AI-gestuurde materiaalontdekking: de rol van thermische analyse in autonoom onderzoek

Hoe thermische karakterisering de door AI gestuurde ontwikkeling van batterijen, polymeren, metalen en energiematerialen versnelt

Kunstmatige intelligentie zorgt voor een ommekeer in de manier waarop nieuwe materialen worden ontdekt, geoptimaliseerd en op de markt gebracht. Maar zelfs de meest geavanceerde modellen voor machine learning zijn afhankelijk van één fundamentele voorwaarde: experimentele gegevens van hoge kwaliteit.

In dit webinar wordt onderzocht hoe thermische analysetechnieken, waaronder DSC, TGA, STA, DMA en LFA, de cruciale gegevens over materiaaleigenschappen opleveren die ten grondslag liggen aan AI-gedreven onderzoek en materiaalinformatica. Ontdek hoe thermische eigenschappen zoals de glasovergangstemperatuur, Kristalliniteit / KristalliniteitsgraadKristalliniteit verwijst naar de mate van structurele orde van een vaste stof. In een kristal is de ordening van atomen of moleculen consistent en repetitief. Veel materialen zoals glaskeramiek en sommige polymeren kunnen zo worden bereid dat er een mengsel ontstaat van kristallijne en amorfe gebieden. kristalliniteit, Thermische stabiliteitEen materiaal is thermisch stabiel als het niet ontleedt onder invloed van temperatuur. Een manier om de thermische stabiliteit van een stof te bepalen is door een TGA (thermogravimetrische analyser) te gebruiken. thermische stabiliteit, ontledingsgedrag, mechanische eigenschappen en Thermische geleidbaarheidThermische geleidbaarheid (λ met de eenheid W/(m-K)) beschrijft het transport van energie - in de vorm van warmte - door een massa-lichaam als gevolg van een temperatuurgradiënt (zie fig. 1). Volgens de tweede wet van de thermodynamica stroomt warmte altijd in de richting van de lagere temperatuur.thermische geleidbaarheid steeds vaker worden gebruikt om voorspellende modellen te trainen voor batterijen, polymeren, metalen en energiematerialen.

Tijdens de presentatie wordt ook Proteus^® Quantify geïntroduceerd, waarmee wordt gedemonstreerd hoe geautomatiseerde analyse en organisatie van thermische karakteriseringsgegevens experimentele datasets uit de ‘ large ’ kunnen omzetten in informatie die geschikt is voor AI. Door de gegevensextractie te versnellen, de interpretatie te standaardiseren en trendanalyses over duizenden experimenten mogelijk te maken, kunnen onderzoekers efficiënter van meting naar inzicht gaan.

Aan de hand van praktijkvoorbeelden wordt getoond hoe thermische analyse autonome experimenten, onderzoek naar batterijveiligheid, de ontwikkeling van polymeren en digitale R&D-workflows van de volgende generatie ondersteunt.

Deelnemers leren:

• Hoe thermische analyse AI-gestuurde materiaalontdekking ondersteunt.
• Welke thermische eigenschappen van waarde zijn voor machine learning-modellen.
• Voorbeelden van AI-toepassingen in batterijen, polymeren, metalen en energiematerialen.
• Hoe ' Proteus^® ' Quantify helpt bij het genereren van gestructureerde, AI-ready datasets.
• Hoe thermische karakterisering past in autonome en zelfsturende laboratoriumomgevingen.
  

Schrijf u in voor dit webinar als u werkzaam bent in materiaalonderzoek of R&D en wilt ontdekken hoe thermische analyse, gestructureerde gegevens en AI de materiaalontwikkeling kunnen versnellen.

Spreker:
Peter Ralbovsky
Northeast Sales Manager bij NETZSCH Instruments North America, LLC
NETZSCH Analyzing & Testing