EP4695017A1 - Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie - Google Patents

Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie

Info

Publication number
EP4695017A1
EP4695017A1 EP24740093.0A EP24740093A EP4695017A1 EP 4695017 A1 EP4695017 A1 EP 4695017A1 EP 24740093 A EP24740093 A EP 24740093A EP 4695017 A1 EP4695017 A1 EP 4695017A1
Authority
EP
European Patent Office
Prior art keywords
property
parameter
product
measured
dosing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP24740093.0A
Other languages
English (en)
French (fr)
Inventor
Kourosh MALEK
Michael Eikerling
Titichai Navessin
Max Dreger
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Forschungszentrum Juelich GmbH
Original Assignee
Forschungszentrum Juelich GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Forschungszentrum Juelich GmbH filed Critical Forschungszentrum Juelich GmbH
Publication of EP4695017A1 publication Critical patent/EP4695017A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0046—Sequential or parallel reactions, e.g. for the synthesis of polypeptides or polynucleotides; Apparatus and devices for combinatorial chemistry or for making molecular arrays
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/00277—Apparatus
    • B01J2219/00351—Means for dispensing and evacuation of reagents
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/0068—Means for controlling the apparatus of the process
    • B01J2219/00686—Automatic
    • B01J2219/00689—Automatic using computers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/0068—Means for controlling the apparatus of the process
    • B01J2219/00695—Synthesis control routines, e.g. using computer programs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/00718—Type of compounds synthesised
    • B01J2219/00745—Inorganic compounds
    • B01J2219/00747—Catalysts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/00718—Type of compounds synthesised
    • B01J2219/00756—Compositions, e.g. coatings, crystals, formulations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J4/00—Feed or outlet devices; Feed or outlet control devices
    • B01J4/02—Feed or outlet devices; Feed or outlet control devices for feeding measured, i.e. prescribed quantities of reagents
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the invention relates to a method and a system for determining an optimized recipe for a material, in particular for a catalyst ink.
  • the method is used for developing products, in particular energy materials.
  • Determining an optimized recipe for materials for energy or hydrogen applications is labor- and time-intensive. Previous methods are often based on trial and error or empirical methods. For example, a new formulation is produced, characterized and tested based on a hypothesis, and then a parameter of the production is changed and the changed formulation is produced, characterized and tested again. Experience is often used to adjust parameters appropriately. However, since the different parameters are subject to complex interactions with other parameters and also have different influences on various properties of the material, changing a parameter can lead to unforeseen results. Deviations in the test procedure, in the integrity of the equipment, and in the different skills of the people involved have a strong, unquantifiable influence on the results. In addition, such production is lengthy, costly and the amount of data generated is complex to handle.
  • the object of the invention is to make the development of products and manufacturing processes for these products faster and easier.
  • a method is used to determine an optimized recipe for a material with at least one target property, in particular for a catalyst ink.
  • the method comprises processing several raw materials in a Processing unit using at least one predetermined parameter for producing a product.
  • the method further comprises carrying out a measurement with a measuring device, wherein at least one property of the manufactured product is measured, which allows a statement to be made about a target property.
  • the method further comprises determining, by means of a machine learning algorithm and in particular using the measured property and/or the target property, at least one changed parameter for producing a product.
  • the solution according to the invention makes it possible to develop recipes for new materials quickly and easily thanks to the automation that is now possible.
  • Manual testing is no longer necessary. Associated errors regarding deviations in testing, the integrity of the equipment or the skills of the people involved are minimized or completely eliminated.
  • the number of tests is reduced because the estimation of incremental changes in parameters is no longer based on inaccurate experience, but instead on automatically recognized patterns. This in turn is associated with reduced times. The determination of changed parameters for an optimized recipe can thus be carried out completely automatically.
  • the development time can be reduced by a factor of > 10 to 100 compared to conventional methods.
  • the success rate can be increased by a factor of 10.
  • the processing unit can be controlled based on the changed parameter.
  • the machine learning algorithm or a determination unit that includes the machine learning algorithm can be part of a control unit or connected to a control unit that is set up to control the processing unit.
  • the measuring device can then be used to carry out a new measurement of a property that allows a statement to be made about a target property.
  • At least one changed parameter for producing a product can then be determined using the machine learning algorithm and using the newly measured property.
  • the steps mentioned can be repeated if necessary. In this way, an increasingly optimized recipe can be determined in several iteration steps.
  • a recipe includes at least one parameter for producing the material.
  • the recipe to be determined includes the changed or optimized parameter.
  • the recipe can include at least one processing parameter and/or at least one dosing parameter, as explained in more detail below.
  • several parameters are used and several changed parameters are determined accordingly.
  • at least two or at least three changed parameters for producing the product are determined using the machine learning algorithm and using the at least one measured property and the at least one target property.
  • processing can be carried out using two or three specified parameters.
  • One or more target properties can be specified.
  • One or more measurements of one or more properties can be carried out, which allows a statement to be made about a target property. This can be done with one or more measuring devices.
  • two or three changed parameters can be determined.
  • the method is carried out based on a specification of at least one target property.
  • the method can therefore comprise the specification of a target property.
  • the method can further comprise the specification of the at least one parameter. This serves as a starting parameter or first parameter from which the changed or optimized parameter is determined.
  • the method comprises obtaining a predetermined parameter, for example by a processing unit, a control unit or by the determination unit.
  • the method can comprise outputting or sending the at least one changed parameter.
  • the changed parameter can also be referred to as an optimized parameter.
  • the processing unit serves to process the raw materials for the purpose of producing the product.
  • the processing unit can have a mixer, for example comprising an agitator, for mixing the raw materials.
  • the processing unit can comprise at least one processing vessel in which the raw materials are processed and/or in which the product is manufactured from the raw materials.
  • the processing vessel can be a vial, for example.
  • the processing unit can be set up to send one or more predetermined parameters (target parameters) or actual parameters (actual parameters).
  • An actual parameter can differ from a predetermined parameter.
  • the actual parameter characterizes an actual property when processing the raw materials in the processing unit.
  • the product is manufactured batchwise. This means that a certain volume of the product is produced and then the measurement is carried out.
  • the manufacture of the product may involve or be simple mixing.
  • the product is the mixture of the raw materials.
  • the manufacture of the product may also involve, for example, carrying out a physical and/or chemical reaction.
  • the measuring device is used to measure at least one property of the manufactured product. For example, a viscosity and/or a particle radius is determined.
  • the target property itself is measured.
  • a viscosity can be measured, whereby the viscosity allows a statement to be made about a target property such as service life or processability.
  • the method comprises obtaining, by the determination unit, the measured property.
  • the measured property is transmitted to the machine learning algorithm. This is done exclusively via cable, in particular in the “AI on the Chip” applications described below. This minimizes transmission times and the determination of the changed parameter can be carried out much faster.
  • the method comprises obtaining, by the determination unit, a target property.
  • the target property is transmitted to the Machine learning algorithm. Based on the measured property and the target property, the machine learning algorithm determines the changed parameter.
  • the machine learning algorithm is trained with training data.
  • the training data typically includes a variety of products made from raw materials that have been manufactured using at least one parameter, and typically associated properties. The properties were preferably measured, but alternatively or additionally may also have been calculated partially or entirely.
  • the products may have been manufactured using the processing unit.
  • the properties may have been measured using the measuring device.
  • the training data may include data or consist of data that have been determined using the system according to the invention.
  • the training data may include data that have been determined using an additional unit. The additional unit may be part of the system.
  • the at least one parameter, the at least one measured property, the at least one changed parameter and, if applicable, also the target property are used by the machine learning algorithm as training data for future investigations.
  • a self-learning process or system is created (e.g. reinforcement learning).
  • the process may comprise producing the material, in which case the process may be referred to as a process for producing a material.
  • a processing parameter is used as a parameter.
  • a processing parameter is a parameter that is used during processing in the processing unit. For example, a temperature, a pressure or a speed of a mixer can be used as a processing parameter. These processing parameters influence the properties of the product produced. Mixing of the raw materials by the processing unit can take place with at least one predetermined processing parameter. For example, a predetermined processing parameter is used and a changed processing parameter is determined. Several processing parameters can be used and several changed processing parameters can be determined. This embodiment allows the automated and rapid determination of processing parameters. Further examples of processing parameters are below. Processing parameters relating to downstream steps, such as the deposition of the manufactured product onto a membrane to produce a catalyst-coated membrane (CCM), are also possible parameters. These steps and associated processing parameters are also described below.
  • CCM catalyst-coated membrane
  • the processing unit has at least one dosing device for the controlled dosing of a raw material.
  • a dosing parameter of the at least one dosing device is used as a parameter.
  • a dosing device is designed in particular to add a defined amount of one or more raw materials based on one or more quantity specifications.
  • a raw material can be solid, for example in powder form or granulated, or liquid, for example as a pure substance, dissolved or dispersed. It is also possible in principle to use gaseous raw materials.
  • a quantity can refer, for example, to a volume and/or a weight of the raw material.
  • a dosing parameter is a parameter that is used when dosing using a dosing device.
  • a dosing quantity, a dosing speed, a sequence and/or speed of dosing or feeding or a mixing ratio of several raw materials to be dosed can be used as a dosing parameter.
  • the material composition of the mixture or product made up of the individual raw materials can be used as a dosing parameter. Accordingly, the several raw materials can then be dosed in the specified ratio.
  • a specified dosing parameter is used and a modified dosing parameter is determined. Multiple dosing parameters can be used and multiple modified dosing parameters can be determined.
  • One or more processing parameters and one or more dosing parameters can be used and corresponding modified dosing and processing parameters can be determined. This design allows dosing parameters to be determined automatically and quickly.
  • the dosing device comprises several, in particular at least three dosing units, for the controlled dosing of one raw material each.
  • the dosing device comprises a dosing unit for a solvent, a dosing unit for a metal or catalyst material and/or a dosing unit for a polymer. This embodiment allows different compositions of the material to be examined quickly and automatically.
  • the processing of the multiple raw materials by the processing unit includes dosing a solvent, a metal or catalyst material and/or a polymer.
  • the processing unit produces catalyst ink as a product using a polymer, a dispersion medium and a catalyst material.
  • one or more additives, a dispersant and/or a rheology modifier can be used to produce the catalyst ink.
  • the metering device can also comprise a metering unit for one or more additives and/or a metering unit for a dispersant.
  • the polymer is in particular an ionomer.
  • the catalyst material contains in particular a metal.
  • the catalyst material is preferably arranged as a coating on a carrier.
  • the carrier is, for example, carbon.
  • the catalyst material can be in powder form.
  • the catalyst material can already be predispersed in a dispersant to improve handling.
  • the dispersant can be a polar solvent with a low boiling point. Alternatively, the catalyst material can be dosed directly into a processing vessel without being predispersed.
  • processing parameters are type of dispersion medium, content of dispersion medium, type of ionomer, loading of ionomer, type of catalyst or electrocatalyst, loading of catalyst or electrocatalyst, type of additive, dispersant and/or rheology modifier, loading of additive, dispersant and/or rheology modifier (usually very low), temperature, method and/or intensity of mixing, total solids content in the ink.
  • a machine learning algorithm for example the machine learning algorithm for determining the changed Parameter, a measurement parameter for carrying out a measurement of at least one property of the product manufactured with the changed parameter.
  • At least one property of the manufactured product is determined using a computational model.
  • the property determined using the computational model is taken into account when determining the changed parameter.
  • At least two properties of the manufactured product are determined, one property being measured and the other being determined using the computational model.
  • a computational model describes the interaction of individual components of a complex system, for example from nature, using mathematical means.
  • the model is typically designed to depict a real process such as a measurement, e.g. a viscosity measurement.
  • Input variables of the model can be measured or determined using a model. Determining properties using computational models can be faster, easier and more cost-effective than measuring the same properties.
  • the property determined using the computational model can have sufficient accuracy for the purposes of the process. In this way, an optimized recipe can be determined more quickly and easily.
  • At least one property of the manufactured product that allows a statement to be made about a target property is determined using the computational model instead of measuring with the measuring device. In this case, no measuring device needs to be present.
  • a decision is made as to whether a measured property and/or the property of the manufactured product determined using the model is used to determine the changed parameter. In particular, the decision is made automatically.
  • a decision can also be made as to which of several computational models is used.
  • One or both of the decisions mentioned can be made in a model management unit.
  • one or both decisions are made using a machine learning algorithm, typically using the machine learning algorithm to determine the changed parameter. In this way, the degree of automation can be increased and the process can be further accelerated. For example, it can be automatically estimated how high the deviations between a measurement and the modeling are to be expected.
  • the manufactured product is processed.
  • a property of the processed product is determined and used to determine the changed property using the machine learning algorithm.
  • the system may comprise a processing unit with which the manufactured product can be processed.
  • the processing may also be carried out at least partially manually and/or outside the system.
  • the manufactured product can be deposited on an object such as a membrane.
  • a solvent of the product can then evaporate.
  • a catalyst-coated membrane CCM
  • This comprises the membrane layer and the catalyst layer.
  • One or more properties of the CCM can be determined.
  • the CCM can then be bonded to another layer, such as a gas diffusion layer (GDL).
  • GDL gas diffusion layer
  • One or more properties of the MAE can be determined.
  • the MAE can be tested over a short or long period of time and the test results determined or obtained can be used to determine the changed property. For particularly meaningful results, the MAE should be tested for many hours, for example 1000 hours or more, under conditions that are as realistic as possible.
  • Two MAEs can be combined to form a cell.
  • a stack or cell stack can in turn be combined from a large number of cells, and one or more properties of a cell or stack can be determined.
  • the determined properties for example with regard to durability, the number of charging cycles and/or the characterization based on certain parameters over time, can be used to determine the changed parameter.
  • the ink deposition temperature affects the evaporation rate of the dispersants used in the ink and thus has some influence on the resulting microstructure.
  • the speed at which the ink is applied to the substrate is in particular controlled to be consistent with the other production speeds such as substrate speed, evaporation and/or curing.
  • Pouring or spraying can be selected as the method of application.
  • the pressure of the ink in relation to the target substrate influences the microstructure to be formed and the formation of defects (e.g. pinholes).
  • the substrate temperature influences the formation of microstructures and/or evaporation.
  • the substrate can be slightly heated to improve the formation of microstructures and the evaporation rate of dispersants after application. This is possible for selected substrates.
  • the machine learning algorithm was trained with training data that contains properties or measured values of cell stacks, cells or MAEs. In this way, an investigation of the material produced that is as close to the application as possible is possible, which allows an optimal assessment of the quality of an optimized recipe. In this way, a particularly suitable optimized recipe can be determined.
  • a characteristic is measured that allows a statement to be made about the viscosity of the product.
  • the property can be the viscosity itself or a related parameter.
  • a rheometer can be used as a measuring device. Individual vials can, for example, be transported to the measuring device and/or to a measuring position in the measuring device in order to carry out the measurement.
  • the measurement is non-destructive.
  • a viscometer can be used.
  • the viscosity is measured as a function of the shear rate (s -1 ).
  • the product produced can exhibit Newtonian or non-Newtonian behavior.
  • the product in particular, in the case of a catalyst ink, the product can exhibit pseudoplastic (shear-thinning) behavior.
  • the temperature of the sample to be measured can be set or controlled.
  • the measuring device can have a temperature control unit.
  • a radius is measured as a property, for example a hydrodynamic radius.
  • a radius of at least part of the product is measured.
  • a radius of dispersed particles that are present in a continuous phase can be measured. This can be done, for example, using dynamic light scattering (DLS).
  • DLS dynamic light scattering
  • an average radius, a minimum radius, a maximum radius and/or one or more other suitable parameters relating to the radius can be determined.
  • Laser radiation that is scattered due to the sample can be used here.
  • the intensity of the resulting laser radiation and/or the scattering can be determined using a suitable detector.
  • the measuring device can include a controller to control the measurement.
  • the measurement can be carried out in accordance with the ASTM E3247-20 standard of ASTM International (American Society for Testing and Materials). Individual vials can, for example, be transported to the measuring device to carry out the measurement. In particular, the measurement is non-destructive.
  • one or more measurements can be carried out.
  • Several measurement results such as particle size, particle size distribution and/or zeta potential can be determined.
  • a measurement can be carried out over a defined period of time in order to characterize the stability. In the case of several products, all products are typically examined in this way. In this way, the stability of a particular product can be determined.
