Opis projektu
Rewolucja w magazynowaniu energii odnawialnej
Magazynowanie i produkcja energii odnawialnej zależą od elektrochemii, a odwracalne ogniwa paliwowe ze stałym tlenkiem / ogniwa elektrolizy ze stałym tlenkiem mają kluczowe znaczenie dla tego celu. Technologie te obejmują różne procesy elektrochemiczne, takie jak reakcje powierzchniowe, dyfuzja jonowa, gromadzenie ładunków i przewodzenie, które zachodzą w ograniczonym regionie i wymagają charakterystyki w odpowiednim miejscu, ramach czasowych i warunkach operacyjnych, aby zrozumieć kluczowe parametry. Aby prognozować w sposób oszczędzający czas, konieczne jest modelowanie wieloskalowe, które przekształci zbiory danych eksperymentalnych w prawdziwy opis naukowy. Zespół finansowanego przez Unię Europejską projektu KNOWSKITE-X opracuje oparte na wiedzy podejście metodologiczne do poszukiwania nowych materiałów elektrodowych bazujących na perowskitach dla technologii odwracalnych ogniw paliwowych ze stałym tlenkiem / ogniw elektrolizy ze stałym tlenkiem. Naukowcy wykorzystają uczenie maszynowe, głębokie uczenie i narzędzia oparte na sztucznej inteligencji do tworzenia materiałów nowej generacji.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
HORIZON-CL4-2022-RESILIENCE-01
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordynator
75794 Paris
Francja