Akkumulátor és energiatárolás

img-mv26vqxh-8161bd9a

 

Leírás


Az elektrolitokat, katódokat és hidrogéntároló ötvözeteket előrejelzéssel szűrje át, mielőtt cellát építene. A MatterSeek előrejelzi az anyag tulajdonságait az összetétel alapján. (150)

 

279

Akkumulátor és energiatárolás — Anyagrendszer / Kiszámítható teljesítmény / Ellenőrzési útvonal

 

 

 

 

 

AI akkumulátorokhoz és energiatároló anyagokhoz – Képernyő elektrolitok és elektródák, mielőtt cellát építesz

 

 

1. A MatterSeek egy mesterséges intelligencia anyagok kutatási és fejlesztési platformja akkumulátorok és energiatárolás fejlesztésére.

A kémiai összetétel alapján megjósolja az anyag tulajdonságait, így az elektrolitok, katódok, anódok, szeparátorok és hidrogéntároló ötvözetek szoftveresen rangsorolhatók, mielőtt bármilyen cellát összeszerelnének vagy ciklusba kezdenének.

2. Az akkumulátor fejlesztését a tervezési szándék és a mérhető teljesítmény közötti szakadék akadályozza.

A határfelületi mellékreakciók, az iontranszport és a termikus stabilitás csak a cella felépítése után jelentkeznek – és minden egyes építési és tesztelési ciklus lassú és költséges. Az eredmény egy olyan fejlesztési kör, ahol a maroknyi készítményt kimerítően tesztelik ahelyett, hogy széles teret intelligensen átvilágítanának.

3. Először nézze át a kompozíciós teret. Leírsz egy célpontot –

Egy alapelem-készlet plusz egy tulajdonságablak, például egy elektrokémiai, termikus vagy termodinamikai követelmény – és a MatterSeek minden jelölt esetében bizonytalansággal ad vissza előre jelzett tulajdonságértékeket. A platform egy-négy alapelemet támogat 0,02-es adalékolási pontossággal, és az előrejelzés körülbelül egy perc alatt fejeződik be két alapelem esetében, két perc alatt három és hét perc alatt négynél. A kimenet több tulajdonságot tartalmazó radardiagramok, 2D és 3D hőtérképekként jelenik meg, amelyek megmutatják, hogyan változnak a tulajdonságok a kompozíciós tájon, valamint exportálható táblázatokként.

4. Tárolóanyagokra vonatkozó tulajdonságok.

Az előrejelző motor elektrokémiai, dielektromos, termikus, termodinamikai és szerkezeti tulajdonságcsaládokat fed le, beleértve az olvadáspontot, az amorfizációhoz szükséges kritikus hűtési sebességet, a Seebeck-együtthatót, a teljesítménytényezőt és a termoelektromos érdemi adatokat – az utolsó három közvetlenül kapcsolódik a hőkezeléshez és a termoelektromos energiaátalakító anyagokhoz.

5. Érvényesítés autonóm laboratóriumban.

A megjósolt jelöltek a MatterSeek 1200 m²-es autonóm laboratóriumába áramlanak, amelynek hat folyamatcsoportjába tartozik a gyors megszilárdulással járó vákuumos olvasztás, a szilárd fázisú szintézis formálással és szintereléssel, a hidrotermikus és nedves kémiai útvonalak, valamint a szol-gél szuperkritikus CO₂ szárítással – a porzós anyagok és elektrodézis porok előállítására szolgáló útvonalak. Az automatizált jellemzés lefedi az XRD-t, a BET-felületet, az egyidejű hőelemzést és a Raman-t. A modell pontossága 95,7%, és minden mért eredmény visszacsatolásra kerül a következő előrejelzési kör szigorítása érdekében.

6. A már tárgyalt tárolóanyag-családok közé tartoznak a szilárd elektrolitok,

katód- és anódkompozíciók, szeparátor- és kerámia-membrán anyagok, hőkezelési és termoelektromos anyagok, valamint szilárd fázisú hidrogéntároló ötvözetek – amelyek közül az utolsó közvetlenül a vákuumolvasztási és gyorsszilárdulási klaszterbe táplálkozik.

 

GYIK

 

 

K: Szűrheti a MatterSeek a szilárdtest elektrolitokat?

V: Igen. Ön határozza meg az alapösszetételt és a szükséges tulajdonságablakot, és a platform rangsorolt ​​jelölteket ad vissza előre jelzett tulajdonságokkal és bizonytalanságokkal, mielőtt bármilyen cellát létrehozna.

K: Milyen gyors az előrejelzés?

V: Körülbelül egy perc két alapelem, két perc három és hét perc négy.

K: A platform kezeli a hidrogéntároló anyagokat?

V: Igen – a hidrogéntároló ötvözetek a vákuumolvasztási és gyorsszilárdulási klaszter által kezelt fémötvözetek körébe tartoznak.

A Yuyao (Peking) Technology Co., Ltd. egy professzionális cég, amely a mesterséges intelligencia és a fejlett akkumulátor- és energiatárolási anyagok metszéspontjára szakosodott. A vállalat önállóan fejlesztette ki a MatterSeeket – egy, az anyagszektorra szabott, nagy alapmodellet –, és úttörő szerepet játszott a HNN (Hierarchical Neural Network) algoritmusban, miközben felépített egy szabadalmaztatott, ellenőrizhető anyagkísérleti adatbázist.