idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Grafik: idw-Logo

idw - Informationsdienst
Wissenschaft

Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instanz:
Teilen: 
26.06.2024 15:03

Institut für Digital Engineering an der THWS: schnellere Materialentwicklung mit Hilfe künstlicher Intelligenz

Eva Kaupp Hochschulkommunikation
Technische Hochschule Würzburg-Schweinfurt

    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


    Bilder

    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
    Links: SAXS-Messzelle für Elektrochemie. Rechts: schematischer Messaufbau zur in-situ SAXS-Charakter ...
    CAE/Christian Scherdel
    CAE/Christian Scherdel

    Der 34-jährige Philipp Seitz wird sich auch in seiner kommenden Doktorarbeit mit Machine Learning beschäftigen
    Der 34-jährige Philipp Seitz wird sich auch in seiner kommenden Doktorarbeit mit Machine Learning be ...
    Matthias Eckel
    Matthias Eckel


    Merkmale dieser Pressemitteilung:
    Journalisten, Wirtschaftsvertreter, Wissenschaftler
    Informationstechnik, Werkstoffwissenschaften
    überregional
    Forschungsprojekte, Kooperationen
    Deutsch


     

    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).