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
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