El aprendizaje automático acelera la búsqueda de baterías mejores y más seguras
Desarrollo más rápido y rentable de nuevos materiales electrolíticos en estado sólido
A medida que la transición limpia impulsa la adopción de vehículos eléctricos y el almacenamiento de energía para una red eléctrica cada vez más dependiente de fuentes de energía renovables variables como la eólica y la solar, crece también el peligro de incendio de las baterías. Para limitar este riesgo y mejorar al mismo tiempo el rendimiento de las baterías, es probable que la próxima generación de baterías dependa de nuevos electrolitos de estado sólido, pero la investigación se ha visto obstaculizada por el enorme volumen de opciones de materiales y los parámetros implicados.
Sin embargo, el aprendizaje automático viene al rescate. Un grupo de científicos de materiales ha creado una nueva base de datos dinámica con cientos de electrolitos de estado sólido a la que han aplicado técnicas de inteligencia artificial que ya están orientando la investigación en mejores direcciones.
El 10 de septiembre de 2023 se publicó en la revista Nano Materials Science un artículo que describe su método.
Los disolventes orgánicos se utilizan habitualmente como electrolitos (sustancias, normalmente líquidos o geles, que facilitan el movimiento de partículas cargadas, o iones, entre los electrodos positivo y negativo) en muchas pilas recargables. Este tipo de disolvente proporciona una buena conductividad y permite el transporte eficaz de iones entre los electrodos, pero una serie de problemas de seguridad y rendimiento han llevado a los investigadores a buscar materiales electrolíticos alternativos.
En concreto, los disolventes orgánicos pueden ser inflamables y dar lugar a reacciones de fuga térmica que provoquen incendios o explosiones. Además, los disolventes orgánicos pueden ser propensos a la descomposición química, lo que puede provocar la formación de gas y la descomposición del electrolito con el tiempo, reduciendo el rendimiento y la vida útil de la batería. Además, a veces tienen un rango limitado de voltajes en los que puede funcionar la batería.
Una vía alternativa son las baterías de estado sólido (ASSB), en las que el disolvente orgánico líquido o gel tradicional se sustituye por un electrolito sólido, lo que elimina el problema de las fugas y, por tanto, de las explosiones. Estos electrolitos sólidos no sólo mejoran la seguridad, sino que también proporcionan una mayor densidad energética y, potencialmente, tiempos de carga más rápidos.
Sin embargo, la búsqueda de electrolitos de estado sólido con una elevada conductividad iónica -la capacidad de los iones de moverse por la batería y producir corriente- ha estado plagada de dificultades, sobre todo debido a sus complejas estructuras y a la relación entre éstas y el rendimiento. Hasta ahora, sólo se han identificado ESS con una migración lenta de iones. Sin SSE de alto rendimiento, el desarrollo de ASSB se ha visto gravemente obstaculizado.
"Para empeorar las cosas, hay que elegir entre un gran número de SSE", explica Hao Li, científico de materiales del Instituto Avanzado de Investigación de Materiales de la Universidad de Tohoku y autor del artículo. "Hay cientos de posibilidades, y es un verdadero reto para los investigadores abordar tal volumen de opciones sin perder de vista los muchos y variados parámetros del rendimiento óptimo".
Así que el equipo desarrolló una base de datos dinámica experimental, la Dynamic Database of Solid-State Electrolyte (DDSE), que inicialmente contenía más de 600 materiales potenciales de electrolitos en estado sólido, que abarcaban una amplia gama de temperaturas de funcionamiento y comprendían diversos cationes y aniones (iones positivos y negativos), para explorar las relaciones entre las distintas variables.
Una base de datos dinámica es un tipo de base de datos diseñada para actualizarse fácilmente y modificarse con frecuencia, permitiendo cambios y adiciones en tiempo real a los datos que contiene. Este tipo de base de datos suele utilizarse en situaciones en las que la información evoluciona constantemente. En este caso, la DDSE se actualiza continuamente con nuevos datos experimentales. La base de datos se actualiza semanalmente y, en enero de 2024, contenía más de 1000 materiales.
A continuación, los investigadores aplicaron el aprendizaje automático a la DDSE para superar las limitaciones tanto del análisis humano como del extraordinario gasto computacional de los cálculos teóricos. En ausencia de aprendizaje automático, los investigadores han tenido dificultades para manejar computacionalmente el gran sistema atómico de las SSE, así como la complejidad de las reacciones químicas implicadas.
Aprovechando el aprendizaje automático, los investigadores pueden hacer mejores predicciones sobre nuevos materiales electrolíticos en estado sólido con un gasto computacional (y financiero) mucho menor y con una pérdida de tiempo mínima en comparación con los intentos anteriores de diseño de SSE por ensayo y error.
De este modo, han empezado a desentrañar las intrincadas relaciones entre múltiples variables diferentes, como el transporte de iones, la composición, la energía de activación (la cantidad de energía necesaria para desencadenar una reacción química) y la conductividad, lo que permite desarrollar un nuevo conjunto de directrices para el diseño de SSE. Los investigadores ya han identificado las tendencias de desarrollo y rendimiento de las SSE en varias clases de materiales, así como los cuellos de botella en el rendimiento de cada clase de SSE.
El DDSE también se diseñó con una interfaz fácil de usar para que otros científicos especializados en baterías y materiales, además del equipo original, pudieran actualizarlo y utilizarlo ellos mismos.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
