Складиштење батерија и енергије

img-mv26vqxh-8161bd9a

 

Опис


Прегледајте електролите, катоде и легуре за складиштење водоника предвиђањем пре него што направите ћелију. МаттерСеек предвиђа својства материјала на основу композиције. (150)

 

279

Батерија и складиштење енергије — Систем материјала / Предвидљиве перформансе / Путања за валидацију

 

 

 

 

 

АИ за батерије и материјале за складиштење енергије — екранизирајте електролите и електроде пре него што направите ћелију

 

 

1. МаттерСеек је платформа за истраживање и развој АИ материјала за развој батерија и складиштења енергије.

Он предвиђа својства материјала на основу хемијског састава, тако да електролити, катоде, аноде, сепаратори и легуре за складиштење водоника могу да се рангирају у софтверу пре него што се било која ћелија састави или покрене.

2. Развој батерије је уско грло због јаза између намере дизајна и мерљивих перформанси.

Споредне реакције на међуфазној површини, јонски транспорт и термичка стабилност јављају се тек након што је ћелија изграђена — а сваки циклус изградње и тестирања је спор и скуп. Резултат је развојна петља у којој се шачица формулација исцрпно тестира уместо широког простора који се интелигентно прегледа.

3. Прво екранизирајте простор за композицију. Описујете мету -

Скуп основних елемената плус прозор својстава као што је електрохемијски, термички или термодинамички захтев — и МаттерСеек враћа предвиђене вредности својстава са несигурношћу за сваког кандидата. Платформа подржава један до четири основна елемента са прецизношћу нивоа допинга од 0,02, а предвиђање се завршава за око један минут за два основна елемента, два минута за три и седам минута за четири. Излаз се појављује као радарски графикони са више својстава, 2Д и 3Д топлотне мапе које показују како се својства померају кроз пејзаж композиције и табеле за извоз.

4. Својства релевантна за материјале за складиштење.

Механизам за предвиђање покрива породице електрохемијских, диелектричних, термичких, термодинамичких и структурних својстава, укључујући тачку топљења, критичну брзину хлађења за аморфизацију, Сеебеков коефицијент, фактор снаге и термоелектричну вредност — последња три су директно релевантна за материјале за управљање топлотом и термоелектричну конверзију енергије.

5. Потврдите у аутономној лабораторији.

Предвиђени кандидати улазе у МаттерСеек-ову аутономну лабораторију од 1.200 м², чијих шест процесних група укључује вакуумско топљење са брзим очвршћавањем, синтезу у чврстом стању са формирањем и синтеровањем, хидротермалне и влажне хемијске путеве, и сол-гел са суперкритичним сушењем ЦО₂ - путеве који производе електропородну руту и одвајају електропороде. материјала. Аутоматска карактеризација обухвата КСРД, БЕТ површину, истовремену термичку анализу и Раман. Тачност модела износи 95,7%, а сваки измерени резултат се враћа да би се пооштрио следећи круг предвиђања.

6. Већ обрађене породице материјала за складиштење укључују чврсте електролите,

катодне и анодне композиције, материјали сепаратора и керамичких мембрана, термоелектрични и термоелектрични материјали и легуре за складиштење водоника у чврстом стању — од којих се последње директно убацују у кластер вакуумског топљења и брзог очвршћавања.

 

ФАК

 

 

П: Може ли МаттерСеек да прегледа електролите у чврстом стању?

О: Да. Ви дефинишете основну композицију и прозор својстава који су вам потребни, а платформа враћа рангиране кандидате са предвиђеним својствима и несигурношћу пре него што се изгради било која ћелија.

П: Колико брзо се извршава предвиђање?

О: Отприлике један минут за два основна елемента, два минута за три и седам минута за четири.

П: Да ли платформа рукује материјалима за складиштење водоника?

О: Да — легуре за складиштење водоника се налазе унутар опсега металне легуре којим рукује кластер за вакуумско топљење и брзо очвршћавање.

Иуиао (Пекинг) Тецхнологи Цо., Лтд. је професионална компанија специјализована за укрштање вештачке интелигенције и напредних материјала за складиштење батерија и енергије. Компанија је самостално развила МаттерСеек—темељни велики модел прилагођен сектору материјала—и увела је алгоритам ХНН (Хиерарцхицал Неурал Нетворк), док је изградила власничку базу података експеримента са материјалима која се може контролисати.