Projektlaufzeit: 01.06.2023 – 31.05.2026
2023-09-22_Vollversammlung_Poster_DaMaStE
2024-02-29_BMBF_KickOff_DaMaStE
Das BMBF Projekt DaMaStE erforscht neue digitale Wege zur verbesserten datenbasierten Zusammenarbeit bei der Entwicklung von Lithium-Ionen-Batterien. Expert*innen aus der Rohstoff- und Zellherstellung arbeitet mit Wissenschaftler*innen am Einsatz leitfähiger, kohlenstoff-basierte Additive. Gemeinsam erzeugen und tauschen sie Daten zu diesen Rohstoffen aus und erforschen die Verbindung von Rohstoffeigenschaften mit Produktions- und Produktcharakteristiken. Das Zusammenwirken der verschiedenen Materialkomponenten einer Batterieelektrode bei der Herstellung und im Betrieb ist komplex. Die Aufklärung dieser Beziehungen ist aufwändig und langwierig. Die Rohstoff- und Zellherstellung sowie Forschung generieren umfangreiche Daten, die aufgrund von Inkompatibilitäten und Geheimhaltungsinteressen oft nur begrenzt ausgetauscht werden können. Das Projekt DaMaStE möchte den Datenaustausch und die digitale Zusammenarbeit in der Batterieforschung verbessern. Dafür nutzt DaMaSte ein System des Projekts DigiBatMat der MaterialDigital-Plattform des BMBF. Auf dieser Basis wird ein föderaler Ansatz erforscht, der Daten schützt und dennoch ihren Austausch in möglichst großem Umfang ermöglicht. Daten werden automatisch aus Produktionsprozessen in die Plattform übernommen und mit Materialdaten verglichen, um den Effekt von Schwankungen der Rohstoffqualitäten und die Auswirkung neuartiger Rohstoffe verstehen zu können. Neuartige Kohlenstoffadditive des Industriepartners und Projektkoordinators Heraeus werden erprobt. Ebenso untersucht werden modifizierte Kohlenstoffadditive des INM für die Kathoden des Partners UniverCell. Die Hochschule Aalen erforscht mit Hilfe der Elektronenmikroskopie die Verteilung des Kohlenstoffs in den Elektrodenmaterialien. Zur Auswertung werden Materialmodelle des Leibniz-Instituts für Neue Materialien gGmbH verwendet. Die so gewonnenen Daten werden zusammengeführt und mit Ontologien verknüpft, die Beziehungen zwischen Rohstoffen, Prozessen, Materialstruktur und Eigenschaften herstellen. Das August-Wilhelm Scheer Institut übernimmt als Digitalisierungspartner die Entwicklung des Systems und der Komponenten maschinellen Lernens.
