Projektbeschreibung
Revolution bei der Speicherung erneuerbarer Energie
Die Speicherung und Erzeugung erneuerbarer Energie beruht auf Elektrochemie, und reversible Festoxid-Brennstoffzellen/Festoxid-Elektrolysezellen sind in diesem Bereich von zentraler Bedeutung. Diese Technologien umfassen zahlreiche elektrochemische Verfahren, wie Oberflächenreaktionen, Ionendiffusion, Ladungserfassung und -leitung, die in einem begrenzten Bereich aufkommen und eine Charakterisierung am richtigen Ort, zur richtigen Zeit und zu den richtigen Betriebsbedingungen erfordern, um Kernparameter zu verstehen. Für Schätzungen der Zeitersparnis ist die mehrskalige Modellierung erforderlich, um experimentelle Datensätze in praktische wissenschaftliche Beschreibungen umzuwandeln. Das EU-finanzierte Projekt KNOWSKITE-X wird einen wissensbasierten methodologischen Ansatz erarbeiten, mit dem neue Elektrodenmaterialien auf Basis von Perowskiten für Technologien für reversible Brennstoffzellen bestimmt werden können. Dabei kommen maschinelles Lernen, Deep Learning sowie KI-gestützte Instrumente zum Einsatz, um eine neue Generation an Materialien zu kreieren.
Ziel
We target a knowledge-based methodological entry to the finding of new generation electrode materials based on perovskites for reversible SOFC/SOEC technologies. The latter are archetypal complex systems: the physico-chemical processes at play involve surface electrochemical reactions, ionic diffusion, charge collection and conduction, which all occur timely within a very limited region. Hence, true in-depth understanding of the key parameters requires characterisation at the right place, at the right time frame and under the proper operating conditions. The price to pay for achieving this multiply-relevant characterisation is the involvement of non-trivial, advanced characterisation techniques. Multi-scale modelling will contribute to turn experimental datasets into a genuine scientific description and make time-saving predictions. In KNOWSKITE-X, the coupling between theoretical and experimental activities is made real by the choice of partners, who are all active in genuinely articulate theory and practice to understand active systems. To provide unifying concepts and to widen the project’s outcomes, intensive collaboration with knowledge discovery using machine-learning and deep learning methods is planned and AI-enabled tools will be used to compensate the smallness of relevant datasets. Such efforts are intended in view of building strong correlations capable of establishing robust composition-structure-activity-performance relations and hence, lead the way to knowledge-based predictions. By doing this, we also target the implementation of simplified testing protocols and tools operable by industrial stakeholders, which results can be augmented thanks to the knowledge-based pivotal correlations implemented during the project. To this end, dedicated efforts will be made in certifying the interoperability and usability of the project’s advances in the form of harmonised documentation and open science sharing.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
HORIZON-CL4-2022-RESILIENCE-01
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordinator
75794 Paris
Frankreich