Mikrobielle elektrochemische Systeme · Research Intelligence

Von der Literatur
zu einem Reaktor,
den Sie begründen können.

MESSAI vereint einen kuratierten Korpus zur mikrobiellen Elektrochemie, einen Parametergraphen auf Basis von Fachkonsens und kalibrierte Prior-Intervalle – damit Sie herausfinden, was bekannt ist, einen Reaktor in 3D entwerfen und literaturbasierte Leistungsbereiche mit ihren Bedingungen und Grenzen sehen.

Live-3D · Zum Drehen ziehen · mikrobielle Zweikammer-Elektrolysezelle

Was Forschende hier tun können

Eine Plattform – von der Publikation bis zur überprüfbaren Schätzung

Jeder Bereich stützt sich auf denselben kuratierten Korpus und denselben Prior-Stack – so führt alles, was Sie entdecken, analysieren und abschätzen, auf seine Quelle zurück.

01Erkunden

Ein Reaktordesign, methodisch sauber neu aufgebaut

Steuern Sie eine interaktive mikrobielle Brennstoffzelle in 3D, öffnen Sie zu jeder Schicht ein quellenbelegtes Dossier – Material, Funktion und die literaturbelegte Korrektur aus einer strengen Prüfung – und vergleichen Sie sie dann mit Referenzdesigns.

Fallstudie ansehen →
02Analysieren

Parameter mit echten Verteilungen

Durchsuchen Sie kanonische Parameter mit Literaturverteilungen je System, hierarchischen Priors (A-priori-Verteilungen) und Konfidenzangaben – keine Einzelwert-Folklore.

Katalog öffnen →
03Kausalität abbilden

Ein Wissensgraph der kausalen Struktur

Sehen Sie in einem kräftebasierten Wissensgraphen, wie Parameter voneinander abhängen – kausale Struktur aus Fachkonsens, mit markierter gemeinsamer Beobachtung im Korpus, und Datenherkunft in einer interaktiven Ansicht.

Graph erkunden →
04Modellieren

Einen Reaktor in 3D entwerfen

Bauen Sie im 3D-Labor einen bioelektrochemischen Reaktor und erhalten Sie Live-Schätzungen seiner Leistungsfähigkeit mit dem Intervall, das der Prior stützt, einem ausdrücklichen Hinweis, wo keines existiert, und mechanistischer Verlustaufschlüsselung.

Labor öffnen →
05Optimieren

Bedingungen variieren, Sensitivität erkennen

Legen Sie Ihre Betriebsbedingungen fest, variieren Sie eine Variable und verfolgen Sie, wie sich die Schätzwerte gegenüber der empirischen Verteilung aus dem Korpus verschieben.

Parameterstudie starten →
06Lücken finden

Aufdecken, was der Literatur entgangen ist

Eine Scan-Ansicht der Forschung: physikalisch unmögliche Ergebnisse, statistische Auffälligkeiten und bayessche Ausreißer, die einen genaueren Blick lohnen.

Hunter öffnen →

So funktioniert es

Vom rohen PDF zur Schätzung mit gemessener Intervallabdeckung

Dieselbe Pipeline speist jeden Bereich. Jede Stufe ist prüfbar – Sie können jede Zahl auf der Plattform über Kalibrierung, Kanonisierung und Extraktion bis zu der Publikation nachvollziehen, aus der sie stammt.

  1. 1

    Korpus

    19.000+ MES-Publikationen im Korpus – die Volltext-PDFs inhaltsadressiert und für die semantische Suche eingebettet.

  2. 2

    Extraktion

    Eine zweistufige LLM-Extraktion liest Messwerte samt ihren Bedingungen aus – jeder Wert behält seine DOI, etwa die Hälfte zusätzlich einen Textauszug aus der Quelle.

  3. 3

    Kanonisierung

    Rohwerte werden in SI-Einheiten umgerechnet und kanonischen Parametern zugeordnet, sodass Zahlen aus verschiedenen Publikationen vergleichbar werden.

  4. 4

    Priors & Kalibrierung

    Hierarchische bayessche Priors (PyMC, lognormal) je Systemklasse, eingefasst in Conformal-Intervalle mit gemessener Abdeckung.

  5. 5

    Vorhersage

    Vorhersagemodelle je Physikfamilie liefern jede Ausgabe als {value, unit, ci_low, ci_high, confidence, source}. Die Intervallfelder sind gefüllt, wo ein kalibriertes Intervall existiert.

  6. 6

    3D-Labor

    Entwerfen Sie einen Reaktor und sehen Sie die Vorhersage, die empirische Evidenz dahinter und die mechanistische Verlustzerlegung nebeneinander.

