Faglig innhold

Dette emnet gir en integrert introduksjon til utvalgte beregningsmetoder som ofte brukes innen materialvitenskap og prossesskjemisk. Emnet er modulbasert, med tre moduler som kombinerer forelesninger, praktisk programmering i Python og bruk av profesjonell programvare. I hver modul gjennomgås relevante numeriske metoder (f.eks. Newton-Raphson-metoder for å løse sett av ikke-lineære ligninger, Runge-Kutta-metoder for å løse sett av ordinære differensialligninger, samt maskinlæringsmetoder), slik at studentene kan anvende dem til å løse konkrete problemer. Slik sikres det at studentene ikke bare forstår det vitenskapelige grunnlaget, men også tilegner seg praktiske ferdigheter i å implementere disse beregningsmetodene.

Hver modul ender i et prosjekt der studentene kobler teori til beregningspraksis. Prosjektene omfatter å utvikle egen Python-kode, bruke anerkjente Python-biblioteker (f.eks. pycalphad, tensorflow), ta i bruk profesjonelle programvarepakker (f.eks. Thermo-Calc, FactSage) og analysere resultater i lys av publiserte vitenskapelige data. Emnet vektlegger problem- og prosjektbasert læring, og vurderingen baseres på kode, presentasjoner og diskusjon i stedet for en avsluttende skriftlig eksamen.

Studentene får veiledning i vitenskapelig kommunikasjon, prosjektledelse og presentasjonsteknikk. Dette sikrer at kandidatene ikke bare er teknisk dyktige, men også i stand til å samarbeide effektivt og formidle resultater i både akademiske og industrielle sammenhenger.

Tentativ moduloversikt:

Modul 1: Termodynamikk for legeringer - Forelesninger om ideal-, regular- og reelle løsninger; numerisk implementering av fase-likevekter; programmering av binære/ternære fasediagrammer i Python, med validering mot ThermoCalc.

Modul 2: Modellering på mikroskala - Introduksjon til modelleringsteknikker med fokus på mikroskala (som for eksempel molekylærdynamikk, Monte Carlo-metoder, Ising-modellen, fasefelt osv.), relevant teori, algoritmer (tidsintegrasjon, pseudotilfeldige tallgeneratorer, osv.) og simuleringsmetoder. Prosjektet innebærer å utforme og analysere simuleringer på mikroskala ved hjelp av relevante Python-baserte moduler, og der det er aktuelt, sammenligne med resultater fra profesjonelle programvarepakker.

Modul 3: Maskinlæring i industriell kjemi - Med utgangspunkt i veletablerte industrielle kjemiske prosesser skal studentene kunne foreslå endringer for å forbedre prosessytelsen ved å bruke tilgjengelige termodynamiske data, litteratur og programvareverktøy. Prosjektet foreslår bruk av maskinlæringsverktøy (f.eks. PCA, PLS, k-means) og beregnende termodynamikk for å vurdere ytelsen under ulike design- og driftsbetingelser, og utvide denne vurderingen til å forstå ytelsen på prosessnivå.

Læringsutbytte

Etter å ha gjennomført emnet vil studentene ha utviklet en integrert kompetanse i beregningsorientert material- og prossesskjemi, som kombinerer teoretisk forståelse, numerisk implementering og bruk av profesjonell programvare. Konkret vil de kunne:

• Beskrive og anvende sentrale teoribegreper innen løsningstermodynamikk, atomnivå-modellering, og utvalgte kjemitekniske anvendelser, og knytte disse prinsippene til beregningsmessige modelleringsoppgaver.
• Implementere og analysere numeriske metoder og maskinlæringsmetoder for å løse vitenskapelige problemer, inkludert likevektsberegninger, tidsintegrasjon av dynamiske systemer og datadrevet modellering.
• Utvikle og validere Python-baserte koder for å løse problemer innen material- og prossesskjemi, og effektivt kombinere disse med etablert profesjonell programvare.
• Kritisk evaluere beregningsresultater ved å sammenligne egne koder, profesjonell programvare og publiserte vitenskapelige data, og tolke funnene på en vitenskapelig forsvarlig måte.
• Reflektere over rollen og begrensningene til beregningsmetoder for å fremme forståelse, innovasjon og beslutningstaking innen materialvitenskap og prossesskjemi.
• Overføre termodynamiske og beregningsmessige prinsipper til industrielle anvendelser, vurdere konsekvenser for prosessdesign, optimalisering og innovasjon i reelle ingeniørsettinger.
• Utarbeide profesjonelle presentasjoner som formidler metoder, resultater og tolkninger klart og konsist, i form av forskningsartikler og muntlige prosjektforsvar.
• Samarbeide effektivt i tverrfaglige prosjektteam og demonstrere prosjektledelse, lederskap og kommunikasjonsevner som er relevante for både akademisk og industriell forskning.

Læringsformer og aktiviteter

• Forelesninger om teori, numeriske metoder og bruk av programvare.
• Øvingsforelesninger i Python og spesialisert programvare.
• Økter relatert til kommunikasjon, prosjektledelse og teamarbeid.
• Prosjektarbeid i grupper
• Muntlige presentasjoner og diskusjoner etter hver modul

Hver modul innebærer arbeid med et modelleringsprosjekt, inkludert å forberede en presentasjon, og avsluttes med plenumspresentasjoner etterfulgt av individuell utspørring. Totalt arbeidsomfang er anslått til ca. 200 timer (inkl. selvstendig arbeid).

Spesielle vilkår

Anbefalte forkunnskaper

Grunnleggende kunnskap i materialteknologi/-ingeniørfag anbefales, og grunnleggende kunnskap i termodynamikk og fasediagrammer er påkrevd. Emnet vil omfatte tre modelleringsprosjekter som krever kunnskap om og erfaring med numeriske metoder Python eller et tilsvarende programmeringsspråk.

Kursmateriell

Porter, D. A., Easterling, K. E., & Sherif, M. Y. (2021). Phase transformations in metals and alloys (4th ed.). Boca Raton, FL: CRC Press. ISBN 978-0-367-43034-4

ThermoCalc documentation and tutorials (2025)

FactSage (factsage.com)

Free, M. L. (2022). Hydrometallurgy: Fundamentals and applications (2nd ed.). Springer Cham. https://doi.org/10.1007/978-3-030-88087-3

Habashi, F. (2001). Textbook of Hydrometallurgy. Metallurgie Extractive Quebec.

Informasjon om øvrig kursmateriell vil bli gitt ved starten av semesteret.