  • Input and output data, results and a summary can be output via an output unit, for example a data-connected display device.
  • a density of the product is measured as a property.
  • a microscopic image of the product is created and analyzed. For example, a key figure is extracted from it. This can be done using the or another machine learning algorithm.
  • Input and output data, results and a summary can be output via an output unit, for example a data-connected display device.
  • a measuring device for measuring a characteristic value that allows a statement to be made about the viscosity of the product and a measuring device for measuring a radius are present. Both measurements are therefore carried out.
  • a decision can be made automatically as to which properties of the product are measured.
  • a sequence of measurements can be determined automatically. Based on a measurement result of a first measurement, a decision can be made automatically as to whether a second measurement of the same or a different property is necessary. Information from the second measurement, such as the effort associated with the second measurement, can be taken into account here.
  • the automated decisions and determinations described can be made partially or completely using a machine learning algorithm, in particular using the machine learning algorithm to determine the changed parameter.
  • the at least one measured property is sent to a platform.
  • at least one predetermined parameter and/or at least one actual parameter is sent to a platform.
  • a determined changed parameter is sent to a platform. In this way, essential values of the method are made available centrally.
  • the values sent to the platform are processed by the platform, for example graphically displayed and/or analyzed. The information obtained in this way is preferably made available.
  • the material is a material for an electrochemical device for generating, converting, transporting and/or storing energy.
  • the material can be an electrode material or a catalyst material.
  • the product can be the electrode material or the catalyst material or a precursor product such as a catalyst ink.
  • the material can be a material for a user-scale battery or as a large-scale storage device on a grid scale, a fuel cell, an electrolyzer, a supercapacitor or an electrodialysis device.
  • Such materials influence the microstructure and efficiency of the chemical conversion and thus have a direct influence on the performance, efficiency and costs of the respective device.
  • An essential parameter for example, is the chemical stability of catalyst ink in order to produce a catalyst layer with an optimally balanced composition and microstructure.
  • a unique identifier is assigned to the manufactured product.
  • the identifier as well as the at least one predetermined parameter, the at least one measured property and the at least one changed parameter are stored in a database and/or sent to a platform.
  • a QR code or barcode can be used as an identifier.
  • a plurality of products are manufactured in a batch. One or more measurements are performed for each product. The at least one changed parameter is then determined based on the plurality of measured properties and the target property.
  • sample holders or vials are designed for 5x5, i.e. 25 samples. This allows the throughput to be multiplied. Fine gradations of one or more parameters can be used to reduce the time required to obtain a particularly optimized recipe and/or to get particularly close to a theoretical optimum.
  • the processing vessels can be closed automatically, for example by non-destructive reversible closing, for example with a screw cap.
  • the processing vessels can be opened automatically.
  • the processing vessels can be transported automatically. For example, a processing vessel can be transported to a measuring device in order to carry out the measurement.
  • a further aspect of the invention is a system for determining an optimized recipe for a material with at least one target property, in particular for a catalyst ink.
  • the system comprises a processing unit for processing several raw materials to produce a product using at least one predetermined parameter, a measuring device for carrying out a measurement, wherein at least one property of the product produced is measured, which allows a statement to be made about a target property, and a determination unit which is set up to determine at least one changed parameter for producing a product by means of a machine learning algorithm and using the measured property and the target property.
  • the system can be implemented in the form of a table, for example.
  • the processing unit, the measuring device and in particular the detection unit can be located on or at the table.
  • the system can be modular.
  • the system can include several different measuring devices that are selected depending on the requirements. This can
  • the system is preferably designed as a self-driving lab or an automated lab. Such labs combine artificial intelligence with automated robot platforms for the at least partially autonomous discovery of new materials.
  • the system can be composed of one or more existing devices that are combined with a determination unit that is set up to determine at least one changed parameter for producing a product by means of a machine learning algorithm and using the measured property and the target property.
  • a determination unit that is set up to determine at least one changed parameter for producing a product by means of a machine learning algorithm and using the measured property and the target property.
  • This is in particular an edge IoT unit.
  • the machine learning algorithm is in particular embedded in the determination unit.
  • an existing processing unit and/or an existing measuring device can be used, or an existing system can be used that includes a corresponding processing unit and a measuring device. Adjustments to the recipe can be made on the fly without having to accept delays, e.g. due to data transmission. Even with a smaller number of samples, optimization of the recipe and/or screening of a large number of products can be carried out with high throughput.
  • the processing unit and the measuring device are fully integrated and/or in a high-throughput system.
  • the system contains a data interface that allows data exchange. This allows a temporary or permanent connection to an external and/or decentralized data storage facility, for example an in-house cloud or a platform.
  • a virtual materials intelligence platform interface may be available. Coordination, planning and/or implementation of the processes for determining an optimized recipe for a material can be carried out via the aforementioned interface and/or the determination unit.
  • An AI-loT (AloT) analysis can be made possible using the machine learning algorithm.
  • the system further comprises a transport device with which the manufactured product can be transported to the measuring device.
  • the manufactured product can be transported from the processing unit to the measuring device.
  • the transport device can be handling device (industrial robot). This design allows for particularly rapid and reproducible transport.
  • the determination unit with the machine learning algorithm is located in the spatial environment of the processing unit and/or the measuring device, preferably in the immediate spatial environment.
  • the machine learning algorithm does not operate remotely, for example is connected via a data network, but is implemented directly on the physical unit of the system.
  • the determination unit comprises a Kl chip. At least some of the Kl applications can be implemented on site in this way.
  • a distance between the determination unit with the machine learning algorithm and the processing unit and/or the measuring device is not greater than 10 m, in particular 5 m, preferably 2 m.
  • the determination unit and the processing unit can be part of the same device.
  • a distance between the determination unit and the processing unit can be at least 1 mm.
  • the machine learning algorithm is embedded in the determination unit.
  • an "AI on the Chip” application also known as an “AI chip at the edge” application or “Algorithm on the chip” application.
  • Such a structure carries out the calculations particularly quickly and also does not require data transfer to and from a remote storage medium, e.g. a cloud server. This means that the changed parameter can be determined particularly quickly.
  • the determination unit can have a memory and/or a computing device, such as a microcontroller, a microprocessor, a digital signal processor (DSP) and/or a system on a chip (SoC) for executing the machine learning algorithm.
  • a computing device such as a microcontroller, a microprocessor, a digital signal processor (DSP) and/or a system on a chip (SoC) for executing the machine learning algorithm.
  • Training data of the machine learning algorithm can be stored directly on the system Data transfer to remote locations can be minimized or eliminated entirely. It can also be a Kl-capable communication chip.
  • the system also has a communication interface to establish a data connection with a remote machine learning algorithm.
  • a remote machine learning algorithm In other words, another Kl-capable computing unit that is not available on site can be used for certain operations. Certain tasks can thus be carried out with adapted properties, for example with increased computing power. Disadvantages such as a longer runtime must then be accepted for these tasks.
  • the system includes a platform for illustrating workflow integration and/or coordinating work among connected systems that are physically located apart from each other.
  • the system comprises a graphical user interface that can be displayed, for example, on a data-connected display device.
  • the system can be configured to display progress, for example live progress, an intermediate result and/or the predicted result, for example in the form of an optimized recipe, on the graphical user interface.
  • the system can have a control unit that can be connected to a communication interface.
  • the control unit can also be connected to the processing unit and/or the measuring device.
  • the control unit can include the detection unit or be connected to the detection unit. This allows central control.
  • the control unit can influence at least one parameter in the processing of the raw materials. For example, the control unit controls the addition of at least one raw material, e.g. a quantity and/or a ratio of an added raw material to at least one other raw material. Typically, the control unit controls all relevant processing parameters that are not fixed. For example, a total volume of a manufactured product can be fixed.
  • the control unit typically has access to the one or more determined properties of the product. The control unit can determine, based on the one or more determined properties, which subsequent step is to be performed, for example performing one or more further characterizations, performing further processing of the product and/or producing a modified product.
  • a material or product consists of the raw materials A, B and C in a certain mixing ratio.
  • the mixing ratio is defined by the dosing parameter W.
  • the processing parameters X, Y and Z were also used to produce the material.
  • the material was produced from the raw materials in the processing unit.
  • the material has the properties E1, E2 and E3. This was measured by the measuring device. Based on this material, an optimized recipe for a material with the changed or different target properties EZ1, EZ2 and EZ3 is now to be determined.
  • the raw materials, the dosing parameter W, the processing parameters X, Y, Z, the properties E1, E2 and E3 and the target properties ZE1, ZE2, ZE3 are made available to the machine learning algorithm.
  • the one or more changed parameters correspond to a recipe that has been optimized once. Based on these parameters, an optimized material or product can be produced. In particular, the optimized product is manufactured using the processing unit.
  • the properties can be measured again. A comparison can be made to see whether the properties measured in this way correspond to the target properties.
  • the above procedure can be run through again. This can be triggered manually or automatically, for example, if the measured properties do not correspond to the target properties ZE1, ZE2, ZE3.
  • a large number of iteration steps can be run through until the optimized recipe that corresponds as closely as possible or completely to at least one target property is found. This enables a high throughput in order to quickly find optimal formulations.
  • Figure 1 is a schematic representation of the process
  • Figure 2 is a schematic representation of the system
  • Figure 3 is a schematic representation of parts of the system
  • Figure 4 is a schematic representation of a measuring device
  • Figure 5 is a schematic representation of another measuring device
  • Figure 8 shows a schematic representation of Edge-loT communication
  • Figure 9 is a schematic representation of parts of the process.
  • Figure 1 shows the processing 12 of several raw materials to produce a product.
  • a predetermined parameter is used to produce the product.
  • a measurement of at least one property of the manufactured product is then carried out 13.
  • a changed parameter is then determined 14 to produce a product.
  • Feedback 15 can then take place, in which the changed parameter is used as a new predetermined parameter to produce the product.
  • the steps shown can now be repeated.
  • a product can now be produced again with the changed parameter.
  • a measurement can be carried out again and a changed parameter can be determined again. This can be repeated as often as desired.
  • the determination 14 is carried out by a machine learning algorithm.
  • a different parameter can be used than in the first execution of the steps.
  • a first parameter can be changed once or several times and then a second parameter can be changed once or several times.
  • Several parameters can be changed at once. Decisions about which parameters are changed and how can be made by the machine learning algorithm.
  • FIG. 2 shows schematically a system 20, in particular for carrying out the method.
  • the system comprises a processing unit 22 for processing several raw materials 1, 2, 3 to produce a product 5.
  • the processing unit comprises a dosing device 21 with which, for example, three raw materials 1, 2, 3 can be dosed. At least one predetermined parameter is used in the production of the product 5.
  • the system comprises a measuring device 23 for measuring at least one property of the manufactured product 5. The property allows a statement to be made about a target property.
  • the system further comprises a determination unit 24 for determining a changed parameter for the production of a product 5.
  • the determination unit 24 comprises a machine learning algorithm 28, which is preferably implemented directly in the determination unit 24, i.e. is a physical part of the system 20.
  • the determination unit 24 is preferably designed as an "algorithm on the chip".
  • the machine learning algorithm 28 determines the changed parameter using the measured property and the target property.
  • the solid arrows schematically represent the path of the raw materials 1, 2, 3 and the product 5.
  • the product is transported, for example, from the processing unit 22 to the measuring device 23. Physical transport is possible, but not necessary.
  • a transport device 26 can be present for this purpose.
  • An optional control unit 25 is also provided, which - as shown with the respective dashed arrows - is in data connection with the processing unit 22, the measuring device, the determination unit 24 and the optionally available interface 27.
  • the data connections are preferably implemented with cables.
  • the system 20 can receive data from outside, for example from a platform, and/or send data outside, for example to a platform.
  • Figure 3 shows schematically parts of the system for automated processing of materials.
  • Data streams and/or real-time monitoring 79, material streams and/or liquid handling activities 80 and asynchronous tasks 81 are shown with different arrows.
  • a large number of vials are arranged in a sample holder.
  • Raw materials can be dosed into the vials using one or more dosing devices, for example pipettes. There can be different dosing devices for different raw materials. Different products can be produced.
  • the sample holder can be moved to a measuring device, for example by a manipulator.
  • Waste disposal 82 can be provided.
  • a bleach rinse can be used.
  • 83 and/or a water rinse 84 may be provided, for example for cleaning the vials. In this way, another product can be manufactured automatically in the same vials.
  • Figure 4 shows an example of a measuring device 23, a rheometer for determining the dynamic viscosity.
  • This comprises a motor 70, which drives a spindle or a stirrer 72 via a calibrated spring 71.
  • the sample is located in a container underneath.
  • a protective arm 74 and a temperature sensor 75 are also present.
  • Figure 5 shows, as an example of a measuring device, a device for measuring, for example, a radius of dispersed particles 79, for example for quantifying ink stability, by means of dynamic light scattering.
  • a laser 76 irradiates the sample 77 and a detector 78 detects scattered light.
  • the scattering on the dispersed particles 79 is shown schematically at the top.
  • the lower schematic diagram shows the intensity of the scattered light on the abscissa axis and the time on the ordinate axis.
  • Figure 6 shows diagrams with target specifications, which can be, for example, target properties according to the invention. The characteristics of the different properties are shown on rays that run outwards from a center point. This results in a specific polygon, for example for a certain recipe.
  • energy density 58 in Wh/kg for example, power density 59 in W/kg, charging time 60 in h, service life 61 and costs 62 in USD or EUR are shown.
  • specific power discharge 63, usable specific energy 64, power density 59, usable energy density 65, service life 61, calendar life 66, manufacturing price 67 and operating temperature range 68 are shown.
  • Figure 7 shows levels (layers) of the machine learning algorithm.
  • the elements are shown symbolically on the left in the form of pictograms, while the individual layers are visualized on the right.
  • the physical level 56 which includes, for example, some or all of the schematically shown measured properties and/or target properties.
  • the edge/fog level 53 with fog nodes 54 and the edge gateway 55.
  • fog computing is used.
  • Fog computing also fog networking or fogging
  • the cloud layer 52 is an architecture that uses edge devices to perform a significant portion of the computations (edge computing), storage and communication locally and route them over the Internet backbone.
  • the cloud layer 52 where the cloud layer includes, for example, a data center 57.
  • the prediction layer 51 which is used to determine an optimized recipe.
  • Figure 8 shows communication of an edge IoT system.
  • Devices 31 such as a system according to the invention or parts thereof, user databases 32 and/or third-party databases 33 can serve as data sources 30.
  • Hardware and/or software interfaces can be present.
  • An aggregated intelligent database 39 can serve as database 38.
  • AI-controlled design 41, traceability 42 and/or quality assurance 43 can take place as output 40.
  • the dashed box describes the limits of the system and/or method according to the invention.
  • the data sources 30 can be used as input variables of the system and/or method.
  • the system or a part thereof is designed in particular as an IoT device. Artificial intelligence is thus linked to an IoT application.
  • a comprehensive Edge-loT communication of the characterization and laboratory facilities is shown
  • Figure 9 shows parts of the method.
  • a CL and/or machine learning algorithm and/or databases may be present for the orchestration of an edge IoT controlled robot table, in particular for ink production.
  • Data from stack, cell and/or device 44 may be used.
  • Sensors 45 may be used.
  • Communication 46 may take place, e.g. via a suitable interface.
  • Communication may take place with a cloud service, data processing 47 and/or data storage 48 may take place, for example via a cloud service.
  • Feedback 50 may take place, in particular for a two-way architecture.
  • Communication may take place to obtain and/or output a prediction of the composition 49, in particular of the ink. list of reference symbols
  • processing parameters and/or target properties are described.
  • Electrocatalytic activity for example of a material for an electrochemical device for generating, converting, transporting and/or storing energy (also referred to as energy material) and/or a material used to produce the catalyst ink,
  • additives and/or support materials for example dispersion medium, dispersant, rheology modifier and/or polymer
  • the machine learning algorithm can use any of these examples individually or in any combination.
  • the machine learning algorithm can also take into account:
  • BOL beginning of life
  • EOL end of life
  • the machine learning algorithm may determine one or more target properties, in particular taking into account the compositional requirements mentioned above.
  • the machine learning algorithm may take into account the costs associated with the materials and manufacturing processes when determining a modified parameter for the manufacture of a product.
  • the machine learning algorithm can use one or more different AI agents.
  • the machine learning algorithm can use one or more workflows of the AI agent(s).
  • the machine learning algorithm can determine and/or implement a workflow for one or more process optimizations.
  • One or more AI agents can be specialized in Bayesian optimization, graph data management, experimental design, optimization of the design of experiments and workflow orchestration. Different, particularly specialized, AI agents can be used for different of the above areas. In this way, the best component specifications can be achieved effectively or the optimal material can be obtained in an effective manner.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

