Polymermatrix-Verbundwerkstoffe (PMC) sind in Industrien von der Luft- und Raumfahrt und Automobilindustrie bis hin zu Elektronik und biomedizinischen Geräten unverzichtbar geworden, die für ihre außergewöhnlichen Festigkeits-Gewichts-Verhältnisse und Designflexibilität geschätzt werden. Trotz dieser Vorteile stoßen traditionelle PMCs oft auf Leistungsbeschränkungen unter extremen thermischen, mechanischen oder elektrischen Belastungen. Die Entstehung von Verstärkungen im Nanomaßstab - Partikel oder Fasern mit mindestens einer Dimension unter 100 Nanometern - hat eine neue Grenze für die Anpassung von Verbundwerkstoffeigenschaften eröffnet. Durch die Einbeziehung von Materialien wie Kohlenstoff-Nanoröhren (CNTs), Graphen-Nanoplättchen, Nano-Tonen und Barriereleistung können Forscher die mechanische Festigkeit, die Wärmeleitfähigkeit, die elektrische Leitfähigkeit und die Barriereleistung dramatisch verbessern. Um jedoch das volle Potenzial dieser nanoskaligen Füllstoffe zu erkennen und das Gesamtverhalten von Verbundwerkstoffen zu beeinflussen. Modellierung und Simulation spielen eine entscheidende Rolle bei diesen Bemühungen, so dass Wissenschaftler und Ingenieure Eigenschaften vorhersagen können, führen experimentelle Design und Materialsysteme optimieren, ohne sich ausschließlich auf kostspielige Trial-and-Error-Experimente zu verlassen

Nano-Skalenverstärkungen verstehen

Nanoskalige Verstärkungen zeichnen sich von herkömmlichen mikroskaligen Füllstoffen durch ihr außergewöhnlich hohes Oberflächen-Volumen-Verhältnis aus. Diese Eigenschaft ermöglicht es, dass ein relativ kleiner Gewichtsanteil der Nanoverstärkung eine umfangreiche Schnittstelle zur Polymermatrix schafft, die die Lastübertragung, Wärmeleitung und elektrische Wege erheblich beeinflusst.

  • Kohlenmonoxid-Nanoröhren (CNTs): Zylindrische Strukturen von gerollten Graphenplatten, erhältlich als einwandige (SWCNTs) oder mehrwandige (MWCNTs).
  • Graphen-Nanoplättchen (GNPs) sind gestapelte Schichten, die exfoliert werden können. Sie bieten eine ausgezeichnete mechanische Verstärkung, eine hohe Wärmeleitfähigkeit und Barriereeigenschaften gegen Gase und Flüssigkeiten.
  • Nano-Ton: Schichtsilikate wie Montmorillonit, die innerhalb des Polymers interkaliert oder exfoliert werden können. Sie verbessern die mechanische Steifigkeit, Flammschutz und Barriereeigenschaften bei niedrigen Belastungen.
  • Nanofasern: Faserstoffe mit Durchmessern unter 100 nm, oft aus Polymeren oder Keramiken elektrogesponnen. Sie bieten Verstärkung in einer Dimension und können zur Herstellung hierarchischer Verbundwerkstoffe verwendet werden.
  • Metalloxid-Nanopartikel: Partikel wie Siliziumdioxid (SiO2), Aluminiumoxid (Al2O3) und Titandioxid (TiO2) verbessern die mechanischen Eigenschaften und können zusätzliche Funktionen wie UV-Resistenz oder katalytische Aktivität verleihen.

Die Leistung von nanoverstärkten PMC hängt nicht nur von den intrinsischen Eigenschaften des Füllstoffs ab, sondern auch von dessen Dispersionszustand, Orientierung, Volumenanteil und der Qualität der Füllstoff-Matrix-Grenzfläche.

Schlüsselmodelle für nano-verbesserte PMCs

Die Modellierung der Wirkung von Verstärkungen im Nanomaßstab erfordert Methoden, die Phänomene über mehrere Längen- und Zeitskalen hinweg erfassen können - von Wechselwirkungen auf atomarer Ebene bis hin zum makroskopischen Kontinuumsverhalten.

Mikromechanische Modelle

Mikromechanische Modelle behandeln den Verbundwerkstoff als homogenes Material mit effektiven Eigenschaften, die sich aus den Eigenschaften, Volumenanteilen und Geometrien der konstituierenden Phasen ergeben.

