Die Anwendung Maschinellen Lernens bei der Fertigung von Festoxidzellen ( Machine-Learning for Solid Oxide Cells ), Teilvorhaben: MaLeFoG (Maschinelles Lernen für Foliengießen)

Description: Im Rahmen des Projekts werden Verfahren des maschinellen Lernens (ML) angewandt, um die Herstellung von elektrochemischen Energiewandlern (Festoxidzellen als wichtige Technologie für die Wasserstoffwirtschaft) durch Foliengießen zu optimieren. Poröse Substrate und Elektrodenschichten für Brennstoff- und Elektrolysezellen weisen komplexe Mikrostrukturen auf, die stark von den Rohpulvern, den Eigenschaften des Schlickers, den Gießparametern und den anschließenden Trocknungs- und Sinterungsschritten abhängen und folglich die Funktionalität der Zellen bestimmen. Die Entwicklung von Schlickern und die Optimierung von Gieß- und Trocknungsparametern erfolgt bisher fast ausschließlich empirisch und mit großem Aufwand. Datenbasiertes maschinelles Lernen soll einerseits diese Entwicklungszeit im Labor minimieren und andererseits die Qualität und Produktivität erhöhen sowie den Gesamtenergieverbrauch (insbesondere beim Trocknen / Sintern) für die industrielle Produktion reduzieren. Dies wird zusätzlich zu den allgemeinen Zielen der Energie-wende und der Bewältigung der Klimakrise beitragen. Zu diesem Zweck wird eine neue Forschungsdatenmanagementstruktur aufgebaut, die eine lückenlose Erfassung aller Prozessschritte auf Basis eines elektronischen Laborbuchs, d.h. von der Schlickerherstellung bis zur fertigen Schicht, mittels in-situ Messmethoden ermöglicht. Anschließend werden Schlickerrezepte und Verarbeitungsparameter bereitgestellt und durch ausgewählte ML-Algorithmen getestet, um die optimalen Prozessparameter zu ermitteln. Schließlich werden diese durch Simulationen ermittelten Parameter von den Projektpartnern praktisch überprüft.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Oxid ? Verfahrensoptimierung ? Energieverbrauch ? Industrieproduktion ? Künstliche Intelligenz ? Messverfahren ? Arbeit ? Produktivität ? Sinterung ?

Region: Nordrhein-Westfalen

Bounding boxes: 6.76339° .. 6.76339° x 51.21895° .. 51.21895°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Geldgeber*in)
• Forschungszentrum Jülich GmbH, Institut für Energie- und Klimaforschung (IEK), IEK-1: Werkstoffsynthese und Herstellungsverfahren (Betreiber*in)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2023-08-01 - 2026-07-31

Alternatives

• Language: Englisch/English
  Title: Subproject: MaLeFoG (Machine Learning for Foil Casting)
  Description: In this project, machine learning (ML) techniques are applied to optimize the fabrication of electrochemical energy converters (solid oxide cells as an important technology for the hydrogen economy) by film casting. Porous substrates and electrode layers for fuel and electrolysis cells have complex microstructures that strongly depend on the raw powders, the properties of the slurry, the casting parameters, and the subsequent drying and sintering steps, and consequently determine the functionality of the cells. Up to now, the development of slurries and the optimization of casting and drying parameters have been carried out almost exclusively empirically and at great expense. Data-based machine learning should, on the one hand, minimize this development time in the laboratory and, on the other hand, increase quality and productivity as well as reduce overall energy consumption (especially during drying/sintering) for industrial production. This will additionally contribute to the overall goals of energy transition and addressing the climate crisis. For this purpose, a new research data management structure will be established, which will allow a complete recording of all process steps on the basis of an electronic laboratory book, i.e. from slip production to the finished layer, using in-situ measurement methods. Subsequently, slurry recipes and processing parameters are provided and tested by selected ML algorithms to determine the optimal process parameters. Finally, these parameters determined by simulations will be practically verified by the project partners. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1124649

Status

Aktiv

Quality score

• Overall: 0.46
• Findability: 0.52

  • Title: 0.11
  • Description: 0.15
  • Identifier: false
  • Keywords: 0.89
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.