Batéria a skladovanie energie

img-mv26vqxh-8161bd9a

 

Popis


Pred vybudovaním článku preverte elektrolyty, katódy a zliatiny na uchovávanie vodíka pomocou predpovedí. MatterSeek predpovedá vlastnosti materiálu zo zloženia. (150)

 

279

Batéria a skladovanie energie – materiálový systém / predvídateľný výkon / cesta validácie

 

 

 

 

 

Umelá inteligencia pre batérie a materiály na ukladanie energie – preverte elektrolyty a elektródy predtým, ako postavíte článok

 

 

1. MatterSeek je platforma výskumu a vývoja materiálov AI pre vývoj batérií a skladovania energie.

Predpovedá materiálové vlastnosti z chemického zloženia, takže elektrolyty, katódy, anódy, separátory a zliatiny na uchovávanie vodíka môžu byť zoradené v softvéri pred zostavením alebo cyklom akéhokoľvek článku.

2. Vývoj batérií je brzdený rozdielom medzi zámerom dizajnu a merateľným výkonom.

Medzifázové vedľajšie reakcie, iónový transport a tepelná stabilita sa objavia až po vytvorení bunky – a každý cyklus zostavenia a testovania je pomalý a drahý. Výsledkom je vývojová slučka, v ktorej sa dôkladne testuje niekoľko formulácií namiesto toho, aby sa inteligentne preveroval široký priestor.

3. Najprv preverte priestor kompozície. Opisujete cieľ -

Sada základných prvkov plus okno vlastností, ako je elektrochemická, tepelná alebo termodynamická požiadavka – a MatterSeek vracia predpovedané hodnoty vlastností s neistotou pre každého kandidáta. Platforma podporuje jeden až štyri základné prvky s presnosťou úrovne dopingu 0,02 a predikcia sa dokončí za približne jednu minútu pre dva základné prvky, dve minúty pre tri a sedem minút pre štyri. Výstup sa zobrazí ako radarové mapy s viacerými vlastnosťami, 2D a 3D tepelné mapy, ktoré ukazujú, ako sa vlastnosti menia v rámci kompozície, a exportovateľné tabuľky.

4. Vlastnosti týkajúce sa skladovacích materiálov.

Predikčný mechanizmus pokrýva skupiny elektrochemických, dielektrických, tepelných, termodynamických a štruktúrnych vlastností vrátane teploty topenia, kritickej rýchlosti chladenia pre amorfizáciu, Seebeckovho koeficientu, účinníka a termoelektrickej hodnoty – posledné tri sú priamo relevantné pre materiály na tepelný manažment a termoelektrickú premenu energie.

5. Overiť v autonómnom laboratóriu.

Predpokladaní kandidáti prúdia do autonómneho laboratória MatterSeek s rozlohou 1 200 m², ktorého šesť procesných klastrov zahŕňa vákuové tavenie s rýchlym tuhnutím, syntézu v tuhom stave s formovaním a spekaním, hydrotermálne a mokré chemické postupy a sol-gél so superkritickým sušením CO₂ – cesty, ktoré produkujú prášky elektród, pevné elektrolyty a porézne separačné materiály. Automatizovaná charakterizácia zahŕňa XRD, BET povrchovú plochu, simultánnu termickú analýzu a Ramanovu analýzu. Presnosť modelu je 95,7 % a každý nameraný výsledok sa vráti späť, aby sa sprísnilo ďalšie kolo predikcie.

6. Už riešené skupiny skladovacích materiálov zahŕňajú tuhé elektrolyty,

katódové a anódové kompozície, separačné a keramické membránové materiály, termoregulačné a termoelektrické materiály a zliatiny na skladovanie vodíka v tuhom skupenstve – posledné z nich sa privádzajú priamo do vákuového taviaceho a rýchlo tuhnúceho zoskupenia.

 

FAQ

 

 

Otázka: Dokáže MatterSeek odfiltrovať elektrolyty v tuhom stave?

A: Áno. Definujete základnú kompozíciu a okno vlastností, ktoré potrebujete, a platforma vráti hodnotených kandidátov s predpokladanými vlastnosťami a neistotou pred vytvorením akejkoľvek bunky.

Otázka: Ako rýchlo prebieha predpoveď?

Odpoveď: Asi jednu minútu pre dva základné prvky, dve minúty pre tri a sedem minút pre štyri.

Otázka: Používa platforma materiály na skladovanie vodíka?

Odpoveď: Áno – zliatiny na skladovanie vodíka sa nachádzajú v oblasti kovových zliatin, ktoré ovláda vákuové tavenie a rýchle tuhnutie.

Yuyao (Beijing) Technology Co., Ltd. je profesionálna spoločnosť špecializujúca sa na prienik AI a pokročilých materiálov na ukladanie batérií a energie. Spoločnosť nezávisle vyvinula MatterSeek – základný veľký model prispôsobený pre sektor materiálov – a stala sa priekopníkom algoritmu HNN (Hierarchical Neural Network), pričom vybudovala vlastnú, kontrolovateľnú databázu experimentov s materiálmi.