استغلال الذكاء الاصطناعي لتسريع تطوير السبائك: ما الذي يعنيه ذلك بالنسبة لخيارات مواد الأنابيب في المستقبل

وعلى امتداد عقود، اتبع تطوير مواد أنابيب السبائك الجديدة نمطاً متوقعاً: حيث يفترض عالم المعادن تركيبةً معينةً استناداً إلى خبرته، ثم يصهر بضع دفعات تجريبية، ويختبرها بدقةٍ شديدة، وإذا كانت النتائج واعدةً، يقضّي سنواتٍ عديدةً في توصيف الأداء قبل الإطلاق التجاري. وقد خدم هذا النهج التجريبي-الخطئي الصناعةَ جيداً، مُقدِّماً لنا سبائك الفولاذ المقاوم للصدأ المزدوجة والسبائك النيكلية والمواد المقاومة للتآكل التي نعتمد عليها اليوم. لكنه بطيءٌ جداً. وبطءٌ مُؤلمٌ.

المدة الزمنية النموذجية من الفكرة إلى السبيكة التجارية تبلغ 10 إلى 20 سنة . بالنسبة للتطبيقات الحرجة التي تتطلب موادًا جديدة—مثل نقل الهيدروجين، أو الاستكشاف البحري العميق، أو الأجيال القادمة من المنشآت النووية—لم يعد هذا المعدل مقبولًا بعد الآن.

وها هي الذكاء الاصطناعي (AI) والتعلم الآلي (ML) يدخلان المشهد. فهذه التقنيات تُعيد تشكيل علم المواد جذريًّا، وتحول تطوير السبائك من تخصص تجريبيٍّ شاقٍ إلى مشكلة هندسية قائمة على التحسين. . وتتناول هذه المقالة كيفية تسريع الذكاء الاصطناعي لاكتشاف السبائك، وما يعنيه ذلك للمواد المستقبلية المستخدمة في الأنابيب، والآثار العملية المترتبة على المهندسين ومحددي المواصفات.

حجم التحدي: لماذا يصعب اكتشاف السبائك

ولندرك سبب كون الذكاء الاصطناعي ثوريًّا، يجب أن نفهم أولًا حجم مشكلة تصميم السبائك.

تصور أنك تطور سبيكة جديدة من الفولاذ المقاوم للصدأ المزدوج للاستخدام في البيئات الحمضية. ولعل لديك ١٠ عناصر سبائكية يجب أخذها في الاعتبار — مثل الكروم والنيكل والموليبدينوم والنيتروجين والمنغنيز والسيليكون والنحاس والتUNGستن والكربون وعناصر أخرى. ويمكن أن تتغير تركيزات كل عنصر ضمن نطاق معين. وبضرب هذه المتغيرات ببعضها، تصبح الإمكانيات التركيبية هائلةً بشكلٍ فلكي.

قدَّم باحثٌ في مختبر لورنس ليفرمور الوطني تشبيهًا لا يُنسى: «تصوَّر أنك تخبز كعكات البسكويت وترغب في ابتكار الوصفة المثالية، فتقرر إجراء تجارب على ثلاثة مكونات: السكر والزبدة والطحين. فإذا جرَّبتَ كلَّ مكوِّنٍ بـ ١٠ كميات مختلفة، فستحتاج إلى خَبْز ١٠٠٠ قطعة بسكويت لاختبار كل التوليفات الممكنة. والآن، تخيَّل أن عدد المكونات التي يجب اختبارها يبلغ ٢٠ أو ٣٠ مكوِّنًا — فجأةً، يصبح العدد الإجمالي لقطع البسكويت التي يجب خبزها مرتفعًا بشكلٍ فلكي، ويصل تقريبًا إلى ١٠٠ كوينتيليون توليفة» .

بالنسبة لسبائك الزجاج المعدني، قام الباحثون بتقييم بضعة آلاف فقط من بين الملايين من الإمكانيات الممكنة على امتداد خمسة عقود . فالطرق التقليدية لا تستطيع أخذ عيناتٍ فعّالة من هذه المساحة التصميمية الشاسعة.