Die Erfindung betrifft ein Verfahren und ein System zur Ermittlung einer optimierten Rezeptur für ein Material, insbesondere für eine Katalysatortinte. Ein Verfahren zur Ermittlung einer optimierten Rezeptur für ein Material, insbesondere eine Katalysatortinte, mit wenigstens einer Zieleigenschaft, umfasst Verarbeiten (12) mehrerer Rohstoffe (1, 2, 3) in einer Verarbeitungseinheit (22) unter Verwendung zumindest eines vorgegebenen Parameters zur Herstellung eines Produkts (5), Durchführen (13) einer Messung mit einer Messeinrichtung (23), wobei wenigstens eine Eigenschaft des hergestellten Produkts (5) gemessen wird, die eine Aussage über eine Zieleigenschaft erlaubt, und Ermitteln (14), mittels eines Maschinenlernalgorithmus (28) und unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts (5).

Description

Verfahren und System zur Entwicklung und Optimierung von Formulierungen für elektrochemische Materialien und Vorrichtungen für saubere Energie
Beschreibung
Die Erfindung betrifft ein Verfahren und ein System zur Ermittlung einer optimierten Rezeptur für ein Material, insbesondere für eine Katalysatortinte. Insbesondere dient das Verfahren zur Entwicklung von Produkten, insbesondere von Energiematerialien.
Die Ermittlung einer optimierten Rezeptur für Materialien für Energie- bzw. Wasserstoffanwendungen, beispielsweise für Katalysatormaterialien wie beispielsweise Katalysatortinte für Brennstoffzellen, ist arbeits- und zeitintensiv. Bisherige Verfahren basieren häufig auf „trial and error“ oder auf empirischen Methoden. Es wird beispielsweise ausgehend von einer Hypothese eine neue Formulierung hergestellt, charakterisiert, getestet und anschließend wird ein Parameter der Herstellung geändert und die geänderte Formulierung wieder hergestellt, charakterisiert und getestet. Häufig werden Erfahrungswerte genutzt, um Parameter geeignet anzupassen. Da die unterschiedlichen Parameter jedoch komplexen Wechselwirkungen mit anderen Parametern unterliegen und zudem unterschiedliche Einflüsse auf verschiedene Eigenschaften des Materials haben, kann ein Ändern eines Parameters zu unvorhergesehenen Ergebnissen führen. Abweichungen bei der Versuchsdurchführung, in der Integrität der Geräte, unterschiedlichen Fähigkeiten der mitwirkenden Personen haben starken, nicht quantifizierbaren Einfluss auf die Ergebnisse. Zudem ist eine derartige Herstellung langwierig, kostenintensiv und die Menge an anfallenden Daten ist aufwändig in der Handhabung.
Es ist die Aufgabe der Erfindung, die Entwicklung von Produkten und Herstellungsverfahren für diese Produkte schneller und einfacher zu gestalten.
Die Aufgabe wird gelöst durch ein Verfahren gemäß Anspruch 1 und ein System gemäß dem nebengeordneten Anspruch. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
Zur Lösung der Aufgabe dient ein Verfahren zur Ermittlung einer optimierten Rezeptur für ein Material mit wenigstens einer Zieleigenschaft, insbesondere für eine Katalysatortinte. Das Verfahren umfasst Verarbeiten mehrerer Rohstoffe in einer Verarbeitungseinheit unter Verwendung zumindest eines vorgegebenen Parameters zur Herstellung eines Produkts. Das Verfahren umfasst ferner Durchführen einer Messung mit einer Messeinrichtung, wobei wenigstens eine Eigenschaft des hergestellten Produkts gemessen wird, die eine Aussage über eine Zieleigenschaft erlaubt. Das Verfahren umfasst ferner Ermitteln, mittels eines Maschinenlernalgorithmus und insbesondere unter Verwendung der gemessenen Eigenschaft und/oder der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts.
Die erfindungsgemäße Lösung ermöglicht es durch die nun mögliche Automatisierung, schnell und einfach Rezepturen für neue Materialien zu entwickeln. Manuelle Versuchsdurführung ist nicht mehr notwendig. Damit zusammenhängende Fehler hinsichtlich Abweichungen bei Versuchsdurchführung, der Integrität der Geräte oder der Fähigkeiten der mitwirkenden Personen werden minimiert oder vollständig eliminiert. Zudem wird die Anzahl der Versuche verringert, da die Abschätzung inkrementeller Änderungen von Parametern nicht mehr auf ungenauer Erfahrung, sondern stattdessen auf automatisiert erkannten Mustern basiert. Dies geht wiederum mit verringerten Zeiten einher. Die Ermittlung geänderter Parameter für eine optimierte Rezeptur kann auf diese Weise vollständig automatisiert erfolgen.
In der Summe kann die Entwicklungszeit im Vergleich zu herkömmlichen Verfahren um einen Faktor > 10 bis hin zu 100 verringert werden. Die Erfolgsquote kann um einen Faktor von 10 erhöht werden.
Im Anschluss an die erfindungsgemäßen Verfahrensschritte können in einem weiteren Iterationsschritt mit der Verarbeitungseinheit mehrere Rohstoffe unter Verwendung des geänderten Parameters verarbeitet werden. Mit anderen Worten kann die Verarbeitungseinheit basierend auf dem geänderten Parameter gesteuert werden. Beispielsweise kann der Maschinenlernalgorithmus oder eine Ermittlungseinheit, die den Maschinenlernalgorithmus umfasst, Teil einer Steuerungseinheit sein oder mit einer Steuerungseinheit verbunden sein, die zur Steuerung der Verarbeitungseinheit eingerichtet ist. Anschließend kann mit der Messeinrichtung eine erneute Messung einer Eigenschaft durchgeführt werden, die eine Aussage über eine Zieleigenschaft erlaubt. Anschließend kann, mittels des Maschinenlernalgorithmus und unter Verwendung der erneut gemessenen Eigenschaft, zumindest ein geänderter Parameter zur Herstellung eines Produkts ermittelt werden. Die genannten Schritte können ggf. weiter wiederholt werden. Auf diese Weise kann in mehreren Iterationsschritten eine immer weiter optimierte Rezeptur ermittelt werden.
Eine Rezeptur umfasst wenigstens einen Parameter zur Herstellung des Materials. Die zu ermittelnde Rezeptur umfasst dabei den geänderten oder optimierten Parameter. Die Rezeptur kann dabei wenigstens einen Verarbeitungsparameter und/oder wenigstens einen Dosierparameter umfassen, wie weiter unten im Detail ausgeführt wird. Insbesondere werden mehrere Parameter verwendet und es werden entsprechend mehrere geänderte Parameter ermittelt. In einer Ausführungsform werden mittels des Maschinenlernalgorithmus und unter Verwendung der wenigstens einen gemessenen Eigenschaft und der wenigstens einen Zieleigenschaft, mindestens zwei oder mindestens drei geänderte Parameter zur Herstellung des Produkts ermittelt.
Beispielsweise kann die Verarbeitung unter Verwendung von zwei oder drei vorgegebenen Parametern erfolgen. Hierbei können eine oder mehrere Zieleigenschaften vorgegeben worden sein. Es können eine Messung oder mehrere Messungen von einer oder mehreren Eigenschaften durchgeführt werden, die eine Aussage über eine Zieleigenschaft erlaubt. Dies kann mit einer oder mehreren Messeinrichtungen erfolgen. Es können je nach Anzahl der vorgegebenen Parameter zwei oder drei geänderte Parameter ermittelt werden.
Insbesondere wird das Verfahren basierend auf einer Vorgabe wenigstens einer Zieleigenschaft durchgeführt. Das Verfahren kann also das Vorgeben einer Zieleigenschaft umfassen. Das Verfahren kann ferner das Vorgeben des wenigstens einen Parameters umfassen. Dieser dient als Startpara meter oder erster Parameter, von dem ausgehend der geänderte oder optimierte Parameter bestimmt wird. In einer Ausführungsform umfasst das Verfahren Erhalten eines vorgegebenen Parameters, beispielsweise durch eine Verarbeitungseinheit, eine Steuerungseinheit oder durch die Ermittlungseinheit. Das Verfahren kann das Ausgeben oder Senden des mindestens einen geänderten Parameters umfassen. Der geänderte Parameter kann auch als optimierter Parameter bezeichnet werden.
Die Verarbeitungseinheit dient der Verarbeitung der Rohstoffe zwecks Herstellung des Produkts. Die Verarbeitungseinheit kann einen Mischer, beispielsweise umfassend ein Rührwerk, zum Mischen der Rohstoffe aufweisen. Die Verarbeitungseinheit kann mindestens ein Verarbeitungsgefäß umfassen, in dem die Rohstoffe verarbeitet werden und/oder in dem das Produkt aus den Rohstoffen hergestellt wird. Das Verarbeitungsgefäß kann beispielsweise ein Fläschchen (engl.: vial) sein. Die Verarbeitungseinheit kann dazu eingerichtet sein, einen oder mehrere vorgegebene Parameter (Soll-Parameter) oder tatsächliche Parameter (Ist-Parameter) zu senden. Ein tatsächlicher Parameter kann von einem vorgegebenen Parameter abweichen. Der tatsächliche Parameter charakterisiert eine tatsächliche Eigenschaft bei der Verarbeitung der Rohstoffe in der Verarbeitungseinheit.
Typischerweise wird das Produkt chargenweise (engl.: batchwise) hergestellt. Es wird also ein bestimmtes Volumen des Produkts hergestellt und anschließend erfolgt die Messung.
Die Herstellung des Produkts kann ein einfaches Mischen umfassen oder sein. Dabei ist das Produkt die Mischung aus den Rohstoffen. Die Herstellung des Produkts kann auch beispielsweise die Durchführung einer physikalischen und/oder chemischen Reaktion umfassen.
Die Messeinrichtung dient der Messung zumindest einer Eigenschaft des hergestellten Produkts. Beispielsweise wird eine Viskosität und/oder ein Partikelradius bestimmt.
In einer Ausrührungsform wird die Zieleigenschaft selbst gemessen. Es ist aber auch möglich, dass eine andere Eigenschaft gemessen wird, die eine Aussage über die Zieleigenschaft erlaubt. Beispielsweise kann eine Viskosität gemessen werden, wobei die Viskosität eine Aussage über eine Zieleigenschaft wie die Lebensdauer oder die Verarbeitbarkeit erlaubt.
In einer Ausführungsform umfasst das Verfahren Erhalten, durch die Ermittlungseinheit, der gemessenen Eigenschaft. Zur Ermitteln des geänderten Parameters wird insbesondere die gemessene Eigenschaft an den Maschinenlernalgorithmus übermittelt. Dies geschieht insbesondere ausschließlich kabelgebunden, insbesondere bei den weiter unten beschriebenen „AI on the Chip“- Anwendungen. Dadurch werden Übertragungszeiten minimiert und die Ermittlung des geänderten Parameters kann stark beschleunigt ausgeführt werden. In einer Ausführungsform umfasst das Verfahren Erhalten, durch die Ermittlungseinheit, einer Zieleigenschaft. Insbesondere wird die Zieleigenschaft an den Maschinenlernalgorithmus übermittelt. Basierend auf der gemessenen Eigenschaft und der Zieleigenschaft ermittelt der Maschinenlernalgorithmus den geänderten Parameter.
Der maschinelle Lernalgorithmus ist trainiert mit Trainingsdaten. Die Trainingsdaten umfassen typischerweise eine Vielzahl an Produkten aus Rohstoffen, die unter Verwendung zumindest eines Parameters hergestellt worden sind, und typischerweise zugehörige Eigenschaften. Die Eigenschaften wurden bevorzugt gemessen, können aber alternativ oder ergänzend auch teilweise oder in Gänze berechnet worden sein. Die Produkte können mittels der Verarbeitungseinheit hergestellt worden sein. Die Eigenschaften können mittels der Messeinrichtung gemessen worden sein. Die Trainingsdaten können Daten umfassen oder aus Daten bestehen, die mit dem erfindungsgemäßen System ermittelt worden sind. Die Trainingsdaten können Daten umfassen, die mit einer zusätzlichen Einheit ermittelt worden sind. Die zusätzliche Einheit kann Teil des Systems sein.