  • Regel der Mischungen: Eine einfache lineare Interpolation, die obere (Voigt) und untere (Reuss) Grenzen für Steifigkeit und andere Eigenschaften bietet. Während sie für kontinuierliche Faserverbundwerkstoffe nützlich ist, versagt sie oft bei Nano-Verstärkungen, weil sie die Effekte der großen Grenzflächen und des Aspektverhältnisses vernachlässigt.
  • Mori-Tanaka-Methode: Ein verfeinertes Modell, das Einschluss-Wechselwirkungen berücksichtigt, indem es eine einzelne Einschluss in eine unendliche Matrix mit effektiven zusammengesetzten Eigenschaften einbettet. Es funktioniert gut für zufällig orientierte oder ausgerichtete ellipsoidale Einschlüsse und kann Aspektverhältnis und Orientierungsverteilung integrieren.
  • Selbstkonsistente Schemata: Diese Methoden betrachten jede Phase als eine in ein wirksames Medium eingebettete Einschließung, die iterativ bestimmt wird.
  • Shear Lag Models: Ursprünglich für Kurzfaser-Verbundwerkstoffe entwickelt, sagen Shear-Lag-Modelle die Spannungsübertragung zwischen Matrix und Verstärkung voraus. Für Nanofüller berücksichtigen Modifikationen die Interphasenregion - eine Zone mit veränderten Polymereigenschaften um den Füllstoff herum aufgrund physikalischer oder chemischer Wechselwirkungen.

Mikromechanische Modelle sind recheneffizient und können vernünftige Vorhersagen für elastische Eigenschaften, Wärmeleitfähigkeit und elektrische Leitfähigkeit liefern (unter Verwendung der Perkolationstheorie), erfordern jedoch häufig eine Kalibrierung mit experimentellen Daten und können nichtlineares Verhalten oder die Entwicklung von Schäden nicht erfassen.

Finite Element Analysis (FEA)

Die Finite-Element-Analyse ermöglicht eine detaillierte Simulation von Spannungs-, Dehnungs- und Temperaturverteilungen innerhalb eines Composite Representative Volume Element (RVE) Für nanoverstärkte PMCs ist FEA besonders wertvoll für die Untersuchung lokaler Effekte wie Spannungskonzentrationen in der Nähe von Füllstoffenden, Interphasengradienten und den Einfluss der Füllstoffgeometrie auf die Steifigkeit und Festigkeit von Kompositen.

Der Aufbau eines FEA-Modells eines Nanoverbundwerkstoffs umfasst mehrere Schritte:

  1. Erzeugen eines realistischen RVE: Der RVE muss eine statistisch repräsentative Verteilung von Füllstoffen enthalten, die oft mit Algorithmen erstellt werden, die zufällige Dispersion oder ausgerichtete Zustände nachahmen. Die Größe des RVE muss groß genug sein, um makroskopisches Verhalten darzustellen, aber klein genug, um die Rechenkosten überschaubar zu halten.
  2. Die Geometrie durcheinanderbringen: Eigenschaften im Nanobereich erfordern sehr feine Maschen, um Gradienten in der Nähe der Füllstoff-Matrix-Schnittstelle zu erfassen. Adaptive Meshing- und Kohäsionszonenelemente werden manchmal verwendet, um das Entkleben oder Interphasenversagen zu modellieren.
  3. Materialeigenschaften zuweisen: Die Matrix, der Füllstoff und die Interphase (wenn sie explizit modelliert werden) werden jeweils mit geeigneten konstitutiven Gesetzen belegt.
  4. Randbedingungen anwenden: Periodische Randbedingungen werden üblicherweise verwendet, um eine periodische Mikrostruktur zu simulieren und homogenisierte Eigenschaften zu extrahieren.

FEA wurde erfolgreich angewendet, um den effektiven Elastizitätsmodul von CNT-verstärkten Kompositen, die Wärmeleitfähigkeit von Graphen-gefüllten Polymeren und das elektrische Perkolationsverhalten von Nanokompositen vorherzusagen, bleibt jedoch rechenintensiv, insbesondere bei hohen Füllstoffvolumenfraktionen oder bei der Modellierung nanoskaliger Phänomene wie Van-der-Waals-Kräfte.

