Verbundvorhaben: HIBRAIN- Holistische Methode eines kombinierten daten- und modellbasierten Elektrodendesigns unterstützt durch künstliche Intelligenz ; Teilvorhabe: AT, ML-Methoden
Zeitraum
2022-01-01 – 2024-12-31
Bewilligte Summe
196.825,01 EUR
Ausführende Stelle
Förderkennzeichen
03ETE039D
Leistungsplansystematik
Elektromobilität - Lithium-basierte Batterien [EA2611]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN5)
Förderprogramm
Energie
Das virtuelle Design von neuen Batterien ist eines der Ziele des langfristigen Forschungsplans BATTERY 2030+ der Europäischen Kommission. Ein wesentlicher Teil hiervon ist das Design neuer Elektroden, das bereits jetzt durch Modellierung und Simulation unterstützt wird, aber der experimentelle Teil ist immer noch dominierend in Bezug auf Zeit und Kosten. Um die Kosten und den Zeitaufwand für die Entwicklung neuer Elektrodengenerationen zu reduzieren, muss das virtuelle Design insbesondere auf der Ebene der Elektrodenmikrostruktur noch prädiktiver werden. Um also das Design neuer Elektroden durch Modellierung und Simulation besser zu unterstützen, muss ein neues Niveau der Modellgenauigkeit erreicht und ein neues Analysewerkzeug entwickelt werden, das die gesamte Erkenntniskette der Elektrodenforschung abdeckt und auf geeignete Weise experimentelle und simulierte Daten angemessen miteinander kombinieren kann. Ziel des HiBRAIN-Projekts ist es daher, einen ganzheitlichen Ansatz zu entwickeln, der u. a. die Einbindung von künstlicher Intelligenz (KI) und Machine Learning (ML) zur Optimierung des Elektrodendesigns beinhaltet. Die dafür erforderliche umfangreiche Datenbasis soll überwiegend durch modellbasierte Simulationen generiert werden, die durch gezielt erhobene experimentelle Daten unterstützt werden. Der Einsatz von modellbasierten Analysewerkzeugen soll dabei zu einem Standardverfahren für das Design neuer Batterieelektroden werden. Aus diesem Grund zielt das HiBRAIN-Projekt auf die quantitative Vorhersage der Elektrodenleistung mittels stochastischer 3D-Modellierung von Elektrodenmikrostrukturen und physikbasierter numerischer Modellierung der in diesen Strukturen ablaufenden Prozesse. AT wird in seinem Teilvorhaben KI bzw. Machine Learning-Methoden für eine Kombination mit konventionelle Modellierungsansätze unter der Herausforderung zwingender Dateneffizienz bereitstellen, um die Entwicklung eines Softwarewerkzeugs zum Elektrodendesign zu ermöglichen.