Schnellere Materialentwicklung mit Hilfe künstlicher Intelligenz

Links: SAXS-Messzelle für Elektrochemie. Rechts: schematischer Messaufbau zur in-situ SAXS-Charakterisierung während der elektrochemischen Zyklierung der LeMO2n-Elektrode. LeMO₂n: Lernende Multi-Skalen-Optimierung für SiO2-basierende Anodenmaterialien
(c) CAE/Christian Scherdel

LeMO₂n-Projekt untersucht neue Wege bei der Batterieforschung.

Neue Batterien für die Zukunft der Energiewende: Daran forscht Philipp Seitz, wissenschaftlicher Mitarbeiter am Institut für Digital Engineering (IDEE) der Technischen Hochschule Würzburg-Schweinfurt (THWS). Sein Projekt LeMO₂n wurde während der vergangenen drei Jahre vom Bayerischen Staatsministerium für Wirtschaft, Landesentwicklung und Energie mit einer Fördersumme für die THWS von 182.000 Euro unterstützt.

Um das komplexe Vorhaben voranzutreiben, nutzte Seitz erstmals Machine Learning, einen Ansatz aus der Künstlichen-Intelligenz-Forschung. Die Grundidee war, bei der Herstellung von Lithium-Ionen-Batterien poröse Kohlenstoffe durch poröse Silica zu ersetzen. Siliciumdioxid, auch Silica genannt, ist der Hauptbestandteil von Quarz-Sand, verfügt über eine hohe Ladekapazität und gilt als vielversprechender Werkstoff bei der Suche nach den leistungsfähigen Batterien der Zukunft.

Bisher war es nicht möglich gewesen, Silica mit den notwendigen, strukturellen Eigenschaften künstlich herzustellen. Gefragt war, Mikroporen von weniger als zwei Nanometern zu erhalten, die gleichzeitig ein möglichst großes Porenvolumen bieten sollten. Ein Nanometer entspricht 0,000001 Millimetern – ein menschliches Haar ist im Vergleich dazu 500-mal dicker.

Zusammenarbeit mit CAE und Wacker Chemie AG

Während des Projekts wurde ein dreistufiger Arbeitsprozess verfolgt, bei dem Seitz mit dem Center for Applied Energy Research e.V. (CEA) in Würzburg sowie mit der Wacker Chemie AG zusammenarbeitete. Zunächst synthetisierte das CAE sogenannte Matrixmaterialien aus Siliciumdioxiden, dem Trägermaterial für die Ladung der Batterie. Im zweiten Schritt testete Wacker diese neuartige Batterie durch ständiges Laden und Entladen, bis zu deren Lebensende, was jeweils mehrere Wochen lang dauerte. Während der Testzyklen entstanden aus elektrochemischen Messungen Datenreihen, die Philipp Seitz dann im dritten Schritt analysierte, um herauszufinden, welche Kombination von Syntheseparametern die beste Ladekapazität versprach.

„Normalerweise gilt der Grundsatz, je mehr Daten, umso besser“, sagt Seitz. Doch das Vorhaben müsse auch zeitlich handhabbar sein. Daher könne man nicht an 20 Stellschrauben einzeln drehen, weil die Testphase jeweils mehr als eine Woche in Anspruch nahm – eine Million Möglichkeiten würde also mehr als eine Million an Testwochen bedeuten. „Die Herausforderung war, mittels künstlicher Intelligenz aus wenigen Daten möglichst viele Aussagen zu bekommen. Denn für einen Menschen ist es schwer, alle Parameter zu überblicken. Mit KI lässt sich statistisch eingrenzen, welche Parameter den größten Einfluss haben“, erläutert Philipp Seitz. Eine der Forschungsfragen sei beispielsweise gewesen, ob eine Porengröße von zwei oder drei Nanometern mehr Sinn mache. Das sei mit normaler, menschlicher Logik schwer zu erkennen.

KI beschleunigt Lernprozess

Philipp Seitz veranschaulicht das Vorgehen mit Hilfe einer kulinarischen Analogie: Beim Suppenkochen sei die genaue Luftfeuchtigkeit der Umgebung vernachlässigbar, diese könne aber durchaus Einfluss auf das Endergebnis eines speziellen Backrezeptes haben. „Mit der KI kann man vorhersagen, welche Parameter den größten Einfluss haben werden.“ Jede Messung bringe zusätzliche Informationen, mit denen die KI wiederum gefüttert wird. Mit manchen Ergebnissen hätte Seitz selbst nie gerechnet – so könne KI auch davor bewahren, mit zu großen Schritten in die falsche Richtung voranzugehen.

