Katalyse og kemikalier

img-mv26vrif-bab0f381


Beskrivelse

 

Screen katalysatorsammensætninger og reaktionsveje ved forudsigelse. MatterSeek forudsiger katalytiske materialeegenskaber ud fra sammensætning og validerer dem derefter i et autonomt laboratorium.
 

4 76

Katalyse og kemikalier — materialesystem / forudsigelig ydeevne / valideringsvej

 

 

 

 

 

AI for Catalyst Discovery — Skærm aktive faser og understøtninger, før du kører en reaktor

 

 

1. MatterSeek er en AI-materialer R&D-platform til udvikling af katalysatorer og kemiske processer.

Det forudsiger katalytiske materialeegenskaber ud fra den kemiske sammensætning, så aktive faser, promotorer og støttematerialer kan rangeres før en reaktorkørsel eller en elektrokemisk test udføres.

2. Katalysatorudvikling svigter langsomt.

Aktivitet, selektivitet og stabilitet er koblet til sammensætning på måder, der ikke er lineære, og hver eksperimentel evaluering bruger reaktortid, råmateriale og analytisk kapacitet. Screening efter intuition betyder, at store områder af kompositionsrummet aldrig undersøges - inklusive dem, der har den bedste afvejning mellem aktivitet og holdbarhed.

3. Forudsige de egenskaber, der styrer katalysatorens ydeevne.

MatterSeek forudsiger elektrokemiske og termodynamiske egenskabsfamilier ud fra sammensætningen, herunder oxygenudviklingens begyndelsespotentiale og oxygenudviklingens Tafel-hældning - de to størrelser, der mest direkte rangerer elektrokatalysatorer for oxygenudvikling - sammen med smeltepunkt, Seebeck-koefficient, effektfaktor og termoelektrisk værdi. Sammensætningshåndtering understøtter et til fire basiselementer med en præcision på dopingniveau på 0,02, så promotor- og dopantundersøgelser modelleres med den granularitet, de faktisk er specificeret. En forudsigelsesrunde tager omkring et minut for to grundelementer, to for tre og syv for fire.

4. Læs kompositionslandskabet,

ikke bare en liste. Resultater returneres som radardiagrammer med flere egenskaber til sammenligning af kandidater på tværs af flere metrikker på én gang, 2D- og 3D-varmekort, der viser, hvordan aktivitetsrelaterede egenskaber skifter over et sammensætningsområde, og eksporterbare tabeller til designgennemgang.

5. Valider i et selvstændigt laboratorium.

Shortlistede kompositioner flytter ind i MatterSeeks 1.200 m² autonome laboratorium. To af dets seks procesklynger knytter sig direkte til katalysatorarbejde: vådkemi-klyngen dækker prækursorfremstilling, hydrotermisk og solvotermisk syntese, kalcinering og et udvaskningstesttrin; sol-gel-klyngen dækker solhydrolyse, gelældning, opløsningsmiddeludveksling og superkritisk CO₂-tørring - standardvejen til bærere med højt overfladeareal og aerogel-katalysatorbærere. Automatiseret karakterisering inkluderer BET overfladearealanalyse, XRD, Raman og samtidig termisk analyse med et angivet mål på 300 til 500 prøver om dagen afhængigt af rute.

6. Prædiktionsnøjagtighed er 95,7 % i forhold til fysisk måling.

Katalysatormaterialefamilier, der behandles, omfatter understøttede metal- og oxidkatalysatorer, zeolit ​​og porøse understøtninger, elektrokatalysatorer til oxygenudvikling, fotokatalysatorer og termoelektriske materialer.

FAQ

 

 

Q: Hvilke katalytiske egenskaber kan forudsiges?

A: Elektrokemiske og termodynamiske familier, herunder iltudviklingens begyndelsespotentiale, iltudviklingen Tafel-hældning, smeltepunkt og termoelektriske parametre såsom Seebeck-koefficient og værdi.

Q: Kan MatterSeek designe katalysatorstøtter såvel som aktive faser?

A: Ja. Støttematerialer er en del af sammensætningsrummet, og sol-gel og superkritisk tørrerute i det autonome laboratorium er specifikt velegnet til bærere med højt overfladeareal.

Q: Hvordan måles katalysatorens overfladeareal?

A: Automatiseret BET-analyse kører inde i det autonome laboratorium som en del af karakteriseringskæden.

Yuyao (Beijing) Technology Co., Ltd. er en professionel virksomhed, der er specialiseret i skæringspunktet mellem AI og avancerede materialer til katalyse og kemikalier. Virksomheden har uafhængigt udviklet MatterSeek - en grundlæggende stor model skræddersyet til materialesektoren - og var banebrydende for HNN (Hierarchical Neural Network) algoritmen, mens de opbyggede en proprietær, kontrollerbar materialeeksperimentdatabase.