LeMO2n

Lernende Multi-Skalen-Optimierung für SiO2-basierende Anodenmaterialien

Short Facts

  • Laufzeit: 01.02.2021 – 31.01.2024
  • Förderträger: Bayerischen Staatsministeriums für Wirtschaft, Landesentwicklung und Energie
  • Förderprogramm: BayVFP Materialien und Werkstoffe
  • Verbundvorhaben

Kurzzusammenfassung

Im Entwicklungsprozess von Materialien für Lithium-Ionen Batterien entsteht im komplexen Zusammenspiel vieler Parameter und aufwändigen Syntheseschritten am Ende (hoffentlich) ein leistungsstarker Energiespeicher. Da die Anforderungen in Bereichen der Anwendung stetig wachsen, ist die Arbeit an der Optimierung solcher Prozesse, Materialien und deren Resultate unerlässlich. Auf der Suche nach Verbesserungen entstehen bei der Wahl und Zusammensetzung der verfügbaren Materialien jedoch sehr schnell unüberschaubar viele Möglichkeiten, die jede für sich, in zeit- und kostenintensiven Verfahren verarbeitet, getestet und validiert werden müssen. Mithilfe von künstlicher Intelligenz lassen sich hochkomplexe Zusammenhänge zwischen einer Vielzahl von Parametern finden und interpretieren, wodurch sie für die Verbesserung des aktuellen Standes der Technik einen bedeutenden Beitrag leisten können.

Projektziele und -inhalt

Ziel dieses Projekts ist die Entwicklung und Herstellung von neuen SiO2-Materialien, die das aktuell bevorzugte Graphit in den Anoden von Lithium-Ionen Batterien ersetzen sollen, da sie das Potenzial bieten, die Anodenkapazität bedeutend zu erhöhen. Dazu gilt es jedoch eine Reihe technischer Problemen zu lösen, die den Materialeigenschaften des Siliziums zugrunde liegen. Dabei konzentrieren sich die Ambitionen des IDEE darauf, zu untersuchen, inwieweit sich ein konzipiertes Machine-Learning Modell in den aktuellen Prozess zur Materialentwicklung integrieren lässt und durch dessen intelligente Prognosen den Suchraum aussichtsreicher Parameter gezielt zu optimieren und Arbeitsschritte signifikant zu verkürzen. Die gesteckten Ziele erfordern umfangreiche Kenntnisse in den verschiedensten Bereichen der Batterieentwicklung, Verfahren und Schlüsselparameter für die Entwicklung nanoporöser SiO2­-Materialien und innovative Methoden der Hochdurchsatzcharakterisierung, sowie datengetriebene Modellierung durch Machine-Learning. Erst durch diese hohe Interdisziplinarität im Verbundvorhaben trägt die Kombination aus der Materialentwicklung, Charakterisierungsverfahren und KI.

Projektkontakt

M.Sc. Philipp Seitz