كيف يُغيّر الذكاء الاصطناعي تطوير السبائك

وتتولى مناهج الذكاء الاصطناعي الحديثة معالجة هذه التحديات عبر عدة تقنيات تكميلية:

١. نماذج التعلّم الآلي للتنبؤ بالخصائص

يمكن لنماذج التعلّم الآلي التنبؤ بخصائص السبائك استنادًا إلى تركيبها ومتغيرات عمليات التصنيع، مما يقلل بشكل كبير الحاجة إلى الاختبارات الفيزيائية. وقد أظهر باحثو جامعة ولاية أوريغون ذلك من خلال تطوير نموذج غابة عشوائية للتنبؤ بقيم مقاومة الصدم حسب اختبار شاربي للصلب غير القابل للصدأ المزدوج (Duplex stainless steels) الملحوم، ما مكّن من تقييم أداء السبيكة بسرعة دون الحاجة إلى إجراء اختبارات فيزيائية موسّعة .

دراسة أُجريت عام 2024 حول تصميم الفولاذ المقاوم للصدأ المزدوج قارنت أربعة نماذج تعلُّم آلي — وهي نموذج الجار الأقرب (K-Nearest Neighbor)، وانحدار الحافة (Ridge Regression)، وشجرة القرار (Decision Tree)، والغابة العشوائية (Random Forest) — للتنبؤ بمقاومة التآكل والارتداء. وقد حقَّق نموذج الغابة العشوائية دقةً استثنائية، حيث بلغ معامل التحديد (R²) ٠,٩٠ للصلادة المجهرية و٠,٨٧ لإمكانية التآكل. . وباستخدام هذا النموذج، قام الباحثون بفحص ٦٩١٢٠ تركيبةً وعمليةً توليفيةً افتراضيًّا (في السيليكو)، وحددوا ثلاث تركيبات جديدة للفولاذ المقاوم للصدأ المزدوج ذات خصائص مُحسَّنة. .

٢. الذكاء الاصطناعي التوليدي والتصميم العكسي

وبالإضافة إلى التنبؤ بخواص التركيبات المعروفة، يمكن للذكاء الاصطناعي التوليدي اقتراح موادٍ جديدة تمامًا. وقد تنبَّأ نظام الذكاء الاصطناعي «GNoME» (شبكات الرسوم البيانية لاستكشاف المواد) الذي طوَّرته شركة جوجل ديب مايند بـ٢,٢ مليون تركيب بلوري جديد ، من بينها ٣٨٠٠٠٠ مرشَّحٍ يرجَّح أن تكون مستقرةً تجريبيًّا. ويمثِّل الآلاف منها مركبات طبقية تشبه الجرافين وإلكتروليتات بطاريات محتملة. .

والأهم من ذلك أن هذه التنبؤات ليست مجرد توقعات نظرية فحسب. فقد تم تصنيع أكثر من ٧٠٠ بلورة تنبأ بها نموذج GNoME بشكل مستقل في مختبرات حول العالم، مما يؤكد أن «تنبؤات النموذج بالبلورات المستقرة تعكس الواقع بدقة» .

٣. التعلُّم الآلي المستند إلى المبادئ الفيزيائية

تتمتَّع النُّهُج الخالصة القائمة على البيانات بقيودٍ معينة، لا سيما عندما تكون بيانات التدريب شحيحة. أما التعلُّم الآلي المستند إلى المبادئ الفيزيائية فيدمج المعرفة المتخصصة—مثل المبادئ الحرارية، وعلم البلورات، ومبادئ تحولات الأطوار—داخل النماذج مباشرةً.

ال إطار عمل AutoMAT ، الذي طوَّره باحثون وتم التحقق من صحته تجريبيًّا، ويدمج نماذج اللغة الكبيرة، والمحاكاة الآلية القائمة على منهجية CALPHAD، والبحث المدعوم بالذكاء الاصطناعي لتسريع تصميم السبائك. وفي دراسة حالة استهدفت سبائك خفيفة الوزن وعالية القوة، حدد إطار عمل AutoMAT سبيكة تيتانيوم ذات كثافة أقل بنسبة ٨,١٪ ومقاومة خضوع مماثلة إلى مراجع متطورة للغاية—م logaً أعلى قوة نوعية بين جميع المقارنات—مع تقليل جدول اكتشاف المواد من سنوات إلى أسابيع .