Das ursprünglich gesetzte Ziel des Projekts war es, eine Batterie herzustellen, die über die doppelte Ladekapazität einer herkömmlichen Batterie verfügt. Dieses Ziel haben die drei Projektpartner noch nicht erreicht. Aber Vizepräsident Prof. Dr. Jan Schmitt wertet das Vorgehen dennoch als Erfolg: „Zum ersten Mal wurde Machine Learning in diesen Prozess eingebunden und es konnten erfolgreich Vorhersagen gemacht werden. Das wird die Batterieentwicklung als Ganzes beschleunigen, weil wir mit dieser neuen Methode gezielter und schneller vorgehen können.“

Als besonderen Erfolg wertet Vizepräsident Prof. Dr. Schmitt, dass erstmals mit dem Einsatz spezieller Röntgenstrahlen – small angle X-ray scattering (SAXS) – das Trägermaterial während des Lade- und Entladevorgangs vermessen werden konnte. Damit lassen sich kleine Mikrorisse dokumentieren, die vermutlich für die Verschlechterung der Ladekapazität verantwortlich sind. Das dadurch gewonnene Verständnis hilft dabei, Gegenmaßnahmen zu entwickeln und die technischen Eigenschaften von Batterien langfristig zu verbessern.

Auch Philipp Seitz hat mit diesem Thema noch nicht abgeschlossen. In Kürze wird er seine Doktorarbeit an der THWS beginnen, um die Materialentwicklung mittels Machine Learning weiter voranzutreiben. Für ihn bleibt die Grundfrage dieselbe wie beim LeMO₂n-Projekt: Wie kann man mit wenigen Daten Strukturen erkennen und Ergebnisse zielgerichtet verbessern?

Wissenschaftliche Ansprechpartner:

Prof. Dr. Jan Schmitt
jan.schmitt@thws.de

https://www.thws.de/service/news-presse/pressemeldungen/thema/institut-fuer-digital-engineering-an-der-thws-schnellere-materialentwicklung-mit-hilfe-kuenstlicher-i/

Media Contact

Eva Kaupp Hochschulkommunikation
Technische Hochschule Würzburg-Schweinfurt

Alle Nachrichten aus der Kategorie: Materialwissenschaften

Die Materialwissenschaft bezeichnet eine Wissenschaft, die sich mit der Erforschung – d. h. der Entwicklung, der Herstellung und Verarbeitung – von Materialien und Werkstoffen beschäftigt. Biologische oder medizinische Facetten gewinnen in der modernen Ausrichtung zunehmend an Gewicht.

Der innovations report bietet Ihnen hierzu interessante Artikel über die Materialentwicklung und deren Anwendungen, sowie über die Struktur und Eigenschaften neuer Werkstoffe.

Zurück zur Startseite

Kommentare (0)

Schreiben Sie einen Kommentar

Neueste Beiträge

Unerwartete Abweichungen in der Lebensdauer

Erste Beobachtung des nuklearen Zwei-Photonen-Zerfalls in nackten Atomkernen am GSI/FAIR-Speicherring ESR. Erstmals gelang es einem internationalen Forschungsteam unter Leitung von GSI/FAIR in Darmstadt, des Institut de recherche sur les lois…

Der Magnet-Trick: Neue Erfindung lässt Vibrationen verschwinden

Eine völlig neue Methode, störende Vibrationen zu dämpfen, patentierte die TU Wien. Für Präzisionsgeräte wie astronomische Hochleistungsteleskope ist das ein wichtiger Schritt. Wenn alles wackelt, ist Präzision meist unmöglich –…

Auf dem Weg zur Entdeckung einer zweiten Erde

Ingenieure und Wissenschaftler des Max-Planck-Instituts für Astronomie (MPIA) haben unter der Leitung von Oliver Krause zentrale optische Elemente für das Coronagraph Instrument (CGI) des Roman Space Telescope entwickelt und an…

Partner & Förderer