Katalyysi ja kemikaalit

img-mv26vrif-bab0f381


Kuvaus

 

Seuloa katalyyttikoostumukset ja reaktioreitit ennustamalla. MatterSeek ennustaa katalyyttisen materiaalin ominaisuudet koostumuksesta ja validoi ne sitten itsenäisessä laboratoriossa.
 

4 76

Katalyysi ja kemikaalit — materiaalijärjestelmä / ennustettava suorituskyky / validointireitti

 

 

 

 

 

AI for Catalyst Discovery — Tarkista aktiiviset vaiheet ja tuet ennen kuin käytät reaktoria

 

 

1. MatterSeek on tekoälymateriaalien T&K-alusta katalyyttien ja kemiallisten prosessien kehittämiseen.

Se ennustaa katalyyttisen materiaalin ominaisuudet kemiallisen koostumuksen perusteella, joten aktiiviset faasit, promoottorit ja tukimateriaalit voidaan luokitella ennen reaktorin ajoa tai sähkökemiallista testiä.

2. Katalyytin kehitys epäonnistuu hitaasti.

Aktiivisuus, selektiivisyys ja stabiilisuus kytketään koostumukseen tavoilla, jotka eivät ole lineaarisia, ja jokainen kokeellinen arviointi kuluttaa reaktorin aikaa, syöttöraaka-ainetta ja analyysikapasiteettia. Intuition seulonta tarkoittaa, että suuria alueita sävellystilasta ei koskaan tutkita – mukaan lukien ne, joilla on paras kompromissi aktiivisuuden ja kestävyyden välillä.

3. Ennusta ominaisuudet, jotka rajoittavat katalyytin suorituskykyä.

MatterSeek ennustaa koostumuksen perusteella sähkökemiallisia ja termodynaamisia ominaisuusperheitä, mukaan lukien hapen evoluution alkamispotentiaali ja hapen kehittyminen. Tafelin kaltevuus - kaksi määrää, jotka suorimmin luokittelevat sähkökatalyytit hapen kehityksessä - sulamispisteen, Seebeck-kertoimen, tehokertoimen ja lämpösähköisen ansioluvun lisäksi. Koostumuksen käsittely tukee yhdestä neljään peruselementtiä dopingtason tarkkuudella 0,02, joten promoottori- ja seostusainetutkimukset mallinnetaan niiden todellisuudessa määritetyllä tarkkuudella. Ennustekierros kestää noin minuutin kahdelle peruselementille, kaksi kolmelle ja seitsemän neljälle.

4. Lue sävellysmaisema,

ei vain lista. Tulokset palautetaan usean ominaisuuden tutkakaavioina ehdokkaiden vertailemiseksi useiden mittareiden kerrallaan, 2D- ja 3D-lämpökartat, jotka osoittavat, kuinka toimintaan liittyvät ominaisuudet muuttuvat koostumusalueella, ja vientikelpoisia taulukoita suunnittelua varten.

5. Validoi itsenäisessä laboratoriossa.

Listalle valitut sävellykset siirtyvät MatterSeekin 1 200 m²:n autonomiseen laboratorioon. Kaksi sen kuudesta prosessiklusterista liittyy suoraan katalyyttityöhön: märkäkemian klusteri kattaa prekursoreiden valmistuksen, hydrotermisen ja solvotermisen synteesin, kalsinoinnin ja liuotustestivaiheen; sooli-geeli -klusteri kattaa soolihydrolyysin, geelin vanhentamisen, liuottimen vaihdon ja ylikriittisen CO₂-kuivauksen – vakioreitin suuren pinta-alan kantajiin ja aerogeelikatalyytin kantajiin. Automaattinen karakterisointi sisältää BET-pinta-ala-analyysin, XRD-, Raman- ja samanaikaisen lämpöanalyysin. Tavoitteena on 300–500 näytettä päivässä reitistä riippuen.

6. Ennustetarkkuus on 95,7 % fyysiseen mittaukseen verrattuna.

Käsiteltyjä katalyyttimateriaaliperheitä ovat kantajalla olevat metalli- ja oksidikatalyytit, zeoliitti- ja huokoiset kantajat, sähkökatalyytit hapen kehittämiseen, fotokatalyytit ja lämpösähköiset materiaalit.

FAQ

 

 

K: Mitkä katalyyttiset ominaisuudet voidaan ennustaa?

V: Sähkökemialliset ja termodynaamiset perheet, mukaan lukien hapen kehittymisen aloituspotentiaali, hapen kehittymisen Tafel-kaltevuus, sulamispiste ja lämpösähköiset parametrit, kuten Seebeck-kerroin ja ansioluku.

K: Voiko MatterSeek suunnitella katalyyttikannattimia sekä aktiivisia faaseja?

V: Kyllä. Tukimateriaalit ovat osa koostumustilaa, ja autonomisen laboratorion sooli-geeli ja superkriittinen kuivausreitti soveltuvat erityisesti korkean pinta-alan kantoaineille.

K: Miten katalyytin pinta-ala mitataan?

V: Automaattinen BET-analyysi suoritetaan autonomisessa laboratoriossa osana karakterisointiketjua.

Yuyao (Beijing) Technology Co., Ltd. on ammattimainen yritys, joka on erikoistunut tekoälyn ja edistyneiden katalyysi- ja kemikaalimateriaalien risteykseen. Yritys on itsenäisesti kehittänyt MatterSeekin – perustavanlaatuisen materiaalisektorille räätälöidyn suuren mallin – ja uranuurtanut HNN-algoritmin (Hierarchical Neural Network) ja rakentanut samalla omaa, hallittavaa materiaalikokeilutietokantaa.