Katalýza a chemikálie

img-mv26vrif-bab0f381


Popis

 

Preverte zloženie katalyzátora a reakčné cesty predikciou. MatterSeek predpovedá vlastnosti katalytického materiálu zo zloženia a potom ich overí v autonómnom laboratóriu.
 

4 76

Katalýza a chemikálie – materiálový systém / predvídateľný výkon / cesta validácie

 

 

 

 

 

Umelá inteligencia pre zisťovanie katalyzátora – zobrazte aktívne fázy a podporu pred spustením reaktora

 

 

1. MatterSeek je platforma výskumu a vývoja materiálov AI pre vývoj katalyzátorov a chemických procesov.

Predpovedá vlastnosti katalytického materiálu z chemického zloženia, takže aktívne fázy, promótory a podporné materiály možno zoradiť pred spustením reaktora alebo pred vykonaním elektrochemického testu.

2. Vývoj katalyzátora pomaly zlyháva.

Aktivita, selektivita a stabilita sú spojené s kompozíciou spôsobmi, ktoré nie sú lineárne, a každé experimentálne vyhodnotenie spotrebúva čas reaktora, surovinu a analytickú kapacitu. Skríning intuíciou znamená, že veľké oblasti kompozičného priestoru sa nikdy neskúmajú – vrátane tých, ktoré majú najlepší kompromis medzi aktivitou a trvanlivosťou.

3. Predpovedajte vlastnosti, ktoré ovplyvňujú výkon katalyzátora.

MatterSeek predpovedá rodiny elektrochemických a termodynamických vlastností zo zloženia, vrátane potenciálu začiatku vývoja kyslíka a vývoja kyslíka Tafelov sklon – dve veličiny, ktoré najpriamejšie hodnotia elektrokatalyzátory pre vývoj kyslíka – spolu s teplotou topenia, Seebeckovým koeficientom, účinníkom a termoelektrickou hodnotou. Manipulácia s kompozíciou podporuje jeden až štyri základné prvky s presnosťou na úrovni dopingu 0,02, takže štúdie promótora a dopantu sú modelované s granularitou, ktorú sú skutočne špecifikované. Predikčné kolo trvá približne jednu minútu pre dva základné prvky, dva pre tri a sedem pre štyri.

4. Prečítajte si krajinu kompozície,

nie len zoznam. Výsledky sa vracajú ako radarové grafy s viacerými vlastnosťami na porovnanie kandidátov v niekoľkých metrikách naraz, 2D a 3D tepelné mapy, ktoré ukazujú, ako sa vlastnosti súvisiace s aktivitou menia v rámci rozsahu zloženia, a exportovateľné tabuľky na kontrolu návrhu.

5. Overiť v autonómnom laboratóriu.

Kompozície z užšieho výberu sa presúvajú do autonómneho laboratória MatterSeek s rozlohou 1 200 m². Dva z jeho šiestich procesných klastrov mapujú priamo na prácu katalyzátora: mokrý chemický klaster pokrýva prípravu prekurzorov, hydrotermálnu a solvotermálnu syntézu, kalcináciu a krok testu vylúhovania; sol-gélový klaster zahŕňa hydrolýzu sólu, starnutie gélu, výmenu rozpúšťadiel a superkritické sušenie CO₂ – štandardnú cestu k nosičom s veľkým povrchom a nosičom katalyzátora aerogélu. Automatizovaná charakterizácia zahŕňa analýzu povrchovej plochy BET, XRD, Ramanovu a simultánnu termickú analýzu s uvedeným cieľom 300 až 500 vzoriek za deň v závislosti od trasy.

6. Presnosť predpovede je 95,7% v porovnaní s fyzickým meraním.

Skupiny katalytických materiálov, ktorým sa venujeme, zahŕňajú nanesené kovové a oxidové katalyzátory, zeolitové a porézne nosiče, elektrokatalyzátory na vývoj kyslíka, fotokatalyzátory a termoelektrické materiály.

FAQ

 

 

Otázka: Ktoré katalytické vlastnosti možno predpovedať?

A: Elektrochemické a termodynamické skupiny, vrátane potenciálu začiatku vývoja kyslíka, Tafelovho sklonu vývoja kyslíka, teploty topenia a termoelektrických parametrov, ako je Seebeckov koeficient a hodnota.

Otázka: Môže katalyzátor dizajnu MatterSeek podporovať aj aktívne fázy?

A: Áno. Nosné materiály sú súčasťou kompozičného priestoru a cesta sol-gélu a superkritického sušenia v autonómnom laboratóriu je špecificky vhodná pre nosiče s vysokou povrchovou plochou.

Otázka: Ako sa meria povrchová plocha katalyzátora?

Odpoveď: Automatizovaná analýza BET prebieha v autonómnom laboratóriu ako súčasť charakterizačného reťazca.

Yuyao (Beijing) Technology Co, Ltd je profesionálna spoločnosť špecializujúca sa na priesečník AI a pokročilých materiálov katalýzy a chemikálií. 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.