built as part of this hackathon. Participants employed LLMs for various applications, including predicting properties of molecules and materials, designing novel interfaces for tools, extracting knowledge from unstructured data, and developing new educational applications. The diverse topics and the fact that working prototypes could be generated in less than two days highlight that LLMs will profoundly impact the future of our fields. The rich collection of ideas and projects also indicates that the applications of LLMs are not limited to materials science and chemistry but offer potential benefits to a wide range of scientific disciplines.
Polarized fluorescence and orientational order parameters of a liquid-crystalline conjugated polymer
(1999)
We report a study of the orientational order of aligned thin films of the liquid crystalline conjugated polymer poly(9,9-dioctylfluorene). Steady state polarized fluorescence measurements were used to determine the orientational order parameter <P2> and <P4>. The influence of intermolecular and intramolecular excitation energy transfer on the degree of polarization is discussed. The role of film morphology is also examined by comparison of the results for glassy and crystalline films.
A liquid crystalline mainchain conjugated polymer for polarized electroluminescence applications
(1997)
Polarized fluorescence and orientational order parameters of a liquid crystalline conjugated polymer
(1999)
Alkali-activated binders (AAB) can provide a clean alternative to conventional cement in terms of CO2 emissions. However, as yet there are no sufficiently accurate material models to effectively predict the AAB properties, thus making optimal mix design highly costly and reducing the attractiveness of such binders. This work adopts sequential learning (SL) in high-dimensional material spaces (consisting of composition and processing data) to find AABs that exhibit desired properties. The SL approach combines machine learning models and feedback from real experiments. For this purpose, 131 data points were collected from different publications. The data sources are described in detail, and the differences between the binders are discussed. The sought-after target property is the compressive strength of the binders after 28 days. The success is benchmarked in terms of the number of experiments required to find materials with the desired strength. The influence of some constraints was systematically analyzed, e.g., the possibility to parallelize the experiments, the influence of the chosen algorithm and the size of the training data set. The results show the advantage of SL, i.e., the amount of data required can potentially be reduced by at least one order of magnitude compared to traditional machine learning models, while at the same time exploiting highly complex information. This brings applications in laboratory practice within reach.
With 8% of man-made CO2 emissions, cement production is an important driver of the climate crisis. By using alkali-activated binders, part of the energy-intensive clinker production process can be dispensed. However, as numerous raw materials are involved in the manufacturing process here, the complexity of the materials increases by orders of magnitude. Finding a properly balanced binder formulation is like looking for a needle in a haystack. We have shown for the first time that artificial intelligence (AI)-based optimization of alkali-activated binder formulations can significantly accelerate research.
The "Sequential Learning App for Materials Discovery" (SLAMD) aims to accelerate practice transfer. With SLAMD, materials scientists have low-threshold access to AI through interactive and intuitive user interfaces. The value added by AI can be determined directly. For example, the CO2 emissions saved per ton of cement can be determined for each development cycle: the more efficient the AI optimization, the greater the savings.
Our material database already includes more than 120,000 data points of alternative binders and is constantly being expanded with new parameters. We are currently driving the enrichment of the data with a life cycle analysis of the building materials.
Based on a case study we show how intuitive access to AI can drive the adoption of techniques that make a real contribution to the development of resource-efficient and sustainable building materials of the future and make it easy to identify when classical experiments are more efficient.