٤. التحسين البايزي والتعلّم النشط

يمثّل التحسين البايزي استراتيجية تعلّم نشطة تختار بشكل ذكي التجارب التي سيتم إجراؤها بعد ذلك. فبدلًا من اختبار التركيبات عشوائيًّا، يقوم الذكاء الاصطناعي بتقييم المرشح غير المستكشف الذي يرجّح أن يحسّن الخصائص المستهدفة أكثر ما يمكن، ثم يُعطي أولوية لإجراء تلك التجربة. .

أظهرت دراسة أُجريت على سبائك الذاكرة الشكلية كيف وجدت الحلقات الموجّهة بايزيًا سبائك جديدة منخفضة الهستيرسيس في غضون ٣٦ خطوة تجريبية —وهي نسبة ضئيلة جدًّا مقارنةً بالـ٨٠٠,٠٠٠ تركيبة تقريبًا الموجودة في فضاء البحث. .

المختبرات ذاتية القيادة: إغلاق الحلقة

إن أكثر التطورات إثارةً في مجال تسريع اكتشاف السبائك هو ظهور المختبرات ذاتية القيادة —وهي منصات آلية تدمج بين تصميم الذكاء الاصطناعي، والتركيب الروبوتي، والتمييز الذاتي في نظام مغلق الحلقة.

منصة APEX

في مختبر لورنس ليفرمور الوطني، يجري الباحثون تطوير APEX ، وهي منصة آلية للطباعة ثلاثية الأبعاد ومعالجة وتحليل عينات السبائك. وتجمع هذه المنصة بين الروبوتات والتعلّم الآلي للعمل على مدار الساعة، وبشكل مستقل في تصميم سبائك جديدة وبنائها واختبارها .

وتستخدم منصة APEX تقنية التصنيع الإضافي بالترسيب الموجَّه للطاقة لبناء العينات طبقةً تلو الأخرى، ثم تقوم تلقائيًّا بطحنها وتلميعها وتمييز خصائصها باستخدام المجهر واختبار الصلادة واختبار الانضغاط. وبذلك تُنفَّذ المهام التي كانت تستغرق أيامًا عند تنفيذها يدويًّا في غضون ساعات قليلة .

وميزةٌ ذكيةٌ بارزةٌ جدًّا: فـAPEX تلتقط «إحساس» عملية الطحن عبر ربط أجهزة استشعار الاهتزاز بالمعدات، مما يحوِّل الحدس الذي يمتلكه الحرفي الماهر إلى بيانات رقمية توجِّه المعالجة الآلية .

روبوت بولي بوت في أرجون

وبالمثل، فإن مختبر أرجون الوطني يطوِّر روبوت بولي بوت الروبوت يُصنّع ويختبر تلقائيًا أفلام البوليمر. واجهت هذه العملية ما يقارب المليون وصفة تصنيع محتملة، ويقوم نظام Polybot بإجراء التجارب على مدار الساعة طوال أيام الأسبوع تحت إشراف الذكاء الاصطناعي، ليحقق موصلية في الأفلام « comparable to the highest standards currently achievable » (مُعادِلة لأعلى المعايير المحقَّقة حاليًّا)، ويُنتج وصفات قابلة للتطبيق على نطاق إنتاجي للاستخدام الصناعي. .

ما الذي تعنيه هذه التطورات لمادة الأنابيب المستقبلية

لهذه التطورات آثارٌ عميقةٌ على المهندسين والمحدِّدين العاملين مع أنابيب السبائك:

١. سبائك مخصصة للتطبيقات

وقد استهدفت تطوير السبائك تاريخيًّا تطبيقات واسعة النطاق. فقد تخدم درجة جديدة من السبائك ذات البنية الثنائية (Duplex) مجالات متعددة مثل النفط والغاز، ومعالجة المواد الكيميائية، والتطبيقات البحرية. أما الذكاء الاصطناعي فيمكّن الآن من التصميم حسب الطلب للسبائك المُحسَّنة خصيصًا لتلبية تطبيقات معيَّنة وظروف الخدمة. .

تخيَّل تحديد أنبوب لخدمة ذات درجة حرارة عالية وتركيز عالٍ من ثاني أكسيد الكربون وحموضة خفيفة. بدلًا من الاختيار من بين الدرجات المتاحة حاليًّا (وكلُّها تضحيات)، يمكنك طلب سبيكة مُحسَّنة بواسطة الذكاء الاصطناعي ومُصمَّمة بدقة لتلك البيئة المحددة— مما يحقِّق أقصى أداء ممكن مع تقليل تكلفة السبيكة إلى أدنى حد.

