SOFC - Festoxidbrennstoffzellen
Die Herausforderung: Zuverlässigkeit und Standzeit der SOFC maximieren und Entwicklungskosten reduzieren
Hochtemperatur-Brennstoffzellen wie SOFC sind für die stationäre Energieversorgung besonders interessant, da für die Brenngasaufbereitung ein relativ geringer Aufwand notwendig ist. Im Energiewandlungsprozess erzeugen SOFC-Systeme sowohl Strom als auch Wärme, die dann vielfältig eingesetzt werden können. Um das volle Potenzial dieser Brennstoffzellen nutzen zu können, bedarf es noch intensiver Forschungs- und Entwicklungsarbeit. Insbesondere in puncto Alterung und Standzeit der Hochtemperatur-Brennstoffzellen sind noch erhebliche Verbesserungen erforderlich.
Die GeoDict-Lösung für Brennstoffzellen ermöglicht eine genaue Analyse des Brennstoffzellenmaterials auf der Mikroebene. Dadurch können die Materialeigenschaften zuverlässig charakterisiert und das Materialverhalten, beispielsweise durch thermische oder mechanische Einflüsse, simuliert werden. Die digitale Materialentwicklung mit GeoDict verschafft Ihnen nicht nur wertvolle Daten für die verbesserte Leistung Ihrer Brennstoffzellen sondern reduziert auch erheblich die Entwicklungskosten.
Highlights der GeoDict-Lösung im Überblick
- KI gestützte Identifikation von Binder und einzelnen Körnern und Partikeln in 3D Bilddaten
- Erzeugung von realistischen Statistischen Digitalen Zwillingen der Materialien auf der Mikroskala
- Bestimmung wichtiger geometrischer und physikalischer Kenngrößen
- Quantitative und performante Simulation der physikalischen Eigenschaften
- Automatisierte Parameterstudien zum Design neuer Materialien
Digitale Entwicklung von SOFC-Materialien mit GeoDict
Ob GDL, MPL, CAT, PEM, BPP oder eine komplette Zelle: Analysieren, verstehen, erschaffen und optimieren Sie Ihr Material auf der Mikroskala. Die Math2Market ermöglicht Ihnen mit GeoDict die Digitalisierung Ihrer Materialforschung und -Entwicklung.
Daten-Preprocessing
3D-Bilddaten können mit GeoDict importiert und verarbeitet werden. Neuste KI-Technologie basierend auf künstlichen neuronalen Netzen (KNN) ermöglicht die Identifikation aller Materialkonstituenten und aller Objekte. Einzelne Körner können somit erkannt und charakterisiert werden.