Molecular Dynamics (MD) Simulationen

Molekulardynamiksimulationen modellieren die Bewegung von Atomen und Molekülen auf der Grundlage interatomarer Potentiale (Kraftfelder). MD ist in einzigartiger Weise geeignet, um die atomaren Mechanismen zu untersuchen, die den verstärkenden Effekt steuern: Polymerkettenadsorption auf Füllflächen, Bildung von Interphasenschichten, Lastübertragung durch kovalente oder nicht kovalente Bindungen und den Einfluss der Funktionalisierung.

Zu den wichtigsten Anwendungen von MD in nanoverstärkten PMCs gehören:

  • Durch die Untersuchung der Interphasenregion: MD wird deutlich, wie sich Polymerdichte, Mobilität und Modul in der Nähe einer Nanofülleroberfläche verändern. Diese lokalen Eigenschaften können zu Kontinuummodellen hochskaliert werden.
  • Vorhersage der Grenzflächenscherfestigkeit: Durch Simulation von Auszugstests einer CNT oder Graphenschicht aus einer Polymermatrix kann MD die Grenzflächenspannungsübertragungskapazität abschätzen.
  • Die Bewertung der Wirkung der Funktionalisierung: Kovalente Anlagerung von funktionellen Gruppen (z. B. -OH, -COOH) an Nanofüllstoffe kann simuliert werden, um zu verstehen, wie chemische Bindungen die Grenzflächenbindung verbessern.
  • Bestimmung des Wärmetransports: ] MD kann den thermischen Grenzwiderstand (Kapitza-Widerstand) an der Füllstoff-Matrix-Schnittstelle berechnen, einem kritischen Parameter für die Modellierung der Wärmeleitfähigkeit in Verbundwerkstoffen.

MD-Simulationen sind durch die Systemgröße (in der Regel Dutzende Nanometer) und die Zeitskala (Nanosekunden bis Mikrosekunden) begrenzt, sie können makroskopische Eigenschaften nicht direkt vorhersagen, aber sie liefern wesentliche Eingangsparameter für höherskalige Modelle.

Multiskalige Modellierungstechniken

Angesichts der Vielzahl von Längenskalen ist eine einzige Modellierungsmethode nicht ausreichend, um das volle Verhalten nanoverstärkter PMCs zu erfassen. Multiskalige Modellierung integriert Informationen aus atomaren, Mikro- und Kontinuumskalen in einer konsistenten Weise.

  • Sequenzielle Multiskalenmodellierung: MD oder grobkörnige Simulationen liefern Eigenschaften (z. B. Interphasenmodul, Grenzflächenfestigkeit), die an mikromechanische Modelle oder FEA weitergegeben werden.
  • Konkurrenz-Multiskalenmodellierung: Verschiedene Regionen der Simulationsdomäne werden gleichzeitig auf verschiedenen Skalen modelliert. Beispielsweise könnte ein Kontinuum-Modell mit einer Atomregion in der Nähe einer Rissspitze gekoppelt werden. Dieser Ansatz ist rechnerisch teuer, bietet aber eine hohe Genauigkeit.
  • Machine learning-assisted multiscale modeling: Surrogatmodelle, die auf Daten aus MD- oder Mikroskalensimulationen trainiert wurden, können teure Berechnungen ersetzen und eine schnelle Erkundung von Designräumen ermöglichen.

Multiskalige Ansätze sind unerlässlich, um die Lücke zwischen grundlegenden Nano-Interaktionen und der Leistung im technischen Maßstab zu schließen, was sie zu einem Eckpfeiler des modernen Verbundwerkstoffdesigns macht.

Auswirkungen von Nano-Verstärkungen auf Verbundeigenschaften

Nanoverstärkungen können die mechanischen, thermischen, elektrischen und Barriereeigenschaften von Polymerverbundwerkstoffen grundlegend verändern. Die folgenden Unterabschnitte beschreiben die primären Effekte und die Modellierungsbemühungen, die zu ihrem Verständnis verwendet werden.

Mechanische Eigenschaften

Die Integration von Nanofüllstoffen wie Kohlenstoffnanoröhren oder Graphen kann den Modul von Young, die Zugfestigkeit, die Bruchfestigkeit und die Ermüdungsbeständigkeit erhöhen.