يجري باحثو جامعة بورتو تطوير نماذج حاسوبية خصيصًا لـ"التصميم حسب الطلب لسبيكات الفولاذ المقاوم للصدأ المزدوجة" باستخدام تقنيات التعلُّم الآلي وتقنيات خفض رتبة النموذج . وتُقرِّب هذه القدرةنا من مستقبلٍ تُصمَّم فيه السبائك خصيصًا للتطبيقات المحددة، بدلًا من تعديل الدرجات العامة الغرض لتناسب تلك التطبيقات.

٢. التأهيل المُسرَّع

ويُعَدُّ التأهيل أحد أكبر العوائق أمام اعتماد السبائك الجديدة. فحتى بعد إنجاز عملية التطوير، تتطلَّب المواد الجديدة اختباراتٍ موسَّعةً لتوليد بيانات التصميم وحالات الشيفرات القياسية والقبول الصناعي.

ويُسرِّع الذكاء الاصطناعي هذه العملية من خلال:

• النمذجة التنبؤية الأداء على المدى الطويل (الانبعاج الحراري، الإرهاق، التآكل)

• الاختبار المُسرَّع مُوجَّهٌ من قِبل التعلُّم النشط للتركيز على الظروف الحرجة

• التأهيل الافتراضي من خلال نماذج مُحقَّقة تقلل من متطلبات الاختبارات الفيزيائية

أظهر مشروع KIMETRO في معهد فراونهوفر IMS كيف يمكن للذكاء الاصطناعي تحديد المعايير المثلى لمعالجة الأنابيب المعدنية، مما يضمن جودةً متسقةً ويُمكّن محتملًا من تأهيل سبائك جديدة باستخدام أقل قدر ممكن من التجارب والاختبارات الفيزيائية العشوائية .

٣. نطاقات أداء محسَّنة

لقد حققت السبائك المصممة بالذكاء الاصطناعي بالفعل خصائص تفوق المواد التقليدية. وحقق إطار العمل AutoMAT تحسُّنًا بنسبة ٢٨,٢٪ في مقاومة الخضوع للسبائك عالية الإنتروبيا مقارنةً بالتركيبات الأساسية . وحققت سبائك العناصر المتعددة الرئيسية التي اكتُشفت عبر التحسين البيزي أن قيم صلادة فيكرز وصلت إلى ١٢٦٩ HV ، بزيادة قدرها ٧٪ مقارنةً بالمعايير السابقة .

وبالنسبة لتطبيقات الأنابيب، فإن هذا يُرْجِعُ إلى ما يلي:

• قوة أعلى تسمح بتقليل سماكة الجدران وتخفيض الوزن

• مقاومة أفضل للتآكل مما يطيل عمر الخدمة

• قابلية أفضل للحام بفضل التركيبات المُحسَّنة

• متانة مُعزَّزة عند درجات الحرارة القصوى

٤. تحسين التكلفة

لا تقتصر وظيفة الذكاء الاصطناعي على تحسين الأداء فحسب، بل يمكنه أيضًا تحسين التكلفة. فباستكشاف التركيبات التي تقلل من عناصر السبائك الباهظة الثمن (مثل النيكل والموليبدينوم والكوبالت) مع الحفاظ على الخصائص المطلوبة، يمكن للذكاء الاصطناعي تحديد بدائل أقل تكلفة تلبّي متطلبات التطبيق.

وقد اقترح بحث جامعة ولاية أوريغون استخدام درجات الفولاذ المقاوم للصدأ ثنائي الطور الخفيف (2101، 2003) كبدائل محتملة أقل تكلفةً في التطبيقات النووية، حيث تساعد تقنيات التعلُّم الآلي في التنبؤ بسلوك التصلُّب الهشّ وحدود الخدمة لهذه الدرجات. .

الآثار العملية للمهندسين

ما المقصود بهذا بالنسبة للمهندسين الذين يحددون مواد الأنابيب حاليًّا وفي المستقبل القريب؟

على المدى القريب (١–٣ سنوات)

• أدوات محسَّنة لاختيار المواد: ستوفِّر قواعد البيانات المدعومة بالذكاء الاصطناعي تنبؤات أكثر دقةً لخصائص السبائك الحالية، ما يساعد في اختيار الدرجات المثلى لهذه السبائك وفقًا للظروف المحددة.

