Robotti nopeuttaa energiavarastointiin sopivien materiaalien etsintää
Uusi robottialusta automatisoi sähkökemiallisia kokeita ja auttaa keräämään tehokkaammin tietoa energian varastointiin soveltuvista materiaaleista.
”Olemme kehittäneet uusia robottityökaluja, jotka eivät ole kovin monimutkaisia, mutta joiden avulla voimme nopeuttaa tai jopa täysin muuttaa tapaa, jolla tutkimusta tehdään”, kertoo professori Pekka Peljo.
Tutkijoiden kehittämässä robottialustassa yhdistyvät pipetointirobotti, kuluttajakäyttöön tarkoitettu 3D-tulostin, jota tutkijat ovat muokanneet sekä sähkökemiallinen mittausjärjestelmä. Pipetointirobotti valmistelee näytteet 96-kuoppalevylle, ja 3D-tulostimesta muokattu sähkökemistirobotti asettaa elektrodit kuoppiin mittauksia varten.
Mahdollisten materiaalien ja niiden yhdistelmien määrä on niin valtava, että kaikkien yhdistelmien testaaminen käsin, yksi koe kerrallaan, on hyvin hidasta.
Robotti ei suorita yksittäistä mittausta kovin paljoa ihmistä nopeammin, mutta tutkijat voivat ohjelmoida kokeet etukäteen ja jättää järjestelmän työskentelemään itsenäisesti vuorokauden ympäri. Lisäksi näytteiden valmistaminen pipetointirobotilla on huomattavasti nopeampaa.
Li Chuyue, väitöskirjatutkijaMittaukset, joiden tekemiseen tutkijalta saattaisi käsin kulua kaksi viikkoa, voidaan tehdä noin vuorokaudessa.
Automaatio helpottaa myös sen tutkimista, miten erilaiset olosuhteet vaikuttavat materiaaliin. Tutkijat voivat esimerkiksi muuttaa pH-arvoa järjestelmällisesti ja seurata, miten se vaikuttaa materiaalin toimintaan sähkökemiallisessa mittauksessa.
”Tällaisia optimointeja pystymme tekemään helpommin robotin avulla. Voimme myös helpommin tarkastella, miten eri parametrit vaikuttavat vasteeseen.”
Robottialusta säästää resursseja myös siksi, että mittauksissa voidaan käyttää huomattavasti pienempiä näytemääriä, joka vastaavasti tuottaa vähemmän jätettä.
Miksi datalla on merkitystä
Tutkijat ovat kiinnostuneet koneoppimisen hyödyntämisestä lupaavien materiaalien tunnistamisessa. Tämä kuitenkin edellyttää riittävää määrää luotettavaa kokeellista dataa, jolla malleja voidaan opettaa.
”Koneoppiminen on vain niin hyvää kuin data, jolla se on opetettu”, Peljo sanoo.
Jos malli on opetettu vain rajallisella materiaalivalikoimalla, se antaa epäluotettavia ennusteita, kun se kohtaa materiaalin tai olosuhteen, joka poikkeaa opetusaineistossa esitetyistä. Tästä syntyy käytännön ongelma: tutkijat tarvitsevat kokeellista dataa parempien ennustemallien rakentamiseen, mutta suurten aineistojen tuottaminen kokeellisesti voi itsessään olla hidasta.
”Kysymys on siitä, miten voimme oikeasti tehdä näistä kokeista nopeampia, jotta saisimme tarpeeksi dataa tekoälyn opettamiseen ja voisimme nopeuttaa tätä prosessia”, Peljo sanoo.
Parempia materiaaleja pitkäkestoiseen energiavarastointiin
Yksi mahdollinen sovelluskohde ovat virtausakut. Toisin kuin perinteiset akut, virtausakut varastoivat energiaa nestemäisiin elektrolyytteihin. Ne ovat erityisen potentiaalinen ratkaisu pitkäkestoiseen energiavarastointiin, jossa sähköä voidaan varastoida useiden tuntien ajan ja käyttää myöhemmin.
“Vanadiinia käytetään tällä hetkellä materiaalina monissa virtausakkujärjestelmissä. Se toimii hyvin ja mahdollistaa pitkän käyttöiän, mutta sen hinta on haaste. Siksi olemme tutkineet materiaaleja, joiden pitäisi olla edullisempia”, Peljo kertoo.
Vanadiini on hopeanvalkoinen metalli ja tärkeä alkuaine muun muassa kemian- ja terästeollisuudelle.
Alustan tarkoituksena on tukea tätä etsintää helpottamalla useiden materiaalien ja erilaisten olosuhteiden testaamista. Tutkijat eivät kuitenkaan vielä väitä löytäneensä korvaavaa materiaalia:
”Virtausakkujen osalta meillä ei tällä hetkellä oikeastaan ole vielä mitään lupaavia vaihtoehtoja,” Peljo kertoo.
Välitön tulos onkin ennen kaikkea uusi tapa tehdä kokeellista tutkimusta.
Robottialusta soveltuu monenlaiseen sähkökemialliseen tutkimukseen
Vaikka virtausakut ovat yksi mahdollinen sovelluskohde, alusta on suunniteltu laajemminkin sähkökemiallisiin mittauksiin, joissa hyödynnetään nesteitä.
Tutkijat ovat demonstroineet järjestelmää myös erilaisten kemiallisten yhdisteiden kanssa ja tehneet systemaattisia pH-mittauksia. Alusta automatisoi näytteiden käsittelyn, elektrodien asettamisen, mittaukset sekä osan datan käsittelystä.
Laitteiston suunnittelu ja ohjelmisto on julkaistu avoimena lähdekoodina. Tavoitteena on tehdä automatisoidusta sähkökemiallisesta tutkimuksesta helposti myös muiden laboratorioiden hyödynnettävissä olevaa.
”Alamme olla siinä pisteessä, että tällaisen järjestelmän rakentaminen on lähes kaikkien ulottuvilla”, Peljo sanoo.
Pidemmän aikavälin tavoitteena on vähentää materiaalitutkimuksen riippuvuutta hitaasta, manuaalisesta kokeellisesta työstä: automatisoida enemmän mittauksia, tuottaa parempia aineistoja ja hyödyntää niitä materiaalien käyttäytymisen ymmärtämisen ja ennustamisen kehittämisessä.
Työ on osa Marie Skłodowska-Curie (MSCA) -verkostoa, johon kuuluu 17 tohtoriopiskelijaa eri puolilta Eurooppaa. Verkoston yhteisenä tavoitteena on nopeuttaa energiavarastointiin soveltuvien materiaalien kehittämistä. Aallossa yksi tutkimuksen painopisteistä on kokeellisen työn nopeuttaminen.
äپٴᲹ:
Lue lisää uutisia
Samu Taulu kehittää uuden sukupolven aivomittauksia
Neurostimulaation ja neurokuvantamisen professori Samu Taulu rakentaa tarkempia menetelmiä aivojen ymmärtämiseen.
Tutkijatohtori Thomas Deppisch sai EAA:n nuorten tutkijoiden parhaan artikkelin ja esityksen palkinnon
Palkittu tutkimus osoittaa, kuinka puhetta voidaan tehdä selkeämmäksi meluisissa ympäristöissä säilyttäen samalla tilan tuntu.
Professori Hanna Maylett: “Ilman yhteistä aikaa ei synny yhteistä näkemystä”
Elokuvaohjauksen apulaisprofessori Hanna Maylettin mukaan ohjaajan ei tarvitse tietää kaikkia vastauksia, vaan hänen tehtävänsä on rakentaa prosessi, jossa niitä voidaan löytää yhdessä.