Skladištenje baterija i energije

img-mv26vqxh-8161bd9a

 

Opis


Pregledajte elektrolite, katode i legure za skladištenje vodonika predviđanjem prije nego što napravite ćeliju. MatterSeek predviđa svojstva materijala iz sastava. (150)

 

279

Baterije i skladištenje energije — Sistem materijala / Predvidljive performanse / Put provjere

 

 

 

 

 

AI za baterije i materijale za pohranu energije — ekranizirajte elektrolite i elektrode prije nego što napravite ćeliju

 

 

1. MatterSeek je platforma za istraživanje i razvoj AI materijala za razvoj baterija i skladištenja energije.

Predviđa svojstva materijala na osnovu hemijskog sastava, tako da se elektroliti, katode, anode, separatori i legure za skladištenje vodonika mogu rangirati u softveru pre nego što se bilo koja ćelija sastavi ili ciklusa.

2. Razvoj baterije je usko grlo zbog jaza između namjere dizajna i mjerljivih performansi.

Međufazne nuspojave, jonski transport i termička stabilnost javljaju se tek nakon što je ćelija izgrađena — a svaki ciklus izgradnje i testiranja je spor i skup. Rezultat je razvojna petlja u kojoj se šačica formulacija iscrpno testira umjesto da se širok prostor inteligentno pregleda.

3. Prvo ekranizirajte prostor za kompoziciju. Opisujete metu -

Skup osnovnih elemenata plus prozor svojstava kao što su elektrohemijski, termalni ili termodinamički zahtjevi — i MatterSeek vraća predviđene vrijednosti svojstava sa nesigurnošću za svakog kandidata. Platforma podržava jedan do četiri osnovna elementa sa preciznošću doping nivoa od 0,02, a predviđanje se završava za oko jedan minut za dva osnovna elementa, dva minuta za tri i sedam minuta za četiri. Izlaz se pojavljuje kao radarski grafikoni sa više svojstava, 2D i 3D toplotne mape koje pokazuju kako se svojstva mijenjaju kroz pejzaž kompozicije i tabele koje se mogu izvesti.

4. Svojstva relevantna za materijale za skladištenje.

Mehanizam za predviđanje pokriva familije elektrohemijskih, dielektričnih, termičkih, termodinamičkih i strukturnih svojstava, uključujući tačku topljenja, kritičnu brzinu hlađenja za amorfizaciju, Seebeck koeficijent, faktor snage i termoelektričnu vrijednost — posljednja tri su direktno relevantna za materijale za upravljanje toplinom i termoelektričnu konverziju energije.

5. Validirati u autonomnoj laboratoriji.

Predviđeni kandidati ulaze u MatterSeek-ovu autonomnu laboratoriju od 1.200 m², čijih šest procesnih grupa uključuje vakuumsko topljenje sa brzim očvršćavanjem, sintezu u čvrstom stanju sa formiranjem i sinterovanjem, hidrotermalne i vlažne hemijske puteve, i sol-gel sa superkritičnim sušenjem CO₂ - puteve koji proizvode elektroporozu i odvajaju elektroporode u prahu. materijala. Automatska karakterizacija pokriva XRD, BET površinu, simultanu termičku analizu i Raman. Preciznost modela iznosi 95,7%, a svaki izmjereni rezultat se vraća kako bi se pooštrio sljedeći krug predviđanja.

6. Već obrađene porodice materijala za skladištenje uključuju čvrste elektrolite,

katodne i anodne kompozicije, materijali separatora i keramičkih membrana, termoelektrični i termoelektrični materijali i legure za skladištenje vodonika u čvrstom stanju — od kojih se posljednje ulaze direktno u klaster vakuumskog topljenja i brzog skrućivanja.

 

FAQ

 

 

P: Može li MatterSeek pregledati elektrolite u čvrstom stanju?

O: Da. Vi definirate osnovnu kompoziciju i prozor svojstava koji su vam potrebni, a platforma vraća rangirane kandidate sa predviđenim svojstvima i nesigurnošću prije nego što se izgradi bilo koja ćelija.

P: Koliko brzo se izvršava predviđanje?

O: Otprilike jedan minut za dva osnovna elementa, dva minuta za tri i sedam minuta za četiri.

P: Da li platforma podnosi materijale za skladištenje vodonika?

O: Da — legure za skladištenje vodonika nalaze se unutar opsega metalne legure kojim rukuje klaster za vakuumsko topljenje i brzo očvršćavanje.

Yuyao (Beijing) Technology Co., Ltd. je profesionalna kompanija specijalizirana za ukrštanje AI i naprednih materijala za skladištenje baterija i energije. Kompanija je samostalno razvila MatterSeek—temeljni veliki model prilagođen sektoru materijala—i uvela je algoritam HNN (Hierarchical Neural Network), dok je izgradila vlasničku bazu podataka eksperimenta materijala kojom se može kontrolirati.