Description du projet
Révolutionner le stockage des énergies renouvelables
Le stockage et la production d’énergie renouvelable reposent sur l’électrochimie, et les technologies de piles à combustible à oxyde solide / cellules d’électrolyse à oxyde solide (SOFC/SOEC) revêtent une importance cruciale à cet égard. Ces technologies impliquent divers processus électrochimiques, tels que les réactions de surface, la diffusion ionique, la collecte et la conduction des charges, qui se produisent dans une région limitée et exigent une caractérisation à l’endroit, au moment et dans les conditions d’exploitation appropriés afin de bien comprendre les paramètres clés. Pour faire des prédictions rapides, la modélisation multi-échelle est indispensable pour transformer les ensembles de données expérimentales en une véritable description scientifique. Le projet KNOWSKITE-X, financé par l’UE, développera une approche méthodologique basée sur la connaissance afin de trouver de nouveaux matériaux d’électrode basés sur des pérovskites pour les technologies SOFC/SOEC réversibles. Il exploitera l’apprentissage automatique, l’apprentissage profond et des outils basés sur l’IA pour créer une nouvelle génération de matériaux.
Objectif
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.
Champ scientifique
Programme(s)
Thème(s)
Régime de financement
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinateur
75794 Paris
France