Pil ve Enerji Depolama

img-mv26vqxh-8161bd9a

 

Tanım


Bir hücre oluşturmadan önce elektrolitleri, katotları ve hidrojen depolama alaşımlarını tahmin yoluyla tarayın. MatterSeek, malzeme özelliklerini bileşimden tahmin eder. (150)

 

279

Pil ve Enerji Depolama - Malzeme Sistemi / Öngörülebilir Performans / Doğrulama Yolu

 

 

 

 

 

Pil ve Enerji Depolama Malzemeleri için Yapay Zeka — Hücre Oluşturmadan Önce Elektrolitleri ve Elektrotları Eleyin

 

 

1. MatterSeek, pil ve enerji depolama geliştirmeye yönelik bir Yapay Zeka malzemeleri Ar-Ge platformudur.

Malzeme özelliklerini kimyasal bileşimden tahmin eder, böylece elektrolitler, katotlar, anotlar, ayırıcılar ve hidrojen depolama alaşımları, herhangi bir hücre monte edilmeden veya döngüye alınmadan önce yazılımda sıralanabilir.

2. Pil geliştirme, tasarım amacı ile ölçülebilir performans arasındaki boşluk nedeniyle darboğaz yapıyor.

Ara yüzey yan reaksiyonları, iyonik aktarım ve termal stabilite ancak hücre oluşturulduktan sonra ortaya çıkar ve her yapım ve test döngüsü yavaş ve pahalıdır. Sonuç, geniş bir alanın akıllıca taranması yerine, bir avuç dolusu formülasyonun kapsamlı bir şekilde test edildiği bir geliştirme döngüsüdür.

3. Önce kompozisyon alanını tarayın. Bir hedefi tanımlıyorsunuz —

Bir temel öğe seti artı elektrokimyasal, termal veya termodinamik gereksinim gibi bir özellik penceresi ve MatterSeek, her aday için belirsizlikle birlikte tahmin edilen özellik değerlerini döndürür. Platform, 0,02 katkı düzeyi hassasiyetiyle birden dörde kadar temel öğeyi destekler ve tahmin, iki temel öğe için yaklaşık bir dakika, üç temel öğe için iki dakika ve dört temel öğe için yedi dakika içinde tamamlanır. Çıktı, çok özellikli radar grafikleri, özelliklerin kompozisyon manzarasında nasıl değiştiğini gösteren 2B ve 3B ısı haritaları ve dışa aktarılabilir tablolar olarak görünür.

4. Depolama malzemeleriyle ilgili özellikler.

Tahmin motoru, erime noktası, amorfizasyon için kritik soğuma hızı, Seebeck katsayısı, güç faktörü ve termoelektrik değer değeri de dahil olmak üzere elektrokimyasal, dielektrik, termal, termodinamik ve yapısal özellik ailelerini kapsar; son üçü doğrudan termal yönetim ve termoelektrik enerji dönüşümü malzemeleriyle ilgilidir.

5. Otonom bir laboratuvarda doğrulama yapın.

Tahmin edilen adaylar MatterSeek'in 1.200 m²'lik özerk laboratuvarına akıyor; burada hızlı katılaşma ile vakumda eritme, şekillendirme ve sinterleme ile katı hal sentezi, hidrotermal ve ıslak kimya yolları ve süperkritik CO₂ kurutma ile sol-jel (elektrot tozları, katı elektrolitler ve gözenekli ayırıcı malzemeler üreten yollar) içeren altı proses kümesi yer alıyor. Otomatik karakterizasyon; XRD, BET yüzey alanı, eş zamanlı termal analiz ve Raman'ı kapsar. Modelin doğruluğu %95,7'dir ve ölçülen her sonuç, bir sonraki tahmin turunu sıkılaştırmak için geri beslenir.

6. Halihazırda ele alınan depolama malzemesi aileleri arasında katı elektrolitler,

katot ve anot bileşimleri, ayırıcı ve seramik membran malzemeleri, termal yönetim ve termoelektrik malzemeler ve katı hal hidrojen depolama alaşımları; bunların sonuncusu doğrudan vakumlu eritme ve hızlı katılaşma kümesine beslenir.

 

SSS

 

 

S: MatterSeek katı hal elektrolitlerini tarayabilir mi?

C: Evet. Temel bileşimi ve ihtiyacınız olan özellik penceresini tanımlarsınız ve platform, herhangi bir hücre oluşturulmadan önce tahmin edilen özelliklere ve belirsizliğe sahip sıralanmış adayları döndürür.

S: Bir tahmin ne kadar hızlı çalıştırılır?

C: İki temel öğe için yaklaşık bir dakika, üç temel öğe için iki dakika ve dört temel öğe için yedi dakika.

S: Platform hidrojen depolama malzemeleri kullanıyor mu?

C: Evet — hidrojen depolamalı alaşımlar, vakumlu eritme ve hızlı katılaşma kümesinin ele aldığı metal alaşımı kapsamına girer.

Yuyao (Beijing) Technology Co., Ltd., yapay zeka ile gelişmiş pil ve enerji depolama malzemelerinin kesişiminde uzmanlaşmış profesyonel bir şirkettir. Şirket, malzeme sektörüne özel olarak tasarlanmış temel büyük bir model olan MatterSeek'i bağımsız olarak geliştirdi ve tescilli, kontrol edilebilir bir malzeme deney veritabanı oluştururken HNN (Hiyerarşik Sinir Ağı) algoritmasına öncülük etti.