ஹைட்ரஜன் எரிபொருள் செல் வினையூக்கிகளை மிகவும் திறமையாகவும் பொருளாதார ரீதியாகவும் உருவாக்க AI ஐப் பயன்படுத்துதல்

இயந்திர கற்றல்-உந்துதல் ஹைட்ரஜன் எரிபொருள் செல் வினையூக்கி வடிவமைப்பு வரைகலை சுருக்கம்.

ஹைட்ரஜன் வாகனங்களில் பயன்படுத்தப்படும் புரோட்டான் பரிமாற்ற சவ்வு ஹைட்ரஜன் எரிபொருள் செல்கள் (PEMFCகள்) ஆனோடில் ஆக்ஸிஜன் குறைப்பு எதிர்வினையை எளிதாக்க விலையுயர்ந்த பிளாட்டினம் வினையூக்கிகளைப் பயன்படுத்துகின்றன. பிளாட்டினத்தை விட திறமையான மற்றும் செலவு குறைந்த வினையூக்கிப் பொருட்களை உருவாக்குவதற்கு ஏராளமான அடிப்படை சேர்க்கைகள் மற்றும் கலவைகள் ஆராயப்பட வேண்டும், மேலும் ஆராய்ச்சியாளர்கள் இன்னும் ஆய்வகத்தில் சோதனை மற்றும் பிழையை அனுபவித்து வருகின்றனர்.

கொரியா இன்ஸ்டிடியூட் ஆஃப் சயின்ஸ் அண்ட் டெக்னாலஜி (KIST) அறிக்கையின்படி, டாக்டர். டோங்குன் கிம் மற்றும் கம்ப்யூட்டேஷனல் சயின்ஸ் ரிசர்ச் சென்டரின் டாக்டர். சாங் சூ ஹான், மெட்டீரியல்ஸ் ஆர்க்கிடெக்சரிங் ரிசர்ச் சென்டரின் டாக்டர். ஜாங் மின் கிம் மற்றும் பேராசிரியர். ஹியூக் மோ லீ கொரியா அட்வான்ஸ்டு இன்ஸ்டிடியூட் ஆஃப் சயின்ஸ் அண்ட் டெக்னாலஜியில் (KAIST) உள்ள மெட்டீரியல்ஸ் அறிவியல் மற்றும் பொறியியல் துறை, ஒரு புதிய செயற்கை நுண்ணறிவு அடிப்படையிலான வினையூக்கி திரையிடல் முறையை முன்வைத்து, மும்மை உறுப்பு அடிப்படையிலான அலாய் (Cu-Au) அடிப்படையில் புதிய வினையூக்கிப் பொருளை உருவாக்குவதில் வெற்றி பெற்றுள்ளது. -Pt) இது மலிவானது மற்றும் தூய பிளாட்டினம் வினையூக்கிகளை விட இரண்டு மடங்குக்கு மேல் செயல்படுகிறது.

வினையூக்கி மேற்பரப்பில் உள்ள அட்ஸார்பேட்டுகளின் பிணைப்பு ஆற்றலை துல்லியமாக கணிக்க குழுவானது ஸ்லாப் கிராஃப் கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (SGCNN) செயற்கை நுண்ணறிவு மாதிரியை உருவாக்கியது. பொருட்கள் கண்டுபிடிப்புக்கு AI இன் முதல் பயன்பாடு இதுவல்ல. SGCNN மாதிரியானது CGCNN மாதிரியை உருவாக்குவதன் மூலம் உருவாக்கப்பட்டது, இது திடப்பொருட்களின் மொத்த பண்புகளை கணிப்பதில் நிபுணத்துவம் பெற்றது, வினையூக்கி பொருட்களின் மேற்பரப்பு பண்புகளை கணிக்க.

