Magazynowanie baterii i energii

Opis
Przesiewaj elektrolity, katody i stopy magazynujące wodór w oparciu o prognozę przed zbudowaniem ogniwa. MatterSeek przewiduje właściwości materiału na podstawie składu. (150)

Magazynowanie baterii i energii — system materiałowy / przewidywalna wydajność / ścieżka walidacji
Sztuczna inteligencja w akumulatorach i materiałach do magazynowania energii — elektrolity ekranowe i elektrody przed zbudowaniem ogniwa
Przewiduje właściwości materiału na podstawie składu chemicznego, dzięki czemu elektrolity, katody, anody, separatory i stopy magazynujące wodór można klasyfikować w oprogramowaniu przed montażem lub cyklem ogniwa.
Uboczne reakcje międzyfazowe, transport jonowy i stabilność termiczna pojawiają się dopiero po zbudowaniu ogniwa, a każdy cykl budowy i testowania jest powolny i kosztowny. W rezultacie powstaje pętla rozwojowa, w ramach której wyczerpująco testuje się kilka receptur, zamiast inteligentnego sprawdzania dużej przestrzeni.
Podstawowy zestaw elementów plus okno właściwości, takie jak wymagania elektrochemiczne, termiczne lub termodynamiczne — a MatterSeek zwraca przewidywane wartości właściwości z niepewnością dla każdego kandydata. Platforma obsługuje od jednego do czterech elementów podstawowych z dokładnością poziomu domieszkowania wynoszącą 0,02, a przewidywanie kończy się w ciągu około jednej minuty w przypadku dwóch elementów podstawowych, dwóch minut w przypadku trzech i siedmiu minut w przypadku czterech. Wyniki pojawiają się w postaci wykresów radarowych obejmujących wiele właściwości, map cieplnych 2D i 3D, które pokazują, jak właściwości zmieniają się w krajobrazie kompozycji, oraz tabel, które można eksportować.
Silnik predykcyjny obejmuje rodziny właściwości elektrochemicznych, dielektrycznych, termicznych, termodynamicznych i strukturalnych, w tym temperaturę topnienia, krytyczną szybkość chłodzenia dla amorfizacji, współczynnik Seebecka, współczynnik mocy i współczynnik termoelektryczny – ostatnie trzy są bezpośrednio powiązane z zarządzaniem cieplnym i materiałami do termoelektrycznej konwersji energii.
Przewidywani kandydaci trafiają do autonomicznego laboratorium MatterSeek o powierzchni 1200 m², którego sześć klastrów procesów obejmuje topienie próżniowe z szybkim krzepnięciem, syntezę w stanie stałym z formowaniem i spiekaniem, metody hydrotermalne i chemii mokrej oraz metody zol-żel z suszeniem nadkrytycznym CO₂ – metody, w wyniku których powstają proszki elektrod, elektrolity stałe i porowate materiały separacyjne. Zautomatyzowana charakteryzacja obejmuje obszar powierzchni XRD, BET, jednoczesną analizę termiczną i Ramana. Dokładność modelu wynosi 95,7%, a każdy zmierzony wynik jest zbierany w celu doprecyzowania kolejnej rundy przewidywań.
kompozycje katod i anod, materiały separatorów i membran ceramicznych, materiały termoelektryczne i termoelektryczne oraz stopy w stanie stałym magazynujące wodór — z których te ostatnie są podawane bezpośrednio do klastra topienia próżniowego i szybkiego krzepnięcia.
Często zadawane pytania
P: Czy MatterSeek może przesiewać elektrolity w stanie stałym?
O: Tak. Definiujesz podstawowy skład i potrzebne okno właściwości, a platforma zwraca uszeregowanych kandydatów z przewidywanymi właściwościami i niepewnością przed zbudowaniem jakiejkolwiek komórki.
P: Jak szybko przebiega prognozowanie?
O: Około jednej minuty na dwa podstawowe elementy, dwie minuty na trzy i siedem minut na cztery.
P: Czy platforma obsługuje materiały do magazynowania wodoru?
Odpowiedź: Tak – stopy magazynujące wodór mieszczą się w zakresie stopów metali obsługiwanych przez klaster topienia próżniowego i szybkiego krzepnięcia.
Yuyao (Beijing) Technology Co., Ltd. to profesjonalna firma specjalizująca się w łączeniu sztucznej inteligencji i zaawansowanych materiałów do akumulatorów i magazynowania energii. Firma niezależnie opracowała MatterSeek — podstawowy duży model dostosowany do sektora materiałów — i była pionierem algorytmu HNN (Hierarchical Neural Network), tworząc jednocześnie zastrzeżoną, kontrolowaną bazę danych eksperymentów materiałowych.

