Katalüüs ja kemikaalid

img-mv26vrif-bab0f381


Kirjeldus

 

Katalüsaatorite koostiste ja reaktsiooniteede sõelumine ennustamise teel. MatterSeek ennustab koostise põhjal katalüütiliste materjalide omadusi ja kinnitab need seejärel autonoomses laboris.
 

4 76

Katalüüs ja kemikaalid – materjalisüsteem / prognoositav jõudlus / valideerimisrada

 

 

 

 

 

AI katalüsaatorite avastamiseks – enne reaktori käivitamist kuvage aktiivsed faasid ja toed

 

 

1. MatterSeek on tehisintellekti materjalide uurimis- ja arendusplatvorm katalüsaatorite ja keemiliste protsesside arendamiseks.

See ennustab katalüütiliste materjalide omadusi keemilise koostise põhjal, nii et aktiivseid faase, promootoreid ja tugimaterjale saab järjestada enne reaktori käivitamist või elektrokeemilist testi.

2. Katalüsaatori arendamine ebaõnnestub aeglaselt.

Aktiivsus, selektiivsus ja stabiilsus on koostisega seotud viisil, mis ei ole lineaarne ning iga eksperimentaalne hindamine kulutab reaktori aega, lähteainet ja analüütilist võimsust. Intuitsiooni järgi sõelumine tähendab, et kunagi ei uurita kompositsiooniruumi suuri piirkondi – sealhulgas neid, mis pakuvad parimat kompromissi aktiivsuse ja vastupidavuse vahel.

3. Ennusta omadusi, mis piiravad katalüsaatori jõudlust.

MatterSeek ennustab koostise põhjal elektrokeemilisi ja termodünaamilisi omaduste perekondi, sealhulgas hapniku eraldumise alguspotentsiaali ja hapniku eraldumise Tafeli kalle – kaks suurust, mis kõige otsesemalt määravad elektrokatalüsaatorid hapniku eraldumise osas – lisaks sulamistemperatuurile, Seebecki koefitsiendile, võimsustegurile ja termoelektrilisele väärtusele. Koostise käsitlemine toetab ühte kuni nelja põhielementi dopingutaseme täpsusega 0,02, nii et promootori ja lisandite uuringud modelleeritakse nende tegeliku täpsusega. Ennustusvoor võtab kahe põhielemendi jaoks aega umbes ühe minuti, kolme jaoks kaks ja nelja jaoks seitse.

4. Lugege kompositsioonimaastikku,

mitte ainult nimekiri. Tulemused tagastatakse mitme omaduse radaridiagrammidena, et võrrelda kandidaate korraga mitme mõõdiku lõikes, 2D- ja 3D-soojuskaartidena, mis näitavad, kuidas tegevusega seotud omadused kompositsioonivahemikus nihkuvad, ja eksporditavate tabelitena disaini ülevaatamiseks.

5. Kinnitage autonoomses laboris.

Valitud kompositsioonid liiguvad MatterSeeki 1200 m² autonoomsesse laborisse. Kaks selle kuuest protsessiklastrist on seotud otse katalüsaatoritööga: märgkeemia klaster hõlmab lähteainete valmistamist, hüdrotermilist ja solvotermilist sünteesi, kaltsineerimist ja leostumise katseetappi; sool-geeli klaster hõlmab soolhüdrolüüsi, geeli vananemist, lahustivahetust ja ülekriitilist CO₂ kuivatamist – standardset teed suure pindalaga kandjate ja aerogeeli katalüsaatorikandjateni. Automaatne iseloomustus hõlmab BET-i pindalaanalüüsi, XRD-d, Ramani ja samaaegset termilist analüüsi, mille eesmärk on olenevalt marsruudist võtta 300–500 proovi päevas.

6. Ennustustäpsus on füüsilise mõõtmise suhtes 95,7%.

Käsitletud katalüsaatorimaterjalide perekonnad hõlmavad kandjaga metall- ja oksiidkatalüsaatoreid, tseoliit- ja poorseid kandjaid, hapnikueralduse elektrokatalüsaatoreid, fotokatalüsaatoreid ja termoelektrilisi materjale.

KKK

 

 

K: Milliseid katalüütilisi omadusi saab ennustada?

V: Elektrokeemilised ja termodünaamilised perekonnad, sealhulgas hapniku eraldumise alguspotentsiaal, hapniku eraldumise Tafeli kalle, sulamistemperatuur ja termoelektrilised parameetrid, nagu Seebecki koefitsient ja väärtuste arv.

K: Kas MatterSeek saab kavandada nii katalüsaatoritugesid kui ka aktiivseid faase?

V: Jah. Tugimaterjalid on osa kompositsiooniruumist ning sool-geel ja superkriitiline kuivatustee autonoomses laboris sobivad spetsiaalselt suure pinnaga kandjatele.

K: Kuidas mõõdetakse katalüsaatori pindala?

V: Automaatne BET-analüüs töötab autonoomses laboris iseloomustusahela osana.

Yuyao (Peking) Technology Co., Ltd. on professionaalne ettevõte, mis on spetsialiseerunud tehisintellekti ning katalüüsi ja kemikaalide täiustatud materjalide ristumiskohale. Ettevõte on iseseisvalt välja töötanud MatterSeeki – suure alusmudeli, mis on kohandatud materjalide sektorile – ja alustas HNN-i (hierarhilise närvivõrgu) algoritmi, luues samal ajal patenteeritud, kontrollitava materjalide katsete andmebaasi.