இருப்பினும், மொத்த பண்புகள் மற்றும் மேற்பரப்பு பண்புகளை கணிப்பதில் பெரிய வித்தியாசம் உள்ளது. ஒரு வினையூக்கியின் மேற்பரப்பு பண்புகளை நீங்கள் விரைவாகவும் துல்லியமாகவும் கணிக்க முடிந்தால், பொருள் நிலைத்தன்மை, செயல்திறன் மற்றும் செலவு ஆகியவற்றின் மூன்று நிலைகளை சந்திக்கும் வினையூக்கிகளை நீங்கள் மிகவும் திறமையாகத் திரையிடலாம்.

இந்த முறையைப் பயன்படுத்தி எரிபொருள் செல் எதிர்விளைவு வினையூக்கிகளை உருவாக்கும் போது, ​​கிட்டத்தட்ட 3,200 மும்மை வேட்பாளர் பொருட்களின் திறனை ஒரே நாளில் ஆராய முடிந்தது, இது பாரம்பரியமாகப் பயன்படுத்தப்படும் அடர்த்தி செயல்பாட்டுக் கோட்பாடு (DFT) உறிஞ்சுதல் ஆற்றல் உருவகப்படுத்துதல் கணக்கீடுகளைப் பயன்படுத்தி பல ஆண்டுகள் எடுக்கும். வினையூக்கி பண்புகளை கணிக்க.

Using AI to develop hydrogen fuel cell catalysts more efficiently and economically
எரிபொருள் கலத்தின் ஒவ்வொரு அனோட் மற்றும் கேத்தோடிற்கான இயந்திர கற்றல்-உந்துதல் பொருள் திரையிடல் பணிப்பாய்வு.

சுமார் 3,200 வேட்பாளர் பொருட்களில் பிளாட்டினம் வினையூக்கிகளை விஞ்சும் திறன் கொண்ட 10 வினையூக்கிகளின் சோதனை சரிபார்ப்பு மூலம் ஆராய்ச்சியாளர்கள் ஒரு புதுமையான மும்மை (Cu-Au-Pt) அலாய் வினையூக்கியை உருவாக்கினர். தூய பிளாட்டினம் வினையூக்கிகளுடன் ஒப்பிடும்போது வினையூக்கி பிளாட்டினத்தின் 37% தனிமத்தை மட்டுமே பயன்படுத்துகிறது, ஆனால் இயக்க மின்னோட்ட அடர்த்தி தூய பிளாட்டினம் வினையூக்கிகளை விட இரண்டு மடங்கு அதிகமாக உள்ளது. 5,000 ஸ்திரத்தன்மை சோதனைகளுக்குப் பிறகு சிறிய சிதைவுடன், வினையூக்கி சிறந்த நீடித்த தன்மையையும் வெளிப்படுத்துகிறது.

“எதிர்காலத்தில், உயர்தர உறிஞ்சுதல் ஆற்றல் தரவை உருவாக்கவும் மேலும் அதிநவீன AI மாடலிங் செய்யவும் நாங்கள் திட்டமிட்டுள்ளோம், இது வினையூக்கி பொருள் வளர்ச்சியின் வெற்றி விகிதத்தை மேலும் மேம்படுத்தும்” என்று KIST இன் டாக்டர் கிம் கூறினார்.

புதிய முறையானது ஹைட்ரஜன் எரிபொருள் கலங்களுக்கான வினையூக்கிகளுக்கு மட்டுமல்ல, ஹைட்ரஜன் பொருளாதாரத்தை செயல்படுத்துவதற்கு அவசியமான நீர் மின்னாற்பகுப்பு அடிப்படையிலான ஹைட்ரஜன் உற்பத்தி போன்ற பல்வேறு வினையூக்கி எதிர்வினைகளுக்கும் உடனடியாகப் பொருந்தும்.

பொருள் மற்றும் சிஸ்டம் மேம்படுத்தல் மூலம் யூனிட் செலவை மேலும் குறைக்கவும், வளர்ந்த வினையூக்கிகளின் செயல்திறனை மேம்படுத்தவும் குழு திட்டமிட்டுள்ளது.

Source link

Leave a Reply

Your email address will not be published. Required fields are marked *