• حل المشكلات بسرعة أكبر: عند مواجهة حالات فشل في المواد، ستُسرِّع أدوات الذكاء الاصطناعي عملية تحليل الأسباب الجذرية وتقترح تركيبات بديلة.

• تحسين السيطرة على الجودة: ستكتشف أنظمة الفحص البصري القائمة على الذكاء الاصطناعي العيوب السطحية والانحرافات المجهرية بدقة تفوق القدرة البشرية. .

على المدى المتوسط (٣–٧ سنوات)

• سبائك مصمَّمة بالذكاء الاصطناعي ومتوفرة تجاريًّا: ستصل إلى السوق أول دفعة من السبائك التي طوَّرها الذكاء الاصطناعي، وهي مُحسَّنة لتطبيقات محددة مثل الخدمة الهيدروجينية أو العمليات البحرية العميقة في المياه العميقة.

• تقليل فترات التأهيل: ستبدأ رموز ومقاييس الصناعة في دمج الخصائص المتوقعة بالذكاء الاصطناعي جنبًا إلى جنب مع بيانات الاختبارات التقليدية.

• النماذج الرقمية المزدوجة لأداء المواد: ستُحاكي النماذج الرقمية المزدوجة المدعومة بالذكاء الاصطناعي الأداء الطويل الأمد في ظل ظروف الخدمة الفعلية. .

طويل الأمد (٧–١٥ سنة)

• إنتاج السبائك حسب الطلب: سيُمكّن التصنيع الإضافي المدمج مع تصميم الذكاء الاصطناعي من إنتاج سبائك مخصصة للتطبيق في المكونات الحرجة. .

• المواد ذات القدرة على الإصلاح الذاتي: ستكتشف السبائك المصممة بالذكاء الاصطناعي، والمزوَّدة بمستشعرات مضمنة ومراحل استجابية، التلفَ وتصححه تلقائيًّا.

• التأهيل الافتراضي الكامل: سيتم تأهيل السبائك الجديدة بشكل أساسي من خلال نماذج مُوثوقة، بينما تُستخدم الاختبارات الفيزيائية للتحقق النهائي بدلًا من كونها الدليل الرئيسي.

العنصر البشري: المهندسون في عصر الذكاء الاصطناعي

ورغم هذه التقدّمات، يشدّد باحثو جامعة ولاية أوريغون على أن الذكاء الاصطناعي يُكمّل الخبرة البشرية بدلًا من استبدالها. وقد استخدمت دراستهم "طرق تعلُّم الآلة لاستنتاج قيم مقاومة الصدم حسب اختبار شاربي" و"تحديد العناصر السبائكية التي قد تكون لها ارتباطٌ وثيقٌ بتصلّب السبيكة"، لكنَّ علماء المعادن البشريين هم من فسَّروا النتائج ووجّهوا التحقيق التجريبي. .

وكما لاحظ ستيفن ر. سبرجن، عالم بيانات المواد في مختبر الطاقة المتجددة الوطني (NREL): "الثورة الحقيقية في العلم الذاتي ليست مجرّد تسريع الاكتشاف، بل هي إعادة تشكيلٍ كاملةٍ لمسار الانتقال من الفكرة إلى الأثر الملموس." .

ويتطوّر دور المهندس من الاستكشاف اليدوي للإمكانيات إلى:

• تحديد المشكلات والقيود المناسبة التي يتعيّن على الذكاء الاصطناعي حلّها

• تفسير الرؤى التي يولّدها الذكاء الاصطناعي في سياق التطبيقات الواقعية

• سدّ الفجوة بين السبائك المصمَّمة حاسوبيًّا والمنتجات القابلة للتصنيع

• ضمان إدماج اعتبارات قابلية التصنيع ودورة الحياة في أهداف الذكاء الاصطناعي

التحديات والقيود

تواجه ثورة الذكاء الاصطناعي في تطوير السبائك تحديات حقيقية:

جودة البيانات وتوافرها

نماذج التعلُّم الآلي لا تكون أفضل من البيانات التي تدرّب عليها. فمعظم بيانات أداء السبائك في العالم موجودة في قواعد بيانات شركات خاصة أو في دفاتر ملاحظات مختبرية غير رقمية. ولا يزال بناء مجموعات بيانات شاملة وعالية الجودة يشكّل تحديًّا كبيرًا. .