  • Lastübertragung: Effiziente Spannungsübertragung hängt von der Grenzflächenscherfestigkeit ab. Starke Grenzflächenbindung (kovalent oder stark nicht-kovalent) führt zu einer signifikanten Versteifung.
  • Rißbrücken: Nanofüller können Mikrorisse überbrücken, ihre Ausbreitung behindern und die Zähigkeit verbessern.
  • Kernbildung von Scherbändern: In duktilen Matrizen können Nanofüller Scherabgabe fördern und Energie absorbieren.

Die Modellierung der mechanischen Verbesserung erfordert eine genaue Darstellung der Füllstoffdispersion, Orientierung und des Grenzflächenverhaltens. Mikromechanische Modelle (z. B. Mori-Tanaka) können Modulzuwächse vorhersagen, während FEA- und Kohäsionszonenmodelle Schadensmechanismen wie Entkleben und Herausziehen erfassen. MD-Simulationen liefern die Grenzflächenparameter, die für diese höherwertigen Modelle benötigt werden.

Thermische Eigenschaften

Nanoverstärkungen mit hoher intrinsischer Wärmeleitfähigkeit (z. B. CNTs: ~3000 W/mK, Graphen: ~5000 W/mK) können die Wärmeleitfähigkeit des Verbundwerkstoffs verbessern, obwohl die Verbesserung oft viel geringer ist als die Vorhersagen der Mischungsregel aufgrund des thermischen Grenzflächenwiderstands (Kapitza-Widerstand).

  • Effektive Medium-Approximationen: Erweiterungen der Maxwell-Garnett- oder Bruggeman-Modelle, die Füllergeometrie, Orientierung und einen Grenzflächen-Wärmewiderstandsbegriff enthalten.
  • FEA mit thermischem Kontaktleitwert: Zuweisung eines thermischen Grenzleitwerts an der Füller-Matrix-Schnittstelle.
  • MD-Simulationen: Direkte Berechnung des Kapitza-Widerstands für verschiedene Füllstoff-Matrix-Kombinationen.

Über die Leitfähigkeit hinaus können Nanofüller die thermische Stabilität (einsetzende Degradation) verbessern und den Wärmeausdehnungskoeffizienten (CTE) reduzieren, was für elektronische Verpackungen und andere hochpräzise Anwendungen wichtig ist.

Elektrische Eigenschaften

Durch Hinzufügen von elektrisch leitfähigen Nanofüllstoffen (CNT, Graphen, Metallnanodrähte) kann eine isolierende Polymermatrix leitfähig gemacht werden. Dieses Perkolationsphänomen tritt auf, wenn sich im gesamten Verbund ein verbundenes Netzwerk von Füllstoffen bildet.

  • Perkolationsschwelle: Der kritische Volumenanteil, bei dem die Leitfähigkeit um mehrere Größenordnungen springt. High-Aspekt-Verhältnis Füllstoffe erreichen Perkolation bei sehr geringen Belastungen (oft <1 Gew.-%).
  • Kontaktwiderstand: Der elektrische Widerstand an Füller-Füllstoff-Kontakten beeinflusst die Gesamtleitfähigkeit stark. Tunneleffekte spielen auch eine Rolle, wenn Füllstoffe durch dünne Polymerschichten getrennt sind.

Die Modellierung der elektrischen Leitfähigkeit verwendet oft Monte-Carlo-Simulationen, um zufällige Füllernetzwerke zu erzeugen und Perkolationspfade zu berechnen. FEA kann auf idealisiertere Geometrien angewendet werden. Semi-empirische Modelle beinhalten Perkolationstheorie und Tunnelwiderstand, um experimentelle Daten anzupassen. Maschinelles Lernen wird zunehmend verwendet, um die Leitfähigkeit von Mikrostrukturdeskriptoren vorherzusagen.

Barriere und andere Eigenschaften

Nano-Ton und Graphen sind besonders effektiv bei der Verringerung der Gas- und Flüssigkeitsdurchlässigkeit. Die Plättchen mit hohem Aspektverhältnis schaffen einen gewundenen Weg für die Diffusion von Molekülen, was die Permeabilität dramatisch verringert. Modelle wie das Nielsen-Modell oder Cusslers auf Tortuosität basierende Modelle werden häufig verwendet, und FEA kann die Diffusion durch realistische Mikrostrukturen simulieren. Darüber hinaus können Nanoverstärkungen die Flammschutzwirkung (durch Bildung einer Kohleschicht) und die UV-Beständigkeit je nach Füllstofftyp verbessern.