Was die Plattform leistet

1101001k10kFLÄCHENBEZOGENE LEISTUNGSDICHTE · mW/m²180 mW/m²95-%-Intervall 14–2301SCHEMA · LOGNORMAL

Kalibrierte Intervalle

Intervalle erscheinen, wo sie kalibriert sind

Messwerte aus der Literatur werden in SI-Einheiten umgerechnet, je Systemklasse zu einem hierarchischen lognormalen Prior zusammengeführt und, wo eine Kalibrierung vorliegt, in Conformal-Intervalle mit gemessener Abdeckung eingefasst. Sie erhalten ein Intervall, keine Folklore.

  • Ausgaben werden als {value, unit, ci_low, ci_high, confidence, source} geliefert
  • Intervalle sind breit, wo der Korpus breit streut – der Variationskoeffizient der Leistungsdichte liegt bei rund 1.285 %
  • Die Abdeckung wird an zurückgehaltenen Beobachtungen gemessen, nicht angenommen
  • Unzureichende Eingaben liefern insufficient_inputs, nie einen erfundenen Standardwert
Methodik ansehen →
TemperaturpHHRTSubstratkonz.CSB-AbbauStromdichteCoulomb-Eff.LeistungsdichteH₂-ErtragMECHANISTISCHKORRELATIV

Kausale Struktur

Typisierte Kanten statt Wollknäuel

Parameter sind in einem gerichteten azyklischen Graphen verknüpft. Jede Kante ist danach gekennzeichnet, wie sie ermittelt wurde – aus der Physik abgeleitet, aus dem Fachkonsens übernommen oder durch gemeinsame Beobachtung im Korpus gestützt. Fast alle beruhen auf Fachkonsens, und keine ist als kausal gesichert.

  • Mechanistische Kanten stammen aus der Elektrochemie, nicht aus den Daten
  • Korrelative Kanten tragen die Zahl ihrer gemeinsamen Beobachtungen und ihren Support
  • Der Graph ist per Konstruktion azyklisch, und Tests stellen das sicher
  • Gemeinsam beobachtete Kanten führen zu Publikationen; mechanistische Kanten belegen ihre Herleitung
Graph erkunden →

Grundsätzlich offen

Neun offene Pakete (eines noch im Aufbau)

Die Daten und Werkzeuge, auf denen MESSAI beruht, werden als eigenständige, zitierfähige Pakete veröffentlicht – jedes mit einem Schema, einer Lizenz und einer Datei CITATION.cff. Nutzen Sie sie in Ihren eigenen Analysen; sie hängen nicht von der Plattform ab.

Die Pakete sind neu für Sie? Beginnen Sie mit dem Handbuch oder lesen Sie, wie nachgelagerte Anwendungen das Parameterpaket nutzen.

Zwei Eingänge · eine Plattform

Gebaut für Betreiber und Forschende

Wenn Sie einen Abfallstrom bewirtschaften

Sehen Sie, was MES aus Ihrem Abwasser zurückgewinnen kann

  • Abfallstrom wählen → vorhergesagte Rückgewinnung sehen

    Sechs industrielle Archetypen + eigene Charakterisierung des Zulaufs. Live-Schätzungen mit 95-%-Intervall, wo der Prior eines stützt.

  • Ehrliche TEA + Ökobilanz je Archetyp

    CapEx, OpEx, LCOE, LCO-Wasser, skaliert mit dem Durchfluss. GWP + fossile Energie aus begutachteten Referenzwerten.

  • Zuordnung zu 5 Physikfamilien

    MFC / MEC / MDC / MES / MNRC / MMRC / MBES, automatisch zugeordnet nach den Eigenschaften des Zulaufs.

Wenn Sie zu MES forschen

Ein kuratierter Korpus und ein getesteter ML-Stack

  • 19.000+ Publikationen · 214.682 Messwerte

    Zweistufige Extraktion (Kopfdaten der Publikation + Bedingungen je Messwert). Jede Zeile enthält ihre DOI; etwa die Hälfte enthält einen Textauszug aus der Quelle.

  • 835 kanonische Parameter, FK-verknüpfter DAG

    2.792 gerichtete Kanten (Stand 22. Juli 2026): 2.721 beruhen auf Fachkonsens, 11 sind durch gemeinsames Auftreten im Korpus gestützt, keine ist als kausal gesichert. Mehrachsige Taxonomie (17 Primärtypen × Subtypen × Kombinationen).

  • Priors je Klasse mit gemessener Intervallabdeckung

    Hierarchische Priors (PyMC NUTS, v2): Die 95-%-Intervalle decken 96,1 % von 5.269 zurückgehaltenen Werten aus 339 Publikationen ab, bewertet am 28. Oktober 2026. Das ist Intervallabdeckung, keine Punktgenauigkeit.

Jetzt starten

Kommen Sie mit einer Forschungsfrage.
Gehen Sie mit der Evidenz, ihren Bedingungen und, wo belegt, einem kalibrierten Bereich.

Durchsuchen Sie den Korpus, entwerfen Sie einen Reaktor und lesen Sie literaturbasierte Bereiche, die ihre Quellen und Bedingungen nennen und ausweisen, wo kein kalibrierter Bereich existiert.