Moderne Materialien können einen wichtigen Beitrag zur Lösung vieler aktueller Herausforderungen wie der Abmilderung der Folgen des Klimawandels liefern. Neue oder optimierte Materialien sind in vielen Bereich vom Energiesektor zum Beispiel für neue Batterien bis zum Leichtbau wünschenswert. Lange und komplexe Entwicklungsprozesse sind allerdings ein Hindernis und entsprechen oft der Suche nach der Nadel im Heuhaufen. Datengetriebene Ansätze des maschinelles Lernen sind hier sehr vielversprechend. Sie können zum Beispiel helfen Eigenschaften von Materialien effizienter zu berechnen und Beziehungen zwischen grundlegenden Materialeigenschaften wie der Struktur und funktionellen Eigenschaften zu erkennen. Solche Beziehungen werden zur Vorhersage der Eigenschaften riesiger Mengen ungetesteter Verbindungen angewendet.
As the lightest structural engineering metal, magnesium
(Mg) is a promising base material for advanced technology.
However, to unlock the full potential of Mg–based
materials, precise control over the corrosion rate is
important whereas it was demonstrated that its degradation
behaviour can be affected by small organic molecules.
Recent research has discovered new, effective magnesium
corrosion inhibitors,[1] and electrolyte additives that
boost the efficiency of magnesium-air primary batteries.[2]
However, as small molecule chemistry space is essentially
infinite, efficiently searching it to find small molecules
with superior dissolution modulating properties (inhibitors
or accelerators) using time- and resource-consuming
experimental discovery methods is intractable.
Consequently, computer-assisted selection of the most
promising candidates prior to experimental investigation is
of great benefit in the search for effective corrosion
modulating additives for Mg-based materials.[3-5] Apart
from a sufficiently large, diverse and reliable training
data set and a suitable modelling framework (usually based
on one or more machine learning algorithms), relevant
molecular descriptors are a prerequisite for the
development of predictive quantitative structure-property
relationship models. The latter can either be selected by
chemical intuition or based on statistical methods. Aqueous
primary Mg-air batteries have considerable potential as
energy sources for sea applications and portable devices.
Apart from aspects regarding the cathode, mainly two
challenges have to be solved at the anode-electrolyte
interface. The first refers to the power profile stability
(discharge potential) and respective voltage drop, which is
triggered by self-corrosion (anode fouling) and aging of
the electrolyte. The second is related to the mass of anode
material that can be utilized for discharge (utilization
efficiency), which is also triggered by previous aspects,
but additionally by the chunk-effect susceptibility of the
anode material. Aside from alloying, an effective strategy
to mitigate self-corrosion and battery failure is the use
of electrolyte additives. The talk outlines our recent
activities in the systematic search for effective battery
electrolyte additives for primary Mg-air batteries based on
quantitative structure-activity relationship models.
References:
[1] S. V. Lamaka, B. Vaghefinazari, D. Mei, R.P.
Petrauskas, D. Höche, M. L. Zheludkevich, Corros. Sci.
2017, 128, 224-240.
[2] L. Wang, D. Snihirova, M. Deng, B. Vaghefinazar, S. V.
Lamaka, D. Höche, M.L. Zheludkevich, J. Power Sources 2020,
460, 228106.
[3] C. Feiler, D. Mei, B. Vaghefinazari, T. Würger, R. H.
Meißner, B. J. C. Luthringer-Feyerabend, D.A. Winkler, M.
L. Zheludkevich, S. V. Lamaka, Corros. Sci. 2020, 163,
108245.
[4] T. Würger, D. Mei, B. Vaghefinazari, D. A. Winkler,
S.V. Lamaka, M. L. Zheludkevich, R. H. Meißner, C. Feiler,
npj Mater. Degrad. 2021, 5, 2.
[5] E. J. Schiessler, Tim Würger, S. V. Lamaka, R. H.
Meißner, C. J. Cyron, M. L. Zheludkevich, C. Feiler, R. C.
Aydin, npj Comp. Mater. 2021, 7, 193.
Die Eigenschaften aller Materialien werden durch die räumliche Anordnung ihrer Atome bestimmt. Dies ist die sogenannte Struktur-Eigenschafts-Beziehung. Sollen bestimmte Eigenschaften neuer funktioneller Materialien erklärt werden, ist somit die Aufklärung der Struktur durch ein geeignetes Modell ein wichtiger Schritt. Für feste Verbindungen werden dabei meist Röntgen- oder Neutronenbeugungsexperimente verwendet. Diese Methoden funktionieren nur bedingt bei amorphen Phasen oder Materialien mit zu kleinen Kristallitgrößen. In diesen Fällen kann die Strukturaufklärung mit Hilfe von atomistischen Simulationen, beispielsweise auf Basis von Dichtefunktionaltheorie, helfen. Leider ist der kombinatorische Untersuchungsraum oft so groß, dass der Rechenaufwand für Computersimulationen unermesslich wird. Zusätzlich ist es oft schwierig, mit diesen Methoden Strukturen von metastabilen Phasen aufzuklären. Moderne Methoden wie genetische bzw. evolutionäre Algorithmen und verschiedene Machine Learning (ML) Algorithmen können den Prozess der Strukturaufklärung erleichtern. Insbesondere die Kombination von atomistischen Simulationen mit Daten aus Beugungsexperimenten liefert vielversprechende Ergebnisse, die auch die Aufklärung metastabiler Phasen ermöglicht. Eine solche Methode, basierend auf einem evolutionären Algorithmus und einem on-the-fly trainierten ML-Potential, soll hier näher erläutert werden.
Bei der Entwicklung von Lithium-Ionen Zellen gibt es eine Vielzahl an Komponenten und Parametern, die individuell angepasst werden können. Angefangen mit den Aktivmaterialien, über das Rezept und die Beladung der Elektrode bis hin zum Zellformat, stehen dem Batterieentwickler zahlreiche Optionen zur Verfügung. Dabei muss jedoch beachtet werden, dass eine Lithium-Ionen Zelle nicht nur durch ihre Elektrochemie sondern vor allem durch ihre Prozessierbarkeit überzeugen muss. Machine Learning bildet im Kontext ein wichtiges Tool, um in der Entwicklung sowie während der Produktion flexibel auf Änderungen bei den einzelnen Komponenten reagieren zu können. So wird letztlich die finale Produktqualität im Entwicklungszeitraum kontinuierlich verbessert. Der CUSTOMCELLS® Vortrag geht auf die Möglichkeiten des Einsatzes von Machine Learning in der Entwicklung und Produktion von Lithium Batterien ein, beleuchtet daneben aber auch Aspekte wie Rückverfolgbarkeit und Qualität in den verschiedenen Anwendungsbereichen der Lithium-Ionen Batterietechnik.