Baterija in shranjevanje energije

img-mv26vqxh-8161bd9a

 

Opis


Preverite elektrolite, katode in zlitine za shranjevanje vodika s predvidevanjem, preden zgradite celico. MatterSeek napove lastnosti materiala iz sestave. (150)

 

279

Baterija in shranjevanje energije – materialni sistem / predvidljiva zmogljivost / pot validacije

 

 

 

 

 

Umetna inteligenca za baterije in materiale za shranjevanje energije – preverite elektrolite in elektrode, preden sestavite celico

 

 

1. MatterSeek je platforma za raziskave in razvoj materialov AI za razvoj baterij in shranjevanja energije.

Napoveduje lastnosti materiala na podlagi kemijske sestave, tako da je mogoče elektrolite, katode, anode, separatorje in zlitine za shranjevanje vodika razvrstiti v programski opremi, preden se celica sestavi ali zažene.

2. Razvoj baterij je ozko grlo zaradi vrzeli med načrtom in merljivo zmogljivostjo.

Medfazne stranske reakcije, ionski transport in toplotna stabilnost se pojavijo šele, ko je celica zgrajena - in vsak cikel izdelave in testiranja je počasen in drag. Rezultat je razvojna zanka, v kateri se izčrpno testira peščica formulacij, namesto da bi se inteligentno pregledal širok prostor.

3. Najprej pregledajte prostor kompozicije. Opisujete cilj -

Nabor osnovnih elementov in okno lastnosti, kot je elektrokemična, toplotna ali termodinamična zahteva – in MatterSeek vrne predvidene vrednosti lastnosti z negotovostjo za vsakega kandidata. Platforma podpira enega do štiri osnovne elemente z natančnostjo ravni dopinga 0,02, napoved pa se zaključi v približno eni minuti za dva osnovna elementa, dve minuti za tri in sedem minut za štiri. Izhod je prikazan kot radarski grafikoni z več lastnostmi, 2D in 3D toplotni zemljevidi, ki prikazujejo, kako se lastnosti premikajo po pokrajini kompozicije, in tabele, ki jih je mogoče izvoziti.

4. Lastnosti, pomembne za skladiščne materiale.

Mehanizem za napovedovanje zajema družine elektrokemičnih, dielektričnih, toplotnih, termodinamičnih in strukturnih lastnosti, vključno s tališčem, kritično hitrostjo hlajenja za amorfizacijo, Seebeckovim koeficientom, faktorjem moči in termoelektrično vrednostjo – zadnje tri so neposredno pomembne za upravljanje toplote in materiale za termoelektrično pretvorbo energije.

5. Validacija v avtonomnem laboratoriju.

Predvideni kandidati se zlijejo v 1200 m² velik avtonomni laboratorij MatterSeek, katerega šest procesnih grozdov vključuje vakuumsko taljenje s hitrim strjevanjem, sintezo v trdnem stanju s preoblikovanjem in sintranjem, hidrotermalne in mokre kemijske poti ter sol-gel s superkritičnim CO₂ sušenjem – poti, ki proizvajajo praške elektrod, trdne elektrolite in porozne separatorske materiale. Avtomatizirana karakterizacija zajema XRD, površino BET, sočasno termično analizo in Raman. Natančnost modela je 95,7 % in vsak izmerjeni rezultat se vrne nazaj, da se poostri naslednji krog napovedi.

6. Že obravnavane družine materialov za shranjevanje vključujejo trdne elektrolite,

katodnih in anodnih sestavkov, materialov separatorjev in keramičnih membran, materialov za upravljanje toplote in termoelektričnih materialov ter zlitin za shranjevanje vodika v trdnem stanju — zadnje se dovajajo neposredno v grozd za vakuumsko taljenje in hitro strjevanje.

 

pogosta vprašanja

 

 

V: Ali lahko MatterSeek pregleda elektrolite v trdnem stanju?

O: Da. Določite osnovno sestavo in okno lastnosti, ki jih potrebujete, platforma pa vrne uvrščene kandidate s predvidenimi lastnostmi in negotovostjo, preden se zgradi katera koli celica.

V: Kako hitro poteka predvidevanje?

O: Približno ena minuta za dva osnovna elementa, dve minuti za tri in sedem minut za štiri.

V: Ali platforma obravnava materiale za shranjevanje vodika?

O: Da – zlitine za shranjevanje vodika spadajo v področje uporabe kovinskih zlitin, ki jih upravlja skupina za vakuumsko taljenje in hitro strjevanje.

Yuyao (Beijing) Technology Co., Ltd. je strokovno podjetje, specializirano za presečišče umetne inteligence in naprednih materialov za baterije in shranjevanje energije. Podjetje je neodvisno razvilo MatterSeek – temeljni velik model, prilagojen sektorju materialov – in pionirsko razvilo algoritem HNN (Hierarchical Neural Network), medtem ko je gradilo lastniško zbirko podatkov o eksperimentih z materiali, ki jih je mogoče nadzorovati.