Yapay Zeka Destekli Malzeme Keşfi: Otonom Araştırmada Termal Analizin Rolü

Termal Karakterizasyon, Yapay Zeka Destekli Pil, Polimer, Metal ve Enerji Malzemelerinin Geliştirilmesini Nasıl Hızlandırıyor?

Yapay zeka, yeni malzemelerin keşfedilme, optimize edilme ve ticarileştirilme süreçlerini kökten değiştiriyor. Ancak en gelişmiş makine öğrenimi modelleri bile tek bir temel gerekliliğe dayanıyor: yüksek kaliteli deneysel veriler.

Bu web semineri, DSC, TGA, STA, DMA ve LFA gibi termal analiz tekniklerinin, yapay zeka odaklı araştırmaları ve malzeme bilişimini destekleyen kritik malzeme özellik verilerini nasıl sağladığını incelemektedir. Cam geçiş sıcaklığı, Kristallik / Kristallik DerecesiKristallik, bir katının yapısal düzen derecesini ifade eder. Bir kristalde, atomların veya moleküllerin düzeni tutarlı ve tekrarlayıcıdır. Cam seramikler ve bazı polimerler gibi birçok malzeme, kristal ve amorf bölgelerin bir karışımını üretecek şekilde hazırlanabilir. kristallik, Termal KararlılıkBir malzeme sıcaklığın etkisi altında ayrışmıyorsa termal olarak kararlıdır. Bir maddenin termal kararlılığını belirlemenin bir yolu TGA (termogravimetrik analizör) kullanmaktır. termal kararlılık, Ayrışma reaksiyonuBir ayrışma reaksiyonu, katı ve/veya gaz ürünler oluşturan kimyasal bir bileşiğin termal olarak indüklenen reaksiyonudur. ayrışma davranışı, mekanik özellikler ve Termal İletkenlikTermal iletkenlik (W/(m-K) birimiyle λ), sıcaklık gradyanının bir sonucu olarak enerjinin - ısı şeklinde - kütleli bir cisim boyunca taşınmasını tanımlar (bkz. Şekil 1). Termodinamiğin ikinci yasasına göre, ısı her zaman düşük sıcaklık yönünde akar.termal iletkenlik gibi termal özelliklerin, piller, polimerler, metaller ve enerji malzemeleri için tahmine dayalı modellerin eğitilmesinde nasıl giderek daha fazla kullanıldığını öğrenin.

Sunumda ayrıca Proteus^® Quantify tanıtılacak ve termal karakterizasyon verilerinin otomatik analizi ve düzenlenmesinin, large deney veri setlerini yapay zekaya hazır bilgilere nasıl dönüştürebileceği gösterilecektir. Veri çıkarımı hızlandırılarak, yorumlama standartlaştırılarak ve binlerce deney üzerinde trend analizi yapılabilmesi sayesinde araştırmacılar, ölçümden içgörüye daha verimli bir şekilde geçebilirler.

Gerçek hayattan örnekler, termal analizin otonom deneyleri, pil güvenliği araştırmalarını, polimer geliştirmeyi ve yeni nesil dijital Ar-Ge iş akışlarını nasıl desteklediğini gösterecektir.

Katılımcılar şunları öğrenecek:

• Termal analizin yapay zeka odaklı malzeme keşfini nasıl desteklediği.
• Hangi termal özelliklerin makine öğrenimi modelleri için değer sağladığı.
• Piller, polimerler, metaller ve enerji malzemelerinde yapay zeka uygulamalarına ilişkin örnekler.
• Proteus^® Quantify'ın yapılandırılmış, yapay zeka için hazır veri kümelerinin oluşturulmasına nasıl yardımcı olduğu.
• Termal karakterizasyonun otonom ve kendi kendine çalışan laboratuvar ortamlarına nasıl uyum sağladığı.
  

Malzeme araştırması veya Ar-Ge alanında çalışıyorsanız ve termal analiz, yapılandırılmış veriler ile yapay zekanın malzeme geliştirmeyi nasıl hızlandırabileceğini keşfetmek istiyorsanız bu web seminerine kaydolun.

Konuşmacı:
Peter Ralbovsky
NETZSCH Instruments North America, LLC'nin Kuzeydoğu Satış Müdürü
NETZSCH Analiz ve Test