Im Rahmen des Projekts werden Verfahren des maschinellen Lernens (ML) angewandt, um die Herstellung von elektrochemischen Energiewandlern (Festoxidzellen als wichtige Technologie für die Wasserstoffwirtschaft) durch Foliengießen zu optimieren. Poröse Substrate und Elektrodenschichten für Brennstoff- und Elektrolysezellen weisen komplexe Mikrostrukturen auf, die stark von den Rohpulvern, den Eigenschaften des Schlickers, den Gießparametern und den anschließenden Trocknungs- und Sinterungsschritten abhängen und folglich die Funktionalität der Zellen bestimmen. Die Entwicklung von Schlickern und die Optimierung von Gieß- und Trocknungsparametern erfolgt bisher fast ausschließlich empirisch und mit großem Aufwand. Datenbasiertes maschinelles Lernen soll einerseits diese Entwicklungszeit im Labor minimieren und andererseits die Qualität und Produktivität erhöhen sowie den Gesamtenergieverbrauch (insbesondere beim Trocknen / Sintern) für die industrielle Produktion reduzieren. Dies wird zusätzlich zu den allgemeinen Zielen der Energie-wende und der Bewältigung der Klimakrise beitragen. Zu diesem Zweck wird eine neue Forschungsdatenmanagementstruktur aufgebaut, die eine lückenlose Erfassung aller Prozessschritte auf Basis eines elektronischen Laborbuchs, d.h. von der Schlickerherstellung bis zur fertigen Schicht, mittels in-situ Messmethoden ermöglicht. Anschließend werden Schlickerrezepte und Verarbeitungsparameter bereitgestellt und durch ausgewählte ML-Algorithmen getestet, um die optimalen Prozessparameter zu ermitteln. Schließlich werden diese durch Simulationen ermittelten Parameter von den Projektpartnern praktisch überprüft.