Maskininlärning för bättre supraledande kraftkablar
- Diarienummer
- ID25-0051
- Projektledare
- Wahlström, Niklas
- Start- och slutdatum
- 260101-291231
- Beviljat belopp
- 3 250 000 kr
- Förvaltande organisation
- Uppsala University
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
I den pågående elektrifieringen av samhället ökar behovet av energiöverföring. I redan tätbefolkade områden kan utrymmet för att lägga till nya och/eller kraftfullare kablar för att överföra energi vara begränsat. Hög Temperatur Supraledande (HTS)-kablar erbjuder en möjlighet att användas i sådana fall. Detta beror på att tillräcklig effekt kan uppnås från den höga strömmen i det supraledande materialet vid lägre spänning jämfört med traditionella kablar, vilket ger ett mycket mindre fotavtryck. En utmaning med HTS-kablar är att hålla dem vid tillräckligt låg temperatur för att nå supraledande tillstånd i materialet. Kylstationer är en del av kabelsystemet, om den kritiska temperaturen höjs med ~10 K kan en betydande ökning av avståndet mellan kylstationerna uppnås. Det supraledande materialet som används i HTS-kablar tillhör kupraterna, särskilt Rare-earth Barium Copper Oxide (REBCO)-familjen. Projektet tar upp utmaningen att förutsäga kritisk temperatur i cuprates med hjälp av maskininlärning (ML). Fysikinformation kommer att inkluderas, i synnerhet materialets atomära struktur med hjälp av grafneuronnät. Ytterligare ML-metoder kommer att undersökas för att inkludera elektronisk struktur av materialen. Huvudmålet med projektet är att föreslå nya supraledare från REBCO-familjen med minst 10 K högre kritisk temperatur jämfört med nuvarande material för HTS-kablar genom att använda tränade grafneuronnät.
Populärvetenskaplig beskrivning
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.