Batterie et stockage d'énergie

Description
Filtrez les électrolytes, les cathodes et les alliages de stockage d'hydrogène par prédiction avant de construire une cellule. MatterSeek prédit les propriétés des matériaux à partir de leur composition. (150)

Batterie et stockage d'énergie — Système matériel / Performances prévisibles / Voie de validation
IA pour les matériaux de batterie et de stockage d'énergie - Filtrez les électrolytes et les électrodes avant de construire une cellule
Il prédit les propriétés des matériaux à partir de la composition chimique, de sorte que les électrolytes, les cathodes, les anodes, les séparateurs et les alliages de stockage d'hydrogène peuvent être classés dans un logiciel avant qu'une cellule ne soit assemblée ou cyclée.
Les réactions secondaires interfaciales, le transport ionique et la stabilité thermique n’apparaissent qu’après la construction d’une cellule – et chaque cycle de construction et de test est lent et coûteux. Le résultat est une boucle de développement dans laquelle une poignée de formulations sont testées de manière exhaustive au lieu d’examiner intelligemment un vaste espace.
Un ensemble d'éléments de base plus une fenêtre de propriétés telle qu'une exigence électrochimique, thermique ou thermodynamique - et MatterSeek renvoie les valeurs de propriété prévues avec une incertitude pour chaque candidat. La plateforme prend en charge un à quatre éléments de base avec une précision de niveau de dopage de 0,02, et la prédiction s'effectue en une minute environ pour deux éléments de base, deux minutes pour trois et sept minutes pour quatre. Le résultat apparaît sous forme de graphiques radar multi-propriétés, de cartes thermiques 2D et 3D qui montrent comment les propriétés changent dans le paysage de composition et de tableaux exportables.
Le moteur de prédiction couvre les familles de propriétés électrochimiques, diélectriques, thermiques, thermodynamiques et structurelles, notamment le point de fusion, la vitesse de refroidissement critique pour l'amorphisation, le coefficient Seebeck, le facteur de puissance et le facteur de mérite thermoélectrique – les trois derniers étant directement pertinents pour la gestion thermique et les matériaux de conversion d'énergie thermoélectrique.
Les candidats prévus affluent dans le laboratoire autonome de MatterSeek de 1 200 m², dont les six groupes de processus comprennent la fusion sous vide avec solidification rapide, la synthèse à l'état solide avec formation et frittage, les voies hydrothermales et de chimie humide, et le sol-gel avec séchage au CO₂ supercritique – les voies qui produisent des poudres d'électrodes, des électrolytes solides et des matériaux de séparation poreux. La caractérisation automatisée couvre la XRD, la surface BET, l'analyse thermique simultanée et Raman. La précision du modèle s'élève à 95,7 % et chaque résultat mesuré est renvoyé pour resserrer le prochain cycle de prédiction.
compositions de cathode et d'anode, matériaux de séparateur et de membrane céramique, matériaux de gestion thermique et thermoélectriques et alliages de stockage d'hydrogène à l'état solide, ces derniers alimentant directement le cluster de fusion sous vide et de solidification rapide.
FAQ
Q : MatterSeek peut-il analyser les électrolytes solides ?
R : Oui. Vous définissez la composition de base et la fenêtre de propriétés dont vous avez besoin, et la plateforme renvoie les candidats classés avec les propriétés et l'incertitude prévues avant la construction d'une cellule.
Q : À quelle vitesse se déroule une prédiction ?
R : Environ une minute pour deux éléments de base, deux minutes pour trois et sept minutes pour quatre.
Q : La plateforme gère-t-elle des matériaux de stockage d’hydrogène ?
R : Oui – les alliages de stockage d’hydrogène font partie du domaine des alliages métalliques géré par le cluster de fusion sous vide et de solidification rapide.
Yuyao (Beijing) Technology Co., Ltd. est une entreprise professionnelle spécialisée dans l'intersection de l'IA et des matériaux avancés de batterie et de stockage d'énergie. La société a développé indépendamment MatterSeek, un grand modèle fondamental adapté au secteur des matériaux, et a été pionnière de l'algorithme HNN (Hierarchical Neural Network), tout en créant une base de données exclusive et contrôlable d'expériences sur les matériaux.