Insbesondere werden der zumindest eine Parameter, die zumindest eine gemessene Eigenschaft, der zumindest eine geänderte Parameter und ggf. auch die Zieleigenschaft vom Maschinenlernalgorithmus als Trainingsdaten für zukünftige Ermittlungen verwendet. Auf diese Weise wird ein selbstlernendes Verfahren bzw. System geschaffen (z. B. bestärkendes Lernen, engl.: reinforcement learning).
Das Verfahren kann die Herstellung des Materials umfassen. In diesem Fall kann das Verfahren als Verfahren zur Herstellung eines Materials bezeichnet werden.
In einer Ausgestaltung wird als Parameter ein Verarbeitungsparameter genutzt. Ein Verarbeitungsparameter ist ein Parameter, der bei der Verarbeitung in der Verarbeitungseinheit verwendet wird. Beispielsweise kann als Verarbeitungsparameter eine Temperatur, ein Druck oder eine Drehzahl eines Mischers verwendet werden. Diese Verarbeitungsparameter haben Einfluss auf die Eigenschaften des hergestellten Produkts. Ein Mischen der Rohstoffe durch die Verarbeitungseinheit kann mit zumindest einem vorgegebenen Verarbeitungsparameter erfolgen. Beispielsweise wird ein vorgegebener Verarbeitungsparameter genutzt und ein geänderter Verarbeitungsparameter ermittelt. Es können mehrere Verarbeitungsparameter verwendet werden und mehrere geänderte Verarbeitungsparameter ermittelt werden. Diese Ausgestaltung erlaubt die automatisierte und schnelle Ermittlung von Verarbeitungsparametern. Weitere Beispiele für Verarbeitungsparameter sind weiter unten angegeben. Zudem sind als Parameter auch Verarbeitungsparameter möglich, die sich auf nachgeschaltete Schritte beziehen, wie beispielsweise die Abscheidung des hergestellten Produkts auf eine Membran zur Herstellung einer katalysatorbeschichteten Membran (engl.: catalyst-coated membrane, CCM). Diese Schritte und damit verbundene Verarbeitungsparameter sind ebenfalls weiter unten beschrieben.
In einer Ausgestaltung weist die Verarbeitungseinheit zumindest eine Dosiereinrichtung zur gesteuerten Dosierung eines Rohstoffs auf. Es wird insbesondere ein Dosierparameter der zumindest einen Dosiereinrichtung als Parameter genutzt.
Eine Dosiereinrichtung ist insbesondere dazu eingerichtet, anhand einer oder mehrerer Mengenvorgaben jeweils eine definierte Menge eines oder mehrerer Rohstoffe zuzugeben. Ein Rohstoff kann fest, beispielsweise pulverförmig oder granuliert, oder flüssig, beispielsweise als Reinstoff, gelöst oder dispergiert vorliegen. Ebenso ist es grundsätzlich auch möglich, gasförmige Rohstoffe zu verwenden. Eine Menge kann sich z. B. auf ein Volumen und/oder ein Gewicht des Rohstoffs beziehen.
Ein Dosierparameter ist ein Parameter, der bei der Dosierung mittels einer Dosiereinrichtung verwendet wird. Beispielsweise kann als Dosierparameter eine Dosiermenge, eine Dosiergeschwindigkeit, eine Reihenfolge und/oder Geschwindigkeit der Dosierung oder Zuführung oder ein Mischungsverhältnis mehrerer zu dosierender Rohstoffe verwendet werden. Als Dosierparameter kann beispielsweise die stoffliche Zusammensetzung der Mischung oder des Produkts aus den einzelnen Rohstoffen genutzt werden. Dementsprechend können dann die mehreren Rohstoffe im vorgegebenen Verhältnis dosiert werden. Beispielsweise wird ein vorgegebener Dosierparameter genutzt und es wird ein geänderter Dosierparameter ermittelt. Es können mehrere Dosierparameter verwendet werden und mehrere geänderte Dosierparameter ermittelt werden. Es können ein oder mehrere Verarbeitungsparameter und ein oder mehrere Dosierparameter verwendet werden und entsprechende geänderte Dosier- und Verarbeitungsparameter ermittelt werden. Diese Ausgestaltung erlaubt die automatisierte und schnelle Ermittlung von Dosierparametern.
In einer Ausführungsform umfasst die Dosiereinrichtung mehrere, insbesondere mindestens drei Dosiereinheiten, zur gesteuerten Dosierung jeweils eines Rohstoffs. In einer Ausgestaltung umfasst die Dosiereinrichtung eine Dosiereinheit für ein Lösungsmittel, eine Dosiereinheit für ein Metall oder Katalysatormaterial ein und/oder eine Dosiereinheit für ein Polymer. Diese Ausgestaltung erlaubt es, unterschiedliche Zusammensetzungen des Materials schnell und automatisiert zu untersuchen. Hierbei umfasst das Verarbeiten der mehreren Rohstoffe durch die Verarbeitungseinheit ein Dosieren eines Lösungsmittel, eines Metalls oder Katalysatormaterials und/oder eines Polymers.
Beispielsweise wird durch die Verarbeitungseinheit als Produkt Katalysatortinte unter Verwendung eines Polymers, eines Dispersionsmediums und eines Katalysatormaterials hergestellt. Zudem können ein oder mehrere Additive, ein Dispergiermittel und/oder ein Rheologiemodifikator zur Herstellung der Katalysatortinte verwendet werden. In diesem Fall kann die Dosiereinrichtung zudem eine Dosiereinheit für ein oder mehrere Additive und/oder eine Dosiereinheit für ein Dispergiermittel umfassen.
Das Polymer ist insbesondere ein Ionomer. Das Katalysatormaterial enthält insbesondere ein Metall. Das Katalysatormaterial ist bevorzugt als Beschichtung auf einem Träger angeordnet. Der Träger ist beispielsweise Kohlenstoff. Das Katalysatormaterial kann pulverförmig sein. Das Katalysatormaterial kann zur Verbesserung der Handhabung bereits vordispergiert in einem Dispergiermittel vorliegen. Das Dispergiermittel kann ein polares Lösungsmittel mit niedrigem Siedepunkt sein. Alternativ kann das Katalysatormaterial direkt in ein Verarbeitungsgefäß dosiert werden, ohne vordispergiert zu sein.
Weitere Beispiele für Verarbeitungsparameter sind Typ des Dispersionsmediums, Inhalt des Dispersionsmediums, Typ des Ionomers, Beladung des Ionomers, Typ des Katalysators oder Elektrokatalysators, Ladung des Katalysators oder Elektrokatalysators, Typ des Additivs, Dispergiermittels und/oder Rheologiemodifikators, Beladung des Additivs, Dispergiermittels und/oder Rheologiemodifikators (in der Regel sehr gering), Temperatur, Verfahren und/oder Intensität des Mischens, Gesamtfeststoffgehalt in der Tinte.
In einer Konfiguration des Verfahrens wird mittels eines Maschinenlernalgorithmus, beispielsweise mittels des Maschinenlernalgorithmus zur Ermittlung des geänderten Parameters, ein Messparameter für die Durchführung einer Messung wenigstens einer Eigenschaft des mit dem veränderten Parameter hergestellten Produkts gemessen.
In einer Ausgestaltung wird wenigstens eine Eigenschaft des hergestellten Produkts mittels eines rechnerischen Modells ermittelt. Die mittels des rechnerischen Modells ermittelte Eigenschaft wird bei der Ermittlung des geänderten Parameters berücksichtigt. Es werden zumindest zwei Eigenschaften des hergestellten Produkts ermittelt, wobei eine Eigenschaft gemessen wird und die andere anhand des rechnerischen Modells ermittelt wird.
Ein rechnerisches Modell beschreibt das Zusammenspiel von einzelnen Komponenten eines komplexen Systems, beispielsweise aus der Natur, mit den Mitteln der Mathematik. Typischerweise ist das Modell so ausgebildet, dass es einen realen Vorgang wie z. B. eine Messung, z. B. eine Viskositätsmessung, abbildet. Eingangsgrößen des Modells können gemessen oder ihrerseits mittels eines Modells ermittelt worden sein. Die Ermittlung von Eigenschaften mit rechnerischen Modellen kann schneller, einfacher und kostengünstiger sein als die Messung derselben Eigenschaften. Zudem kann die mit dem rechnerischen Modell ermittelte Eigenschaft eine für die Zwecke des Verfahrens ausreichende Genauigkeit aufweisen. Auf diese Weise kann also weiter beschleunigt und vereinfacht eine optimierte Rezeptur ermittelt werden.
In einem unabhängigen Aspekt der Erfindung erfolgt die Ermittlung wenigstens einer Eigenschaft des hergestellten Produkts, die eine Aussage über eine Zieleigenschaft erlaubt, mittels des rechnerischen Modells anstelle der Messung mit der Messeinrichtung. Hierbei muss also keine Messeinrichtung vorhanden sein.
In einer Ausgestaltung wird eine Entscheidung getroffen, ob eine gemessene Eigenschaft und/oder die mittels des Modells ermittelte Eigenschaft des hergestellten Produkts zur Ermittlung des geänderten Parameters verwendet wird. Insbesondere wird die Entscheidung automatisiert getroffen.
Es kann beispielsweise ermittelt werden, dass die Abweichungen gering sind und insbesondere, dass der Unterschied im Aufwand zwischen Messung und Modellierung hoch ist. Beispielsweise im Anschluss an eine derartige Ermittlung kann beispielsweise die Entscheidung getroffen werden, dass eine Modellierung für den vorliegenden Zweck ausreicht. In einer Ausführungsform kann zudem eine Entscheidung getroffen werden, welches von mehreren rechnerischen Modellen verwendet wird. Das Treffen einer oder beider der genannten Entscheidungen kann in einer Modellmanagementeinheit erfolgen. Insbesondere werden eine oder beide Entscheidungen mittels eines Maschinenlernalgorithmus, typischerweise mittels des Maschinenlernalgorithmus zur Ermittlung des geänderten Parameters, getroffen. Auf diese Weise kann der Automatisierungsgrad erhöht werden und das Verfahren weiter beschleunigt werden. Es kann z. B. automatisiert abgeschätzt werden, wie hohe Abweichungen zwischen einer Messung und der Modellierung zu erwarten sind.
In einer Ausgestaltung wird das hergestellte Produkt bearbeitet. Es wird eine Eigenschaft des bearbeiteten Produkts ermittelt und zur Ermittlung der geänderten Eigenschaft mittels des Maschinenlernalgorithmus verwendet.
Zu diesem Zweck kann das System eine Bearbeitungseinheit aufweisen, mit der das hergestellte Produkt bearbeitet werden kann. Die Bearbeitung kann auch zumindest teilweise manuell und/oder außerhalb des Systems erfolgen.
In einem Ausführungsbeispiel kann das hergestellte Produkt auf einem Gegenstand wie einer Membran abgeschieden werden. Beispielsweise kann dann ein Lösungsmittel des Produkts evaporieren. So kann eine katalysatorbeschichtete Membran (engl.: catalyst-coated membrane, CCM) hergestellt werden. Diese umfasst die Membranschicht und die Katalysatorschicht. Es können eine oder mehrere Eigenschaften der CCM ermittelt werden.
Anschließend kann die CCM mit einer weiteren Schicht verbunden werden, beispielsweise mit einer Gasdiffusionslage (engl: gas diffusion layer, GDL). Auf diese Weise entsteht eine Membranelektrodenanordnung (engl: membran electrode assembly, MAE), die drei Schichten aufweist. Es können eine oder mehrere Eigenschaften der MAE ermittelt werden. Die MAE kann über einen kurzen oder längeren Zeitraum getestet werden und die ermittelten oder erhaltenen Testergebnisse können zur Ermittlung der geänderten Eigenschaft verwendet werden. Für besonders aussagekräftige Ergebnisse sollte die MAE über viele Stunden, beispielsweise 1000 Stunden oder mehr, unter möglichst realistischen Bedingungen getestet werden. Es können zwei MAEs zu einer Zelle zusammengefügt werden. Ein Stack oder Zellenstapel kann wiederum aus einer Vielzahl von Zellen zusammengefügt werden, es können eine oder mehrere Eigenschaften einer Zelle oder eines Stacks ermittelt werden.
Die ermittelten Eigenschaften, beispielsweise bezüglich der Dauerhaftigkeit, der Anzahl an Ladezyklen und/oder der Charakterisierung anhand bestimmter Kennwerte über die Zeit, können zur Ermittlung des geänderten Parameters verwendet werden.
