Verbundvorhaben H2Giga_QT2.1_Degrad-EL3 - Identifizierung von Degradationsmechanismen und Entwicklung von Methoden zur Lebensdauervorhersage bei PEMEL-, AEL- und HTEL-Elektrolyseuren; Teilvorhaben Entwicklung von hybriden Quantum Computing Methoden für die Degradationsmodellierung von alkalischen Elektrolyseuren

Read full text Summarise with VIRAT
Authors: Jan Schnabel, Manuel Hagelüken, David A. Kreplin, Marco Roth
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Im Teilvorhaben wurden Methoden zur Modellierung und Vorhersage der Degradation von Elektrolyseuren entwickelt. Im Projekt wurden zwei Ansätze verfolgt 1) Die Untersuchung, Entwicklung und Anwendung hybrider Quantencomputing-Methoden zur Degradationssimulation von Elektrolyseuren. 2) Machine-Learning-basierte Lebensdaueruntersuchungen auf Basis experimenteller Daten. Hierzu wurden datengetriebene Machine-Learning (ML)Verfahren auf EIS-Messdaten eingesetzt, ergänzt durch Quantum-Machine-Learning (QML) Ansätze und variationelle Quantensimulationsalgorithmen. Für elektrochemisch relevante Prozesse, insbesondere die Verunreinigung des Elektrolyten, wurde eine Simulations-Pipeline auf Basis von ab-initio-Quantenchemie und Molekulardynamik aufgebaut; die klassische Pipeline wurde entwickelt und im Projekt um Quanten- und QML-Verfahren erweitert. Aufgrund des frühen Entwicklungsstands sind die Arbeiten zum Quantencomputing als methodische Vorlaufforschung zur Vorbereitung zukünftiger Anwendungen einzuordnen. Die Arbeiten im konventionellen ML-Bereich können hingegen unmittelbar weiterverwertet werden.

Fields of Study & Subjects

Machine Learning in Materials Science Fuel Cells and Related Materials Electrocatalysts for Energy Conversion

Publication details

Journal / source
RENATE
Publication date
27 March 2026
Language
DE