Tilbake til søkeresultatene

NANO2021-Nanoteknologi og nye materiale

Semantic-based Material Twin and Co-Simulation Platform for Solid Oxide Fuel Cells (MEDIATE)

Alternativ tittel: Semantisk basert materialutvikling og plattform for koplede simuleringer av fastoksid brennselceller

Tildelt: kr 5,0 mill.

MEDIATE-prosjektet har gjort betydelige fremskritt i å fremme utviklingen av en omfattende kunnskapsbasert beregningstilnærming og plattform for modellering og design av elektrokjemiske brenselceller, spesielt Solid Oxide Fuel Cells (SOFC). Prosjektet – som arbeides med i fellesskap av Luxembourg Institute of Science and Technology (LIST), Technische Universität Dresden (TUD), SINTEF AS (SINTEF) og Norges teknisk-naturvitenskapelige universitet (NTNU) – etablerte med suksess en robust forbindelse mellom mikrostruktur og SOFC-ytelse, og oppnår fremgang i å generere storskala Representative Volume Elements (RVEs) gjennom digital rekonstruksjon og tomografibilder. En multiskala elektrokjemisk modell ble utviklet for å simulere termo-fluid celleoppførsel, supplert med sømløs integrasjon av et multi-felt første-ordens beregningshomogeniseringsrammeverk i et endelig elementprogram av LIST og TUD. Semantisk interoperabilitet har vært rettet mot å utvide domeneontologien for SOFC. SINTEF har laget datamodeller for applikasjonsgrensesnitt og utvikler rammeverket for semantisk interoperabilitet, spesielt Data Space, som er inngangsporten til å utnytte hele teknologistabelen for semantisk interoperabilitet. All utvikling knyttet til semantisk interoperabilitet er tilgjengelig åpen kildekode på GitHub. Ved å bruke ProMo har prosjektet generert matematiske beskrivelser av grunnleggende modellbyggesteiner, som legger et solid grunnlag for semantisk interoperabilitet innenfor samsimuleringsplattformen. NTNU genererte en kunnskapsgraf som inneholder den matematiske beskrivelsen av alle grunnleggende enheter. Den inneholder det ontologiserte matematiske språket og variabel/uttrykk multi-todelt graf. Den første versjonen er gjort tilgjengelig på GitHub. NTNU jobber med en første revisjon, med implementering av et mer enkelt matematisk språk basert på multilineære algebrabegreper. Dedikert til utvikling og bruk av dataanalyse-, optimaliserings- og maskinlæringsmodeller, skapte prosjektet datadrevne modeller for mikrostruktur-eiendom-ytelse. Dette inkluderer utvikling og testing av en surrogatmodell for Finite Element (FE) simuleringer ved bruk av kunstige nevrale nettverk (ANNs) gjennom to distinkte treningstilnærminger. Opprinnelig har en optimaliseringsalgoritme for konjugert gradient (CG) som er egnet for treningsnettverk ved bruk av små datasett blitt implementert og brukt med suksess. For det andre, med tanke på utfordringene knyttet til involvering av den hessiske matrisen, betydelige minnekrav og andre begrensninger knyttet til den første tilnærmingen, har et større datasett blitt levert og moderne Stokastisk Gradient Descent (SGD)-baserte treningsalgoritmer som Adam har blitt levert. adoptert. Pågående arbeid innebærer å implementere en Bayesiansk optimaliseringstilnærming for å identifisere usikre parametere i SOFC-modellen.

The demand for energy generation has increased dramatically over the last few years, as well as the need to reduce its production impact on the environment. Fuel cell systems are one of the most promising technologies that can help achieve these objectives. Among the existing fuel cells systems, Solid Oxide Fuel Cells are promising technology that offers a clean alternative to fossil fuels due to their high kinetic activity, their fuel flexibility and their fuel reforming within the cell unit. The main characteristics of fuel cells are their lower noise, pollution emission and their higher energy conversion efficiency compared to most conventional thermomechanical-based power generation processes. We propose in this project to leverage the concept Digital Twin (DT) based approach and framework to support material microstructural design with a view to optimal design solid oxide fuel cells. This approach includes the development of a semantic-based interoperable material twin environment that factors in a wide range of multi-physics and multi-scale data sources and their underpinning semantic models, augmented with optimisation, data analytics and uncertainty management, to deliver an end-to-end material simulation, prediction and design capability. MEDIATE will develop standards and protocols for semantic interoperability for SOFC modelling that are extendable to other materials modelling applications through adherence to the EMMO. Scientists and technologies in the field of SOFCs and other fields employing multiscale modelling and multi-physical modelling of materials and processes will be able to use MEDIATE modules with much less detailed knowledge of the solvers.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

NANO2021-Nanoteknologi og nye materiale