«وادي الموت»

وكما لاحظ أحد باحثي شركة «ديب مايند»: «يمكن للذكاء الاصطناعي اقتراح مواد على نطاقٍ لم يكن متصورًا من قبل، لكن هل يمكن التحقق من صحة هذه المواد، وتعميم إنتاجها، واعتمادها للاستخدام الصناعي؟» إن تصنيع عينة صغيرة الحجم في المختبر يختلف تمامًا عن إنتاج طنّات من الأنابيب المعتمدة. وسد هذه الفجوة يتطلب ممارسات هندسية جديدة وابتكارات في مجال التصنيع.

قبول الشيفرات والمعايير

تتطور رموز الصناعة (مثل ASME B31.3 وASME Section VIII، إلخ) ببطءٍ شديد. وحتى أحدث سبائك التصميم المُستند إلى الذكاء الاصطناعي، مهما كانت واعدةً، لا يمكن استخدامها في التطبيقات الخاضعة للوائح والمعايير إلا بعد إدراجها في المعايير القياسية ذات الصلة. وسيؤدي هذا التأخير إلى إبطاء اعتماد المواد المُحسَّنة بالذكاء الاصطناعي في القطاعات الخاضعة للتنظيم.

الملكية الفكرية

عندما يبتكر الذكاء الاصطناعي تركيبة سبيكة جديدة، من يملكها؟ مطوِّر نظام الذكاء الاصطناعي؟ أم المشغل الذي عيَّن معايير البحث؟ أم الجهة التي مولت العمل؟ ولا تزال هذه الأسئلة دون حلٍّ واضحٍ إلى حدٍّ كبير.

الخاتمة: حقبة جديدة لمواد الأنابيب

الذكاء الاصطناعي لا يُسرِّع تطوير السبائك فحسب، بل يغيِّر جذريًّا ما هو ممكنٌ تحقيقه. فالتضخُّم التوافقي الذي كان يجعل الاستكشاف الشامل للسبائك مستحيلاً أصبح الآن قابلاً للتنقُّل عبر نماذج التعلُّم الآلي، والنماذج التوليديَّة، والمختبرات الآلية المستقلة.

وبالنسبة لمواد الأنابيب، فهذا يعني:

• سبائك مُحسَّنة خصيصًا للتطبيقات المحددة، بدلًا من التنازلات العامة الغرض

• استجابة أسرع للتحديات الناشئة (نقل الهيدروجين، الخدمة الحمضية الشديدة جدًّا، وثاني أكسيد الكربون عالي الحرارة)

• تخفيض التكلفة وفترة التوريد اللازمة لتطوير مواد جديدة

• توسيع نطاق الأداء المُحسَّن الذي يدفع حدود الإمكانيات إلى أبعد ما يمكن

لن تحدث هذه المرحلة الانتقالية بين ليلةٍ وضحاها. فالفجوات في البيانات، ومتطلبات المؤهلات، والجمود الصناعي ستبطئ من وتيرة الاعتماد عليها. لكن الاتجاه واضح: المادة الأنابيبية العظيمة التالية لن تُكتشف عبر التجربة والخطأ — بل ستُصمَّم حاسوبيًّا.

وكما عبَّر ميسون سيج، الباحث الرئيسي في منصة APEX: «هدفنا النهائي هو جعل منصة APEX أول مختبر ذاتي القيادة لاكتشاف السبائك، قادرٌ على العمل على مدار الساعة لجمع البيانات التجريبية وتصميم سبائك جديدة وبنائها واختبارها بشكل مستقل» وهذا المستقبل أقرب مما نتصور.

وبالنسبة للمهندسين ومحدِّدي المواصفات، فإن البقاء على اطلاعٍ بهذه التطورات أمرٌ بالغ الأهمية. فالسبائك التي ستُحدَّد مواصفاتها بعد عقدٍ من الزمن قد لا تكون موجودةً بعدُ — لكنها قيد التصميم بالفعل بواسطة خوارزمياتٍ تعمل اليوم.

عن المؤلف: [اسمك] يجلب [X] سنوات من الخبرة في هندسة المواد وإدارة سلسلة التوريد للتطبيقات الحرجة للسبائك. و[يقوم/تقوم/يقومون] برصد التقنيات الناشئة في علم المعادن وانعكاساتها على الممارسات الصناعية.

المعلومات الرئيسية