Weitere Beispiele für Verarbeitungsparameter, die als Parameter genutzt werden können, sind im Folgenden beschrieben: Die Tintenabscheidungs-Temperatur wirkt sich auf die Verdampfungsrate der in der Tinte verwendeten Dispersionsmittel aus und hat somit einen gewissen Einfluss auf die entstehende Mikrostruktur. Die Geschwindigkeit, mit der die Tinte auf das Substrat aufgetragen wird, unabhängig vom Verfahren des Auftrags., wird insbesondere so gesteuert, dass sie mit den übrigen Produktionsgeschwindigkeiten wie beispielsweise Substratgeschwindigkeit, Verdampfung und/oder Härtung, in Einklang steht. Als Verfahren des Auftrags kann Gießen oder Sprühen gewählt werden. Der Druck der Tinte in Bezug auf das Zielsubstrat beeinflusst die zu bildende Mikrostruktur und die Bildung von Defekten (z. B. Nadellöchern). Die Substrattemperatur beeinflusst die Bildung von Mikrostrukturen und/oder die Verdunstung. Das Substrat kann beispielsweise leicht erwärmt werden, um die Bildung von Mikrostrukturen und die Verdunstungsgeschwindigkeit von Dispersionsmitteln nach dem Aufträgen zu verbessern. Dies ist bei ausgewählten Substraten möglich.
In einer Ausführungsform wurde der Maschinenlernalgorithmus trainiert mit Trainingsdaten, die Eigenschaften oder Messwerte von Zellenstapeln, Zellen oder MAEs enthalten. Auf diese Weise ist eine möglichst anwendungsnahe Untersuchung des hergestellten Materials möglich, die eine optimale Einschätzung der Qualität einer optimierten Rezeptur erlaubt. So kann eine besonders geeignete optimierte Rezeptur ermittelt werden.
In einer Ausgestaltung wird als Eigenschaft eine Kennzahl gemessen, die eine Aussage über die Viskosität des Produkts erlaubt. Die Eigenschaft kann die Viskosität selbst oder ein verwandter Parameter sein. Beispielsweise kann als Messeinrichtung ein Rheometer verwendet werden. Einzelne Fläschchen können beispielsweise zu der Messeinrichtung und/oder zu einer Messposition in der Messeinrichtung transportiert werden, um die Messung durchzuführen. Insbesondere erfolgt die Messung zerstörungsfrei. Beispielsweise kann ein Viskosimeter genutzt werden. Insbesondere erfolgt die Messung der Viskosität als Funktion der Scherrate (s-1).
Das hergestellte Produkt kann in Abhängigkeit seiner Zusammensetzung newtonsches oder nicht-newtonsches Verhalten aufweisen. Insbesondere im Falle einer Katalysatortinte kann das Produkt strukturviskoses (scherverdünnendes) Verhalten aufweisen.
Während der Messung kann die Temperatur der zu messenden Probe eingestellt oder gesteuert sein. Die Messeinrichtung kann eine Temperierungseinheit aufweisen.
In einer Ausgestaltung wird als Eigenschaft ein Radius gemessen, beispielsweise ein hydrodynamischer Radius.
Es wird ein Radius zumindest eines Teils des Produkts gemessen. Beispielsweise kann ein Radius von dispergierten Teilchen gemessen werden, die in einer kontinuierlichen Phase vorliegen. Dies kann beispielsweise mittels dynamischer Lichtstreuung (engl.: dynamic light scattering, DLS) erfolgen. Beispielsweise kann ein mittlerer Radius, ein minimaler Radius, ein maximaler Radius und/oder eine oder mehrere weitere geeignete Kennzahlen bezüglich des Radius ermittelt werden. Hierbei kann Laserstrahlung verwendet werden, welche aufgrund der Probe gestreut wird. Durch einen geeigneten Detektor kann Intensität der resultierenden Laserstrahlung und/oder die Streuung ermittelt werden. Die Messeinrichtung kann eine Steuerung umfassen, um die Messung zu steuern. Beispielsweise kann die Messung gemäß dem Standard ASTM E3247-20 der ASTM International (engl.: „American Society for Testing and Materials“) erfolgen. Einzelne Fläschchen können beispielsweise zu dem Messgerät transportiert werden, um die Messung durchzuführen. Insbesondere erfolgt die Messung zerstörungsfrei.
Es können basierend auf vorgegebenen Messparametern wie z. B. Wellenlängen des gestreuten Lichts, Winkeln, Intensitäten, Phasenverschiebungen, Dauer und/oder Temperatur eine oder mehrere Messungen durchgeführt werden. Es können mehrere Messergebnisse wie Partikelgröße, Partikelgrößenverteilung und/oder Zetapotential ermittelt werden. Es kann eine Messung über einen definierten Zeitraum erfolgen, um die Stabilität zu charakterisieren. Im Falle mehrerer Produkte werden typischerweise alle Produkte auf diese Weise untersucht. So kann die Stabilität eines jeweiligen Produkts ermittelt werden. Es können über eine Ausgangseinheit, beispielsweise ein datentechnisch verbundenes Anzeigegerät, Eingangs- und Ausgangsdaten, Ergebnisse und eine Zusammenfassung ausgegeben werden.
In einer Ausführungsform wird als Eigenschaft eine Dichte des Produkts gemessen. In einer Ausführungsform wird ein mikroskopisches Bild von dem Produkt hergestellt und analysiert. Beispielsweise wird daraus eine Kennzahl extrahiert. Dies kann mittels des oder eines weiteren Maschinenlernalgorithmus erfolgen.
Im Falle mehrerer Produkte werden typischerweise alle Produkte auf diese Weise untersucht. So kann die Viskosität eines jeweiligen Produkts ermittelt werden. Es können über eine Ausgangseinheit, beispielsweise ein datentechnisch verbundenes Anzeigegerät, Eingangs- und Ausgangsdaten, Ergebnisse und eine Zusammenfassung ausgegeben werden.
In einer Ausführungsform sind eine Messeinrichtung zur Messung einer Kennzahl, die die eine Aussage über die Viskosität des Produkts erlaubt, und eine Messeinrichtung zur Messung eines Radius vorhanden. Es werden demnach beide Messungen durchgeführt.
In einer Ausführungsform werden mehrere unterschiedliche Eigenschaften des Produkts gemessen. Es kann automatisiert eine Entscheidung getroffen werden, welche Eigenschaften des Produkts gemessen werden. Es kann eine Reihenfolge von Messungen automatisiert festgelegt werden. Es kann basierend auf einem Messergebnis einer ersten Messung automatisiert eine Entscheidung getroffen werden, ob eine zweite Messung derselben oder einer anderen Eigenschaft notwendig ist. Hierbei können Informationen der zweiten Messung wie z. B. der der mit der zweiten Messung verbundene Aufwand berücksichtigt werden. Die beschriebenen automatisierten Entscheidungen und Festlegungen können teilweise oder vollständig mittels eines Maschinenlernalgorithmus, insbesondere mittels des Maschinenlernalgorithmus zur Ermittlung des geänderten Parameters, erfolgen. In einer Ausführungsform wird die zumindest eine gemessene Eigenschaft an eine Plattform gesendet. In einer Ausführungsform wird zumindest ein vorgegebener Parameter und/oder zumindest ein tatsächlicher Parameter an eine Plattform gesendet. In einer Ausführungsform wird ein ermittelter geänderter Parameter an eine Plattform gesendet. So werden wesentliche Werte des Verfahrens zentral verfügbar gemacht. In einer Ausführungsform werden die an die Plattform gesendeten Werte durch die Plattform verarbeitet, beispielsweise grafisch dargestellt und/oder analysiert. Die so erhaltenen Informationen werden bevorzugt verfügbar gemacht.
In einer Ausführungsform ist das Material ein Material für eine elektrochemische Einrichtung zur Erzeugung, Umwandlung, zum Transport und/oder zur Speicherung von Energie. Das Material kann ein Elektrodenmaterial oder ein Katalysatormaterial sein. Das Produkt kann das Elektrodenmaterial bzw. das Katalysatormaterial oder ein Vorläuferprodukt wie z. B. eine Katalysatortinte sein. Das Material kann ein Material für eine Batterie im Benutzermaßstab oder als Großspeicher im Netzmaßstab, eine Brennstoffzelle, einen Elektrolyseur, einen Superkondensator oder ein Gerät zur Elektrodialyse sein. Derartige Materialien beeinflussen die Mikrostruktur und Effizienz der chemischen Umsetzung und haben damit direkten Einfluss auf die Leistungsfähigkeit, Effizienz und Kosten der jeweiligen Vorrichtung. Ein wesentlicher Parameter ist beispielsweise die chemische Stabilität von Katalysatortinte, um damit eine Katalysatorschicht mit optimal ausbalancierter Zusammensetzung und Mikrostruktur herzustellen.
In einer Ausführungsform wird dem hergestellten Produkt ein eindeutiger Identifikator zugeordnet. Insbesondere werden der Identifikator sowie der zumindest eine vorgegebene Parameter, die wenigstens eine gemessene Eigenschaft und der zumindest eine geänderte Parameter in einer Datenbank gespeichert und/oder an eine Plattform gesendet.
Auf diese Weise wird eine Rückverfolgbarkeit von Daten gewährleistet. Es kann auf jedes hergestellte Material und die zugehörigen Daten zugegriffen werden. Die gespeicherten Daten können dem Maschinenlernalgorithmus als weitere Trainingsdaten zur Verfügung gestellt werden. Beispielsweise kann als Identifikator ein QR-Code oder Barcode genutzt werden. In einer Ausführungsform wird in einer Charge eine Vielzahl von Produkten hergestellt. Es werden für jedes Produkt jeweils eine oder mehrere Messungen durchgeführt. Der zumindest eine geänderte Parameter wird anschließend basierend auf der Vielzahl an gemessenen Eigenschaften und der Zieleigenschaft ermittelt.
Beispielsweise sind Probenaufnahmen oder Fläschchen (vials) für 5x5, also 25 Proben, vorgesehen. So kann der Durchsatz vervielfacht werden. Es können feine Abstufungen eines oder mehrerer Parameter verwendet werden, um die Dauer bis zum Erhalt einer besonders optimierten Rezeptur zu verringern und/oder um einem theoretischen Optimum besonders nahe zu kommen.
Es kann ein automatisiertes Verschließen der Verarbeitungsgefäße erfolgen, beispielsweise ein zerstörungsfrei reversibles Verschließen, beispielsweise mit einer Schraubkappe. Es kann ein automatisiertes Öffnen der Verarbeitungsgefäße erfolgen. Es kann ein automatisierter Transport der Verarbeitungsgefäße erfolgen. Beispielsweise kann ein Verarbeitungsgefäß zu einer Messeinrichtung transportiert werden, um die Messung durchzuführen.
Ein weiterer Aspekt der Erfindung ist ein System zur Ermittlung einer optimierten Rezeptur für ein Material mit wenigstens einer Zieleigenschaft, insbesondere für eine Katalysatortinte. Das System umfasst eine Verarbeitungseinheit zum Verarbeiten mehrerer Rohstoffe zur Herstellung eines Produkts unter Verwendung zumindest eines vorgegebenen Parameters, Eine Messeinrichtung zum Durchführen einer Messung, wobei wenigstens eine Eigenschaft des hergestellten Produkts gemessen wird, die eine Aussage über eine Zieleigenschaft erlaubt, und eine Ermittlungseinheit, die dazu eingerichtet ist, mittels eines Maschinenlernalgorithmus und unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts zu ermitteln. Alle Merkmale, Vorteile und Ausgestaltungen des eingangs beschriebenen Verfahrens gelten auch für das System und umgekehrt.
Das System kann beispielsweise in Form eines Tischs implementiert sein. Die Verarbeitungseinheit, die Messeinrichtung und insbesondere auch die Ermittlungseinheit können sich auf oder an dem Tisch befinden. Das System kann modular aufgebaut sein. Beispielsweise kann das System mehrere unterschiedliche Messeinrichtungen umfassen, die je nach Anforderung gewählt werden. Dies kann automatisiert erfolgen. Das System ist bevorzugt als selbst-steuerndes Labor (engl.: „self-driving lab“) oder automatisiertes Labor (engl.: „automated lab“) ausgestaltet. Derartige Labore kombinieren künstliche Intelligenz mit automatisierten Roboterplattformen für die wenigstens weilweise autonome Entdeckung neuer Materialien.
