Descrizione del progetto
Rivoluzionare lo stoccaggio dell’energia rinnovabile
Lo stoccaggio e la produzione di energia rinnovabile dipendono dall’elettrochimica, nell’ambito della quale le tecnologie delle celle a combustibile a ossido solido e delle celle di elettrolisi a ossido solido reversibili risultano di fondamentale importanza a tale fine. Queste tecnologie prevedono vari processi elettrochimici, quali reazioni superficiali, diffusione ionica, nonché raccolta e conduzione di cariche, che si verificano all’interno di un’area limitata e richiedono la caratterizzazione nella posizione, nelle tempistiche e nelle condizioni operative più appropriate perché sia possibile comprenderne i parametri chiave. Al fine di effettuare previsioni che possano far risparmiare tempo, è necessario svolgere la modellizzazione multiscala per trasformare i set di dati sperimentali in una vera e propria descrizione scientifica. Il progetto KNOWSKITE-X, finanziato dall’UE, svilupperà un approccio metodologico basato sulle conoscenze allo scopo di trovare nuovi materiali per elettrodi basati su perovskiti destinati all’integrazione nelle tecnologie delle celle a combustibile a ossido solido e delle celle di elettrolisi a ossido solido reversibili. Il progetto si avvarrà di tecniche di apprendimento automatico, apprendimento profondo e strumenti abilitati dall’IA per creare una nuova generazione di materiali.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
Argomento(i)
Meccanismo di finanziamento
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinatore
75794 Paris
Francia