Kataliz ve Kimyasallar

img-mv26vrif-bab0f381


Tanım

 

Tahmin yoluyla katalizör bileşimlerini ve reaksiyon yollarını tarayın. MatterSeek, katalitik malzeme özelliklerini bileşimden tahmin ediyor ve ardından bunları özerk bir laboratuvarda doğruluyor.
 

4 76

Kataliz ve Kimyasallar - Malzeme Sistemi / Tahmin Edilebilir Performans / Doğrulama Yolu

 

 

 

 

 

Katalizör Keşfi için Yapay Zeka — Bir Reaktörü Çalıştırmadan Önce Aktif Aşamaları ve Destekleri Tarayın

 

 

1. MatterSeek, katalizör ve kimyasal süreç geliştirmeye yönelik bir Yapay Zeka malzeme Ar-Ge platformudur.

Katalitik malzeme özelliklerini kimyasal bileşimden tahmin eder, böylece aktif fazlar, destekleyiciler ve destek malzemeleri, reaktör çalıştırılmadan veya elektrokimyasal test yapılmadan önce sıralanabilir.

2. Katalizör gelişimi yavaş yavaş başarısız oluyor.

Aktivite, seçicilik ve kararlılık, bileşime doğrusal olmayan yollarla bağlanır ve her deneysel değerlendirme, reaktör süresini, ham maddeyi ve analitik kapasiteyi tüketir. Sezgisel tarama, kompozisyon alanının geniş bölgelerinin hiçbir zaman incelenmediği anlamına gelir; aktivite ve dayanıklılık arasında en iyi dengeyi sağlayanlar da dahil.

3. Katalizör performansını etkileyen özellikleri tahmin edebilecektir.

MatterSeek, erime noktası, Seebeck katsayısı, güç faktörü ve termoelektrik değer değerinin yanı sıra, oksijen gelişimi başlangıç ​​potansiyeli ve oksijen gelişimi Tafel eğimi (oksijen gelişimi için elektrokatalizörleri en doğrudan derecelendiren iki miktar) dahil olmak üzere bileşimden elektrokimyasal ve termodinamik özellik ailelerini öngörüyor. Kompozisyon işleme, 0,02'lik katkı düzeyi hassasiyetiyle bir ila dört temel öğeyi destekler, böylece destekleyici ve katkılayıcı çalışmaları gerçekte belirtildikleri ayrıntı düzeyinde modellenir. Bir tahmin turu iki temel öğe için yaklaşık bir dakika, üç için iki ve dört için yedi dakika sürer.

4. Kompozisyon manzarasını okuyun,

sadece bir liste değil. Sonuçlar, adayları birden fazla metrik üzerinden aynı anda karşılaştırmak için çok özellikli radar grafikleri, etkinlikle ilgili özelliklerin bir bileşim aralığı boyunca nasıl değiştiğini gösteren 2B ve 3B ısı haritaları ve tasarım incelemesi için dışa aktarılabilir tablolar olarak döndürülür.

5. Otonom bir laboratuvarda doğrulama yapın.

Kısa listeye alınan kompozisyonlar MatterSeek'in 1.200 m²'lik özerk laboratuvarına taşınıyor. Altı işlem kümesinden ikisi doğrudan katalizör çalışmasına eşlenir: ıslak kimya kümesi öncül hazırlamayı, hidrotermal ve solvotermal sentezi, kalsinasyonu ve bir liç test adımını kapsar; sol-jel kümesi, yüksek yüzey alanlı desteklere ve aerojel katalizör taşıyıcılarına giden standart yol olan sol hidrolizi, jel yaşlandırmayı, solvent değişimini ve süperkritik CO₂ kurutmayı kapsar. Otomatik karakterizasyon, rotaya bağlı olarak günde 300 ila 500 örnek hedefiyle BET yüzey alanı analizi, XRD, Raman ve eşzamanlı termal analizi içerir.

6. Tahmin doğruluğu fiziksel ölçüme göre %95,7'dir.

Ele alınan katalizör malzeme aileleri arasında destekli metal ve oksit katalizörler, zeolit ​​ve gözenekli destekler, oksijen oluşumu için elektrokatalizörler, fotokatalizörler ve termoelektrik malzemeler yer alır.

SSS

 

 

S: Hangi katalitik özellikler tahmin edilebilir?

A: Oksijen gelişimi başlangıç ​​potansiyeli, oksijen gelişimi Tafel eğimi, erime noktası ve Seebeck katsayısı ve değer şekli gibi termoelektrik parametreler dahil olmak üzere elektrokimyasal ve termodinamik aileler.

S: MatterSeek, aktif fazların yanı sıra katalizörleri de destekleyebilir mi?

C: Evet. Destek malzemeleri bileşim alanının bir parçasıdır ve otonom laboratuvardaki sol-jel ve süperkritik kurutma rotası özellikle yüksek yüzey alanlı taşıyıcılara uygundur.

S: Katalizörün yüzey alanı nasıl ölçülür?

C: Otomatik BET analizi, karakterizasyon zincirinin bir parçası olarak özerk laboratuvarın içinde çalışır.

Yuyao (Beijing) Technology Co., Ltd. yapay zeka ile gelişmiş kataliz ve kimyasal 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.