Herausforderungen bei der Modellierung von Nano-Skalenverstärkungen

Trotz erheblicher Fortschritte ist die Modellierung nanoverstärkter PMCs nach wie vor mit Herausforderungen behaftet, die die prädiktive Genauigkeit und praktische Anwendbarkeit einschränken.

Dispersion und Agglomeration

Nanofüllstoffe neigen aufgrund starker Van-der-Waals-Kräfte zur Agglomeration, was zu Clustern führt, die das effektive Aspektverhältnis reduzieren und Eigenschaften abbauen. Die meisten Modelle gehen von einer perfekten oder zufälligen Dispersion aus, aber echte Komposite enthalten oft Agglomerate unterschiedlicher Größe und Dichte. Die Charakterisierung und Einbeziehung realistischer Agglomeratverteilungen bleibt ein offenes Problem. Einige Ansätze verwenden bildbasierte Modellierung aus Mikro-CT- oder Rasterelektronenmikroskopie (SEM) Daten, aber diese sind teuer und materialspezifisch.

Interfacial Interactions

Die Polymer-Füllstoff-Schnittstelle ist ein Bereich mit einer Nanodicke, in dem die Polymerketten eine veränderte Struktur und Dynamik aufweisen. Diese Interphase kann andere mechanische, thermische und elektrische Eigenschaften aufweisen als die Bulk-Matrix. Die Modellierung der Interphase erfordert explizit Daten aus MD oder Experimenten, aber die Parameter sind oft unbekannt oder vereinfacht. Darüber hinaus erzeugt die Funktionalisierung kovalente Bindungen, die die Lastübertragung stark beeinflussen, aber die Modellierung dieser Bindungen in größeren Maßstäben ist eine Herausforderung.

Berechnungskosten

Die hochgenaue Modellierung, ob FEA mit feinen Maschen oder MD mit Millionen von Atomen, erfordert erhebliche Rechenressourcen. Parametrische Studien sind oft nicht durchführbar. Dies hat die Entwicklung von Modellen reduzierter Ordnung und Ersatzansätzen motiviert, aber diese Opfer in Treue oder Allgemeinheit.

Validierung und Charakterisierung

Modellvorhersagen müssen gegen experimentelle Daten validiert werden. Die Charakterisierung von Nanoverbundwerkstoffen ist jedoch schwierig: Die Messung lokaler Interphaseneigenschaften, Orientierungsverteilungen und Agglomerationsniveaus erfordert oft fortschrittliche Techniken wie Transmissionselektronenmikroskopie (TEM), Rasterkraftmikroskopie (AFM) oder Röntgenstreuung. Abweichungen zwischen Modell und Experiment können durch nicht nachgewiesene Defekte, verarbeitungsbedingte Variabilität oder Messunsicherheiten entstehen.

Das Gebiet der Modellierung nanoverstärkter Polymerverbundwerkstoffe entwickelt sich rasant, angetrieben durch Fortschritte in den Computermethoden, der experimentellen Charakterisierung und der Materialwissenschaft.

Machine Learning und datengetriebene Modelle

Machine Learning (ML)-Techniken, einschließlich neuronaler Netze, Gauß-Prozesse und zufälliger Wälder, werden verwendet, um zusammengesetzte Eigenschaften anhand mikrostruktureller Merkmale oder Prozessparameter vorherzusagen. ML-Modelle können auf großen Datensätzen trainiert werden, die durch hochpräzise Simulationen oder Experimente erzeugt werden, was schnelle Eigenschaftsvorhersagen und inverses Design ermöglicht (z. B. die Ermittlung der optimalen Füllergeometrie und -belastung für eine gegebene Steifigkeitsanforderung). ML-Modelle erfordern jedoch eine sorgfältige Validierung und können mit Extrapolation über Trainingsdaten hinaus kämpfen. Hybridansätze, die physikbasierte Modelle mit ML-Surrogaten kombinieren, gewinnen an Zugkraft.

Zum Beispiel wurden in neueren Arbeiten konvolutionale neuronale Netze (convolutional neural networks, CNN) eingesetzt, um die effektive Leitfähigkeit von Graphen/Polymer-Kompositen direkt aus 2D-Mikrostrukturbildern vorherzusagen, wodurch eine hohe Genauigkeit bei drastisch verkürzter Rechenzeit im Vergleich zu FEA erreicht wurde.

