Descripción del proyecto
Revolucionar el almacenamiento de energía renovable
El almacenamiento y la producción de energía renovable dependen de la electroquímica, y las tecnologías de pilas de combustible de óxido sólido reversibles/células electrolíticas de óxido sólido (SOFC/SOEC, por sus siglas en inglés) son cruciales para este fin. Estas tecnologías implican diversos procesos electroquímicos, como reacciones superficiales, difusión iónica, recogida y conducción de cargas, que se producen en una región limitada y requieren una caracterización en el lugar, un marco temporal y condiciones de funcionamiento apropiados para comprender los parámetros clave. Para hacer predicciones que ahorren tiempo, es necesaria la modelización multiescala para transformar los conjuntos de datos experimentales en una auténtica descripción científica. El equipo del proyecto KNOWSKITE-X, financiado con fondos europeos, desarrollará un enfoque metodológico basado en el conocimiento para encontrar nuevos materiales de electrodos basados en perovskitas para las tecnologías SOFC/SOEC reversibles. Utilizará el aprendizaje automático, el aprendizaje profundo y las herramientas basadas en inteligencia artificial para crear una nueva generación de materiales.
Objetivo
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.
Ámbito científico
Palabras clave
Programa(s)
Convocatoria de propuestas
HORIZON-CL4-2022-RESILIENCE-01
Consulte otros proyectos de esta convocatoriaRégimen de financiación
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinador
75794 Paris
Francia