Das System kann aus einem oder mehreren bestehenden Geräten zusammengesetzt werden, die mit einer Ermittlungseinheit kombiniert werden, die dazu eingerichtet ist, mittels eines Maschinenlernalgorithmus und unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts zu ermitteln. Diese ist insbesondere eine Edge-loT-Einheit. Mit anderen Worten ist der Maschinenlernalgorithmus insbesondere in die Ermittlungseinheit eingebettet. Beispielsweise kann eine bestehende Verarbeitungseinheit und/oder eine bestehende Messeinrichtung verwendet werden, oder es kann ein bestehenden System verwendet werden, welches eine entsprechende Verarbeitungseinheit und eine Messeinrichtung umfasst. Anpassungen der Rezeptur können on-the-fly durchgeführt werden, ohne Verzögerungen, z. B. durch Datenübertragung, in Kauf nehmen zu müssen. Auch mit einer geringeren Anzahl an Proben können Optimierung der Rezeptur und/oder Screening einer Vielzahl von Produkten mit hohem Durchsatz erfolgen.
Typischerweise sind die Verarbeitungseinheit und die Messeinrichtung voll integriert und/oder in einem System mit hohem Durchsatz. Insbesondere enthält das System eine Datenschnittstelle, die einen Datenaustausch erlaubt. So kann eine temporäre oder dauerhafte Verbindung zu einem externen und/oder dezentralen Datenspeicher, beispielsweise einer eigenen Cloud (engl.: in-house cloud) oder einer Plattform, hergestellt werden. Es kann z. B. eine virtuelle Materialien-Intelligenzplattform- Schnittstelle vorhanden sein. Abstimmung, Planung und/oder Durchführung der Verfahren zur Ermittlung einer optimierten Rezeptur für ein Material können durch die genannte Schnittstelle und/oder durch die Ermittlungseinheit erfolgen. Es kann mittels des Maschinenlernalgorithmus eine KI-loT (engl.: AloT) - Analyse ermöglicht werden.
In einer Ausgestaltung weist das System ferner eine Transporteinrichtung auf, mit der das hergestellte Produkt zu der Messeinrichtung transportiert werden kann. Insbesondere kann das hergestellte Produkt von der Verarbeitungseinheit zu der Messeinrichtung transportiert werden. Die Transporteinrichtung kann als Handhabungseinrichtung (Industrieroboter) ausgestaltet sein. Diese Ausgestaltung erlaubt einen besonders raschen und reproduzierbaren Transport.
In einer Ausgestaltung befindet sich die Ermittlungseinheit mit dem Maschinenlernalgorithmus in räumlicher Umgebung der Verarbeitungseinheit und/oder der Messeinrichtung, bevorzugt in unmittelbarer räumlicher Umgebung. Damit ist gemeint, dass der Maschinenlernalgorithmus nicht aus der Entfernung (engl.: remote) wirkt, beispielsweise über ein Datennetzwerk angebunden ist, sondern unmittelbar an der physischen Einheit des Systems implementiert ist. Beispielsweise umfasst die Ermittlungseinheit einen Kl-Chip. Zumindest ein Teil der Kl-Anwendungen kann auf diese Weise vor Ort implementiert werden. Beispielsweise ist ein Abstand zwischen der Ermittlungseinheit mit dem Maschinenlernalgorithmus und der Verarbeitungseinheit und/oder der Messeinrichtung nicht größer als 10 m, insbesondere als 5 m, bevorzugt als 2 m. Die Ermittlungseinheit und die Verarbeitungseinheit können Teil desselben Geräts sein. Ein Abstand zwischen der Ermittlungseinheit und der Verarbeitungseinheit kann mindestens 1 mm betragen. Insbesondere ist der Maschinenlernalgorithmus in die Ermittlungseinheit eingebettet.
Auf diese Weise wird eine „AI on the Chip”- Anwendung, auch „AI chip at the edge“- Anwendung oder „Algorithm on the chip“-Anwendung bereitgestellt. Ein solcher Aufbau führt die Berechnungen besonders schnell aus und benötigt zudem keine Datenübertragung von und zu einem entfernten Speichermedium, z. B. einem Cloud- Server. So kann der geänderte Parameter besonders schnell bestimmt werden.
Bei herkömmlichen entfernt angeordneten Maschinenlernalgorithmen, die beispielsweise über die Cloud angebunden sind, kann eine Verzögerung von beispielsweise zwei oder drei Stunden auftreten. Ist beispielsweise die Temperatur beim Mischen der Rohstoffe zu hoch, kann dies nur mit hoher Verzögerung korrigiert werden. Bei einer erfindungsgemäßen „AI chip at the edge“-Anwendung ist eine Änderung quasi in Echtzeit möglich, sodass die Verzögerung fast vollständig entfällt.
Die Ermittlungseinheit kann einen Speicher und/oder eine Recheneinrichtung, wie etwa einen Mikrocontroller, einen Mikroprozessor, einen digitalen Signalprozessor (DSP) und/oder ein System on a Chip (SoC) zur Ausführung des Maschinenlernalgorithmus aufweisen. Trainingsdaten des Maschinenlernalgorithmus können direkt am System gespeichert sein. Die Datenübertragung an entfernte Orte kann minimiert werden oder ganz entfallen. Es kann sich auch um einen Kl-fähigen Kommunikationschip handeln.
In einer Ausführungsform hat das System zudem ein Kommunikationsinterface, um eine datentechnische Verbindung mit einem entfernten Maschinenlernalgorithmus herzustellen. Mit anderen Worten kann für bestimmte Operationen eine weitere Kl- fähige Recheneinheit genutzt werden, die nicht vor Ort vorhanden ist. Bestimmte Aufgaben können so mit angepassten Eigenschaften, beispielsweise mit erhöhter Rechenleistung, erfolgen. Nachteile wie eine höhere Laufzeit müssen für diese Aufgaben dann in Kauf genommen werden.
In einer Ausführungsform umfasst das System eine Plattform zur Illustration der Workflow-Integration und/oder zur Koordination von Arbeit unter verbundenen Systemen, die sich räumlich voneinander getrennt befinden.
In einer Ausführungsform umfasst das System eine grafische Benutzeroberfläche, die beispielsweise auf einem datentechnisch verbundenen Anzeigegerät dargestellt werden kann. Das System kann dazu eingerichtet sein, auf der grafischen Benutzeroberfläche Fortschritt, beispielsweise Live-Fortschritt, ein Zwischenergebnis und/oder das vorhergesagte Ergebnis, beispielsweise in Form einer optimierten Rezeptur, anzeigen.
Das System kann eine Steuerungseinheit aufweisen, die mit einem Kommunikationsinterface verbunden sein kann. Die Steuerungseinheit kann zudem mit der Verarbeitungseinheit und/oder der Messeinrichtung verbunden sein Die Steuerungseinheit kann die Ermittlungseinheit umfassen oder mit der Ermittlungseinheit verbunden sein. So kann eine zentrale Steuerung erfolgen.
Bei der Steuerung der Verarbeitungseinheit kann die Steuerungseinheit mindestens einen Parameter bei der Verarbeitung der Rohstoffe beeinflussen. Beispielsweise steuert die Steuerungseinheit die Zugabe zumindest eines Rohstoffs, z. B. eine Mengen und/oder ein Verhältnis eines zugegebenen Rohstoffs zu zumindest einem anderen Rohstoff. Typischerweise steuert die Steuerungseinheit sämtliche relevanten Parameter der Verarbeitung, die nicht fest vorgegeben sind. Fest vorgegeben kann beispielsweise ein Gesamtvolumen eines herstellten Produkts sein. Die Steuerungseinheit hat typischerweise Zugriff auf die ein oder mehreren ermittelten Eigenschaften des Produkts. Die Steuerungseinheit kann auf der Basis der ein oder mehreren ermittelten Eigenschaften bestimmen, welcher nachfolgende Schritt auszuführen ist, beispielsweise die Durchführung einer oder mehrerer weiterer Charakterisierungen, die Durchführung einer weiterer Verarbeitung des Produkts und/oder die Herstellung eines geänderten Produkts.
In einem Ausführungsbeispiel besteht ein Material bzw. Produkt aus den Rohstoffen A, B und C in einem bestimmten Mischungsverhältnis. Das Mischungsverhältnis wird durch den Dosierparameter W definiert. Zur Herstellung des Materials wurden zudem die Verarbeitungsparameter X, Y und Z verwendet. Das Material wurde in der Verarbeitungseinheit aus den Rohstoffen hergestellt. Das Material hat die Eigenschaften E1, E2 und E3. Dies wurde von der Messeinrichtung gemessen. Ausgehend von diesem Material soll nun eine optimierte Rezeptur für ein Material mit den geänderten bzw. abweichenden Zieleigenschaften EZ1, EZ2 und EZ3 ermittelt werden. Die Rohstoffe, der Dosierparameter W, die Verarbeitungsparameter X, Y, Z, die Eigenschaften E1, E2 und E3 und die Zieleigenschaften ZE1 , ZE2, ZE3 werden dem Maschinenlernalgorithmus zur Verfügung gestellt. Dieser ermittelt nun einen oder mehrere geänderte Parameter W‘, X‘, Y‘, Z‘ zur Herstellung eines optimierten Materials. Der eine oder die mehreren geänderten Parameter entsprechen einer einmal optimierten Rezeptur. Anhand dieser Parameter kann ein optimiertes Material bzw. Produkt hergestellt werden. Insbesondere erfolgt die Herstellung des optimierten Produkts mittels der Verarbeitungseinheit. Es kann wieder eine Messung der Eigenschaften gemessen werden. Es kann ein Abgleich erfolgen, ob die so gemessenen Eigenschaften den Zieleigenschaften entsprechen. Das genannte Vorgehen kann erneut durchlaufen werden. Dies kann beispielsweise dann manuell oder automatisiert ausgelöst werden, wenn die gemessenen Eigenschaften den Zieleigenschaften ZE1, ZE2, ZE3 nicht entsprechen. Es kann eine Vielzahl an Iterationsschritten durchlaufen werden, bis die optimierte Rezeptur, die der mindestens einen Zieleigenschaft so weit wie möglich oder vollständig entspricht, gefunden ist. So kann ein hoher Durchsatz ermöglicht werden, um rasch optimale Formulierungen zu finden.
Nachfolgend werden einige Ausführungsformen der Erfindung unter Bezugnahme auf die beigefügten Figuren genauer beschrieben. Die Darstellungen der Figuren veranschaulichen jedoch nur einige Ausführungsformen und sind nicht als einschränkend zu betrachten.
Es zeigen:
Figur 1 eine schematische Darstellung des Verfahrens;
Figur 2 eine schematische Darstellung des Systems;
Figur 3 eine schematische Darstellung von Teilen des Systems;
Figur 4 eine schematische Darstellung einer Messeinrichtung;
Figur 5 eine schematische Darstellung einer weiteren Messeinrichtung;
Figur 6 Diagramme mit Zielspezifikationen;
Figur 7 Maschinenlernalgorithmus eines Edge-loT-Systems;
Figur 8 eine schematische Darstellung der Edge-loT-Kommunikation; sowie
Figur 9 eine schematische Darstellung von Teilen des Verfahrens.
Figur 1 zeigt das Verarbeiten 12 mehrerer Rohstoffe zur Herstellung eines Produkts. Dabei wird ein vorgegebener Parameter zur Herstellung des Produkts verwendet. Anschließend erfolgt das Durchführen 13 einer Messung wenigstens einer Eigenschaft des hergestellten Produkts. Anschließend erfolgt das Ermitteln 14 eines geänderten Parameters zur Herstellung eines Produkts. Anschließend kann eine Rückkopplung 15 erfolgen, bei der der geänderte Parameter als neuer vorgegebener Parameter zur Herstellung des Produkts verwendet wird. Die dargestellten Schritte können sich nun wiederholen. Mit dem geänderten Parameter kann nun erneut ein Produkt hergestellt werden. Es kann erneut eine Messung durchgeführt werden und es kann erneut ein geänderter Parameter ermittelt werden. Dies kann beliebig oft wiederholt werden.
Das Ermitteln 14 erfolgt durch einen Maschinenlernalgorithmus. In einer Wiederholung der Schritte nach einer Rückkopplung 15 kann ein anderer Parameter genutzt werden als in der ersten Durchführung der Schritte. Es kann ein erster Parameter einmal oder mehrmals geändert werden und anschließend kann ein zweiter Parameter einmal oder mehrmals geändert werden. Es können mehrere Parameter auf einmal geändert werden. Entscheidungen darüber, welche Parameter wie geändert werden, können von dem Maschinenlernalgorithmus getroffen werden.
