Katalīze un ķimikālijas

img-mv26vrif-bab0f381


Apraksts

 

Katalizatoru kompozīcijas un reakcijas ceļi pēc prognozēšanas. MatterSeek prognozē katalītiskā materiāla īpašības no sastāva, pēc tam apstiprina tās autonomā laboratorijā.
 

4 76

Katalīze un ķīmiskās vielas — materiālu sistēma / paredzamā veiktspēja / validācijas ceļš

 

 

 

 

 

AI katalizatora atklāšanai — pirms reaktora palaišanas pārbaudiet aktīvās fāzes un atbalstu

 

 

1. MatterSeek ir AI materiālu pētniecības un attīstības platforma katalizatoru un ķīmisko procesu izstrādei.

Tas paredz katalītiskā materiāla īpašības no ķīmiskā sastāva, tāpēc aktīvās fāzes, promotorus un atbalsta materiālus var klasificēt pirms reaktora darbības vai elektroķīmiskā testa veikšanas.

2. Katalizatora izstrāde neizdodas lēni.

Aktivitāte, selektivitāte un stabilitāte ir saistīta ar sastāvu nelineāri, un katrs eksperimentālais novērtējums patērē reaktora laiku, izejvielas un analītisko jaudu. Pārbaude pēc intuīcijas nozīmē, ka nekad netiek pārbaudīti lieli kompozīcijas telpas apgabali, tostarp tie, kuros ir vislabākais kompromiss starp aktivitāti un izturību.

3. Paredzēt īpašības, kas nosaka katalizatora veiktspēju.

MatterSeek prognozē elektroķīmisko un termodinamisko īpašību ģimenes, pamatojoties uz sastāvu, tostarp skābekļa izdalīšanās potenciālu un skābekļa izdalīšanās Tafela slīpumu — divus daudzumus, kas vistiešāk nosaka skābekļa izdalīšanās elektrokatalizatorus — līdzās kušanas temperatūrai, Zībeka koeficientam, jaudas koeficientam un termoelektriskajam vērtīgajam skaitlim. Kompozīcijas apstrāde atbalsta vienu līdz četrus bāzes elementus ar dopinga līmeņa precizitāti 0,02, tāpēc promotoru un piedevu pētījumi tiek modelēti atbilstoši faktiskajai precizitātei. Prognozēšanas raunds aizņem apmēram vienu minūti diviem pamata elementiem, divus trīs un septiņus četrus.

4. Izlasiet kompozīcijas ainavu,

ne tikai saraksts. Rezultāti tiek atgriezti kā vairāku rekvizītu radaru diagrammas, lai salīdzinātu kandidātus vairākās metrikās vienlaikus, 2D un 3D siltuma kartes, kas parāda, kā ar darbību saistītās īpašības mainās kompozīcijas diapazonā, un eksportējamas tabulas dizaina pārskatīšanai.

5. Validēt autonomā laboratorijā.

Sarakstā iekļautās kompozīcijas tiek pārvietotas uz MatterSeek 1200 m² lielu autonomo laboratoriju. Divas no sešām procesu kopām ir tieši saistītas ar katalizatora darbu: mitrās ķīmijas klasteris aptver prekursoru sagatavošanu, hidrotermālo un solvotermālo sintēzi, kalcinēšanu un izskalošanās testa posmu; Sol-gel klasteris aptver sola hidrolīzi, gēla novecošanu, šķīdinātāju apmaiņu un superkritisko CO₂ žāvēšanu — standarta ceļu uz lielas virsmas balstiem un aerogela katalizatora nesējiem. Automātiskā raksturošana ietver BET virsmas laukuma analīzi, XRD, Ramana un vienlaicīgu termisko analīzi ar noteikto mērķi no 300 līdz 500 paraugiem dienā atkarībā no maršruta.

6. Prognozes precizitāte ir 95,7% pret fizisko mērījumu.

Aplūkotās katalizatoru materiālu grupas ietver metālu un oksīdu katalizatorus, ceolītu un porainus balstus, elektrokatalizatorus skābekļa izdalīšanai, fotokatalizatorus un termoelektriskos materiālus.

FAQ

 

 

J: Kādas katalītiskās īpašības var paredzēt?

A: Elektroķīmiskās un termodinamiskās ģimenes, tostarp skābekļa evolūcijas sākuma potenciāls, skābekļa izdalīšanās Tafela slīpums, kušanas temperatūra un termoelektriskie parametri, piemēram, Zēbeka koeficients un nopelnu skaitlis.

J: Vai MatterSeek var izstrādāt katalizatora balstus, kā arī aktīvās fāzes?

A: Jā. Atbalsta materiāli ir daļa no kompozīcijas telpas, un sola-gela un superkritiskās žāvēšanas ceļš autonomajā laboratorijā ir īpaši piemērots augstas virsmas laukuma nesējiem.

J: Kā tiek mērīts katalizatora virsmas laukums?

A: Automātiskā BET analīze darbojas autonomā laboratorijā kā daļa no raksturojuma ķēdes.

Yuyao (Beijing) Technology Co., Ltd. ir profesionāls uzņēmums, kas specializējas mākslīgā intelekta un modernu katalīzes un ķimikāliju materiālu krustojumā. Uzņēmums ir neatkarīgi izstrādājis MatterSeek — pamata lielu modeli, kas pielāgots materiālu nozarei — un ir aizsācis HNN (hierarhiskā neironu tīkla) algoritmu, vienlaikus veidojot patentētu, vadāmu materiālu eksperimentu datubāzi.