Machine learning improving superconductivity in power cables
- Reference number
- ID25-0051
- Project leader
- Wahlström, Niklas
- Start and end dates
- 260101-291231
- Amount granted
- 3 250 000 SEK
- Administrative organization
- Uppsala University
- Research area
- Computational Sciences and Applied Mathematics
Summary
In the ongoing electrification of the society, the need of energy transfer is increasing. In already densely populated areas, space for adding new and/or more powerful cables to transmit power may be limited. High Temperature Superconducting (HTS) Cables offers an opportunity to be used for such cases. This is due to that sufficient power can be achieved from the high current in the superconducting material applying less voltage compared to traditional power cables, this yield a much smaller footprint. A challenge with HTS cables is to keep them at low enough temperature to reach a superconducting state in the material. Cooling stations is a part of the cable system, if the critical temperature is increased with ~10 K significant increase of the distance between the cooling stations can be achieved. The superconducting material used in HTS cables belongs to the cuprates in particular Rare-earth Barium Copper Oxide (REBCO) family. The project address the challenge to predict critical temperature in cuprates using machine learning (ML). Physics information will be incorporated, in particular the atomic structure of the material using Graphical Neural Networks (GNN). Additional ML methods will be explored to include electronic structure of the materials. The main goal of the project is to suggest new superconductors from the REBCO family with at least 10 K higher critical temperature compared to present materials for the HTS cables by using a trained GNNs.
Popular science description
Supraledande kablar erbjuder en rad fördelar jämfört med traditionella elkablar: de har nästan inga energiförluster, genererar varken värme eller magnetfält, och kan transportera mycket mer el på samma utrymme om man jämför med traditionell högspännings kablar. Detta gör dem särskilt attraktiva i tätbebyggda områden där det är svårt att bygga ut elnätet. Trots detta är tekniken fortfarande dyr och begränsad i räckvidd, främst på grund av behovet av extrem kylning. Behovet av kylning kommer från att supraledande förmågan hos materialen sker vid väldigt låga temperaturer. För den klass av material som är lämpliga för kabel applikationer, kuprater, ska bli supraledande måste de hållas vid en temperatur om ca -190 - -130 C, dvs ca 80-140 Kelvin (K), men de med högst temperatur är inte industriellt tillämpbara. För att göra tekniken än mer tillgänglig krävs material som är supraledande vid högre temperaturer, det räcka att höja kritiska temperaturen med så lite som 10 K för att supraledande kablar ska kunna nå flera gånger längre. Här kommer maskininlärning in i bilden. Projektet som beskrivs i ansökan syftar till att använda avancerade ML-metoder för att förutsäga och föreslå nya material – särskilt inom den så kallade kupratklassen. Kuprater är keramiska material som redan finns kommersiellt och är supraledare upp till ca 70-100 K, men deras fysik är komplex och ännu inte helt förstådd. Det finns databaser tillgängligt för kuprater och deras kristallstruktur. Maskininlärning, särskilt grafneuronnät, kommer användas för att inkludera materialens kristallstruktur som nätverk och identifiera mönster som påverkar deras supraledande egenskaper. Även andra maskininlärningsmetoder och mer detaljerad fysik kommer att användas i projektet. Genom att kombinera fysikalisk förståelse med att utveckla metoder inom datadriven analys är målet med projektet att hitta nya material som inte bara har högre kritisk temperatur, utan också är praktiskt tillämpbara för kabel applikationer. Om projektet lyckas kan det bana väg för längre, billigare och mer effektiva supraledande kablar – en nyckelkomponent i framtidens hållbara elnät.