AI-drevet materialeudvikling: Termisk analysens rolle i autonom forskning

Hvordan termisk karakterisering fremskynder AI-styret udvikling af batterier, polymerer, metaller og energimaterialer

Kunstig intelligens er ved at ændre den måde, hvorpå nye materialer opdages, optimeres og kommercialiseres. Men selv de mest avancerede maskinlæringsmodeller er afhængige af én grundlæggende forudsætning: eksperimentelle data af høj kvalitet.

Dette webinar undersøger, hvordan termiske analyseteknikker, herunder DSC, TGA, STA, DMA og LFA, leverer de afgørende data om materialegenskaber, der er drivkraften bag AI-drevet forskning og materialinformatik. Lær, hvordan termiske egenskaber såsom glasovergangstemperatur, Krystallinitet / Grad af krystallinitetKrystallinitet refererer til graden af strukturel orden i et fast stof. I en krystal er arrangementet af atomer eller molekyler konsekvent og gentagende. Mange materialer som f.eks. glaskeramik og nogle polymerer kan fremstilles på en sådan måde, at der dannes en blanding af krystallinske og amorfe områder. krystallinitet, Termisk stabilitetEt materiale er termisk stabilt, hvis det ikke nedbrydes under påvirkning af temperaturen. En måde at bestemme et stofs termiske stabilitet på er at bruge en TGA (termogravimetrisk analysator). termisk stabilitet, nedbrydningsadfærd, mekaniske egenskaber og Termisk ledningsevneVarmeledningsevne (λ med enheden W/(m-K)) beskriver transporten af energi - i form af varme - gennem et masselegeme som følge af en temperaturgradient (se fig. 1). Ifølge termodynamikkens anden lov strømmer varmen altid i retning af den laveste temperatur.varmeledningsevne i stigende grad anvendes til at træne forudsigelige modeller for batterier, polymerer, metaller og energimaterialer.

Præsentationen vil også introducere Proteus^® Quantify, der demonstrerer, hvordan automatiseret analyse og organisering af termiske karakteriseringsdata kan omdanne eksperimentelle datasæt fr large er til AI-klar information. Ved at fremskynde dataudtræk, standardisere fortolkningen og muliggøre trendanalyse på tværs af tusindvis af eksperimenter kan forskere mere effektivt gå fra måling til indsigt.

Eksempler fra praksis vil vise, hvordan termisk analyse understøtter autonome eksperimenter, forskning i batterisikkerhed, polymerudvikling og næste generations digitale F&U-arbejdsgange.

Deltagerne vil lære:

• Hvordan termisk analyse understøtter AI-drevet materialeudvikling.
• Hvilke termiske egenskaber der giver værdi for maskinlæringsmodeller.
• Eksempler på AI-anvendelser inden for batterier, polymerer, metaller og energimaterialer.
• Hvordan Proteus^® Quantify hjælper med at generere strukturerede, AI-klar datasæt.
• Hvordan termisk karakterisering passer ind i autonome og selvkørende laboratoriemiljøer.
  

Tilmeld dig dette webinar, hvis du arbejder med materialeforskning eller F&U og ønsker at udforske, hvordan termisk analyse, strukturerede data og AI kan fremskynde materialeudviklingen.

Foredragsholder:
Peter Ralbovsky
Salgschef for Nordøst hos NETZSCH Instruments North America, LLC
NETZSCH Analyse og test