Opis projektu
Projektowanie materiałów na potrzeby ogniw paliwowych ze stałym tlenkiem dzięki uczeniu maszynowemu
Ogniwa paliwowe ze stałym tlenkiem wykorzystujące cienkie warstwy w mikroskali (μSOFC) są powszechnie uważane za obiecującą technologię przyszłości oraz doskonałe przenośne źródło energii. Rozwiązania te charakteryzują się wysoką sprawnością, elastycznością oraz gęstością mocy. Lepsze właściwości w zakresie transportu tlenu i odporność na wysokie temperatury pracy sprawiają, że materiały oparte na tlenkach lantanu nadają się do stosowania w katodach tego typu ogniw paliwowych. Finansowany w ramach działania „Maria Skłodowska-Curie” projekt SmartOptoelectronics skupia badaczy, którzy przetestują metody uczenia maszynowego w celu zbadania zależności między właściwościami strukturalnymi a wydajnością elektrochemiczną perowskitowych tlenków lantanu na podstawie danych uzyskanych w drodze doświadczeń. Badając przestrzeń chemiczną tlenków na bazie lantanu, badacze opracują materiały charakteryzujące się lepszymi osiągami, które znajdą zastosowanie w ogniwach μSOFC.
Cel
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.
Dziedzina nauki
- 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
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsKoordynator
08930 Sant Adria De Besos
Hiszpania