Projektbeschreibung
Materialdesign für Festoxid-Brennstoffzellen mittels maschinellem Lernen
Mikroskopisch kleine Dünnschicht-Brennstoffzellen auf Festoxid-Basis gelten als vielversprechende Zukunftstechnologie für tragbare Stromversorgungsgeräte. Diese aufstrebende Alternative zeichnet sich durch hohe Effizienz, Kraftstoffflexibilität und hohe Leistungsdichten aus. Aufgrund der verbesserten Sauerstofftransporteigenschaften und der Beständigkeit gegenüber hohen Betriebstemperaturen eignen sich Oxidmaterialien auf Lanthanbasis für den Einsatz in den Kathoden dieser Art von Brennstoffzellen. Das über die Marie-Skłodowska-Curie-Maßnahmen finanzierte Projekt SmartOptoelectronics wird Methoden des maschinellen Lernens erproben, um die Beziehung zwischen den strukturellen Eigenschaften und der elektrochemischen Leistung von Perowskit-Oxiden auf Lanthanbasis auf der Grundlage von experimentellen Hochdurchsatzdaten zu untersuchen. Durch die Erforschung des chemischen Raums von Oxiden auf Lanthanbasis werden im Rahmen des Projekts Materialien mit verbesserter Leistung für den Einsatz in Dünnschicht-Brennstoffzellen auf Festoxid-Basis entwickelt.
Ziel
Microscale thin-film-based solid oxide fuel cells (μSOFCs) are an emerging alternative for portable power supply due to their high efficiency, fuel flexibility and high volumetric and specific power densities. Promising cathode materials for μSOFCs are perovskite lanthanum-based oxide materials which have improved oxygen transport properties and resistance to the high operating temperatures. However, the physicochemical factors influencing the performance of these materials are yet to be well understood. The SmartOptoelectronics project will develop machine learning (ML) methods to establish trends between the structural properties and the electrochemical performance of perovskite lanthanum-based oxides based on high-throughput experimental data. These techniques will be used to explore the chemical space of lanthanum-based oxides with the goal of undestanding and designing lanthanum-based materials with enhanced performances for μSOFC applications. Machine learning methods will be validated in three main steps: (1) deriving structure-property relationships in lanthanum-based oxides from spectroelectrochemical data of combinatorial ternary and quaternary maps; (2) demonstrating new lanthanum-based oxides with enhanced electrochemical properties and performance; (3) optimising the operation of devices based on top-performing materials with operando monitoring of spectroelectrochemical properties. The project will have a high impact on the work programme and on the candidate’s skills and future prospects by developping an expertise in machine learning and large scale clean energy conversion devices, which are Key Enabling Technologies in Horizon Europe and complement her background in spectroelectrochmistry of multi-redox catalytic materials. The project will also re-enforcing the candidate’s transferrable skills and technology transfer competence as part of the KIC Innoenergy community and the clean energy R&D&I sector.
Wissenschaftliches Gebiet
- engineering and technologyenvironmental engineeringenergy and fuelsrenewable energy
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- engineering and technologyenvironmental engineeringenergy and fuelsfuel cells
- engineering and technologyenvironmental engineeringenergy and fuelsenergy conversion
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsKoordinator
08930 Sant Adria De Besos
Spanien