Projektbeschreibung
Auf der Jagd nach der Zusammensetzung von Flüssigbatterien der nächsten Generation
Mit CompBat sollen Flüssigbatterien auf die nächste Ebene gebracht werden, indem neue prospektive Moleküle für ihre chemische Zusammensetzung ermittelt werden. Zu diesem Zweck werden Werkzeuge entwickelt, die maschinelles Lernen in Verbindung mit einer Überwachungsmethode mit hohem Durchsatz verwenden, um automatisiertes Testen in großem Maßstab zu ermöglichen. Bei den Zielmolekülen handelt es sich um bio-inspirierte organische Verbindungen sowie um Derivate einer in großen Mengen hergestellten Spezialchemikalie. Mit hochentwickelten Berechnungen werden Daten über Moleküle und ihre Eigenschaften gewonnen. Auf der Grundlage der Ergebnisse wird im Rahmen des EU-finanzierten Projekts CompBat die Modellierung eines Flüssigbatteriesystems durchgeführt, um Vorhersagen zur Leistung zu ermöglichen. Außerdem kommt ein Ansatz zur Kostenschätzung zum Einsatz. Darüber hinaus wird das Team die Möglichkeit untersuchen, Feststoffverstärker zu nutzen, um die Batteriekapazität zu erhöhen.
Ziel
CompBat will focus on developing tools for discovery of new prospective candidates for next generation flow batteries, based on machine learning assisted high-throughput screening. Density functional theory calculations will be used to obtain data on solubilities and redox potentials of different molecules, and machine learning methods are used to develop high-throughput screening tools based on the obtained data. The results of the high-throughput screening are validated with experimental results. Target molecules will be bio-inspired organic compounds, as well as derivatives of the redox active specialty chemical already manufactured in bulk quantities.
Stability and reversibility of the molecules will also be investigated by DFT calculation, experimental investigations and machine learning methods, for a selected group of interesting molecules.
Numerical modelling of flow battery systems will be performed with finite element method, and with more general zero-dimensional models based on mass-transfer coefficients. The models will be verified experimentally, and the modelling will generate a data-set to allow prediction of the flow battery cell performance based on properties of the prospective candidates obtained from high-throughput screening. This data is used then to predict the flow battery system performance from the stack level modelling. Freely available cost estimation tools are then adapted to estimate the system performance also in terms of cost. This approach will allow prediction of the battery performance from molecular structure to cost.
Furthermore, the concept of using solid boosters to enhance the battery capacity will be investigated by developing models to simulate the performance of such a systems, and validating the models experimentally with the candidates already reported in the literature.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-LC-BAT-2019
Finanzierungsplan
RIA - Research and Innovation actionKoordinator
02150 Espoo
Finnland