Advanced Characterization Integration

Neue Experimente liefern beispiellose Details über Nanoverbund-Mikrostrukturen. In-situ-TEM und Scanning-Sonden-Mikroskopie ermöglichen die direkte Beobachtung von Füllstoff-Matrix-Wechselwirkungen und Fehlermechanismen. Digitale Bildkorrelation (DIC) auf Nanoebene ermöglicht die Validierung von Dehnungsfeldern, die von Modellen vorhergesagt werden. Die Integration dieser Daten in Modellierungsworkflows - beispielsweise durch Bayes-Kalibrierung - verbessert die Glaubwürdigkeit des Modells und ermöglicht genauere Vorhersagen über verschiedene Materialsysteme hinweg.

Nachhaltige Nano-Verstärkungen

Da der Drang nach Nachhaltigkeit wächst, gewinnen biobasierte Nanoverstärkungen wie Cellulose-Nanokristalle (CNC), Chitin-Nanofasern und Lignin-Nanopartikel an Interesse. Die Modellierung dieser Füllstoffe führt aufgrund ihrer Oberflächenchemie, Hygroskopizität und teilkristallinen Natur zu zusätzlichen Komplexitäten. MD-Simulationen können dazu beitragen, ihre Wechselwirkung mit Biopolymeren und synthetischen Polymeren zu verstehen, während Multiskalenmodelle das Design vollständig erneuerbarer Komposite mit maßgeschneiderten Eigenschaften leiten können.

Prozess-Struktur-Eigenschaft Integration

Letztendlich muss die Modellierung den gesamten Lebenszyklus des Verbundwerkstoffs berücksichtigen - von Rohstoffen und Verarbeitung (Mischen, Extrudieren, Aushärten) bis hin zur Leistung unter Betriebsbedingungen. Die Verknüpfung von Prozessmodellen (z. B. numerische Fluiddynamik für das Mischen) mit Strukturmodellen (z. B. Entwicklung der Füllstofforientierung) und Eigenschaftsmodellen stellt eine große Herausforderung dar. Solche integrierten Frameworks würden digitale Zwillinge der Nanoverbundwerkstoffherstellung ermöglichen, die Entwicklung beschleunigen und Abfall reduzieren.

Schlussfolgerung

Die Modellierung der Wirkung von nanoskaligen Verstärkungen auf Polymermatrix-Kompositen ist ein vielschichtiges Unterfangen, das Disziplinen von der Quantenchemie bis zur Kontinuumsmechanik überbrückt. Während jede Modellierungsmethode - Mikromechanik, Finite-Elemente-Analyse, Molekulardynamik und multiskalige Ansätze - ihre Stärken und Grenzen hat, liefert ihre synergistische Anwendung bemerkenswerte Erkenntnisse. Durch diese Modelle konnten Forscher vorhersagen und erklären, wie Kohlenstoff-Nanoröhren, Graphen, Nano-Ton und andere Füllstoffe die mechanische Festigkeit, thermische Leitfähigkeit, elektrische Perkolation und Barriereleistung verbessern. Dennoch bleiben Herausforderungen bestehen: Die Erfassung von Dispersionsfehlern in der realen Welt, die genaue Erfassung von Grenzflächenphänomenen und die Verwaltung der Rechenkosten erfordern kontinuierliche Innovation. Die Integration von maschinellem Lernen, fortschrittlicher Charakterisierung und nachhaltigen Materialien verspricht, die Grenzen weiter zu verschieben und die Gestaltung von Kompositen der nächsten Generation zu ermöglichen, die leichter, stärker, intelligenter und umweltfreundlicher sind. Da Rechenleistung und experimentelle Techniken weiter voranschreiten, wird die Rolle der Modellierung nur zentraler für die Entwicklung von nanoverstärkten Polymermatrix-Kom

Für weitere Informationen zu computergestützten Ansätzen für Nanokomposite siehe die umfassende Überprüfung von Composites Science and Technology zur Multiskalenmodellierung von Polymer-Nanokompositen. Eine weitere ausgezeichnete Ressource ist die NIST Polymers Division, die Daten und Werkzeuge für die Polymermodellierung bietet. Für diejenigen, die sich für molekulare Dynamikspezifika interessieren, bietet der ]Nature Reviews Materials Artikel zu Kohlenstoff-Nanoröhren-Kompositen einen zugänglichen Überblick. Schließlich wird die Rolle des maschinellen Lernens im Verbunddesign in einer aktuellen Perspektive aus Applied Composite Materials untersucht.