Kataliza i chemikalia

Opis
Przesiewowe składy katalizatorów i drogi reakcji poprzez przewidywanie. MatterSeek przewiduje właściwości materiału katalitycznego na podstawie składu, a następnie sprawdza je w autonomicznym laboratorium.

Kataliza i chemikalia — system materiałowy / przewidywalna wydajność / ścieżka walidacji
Sztuczna inteligencja do wykrywania katalizatorów — wyświetl aktywne fazy i podpory przed uruchomieniem reaktora
Przewiduje właściwości materiału katalitycznego na podstawie składu chemicznego, dzięki czemu fazy aktywne, promotory i materiały pomocnicze można uszeregować przed uruchomieniem reaktora lub wykonaniem testu elektrochemicznego.
Aktywność, selektywność i stabilność są powiązane ze składem w sposób nieliniowy, a każda ocena eksperymentalna pochłania czas reaktora, surowiec i wydajność analityczną. Sprawdzanie intuicyjne oznacza, że nigdy nie bada się dużych obszarów przestrzeni kompozycji – łącznie z tymi, które zapewniają najlepszy kompromis między aktywnością a trwałością.
MatterSeek przewiduje rodziny właściwości elektrochemicznych i termodynamicznych na podstawie składu, w tym potencjału początku wydzielania tlenu i wydzielania tlenu. Nachylenie Tafela — dwie wielkości, które najbardziej bezpośrednio klasyfikują elektrokatalizatory pod kątem wydzielania tlenu — wraz z temperaturą topnienia, współczynnikiem Seebecka, współczynnikiem mocy i termoelektryczną współczynnikiem zasług. Obsługa składu obsługuje od jednego do czterech elementów podstawowych z dokładnością poziomu domieszkowania wynoszącą 0,02, więc badania promotorów i domieszek są modelowane z faktycznie określoną szczegółowością. Runda przewidywania trwa około jednej minuty w przypadku dwóch elementów podstawowych, dwóch w przypadku trzech i siedmiu w przypadku czterech.
nie tylko lista. Wyniki są zwracane w postaci wykresów radarowych obejmujących wiele właściwości, umożliwiających porównywanie kandydatów pod kątem kilku wskaźników jednocześnie, map cieplnych 2D i 3D pokazujących, jak właściwości związane z aktywnością zmieniają się w zakresie składu, oraz tabel, które można wyeksportować w celu przeglądu projektu.
Wybrane kompozycje trafiają do autonomicznego laboratorium MatterSeek o powierzchni 1200 m². Dwa z sześciu klastrów procesów są bezpośrednio powiązane z pracą katalizatora: klaster chemii mokrej obejmuje przygotowanie prekursorów, syntezę hydrotermalną i solwotermiczną, kalcynację i etap testu ługowania; klaster zol-żel obejmuje hydrolizę zolu, starzenie żelu, wymianę rozpuszczalnika i suszenie nadkrytycznym CO₂ — standardową drogę do nośników o dużej powierzchni i nośników katalizatorów aerożelowych. Zautomatyzowana charakteryzacja obejmuje analizę pola powierzchni BET, XRD, Ramana i jednoczesną analizę termiczną, przy ustalonym docelowym zakresie od 300 do 500 próbek dziennie, w zależności od trasy.
Uwzględnione rodziny materiałów katalitycznych obejmują katalizatory metaliczne i tlenkowe na nośniku, nośniki zeolitowe i porowate, elektrokatalizatory do wydzielania tlenu, fotokatalizatory i materiały termoelektryczne.
Często zadawane pytania
P: Jakie właściwości katalityczne można przewidzieć?
Odp.: Rodziny elektrochemiczne i termodynamiczne, w tym potencjał początku wydzielania tlenu, wydzielanie tlenu nachylenie Tafela, temperatura topnienia i parametry termoelektryczne, takie jak współczynnik Seebecka i współczynnik zasługi.
P: Czy katalizator MatterSeek może zawierać zarówno nośniki, jak i fazy aktywne?
O: Tak. Materiały pomocnicze stanowią część przestrzeni składu, a metoda zolu-żelu i suszenia w stanie nadkrytycznym w autonomicznym laboratorium jest szczególnie dostosowana do nośników o dużej powierzchni.
P: W jaki sposób mierzy się powierzchnię katalizatora?
Odpowiedź: Zautomatyzowana analiza BET odbywa się w autonomicznym laboratorium jako część łańcucha charakteryzacji.
Yuyao (Beijing) Technology Co., Ltd. to profesjonalna firma specjalizująca się w łączeniu sztucznej inteligencji i zaawansowanych materiałów katalitycznych i chemicznych. 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.