Figur 2 zeigt schematisch ein System 20, insbesondere zur Durchführung des Verfahrens. Das System umfasst eine Verarbeitungseinheit 22 zum Verarbeiten mehrerer Rohstoffe 1 , 2, 3 zur Herstellung eines Produkts 5. Die Verarbeitungseinheit umfasst eine Dosiereinrichtung 21, mit die beispielsweise drei Rohstoffe 1, 2, 3 dosiert werden können. Bei der Herstellung des Produkts 5 wird zumindest ein vorgegebener Parameter verwendet. Das System umfasst eine Messeinrichtung 23 zum Messen wenigstens einer Eigenschaft des hergestellten Produkts 5. Die Eigenschaft erlaubt eine Aussage über eine Zieleigenschaft. Das System umfasst ferner eine Ermittlungseinheit 24 zur Ermittlung eines geänderten Parameters zur Herstellung eines Produkts 5. Die Ermittlungseinheit 24 umfasst zu diesem Zweck einen Maschinenlernalgorithmus 28, der bevorzugt direkt in der Ermittlungseinheit 24 implementiert ist, also ein physischer Teil des Systems 20 ist. Die Ermittlungseinheit 24 ist bevorzugt als „Algorithm on the Chip“ ausgestaltet. Der Maschinenlernalgorithmus 28 ermittelt den geänderten Parameter unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft.
Die durchgezogenen Pfeile stellen schematisch den Weg der Rohstoffe 1, 2, 3 und des Produkts 5 dar. Das Produkt wird beispielsweise von der Verarbeitungseinheit 22 zur Messeinrichtung 23 transportiert. Ein physischer Transport ist möglich, aber nicht notwendig. Es kann zu diesem Zweck eine Transporteinrichtung 26 vorhanden sein.
Es ist ferner eine optionale Steuerungseinheit 25 vorgesehen, die - wie mit jeweiligen gestrichelten Pfeilen dargestellt ist - in datentechnischer Verbindung mit der Verarbeitungseinheit 22, der Messeinrichtung, der Ermittlungseinheit 24 und der optional vorhandenen Schnittstellt 27 steht. Die datentechnischen Verbindungen sind bevorzugt mit Kabeln realisiert. Mit der Schnittstelle 27 kann das System 20 Daten von außerhalb empfangen, beispielsweise von einer Plattform, und/oder Daten nach außen senden, beispielsweise an eine Plattform.
Figur 3 zeigt schematisch Teile des Systems zum automatisierten Verarbeiten von Materialien. Datenströme und/oder Echtzeitmonitoring 79, Materialströme und/oder Tätigkeiten des Flüssigkeitshandlings 80 und asynchrone Aufgaben 81 sind mit unterschiedlichen Pfeilen dargestellt. Eine Vielzahl von Vials sind in einer Probeaufnahme angeordnet. Mit einer oder mehreren Dosiereinrichtungen, beispielsweise Pipetten, können Rohstoffe in die Vials dosiert werden. Es können unterschiedliche Dosiereinrichtungen für unterschiedliche Rohstoffe vorhanden sein. Es können unterschiedliche Produkte hergestellt werden. Die Probenaufnahme kann, beispielsweise von einem Manipulator, zu einer Messeinrichtung bewegt werden. Es kann eine Entsorgung von Abfall 82 vorgesehen sein. Es kann eine Bleiche-Spülung 83 und/oder eine Wasser-Spülung 84 vorgesehen sein, beispielsweise zur Reinigung der Vials. So kann automatisiert in denselben Vials ein weiteres Produkt hergestellt werden.
Figur 4 zeigt als ein Beispiel einer Messeinrichtung 23 ein Rheometer zur Bestimmung der dynamischen Viskosität. Dieses umfasst einen Motor 70, der über eine kalibrierte Feder 71 eine Spindel bzw. einen Rührer 72 antreibt. Die Probe befindet sich in einem darunter liegenden Behälter. Zudem sind ein Schutzarm 74 und ein Temperatursensor 75 vorhanden.
Figur 5 zeigt als Beispiel einer Messeinrichtung eine Einrichtung zur Messung, beispielsweise eines Radius dispergierter Teilchen 79, beispielsweise zur Quantifizierung der Tintenstabilität, mittels dynamischer Lichtstreuung. Ein Laser 76 bestrahlt die Probe 77 und ein Detektor 78 detektiert Streulicht. Die Streuung an den dispergierten Teilchen 79 ist oben schematisch dargestellt. Das untere schematische Diagramm zeigt auf der Abszissenachse die Intensität des Streulichts und auf der Ordinantenachse die Zeit.
Figur 6 zeigt Diagramme mit Zielspezifikationen, die beispielsweise erfindungsgemäße Zieleigenschaften sein können. Die Ausprägungen der unterschiedlichen Eigenschaften werden auf Strahlen dargestellt, die von einem Mittelpunkt aus nach außen verlaufen. So ergibt sich ein spezifisches Vieleck, beispielsweise für eine bestimmte Rezeptur. Auf der linken Seite werden beispielsweise Energiedichte 58 in Wh/kg, Leistungsdichte 59 in W/kg, Ladezeit 60 in h, Lebensdauer 61 und Kosten 62 in USD oder EUR dargestellt. Auf der rechten Seite werden beispielsweise spezifische Leistungsentladung 63, nutzbare spezifische Energie 64, Leistungsdichte 59, nutzbare Energiedichte 65, Lebensdauer 61, Kalenderleben 66, Herstellungspreis 67 und Betriebstemperaturbereich 68 dargestellt.
Figur 7 zeigt Ebenen (Schichten) des Maschinenlernalgorithmus. Die Elemente sind links jeweils symbolisch nach Art von Piktogrammen dargestellt, während rechts die einzelnen Schichten visualisiert sind. Unten befindet sich die physikalische Ebene 56, die beispielsweise einige oder alle der schematisch dargestellten gemessenen Eigenschaften und/o^er Zieleigenschaften umfasst. Darüber befindet sich die Edge/Fog-Ebene 53 mit Fog-Nodes 54 und dem Edge-Gateway 55. Insbesondere wird Fog Computing verwendet. Fog Computing (auch Fog Networking oder Fogging) ist eine Architektur, die Edge-Vorrichtungen verwendet, um einen beträchtlichen Teil der Berechnungen (Edge Computing), der Speicherung und der Kommunikation lokal durchzuführen und über das Internet-Backbone zu leiten. Darüber befinden sich Cloud- Ebene 52, wobei die Cloud-Ebene beispielsweise ein Datencenter 57 umfasst. Zuoberst ist die Vorhersageebene 51 dargestellt, mit der eine optimierte Rezeptur ermittelt wird.
Figur 8 zeigt Kommunikation eines Edge-loT-Systems. Als Datenquellen 30 können Geräte 31 wie z. B. ein erfindungsgemäßes System oder Teile davon, Nutzerdatenbanken 32 und/oder Datenbanken Dritter 33 dienen. Als Schnittstellen 34 können ein loT (Internet of Things; Internet der Dinge)-Gerät 35, eine Benutzerschnittstelle 36 und/oder eine Programmierschnittstelle (Schnittstelle zur Programmierung von Anwendungen) oder API 36, die insbesondere dynamisch sein kann, dienen. Es können Hardware- und/oder Softwareschnittstellen vorhanden sein. Als Datenbank 38 kann eine aggregierte intelligente Datenbank 39 dienen. Als Ausgang 40 kann Kl-gesteuerte Konstruktion 41, Rückverfolgbarkeit 42 und/oder Qualitätssicherung 43 erfolgen. Der gestrichelte Kasten beschreibt die Grenzen des erfindungsgemäßen Systems und/oder Verfahrens. Die Datenquellen 30 können als Eingangsgrößen des Systems und/oder Verfahrens genutzt werden. Das System oder ein Teil davon ist insbesondere als loT-Gerät ausgestaltet. Künstliche Intelligenz wird so mit einer loT-Anwendung verknüpft. Dargestellt ist eine umfassende Edge-loT- Kommunikation der Charakterisierungs- und Labor-Anlagen
Figur 9 zeigt Teile des Verfahrens. Es können ein Kl- und/oder Maschinenlernalgorithmus und/oder Datenbanken für die Orchestrierung eines Edge- loT-gesteuerten Robotertisches, insbesondere für die Tintenherstellung, vorhanden sein. Es können Daten aus Stack, Zelle und/oder Gerät 44 verwendet werden. Es können Sensoren 45 verwendet werden. Es kann Kommunikation 46 erfolgen, z. B. über eine geeignete Schnittstelle. Es kann mit einem Cloud-Dienst kommuniziert werden, es kann Datenverarbeitung 47 und/oder Datenspeicherung 48 erfolgen, beispielsweise über einen Cloud-Dienst. Es kann eine Rückkopplung 50 insbesondere für eine Zwei-Wege-Architektur erfolgen. Es kann Kommunikation erfolgen, um eine Vorhersage der Zusammensetzung 49 insbesondere der Tinte zu erhalten und/oder auszugeben. Bezugszeichenliste
Rohstoffe 1 , 2, 3
Produkt 5
Verarbeiten 12
Durchführen 13
Ermitteln 14
Rückkopplung 15
System 20
Dosiereinrichtung 21
Verarbeitungseinheit 22
Messeinrichtung 23
Ermittlungseinheit 24
Steuerungseinheit 25
Transporteinrichtung 26
Schnittstelle 27
Maschinenlernalgorithmus 28
Datenquelle 30
Geräte 31
Nutzerdatenbanken 32
Datenbanken Dritter 33
Schnittstelle 34 loT-Gerät 35
Benutzerschnittstelle 36
Programmierschnittstelle 37
Datenbank 38
Aggregierte intelligente Datenbank 39
Ausgang 40
Kl-gesteuerte Konstruktion 41
Rückverfolgbarkeit 42
Qualitätssicherung 43
Daten aus Stack, Zelle und/oder Gerät 44 Sensoren 45
Kommunikation 46
Datenverarbeitung 47
Datenspeicherung 48
Vorhersage der Zusammensetzung 49
Rückkopplung 50
Vorhersageebene 51
Cloud-Ebene 52
Edge/Fog-Ebene 53
Fog-Node 54
Edge-Gateway 55
Physikalische Ebene 56
Datencenter 57
Energiedichte 58 Leistungsdichte 59
Ladezeit 60
Lebensdauer 61
Kosten 62
Spezifische Leistungsentladung 63
Nutzbare spezifische Energie 64
Nutzbare Energiedichte 65
Kalenderleben 66
Herstellungspreis 67
Betriebstemperaturbereich 68
Motor 70
Kalibrierte Feder 71
Rührer 72
Behälter 73
Schutzarm 74
Temperatursensor 75
Laser 76
Probe 77
Detektor 78
Echtzeitmonitoring 79
Flüssigkeitshandling 80
Asynchrone Aufgaben 81
Entsorgung von Abfall 82
Bleiche-Spülung 83
Wasser-Spülung 84
Weitere Beispiele für Verarbeitungsparameter und/oder Zieleigenschaften sind
Elektrokatalytische Aktivität, beispielsweise eines Materials für eine elektrochemische Einrichtung zur Erzeugung, Umwandlung, zum Transport und/oder zur Speicherung von Energie (auch als Energiematerial bezeichnet) und/oder eines zur Herstellung der Katalysatortinte verwendeten Materials,
- Stabilität und/oder Dauerhaftigkeit eines oder mehrerer aktiver Materialien, beispielsweise Katalysatortinte, Katalysatormaterial und/oder Metall
- Stabilität und/oder Dauerhaftigkeit von Additiven und/oder Stützmaterialien, beispielsweise Dispersionsmedium, Dispergiermittel, Rheologiemodifikator und/oder Polymer
Diese Beispiele können einzeln oder in jeder Kombination verwendet werden. Der Maschinenlernalgorithmus kann jedes dieser Beispiele einzeln oder in jeder Kombination verwenden. Der Maschinenlernalgorithmus kann ferner berücksichtigen:
- Anforderungen an die Zusammensetzung oder Massenbeladung der einzelnen aktiven Materialien, Stützmaterialien und/oder Additive,
Beginn der Lebensdauer (BOL), die stationären Betriebsbedingungen und/oder die Betriebsphasen am Ende der Lebensdauer (EOL), beispielsweise bei der Materialleistung, z. B. elektrokatalytische Aktivität für die chemische Umwandlung, und/oder im Hinblick auf Stabilität und/oder Haltbarkeit,
Der Maschinenlernalgorithmus kann eine oder mehrere Zieleigenschaften ermitteln, insbesondere unter Berücksichtigung der oben genannten Anforderungen an die Zusammensetzung. Der Maschinenlernalgorithmus kann bei der Bestimmung eines geänderten Parameters für die Herstellung eines Produkts die mit den Materialien und Herstellungsverfahren verbundenen Kosten berücksichtigen.
Der Maschinenlernalgorithmus kann einen oder mehrere unterschiedliche Kl-Agenten verwenden. Der Maschinenlernalgorithmus kann einen oder mehrere Workflows (Abläufe) des oder der Kl-Agenten verwenden. Der Maschinenlernalgorithmus kann einen Workflow für eine oder mehrere Prozessoptimierungen ermitteln und/oder umsetzen. Ein oder mehrere Kl-Agenten kann spezialisiert sein auf Bayes'sche Optimierung, Graphdatenmanagement, Versuchsplanung, Optimierung der Konstruktion von Experimenten und Workflow-Orchestrierung. Es können für unterschiedliche der genannten Bereiche unterschiedliche, insbesondere spezialisierte, Kl-Agenten verwendet werden. Auf diese Weise können die besten Komponentenspezifikationen effektiv erreicht werden bzw. es kann das optimale Material auf effektive Weise erhalten werden.

Claims

Ansprüche
1. Verfahren zur Ermittlung einer optimierten Rezeptur für ein Material, insbesondere eine Katalysatortinte, mit wenigstens einer Zieleigenschaft, umfassend
- Verarbeiten (12) mehrerer Rohstoffe (1, 2, 3) in einer Verarbeitungseinheit (22) unter Verwendung zumindest eines vorgegebenen Parameters zur Herstellung eines Produkts (5),
- Durchführen (13) einer Messung mit einer Messeinrichtung (23), wobei wenigstens eine Eigenschaft des hergestellten Produkts (5) gemessen wird, die eine Aussage über eine Zieleigenschaft erlaubt,
- Ermitteln (14), mittels eines Maschinenlernalgorithmus (28) und unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts (5).
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass als Parameter ein Verarbeitungsparameter genutzt wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Verarbeitungseinheit (22) zumindest eine Dosiereinrichtung (21) zur gesteuerten Dosierung eines Rohstoffs aufweist, wobei als Parameter ein Dosierparameter der zumindest einen Dosiereinrichtung (21) genutzt wird.
4. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die Dosiereinrichtung (21) eine Dosiereinheit für ein Lösungsmittel, eine Dosiereinheit für ein Metall und eine Dosiereinheit für ein Polymer aufweist.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Eigenschaft des hergestellten Produkts (5) mittels eines rechnerischen Modells ermittelt wird und die mittels des rechnerischen Modells ermittelte Eigenschaft bei der Ermittlung des geänderten Parameters berücksichtigt wird.
6. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass eine Entscheidung getroffen wird, ob eine gemessene Eigenschaft oder die mittels des Modells ermittelte Eigenschaft des hergestellten Produkts (5) zur Ermittlung des geänderten Parameters verwendet wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das hergestellte Produkt (5) bearbeitet wird und eine Eigenschaft des bearbeiteten Produkts (5) ermittelt und zur Ermittlung der geänderten Eigenschaft verwendet wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Eigenschaft eine Kennzahl gemessen wird, die eine Aussage über die Viskosität des Produkts (5) erlaubt.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Eigenschaft ein Radius gemessen wird, beispielsweise ein hydrodynamischer Radius.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Material ein Material für eine elektrochemische Einrichtung zur Erzeugung, Umwandlung, zum Transport und/oder zur Speicherung von Energie ist.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass dem hergestellten Produkt (5) ein eindeutiger Identifikator zugeordnet wird und der Identifikator sowie der zumindest eine vorgegebene Parameter, die wenigstens eine gemessene Eigenschaft und der zumindest eine geänderte Parameter in einer Datenbank gespeichert werden.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in einer Charge eine Vielzahl von Produkten (5) hergestellt werden, für jedes Produkt (5) jeweils eine oder mehrere Messungen durchgeführt werden und der zumindest eine geänderte Parameter anschließend basierend auf der Vielzahl an gemessenen Eigenschaften und der Zieleigenschaft ermittelt wird.
13. System (20) zur Ermittlung einer optimierten Rezeptur für ein Material, insbesondere für eine Katalysatortinte, mit wenigstens einer Zieleigenschaft, umfassend
- Eine Verarbeitungseinheit (22) zum Verarbeiten (12) mehrerer Rohstoffe (1, 2, 3) zur Herstellung eines Produkts (5) unter Verwendung zumindest eines vorgegebenen Parameters,
- Eine Messeinrichtung (23) zum Durchführen (13) einer Messung, wobei wenigstens eine Eigenschaft des hergestellten Produkts (5) gemessen wird, die eine Aussage über eine Zieleigenschaft erlaubt,
- Eine Ermittlungseinheit (24), die dazu eingerichtet ist, mittels eines Maschinenlernalgorithmus (28) und unter Verwendung der gemessenen Eigenschaft und der Zieleigenschaft, zumindest eines geänderten Parameters zur Herstellung eines Produkts (5) zu ermitteln (14).
14. System (20) nach dem vorhergehenden Anspruch, wobei das System (20) ferner eine Transporteinrichtung (26) aufweist, mit der das hergestellte Produkt (5) zu der Messeinrichtung (23) transportiert werden kann.
15. System (20) nach einem der zwei vorhergehenden Ansprüche, dadurch gekennzeichnet, dass sich die Ermittlungseinheit (24) mit dem Maschinenlernalgorithmus (28) in räumlicher Umgebung der Verarbeitungseinheit (22) und/oder der Messeinrichtung (23) befindet.
EP24740093.0A 2023-07-11 2024-07-04 Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie Pending EP4695017A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023206557.6A DE102023206557A1 (de) 2023-07-11 2023-07-11 Verfahren und System zur Entwicklung und Optimierung von Formulierungen für elektrochemische Materialien und Vorrichtungen für saubere Energie
PCT/EP2024/068829 WO2025012067A1 (de) 2023-07-11 2024-07-04 Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie

Publications (1)

Publication Number Publication Date
EP4695017A1 true EP4695017A1 (de) 2026-02-18

Family

ID=91856264

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24740093.0A Pending EP4695017A1 (de) 2023-07-11 2024-07-04 Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie

Country Status (3)

Country Link
EP (1) EP4695017A1 (de)
DE (1) DE102023206557A1 (de)
WO (1) WO2025012067A1 (de)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11853032B2 (en) * 2019-05-09 2023-12-26 Aspentech Corporation Combining machine learning with domain knowledge and first principles for modeling in the process industries
CN114072811A (zh) * 2019-07-03 2022-02-18 富士胶片株式会社 学习装置、学习装置的动作方法、学习装置的动作程序及运用装置
CN114829106A (zh) * 2019-11-28 2022-07-29 巴斯夫欧洲公司 用于控制聚合物粘度质量的方法与控制系统
US20230093987A1 (en) * 2020-02-28 2023-03-30 Dic Corporation Method for optimizing manufacturing condition for polyarylene sulfide resin composite, and method for manufacturing resin composite
CN115668237A (zh) * 2020-05-22 2023-01-31 巴斯夫涂料有限公司 化学混合物的特性预测
EP4172992A4 (de) * 2020-06-24 2024-10-23 SRI International Unüberwachte invertierbare physikbasierte vektordarstellung für moleküle
JP7640236B2 (ja) * 2020-07-03 2025-03-05 ダイキン工業株式会社 予測装置、演算装置、製造装置及び製造方法
WO2022058409A1 (en) * 2020-09-18 2022-03-24 Basf Se Chemical production control
EP4047431B1 (de) * 2021-02-19 2025-11-19 FactoryPal GmbH Verfahren und vorrichtung zum automatisierten bestimmen einer optimierten prozesskonfiguration eines prozesses zur herstellung oder bearbeitung von produkten
US20230043363A1 (en) * 2021-08-09 2023-02-09 International Business Machines Corporation Artificial intelligence based material screening for target properties

Also Published As

Publication number Publication date
WO2025012067A1 (de) 2025-01-16
DE102023206557A1 (de) 2025-01-16

Similar Documents

Publication Publication Date Title
WO2022171788A1 (de) Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten
EP2870482B1 (de) Verfahren zur identifizierung und diskriminierung von materialien für einen produktionsprozess, und zugehöriges system
EP3296387B1 (de) Verfahren zur überwachung von bioprozessen
CN101893884B (zh) 密炼机的橡胶混炼过程中质量指标数据的软测量方法
Reynolds et al. Impact of Formulation and Slurry Properties on Lithium‐ion Electrode Manufacturing
DE102011102034A1 (de) Online-Abbgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb
DE102022108168A1 (de) Verfahren und System zum Überwachen eines Algenwachstums in einem Gewässer
EP3930887A1 (de) Automatisierung von laborprozessen durch eine laborprozessunterstützungsvorrichtung
DE102012112784A1 (de) Verfahren zur Bestimmung eines Zustands eines Sensors
DE112021006643T5 (de) Datengesteuerte multikriterielle optimierung von chemischen formulierungen
DE102012111504A1 (de) Röntgenanalyseapparatur
Schmitz et al. Application of machine learning algorithms for use in material chemistry
EP4695017A1 (de) Verfahren und system zur entwicklung und optimierung von formulierungen für elektrochemische materialien und vorrichtungen für saubere energie
Wang et al. High-throughput electrochemistry to study materials degradation in extreme environments
Nakhaei et al. Prediction of XRF analyzers error for elements on-line assaying using Kalman Filter
EP4268963B1 (de) Verfahren und anordnung zur grosstechnischen herstellung einer suspension für eine batterie
Muntau et al. Analytical aspects of the CEEM soil project
DE102005046972A1 (de) Verfahren und System für eine fortschrittliche Prozesssteuerung unter Anwendung einer Kombination aus gewichteten relativen Voreinstellungswerten
CN119626404A (zh) 一种铸造铝合金精确配料系统
EP3627568B1 (de) Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression
CN116272618A (zh) 基于增粘剂粘稠度分析的搅拌器调控方法及相关装置
Ludwigs et al. Digital Twin in the Battery Production Context for the Realization of Industry 4.0 Applications
CN116661404A (zh) 一种基于数据融合的计量配料混合控制方法及系统
DE10157452A1 (de) Verfahren zum chemisch-mechanischen Polieren von Wafern
DE112016006464T5 (de) Probenbeobachtungsverfahren

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20251113

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR